数据，工业互联网的金矿

前言

对源数据分析处理，转化为价值数据的过程就像是采矿，因此我们将数据比喻为工业互联网的金矿，等待着新一代数据服务商去挖掘萃取。

本文的主旨是希望在目前工业互联网如火如荼的发展建设中，对如何在工业场景下，挖掘使用数据进行体系性梳理，和感兴趣的朋友分享下个人理解。

工业互联网

近十年里，随着金融和互联网行业的热度降低，工业作为整个现代人类文明发展的基石，其重要性在全世界范围内都得到了重新肯定，全球工业产业发展正在迎来新一轮的春天。

美国自2008年金融危机遇到了产业空心化，鉴于在其GDP总量中，服务业占比70%而制造业仅占12%的不平衡结构，美国提出“先进制造业伙伴计划”，旨在振兴“美国制造”；日本制造业产值占GDP比重达20%，已从国家层面上开始高度重视科技附加值高的高端制造业；德国以精益制造领先全球，提出“工业4.0”企图再次引领新一轮工业革命，巩固其竞争地位；中国经济增长放缓，经济结构调整站在了制造业转型升级的十字路口。未来制造业将回归各国战略重心，成为全球经济稳定增长的重要引擎。

国家	政府规划	战略重点
德国	《高技术战略2020》	工业4.0，智慧工厂，智能生产，成为新一代工业生产技术供应国和主导市场
美国	《重振美国制造业框架》《先进制造伙伴计划》《先进制造业国家战略计划》	工业互联网，将人、数据与智能设备衔接，以交换数据来驱动制造业智能转型。侧重“软”服务，通过大数据、软件、互联网等对传统工业实现再工业化
日本	《日本制造业白皮书》	“以3D造型技术为核心的产品制造革命” 人工智能，智能化生产线和3D造型技术
中国	《中国制造业发展纲要》《中国制造2025》《深化“互联网+先进制造业”，发展工业互联网》	两化融合，制造强国，工业互联网，打造新一代信息技术产业、生物医药与生物制造产业、高端装备制造产业、新能源产业等

从发展方向来看，德国和日本的政策偏重物与物之间的互联，关注产品的生产过程；美国的政策偏重物与人之间的互联，更关注人对产品的使能。中国的“互联网+”策略方向上偏向美国，落地措施上偏向德日，可以认为对二者全部涵括。

从2016年开始，中国一直是全球最具竞争力的制造业国家，中国当前的制造业规模非常大，早在2010年就超越美国成为了全球第一。按照联合国统计，每500个产品中，有约220个源自中国。从制造业的技术创新来看，中国近几年进步很快。不过，最近5年中国经济增长率约7.1%，经济放缓将进一步持续。由于需求下降引起工业活动不断下滑，进而导致工厂产能过剩。中国汽车行业目前产能利用率从2009年的100%下降至50%，制造业占GDP的比重也在逐年递减，其中大部分转向了服务业。很显然中国制造业转型升级的任务非常繁重，主要的问题仍然是结构性问题：有效需求不足，使得产能过剩问题凸显；有效供给不能完全适应消费结构升级的需要，应该提高供给侧对消费结构升级的适应性和灵活性。

《中国制造2025》战略提出，中国要顺应“互联网+”的发展趋势，以信息化与工业化深度融合为主线，重点发展新一代信息技术、高档数控机床和机器人、航空航天装备、海洋工程装备及高技术船舶、先进轨道交通装备、节能与新能源汽车、电力装备、新材料、生物医药及高性能医疗器械、农业机械装备10大领域。这些领域需要投入大量的创新研发资金，需要军工企业、大型国企、高校科研机构的通力合作。同时，中国的中小企业是中国制造业最有潜力的组成部分，它的数量占到了所有企业的99%，创造了中国60%的GDP。中国中小企业的研发创造远远超过大型企业，中国65%的专利，75%的发明专利及80%的新产品来自于中小企业。中国制造的未来不仅要依靠大型企业，更需要中小企业的创新和活力。

从工业4.0产业链看，工业智能制造在上游高度依赖四大基础条件–传感器（数据采集）、大容量存储（数据存储）、大数据计算能力（数据处理）和工业联网（数据传输），这些均是工业4.0实施的关键要素和前提保障；产业链中游包括软硬结合的行业解决方案提供商、智能制造解决方案设计方，工业云等基础平台服务商等，提供了数据从粗加工到深加工的各类服务（数据使用）。由于在中国大部分行业并没有成熟的智能制造解决方案，先进入者往往具有较强的先发优势，在细分行业形成较高进入壁垒；从产业链下游看，接受工业4.0改造的产业和厂商通过对数据的规模利用（数据价值化），将大幅节省劳动成本、提高生产效率、提升客户体验，增强制造厂商的竞争优势。

