由大數據驅動的制造業轉型升級，是未來制造業提升生產效率、改進產品質量、節約資源消耗、保障生產安全、優化銷售服務的必經之路，通過與工業互聯網、人工智能、移動互聯網、云計算等技術的協同發展，工業大數據驅動的的工業互聯網必將深度融入實體經濟，成為數字經濟時代的新引擎。

　　工業互聯網是以數字化為基礎，網絡化為支撐，智能化為目標。通過物聯網技術對工業制造過程中的人、物、環境和過程實施對象數字化，將數據通過網絡實現數據的價值流動，以數據為生產要素，以數據的智能分析為基礎，實現智能決策和智能控制，實現智能優化和智慧化運營，創造經濟價值和社會價值。

　　數據是工業互聯網的一種最重要的生產要素。一個工廠每天的數據以TB計算，但本質上，這些數據具有“多”、“雜”等特點，良莠不齊。不求隨機樣本，而是全體數據；不求精確性，而是混雜性；不求因果，但求相關。新工業革命，本質上是智能革命，而智能革命的基礎是信息化，大數據是根本。沒有大數據對客觀事物全面、快速、真實、準確的信息反饋，任何智能設備都不可能實現真正的智能。

　　那么，如何讓這些“多”、“雜”的工業大數據發揮其價值？

　　一、工業大數據的數據挖掘

　　（一）一些基本概念

　　數據挖掘是利用業務知識從數據中發現和解釋知識（或稱為模式）的過程，這種知識是以自然或者人工形式創造的新知識。這其中有幾個概念需要了解下：

　　1、OLTP和OLAP

　　OLTP（On-line Transaction Processing）聯機事務處理，使事務應用程序僅寫入所需的數據，以便盡快處理單個事務。其基本特征是前臺接收的用戶數據可以立即傳送到計算中心進行處理，并在很短的時間內給出處理結果。

　　OLAP（On-line Analytical Processing）聯機分析處理，專門設計用于支持復雜的分析操作，側重對決策人員和高層管理人員的決策支持，可以根據分析人員的要求快速、靈活地進行大數據量的復雜查詢處理，并且以一種直觀而易懂的形式將查詢結果提供給決策人員。OLAP的目標是滿足決策支持或多維環境特定的查詢和報表需求，它的技術核心是“維”這個概念，因此OLAP也可以說是多維數據分析工具的集合。

　　2、數據倉庫和數據集市

　　數據倉庫（Data Warehouse，簡寫DW），是為企業所有級別的決策制定過程，提供所有類型數據支持的戰略集合。它是單個數據存儲，出于分析性報告和決策支持目的而創建。數據倉庫在軟硬件領域、Internet 和企業內部網解決方案以及數據庫方面提供了許多經濟高效的計算資源，可以保存極大量的數據供分析使用，且允許使用多種數據訪問技術。

　　數據集市（Data Mart） ，也叫數據市場，從范圍上來說，數據是從企業范圍的數據庫、數據倉庫，或者是更加專業的數據倉庫中抽取出來的。

　　數據倉庫和數據集市區別在于范圍上，前者相當于是所有的企業數據的集合，后者重點對整個數據倉庫內進行了分類，迎合了專業用戶群體的特殊需求。

　　3、數據ETL處理

　　數據ETL處理，即數據的抽取（Extract）、數據的清洗（Cleaning）、數字的轉換（Transform）、數字的裝載（Load）。

　　（二）工業大數據的數據挖掘

　　1、工業大數據數據挖掘流程

　　數據挖掘過程一般分為數據準備、數據挖掘和結果表達和解釋三個部分。在數據準備階段，需要對數據集進行選取和預處理。其中數據預處理包括數據清理、數據集成、數據歸約和數據變換等。

　　2、工業大數據數據挖掘的基本算法

　　數據挖掘是一種獲得知識的技術。其基礎是數據，其手段是各種算法，其目的是獲得數據中所蘊含的知識。數據挖掘從一個新的視角將數據庫技術、統計學、機器學習、信息檢索技術、數據可視化和模式識別與人工智能等領域有機結合起來，它能組合各個領域的優點，從而能從數據中挖掘到其他傳統方法不能發現的有用知識。利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特征、變化和偏差分析等，它們分別從不同的角度對數據進行挖掘。數據挖掘的算法很多，隨著科學技術的不斷發展，新的算法會不斷地加入。

