工業大數據技術及其應用研究

侯棟恒

編者按：隨著科學技術不斷進步，大數據技術在工業領域的應用也越來越廣泛。通過大數據技術分析和處理信息數據，能夠深入挖掘信息數據中的潛在價值，有利于提高信息數據利用率，從而為工業生產奠定良好基礎。基于此，作者結合大數據技術特點進行分析，并總結幾種常見的大數據技術分析方法，深入探索其在工業領域具體應用，希望為專業人士提供參考、借鑒。

引言

在“中國制造2025”發展理念不斷深入的背景下，將大數據技術引入工業制造已經成為工業革命的大勢所趨。在這一背景下，工業大數據概念應運而生。從廣義上分析，工業大數據既包括企業在內部制造產生的信息數據，也包括企業外部存在的信息數據。由于數據信息種類多樣、數量龐大，所以分析難度較高，加上新時期工業生產對分析精度提出較高要求，因此需要企業善于利用大數據技術，對海量信息進行收集、分析和應用，從而為推動工業產業持續發展奠定基礎。

大數據特點分析

大數據的普遍性特點

（1）海量性特點

新時期，我國工業信息化建設水平不斷提高，促進數據量呈井噴式狀態持續增長，海量性已經成為工業大數據典型特征之一。并且時至今日，大數據規模依然處于不斷變化中，單一數據集規模范圍不盡相同，從幾十TB到數PB不等，各種來源均可能產生數據信息。

（2）多樣性特點

受傳統數據記錄和儲存方式制約，導致工業企業記錄的數據大多為生產過程中產生的直接數據。隨著社會經濟飛速發展，檢測技術、傳感技術等新興技術應運而生，采用這些技術能夠準確記錄圖像、聲音等非結構數據，在一定程度上豐富了數據種類[1]。

（3）高速性特點

近年來，我國工業生產規模不斷擴大，生產標準逐漸提高，工藝流程日漸復雜。促進測量、控制技術更新換代速度隨之加快。一些裝置在運行過程中每秒記錄的數據高達幾千甚至上萬MB，充分體現了大數據的高速性特點。

（4）易變性特點

工業生產過程具有復雜性、系統性特征，其工況一般分為穩態和動態兩種，如果生產過程中設備產生故障，那么參數數據也會發生變化，這也突出了大數據的易變性特點。

工業大數據的特點

（1）高維度特點

工業生產結構層次較為復雜，涉及到物理化等多種變化形態，并且產生的數據彼此之間耦合度較高，容易形成一個復雜的系統結構，由于描繪這一過程需要建立在高維度基礎上，所以也充分體現了工業大數據的高維度特點。

（2）強非線性特點

過程工業中產生的信息數據之間存在必然聯系，但這種聯系并非線性關系。例如：熱力學中涉及到的溫度、壓力與反應溫度和反應速度之間存在的關系屬于非線性關系。也正因如此，使得工業生產中產生的大數據在分析和處理方面存在較大難度[2]。

（3）樣本數據分布不均特點

在工業生產中，需要盡可能保證設備參數在規定范圍內。但是受溫濕度等各種因素影響，不可避免會發生參數波動問題，使得工況產生相應變化。另外，工業生產原料性質是始終不變的，所以操作條件會一致處于波動狀態，以上均體現了樣本數據分布不均這一特點。

（4）低信噪比特點

隨著科學技術不斷進步，測量技術、傳感技術均得到了一定優化和完善。但受各種客觀因素影響，容易導致數據存在較大噪聲。例如：工業生產中使用的測量儀表出現故障，導致數據傳輸失真，容易使數據產生噪聲[3]，這也為工業大數據分析造成較大難度和挑戰。

工業大數據技術分析方法

降維分析方法

以上提到，工業大數據具有高維度特點。而降維分析方法，就是將高維度數據降低到低維度，從根源上減少“維數災難”的發生。當前，很多專家和學者在研究討論中表明，降維分析實際上就是聚類與分類分析中的一個分支。然而，由于現階段我國工業生產中需要處理的數據大多為高維度數據，所以通常習慣將降維分析方法作為數據處理之前的一種分析技術。降維分析方式具體可以分為兩類，其一是線性降維，包括局部學習投影、主成分分析等方式。其二是非線性降維，包括局部線性嵌入法、等距映射法等方法。

