|
工业大数据包括数据集成与清洗、存储与管理、分析与挖掘、标准与质量体系、大数据可视化，以及安全技术等六方面关键技术。  （1）大数据集成与清洗技术 大数据集成是把不同来源、格式、特点性质的数据进行有机集中，这种集中包括在逻辑与物理两种形式。大数据清洗是将在平台集中的数据进行重新审查和校验，发现和纠正可识别的错误，处理无效值和缺失值，从而得到干净、一致的数据。 技术特点包括：能够清洗海量实时数据；能够实现异构数据类型集成，包括传感数据等轻量结构化数据以及监控视频、图片等非结构化数据。 （2）大数据存储与管理技术 采用分布式存储、云存储等技术将数据进行经济、安全、可靠的存储管理，确定数据优先级，并采用高吞吐量数据库技术和非结构化访问技术支持云系统中数据的高效快速访问。 技术特点包括：能够实现海量数据分布式存储；为保证实时制造决策与工控指令反馈，需要对各类存储数据快速访问。 （3）大数据分析挖掘技术 从海量、不完全、模糊及随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识。 技术特点包括：应用目标导向，工业大数据应用目标广泛，需深度结合应用目标进行特征算法设计；需要建立云制造应用的定量解析或人工智能分析模型。 （4）大数据可视化技术 利用包括二维综合报表、VR/AR等计算机图形图像处理技术和可视化展示技术，将数据转换成图形、图像并显示在屏幕上，使得枯燥、抽象的数据变得直观且易于理解，并通过交互处理实现基于可视化数据的分析、交流和决策支持。 技术特点包括：能够综合处理显示多维度数据；能够支撑制造或企业经营管理决策者基于视觉的交互。 （5）大数据标准与质量体系技术 包括了工业互联网中大数据通用技术、平台、产品、行业、安全等方面的标准与规范，涉及数据规范、标准、控制、监督等技术。 技术特点包括：多类型标准需求迫切；交换和交易过程为导向，标准与质量体系聚焦于跨领域数据交换集成和应用数据交易。 （6）大数据安全技术 涉及大数据采集、传输、存储、挖掘、发布及应用等安全，以及用户管控、数据溯源、隐私数据保护及安全态势感知等。 技术特点包括：隐私保护要求高、难度大、关联性强；能够进行数据产生及应用过程的追溯与保护。 |
|
|
