《制造业数据管理的再认知》一文中我们将工业大数据分为公共资源数据、工程类数据、管理类数据和物联数据。其中管理类数据一般也称业务数据，即由业务活动产生的记录。传统的数据仓库理论将业务数据的管理理论和应用模式发展到一个很成熟的水平，目前无论制造企业还是IT公司在谈工业大数据时，更多是按照数据仓库理念在进行企业数据的管理和应用。
美林公司认为传统的数据仓库理论是建立在结构化业务数据的基础上，是工业大数据的重要组成部分之一。其难点在于从千变万化的业务中找到稳定的数据结构，又能方便的支撑业务数据的统计和分析，下面重点阐述业务数据如何从业务中来又如何到业务中去。
第一节数据管理的基础理论
小结一下，业务域、业务主题域、业务子主题域等的划分都是虚拟的，元数据是对业务实体的属性定义（目前我们将编码规则和编码值当成元数据的重要属性进行管理），其目的是为了方便数据实体的查询、检索和维护，都是数据标准的重要组成部分。数据实体对于具体的物理实体，根据应用和管理需要分为主数据、业务数据、主题分析数据。
第二节业务数据的建模方法
从业务系统中抽象出稳定的数据结构，一直是业务数据的管理和组织的基础核心，业界主要采用IRP和EA两种建模手段进行数据结构设计。IRP理论从组织机构入手，识别各部门的用户视图（单据或报表），通过对业务单据或报表中数据项的识别和归纳得到相应数据模型；EA理论从主辅价值链入手，从而得到最末端流程，并通过关键活动产生的数据进行分析得到相应的数据模型。IRP相对于EA属于自底向上的轻量级的建模方法，主要解决数据建模问题，EA属于自顶向下的重量级的建模方法，主要解决业务建模、应用建模和数据建模，数据模型只是企业模型的一部分。
美林公司目前采用EA+IRP的方式进行企业数据建模，从企业主价值链入手并导入最佳实践，根据二、三级流程关键活动节点识别核心数据，从核心系统应用入手识别核心数据关键属性和集成关系，从而快速得到企业级的数据视图。
第三节业务数据的应用模式
1.业务数据的查询浏览：业务数据通过线上采集或线下导入进入数据中心后，供业务人员进行查询、浏览，并能支持漫游和穿透。
2.业务数据的共享集成：由于各业务系统按照各自业务域进行建设，企业价值链的协同势必涉及各业务域之间的数据集成和交互。利用业务数据集中管理将过去点对点的集成变成总线式集成，提升系统集成的效率和可靠性。
3.业务数据的统计分析：业务数据结构化以后最大的价值是统计分析，将业务记录通过统计变成业务规律用以指导业务改进。传统上我们利用Excel工具就开发了大量的离线数据的统计应用，现在各种BI工具更是提供了在线统计应用能力。
1
物联数据的组织方式
工业企业的生产制造物联网应用一般称为车间物联网或者叫制造物联，通过使用RFID传感器、无线网络通信、GPS定位、语音视频系统等技术把制造计划与制造资源“人、机、料、法、环”等信息链接起来，从而对五大制造资源智能化识别、定位、跟踪、监控和管理，从而满足企业指挥调度、环境监测等方面的管理要求。五大制造资源分为静态属性和动态属性，如一台机床设备的静态属性又可以分为管理信息（设备编码、设备名称、设备分类等）、静态参数（工作环境、进给速度、切削参数等）、动态参数（机床状态、车床完备率、车床负荷率、维修记录等）。静态属性不受生产过程的影响，并在生产流程开始之前已经确定，是车间现场管理中的常量数据，但这些数据并非永远固定不变，它们可在生产过程结束后由用户进行调整；动态数据是一直处于变化中的数据，车间物联网数据大多属于动态数据。
2
物联数据的管理技术
车间物联网是一种典型的复杂信息系统，涉及数据管理的各个方面，主要包括：数据质量控制、数据融合与集成、复杂事件处理、数据存储与处理，以及安全访问控制等。
3
物联数据的应用模式
第一节主数据管理是什么
第二节主数据项目怎么干
主数据项目属于典型的“企业级应用”，，美林根据实施的案例总结出“五步法”实施方法论：
第一步是数据资源规划：对现有企业数据资源进行咨询规划和梳理优化，得到企业数据资源的数据架构，这个架构将指导企业现在及未来的数据资源管理和利用，保证数据管理工作的投入和收益的持续性；
第二步是主数据标准体系设计：对主数据的属性、编码、分类、层级、流向、寿期等进行标准化设计，并形成企业级的数据标准规范，用于指导未来业务系统建设和现有业务系统的改造。
