0 引言

    大數(shù)據(jù)（Big Data）這一概念的提出最早可以追溯到上世紀(jì)80年代^[1],，當(dāng)時(shí)并沒有得到人們的關(guān)注,。直到2008年，著名雜志Nature出版了?？禕ig Data：Science in the Petabyte Era》^[2],，從經(jīng)濟(jì)學(xué),、互聯(lián)網(wǎng)技術(shù)、環(huán)境科學(xué)等多個(gè)領(lǐng)域介紹海量數(shù)據(jù)帶來的挑戰(zhàn),。從此大數(shù)據(jù)一詞被廣泛傳播,，受到了各個(gè)國家、政府及各界的廣泛關(guān)注與研究,，并在IT,、金融、互聯(lián)網(wǎng)等行業(yè)得到了較大的發(fā)展與利用^[3],。

    制造業(yè)作為國家經(jīng)濟(jì)支柱性產(chǎn)業(yè),，是我國綜合國力的表現(xiàn)，充分地應(yīng)用和挖掘制造業(yè)中的數(shù)據(jù)逐漸成為行業(yè)研究和討論的熱點(diǎn)^[4],。制造業(yè)具有地理分布廣泛,，制造類型多，制造過程復(fù)雜多樣,，涉及領(lǐng)域廣等眾多特點(diǎn),，是人類社會(huì)中最復(fù)雜的行業(yè)之一，這決定了制造業(yè)將產(chǎn)生龐大的數(shù)據(jù)量,，且有著類型豐富,、結(jié)構(gòu)多樣、增長速度快等特點(diǎn),，是一個(gè)典型的行業(yè)大數(shù)據(jù)體現(xiàn),，以一個(gè)的典型的紡織制造企業(yè)來說，光是一個(gè)制造車間一天的數(shù)據(jù)量都將達(dá)到84 GB^[5],。在制造業(yè)這種龐大的數(shù)據(jù)量與爆炸式的增長新形勢下,，傳統(tǒng)的制造業(yè)技術(shù)將不再夠用，不能滿足制造行業(yè)從海量數(shù)據(jù)中快速獲取知識(shí)與信息的需求,。因此,，在大數(shù)據(jù)環(huán)境下，制造技術(shù)將發(fā)生巨大的進(jìn)步與改革,。

1 大數(shù)據(jù)下的制造業(yè)數(shù)據(jù)特點(diǎn)

1.1 大數(shù)據(jù)下的制造業(yè)數(shù)據(jù)來源

    大數(shù)據(jù)不僅僅是一種數(shù)據(jù)處理技術(shù),，而是一種總體視角的體現(xiàn)，是一種綜合關(guān)聯(lián)性分析,，發(fā)現(xiàn)具有潛在聯(lián)系之間的相關(guān)性,，如將大數(shù)據(jù)單獨(dú)割裂來看，則大數(shù)據(jù)的大價(jià)值無從體現(xiàn)^[6],。因此在進(jìn)行制造業(yè)大數(shù)據(jù)分析時(shí),，必須全面地考慮制造業(yè)的數(shù)據(jù)來源。在互聯(lián)網(wǎng),、物聯(lián)網(wǎng),、移動(dòng)互聯(lián)等技術(shù)快速發(fā)展的今天,，制造業(yè)的數(shù)據(jù)來源不僅包括了產(chǎn)品設(shè)計(jì)與開發(fā)、產(chǎn)品加工與設(shè)備運(yùn)行,、倉庫管理等行業(yè)數(shù)據(jù),，同時(shí)還包含了市場、客戶關(guān)系,、政府計(jì)劃,、互聯(lián)網(wǎng)等外部數(shù)據(jù)。制造業(yè)大數(shù)據(jù)來源如圖1所示,。

1.2 大數(shù)據(jù)下的制造業(yè)數(shù)據(jù)特點(diǎn)

