離散型裝備制造企業數據中心的構建與實現

馮賢鳳

(貴州黎陽航空動力有限公司，貴州 貴陽 550000)

近年來，以數字化、網絡化和智能化為本質特征的第四次工業革命正在興起,通過對人、機、物、環境的全面互聯，構建起全要素、全業務和全流程連接的新型生產制造和服務體系，是數字化轉型的實現途徑，是實現新舊動能轉換的關鍵力量[1]。目前，大多數離散型裝備制造企業已經建立了各類業務管理系統，如PDM、ERP和MES 等，具有一定數據資源管理、數據統計和可視化展示能力，然而各大系統積累了大量業務數據，分散獨立存儲，需要做數據分析要嚴重依賴業務系統，導致集成的壓力越來越大，無統一系統進行數據集中管控，使得數據分析難以有效開展，取數據難，用數據難，很多需要各類業務數據綜合利用的場景難以實現[2]。總結下來，離散型裝備制造企業的困難和痛點如下：

(1)集成壓力大，集成和運維的難度大

受制于歷史原因，各部門各自購買、開發適合自己的系統是十分普遍的現象，企業已經建設了以PLM、ERP、MES、HR和OA等為主的多個業務系統，實現了全方位的信息化管理。但仍存在：數據分散且不統一(整合難)、數據雜亂且質量差(治理難)、數據應用能力不足(價值低)等問題。在使用數據時仍需要大量人工進行編制和維護，導致企業在應用系統集成上非常困難，難以實現各系統的統一運維。

(2)應用系統的數據存儲和分析困難

基于企業需求驅動的模式，迫使各應用系統一方面承擔著支撐業務的日常運行，處理各類聯機事務處理(on-line transaction processing，OLTP)需求；另一方面還要承擔聯機分析處理(on-line analytical processing，OLAP)的需求，導致在單個應用系統上不斷的基于各類業務需求進行大量的二次開發，日積月累應用系統負荷越來越大，這種讀寫不分離，事務與分析處理不分離的模式造成應用系統的不穩定，影響系統的運行效率。

(3)業務系統里面的數據質量問題制約

由于各業務系統是不同供應商承建的，各業務系統存在數據標準不統一，存在諸如數據不準確、數據不完整、數據不一致、數據不唯一、數據有效性差和數據時效性低等數據質量問題。當出現數據質量問題時，數據無法溯源，找不到原因，出現數據問題沒有認責和追責。缺乏統一數據質量管理體系，難以以問題數據為切入點，形成數據質量持續提升的閉環。

(4)難以滿足多維度，快速分析需求

各業務系統各自建設各自為陣，各業務系統之間數據難以打通，形成嚴重的數據“孤島”；沉淀了大量的結構化數據、半結構化數據和非結構化數據傳統業務系統難以處理復雜多樣的數據。所以基于單個業務系統在面向企業經營分析、管理決策和多業務域多維度等數據綜合分析需求時，難以快速響應[3]。

要解決企業以上4類信息化系統和數據的困境，就要打通不同業務系統數據并建設一個統一開放的數據中心平臺，能夠達到技術降本、應用提效和業務賦能的升級目標。

1 數據中心規劃

數字化轉型要堅持業務和技術的雙輪驅動，而連接雙輪的“軸”就是數據。只有建立起統一、清潔和智能的數據管理平臺，才能支撐公司不斷發展的新業務需求，實現數據實時可視化、業務自動化，實現真正的智能制造[4]。

圍繞業務數據化、數據資產化、資產價值化目標，立足公司數據現狀和業務發展需求，以業務為鏈條，數據為核心，數據資產管理為依托，頂層規劃主要從數據管理成熟度評估、數據治理體系以及數據資源3個層面進行規劃。

1.1 數據管理成熟度評估

參考《成熟度評估等級GB/T 36073-2018》，制定數據管理成熟度評估模型，包含4個數據管理能力域，每個能力域包含數據管理領域的若干能力項，如表1所示。

能力項分為初始級、受管理級、穩健級、量化管理級和優化級5個能力等級，各能力等級的綜合特征如圖1所示。

通過對標能力項及各能力項等級，根據現狀分析結果開展定性或定量對標并給出評價等級，同時會根據當前能力項分析結論提供優化建議。

1.2 數據治理體系規劃

數據治理以統一規劃、標準建設為原則，以先進的信息技術發展為引領，根據企業業務特點，建立健全數據治理體系，提升企業數據資產管理和應用水平[5]，具體措施如下：

(1)完善數據治理組織，包括組織架構、崗位設置、團隊建設和數據職責等內容，為各項數據職能工作開展提供組織基礎；對組織在數據管理和數據應用中行使的職責進行規劃和控制，指導各項數據職能的執行，以確保組織能有效落實數據戰略目標。

(2)建設完整的數據制度，保障數據管理和數據應用各項職能的規范化運行，明確行動準則、工作方式，確保數據管理和數據應用各項工作有序開展。

(3)建設全套數據標準，統一定義各類數據，明確數據管理流程和數據權責關系，規范企業各業務、各應用系統的數據管理，提升數據質量。

(4)構建數據技術標準，規范各類數據采集、集成工具的使用，統一集成的技術，降低集成運維風險，減少集成改造成本。

(5)制定數據質量標準，在數據全生命周期內，量化評價數據質量控制效果，實現數據質量的全面監控和持續提升。

1.3 數據資源規劃

通過數據資源規劃，盤點企業的數據資產，為實現數據資產化的有序管理奠定基礎，具體內容如下：

(1)識別企業科研項目、研發與工藝、供應鏈、生產制造和售后服務等主價值鏈業務的數據實體，盤點核心數據資產。

(2)梳理數據實體作用域分布，明確數據資產在業務執行過程中的作用，規劃數據在業務系統間的流轉關系。

1.3.1 業務域劃分

通過對大多數離散型制造企業主價值鏈業務的分析與歸納，業務域主要分為支撐層、運營層和戰略層，其中支撐層反映產品實現和企業管理所需的服務，包括人力資源管理、財務管理、供應鏈管理、質量管理和知識管理等業務，是戰略實現和產品實現的支撐業務；運營層反映產品的實現過程，包括科研項目管理、市場營銷管理、經營管理、科研與工藝技術管理、生產制造和售后服務等業務，是公司的主價值鏈業務；戰略層反映公司的宏觀戰略[6]。