数据黄金

工业互联网核心就是工业数据的优化使用，数据的流转过程在各个行业大同小异，关键都是对数据自身的“生产采集-网络传输-集中存储-加工处理-应用呈现”五步动作，最终依据呈现结果进行手工或自动策略执行。下面也将通过工业场景下的数据采集、传输、存储、处理、应用和价值化六个主要步骤依序进行分析。其中“采集-传输-存储-处理”四个步骤相对标准化，应用与价值化则更加依托场景，选择多种多样。

释义统一

首先对工业场景下的数据源进行释义的统一，这里的释义纯粹依据作者认知，可能会与某些标准不符（当然不同标准之间也经常会打架），只是为了便于后文的阅读理解，领会精神即可，请勿扣字。

本文所述的工业重点在制造业，指能通过物理和化学过程生产出实体产品的企业，软件和能源产业等不包含在内。

在制造企业中，能够产生数据的实体统分为三类：

• 产品：企业最终销售的实体物品；
• 原件：企业产品在形成最终形态前的初始和过程实体物品；
• 设备：企业将原件加工组合成产品，和支撑完成产品销售全过程中使用的实体物品。

此三者是可以相互转化的，A企业的产品可以成为B企业的原件，例如钢板、开关或轮胎等，也可以成为C企业的设备，例如车床、打包机、车企运输小汽车的板车等。释义界定以销售完成，物品主权方变更作为边界，便于后面数据主权的划分。本文重点关注生产设备类数据采集，面向消费者的工业产品暂不做涉及。

另外本文讲的产品和原件以电子类实体物品为主，也包含可以附加电子标签的实体，设备则专指电子类设备。总之要能有电，没电就谈不上采集和传输数据，搞个钢锭、焦炭或者锤子、改锥、手推车啥的，也没有太多数据可以挖掘。

数据采集

工业数据系统设计，理论上应该是自顶向下的，既应先有数据价值化目标，再做数据使用的设计，进而明确数据处理动作和数据存储需求，最后根据数据量架设传输网络和部署采集终端。但考虑到目前整个工业数字化发展的现状，价值化应用方向并不明确，建设顺序普遍还是以自下向上为主，简单讲就是“要想富，先修路，修好路能不能富再说“的思路。本文也就随同主流思想，按照数据从产生到应用的顺序介绍，更便于读者理解，反正技术上还是那些内容，先说后说差别不大。

书归正文，数据采集动作主要是依靠设备和产品监测提供自身的运行数据，以及部署额外传感器两种手段来执行。设备自身的数据收集就看生产设备的企业做了哪些接口，可以提供什么数据项标签，能力完全把控在ABB、西门子等工业设备巨头手中，能采集到的数据都是根据其发布的通用接口获得。传感器则是生产企业根据自身需要在全产线和产品上部署，完成探测、记录和上传的功能，从探测目标上通常分为光电、热感、气敏、力敏、磁敏、声敏、湿敏等不同类别，采集到的数据也各自对应。工业传感器根据部署环境，对可靠性和稳定性有较高要求，例如需要耐高温高压等。往往一套大型设备或组装产品，都会包含大量的传感器组件，如工业机器人设备，可能会包含三维视觉传感器、力扭矩传感器、碰撞检测传感器、安全传感器、焊接缝追踪传感器、触觉传感器等。又如一辆整车产品，往往也会对发动机、水箱、油箱、刹车、轮胎等部件都设置传感器进行监测，一次采集的单条数据会包含上百个数据项内容。

传感器技术发展的方向是小型化和无线化，以适应更广泛的应用场景。其中小型化的关键技术是微机电系统（Microelectromechanical Systems，MEMS），操作范围在微米级别，器件尺寸往往在20微米到1毫米之间。微机电系统在日本被称作微机械（MicroMachines），在欧洲被称作微系统技术（Micro Systems Technology，MST），相关的纳米级操作技术则被称为纳机电系统（nanoelectromechanical systems，NEMS）。MEMS目前常见的应用有陀螺仪、胎压和声音等方面的传感探测。