    “大數(shù)據(jù)”一詞在業(yè)界都被普遍認(rèn)為有著“3V”特征^[7],，即Volume（容量大）、Variety（種類多）,、Velocity（速度快）,。在制造業(yè)具有十分強(qiáng)的專業(yè)性、時(shí)序性,、關(guān)聯(lián)性,、流程性等特點(diǎn)情況下，不僅擁有大數(shù)據(jù)的“3V”特征,，而且還有以下特征^[8-9]：（1）強(qiáng)相關(guān)與高維度性,。制造業(yè)各個(gè)數(shù)據(jù)間往往相互關(guān)聯(lián)相互耦合，從而構(gòu)成一個(gè)復(fù)雜多變量的高維系統(tǒng),。（2）強(qiáng)烈的非線性,。在產(chǎn)品的生產(chǎn)過程中的許多物理和化學(xué)變化都表現(xiàn)為不可測的、非線性的,。（3）高噪聲,。互聯(lián)網(wǎng)大數(shù)據(jù)主要在乎數(shù)據(jù)的統(tǒng)計(jì)顯著性,，對(duì)數(shù)據(jù)噪音并沒有太大的要求,，而對(duì)于制造業(yè)，只要出現(xiàn)一點(diǎn)差錯(cuò),，都會(huì)造成巨大的損失,，因此數(shù)據(jù)的高噪音是制造業(yè)大數(shù)據(jù)不可忽視的。

2 制造業(yè)的大數(shù)據(jù)技術(shù)架構(gòu)

    制造業(yè)的大數(shù)據(jù)分析平臺(tái)是根據(jù)業(yè)務(wù)的需求逐步勾畫出來的^[10],。針對(duì)制造業(yè)大數(shù)據(jù)的業(yè)務(wù)特點(diǎn),，制造業(yè)大數(shù)據(jù)平臺(tái)在功能上應(yīng)滿足多種類型數(shù)據(jù)的采集與導(dǎo)入，能存儲(chǔ)海量的,、多樣的,、多類型的制造業(yè)大數(shù)據(jù),，支持多種類型的數(shù)據(jù)分析方法和數(shù)據(jù)展示方法,。從性能方面考慮,，制造業(yè)大數(shù)據(jù)平臺(tái)總架構(gòu)應(yīng)滿足可擴(kuò)展性、高錯(cuò)容性與可靠性,、實(shí)時(shí)性,、較好的安全性以及低成本等要求^[11]。

    在制造過程中,，對(duì)大數(shù)據(jù)的實(shí)時(shí)分析與處理,，對(duì)制造過程的實(shí)時(shí)決策及實(shí)時(shí)控制，是企業(yè)生產(chǎn)安全有序進(jìn)行,、及時(shí)決策,、提高效率、減少損失的重要保障^[12],。另一方面,，制造業(yè)是一個(gè)高維非線性的復(fù)雜性行業(yè)，一個(gè)普通的制造企業(yè),，其內(nèi)部就包含著許多子系統(tǒng),，例如制造執(zhí)行系統(tǒng)（MES）、企業(yè)資源計(jì)劃（ERP）,、產(chǎn)品數(shù)據(jù)管理（PDM）等,。每一個(gè)子系統(tǒng)往往又包含著許多業(yè)務(wù)流程，產(chǎn)生著大量的數(shù)據(jù),，甚至可以單獨(dú)構(gòu)成一個(gè)領(lǐng)域的大數(shù)據(jù)，例如供應(yīng)鏈管理大數(shù)據(jù)就是大數(shù)據(jù)在供應(yīng)鏈的一個(gè)應(yīng)用^[13],。

    綜上,，根據(jù)制造業(yè)實(shí)際需求和業(yè)務(wù)狀況相結(jié)合，勾畫出制造業(yè)大數(shù)據(jù)技術(shù)架構(gòu)如圖2所示,。在該架構(gòu)中,，系統(tǒng)先將各種來源的數(shù)據(jù)進(jìn)行集成處理，再根據(jù)對(duì)各部分?jǐn)?shù)據(jù)的要求與特點(diǎn)選擇不同的處理方式,，并根據(jù)業(yè)務(wù)的需求進(jìn)行分析,，最后用不同的數(shù)據(jù)展現(xiàn)方式將信息傳達(dá)給各個(gè)應(yīng)用系統(tǒng)。

3 大數(shù)據(jù)下的制造業(yè)關(guān)鍵技術(shù)

3.1 大數(shù)據(jù)集成技術(shù) 

