【摘  要】大数据已经成为业界公认的工业升级的关键技术要素，未来工业发展必须要靠数据，如何构建以数据为核心的智能化体系将成为支撑智能制造和工业互联网的核心动力。由于大数据与工业融合发展时间还不长，因此工业大数据架构还没有形成统一的理论体系。论文将结合多年实践研究，详细阐述工业大数据架构及发展应用，以此为工业大数据发展提供理论基础。

【Abstract】Big data has become the key technical factor of industrial upgrading recognized by the industry， and the future industrial development must rely on data. How to build an intelligent system with data as the core will become the core power to support intelligent manufacturing and industrial internet. As the integration of big data and industry has not been developed for a long time， the industrial big data architecture has not yet formed a unified theoretical system. Based on years of practical research， this paper will elaborate on the industrial big data architecture and its development and application， so as to provide a theoretical basis for the development of industrial big data.

【关键词】工业大数据;架构;智能化

【Keywords】 industrial big data; architecture; intelligent

【中图分类号】TP319                               【文献标志码】A                                   【文章编号】1673-1069（2020）08-0166-02

1 工业大数据架构建设的必要性

工业大数据是基于我国互联网技术的发展而产生的，传统工业信息化一直在进行，如在现代制造车间中会产生大量的数据，这些数据的种类比较多样、结构关系比较复杂，但是工业从数据大数据的转化我们考虑更多的是与自动化域数据的叠加。随着大数据技术的发展，推动工业大数据成为现代智能制造业的核心要素。实践证明工业大数据架构建设具有内在的现实重要意义。首先，工业大数据架构建设是贯彻落实国家系列重大战略部署的重要举措。随着我国现代智能制造战略的实施，工业大数据发展成为我国现代工业发展的核心要素。黨中央国务院高度重视工业大数据，习近平总书记多次强调推进工业互联网基础设施和数据资源管理体系建设。工信部出台《工业大数据发展指导意见》、地方政府根据区域工业发展也出台大量的关于促进工业大数据发展的战略规划等。可见工业大数据是落实国家大数据战略、推动工业互联网创新发展的重要抓手。其次，工业大数据是推动经济高质量发展的战略选择。工业生产过程中会产生大量数据，加强对各种数据的分析与运用能力会促进工业生产效率的提高。尤其是工业与大数据技术的融合可以促进工业生产方式、运行模式的优化，从而促进工业经济向数据驱动型创新转变，提升经济的高质量发展。

2 工业大数据系统技术架构

参照2016年工业互联网产业联盟发布的工业互联网数据体系架构的描述要求，工业大数据架构主要由以下四个层面构成：采集交换层、集成处理层、建模分析层以及决策控制层。见图1所示。

①采集交换层主要是将从不同来源渠道采集的数据在不同的系统之间进行交互，以此实现生产中各种数据的相互共享。

②集成处理层。其主要是将物理系统实体进行抽象和虚拟化，以此建立不同种类的主题数据库，并且建立合理的数据模型，以此将清洗转化后的数据与虚拟制造中的相关实体进行关联。

③建模分析层。主要是在虚拟化的实体上构建仿真测试模型，以此将其应用在原始数据的提取上，以此为各项决策提供数据支持。

④决策控制层。基于数据分析结果，生成描述、诊断、预测、决策、控制等不同应用，形成优化决策建议或产生直接控制指令，从而对工业系统施加影响，实现个性化定制、智能化生产、协同化组织和服务化制造等创新模式，最终构成从数据采集到设备、生产现场及企业运营管理优化的闭环。

3 工业大数据架构的应用

结合工业大数据典型应用方向，大数据与工业的融合应用主要体现在以下三个层次：第一个层次是设备级的，就是提高单台设备的可靠性、识别设备故障、优化设备运行等;第二个层次更多是针对产线、车间、工厂，提高运作效率，包括能耗优化、供应链管理、质量管理等;第三个层次是跨出了工厂边界的产业跨界，实现产业互联。

