近日，工业和信息化部印发《工业场景数据要素应用参考指引》（以下简称《指引》），推进工业数据采集处理、流通汇集、融合应用，赋能行业提质降本增效，助力新型工业化加快推进。
《指引》围绕研发设计、生产制造、经营管理、客户服务、产业协同等关键环节，凝练出23个场景，每个场景的数据要素应用分别从预期效果和数据“采、集、用”四个方面总结。其中，研发设计环节，涵盖数据驱动产品设计、工艺数字化设计、数字化协同研发、产品虚拟中试验证、工艺虚拟仿真验证5个场景。生产制造环节，涵盖设备智能监测与维护、数字孪生工厂建设、智能排产优化、生产作业智能调度、质量智能检测、质量预测与改进、安全生产智能监控、大规模个性化生产8个场景。经营管理环节，涵盖能耗智能管理与调度、碳资源全生命周期管理、精准营销管理、仓储智能管理、物流智能配送5个场景。客户服务环节，涵盖智能客户服务、智能远程运维服务2个场景。产业协同环节，涵盖网络化协同制造、产业链供应链高效协同、产业链供应链风险管控3个场景。
《指引》以附件的形式，为每个场景提供了对应的典型实践案例。案例从要点概述、主要做法、应用成效三方面展开，帮助企业对场景有更加清晰直观的认识与理解。
关于印发《工业场景数据要素应用参考指引》的通知
工信厅信发函〔2026〕174号
各省、自治区、直辖市及计划单列市、新疆生产建设兵团工业和信息化主管部门：
现将《工业场景数据要素应用参考指引》印发给你们，请引导企业以场景应用为牵引，探索工业数据“采”“集”“用”有效路径，加快推进工业数据开发利用，促进数据要素赋能新型工业化。
工业和信息化部办公厅
2026年4月20日
工业场景数据要素应用参考指引
为深入贯彻落实《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》和全国新型工业化推进大会部署，加快释放工业数据要素价值，促进数据要素赋能新型工业化，特制定本指引。本指引围绕研发设计、生产制造、经营管理、客户服务、产业协同等5个环节，凝练出23个典型场景中的数据“采、集、用”及预期效果，为工业企业、数字化转型服务商、行业组织等推进工业数据开发利用提供参考。
一、研发设计
1.数据驱动产品设计（难度★★，价值★★★★）
预期效果：构建数据驱动的研发模式，实现产品设计标准化、模块化、参数化，提升产品研发效率。采：通过标准化接口，获取订单产品、物料清单、设计要求等设计数据。利用标准化接口、人工智能手段，获取老师傅研发过程、设计要点等经验数据。集：利用数字化工具，对产品研发相关数据进行清洗、标注、整合等治理，形成标准化数据集。结合行业知识，注入专家经验，打造设计知识库。用：应用多学科联合仿真、物性表征与分析等技术，建设产品研发数字化体系，优化研发业务流程，实现数据驱动的研发设计模式。
2.工艺数字化设计（难度★★，价值★★★）
预期效果：构建数字化工艺设计与仿真模型，实现制造工艺的模拟分析、评估优化，提升工艺设计效率、质量。采：通过标准化接口，采集产品设计图纸、工艺参数、工序图形等工艺数据。利用标准化接口、人工智能手段，获取老师傅工艺设计经验数据。集：对工艺设计相关数据进行清洗、加工等治理，形成标准化数据集。结合行业知识，注入专家经验，构建工艺知识库。用：应用工艺机理建模、知识挖掘与分析等技术，推动工序排布、工艺指令等自动生成，自动识别最优工艺参数组合，实现工艺设计快速迭代优化。
3.数字化协同研发（难度★★★，价值★★★）
预期效果：推动企业内部研发为主向多主体研发演进，实现跨企业、跨地域协同创新与设计，提高研发效率。采：通过传感器、标准化接口，获取图纸、工艺、实验、检测等研发数据。通过协议互换，获取高校、研发机构等外部研发资源数据。集：利用数字化工具，对研发数据进行清洗、整合等治理，形成标准化数据集。结合行业领域知识，构建研发设计知识库，并根据研发情况动态更新。用：利用5G网络、数字孪生、工业互联网、虚拟现实等技术，搭建数字化协同研发平台，实现设计图纸/方案的协同优化、研发数据共享，推动供应商、客户等主体跨部门、跨地域在线协同研发。
4.产品虚拟中试验证（难度★★★，价值★★★）
