“十三五”期间，我国制造业在数字化、网络化改造方面取得了显著进展，数字化工具和信息化软件的引入，以及数字化工厂的建设，已使数据成为企业重要的生产要素。然而，尽管数据量庞大，其在生产制造和产品价值链中的潜力尚未得到充分释放，尤其是在面对来源各异、类型复杂的多源异构数据时，挑战尤为突出。
当前工业数据应用的核心困境：
当前的数据分析往往局限于信息系统内部的单一数据类别。由于缺乏有效处理工业大数据复杂性的工具和方法，以及不同环节数据特性的差异，如何解决智能制造的共性数据问题和特质数据问题，并有效利用这些数据赋能人机协同场景，已成为数据科学与机械工程交叉研究的关键焦点。
关键研究方向与解决方案：
制造业复杂异构大数据处理与规范化：
问题: 随着传感器和5G网络的普及，企业生产、操作、设备、质量、物耗能耗等数据呈爆炸式增长，但现有技术的建模和表现能力有限，难以有效处理复杂异构数据以创造价值。
解决方案: 引入数据挖掘和机器学习方法，建立通用性标准化规范模型，统一数据标准。这将有助于更好地识别工业数据特征，解决工业数据“大、散、多”的问题。
面向全过程数据流的智能排程：
问题: 数字化设备在生产线上的增加，使得不同设备产生的数据有序流动，构成制造全过程数据流。数据流与生产工艺的融合对企业排程带来了重大变革。
解决方案: 对生产过程中涉及的计划排程、物料平衡、预测性维护等相关数据进行深层次智能采集与挖掘。针对柔性装配、准时化生产、混合生产等多种业务场景，开发智能排程算法模型。这将有助于更全面地分析生产业务指标，发现规律，预警异常，提高应急能力，从而提升生产效率和实现生产平衡。
智能制造人机交互与共融：
问题: 智能终端和传感元件的发展使得虚拟与物理世界的连接成为可能。然而，由于工业大数据的特性，人机交互场景的采集和识别准确率偏低，效率和交互程度难以满足工业需求。同时，制造各环节的独立性和协同性弱，导致智能设备通用性较差。
解决方案: 建立数据流驱动下的人机交互场景，实现虚拟信息技术与实体经济在生产制造全过程中的深度耦合。通过实时更新和精准控制数据信息，研发集成优化建模，涵盖设计、工艺、制造、管理和物流等环节。这将提高制造执行和过程控制的精确性，解决人机交互与共融的共性问题。
虚实融合：驱动生产管理螺旋上升
通过整合制造业数据DAAS、数据传输、感知交互等资源，可以从研发设计、生产制造、工业装配、工业检测和远程运维五个维度构建企业业务管理体系。该体系应实现状态感知、虚拟现实呈现、人机协同及精准执行。通过可视化呈现，实现数据的自动流动、感知分析和决策执行，最终达成工业数据虚实融合。这样的融合模式能够持续驱动和完善生产过程，降低复杂生产系统的不确定性，促进各维度业务管理水平的螺旋式上升。
总而言之，有效解决复杂异构大数据的处理、规范化以及智能排程和人机交互等问题，是当前推动智能制造发展的重中之重。通过数据科学与机械工程的交叉融合，利用先进的技术和方法，不仅能够充分挖掘数据的价值，更能加速实现智能制造，为数字经济的发展提供强有力的支撑。
