智能生產過程的大數據分析應用研究

劉興惠 李至立 蘇家志 李敏波

摘? 要：隨著工業4.0革命的興起，大數據技術在智能生產過程中的應用范圍也得到了進一步擴展，掌握大數據技術對于制造業實現智能生產具有十分重要的意義。以輪胎產業為例，詳細闡述了智能生產中的大數據應用的各個環節，從構建實時數據采集與監控SCADA系統、多源異構數據應用集成、大數據存儲與實時數據分析技術軟件框架選擇，最后以生產過程與生產工藝優化和設備故障分析與優化為例講述如何進行可視化數據分析，并得到優化結論。

關鍵詞：智能生產;工業大數據;數據采集;數據分析

Abstract：With the rise of industrial revolution 4.0，the application of big data technology in the intelligent production process has been further promoted. Mastering big data technology is of great significance for manufacturing industry to realize intelligent production. Taking the tire industry as an example，this paper expounds in detail all aspects of big data application in intelligent production，including the construction of real-time data acquisition and monitoring SCADA system，multi-source heterogeneous data application integration，big data storage and real-time data analysis software framework selection，and finally，taking the production process and production technology optimization and equipment failure analysis and optimization as examples，this paper describes how to carry out visual data analysis，and obtains the optimization conclusion.

Keywords：intelligent production;industrial big data;data collection;data analysis

0? 引? 言

在傳統生產模式下，生產系統相對簡單，只需將原料安放到適合的加工機器上，即可完成傳統的生產調度，而“智能生產”中的調度系統引入了物聯網和大數據技術，生產設備、生產原料受智能控制系統統一調度。物聯網技術的引入和智能設備的使用，導致生產數據呈現指數倍增長，再加上生產過程的實時反饋調節，導致生產調度問題的復雜度突增[1]。在新一代的智能化生產模式下，深入研究企業的生產計劃，對于實現靈活的生產、個性化產品的批量定制，以及提高生產企業的競爭力非常重要。

智能制造是新工業革命的核心，在智能生產過程中需實現價值最大化，即做到高質量、高效率、高效能生產。如何及時發現設備故障的因素，最快速度建立故障診斷模型，檢修設備故障;如何根據物料存儲，發現影響生產效率的因素，及時提升生產效率;如何及時發現影響設備生產、物料消耗的因素，采取措施，以達到控制成本、質量、能耗的目的等，是智能生產中實現價值最大化亟須解決的問題。山東緯橫數據科技有限公司的科研團隊參與了基于工業物聯網的輪胎制造過程實時數據采集與處理關鍵技術研發項目，本文將以此項目的研究成果為基礎，以輪胎產業為例，探索智能工廠的建設理念，研究如何充分利用工業物聯網、工業大數據等信息技術實現輪胎制造智能化生產。

1? 基于工業物聯網的通信控制與數據采集

輪胎生產制造過程中產生的數據包括：生產過程中產生的中間狀態（如密煉車間螺桿、滾筒信息、膠料信息、下片溫度、厚度、寬度、冷卻水溫度、壓力等信息）、操作工位的工位/設備編號、使用工裝或夾具的條碼信息、工位/設備報警類信息、合格/不合格產品計數信息、工序加工循環時間、質量檢測數據、產品物料追溯條碼信息和物流輸送設備之間的交互信息[2]。

設備運行狀態數據包括設備運行、停止、手動、自動、半自動、旁通、急停、維修、缺料、堵料、故障等數據。

輪胎生產的全要素包括物流搬運/分揀設備、輪胎/胎胚/半部件/膠料、密煉設備、擠出機、壓延機、成型機、硫化機、檢測設備等。

對于上述數據的采集和控制，采用SCADA系統，即數據采集與監視控制系統監控。輪胎工廠車間SCADA系統需要對密煉車間、壓延車間、成型車間、硫化車間設備生產狀態、設備故障、質量數據、主要物料數據以及人員信息進行實時數據采集。數據采集由PLC控制的各設備狀態與生產信息、設備定制接口以及工控機人工錄入等方式采集數據。

實時數據采集與監控SCADA系統核心功能架構如圖1所示，主要包括設備互聯互通技術、工藝參數感知、數據采集管理、終端通信管理、數據存儲計算、工業現場多網融合和數據適配網關等模塊。

SCADA可以直接與群控系統通訊，通訊方式采用OPC-UA或者Web Service。同時，SCADA系統中的服務器可以實現群控的功能，實現對局部區域或者生產線的控制功能與數據采集。在生產過程中，設備產生的數據由SCADA系統采集，同時SCADA系統將MES系統（一種面向制造企業車間執行層的生產信息化管理系統）需要的數據傳送給MES系統。