第三步是主数据管控体系建设：对主数据的标准、安全、质量等管理活动进行组织、流程、工具、考核等要素的设计，保证主数据建设成果的可控、能控、在控，避免出现“人人有关、人人不管”的情况出现。
第四步是主数据治理及规范化：对存量的数据资源进行治理，提升存量数据的有效性、完整性，对增量的数据资源进行集成，保证增量数据的及时性、准确性。
第三节主数据资源怎么用
2、数据共享分发机制：主数据是企业应用最广泛的数据，需要在各业务系统间共享，避免数据的重复录入，产生数据不一致。主数据典型的统一管理与共享分发机制如下图所示：
工业大数据的价值和意义不言而喻，但面对种类繁多、尺度不一、模态多样的数据，如何进行有效管理和利用是对企业很大的考验。从数据管理角度，我们将数据分为公共类数据、管理类数据、产品类数据和实时类数据。
按照企业信息化建设阶段，一般分为单点建设、集成应用、集中管控等三个阶段。正如在数据集成应用阶段，SOA和物联网技术风起云涌，在数据集中管控阶段Hadoop和机器学习等技术正在兴起。各企业的大数据应用在数据集成和数据集中阶段，所以制造企业一方面通过建设应用系统集成平台，利用SOA技术实现异构业务系统间、异种智能设备间的主数据和BOM数据的管理；另一方面通过建设大数据环境，利用Hadoop、Spark等工具实现海量数据的采集、存储、管理和利用。
产品工程数据是工业大数据的重要组成部分，企业运营业务因多采用成熟的套装软件进行管理故数据多以结构化数据为主，产品工程数据多以非结构化图文档数据为主，集中体现大数据的“大”。产品工程数据的“大”，在微观层面体现在产品的全属性，在宏观层面体现在产品的全生命。
第一节产品全寿期数据是什么
第二节产品全寿期数据如何组织
在制造行业以BOM的方式进行产品数字化定义，已经成为事实标准。制造企业也是以BOM做主线组织产品的研发及生产。BOM(BillofMaterial，物料清单)是企业产品数据管理的核心，贯穿于企业各种经营活动，是产品数据整个生命传递和共享的载体，是各业务系统间进行信息集成的桥梁和纽带。所以美林也采用BOM的方式进行数据的组织和利用。但由于产品研制各环节都定义了适合本环节的BOM，如设计BOM、工艺BOM、制造BOM、服务BOM等，这些BOM属性不同、结构不同难以支撑企业级产品的数据综合管理和利用。所以美林数据提出xBOM的概念，即以产品研制生产的主价值链为主线，通过BOM多视图的组织方式完成产品全生命周期数据的管理及应用，协调研制两端产品数据管理与应用的冲突，实现产品数据的共享与追溯。
xBOM能够帮助企业实现产品数据的电子化管理，方便对数据的查阅及质量问题追溯等应用，减少了企业的问题成本；通过BOM结构借用关系、版本管理，实现零部件的复用关系追溯，方便掌握工程变更、设备换代等对业务的影响范围；打通了企业研制主价值链的业务流程，实现产品数据在PDM、MES、ERP等系统间的共享与交换。具体应用如下：
1、产品工程变更及质量追溯：
管理产品BOM数据中零部件的借用关系，实现某一零部件在不同批次的产品之间的追溯，快速定位质量问题根源与影响范围，为企业减少损失，如下图所示：
2、产品电子履历及集成共享：
工信部的数据显示：“中国制造业约占整个世界制造业20%的份额，在500余种主要产品中，我国有220多种产量位居世界第一。2014年，我国共有100家企业入选‘财富世界500强’，其中制造业企业占56家”。但长期粗放式发展之后，中国制造业发展面临着稳增长和调结构的双重困境，进入了“爬坡过坎”的关键时刻。正如国务院发布的《中国制造2025》提到，“新一代信息技术与制造业深度融合，正在引发影响深远的产业变革，形成新的生产方式、产业形态、商业模式和经济增长点…但我国仍处于工业化进程中，与先进国家相比还有较大差距。制造业大而不强…”。
与此同时，德国提出了工业4.0，美国提出了工业互联网的概念希望藉此实现制造业的复兴。中国提出《中国制造2025》正是要推动制造业向中高端迈进，以大数据、物联网、云计算等新一代信息技术将引爆这一轮产业变革，加速传统制造企业的转型升级。
工业大数据与德国工业4.0、中国制造2025的关系
工业4.0、中国制造2025的核心是工业大数据
