大數(shù)據(jù)驅(qū)動的智能制造

張 潔 汪俊亮 呂佑龍 鮑勁松

東華大學(xué)機(jī)械工程學(xué)院，上海，201620

1 工業(yè)大數(shù)據(jù)為制造賦智

新一輪產(chǎn)業(yè)革命已經(jīng)到來，信息技術(shù)快速滲透到工業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)，企業(yè)擁有的數(shù)據(jù)日益豐富，并涌現(xiàn)出規(guī)模性(volume)、多樣性(variety)和高速性(velocity)等特性[1]。在智能制造實(shí)踐過程中，工業(yè)大數(shù)據(jù)技術(shù)促進(jìn)企業(yè)準(zhǔn)確感知系統(tǒng)內(nèi)外環(huán)境變化，科學(xué)分析與優(yōu)化決策以優(yōu)化生產(chǎn)過程、降低成本、提高運(yùn)營效率，更催生大規(guī)模定制、精準(zhǔn)營銷等新模式和新業(yè)態(tài)。因此，工業(yè)大數(shù)據(jù)被視為重要的生產(chǎn)要素，成為驅(qū)動智能制造、助力產(chǎn)業(yè)轉(zhuǎn)型升級的關(guān)鍵。隨著人工智能進(jìn)入2.0時(shí)代，深度學(xué)習(xí)、邊緣計(jì)算等新模型和算法被不斷提出和發(fā)展，工業(yè)大數(shù)據(jù)為智能制造帶來新的理念、方法、技術(shù)與應(yīng)用，形成新的研究熱點(diǎn)[2]。

工業(yè)大數(shù)據(jù)技術(shù)通過海量數(shù)據(jù)的處理與分析，使制造系統(tǒng)具備“學(xué)習(xí)”能力，通過源源不斷的數(shù)據(jù)對制造系統(tǒng)的復(fù)雜演化機(jī)理、知識經(jīng)驗(yàn)進(jìn)行持續(xù)學(xué)習(xí)，使制造系統(tǒng)具備自學(xué)習(xí)、自優(yōu)化、自調(diào)控能力，為制造系統(tǒng)賦予智能。隨著數(shù)據(jù)科學(xué)范式的進(jìn)一步發(fā)展，制造系統(tǒng)智力的獲取、提升與應(yīng)用方式將發(fā)生變革，大數(shù)據(jù)驅(qū)動的智能制造的科學(xué)范式與方法體系正在形成。本文系統(tǒng)分析了大數(shù)據(jù)驅(qū)動的智能制造的科學(xué)范式、理論方法與使能技術(shù)(框架體系見圖1)，闡述應(yīng)用方向與工業(yè)實(shí)踐，希望能促進(jìn)大數(shù)據(jù)驅(qū)動的智能制造的理論技術(shù)研究與工程應(yīng)用。

圖1 大數(shù)據(jù)驅(qū)動的智能制造方法與使能技術(shù)Fig.1 The paradigm, framework and application of big data driven intelligent manufacturing

2 大數(shù)據(jù)驅(qū)動的智能制造科學(xué)范式

2009年，微軟在“The fourth paradigm: data intensive scientific discovery”中，從科學(xué)研究范式的角度指出“數(shù)據(jù)密集型科學(xué)”將成為繼“實(shí)驗(yàn)科學(xué)”、“理論推導(dǎo)”、“模擬仿真”之后的第四范式[3]。傳統(tǒng)的科研范式通過實(shí)驗(yàn)、推導(dǎo)與仿真來擬合系統(tǒng)運(yùn)行的因果機(jī)理模型，并對系統(tǒng)進(jìn)行分析與優(yōu)化，而大數(shù)據(jù)則通過數(shù)據(jù)間的關(guān)聯(lián)關(guān)系來刻畫系統(tǒng)運(yùn)行的機(jī)理。第四范式認(rèn)為，在系統(tǒng)規(guī)模越來越大、結(jié)構(gòu)更加復(fù)雜的情況下，通過數(shù)據(jù)間的關(guān)聯(lián)分析即可具備更強(qiáng)的洞察能力、分析與決策能力。

