什么是智能大数据

智能大数据首先需要具备大数据的"5V"特征，即数据量（Volume）大、传输速度（Velocity）快、种类（Variety）多、价值（Value）高、真实性（Veracity）强。工业大数据还增加了两个"V"，即可见性（Visibility）和价值（Value），前者指从现有资产和流程中发现意外见解，后者指将这些隐性知识转化为可见价值。

智能大数据的一个重要应用领域是工业大数据分析。它利用工业互联网技术，从原始数据出发支持管理决策、降低维护成本、改善客户服务。与一般大数据分析不同，工业大数据分析更注重发现提取特征和现象背后的物理根本原因。

智能大数据涉及描述性分析、预测性分析和规范性分析三种类型。描述性分析解释过去发生的事情及原因，预测性分析对未来结果做出统计预测，规范性分析则根据数据推荐采取的行动。

智能大数据需要数据集成、存储和使用各种工具和技术进行分析，并由良好的数据架构和数据建模方法支撑，描述组织的数据资产，为数据流程和管理提供蓝图。

首先需要从智能设备和传感器中采集原始数据，如交易记录、日志和移动设备数据等。这需要一个良好的大数据平台，能够支持各种结构化和非结构化数据的高速实时或批量采集。采集后的数据需要存储在安全、可扩展且持久的存储库，以备后续处理和分析。

接下来，需要对原始数据进行转换，如排序、聚合、连接和执行高级函数和算法，将其转化为可消费的格式。处理后的数据集将被存储以供进一步处理，或通过商业智能和数据可视化工具进行消费。在此过程中，人工智能和机器学习技术可以自动化手动流程、提取见解并生成新的商业智能报告。

最后，处理后的数据将通过自助式商业智能和敏捷数据可视化工具提供给利益相关者，以便快速轻松地探索数据集。根据分析类型的不同，最终用户还可以以统计预测或建议行动的形式消费结果数据。

为了实现近实时分析和可视化结果，支持快速决策，智能大数据还需要利用边缘计算、云计算等技术。同时，处理工业数据的高容量和高速率还需要适当的数据采集、存储和管理系统。

大数据分析能力是智能大数据的核心，它允许企业利用智能制造来预测需求和设计变更需求，而不仅仅是对已下订单做出反应。大数据分析是指从数据的速度、多样性和数量等方面收集和理解大型数据集。

工业连接设备和服务以及网络物理系统是工业大数据的核心技术。网络物理系统需要计算模型和物理组件之间的无缝集成，超越了传统的运营技术。

先进的机器人和智能自动化是智能制造广义定义的一部分，是智能大数据的关键技术。

广泛而深入的云计算能力可以处理各种大数据工作负载，包括收集、存储、处理、分析和可视化大型复杂数据集。智能自动化和机器学习技术可以实时分析大数据，识别模式和相关性，并自动进行决策和网络配置。

物联网（IoT）设备和传感器可以从物理世界捕获实时数据流，并将其输入到高级分析系统。这些IoT设备的数据需要强大的存储和集成能力。

利用机器学习和预测分析算法，智能大数据可以帮助预测和预防制造业、生产过程和基础设施（如飞机、汽车、风力涡轮机和油管线）中的机器或零件故障，实现预测性维护。

在钢铁制造等行业，大数据分析可用于产品质量预测和优化。它还可以帮助预测和防止化工行业等连续生产过程中的关键情况。

智能大数据可用于预测汽车发动机、风力涡轮机零件和电池等组件的产品寿命。

对于新的3D产品设计，大数据可用于装配计划预测，以及能源需求预测、需求预测和价格预测。

在物联网（IoT）领域，车辆、工业设备和农业机械中的传感器会将数据发送到流式应用程序。该应用程序可以监控性能、提前检测潜在缺陷，并自动订购备件以防止设备停机。

金融机构利用流式数据跟踪股市的实时变化，计算风险值，并根据股价波动自动重新平衡投资组合。另一个金融用例是信用卡交易的欺诈检测。

大数据的常见用例是数据分析，其中流数据被处理以生成报告并在关键指标超过阈值时发出警报。更复杂的应用程序还可以将机器学习算法应用于业务和客户活动数据，以获得更深入的见解。

随着自动化工业设备产生的数据量和速度不断增加，如何存储和管理这些海量数据成为一大挑战。识别与设备状态相关的关键参数，减少需要采集的数据量，提高数据分析的效率和有效性至关重要。构建能够处理大量数据并实现近实时分析的数据管理系统，对于快速决策至关重要。

对于非技术人员和数据分析师来说，解开、理解和准备非结构化数据源以供分析使用是一大挑战。大量非结构化数据使得分析工作变得艰巨且昂贵，因为当前的数据挖掘技术往往会遗漏有价值的信息。即使使用先进的硬件和软件，处理大规模图像数据也可能需要数天到数周的时间，而由于运行时间过长，调试数据处理过程极其困难。

大数据往往面临与小数据相同的挑战，增加更多数据并不能解决偏差问题，反而可能加剧其他问题。某些数据源并不能代表整体人群，从这些数据源得出的结论可能是错误的。大数据还可能引入新的问题，如多重比较问题，同时测试大量假设时，很可能产生许多看似显著但实际上是错误的结果。

传统大数据分析往往关注于挖掘关系和捕捉现象，而智能大数据分析更加关注于发现提取特征和现象背后的物理根源。智能大数据利用工业互联网技术，将原始数据用于支持管理决策、降低维护成本和改善客户服务。

传统大数据分析更多地集中于挖掘关系和捕捉现象，而不是识别潜在的物理原因。相比之下，智能大数据的战略意义在于提高数据的"过程能力"，通过数据处理实现"增值"，而不仅仅是掌握大量数据。

除了大数据的传统"5V"特征外，智能大数据还具有两个额外的"V"特征：可见性（visibility）和价值（value）。可见性指发现现有资产和流程的意外见解，价值则强调从数据中获取有意义的价值的重要性。