传感器节点往往包括一个探测装置、一个微控制器、一个能源装置（一般为电池）、一个网络连接器（有线或无线）。有线连接方式受成本和环境所限逐步走向没落，无线传感网络（Wireless sensor network，WSN）应用范围则在快速发展，相关网络技术有很多，如ZigBee、蓝牙、LoRa、NB-IoT等。
当前国内的工业传感器发展相对落后，2017年全球MEMS传感器销售排名前十均为欧美企业，其中Bosch、意法半导体、德州仪器和Avago稳居前四。

数据传输

数据生成采集后，就要通过网络技术传输到集中的管理端进行储存。现在很多智慧工厂、智能车间项目中，往往将车床、铣床等设备数据通过室内网络初步集中的过程也叫做数据采集，这只是定义范围上的区别，无需深究。

工业互联网中的数据传输主要涵盖两段网络，传感器/设备到工业网关，以及工业网关到管理平台。个别简化场景里面工业网关和管理平台节点会合一，二者也对应物联网场景中的IoT网关和IoT管理平台。设备传感器到工业网关再到管理平台的连接，可以类比移动网络中的终端到基站到核心网。

工业网关节点身负承上启下的重任，兼容性和实时转发性能是关键指标。工业网关到管理平台这段网络传输相对简单，基本上就是走移动互联网、WIFI或者以太网专线这些大路货，咋标准咋简单咋来。而工业网关到传感器/设备这一段的网络通信技术就五花八门了，给大家分享下维基百科上的部分列举项，看看能认识几个。

造成这种混乱的根本原因有二，一是工业细分子行业的分门别类，二是设备生产厂商的各自为战。因此工业互联网发展首先要做的就是网络统一，如前文所说，无线传感网络WSN是目前最主要的方向。但个人感觉，在工业领域，由于ABB\西门子等传统设备厂商话语权较大，各种开源标准化组织乱飞，最终哪个协议能脱颖而出一统天下，三五年内还很难有定论。

从技术思路上做些简单分析，因为在我国工业互联网产业联盟AII的标准中已经规定了要采用IPv6，在国内也就不需要考虑OSI模型IP层以上部分了，直接采用现有TCP/UDP等标准即可，协议设计的重点应该放在数据链路层的传输设计上。工业设备终端到工业网关这段网络为典型的点到多点一跳网络，因此不需要设计寻址协议，新加入网络的设备节点广播一下，即可联系到网关完成注册。设计关键是封装协议报头足够简短精悍，满足低时延和无线化的发展方向。带宽需求则要看场景，传感器直接采集数据的网络传输对带宽要求较低，而生产设备采集数据的传输会要求稍高，但也不需要太高的带宽。只有类似汽车这种组装产品涉及多部件采集数据同时上传时，才会对网络带宽有较高要求。此类产品，如果会大范围移动的，则使用4G/5G，小范围动或者不会动的，则优先用有线或WIFI。在采用无线网络传输时，还要考虑单位固定空间内，大量终端接入时的互扰，WIFI就一直因为稳定性问题被诟病，很难在工业互联网场景中有较大发展。

概括来说，工业互联网数据传输场景的需求主要是高密接入和低时延，带宽则要看场景。因为本文所述重点是数据，那么数据传输部分，只要能保证数据项从设备/产品传递到管理平台进行储存即可，网络就不做过多分析。其实用什么姿势传球不重要，关键是能准确快速的传到位。

这里再说一下工业互联网产业联盟AII重点在推的标识解析体系标准。技术架构上很好理解，就是用一套标准的编码去替代目前企业各自为政的产品编码、资产编码、物料编码、XX编码等，用此编码作为实体唯一身份标识，搭配产品/设备的IPv6唯一地址，形成类似互联网域名与IP地址一样的对应关系。从国际到国家再到行业到企业，建设多级名称节点，做标识到地址的解析。总之，搞明白了DNS，工业标识解析体系就不会存在理解难度。

但是（此处必须有但是，虽然想法不够主流，但作为技术爱好者，实在是不吐不快），这套工业标识解析体系标准的用途实在让人看不清。

我们先来看DNS的使用。首先，DNS是要应用在大型开放的网络中，小范围封闭网络一般用IP地址就够了，根本不需要做域名解析；其次，DNS的使用目的是为了降低IP地址的记忆难度，对计算机服务访问来说，域名并不是必须的；最后，域名与IP地址并不是唯一对应的关系，通过单域名对应多IP可以实现全局负载均衡，多域名对应单IP可以实现业务服务的复用。

