近日，工業和信息化部印發《工業場景數據要素應用參考指引》（以下簡稱《指引》），推進工業數據采集處理、流通匯集、融合應用，賦能行業提質降本增效，助力新型工業化加快推進。

《指引》圍繞研發設計、生產制造、經營管理、客戶服務、產業協同等關鍵環節，凝練出23個場景，每個場景的數據要素應用分別從預期效果和數據“采、集、用”四個方面總結。其中，研發設計環節，涵蓋數據驅動產品設計、工藝數字化設計、數字化協同研發、產品虛擬中試驗證、工藝虛擬仿真驗證5個場景。生產制造環節，涵蓋設備智能監測與維護、數字孿生工廠建設、智能排產優化、生產作業智能調度、質量智能檢測、質量預測與改進、安全生產智能監控、大規模個性化生產8個場景。經營管理環節，涵蓋能耗智能管理與調度、碳資源全生命周期管理、精準營銷管理、倉儲智能管理、物流智能配送5個場景。客戶服務環節，涵蓋智能客戶服務、智能遠程運維服務2個場景。產業協同環節，涵蓋網絡化協同制造、產業鏈供應鏈高效協同、產業鏈供應鏈風險管控3個場景。

《指引》以附件的形式，為每個場景提供了對應的典型實踐案例。案例從要點概述、主要做法、應用成效三方面展開，幫助企業對場景有更加清晰直觀的認識與理解。

關于印發《工業場景數據要素應用參考指引》的通知

工信廳信發函〔2026〕174號

各省、自治區、直轄市及計劃單列市、新疆生產建設兵團工業和信息化主管部門：

現將《工業場景數據要素應用參考指引》印發給你們，請引導企業以場景應用為牽引，探索工業數據“采”“集”“用”有效路徑，加快推進工業數據開發利用，促進數據要素賦能新型工業化。

工業和信息化部辦公廳

2026年4月20日

工業場景數據要素應用參考指引

為深入貫徹落實《中共中央國務院關于構建數據基礎制度更好發揮數據要素作用的意見》和全國新型工業化推進大會部署，加快釋放工業數據要素價值，促進數據要素賦能新型工業化，特制定本指引。本指引圍繞研發設計、生產制造、經營管理、客戶服務、產業協同等5個環節，凝練出23個典型場景中的數據“采、集、用”及預期效果，為工業企業、數字化轉型服務商、行業組織等推進工業數據開發利用提供參考。

一、研發設計

1.數據驅動產品設計（難度★★，價值★★★★）

預期效果：構建數據驅動的研發模式，實現產品設計標準化、模塊化、參數化，提升產品研發效率。采：通過標準化接口，獲取訂單產品、物料清單、設計要求等設計數據。利用標準化接口、人工智能手段，獲取老師傅研發過程、設計要點等經驗數據。集：利用數字化工具，對產品研發相關數據進行清洗、標注、整合等治理，形成標準化數據集。結合行業知識，注入專家經驗，打造設計知識庫。用：應用多學科聯合仿真、物性表征與分析等技術，建設產品研發數字化體系，優化研發業務流程，實現數據驅動的研發設計模式。

2.工藝數字化設計（難度★★，價值★★★）

預期效果：構建數字化工藝設計與仿真模型，實現制造工藝的模擬分析、評估優化，提升工藝設計效率、質量。采：通過標準化接口，采集產品設計圖紙、工藝參數、工序圖形等工藝數據。利用標準化接口、人工智能手段，獲取老師傅工藝設計經驗數據。集：對工藝設計相關數據進行清洗、加工等治理，形成標準化數據集。結合行業知識，注入專家經驗，構建工藝知識庫。用：應用工藝機理建模、知識挖掘與分析等技術，推動工序排布、工藝指令等自動生成，自動識別最優工藝參數組合，實現工藝設計快速迭代優化。