在數(shù)據(jù)科學(xué)的范式下，制造系統(tǒng)的運(yùn)行分析與決策方法也將發(fā)生變革。圍繞制造系統(tǒng)的效率、質(zhì)量與穩(wěn)定性等性能指標(biāo)，“關(guān)聯(lián)+預(yù)測+調(diào)控”的決策新模式正在形成[4]。“關(guān)聯(lián)”指通過數(shù)據(jù)的關(guān)聯(lián)分析，量化數(shù)據(jù)間的影響機(jī)理，通過數(shù)據(jù)的角度探索制造系統(tǒng)運(yùn)行中的關(guān)系；“預(yù)測”指在關(guān)聯(lián)分析的基礎(chǔ)上，進(jìn)一步描述數(shù)據(jù)與系統(tǒng)性能指標(biāo)間的內(nèi)在關(guān)系，揭示系統(tǒng)性能指標(biāo)的演化機(jī)理；“調(diào)控”指在“預(yù)測”的基礎(chǔ)上，針對具體的業(yè)務(wù)進(jìn)行優(yōu)化調(diào)控，從而使系統(tǒng)性能滿足要求。

3 大數(shù)據(jù)驅(qū)動的智能制造理論方法體系

在數(shù)據(jù)科學(xué)范式的發(fā)展下，大數(shù)據(jù)驅(qū)動的智能制造理論方法體系進(jìn)一步完善，按照數(shù)據(jù)科學(xué)的方法論體系，可分為數(shù)據(jù)融合處理、關(guān)聯(lián)分析、性能預(yù)測與優(yōu)化決策四個(gè)部分：①首先通過制造大數(shù)據(jù)融合處理方法對制造系統(tǒng)運(yùn)行過程中產(chǎn)生的海量、高維、多源異構(gòu)、多尺度和高噪聲制造數(shù)據(jù)進(jìn)行多級過濾、清洗去噪、建模集成與多尺度分類等操作，為制造系統(tǒng)的關(guān)聯(lián)、運(yùn)行分析與決策提供可靠、可復(fù)用的數(shù)據(jù)資源；②在數(shù)據(jù)融合的基礎(chǔ)上，針對產(chǎn)品、工藝、設(shè)備、系統(tǒng)運(yùn)行等制造數(shù)據(jù)相互影響呈現(xiàn)出復(fù)雜的耦合特性，通過制造大數(shù)據(jù)關(guān)聯(lián)關(guān)系度量方法對工藝參數(shù)、裝備狀態(tài)參數(shù)等制造數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，并利用復(fù)雜網(wǎng)絡(luò)等理論度量制造數(shù)據(jù)之間的關(guān)聯(lián)程度和相關(guān)系數(shù)，挖掘影響車間性能指標(biāo)的相關(guān)參數(shù)；③在獲取車間性能指標(biāo)影響因素后，通過智能車間性能預(yù)測方法分析車間制造系統(tǒng)內(nèi)部結(jié)構(gòu)的動態(tài)特性與運(yùn)行機(jī)制，從海量制造過程數(shù)據(jù)中學(xué)習(xí)與挖掘車間運(yùn)行參數(shù)與車間性能的演化規(guī)律，實(shí)現(xiàn)車間性能的精確預(yù)測；④在對車間運(yùn)行情況進(jìn)行分析預(yù)測后，將車間性能的預(yù)測值與目標(biāo)決策值進(jìn)行實(shí)時(shí)比對，通過智能車間運(yùn)行決策方法對廣泛存在的動態(tài)擾動條件下的關(guān)鍵制造數(shù)據(jù)進(jìn)行定量調(diào)整，實(shí)現(xiàn)車間性能動態(tài)優(yōu)化與決策，使制造系統(tǒng)始終保持最優(yōu)穩(wěn)定運(yùn)行。

