建筑陶瓷生產線數字化改造研究與應用

聶賢勇 姚青山 陳淑琳 白梅

摘 要：傳統制造業要實現智能制造，需要經歷數字化、網絡化和智能化幾個階段。作為傳統制造業的建筑陶瓷行業想要實現真正意義上的智能制造，首先是要完成生產線的數字化改造和數據采集。本文結合筆者實施的實際案例，以建陶生產場景為基礎，針對建陶行業生產線現狀以及數據基礎等方面的情況，提出了存量生產線的低成本數字化改造和數據采集方案，對數據采集方式進行了分類，并對數據分析、數據產品應用及數據呈現進行了闡述，為建陶企業向數字化工廠升級提供參考。

關鍵詞：建筑陶瓷;數字化改造;數據采集;數字化工廠;智能制造

1 引 言

建筑陶瓷行業經歷了40多年的發展，其生產線裝備已基本實現機械化、自動化，但數字化水平較差。與主要發達國家智能制造戰略，如德國工業4.0、美國智能制造路線圖、日本制造業白皮書[1]提出的目標更是有較大差距。我國也提出了“中國制造2025”國家行動綱領指導企業轉型升級。隨著越來越多的企業意識到智能制造在未來競爭中所發揮的重要作用，紛紛開始探索智能制造的實現路徑。

建筑陶瓷生產線數字化改造是建筑陶瓷行業實現智能制造的重要基礎和前提，而數據化改造的實施基礎就是使生產全流程的數據打通并在線。隨著陶瓷行業的不斷發展，陶瓷企業在生產自動化程度不斷提升的同時，開始對設備的數字化精細管理、能耗精細化管理、資源優化配置、生產的柔性化及智能化等方面有了更多的訴求，想要全面實現全線設備數據、工藝數據、產品數據、質檢數據、能耗數據等數據的互聯互通，以數字化集成提高生產效率，進而對生產控制模式實現轉型升級達到數字化、智能化工廠。

當前國內建陶行業總體信息化、數字化程度較低，部分企業都已經意識到了需要轉型數字工廠或智能制造，并開始關注生產線的數字化改造。這部分改造的企業大部分屬于資金實力雄厚的頭部企業，采用的改造方法大多是更新換代數字化裝備或整線引進數字化生產線，并將數據呈現在車間大屏上進行展示。但對于動輒幾千萬、上億元的巨額投資，改造的資金壓力太大，大部分陶瓷企業都是難以承受的。

從2018年開始，筆者通過對建陶行業智能制造情況的調研，研究一種存量生產線低成本數字化改造和數據采集方案，通過對存量生產線低成本的快速改造，提升建陶行業生產線的數字化水平，為建陶行業數字化轉型升級，實現智能制造打好基礎。

2建陶企業生產運行現狀

2.1建陶生產線設備數字化程度較低、數據不全，數據端口標準不一

國內建筑陶瓷企業生產線自動化程度在逐步較高，但大部分設備還是相對老舊，數據化程度較差。部分老舊生產線甚至連窯爐工控機都沒有，對于數據的存儲和采集是非常困難的。

設備對數據采集的支持度有很大缺陷。設備商并沒有把數字化作為智能化的前提來對待，在大多數設備上沒有安裝傳感器、計算機或服務器采集數據。而且建陶企業大部分設備沒有數據接口，即便部分設備有接口，但也沒有統一接口標準，不同協議之間數據互聯互通困難[2]。

生產線建設缺少數字化規劃。企業決策者缺少對建陶生產線數據化或智能化的意識，在籌建生產線和設備選型過程中沒有對設備數據端口的開放提出要求，導致在后續的設備端口開放中存在困難，尤其是國外設備。

2.2生產管理以經驗為主，缺少數字化工具，導致管理困難和混亂，產生了一系列問題

（1）原料車間鏟車配料不準確、配錯料導致漿料配方成分波動大，造成粉料配方的質量波動，進而影響成型和燒成，最終導致生產工藝不穩定和陶瓷產品缺陷的產生;

（2）大部分設備儀表還是采用老舊機械式儀表，無法進行數據的采集;