2013年4月，德国政府汉诺威工业博览会上正式推出“工业4.0”战略，其目的是为了提高德国工业的竞争力，在新一轮工业革命中占领先机。该战略通过充分利用信息通讯技术和网络空间虚拟系统（信息物理系统Cyber-PhysicalSystem）相结合的手段，将制造业向智能化转型。
2015年5月8日，国务院公布《中国制造2025》,这是中国版的“工业4.0”规划。该规划提到“加快推动新一代信息技术与制造技术融合发展，把智能制造作为两化深度融合的主攻方向；着力发展智能装备和智能产品，推进生产过程智能化，培育新型生产方式，全面提升企业研发、生产、管理和服务的智能化水平。
无论是“德国工业4.0”还是“中国制造2025”，都提到了智能化和互联网化，而智能化和互联网化的核心是:一方面利用互联网技术实现传统的以产品为中心变为以客户为中心，加强客户需求预测并尝试让客户参与产品研发，提供个性化的产品、服务及体验；另一方面采集大量消费数据动态调整生产方式以快速适应客户需求变化，即变大规模批量生产为大规模定制生产；最后一方面利用企业内部营销、科研、生产、采购等经营数据，为企业经营解决提供依据，实现企业经营透明。随着企业智能化和互联网化水平的提升，企业拥有了越来越多的数据，而这些数据反过来有提升了企业智能化和互联网化的水平。
利用大数据驱动业务发展，打造企业新型能力
全球航空发动机制造企业劳斯莱斯公司，在飞机引擎的制造和维护过程中，都配备了劳斯莱斯引擎健康模块。所有的劳斯莱斯引擎，不论是飞机引擎，直升机引擎还是舰艇引擎都配备了大量的传感器，用来采集引擎的各个部件，各个系统，以及各个子系统的数据。这些信息通过专门的算法，进入引擎监控模块的数据采集系统中。利用这些数据的分析结果，不仅可以帮助劳斯莱斯提前发现故障，还可以帮助客户更及时有效地安排引擎检测和维修。通过算法的不断改进，劳斯莱斯如今已经可以通过数据分析预测可能出现的技术问题。
劳斯莱斯引擎使用寿命在过去30年里延长了10倍，比同行类似引擎的寿命长10年左右；尤其重要的是飞行安全得到了更大的保障。成功之处在于打破了制造业和服务业的界线，并使两者相得益彰：技术先进的制造部门为售后服务提供可靠的技术保证。优质的售后服务不仅巩固现有销售市场份额，还不断挖掘越来越大的潜在市场。
“盘活存量数据、用好增量数据”，推动企业转型升级
制造型企业在信息化的每个发展阶段都会有大量的数据处理要求并且会因为大量的业务活动产生各式的数据各样，只要采用数据驱动业务的方式进行业务活动就是大数据，大数据是企业信息化发展到当前阶段的必然结果。所以工业大数据的利用不仅仅是信息化基础设施建设，更重要的是采用数据思维来管理和创新业务，大数据应是管理创新的手段，优化全业务流程和提供业务管理工具。所以制造型企业大数据应用的难点是打通企业数据采集、集成、管理、分析的产业链条，帮助业务人员养成使用数据的习惯。在这方面互联网企业走在前面，值得制造型企业学习。
工业大数据的产生及特点
工业大数据是制造型企业创新转型的驱动力和催化剂，随着三维设计、3D打印、机器人技术等在制造型企业广泛应用。工业大数据广泛分布在产品设计、制造、物流、服役等各环节，具体如下：
◆数字化设计：如飞机全数字化设计：波音公司利用CATIA软件设计波音777的300万个零部件的尺寸和形状数据；
◆智能化制造：以智能工业机器人为典型代表的智能制造装备已经开始在多个领域得到应用；我国今年的工业机器人超过日本。
◆网络化监控：大型工业装备运行状态网络化远程动态监测：例如，波音737发动机在飞行中每30分钟产生10TB数据；陕鼓动力实现数百台旋转机械远程在线监测及故障诊断。
◆物联化管理：工业生产过程开始大量使用RFID实现零件与产品管理。
工业大数据区别其他行业大数据有自身的特点和挑战：
二是数据关联性强，有关联也要有因果：工业大数据的产生和应用都围绕产品全生命周期、企业主价值链等，数据间关联性强且分析准确性要求高。不但要利用大数据给出决策也要用大数据给出决策依据。工业大数据预测精度低，准确性和可靠性不高，无法满足安全性要求；
工业大数据的重点研究方向
为了应对工业大数据分散、形式多样、预测精度高等挑战，国内外研究机构与厂商开展了基于产品全生命周期的数据集成和管理，基于数据挖掘的数据分析应用等方面的技术研究与实践，下面分别介绍。
研究方向1：基于MBD和物联网的数据集成技术