4 面向智能制造的大數(shù)據(jù)分析平臺

在大數(shù)據(jù)驅(qū)動的智能制造工業(yè)實(shí)踐中，大數(shù)據(jù)平臺是重要的使能技術(shù)，它是連通工業(yè)資源要素的重要樞紐，是工業(yè)數(shù)據(jù)管理分析的重要載體，是支撐制造系統(tǒng)自學(xué)習(xí)、自進(jìn)化的重要基礎(chǔ)，正在成為智能制造體系的“操作系統(tǒng)”。如何構(gòu)建工業(yè)大數(shù)據(jù)平臺，連接設(shè)備、物料、人員、信息系統(tǒng)的基礎(chǔ)網(wǎng)絡(luò)，實(shí)現(xiàn)工業(yè)數(shù)據(jù)的全面感知、動態(tài)傳輸、實(shí)時(shí)分析，形成科學(xué)決策與智能控制，提高資源利用率，是需要研究的重要使能技術(shù)。本文結(jié)合具體過程管控業(yè)務(wù)，提出了工業(yè)大數(shù)據(jù)平臺的參考架構(gòu)，見圖2。

圖2 工業(yè)大數(shù)據(jù)平臺架構(gòu)Fig.2 The framework of textile industry big data platform

4.1 多模式異構(gòu)的邊緣層

邊緣層包含制造過程中的底層裝備、傳感器等資源要素、資源要素的集成，以及信息融合三部分。邊緣層實(shí)現(xiàn)對生產(chǎn)裝備、物流設(shè)備、質(zhì)檢設(shè)備、傳感器等資源要素的接入、管理與優(yōu)化。從制造執(zhí)行的角度來看，邊緣層通過設(shè)計(jì)RFID標(biāo)簽、條碼、智能聯(lián)網(wǎng)裝置來實(shí)現(xiàn)資源要素的唯一標(biāo)識，增加配置各類傳感器實(shí)現(xiàn)生產(chǎn)過程狀態(tài)的智能感知，并根據(jù)工業(yè)以太網(wǎng)、藍(lán)牙、OPC UA與Ether CAT等技術(shù)實(shí)現(xiàn)互聯(lián)互通與互操作。制造業(yè)細(xì)分種類眾多，其工業(yè)大數(shù)據(jù)平臺的邊緣層受產(chǎn)業(yè)的影響而呈現(xiàn)出流程離散混合的邊緣層結(jié)構(gòu)。此外，生產(chǎn)過程優(yōu)化控制的高時(shí)效性要求，對優(yōu)化應(yīng)用中處理與分析的時(shí)延提出了更高的要求，從而催生出邊緣計(jì)算在平臺底層的應(yīng)用。

(1)流程離散混合的邊緣層結(jié)構(gòu)。工業(yè)產(chǎn)品制造是經(jīng)歷材料位移、流體動力學(xué)、物質(zhì)熱交換、化學(xué)反應(yīng)等過程，以及借助工藝設(shè)備按順序或并列完成的工藝過程。總體上，生產(chǎn)制造過程包括流程制造、離散制造以及流程制造和離散制造混合模式。對于不同生產(chǎn)模式，各企業(yè)采用的設(shè)備、工藝流程、數(shù)據(jù)采集系統(tǒng)、ERP、MES等企業(yè)信息系統(tǒng)也各不相同，不同型號的設(shè)備、企業(yè)信息系統(tǒng)的網(wǎng)絡(luò)接口、通信協(xié)議、數(shù)據(jù)庫也各不相同，所以工業(yè)大數(shù)據(jù)平臺邊緣層將兼容多種類的協(xié)議，不僅包括生產(chǎn)制造各流程的多樣性裝備間的水平互聯(lián)、還包括制造過程傳感器、控制層、設(shè)備層、車間生產(chǎn)層和企業(yè)層的垂直互聯(lián)，以及與互聯(lián)網(wǎng)、物聯(lián)網(wǎng)的鏈接。依托協(xié)議轉(zhuǎn)換兼容技術(shù)實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的邊緣集成和匯聚融合，形成流程離散混合的邊緣層結(jié)構(gòu)。

