王建民：工业大数据技术与实践（1）

本文是清华大学软件学院院长王建民教授，在“2017中国工业大数据创新发展高峰论坛”上进行了题为“工业大数据技术与实践”的主题演讲，以下为现场演讲内容的整理。

工业不同于传统的制造业，对于物质的制造，不可能漫无边际的增长。随着我国国民生产总值提高，我们在从中等收入到高等收入的这个发展过程中，必须发展新工业，实现转型和升级。升级主要是创造新产品以及新制造手段，继而转型成服务型制造。国内外都在转型。在此过程中，核心就是数据。工业大数据，关键是核心竞争力，其中跨界的数据，产业数据，采取农村包围城市的方式，把次重要的数据拿下来，再来建立分享数据的机制，分享数据的平台。

工业是系统的不是离散的，是整体的不是孤立的。升级转型是全球制造业发展的必然趋势，工业大数据是工业互联网的核心。

图1.清华大学软件学院院长王建民教授在论坛上作报告

一、工业大数据

工业大数据是工业数据的总称，包括企业信息化数据、工业物联网数据，以及外部跨界数据。

(一) 来源

1、空间分布

企业内部数据，主要是指MES、ERP、PLM等自动化与信息化系统中产生的数据；产业链数据，是企业供应链（SCM）和价值链（CRM）上的数据；跨界数据，指市场、地理、环境、法律和政府等外部跨界信息和数据。

2、产生主体

人和机器是产生工业大数据的主体。由人产生的数据规模的比重将逐步降低；机器数据所占据的比重将越来越大。

(二) 工业系统的特点

工业系统具有复杂动态系统特性，同时具有确定性和不确定性的特征。

1、确定性是目标，不确定性则是机会，有效应对不确定性是工业系统相关各方努力的方向。确定性是工业系统本身能够有效运行的基础。

2、不确定性是工业系统必须面临的客观存在。应对不确定性的前提是感知信息通过工业互联网和大数据技术的应用，能将不确定性转化为开拓市场、提质增效、转型创新的能力，把工业带入智能制造时代。

（三）工业大数据应用特征

1、“协同性”

“牵一发而动全身”。某个业务目标需通过整个企业乃至供应链上多个相关方的大范围协同才能完成。

2、“跨尺度”

需要将毫秒级、分钟级、小时级等不同时间尺度的信息集成起来。

3、“多因素”、“因果性”、“强机理”

“多因素”是指影响某个业务目标的因素多；“因果性”源于工业系统对确定性的高度追求；“强机理”是获得高可靠分析结果的保证。

（未完待续）

（摘编自 微信公众号 首席信息官联盟）