对应来看工业互联网标识解析体系。首先，一台企业的生产设备暴露在大型开放网络中风险远大于收益（工业互联网都设计了国际顶级节点，规模比Internet只大不小），Internet网站服务面向公众提供访问是为了互联网企业生存盈利，机床叉车面向公众提供访问想不明白必要性，万一被黑了，对企业来说损失可是不可估量的。其次，就目前的思路来看，标识的编码设计，复杂度比IPv6小不了多少，记忆难度仍然很高，估计访问时都得靠扫码。最后，现在设计中，一台生产设备的标识与IPv6地址都是唯一的，那么同一设备要两个唯一的识别编码有啥意义，留一个就够用了啊。
只提问题不给解决方案都是耍流氓，一些个人想法如下：

1. 统一标识编码有必要，解析没必要。如果需要外部访问，就在IPv6地址取后面几个字段，将其定义清晰，做工业互联网的标识编码足矣。一个实体搞两个唯一标识，而且都不易记忆，用途重叠冲突。
2. 数据可分享，设备别上网。设备的数据采集出来，脱敏处理后放到Internet上都行。设备连入企业内部网络，能够实现之间的联动互操作即可，直接上外网可被大范围的外部用户访问，风险太大不可取。
3. 工业产品可规范标识上网。这里的产品指个人用户的智能电子产品，例如空调、洗衣机、车、电脑、手机等。这些都是有通过外部网络访问管理需求的，现在大家通过互联网直接访问时，经常爆出种种安全隐私问题。如果能转移到工业互联网中访问，网络规模小了，所有终端标识唯一绑定了，安全性会提升不少，能达到类似手机实名制的效果。

可以理解我们国家搞工业互联网标识解析体系的初衷，在IPv4时代，地址分配与域名解析这两块被国外卡脖子卡得太久了。人的连接已经就这样了，我们希望在新时代物的连接中能够抢占优势地位，至少增加更多的自主权。这个思路方向个人举双手赞同，但就目前设计来看，具体落地还远远不够成熟，有些太想当然的高大上了，但愿不要再闹出类似IPv9的笑话来就好。思维方向可以大开脑洞，但技术设计一定要准确严谨。

数据存储

工业数据经过采集传输后，势必要有个集中存储的地方，其需求的核心就是容量大。物联网时代，海量的连接设备带来了海量的数据，即使设备单次单条采集的数据量不大，但架不住节点多频度高，PB级别容量已经成为很多新系统的基本存储需求。

工业数据以结构化数据为主，既采集来的数据标准性很高，数据项之间有很强的关系逻辑，因此传统的工业数据库都会采用关系型数据库进行存储管理。但在目前物联网数据采集能力的高速发展下，今天一条数据采10个项，明天可能就是几十项，后天就是上百项。数据项内容的不确定性增长，严重影响了关系型数据库在工业互联网场景使用的未来。再加上越来越丰富的数据类型，如音视频、图像文档等在工业领域的广泛应用，分布式的NoSQL技术正在逐步壮大，有可能在未来5-10 年取代关系型数据库在工业数据领域的地位，如MongoDB、Hadoop现阶段都已开始崭露头角。

各类数据库技术发展了这么多年，已经相当成熟，工业领域也没有什么独到的分支方向，更多的是技术应用创新，所以这里就不做过多展开了，感兴趣的朋友去看些通用的数据类技术文档即可。

另外讲一个数据存管分离的理念，目前在工业领域比较容易让人混淆。工业数据管理平台的概念，由于各个厂商出发点不同，会根据自身产品方案去各自解读，形成很多马甲概念。管理平台的作用主要是与终端设备（如传感器模组）建立通信通道，传输数据。类似交通部门，只管修路连通和制定交通规则，不造车（生产数据）不开车（流转数据）。物联网平台、视频管理平台、车联网平台等都是此类管理终端通信的软件平台。在现有工业体系架构中，因为管理平台的集中部署与数据集中存储需求吻合，且管理平台厂家一般也是终端（物联网卡、摄像头、传感器）的生产厂家，因此大部分平台的管理与存储能力是集合在一起的，通过一体机的方式为客户提供服务。此类软硬件不解耦加存管不解耦的黑盒子销售方式，价格不需要透明，可以为厂商带来更高的利润。

