随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链的各个环节，条形码、二维码、工业传感器、工业自动控制系统、工业物联网等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用，工业企业也进入了互联网工业的新的发展阶段，工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高。
工业
大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新给不同行业的工业企业带来了更快的速度、更高的效率和更强的洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等各个方面。
背景
在工业生产中，无时不刻都在产生数据。生产机床的转速、
能耗，食品加工的温湿度，
火力发电机组的燃烧和燃煤消耗，汽车的装备数据，物流车队的位置和速度等，都是在生产过程中的数据。
自从工业从社会生产中独立成为一个门类以来，工业生产的
数据采集、使用范围就逐步加大。从泰勒拿着秒表计算工人的用铁锹送煤到锅炉的时间开始，是对制造管理数据的采集和使用；福特汽车的流水化生产，是对汽车生产过程的工业数据的采集和工厂内使用；丰田的精益生产模式，将数据的采集和使用扩大到工厂和上下游供应链；
核电站发电过程中全程
自动化将生产过程数据的自动化水平提高到更高程度。
任何数据的采集和使用都是有成本的，工业数据也不例外。但随着信息、电子和数学技术的发展，传感器、物联网等技术的发展，一批
智能化、高精度、长续航、高性价比、微型传感器面世，以物联网为代表的新一代网络技术在移动
数据通信的支持下，能做到任何时间、任何地点采集、传送数据。以
云计算为代表的新型数据处理基础架构，大幅降低工业数据处理的技术门槛和成本支出。以工业领域的
SCADA系统为例，传统模式下每个电网、化工企业都需要建立一套SCADA系统，成本在千万以上，如果采用云架构模式，成本将可以降低7成以上。
社会需求变革是最大拉动力。在商品过剩经济时代，以个性化为代表的消费文化，使得工业企业的产出物，要最大限度匹配个性需求。从服装定制，车辆选配，到T恤的印花和个性化教育。
要响应个性化需求，有两种方式，以服装定制为例，就是靠老师傅用尺子量，眼见手摸，凭借经验，确定服装的裁剪和版型，这种我们可以称之为模拟方式，效率和质量难以保证，耗时长，个性化定制的成本高；还有一种是数字方式，就是通过制订一套数据采集手段，由前台的客户代表测量采集用户身形数据，然后将数据传回总部，将结合生产原材料数据，将需求分解为一项一项的生产工艺动作，最后也生产出达到定制化要求服装。
当然了，工厂也会聘请资深的老师傅，他们的主要工作不是面对一个个客户的定制化需求，而是去研究更好的生产工艺，对数据和工艺分解进行把控。这种模式下，效率和质量得到保证，效率随着生产线的扩容线性提升，有一批专家队伍不断研究提升工艺能力，定制化生产的成本将得以显著摊薄。从发展趋势看，后者这种数字模式的个性化生产将是未来选择。
国策方针是重要影响力。完成了
工业自动化过程的德国工业界，在自动化基础上，以工业数据为基础，引入云计算和
人工智能技术，提升工业的智能化水平，以满足大批量个性化定制的社会生产需求；美国拥有强大的云计算、互联网及数据处理能力，基于此，提出
工业互联网战略，将单个设备、单条生产线、单个工厂的数据联网，通过大数据处理后，在诊断、预测、后服务等方面挖掘工业服务的价值。
中国相对于德国、美国而言，在工业自动化、在云计算等领域都处于发展期，因此提出
中国制造2025计划，通过工业化和信息化融合发展的方式，将工业化和信息化整体规划，并制定一系列的重点工程和推进计划。
特点
不管是工业自动化、还是工业智能化（
工业4.0）、或者是工业互联网概念，他们的基础是工业数据。
随着行业发展，工业企业收集的数据维度不断扩大。主要体现在三个方面：
一是时间维度不断延长。经过多年的生产经营，积累下来历年的产品数据、工业数据、原材料数据和生产设备数据；二是数据范围不断扩大。随着企业信息化建设的过程，一方面积累了企业的财务、供应商数据，也通过
CRM系统积累了客户数据，通过
CAD等积累了研发过程数据，通过摄像头积累了生产安全数据等，另一方面越来越多的外部数据也被收集回来，包括市场数据、社交网络数据、企业舆情数据等；三是数据粒度不断细化。从一款产品到多款、多系列产品使得产品数据不断细化，从单机机床到联网机床，使得数据交互频率大大增强；加工精度从1mm提升到0.2mm，从5分钟每次的统计到每5秒的全程监测，都使得采集到的数据精细度不断提升。
以上三个维度最终导致企业所积累的数据量以加速度的方式在增加，构成了工业大数据的集合。不管企业是否承认，这些数据都堆砌在工厂的各个角落，而且在不断增加。
分类
从企业经营的视角来看待这些工业数据。可以按照数据的用途分成三类：
第一类是经营性数据，比如财务、资产、人事、供应商基础信息等数据，这些数据在企业信息化建设过程中陆陆续续积累起来，表现了一个工业企业的经营要素和成果。
第二类是生产性数据，这部分是围绕企业生产过程中积累的数据，包括原材料、研发、生产工艺、半成品、成品、售后服务等。随着数字机床、自动化生产线、SCADA系统的建设，这些数据也被企业大量记录下来。这些数据是工业生产过程中价值增值的体现，是决定企业差异性的核心所在。
第三类是环境类数据，包括布置在机床的设备诊断系统，库房、车间的温湿度数据，以及能耗数据，废水废气的排放等数据。这些数据对工业生产过程中起到约束作用。
从目前的数据采用情况看，经营类数据利用率最高，生产性数据和环境类数据相比差距比较大。从未来数据量来说，生产线数据在工业企业数据中的占比将越来越大，环境类数据也将越来越多样化。
一般意义上，大数据有具有数据量大、数据种类多、商业价值高、处理速度高，在此基础上，工业大数据还有两大特点。一是准确率高，大数据一般的应用场景是预测，在一般性商业领域，如果预测准确率达到90%已经是很高了，如果是99%就是卓越了。但在工业领域的很多应用场景中，对准确率的要求达到99.9%甚至更高，比如轨道交通自动控制，再比如定制生产，如果把甲乙客户的订单参数搞混了，就会造成经济损失。二是实时性强，工业大数据重要的应用场景是实时监测、实时预警、实时控制。一旦数据的采集、传输和应用等全处理流程耗时过长，就难以在生产过程中发挥价值。
