探索走出符合国情的工业大数据自主之路（2）

探索走出符合国情的工业大数据自主之路（二）

——工业大数据的范畴、关键问题与实践

王建民

（2016年8月10日）

2．多源数据关联问题

层次化的物料表(Bill Of Material, BOM)定义了企业信息系统数据的核心语义结构。针对跨生命周期的研制BOM和实例BOM间结构失配问题，我们提出了中性BOM模型，并以此为核心，向前关联设计制造BOM，向后关联服务保障BOM，形成星型结构，极大地降低了数据关联的复杂度。同时，针对装备物联网数据和外部互联网数据,可以根据其绑定 的物理对象（零部件或产品）与相应的BOM节点相关联。从而以BOM为桥梁，关联3个不同来源的工业大数据。

3．大数据系统集成问题

工业大数据其来源更加广泛，并且装备物联网数据（半结构化数据）和外部互联网数据（非结构化数据）都要与企业信息系统（结构化数据）进行集成，因此要重构数据支撑平台，甚至替换“旧”系统。

三、工业大数据实施工程案例

工业大数据分析提升工程装备服务保障水平。这里分享两个我们和国内企业合作实施的工程案例。

1.工业大数据提供故障分析新手段

液压系统是工程机械的关键部件。2013年我们发现液压系统的油缸密封套腐蚀故障数量异常。于是依据企业信息系统记录的液压系统维修历史数据，通过比对相关状态工况数据（装备物联网数据），搜索推荐与故障车辆关系密切的工况，发现车辆油缸换向频率的波动幅度与这些故障高度相关。

进一步，引入互联网上的行政区划数据和历年工程建设数据（外部互联网数据）后，发现2012～2013年期间这些典型故障均发生在沿海省份，从而推断出盐雾环境是导致密封套腐蚀故障的主要诱因。

2.工业大数据提升备件需求预测精度

随着工程装备增量市场增长乏力，以维修保障为主的存量市场成为企业盈利新的增长点。我们利用了企业信息系统中的备件销售订单、采购订单和备件库存状态数据，以及工程物联网采集到的工况数据和外部互联网数据(如每个省的GDP，建筑、交通等规划数据)。

针对30个省市区进行了备件需要预测，平均预测精度为82%，每旬备件需求预测误差在5件或真实值的20%以内。库存水平控制在一个较低的稳定水平，仅为原来库存水平的48%。同时，因为考虑到了20天的配货周期，基于预测的补货策略可以保证现货满足率，消除紧急临时订单。如果按备件库存占有资金1亿元计算，可节约库存资金占用5000万元。

工业大数据是实现智能制造的基础原料，是提升工业生产力、竞争力、创新力的关键要素。然而必须看到，工业大数据是一个正在发展的学科领域，其内涵外延、模型理论、技术方法及其实施策略等还有待发展与创新。唯有结合中国国情认真实践，才能走出中国工业大数据自主之路，实现制造强国的战略目标。

（续完）

（原标题：干货 | 清华王建民：工业大数据的范畴、关键问题与实践）

（摘编自 公众微信号 钱塘大数据 \ 编辑 严进军）