面向生產管控的工業大數據研究及應用

張瑞東

摘 要：工業大數據是大數據與智能制造的交叉點。推動大數據進入工業領域的因素很多。傳感器和通信技術的發展降低了數據采集的成本。云計算、GPU等技術逐漸能夠滿足工業數據實時處理的需求。制造活動的復雜性使得人們的經驗判斷具有一定的局限性。

關鍵詞：工業大數據;生產管控;智能制造;物聯網;

為了推進智能制造中工業大數據的應用，對相關研究進行了綜述.從工業大數據的內涵及架構出發，結合工業生產管控需求，從數據動態感知與采集、數據統一存儲與建模、數據分析與決策支持幾個層次分析了工業大數據的關鍵技術，介紹了工業大數據在質量管理、故障診斷預測、供應鏈優化等典型場景中的應用，并綜合分析其發展現狀，展望未來的應用趨勢。

一、工業大數據的優勢

1.第一個優勢是“不糾結于因果”。本這種提法區別于互聯網領域的“是相關，不是因果”，以及工業工程師強調的“必須是因果”。其具體含義是：從大數據中提煉的工業知識，要以因果關系存在為基礎;但應用知識時，不必按照科學機理的邏輯去計算。這個邏輯并不奇怪：工業界常用的試驗結果符合因果關系，但試驗的具體數值卻不是按照因果邏輯計算得到的。同樣，通過規范數據分析邏輯，可以讓工業大數據像“試驗數據”一樣有用。“不糾結于因果”讓知識獲取變得簡單，也能讓知識獲取的范疇拓展到“感性知識”和“經驗知識”。

2.第二個優勢是“樣本=全體”。具有這個優勢時，當前發生的問題，可以從歷史中找到答案，只要找到并模仿過去成功的做法就可以了，而不必建立復雜的模型。故而，大數據背景下，簡單的算法可以解決復雜的問題。從應用的角度看，大數據的優勢不在“大”，而在“全”。“大”會增加計算機處理的復雜性，而“全”則保證了知識的存在性。

3.第三個優勢是“混雜性”。可靠性是工業界追求的一個重要目標。具體到建模過程中，就是對“泛化性”的要求高。數據的“混雜性”強時，可以找到多個角度的印證邏輯，提高分析結果的可靠性，也為“不糾結于因果”提供了條件。當前，做到這一點的前提，是前面提到的數據完整性。由此可見，以上三個優勢都體現在知識獲取。而這個優勢的價值，又進一步體現在對智能化的推動。然而，大數據的這些優勢并不是天生存在，而是要人去創造。“世界上沒有兩片完全一樣的葉子”。世界上每個具體問題都是獨特的。談到“樣本=全體”時，必然涉及到個性與共性的關系。所以，要借鑒過往的經驗，前提是要進行抽象、歸納、總結。但這往往是人類才能做的事情，至少需要人類告訴計算機怎么做。從這個角度講，大數據的應用也需要人機界面的創新。大數據記錄的數據畢竟屬于過去，未來可能是不同的。具體應用時，不能過度依賴于“樣本=全體”的假設。在可靠度要求較高的場景，業務系統有后備的辦法來應對新問題。總之，要發揮大數據的優勢，又要避免可能帶來的風險。另外，大量工業數據常常來自個別的“工作點”附近。數據量雖然很大，但相似度大、信息含量低而噪聲干擾相對大。要解決這個問題，不僅要綜合分析各個工作點的特點，而且還要把生產數據和試驗數據結合起來，而不局限于生產數據本身。

二、工業大數據的應用研究

1.生產排程及調度。基于智能感知技術動態監測物料短缺、設備故障、緊急插單等異常事件，利用大數據分析方法預測完工期、刀具剩余壽命等過程參數，發現實際生產與計劃的偏差，并考慮工序約束、加工能力約束、物料人員約束、生產成本約束，從生產過程數據中挖掘或篩選調度規則，啟用遺傳算法等智能優化算法，主動調整生產計劃與排程，保證任務的按期交付.某集團的COSMOPlat工業大數據平臺利用物聯感知、云平臺、智能決策等技術，對設備狀態、工藝變量、資源使用情況及效率進行在線監測，同時通過對產能、庫存的分析預測，給出最佳的生產排程及資源調整方案，有效地優化資源配置，提升生產效率.

