大数据时代制造企业数字化转型的新内涵与技术体系

刘检华，李坤平，庄存波+，张 雷,3

(1.北京理工大学 机械与车辆学院，北京 100081；2.北京理工大学 长三角研究院(嘉兴)，浙江 嘉兴 314000；3.天津商业大学 机械工程学院，天津 300134)

0 引言

为了构建本国制造业竞争优势，世界各国近10年都在大力发展智能制造[1-2]，旨在通过物联网、云计算、大数据、人工智能、移动互联网等新一代网络信息技术与制造业的深度融合，推动制造企业的数字化转型，比如美国提出了“先进制造业伙伴计划”[3]、德国提出了“工业4.0战略计划”[4]、中国提出了《中国制造2025》[5]、日本提出了“社会5.0战略”[6]等。同时，在2021年3月发布的国家“十四五规划和2035年远景目标纲要”[7]中，也明确指出要推进产业数字化转型，充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式。

在企业层面，美国通用电气公司(General Electric, GE)在2012年正式提出了工业互联网概念[7]，旨在打造工业界的互联网操作系统即工业互联网平台，进而通过工业APP、微服务组件等形式为制造企业提供服务。近几年，在政府、学界和产业界的大力推动下，中国工业互联网发展也步入快车道[8]，涌现了许多跨行业跨领域的工业互联网平台，如海尔COSMOPlat、东方国信Cloudiip、用友精智、三一重工树根互联、航天云网INDICS、浪潮云In-Cloud、华为FusionPlant、富士康BEACON、阿里supET、徐工信息汉云等[9]，形成了基于工业互联网的个性化定制、网络化协同、智能化生产、服务化延伸等新模式。其中，工业大数据是工业互联网平台运行的核心和支撑[10]。

近年来，随着物联网技术在制造业的深入应用和快速普及，智能制造系统中人与人、人与设备、设备与设备之间的互联互通逐渐成为现实，制造企业可以快速获取海量、异构的多源多维生产数据。企业所管理数据的规模、种类和复杂度都在以前所未有的速度增长，工业领域进入了以工业互联网和万物互联为特征的大数据时代[11]。尤其是2020年以来，疫情的发生给经济社会发展带来了巨大的挑战和不确定性，极大推动了数字技术与传统行业的深度融合，数字化进程明显加速。在此背景下，制造企业亟需充分利用数字技术，通过有效的技术手段来获取、存储、管理、分析、挖掘和应用这些海量、多源、异构、高维、易变的大数据，从而提高企业在不确定环境下的经营决策能力和业务价值，并催生新产业新业态新模式。在过去，制造企业的规模主要是通过用电量来衡量；在大数据时代，制造企业能够掌握、使用和理解的数据量，数据驱动企业生产和运营管理的广度和深度将是衡量企业规模的一个重要指标。

实际上，从数据库(Database, DB)到大数据(Big Data, BD)，两者有着本质上的差别。大数据的出现必将颠覆传统的数据管理方式，在数据来源、数据处理方式和数据思维等方面都会给其带来革命性的改变。在数据来源方面，不仅是企业内部的业务流程，还包括基于工业互联网的人—机—料—环全要素感知和运行过程感知、企业外部数据的获取与收集等。在数据类型上，不仅包括结构化的业务流程数据，还包括大量的半结构化数据，比如邮件、HTML、报表等；以及通过传感器、射频识别、条码、终端设备采集的传感数据、空间位置数据、文本数据、视频数据、图像数据、音频数据等非结构化数据。数据来源更为广泛，数据格式更为多样化，数据规模呈现指数级增长。

大数据不仅是指数据本身，还包括一系列用来收集、管理、挖掘、分析海量信息并解决复杂问题的技术。在数据处理方式上，以大数据为代表的数据密集型计算已成为继实验、理论和仿真之后的第四种科学研究范式[12]。从以实验为主的第一范式，到以理论研究为代表的第二范式，经历了数百年时间；随着20世纪中期计算机技术的发展，科学出现了计算分支，能够通过仿真对复杂现象进行研究，这是第三范式。大数据的出现催生了一种新的科研范式，即通过实验仪器收集或模拟仿真方法产生大量数据，然后用软件进行处理，并将所形成的信息和知识存储在计算机之中，从而将实验、理论和仿真三种科学研究范式有机地统一起来[13]。在数据思维方面，越来越多的制造企业意识到：除了人力、机器、物料等实体生产要素以外，在数字空间中存储的数据已成为制造企业可持续发展和提升市场竞争力的重要资产。制造企业需要提高对数据的重视程度，并将数据当成资产进行标准化和结构化管理，以形成完整、准确、实时的数据包，最终通过“数据流动”和“数据驱动”等方式服务企业内的各项业务[14-15]，比如市场需求的预测与分析、用户需求的预测与分析、产品设计和工艺的持续改进及提升、产品质量提升[16]、对外业务扩展、业务模式创新等。

