1.2.2　应用领域与场景

工业企业应用涉及3个生命周期，即产品生命周期（设计、工艺规划、生产工程、制造、使用和服务、废弃和回收等）、生产过程周期（采购、制造计划、制造过程、质量管理等）和商务活动周期（销售、交付、售后等）。结合实践经验，工业大数据的6个业务应用领域[5]如图1-1所示，包括新业务模式、数字化研发、智能制造、智能运维、数字化营销和数字化工作空间。其中，智能制造包括以生产制造效率为中心的纵向整合，也包括以业务价值链协同为中心的横向整合。

图1-1　工业大数据的6个业务应用领域

作为一种技术，大数据分析擅长从大量重复性的数据中挖掘新模式。在创新性强（重复性弱、频度低）的新业务模式、数字化研发等环节，大数据分析仅能起到数据汇集、信息提醒的辅助作用，例如，根据大量设备在不同环境、不同工况下实际运行数据和故障信息，针对性地指导产品研发。另外，商务活动及数字化空间的需求与通用的面向企业的数据分析没有区别，本书不做展开讨论。因此，工业大数据分析目前主要集中在智能运维和智能制造等环节。

工业大数据分析的典型主题可归纳为如表1-2所示的3类：① 智能装备/产品，以智能运维环节的需求为主，适当融入智能运维带来的新业务模式（例如，服务性制造、基于产品的金融衍生服务）和研发创新，详细划分为故障预测与健康管理（Prognostics and Health Management，PHM）、资产绩效管理（Asset Performance Management，APM）和运作闭环等3类子主题；② 智慧工厂/车间，集中在图1-1中智能制造的纵向整合，打通不同生产单元与业务环节，结合不同时空颗粒度，从效率、质量和安全的角度，保证制造过程的可视、可溯、可决；③ 产业互联，集中在图1-1中智能制造的纵向整合，通过数据的融合与深度分析，提高协作效率，支撑新的协作模式。

表1-2　工业大数据分析的典型主题

产业链上不同角色的企业关注的分析课题不同，例如，高端装备制造业（汽轮机制造企业）强调“服务型制造”、“智能装备”和“智能诊断”，而装备使用企业（例如，发电厂）则关注整个生产系统（而不是单类设备）的生产效率。再者，对同一类分析课题，由于产品特点和生产模式的不同，不同行业的分析侧重点差异也很大，例如，在生产质量分析方面，化工行业的质量管控粒度较粗，但需要长久稳定的质量，而电子行业可以做到单件或单批次的质量检测，甚至可以做到逐批（Run-to-Run）的工艺参数调整。