(2)低時(shí)延應(yīng)用催生邊緣計(jì)算應(yīng)用。制造過程節(jié)奏日益加快，對數(shù)據(jù)計(jì)算與分析的時(shí)效性要求不斷提高，生產(chǎn)過程實(shí)時(shí)監(jiān)控、質(zhì)量在線檢測、決策調(diào)控等優(yōu)化應(yīng)用都對計(jì)算的時(shí)效性有很高的要求。在高時(shí)效性的要求下，由傳感器采集數(shù)據(jù)，通過工業(yè)以太網(wǎng)實(shí)現(xiàn)數(shù)據(jù)傳輸，在企業(yè)私有云中實(shí)現(xiàn)參數(shù)優(yōu)化并實(shí)現(xiàn)指令下發(fā)的傳統(tǒng)方式將難以滿足要求。邊緣計(jì)算由邊緣節(jié)點(diǎn)實(shí)現(xiàn)優(yōu)化運(yùn)算，在低時(shí)延應(yīng)用中凸顯出明顯的優(yōu)勢，這是云計(jì)算體系的有力補(bǔ)充。

隨著低功耗計(jì)算技術(shù)的進(jìn)一步發(fā)展，邊緣節(jié)點(diǎn)的分析能力將進(jìn)一步增強(qiáng)，并承擔(dān)制造過程中低時(shí)延分析中的計(jì)算任務(wù)，邊緣計(jì)算節(jié)點(diǎn)的功能模型見圖3。從橫向?qū)哟蝸砜矗摴δ苣Ｐ途哂腥缦绿攸c(diǎn)：

(1)基于模型驅(qū)動的統(tǒng)一服務(wù)框架進(jìn)行業(yè)務(wù)編排，通過制造全流程中產(chǎn)品設(shè)計(jì)、流程制造、離散加工、整體裝配和測試等環(huán)節(jié)的業(yè)務(wù)關(guān)系，構(gòu)建業(yè)務(wù)矩陣，進(jìn)而定義端到端的業(yè)務(wù)流，實(shí)現(xiàn)工業(yè)互聯(lián)網(wǎng)中的業(yè)務(wù)流。

(2)邊緣計(jì)算微服務(wù)實(shí)現(xiàn)架構(gòu)極簡化，邊緣計(jì)算的微服務(wù)專注于底層邊緣節(jié)點(diǎn)的優(yōu)化分析，屏蔽底層生產(chǎn)組織結(jié)構(gòu)的復(fù)雜性，實(shí)現(xiàn)基礎(chǔ)設(shè)施部署運(yùn)營自動化、可視化以及跨域的資源調(diào)度，形成統(tǒng)一的服務(wù)框架，支撐車間生產(chǎn)過程分析與可視化。

(3)邊緣計(jì)算節(jié)點(diǎn)適配多種工業(yè)總線和工業(yè)以太網(wǎng)協(xié)議，兼容多種異構(gòu)連接，從而實(shí)現(xiàn)向下對接傳感器、智能設(shè)備，向上對接企業(yè)信息系統(tǒng)，實(shí)現(xiàn)數(shù)據(jù)的流通傳輸。

圖3 邊緣計(jì)算功能模型Fig.3 The function model of fog computing

4.2 面向全流程的工業(yè)PaaS層

工業(yè)大數(shù)據(jù)的PaaS平臺層向下兼容邊緣層的智能硬件與裝備，對上服務(wù)應(yīng)用層的工業(yè)APP，它基于通用PaaS平臺進(jìn)一步定制化形成制造行業(yè)數(shù)據(jù)主線、工業(yè)大數(shù)據(jù)系統(tǒng)、工業(yè)數(shù)據(jù)建模和分析、工業(yè)應(yīng)用開發(fā)和工業(yè)微服務(wù)組件庫與工業(yè)微服務(wù)等功能，形成可擴(kuò)展的開放式云操作系統(tǒng)。制造行業(yè)是一個(gè)涵蓋眾多領(lǐng)域的極長的產(chǎn)業(yè)鏈，為了進(jìn)一步發(fā)揮全產(chǎn)業(yè)鏈優(yōu)勢，在行業(yè)上下游形成合力，工業(yè)大數(shù)據(jù)應(yīng)當(dāng)突破某一工廠或某一車間的限制，形成整個(gè)行業(yè)生態(tài)鏈的數(shù)據(jù)主線，從而進(jìn)一步構(gòu)造跨細(xì)分行業(yè)的大數(shù)據(jù)平臺，這樣不僅能擴(kuò)大自身服務(wù)盈利范圍，而且能匯聚行業(yè)資源，有助于整個(gè)行業(yè)水平的快速提升。

