工業大數據是指工業設備在生產過程中所產生的大量多樣性的數據，其因物聯網而廣為人知。工業大數據因2012年“工業4.0”概念的出現而被重視，旨在以工業設備產生的數據為基礎，通過大數據技術進行處理并且挖掘出更多的商業價值。

　　工業大數據的特點

　　工業大數據利用工業網絡技術對原始數據進行處理，為管理決策提供依據，達到降低維護成本、改善客戶關系的目的。

工業大數據要更麻煩

　　大數據一般具有3V的特點，即Volume（大量）、Velocity（高速）、Variety（多樣），因此其以傳統工具難以處理，只能采用新的策略進行存儲分析等。而工業大數據則還有其自己的兩個V。一個是visibility（可見性），即需要發現對現有資產和生產過程難以察覺的見解，并且以數據形式變為可見；另一個則是Value（價值），由于行業面臨的風險及影響差異，工業大數據被要求有更高的精準度，否則其價值將會大打折扣。

　　工業大數據相比其他大數據來看，其結構化數據更多，相關性和實時性更強，也更易于分析。這是因為工業數據普遍是由自動化設備在生產過程中產生的，其環境和操作受到人為因素影響較小，不會產生太多不可控因素。

　　工業大數據的分析更側重于關系挖掘和現象捕捉。一般來講，工業大數據可以在現象中提取出的特征會涉及諸多的物理學科等問題，有效的分析將會比普通大數據涉及的知識領域更為寬泛，其分析困難程度可見。

工業大數據側重現象捕捉

　　工業大數據面臨著碎片化問題。工業大數據的分析對數據的完整性有著一定要去，因此其數據驅動分析系統需要從不同的工作條件中獲取數據。但是在不同來源獲取的數據存在離散和非同步的問題，因此需要預處理以保障數據的完整性、連續性和同步性。

　　工業大數據還面臨質量差的難關。通常大數據分析的重點在數據挖掘，以數據的量來彌補數據的質缺陷。可是工業大數據中，變量通常具有明確的物理意義，數據完整性對于分析系統至關重要，低質量的數據可能徹底改變兩個變量間的關系，對于高精度的分析可能造成災難性的影響。

工業大數據更需要實時分析和可視化

　　其與傳統商業智能不同，傳統BI的處理工作主要集中于數據內部的結構化，并且定期進行周期性處理即可。而工業大數據的分析系統則要求達到實時分析和可視化處理結果。

　　鑒于這些特點的存在，工業大數據并不能簡單的移植普通大數據的分析技術直接使用。工業大數據需要采用的是對于相關領域知識更了解，分析系統功能定義明確，分析速度快并且可以提供更明確的分析策略的大數據分析手段。

　　工業大數據的技術

　　工業大數據的不斷增加為其后續處理工作制造了麻煩。由于自動化工業設備的不斷增多，工業大數據產生的速度和數量都在暴漲，這對大數據的存儲和管理的基礎設施形成挑戰。

　　工業大數據首先需要確保能夠采集正確的數據。上文提到工業大數據對數據的要求更為苛刻，數據完整性的前提是數據的正確程度。當傳感器提供的數據越來越多時，識別出與設備狀態相關的參數減少非必要數據，提高數據的分析效率，確保獲取有效數據。

圖工業大數據推進工業4.0發展

　　其次應當建立適當的數據管理系統。工業大數據的存儲需要能夠處理大量數據并且做到實時分析，以便于迅速為決策提供支持，為了提高速度，這就需要存儲、管理和處理更為集成化。這對數據存儲基礎設施有較高要求，需要在能夠處理高速度、高數量的數據流的同時進行數據分析，這一步將會是未來工業大數據行業的核心和基礎。

　　信息物理系統（CPS，Cyber-Physical Systems）也是工業大數據的核心技術。信息物理系統是計算進程和物理進程之間無縫集成的系統。與傳統操作技術有著明顯不同，工業大數據需要在更廣泛的角度來進行決策，其核心部分在于設備狀態。

信息物理系統是工業大數據的核心技術

　　信息物理系統的重點在于5C架構（Connection，Conversion，Cyber，Cognition，Configuration，即連接，轉換，網絡，認知，配置）。該架構意為將原數據傳輸并轉換為可操作信息，利用分析洞察數據，最終通過知情決策改進流程。這一步將會進一步提高生產力降低成本。

　　在工業系統中，每時每刻都在由不同設備產生大量的數據。每一條流水線大量的機械會產生不同的數據樣本，例如波音787每天航班都會產生超過5TB的數據，工業系統所產生的數據遠遠超過了傳統方法的處理能力，因此對于管理和處理都構成了極大的挑戰。

工業大數據撐起物聯網

　　為了應對這一挑戰，企業和研究人員都在收集、統計、存儲和分析工業大數據集方面做出了努力，將一些數據集公布用于科研。不過即便如此，工業大數據所面臨的壓力依然巨大。但是，工業大數據是未來工業4.0和物聯網的核心技術之一，工業大數據的發展提高生產水平的必要環節。