1.2 工业大数据的内涵

1.2.1 工业大数据的背景

虽然数据分析早已深入到科学研究的探索之中，但直到近几年大数据技术才迎来真正的高速发展。2008 年，英国《自然》杂志推出“大数据”专刊，专门探讨“PB 时代的科学”及科研形态的变化，并指出，以数据为准绳的理念指导，以及强大的计算能力支撑，正在驱动一次科学研究方法论的革命。美国《科学》杂志也在2011年推出专刊“Dealing with Data”，围绕数据洪流展开讨论，将大数据深度分析作为未来研究的重要突破点。此外，2012年3月29日，美国政府宣布了“大数据研究和发展倡议”，意在推进从大量、复杂的数据集合中获取知识和洞见的能力，大数据自此正式上升为国家战略并得到了广泛的研究与应用。

随着网络技术、传感技术及众多智能设备的接入，大数据逐渐在气象预报、医疗检测等领域涌现和普及。在气象预报领域，美国国家海洋和大气管理局（National Oceanic andAtmospheric Administration，NOAA）每日从卫星、船只、飞机、浮标及其他传感器中收集超过35亿份观察资料，并按照大气数据、海洋数据和地质数据进行测定分析；在医疗监测领域，加拿大安大略理工大学携手IBM公司，对脉搏跳动、体表温度、身体姿势、呼吸频率等数据进行监测，通过连续数据流分析，对婴儿医院内感染等异常症状进行监控。

随着新一轮产业革命的到来，信息技术加快渗透到工业生产的各个环节，企业拥有的数据日益丰富，并表现出规模性、多样性和高速性等特点[1]。在智能制造中，工业大数据技术不仅能促进企业准确地感知系统内外部的环境变化、科学分析与优化决策，以优化生产过程、降低成本、提高运营效率，更能催生大规模定制、精准营销等新模式和新业态。工业大数据因此被视为重要的生产要素，成为驱动智能制造、助力产业转型升级的关键。随着人工智能进入2.0时代，以及深度学习、边缘计算等新模型和算法的不断提出和发展，工业大数据不断为智能制造带来新的理念、方法、技术与应用，并形成新的研究热点[2]。

工业大数据方法通过海量数据的处理与分析，使制造系统具备“学习”能力。通过源源不断的数据对制造系统的复杂演化规律、知识经验进行持续学习，使制造系统具备自学习、自优化、自调控能力，为制造系统赋予智能。随着数据科学范式的进一步发展，制造系统智力的获取、提升与应用方式将发生变革，大数据驱动的智能制造的科学范式与方法体系正在形成。