制造全寿命周期管理中的数据与数据资产管理

研报正文总结

第1部分 背景现状

• 中国制造业发展国家战略：制造业作为实体经济与数字经济融合的主场，是实体经济的主体和强国之基，需推进产业转型升级，加强自主创新，发展高端制造、智能制造。
• 制造业数据：2019年，中国制造业GDP占比39%，出口占比39%，专利占比67%。制造业是国家科研投入和成果产出的主体，2019年研发经费中61%用于制造业，企业500强专利数年均复合增速达21.99%。
• 美国制造业作用：美国制造业在经济指标中占比显著，智能制造业拥有最大的效应系数。

第2部分 数据管理

• 智能制造定义：规模化制定生产，涵盖制造全寿命周期中的实物流与数据流。
• 制造全寿命周期管理：打造自主化决策、柔性化生产的智能工厂；基于工业互联网平台实现端到端协同，促进数据集成与资源优化；利用数字孪生技术构建虚实交互闭环优化系统。
• 端到端数据集成管理：以工业互联网平台为基础，以端到端信息数据流为核心，实现设计、供应、制造、服务各环节的无缝协作。
• 数据协同管理：涵盖设计、供应链、制造、服务各环节的数据协同。
• 预测性维护和远程运维：作为制造全寿命周期管理的重要应用。

第3部分 资产管理

• 数字化带来的价值革命：
  • 产品革命：智能产品、互联产品、虚拟产品、数据产品。
  • 产值革命：数据资源、数字资产，如“卖鞋更卖数据”。
  • 产业革命：泛产业链、协同制造，大数据推动开放复杂泛产业链的并行组织和协同优化。
• 工业大数据价值：打通智能制造产业全价值链，实现网络平台协同制造。

第4部分 案例总结

• 案例：汽车制造生态协同数据价值发现与资产管理。
• 数据治理范式：
  • 原初范式：数据治理建立在数据存储、访问、验证、保护和使用之上，确保高效数据利用和跨组织协作。
  • 协同范式：数据治理作为基础架构，发掘数据价值，推动行业自治（标准、共识、公约），实现自下而上、分散化机制的数据协同治理。
• 数据治理规划：在制造全寿命周期管理中规划数据治理，促进数据协同和价值创造。