工业大数据研究综述

1

工业大数据研究综述

摘要：随着工业4.0时代的到来，工业领域将会以想象不到的速度创新，呈现出新的技术、新的产品、新的服务和新的业态。各行各业的决策正在从业务驱动转变为数据驱动。事实上，无论是工业4.0、工业互联网还是中国制造2025，其主要特征都是智能和互联，主要都在于通过充分利用信息通讯技术，把产品、机器、资源和人有机结合在一起，推动制造业向基于大数据分析与应用基础上的智能化转型。智能制造时代的到来，也意味着工业大数据时代的到来。工业大数据的应用，将成为未来制造业创新的关键要素，也是目前全球工业转型必须面对的重要问题。 关键字：工业4.0；工业大数据；价值创造 中图法分类号: TP311

A Summary of the Research on Industrial Big Data

Abstract: with the advent of the 4 era of industry, the industrial field will be the speed of innovation, showing a new technology, new products, new services and new formats. Decisions from all walks of life are driven from the business to data driven. In fact, whether it is industrial 4.0, Internet industry or made in China by 2025, its main characteristics are intelligent and interconnected, mainly is by make full use of information and communication technology, the products, machinery, human resources, and the organic combination of together, to promote manufacturing to based on large data analysis and Application based on intelligent transformation. The arrival of the era of intelligent manufacturing, but also means the arrival of the era of large industrial data. Industry big data applications, will become the key elements of future manufacturing innovation, but also the current global industrial transformation must face the important issues. Key words: industry 4.0; industry big data; value creation

大数据在工业各领域不断革新发展，工业大数据将成为构建制造型企业的新型能力。如何利用工业大数据以及采用何种方式管理工业大数据是许多企业必须要面对的问题，工业大数据的价值实现是其中的关键环节之一。本文对工业大数据的产生及特点、现状、价值实现，以及工业大数据与工业4.0[1]、中国制造2025的关系，工程实践等方面进行研究，得出没有工业大数据作为支撑，智能制造也就是无源之水。

1 工业大数据的产生及特点

1.1工业大数据的产生背景

工业大数据已成为新一轮产业革命的重要动力。

提出工业大数据，源于四个方面:一是数字化装备和产品的普及，二是装备和产品网络化联接的普及，三是企业向服务型制造的转型，四是“从摇篮到摇篮”再制造的必然要求[1]。

无论是德国提出的“工业4.0\，还是美国定义的“工业互联网”，大数据在其中都发挥着重要作用。IBM认为，工业4.0是大数据驱动的智能制造[2-3]，无数据不智能。GE表示，工业互联网最重要的就是数据分析，未来每一家工业企业也必须是一家软件企业，有了软件必然会有数据。

工业大数据是以工业、工业产品为主体，这些数据源于产品生命周期的各个环节，涵盖三个重要阶段一一开发制造阶段（即Beginning of Life）、使用维护阶段（即Middle of Life）及回收利用阶段（即End of Life）。其中，第一阶段和第二阶段的分离点是产品交付用户的时刻，第二阶段和第三阶段的分离点则是产品退役时刻。

在产品生命周期中，包括市场、设计、制造、服务、再利用等各个环节都会产生数据，全生命周期汇合起来的数据更大。

2

Journal of Software软件学报

当然，企业外、产业链外的“跨界”数据也是工业大数据不可忽视的重要来源。认识工业大数据必须从信息时代发展变迁的视角去权衡。从传统工业IT到GE强调的OT(Operation Technology)概念，再到DT(Data Technology)时代，工业大数据实际是三流合一，整合的是IT时代信息系统中的数据、OT时代以机器为主体的数据，及DT时代网络环境下的互联网数据。 工业大数据是制造型企业创新转型的驱动力和催化剂，随着三维设计、3D打印、机器人技术等在制造型企业广泛应用。工业大数据广泛分布在产品设计、制造、物流、服役等各环节[4]，具体如下：

数字化设计：如飞机全数字化设计：波音公司利用CATIA软件设计波音777的300万个零部件的尺寸和形状数据； 智能化制造：以智能工业机器人为典型代表的智能制造装备已经开始在多个领域得到应用；我国今年的工业机器人超过日本。

