企业数字化（技术中台、数据中台、工业互联网平台）建设方案WORD_数据中台和技术中台

​

概述

人工智能、大数据、云计算、5G、AIoT等新技术集群正在引领产业数字化变革走向纵深。目前，数字科技是全球研发投入最集中、应用最广泛、辐射带动作用最大的技术领域。我国各行业也正积极推进数字化，传统互联网巨头在数字科技转型路上已走到世界前列，未来的十年甚至二十年将是数字科技引领新旧动能转换与产业结构升级的时代。

　 一、数字科技，引领经济增长的新动能

纵观人类进步发展的历史，科技无疑是每一次产业革命的引擎，而数字科技则是第四次产业革命的重要组成部分。数字科技是实现数字经济的手段，其本身也是一种新的行业形态。作为一种新的科技手段，数字科技与信息技术、互联网技术相比，包含着时空大数据、深度强化学习、智能芯片等一系列的前沿科技。数字科技源自信息技术及互联网技术，同样是一场技术革命，其本质是降低成本、提高效率、优化用户体验。但与信息技术和互联网经济相比，数字科技有以下几个特点：

l 技术变革更加综合化

l 商业模式更加平台化

l 应用场景更加多样化

二、数字科技助力传统产业改造升级

在数字科技+工业领域，在工业数字化或者工业互联网中，工业是保守的，数字化是开放的，看起来有点相矛盾。在工业数字化过程中，数字化能力是有节奏、逐步地体现传统工业的能力。数字化赋能到工业过程中能够形成共生，也就是说工业的共同体与数字化的虚拟体是一个永远分不开的整体运作的过程，也是生态化的过程。不管是在工业领域还是供应链金融或者是互联网金融过程中，这些数字化都会给企业带来很多价值。

我国是消费驱动型数字经济的全球领先者，但是工业在数字化方面落后于发达经济体。当前，我国大部分的工业企业并未达到完整意义上的数字化，因此现在要做的事情就是用较低的成本和更高效的工具实现数字科技转型发展。工业数字化是通过信息化技术提升工业管理的水平和能力，其实就是通过信息技术贯穿到整个经济活动中。比如，智能制造向价值链两端的延伸；数字营销根据客户画像，匹配目标客户以提升获客能力；通过互联网及人工智能技术能够把被动服务改为主动服务。在整个数字经济中，工业数字化是非常重要的一个环节，向前会延伸到数字营销端，向后会延伸到客户服务端。

三、转变思维，积极拥抱数字科技转型升级

　　对正在和即将进行数字化转型的业内企业来说，首先需要保持高度的技术灵敏度，数字科技技术飞速发展，新技术不断进化演变，企业必须保持不断吸收、学习与成长，顺势而变，通过使用5G技术、人工智能、物联网等一系列强大的新兴技术，快速部署并不断迭代，企业的数字化转型之路才能进入新的阶段。此外，在企业战略制定、内部流程化管理、员工培训等重要数字化思维转型阶段，企业要充分利用数字科技特点、灌输数字化转型的理念，加强内部数字化转型组织结构调整，甚至可以单独组建数字化转型部门。尽管数字科技技术是未来真正的红利，但仅仅依靠技术就想达到飞跃性的发展，是远远不够的。成功实现数字化转型，推动企业发展，不仅需要技术方面的革新，更需要转变员工思维方式、组织内部结构和格局等。

技术中台

技术中台是一套基于微服务架构、前后端分离、容器化等业界主流技术与互联网思维模式，以业务领域为导向和驱动的，采用低代码思想, 提炼技术组件和业务组件，形成可构建企业级应用系统的开放性软件平台。该平台是开发、运行和管理各种IT应用的基础，是各种应用系统得以实现与运营的支撑条件，以帮助XXXX公司达到应用软件低成本研发、安全可靠运行、快速响应业务变化、规避技术风险的目的。

大数据平台

大数据平台总体技术架构图

平台应采用Hadoop生态为基础的大数据框架为基础，构建平台的存储计算能力，达到共用大数据平台集群资源的目的；开展实时数据、标识系统、设备信息等的标准化建设，为数据集成集中奠定基础；广泛采用传感、自动识别、语义识别等技术采集数据，进一步提升数据获取和挖掘能力；抽取清洗治理存储生产实时数据，开展生产、营销、财务、物资、人资、基建等管理信息系统的整合与数据治理，实现数据互通和数据共享；构建一体化的数据管理平台，提高信息获取利用效率与信息集中管控能力。

1）数据采集层

通过ETL抽取工具，对公司各业务系统和外部数据进行全量和增量抽取数据到大数据仓库，通过实时数据采集装置将生产设备数据采集到大数据平台的时序数据存储系统。通过CDC增量数据捕捉工具实时获取关系型数据库数据变化，通过高性能消息队列服务接收和传输数据，清洗融合进入数据湖仓库，汇总到大数据平台数据仓库，并实现实时数据处理和提供数据服务，打造新一代实时大数据平台。