　　3、數據挖掘的目的

　　數據挖掘分為三層，一是提供數據源、數據準備的數據層，一個是提供算法、引擎和界面的算法層，一個是把數據挖掘結果應用于實踐的應用層。

　　數據挖掘目的是可以應用于應用層實際應用的描述類知識和預測類知識。

　　數據挖掘不是一個靜態的過程，需要不斷對模型重新評估，衡量，修正。在大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵。數據挖掘是大數據中最關鍵也最有價值的工作。通常，數據挖掘或知識發現泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的過程。

　　（三）數據挖掘的4個特性

　　1、應用性

　　數據挖掘是理論算法和應用實踐的完美結合。數據挖掘源于實際生產生活中應用的需求，挖掘的數據來自于具體應用，同時通過數據挖掘發現的知識又要運用到實踐中去，輔助實際決策。所以，數據挖掘來自于應用實踐，同時也服務于應用實踐。

　　2、工程性

　　數據挖掘是一個由多個步驟組成的工程化過程。數據挖掘的應用特性決定了數據挖掘不僅僅是算法分析和應用，而是一個包含數據準備和管理、數據預處理和轉換、挖掘算法開發和應用、結果展示和驗證以及知識積累和使用的完整過程。而且在實際應用中，典型的數據挖掘過程還是一個交互和循環的過程。

　　3、集合性

　　數據挖掘是多種功能的集合。常用的數據挖掘功能包括數據探索分析、關聯規則挖掘、時間序列模式挖掘、分類預測、聚類分析、異常檢測、數據可視化和鏈接分析等。一個具體的應用案例往往涉及多個不同的功能。不同的功能通常有不同的理論和技術基礎，而且每一個功能都有不同的算法支撐。

　　4、交叉性

　　數據挖掘是一個交叉學科，它利用了來自統計分析、模式識別、機器學習、人工智能、信息檢索、數據庫等諸多不同領域的研究成果和學術思想。同時，一些其他領域如隨機算法、信息論、可視化、分布式計算和最優化也對數據挖掘的發展起到重要的作用。數據挖掘與這些相關領域的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更側重于應用。

　　二、基于工業大數據建立數據模型

　　上圖是數字模型建立的流程圖，其中關鍵點有幾點：

　　1、確定目標

　　2、選擇變量和變量重構

　　3、選擇算法

　　4、測試結果

　　三、數據+模型=服務

　　隨著新一代信息技術與制造業的深度融合，工業企業的運營管理，越來越依賴工業大數據。工業大數據的潛在價值也日益呈現。隨著越來越多的生產設備、零部件、產品以及人力物力不斷加入工業互聯網，也致使工業大數據呈現出爆炸性增長的趨勢。

　　大數據的核心和本質是應用、算法、數據和平臺4個要素的有機結合，如圖所示。大數據是應用驅動的，大數據來源于實踐，海量數據產生于實際應用中。

　　數據挖掘源于實踐中的實際應用需求，用具體的應用數據作為驅動，以算法、工具和平臺作為支撐，最終將發現的知識和信息用到實踐中去，從而提供量化、合理、可行、能夠產生巨大價值的信息。另外，挖掘大數據所蘊含的有用信息，需要設計和開發相應的數據挖掘和機器學習算法。算法的設計和開發要以具體的應用數據為驅動，同時也要在實際問題中得到應用和驗證，而算法的實現與應用需要高效的處理平臺。高效的處理平臺需要有效地分析海量的數據及對多源數據進行集成，同時有力支持數據挖掘算法以及數據可視化的執行，并對數據分析的流程進行規范。總而言之，這個應用、算法、數據和平臺相結合的思想是對大數據的理解和認識的一個綜合與凝練，體現了大數據的本質和核心。建立在此架構上的大數據挖掘，能夠有效處理大數據的復雜特征，挖掘大數據的價值。

　　四、結語

　　由大數據驅動的制造業轉型升級，是未來制造業提升生產效率、改進產品質量、節約資源消耗、保障生產安全、優化銷售服務的必經之路，通過與工業互聯網、人工智能、移動互聯網、云計算等技術的協同發展，工業大數據驅動的的工業互聯網必將深度融入實體經濟，成為數字經濟時代的新引擎。

　　來源：工業互聯網前線