为此，本文以数据管理为核心，提出制造企业数字化转型的四个发展阶段，并对当前大数据时代的制造企业数字化转型新内涵、体系架构和关键技术进行详细阐述，从而为推进制造企业数字化转型提供理论指导。

1 制造企业数字化转型的四个发展阶段

制造业发展过程中，数据一直起到非常重要的作用。机械工业发展初期，还处于单件生产方式时，工人在设计、机械加工和装配等方面都有高度的技艺，这时工人绝大多数是技巧娴熟的工匠，通晓设计的原理，并且谙熟所采用的材料性能。在这种作坊式团队协作模式中，大家主要通过语言进行交流(即数据传递)，这时候数据还主要保存在工人的大脑中。

随着工业的进一步发现，尤其是第一次世界大战之后，大批量生产的出现，最大限度地应用了分工的思想，并促使产生了一批新的专业人员。这种专业分工不但在车间里进行，而且在工程部门里也进行，比如将工人分为机器操作工人、质检工人等；工程师分为结构设计工程师、工艺工程师等。伴随着专业分工的发展，人们逐渐采用各种便于理解、准确、高效的产品设计和制造等信息的表达方法，以支持产品设计、工艺设计、加工、装配和维修等产品全生命周期各个阶段的数据定义和传递。这时候，因为产品研发中跨专业跨领域的交流需求，数据表达的准确性和标准性就显得非常重要。1947年，国际标准化组织建立了第十技术委员会(ISO/TC10)，工作对象主要是机械制图、建筑制图、船舶制图、土木制图及电气制图等各类制图的标准化。1959年我国颁发了第一个机械制图国家标准。

20世纪中叶以来，随着微电子、自动化、计算机、通讯、网络、信息、人工智能等高新技术的迅猛发展，掀起了以信息革命为核心的新技术革命浪潮。从20世纪50年代的数控加工开始，先后经历了以CAD/CAPP/CAM等计算机辅助技术为代表的第一代数字化制造技术、以计算机集成制造(CIMS)为代表的第二代数字化制造技术，以及以网络化制造技术为代表的第三代数字化制造技术，现在正在进入以智能制造技术为代表的第四代数字化制造技术。数据管理的范围，也从最初的产品模型数据管理发展到车间现场的制造数据乃至整个产品全生命周期的数据管理。同时，随着物联网、工业互联网、云计算等新一代信息与通信技术的快速普及与应用，制造数据来源和数据量剧增，大数据时代已经到来。当前，数据已经成长为制造企业重要的战略资产，数据的价值挖掘与利用已成为数字化转型升级的重要驱动力。

如图1所示，从以上数据管理的历程出发，数据管理主要经历了数据纸质化、数据电子化、数据海量化和数据知识化等四个阶段。基于此，可以将企业数字化转型划分为四个发展阶段，分别是：基于人工的粗放式管理、基于信息技术的数字化管理、基于工业互联网的大数据管理、基于新一代人工智能的智能化管理。

1.1 基于人工的粗放式管理

在计算机出现之前的手工作坊时代、机械化时代和电气化时代，制造企业实现价值创造的主要方式是提升产能，即通过自动化、标准化、高效率的机器和流水线实现大规模生产。因此，其管理的侧重点是通过机器动力提升、机器设备购置、零部件互换性和劳动力分工等手段来提高产品的生产效率和质量的一致性。

在该阶段，数据纸质化是其主要特征，制造企业的数据主要以纸质形式进行存储和管理，在企业的经营管理与决策过程中，存在着大量的信息不对称问题。利益相关方无法及时获取业务的状态、进度和存在的问题等信息，管理人员也无法全面掌握业务的实际执行情况，很多时候需要当面交流或者电话远程沟通才能实现，容易导致业务流程不受控、业务推进速度慢、业务完成质量低等问题。此外，数据的查询、搜索、统计和分析非常困难，工作量也十分巨大，经常需要消耗大量的人力、物力、财力去进行数据的整理和校核，费时费力。

由于所能掌握的信息十分有限，企业管理人员在进行重大决策时，经常需要依靠直觉和经验，对于重要程度和优先级不高的业务经常无暇顾及。因此，制造企业只能被迫采用粗放式的管理模式，需要人工获取、传递、管理和处理数据。

