0 引言

    大數(shù)據(jù)（Big Data）這一概念的提出最早可以追溯到上世紀80年代^[1]，當(dāng)時并沒有得到人們的關(guān)注。直到2008年，著名雜志Nature出版了?？禕ig Data：Science in the Petabyte Era》^[2]，從經(jīng)濟學(xué)、互聯(lián)網(wǎng)技術(shù)、環(huán)境科學(xué)等多個領(lǐng)域介紹海量數(shù)據(jù)帶來的挑戰(zhàn)。從此大數(shù)據(jù)一詞被廣泛傳播，受到了各個國家、政府及各界的廣泛關(guān)注與研究，并在IT、金融、互聯(lián)網(wǎng)等行業(yè)得到了較大的發(fā)展與利用^[3]。

    制造業(yè)作為國家經(jīng)濟支柱性產(chǎn)業(yè)，是我國綜合國力的表現(xiàn)，充分地應(yīng)用和挖掘制造業(yè)中的數(shù)據(jù)逐漸成為行業(yè)研究和討論的熱點^[4]。制造業(yè)具有地理分布廣泛，制造類型多，制造過程復(fù)雜多樣，涉及領(lǐng)域廣等眾多特點，是人類社會中最復(fù)雜的行業(yè)之一，這決定了制造業(yè)將產(chǎn)生龐大的數(shù)據(jù)量，且有著類型豐富、結(jié)構(gòu)多樣、增長速度快等特點，是一個典型的行業(yè)大數(shù)據(jù)體現(xiàn)，以一個的典型的紡織制造企業(yè)來說，光是一個制造車間一天的數(shù)據(jù)量都將達到84 GB^[5]。在制造業(yè)這種龐大的數(shù)據(jù)量與爆炸式的增長新形勢下，傳統(tǒng)的制造業(yè)技術(shù)將不再夠用，不能滿足制造行業(yè)從海量數(shù)據(jù)中快速獲取知識與信息的需求。因此，在大數(shù)據(jù)環(huán)境下，制造技術(shù)將發(fā)生巨大的進步與改革。

1 大數(shù)據(jù)下的制造業(yè)數(shù)據(jù)特點

1.1 大數(shù)據(jù)下的制造業(yè)數(shù)據(jù)來源

    大數(shù)據(jù)不僅僅是一種數(shù)據(jù)處理技術(shù)，而是一種總體視角的體現(xiàn)，是一種綜合關(guān)聯(lián)性分析，發(fā)現(xiàn)具有潛在聯(lián)系之間的相關(guān)性，如將大數(shù)據(jù)單獨割裂來看，則大數(shù)據(jù)的大價值無從體現(xiàn)^[6]。因此在進行制造業(yè)大數(shù)據(jù)分析時，必須全面地考慮制造業(yè)的數(shù)據(jù)來源。在互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、移動互聯(lián)等技術(shù)快速發(fā)展的今天，制造業(yè)的數(shù)據(jù)來源不僅包括了產(chǎn)品設(shè)計與開發(fā)、產(chǎn)品加工與設(shè)備運行、倉庫管理等行業(yè)數(shù)據(jù)，同時還包含了市場、客戶關(guān)系、政府計劃、互聯(lián)網(wǎng)等外部數(shù)據(jù)。制造業(yè)大數(shù)據(jù)來源如圖1所示。

1.2 大數(shù)據(jù)下的制造業(yè)數(shù)據(jù)特點

    “大數(shù)據(jù)”一詞在業(yè)界都被普遍認為有著“3V”特征^[7]，即Volume（容量大）、Variety（種類多）、Velocity（速度快）。在制造業(yè)具有十分強的專業(yè)性、時序性、關(guān)聯(lián)性、流程性等特點情況下，不僅擁有大數(shù)據(jù)的“3V”特征，而且還有以下特征^[8-9]：（1）強相關(guān)與高維度性。制造業(yè)各個數(shù)據(jù)間往往相互關(guān)聯(lián)相互耦合，從而構(gòu)成一個復(fù)雜多變量的高維系統(tǒng)。（2）強烈的非線性。在產(chǎn)品的生產(chǎn)過程中的許多物理和化學(xué)變化都表現(xiàn)為不可測的、非線性的。（3）高噪聲?；ヂ?lián)網(wǎng)大數(shù)據(jù)主要在乎數(shù)據(jù)的統(tǒng)計顯著性，對數(shù)據(jù)噪音并沒有太大的要求，而對于制造業(yè)，只要出現(xiàn)一點差錯，都會造成巨大的損失，因此數(shù)據(jù)的高噪音是制造業(yè)大數(shù)據(jù)不可忽視的。