面向行業(yè)生態(tài)鏈的數(shù)據(jù)主線(見圖4)是指為實(shí)現(xiàn)制造過程數(shù)字化、網(wǎng)絡(luò)化、智能化而定義的生產(chǎn)過程元數(shù)據(jù)，包含企業(yè)內(nèi)部數(shù)據(jù)主線與行業(yè)內(nèi)部數(shù)據(jù)主線兩部分。企業(yè)內(nèi)部數(shù)據(jù)主線是指圍繞企業(yè)運(yùn)行過程中的財(cái)務(wù)、庫存、供應(yīng)鏈、物料、計(jì)劃、制造過程管控等主題而構(gòu)建的縱向元數(shù)據(jù)的統(tǒng)一描述，是各細(xì)分行業(yè)中從下層制造執(zhí)行到上層的企業(yè)資源管理數(shù)據(jù)的規(guī)范描述。行業(yè)內(nèi)部數(shù)據(jù)主線是指原料生產(chǎn)到產(chǎn)品設(shè)計(jì)、零件加工、整機(jī)裝配直至最終消費(fèi)者整個(gè)行業(yè)從上游到下游各階段產(chǎn)品的信息，據(jù)其可實(shí)現(xiàn)整個(gè)產(chǎn)業(yè)鏈的橫向數(shù)據(jù)的規(guī)范描述。通過行業(yè)生態(tài)鏈數(shù)據(jù)主線，制造過程中的全流程數(shù)據(jù)可實(shí)現(xiàn)對應(yīng)與關(guān)聯(lián)，不僅使外部資源服務(wù)于內(nèi)部，又可對外輸出服務(wù)，促使行業(yè)內(nèi)部不同企業(yè)之間充分發(fā)揮各自資源和技術(shù)方面的專長，從而在制造過程分析與優(yōu)化中實(shí)現(xiàn)更大的價(jià)值，最大化生產(chǎn)資源(包括技術(shù)資源的有效利用)。例如，在產(chǎn)品設(shè)計(jì)過程中，為實(shí)現(xiàn)特定的任務(wù)設(shè)計(jì)目標(biāo)，通過所在行業(yè)生態(tài)鏈數(shù)據(jù)主線實(shí)現(xiàn)上下游多主體間數(shù)據(jù)交互及知識協(xié)同，使得設(shè)計(jì)流程中知識、活動和主體在實(shí)時(shí)統(tǒng)一的狀態(tài)下推動個(gè)性化設(shè)計(jì)任務(wù)向前進(jìn)行， 與傳統(tǒng)的群組交流方式相比，該方式更加強(qiáng)調(diào)整體全流程的協(xié)同效果而非個(gè)體間的優(yōu)化效果。

圖4 制造行業(yè)生態(tài)鏈數(shù)據(jù)主線Fig.4 The digital thread of the textile ecological chain

4.3 互聯(lián)多樣的應(yīng)用層

工業(yè)大數(shù)據(jù)的應(yīng)用層面向制造行業(yè)內(nèi)的特定作業(yè)場景，提供設(shè)計(jì)、生產(chǎn)、管理、服務(wù)等各類適合自身特點(diǎn)的業(yè)務(wù)應(yīng)用。工業(yè)大數(shù)據(jù)平臺中的工業(yè)APP從總體上可分為四類：業(yè)務(wù)協(xié)同類APP、分析優(yōu)化類APP、過程管控類APP、流程執(zhí)行類APP，具體細(xì)分及描述見表1。互聯(lián)多樣的應(yīng)用層針對制造行業(yè)多流程并行、上下游企業(yè)間產(chǎn)品關(guān)系緊密的特點(diǎn)，區(qū)別于傳統(tǒng)的ERP、MES等工業(yè)應(yīng)用APP僅在各自的應(yīng)用范圍內(nèi)獨(dú)立工作，工業(yè)大數(shù)據(jù)下的APP不僅縱向上與企業(yè)內(nèi)其他工業(yè)APP數(shù)據(jù)互通，相互協(xié)調(diào)工作，具有全局視野，跨越各部門信息孤島及鴻溝，而且橫向上與產(chǎn)業(yè)鏈上下游其他企業(yè)的工業(yè)APP建立安全數(shù)據(jù)聯(lián)系，實(shí)現(xiàn)信息共享與知識互補(bǔ)，快速響應(yīng)供求關(guān)系變化及業(yè)務(wù)調(diào)整。工業(yè)大數(shù)據(jù)下的APP幫助制造企業(yè)實(shí)現(xiàn)智能計(jì)劃與調(diào)度、高效制造過程管控、產(chǎn)品全生命周期管理等，發(fā)展個(gè)性化定制、網(wǎng)絡(luò)化協(xié)同制造等新模式，促進(jìn)產(chǎn)品質(zhì)量、生產(chǎn)效率及經(jīng)濟(jì)效益等多方面綜合生產(chǎn)力的躍升。

