发布需求
原始数据（生数据）质量决定分析结果的质量。企业信息系统数据质量仍然存在问题，例如2014年某大型机车企业ERP系统中近20%物料存在“一物多码”问题。装备物联网数据质量堪忧，某大型制造企业1个月的状态工况数据中，无效工况（如盾构机传回了工程车工况）、重名工况（同 一状态工况使用不同名字）、时标混乱（当前时间错误或时标对不齐）等数据质量问题约30%。
层次化的物料表(Bill Of Material, BOM)定义了企业信息系统数据的核心语义结构。针对跨生命周期的研制BOM和实例BOM间结构失配问题，我们提出了中性BOM模型，并以此为核心，向前关联设计制造BOM，向后关联服务保障BOM，形成星型结构，极大地降低了数据关联的复杂度。同时，针对装备物联网数据和外部互联网数据,可以根据其绑定的物理对象（零部件或产品）与相应的BOM节点相关联。从而以BOM为桥梁，关联3个不同来源的工业大数据。
工业大数据其来源更加广泛，并且装备物联网数据（半结构化数据）和外部互联网数据（非结构化数据）都要与企业信息系统（结构化数据）进行集成，因此要重构数据支撑平台，甚至替换“旧”系统。
提供故障分析新手段、提升备件需求预测精度工业大数据分析提升工程装备服务保障水平。这里分享两个我们和国内企业合作实施的工程案例。
液压系统是工程机械的关键部件。2013年我们发现液压系统的油缸密封套腐蚀故障数量异常。于是依据企业信息系统记录的液压系统维修历史数据，通过比对相关状态工况数据（装备物联网数据），搜索推荐与故障车辆关系密切的工况，发现车辆油缸换向频率的波动幅度与这些故障高度相关。
进一步，引入互联网上的行政区划数据和历年工程建设数据（外部互联网数据）后，发现2012～2013年期间这些典型故障均发生在沿海省份，从而推断出盐雾环境是导致密封套腐蚀故障的主要诱因。
随着工程装备增量市场增长乏力，以维修保障为主的存量市场成为企业盈利新的增长点。我们利用了企业信息系统中的备件销售订单、采购订单和备件库存状态数据，以及工程物联网采集到的工况数据和外部互联网数据(如每个省的GDP，建筑、交通等规划数据)。
针对30个省市区进行了备件需要预测，平均预测精度为82%，每旬备件需求预测误差在5件或真实值的20%以内。库存水平控制在一个较低的稳定水平，仅为原来库存水平的48%。同时，因为考虑到了20天的配货周期，基于预测的补货策略可以保证现货满足率，消除紧急临时订单。如果按备件库存占有资金1亿元计算，可节约库存资金占用5000万元。
