工业制造领域高质量数据集建设路径与实践研究

工业制造领域高质量数据集建设路径与实践研究

程彤彤¹ 尹子航 ^1,2 徐婷婷¹ 刘阳^1*

（1. 中国信息通信研究院，北京 100010；

2. 北京邮电大学，北京 100010）

一、研究背景

在数字经济时代背景下，数据已成为重塑全球竞争格局的关键生产要素，推动人工智能（AI）技术从“以模型为中心”向“以数据为中心”转变。工业制造作为实体经济的核心支柱，其数字化、智能化转型离不开高质量数据集的支撑。当前，我国制造业总体规模连续14年位居全球第一，积累了海量工业数据，但数据价值挖掘仍处于初步阶段，存在场景复杂、标准不一、工具匮乏等问题，制约了工业智能化的深入发展。

为了进一步释放数据要素价值，各国纷纷将数据资源建设纳入国家战略布局。欧盟通过《欧洲数据战略》《数据法案》构建数据治理框架，美国依托Data.gov平台推动公共数据共享，我国也先后出台《新一代人工智能发展规划》《“数据要素×”三年行动计划（2024—2026年）》等政策，组建国家数据局统筹数据资源整合共享与开发利用。在此背景下，系统研究工业制造领域高质量数据集的内涵特征、建设瓶颈与实现路径，对于破解工业智能化发展的数据瓶颈、提升我国制造业国际竞争力具有重要的理论与实践意义。

本文围绕工业制造领域高质量数据集建设展开研究，首先梳理国内外战略布局与高质量数据集的核心内涵，其次分析工业数据的独特属性与建设面临的挑战，进而提出涵盖数据集构建、质量评价、关键技术的完整建设路径，最后结合典型应用案例与政策建议，为工业制造领域高质量数据集建设提供系统性解决方案。

二、工业制造领域高质量数据集发展背景与核心内涵

（一）国内外战略布局与发展态势

全球主要经济体均高度重视工业数据资源建设，形成了各具特色的发展路径。欧盟聚焦数据流动壁垒消除与跨境数据安全保障。在标准架构层面，德国工业4.0平台于2015年发布的参考架构模型RAMI 4.0（Reference Architecture Model for Industrie 4.0）为工业数字化提供了分层结构化框架，成为欧洲制造业数字化转型的基础性参考标准。在数据空间建设层面，国际数据空间协会（IDSA）发布《国际数据空间参考架构模型》（IDS-RAM）， 提出基于数据主权原则的工业数据共享架构，为汽车、机械等行业跨企业数据互联互通提供了技术规范。在政策法规层面，欧盟于2020年发布《欧洲数据战略》，2022年通过《数据治理法案》（Data Governance Act），2023年正式颁布《数据法案》（Data Act），系统性构建了工业数据流通与安全保障的法律框架。美国坚持以开放共享为基本理念推进工业数据资源建设。在政策法规层面，美国于2018年颁布《开放政府数据法案》（OPEN Government Data Act）， 将政府数据默认开放确立为法定原则，并依托Data.gov平台持续扩充可机读公共数据集规模。在标准规范层面，美国国家标准与技术研究院（NIST）于2023年发布《人工智能风险管理框架》（AI RMF 1.0），将数据质量与数据可信度纳入AI系统全生命周期风险管控体系。在制造业数据标准层面，工业互联网联盟（IIC）发布《工业互联网参考架构》（IIRA）及一系列工业数据互操作白皮书，推动制造业数据模型与接口标准化。

我国将数据要素市场化配置改革作为重要战略任务，形成了多层次政策支撑体系。党的十九届四中全会通过的《中共中央关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定》首次将数据列为生产要素。2022年12月，《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》从产权、流通、安全等方面奠定制度基础。2024年12月，国家发展改革委等部门印发《关于促进数据标注产业高质量发展的实施意见》，对建设高质量工业数据集提供有力支撑。这些政策举措共同推动我国工业数据建设从分散化向体系化发展。

（二）高质量数据集的核心内涵与特征

1.高质量数据集的核心内涵

在AI赋能千行百业的大前提下，高质量数据集是工业智能化应用的重要基础，其核心价值在于为AI模型提供精准、全面、有效的训练基础。在模型规模及算力固定的前提下，数据的质和量直接决定模型训练效果，数据多样性可显著提升模型泛化能力。Scale AI调查显示，三分之一的从业者将数据质量问题列为首要挑战，数据错误会转化为AI的偏见和误导性预测，高质量数据集已然成为AI产业发展的核心要素。

