清华工业大数据重点实验室召开学术委员会会议,展示最新研究成果

清华工业大数据重点实验室召开学术委员会会议,展示IoTDB、AnyLearn等最新研究成果,专家探讨工业大数据未来发展方向。

原文标题:工业大数据系统与应用北京市重点实验室第二届学术委员会第三次会议成功召开

原文作者:数据派THU

冷月清谈:

1月19日,工业大数据系统与应用北京市重点实验室在清华大学召开第二届学术委员会第三次会议。会议由孙家广院士主持,清华大学科研院副院长李水清致辞,实验室主任王建民教授汇报了实验室发展情况和科研成果。实验室研究骨干分别介绍了清华数为大数据软件栈系列系统与应用研究成果,包括工业物联网时序数据库管理系统IoTDB、交互式机器学习引擎AnyLearn、领域大数据应用开发工具DWF、工业物联网时序数据库文件TsFile及其应用。化工系吕菲亚博士后和能动系刘培教授汇报了石化行业大数据应用基础技术年度工作和新型能源体系下火电机组灵活运行中大数据方法的应用进展。学术委员会对实验室的成果给予了高度肯定,并就基础研究与应用结合、跨学科交叉融合、人才培养等方面提出了建议。

怜星夜思:

1、文章中提到的几个研究成果,IoTDB、AnyLearn、DWF、TsFile,它们之间有什么联系和区别?各自的应用场景是什么?
2、实验室提到要加强基础研究与应用结合,在工业大数据领域,如何更好地实现这一点?
3、桂卫华院士提到“这个实验室是在他所了解范围内国内唯一一家一直坚持做工业大数据技术的重点实验室”,这反映了工业大数据领域怎样的现状?

原文内容


1月19日上午,工业大数据系统与应用北京市重点实验室第二届学术委员会第三次会议在清华大学软件学院316会议室成功召开。学术委员会主任孙家广院士、副主任桂卫华院士、江碧涛院士及学术委员中国人民大学校长助理杜小勇教授,石化管理干部学院李德芳教授,原宝钢中央研究院郭朝晖研究员,北京化工大学靳其兵教授、何存富教授,冶金自动化研究院孙彦广教授,中国通信院余晓晖院长出席会议。实验室主任软件学院院长王建民教授、副主任化学工程系赵劲松教授、能源与动力系刘培教授、软件学院龙明盛副教授及骨干研究人员12人参会,清华大学科研院副院长李水清出席会议并致辞。会议由孙家广院士主持。


李水清致辞


清华大学科研院副院长李水清对各位学术委员会委员的到来表示热烈欢迎。他讲到,随着工业大数据与新一代信息技术的深度融合,未来要做好信息与数据的融合工作,做好工业大数据的平台支撑作用,充分发挥我们信息技术和传统工科领域的优势,加强科研和产业协同,解决产业中遇到的实际问题。


王建民汇报


实验室主任王建民教授围绕组织架构、总体目标、研究方向和应用成果等方面向学术委员会汇报了实验室的发展情况和科研成果。


从左至右依次为:黄向东、龙明盛、刘英博、宋韶旭


实验室研究骨干黄向东、龙明盛、刘英博、宋韶旭分别向与会专家介绍了清华数为大数据软件栈系列系统与应用研究成果:工业物联网时序数据库管理系统IoTDB、交互式机器学习引擎AnyLearn、领域大数据应用开发工具DWF、工业物联网时序数据库文件TsFile及其在工业与民生领域的重点应用。


图片图片 吕菲亚、刘培汇报


化工系博士后吕菲亚、能动系刘培分别汇报了石化行业大数据应用基础技术2024年度工作汇报、新型能源体系下火电机组灵活运行中大数据方法的应用工作进展。

图片 

会议现场

图片 

桂卫华院士

图片 

江碧涛院士

图片 

孙家广院士

图片 

杜小勇教授


随后,学术委员会就汇报内容展开了热烈的讨论。桂卫华院士、江碧涛院士、杜小勇教授等全体委员一致认为,实验室在过去一年中取得了令人瞩目的成绩,特别是在工业大数据的基础研究、技术创新和应用推广方面,均取得了重要突破。桂卫华院士专门指出:“这个实验室是在他所了解范围内国内唯一一家一直坚持做工业大数据技术的重点实验室,要把特色坚持下去,把影响力打出去,把跨专业合作搞好!”。会上,委员们进一步在加强基础研究与应用结合、加强跨学科交叉融合、人才培养和团队建设等方面交流了意见,指出了实验室在未来发展中需要关注的问题和挑战,同时,对实验室的管理机制、科研合作、成果转化等方面提出了宝贵的意见和建议。图片


与会人员合影


                                                  编辑:刘纯
审核:何海洋、刘英博


关于我们

数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。




新浪微博:@数据派THU

微信视频号:数据派THU

今日头条:数据派THU


感觉这几个像是为了解决工业大数据问题而开发的一套工具链。IoTDB是数据库,TsFile是它的文件格式,AnyLearn是机器学习引擎,DWF是开发工具,方便工程师使用这套工具链。IoTDB和TsFile主要用于存储和管理工业物联网产生的时序数据,AnyLearn应该负责在这些数据上进行分析和建模,而DWF起到一个粘合剂的作用。当然,具体的我也不太清楚,还得查一下相关资料。

兄弟们,有没有一种可能,这些工具组合起来可以实现一个完整的工业大数据解决方案?比如,用IoTDB收集数据,用TsFile存储,用AnyLearn分析,用DWF开发应用。这样一套流程下来,工业大数据的应用门槛也许会降低很多。

工业大数据技术门槛高、周期长,见效慢。坚持做工业大数据,可能需要顶住各种压力,需要有长远的眼光和战略定力。

感觉工业大数据这个方向虽然喊了很多年,但是真正能坚持做下来的不多,很多都转向其他热门方向了,这个实验室能坚持下来确实不容易。

我理解基础研究应该聚焦在方法论和核心技术的突破上;应用结合可以与具体行业深度合作,开发面向特定问题的解决方案,比如与能源、制造等行业合作,开发出更具针对性的工业大数据应用。

从我目前粗浅的理解来看,IoTDB负责管理时序数据,AnyLearn负责机器学习,TsFile是IoTDB存储数据的文件格式,而DWF定位成领域大数据应用开发工具,是基于IoTDB、AnyLearn、TsFile等基础组件的开发套件,可以理解为提供了一系列的API和工具,方便开发者快速构建工业大数据应用。但具体应用场景还不是很明朗,需要进一步了解。

加强与企业的合作,让企业参与到研究过程中来,这样可以更好地了解企业的需求,研究成果也更容易转化为实际应用。

这个领域可能需要更多政策和资金的支持,才能吸引更多的人才和机构参与进来。

我觉得可以从实际的工业场景中去寻找研究方向,以问题为导向,这样研究出来的成果才能更好地落地应用。