[论文解读] Industrial Big Data Analytics: Challenges, Methodologies, and Applications

Junping Wang, Wensheng Zhang+3 more|arXiv (Cornell University)|Jul 3, 2018

Digital Transformation in Industry被引用 44

一句话总结

本文综述了工业大数据分析中的挑战、方法学和应用，聚焦于来自异构数据源的实时分析以及制造业端到端数据生命周期管理。

ABSTRACT

While manufacturers have been generating highly distributed data from various systems, devices and applications, a number of challenges in both data management and data analysis require new approaches to support the big data era. These challenges for industrial big data analytics is real-time analysis and decision-making from massive heterogeneous data sources in manufacturing space. This survey presents new concepts, methodologies, and applications scenarios of industrial big data analytics, which can provide dramatic improvements in velocity and veracity problem solving. We focus on five important methodologies of industrial big data analytics: 1) Highly distributed industrial data ingestion: access and integrate to highly distributed data sources from various systems, devices and applications; 2) Industrial big data repository: cope with sampling biases and heterogeneity, and store different data formats and structures; 3) Large-scale industrial data management: organizes massive heterogeneous data and share large-scale data; 4) Industrial data analytics: track data provenance, from data generation through data preparation; 5) Industrial data governance: ensures data trust, integrity and security. For each phase, we introduce to current research in industries and academia, and discusses challenges and potential solutions. We also examine the typical applications of industrial big data, including smart factory visibility, machine fleet, energy management, proactive maintenance, and just in time supply chain. These discussions aim to understand the value of industrial big data. Lastly, this survey is concluded with a discussion of open problems and future directions.

研究动机与目标

• 由于制造系统中高度分布式的数据，推动工业大数据分析的必要性。
• 在工业环境中的数据管理、分析和决策制定方面识别核心挑战。
• 对数据获取、存储库、管理、分析和治理等现有方法进行调研。
• 突出典型的工业应用，如智能工厂、机器车队、能源管理和维护。
• 概述该领域的开放问题和未来方向。

提出的方法

• 描述来自多源的高度分布式工业数据获取与集成。
• 提出一个处理抽样偏差、异质性和多格式数据的工业大数据存储库方法。
• 提出用于组织和共享大规模异质数据的工业数据管理策略。
• 概述工业数据分析实践，跟踪从生成到准备阶段的数据溯源。
• 讨论工业数据治理，以确保数据的可信度、完整性和安全性。

实验结果

研究问题

• RQ1 在数据管理到决策制定方面，工业大数据分析的关键挑战是什么？
• RQ2 在工业情境中，哪些方法论解决了获取、存储、管理、分析和治理？
• RQ3 工业大数据分析在智能工厂、车队、能源管理、维护和供应链中如何应用？
• RQ4 工业大数据分析存在哪些开放问题和未来方向？

主要发现

• 工业大数据分析涉及五个核心方法领域：获取、存储库、管理、分析和治理。
• 来自异构且分布式数据源的实时分析是制造环境中的核心挑战。
• 治理与溯源在数据生命周期中对数据的可信性、安全性和完整性至关重要。
• 应用覆盖智能工厂可视化、机器车队、能源管理、前瞻性维护和准时供应链。
• 综述讨论了工业大数据分析中的开放问题和未来研究方向。