工业大数据技术优化方案

2023-06-23 理论教育版权反馈

【摘要】：大数据具有5个主要的技术特点，可以总结为“5V特征”。而工业产品遍布全球各个角落，这些产品从设计制造到使用维护再到回收利用，整个生命周期都涉及海量的数据，这些数据就是工业大数据。机器学习和数据挖掘是大数据的关键技术。数据挖掘可以视为机器学习和数据库的交叉，它主要利用机器学习提供的技术来分析大数据和管理大数据。

大数据（Big Data）一般指体量特别大，数据类别特别大的数据集，并且无法用传统数据库工具对其内容进行抓取、管理和处理。大数据具有5个主要的技术特点，可以总结为“5V特征”。

（1）数据量（Volumes）大。计量单位从TB级别上升到PB、EB、ZB、YB及以上级别。

（2）数据类别（Variety）大。数据来自多种数据源，数据种类和格式日渐丰富，既包含生产日志、图片、声音，又包含动画、视频、位置等信息，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。

（3）数据处理速度（Velocity）快。在数据量非常庞大的情况下，也能够做到数据的实时处理。

（4）价值密度（Value）低。随着物联网的广泛应用，信息感知无处不在，信息海量，但存在大量不相关信息，因此需要对未来趋势与模式做可预测分析，利用机器学习、人工智能等进行深度复杂分析。

（5）数据真实性（Veracity）高。随着社交数据、企业内容、交易与应用数据等新数据源的兴起，传统数据源的局限被打破，企业愈发需要有效的信息之力，以确保其真实性及安全性。

大数据是工业4.0时代的重要特征，目前，数字化、网络化和智能化等现代化制造与管理理念已经在工业界普及开来，工业自动化和信息化程度得到前所未有的提升。而工业产品遍布全球各个角落，这些产品从设计制造到使用维护再到回收利用，整个生命周期都涉及海量的数据，这些数据就是工业大数据。

机器学习和数据挖掘是大数据的关键技术。机器学习最初的研究动机是让计算机系统具有人的学习能力，以便实现人工智能，目前被广泛采用的机器学习的定义是“利用经验来改善计算机系统自身的性能”。事实上，由于“经验”在计算机系统中主要是以数据的形式存在的，因此机器学习需要设法对数据进行分析，这就使得它逐渐成为智能数据分析技术的创新源之一，并且为此受到越来越多的关注。数据挖掘和知识发现通常被相提并论，并在许多场合被认为是可以相互替代的术语。对数据挖掘有多种文字不同但含义接近的定义，如“识别出巨量数据中有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程”。顾名思义，数据挖掘就是试图从海量数据中找出有用的知识。数据挖掘可以视为机器学习和数据库的交叉，它主要利用机器学习提供的技术来分析大数据和管理大数据。

工业大数据技术优化方案

相关推荐