2 制造業(yè)的大數(shù)據(jù)技術(shù)架構(gòu)

    制造業(yè)的大數(shù)據(jù)分析平臺是根據(jù)業(yè)務(wù)的需求逐步勾畫出來的^[10]。針對制造業(yè)大數(shù)據(jù)的業(yè)務(wù)特點，制造業(yè)大數(shù)據(jù)平臺在功能上應(yīng)滿足多種類型數(shù)據(jù)的采集與導(dǎo)入，能存儲海量的、多樣的、多類型的制造業(yè)大數(shù)據(jù)，支持多種類型的數(shù)據(jù)分析方法和數(shù)據(jù)展示方法。從性能方面考慮，制造業(yè)大數(shù)據(jù)平臺總架構(gòu)應(yīng)滿足可擴展性、高錯容性與可靠性、實時性、較好的安全性以及低成本等要求^[11]。

    在制造過程中，對大數(shù)據(jù)的實時分析與處理，對制造過程的實時決策及實時控制，是企業(yè)生產(chǎn)安全有序進行、及時決策、提高效率、減少損失的重要保障^[12]。另一方面，制造業(yè)是一個高維非線性的復(fù)雜性行業(yè)，一個普通的制造企業(yè)，其內(nèi)部就包含著許多子系統(tǒng)，例如制造執(zhí)行系統(tǒng)（MES）、企業(yè)資源計劃（ERP）、產(chǎn)品數(shù)據(jù)管理（PDM）等。每一個子系統(tǒng)往往又包含著許多業(yè)務(wù)流程，產(chǎn)生著大量的數(shù)據(jù)，甚至可以單獨構(gòu)成一個領(lǐng)域的大數(shù)據(jù)，例如供應(yīng)鏈管理大數(shù)據(jù)就是大數(shù)據(jù)在供應(yīng)鏈的一個應(yīng)用^[13]。

    綜上，根據(jù)制造業(yè)實際需求和業(yè)務(wù)狀況相結(jié)合，勾畫出制造業(yè)大數(shù)據(jù)技術(shù)架構(gòu)如圖2所示。在該架構(gòu)中，系統(tǒng)先將各種來源的數(shù)據(jù)進行集成處理，再根據(jù)對各部分數(shù)據(jù)的要求與特點選擇不同的處理方式，并根據(jù)業(yè)務(wù)的需求進行分析，最后用不同的數(shù)據(jù)展現(xiàn)方式將信息傳達給各個應(yīng)用系統(tǒng)。

3 大數(shù)據(jù)下的制造業(yè)關(guān)鍵技術(shù)

3.1 大數(shù)據(jù)集成技術(shù) 

    數(shù)據(jù)集成技術(shù)就是把不同來源、格式、特點、性質(zhì)的數(shù)據(jù)在邏輯上或者物理上有機地集中，為系統(tǒng)存儲一系列面向主題的、相對穩(wěn)定的、反映歷史變化的數(shù)據(jù)集合，從而為系統(tǒng)提供全面的數(shù)據(jù)共享^[14]。大數(shù)據(jù)的集成技術(shù)是解決制造企業(yè)各系統(tǒng)間的數(shù)據(jù)沉余和“信息孤島”的重要工具。按照數(shù)據(jù)集成點不同，可以將其分為源端和應(yīng)用端數(shù)據(jù)集成。

    （1）源端數(shù)據(jù)集成。在制造企業(yè)中，數(shù)據(jù)來源十分廣泛，數(shù)據(jù)格式復(fù)雜，不僅有傳統(tǒng)的內(nèi)部生產(chǎn)數(shù)據(jù)，還有市場數(shù)據(jù)、客戶關(guān)系數(shù)據(jù)、價值鏈數(shù)據(jù)等。面對重多的數(shù)據(jù)來源和格式，如果直接將其進行大數(shù)據(jù)分析，不但會導(dǎo)致分析速度的下降，而且還會影響數(shù)據(jù)分析的質(zhì)量^[15]，因此在數(shù)據(jù)分析前將數(shù)據(jù)集成為統(tǒng)一格式是制造業(yè)大數(shù)據(jù)分析的重要步驟。源端數(shù)據(jù)集成如圖3所示。