2.高质量数据集的核心特征

在工业场景中，高质量数据集通常具备五大核心工业特色特征。一是工业级完整性，覆盖工业生产“人、机、料、法、环、测”全要素，涵盖正常工况、临界工况、故障工况等全场景。二是行业规范性，遵循如OPC UA、Profinet工业标准协议，通过统一编码、结构与标注标准，解决多品牌设备、多产线数据不一致的问题。三是工业可用性，数据格式适配工业AI算法，支持算法大规模运算，如传感器时序数据可直接导入预测性维护模型进行特征提取，无需额外格式转换。四是工程易用性，具备贴合工业场景的元数据描述与文档说明，可降低工程师使用门槛。五是工况有效性，数据样本能够准确反映工业场景的关键特征与变化规律。

数据规模与质量的平衡是高质量数据集建设的重要原则。传统机器学习领域训练数据通常需达到万条级别，样本量应大于10倍数据集的特征数量。大模型领域预训练数据规模通常达千亿token，以GPT-3为例，其预训练语料经过滤后约3000亿tokens。但数据质量比数量更为重要，高质量小数据通过科学处理可实现良好的模型性能，缺失的数据量也可通过超参数优化或迁移学习弥补。

（三）高质量数据集对工业智能的意义

工业智能的发展依赖通用大模型与专业小模型的协同应用，两者均以高质量数据集为核心基础。通用大模型通过海量跨场景数据预训练，具备广泛适应性，可支持工业代码生成、设备故障文档分析、多模态交互等通用任务。专业小模型针对特定工业场景进行优化，具备参数量少、部署轻量化特征，适用于设备预测性维护等点状应用。当前，工业制造领域AI应用以专业小模型为主，但其性能提升仍需依赖大规模高质量数据的支撑，具体如表1所示。

表 1 通用大模型与专业小模型数据集的构建路径对比

高质量数据集对工业智能化的推动作用，可从以下三个层面加以理解。其一，在生产全流程层面，高质量数据集为从研发设计、工艺优化到生产执行、质量管控，再到运维服务与预测性维护的各个环节提供了统一的数据基础。标准化数据的引入与数据驱动机制的建立，有助于打通各生产环节的信息壁垒，提升整体运行效率。其二，在复杂场景适配层面，工业生产涉及文本、图像、时序信号等多模态异构数据，单一模态的建模方式难以全面刻画复杂工况下的系统状态。高质量数据集通过整合多源数据并挖掘跨模态特征关联，能够有效增强智能模型对复杂工业场景的感知与响应能力。其三，在产业普惠层面，高质量数据集的建设成本对中小企业而言构成较高门槛。面向行业开放共享的公共数据集，可避免企业在数据采集与清洗环节的重复投入，降低智能化转型的边际成本，从而推动制造业整体智能化水平的协同提升。

三、工业制造领域高质量数据集的建设问题与挑战

（一）工业数据的独特属性与边界特征

工业数据具备多态、实时、闭环的独特属性，且数据边界动态复杂，直接导致数据集建设难度显著高于通用领域。从数据特性来看，工业数据具备以下特征：一是具有多态性，涵盖时序、关系表、文档等多种格式。二是实时性要求高，需达到毫秒级别响应。三是闭环性，需要支撑动态调整，单个环节数据破坏可能引发级联影响。例如，在化工生产中，温度数据出现异常时，若未及时处理，会引发压力、流量等数据连锁波动，进而影响产品质量。从数据类型来看，工业数据包括关系数据库存储的结构化数据、时序数据库存储的工况数据以及文档、图片等半结构化或非结构化数据，其结构复杂性远超普通数据。

工业数据边界呈现多维动态特征，进一步加剧管理难度。一是数据来源边界广，涵盖“人、机、料、法、环、测”等各类要素，导致采集不完整问题突出。二是数据存储边界散，涉及本地控制、云端平台等多物理与逻辑位置，使资产梳理与统一管理存在困难。三是数据应用边界活，涉及内外部数据的流动与共享，边界处于动态变化中，需通过数据血缘追踪等技术实现可视化管理。边界特征决定了工业领域高质量数据集建设需兼顾广泛性与安全性。

（二）传统工业数据互联互通的经验与启示

全球工业互联互通实践表明，工业数据标准化与安全共享是核心，但我国仍面临工业数据标准不统一、协同不足等突出问题。美国通过IIC推动工业互联网标准化，推广OPC UA协议在汽车、机械行业的应用，实现设备间数据的无缝交互；欧洲通过工业数据空间实现跨企业数据共享，支撑零部件供应商与主机厂的数据协同。我国已形成以工业互联网标识解析系统为基础的互联体系，通过PROFINET、OPC UA等多源异构协议实现数据采集，但仍面临标准不统一、兼容性不足等问题。