    數(shù)據(jù)集成技術(shù)就是把不同來源,、格式,、特點(diǎn)、性質(zhì)的數(shù)據(jù)在邏輯上或者物理上有機(jī)地集中,，為系統(tǒng)存儲(chǔ)一系列面向主題的,、相對(duì)穩(wěn)定的、反映歷史變化的數(shù)據(jù)集合,，從而為系統(tǒng)提供全面的數(shù)據(jù)共享^[14],。大數(shù)據(jù)的集成技術(shù)是解決制造企業(yè)各系統(tǒng)間的數(shù)據(jù)沉余和“信息孤島”的重要工具,。按照數(shù)據(jù)集成點(diǎn)不同，可以將其分為源端和應(yīng)用端數(shù)據(jù)集成,。

    （1）源端數(shù)據(jù)集成,。在制造企業(yè)中，數(shù)據(jù)來源十分廣泛,，數(shù)據(jù)格式復(fù)雜,，不僅有傳統(tǒng)的內(nèi)部生產(chǎn)數(shù)據(jù)，還有市場數(shù)據(jù),、客戶關(guān)系數(shù)據(jù),、價(jià)值鏈數(shù)據(jù)等。面對(duì)重多的數(shù)據(jù)來源和格式,，如果直接將其進(jìn)行大數(shù)據(jù)分析,，不但會(huì)導(dǎo)致分析速度的下降，而且還會(huì)影響數(shù)據(jù)分析的質(zhì)量^[15],，因此在數(shù)據(jù)分析前將數(shù)據(jù)集成為統(tǒng)一格式是制造業(yè)大數(shù)據(jù)分析的重要步驟,。源端數(shù)據(jù)集成如圖3所示。

    （2）應(yīng)用端的數(shù)據(jù)集成,。制造業(yè)內(nèi)部存在許多應(yīng)用系統(tǒng),，例如生產(chǎn)應(yīng)用、供應(yīng)鏈應(yīng)用,、定制應(yīng)用等,，不同的應(yīng)用系統(tǒng)間往往有不同的數(shù)據(jù)庫和數(shù)據(jù)形式，且各個(gè)應(yīng)用系統(tǒng)之間的數(shù)據(jù)一般只能供自己使用,，而這樣就很容易產(chǎn)生信息孤島,。對(duì)應(yīng)用端數(shù)據(jù)進(jìn)行集成將會(huì)利于各個(gè)部門與系統(tǒng)間的信息共享，避免企業(yè)信息孤島的產(chǎn)生,。應(yīng)用端數(shù)據(jù)集成如圖4所示,。

3.2 大數(shù)據(jù)存儲(chǔ)技術(shù)

    大數(shù)據(jù)下的制造業(yè)對(duì)數(shù)據(jù)存儲(chǔ)將面臨著以下挑戰(zhàn)：（1）存儲(chǔ)數(shù)據(jù)量大，制造業(yè)大數(shù)據(jù)量將達(dá)到PB級(jí)別甚至更高,；（2）制造業(yè)大數(shù)據(jù)來源廣,，數(shù)據(jù)形式和數(shù)據(jù)結(jié)構(gòu)都比較復(fù)雜；（3）滿足數(shù)據(jù)的完整性,；（4）數(shù)據(jù)讀取和寫入速度應(yīng)達(dá)到業(yè)務(wù)的需求,；（5）具備可擴(kuò)展性。顯然,，傳統(tǒng)的數(shù)據(jù)庫明顯有點(diǎn)力不從心,，制造業(yè)大數(shù)據(jù)的存儲(chǔ)還要尋求新的方法。分布式文件系統(tǒng)是大數(shù)據(jù)時(shí)代數(shù)據(jù)存儲(chǔ)最好的工具，比較有代表性的分布式文件系統(tǒng)當(dāng)屬Hadoop的HDFS^[16],。HDFS是受到Google文件系統(tǒng)(GFS)的啟發(fā)而構(gòu)建的,，有著支持超大文件、低延遲數(shù)據(jù)訪問,、高錯(cuò)容性、可擴(kuò)展,、可運(yùn)行在普通機(jī)器上等優(yōu)點(diǎn)^[17],，HDFS的工作原理如圖5所示^[10][18]。

3.3 大數(shù)據(jù)處理技術(shù)

