报告简介
工信部发布《工业大数据发展指导意见(征求意见稿)》,为推进工业大数据发展,逐步激活工业数据资源要素潜力,不断提升数据治理和安全保障能力。工业大数据分析是利用统计学分析技术、机器学习技术、信号处理技术等技术手段,结合业务知识对工业过程中产生的数据进行处理、计算、分析并提取其中有价值的信息、规律的过程。
近年来,随着移动互联网、物联网、云计算产业的深入发展,大数据国家战略的加速落地,我国大数据市场快速发展。同时智能制造不断深入,在此背景下,我国工业大数据迎来发展新机遇。2016年我国工业大数据市场规模突破150亿元,保持增长,预计2019年市场规模将近500亿元。到2022年,中国工业大数据市场规模或超822亿元;2022年超1900亿元。
(1)工业大数据成新工业革命的基础动力。互联网技术全面深入发展,极大促进了人与人互联、机器和机器互联、人和机器互联的程度,随着5G、量子通信等新一代通信技术发展,世界将加速进入一个完全互联互通的状态。工业互联网也将随着机器的数字化、工业网络泛在化、云计算能力的提高而取得长足进步,海量工业大数据的产生将是必然结果,而基于工业大数据的创新是新工业革命的主要推动力。
(2)工业大数据提升制造智能化水平、推动工业升级。大数据是提升产品质量、生产效率、降低能耗、转变高耗能、低效率、劳动密集、粗放型生产方式,提升制造智能化水平的必要手段。随着智能工厂的推广,广泛深入的数字化是智能工厂的基础。工业大数据能够为智能工厂建立从经营到生产系统贯通融合的数据流,提升企业整体生产效率,提升制造化水平、推动工业升级。
(3)工业大数据将支持工业互联网发展。工业大数据是制造业实现从要素驱动向创新驱动转型的关键要素和重要手段。大数据可以帮助企业更全面、深入、几时了解市场用户和竞争态势的变化,以推出更有竞争力的产品和服务。此外,大数据也是实现更有企业从制造向服务转型的关键支撑技术。
(4)工业大数据将推动制造业转型升级。《中国制造2025》规划中明确提到,工业大数据是我国制造业转型升级的重要战略资源。目前,我国工业大数据已成为国际产业竞争和国家工业安全的基础要素相关技术与应用必将成为我国工业“由跟跑、并跑到领跑”、“弯道取直”、“跨域发展”的关键支撑。
报告目录
2019-2024年中国工业大数据行业发展前景研究报告
1、工业大数据内涵 10
1.1、工业大数据定义与边界 10
1.1.1、工业大数据定义 10
1.1.2、工业大数据特征 12
1.1.3、工业大数据边界 13
1.1.4、工业大数据产生主体 15
1.2、与智能制造的关系 16
1.2.1、在智能制造中的应用 16
1.2.2、在智能制造标准体系中的定位 17
1.3、与工业互联网的关系 19
1.3.1、在工业互联网中的应用 20
1.3.2、在工业互联网标准体系中的定位 21
1.4、与大数据技术的关系 22
1.5、与工业软件和工业云的关系 23
1.5.1、与工业软件的关系 23
1.5.2、与工业云的关系 24
1.6、工业大数据的标准体系 25
1.6.1、工业大数据标准化工作基础 25
(1)、国际标准化 25
(2)、国内标准化 25
1.6.2、工业大数据标准体系框架 27
1.6.3、工业大数据标准明细表 29
1.6.4、工业大数据重点标准描述 30
1.7、工业大数据对于不同规模企业价值 30
1.8、工业大数据的创新价值 31
1.8.1、数据始终影响着人类工业化进程 31
1.8.2、数据在信息化过程中发挥着核心作用 31
1.8.3、工业大数据是新工业革命的基础动力 32
1.9、工业大数据生命周期 33
2、工业大数据产业发展现状 34
2.1、全球工业大数据发展 34
2.1.1、国际工业大数据政策 34
(1)、美国 35
(2)、德国 35
(3)、法国 36
2.1.2、全球工业大数据规模 37
2.2、我国工业大数据发展 38
2.2.1、国内工业大数据政策 38
2.2.2、工业大数据竞争链 41
(1)、系统协调者 41
(2)、数据提供者 42
(3)、工业大数据应用提供者 42
(4)、大数据框架提供者 42
(5)、数据消费者 43
2.2.3、我国工业大数据发展 44
2.2.4、我国工业大数据规模 45
2.2.5、我国工业大数据格局 46
2.2.6、企业实践现状 48
2.3、我国工业大数据主要问题及难点分析 49
2.3.1、产品大数据 49
2.3.2、物联接入设备 50
2.3.3、信息集成贯通 50
2.4、工业大数据支撑中国制造弯道取直 51
2.4.1、中国是制造大国,但不是制造强国 51