预期效果：实现在虚拟环境的仿真测试和优化，发现产品设计潜在问题，降低实物测试成本，缩短研发周期。采：通过标准化接口，获取材料测试、分析检测、仿真试验等测试数据。通过传感器，获取产品试验、工业试制、稳定生产等中试各阶段数据。集：利用数字化工具，开展数据清洗、融合等治理，形成标准化数据集。构建统一的数据仓或数据湖，或利用云储存方式，存储历史数据和实时数据。用：利用多物理场联合仿真、虚拟现实、自动化测试等技术，搭建虚实融合的中试环境，开展产品结构、性能、配方等虚拟测试验证，识别设计薄弱环节并持续改进。
5.工艺虚拟仿真验证（难度★★★，价值★★★）
预期效果：推动生产工艺虚拟仿真验证，降低验证成本，优化工艺流程，降低设计与制造的差异。采：通过标准化接口，获取产品设计、设备参数、材料属性等基础数据。通过传感器、高清摄像头，获取生产环境、过程控制、资源分配等业务数据。集：通过数据清洗、整合等治理，形成标准化数据集。结合行业领域知识，注入专家经验，构建典型工艺库和工艺案例库。用：应用动力学仿真分析、虚拟现实、作业情况模拟等技术，搭建虚实融合的验证环境，开展工艺参数、路径的模拟仿真在线分析，推动工艺参数、流程布局等迭代优化。
二、生产制造
6.设备智能监测与维护（难度★★，价值★★★★）
预期效果：构建设备运行监测体系，实现预测性维护，提高设备运行的可靠性和稳定性。采：通过传感器，采集设备运行状态（温度、振动、压力等）、维护日志等数据。利用标准化接口、人工智能手段，获取老师傅设备维护维修经验数据。集：利用数字化工具，对设备相关数据进行清洗、加工、整合等治理，形成标准化数据集。开展设备运维知识的抽取、存储、管理、检索等数据治理，打造设备运维知识库。用：利用5G网络、多模态数据融合、机理分析、工业互联网等技术，建立设备健康监测系统，识别设备异常信号，制定设备维护保养计划，实现设备运行状态分析、异常报警和智能诊断。
7.数字孪生工厂建设（难度★★★★，价值★★★★）
预期效果：构建数字孪生模型，实现虚实实时映射和交互，识别并消除生产瓶颈，优化生产流程。采：通过传感器、高清摄像头，采集车间的人员定位、环境变化等生产数据。通过传感器，采集设备的基本信息、工作状态等运维数据。通过标准化接口，采集企业采购、库存、销售、服务等业务数据。集：通过数据清洗、标注、融合等治理，形成标准化数据集。构建统一的数据仓或数据湖，存储设备、产线、车间等工厂各层级数据。用：应用工厂信息模型、制造系统仿真、工业互联网等技术，构建设备、产线、车间、工厂等各层级数字孪生系统，推动生产流程、设备状态等全面监控与优化。
8.智能排产优化（难度★★，价值★★★）
预期效果：推动生产计划的可视化、可模拟、可优化，实现智能化生产管理与调度，提高排产效率和设备利用率。采：通过条码标签扫描，获取产品信息、技术规格、交货期、优先级等订单数据。通过标准化接口，获取人力、物料、设备等资源数据。集：通过数据清洗、加工等治理，形成标准化数据集。结合行业领域知识，注入专家经验，建立生产计划知识库。用：应用多目标多约束求解、产能动态规划等技术，构建智能排产系统，推动生产计划自动生成与动态调整，实现生产效率、成本、能耗等多目标综合优化。
9.生产作业智能调度（难度★★★，价值★★★★）
预期效果：实现生产作业实时跟踪监测，自动识别生产异常，及时调整生产任务和资源分配，快速实现重新排产。采：通过传感器、高清摄像头，采集机器运行状态、员工作业等生产数据。通过标准化接口，获取任务执行、物料消耗、日志管理等系统数据。集：对生产作业数据进行清洗、加工等治理，形成标准化数据集。结合行业领域知识，注入专家经验，建立生产作业知识库。用：应用具身智能、产线模块化重构等技术，搭建生产作业动态调度系统，推动生产过程自动化、智能化，实现人力、设备、物料等资源动态优化配置。
10.质量智能检测（难度★★，价值★★★★★）
预期效果：推动检测流程自动化，实现产品缺陷自动识别与分类、质量等级自动判定，提升质检效率。采：通过标准化接口，获取质量标准、质检记录、缺陷记录等历史检测数据。通过自动化检测设备，采集产品尺寸、外观、性能、物理化学性质等实时检测数据。集：通过数据清洗、加工等治理，形成标准化数据集。结合行业领域知识，建立质量特征图谱和典型缺陷库。用：应用5G+AI、机器视觉识别、物性表征分析等技术，构建智能化检测与管理系统，实现产品关键参数测量、分析、反馈以及质量快速诊断与自动判定。
