我國的工業互聯網發展正在從概念的普及進入實踐的生根階段，在這一進程中，數據成為重要的基礎性戰略資源。大數據的充分挖掘和利用，極大促進了全社會要素資源的網絡化共享、集約化整合、協作化開發、高效化利用，推動了中國工業發生重大而深刻的變革，一個全新的大數據時代正在向我們大踏步地走來。
目前，大數據正處于融合發展和變革創新的重要關口：工業數據量激增，互聯網、移動互聯網、物聯網三大生態順次發展，使得全球數據總量爆發性增長。到2020年，數據總量將達到44ZB（萬億GB），其中工業數據增速將是其它大數據領域的兩倍；軟件、網絡、裝備等各領域間技術頻繁發生跨界耦合交融，依托數據的整合作用，推動產品與服務、硬件與軟件、應用與平臺趨向交融；全球產業格局面臨重塑，傳統大數據IT企業、自動化企業、制造企業正在成為工業大數據這一新興領域的領導力量，以融合性技術創新和新興產業生態體系為標志的產業新格局正在形成中。
工業大數據從來源上主要分為信息管理系統數據、機器設備數據和外部數據。信息管理系統數據是指傳統工業自動控制與信息系統中產生的數據，如CRM、ERP、MES等。機器設備數據是來源于工業生產線設備、機器、產品等方面的數據，多由傳感器、設備儀器儀表進行采集產生。外部數據是指來源于工廠外部的數據，主要包括來自互聯網的市場、環境、客戶、政府、供應鏈等外部環境的信息和數據。
工業大數據的實踐落地高度依賴行業經驗與人工智能等數據科學的融合，通過將行業知識、經驗固化到軟件中，實現對工業場景中面臨的不確定性實現更加有效地管理，形成數據驅動、快速迭代、持續優化的工業智能系統。
工業智能技術實現的關鍵步驟
在2015 年通用電氣（General Electric）推出GE Digital 時，GE Digital 的CTO Harel Kodesh 就提出過：工業數據不準確、工業智能對風險控制和響應能力的高要求、終端處理能力的限制、復雜模型必須被解釋等導致了在數據、算法和模型訓練上工業智能所要開辟的一些「新領域」。
天澤智云首席架構師朱武曾在InfoQ刊發過的《海闊憑魚躍：記一場工業場景下的AI技術實踐》一文采訪中提到，工業數據的多源性、復雜性和動態性強，比如柴油機氣缸排氣溫度，取決于燃油、燃燒、進氣溫度、封閉性等等原因，導致工業智能背后數據特征提取、建模等層面的技術挑戰。因此，特征提取要求在高背景噪聲下必須實現準確且快速的降維。另外，在數據建模及訓練層面，工業應用的碎片化、個性化以及結果的專業性，需要建模及訓練在整體和個體、通用性和個性化之間取得均衡。
從工程實現的角度，工業智能實現的關鍵有如下幾步：
1. 定義工業場景：正如上文所提及，問題域所涉及工業場景定義的準確性和完備性決定了該問題在多大程度上被解決的可能性；
2. 數據的完備性和質量：工業現場數據一般帶有很多噪聲，而數據范圍和質量決定了后續處理的難易程度和最終結果的準確性；
3. 智能應用支撐環境：工業智能應用本身就具備碎片化、個性化、專業化的特點，如何提供快速有效的應用實施環境，包括數據環境、模型研發實驗環境、應用部署環境等，決定了工業智能應用的推廣和客戶接受速度。
依照美國NSF 智能維護系統中心創始主任李杰教授、天澤智云CTO 劉宗長共同發表的《工業大數據：挖掘“不可見世界”中的價值》一文中的闡述，CPS 是一個具有清晰架構和使用流程的技術體系，針對工業大數據的特點和分析要求所構擬的技術體系，國內服務器租用 服務器托管，其能夠實現對數據進行收集、匯總、解析、排序、分析等全套處理流程，實現對工業數據進行流水線式的實時分析能力，并在分析過程中充分考慮機理邏輯、流程關系、活動目標、商業活動等特征和要求。因此可作為工業大數據分析中的智能化體系的核心。
CPS 的5C 架構
工業大數據正是以行業模型為前提，將面向不同行業、不同場景、不同學科中的工業機理、專家經驗、行業知識和最佳實踐固化成為數據統計、挖掘和分析模型，將業務問題轉化為數據可解的問題；以數據科學為基礎，使得深度學習、遷移學習、強化學習等為代表的人工智能算法成為解決工業大數據領域診斷、預測與優化問題的得力工具；以軟件服務為目的，形成可落地執行的工業大數據解決方案。
