工業大數據在智能制造中的應用簡析

王晨宇

摘 要：近幾年，隨著制造業、信息技術的不斷融合、發展，我國迎來了以“智能制造”為代表的新一輪工業發展變革。本文首先概述了大數據在制造業中的應用，然后圍繞數據集成、數據處理、數據分析三個方面，對工業大數據在智能制造中的應用進行了論述，以期為廣大從業者提供有價值的參考。

關鍵詞：工業大數據；大數據技術；智能制造

智能化目前已經成為了制造業發展的重要主題，大量數據采集設備在產品制造車間投入使用，在產品制造的過程中采集了海量的數據。利用大數據技術，將這些數據整合、歸類、分析，就能夠進一步提高制造企業的生產管理水平。制造業作為我國國民經濟中的重要構成部分，和大數據技術的融合發展已經成為了一個必然的趨勢。在這樣的背景下，探討工業大數據在智能制造中的應用，對于制造業的進一步發展，顯得有極其重要的促進意義。

一、大數據在制造業中的應用

數據本身并不能推動智能制造的發展，而是要通過合理的整合、分析，發現數據隱藏的價值，提出促進制造企業發展的方案，才能夠有效提高企業的制造水平、管理水平，如圖1所示，智能制造、大數據之間的關系大致可分為三個層次：第一，將制造中存在的問題轉換為定性、定量的數據內容，然后從中找到相應的解決方法；第二，將數據內容轉化為企業產品制造相關的知識內容，為制造規劃策略的制定提供數據支撐，避免一些已經出現過的問題再次發生；第三，將制造相關的理論知識，轉化為可視化數據，深度探究數據和制造問題的聯系，達到優化生產流程的目的[1]。

目前，部分制造企業已經將大數據技術應用在某些具體的生產場景中，如車間設備調度、生產制造工藝優化、制造故障追蹤、設備故障溯源、制造流程優化等等。國內外學者在大數據在制造業中的應用也進行了大量的分析論述，其中具有代表性的是：利用大數據技術分析車間內的物資流動數據，優化物資流動過程，協調車間內的人力、物力調動，達到降低制造成本，提高制造效率的目的；利用粒子群算法、神經網絡、遺傳算法構建車間內制造生產調度模型，為產品制造提供可靠的理論支撐；利用產品制造數據，構建工藝數據模型，實現制造工藝快速優化、設計。從文章例舉的研究案例可看出，大數據在制造業中的應用較為廣泛，并且大數據也呈現出極強的適用性、實用性，對于智能制造的發展有著重要的促進作用[2]。

二、智能制造中的大數據關鍵技術

（一）數據集成

大數據技術的本質，就是將不同形式、不同格式、不同來源、不同性質、不同用途的數據，通過判斷其邏輯結構或者形式結構，進行合理的分類、集中，為系統儲存提供一系列相對穩定的、系統的數據集合。在智能制造中，能夠將制造相關數據有機集中起來，解決制造業長久存在的“數據孤島”問題[3]。

在數據集成的過程中，為獲取更有價值的數據內容，往往需要對數據進行降噪、轉換等工作，而在智能制造中，產生的相關數據覆蓋面比較廣，如MES數據、ERP數據、數控程序數據、產品三維模型數據、結構化數據、非結構化數據等，這些數據呈現出多維度、高噪聲等特點，若是未經過處理，直接對數據的潛在價值、特征進行挖掘分析，其效率可想而知，為提高大數據技術的實際應用價值，在分析前必須對這些數據進行合理的歸集、抽取、轉化（將多維度數據轉化為單維度且便于處理的結構），然后將這些數據儲存到數據庫中[4]。另外，大數據技術在智能制造中的應用，在分析、集成的過程中可能會出現多讀、漏讀等等問題，這些問題就直接影響了數據的真實性、準確性、實用性，所以在數據歸集、抽取的過程中，還要對數據進行清洗處理，并根據數據的完整性、精確性，對數據進行有針對性的修復以及錯誤修正，具體可利用過濾規則多級組合優化理論、D-S證據理論、增量聚類理論實現對數據的清洗、降噪、歸集[5]。

數據最終的儲存、管理也是大數據技術在智能制造中應用的重點，采集到的數據內容必須采取合理的儲存方式存放在數據庫中，以此來為后期的挖掘、分析工作奠定基礎。相較于傳統的半自動化制造、自動化制造，智能制造產生的數據種類更多，所以傳統的數據庫已經不能夠滿足數據儲存需求，目前基于Hadoop架構開發的“HDFS”文件系統在業界得到了廣泛認同（該系統的工作原理可見圖2），智能制造產生的數據能夠按照事先規劃好的文件體量進行合理的劃分，文件根據其體量大小傳輸至不同的DataNode，以此來提高數據訪問效率、提高數據儲存質量。

（二）數據處理

工業大數據的應用可輻射至描述、故障診斷、問題預測、技術調整等多個方面，為滿足智能制造中不同的需求，需要根據需求合理的調整技術方法，如分布式計算、流處理、內存處理等等。

其中，分布式計算是一種較為新穎的計算方法，它將計算任務分解為一個個小任務，然后將計算任務交由多個計算終端處理，最終再將這些結果匯總。在智能制造方面，應用最為廣泛的是MapReduce處理框架，在實際應用中，MapReduce處理框架能夠利用普通計算機進行計算，并能夠處理普通計算機無法處理的數據內容，如圖3所示，MapReduce處理框架將待處理的數據內容分解為固定的體量，然后將這些數據傳輸至相應的Map模塊，在計算的過程中將相對應的鍵值寫入磁盤，Reduce在根據磁盤中的鍵值，將最終的結果匯總并傳輸至文件系統，MapReduce處理框架的應用提高了單臺計算機的實際處理能力，適合對大規模、大體量的工業數據進行有效處理。

（三）數據分析

工業數據常見的分析技術為神經網絡、數據挖掘，智能制造中遭遇的問題一般比較復雜，通過對工業數據的有效分析，能夠在不了解問題因果的情況下，快速的分析出數據之間的內在聯系，從而獲取最接近事實的信息。目前，STKmeans在智能制造領域也初露頭角，該算法的分析效率、質量優于傳統的分析方法，極具借鑒價值。

結束語：

綜上所述，工業大數據在智能制造發展、轉型的過程中，起著極其重要的促進作用。目前，工業大數據在我國制造業中的應用仍舊處于起步階段，工業大數據的應用需要廣大從業者的進一步分析、探究。但大量事實證明，除了要探究更高水平的技術方法，還要進一步提升工業大數據的數據質量，而我國在這方面的研究較少，需廣大從業者加以重視。

參考文獻：

[1]段成. 智能制造背景下工業大數據的數據質量控制探討[J]. 機械設計與制造工程， 2018.

[2]何文韜， 邵誠. 工業大數據分析技術的發展及其面臨的挑戰[J]. 信息與控制， 2018（04）：18-30.

[3]王煜. 三一舉辦智能制造盛宴——工業大數據應用制造沙龍匯在長沙市召開[J]. 工程機械， 2016（4）.

[4]周本華， 吳旭光， 郭培龍， et al. 現場數據采集技術及在智能制造系統中的應用[J]. 制造技術與機床， 2016（6）：33-39.

[5]朱雪初， 喬非. 基于工業大數據的晶圓制造系統加工周期預測方法[J]. 計算機集成制造系統， 2017（10）：95-102.