1.2 基于信息技术的数字化管理

企业数字化管理是指利用计算机、通信、网络等技术，通过统计技术量化管理对象与管理行为，实现研发、计划、组织、生产、协调、销售、服务、创新等职能的管理活动和方法。随着计算机、网络、传感等信息技术的发展，制造企业开始通过应用产品数据管理(Product Data Management, PDM)、计算机辅助工艺设计(Computer Aided Process Planning, CAPP)、企业资源计划(Enterprise Resource Planning, ERP)、制造执行系统(Manufacturing Execution System, MES)等信息化系统来整合、优化和管理企业研发、生产和经营过程中的各项业务，并通过建立专家系统、知识库等手段来实现部分的业务决策自动化。此时，制造企业通过信息化手段来解决信息的不对称问题，从而提高企业研发、生产和经营过程中各项业务的透明化程度，进而通过对业务流程的精细化管理来达到保证产品质量、提高生产效率和降低生产成本的目的，从而实现价值创造和增值。

在该阶段，数据的存储手段由纸质文档逐步转为基于计算机的电子化存储，解决了“有数据”的问题；数据的传递手段由纸质和口头传递向基于网络的快速可靠传输转变，解决了数据“能流动”的问题；数据的管理粒度由非结构化向结构化转变，解决了数据“能处理”的问题。此时，数据的传递、存储、管理、处理和应用大部分由计算机在数字空间中完成。因此，管理方式由基于人工的粗放式管理，转向基于信息技术的数字化和精细化管理，这个转变的过程有时也被称为企业信息化。

但是，在该阶段，数据的感知手段仍然不够丰富，导致数据的采集方式多以人机交互式为主，实时性不能完全保证，数据种类也不够丰富；一些数据采集设备的能力不足，导致数据精度有时候达不到实际工业需求。数据传输多以工业以太网、现场总线、局域网等为主，无线数据传输能力弱，单位时间传输的数据量受限。由于数据量比较有限，数据存储主要以关系型数据库为主。数据分析多以数值统计为主，且多针对单环节、单领域、单业务部门的结构化数据和部分半结构化数据，非结构化数据利用率低，对企业业务决策的支撑作用有限。

这个阶段的主要特征是业务数据化，即以业务流程的数字化精细化管理为重心，以提升业务效率和数据统计能力为主要目标，通过结构化的数据采集、网络化的数据传输、电子化的数据存储、标准化的业务流程管理等信息化手段实现“数据流动”，确保流程可控、数据可溯、信息可视等。但是在推进过程中也出现了一些问题，比如信息系统之间或者是各业务部门之间的信息孤岛、数据源不一致导致的数据管理混乱、数据利用率低等。因此，制造企业在完成信息化建设之后，面向产品全生命周期的数据集成管理、面向企业多部门多业务多领域协同的数据共享、企业数据价值的深度挖掘等，成为了制造企业进一步提升业务决策能力和实现价值创造的瓶颈环节。

1.3 基于工业互联网的大数据管理

面对新一轮工业革命，以物联网、大数据、云计算、人工智能等为代表的新一代信息技术正快速发展并与制造业深度融合，企业所管理数据的规模、种类和复杂度也都在以前所未有的速度增长，这为制造企业管理效能的进一步提升提供了新动能。一方面，制造企业亟需利用收集的海量大数据来挖掘和洞察客户需求和市场走向，并通过业务价值提升、业务转型等手段来保持竞争力；另一方面，又需要在满足客户的个性化定制需求和规模生产之间取得平衡。此时，制造企业价值创造的源头将不再只是“以产品为中心”的产能提升和质量保证，而是要转向“以客户为中心”的产品研发创新、生产管理创新和服务模式创新。制造企业将从注重业务流程的数字化精细化管理转向基于工业互联网的大数据管理，并在大数据的驱动下实现业务转型，即不仅仅是通过业务的“数据流动”来提高业务执行效率和透明度，更是要通过人—机—物—环间的工业全要素“数据流动”和“数据驱动”激发企业的业务价值提升和转型升级，通过“大数据智能”赋能业务各环节尤其是决策环节，从而精准高效、快速及时地响应市场、客户、产品研发生产和企业经营管理过程中出现的各种确定性和不确定性需求，并减少业务决策过程中因人为主观因素而产生的不确定性和波动性，进而大幅提高业务决策的效率、质量和一致性。