2.4.2、工业大数据提升制造智能化水平,推动中国工业升级 51
1.4.3、工业大数据支撑工业互联网发展,促进中国工业转型 52
2.4.4、工业大数据助力中国制造弯道取直 52
3、工业大数据典型应用场景 53
3.1、智能化设计 54
3.2、智能化生产 55
3.3、网络化协同制造 57
3.4、智能化服务 58
3.5、个性化定制 59
3.6、工业大数据应用热点 60
3.6.1、在设计领域的应用 60
(1)、基于模型和仿真的研发设计 60
(2)、基于产品生命周期的设计 61
(3)、融合消费者反馈的设计利用 62
3.6.2、在复杂生产过程优化的应用 62
(1)、工业物联网生产线 62
(2)、生产质量控制 63
(3)、生产计划与排程 63
3.6.3、在产品需求预测中的应用 63
3.6.4、在工业供应链优化中的应用 64
3.6.5、在工业绿色发展中的应用 64
4、工业大数据关键技术 65
4.1、工业大数据技术架构 65
4.1.1、数据存储与管理层 67
4.1.2、数据分析层 67
4.1.3、数据服务层 68
4.1.4、数据应用层 68
4.2、工业大数据平台 69
4.3、工业大数据采集技术 71
4.4、工业大数据存储与管理技术 72
4.4.1、多源异构数据管理技术 72
4.4.2、多模态数据集成技术 73
4.5、工业大数据分析技术 75
4.5.1、时序模式分析技术 75
4.5.2、工业知识图谱技术 76
4.5.3、多源数据融合分析技术 77
4.6、工业大数据的前沿技术趋势 77
5、工业大数据管理分析 78
5.1、数据管理体系 78
5.2、数据资源编目 79
5.2.1、数据资源目录应用架构 80
5.2.2、数据资源编目 81
5.3、数据质量管理 81
5.3.1、工业大数据质量问题 82
5.3.2、工业大数据质量检测方法 83
5.3.3、工业大数据质量管理 84
5.4、主数据管理 84
5.4.1、主数据管控体系 85
(1)、主数据管理制度 86
(2)、主数据管理组织 86
(3)、主数据管理流程 86
(4)、主数据管理评价 87
5.4.2、主数据应用管理 87
(1)、明确管理要求 88
(2)、实施有效管理 88
(3)、强化服务保障 88
5.5、数据安全管理 88
5.5.1、工业大数据安全问题 89
5.5.2、工业大数据安全防护技术 89
(1)、工业大数据接入安全 89
(2)、工业大数据平台安全 90
(3)、工业大数据应用安全技术 90
5.5.3、工业大数据安全管理机制 91
6、工业大数据分析概论 92
6.1、工业大数据分析概述 92
6.1.1、工业大数据分析概念 92
(1)、工业大数据分析介绍 92
(2)、工业大数据分析相关技术 93
(3)、工业大数据分析基本过程 94
(4)、工业大数据分析类型 95
(5)、工业大数据分析价值 95
(6)、工业大数据分析支撑业务创新 97
6.1.2、工业大数据分析特殊性 98
(1)、从工业数据分析到工业大数据分析 98
(2)、工业大数据与商务大数据分析 99
(3)、工业大数据建模的难点 100
6.1.3、业数据分析中常见问题 101
(1)业务和数据理解不当导致的失误 101
(2)、建模和验证过程的失误 101
(3)避免失误的方法欲 102
6.2、工业大数据分析框架 102
6.2.1、CRISP-DM 模型 102
6.2.2、CRISP DM 模型的落地难点 103
6.2.3、工业大数据分析指导思想 104
6.3、业务理解 106
6.3.1、认识工业对象 106
(1)、工业系统的抽象化 106
(2)、工业系统的功能 107
(3)、系统功能到技术原理的理解 107
(4)、系统功能与业务场景的关联 108
6.3.2、理解数据分析的需求 108
(1)、工业过程中的数据分析需求 108
(2)、数据分析的价值需求 109
(3)、具体业务场景的数据分析需求 109
(4)、数据分析需求梳理方法 110
6.3.3、工业数据分析目标的评估 110
(1)、工业知识的理解 110
(2)、工业知识的合用性 110
(3)、专业领域知识的融合 111
6.3.4、制造的全生命周期 112
6.4、数据理解 112
6.4.1、数据来源 113
(1)、业务与数据的关系 113
(2)、离散行业的数据源 113
(3)、流程行业的数据源 114
6.4.2、数据的分类及相互关系 115
(1)、工业数据的分类 115
(2)数据间的关联关系 116
6.4.3、数据质量 116
(1)、数据质量的定义 116
