质量大数据涉及产品的方方面面，数据来源和形式广泛，并且通常存储于不同系统和不同的数据库中。传统的大数据平台只能解决数据的接入和存储，但是从质量分析应用的视角看，需要把上述数据进行集成和和关联，构建统一数据服务，才能从根本上提高质量大数据的访问效率，加速质量分析和应用的创新速度。因此，在传统的大数据平台之上，需要对多维质量数据进行统一模型管理和查询层，以统一数据服务的形态对上层应用提供数据访问能力。
质量大数据服务层包含两个重要的技术模块，如图5.3所示。“工业物理对象模型”是对质量域多源异构数据的统一描述，数据关联查询引擎则提供统一的数据关联查询接口，屏蔽底层异构数据管理系统的复杂性。
数据模型是指用来描述业务领域行为的数据结构，包括重要的业务实体、属性，以及他们之间的关系。数据模型应该不依赖于具体的数据存储介质和形式。例如我们描述“产品”是质量大数据里的一个重要实体，而不是指“存储在数据库中的产品表结构”。
在质量大数据领域中的重要业务实体包括但不限于“物料”，“设备”，“工段”，“工艺”，“人员”，“产品”（本质是“物料” 的一个特例，但是为了方便理解，暂且单独提出）等。通过对产品生产过程的刻画（最终决定了质量），这些实体是天然的关联在一起，例如，一个“产品类型”包含多个“产品（实例）”，每个“产品” 有多个“工序”，每个“工序”需要依赖一个或多个“设备”，同时每个“工序”可能会消耗一部分“原材料”。产品一般是按“批次” 生产的，每个“批次”会对应一个“人员班组”，等等。这些实体、属性和关系都有可能会质量产生最重的影响，因此需要进行建模刻画。那么，如何获得稳定、描述性强的质量的大数据模型呢？
幸运的是，在工业的发展过程中，有很多标准模型可以参考借鉴，如流程行业的ISA-88，重点描述离散行业同时能兼容ISA-88模型的ISA-99生产信息整合模型，或者其他行业内的模型等等。虽然这些模型产生的目标和背景不同，但是对于大数据分析的场景，仍然有很强的借鉴意义。以图5.4中ISA-95模型为例，该模型包含了物料模型、设备模型、人员模型、产品定义模型、工艺段模型、生产能力和调度模型等几大模块，并且每个模块内部均定义了重要的实体和关系。在大数据分析的场景中，上述数据模型中的数据可以看做是“主数据”或者“基础数据”。而对于在产品生产过程中产生的大数据，则需要在上述模型的基础上进行扩展。常见的质量大数据包括生产过程中设备产生的运行监测数据，如压力、温度等，属于时序大数据；设备生产过程中产生的日志数据，通过结构化之后可以获得正常、异常事件以及时间等重要信息；设备质检过程中产生的结果数据，例如PCB、芯片的电检测数值数据，以及广泛采用的AOI图像检测数据等等。这些大数据结构可以通过扩展，挂载到基础数据模型上，最终形成完整的数据模型，我们称之为“工业物理对象模型”。