3.數字化協同研發（難度★★★，價值★★★）

預期效果：推動企業內部研發為主向多主體研發演進，實現跨企業、跨地域協同創新與設計，提高研發效率。采：通過傳感器、標準化接口，獲取圖紙、工藝、實驗、檢測等研發數據。通過協議互換，獲取高校、研發機構等外部研發資源數據。集：利用數字化工具，對研發數據進行清洗、整合等治理，形成標準化數據集。結合行業領域知識，構建研發設計知識庫，并根據研發情況動態更新。用：利用5G網絡、數字孿生、工業互聯網、虛擬現實等技術，搭建數字化協同研發平臺，實現設計圖紙/方案的協同優化、研發數據共享，推動供應商、客戶等主體跨部門、跨地域在線協同研發。

4.產品虛擬中試驗證（難度★★★，價值★★★）

預期效果：實現在虛擬環境的仿真測試和優化，發現產品設計潛在問題，降低實物測試成本，縮短研發周期。采：通過標準化接口，獲取材料測試、分析檢測、仿真試驗等測試數據。通過傳感器，獲取產品試驗、工業試制、穩定生產等中試各階段數據。集：利用數字化工具，開展數據清洗、融合等治理，形成標準化數據集。構建統一的數據倉或數據湖，或利用云儲存方式，存儲歷史數據和實時數據。用：利用多物理場聯合仿真、虛擬現實、自動化測試等技術，搭建虛實融合的中試環境，開展產品結構、性能、配方等虛擬測試驗證，識別設計薄弱環節并持續改進。

5.工藝虛擬仿真驗證（難度★★★，價值★★★）

預期效果：推動生產工藝虛擬仿真驗證，降低驗證成本，優化工藝流程，降低設計與制造的差異。采：通過標準化接口，獲取產品設計、設備參數、材料屬性等基礎數據。通過傳感器、高清攝像頭，獲取生產環境、過程控制、資源分配等業務數據。集：通過數據清洗、整合等治理，形成標準化數據集。結合行業領域知識，注入專家經驗，構建典型工藝庫和工藝案例庫。用：應用動力學仿真分析、虛擬現實、作業情況模擬等技術，搭建虛實融合的驗證環境，開展工藝參數、路徑的模擬仿真在線分析，推動工藝參數、流程布局等迭代優化。

二、生產制造

6.設備智能監測與維護（難度★★，價值★★★★）

預期效果：構建設備運行監測體系，實現預測性維護，提高設備運行的可靠性和穩定性。采：通過傳感器，采集設備運行狀態（溫度、振動、壓力等）、維護日志等數據。利用標準化接口、人工智能手段，獲取老師傅設備維護維修經驗數據。集：利用數字化工具，對設備相關數據進行清洗、加工、整合等治理，形成標準化數據集。開展設備運維知識的抽取、存儲、管理、檢索等數據治理，打造設備運維知識庫。用：利用5G網絡、多模態數據融合、機理分析、工業互聯網等技術，建立設備健康監測系統，識別設備異常信號，制定設備維護保養計劃，實現設備運行狀態分析、異常報警和智能診斷。

7.數字孿生工廠建設（難度★★★★，價值★★★★）

預期效果：構建數字孿生模型，實現虛實實時映射和交互，識別并消除生產瓶頸，優化生產流程。采：通過傳感器、高清攝像頭，采集車間的人員定位、環境變化等生產數據。通過傳感器，采集設備的基本信息、工作狀態等運維數據。通過標準化接口，采集企業采購、庫存、銷售、服務等業務數據。集：通過數據清洗、標注、融合等治理，形成標準化數據集。構建統一的數據倉或數據湖，存儲設備、產線、車間等工廠各層級數據。用：應用工廠信息模型、制造系統仿真、工業互聯網等技術，構建設備、產線、車間、工廠等各層級數字孿生系統，推動生產流程、設備狀態等全面監控與優化。

