文章内容摘自《数据治理-工业企业数字化转型之道》
工业企业的数据治理
1、“二维战略”
德国提出的从纵向与横向两个维度推进工业体系的智能化
纵向:企业内部“端到端的信息融合”,实现从底层的驱动器和传感器信号到最高层的战略决策的无缝连接
横向:企业内部价值链及上下游产业链的整合和协同 优化
2、“智能网联”
美国提出的信息物理系统(CPS),即从实体空间的对象、环境、活动中进行大数据的采集、存储、建模、分析、挖掘、评估、预测、优化、协同,并与对象的设计、测试和运行性能表征相结合,产生与实体空间深度融合、实时交互、互相融合、互相更新的网络空间,从而通过自感知、自记忆、自决策、自重构和智能支持促进对象的全面智能化。
以CPS为核心的智能化体系,正式根据工业数据环境的分析和决策要求设计的,其特征是:智能感知、数据到信息的转换、网络的融合、自我的认知、自由的配置。
1)智能感知层:如何高效和可靠的采集数据
2)数据到信息的转换层(信息挖掘层):如何将各传感器、控制器及管理信息系统的数据提取出来转换成信息
3)网络层:网络化的协同管理,是面向设备集群及整改公司的运营及经营活动的横向数据挖掘
4)认知层:识别与决策层,通过CPS的网络感知,根据健康状况的历史性分析及通过某种特定的算法预测潜在的故障,为决策提供依据。
5)配置层(执行层):由于可以追踪机器的健康状况并作出智能分析,可以根据历史数据及实时采集的数据动态调整参数,从而动态优化配置,达到自适应。
数据治理是工业大数据的基础
工业化大数据区别其他行业大数据是由智能化时代需要人机协同的特点所决定的,不仅有企业经营数据、人的行为数据,更重要的是还有来自传感器采集的设备海量数据。
主要特点:
1)数据来源的多样性,既有经营管理的数据,也有客户行为画像的数据,更有多种设备状态、控制数据
2)数据的实时性,生产现场的数据具有连续性、实时性、数据海量的特点。
3)工业机理的复杂性对知识图谱的构建提出了很高的要求,数据之间的相关性分析非常重要。
4)工业大数据中以非结构化数据、时序数据居多,对存储和处理能力有更高的要求。
工业企业数据治理面临的挑战
1:数据基础薄弱
1)数据管理手段落后
2)数据孤单严重
3)上下游供应链之间缺少数据的互联互通
2:数据治理滞后
1)缺乏专门的数据管理组织,人员投入有限
2)缺少顶层规划与管理
3)缺少数据治理平台(标准管理、质量管理、安全管理、全生命周期管理)
3:数据交易法规尚不完善
4:数据价值难以量化评估