表1 工業(yè)大數(shù)據(jù)應(yīng)用層典型APP類型及描述

(1)業(yè)務(wù)協(xié)同類APP指在同一軟件框架或平臺體系下，不僅企業(yè)內(nèi)部從設(shè)計(jì)到生產(chǎn)、質(zhì)檢等各部門能全面參與產(chǎn)品設(shè)計(jì)或生產(chǎn)，而且企業(yè)外部包括供應(yīng)商、采購商也能實(shí)時(shí)掌握產(chǎn)品設(shè)計(jì)、生產(chǎn)進(jìn)程，并及時(shí)共享信息及需求變更，從而實(shí)現(xiàn)全方位參與、多方共同協(xié)作的內(nèi)外部協(xié)同生產(chǎn)體系。

(2)分析優(yōu)化類APP指針對產(chǎn)品或車間具體性能指標(biāo)，如產(chǎn)品質(zhì)量、生產(chǎn)工期、資源能耗等，利用大數(shù)據(jù)技術(shù)、智能算法等分析存在的問題及所產(chǎn)生的制約與限制，并對生產(chǎn)流程中的可控要素，如工藝參數(shù)、生產(chǎn)計(jì)劃、資源調(diào)度等提出優(yōu)化措施及調(diào)度策略，進(jìn)而實(shí)現(xiàn)對整個(gè)生產(chǎn)過程的優(yōu)化。

(3)過程管控類APP指以實(shí)時(shí)生產(chǎn)過程數(shù)據(jù)為依據(jù)，面向產(chǎn)品全生命周期，對主要生產(chǎn)要素，如產(chǎn)品位置及狀態(tài)、設(shè)備運(yùn)行狀態(tài)、車間環(huán)境、物流狀態(tài)、生產(chǎn)進(jìn)度等制造過程信息進(jìn)行全方位監(jiān)控，以全面、直觀反映車間實(shí)時(shí)運(yùn)行狀況，形成可追溯的生產(chǎn)過程信息鏈條。

(4)流程執(zhí)行類APP指對計(jì)劃控制層的計(jì)劃排程、生產(chǎn)調(diào)度等一系列生產(chǎn)指令迅速響應(yīng)并有效地執(zhí)行工廠的生產(chǎn)運(yùn)作過程，當(dāng)車間生產(chǎn)狀態(tài)發(fā)生變化或生產(chǎn)計(jì)劃發(fā)生變更時(shí)，及時(shí)作出反應(yīng)、報(bào)告，并用當(dāng)前的準(zhǔn)確數(shù)據(jù)對它們進(jìn)行處理，防止產(chǎn)能管理混亂，提高控制執(zhí)行精準(zhǔn)度。

5 大數(shù)據(jù)驅(qū)動的智能制造應(yīng)用實(shí)踐

在智能傳感、物聯(lián)網(wǎng)、分布式存儲計(jì)算、機(jī)器學(xué)習(xí)等技術(shù)推動下，大數(shù)據(jù)驅(qū)動的智能制造應(yīng)用實(shí)踐開始逐漸涌現(xiàn)，國內(nèi)外學(xué)者在產(chǎn)品設(shè)計(jì)、計(jì)劃調(diào)度、質(zhì)量優(yōu)化、設(shè)備運(yùn)維等方面開展了大量工作。