在该阶段，数据业务化是其基本特征之一。数据业务化是指通过对业务系统中沉淀的数据的二次加工，找出数据中的规律，让数据更懂业务，并用数据驱动各个业务的发展，将数据渗透到各个业务的运营当中，让数据反哺业务，最终释放数据价值，完成数据价值的运营闭环。由于多传感技术的快速发展，数据的采集手段更加丰富，数据的种类更加多样，数据产生的速度更快，数据的规模呈现指数级增长态势；由于5G、6G等移动互联网技术的发展，数据的传输速度和容量不断加大，使人—机—物—环的互联互通和信息流互动成为可能。同时，由于云计算、高性能计算、大数据、自然语言处理等技术的发展，能够分析和处理的数据范围和种类不断延伸，不仅仅是单环节、单领域、单业务部门的数据统计，更是面向多环节、多领域、多业务部门数据的全局分析与洞见；数据分析的类型也不再只是结构化和非结构化的数据，并能对视频、音频、图像、文本、传感等非结构化数据进行融合与分析[17]。在这个阶段，与人力、设备、物料等企业“有形”资产相对应，数据将是企业的“无形”资产。数据背后所隐藏价值的挖掘深度是制造企业提升核心竞争力的关键环节之一，也是企业能否真正实现数字化转型的重要组成部分。此外，由于数据价值的充分挖掘，制造企业知识的发现和获取能力得到了大幅提升，知识库得以不断积累和更新，为迈向下一阶段的智能化管理提供支撑。

1.4 基于新一代人工智能的智能化管理

随着制造企业信息化数字化转型的推进，制造企业数据背后隐藏的价值不断被挖掘，知识得以不断地积累和更新，如何充分发挥知识的价值将是未来制造企业价值创造的来源[18]。在工业5.0以人为本和知识互联的智慧化时代[19]，随着人机混合增强智能、群体智能、跨媒体智能等新一代人工智能技术[20]和知识工程技术的发展，制造企业管理将由大数据管理阶段迈向“知识驱动”的智能化管理阶段。

在该阶段，单点和碎片化的知识条目将通过“智联”变成知识图谱[21]，从而推进基于数据智能的业务单点决策自动化向基于知识图谱的业务全流程决策自动化转变，将更大范围、更高效率、更加精准地优化企业生产、管理和服务资源配置。此时，业务的柔性、效率和决策质量都将在知识的推动下达到一个全新的高度，并将催生出以智慧工业为目标的新应用、新服务和新模式，比如社会化大规模定制[22]、云制造系统3.0[23]、基于知识流的业务流程再造等。

与上一阶段相比，该阶段的主要特征是知识业务化，具体包括：①工业“人—机—物—环”全要素智联：工业人—机—物—环在信息层面的互联互通向人—机—物—环在知识层面的互联互通转变；②知识融合驱动：除了数据之外，知识也将成为企业的核心资产并沉淀为工业软件、工业APP或工业知识服务。知识驱动将成为知识经济时代制造企业的基本特征。

2 大数据时代制造企业数字化转型的新内涵

在当前业务互联的大数据时代，随着工业4.0和智能制造战略的不断推进和深入实施，许多制造企业在推进数字化转型的过程中，开始使用大数据分析等手段去优化制造过程，从而提高制造效率和产品性能。为此，从驱动要素、理念转变、基本特征等方面，分析了大数据时代制造企业数字化转型的新内涵，如图2所示。

2.1 两个新的驱动要素

为了实现制造企业的数字化转型升级，在驱动要素层面需要实现从经验驱动到数据驱动、从独立驱动到互联驱动的转变。一方面，制造企业通过挖掘大数据背后所隐藏的洞见和先见价值，既可以为业务精准决策、运营模式创新等提供新的手段，也能帮助企业精准、全面、及时地了解客户需求和未来发展态势，从而提供更加个性化的定制服务。另一方面，通过工业人—机—物—环全要素之间的互联与信息流互动，将帮助制造企业实现更加扁平化的组织与管理，使得组织、生产、运营等更具有柔性，从而大幅提高产品的研发生产效率和生产要素的利用率，并为数据智能和数据驱动奠定大数据基础。

2.2 三个新的理念转变

与信息化时代的数字化管理相比，大数据时代的数字化转型在管理目标、管理策略和决策方式等方面有新转变，如表1所示。

表1 信息化时代的数字化管理与大数据 时代的数字化转型对比

(1)管理目标转变：从注重业务执行效率向注重业务价值提升转变

信息化时代制造企业管理阶段的核心之一是信息集成，即计算机集成制造(CIM)，旨在通过各类信息化管理系统之间的数据交互，实现制造企业各项业务功能的集成和数据流动，并应用于企业产品全生命周期(从市场需求分析到报废处理与回收)的各个阶段。管理的目标是通过数据流动提高业务的执行效率，通过数据辅助业务。