    （2）應(yīng)用端的數(shù)據(jù)集成。制造業(yè)內(nèi)部存在許多應(yīng)用系統(tǒng)，例如生產(chǎn)應(yīng)用、供應(yīng)鏈應(yīng)用、定制應(yīng)用等，不同的應(yīng)用系統(tǒng)間往往有不同的數(shù)據(jù)庫和數(shù)據(jù)形式，且各個應(yīng)用系統(tǒng)之間的數(shù)據(jù)一般只能供自己使用，而這樣就很容易產(chǎn)生信息孤島。對應(yīng)用端數(shù)據(jù)進行集成將會利于各個部門與系統(tǒng)間的信息共享，避免企業(yè)信息孤島的產(chǎn)生。應(yīng)用端數(shù)據(jù)集成如圖4所示。

3.2 大數(shù)據(jù)存儲技術(shù)

    大數(shù)據(jù)下的制造業(yè)對數(shù)據(jù)存儲將面臨著以下挑戰(zhàn)：（1）存儲數(shù)據(jù)量大，制造業(yè)大數(shù)據(jù)量將達到PB級別甚至更高；（2）制造業(yè)大數(shù)據(jù)來源廣，數(shù)據(jù)形式和數(shù)據(jù)結(jié)構(gòu)都比較復(fù)雜；（3）滿足數(shù)據(jù)的完整性；（4）數(shù)據(jù)讀取和寫入速度應(yīng)達到業(yè)務(wù)的需求；（5）具備可擴展性。顯然，傳統(tǒng)的數(shù)據(jù)庫明顯有點力不從心，制造業(yè)大數(shù)據(jù)的存儲還要尋求新的方法。分布式文件系統(tǒng)是大數(shù)據(jù)時代數(shù)據(jù)存儲最好的工具，比較有代表性的分布式文件系統(tǒng)當(dāng)屬Hadoop的HDFS^[16]。HDFS是受到Google文件系統(tǒng)(GFS)的啟發(fā)而構(gòu)建的，有著支持超大文件、低延遲數(shù)據(jù)訪問、高錯容性、可擴展、可運行在普通機器上等優(yōu)點^[17]，HDFS的工作原理如圖5所示^[10][18]。

3.3 大數(shù)據(jù)處理技術(shù)

    制造業(yè)的大數(shù)據(jù)處理技術(shù)主要包含了批處理、流處理和內(nèi)存計算^[19]，分別滿足制造業(yè)大數(shù)據(jù)處理的不同需求。

3.3.1 批處理技術(shù)

    目前最主流的批處理技術(shù)當(dāng)屬Google公司在2004年提出的MapReduce分布式計算模式，基于該框架寫出來的應(yīng)用程序可以在普通機器群集上運行，能夠輕松地處理TB級別以上的數(shù)據(jù)集，且有良好的錯容性。

    在MapReduce中，一個計算流程分為map和reduce兩個階段。在map階段，其輸入文件(Input file)往往會被劃分為固定大小的輸入塊（split）。每個塊都會對應(yīng)著一個map任務(wù)，該map任務(wù)中的map函數(shù)會作用于split中的每一個記錄（record），一個記錄就是一個<key，value>鍵值對。map任務(wù)完成后，其結(jié)果(<key,value>鍵值對)會被進行分區(qū)（partition），然后暫時寫入到磁盤中，為reduce階段做準備。在reduce階段，map階段的每個partition都會被分配至某個reduce任務(wù)，等到reduce階段處理完成后，其結(jié)果將會被存入到分布式文件系統(tǒng)（HDFS）中。MapReduce整個處理流程如圖6所示^[12]。

3.3.2 流處理技術(shù)

    批處理技術(shù)對大批量靜態(tài)的數(shù)據(jù)處理是有效的，然而在制造企業(yè)中，不光要處理大批量的靜態(tài)數(shù)據(jù)，而且還要處理像生產(chǎn)監(jiān)控數(shù)據(jù)、故障警報數(shù)據(jù)等動態(tài)和大批量小數(shù)據(jù)。

