作者 KF_Guan

前言

笔者在本科毕业设计之时初次接触到了工业大数据，深感其应用前景广阔，同时将来研究生的方向也是大数据预测建模，因此针对毕设以及自己的前期学习先做个阶段性总结，通过这个系列介绍自己的一些认识与心得体会。

由于本人在本科期间的主要兴趣都是在电子制作，做过无人机、四足机器人等作品，在大数据领域属于小白，希望自己能够尽快积累、进步，能够尽快入门，文中的观点也是基于本人的一些学习和理解，属于个人拙见，若有不当之处，恳请读者指出，希望能和大家一起交流学习，共同进步。

1 什么是工业大数据？有哪些挑战？

1.1 工业大数据理解

近年来，随着传感器技术、计算机技术、通信技术、物联网、数据存储等技术的发展，互联网、制造工业等行业产生并存储了大量的数据。其中，工业大数据是一个全新的概念，从字面上理解是指工业领域信息化应用中产生的大数据。

近年来，随着传感器技术、计算机技术、通信技术、物联网、数据存储等技术的发展，互联网、制造工业等行业产生并存储了大量的数据。其中，工业大数据是一个全新的概念，从字面上理解是指工业领域信息化应用中产生的大数据。

工业大数据与互联网大数据存在很大的不同。

互联网大数据的研究重点是对大规模数据的分布式存储和分布式处理，强调的是实时数据分析处理，是非结构化数据的储存和管理机制，通常可以采用查询、统计、可视化等手段来获得数据的深层次信息。

工业大数据则是面向复杂工业过程，通过实现工业建模、预测、控制、决策、优化、故障诊断等一系列应用来解决较为复杂的工业过程建模问题。目前仍属于起步阶段。

1.2 工业大数据的挑战

工业数据的不规则采样：多维度高密度过程数据、不规则采样的指标数据

数据的多时空时间序列性：规模和采样率大，数据之间具有时空的自相关和互相关性

复杂工业现场环境导致的数据混杂性：异常值、无效值等数据对结果带来影响

2 工业大数据的一些应用场景

典型应用主要在产品故障诊断和预测、工业生产数据分析、生产过程优化等诸多方面。

2.1 故障诊断和预测

通过无所不在的传感器采集大量数据，建立大数据模型预测动态性。如波音公司发动机故障诊断技术的研究、通用电气(GE)燃气轮机故障诊断和预警系统、Vestas风力涡轮机布局优化等。

2.2 工业生产数据分析

利用现代化工业制造生产线的传感器探测温度、压力、热能、振动和噪声。多形式分析手段包括设备诊断、用电量分析、能耗分析、质量事故分析等可以掌控每个生产流程，改进生产工艺，或建立虚拟模型仿真优化。

2.3 生产制造排程优化

通过大数据的丰富信息来发现历史预测和实际的偏差概率，考虑产能、人员、物料等的约束，采用智能优化算法来排产

3 总结

工业大数据应用价值巨大，挖掘这些价值还需要完成很多的工作。未来工业互联网智能化的建设会推动工业制造数字化、网络化、智能化的实现，而工业大数据作为其中重要的一环，定会助力构建资源富集、协同演进的制造业生态。

本文首发于公众号：机器学习与复杂系统。

扫描二维码关注我们，第一时间获取相关文章。