国内外实践表明，工业互联互通的核心在于数据标准化与安全共享。我国工业互联体系建设虽取得一定成效，但数据质量仍是关键问题，需通过高质量数据集建设提升AI应用水平。借鉴欧洲工业数据空间经验，构建全国统一的工业数据共享与管理平台，加强各层级联动，是破解“数据孤岛”的关键路径。

（三）当前高质量数据集建设的主要瓶颈

1.场景复杂性与定制化需求高

工业制造场景多样，不同企业生产流程、设备管理方式差异显著，通用型数据集难以覆盖所有场景，而生产优化、供应链管理等领域缺乏高质量的开源共享数据集，普适性数据集构建难度大。

2.专用数据标注工具匮乏

现有数据标注工具多聚焦图像和语音数据，缺乏适用于工业传感器数据、机器状态数据的专用工具，难以满足结构化、非结构化与时序数据的复杂标注需求，导致标注效率低、质量参差不齐。

3.质量评估体系缺失

缺乏系统的数据集质量评估标准与判定依据，使数据质量优劣难以识别，可用性与适用性验证机制不足，动态更新与维护缺乏规范，数据集易过时失效。

四、工业制造领域高质量数据集建设路径

（一）数据集构建特点与敏感数据处理

工业制造领域数据集建设具有显著独特性。首先，工业制造领域数据来源复杂，涵盖设备传感器、生产管理系统等多渠道，实时性与结构复杂性特征突出。其次，工业制造领域数据敏感性高，涉及企业核心生产流程、工艺参数等商业秘密，需严格控制泄露风险。最后，工业制造领域数据类型多样，包含时序、图像、音频、文本等多模态数据，需融合同步处理。

敏感数据处理是数据集建设的关键环节，需要在共享与安全间实现平衡。在技术层面，数据脱敏可通过去除或模糊化核心敏感信息，在不泄露商业秘密的前提下支撑数据共享；可利用联邦学习，在不交换原始数据的条件下开展多主体协同建模，充分释放分布式数据价值；利用隐私计算，依托安全多方计算、同态加密等技术，实现数据“可用不可见”的安全隔离使用。在组织实施层面，行业数据集一般由行业协会或龙头企业牵头，联合工业互联网平台统一制定建设标准并搭建分布式共享平台，确保数据所有权归属清晰，使用方在受控环境内安全调用数据，实现安全与价值的双重保障。

（二）数据集构建流程与差异化路径

1.通用构建流程

针对工业数据多源异构与实时性强的特征，基于全国数据标准化技术委员会（SAC/TC609）发布的TC609-5-2025-01《高质量数据集建设指南》，本文创新性地提出一套工业制造数据集通用构建流程，涵盖从物理世界感知到数字空间映射的八个关键环节，如图1所示。

图 1 工业制造领域高质量数据集建设流程

（1）业务需求映射与元数据定义：本流程首先通过问题定义，将模糊的业务痛点转化为可量化的数据需求，并明确数据的分辨率、采样频率及物理单位等关键指标。在此基础上，进一步构建面向工业场景的元数据标准，建立统一的元数据规范，定义涵盖设备ID、设备型号、工艺参数、时间戳、传感器类型、生产批次、工况标签等描述字段，确保数据的可解释性与语义互操作性。

（2）端云协同的泛在采集：针对工业现场普遍存在的“哑设备”与协议壁垒问题，本流程通过多协议解析，利用工业网关兼容OPC UA、Modbus、Profinet等异构工业协议，实现全量数据的接入。例如，对老旧设备加装边缘采集模块，实现振动、温度数据的实时采集。同时，在边缘端部署轻量化过滤算法，即时剔除无效数据，降低带宽压力，利用时间敏感网络技术保障微秒级的时间同步，确保同一生产节拍内的多源数据时间对齐。

（3）物理感知的清洗与融合：区别于传统数据清洗，本环节引入工业机理模型作为约束条件，识别并修正违反物理常识的异常值，并结合多模态时空对齐，解决多模态信息的时空非同步问题，通过重采样与时间窗滑动技术实现多源数据的精准对齐。