(2)、数据质量的组成要素 117
(3)、数据质量的影响因素 117
6.5、数据准备 118
6.5.1、业务系统的数据准备 118
6.5.2、工业企业数据准备 119
6.5.3、物联网的数据准备 121
6.5.4、建模分析的数据准备 122
(1)、数据预处理概述 122
(2)、数据异常处理 122
(3)、数据缺失处理 123
(4)数据归约处理 124
6.6、数据建模 125
6.6.1、模型的形式化描述 125
(1)、基本描述 125
(2)、模型的深入表述 125
(3)、对建模思想的影响 127
6.6.2、工业建模的基本过程 128
(1)、建模的基本思路 128
(2)、模型融合的方法 129
(3)、模型的优化过程 129
6.6.3、工业建模的特征工程 130
(1)、数据初步筛选 130
(2)、特征变换 130
(3)、特征组合 131
(4)、特征筛选 131
(5)、特征的迭代 132
6.6.4、工业数据分析的算法介绍 132
(1)、传统的统计分析类算法 132
(2)、通用的机器学习类算法 133
(3)、针对旋转设备的振动分析类算法 133
(4)、针对时序数据的时间序列类算法 134
(5)、针对非结构化数据的文本挖掘类算法 135
(6)、统计质量控制类算法 135
(7)、排程优化类算法 136
6.7、模型的验证与评估 136
6.7.1、知识的质量 136
(1)、知识的确定性与准确性 137
(2)、知识的适用范围 137
(3)、知识的质量与可靠性 137
6.7.2、传统数据分析方法及其问题 137
(1)、基于精度的验证方法 137
(2)、精度验证方法的局限性 138
(3)、解决验证问题的传统方法 138
6.7.3、基于领域知识的模型验证与评估 139
(1)、对适用范围的评估 139
(2)、对精度的评估 140
(3)、场景的综合评估模型 141
(4)、模型的迭代评估 141
6.7.4、总结与展望 141
6.8、模型的部署 142
6.8.1、模型部署前应考虑的问题 142
6.8.2、实施和运行中的问题 143
6.8.3、问题的解决方法 144
6.8.4、部署后的持续优化 145
6.9、展望未来 146
7、工业大数据典型应用案例 147
7.1、研发数据管理平台支撑兰石集团智能智造 147
7.2、西航集团智能制造解决方案 150
7.3、支撑一体化监控与健康管理的异构设备智能互联 153
7.4、宝鸡电气智能工厂质量大数据 155
7.5、电子行业智慧生产系统的工业大数据应用 157
7.6、苏州明志科技大数据辅助智能制造项目 160
7.7、海尔集团互联工厂制造大数据 161
7.8、英沃电梯 C2M 电梯个性化定制智能平台 164
7.9、飞机运行数据处理与快速响应服务 167
7.10、工业大数据在工业设备预测性维护中的应用 170
7.11、基于物联网信息终端的工业物联网大数据平台应用 172
7.12、中车株所轨道交通大数据平台 176
7.13、艾克威尔电机设备智能软起解决方案 179
7.14、基于工业大数据的发电设备全生命周期管理平台 181
7.15、新能源光伏发电行业的大数据平台应用 184
7.16、面向智能化工厂互联互通的数据集成方案 188
7.17、高端离散制造企业智能生产管控解决方案 190
7.18、基于资产全寿命周期的画像技术与应用 192
8、主要公司分析 194
8.1、航天云网科技发展有限责任公司 194
8.1.1、公司概述 194
8.1.2、工业大数据产品 195
8.2、昆仑智汇数据科技(北京)有限公司 196
8.2.1、公司概述 196
8.2.2、工业大数据产品 196
8.3、北京东方国信科技股份有限公司 197
8.3.1、公司概述 197
8.3.2、经营状况 198
8.3.3、工业大数据产品 199
8.4、上海宝信软件股份有限公司 200
8.4.1、公司概述 200
8.4.2、经营状况 202
8.5、西安美林数据技术股份有限公司 204
8.5.1、公司概述 204
8.5.2、工业大数据产品 205
8.5.3、经营状况 208
9、工业大数据投资机遇及前景趋势展望 209
9.1、企业工业大数据投资策略分析 209
9.1.1、明确业务需求 209
9.1.2、梳理业务过程 210
9.1.3、统筹规划架构 210
9.1.4、构建算法模型 211
9.1.5、人才的培养引进 212
9.2、工业大数据行业发展前景展望 212
9.2.1、“十三五”发展机遇 212
9.2.2、大数据市场发展热点 213