大数据时代的制造企业数字化转型，其核心是大数据智能和数据驱动，旨在通过更大范围内的数据共享、数据分析等手段支撑企业业务决策，从而提高业务决策的效率和精准度，并通过挖掘数据智能驱动业务创新和运营模式创新，实现价值增值和数字化智能化转型升级。

(2)管理策略转变：被动变主动，洞见到先见

即使是在信息化管理阶段，制造企业数据采集仍多采用纸质或离线的人工录入方式，数据的来源、种类、范围相对较少，数据量也不大，利用传统的关系型数据库就能完成大部分数据的存储与管理。由于数据的实时性较差，导致数据的统计与分析较为滞后，制造企业管理多为基于历史数据的被动性管理。

在大数据时代，随着物联网技术的快速发展和在制造领域的深入应用，制造企业通过部署无线射频识别(Radio Frequency Identification, RFID)、条码、传感器、智能终端以及5G、传感网络、工业以太网等，能够实现人员、物料、设备等生产要素的智能实时感知与传输，数据的实时性较强，使得制造企业的管理策略能够从事后的被动性管理转向事中的实时性管理。事后的被动性管理能够挖掘出数据的后见价值，事中的实时性管理则能够挖掘出数据的洞见价值。在解决了数据采集和传输的实时性问题之后，随着高性能计算、分布式计算等技术的兴起，制造企业能够通过机器学习、神经网络、数据挖掘等大数据技术来分析和利用海量的制造企业历史数据和实时数据，实现对制造企业相关业务及需求的提前预测，进而辅助管理人员进行提前布局和决策等。与事中的实时性管理相比，预测性管理在难度上又更加提升了一步，不确定性也更强，但是能够挖掘出数据的先见价值。基于预测的结果，制造企业能够通过应用知识图谱、数字孪生[24]等技术来支持管理人员制定相应的决策和行动方案，从而实现事前主动管理。大数据的出现将推动制造企业从被动性管理向主动性管理转变，并经历从后见到洞见、再到先见的发展过程。

(3)决策方式转变：基于经验和数据统计，转变为大数据智能和知识

在粗放式管理和数字化管理阶段，企业管理与业务决策主要采用基于经验的方式和基于数据统计的方式；但在大数据管理阶段，将向基于大数据智能和经验知识的精准决策转变。数据价值的挖掘不仅仅是简单的、事后的数据统计，而是复杂的、基于多源海量大数据智能的事中洞见和事前先见。同时，随着业务流程的规范化和标准化、数据价值的不断挖掘和知识的不断积累，知识也将在业务的决策过程中发挥重要的支撑作用。

2.3 四个新的基本特征

(1)数据业务化

传统数字化管理的基本特征是业务数据化，即通过计算机、工作流建模等手段存储和管理业务执行过程中产生的各类数据，从而确保企业业务执行过程的透明化，并方便生成各类业务数据报表。此时，业务本身是核心，业务产生的数据是辅助，提高业务效率和透明度是目的。但是，大数据时代数字化转型的新特征之一是数据业务化，即将与制造企业数据相关的采集、传输、存储、管理、分析、可视化等转化成企业业务的重要组成部分。此时，业务不再一成不变，数据也从辅助变成了核心和驱动力，目的是推动业务决策和模式创新，从而提高业务执行和决策效率。制造企业既可以通过数据优化业务流程，提升业务决策效率；也可以通过“大数据智能”创造新的业务和价值增长点。

(2)数据资产化

在工业互联的大数据时代，数据将成为企业创造价值、提升利润空间、创新商业模式和提高核心竞争力的重要手段。而且，只有掌握了数据，企业的运营与管理决策才会更加精准和具有说服力。为了充分发挥数据的赋能作用和实现数据的业务化，需要把数据当成企业的最重要资产进行管理，只有这样才能更大化地发挥数据的作用。

(3)数据智能化

数据流动是信息化时代企业管理的主要特征。当数据流动起来的时候，企业的业务就能够按照预先设定的流程，顺利地执行下去。但是大数据时代的企业管理不仅需要数据流起来，还需要数据的价值被更深地挖掘出来，即从数据辅助的效率提升向数据智能驱动的决策能力提升转变。此时，数据具备一定的“智能”，其所隐藏的巨大价值能够被真正“用”起来；并且制造企业可以将所积累的大数据转化成所需要的知识，通过知识的积累与融合，不仅可以为后续的精准决策提供支撑，还可以为将来的知识业务化奠定基础。

(4)数据全域流动

信息化时代，数据流动主要集中在信息化系统之间，但是业务的执行需要人参与，生产过程管理还需要涵括物料、环境等其他要素。大数据时代企业数字化转型的实现需要数据在工业人—机—物—环等全要素之间流动，通过工业要素间的互联互通来优化业务流程和提升业务效率。

