工业大数据应用面临的主要难点有:
1. 数据源异构。工业数据来源复杂,格式和传输协议各异,如PLC、DCS、MES、SCADA等都有自己的专有协议和格式,使数据整合处理存在较大难度。
2. 数据量巨大。工业生产设备产生的实时数据量巨大,单台设备每秒可产生千兆级数据,整个工厂系统每天产生的数据量达到PB级,数据存储和分析处理难度大。
3. 数据采集不易。工业设备数据大多产生于复杂恶劣的环境中,数据采集传输存在较大挑战,如防爆、抗干扰等要求。有线采集和无线采集各有难点。
4. 多变数据类型。工业大数据类型复杂多变,如过程数据、质量数据、图像数据、声音数据等不同类型的数据整合难度大。
5. 数据分散错乱。工业数据常常浪费和无序存储在企业的各个系统和部门,缺乏统一的机制进行有效管理,难以进行关联分析和挖掘。
6. 专业性强。工业数据与领域专业知识高度耦合,数据分析人员难以理解专业细节,工程人员又缺乏大数据技能,跨界人才培养难度大。
7. 数据应用效益较慢显现。工业企业大数据应用涉及组织文化、人员技能、管理体系等多方面变革,效益实现需要一定周期,难以快速实施和普及。
8. 数据安全高要求。工业企业数据涉及产品设计、工艺技术等核心知识产权,数据安全性要求极高,如何进行权限管理、加密处理是一个较大难题。
综上,工业大数据应用面临的数据异构、数据规模大、采集难度高、类型多变、分散错乱等技术难题和专业性强、效益慢显现、安全高要求等管理难题。要推进工业大数据应用,需要重视这些难点,采取前瞻性措施加以解决。无论从技术还是管理角度,都需要跨界融合人才和革新机制,通过不断实践和总结实现整体突破。
