一、标准基本信息
本文系统解读智能制造领域工业数据相关标准体系，涉及的核心标准如下：
GB/T 37727-2021《信息技术 大数据 工业数据分类与代码》
发布部门：国家市场监督管理总局（国家标准化管理委员会）
发布日期：2021年3月9日
实施日期：2021年10月1日
标准类型：推荐性国家标准
标准查询：可通过全国标准信息公共服务平台（https://std.samr.gov.cn）输入标准号查询。
GB/T 36073-2018《信息技术 数据管理能力成熟度评估模型》（DCMM）
发布部门：国家市场监督管理总局（国家标准化管理委员会）
发布日期：2018年6月7日
实施日期：2019年1月1日
标准类型：推荐性国家标准
归口单位：全国信息技术标准化技术委员会（SAC/TC28）
GB/T 35295-2017《信息技术 大数据 术语》
发布部门：国家质量监督检验检疫总局/国家标准化管理委员会
发布日期：2017年12月29日
实施日期：2018年7月1日
二、工业数据标准发布背景
在智能制造时代，数据已成为与土地、劳动力、资本、技术并列的第五大生产要素。2020年4月，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》首次将”数据”纳入生产要素范畴。工业数据贯穿于产品全生命周期和制造全过程，是智能制造的”血液”和”养分”。随着《中国制造2025》和《”十四五”智能制造发展规划》的深入实施，工业数据的重要性和战略价值日益凸显。
然而，工业数据的多样性、异构性、实时性和安全性等特点，给数据的管理和利用带来了巨大挑战。我国制造业长期存在”数据孤岛”问题——不同设备、不同系统、不同部门之间数据不通、格式不一、标准各异，严重制约了数据价值的释放。为解决这些突出问题，国家标准委先后组织研制并发布了GB/T 37727-2021、GB/T 36073-2018、GB/T 35295-2017等一系列工业数据相关标准，初步建立了工业数据标准体系的基本框架。
此外，工信部也在积极推进工业数据管理工作，2020年发布了《工业数据分类分级指南（试行）》，为工业企业的数据分类分级提供了实操指导。该指南可从工信部官网（https://www.miit.gov.cn）下载查阅。
三、工业数据分类体系
工业数据分类是数据管理的基础工作。GB/T 37727-2021对工业数据分类提出了系统性的规范要求。
3.1 按数据来源分类
- 设备数据：来自生产设备的运行参数、状态信号、报警信息等，如温度、压力、转速、振动、电流等传感器数据。设备数据具有数据量大（通常达到TB/天级别）、实时性强（毫秒级采集频率）、数据格式多样（模拟量、数字量、脉冲量）的特点。
- 过程数据：来自生产过程的工艺参数、批次记录、配方信息、配方版本等，反映生产过程中的关键控制变量和质量指标。过程数据通常由DCS/SCADA系统采集。
- 质量数据：来自质检环节的检测结果、测量数据、缺陷记录、不合格品信息、量检具校准数据等。包括手工检验数据和自动检测设备（CMM、AOI等）数据。
- 物料数据：来自物料管理环节的物料编码、批次信息、BOM表、库存数据、物流追踪数据、供应商信息等。
- 业务数据：来自经营管理环节的订单数据、计划数据、人员数据、财务数据、客户数据等。
- 外部数据：来自企业外部的市场数据、供应链数据、行业标准数据、法规要求数据、气象环境数据等。
3.2 按数据类型分类
GB/T 35295-2017定义了大数据领域的基本术语。在工业数据场景中，数据可分为：
- 结构化数据：如数据库中的数值、文本记录（ERP表单、MES工单记录等），占工业数据总量的约20%。
- 半结构化数据：如XML、JSON格式的设备日志、工单数据、配置文件等，占约30%。
- 非结构化数据：如图像、视频、文档、音频、点云数据等（质检图像、监控视频、设计图纸PDF等），占约50%且增长最快。
不同类型的数据需要采用不同的存储、处理和分析方法。标准要求企业建立统一的数据类型管理规范。
3.3 按数据安全等级分类（数据分级）
GB/T 37727-2021和工信部《工业数据分类分级指南》均要求对工业数据进行分级分类管理。数据一般分为三个等级：
- 一级数据（一般数据）：公开或可在较大范围内共享的数据，如设备型号、通用工艺参数等。风险较低，可适当放宽管控。
- 二级数据（重要数据）：企业内部运营数据，如生产计划、库存信息、质量统计等。泄露可能影响企业正常运营，应限制访问范围。
- 三级数据（核心数据）：涉及企业核心竞争力的关键数据，如核心配方、工艺诀窍、关键技术参数、客户信息等。应采取最高级别的保护措施。