11.质量预测与改进（难度★★，价值★★★）
预期效果：构建“事前预防”质量管控模式，推动质量改进自动化、智能化，提升质量一致性，降低产品不良率。采：通过标准化接口，获取产品质量检测、原材料特性等历史数据。通过传感器、工业互联网，获取工艺参数、设备运行、生产异常等生产过程数据。集：利用数字化工具，对质量历史、生产等数据进行整合、加工、存储等治理，构建产品动态质量画像，形成产品质量数据集。用：利用质量波动分析、深度学习等技术，基于数据监测与分析，提前预测预防质量问题，快速锁定质量问题源头，推动质量持续优化。
12.安全生产智能监控（难度★★★，价值★★★★★）
预期效果：构建“全域感知”管理体系，精准识别违规作业、环境异常、设备风险等隐患，实现风险早发现、早处置。采：通过高清摄像头，获取人员定位、操作规范、设备健康指标、气体监测等安全监管数据。通过标准化接口，获取安全生产要求、生产日历、事故案例等历史数据。集：利用数字化工具，开展数据清洗、加工、整合等治理，形成标准化数据集。推动知识关联、抽取、管理与检索，打造安全生产知识库。用：应用高危作业监控、视频智能分析等技术，建设生产安全智能监测与应急处置模型，实现生产过程安全态势感知、风险预警和应急处置，精准管控重大危险源。
13.大规模个性化生产（难度★★★，价值★★★★）
预期效果：推动企业与用户互动合作，通过满足用户个性化需求，快速应对市场变化。采：通过市场调研，获取客户消费习惯、消费能力、行为偏好等需求数据。打通消费互联网和工业互联网，通过标准化接口，获取设计、生产、采购、物流等全流程数据。集：利用数字化工具，开展数据清洗、标注、整合、存储等治理，形成标准化数据集，构建产品部件、组件、工艺、材料等数据库。用：应用柔性制造系统、可重构产线等手段，开展智能排产、在线调度，自动组建最小业务单元，实现规模化、个性化、定制化生产。
三、经营管理
14.能耗智能管理与调度（难度★★，价值★★★）
预期效果：开展能源负荷预测、异常能耗诊断，实现能源自动调配，保障能源稳定供应、降低综合能耗。采：通过传感器、仪器仪表，获取各类设备、作业单元的用电、用水、用气、余热、热能需求等用能数据。通过标准化接口，获取工艺路线、生产计划、制造流程等生产数据。集：利用数字化工具，开展数据清洗、标注、整合、存储等治理，推进多源数据融合，形成标准化数据集，打造能源知识库。用：建设数字化能碳管理中心，应用能耗综合建模仿真、能源平衡分析等技术，搭建能源管控和智能调度模型，开展生产能耗监测、节能潜力分析，实现能源在线监测和优化调度。
15.碳资源全生命周期管理（难度★★★，价值★★★★）
预期效果：构建“管碳—算碳—降碳”一体化碳管理体系，推动碳排放准确核算、实时监测，降低单位产值碳排放量。采：通过传感器、仪器仪表，获取煤炭、石油、燃气、电力等能源数据。通过标准化接口，获取原料碳含量、碳配额与交易、碳资产注册等数据。集：利用数字化工具，对碳排放全周期数据进行清洗、标注、整合、存储等治理，推进多源数据融合，形成标准化碳排放数据集。用：建设数字化能碳管理中心，应用碳排放精细化检测、碳排放指标自动核算、工业互联网标识解析等技术，开展碳排放数据盘查、碳足迹追踪，推动全生命周期碳排放追踪、核算和交易。
16.精准营销管理（难度★★，价值★★★★）
预期效果：根据需求变化及时调整营销策略，优化销售流程和渠道，打造满足客户需求的产品与服务，提高销售效率。采：通过在线调查，获取客户消费习惯、消费能力、行为偏好等需求数据。通过标准化接口，获取订货、销售、库存、生产、服务等系统数据。集：利用数字化工具，对营销相关数据进行清洗、标注、整合、存储等治理，推进多源数据融合，形成标准化的营销数据集。用：应用深度学习、市场需求预测等技术，建立销售管理智能体，开展客户画像分析，基于客户需求变化优化营销策略，推动供需精准匹配。
17.仓储智能管理（难度★★，价值★★★）
预期效果：推动仓储管理智能化，实现货物库存状态的可视化监控和精细化追溯，提高仓储效率。采：通过传感器、RFID标签，获取库存物资的品种、数量、入库时间等基础数据。通过传感器、视频监控，实时监控货物位置、温湿度等动态数据。集：利用数字化工具，对仓储管理相关数据进行清洗、标注、整合、存储等治理，形成标准化的仓储数据集。用：应用5G网络、具身智能、多形态混存拣选等技术，搭建仓储管理智能体，实现物资入库、上下货架、发货等智能化管理，优化库存布局、补货逻辑、拣选路径。
