400-618-1990
新闻中心
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。
如果您对我们的课程感兴趣,欢迎扫描下方二维码进行听课!
新闻中心