受到数据量飞速激增的冲击，传统工业数据的黑盒子模式正在逐渐瓦解中。软硬件解耦已经先一步落实，行业后进者基于标准虚拟机或X86服务器，开发管理平台软件，帮助工业企业拥有更广泛的基础架构可选择范围，使云化部署成为可能，对传统一体机形态形成强烈的价格冲击，迫使传统厂商也纷纷转型软件云化。

而存管解耦分离相对进展较慢，各厂商为了自身考虑，短期内很难放弃存储扩容这一块的丰厚利益。未解耦模式下，数据的读取使用，都需要再经过管理平台的接口处理，造成性能效率的降低（更多次的数据处理）和数据缺乏独立性（厂商私有数据接口）。

由于目前工业企业受限于自身技术能力，且平台开发厂商的意愿不强，存管解耦分离的大范围普及，估计还得有个3-5年才能到来。但从企业信息化总体需求趋势来看，数据处理性能提升和业务开发分工细化是必然方向，存管解耦也终将实现。

数据处理

完成了数据的集中存储，下一步就要进行加工处理，将原始数据变成可用数据。这个阶段有不少技术名词：数据清洗、数据治理、数据排序、数据整合、数据关联等等。实际上都是对数据的增、删、改、查这些基础操作的延伸。通过一系列的算法规则设定，将数据初步加工成工业应用需要的原材料。

• 增：工业数据处理过程中，增的动作相对较少。主要是通过添加表项、字段等内容，让数据的组织条理性更加清晰，条目更加完整，便于后续数据索引整理。
• 删：“脏”数据的清理，受终端与网络环境影响，可能会导致采集到缺失较多或内容异常的无效数据，需要通过有效性算法验证，将其甄别出来删除掉。
• 改：工作量最多的处理动作，通过对数据的粗加工，为自动化分析提供更规整的源数据。改的动作包含很多，列举几个常见的。
  1. 标准化，将来自不同采集源的数据格式统一，如地址、时间、单位等；
  2. 信息拆分，将数据关键信息提炼拆出，如根据设备型号分析出生产日期等；
  3. 关联整合，基于关键索引项将多个终端采集的数据条目进行关联合并，如同一产线的上下游设备数据等
• 查：数据处理的关键前置动作是对数据的查询，海量数据的快速遍历查询，也是当前工业环境下数据处理面临的最大难题。前面的数据存储过程是一个可控的线性过程，采集的数据量都是根据预设定规则可以估计的，数据增长也是依据时间和采集点的增加而呈线性变化，因此对存储平台设备不会造成过大的突发性能压力，只要容量扩充能跟上数据增长就行。但数据处理就是一个突发性行为，用1个月时间慢慢采集来的几百T数据，根据业务需要，往往要求几秒钟就要完成一次全量查询检索。这也是为什么在前文数据存管理想架构中，会需要存管分离来减少数据读取中间环节的原因。

同时工业数据处理中，还需要采用分布式和消息缓存等大数据技术来实现并发检索加速。单计算节点的处理能力提升永远是有限的，面对未来海量工业数据，分布式并发数据处理技术才能实现无限扩展。Hadoop已经成为大数据技术的事实标准，基于（key, value）模型能够有效处理海量的结构化、半结构化和非结构化数据，从容量、性能、兼容性到可扩展性都是工业数据处理技术的最佳选择。当然，在目前工业企业的信息化建设初始起步阶段，采用MySQL、MongoDB等数据技术是技术门槛较低、性价比较高的选择，但后期数据量超过临界点后会面临架构变更的困难。因此企业做技术选型时，一定要对未来几年的数据量有所预估，个人建议如果数据总量3年内会达到PB级，那就直接上Hadoop；如果5年后才达到，可以考虑架构逐步演进变更；如果根本达不到PB级，采用传统数据库技术处理就够了。

数据应用

像炒菜一样，经过前面几个步骤，数据已经被剥洗切腌，成为备好的食材，就等着大厨下锅变成可口美味了。

数据，在工业场景中的主要作用是作为决策依据，是人或自动算法做判断时的关键输入。数据应用就是输入查看和算法执行的统合工具。所有的工业应用，概括起来就是做了数据呈现与动作执行两个事，数据呈现是因，动作执行是果。

• 数据呈现：将处理过的数据进一步精加工，以图、表、音等形式在应用程序界面中呈现出来，让使用者能够更直观的了解设备运行情况、生产进程状态、产品流转进展等内容。这里的关键是图形展现形式的设计，怎么能让人觉得更“好看”。