（3）泥漿池漿料、粉料倉粉料計量常常存在計量不準確，過程損耗大而無法追溯的問題;

（4）產品工藝、產品質量等數據分析滯后，無法實現在線實時分析;

（5）過程質檢數據和工藝參數是否正確匹配不能及時辨別和處理;

（6）管理者取數困難，無法及時進行管理決策和技術支持;

（7）生產異常不能及時預警和報警，大部分缺陷需要到成品才能發現，然后根據缺陷種類返回生產線尋找原因，無法及時提供有效處理建議和調試方法;

（8）瓷磚缺陷分類權屬推諉扯皮現象等等。

2.3紙質報表是現有數據的主要采集工具

建陶企業大部分采用傳統的數據記錄和存儲方式。在數據采集方面，企業最常用的是紙質手抄報表[2]，這對一個工序或工段了解當時的生產情況是有作用的，但是要真正做數據分析，困難程度就可想而知了。數據不在線，無法進行數據分析建模;靠人工進行數據錄入，既不準確也有很多的盲點和瑕疵，使得數據工程師的前期數據處理有非常多的困難。

數據的存儲與使用效率不高，容易形成數據孤島。在生產線上即使個別環節進行了數據存儲與沉淀，但是仍然存在著數據碎片化、數據不連貫、信息不完整的問題，形成數據孤島。這些問題在企業的轉產上表現地很明顯。以往的轉產時間長，設備調試主要靠經驗，而不是靠數據分析和與之相配的生產線優化。

數據記錄的有效性和準確性不足。某些數據的記錄價值不高，有用的數據可能沒有記錄，沒有用的數據記錄了很多，結果就是數據的價值低，在進行數據分析建模時產生大量的干擾項。同時數據的準確性也存在不足，無論工控機數據還是手工報表數據，都存在數據記錄不準確的問題。

即便選擇采購國外全新數字化設備建設新的生產線，不但面臨成本高，投入巨大，而且還不一定能夠實現數據全線聯通，先進設備水土不服的現象時有發生。

3建陶生產線數字化改造系統

3.1數字化改造系統設計原則

數據采集需要保證采集數據的及時性、完整性、準確性、穩定性以及安全性。數字化系統運營平臺的建立需要一個技術先進適用、運行安全可靠的信息系統，系統具有良好的開放性與可擴充性的能力。因此，系統設計需遵循如下原則：

（1）整體性、擴展性：正確規劃企業所需要的應用系統，確定各應用系統之間的界限，尤其要關注在不同階段實施的應用系統之間的銜接關系。在制定總體規劃時，應考慮各個部門對信息系統的需求?？傮w規劃還需要具備較好的擴展性，可以根據需要增加或減少子系統而對整體不會產生負面影響。

（2）技術先進、成熟性：系統能夠完全滿足企業對數字化運營管理系統的要求，系統在技術上都能保持國內外領先水平，所選系統與硬件產品應采用技術先進、在國內外具有代表性的主流品牌，并在實際運行過程中被證明是有效的，在國內外有較多的成功案例，并具有良好的擴充性與互通性。

（3）技術前瞻性和開放性：系統在總體結構、設備選型上應遵行開放性的原則，便于擴展和新技術的應用。系統具有良好的與第三方軟件與硬件系統、控制設備的銜接，能夠便捷的實現網絡間數據的通訊交換能力。

（4）穩定性：符合信息安全建設規范，充分利用企業現有產銷網絡信息安全設施的基礎條件，設計中要考慮適當的冗余措施，對系統的開發具有詳細嚴格的測試流程。硬件設備采用有質量保障的產品，軟件采用工業級的組態軟件與專業的數據采集軟件，通信網絡采用有線帶屏蔽的通信方式，數據刷新時間達到秒級，保證數據傳送的實時性。

（5）可操作性：先進且易于使用的圖形人機界面功能，提供良好的信息共享與交流圖形界面、信息資源查詢、檢索和分析等有效工具。

（6）完整性：包括功能的完整性、接口的完整性、信息的完整性。

（7）可查詢性：應用系統將提供完善的數據歸檔和記錄能力，確保運行及管理人員在授權下應用數據和信息的便利，并提供使用者對相關信息的操作和管理的功能。

（8）易維護性：網絡系統、硬件設備、軟件平臺、應用軟件等使用便捷，后期維護工作簡單。

（9）安全性：采用多層結構的訪問機制，數據庫層只接受業務邏輯層的訪問，任何用戶都不可能直接訪問數據庫，從而保證了數據的安全性，系統的任何用戶都必須經過密碼驗證才能訪問系統。