◆CAX工具数据集成技术：面向产品设计过程中结构设计、电气设计、仿真、试验等过程，一方面定义产品所需标准件、材料、元器件的参数模型和实体模型及标准标准，供不同CAX工具共享使用，另一方面集中管理CAX工具输入输出参数等过程数据并形成设计知识。
◆智能装备数据集成技术：面向车间各类对象的实时监控和管理，底层采用传感器对环境和设备进行信息采集，采用电子标签对物料、人员、工具工装等进行标识和跟踪，通过数据采集和处理实现信息的可靠高效传输，实现人机料法环测等生产要素的状态监控和集成管理。
◆异构业务系统数据集成技术：面向工厂内部ERP、PDM、MES、QIS、TDM等业务系统，利用企业门户、企业服务总线、流程平台等集成工具实现各业务系统间界面、服务、流程和数据的集成，最终达到跨业务部门和业务系统的数据融合和流程贯通。
研究方向2：基于产品全生命周期数据管理技术
产品全生命周期管理的关键在于产品生命周期的建模技术、集成数据环境技术和设计制造协同技术。
◆产品研制协同技术：异地设计与制造是指在异地异时、异构系统、异种平台间进行实时动态设计和制造，它是企业内部或供应链之间进行产品全生命周期管理的重要技术手段。
研究方向3：面向智慧工厂的数据分析方法
◆数据挖掘技术：“数据海量、信息缺乏”是相当多企业在信息化建设和技术手段更新后遇到的问题，数据挖掘又称为知识发现（KnowledgeDiscovery），是通过分析每个数据，从大量数据中寻找其规律的技术。知识发现过程通常由数据准备、规律寻找和规律表示3个阶段组成。数据准备是从数据选取所需数据并整合成用于数据挖掘的数据集；规律寻找是用分类、聚类、回归、预测、关联等算法将数据集所含规律尽可能以用户理解的方式将找出来。第三节的案例详细描述了整个过程。
工业大数据的典型应用场景
1、企业经营管控
◆现状：对企业的掌控依赖于纸质的、离散的报表及总结报告等，获取的信息往往存在滞后、缺乏综合性分析意见的反馈等；
◆目标：实时的、准确的、全面的获取企业运营现状，实现管控透明化，及时发现问题，为科学决策提供支撑；
◆应用示例：
大数据对于企业透明化的经营管控可实时的、直观的、全面的展现企业现状、及时地发现问题、快速的定位问题根源并提出相应措施，最终回归到企业价值体现及经营目标建设。
2、产品研制协同
◆现状：各学科设计分散，缺乏综合考虑；知识以经验的形式掌握在少数人手中；设计工作对少数人的依赖性强，传承性差；存在未考虑上下游客户需求的问题等；
◆目标：开展多学科融合的协同设计、产品货架支撑的并行设计、以产品全生命需求为依据的综合设计（以客户为中心，向产品定制转型）。
通过建立统一的设计开发环境，实现知识的积累和重用。建立设计平台，对产品研制过程中的各种工作内容进行集成展现和管理，并根据用户角色和工作内容的不同，管理并查看相应的内容，用户可通过研发设计工作台直接开始设计工作。
协同设计研发平台一方面通过数据、产品数据、运营数据管理为基础，将设计经验、工艺信息、制造信息、产品服役过程信息（零部件寿命、质量问题记录等）、客户需求等统一纳入设计需求范畴，也即完成客户等纳入需求考虑，保证设计需求的全面响应，实现定制化奠定基础，逐步协助企业服务化转型；另一方面具体执行设计研发业务支持基于多学科融合的综合，支持多学科并行设计等。
3、全面质量控制
◆现状：由于质量问题等原因的工程变更追踪困难、变更范围难以确定；
◆目标：可通过BOM集成管理的数据，进行产品问题的向上及向下追溯，一方面追踪问题根源并对其影响范围进行确定（如存在多少在制品等）并干预，保证后续产品的质量；另一方面根据问题根源，改进原材料或设计工艺等，从根源上解决问题，降低问题重复带来的损失。
以某零部件服役过程产生质量问题为例说明。当产品产生问题时回馈制造商形成质量问题记录单，零部件制造企业基于完整的产品全生命周期数据管理可通过BOM追溯实现零部件批次、设计信息、工艺信息、制造过程信息的快速定位，进而由专业人员进行分析质量原因并采取响应的改进措施，一方面：保证后续零部件/半成品按更改后的文件制造生产，使问题重复再现得到改善；另一方面：对同一样已交付使用的零部件采取一定的维护更换或召回处理，规避由某零部件问题造成工程停产的更大损失。
工业互联网
产业智能官AI-CPS
加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。