（4）智能化分级标注：针对海量原始数据，智能化分级标注通过部署预训练大模型对其进行“初筛”和“预打标”，生成置信度评分。在此过程中，引入主动学习策略，仅筛选出低置信度、高价值的疑难案例推送给领域专家进行人工复核。例如，利用工业缺陷识别预训练模型对10万张焊缝图片进行初步标注，生成置信度评分，从而大幅降低专家标注成本。

（5）特征工程与数据增强：特征构建通过提取信息机理特征，结合信号处理技术提取时域与频域特征，构建高维特征空间。针对负样本稀缺问题，该方法利用生成对抗网络或扩散模型合成高保真故障样本，通过旋转、加噪处理、混合等手段扩充训练集分布。

（6）数据集版本化管理：版本管理模块通过构建统一的特征存储库，实现特征的复用与共享，避免重复开发。同时，通过引入数据版本控制工具，对数据集迭代过程进行严格记录，确保实验的可复现性与可追溯性。

（7）动态监测与更新：本流程对生产环境中的数据分布实施实时监控，并利用统计检验法识别数据漂移和概念漂移。当漂移指标超过阈值时，自动触发数据集更新流程，重新采集新工况数据并触发模型重训练，形成动态闭环。

（8）闭环质量评估：“数据质量—模型性能”关联评估机制通过模型在验证集上的Loss反馈，反向定位数据采集或标注环节的缺陷，实现数据集质量的持续迭代优化。

2.差异化构建路径

本论文结合工业场景需求与模型定位差异，针对通用大模型和专业小模型两类对象，分别实施差异化的数据集构建策略。通用大模型数据集以大规模、多样化数据为核心，全面覆盖多行业、多工艺、多设备类型。该类数据集的构建通常依托政府引导、行业联盟或龙头企业牵头组织，采用数据脱敏、联邦学习、隐私计算等技术保障敏感信息安全，最终形成具备广泛适应性的数据集，支撑设备状态预测、生产全局优化、多模态交互等通用工业场景。专业小模型数据集聚焦单一生产环节或特定设备场景，数据来源限定于企业内部产线与端侧设备。该类数据集的构建重点在于通过精细化标注、特征工程与小样本数据增强等技术，保障数据精度与实时性。该类数据集整体呈现轻量化、快部署特征，适用于特定设备故障预测、局部工艺参数优化等点状工业应用。

（三）工业领域数据集质量评价体系

TC609发布TC609-5-2025-04《高质量数据集 质量评测规范》等技术文件，为工业领域数据集质量评价提供基本框架。在此基础上，本文结合定性与定量分析对工业制造领域数据集质量评价。

1.定性评价

定性评价聚焦数据来源可信度、数据采集与标注过程规范性、数据治理与管理水平三个方面。在数据来源可信度方面，要求数据源自受信设备与系统，且符合工业标准协议。在数据采集与标注过程规范性方面，需确保多种环境条件下的一致性与复现性。在数据治理与管理水平方面，关注异常值处理、可追踪性与可管理性等关键指标。

2.定量评价

定量评价采用多维度指标体系。一是完整性，以数据缺失率作为核心度量指标，其数值需低于应用标准值。二是准确性，通常采用均方误差量化数据与实际情况的偏差。三是一致性，通过错误率评估数据内部逻辑的相符程度，指标值应尽量趋近于零。四是时效性，以平均延迟时间或更新频率衡量，确保满足实时性需求。五是多样性，重点衡量数据集对不同工况、设备类型及环境条件的覆盖程度，保障数据集分布的代表性。在此基础上，进一步结合行业专家评审与用户反馈机制，形成闭环优化的质量评价体系。

（四）工业领域数据集的商业化路径与共享机制

1.工业制造数据集商业化路径

工业制造数据集商业化路径呈现多元化特征。一是数据服务模式。平台运营方汇集多家工业企业数据，提供工业生产预测性维护、生产优化等按需付费服务。二是联合模型开发模式。制造企业与AI企业通过联邦学习等方式合作开发行业通用模型，实现产业集体效益最大化。三是知识产品化模式，通过数据挖掘形成工业知识与最佳实践，产品化为可复制的解决方案，以订阅、授权等方式商业化。

2.数据共享机制

工业制造数据集共享机制主要有三种：一是行业数据联盟由行业协会或龙头企业牵头，制定共享标准与规则，打破企业壁垒。二是数据安全沙箱允许使用方在受控环境中开发验证模型，确保数据处于企业控制范围。三是区块链溯源机制记录数据来源、流向及使用情况，保障数据流转透明度与不可篡改性。这些机制通过技术与规则双重保障，实现数据的安全共享。

