2.1 工业大数据治理

2.1.1 工业大数据应用面临的挑战

以数据为关键要素驱动工业转型升级，不仅成为宏观层面的行业共识，也正在微观层面为企业带来实际收益。然而，工业大数据的应用还面临大数据资源不丰富、大数据治理滞后、大数据孤岛普通等挑战。

1.大数据资源不丰富

理论上，工业领域的数据应该是非常丰富的。麦肯锡 2009 年的报告显示，美国的离散制造业是所有行业中数据存储量最大的。但实际上，有价值的数据非常稀缺，原因是在工业领域，有分析利用价值的机器数据往往包含故障情形下的“坏”样本。还有一些工业场景，只有在极短的时间内采集测量数据（如每秒上百万个测点），才能捕获机器设备的细微状况，这就要求时序数据库和流处理平台等专用的新一代数据存储软件提供支撑。

很多工业企业面临“数据到用时方恨少”的尴尬。根据中国信息通信研究院和工业互联网产业联盟2018年对国内74家工业企业的调研，我国工业企业的数据资源存量普遍不大，66%的企业数据总量在20TB以下，还不到一个省级电信运营商日增数据量的1/10。数据资源不丰富的原因与我国工业互联网发展还处于起步阶段有关，企业数字化、网络化程度普遍较低，数据资源的积累尚需时日。此外，工业系统协议“七国八制”现象非常突出，很多软件系统的接口不开放，也增加了数据采集的技术难度。

2.大数据治理滞后

数据质量问题是长期困扰数据分析工作的难题，据权威数据专家估计，每年低质量的数据会给企业带来10%～20%的损失。工业领域很多时候追求确定性的分析结果，对数据分析的可靠性要求高，因而对数据质量的要求也高。美国一直重视数据质量，1990年还专门颁布了数据质量法案，2016年美国《联邦大数据研发战略计划》也专门把确保数据质量与提升数据分析可信性作为七大战略之一。

用数据，更要“养”数据。从信息化程度较高的金融、电信、互联网等行业的经验来看，如果不开展专门的数据治理，就难以确保数据质量。而调查显示，我国工业企业中只有不到1/3的企业开展了数据治理，51%的企业仍在使用文档或更原始的方式进行数据管理。工业企业应该把数据视为与机器设备同等重要甚至更宝贵的资产，加强数据资产管理。当前，已经有越来越多的工业企业从主数据或元数据切入，着手开展数据资产管理。而且，随着机器学习技术的发展，智能化的数据资产管理工具也越来越完善，工业数据资产管理可以更多依赖人工智能高效完成。但与信息化程度较高的金融、电信、互联网等行业相比，工业数据治理还有很多欠账要补。

3.大数据孤岛普遍

数据孤岛几乎是所有企业都面临的困境。从单一企业内部来看，存在着不同时期由不同供应商开发建设的客户管理、生产管理、销售采购、订单仓储、财务人力等众多IT系统，可谓“烟囱林立”。而要深入推进智能制造，不仅要使上述IT系统横向互通，还要进一步纵向打通IT和OT两界的数据，推进难度非常大。而且，企业越大，管理和技术包袱越重。

从全行业看，发展工业互联网，实现从单一企业内的局部优化到整个产业链的全局优化的跨越，必然要实现整个供应链上跨企业的数据流通，这就要面临安全合规、商业模式和技术标准等方面的更大挑战。前述调查显示，超过半数的企业表示需要使用外部数据或对外提供数据，仅有2.7%的企业觉得不会涉及数据合作，但数据流通由于涉及确权、安全合规等问题，风险和阻力都很大。

德国工业 4.0 计划已经把数据流通作为重点议题，在构建工业数据空间方面进行模式上的探索。与此同时，同态加密、安全多方计算、零知识证明、区块链与智能合约等技术正在走向实用，也为用技术打破数据共享僵局提供了一条有前景的路线。国内如何打破数据孤岛，促进工业数据流通，仍须加快探索。

2.1.2 应对方法

工业互联网的长期目标是构建“数字双胞胎”。只有工业数据越来越丰富、全面，质量越来越高，“双胞胎”才可能长得像，才能“心心相印”。也只有这样，才能让物理世界中的万物得以在数字世界中重现，通过数字世界中的计算、分析、预测、优化来指导物理世界的运行，从而开辟新的增长空间。因此，面对上述挑战，要做好以下几方面的工作。

1.夯实数据基础，高度重视数据资产治理的战略价值

企业不仅要关注最终数据分析的显性价值，更要重视数据采集、资产管理、治理、互操作与标准化等基础性工作的价值。“磨刀不误砍柴工”，只有基础牢固了，工业大数据才能可信、可用，成为价值源泉。

2.抓住大数据技术创新机遇

数据技术正在进入新的发展阶段，时序数据库、知识图谱、深度学习、安全多方计算等为工业大数据采集、整合与分析孕育着新的动力，将特定应用场景与这些新技术结合，有望带来新的突破。

3.建立大数据行业标准与规则

在行业层面，可以发挥行业联盟作用，在数据采集协议、数据模型等方面建立行业标准，扫清技术层面互通的障碍。同时，要推动形成工业企业间数据共享的行业规则，创造安全可信、利益均衡的数据流通生态，为打破全行业数据孤岛铺平道路。

流程工业大数据的价值是巨大的，发展前景是广阔的。与此同时，也面临着分析技术、治理模式、行业应用等诸多挑战。接下来，本书将以大数据治理、大数据分析为主线，介绍以油气开发、石油石化、化工、钢铁、电力为代表的流程工业大数据创新，详细阐述大数据分析在流程工业中的应用和发展趋势。