    制造業(yè)的大數(shù)據(jù)處理技術(shù)主要包含了批處理,、流處理和內(nèi)存計(jì)算^[19],，分別滿足制造業(yè)大數(shù)據(jù)處理的不同需求。

3.3.1 批處理技術(shù)

    目前最主流的批處理技術(shù)當(dāng)屬Google公司在2004年提出的MapReduce分布式計(jì)算模式,，基于該框架寫出來的應(yīng)用程序可以在普通機(jī)器群集上運(yùn)行,，能夠輕松地處理TB級(jí)別以上的數(shù)據(jù)集，且有良好的錯(cuò)容性,。

    在MapReduce中,，一個(gè)計(jì)算流程分為map和reduce兩個(gè)階段。在map階段,，其輸入文件(Input file)往往會(huì)被劃分為固定大小的輸入塊（split）,。每個(gè)塊都會(huì)對(duì)應(yīng)著一個(gè)map任務(wù)，該map任務(wù)中的map函數(shù)會(huì)作用于split中的每一個(gè)記錄（record）,，一個(gè)記錄就是一個(gè)<key,，value>鍵值對(duì)。map任務(wù)完成后,，其結(jié)果(<key,value>鍵值對(duì))會(huì)被進(jìn)行分區(qū)（partition）,，然后暫時(shí)寫入到磁盤中，為reduce階段做準(zhǔn)備,。在reduce階段,，map階段的每個(gè)partition都會(huì)被分配至某個(gè)reduce任務(wù)，等到reduce階段處理完成后,，其結(jié)果將會(huì)被存入到分布式文件系統(tǒng)（HDFS）中,。MapReduce整個(gè)處理流程如圖6所示^[12]。

3.3.2 流處理技術(shù)

    批處理技術(shù)對(duì)大批量靜態(tài)的數(shù)據(jù)處理是有效的,，然而在制造企業(yè)中,，不光要處理大批量的靜態(tài)數(shù)據(jù)，而且還要處理像生產(chǎn)監(jiān)控?cái)?shù)據(jù),、故障警報(bào)數(shù)據(jù)等動(dòng)態(tài)和大批量小數(shù)據(jù),。

    流處理（Stream Computing）技術(shù)對(duì)這種數(shù)據(jù)的處理往往是非常有效的^[20]。當(dāng)有數(shù)據(jù)到來時(shí)，流處理工具就應(yīng)該立刻響應(yīng),，然后把處理后得到的信息馬上呈送給用戶或系統(tǒng),，這種數(shù)據(jù)處理無須數(shù)據(jù)準(zhǔn)備時(shí)間，從而有很好的實(shí)時(shí)性,。目前,，流處理計(jì)算框架主要有：Apache S4、Storm,、Scribe,、Kafka等，下面用比較主流的S4進(jìn)行介紹,。

    S4(Simple Scalable Streaming System)^[21-22]是一個(gè)分布式流計(jì)算模型,，S4有著良好的通用性、可擴(kuò)展性,、錯(cuò)容性等優(yōu)點(diǎn),。S4在對(duì)數(shù)據(jù)處理時(shí)，將數(shù)據(jù)流看成是事件（Event）的序列流,。每個(gè)Event是一個(gè)（K,，A）元素，通過EventType來標(biāo)示其類型,。K,、A分別表示這種類型的 Event的若干個(gè)關(guān)鍵字和若干個(gè)屬性。在這種抽象的基礎(chǔ)上,，設(shè)計(jì)者將Processing Elements(PE)定義為S4中的最小數(shù)據(jù)計(jì)算單元,。每個(gè)PE只負(fù)責(zé)處理Event type、屬性Key和屬性Value都匹配的事件,，并最終輸出結(jié)果或新的（K,，A）元素。每個(gè)S4都包含有若干個(gè)這樣的PE,，當(dāng)數(shù)據(jù)到來時(shí),，便立刻共同作業(yè)，完成數(shù)據(jù)流的處理,。