（10）成本控制：系統的規劃本著成本節約、高效率、低能耗的原則。減少對不必要的硬件或軟件的購買和使用。

3.2數字化改造系統整體方案

數字化改造的目的是將建陶生產線全線數據進行采集并關聯，打通全線數據鏈，再將數據傳至工業互聯網平臺進行處理，最后將運算處理結果反饋至應用層。

基于此研發一套基于工業互聯網平臺的陶瓷生產線數據改造系統（見圖1），系統包括設備層模塊、數據采集層模塊、基礎平臺模塊、數據中臺模塊和應用層模塊。設備層模塊用于對陶瓷生產線上原料車間、成型車間、燒成車間、拋光車間、分級車間、質檢系統、能源管理系統和工藝技術部進行硬件改造，通過硬件改造、系統改造、添加傳感器、計量系統改造、終端錄入系統改造等方式，使設備具有數據功能。數據采集層模塊用于通過網關及網絡協議對設備層改造模塊數據進行采集，并將采集到的數據上傳到基礎平臺模塊上的本地服務器和云服務器?；A平臺模塊設置有本地服務器和云服務器，利用云服務器強大的存儲及運算能力進行數據分析，并將數據分析結果分發至數據中臺各模塊。數據中臺模塊用于中臺對數據分析結果的處理，將其分發到應用層各個板塊進行應用。應用層模塊調用數據中臺數據進行應用。

3.3數據采集方式類型

根據方案設計要求，結合筆者在實際案例中工藝數據、檢測數據等無法直接采集數據的情況，提出了將數據進行分類采集的處理方法。數據來源可以分成以下三類，對不同類型數據采用不同的數據采集方法。

第一類：自動采集數據。對原有設備進行硬件改造，使設備具有數據功能，并通過網關和網絡協議自動采集數據至服務器。采集來自于DCS系統、PLC、在線質檢系統、自動化巡檢系統中的生產運行數據，這類數據采集頻率高（秒級采集周期），采集點數（標簽/變量）多，對采集數值與時間戳（timestamp）的對應性要求極高，數據量很大。

第二類：終端填報錄入數據。對生產線檢測數據、工藝數據、質檢數據加裝終端（PC、工業PAD），通過網關和網絡協議采集數據。來自人工填報（PC、工業PAD、APP、移動終端掃碼錄入等）或EXCEL批量導入的數據，如離線質檢數據、設備點檢、巡檢維護信息、產品批次數據等，這類數據輸入頻率低，對采集數據與時間戳（timestamp）的對應性要求不高。

第三類：信息化系統數據對接。企業信息化辦公系統對接數據，如NC系統、ERP系統、OA系統、WMS等系統對接的數據，如BOM、生產計劃、入庫數量、排班表等數據，這類數據交互數據通常由時間或事件觸發，輸入頻率較低，數據的準確性高，關聯性較強，對采集數據與時間戳（timestamp）的對應性要求較高，數據量不大。

3.4構建數據拓撲，完成數據互聯互通。

即便生產數據采集至系統平臺并在車間大屏呈現，數據依然呈數據孤島狀態，無法滿足數字化工廠的要求。其根本原因是數據間的邏輯關系沒有理清，未能構建有效的全線數據鏈路。

數字化工廠的要求是將各工序數據通過數據拓撲，結合工藝專家的工業Know-How，將自動采集數據、手工填報數據與企業信息化數據進行對接，實現全線數據鏈的互聯互通，形成完整數據鏈路，實現數據的可追溯性以及物理世界與信息世界的融合。

4數據分析與挖掘

建陶生產線數字化改造的目的是以數據為關鍵要素驅動建陶工業的轉型升級。要通過數據產生價值，其關鍵在于對數據的有效使用，通過數據分析和數據挖掘實現數據的“增值”，形成數字資產[3]。

