您现在的位置是:首页 > 工业互联网 >

数据+业务驱动工业大数据从创新到价值创造

2020-06-11 10:11:53作者:路沙来源:

摘要在明略科技集团资深科学家于政看来,工业大数据具有多源异构性,体量大,复杂度高,且采集汇聚、流通共享不充分,导致上层的数据开发应用不足。《指导意见》将进一步促进数据生产要素的流动,加速工业领域产品和服务全生命周期数据的采集、汇聚、治理、开发、共享,促进工业研发设计、生产制造、经营管理、运维服务等环节的数字化、网络化和智能化升级。...

  工业和信息化部日前发布《关于工业大数据发展的指导意见》(以下简称《指导意见》),提出促进工业数据汇聚共享、融合创新,提升数据治理能力,加强数据安全管理,着力打造资源富集、应用繁荣、产业进步、治理有序的工业大数据生态体系。

  从概念上来讲,工业大数据涵盖工业领域产品和服务全生命周期的各类数据,是新一代信息网络技术与工业深度融合的产物。从应用上来讲,数据早已成为社会经济生活的重要生产资料和要素。数据资产化进程将不断释放底层数据的价值,促进现代信息技术的市场化应用。

  在明略科技集团资深科学家于政看来,工业大数据具有多源异构性,体量大,复杂度高,且采集汇聚、流通共享不充分,导致上层的数据开发应用不足。《指导意见》将进一步促进数据生产要素的流动,加速工业领域产品和服务全生命周期数据的采集、汇聚、治理、开发、共享和服务,促进工业研发设计、生产制造、经营管理、运维服务等环节的数字化、网络化和智能化升级。

应用仍处于起步探索阶段 实现数据全流程贯通任重道远

  近年来我国工业大数据应用迈出了关键步伐,在需求分析、流程优化、能源管理等环节,数据驱动的工业新模式、新业态不断涌现。不过,与互联网服务领域大数据应用的普及和成熟相比,工业大数据更加复杂,总体上仍处于探索和起步阶段。

  从现阶段的客户痛点和需求来看,数据集成融合问题,数据孤岛比较突出,采集手段与数据库、数据平台不连通,数据协议不统一,需要实时采集数据,对多源异构数据的集成分析处理,实时反馈。在数据融合和加工过程中,合理索引数据,解决大数据的存储冗余问题,节省成本,满足数据高速的查询、计算的性能。同时,需要构建隐私涉密数据的安全体系。并强化数据与上层应用结合,灵活提供服务。

  在实际的应用过程中,明略科技通过多年的行业实践总结认为,工业制造企业对于工业大数据的共性需求主要集中在底层的数据汇聚融合、治理和上层的智能化应用,且在数据汇聚和治理方面,面临着挑战,要在保证数据质量和标准统一的前提下,打通各业务系统的数据,完成数据治理。而个性化需求在于不同行业和客户,针对应用需求的不同,对数据的信息抽取和知识挖掘的要求也不尽相同。其中,汽车、冶金、化工、医药等制造业对大数据的应用较为领先,纺织、电气设备制造、机械装备制造等还需加快脚步。

  对此,要想建立从经营到生产系统贯通融合的数据流,于政认为,首先,要实施一把手工程,企业上下统一认识,拉通数据基础建设的支撑部门和业务部门,为建设打通各业务系统的工业大数据平台提供组织制度流程的支持。其次,咨询与实施同行,通过咨询做好顶层设计,做好统一规划和需求梳理;以数据和业务双驱动的模式,实现数据流的贯通融合。

数据中台结合行业特性 支撑数据全生命周期平台落地

  从数字化阶段来看,目前,工业制造领域,处在把不同的系统数据打通,建设大数据平台的阶段,下一步的发展则是解决挖掘数据价值,数据增值的问题,对数据进行融合、治理、分类、组织的全生命周期综合管理。然后是支持业务的智能化应用,提升生产运营管理效率。

  关于形成完整贯通的高质量数据链,《指导意见》部署了三项重点任务来推动全面采集、高效互通和高质量汇聚,包括加快工业企业信息化“补课”、推动工业设备数据接口开放、推动工业通信协议兼容化、组织开展工业数据资源调查“摸家底”、加快多源异构数据融合和汇聚等具体手段。

  基于此,明略科技看到的未来行业发展的重点在于:第一,缩小技术模型和业务模型之间的理解鸿沟;第二,从海量数据中挖掘信息和知识,实现数据洞察、趋势等,为领导层、管理者和一线员工提供辅助决策;第三,从历史数据中,尤其是非结构化数据中将专家经验、行业知识等挖掘出来,不断更新完善形成企业知识库。

  目前,明略科技在智能制造、电力、轨道交通等行业积累了丰富的实践案例,基于行业know-how,结合结构化数据治理工具、文本挖掘知识构建工具、图数据库存储工具、数据隐形关系挖掘工具、知识关联可视化工具,打通数据加工、分析、标注、存取、应用展示全流程,高效满足不同行业客户的个性化需求。

  于政表示,在数据汇聚,标准化,基础治理,数据集成完成之后,进行数仓或者是知识图谱各种形态的数据生产,完成数据组织的过程,从而提供数据共享、交易和API各种服务支撑,包括BI、搜索等分析工具的结合。从汇聚到使用的不同阶段用到的手段工具模式,方法论,是共同的。只不过在不同领域的数据处理,涉及不同的行业Know-how和知识。例如,具体的数据处理规则、协议转换的规则,数据组织的各个主体库、数据模型的特点,是存在行业特性的。所以是通过一套全流程的数据中台的架构,加上特定领域的行业Know-how,组合完成一个行业的数据全生命周期的平台落地。


责任编辑:路沙

站点信息

  • 运营主体:中国信息化周报
  • 商务合作:赵瑞华 010-88559646
  • 微信公众号:扫描二维码,关注我们