标准要求企业建立数据分级管理制度，对三级数据实施加密存储、权限管控、操作审计等综合保护措施。
四、数据采集与集成标准
数据采集与集成是实现智能制造的基础环节，标准对此提出了系统性要求。
4.1 数据采集要求
标准要求企业建立覆盖关键生产环节的数据采集体系，确保数据的完整性、准确性和时效性。具体要求包括：
- 明确需要采集的数据项和数据频率，制定数据采集清单和数据字典。
- 选用合适的传感器和数据采集设备（精度、量程、采样率满足要求）。
- 支持多种工业通信协议（OPC UA、Modbus TCP、MQTT、HTTP、Profinet、EtherCAT等）。
- 具备数据预处理能力（滤波、去噪、校准、压缩等），减少无效数据传输。
- 建立数据采集设备的校准和维护机制，确保数据采集的持续可靠性。
- 实现采集数据的时间戳同步，支持多源数据的关联分析。
4.2 数据集成架构
标准提出了分层的数据集成架构模型，自下而上包括：
- 边缘层：靠近数据源的边缘计算节点，负责数据的实时采集、预处理和本地存储，支持断网续传和数据缓存。边缘计算可实现毫秒级响应，适合实时控制场景。
- 数据汇聚层：实现多源异构数据的汇聚、清洗和标准化，提供统一的数据接入接口（ETL/ELT）。该层负责处理数据格式转换、编码统一、冗余去除等工作。
- 数据存储层：根据数据类型和访问模式选择合适的存储方案，包括时序数据库（InfluxDB、TDengine等，适合设备时序数据）、关系数据库（MySQL、PostgreSQL等，适合业务数据）、数据湖/数据仓库（适合大数据分析和BI应用）。
- 数据服务层：提供标准化的数据服务接口，支持数据查询、订阅、发布等操作，为上层应用提供数据支撑。推荐采用API Gateway模式统一管理数据服务。
4.3 数据交换标准
标准强调工业数据交换的标准化和规范化。GB/T 37727-2021要求采用统一的数据格式（如JSON、XML、CSV、OPC UA信息模型等）和通信协议，建立数据交换的元数据标准和接口规范，支持跨系统、跨企业、跨平台的数据交换和共享。在跨企业数据交换场景中，应参考《工业互联网数据交换共享》系列标准。
五、数据质量管理标准
数据质量直接影响智能制造应用的效果。GB/T 36073-2018（DCMM）对数据质量管理提出了系统性要求，涵盖以下维度：
- 完整性：要求数据记录不缺失关键字段，数据采集的覆盖率满足业务需求。标准建议建立数据完整性检查机制，通过自动化脚本定期审计数据缺失情况，缺失率应控制在5%以内。
- 准确性：要求数据值真实反映实际情况，误差在允许范围内。标准要求建立数据校准和验证机制，对关键数据（如温度、压力等工艺参数）定期进行准确性验证，偏差率应控制在允许误差范围内。
- 一致性：要求同一数据在不同系统和数据源中保持一致。标准要求建立主数据管理（MDM）机制，确保BOM、物料编码、客户信息等主数据的唯一性和一致性。
- 时效性：要求数据能够在规定时间内完成采集、传输和处理。标准对实时数据（毫秒级到秒级响应）、准实时数据（分钟级）和批处理数据（小时级到天级）分别提出了时效性要求。
- 可追溯性：要求数据的来源、处理过程和变更历史能够被完整记录和追溯。标准要求建立数据血缘管理和变更审计机制，支持数据的版本管理和回溯查询。
- 唯一性：要求数据记录不重复，通过建立数据去重规则和唯一性校验机制保证。
- 有效性/合法性：要求数据值符合预定义的格式和取值范围，通过数据校验规则自动识别异常值。
六、数据管理能力成熟度模型（DCMM）
GB/T 36073-2018《数据管理能力成熟度评估模型》（DCMM）将企业数据管理能力划分为五个等级：
- 初始级：数据管理处于无序状态，缺乏统一的管理制度和标准。
- 受管理级：初步建立了数据管理制度，部分业务领域实现了规范化管理。
- 稳健级：建立了较为完善的数据管理体系，核心业务数据实现了标准化管理。
- 量化管理级：数据管理实现了量化评估和持续改进，数据质量可度量、可追踪。
- 优化级：数据管理实现了全面优化和创新，数据驱动的决策成为企业核心能力。
DCMM与CMMM相辅相成，CMMM关注智能制造的整体能力，而DCMM专注于数据管理能力的评估。工信部已在全国范围内推动DCMM评估工作，截至2024年已有数千家企业通过了评估。
七、数据安全标准
工业数据安全是智能制造的重要保障。标准对工业数据安全提出了全面要求：
7.1 数据分级分类保护