网络化监控：大型工业装备运行状态网络化远程动态监测：例如，波音737发动机在飞行中每30分钟产生10TB数据；陕鼓动力实现数百台旋转机械远程在线监测及故障诊断。

物联化管理：工业生产过程开始大量使用射频识别技术（RFID）实现零件与产品管理。

市场需 求 采购库 存 研发设 计 制 造 检验试 验 交付营 销 售后保障 。。。。。。市场需求分析行业发展数据。。。。。。 库存优化 采购计划管理 供应商数据 研发周期控制数据设计变更会议纪要设计版本跟踪 设计数据 研发需求方案 工艺数据 制造工艺更改数据 实时传感技术制造过程监控 。。。。。。性能试验数据产品检验数据产品交付周期市场响应情况营销方案数据产品问题处理记录 售后快捷服务 产品维修与维护 产品使用性能跟踪 1.2 工业大数据区别其他行业大数据有自身的特点和挑战

一是多源性获取，数据分散、非结构化数据比例大：工业大数据来源广泛且分散，有来源于产品制造现场工控网监控数据，有来源于互联网的客户、供应商数据，有来源于企业内网的经营管理数据。海量异构多源多类数据难以有效集成，语义描述困难，不能实现面向系统生命周期管理的数据协同管理；

二是数据关联性强，有关联也要有因果：工业大数据的产生和应用都围绕产品全生命周期、企业主价值链等，数据间关联性强且分析准确性要求高。不但要利用大数据给出决策也要用大数据给出决策依据。工业大数据预测精度低，准确性和可靠性不高，无法满足安全性要求；

三是持续采集、具有鲜明的动态时空特性： 工业大数据来源于工控网络和传感设备，具有实时性强、连续性、稳定性要求高等特点，需要采用可靠的数据采集、存储、管理的工具进行管理，另外涉及国计民生领域还要求整个平台安全可控。工业大数据分析的实时性要求高，动态控制困难，量化难度大；

四是与具体工业领域紧密相关：工业大数据产生依赖于CPS网络和智能产品，但目前面向信息物理融合系统的分析方法单一，无法实现闭环、多层次、多阶段、自比较等的综合分析；面向智能设备和智能产品的故障检测能力不足，健康预测管理水平低，无法实现面向产品可靠性的深层次分析。

2 工业大数据的现状

目前，工业大数据在各个行业部门创新发展[2]，我国智能制造装备产业已形成一批具有国际竞争力的龙头企业。如智能控制系统领域、工业机器人领域、工程机械领域，如上海新华控制技术集团公司、海尔哈工大有限公司、沈阳机床制造有限公司、重庆川仪股份有限公司等企业，已进入全球排名榜单。

但“制造业对数据的利用水平明显落后于其它行业，尤其是面向B2C的企业。”天集信息科技(上海)有限公司总经理徐津

Fig. 1 Industrial production process

图1 工业生产过程

3

[5]

认为，B2C（Consumer to Business，即消费者到企业）典型的代表电商公司对大数据的利用比较领先，他们可以追踪消费者

浏览商品的行为，从而推算出需要的商品，并给出其他消费购买的概率，以此引导购买行为。 （1）信息化水平低[6]

传统的工业企业的信息化受到资金投入不足、技术落后等因素的影响，使得其水平普遍偏低，在信息化应用方而的成效还不够显著，在大数据的背景下我国的信息化系统在传统工业企业当中的应用作用与效率难以得到很好的提高。在信息系统难以得到应用的情况下工业企业的产品开发力度也比较低，新产品开发的能力、效率亟待提高。 （2）缺乏对数据化的合理利用

在国外的一些发达国家，高新技术企业正在借助数据化来对企业市场应对能力进行加强方而获得了很好的效果，然而我国目前很多工业企业尚且处于初步的创业时期，应对性偏低，在利用数据来管理营销、财务、库存等多个方而还存在着各式各样的问题。在大数据时代背景下，如何利用数据化的发展进步来促进我国工业企业的资金周转、市场反应等各方而能力的提升，是值得我们思考与探究的问题。工业企业应当采取多种手段来保证数据化作用的真正发挥，例如，在数据化的背景下可借助互联网来建立企业网站，通过网站正向推广企业产品，反向挖掘用户访问数据，嗅探用户需求，帮助企业提升产品市场竞争力。 （3）产业链融介度低