聚類與分類分析方法

對聚類與分類分析方法進行分析，首先要明確二者定義、相關聯系以及主要區別。其中聚類分析方法，是指將工業生產中產生的數據進行分類，使其形成多個自然群體。不同群體的特征不盡相同，有利于獲得各群體特征描述。現階段，聚類分析已經成為工業挖掘數據價值的重要方法，屬于一種在沒有監督環境下形成的學習方案，能夠對數據進行深入探索和挖掘[4]。另外，對數據進行聚類分析，能夠為數據預測、數據檢索奠定良好基礎，有利于提高數據準確率和利用率。常見的聚類分析方法有五種，分別為基于層次、基于劃分、基于密度、基于模型、基于網格等聚類。

分類分析方法則是結合工業數據特征來構建分類器，而后通過分類器明確需要分類的樣本類別。這種分析方法與上文提到的聚類分析方法相比，最本質的區別在于分類數據在數據歸類前，已經明確了數據的分類規則。但聚類分析方法在數據歸類之前，則沒有相應的分類規則，而是需要在完成數據歸類后，才能夠了解不同類比的主要特點。現階段，常見的分類分析方式有多重，結合其分析特點來看，可以分為基于數據庫技術的分類方法、Bayes分類方法等。與此同時，不同分類方法的算法也存在明顯差異。例如：Bayes分類方法中最常見的兩種算法分別為TAN算法和NB算法。可以充分滿足不斷擴大的工業數據量分析需求。

相關性分析方法

所謂相關性分析，就是對工業生產中產生的數據關系程度進行分析。這種分析方法當前在國內外研究領域受到廣泛關注，已經被廣泛應用到氣象學、心理學、金融學等多個領域。從字面上對相關性進行分析，是指對兩個變量存在的關系進行分析，也就是度量二者密切程度。當前，在相關性分析實際應用過程中，最常見的方法有Pearson方法，但是結合分析結果來看，這種方法只能夠度量數據與數據之間的線性關系程度，在分析非線性關系時容易產生誤差，這也意味著該分析方式不適用于兩個變量強非線性關系分析。隨著工業大數據種類和數量的不斷增多，對多變量相關性分析提出較高要求。在這一背景下，典型相關性分析技術、因果關系分析技術等多種多變量相關性分析技術應運而生。但是這些技術在實際應用中也存在一定不足之處[5]。例如：因果關系分析技術在實際應用中，無法進行定量描述;典型相關性分析技術在實際應用中，無法解決時間序列存在的問題。目前來說，這些缺陷具有短期性特點，在未來隨著科學技術不斷進步，各種相關性分析技術勢必也會得到一定優化和完善，不僅能夠提高計算速度，而且使用范圍也會逐漸擴大。

預測分析方法

對工業大數據進行預測，實際上是一種基于功能定義的分析技術概念，在工業生產中涉及范圍較廣。包括工業生產過程對產品質量進行預測，對裝置故障診斷進行預測等。現階段，最常見的數據預測技術，就是將不同優化算法與神經網絡算法深度融合，其中較為成熟的算法有BP神經網絡、RBF網絡等。其優勢可以歸納為以下幾點：第一，從理論角度進行分析，能夠盡可能逼近非線性映射;第二，對數據輸入、數據輸出等問題進行科學處理;第三，滿足數據分布式處理需求;第四，具有較強的自適應性和自學習性;第五，能夠對大量定性定量數據進行統一處理。由于我國在預測分析方法研究和應用方面起步較晚，所以目前為止相關技術依然處于發展階段，很多技術尚不成熟。很多技術都是源于統計學理論發展而來的，其功能包括對工業大數據進行降維分析、分類分析、聚類分析、相關性分析等，并在此基礎上準確預測未來發展規律[6]。現階段，工業領域獲取的應用實例，大多是在大數據技術不同功能和不同算法深入融合背景下產生的。

