大数据是什么：

    所涉及的数据资料量规模巨大到无法通过人脑，甚至主流软件工具在合理时间内达到撷取、管理、处理、并整理，成为帮助企业经营决策更积极目的的资讯。

大数据特征：

1.       Volume(大体量):可从数百TB到数十数百PB、甚至EB的规模。

2.       Variety(多样性):大数据包括各种格式和形态的数据。

3.       Velocity(时效性):很多大数据需要在一定的时间限度下得到及时处理。

4.       Veracity(准确性):处理的结果要保证一定的准确性。

5.       Value(大价值):大数据价值大而密度低，有用信息需深挖。

工业大数据的日渐呈现：

        工业数据分析复杂，常规方法与工具难以发现规律性

工业大数据挖掘：

大数据分析前的准备：

1. 技术难题识别

     数据挖掘分析需要硬件、软件等各方面技术的系统完善和准备。

2. 数据的集成化

     许多单位组织中，数据都散落在互不连通的数据库中，而且相应的数据技术也都存在于不同部门中，如何将这些孤立错位的数据库打通、互联，并且实现技术共享，才是能够最大化大数据价值的关键。

3. 转变经营思维和组织架构整合

     数据策略要成功提升网络营销成效，要诀在于无缝对接网络营销的每一步骤，从数据收集、到数据挖掘、应用、提取洞悉、报表等，同时需要改变营销原有组织架构。

4.人才培养与储备

    数据分析团队不仅包括一般的信息技术人员，而且应当包括各个组织部门的专业技术人员。对海量数据的分析不能仅仅局限在一般数据规律和模型的把握水平上，而且要有理论思维和全面把握的综合深入能力。

质量诊断方法的变革：

1、大数据需要新处理模式

2、工业大数据需要新的质量诊断方法

大数据质量智能诊断的思路：

质量诊断方法的利器---深度神经网络方法：

大数据智能诊断方法的应用：

1、设备故障诊断：

2、过程异常运行状态监控：

精密轴轴径加工过程异常运行状态诊断：

利用人工神经网络，通过滑动监控窗口的方式能有效的对生产过程进行在线质量诊断。

3、质量智能监控与诊断

1)   烟草制丝生产过程

通过大数据挖掘技术与智能识别算法相结合的智能监控模型对松散回潮桶出口物料含水率的变化趋势进行智能识别，进而判定该工序的过程运行状态是否正常。当松散回潮桶出口物料含水率的实时测量值不在设定值附近随机波动，而是呈现出明显的上升、下降、周期等变化模式时，智能监控模型判定此时的生产过程为异常状态，并通过报警器发出异常警报。

2)    机械加工过程质量

质量数据采集通过传感器测量在线检测工位的智能终端上，将加工零件的关键质量特性测量值实时显示到终端的数据采集界面上，并直接将数据采集到系统数据库中，过程异常诊断模型对异常过程的原因进行智能分析。系统监控到齿轮内孔加工过程异常后将发出报警，并给出相应的诊断结果