中国IDC圈12月23日报道：如何充分挖掘工厂中数据的价值，通过对制造大数据进行分析，提升数字化工厂运行效率，已成为制约数字化工厂向智慧工厂发展的瓶颈。大数据给我们带来的思考：？在制造业能用吗？解决什么问题？制造业大数据到底在哪些领域可以发挥它的作用？
大数据当前，大数据作为新一代信息技术的关键，逐渐成为新一轮产业革命的核心。
大数据：新一轮产业革命的核心
在德国的工业4.0中，大数据被认为是物理与信息融合中的关键技术。在美国GE提出的工业互联网中，大数据分析作为联机数据处理分析的核心，被认为是重构全球工业、激发生产力的关键技术。在我国提出的《中国制造2025》中，云计算、物联网和大数据作为新一代的信息技术，成为两化融合的关键技术。无论是工业4.0、工业互联网还是《中国制造2025》，智能制造是共同目标，工业互联网是基石，大数据是引擎。
制造业迈入了大数据时代，2012年，GE公司率先明确了“工业大数据”的概念。在制造业，产品的全生命周期从市场规划、设计、制造、销售、维护等过程都会产生大量的结构化和非结构化数据，形成制造业大数据，而这些数据符合大数据的三“V”的特征：规模性、多样性以及高速性。除此以外，制造业大数据还具有多源异构、多尺度、不确定、高噪声等特征。因此，研究和应用制造大数据更具有挑战性，主要体现在制造大数据的存储、管理、分析和展示方面。如何充分挖掘工厂中数据的价值，通过对制造大数据进行分析，提升数字化工厂运行效率，已成为制约数字化工厂向智慧工厂发展的瓶颈。
大数据方法带来思维变化
大数据给我们带来的思考：在制造业能用吗？解决什么问题？制造业大数据到底在哪些领域可以发挥它的作用？
首先，能用否？大数据已经成为解决现实世界问题的方法。要解决现实世界的问题，第一种方法是科学实验，通过实验的方法来发现现实世界的一些规律并解决问题；第二种是通过理论分析和推导方法；第三种是科学计算，模拟仿真成为解决问题的范式；数据科学则是第四种解决问题的范式。目前国外数据科学非常热门，这是一门综合交叉的学科。
大数据方法带来了思维上的变化，主要是从三个方面来看的：从因果到关联，更强调事物之间的相关性而非因果性。从局部到全体，采用全体数据进行分析，而不是随机样本。从精确到混杂，通过数据保证解的优异性，不再一味追求精确的算法。既然大数据已经成为解决问题的方法，那它就是能用的。
其次，能用它来解决工厂的什么问题？大数据方法能为未来工厂的目标服务吗？未来工厂就是智慧工厂，它追求的终极目标是一切都透明化。在制造业不同的阶段，所追求的目标是不一样的。
上个世纪初，制造业追求目标是成本更低，出现了可互换零件原理，形成了大批大量生产模式。在上世纪中叶，为了追求更高的质量，这时候采用了全面质量管理。到上个世纪80年代，市场需要不同的产品，产品的多样化出现，多品种小批量生产模式流行，计算机技术应用到产品设计制造过程，出现了计算机集成制造系统，也就是信息化系统。不同时代企业追求目标不同，所采用的解决问题的方法也不同。未来的智能工厂追求透明化，要达到透明化的目标，可采用的方法就是分析推理，大数据方法事实上是一种分析推理法。因此，从数字化工厂向智能化工厂转化的过程中面对着海量的数据，需要寻找它们相互之间的联系和隐藏规律，实现透明化的目标。
最后，在哪里用？大数据给制造业提供的是一种全方位的全程式的一种服务，在产品全生命周期阶段，从设计到制造、从使用到维护，直到维修阶段，产生的正向数据以及逆向数据，这些数据都能全方位地得到使用。
大数据提供全方位全程服务
在产品的设计中，传统的设计师基于经验灵感和经验，揣度消费者的需求喜好设计产品。在大数据时代，设计师通过对用户行为和需求大数据进行分析，精准量化客户需求，指导设计过程。
在制造阶段，大数据技术可以帮助实现生产过程异常发现、产品质量和生产调度优化等方面。以生产异常发现为例，传统的基于降维手段的异常发现方法，容易破坏信息完整性，不利于设备异常的发现。在大数据模式下，基于制造数据的分析对关键参数进行提取，然后通过聚类分析手段发现设备异常模式，在此基础上对设备控制优化。大数据也能帮助提高产品的质量控制。SPC控制的是整个过程的单个参数，但是单个参数在正常范围为什么还会出现一些质量问题？可能每个参数均处于临界状态，综合后会产生一些质量问题，所以在这个过程中，传统就是数据的筛选、参数分析，这个过程介入了人工的分析来进行质量的预测，数据筛选过程淘汰了许多有效的数据资源，参数分析过程经常存在人工经验判断，使得预测模型对整个产品加工过程信息的描述残缺不全，不能发现产品质量问题的深层次原因（如误差累积）。而在大数据模式下，根据产品的加工工艺过程，对产品质量相关数据按层次进行组织，利用多隐藏层的神经网络深度学习加工过程中产品质量数据的相互作用机理，从而对产品质量问题进行全面、深层次描述。