3.3.3 內(nèi)存計(jì)算

    內(nèi)存計(jì)算技術(shù),，就是指CPU直接從內(nèi)存上讀取數(shù)據(jù)，并進(jìn)行計(jì)算,、分析,。內(nèi)存計(jì)算大大減少了從硬盤讀取數(shù)據(jù)的時(shí)間，是對(duì)傳統(tǒng)數(shù)據(jù)處理模式的一種速度提升,。比較有代表性的內(nèi)存計(jì)算系統(tǒng)有SAP HANA,、Oracle Exadata和IBM pureData,。

    較批處理與流處理來說，內(nèi)存計(jì)算的最大優(yōu)勢就在于其處理數(shù)據(jù)的速度,，從而決定了內(nèi)存計(jì)算非常適合需要實(shí)時(shí)獲得結(jié)果的數(shù)據(jù),，是制造業(yè)大數(shù)據(jù)分析和數(shù)據(jù)處理中的關(guān)鍵應(yīng)用技術(shù)之一。 內(nèi)存計(jì)算的原理非常簡單,，如圖7所示^[20],。

3.4 大數(shù)據(jù)分析技術(shù)

    大數(shù)據(jù)技術(shù)的根本驅(qū)動(dòng)力是將信號(hào)轉(zhuǎn)化為數(shù)據(jù)，將數(shù)據(jù)分析為消息,，將消息提煉為知識(shí),，以知識(shí)促成決策和應(yīng)用^[24]。經(jīng)過數(shù)據(jù)的集成與處理后,，所得的數(shù)據(jù)便成為數(shù)據(jù)分析的原始數(shù)據(jù)，根據(jù)業(yè)務(wù)的需求與應(yīng)用,，再對(duì)數(shù)據(jù)進(jìn)一步的分析,，最后得到所需要的知識(shí)。

    傳統(tǒng)意義上的數(shù)據(jù)分析技術(shù)是先將數(shù)據(jù)進(jìn)行存儲(chǔ),，然后對(duì)數(shù)據(jù)進(jìn)行篩選,，建立數(shù)據(jù)中心，在此基礎(chǔ)上建立數(shù)據(jù)倉庫,，再根據(jù)業(yè)務(wù)需求來進(jìn)行聯(lián)機(jī)分析處理（OLAP）^[11],。這種方法對(duì)于結(jié)構(gòu)復(fù)雜、實(shí)時(shí)性要求高,，分析程度較深的制造業(yè)大數(shù)據(jù)來說是無能為力的,。根據(jù)制造業(yè)大數(shù)據(jù)的數(shù)據(jù)特點(diǎn)與業(yè)務(wù)要求，制造業(yè)大數(shù)據(jù)的數(shù)據(jù)分析主要面臨的困難是大量非結(jié)構(gòu)化復(fù)雜數(shù)據(jù)分析和實(shí)時(shí)預(yù)測分析,。因此可以利用以下思想去解決制造業(yè)大數(shù)據(jù)的分析難題：（1）對(duì)數(shù)據(jù)進(jìn)行處理,。在面臨結(jié)構(gòu)復(fù)雜的大數(shù)據(jù)時(shí)，利用?；枷?，將大數(shù)據(jù)進(jìn)行粒分，變大數(shù)據(jù)為小數(shù)據(jù)后再進(jìn)行分析,；（2）加強(qiáng)對(duì)新一代數(shù)據(jù)分析工具的利用與研究,。例如EMC的GreenPlum數(shù)據(jù)分析工作臺(tái)、Teradata的Aster Data平臺(tái)等,；（3）通過人工智能和機(jī)器學(xué)習(xí)等技術(shù)分析大數(shù)據(jù)^[24],。

3.5 大數(shù)據(jù)展現(xiàn)技術(shù)

    制造業(yè)的大數(shù)據(jù)展現(xiàn)技術(shù)可以分為制造過程數(shù)據(jù)展現(xiàn)技術(shù)、歷史數(shù)據(jù)展現(xiàn)技術(shù)及可視化技術(shù),。

    制造過程數(shù)據(jù)展現(xiàn)技術(shù)是制造業(yè)大數(shù)據(jù)展現(xiàn)技術(shù)的關(guān)鍵部分,。隨著制造物聯(lián)的快速發(fā)展，制造企業(yè)會(huì)產(chǎn)生大量生產(chǎn)現(xiàn)場實(shí)時(shí)數(shù)據(jù)，如果將這些實(shí)時(shí)數(shù)據(jù)實(shí)時(shí)展現(xiàn)出來,，那么就可以清晰地了解到生產(chǎn)現(xiàn)場的實(shí)時(shí)變化情況,，這樣不僅提高了企業(yè)的生產(chǎn)效率，而且能完善企業(yè)的資源配置,，是實(shí)現(xiàn)智慧生產(chǎn)的重要步驟,。