    流處理（Stream Computing）技術(shù)對這種數(shù)據(jù)的處理往往是非常有效的^[20]。當(dāng)有數(shù)據(jù)到來時，流處理工具就應(yīng)該立刻響應(yīng)，然后把處理后得到的信息馬上呈送給用戶或系統(tǒng)，這種數(shù)據(jù)處理無須數(shù)據(jù)準備時間，從而有很好的實時性。目前，流處理計算框架主要有：Apache S4、Storm、Scribe、Kafka等，下面用比較主流的S4進行介紹。

    S4(Simple Scalable Streaming System)^[21-22]是一個分布式流計算模型，S4有著良好的通用性、可擴展性、錯容性等優(yōu)點。S4在對數(shù)據(jù)處理時，將數(shù)據(jù)流看成是事件（Event）的序列流。每個Event是一個（K，A）元素，通過EventType來標示其類型。K、A分別表示這種類型的 Event的若干個關(guān)鍵字和若干個屬性。在這種抽象的基礎(chǔ)上，設(shè)計者將Processing Elements(PE)定義為S4中的最小數(shù)據(jù)計算單元。每個PE只負責(zé)處理Event type、屬性Key和屬性Value都匹配的事件，并最終輸出結(jié)果或新的（K，A）元素。每個S4都包含有若干個這樣的PE，當(dāng)數(shù)據(jù)到來時，便立刻共同作業(yè)，完成數(shù)據(jù)流的處理。

3.3.3 內(nèi)存計算

    內(nèi)存計算技術(shù)，就是指CPU直接從內(nèi)存上讀取數(shù)據(jù)，并進行計算、分析。內(nèi)存計算大大減少了從硬盤讀取數(shù)據(jù)的時間，是對傳統(tǒng)數(shù)據(jù)處理模式的一種速度提升。比較有代表性的內(nèi)存計算系統(tǒng)有SAP HANA、Oracle Exadata和IBM pureData。

    較批處理與流處理來說，內(nèi)存計算的最大優(yōu)勢就在于其處理數(shù)據(jù)的速度，從而決定了內(nèi)存計算非常適合需要實時獲得結(jié)果的數(shù)據(jù)，是制造業(yè)大數(shù)據(jù)分析和數(shù)據(jù)處理中的關(guān)鍵應(yīng)用技術(shù)之一。 內(nèi)存計算的原理非常簡單，如圖7所示^[20]。

3.4 大數(shù)據(jù)分析技術(shù)

    大數(shù)據(jù)技術(shù)的根本驅(qū)動力是將信號轉(zhuǎn)化為數(shù)據(jù)，將數(shù)據(jù)分析為消息，將消息提煉為知識，以知識促成決策和應(yīng)用^[24]。經(jīng)過數(shù)據(jù)的集成與處理后，所得的數(shù)據(jù)便成為數(shù)據(jù)分析的原始數(shù)據(jù)，根據(jù)業(yè)務(wù)的需求與應(yīng)用，再對數(shù)據(jù)進一步的分析，最后得到所需要的知識。

    傳統(tǒng)意義上的數(shù)據(jù)分析技術(shù)是先將數(shù)據(jù)進行存儲，然后對數(shù)據(jù)進行篩選，建立數(shù)據(jù)中心，在此基礎(chǔ)上建立數(shù)據(jù)倉庫，再根據(jù)業(yè)務(wù)需求來進行聯(lián)機分析處理（OLAP）^[11]。這種方法對于結(jié)構(gòu)復(fù)雜、實時性要求高，分析程度較深的制造業(yè)大數(shù)據(jù)來說是無能為力的。根據(jù)制造業(yè)大數(shù)據(jù)的數(shù)據(jù)特點與業(yè)務(wù)要求，制造業(yè)大數(shù)據(jù)的數(shù)據(jù)分析主要面臨的困難是大量非結(jié)構(gòu)化復(fù)雜數(shù)據(jù)分析和實時預(yù)測分析。因此可以利用以下思想去解決制造業(yè)大數(shù)據(jù)的分析難題：（1）對數(shù)據(jù)進行處理。在面臨結(jié)構(gòu)復(fù)雜的大數(shù)據(jù)時，利用?；枷?，將大數(shù)據(jù)進行粒分，變大數(shù)據(jù)為小數(shù)據(jù)后再進行分析；（2）加強對新一代數(shù)據(jù)分析工具的利用與研究。例如EMC的GreenPlum數(shù)據(jù)分析工作臺、Teradata的Aster Data平臺等；（3）通過人工智能和機器學(xué)習(xí)等技術(shù)分析大數(shù)據(jù)^[24]。