工業大數據技術實際應用

工業生產過程優化方面的應用

新時期背景下，工業領域面臨的市場競爭壓力不斷增加，提高生產能力和生產質量，已經成為工業企業強化競爭實力的必要需求，這就需要企業引入各種先進裝置。與此同時，在可持續發展戰略背景下，工業領域還要充分考慮節能環保問題，要盡可能將生產過程產生的危害降到最低。面對這一改革創新需求，工業企業可以通過過程優化方式來實現。具體來說，過程優化能夠對企業生產進行實時監督，幫助企業尋求最佳生產途徑，同時可以從根源上減少工業生產過程的干擾因素，為企業提高生產能力、獲取經濟效益奠定良好基礎。對工業過程優化進行深入分析，可以將其分為兩個方面，分別為動態優化方面和靜態優化方面。并且可以采取的優化措施有多種，其中利用數據分析技術優化工業過程，就是企業改革創新的一個新思路[7]。

自改革開放后，我國工業發展規模逐漸擴大，社會生產能力逐漸提升，很多生產工藝已經基本達到國際先進水平。然而，由于工業生產過程較為復雜，所以受多種因素影響容易導致數據產生各種差異，在一定程度上增加了數據分析、處理難度。針對這一問題，有專家提出了自組織映射神經網絡分析技術及模糊C均值聚類分析技術，通過以上技術對工業數據進行分析和處理，能夠對工業生產過程中的數據進行有效監測。在兩種技術分別分析基礎上，對二者分析結果進行對比，可以發現自組織映射神經網絡分析技術精確度更高，但是處理效率相對較差。工業企業可以在分析結果基礎上對生產工藝進行優化和改進，從而進一步提高生產質量和效率，為企業持續發展奠定良好基礎。

另外，眾所周知，石化行業是帶動我國經濟持續發展的支柱產業，在新時期背景下面臨全新發展需求。其在工業生產過程中涉及到催化裂化、催化加氫、焦化等多種工藝技術。常減壓蒸餾作為石化企業較為常見的裝置，也是石油生產的重要環節。通常在進入該環節前，需要對原有進行電脫鹽處理。但結合石油企業生產現狀來看，普遍存在電脫鹽效果不理想情況。對此，有專家提出采用決策樹方法來解決，通過構建決策樹模型，對模型中產生的數據進行聚類分析，從而明確影響原油電脫鹽效果的根本原因，在此基礎上，企業可以通過改進電脫鹽裝置等方式優化生產工藝，提高生產水平。

故障監測和診斷方面的應用

故障監測及診斷最早出現于美國20世紀中期，當時主要應用到軍工、航天方面。近年來，隨著工業生產規模不斷擴大，加上各種先進技術的廣泛應用，各種類型的生產設備應運而生，雖然在一定程度上提高了工業生產質量和效率，但由于設備結構復雜、運行環境多樣，加上運行周期較長，所以不可避免存在故障問題[8]。對設備故障進行全過程監測和診斷，已經成為工業提高社會生產力的必要需求。所謂故障監督和診斷，實際上就是對設備信號、特征、狀態進行采集、提取和識別，而后對設備故障進行診斷，通過以上步驟不斷循環，能夠及時發現各種潛在問題和隱患，有利于提高故障監測及診斷精度，從而保證工業安全生產。當前，隨著工業生產規模不斷擴大，設備故障的原因逐漸增多，并且故障機理也越來越復雜，傳統監測手段和診斷技術已經無法充分滿足設備維修需求。而應用工業大數據技術能夠有效解決以上問題。上文提到，無論是降維處理技術，還是分類聚類技術，均能夠對海量數據進行科學處理。將這些技術與故障檢測診斷技術相融合，能夠突破傳統技術存在的不足之處。

