工业大数据的范畴、关键问题与实践（2）

工业大数据实施的关键问题

数据质量、多源关联和系统集成是工业大数据实施的关键问题

拥有大数据不是目的，发掘其价值才是关键。由企业信息化数据、装备物联网数据和外部互联网数据汇聚而成的工业大数据，蕴藏着巨大价值。例如，通过分析用户使用数据改进产品，通过分析现场测量数据提高工件加工水平，通过工况数据进行产品健康管理等。笔者认为实施工业大数据项目需要关注以下3个关键问题。

1.数据质量控制问题

原始数据（生数据）质量决定分析结果的质量。企业信息系统数据质量仍然存在问题，例如2014年某大型机车企业ERP系统中近20%物料存在“一物多码”问题。装备物联网数据质量堪忧，某大型制造企业1个月的状态工况数据中，无效工况（如盾构机传回了工程车工况）、重名工况（同 一状态工况使用不同名字）、时标混乱（当前时间错误或时标对不齐）等数据质量问题约30%。

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。

（选摘自 公众微信号 钱塘大数据）