3.5 大數(shù)據(jù)展現(xiàn)技術(shù)

    制造業(yè)的大數(shù)據(jù)展現(xiàn)技術(shù)可以分為制造過程數(shù)據(jù)展現(xiàn)技術(shù)、歷史數(shù)據(jù)展現(xiàn)技術(shù)及可視化技術(shù)。

    制造過程數(shù)據(jù)展現(xiàn)技術(shù)是制造業(yè)大數(shù)據(jù)展現(xiàn)技術(shù)的關(guān)鍵部分。隨著制造物聯(lián)的快速發(fā)展，制造企業(yè)會產(chǎn)生大量生產(chǎn)現(xiàn)場實時數(shù)據(jù)，如果將這些實時數(shù)據(jù)實時展現(xiàn)出來，那么就可以清晰地了解到生產(chǎn)現(xiàn)場的實時變化情況，這樣不僅提高了企業(yè)的生產(chǎn)效率，而且能完善企業(yè)的資源配置，是實現(xiàn)智慧生產(chǎn)的重要步驟。

    歷史數(shù)據(jù)展現(xiàn)技術(shù)主要體現(xiàn)在制造業(yè)對歷史數(shù)據(jù)的管理和展示上，這里的歷史數(shù)據(jù)一般指對實時性要求不是太強的數(shù)據(jù)，例如企業(yè)生產(chǎn)歷史數(shù)據(jù)、客戶關(guān)系數(shù)據(jù)、競爭對手數(shù)據(jù)等。企業(yè)對歷史數(shù)據(jù)分析展現(xiàn)，可以繪制出數(shù)據(jù)的發(fā)展趨勢并預(yù)測出未來的數(shù)據(jù)走勢，可以模擬歷史重大事件發(fā)生與演變，挖掘歷史事件潛在的知識與規(guī)律。

    數(shù)據(jù)可視化技術(shù)是指運用計算機圖形學(xué)和圖像處理技術(shù)，將數(shù)據(jù)轉(zhuǎn)換為圖形或圖像在屏幕上顯示出來，并進行交互處理的方法和技術(shù)^[25]。制造業(yè)的復(fù)雜性、多系統(tǒng)性決定了數(shù)據(jù)的分析結(jié)果會呈現(xiàn)出多維的特點。數(shù)據(jù)可視化技術(shù)正是解決這一系列問題的，它以一種簡單易懂的方式將復(fù)雜的數(shù)據(jù)呈現(xiàn)給我們，不僅讓我們更容易去理解數(shù)據(jù)，而且對發(fā)現(xiàn)數(shù)據(jù)中新的信息也起到非常關(guān)鍵的作用。目前常見的可視化技術(shù)有Tag cloud、History flow、Spatial information flow等。

4 結(jié)語

    “中國制造2025”和德國“工業(yè)4.0”紛紛指出智能制造是制造業(yè)未來的發(fā)展趨勢，而大數(shù)據(jù)技術(shù)則是助力實現(xiàn)智能制造不可缺失的一把利劍。將來，制造技術(shù)不光是指傳統(tǒng)的機械加工等技術(shù)，而是一種集制造業(yè)與互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、移動互聯(lián)、大數(shù)據(jù)、云計算等信息技術(shù)為一體的新局面，這是制造業(yè)智能化、綠色化的必要前提。大數(shù)據(jù)技術(shù)已廣泛使用在互聯(lián)網(wǎng)、電商、金融等行業(yè)，并創(chuàng)造了較大的商業(yè)價值，然而對于制造業(yè)來說，乃處在起步甚至是研究階段。因此，大力發(fā)展制造業(yè)大數(shù)據(jù)技術(shù)，挖掘制造業(yè)大數(shù)據(jù)的最大價值，促進制造業(yè)的轉(zhuǎn)型升級將是制造企業(yè)下一階段的重要任務(wù)與課題。

參考文獻

[1] 迪莉婭.我國大數(shù)據(jù)產(chǎn)業(yè)發(fā)展研究[J].科技進步與對策，2014，31（4）：56-60.

