工业大数据工程建设之策略

【试验工程师·公益学习营】第二期第一讲

【试验工程师·公益学习营】第二期第1讲于2020年2月14日如期举行，分享主题为《工业大数据工程建设之策略》，分享嘉宾是北京瑞风协同科技股份有限公司技术发展部经理秦家深。

秦家深在《工业大数据工程建设之策略》中，重点分享了试验数据工程建设总体思路、试验数据工程建设策略、试验数据工程建设实践分享和试验数据工程建设效果评估。

在分享中，秦家深提到工业试验数据有数据源多、数据量大；数据结构复杂、描述方式多；数据规律隐蔽、价值利用不足；数据管理工程化实施难度大等特点。对于这些特点还有相应的需求分析，即需要强大的数据采集、存储和管理能力；需要丰富的融合和关联能力；需要深入的挖掘整理能力；需要通盘统筹规划。

对于试验数据工程建设，秦家深提到以下“十四”个策略：

1、 建立数据标准

2、 试验数据建模

3、 建立试验体系

4、 元数据管理

5、 主数据管理

6、 数据质量控制

7、 数据安全管理

8、 全域数据采集策略

9、 数据存储策略

10、数据管理策略

11、数据分析用用策略

12、数据共享管理

13、数据管理保障措施

14、数据工程建设实施要点

秦家深针对工业数据工程建设 “十四”策略，进行了详细解读和分享。

关于工业数据工程效果评估，秦家深认为需要重点关注以下五个方面：

1、 提升数据管理效率

1） 支持TB级增长

2） 统一搜索浏览所有DM，无须切换

2、 提升数据分析能力

1） 数据算法：规律挖掘/智能判断

2） 可视化手段：图表/3D/VR

3、 提升数据应用深度

1） 汇集数据，全程推送

2） 基于数据谱系，实现关联融合

4、 提升决策辅助水平

1） 领导驾驶舱：统计/趋势数据

2） 分级预警/全景视窗

5、 支持设计、仿真优化

1） 数据驱动，数据对比

2） 试验-设计迭代优化

3） 试验-仿真迭代优化

工业数据工程，标准应先试先行，秦家深认为不但要制定数据标准，进行数据模型规范化搭建，选取适当的存储策略，采用多元化的采集手段和采集工具，实现内外部数据采集，并进行数据清洗整理存储，然后建立数据管理谱系；而且需要建立完善的数据审查和数据安全机制，确保数据完备；这样才能抽取数据形成多种主题的数据仓库，进一步利用业务分析工具集和大数据挖掘工具进行数据分析应用，积累试验业务知识，支持专业的数据展示、态势感知以及辅助决策。