2? 多源異構數據的應用集成

通過實時數據采集與監控SCADA系統采集的數據，其數據來源、數據結構以及數據存儲模式等都不統一，給后續的數據分析工作造成了阻礙，為了將這些多源異構數據在各個應用系統之間消息通信和數據交換，需要采用數據集成服務（DIS）中間件，其具體作用方式如圖2所示。

數據集成服務（DIS）的核心是DIS服務器，DIS用以實現MES系統、物流管理系統、ERP（SAP R/3）業務層系統以及生產集控系統、能源管理系統等自動化系統的第三方系統之間的通信，可以實現不同類型應用之間的消息交換，使用純文本格式如XML、JSON等格式數據作為消息交換首選標準數據，然后通過XSD和XSLT樣式表將XML數據轉換為其他類型的文件，來進行通用數據交換和傳輸，這些交換數據都會被保存到DIS服務器的數據庫中。DIS可以保證可靠的消息傳遞，并確保應用程序發送的消息僅在目標應用程序中到達一次。數據集成服務（DIS）中間件提供了用于ERP、MQSeries、文件系統、MES生產建模器等各種類型連接器，以及如Web Service、COM等連接器通用技術。數據集成服務（DIS）中間件可以實現多個異構系統與MES系統的集成，實現各種基礎數據和業務數據在不同系統之間的交換。

MES系統將多道工序的生產工單、配方數據、物流數據下發給SCADA系統。SCADA系統負責與底層PLC通訊，由SCADA系統統一下發給設備PLC。

MES系統與物流管理系統集成：MES系統將生產過程產生的物料傳遞給物流管理系統，便于物流管理系統的庫存管理;物流管理系統也會將物料的出庫信息傳遞給MES系統，便于生產過程的物料操作;同時物流管理系統也會通知車間層有物料出庫信息，便于車間領料操作。

MES系統與ERP（SAP R/3）：ERP除了將主數據（人員、系統、物料等數據）傳遞給MES系統，還將生產計劃傳遞給MES系統，有助于MES系統進行生產計劃管理和執行;MES也會將生產計劃的實際執行結果反饋與ERP，便于ERP對訂單計劃的改進。

3? 大數據存儲與實時數據分析

針對輪胎制造過程海量數據的高效存儲與實時處理需求，使用Hadoop、Spark等軟件框架構建大數據分析平臺，通過實時數據庫、歷史數據庫、NoSQL分布式數據庫對海量實時數據提供高效安全存儲。Hadoop是一個開源的Apache軟件框架，在圖像處理、搜索索引、文本內容分析和索引、自然語言處理、機器學習研究以及各種形式的數據挖掘技術等方面獲得了廣泛的應用。Hadoop的核心是HDFS（一種分布式文件系統）和MapReduce（一種分布式計算框架），Hadoop具有高可靠性、高擴展性、高效性、高容錯性、低成本的優點，支持幾千臺到幾萬臺的服務器集群運行，支持PB級的存儲容量，這些特性使得Hadoop更適用于大數據存儲和大數據分析應用。

Spark是類似于Hadoop的開源集群計算環境，但是MapReduce是面向磁盤的，受磁盤讀寫性能約束，因此它在處理迭代計算、交互式數據查詢方面效率較低，而Spark是面向內存的，因此Spark能夠為多源異構數據提供近乎實時的處理能力。在相同的軟硬件環境下處理同一批數據，如果在內存中運行，Spark的計算速度是MapReduce的約一百倍。此外，Spark比Hadoop還具有更好的易用性和通用性。Spark的工作流程圖如圖3所示。

Spark的具體工作流程是：Driver Program程序運行以后，創建SparkContent，為運行環境做好準備，Worker Node啟動Executor，創建執行線程，SparkContent將應用程序分發給Executor，由Executor向SparkContent申請Task，Task在Exectuor上運行處理數據，并將數據存放在緩存中，其間對這些數據進行重復操作將直接從緩存中讀取，直到運行完畢后釋放所有資源，并清空緩存。

4? 基于大數據分析的智能生產優化

4.1? 生產過程與生產工藝優化

傳統的生產管理只以穩定生產和產品數量為中心，不能滿足企業對于生產效率和成本控制的要求。智能生產可以通過對收集的數據進行分析，提出改進方案，進而對生產過程和生產工藝做出優化。如車間制造現場實時數據采集與監控SCADA系統獲取并提供設備生產控制數據與生產質量檢測數據，通過工業大數據處理轉化為生產工序的控制參數值，并與工藝標準進行上下限超差對比分析，并通過追溯系統對質量異常工序對應的生產“人機料法環”影響因素進行關聯分析與影響度分析，基于積累的生產工序大數據，構建工藝控制參數優化分析的AI模型，進行各個成型控制參數進行分析，以達到優化生產過程與生產工藝的目的。