• 动作执行：工业应用的使用者，根据呈现的数据内容，做出策略执行动作，可以是手工或者自动的执行，不限于设备操作、告警提示、流程审批、报告发布等。关键是对呈现数据进行判断的算法规则设计，类比If…then…、While…do…这种。

由于工业的子行业划分和细分场景众多，工业数据应用的类型数量也多如繁星，例如就一个设备告警应用，按照行业可区分为轻工、重工、化工、白电等，按照用途可区分为生产、装配、物流、包装等，按照设备类型可以分为机床、铣床、叉车等。场景不同应用要呈现的数据和策略算法自然不同，组合起来成千上万。因此工业数据应用的市场前景广阔，可容纳玩家众多。

从工业应用对数据的使用情况来看，目前还处于初级阶段，主要是因为数据的使用者大多局限于数据生产者企业自身，没有能形成数据在整个生态产业链的流转。就像篮球比赛中，只有一个人带球，相互不传球，团队肯定就不会有太多的进攻手段。这也是后文数据价值化的突破方向所在。

数据旅程

现在工业互联网里面时髦的技术概念名词太多，什么边缘计算、工业大脑、AI智能，估计大家也都审美疲劳了。包装嘛，大家都能理解。但工业企业真正要做落地实施的时候，一定要能区分哪些是空中楼阁、镜中水月，不然被忽悠了一通概念，最终啥也没做出来就，投资可就打了水漂。

如何分辨一套高大上的技术架构能否落地？最简单的方式就是拉出一条工业数据来，在这个架构中走一遭，看看数据旅程是否完整清晰。是骡子是马，拉出来溜溜。下面简单的做个数据旅程模拟示范，为了描述方便，给这条模拟数据起个名字Data_I。

• 数据来源：某车间的一台西门子轧机
• 数据表项：（随意模拟的项目数据，内行请一笑而过，外行领会意思即可）

基础环境数据项

生产商	设备类型	设备型号	生产日期	设备编号	本次启动运行时间	历史累积运行时间	环境温度	环境湿度
西门子	冷轧机	300	2010.1.1	123456789	2d8h25m22s	233d12h30m2s	20	60%

生产管理数据项

轧辊直径	轧辊长度	板带宽度	钢卷厚度	钢卷宽度	钢卷外形	钢卷内径	钢卷外径	入口卷号
**	**	**	**	**	**	**	**	**

工艺管理数据项

出门厚度	出门宽度	活套张力	拉绞机设定	轧制规范	版型规范	材料屈服强度	摩擦力数据	材料道次
**	**	**	**	**	**	**	**	**

上面模拟的这些都是一条采集数据中所包含的数据项，工业场景中，单条数据含几十上百个项是非常正常的。下面我们来看一下这条模拟数据的数据旅程：

1. 数据采集：轧机自身可以产生如上的Data_I1的基础数据表项，通过PLC接口以30s间隔的频度上传到车间现场的工业网关设备。假定我们发现设备自身不能采集到环境气压参数，则需要增加一个压力传感器，将气压参数Data_I2同步上传到工业网关中。这时此轧机设备其实有存在两条数据Data_I1和Data_I2，后面需要再进行合并处理。
2. 数据传输：工业网关设备通过WIFI+互联网专线的网络传输方式，连接到企业部署在云端的采集管理平台，双方以HTTP协议对接，根据采集管理平台定义的Restful接口封装数据项到报文中。Data_I1和Data_I2也以每30s一条的频度被传送上来，假定单条数据量是100KB和1KB。
3. 数据存储：采集管理平台接收到数据报文后，读取出数据项内容，再转换格式存储到MySQL数据库中，形成原始数据Data_I1和Data_I2，MySQL数据库可采用标准云数据库服务。
4. 数据处理：处理程序先从数据库中读取Data_I1和Data_I2，进行合并形成Data_I3；然后根据需要增加设备车间所在位置信息字段，形成Data_I4,；接着修改其中温度字段数据，统一转换单位从华氏度到摄氏度，形成Data_I5；再检索所有字段，删除掉采集和传输过程中存在数据项丢失或数据异常的Data_In。最终形成有效数据Data_Im集合的表Table_I，作为初加工的结果存储回MySQL中。
5. 数据应用：工业APP的软件开发商读取Table_I的数据，做进一步加工或者呈现应用。例如可以依据时间维度，画出设备的温度变化图、压力变化图、工艺变化图等等，进行数据呈现；可以根据运行时间和设备生产商给出的基准寿命，通过算法设计，推断轧机中某部件快到更换时间了，给出维修告警提示；可以根据轧机生产的钢板数据，通过工艺模型算法设计，对入口钢材的厚度和半径等原料参数提出优化采购要求等等。