2）数据计算与存储层

对采集的数据进行清洗，定时调度计算抽取，根据大数据仓库模式建立DW、DM存储数据，融合打通数据，建立主题数据模型，提供实时数据服务，大数据平台集群提供分布式计算集群、实时流计算和离线批处理计算。

3）数据分析层

提供商业BI可视化分析、人工智能分析和数据治理功能，通过BI工具可进行交互式查询和可视化展现，对数据进行钻取分析，通过人工智能建模平台进行数据挖掘，拖拽式选择数据源、模型等组件建模，零编码进行数据挖掘建模、训练和预测。

4）数据服务层

提供数据服务开发方案，主要是为各类数据资源需求快速定制开发各类数据服务，包括业务数据查询、业务统计数据查询等服务。数据服务层支持多种数据接入方式，如：通过业务系统的数据加载与同步、实时流数据接入、人工上传文件数据、微服务数据服务接口等。数据服务层采用微服务架构进行设计，具备服务注册、动态令牌验证、服务路由和负载均衡能力，可实现快速部署，高安全、高可靠、高性能的运行服务。

5）数据应用层

在大数据平台上运行各类业务系统的数据查询分析、执行人工智能算法模型训练、以服务形式发布算法模型，为各类业务功能提供智能化服务。

6）数据资产、质量管理

数据资产提供元数据管理、血缘分析，建立数据目录对数据资产进行管理，提供数据资源地图，直观展示数据特点。可设置数据质量验证规则对数据进行校验，输出数据质量报告。

7）运维管理

提供大数据平台集群管理、组件管理、自动化部署等功能，对整个大数据平台进行管理。

8）系统管理

提供用户管理、权限管理、资源管理、项目管理，提供平台用户和权限等管理。

人工智能平台

人工智能平台架构图

充分考虑发电厂业务大数据的特性，构建基于大数据分析技术，即人工智能平台。采用Spark、AI、ML、DL和微服务等先进技术，利用其高性能、可容错的分布式并行计算技术，实现满足海量数据的存储、处理、分析的可伸缩的分析应用平台。平台应提供多种挖掘算法，支持对结构化数据、半结构化和非结构化海量数据的处理、分析和挖掘，支持二次开发。平台应内置常用基础算法模型，如：包括KMeans聚类、GM高斯混合模型、随机森林、神经网络、SVM支持向量机、 FP-growth关联规则、OLS最小二乘法、EM最大期望值、决策树、线性回归、岭回归、梯度提升树、广义线性等常用算法模型。

提供可视化拖拽式操作建模支持，支持零编程开发AI模型，可实现一站式大数据智能分析平台，降低大数据分析的难度，可快速高效的支撑电力数字化和智能化应用场景的实现，能快速满足电力行业各种大数据分析挖掘主题需求。提供电力行业应用场景相适应的智能算法和模型，通过对机理模型和数学模型相互融合，不断优化迭代，助力发电企业智能化发展。

BI分析平台

数据分析是对大量结构化和非结构化的数据进行分析处理，从中获得新的价值，具有数据来源广泛、数据关系复杂、数据计算量大、计算速度要求高等特点。数据分析过程通常会涉及来源非常多的数据，数据清洗和预处理比较繁琐，很少能一次分析到位，一般都要经过多次反复试验，才能得到满意结果。数据“价值”的获取是一件繁琐而又专业性很强的工作。对从事这项工作的人的要求非常高，既要精通数据库和编程技术，又要精通行业专业知识。尤其像电力行业这种知识密集型行业，要能够快捷、顺利地建好分析模型，通过数据分析挖掘数据价值非常困难。

BI平台分析引擎应以ROLAP（基于关系型数据库实现联机分析处理）理论为基础，实现以多维数据为核心的分析模型。数据分析过程应支持全可视化操作，支持图形化方式在不同的维度上，对数据模型进行钻取、切片、切块、旋转等操作。使用者只需用鼠标选择合适的展示方式，根据其行业知识设置好各个维度的筛选条件，就可以获得所需的分析结果。使用者既不需要懂得ROLAP技术细节也不需要懂编程技术，通过简单的拖拽和组装就能快速的构建出所需的分析结果，并对结果进行评估。

应用架构总体蓝图

基于业务架构蓝图，覆盖推导应用蓝图，结果如下:

应用系统构架覆盖蓝图

数字化运营中心

构建数字驱动、智慧化的生产管理、经营管理、物资管理能力，满足规模化发展、专业化运营要求，形成运营流程端到端集成、企业内外部基于生态圈广泛互联、由数字驱动的智慧能力，以适应新能源时代的运营要求。