18.物流智能配送（难度★★，价值★★★）
预期效果：实现物流配送过程实时监控、调度，准确反馈配送进度，合理调配运输、仓储等资源，提高配送准时率。采：通过传感器、GPS定位器等设备，采集物流配送过程中的货物信息、配送路径、人员操作等实时数据。通过标准化接口，获取运输历史、交通路况等日志数据。集：利用数字化工具，对采集的数据进行清洗、标注、加工、整合、存储等治理，形成标准化的物流配送数据集。用：应用5G网络、实时定位导航、多模态感知、智能驾驶等技术，建设智能物流管理系统，实现物流全程跟踪、异常预警和高效处理。
四、客户服务
19.智能客户服务（难度★★，价值★★★★）
预期效果：构建智能客户服务体系，快速准确理解客户意图，精准匹配客户需求，提升客户服务质量。采：通过在线调查，获取客户信息、市场需求、趋势变化等市场数据。通过客户服务平台，获取客户使用反馈、历史服务等服务数据。集：利用数字化工具，对数据进行清洗、标注、整合等治理，形成标准化数据集。推动知识关联、抽取、管理与检索，打造客户服务知识库。用：应用多模态交互、自然语言处理、多媒体应用等技术，建立客户服务大模型和智能管理系统，优化智能客户服务流程，实现主动式客户服务响应。
20.智能远程运维服务（难度★★，价值★★★★）
预期效果：构建远程运维服务平台，实时查看产品/设备运行状况，合理调配服务资源，实现维护效率提升与用户体验优化。采：通过部署传感器、边缘计算网关，采集产品/设备的运行状态、健康状态、运行轨迹等监测数据，利用数据安全技术，通过5G网络等无线/有线网络将采集数据实时传输至云平台。通过标准化接口、人工智能手段，获取行业知识、老师傅经验等知识经验数据，构建故障诊断知识库。集：通过数据清洗、加工、整合，形成标准化数据集。结合行业领域知识，构建产品/设备故障与维护知识库。用：应用自然语言处理、知识图谱、虚拟现实、远程指导等技术，通过端云协同、虚拟环境使客户获得设备调试、故障排除、维修保养等远程操作指导。
五、产业协同
21.网络化协同制造（难度★★★，价值★★★★）
预期效果：统筹开展多生产任务协作，实现制造资源、生产能力、市场需求的高效对接和协同共享。采：通过标准化接口，采集企业订单需求、设备运行、物料配送、进度管理等生产数据。依托工业互联网平台和标识解析体系，获取产业链上下游和合作伙伴设备、工具、物料、人力等数据。集：将数据统一集成至云平台，实现数据共享与安全可信流通。利用数字化工具，开展数据清洗、标注、整合等治理，形成标准化数据集。用：基于智能算法、数据分析技术，推动产业链上下游制造资源配置优化与生产任务共享，实现订单智能分配、制造能力共享、集采集销等业务高效协同。
22.产业链供应链高效协同（难度★★★，价值★★★★★）
预期效果：推动产业链供应链高效协同与合作，精准预测需求，提升资源利用效率，提高全链条整体响应速度和协同效率。采：通过标准化接口，获取企业研发、采购、生产、库存等内部数据。通过工业互联网平台和标识解析体系、行业可信数据空间，获取产业链供应链上下游采购、库存、销售等数据。集：将数据统一集成至云平台或数据湖，实现数据汇聚共享和安全可信流通。利用数字化工具，开展数据清洗、标注、整合等治理，构建标准化产业链数据集。用：应用集成建模、多目标寻优等技术，建设产业链供应链管理系统，优化研发、采购、生产、配送计划，实现产业链供应链可视化管理和协同运作。
23.产业链供应链风险管控（难度★★★，价值★★★★）
预期效果：实现产业链供应链风险在线监控、精准识别、提前预警，降低断链风险，提升产业链供应链韧性和安全水平。采：通过标准化接口，获取企业原材料采购、生产计划、销售订单、库存备货等内部数据。通过工业互联网平台和标识解析体系、行业可信数据空间，获取产业链上下游原材料库存、生产、物流等数据，推动数据安全可信流通。集：构建统一的数据仓或数据湖，汇聚历史与实时更新数据。利用数字化工具，开展数据清洗、标注、整合等治理，形成标准化数据集。用：应用多源信息感知、风险评估预测等技术，搭建产业链供应链风险监测与预警平台，开展关键指标、风险事件实时监测，量化风险等级，实现风险预警与应对。