在大数据背景下我国的一些工业制造企业在实施大数据时虽然取得了一定的成效，但是在实施的过程中并没有和上下游企业建立起良好的数据分享机制，没有充分利用高技术、新信息来加深产业链融介，使得企业之间出现脱节，无形中减少了大数据所能带来的潜在效益。

制造企业面临着这样的困境与大数据之间的关系在麦肯锡发布的《大数据:下一个竞争、创新和生产力的前沿领域》[3]研究报告有明确体现:在制造业领域，大数据工具应用带来的效益将渗透于整个制造业价值链，主要表现在研发、供应链管理、生产、售后服务等环节，这使得制造业减少了开发周期，优化装配过程、增加了产量并满足客户的需求。

传统的制造业正在面临着大数据的冲击，在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生，来应对工业背景下的大数据挑战。

3 工业大数据价值实现

（1）价值实现的国内路径

生产和市场中实现量的积累我国作为一个全球的制造业大国已经形成了种类齐全，规模巨大的现代化工业体系，工业门类品种繁多，类别齐全，能够形成大量的机械设备时常需求。伴随着的市场经济的发展以及制造模式不断朝着智能化、数据化的创新变动，我国的工业机器等智能自动化机械设备市场规模已经实现了持续扩展与发展[4]。到目前为止，我国已经投入生产线开展生产的机器人约占据了全世界总量的8 %，全年的总装机量的增长速度达到了19 %，相对与全球9%的增长率，这一速度十分惊人[7]。伴随着国产机器自主开发与生产能力的不断增长，以及国内市场对国产机器的品牌的认可，国内生产的工业机器的应用领域将从汽车、航空、军事、电子制造等各种高端型产业逐渐转向食品加工、金属加工、五金加工等传统行业。可以看出，智能生产应用已经开始了普及推广的步伐。例如，九江石化已经开始建设智能工厂。不论是城市轨道交通、隧道施工开挖亦或是海洋工程设备等机械制造在智能装备的自主设计创新、自主生产上得到了十分显著的成果。在国内，高铁建设已经全而开展，并且逐渐相连成为了国内、国际经济带上重要的交通工具。因此，可以预见工业生产、制造领域中的智能化应用与高端技术的领先发展将会使得我国工业大数据实现惊人的增长速度，给数据挖掘提供充分的资料与对象[8]。

（2）数据驱动价值创造

拉力战神一一Rally Fighter这款车的诞生就是工业大数据应用的一个典型实例。这款车的制造商Local Motors是一家规模不大的网站，之所以能够生产出这样一款跑车与越野车完美融合的产品，依靠的是来自全球约三万多个研发人员提供的一万多个设计方案，从中寻找最优方案，继而生产制造。这种模式正是马云当年称之为C2B的制造模式。

这个案例可以窥得互联网时代数据的力量。制造业采购环节的大数据应用也能够帮忙企业提升其供应链体系竞争力。以长安汽车为例，其对生产供应链的高标准建设、高严格把控，使其在2015年跃居中国品牌价值评价汽车行业第一名。

运行大数据的应用也已有了成功实例。澳大利亚力拓集团通过持续监测位于澳大利亚、蒙古和美国矿井，集成20个系统进行专业分析，同时通过管理实验数据、操作日志、控制系统、视频数据以及维护日志，获得大量数据。这些运行数据可用于优化矿石筛分过程，提高铜矿和金矿产量;识别异常情况，辅助现场决策；加快物流效率，减少成本损失。每年可为一个矿井带来一百万美元以上的年收益。

4 工业大数据与工业4.0、中国制造2025的关系

4

4.1 工业4.0、中国制造2025的核心是工业大数据

2013年4月，德国政府汉诺威工业博览会上正式推出“工业4.0”战略，其目的是为了提高德国工业的竞争力，在新一轮工业革命中占领先机。该战略通过充分利用信息通讯技术和网络空间虚拟系统（信息物理系统Cyber-Physical System）相结合的手段，将制造业向智能化转型。

2015年5月8日，国务院公布《中国制造2025》,这是中国版的“工业4.0”规划[9]。该规划提到“加快推动新一代信息技术与制造技术融合发展，把智能制造作为两化深度融合的主攻方向；着力发展智能装备和智能产品，推进生产过程智能化，培育新型生产方式，全面提升企业研发、生产、管理和服务的智能化水平。