    歷史數(shù)據(jù)展現(xiàn)技術(shù)主要體現(xiàn)在制造業(yè)對(duì)歷史數(shù)據(jù)的管理和展示上，這里的歷史數(shù)據(jù)一般指對(duì)實(shí)時(shí)性要求不是太強(qiáng)的數(shù)據(jù),，例如企業(yè)生產(chǎn)歷史數(shù)據(jù),、客戶關(guān)系數(shù)據(jù)、競爭對(duì)手?jǐn)?shù)據(jù)等,。企業(yè)對(duì)歷史數(shù)據(jù)分析展現(xiàn),，可以繪制出數(shù)據(jù)的發(fā)展趨勢并預(yù)測出未來的數(shù)據(jù)走勢，可以模擬歷史重大事件發(fā)生與演變,，挖掘歷史事件潛在的知識(shí)與規(guī)律,。

    數(shù)據(jù)可視化技術(shù)是指運(yùn)用計(jì)算機(jī)圖形學(xué)和圖像處理技術(shù)，將數(shù)據(jù)轉(zhuǎn)換為圖形或圖像在屏幕上顯示出來,，并進(jìn)行交互處理的方法和技術(shù)^[25],。制造業(yè)的復(fù)雜性、多系統(tǒng)性決定了數(shù)據(jù)的分析結(jié)果會(huì)呈現(xiàn)出多維的特點(diǎn),。數(shù)據(jù)可視化技術(shù)正是解決這一系列問題的,，它以一種簡單易懂的方式將復(fù)雜的數(shù)據(jù)呈現(xiàn)給我們，不僅讓我們更容易去理解數(shù)據(jù),，而且對(duì)發(fā)現(xiàn)數(shù)據(jù)中新的信息也起到非常關(guān)鍵的作用,。目前常見的可視化技術(shù)有Tag cloud、History flow,、Spatial information flow等,。

4 結(jié)語

    “中國制造2025”和德國“工業(yè)4.0”紛紛指出智能制造是制造業(yè)未來的發(fā)展趨勢，而大數(shù)據(jù)技術(shù)則是助力實(shí)現(xiàn)智能制造不可缺失的一把利劍,。將來,，制造技術(shù)不光是指傳統(tǒng)的機(jī)械加工等技術(shù)，而是一種集制造業(yè)與互聯(lián)網(wǎng),、物聯(lián)網(wǎng),、移動(dòng)互聯(lián)、大數(shù)據(jù),、云計(jì)算等信息技術(shù)為一體的新局面,，這是制造業(yè)智能化、綠色化的必要前提,。大數(shù)據(jù)技術(shù)已廣泛使用在互聯(lián)網(wǎng),、電商,、金融等行業(yè)，并創(chuàng)造了較大的商業(yè)價(jià)值,，然而對(duì)于制造業(yè)來說,，乃處在起步甚至是研究階段。因此,，大力發(fā)展制造業(yè)大數(shù)據(jù)技術(shù),，挖掘制造業(yè)大數(shù)據(jù)的最大價(jià)值，促進(jìn)制造業(yè)的轉(zhuǎn)型升級(jí)將是制造企業(yè)下一階段的重要任務(wù)與課題,。

參考文獻(xiàn)

[1] 迪莉婭.我國大數(shù)據(jù)產(chǎn)業(yè)發(fā)展研究[J].科技進(jìn)步與對(duì)策,，2014，31（4）：56-60.

[2] MANYIKA J,，CHUI M,，BROWN B，et al．Big data：the next frontier for innovation,，competition,，and productivity[M].New York：Mc Kinse ＆ Company，2011．

[3] EKBLA H,，MATTLOLL M,，KOUPER I.Big Data,，Bigger Dilemmas：A Critical Review[J].Journal of the Association for Information Science and Technology,，2015(8).