五、工业制造领域高质量数据集建设的关键技术

（一）共性技术需求

工业制造领域数据集建设在共性技术需求层面呈现出以下几个核心维度。

其一，数据标准化与系统互联互通。当前工业环境中设备种类繁杂、系统异构问题突出，亟须建立统一的数据采集规范与传输协议，以保障数据在跨平台、跨系统环境中的无缝流通与有效集成。

其二，高质量数据的获取与全生命周期管理。依托智能传感器网络与边缘计算架构，可显著提升数据采集的精度与实时响应能力；与此同时，需构建系统化的数据治理流程，涵盖数据清洗、质量评估与版本管理等关键环节，以保障数据的可靠性与可用性。

其三，数据共享机制与安全保障体系的协同构建。在推动数据开放共享的过程中，需同步建立多层次的安全防护机制。在数据流通效率与隐私保护之间寻求合理平衡，防范数据泄露与滥用风险。

其四，数据的深度分析与价值挖掘。通过引入大数据分析方法与机器学习算法，对工业生产过程中积累的海量数据进行深层次建模与知识提炼，为生产优化与决策支持提供数据驱动的依据。

其五，数据集结构的适应性设计与动态扩展能力。面向工业场景中结构化、时序及非结构化等多模态数据并存的现实需求，数据集架构应具备良好的兼容性与弹性扩展能力，以支撑多类型数据的综合应用与持续迭代更新。

（二）核心技术支撑

1.数据采集技术

智能传感器与边缘计算设备的普及实现了数据采集的全面覆盖与实时性提升，边缘计算设备可在现场完成数据筛选与初步分析，降低传输延迟。高速通信协议解决了设备间兼容性问题，第五代移动通信技术（5G）及5G-A技术凭借低延迟、大带宽特性，保障了海量设备同时在线的可靠数据传输。工业数据采集设备需具备恶劣环境适应性，兼容结构化、时序及非结构化等多种数据类型，支持从原料入库到成品出库的全流程监控。

2.数据分析技术

预测性分析与大数据融合是工业数据分析的核心创新点。基于大数据与机器学习的预测性维护可提前识别设备异常趋势，降低停机损失。深度学习技术突破了传统分析局限，卷积神经网络、递归神经网络可处理复杂多模态数据，实现自动化缺陷检测、设备状态预测等功能。工业数据分析强调实时性与精细化控制，需具备毫秒级响应能力，与生产控制系统深度集成，构成闭环控制体系。

3.数据标注技术

自动化标注大幅提升了工业数据处理效率，通过深度学习模型对视频、图像、文本等数据进行自动标注，减少人工依赖。“自动标注+人工审核”模式成为主流，机器完成大规模初步标注，人类专家对复杂异常数据进行二次审核修正，兼顾效率与准确性。工业数据标注需适应多模态、多场景需求，结合设备工艺参数与生产背景进行综合标注，要求标注工具具备高度灵活性与专性。

4.数据合成与增强技术

数据合成技术通过生成对抗网络等模型，模拟多种工况数据，突破样本稀缺、采集成本高的瓶颈，扩充数据集样本空间。数据增强技术通过旋转、镜像、噪声添加等变换，提供多样化训练样本，提升模型鲁棒性与稳定性，在视觉检测领域应用广泛。工业数据合成与增强需注重工况数据的真实性与仿真度，结合物理仿真和生成模型，模拟复杂工业流程与设备特性，确保合成数据与实际生产条件匹配。

5.数据集管理技术

数据仓库、数据湖等技术实现了大规模工业数据的集中存储与快速调用，权限管理机制保障敏感数据安全。区块链技术为数据溯源与透明提供支撑，链上记录数据访问与修改操作，确保不可篡改性。分布式存储技术实现数据同步存储与管理，提高可用性与容灾能力。工业数据集管理需适应数据种类多样性与实时性需求，与生产控制系统紧密集成，具备高灵活性与扩展性。

六、工业制造领域高质量数据集的典型应用

（一）工业质量控制与缺陷检测

质量控制与缺陷检测是高质量数据集应用最集中的场景，占比超过30%，其数据获取便利性与应用价值突出。在该场景下，数据集主要包括工件识别图像、缺陷检测图像、非破坏性测试图像等，通过图像预处理、特征提取等环节，为深度学习模型提供训练基础。常用模型包括缺陷分类模型、目标检测模型、缺陷分割模型，可实现对缺陷的识别、定位与分割。