[2] MANYIKA J，CHUI M，BROWN B，et al．Big data：the next frontier for innovation，competition，and productivity[M].New York：Mc Kinse ＆ Company，2011．

[3] EKBLA H，MATTLOLL M，KOUPER I.Big Data，Bigger Dilemmas：A Critical Review[J].Journal of the Association for Information Science and Technology，2015(8).

[4] 王冰.大型流程工業(yè)集團級生產(chǎn)數(shù)據(jù)平臺的應(yīng)用探討[J].科技與企業(yè)，2014（1）：129-130.

[5] 邵景鋒，賀興時，王進富，等.大數(shù)據(jù)環(huán)境下的紡織制造執(zhí)行系統(tǒng)設(shè)計[J].機械工程學(xué)報，2015(5)：160-170.

[6] 中國電機工程學(xué)會信息化專委會.中國電力大數(shù)據(jù)發(fā)展白皮書[M].北京：中國電力出版社，2013(11).

[7] Bello-Orgaz G，JUNG J J，CAMACHO D.Social big data：Recent achievements and new challenges[J].Information Fusion，2015(8).

[8] 楊水利，梁永康.制造企業(yè)服務(wù)化轉(zhuǎn)型影響因素扎根研究[J].科技進步與對策，2016，33（8）：101-105.

[9] KRUMEICH J，SCHIMMELPFENNIG J，JACOBI S.Advanced planning and control of manufacturing processes in steel industy though Big Data analytics[J].2014 IEEE International Conference on Big Data：2014.

[10] 趙剛.大數(shù)據(jù)技術(shù)與實踐指南[M].北京：電子工業(yè)出版社，2013.

[11] 王淑芬.基于大數(shù)據(jù)的制造運行監(jiān)測與分析平臺研究[D].廣州：廣東工業(yè)大學(xué)，2014.

[12] 楊正益.制造物聯(lián)海量實時數(shù)據(jù)處理方法研究[D].重慶：重慶大學(xué)，2012.

[13] 郭偉.大數(shù)據(jù)及其在供應(yīng)鏈中的應(yīng)用.供應(yīng)鏈管理[J].2015（5）：200-220.

[14] 彭小圣，鄧迪元，程時杰，等.面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J].中國電機工程學(xué)報，2015（2）：503-511.

[15] 樓巍.面向大數(shù)據(jù)的高維數(shù)據(jù)挖掘技術(shù)研究[D].上海：上海大學(xué)，2013.

[16] Apache.HDFS Architecture.http：//hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/Hdfs Design.html#Introduction.

[17] 蔡斌，陳湘萍.Hadoop技術(shù)內(nèi)幕：深入解析Hadoop Common和HDFS架構(gòu)設(shè)計與實現(xiàn)原理[M].北京：機械工業(yè)出版社，2013.

[18] WHITE T.Hadoop：The Definitive Guide[M].O’Reilly Media，Inc，1005 Gravenstein Highway North，Sebastopol，CA95472，2009(7).

[19] KUMAR R.Two computational paradigm for big data[EB/OL].2012，http：//kdd2012.sigkdd.org/sites/images/summerschool/Ravi-Kumar.pdf.

[20] 徐飛.大數(shù)據(jù)流的實時處理研究[D].無錫：江南大學(xué)，2014.

[21] 崔星燦，禹曉輝，劉洋，等.分布式流處理技術(shù)綜述[J].計算機研究與發(fā)展，2015，52（2）：318-332.

[22] Aga.J.Yahoo!S4分布式流處理引擎分析總結(jié)[EB/OL].http：//www.cnblogs.com/aga-j/archive/2012/02/03/233-7151.html.2012（2）.

[23] 孫柏林．“大數(shù)據(jù)”技術(shù)及其在電力行業(yè)中的應(yīng)用[J]．電氣時代，2013(8)：18-23.

[24] 工業(yè)和信息化部電信研究院.大數(shù)據(jù)白皮書(2014年)[R].工業(yè)和信息化部電信研究院，2014（5）.

[25] 唐澤圣，陳莉，鄧俊輝．三維數(shù)據(jù)場可視化[Ｍ]．北京：清華大學(xué)出版社，1999：1-6.

作者信息:

李少波1，2，陳永前1

(1.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點實驗室，貴州 貴陽550025；2.貴州大學(xué) 機械工程學(xué)院，貴州 貴陽550025)