4.1.1? 實例分析

分析目標：針對設備生產相關數據進行分析，發現影響設備生產的因素。

數據表：DSEamDB.dbo.V_S_DSTSFACTORY_3_4_Pro-ductivityRate_EAM（每日倉庫物料表）。

數據概述：共收集88 231條，選取數據的時間為2016-09-05至2018-07-22期間所有數據。

數據詳細說明，如表1所示。

可視化數據分析結果：對于完成率字段，根據日期統計，如圖4所示。可以看到，圖中有幾次設備生產數量極低的情況。

結論：（1）節假日時間，設備有生產數據的數量極低，大概率是工廠放假，設備關閉，導致圖中設備停產。（2）圖中圖中圓圈標注的2017-07-20、2017-08-04、2017-11-02的幾次大規模停產，都不在法定節假日時間范圍內，只有少部分設備開工生產的情況是不正常的，可以根據該情況，檢查當時記錄，找出具體原因，解決問題，同時指導排查計劃。

4.2? 設備故障分析與優化

生產設備是生產要素的重要組成部分之一，在生產過程中既要盡量按照規程操作，防止故障的發生;又要保證生產效率，提高設備利用率。在生產過程中設備出現故障，會影響生產效率，降低產量。雖然發生設備故障是小概率事件，但是一旦發生設備故障，需要盡快進行故障分析，以保證損失最小化。而優化設備利用率則是智能生產中提高生產效率的重要手段之一，需要對其有足夠的重視。

在智能生產模式下，主要從以下幾個方面進行設備故障分析與優化。（1）對設備狀態進行監控，如對停機、故障、運行、暫停等多種設備狀態進行監控，用于深度分析設備的利用率。（2）對設備利用率進行監控，通過計算設備的利用率，分析設備利用率較低的原因，進而優化提高利用率。（3）對設備故障時間進行統計，從故障原因等調度分析設備的故障原因、修復定額時間，提高設備的維護能力。

4.2.1? 實例分析

分析目標：針對設備檢修工單相關數據進行分析，發現設備故障的因素。

數據表：DSEamDB.dbo.WorkOrder（工單詳情表）。

數據概述：共收集398 055條設備檢修工單數據，選取數據時間為2017-08-11至2019-04-07的數據。

數據詳細說明，如表2所示。

可視化數據分析結果：根據工單類型篩選故障工單，故障工單653個，根據設備類型進行統計，統計圖如圖5所示。

結論：（1）可以看出3T-1#成型機故障率較高，可以由此做出推斷該設備發生故障次數比較多，可能是設備質量有問題或者操作人員操作不規范，對后續設備采購和人員培訓做出指導。（2）可以通過故障工單的統計，對經常故障的設備增加檢修計劃，以保證設備正常運行。

5? 結? 論

本文針對智能生產過程中的大數據應用進行分析研究，通過對當前制造業生產現狀、智能生產中存在的問題，大數據發展與應用現狀的論述，以輪胎產業為例，對數據采集與通訊控制、多元異構數據的集成、大數據存儲與實時數據分析、基于大數據分析的智能生產優化這四部分進行闡述，詳細地介紹了智能生產中的大數據應用。實現智能制造需要將大數據轉化為“大信息”，數據本身并不會為企業帶來價值，數據技術的發展也不會為制造業帶來創新，只有將數據進行處理分析轉化為有用信息，才會對企業生產產生價值。通過大數據分析，除了了解客戶需求以外，更要關注機器數據與工業數據相結合，實現數字化轉型的重大價值。

參考文獻：

[1] 龍田.智能制造中的生產調度優化問題研究 [D].綿陽：西南科技大學，2016.

[2] 李敏波，丁鐸，易泳.基于FP-Growth改進算法的輪胎質量數據分析 [J].中國機械工程，2019，30（2）：244-251.

[3] 曹鵬.基于工業物聯網技術的遠程數據存儲分析平臺 [J].現代工業經濟和信息化，2020，10（4）：61-62.

[4] 高彥臣.輪胎工業4.0理論與技術實現 [J].橡塑技術與裝備，2017，43（1）：33-39.

[5] 張潔，汪俊亮，呂佑龍，等.大數據驅動的智能制造 [J].中國機械工程，2019，30（2）：127-133+158.

[6] 劉偉杰，吉衛喜，張朝陽.面向智能生產維護的大數據建模分析方法 [J].中國機械工程，2019，30（2）：159-166.

[7] 呂煒帥.輪胎智能生產中工裝的設計應用 [J].橡塑技術與裝備，2020，46（2）：52-57.

[8] 焦波.智能制造裝備的發展現狀與趨勢 [J].內燃機與配件，2020（9）：214-215.

[9] 劉偉蓮.智能制造技術在汽車行業的應用 [J].集成電路應用，2020，37（6）：102-103.

作者簡介：劉興惠（1985—），男，漢族，山東濱州人，總經理，高級工程師，碩士，研究方向：大數據分析;通訊作者：李至立（1988—），男，漢族，山東濟寧人，技術總監，中級工程師，碩士，研究方向：大數據技術。