数之联工业AI质检是工业质量控制与缺陷检测典型的应用实践之一。其工业质检方案包括自动缺陷检测与分类系统（ADC）、智能相机智能检测设备、一站式AI服务训练平台等核心产品，全链路打通数据采集、标注、训练和部署环境。ADC通过深度学习算法对产线图片进行精准实时分类，支持在半导体、面板、汽车等多个领域进行缺陷检测，检测速度比人工快5~10倍，准确率大幅提升。智能相机设备支持多种部署方式，覆盖家电、印制电路板组件（PCBA）、半导体等产品的检测。该方案通过高质量数据集支撑，有效降低检测成本，避免人工主观偏差。

（二）生产排产与设备故障分析

生产排产优化与设备故障分析场景的数据集集中性源于效率优化需求与数据驱动特性，涉及订单需求、原材料供应、设备运行状态、故障记录等多维度数据。数据集主要包括振动信号、转速信号、温度信号等传感数据，通过数据清洗、特征提取、模型训练等环节，支撑智能排产与预测性维护应用。常用技术包括变分模态分解（VMD）信号处理技术、包络谱分析、智能优化算法等，可实现状态实时监测、剩余寿命预测、故障诊断等功能。

富士康的制造过程智能化升级案例具有代表性。富士康通过对研发设计、采购供应链、加工制造等全环节数据采集，借助平台进行智能处理与分析，实时掌握机台运行状态、生产指标、异常报警等关键信息。在生产排产方面，基于全局数据的打通实现柔性自动化产线的智能化排产。在设备管理方面，通过智能刀具库对接设备数据，实现智能化管理。在能耗优化方面，实时监控空压机能耗，降低运营成本。该案例表明，高质量数据集可有效支撑生产管理优化，推动从自动化、数字化向智能化转型。

七、发展建议

（一）打造全生命周期多层次数据集

构建覆盖工业制造设计、生产、运维全生命周期的高质量数据集体系，确保数据多样性与代表性。制定统一的数据采集、标注、存储及共享标准，提升数据互操作性与复用性。鼓励龙头企业与科研机构协作开发行业公共数据集，为中小企业提供共享资源，降低智能化门槛。建立跨行业数据生态，打破行业壁垒，推动数据资源整合与高效利用，支撑工业智能化全面升级。

（二）搭建工业领域数据标注工具链

优先开发适配工业场景的传感设备与采集工具，确保数据采集实时性与精准性。重点研发工业大数据清洗、标注、存储及分析工具，优化数据处理流程。加快推广工业智能建模与仿真工具，促进数据向生产场景高效转化。推动专用工具开源化与标准化，为中小企业提供低成本解决方案，扩大工具应用范围，提升数据集建设效率与质量。

（三）打造工业数据空间与流转模式

利用区块链技术打造工业数据空间，探索数据集流转应用新模式，推动数据便捷高效流通，突破“数据孤岛”限制。建立开放共享的数据环境，鼓励行业参与者共建共享高质量数据集，基于数据共享与收益分配机制，降低中小企业数字化转型门槛。推动以高质量数据集为核心的商业模式创新，激发产业潜力，加快工业制造数字化转型进程。

（四）完善数据安全与隐私保护机制

构建覆盖数据采集、存储、传输、使用全流程的安全管理体系，防范数据泄露风险。引入联邦学习、差分隐私等技术，确保数据使用的安全性与合规性。制定工业数据分类分级管理标准，加大敏感数据保护力度。通过法律法规与技术手段协同，建立企业与机构信任机制，为高质量数据集开发与应用提供安全屏障，保障工业智能化稳健发展。

（五）构建应用需求导向的产业生态

发挥政府协调作用，搭建公共服务平台，整合分散的行业数据资源，促进数据共享与流通。引导企业围绕生产实际需求，优化数据标注与清洗流程，提供精准数据支持。推动上下游企业、科研机构与数据服务商深度协作，打通数据共享与应用壁垒，实现产业链协同创新。建立需求驱动、多方共赢的数据生态，加速高质量数据集产业化应用，为工业智能化提供持续动力。

作者简介

程彤彤，中国信息通信研究院，高级工程师，博士，研究方向：工业智能化、数据治理；

尹子航，中国信息通信研究院，研究方向：工业智能化、数据治理；

徐婷婷，中国信息通信研究院，高级工程师，研究方向：工业互联网标识解析、人工智能应用;

刘阳（通信作者），中国信息通信研究院，正高级工程师，博士，研究方向：工业互联网标识解析、人工智能应用。