大數據是一種規模大到在獲取、管理、分析方面大大超出傳統數據庫軟件工具能力范圍的數據集合，具有數據規模龐大、數據流轉快速、數據類型多樣和價值密度低四大特征[4]。建陶生產線所采集的數據是一種是典型的工業大數據。

面對海量的工業大數據，單純采用一般統計方法進行分析具有較大的局限性。本系統的分析方法采用大數據及人工智能建模分析方法，可將數據分析與挖掘貫穿企業生產經營的全流程。

大數據分析：包括可視化分析、大數據挖掘算法、預測性分析等。可視化分析能夠最直觀的呈現大數據的特點，分析結果多為各類圖表，方便直接閱讀和理解，如設備用能情況分析、產品產量與質量、設備管理;大數據挖掘算法是大數據分析的理論核心，是基于不同的數據類型和格式呈現出數據本身具備的特點，深入數據內部挖掘出其中隱含的規律，如：峰谷平用電調配、球磨機球磨效率的提升;預測性分析是大數據分析最重要的應用領域之一，從數據中挖掘出特點，通過科學的建立模型，通過模型帶入新的數據，從而預測未來的數據，如：通過大數據建模分析原料波動時，預測窯爐燒成的制度參數調整。

人工智能：基于工業互聯網平臺，建立在數據存儲以及計算引擎上的程序，包含數據工程、數據科學以及機器學習平臺。

數據工程是數據科學和機器學習的一部分，主要側重于收集，存儲和訪問組織中數據的實際考慮因素，主要有數據管理、數據訪問、數據標準化和數據存儲幾部分。數據科學實現對數據的探索和理解，結合工藝專家的工業Know-How，進行試驗設計、決策科學以及A/B測試，利用機器學習、深度學習等人工智能算法，開展試驗管理、模型訓練、模型評估與分布式計算等，最后進行部署和運營。

5數據產品的典型應用場景

數據產品服務的功能與效用應直接部署在運營以及作業流程上。當前在建陶生產管理方面的數據產品應用主要體現在對生產線的生產監控與優化以及柔性制造方面。隨著數據采集的維度增加和數據質量的提升，數據產品還可以應用到生產管理、供應鏈管理、研發與設計、營銷管理、物流管理、企業管理等企業生產經營的各個環節。

（1）生產監控與優化

在生產監控方面，通過數據中臺中的應用模塊，對生產線狀態進行監控，當生產出現異常時，系統發出告警提示。以原料車間球磨工序為例，圖3中可以看到5#球磨機在啟動的時候瞬時電流過大。監控預警模塊發出警告，提醒管理者或技術人員設備處于非正常狀態。球磨機啟動出現瞬時電流異常升高的直接原因是操作工人在啟動球磨機的時候沒有先啟動副機再啟動主機，而是直接啟動主機，屬于違規操作。此類違規操作容易導致主電機燒毀降低設備正常使用壽命，影響生產計劃的執行，系統及時預警幫助管理者解決工人違章操作的問題。

在生產優化方面，筆者在某建陶基地的實戰案例中對原料車間40臺間歇式球磨機進行了分析，將原料配方、球石級配、球石空高、減水劑加入量、加水量、球磨時間、泥漿性能參數等變量進行數據建模分析，結合生產車間的實際情況和排產要求，預測出球磨工序推薦工藝參數。漿料性能參數一次停球合格率由65%提高到90%，同時整體降低單球球磨時間2小時以上。經測算單這一項改進，一年可節約電費135萬以上，系統應用效益十分明顯。還不包括因泥漿質量的提升對產品質量的提升所創造價值。

受限于間歇式球磨機的作業方式和陶瓷磚產品種類對原料加工能力的影響，傳統作業模式每月粉料產量約9萬噸，經數據化改造后月產量提升至12萬噸，產能增加了33%，大幅度提升了原料車間的生產加工能力，在一定程度上提高整線生產能力，為后工序窯爐產量的提升以及新增生產線提供了基礎條件。