数据价值化

没有无价值的数据，只有还没被发现价值的数据。

先明确两个概念，工业领域的数据主权与数据脱敏。

1. 数据主权：数据实际归属方，在工业领域中根据数据产生源的产品归属界定。既某条数据生成来源是一台叉车，那么叉车属于谁，数据就应该属于谁。跟使用了谁家的传感器，谁家的管理平台和存储计算处理设备无关。当然，数据源初始主权方可以对数据主权进行转让授权，允许数据流转过程中的服务提供方使用。但就目前来看，此授权并不严谨，主权方和被授权方的权责不明，导致各种数据安全问题频发，服务方侵权使用数据成为常态。
2. 数据脱敏：对数据进行加工处理，主要是通过“删”的动作，去掉数据中的敏感项内容，使剩余数据表项既能满足主权方的安全需求，又可以存在一定使用价值。脱敏动作是数据价值化必不可少的关键前置条件，脱得好数据变黄金，脱不好就变垃圾，还有泄密隐患。

数据的价值化在于流转，球传起来进攻就活了。仍然以前面轧机数据Data_I进行价值化举例，来看看都有谁可以用这数据做什么。

• 数据主权企业：对全量数据进行分析，做生产改进、决策依据、运行维护等工作。
• 行业ISV：取设备型号、工艺管理等部分数据项，做机理模型分析和工业APP开发。
• 政府工业部门：取产量、原材、运行时间等部分数据项，做工业经济运行统计分析。
• 金融咨询机构：取设备型号、运行状态等部分数据项，做行业调研分析展望。
• 同行企业：取设备型号、生产管理等部分数据项，做投产前的设备选型和投资预判。

单独从Data_I的数据内容来看，只要将设备拥有方的业主信息删掉，其他数据项单独拿出来都不存在多少敏感性，完全可以按表项内容，将脱敏后数据销售给上述外部机构企业使用。

对工业企业来说，信息化转型就是个投资过程，主要目标是对生产销售做改进，工业数据从采集到应用都是纯靠花钱才能建设起来的。那么如果此部分数据能够形成销售，就成为一笔计划外收入，相信低风险情况下的创收是每个企业主都喜闻乐见的。

在数据价值化的过程中，数据服务商的角色极为关键。目前国内还没有工业领域的数据服务商，关键原因是缺少能做多家企业数据统合的服务平台，单一企业的数据销售价值不大，只有形成行业性的综合数据仓库后，数据样本多了才会吸引购买者兴趣。数据服务商主要有以下四件事要做：

1. 数据集合
   为数据主权企业提供数据采集到应用的全流转服务，得到原始工业数据，并拿到企业的数据销售授权。当然，随着工业数据产业发展更完善，日后也会出现通过直接购买方式，获取工业数据的中间商角色。
2. 数据改造
   对数据进行脱敏和加工，依据主权企业的安全要求，形成可销售的数据项内容。例如Data_I脱敏后，可以对设备型号和运行时间字段数据进行销售。
3. 数据销售
   对脱敏加工的数据进行目录化定价，并完成拓展销售活动。例如，100个不同企业同一型号设备的运行时间数据，打包卖给咨询调研机构**元。
4. 收入分成
   根据主权企业的数据被销售调用次数，给企业进行分成。例如，某个企业的单个设备的运行时间数据一共被卖了100次，分成给企业**元。

虽然我们经常乐见于“没有中间商赚差价”，但就工业数据的发展来看，数据中间服务商在较长时间内还是必不可少的，而且这个角色也是真正能快速搅活工业企业信息化进程的鲶鱼。在任何行业发展中，价值驱动常常是会强于政策驱动的。

结束语

未来5-10年，随着数字化技术的进步，工业领域将发生翻天覆地的变化，国家之间的竞争也正在回归基础工业能力的竞争。目前工业信息化在全球范围才刚刚起步，工业数据仍然是有待挖掘的金矿，谁能先掌握数据，必将成为新时代的领军者。