5.1 智能設(shè)計(jì)

大數(shù)據(jù)驅(qū)動的產(chǎn)品智能設(shè)計(jì)。根據(jù)前端互聯(lián)網(wǎng)用戶評價(jià)等數(shù)據(jù)快速準(zhǔn)確地分析和預(yù)測市場需求，通過后端制造、運(yùn)維等數(shù)據(jù)動態(tài)關(guān)聯(lián)產(chǎn)品結(jié)構(gòu)、功能設(shè)計(jì)方案，并基于歷史設(shè)計(jì)方案學(xué)習(xí)提高設(shè)計(jì)方案評價(jià)及智能決策能力，從而形成前后端橫向集成的主動設(shè)計(jì)模式。TAO等[5]分析了大數(shù)據(jù)環(huán)境下產(chǎn)品全生命周期管理中數(shù)據(jù)的孤立性，提出了數(shù)字孿生驅(qū)動的產(chǎn)品設(shè)計(jì)、制造與服務(wù)模型，并通過實(shí)際案例介紹模型應(yīng)用方法；ROBERT等[6]將互聯(lián)網(wǎng)用戶評價(jià)數(shù)據(jù)引入產(chǎn)品設(shè)計(jì)中，實(shí)現(xiàn)產(chǎn)品功能的量化分析，為設(shè)計(jì)決策提供支持；GEIGER等[7]針對汽車設(shè)計(jì)中部件的可靠性問題，利用現(xiàn)場測量數(shù)據(jù)與用戶使用數(shù)據(jù)進(jìn)行分析，以改進(jìn)設(shè)計(jì)參數(shù)，提升產(chǎn)品可靠性；TUCKER等[8]研究了大數(shù)據(jù)驅(qū)動產(chǎn)品組合優(yōu)化方法，利用設(shè)計(jì)決策樹模型對產(chǎn)品的組合方式進(jìn)行優(yōu)化。

5.2 計(jì)劃調(diào)度

大數(shù)據(jù)驅(qū)動的生產(chǎn)計(jì)劃調(diào)度。依據(jù)車間制造過程數(shù)據(jù)，通過深度學(xué)習(xí)等方法挖掘車間實(shí)時(shí)狀態(tài)參數(shù)與加工時(shí)間、等待時(shí)間、運(yùn)輸時(shí)間的復(fù)雜演變規(guī)律及映射關(guān)系，實(shí)現(xiàn)車間調(diào)度中產(chǎn)品完工時(shí)間的精準(zhǔn)預(yù)測，并基于預(yù)測結(jié)果實(shí)現(xiàn)復(fù)雜動態(tài)環(huán)境下的車間實(shí)時(shí)調(diào)度。LU等[9]提出了數(shù)據(jù)驅(qū)動的車間動態(tài)調(diào)度方法，實(shí)現(xiàn)了基于車間實(shí)時(shí)狀態(tài)的加工時(shí)間、等待時(shí)間、運(yùn)輸時(shí)間動態(tài)調(diào)控。WANG等[10]針對制造過程中工藝約束帶來的傳遞效應(yīng)，提出了工期預(yù)測的深度學(xué)習(xí)方法，實(shí)現(xiàn)了車間調(diào)度中產(chǎn)品完工時(shí)間的精準(zhǔn)預(yù)測。魯建廈等[11]針對云制造環(huán)境下混流混合車間的生產(chǎn)調(diào)度優(yōu)化問題，提出了數(shù)據(jù)挖掘的多目標(biāo)車間調(diào)度模型，實(shí)現(xiàn)了混流裝配與零部件加工的集成優(yōu)化以及外協(xié)云任務(wù)與自制任務(wù)的協(xié)同調(diào)度。YAO等[12]構(gòu)建了一種隨機(jī)多目標(biāo)動態(tài)調(diào)度模型，實(shí)現(xiàn)了大規(guī)模定制中的調(diào)度優(yōu)化問題。