此外，原料車間作為建陶企業用電最大的工序，如何調配峰、平、谷用電負荷，將決定建陶企業的用電成本。筆者利用數采系統所采集的數據，結合工廠排產計劃及產能需求，對原料車間球磨機峰、谷、平用電情況進行建模分析，調配用電需求進行，將平均電價由0.50元/kwh降低至0.47元/kwh，降低用電成本達6%，并有進一步優化空間。

（2）柔性制造

當前國內外建筑陶瓷市場需求已經開始發生深刻變化，大規模生產即將逐漸被“時裝化”、定制化的訂單驅動的小批量生產所替代。這種以消費者與訂單為導向的生產模式，推動柔性制造的產生。在柔性制造中，考驗的是生產線和供應鏈的反應速度。建陶行業經過系列的數據化改造與有針對性的智能制造升級后，可達到較高程度的柔性制造，其柔性可以表述為兩個方面：一個方面是指生產能力的柔性反應能力，也就是建筑陶瓷磚等成品的小批量生產能力;第二個方面，指的是建陶產品供應鏈的敏捷和精準的反應能力。

數字化工廠利用全線數據鏈路搭建分析模型，將原料配方以及加工工藝變化，結合工業Know-How，建立分析模型對生產全流程的數據變量波動情況進行分析。對因生產線轉換產品規格和產品種類（轉產）、原料及配方變化（轉料）、生產線產量提升（轉速）、熟練技術人員離崗（轉人）等情況造成的產質量波動進行建模分析，實現對窯爐燒成制度最優參數的預測。其預測結果可以輔助管理人員和技術人員進行決策，解決生產線產質量波動，以此滿足柔性制造的要求。

6數據呈現

經數據分析模型研發完成的數據產品必須進行呈現以及部署，其實現的方式可分為數種，包括實時可視化、定時批量處理、持續集成、持續交付和持續部署。具體表現形式包括生產車間大屏展示（圖表、數據）、統計報表輸出、報表分析、技術工藝下達、設備故障預警、管理決策分發、工藝參數預測結果推送等具體形式。

7結語

建陶工業的作業流程大同小異，其改造路徑亦是可以復制和參考的。本方案通過一套基于工業互聯網平臺的數據化改造系統，將數據進行分類采集，并對所采入系統的數據搭建其數據拓撲結構，形成完整數據鏈路，進行數據分析和應用，以此輔助管理者進行決策，提升工廠的數字化管理水平。數字工廠的建設不是一蹴而就的，隨著陶機裝備的數字化水平和在線檢測水平的不斷提高，結合邊緣計算和5G技術的進一步應用，數采系統采集數據的完整性、可靠性、及時性以及準確性將得到進一步提升，數字化改造方案也會更加完善，建陶企業可以根據自身實際情況，選擇適合自己的數字化轉型之路。

參考文獻

[1]鄖彥輝.主要發達國家智能制造戰略及啟示[J].中國發展觀察，2020（21）：61-62.

[2]蓋普勒. 工業大數據之數據采集[N]. 中國信息化周報，2020-10-26（017）.

[3]魏凱.工業大數據應用的四大挑戰[J].信息通信技術與政策，2019（05）：1-3.

[4]許憲春，王洋.大數據在企業生產經營中的應用[J].改革，2021（01）：18-35.

Research and Application of Digital Transformation of Building Ceramic Production Line

NIE Xian-yong，YAO Qing-shan，CHEN Shu-lin，BAI Mei

（Foshan Zhongtaolian Supply Chain Services Ltd，Foshan528300，China）

Abstract： The traditional manufacturing industry needs to go through several stages of digitalization，networking and intelligence to realize intelligent manufacturing.? As a traditional manufacturing industry，the building ceramic industry wants to realize the real sense of intelligent manufacturing，the first is to complete the digital transformation of the production line and data acquisition.In this paper，combined with the actual cases implemented by the author，based on the production scene of building ceramics，in view of the current situation of the production line and the data basis of the building ceramics industry.this study proposed a low-cost digital transformation and data acquisition scheme for the existing production line， classified the data acquisition methods， and expounded the data analysis， data product application and data presentation， providing a reference for the upgrading of building ceramics enterprises to digital factories

Keywords： Building ceramic;Digital transformation;Data acquisition;Digital factory;Intelligent manufacturing