2.故障診斷與預測。傳統的設備故障診斷與預測，主要通過即時報警，后根據專家經驗判斷故障類型、定位故障位置，其時效性不高.基于大數據的診斷與預測，將根據傳感器獲得設備的負載、振動、速度等參數，通過異常檢測算法、決策樹、滑動窗口頻率模式樹、機器學習算法等數據挖掘方法，也可結合知識庫，對目標系統建立實時準確的診斷和預警.通用電氣公司對其飛機發動機生產線上的機器數據、警報數據和維護歷史數據進行采集、建模與分析，幫助工廠人員實時了解機器運行狀況，并通過壓力、溫度、電流等參數識別問題位置，同時對可能的設備故障進行預測，自動提供維護建議.某公司構建裝備工況大數據平臺，接入將近23萬臺設備（6萬臺活躍設備），實時監測并可視化顯示設備運行情況，應用大數據分析工具對大型機械裝備進行故障分析，及時排除故障.

3.質量管理。傳統的質量管理基于質量檢驗、統計過程控制（SPC）、次品率等概念，往往依賴手工測量工具及數理統計分析，受經驗影響大，且無法適應日益復雜的生產工藝.而大數據質量管理，一方面通過對重要參數進行分析評估，基于時間序列預測關鍵指標，探究過程能力指數之間的關聯性，能夠較全面地掌握產品總體質量性能。另一方面，將數據驅動的質量模式識別模型與知識驅動的專家系統結合起來，形成在線質量診斷系統，快速智能地追溯質量問題。電氣為了解決斷路器在生產過程中頻頻返工的問題，集成相關業務數據，利用Spark，ETL，HDFS等大數據工具，以及分類、聚類、趨勢預測等分析模型，展開質量問題影響因素分析、追溯分析、質量知識庫、質量異常反饋及質量信息可視化等應用，最終使生產線上斷路器產品的不良品率降低約10%。數字化工廠絕大多數制造環節由機器自動完成，在基于大數據分析的質量管理及不斷的反饋改進下，最終達到100萬次加工過程中出現僅12次差錯。

4. 供應鏈分析和優化。RFID電子標識、物聯網等技術構建了完整的供應鏈大數據湖，利用這些數據能夠：預測物料供需量，在控制庫存的前提下避免缺貨;優化供應鏈網絡，包括運輸車位置、運輸路徑、物流中心選址優化等;對某些產品的運輸行為進行聚類分析，挖掘潛在的運輸風險并提前防范.大數據在供應鏈領域的應用將極大地提升倉儲、配送效率并降低成本。公司開發HANA大數據平臺，并利用其在企業信息化方面的優勢推出供應鏈解決方案，在供應鏈上下游快速預測并傳播供需變化，及時發現供需失衡問題，并模擬備選方案;同時對庫存、訂單等數據進行實時分析，確定原材料、在制品、成品的最佳庫存目標，降低供應鏈運營成本。

三、未來的應用發展趨勢

1.工業大數據驅動的全行業整合。工業大數據促進數據資源的融匯貫通，縱向打通各個環節信息鏈路，橫向連接各個行業的跨域數據，形成全方位的數據閉環，完善價值鏈，整合產業鏈，實現制造業從要素驅動向創新驅動轉型。

2.人工智能在工業大數據中的深化：工業大數據的深度應用離不開深度學習、計算機視覺等人工智能技術，而人工智能的基礎又是數據.隨著人工智能的進一步深化，智能車間、智能工廠將實現向智慧車間、智慧工廠的飛躍。

總之，大數據技術對于工業企業的轉型升級甚至智能制造的實現是不可或缺的;工業大數據的應用還處于初級階段，架構和方法基本明確，但產業落地難，且相關研究常著眼于點，系統性不夠;工業大數據的應用場景及細分行業的覆蓋度目前還比較有限，更多類型的行業解決方案亟待被發掘。

參考文獻：

[1]鄭文生，工業大數據架構與應用.2018.

[2]張新宇，淺談面向生產管控的工業大數據研究及應用.2019.