例如：鋼鐵企業在生產過程中離不開高爐煉鐵工藝的支撐，只有控制好高爐煉鐵工藝，才能夠達到理想生產效果。但新時期隨著鋼鐵產品需求量不斷增加，以及生產質量要求的不斷提高，使得生產工藝也逐漸向復雜化趨勢發展，在一定程度上增加了控制難度。在長期發展進程中，專家系統在高爐煉鐵工藝控制中廣泛應用，并取得了顯著成果。所謂專家系統，就是在汲取領域專家經驗及知識基礎上，通過合理算法開發的一種系統。然而，由于鋼鐵生產中使用的高爐特點不盡相同，所以僅通過某一專家系統并不能對其進行合理控制。對此，可以將數據挖掘概念引入專家系統中，以此來解決專家系統中結合人為經驗獲取知識這一弊端。如：將BP神經網絡系統與專家系統相結合，能夠有效提高高爐故障識別率，而后通過K-Means算法對高爐運行過程中產生的數據進行聚類分析，能夠確定立項運行參數值，從而確保高爐煉鐵工藝得到有效控制。

產品預測方面的應用

工業產品的生產質量和生產效率，取決于生產裝置運行情況。雖然當前工業企業認識到了工業產品產率和質量預測的重要性，但采取的預測方法存在嚴重滯后性，無法及時反饋結果，不利于優化操作過程。由此可見，想要在提高產品預測準確性的同時提高及時性，就要充分利用工業大數據技術。注塑成型作為工業企業塑料加工的常見方法，能夠在較短時間內生產出精度較高、結構復雜的產品，這些產品當前被廣泛應用到醫療、電子等領域。但在實際生產過程中，工業企業通常每完成一次生產活動，就要通過抽樣檢查的方法對產品質量進行檢測，由于這種方法效率較低，所以不利于為改進工藝、提高產品質量提供保障[9]。對此，可以在注塑成型過程中引入拉普拉斯特征映射方法，對生產過程產生的高維度數據進行降維分析。而后利用聚類分析方法對實際工況進行分析，從而明確產品分類的具體規則，最后采用基于粒子的群算方法，構建注塑成型過程質量測量模型。結合模型對產品質量進行預測和分析，不僅能夠保證預測準確性，還能夠提高預測效率，有利于為企業優化生產工藝奠定良好基礎。現階段，大數據技術在工業生產中被廣泛應用，為解決工業生產問題提供新思路，隨著大數據技術不斷發展，勢必會進一步擴大大數據技術應用范圍，為工業發展奠定良好基礎。

結語

綜上所述，當前，大數據技術在工業領域應用方面已經取得了顯著成就，但由于我國在工業大數據研究和應用方面起步較晚，并且這些技術主要源于原有數據發掘原理基礎上產生，所以并未充分發揮其潛在價值。需要研究人員進一步加大研究力度，對工業大數據進行深入研究和開發，使其更好地運用到工業發展的方方面面，為推動工業領域持續發展提供保障。

參考文獻：

[1]劉祎，王瑋.工業大數據時代技術示能性研究綜述與未來展望[J].科技進步與對策，2019，36（20）：154-160.

[2]李陽.探討大數據背景下數字技術在工業電氣自動化中的應用[J].信息系統工程，2020（01）：63-64.

[3]吳章燕.解析大數據技術在工業經濟統計中的應用[J].現代經濟信息，2021（18）：171-172.

[4]王韻滋，王爽.基于大數據的數據挖掘技術在工業信息化中的應用分析[J].科學與信息化，2020（25）：68-69.

[5]張東光，郭輝.淺析數據采集技術在工業大數據平臺中的應用[J].科學與信息化，2020（8）：22-23.

[6]許寧.基于大數據的數據挖掘技術在工業信息化中的應用探究[J].現代工業經濟和信息化，2017，7（22）：50-51，54.

[7]趙文博.工業大數據在智能制造中的應用價值[J].造紙裝備及材料，2021，50（01）：122-124.

[8]吳鳴浩.工業大數據的應用與實踐研究[J].數碼設計（上），2021，10（5）：338.

[9]卓相磊.工業大數據在智能制造中的應用價值[J].科技風，2021（18）：85-86.