“真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”，进行相应的智能决策。”
近年来，工业大数据逐渐从概念走向落地阶段，数据基础较好的一些细分工业领域，已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革，以及工业大数据的特点难点，行业中面临的挑战和实施路径。
图：12月26日，清数大数据产业联盟与清华校友总会AI大数据专委会（筹）共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。
大数据文摘对本次分享的精彩内容进行了整理，在不改变原意的前提下有删改：
工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命，德国提出实施工业4.0战略，我们国家提出“中国制造”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革，关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化，”中国制造”战略将工业互联网和智能制造两者进行有机的结合。
面对新一轮的工业革命，要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据，把这些数据接入之后存起来就可以了，真正要做的事情是智能分析和智能决策，通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑，更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据，另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据，在信息管理系统和自动化系统基础之上，构建具备智能分析优化能的大数据系统，达成提质、增效、降耗和控险的目的。
工业大数据可以分为三类，一部分是工业物联网数据，比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据，同时还有很重要的一部分数据是外部跨产业链的数据，包括设备在运行过程中所处的环境数据，比如气象数据、地理数据、相应的环境数据，这三种数据合计才能称之为工业大数据。
工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合，把分散在企业各个角落里的数据进行整合，挖掘这些数据融合所能产生的价值。
工业大数据的特点：多模态、高通量以及强关联
多模态。
在工业系统里数据种类、数据格式以及数据结构非常多，结构关系复杂。一个汽轮机里面会有上万个零部件，一个复杂装备的制造企业，它的数据种类多达三百余种，所以在工业领域里会存在数据多模态特征。
高通量。
即无论是生产设备还是智能装备有可能是24小时不间断产生数据的，我们以分、秒的频率采集数据，在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大，海量的设备与测点，数据采集频度高、数据吞吐总量大、数据的实时性要求高，呈现出工业大数据的“高通量”特征。
强关联。
真正做一个产品设计的时候，它涉及到学科与专业是非常多的，比如设计复杂装备的时候，不仅仅是涉及到结构分析，流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。
基于工业大数据的特点，工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互，工业大数据实际上是以物理实体和物理实体所处的环境为分析对象，物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面