5.3 質(zhì)量優(yōu)化

大數(shù)據(jù)驅(qū)動的產(chǎn)品質(zhì)量優(yōu)化。依據(jù)產(chǎn)品制造過程數(shù)據(jù)及質(zhì)檢數(shù)據(jù)實(shí)現(xiàn)產(chǎn)品追溯，通過關(guān)聯(lián)分析識別影響質(zhì)量的主要因素(原料性能參數(shù)、設(shè)備狀態(tài)參數(shù)、工藝參數(shù)、車間環(huán)境參數(shù)等)，并建立質(zhì)量影響因素與質(zhì)量性能的映射模型以有效預(yù)測產(chǎn)品質(zhì)量，進(jìn)一步利用智能優(yōu)化算法自適應(yīng)地實(shí)時(shí)調(diào)整影響產(chǎn)品質(zhì)量的控制參數(shù)，實(shí)現(xiàn)產(chǎn)品質(zhì)量自適應(yīng)控制與優(yōu)化。ROKACH等[13]將數(shù)據(jù)挖掘方法應(yīng)用于制造過程質(zhì)量提升，并在集成電路制造方面取得了較好的效果。QIN等[14]在柴油機(jī)的質(zhì)量控制中利用臺架測試數(shù)據(jù)，對影響功率一致性的潛在參數(shù)進(jìn)行關(guān)聯(lián)分析，識別影響功率的關(guān)鍵參數(shù)，有效提高了功率一致性。王小巧等[15]提出了一種數(shù)據(jù)驅(qū)動下的復(fù)雜機(jī)械產(chǎn)品裝配過程質(zhì)量控制方法，提高了復(fù)雜機(jī)械產(chǎn)品的裝配精度和服役安全性。GUSTAVO等[16]利用數(shù)據(jù)挖掘方法對8種柴油機(jī)質(zhì)量性能參數(shù)進(jìn)行預(yù)測，顯著降低了檢測時(shí)間和成本。

5.4 運(yùn)行維護(hù)

大數(shù)據(jù)驅(qū)動的系統(tǒng)運(yùn)維。通過實(shí)時(shí)監(jiān)測的制造過程數(shù)據(jù)及設(shè)備性能參數(shù)等時(shí)間序列數(shù)據(jù)，揭示系統(tǒng)故障特征時(shí)序變化規(guī)律及征兆性表征，主動提前發(fā)現(xiàn)系統(tǒng)運(yùn)行過程中的潛在異常，并通過歷史異常數(shù)據(jù)聚類分析對潛在異常進(jìn)行診斷，精準(zhǔn)定位異常源，結(jié)合歷史診斷數(shù)據(jù)作出運(yùn)維決策進(jìn)行預(yù)防性維護(hù)，從而在重大異常發(fā)生之前消除隱患。雷亞國等[17]對機(jī)械大數(shù)據(jù)的特點(diǎn)進(jìn)行歸納總結(jié)，通過采用深度學(xué)習(xí)方法中的去噪自動編碼機(jī)模型對機(jī)械設(shè)備的健康狀況進(jìn)行監(jiān)測診斷，取得了較高的監(jiān)測診斷精度；江麗等[18]采用拉普拉斯特征映射從機(jī)械設(shè)備海量故障數(shù)據(jù)中提取低維故障特征，并設(shè)計(jì)了半監(jiān)督分類器，實(shí)現(xiàn)故障模式分類；張晗等[19]研究了航空發(fā)動機(jī)軸承的多種故障模式，提出基于稀疏分解理論的逐級匹配形態(tài)分析方法，實(shí)現(xiàn)航空發(fā)動機(jī)軸承故障的準(zhǔn)確診斷；SCHLECHTINGEN等[20]基于連續(xù)測量的風(fēng)力渦輪機(jī)35個(gè)月的SCADA數(shù)據(jù)，設(shè)計(jì)自適應(yīng)神經(jīng)模糊干擾系統(tǒng)模型來對渦輪機(jī)故障進(jìn)行自動診斷；GONDAL等[21]對低信噪比條件下的軸承故障檢測展開研究，通過振動頻譜成像增強(qiáng)故障特征，并采用增強(qiáng)后的特征圖像訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)分類器。