3 大数据时代制造企业数字化转型的体系 架构

完整、准确、实时、高质量、结构化的数据是制造企业实现数字化转型的基础。为有效应对大数据时代背景下的海量多源异构数据管理和价值挖掘需求，制造企业需要通过数据治理的方式来管理其所拥有的海量数据资产。数据资产是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等[25]。数据治理是将一个机构(企业或政府部门)的数据作为战略资产来管理，通过建立一套从数据收集到处理应用的管理机制，以期提高数据质量，实现广泛的数据共享，最终实现数据价值最大化[26]。数据的采集、传输、存储、管理、清洗、融合、分析、挖掘、可视化和应用的全流程被称为数据的全生命周期[27]。由于制造企业的数据在数据生命周期的许多环节可以被挖掘，构建如图3所示的基于数据生命周期的大数据时代制造企业数字化转型体系架构。

3.1 数据来源与获取

(1)数据的来源、种类以及获取方式

结合企业当前实际业务需求与未来转型需求，确定制造企业实现数字化转型所需要采集的数据及其来源、种类和获取方式。

在数据来源和种类方面，面向产品全生命周期各环节，主要包括与产品相关的研发设计、采购、加工、装配、物流、销售、使用、维护维修、报废与回收等数据；也包括各环节运行过程中产生的人员数据、设备数据、物料数据、环境数据和管理数据。此外，还可以包括与产品功能、性能使用和用户喜好等相关的网络数据。

在数据获取方式方面，包括人机交互式采集和硬件自动采集等手段。以产品质量数据采集为例，人机交互式采集方法主要依靠手工在计算机中记录数据，比如操作人员或者检验人员在生产过程中根据质量要求手工测量一些质量信息，并通过人工记录。自动采集方法则是依靠硬件实现自动化的数据获取而无需人工参与。这类硬件主要包括数字化测量仪器、信息存储标签以及数据采集终端等。数字化测量仪器主要包括电子游标卡尺、力矩扳手等仪工具，这些工具采集到的信息可以直接上传至计算机端；信息存储标签包括条码、无线射频识别(RFID)标签和各类传感器等，通过标签识别和智能感知等手段自动获取人员、物料、设备的空间位置数据和状态数据等；质量数据采集终端包括平板、手机、摄像机以及其他数据采集装备；这类方法的特点是可以通过硬件直接将质量数据采集存储到软件系统中。

(2)数据采集的精度和频次

针对不同类型的数据，根据实际业务需求确定数据采集的精度和频次。数据采集的精度决定了数据的质量是否能够满足特定的业务需求，比如产品的几何精度分析或者功能性能分析就需要硬件的测量精度达到一定的要求。数据采集的频次会影响数据的存储方式，也会对算法性能提出一定的要求，比如传感信号的收集与分析等。

3.2 数据传输

数据的可靠传输是实现制造企业数据应用和价值挖掘的前提。针对不同的业务场景和数据安全要求，需要采用不同的数据传输方式，主要包括工业以太网、现场总线、局域网、互联网、传感网、无线网络、移动网络等。

比如，针对一些时效性很强、可靠性要求极高的业务场景，例如机床、工业机器人、机械手臂等装备和执行机构的自适应控制，就需要完整、准确、硬实时的数据传输，因此多采用工业以太网和现场总线。针对一些保密需求极强的业务场景，就需要采用局域网而不能采用互联网，有时甚至不能采用无线网络和移动网络。针对一些允许数据无线传输的业务场景，可以采用无线网络或者3G/4G等移动网络进行数据传输；但是针对高通量的数据传输，比如视频数据、音频数据和图像数据等，为了提高传输速度和效率，可以考虑采用工业5G技术。针对一些需要对室内生产要素的空间和位置进行实时精确定位的场景，可以采用RFID、UWB和Zigbee等传感手段。针对需要从企业外部获取的数据，比如用户需求、用户偏好和用户使用等数据，就需要制造企业通过互联网来获取。

3.3 数据存储与管理

(1)数据存储

从数据结构上划分，制造企业数据可以划分为结构化数据、半结构化数据和结构化数据三类。因此，可以通过传统的关系型(SQL)数据库如MySQL、Oracle、DB2等存储结构化数据，通过非关系型(Not Only SQL, NoSQL)数据库如Redis、HadoopDB、HBase等来存储半结构化和非结构化数据。NoSQL数据库一般应当具备以下特征：模式自由、支持简易备份、简单的应用程序接口和支持海量数据等；在分类上主要包括Key-Value型、文档(document)型、列式(column)等[28]。此外，随着以Spanner为代表的若干新型数据库的出现，给数据存储带来了除SQL和NoSQL之外的新思路。

