高　韵，李　成

（1.工业和信息化部国际经济技术合作中心， 北京　100846；2.中国电信集团有限公司政企客户事业部， 北京　100032）

1　工业大数据简介

1997年，在“Application-controlled demand paging for out-of-core visualization”这篇文章中，作者提到，海量的数据已经无法被存储于内存、本地磁盘甚至远程磁盘中，于是他将这一现象，称为“大数据”问题。从此以后，学术界和产业界均对这一新概念产生了极大的兴趣，并不断丰富和完善大数据的内涵、技术体系和应用场景。

为了更清晰地描述大数据，维克托·迈尔·舍恩伯格在《大数据时代》一书中提出大数据具有4V特性，即 Volume（数据量大）、Velocity（流动速度快）、Veracity（准确性）和 Variety（来源多样）。目前，4V特性已被学术界广泛使用，成为描述大数据特点的共识。

相比于传统的大数据，对于工业大数据，还应该有两个“V”[1]。

Visibility：可见性，即通过大数据分析使以往不可见的重要因素和信息变得可见。

Value：价值，即通过大数据分析得到的信息应该被转换成价值。

正是因为工业大数据具有更强的专业性、关联性、流程性、时序性和解析性等特点，工业大数据的挑战和目的一般通过“3B”和“3C”来理解。

Bad Quality：数据质量差。受制于生产一线数据获取手段，以及现有传感器、传输信道的稳定性，加之不可避免的人为干扰，极大地降低了所采集数据的准确性和真实性。

Broken：碎片化。面向应用要求具有尽可能多维度的样本数据，全方位反映生产过程中各类变化的因素，保证从数据集中能够提取出真实反映对象状态的全面性信息。

Below Surface：隐匿性。除了对数据所反映出来的表面统计特征进行分析以外，更应该关注数据背后的物理意义以及特征之间关联性。……