8.智能排產優化（難度★★，價值★★★）

預期效果：推動生產計劃的可視化、可模擬、可優化，實現智能化生產管理與調度，提高排產效率和設備利用率。采：通過條碼標簽掃描，獲取產品信息、技術規格、交貨期、優先級等訂單數據。通過標準化接口，獲取人力、物料、設備等資源數據。集：通過數據清洗、加工等治理，形成標準化數據集。結合行業領域知識，注入專家經驗，建立生產計劃知識庫。用：應用多目標多約束求解、產能動態規劃等技術，構建智能排產系統，推動生產計劃自動生成與動態調整，實現生產效率、成本、能耗等多目標綜合優化。

9.生產作業智能調度（難度★★★，價值★★★★）

預期效果：實現生產作業實時跟蹤監測，自動識別生產異常，及時調整生產任務和資源分配，快速實現重新排產。采：通過傳感器、高清攝像頭，采集機器運行狀態、員工作業等生產數據。通過標準化接口，獲取任務執行、物料消耗、日志管理等系統數據。集：對生產作業數據進行清洗、加工等治理，形成標準化數據集。結合行業領域知識，注入專家經驗，建立生產作業知識庫。用：應用具身智能、產線模塊化重構等技術，搭建生產作業動態調度系統，推動生產過程自動化、智能化，實現人力、設備、物料等資源動態優化配置。

10.質量智能檢測（難度★★，價值★★★★★）

預期效果：推動檢測流程自動化，實現產品缺陷自動識別與分類、質量等級自動判定，提升質檢效率。采：通過標準化接口，獲取質量標準、質檢記錄、缺陷記錄等歷史檢測數據。通過自動化檢測設備，采集產品尺寸、外觀、性能、物理化學性質等實時檢測數據。集：通過數據清洗、加工等治理，形成標準化數據集。結合行業領域知識，建立質量特征圖譜和典型缺陷庫。用：應用5G+AI、機器視覺識別、物性表征分析等技術，構建智能化檢測與管理系統，實現產品關鍵參數測量、分析、反饋以及質量快速診斷與自動判定。

11.質量預測與改進（難度★★，價值★★★）

預期效果：構建“事前預防”質量管控模式，推動質量改進自動化、智能化，提升質量一致性，降低產品不良率。采：通過標準化接口，獲取產品質量檢測、原材料特性等歷史數據。通過傳感器、工業互聯網，獲取工藝參數、設備運行、生產異常等生產過程數據。集：利用數字化工具，對質量歷史、生產等數據進行整合、加工、存儲等治理，構建產品動態質量畫像，形成產品質量數據集。用：利用質量波動分析、深度學習等技術，基于數據監測與分析，提前預測預防質量問題，快速鎖定質量問題源頭，推動質量持續優化。

12.安全生產智能監控（難度★★★，價值★★★★★）

預期效果：構建“全域感知”管理體系，精準識別違規作業、環境異常、設備風險等隱患，實現風險早發現、早處置。采：通過高清攝像頭，獲取人員定位、操作規范、設備健康指標、氣體監測等安全監管數據。通過標準化接口，獲取安全生產要求、生產日歷、事故案例等歷史數據。集：利用數字化工具，開展數據清洗、加工、整合等治理，形成標準化數據集。推動知識關聯、抽取、管理與檢索，打造安全生產知識庫。用：應用高危作業監控、視頻智能分析等技術，建設生產安全智能監測與應急處置模型，實現生產過程安全態勢感知、風險預警和應急處置，精準管控重大危險源。

13.大規模個性化生產（難度★★★，價值★★★★）

預期效果：推動企業與用戶互動合作，通過滿足用戶個性化需求，快速應對市場變化。采：通過市場調研，獲取客戶消費習慣、消費能力、行為偏好等需求數據。打通消費互聯網和工業互聯網，通過標準化接口，獲取設計、生產、采購、物流等全流程數據。集：利用數字化工具，開展數據清洗、標注、整合、存儲等治理，形成標準化數據集，構建產品部件、組件、工藝、材料等數據庫。用：應用柔性制造系統、可重構產線等手段，開展智能排產、在線調度，自動組建最小業務單元，實現規模化、個性化、定制化生產。