9.2.3、工业大数据发展前景 213
9.3、工业大数据发展热点及趋势分析 214
9.3.1、可持续监测 214
9.3.2、改进生产工艺 214
9.3.3、数据驱动决策 214
9.4、大数据产业发展规划 216
9.4.1、产业基础 216
9.4.2、发展形势 218
9.4.3、发展目标 219
9.4.4、重点任务 220
9.4.5、保障措施 226
9.5、2019-2024年工业大数据产业规模预测 228
9.6、2019-2024年工业大数据产业发展策略 229
9.6.1、强化关键技术,提升工业大数据平台能力建设 229
9.6.2、加强工业大数据管理体系建设,提升数据资源价值 229
9.6.3、持续完善工业大数据标准体系,推动标准落地实施 229
9.6.4、探索工业大数据创新应用示范,构建产业生态体系 230
9.6.5、构建工业大数据流通共享平台 230
图表目录
图表 1:工业大数据作用 5
图表 2:工业大数据平台特征 8
图表 3:工业大数据标准在智能制造标准化体系中的定位 11
图表 4:智能制造标准体系-智能赋能技术标准 12
图表 5:工业互联网平台功能架构图 14
图表 6:工业互联网标准体系框架 15
图表 7:工业大数据与商务大数据的区别 17
图表 8:工业大数据标准体系框架 21
图表 9:工业大数据标准明细表 23
图表 10:工业大数据生命周期 27
图表 11:工业 4.0 参考架构 29
图表 12:2015-2018年全球工业大数据市场规模 32
图表 13:国家工业大数据相关政策 33
图表 14:工业和信息化部相关政策 34
图表 15:工业大数据应用参考架构 35
图表 16:2015-2018年中国大数据市场规模 39
图表 17:2015-2018年我国工业大数据市场规模 40
图表 18:我国主要工业大数据企业TOP 5 41
图表 19:工业大数据典型应用场景 47
图表 20:工业大数据技术参考架构 59
图表 21:工业大数据技术参考架构 61
图表 22:工业大数据平台参考架构 63
图表 23:DCMM 能力域 72
图表 24:数据资源目录应用架构 74
图表 25:主数据管理评价考核指标 81
图表 26:工业数据分析多领域交叉示意图 86
图表 27:工业大数据分析软件栈 87
图表 28:工业数据分析任务的工作方案与探索路径 88
图表 29:工业大数据价值创造的基本过程 91
图表 30:CRISP-DM 97
图表 31:异常数据检测 116
图表 32:拉格朗日插值法 117
图表 33:流形学习降维 118
图表 34:三种可见数据与不可见数据的关系 120
图表 35:主成分分析与对应分析 126
图表 36:聚类 127
图表 37:三维全息谱与高阶谱 127
图表 38:时间序列的模式挖掘 128
图表 39:文本挖掘 129
图表 40:SPC 控制图 129
图表 41:系统整体应用架构 145
图表 42:智能制造部署架构图(包括多个分布式数控分厂和车间) 145
图表 43:智慧生产系统总体架构 152
图表 44:智慧生产系统功能划分 153
图表 45:典型应用场景图 156
图表 46:平台总体架构图 156
图表 47:技术特点:物联网、云计算 159
图表 48:新舟飞机大数据监控 162
图表 49:工业设备智能监测解决方案 165
图表 50:工业大数据的架构 165
图表 51:设备故障预测流程 165
图表 52:工业阀门生产厂家服务转型后的效益 166
图表 53:工业大数据-深度数据挖掘 168
图表 54:工业物联网大数据平台 169
图表 55:神经网络数据建模流程 171
图表 56:系统架构图 173
图表 57:中天智能互联集成系统架构图 179
图表 58:逻辑架构设计图 179
图表 59:数据架构设计图 180
图表 60:KMX机器大数据管理分析平台 191
图表 61:公司“大数据+行业”的战略布局 193
图表 62:工业云联网平台 BIOP 的平台架构 194
图表 63:宝信软件业务分类 195
图表 64:宝信软件自动化业务布局 196
图表 65:2013-2019nian 宝信软件营业收入及增速(单位:亿元、%) 197
图表 66:2013-2019年宝信软件单季营业收入及增速(单位:亿元、%) 197
图表 67:美林数据产品 202
图表 68:2017-2018年美林数据经营指标 202
图表 69:工业大数据创新发展工程 216
图表 70:2019-2024年我国工业大数据市场规模预测 222