拥有大数据不是目的，探索大数据的价值是关键。工业大数据由企业信息数据、设备物联网数据和外部互联网数据组成，具有很大的价值。例如，通过分析用户使用数据来改进产品，通过分析现场测量数据来提高工件加工水平，通过工况数据进行产品健康管理等。

 

　　实施工业大数据项目需要关注以下3个关键问题：

 

　　数据质量控制问题

 

　　原始数据（生数据）质量决定分析结果的质量。企业信息系统数据质量仍然存在问题，例如2014年某大型机车企业ERP系统中近20%物料存在“一物多码”问题。装备物联网数据质量堪忧，某大型制造企业1个月的状态工况数据中，无效工况（如盾构机传回了工程车工况）、重名工况（同一状态工况使用不同名字）、时标混乱（当前时间错误或时标对不齐）等数据质量问题约30%。

 

　　多源数据关联问题

 

　　层次化的物料表(Bill Of Material,BOM)定义了企业信息系统数据的核心语义结构。针对跨生命周期的研制BOM和实例BOM间结构失配问题，我们提出了中性BOM模型，并以此为核心，向前关联设计制造BOM，向后关联服务保障BOM，形成星型结构，极大地降低了数据关联的复杂度。同时，针对装备物联网数据和外部互联网数据,可以根据其绑定的物理对象（零部件或产品）与相应的BOM节点相关联。从而以BOM为桥梁，关联3个不同来源的工业大数据。

 

　　大数据系统集成问题

 

　　工业大数据其来源更加广泛，并且装备物联网数据（半结构化数据）和外部互联网数据（非结构化数据）都要与企业信息系统（结构化数据）进行集成，因此要重构数据支撑平台，甚至替换“旧”系统。

 

　　大数据强调数据关联和整合，这必然会大大增加安全风险。为了确保数据安全，一是充分利用技术手段，二是选择可靠的实现服务提供商。