智能制造大數據平臺是智能決策的基礎平臺。它由數據源、數據治理、數據建模、流計算和大數據應用組成。大數據平臺建設應具備實時數據和事件捕捉、流數據處理技術、分析優化技術、預測分析等特點。

1、智能制造數據源

利用射頻識別、嵌入式技術、無線通信、傳感技術、總線通信等信息技術，通過多種傳感技術手段采集分散的設計信息、生產信息、供應鏈信息、資源信息等，通過可靠的將PLM、ERP、MES、SRM、CRM等系統的數據整合到大數據中心。

結構化的業務數據從原業務系統的數據庫中獲取，智能制造運行過程中采集的文件、音頻、視頻、傳感器數據、定位數據等信息由Hadoop分布式文件系統HDFS進行管理。

2、智能制造數據整合

大數據平臺管理著海量數據、種類繁多的數據。需要對這些數據進行整合，適時將數據存儲在合適的介質中，實現對數據生命周期的管理。制定數據生命周期的管理策略，制定完整的備份和恢復策略，對數據進行分類，分層管理存儲，根據數據類型確定存儲策略。

數據集成ETL（Extract-Transform-Load）包括數據提取、清洗、轉換和加載的過程。還提供數據質量管理、數據轉換清洗、調度監控，貫穿數據中心解決方案的全流程。數據排序是建設數據中心的關鍵環節。它按照統一的規則整合和提升數據的價值，負責完成數據從數據源到目標數據中心的轉換過程。

3、智能制造數據建模

大數據平臺應提供多種數據挖掘算法，包括分類、關聯、分割等，并提供可用于在一次建模運行中嘗試各種方法、估計和比較多種不同方法的自動建模技術。建模方法。通過這樣的建模方法和算法模型設計，可以在智能制造的諸多領域挖掘大數據的價值。常見的模型包括聚類、決策樹、回歸模型、關聯模型、線性規劃、時間序列模型等。

建模完成后，繪制模型的評級量表，包括增益圖、響應圖、提升圖、利潤圖和投資回報率圖。對應的函數以交叉表的形式提供，用于評估模型的預測能力，比較一個或多個模型的不同預測值與實際目標值的準確性。

4、智能制造流計算

流式計算是一種新的計算模式，對于無處不在的移動設備、設備運行監控數據、位置服務、傳感器等新的數據生產場景來說是不可或缺的。需要可擴展的計算平臺和并行架構來處理生成的大量數據流。智能制造中會有大量的實時數據，比如產線數據、設備數據、傳感器數據等。

如果我們使用傳統的數據處理方法，往往需要數據的收集、整合、治理、存儲、建模、挖掘和分析等一系列復雜的流程。然而，許多分析和決策需要實時做出以避免錯失機會。例如，通過實時檢測設備的工作狀態數據，可以預測產品質量。使用實時流計算分析方法可以有效解決此類問題。

大數據平臺需要采用流計算技術在幾分鐘到幾小時的時間內從移動信息（數據流）中揭示有意義的模式。大數據平臺通過為時間關鍵型應用程序提供低延遲洞察力和更好的結果來提供業務價值。可以合并多個流，使用戶能夠從多個流中獲取新的價值信息。

5、智能制造Hadoop架構

大數據平臺的建設要引入Hadoop架構來處理非結構化、海量數據的存儲、檢索和分析。Hadoop技術是經過驗證的分布式解決方案，可以擴展到海量數據的分布式存儲，解決海量數據（半結構化和非結構化）的存儲和訪問問題，并且該解決方案可以構建在低成本的機器集群上，提高性價比。