(2)数据管理

如何对制造企业的各种数据进行统一管理，进而实现精准、高效和安全的数据共享是实现数据应用的关键环节，也是数据治理的核心内容之一。具体包括：元数据定义、主数据管理、数据标准、数据规范、数据权限、数据安全等。

在大数据时代，数据处理的对象是海量分布在各个系统中的数据，不同系统中的数据往往存在一定的差异性，在数据代码标准、数据格式、数据标识、数据质量等各方面都可能不同。此外，为了方便制造企业大数据的集成与管理，需要保证不同系统中数据的关联性和数据源的一致性。因此，需要对元数据和主数据进行准确定义，建立一套合适的数据标准和数据规范，并建立好不同系统之间各类数据的关联关系，确保数据源的一致性。此外，由于数据规模激增、数据来源广泛、数据传输手段多样等多重因素，从企业商业秘密、用户个人隐私、工业设备控制安全和国家信息安全等角度出发，制造企业在做好内部数据共享的同时，必须明确不同岗位、不同职责人员的数据检索和查询权限，并确保数据安全可控。

3.4 数据处理与知识积累

为了确保数据质量并实现数据的融合与应用，需要对数据进行处理，具体包括数据清洗、数据抽取、数据集成、数据融合、数据分析、数据可视化等。

在工业互联的大数据时代，数据来源广泛、类型繁杂、产生速度快、价值密度低，这给数据处理带来了巨大的挑战。首先必须对获取的数据进行清洗，保证数据质量及可信性；其次需要对数据进行抽取、集成与融合，从中提取出关系和实体，经过关联、聚合、时空对准等方式建立数据之间的关联关系复杂网络模型，并采用统一定义的结构来存储这些数据。随后，在数据分析阶段，基于抽取、融合和集成后的数据，根据不同应用场景的需求，可以从这些数据中选择全部或部分进行分析。既可以利用机器学习、深度学习等手段建立基于大数据的预测模型，实现快速预测和异常预警[29]；也可以通过文本挖掘、机器视觉[30]等技术手段发现隐藏的新知识，实现知识抽取与积累。在此基础上，结合企业已有的经验知识库，通过知识建模、知识融合、知识推理等手段[31]，将单点碎片化的知识形成多点交叉融合的知识网络和知识图谱，进而为知识驱动的制造企业管理提供支撑。此外，为了提高数据的可解释性，需要用更加形象、直观的方式向用户展示结果[32]。

3.5 数据应用

以业务价值提升和运营模式创新为导向，确定数据驱动下的制造企业管理应用场景。主要包括两个方面：面向产品全生命周期的智能应用和面向企业运营的智能应用。

(1)面向产品全生命周期的智能化应用

针对产品研发设计、生产制造、运维服务等全周期各环节，挖掘数据驱动的智能应用场景和应用模式创新，实现数据驱动的智能设计、智能生产、智能物流和智能运维等。在研发设计阶段，包括市场前景分析、用户需求预测、异地协同设计、设计优化与持续改进等；在生产制造环节，包括车间全要素全过程全业务监控、产品质量管控与工艺参数自适应控制、智能生产调度、智能生产物流等；在运维服务环节，包括产品运行状态远程实时监控、故障诊断与远程运维、预测性维护与维修等。

(2)面向企业运营的智能化应用

针对企业运营管理涉及的流程优化、组织优化、管理优化、决策优化、价值优化等各个方面，探索数据驱动的企业运营模式创新和持续优化。包括数据驱动的业务流程优化与柔性重构、数据驱动的智能供应链管理、数据驱动的云制造智能服务、数据驱动的精准决策、数据驱动的商务智能等。

4 大数据时代制造企业数字化转型的关键 技术

从数据的全生命周期角度，构建大数据时代制造企业数字化转型的关键技术体系，如图4所示。

(1)数据采集与传输

在数据采集与传输方面，目标是要实现完整准确、广泛多样的数据采集以及安全、可靠、快速、高通量的数据传输。在数据采集方面，当前可能需要研究的关键技术包括高精度的视觉、触觉等智能传感技术，高精度的室内空间定位算法等。在数据传输方面，目前的技术可划分为无线和有线两种手段。有线传输技术因其数据传输的稳定性、可靠性和安全性，是当前制造企业主要采用的数据传输手段。然而，因其存在布线麻烦、占据大量空间、终端互联设备有限等不足，无线传输技术是实现工业全要素互联的唯一手段，因此也是当前重点的研究方向，主要的关键技术包括低时延高可靠安全传输的工业5G技术、低功耗低成本的窄带物联网NB-IoT、海量负载大规模无线接入技术等。