基于我国互联网技术的不断发展，企业在生产过程中会形成大量的数据，而准确提取有用数据会有效提升企业制造产品的质量。结合实践调查，工业大数据在企业生产中得到广泛的应用，如在传统制药车间内，通过运用工业大数据系统实现了制造过程自动排产调度、自动跟踪预警、故障自动推送等智能化制造，满足了不同工业场景生产的需要。但是企业在机械制造过程中由于客户要求比较高，因此机械制造工程师通过会花费大量的时间用于收集数据，而只有很小的时间去做数据分析与问题诊断。针对该问题采取工业大数据架构体系：

①数据采集。在具体的应用中首先需要对相关数据进行采集，由于工业数据来源渠道多元化，因此需要将分散的数据进行统一的采集、储存，其数据采集方式为：对于工业现场设备、传感器数据的采集主要是通过OPC UA协议进行采集;对于日志文本的数据则主要是通过文件上传的方式进行云端采集;对于传统关系型数据库的采集，则主要是通过Sqoop组件实现。

②数据储存。数据储存层主要是对文本中云平台的大量数据进行缓存和储存。其架构主要包括：云终端分布式储存系统是基于Hadoop构建的，便于对数据的及时查找与更新管理，需要在云终端储存子系统中部署HBase系统，同时还要部署MySQL传统关系型数据库。工业大数据系统接入的数据源数量比较大，因此需要支持各种类型数据的储存，以此满足工业场景的要求。例如，在工业生产中需要实时监测生产过程，而对于实时监控的数据储存则主要是通过对数据的轻度清洗和汇总后结合Web UI技术实时展现生产线的最新动态。

③数据分析处理。为了挖掘工业大数据有用信息，西药一数据分析模块为核心，提供基于工业大数据的预测分析功能。预测功能是以人工神经网络等相关算法为核心的，是建立在Spark分布式计算平台上的。其具体的数据处理步骤为：首先从数据储存层输入代训练数据，然后对数据进行预处理操作，经过预处理操作后再进行模型的训练操作。其次对于训练好的模型进行测试，对测试信息进行分析，当测试结果符合预定要求后将训练好的模型储存至云端模型仓库。最后将等待预测的数据从其他模块输入数据分析模块，进行相应的模型调用操作，最终生成该预测数据的预测数值，完成数据的预测分析。

4 工业大数据架构应用所面临的困境及解决对策

虽然在国家的大力推进下，工业大数据在工业领域得到广泛的应用，但是由于工业大数据正处于起步阶段，因此其应用还存在一些问题：一是信息集成贯通困难。由于工业大数据来源渠道比较多，数据结构不一，尤其是在市场经济环境下企业信息系统相互独立，因此受数据格式千差万别的影响，导致在现阶段实现信息集成贯通比較困难;二是系统复杂性带来的挑战。随着工业智能制造要求的不断提高，工业大数据的处理要求更高，其不仅要求大数据实时性处理要求高、持续时间长，而且还要面对日益复杂的数据结构，因此系统的复杂性对工业大数据架构提出更高的要求;三是网络的安全性。实现工业大数据的关键就是要构建安全的网络体系，强化对大数据信息传输、分析环节的安全管理，但是目前安全问题已经成为制约我国工业大数据发展的重要因素。

基于我国工业大数据架构应用所存在的问题需要我们采取以下措施：构建工业数据安全管理体系;加强工业数据安全产品研发;开展加密传输、访问控制、数据脱敏等安全技术攻关，提升防篡改、防窃取、防泄露能力;加快培育安全骨干企业，增强数据安全服务，培育良好安全产业生态。

总之，工业大数据已成为推动制造业数字化、网络化、智能化发展的关键生产要素。因此，基于大数据战略的实施，我国要加快推进工业大数据架构发展，以此提升经济的高质量发展。

【参考文献】

【1】王妙琼，马鹏玮，魏凯.工业大数据架构分析[J].信息通信技术，2018，12（03）：49-57.

【2】高婴劢，王宇霞.深化工业数据应用赋能数字化转型[J].软件和集成电路，2020（06）：112.

【3】张东光，郭辉.浅析数据采集技术在工业大数据平台中的应用[J].科学与信息化，2020（08）：35-37.

【作者简介】路赛赛（1985-），女，河北沧县人，工程师，从事电子工程研究。