无论是“德国工业4.0”还是“中国制造2025”，都提到了智能化和互联网化，而智能化和互联网化的核心是：一方面利用互联网技术实现传统的以产品为中心变为以客户为中心，加强客户需求预测并尝试让客户参与产品研发，提供个性化的产品、服务及体验；另一方面采集大量消费数据动态调整生产方式以快速适应客户需求变化，即变大规模批量生产为大规模定制生产；最后一方面利用企业内部营销、科研、生产、采购等经营数据，为企业经营解决提供依据，实现企业经营透明。随着企业智能化和互联网化水平的提升，企业拥有了越来越多的数据，而这些数据反过来有提升了企业智能化和互联网化的水平。 4.2利用大数据驱动业务发展，打造企业新型能力

制造型企业面临着客户需求个性化，产品上市时间短，研制成本提高等巨大挑战。这种挑战本身更多体现在企业与企业之间如何以更低的成本、更高的质量、更快的速度满足客户多样的需求。所以传统方式很难解决大数据时代的企业问题，需要有创新的手段来解决。目前越来越多的企业通过大数据来驱动业务创新，提升产品质量、降低研制成本、加快上市周期。

大需求 大问题 大数据

□ □ □ □

用户需求急迫，产品研制周期缩短 产品体系复杂，全面质量控制困难 研制成本提高，产品利润空间降低 行业竞争激烈，业务转型需求迫切

Fig. 2 Requirements analysis

图2 需求分析

全球航空发动机制造企业劳斯莱斯公司，在飞机引擎的制造和维护过程中，都配备了劳斯莱斯引擎健康模块。所有的劳斯莱斯引擎，不论是飞机引擎，直升机引擎还是舰艇引擎都配备了大量的传感器，用来采集引擎的各个部件，各个系统，以及各个子系统的数据。这些信息通过专门的算法，进入引擎监控模块的数据采集系统中。利用这些数据的分析结果，不仅可以帮助劳斯莱斯提前发现故障，还可以帮助客户更及时有效地安排引擎检测和维修。通过算法的不断改进，劳斯莱斯如今已经可以通过数据分析预测可能出现的技术问题。

劳斯莱斯引擎使用寿命在过去30年里延长了10倍，比同行类似引擎的寿命长10年左右；尤其重要的是飞行安全得到了更大的保障。成功之处在于打破了制造业和服务业的界线，并使两者相得益彰：技术先进的制造部门为售后服务提供可靠的技术保证。优质的售后服务不仅巩固现有销售市场份额，还不断挖掘越来越大的潜在市场。 4.3 盘活存量和用好增量数据，推动企业转型升级

制造型企业在信息化的每个发展阶段都会有大量的数据处理要求并且会因为大量的业务活动产生各式的数据各样，只要采用数据驱动业务的方式进行业务活动就是大数据，大数据是企业信息化发展到当前阶段的必然结果。所以工业大数据的利用不仅仅是信息化基础设施建设，更重要的是采用数据思维来管理和创新业务，大数据应是管理创新的手段，优化全业务流程和提供业务管理工具。所以制造型企业大数据应用的难点是打通企业数据采集、集成、管理、分析的产业链条，帮助业务人员养成

5

使用数据的习惯。在这方面互联网企业走在前面，值得制造型企业学习。

2012年12月，阿里宣布在集团管理层面设立首席数据官（Chief Data Officer）岗位，负责全面推进阿里巴巴集团成为“数据分享平台”的战略并成立了数据委员会，委员会的成员是各个数据部门的领导。该数据委员会主要职责是协同不同数据部门的工作，制定整个集团数据应用的方向和规划，协同各个部门使用数据，打通商业运营、做（基础）数据、（构建）数据模型等产业链条各环节。避免传统上做数据的人不知道别人怎么用，用数据的人不知道数据怎么来的；而做数据模型不知道数据是否稳定；用数据模型的人不知道数据模型究竟是怎样的，甚至不相信数据模型的问题。

5 工况实践

5.1大数据工况实践

目前，我国在装备工况大数据平台应用方面已经初有成效。“十二五”期间，国内装备龙头企业已经开始建设装备工况大数据平台。随着应用的深入，需将工况数据的处理分析结果，向企业服务、制造甚至设计系统进行反馈，因此需要替换部分原有的关系数据管理系统。