[4] 王冰.大型流程工業(yè)集團(tuán)級(jí)生產(chǎn)數(shù)據(jù)平臺(tái)的應(yīng)用探討[J].科技與企業(yè)，2014（1）：129-130.

[5] 邵景鋒,，賀興時(shí),，王進(jìn)富，等.大數(shù)據(jù)環(huán)境下的紡織制造執(zhí)行系統(tǒng)設(shè)計(jì)[J].機(jī)械工程學(xué)報(bào),，2015(5)：160-170.

[6] 中國電機(jī)工程學(xué)會(huì)信息化專委會(huì).中國電力大數(shù)據(jù)發(fā)展白皮書[M].北京：中國電力出版社,，2013(11).

[7] Bello-Orgaz G，JUNG J J,，CAMACHO D.Social big data：Recent achievements and new challenges[J].Information Fusion,，2015(8).

[8] 楊水利，梁永康.制造企業(yè)服務(wù)化轉(zhuǎn)型影響因素扎根研究[J].科技進(jìn)步與對(duì)策,，2016,，33（8）：101-105.

[9] KRUMEICH J，SCHIMMELPFENNIG J,，JACOBI S.Advanced planning and control of manufacturing processes in steel industy though Big Data analytics[J].2014 IEEE International Conference on Big Data：2014.

[10] 趙剛.大數(shù)據(jù)技術(shù)與實(shí)踐指南[M].北京：電子工業(yè)出版社,，2013.

[11] 王淑芬.基于大數(shù)據(jù)的制造運(yùn)行監(jiān)測與分析平臺(tái)研究[D].廣州：廣東工業(yè)大學(xué)，2014.

[12] 楊正益.制造物聯(lián)海量實(shí)時(shí)數(shù)據(jù)處理方法研究[D].重慶：重慶大學(xué),，2012.

[13] 郭偉.大數(shù)據(jù)及其在供應(yīng)鏈中的應(yīng)用.供應(yīng)鏈管理[J].2015（5）：200-220.

[14] 彭小圣,，鄧迪元,，程時(shí)杰，等.面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J].中國電機(jī)工程學(xué)報(bào),，2015（2）：503-511.

[15] 樓巍.面向大數(shù)據(jù)的高維數(shù)據(jù)挖掘技術(shù)研究[D].上海：上海大學(xué),，2013.

[16] Apache.HDFS Architecture.http：//hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/Hdfs Design.html#Introduction.

[17] 蔡斌，陳湘萍.Hadoop技術(shù)內(nèi)幕：深入解析Hadoop Common和HDFS架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)原理[M].北京：機(jī)械工業(yè)出版社,，2013.

[18] WHITE T.Hadoop：The Definitive Guide[M].O’Reilly Media,，Inc，1005 Gravenstein Highway North,，Sebastopol,，CA95472，2009(7).

[19] KUMAR R.Two computational paradigm for big data[EB/OL].2012,，http：//kdd2012.sigkdd.org/sites/images/summerschool/Ravi-Kumar.pdf.

[20] 徐飛.大數(shù)據(jù)流的實(shí)時(shí)處理研究[D].無錫：江南大學(xué),，2014.

[21] 崔星燦，禹曉輝,，劉洋,，等.分布式流處理技術(shù)綜述[J].計(jì)算機(jī)研究與發(fā)展，2015,，52（2）：318-332.

[22] Aga.J.Yahoo!S4分布式流處理引擎分析總結(jié)[EB/OL].http：//www.cnblogs.com/aga-j/archive/2012/02/03/233-7151.html.2012（2）.

[23] 孫柏林．“大數(shù)據(jù)”技術(shù)及其在電力行業(yè)中的應(yīng)用[J]．電氣時(shí)代,，2013(8)：18-23.

[24] 工業(yè)和信息化部電信研究院.大數(shù)據(jù)白皮書(2014年)[R].工業(yè)和信息化部電信研究院，2014（5）.

[25] 唐澤圣,，陳莉,，鄧俊輝．三維數(shù)據(jù)場可視化[Ｍ]．北京：清華大學(xué)出版社，1999：1-6.

作者信息:

李少波1,，2,，陳永前1

(1.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽550025,；2.貴州大學(xué) 機(jī)械工程學(xué)院,，貴州 貴陽550025)