在工业生产中，无时不刻都在产生数据。生产机床的转速、能耗，食品加工的温湿度，火力发电机组的燃烧和燃煤消耗，汽车的装备数据，物流车队的位置和速度等，都是在生产过程中的数据。

自从工业从社会生产中独立成为一个门类以来，工业生产的数据采集、使用范围就逐步加大。从泰勒拿着秒表计算工人的用铁锹送煤到锅炉的时间开始，是对制造管理数据的采集和使用;福特汽车的流水化生产，是对汽车生产过程的工业数据的采集和工厂内使用;丰田的精益生产模式，将数据的采集和使用扩大到工厂和上下游供应链;核电站发电过程中全程自动化将生产过程数据的自动化水平提高到更高程度。

任何数据的采集和使用都是有成本的，工业数据也不例外。但随着信息、电子和数学技术的发展，传感器、物联网等技术的发展，一批智能化、高精度、长续航、高性价比、微型传感器面世，以物联网为代表的新一代网络技术在移动数据通信的支持下，能做到任何时间、任何地点采集、传送数据。以云计算为代表的新型数据处理基础架构，大幅降低工业数据处理的技术门槛和成本支出。以工业领域的SCADA系统为例，传统模式下每个电网、化工企业都需要建立一套SCADA系统，成本在千万以上，如果采用云架构模式，成本将可以降低7成以上。

中国相对于德国、美国而言，在工业自动化、在云计算等领域都处于发展期，因此提出中国制造2025计划，通过工业化和信息化融合发展的方式，将工业化和信息化整体规划，并制定一系列的重点工程和推进计划。

工业大数据的特点和分类

不管是工业自动化、还是工业智能化(工业4.0)、或者是工业互联网概念，他们的基础是工业数据。

随着行业发展，工业企业收集的数据维度不断扩大。主要体现在三个方面：

一是时间维度不断延长。经过多年的生产经营，积累下来历年的产品数据、工业数据、原材料数据和生产设备数据;

二是数据范围不断扩大。随着企业信息化建设的过程，一方面积累了企业的财务、供应商数据，也通过CRM系统积累了客户数据，通过CAD等积累了研发过程数据，通过摄像头积累了生产安全数据等，另一方面越来越多的外部数据也被收集回来，包括市场数据、社交网络数据、企业舆情数据等;

三是数据粒度不断细化。从一款产品到多款、多系列产品使得产品数据不断细化，从单机机床到联网机床，使得数据交互频率大大增强;加工精度从1mm提升到0.2mm，从5分钟每次的统计到每5秒的全程监测，都使得采集到的数据精细度不断提升。

以上三个维度最终导致企业所积累的数据量以加速度的方式在增加，构成了工业大数据的集合。不管企业是否承认，这些数据都堆砌在工厂的各个角落，而且在不断增加。

再从企业经营的视角来看待这些工业数据。可以按照数据的用途分成三类：

第一类是经营性数据，比如财务、资产、人事、供应商基础信息等数据，这些数据在企业信息化建设过程中陆陆续续积累起来，表现了一个工业企业的经营要素和成果。

第二类是生产性数据，这部分是围绕企业生产过程中积累的数据，包括原材料、研发、生产工艺、半成品、成品、售后服务等。随着数字机床、自动化生产线、SCADA系统的建设，这些数据也被企业大量记录下来。这些数据是工业生产过程中价值增值的体现，是决定企业差异性的核心所在。

第三类是环境类数据，包括布置在机床的设备诊断系统，库房、车间的温湿度数据，以及能耗数据，废水废气的排放等数据。这些数据对工业生产过程中起到约束作用。

从目前的数据采用情况看，经营类数据利用率最高，生产性数据和环境类数据相比差距比较大。从未来数据量来说，生产线数据在工业企业数据中的占比将越来越大，环境类数据也将越来越多样化。

工业大数据

一般意义上，大数据有具有数据量大、数据种类多、商业价值高、处理速度高，在此基础上，工业大数据还有两大特点。

一是准确率高，大数据一般的应用场景是预测，在一般性商业领域，如果预测准确率达到90%已经是很高了，如果是99%就是卓越了。但在工业领域的很多应用场景中，对准确率的要求达到99.9%甚至更高，比如轨道交通自动控制，再比如定制生产，如果把甲乙客户的订单参数搞混了，就会造成经济损失。

二是实时性强，工业大数据重要的应用场景是实时监测、实时预警、实时控制。一旦数据的采集、传输和应用等全处理流程耗时过长，就难以在生产过程中发挥价值。

工业大数据建设，首先是一种思维变革，改变以前以要素竞争为主的工业生产模式，进入到数据和创新竞争为主的新生产时代。其次，正如清华大学王建民教授所言“工业大数据不存在交钥匙工程”，因此，需要企业领导人、管理层、员工和相关人都投身其中，各司其职，才有所成。

在数据化时代下，中科点击一直在寻找机遇大数据的解决方案。