与遗留系统进行集成，甚至替换“旧”系统，是工业大数据项目区别于互联网大数据项目的重要内容，因为互联网业务往往是“全新的”。在具体实践中，我们形成了“四阶段”切换方案一一即切入准备、写入接口切换、查询接口切换、原数据库切出。以三一工业大数据平台为例，我们现已真正解决了生产系统与其他业务系统的关联和切换问题。目前，有将近二十万台设备(六万台活跃设备)已实现接入，其监控数据都可传到我们的工况大数据平台上来。 在得到工况数据以后，首先我们可对装备运营进行监管，不同于传统的运营监管，在大数据技术支持下，运营是成套设备互相协同的运营，例如：以搅拌站为例，通过收集位置数据、油位数据可以对搅拌车运输的过程进行优化调度，从而避免拥堵、减少等待、降低能耗。再举个例子，我们知道液压系统是工程机械的核心系统之一，导致故障的原因很多，如密封套腐蚀、内壁刮花、密封环损坏，阀块受损等。有了工况大数据就可以寻找更深层次的原因。

我们可以通过大规模比对开工指标，从典型取值、波动幅度、回传密度多个维度进行分析，自动搜索推荐与故障车辆关系密切的特征工况，发现这些故障车辆的每分钟换向次数在变化幅度上高度相关。再通过引入互联网上的行政区划数据和历年高铁建设数据（企业外部数据），可以得出这样一个结论:这些典型故障均发生在2012年—2013年期间在建重大工程“杭深高铁”沿线，这为我们寻找更深层次的原因提供了重要线索。此外，通过大规模工况数据我们还可透视宏观装备应用情况，根据这些信息进行易损配件需求的预测，优化调配我们的服务资源。当然，装备开工情况，也反映了各地区宏观经济情况。 5.2 工业大数据未来国内的商业趋势

高风管理咨询有限公司发布的《2016年中国商业趋势调查报告》提出了未来中国商业社会发展的五大趋势[10]：包括数字化变革、行业整合、走出去、用户体验互动和共享平台经济。 （1）数字化变革

数字化趋势同时影响B2B和B2C行业，更重要的是思维的转变。在过去水涨船高的粗放型经济下，很多传统的中国制造业企业甚至很多扎根中国多年的外资工业企业，其领导人的思维模式都更多是B2B的工业化思维，离C端较远。他们更多关注的是如何为B(Business)即直接用户提供产品与服务，较少思考如何为其在C(Consumer)端即最终消费者创造更多新的附加值。相反一些互联网企业，因其长期身处零距离到客户的前沿，在思维方式和商业模式的理解上更贴近工业4.0的本质。而中国企业也可以借助上一波B2C互联网大潮所释放的红利，基于对中国巨大消费市场的精准把握和分析，力争实现工业4.0的B2B产业升级。 （2）走出去

无论国企还是民企，无论大型企业还是中小企业，走出去都是中国企业发展历程中必然经历的阶段。走出去不仅可以帮助中国企业在地域角度开拓海外市场，也可帮助我们整合和利用全球资源更好的服务于国内市场，并将我们的竞争力进一步提升。

中国企业正在国际化进程中加速向全球明星迈进。在这个向全球明星迈进的过程中，中国企业不仅仅需要硬实力的提升和输出，比如规模、资金等，更在于软实力的提升并推广到全球层面，即一个企业的价值观、文化、思维方式。

（3）行业整合

对于互联网企业和传统企业，行业整合意味着新机会的拓展。在传统行业，无序的自由竞争造成了大量的资源浪费，特别是对以中小企业为主的中国轻型加工业，由于长期各自为政，效益低下，因此单纯强调产能升级虽然能够加强企业自身的生产力，但对产业整体的推动力度有限，进而单个企业也难以大幅提升自身价值。近年来，产业链上的整合不断加强，不仅降低了企业经营风险，而且提高了企业的竞争力，也推动了传统行业经营者的转型。对于互联网科技而言，将更多的在核心业务外，积极

6

获得新的业务拓展和投资机会。2014年，对外直接投资首超外商直接投资，如图3。

150ODI 对外直接投资FDI 外商直接投资140106839252239057687511611288118901201005002007 2008 2009 2010 2011 2012 2013 2014 Fig. 3 For the first time ODI exceeded FDI