三、經營管理

14.能耗智能管理與調度（難度★★，價值★★★）

預期效果：開展能源負荷預測、異常能耗診斷，實現能源自動調配，保障能源穩定供應、降低綜合能耗。采：通過傳感器、儀器儀表，獲取各類設備、作業單元的用電、用水、用氣、余熱、熱能需求等用能數據。通過標準化接口，獲取工藝路線、生產計劃、制造流程等生產數據。集：利用數字化工具，開展數據清洗、標注、整合、存儲等治理，推進多源數據融合，形成標準化數據集，打造能源知識庫。用：建設數字化能碳管理中心，應用能耗綜合建模仿真、能源平衡分析等技術，搭建能源管控和智能調度模型，開展生產能耗監測、節能潛力分析，實現能源在線監測和優化調度。

15.碳資源全生命周期管理（難度★★★，價值★★★★）

預期效果：構建“管碳—算碳—降碳”一體化碳管理體系，推動碳排放準確核算、實時監測，降低單位產值碳排放量。采：通過傳感器、儀器儀表，獲取煤炭、石油、燃氣、電力等能源數據。通過標準化接口，獲取原料碳含量、碳配額與交易、碳資產注冊等數據。集：利用數字化工具，對碳排放全周期數據進行清洗、標注、整合、存儲等治理，推進多源數據融合，形成標準化碳排放數據集。用：建設數字化能碳管理中心，應用碳排放精細化檢測、碳排放指標自動核算、工業互聯網標識解析等技術，開展碳排放數據盤查、碳足跡追蹤，推動全生命周期碳排放追蹤、核算和交易。

16.精準營銷管理（難度★★，價值★★★★）

預期效果：根據需求變化及時調整營銷策略，優化銷售流程和渠道，打造滿足客戶需求的產品與服務，提高銷售效率。采：通過在線調查，獲取客戶消費習慣、消費能力、行為偏好等需求數據。通過標準化接口，獲取訂貨、銷售、庫存、生產、服務等系統數據。集：利用數字化工具，對營銷相關數據進行清洗、標注、整合、存儲等治理，推進多源數據融合，形成標準化的營銷數據集。用：應用深度學習、市場需求預測等技術，建立銷售管理智能體，開展客戶畫像分析，基于客戶需求變化優化營銷策略，推動供需精準匹配。

17.倉儲智能管理（難度★★，價值★★★）

預期效果：推動倉儲管理智能化，實現貨物庫存狀態的可視化監控和精細化追溯，提高倉儲效率。采：通過傳感器、RFID標簽，獲取庫存物資的品種、數量、入庫時間等基礎數據。通過傳感器、視頻監控，實時監控貨物位置、溫濕度等動態數據。集：利用數字化工具，對倉儲管理相關數據進行清洗、標注、整合、存儲等治理，形成標準化的倉儲數據集。用：應用5G網絡、具身智能、多形態混存揀選等技術，搭建倉儲管理智能體，實現物資入庫、上下貨架、發貨等智能化管理，優化庫存布局、補貨邏輯、揀選路徑。

18.物流智能配送（難度★★，價值★★★）

預期效果：實現物流配送過程實時監控、調度，準確反饋配送進度，合理調配運輸、倉儲等資源，提高配送準時率。采：通過傳感器、GPS定位器等設備，采集物流配送過程中的貨物信息、配送路徑、人員操作等實時數據。通過標準化接口，獲取運輸歷史、交通路況等日志數據。集：利用數字化工具，對采集的數據進行清洗、標注、加工、整合、存儲等治理，形成標準化的物流配送數據集。用：應用5G網絡、實時定位導航、多模態感知、智能駕駛等技術，建設智能物流管理系統，實現物流全程跟蹤、異常預警和高效處理。

