En del av källan till industriell stordata är data inom området produktion och drift, och en stor del är maskindata som genereras i driftprocessen för produktionsutrustning och avancerade produkter och utrustning som produceras.
Och den verkliga big data är inte data, data efter tillgången för att spara kan göras, den äkta varan är intelligent analys och intelligent beslut, genom integrationen av de två på grundval av det intelligenta analysoptimeringssystemet "industriell hjärna" att utföra motsvarande intelligenta beslut.
Dessa intelligenta analyser och beslutsfattande kan inte separeras från stödet från det ursprungliga informationssystemet och automationssystemet, men kan inte heller separeras från den fysiska utrustningen och utrustningen som producerar dessa data. Baserat på miljödata där datan är integrerad byggs ett big data-system med intelligent analys och optimeringsförmåga upp utifrån informationshanteringssystemet och automationssystemet för att uppnå syftet att förbättra kvaliteten, öka effektiviteten, minska konsumtionen och kontrollera riskerna .
Industriell big data kan delas in i tre kategorier. En del är industriell Internet of Things-data, såsom data som genereras av produktionsutrustning, intelligenta produkter och komplex utrustning 24 timmar om dygnet. En del av företagets informationsdata, och en viktig del av datan är extern data över hela industrikedjan, inklusive miljödata för utrustningen i driftprocessen, såsom meteorologiska data, geografiska data och motsvarande miljödata. Först när dessa tre typer av data kombineras kan de kallas industriell big data.
Hur man använder data för att köra. Det första är att titta på vilken typ av data vi har nu, var de kommer ifrån, hur man samlar in dem om vi inte har dem, vad är egenskaperna hos dessa data, såsom tidsseriedata, tidsrumsdata, data genereras av intelligenta produkter och data som genereras av produktionsutrustning, och hur mycket data är det i slutändan. Den andra är att förstå data, data hur man sparar, förvaltning, användning, en annan är viktigare är hur man säkerställer kvaliteten på data. Den tredje är att använda vilken typ av system, vilken typ av verktyg för att säkerställa datalagring, datahantering, databehandling? Samtidigt är hur man integrerar och associerar dessa data inte bara att analysera och hantera data som genereras av utrustningen, utan också att associera omgivande miljödata, geografiska data och andra gränsöverskridande data i analysprocessen.