图3 对外直接投资首超外商直接投资

（4）用户接触

如今，来到互联网时代，激烈的竞争使得成本和价格不断降低（如图4，产能过剩的行业占比），市场上的信息对大众也更加透明，所有这些都使得用户不再愿意轻易为普通产品支付溢价。相反，消费者尤其是年轻的90后、95后，更加追求极致化的产品和独一无二的用户体验。而这种用户体验经济也使得消费者更早的参与到产品的设计和销售过程中。

有色6%纺织7%建材7%化工橡塑3%2%能源42%其他8%钢铁25% Fig.4 The proportion of industry overcapacity

图4产能过剩行业占比

不仅仅是互联网企业，对于传统企业而言也应该努力提升用户接触能力，把服务体验融入整个价值链中。传统企业的核心是“制造”，而“制造”更多情况下仅是满足客户的要求而已，并没有真正理解客户或客户背后的客户，也并没有真正专注于提升新的客户价值。通过商业模式创新和产品科技创新，中国企业应该更加贴近消费者，并让消费者能够参与到产品的整个“创造”过程中，并让消费者来告知他们的需求。 （5）共享经济

共享经济商业模式代表的是一种从“拥有”到“共享”的思维，这将继续在未来中国的商业领域向全行业渗透。在不同行业中，共享经济下已经出现很多商业模式的创新，不断冲击和颠覆传统企业。比如Uber、滴滴出行、易到用车等挑战传统的出租车行业，小猪短租、Airbnb等挑战房屋出租行业。同时我们也看到传统行业和互联网之间的共享经济合作也逐渐升级。在汽车行业我们已经看到汽车生产商与互联网公司之间类似的跨界合作伙伴关系在中国普遍存在：比如北汽集团和乐视网，北汽集团和滴滴快的，奇瑞、博泰公司（Pateo）和易到用车，宝马和百度以及百度和优步。

7

6 小结

当今，世界各国始终致力于以技术创新引领产业升级，而大数据的利用使得资源节约、环境友好、可持续发展，智能化、绿色化的发展趋势得以实现，因此，大数据背景下的工业制造业将具备更广阔的市场空间和前景。工业大数据是推动工业产品创新的重要途径，在我国工业大数据刚刚起步阶段，需冷静思考，坚持应用驱动，迈向中国制造强国之路，务必加快推进大数据在工业制造业中的应用。 References:

[1] Final report of the Industrie 4.0 . Working Group Recommendations for implementing the strategic initiative INDUSTRIE 4.0. HANNOVER MESSE.

2013-04

[2] Sonja Zillner, Tilman Becker, Ricard Munne, Kazim Hussain, Sebnem Rusitschka, Helen Lippell, Edward Curry, and Adegboyega Ojo. Big Data-Driven

Innovation in IndustrialSectors. The Author(s) 2016:169-178

[3] James Manyika Michael Chui Brad Brown Jacques Bughin Richard Dobbs Charles Roxburgh Angela Hung Byers.Big Data :The next frontier for

innovation ,competition, and productivity.McKinsey Global Institute. 2011

[4] Junchang Xin, Zhiqiong W'ang, Cien Chen. ELM: Distributed extreme learning machine with MapReduce [J]. World Wide Web, 2014, 17 (5):1189-1204

附中文参考文献:

[1] 王建民. 工业大数据实践与思考[N]. 中国信息化周报-大数据, 2016-05-30(19)：1-2 [2] 张曙. 工业4. 0和智能制造[J]. 机械设计与制造工程,2014,43(8):2-4 [3] 王喜文. 工业4.0: 智能工业[J]. 物联网技术, 2013(12):4-6

[4] 于洋. 工业大数据：构建制造型企业新型能力[N]. 数据观，2016-03-31 [5] 钟海. 大数据在工业制造业的应用与研究[J]. 企业技术开发,2015,34(13):105

[6] 孙峰. 基于大数据背景的工业企业信息化应用研究[J]. 应用技术与研究,2015(7):66-67 [7] 高婴劢. 工业大数据价值挖掘路径[J]. 中国工业评论, 2015, 2(3):23-24 [8] 罗平. 浅谈工业大数据的价值实现方式[J]. 商, 2015(29):210 [9] 中华人民共和国国务院. 中国制造2025[Z]. 2015-05-08

[10] OFweek工控网. 工业大数据三大挑战五大商业趋势[EB/OL]. http://gongkong.ofweek.com/2016-06/ART-310010-8500-29104758.html, 2016-06-06

本文来源：https://www.bwwdw.com/article/cjvf.html