四、客戶服務

19.智能客戶服務（難度★★，價值★★★★）

預期效果：構建智能客戶服務體系，快速準確理解客戶意圖，精準匹配客戶需求，提升客戶服務質量。采：通過在線調查，獲取客戶信息、市場需求、趨勢變化等市場數據。通過客戶服務平臺，獲取客戶使用反饋、歷史服務等服務數據。集：利用數字化工具，對數據進行清洗、標注、整合等治理，形成標準化數據集。推動知識關聯、抽取、管理與檢索，打造客戶服務知識庫。用：應用多模態交互、自然語言處理、多媒體應用等技術，建立客戶服務大模型和智能管理系統，優化智能客戶服務流程，實現主動式客戶服務響應。

20.智能遠程運維服務（難度★★，價值★★★★）

預期效果：構建遠程運維服務平臺，實時查看產品/設備運行狀況，合理調配服務資源，實現維護效率提升與用戶體驗優化。采：通過部署傳感器、邊緣計算網關，采集產品/設備的運行狀態、健康狀態、運行軌跡等監測數據，利用數據安全技術，通過5G網絡等無線/有線網絡將采集數據實時傳輸至云平臺。通過標準化接口、人工智能手段，獲取行業知識、老師傅經驗等知識經驗數據，構建故障診斷知識庫。集：通過數據清洗、加工、整合，形成標準化數據集。結合行業領域知識，構建產品/設備故障與維護知識庫。用：應用自然語言處理、知識圖譜、虛擬現實、遠程指導等技術，通過端云協同、虛擬環境使客戶獲得設備調試、故障排除、維修保養等遠程操作指導。

五、產業協同

21.網絡化協同制造（難度★★★，價值★★★★）

預期效果：統籌開展多生產任務協作，實現制造資源、生產能力、市場需求的高效對接和協同共享。采：通過標準化接口，采集企業訂單需求、設備運行、物料配送、進度管理等生產數據。依托工業互聯網平臺和標識解析體系，獲取產業鏈上下游和合作伙伴設備、工具、物料、人力等數據。集：將數據統一集成至云平臺，實現數據共享與安全可信流通。利用數字化工具，開展數據清洗、標注、整合等治理，形成標準化數據集。用：基于智能算法、數據分析技術，推動產業鏈上下游制造資源配置優化與生產任務共享，實現訂單智能分配、制造能力共享、集采集銷等業務高效協同。

22.產業鏈供應鏈高效協同（難度★★★，價值★★★★★）

預期效果：推動產業鏈供應鏈高效協同與合作，精準預測需求，提升資源利用效率，提高全鏈條整體響應速度和協同效率。采：通過標準化接口，獲取企業研發、采購、生產、庫存等內部數據。通過工業互聯網平臺和標識解析體系、行業可信數據空間，獲取產業鏈供應鏈上下游采購、庫存、銷售等數據。集：將數據統一集成至云平臺或數據湖，實現數據匯聚共享和安全可信流通。利用數字化工具，開展數據清洗、標注、整合等治理，構建標準化產業鏈數據集。用：應用集成建模、多目標尋優等技術，建設產業鏈供應鏈管理系統，優化研發、采購、生產、配送計劃，實現產業鏈供應鏈可視化管理和協同運作。

23.產業鏈供應鏈風險管控（難度★★★，價值★★★★）

預期效果：實現產業鏈供應鏈風險在線監控、精準識別、提前預警，降低斷鏈風險，提升產業鏈供應鏈韌性和安全水平。采：通過標準化接口，獲取企業原材料采購、生產計劃、銷售訂單、庫存備貨等內部數據。通過工業互聯網平臺和標識解析體系、行業可信數據空間，獲取產業鏈上下游原材料庫存、生產、物流等數據，推動數據安全可信流通。集：構建統一的數據倉或數據湖，匯聚歷史與實時更新數據。利用數字化工具，開展數據清洗、標注、整合等治理，形成標準化數據集。用：應用多源信息感知、風險評估預測等技術，搭建產業鏈供應鏈風險監測與預警平臺，開展關鍵指標、風險事件實時監測，量化風險等級，實現風險預警與應對。

附件：場景對應典型實踐案例