(2)数据存储与管理

在数据存储与管理方面，目标是要制定科学、合理的数据规范和数据标准，并确保数据安全和数据共享范围。当前需要解决的关键技术主要包括面向工业大数据的数据结构设计、工业大数据分布式存储、工业大数据高效查询与搜索、面向数据安全和权限管理的区块链等技术。

(3)数据集成与融合

在数据集成与融合方面，目标是要建立数据间的内在关联关系，并确保数据质量能够满足后续分析、挖掘和应用的要求。关键技术主要包括数据清洗、特征提取[33]、工业大数据建模理论与方法、多尺度多时空数据动态关联关系网络构建等。

(4)数据分析与挖掘

在数据分析与挖掘方面，目标是要实现数据智能和价值深度挖掘。当前需要解决的关键技术主要包括多环节多领域多要素工业大数据分析、小样本条件下的数据学习、机理与大数据混合驱动的在线精准预测、工业知识发现与自学习等。

(5)数据可视化与应用

在数据可视化与应用方面，目标是通过图形化手段清晰地传递和交流数据分析结果，从而辅助和支撑用户以更明确地方式处理和应用数据。当前需要研究的关键技术主要包括基于知识图谱的数据可视化与智能服务、基于虚拟现实/增强现实的数据可视化及智能应用、数据驱动的数字孪生同步建模、基于复杂网络的数据关系可视化及应用等。

5 大数据时代制造企业推进数字化转型的 发展方向

(1)顶层规划，需求拉动

利用数据推动制造企业的数字化转型是一项系统工程，需要有明确的顶层规划。借鉴基于模型的系统工程(MBSE)方法论，首先需要明确需求并进行逐层分解。因此，管理人员、业务人员和技术人员要一起对业务进行系统性梳理，并明确业务效率和价值提升的需求、方向和目标。随后，以需求为牵引，对制造企业数据进行系统性梳理，根据数据全生命周期明确各类数据的来源、种类以及获取、传输、存储、分析、挖掘和应用的方式，规范数据的属性、集成、分类和管理标准，设定数据查询、修改和共享权限。最后，确定合适的数据结构和大数据表达方式，并选择合适的数据库及数据资产管理平台。此外，针对大型集团企业，可以建立部门、企业和集团企业的多层次数据治理体系，实现各层次数据的收集、汇聚与融合，从而促进企业间的数据共享，支撑集团企业内部的产品异地协同设计、分布式车间调度、基于云的制造能力共享等新模式，实现降本提质增效。

(2)强基为先，因时制宜

基于流程的信息化是数字化转型和智能化升级的基础。首先，要强化信息化基础，补齐短板，实现业务的流程化和数据化，解决制造企业数据“有无”、“是否结构化”以及“是否流动”的问题。其次，要建立数据规范和数据标准，确保数据质量。此外，制造企业推进数字化转型是一个循序渐进的过程，不可能一蹴而就。要按照规划逐步推进，从局部到整体；要根据企业各业务模块的信息化基础、成本投入、核心产品对象等选择合适的推进突破口，比如可以先从信息化基础好的业务和价值提升需求高的业务开始推进。

此外，制造企业在推进基于工业互联网的大数据管理的同时，可以对知识驱动的智能化管理开展探索性研究，从而提前布局和支撑智慧企业建设。以需求为导向，以不同的业务场景为驱动，不断挖掘和积累知识，建立结构化、标准化、层次化的知识表达模型；并通过知识的关联、融合与汇聚，构建制造企业知识网络与知识体系，最终实现知识共享、知识服务和知识赋能。

6 结束语

身处大数据时代，数据已经成为一个企业最宝贵的财富之一。在市场竞争压力不断加大、产品更新换代不断加快、新技术新思想新理念不断涌现的今天，如何深挖数据资产背后的价值已成为制造企业可持续发展的重要手段。因此，制造企业管理将不可避免地从数据流动迈向数据驱动，从而实现数字化转型和智能化引领，并推动数字经济发展。

此外，随着数据价值的挖掘、知识的不断发现和积累，加上技术的不断进步和社会的不断发展，在工业5.0以人为本的智慧化时代，在数据之外，知识也将成为企业可持续发展和保持竞争力的重要手段。届时，制造企业管理将从数据驱动迈向知识驱动。通过人机物智能体间的知识互联、协同与融合，不仅将从本质上提高制造企业和工业系统处理复杂性和不确定性问题的能力，还能够催生出基于知识的新业态、新模式、新产业和新应用，比如工业知识推送、工业知识服务、工业知识协同等，从而推动知识经济发展。