企业应建立工业数据分级分类管理制度，根据数据的重要程度和敏感程度确定数据安全等级，制定差异化的保护策略。对于涉及商业机密、个人隐私和关键技术的数据，应采取更加严格的保护措施。参考国家标准GB/T 37988-2019《数据安全能力成熟度模型》（DSMM）。
7.2 数据传输安全
标准要求对工业数据的传输进行安全保护，包括：采用加密传输通道（TLS/SSL、VPN、IPSec等）；对关键数据传输进行身份认证和访问控制；建立数据传输的完整性校验机制（CRC、数字签名等）；对无线传输场景采取额外的安全防护措施。
7.3 数据存储安全
标准要求对工业数据的存储进行安全保护，包括：对敏感数据进行加密存储（AES-256等）；建立数据备份和灾备机制（3-2-1备份策略）；实现存储访问的权限控制和审计日志；定期进行存储安全评估和漏洞修复。
7.4 数据使用安全
标准要求对工业数据的使用进行规范管理，包括：建立数据访问权限管理体系，实行最小权限原则和职责分离；对数据使用行为进行审计和监控；建立数据脱敏和匿名化处理机制（如k-匿名、差分隐私等）；规范数据的跨境传输和共享行为，遵守《数据安全法》《个人信息保护法》等法律法规。
7.5 合规要求
企业工业数据管理须遵守《中华人民共和国数据安全法》《中华人民共和国网络安全法》《中华人民共和国个人信息保护法》以及工信部《工业数据分类分级指南》等法规和标准要求。对于关键信息基础设施运营者的工业数据，还应满足《关键信息基础设施安全保护条例》的要求。
八、典型应用场景
工业数据标准在智能制造的各个场景中发挥着重要作用：
8.1 预测性维护
通过采集设备的振动、温度、电流、油液等运行数据，结合机器学习算法（LSTM、随机森林等），实现设备故障的提前预测和健康状态评估，将非计划停机减少50%-70%，降低维护成本20%-30%。数据标准确保了多源数据的一致性和可分析性。
8.2 质量智能管控
通过整合生产过程参数、质量检测数据和环境数据，建立质量预测模型（如基于XGBoost的缺陷预测），实现质量问题的早期发现和根因分析，提升产品一次合格率。数据标准为质量数据的全流程追溯提供了基础。
8.3 生产过程优化
通过分析生产数据，识别瓶颈环节和优化空间，实现生产排程优化（APS算法）、工艺参数优化（DOE实验设计、响应曲面法）和资源配置优化，提升生产效率10%-30%。
8.4 能效管理与碳足迹追踪
通过采集能耗数据和生产数据，建立能效分析模型，实现能源使用的优化管理和碳排放的精准核算。数据标准为碳排放数据的准确采集和报告提供了依据，助力企业满足”双碳”目标和ESG报告要求。
8.5 供应链协同
通过标准化的数据交换和共享，实现供应链上下游的信息协同，优化库存管理和物流调度，降低供应链成本15%-25%。数据交换标准是实现跨企业协同的前提条件。
九、总结与展望
工业数据标准为智能制造的数据管理和应用提供了重要指导。GB/T 37727-2021、GB/T 36073-2018等标准构成了工业数据管理的标准框架，为企业构建数据管理能力提供了系统性的参考。企业应重视数据标准体系的建设，从数据分类分级、采集集成、质量管理和安全合规等方面系统性地构建数据管理能力。随着工业互联网、人工智能大模型和5G/6G等技术的快速发展，工业数据标准也将持续演进和完善，企业应保持关注并及时跟进。数据标准化是数字化转型的基础，只有打好数据基础，才能真正释放智能制造的价值。
数晰智能解决方案
广州数晰智能科技有限公司致力于为企业提供一站式智能制造解决方案，帮助企业从规划级迈向引领级。我们的核心产品与服务包括：
- MES制造执行系统：打通生产计划、车间执行与质量管理全流程，实现生产过程透明化、可追溯，满足智能工厂车间层核心功能要求。系统支持多工厂协同、柔性排产、实时质量管控，帮助企业构建数字化车间。
- 设备管理系统：覆盖设备全生命周期管理，集成设备台账、预防性维护、故障诊断、备件管理等模块，实现设备运行状态实时监控与预测性维护，有效提升设备综合效率（OEE）。
- 工业数据采集与集成平台：支持OPC UA、MQTT、Modbus等多种工业协议，实现设备层到企业层的全链路数据采集、清洗、存储与分析，构建统一数据底座，为智能制造决策提供数据支撑。
- 能碳管理平台：整合能源监测与碳排放管理，实现能耗数据实时采集、碳足迹追踪与合规报告自动生成，助力企业绿色低碳转型。
数晰智能拥有丰富的行业实施经验，已服务制造、电子、新能源、汽车零部件等多个行业客户。我们提供从顶层规划、系统选型、实施部署到持续优化的全生命周期服务，帮助企业有序推进智能制造建设。如需了解更多，欢迎访问官网 https://www.sxiai.cn 或联系我们的技术顾问团队。