按照企業業務分層模式，分為一級、二級業務域，其中一級業務域24個，二級業務域56個，分別如圖2、圖3所示。

1.3.2 數據實體劃分

數據實體是對企業業務執行過程中的核心數據資料的歸納與抽象，結合企業的業務特點，識別出數據實體498個，如表2所示(限于篇幅，只展示部分樣例)。

表2 部分數據實體樣例表

1.3.3數據流圖

數據流圖以數據流的方式，呈現數據實體在業務域間的輸入、輸出關系。通過對各業務域的業務內容、業務流程的梳理，識別出業務域內部的數據流向以及業務域外部的數據流向。以市場營銷與客戶關系管理業務域內外部數據數據流向關系為例描述業務數據流圖(如圖4所示)。

市場營銷與客戶關系管理業務域內部數據流向關系說明如表3所示。

表3 市場營銷與客戶關系管理業務域內部數據流圖說明

2 數據中心平臺建設

2.1 數據架構

數據架構主要面向元數據、主數據、業務數據和主題分析數據之間的關系展開描述[7]。其中元數據是描述數據的數據，具體為各類數據的屬性定義以及各屬性的約束。包含元數據元素和元數據屬性，元數據元素是元數據的基本組成單元，是表征數據實體的字段名；主數據是指在業務活動中相對靜止不變的、在企業范圍內有必要共享的數據，是核心業務實體的描述。例如客戶、供應商、設備、刀具和產品等；業務數據是業務處理過程中或事務處理所產生的數據，是面向應用的操作型數據，有很高響應及時性要求。例如：生產計劃、設計BOM等；主題分析數據是指通過對各類業務數據進行采集、轉換及加載處理，根據分析需求統一定義和組織的相關數據。從業務數據中按照分析需要抽取出來，并分主題存儲。如工藝主題中的工藝文件完備情況、供應鏈主題中的庫存結構分析等。數據中心建設架構圖如圖5所示。

2.2 數據中心平臺分析

數據中心平臺主要提供數據采集、存儲、加工、計算及大數據分析應用等能力建設，包含6大應用：數據服務應用、數據監控應用、數據分析應用、數據管理應用、數據存儲應用和數據采集應用[8]。

其中數據服務是指數據的上傳、下載、瀏覽和搜索等服務的統稱，包含數據訂閱、數據下載、數據檢索、數據分析和知識推送功能；數據監控是指對數據采集、存儲狀態、接口狀態、環境和數據備份等情況進行運維監控，包含數據存儲監控、數據采集監控、環境監控和數據備份監控等功能；數據分析是指使用適當的統計分析方法(如聚類分析、相關性分析等)對收集來的大量數據進行分析，從中提取有用信息和形成結論，并加以詳細研究和概括總結的過程，包含數據準備、數據計算、可視化分析及成果共享功能；數據管理是規劃、管控和提供數據及信息資產的一組業務職能，是對數據進行分類、編碼、存儲、檢索和維護，從而管控、保護、交付和提高數據和信息資產的價值，包含模型管理、編碼管理、數據維護、流程管理、質量管理及集成管理功能；數據存儲是采用大數據存儲與關系型存儲共同組成的混合存儲(存儲模式如圖6所示)，關系型存儲面向主數據、業務數據和主題分析數據，分為主數據管理庫(master data management， MDM)、操作性數據庫(operational data store,ODS)、數據倉庫(data warehouse,DW)和數據挖掘庫DM(data mining,DM)，其中MDM庫存儲企業內主數據，ODS庫存儲業務數據，DW存儲歷史細節業務數據及輕度匯總業務數據，DM庫存儲分析結果數據；大數據存儲面向大批量的結構化數據、非結構化數據(視頻、文檔等)、實時數據，其主要包括行式數據庫、列式數據庫和分布式文件系統；數據采集是利用采集工具或者接口，從系統外部采集數據并輸入到系統內部，包含數據庫、接口、錄入/導入和文件傳輸采集方式。

2.3 數據資源庫構建

數據資源庫構建是對企業內的數據資源進行分類、建模的過程。企業數據資源一般分為主數據、業務數據和主題分析數據。資源庫的構建如圖7所示。

其中主數據建庫規則為：

(1)依據主數據對象進行主數據庫搭建。

(2)父實體包含的屬性，不需要在子實體中添加，子實體會繼承父實體的屬性和關系，子實體可以擁有自己特有的屬性。

(3)表設計應符合第三范式。

(4)對于枚舉型的屬性，采用建模的方式，與關聯實體構造滿足第三范式的一對多的關系，真實反映業務關系和規則。

業務數據是業務處理過程中或事務處理所產生的數據，是面向應用的操作型數據，有很高響應及時性要求。例如：銷售訂單、派工單、采購合同等。建庫規則為：

(1)依據系統進行分類構建，業務數據表建立在相應的系統分類下。

(2)依據業務系統數據庫表結構搭建業務數據表，與業務系統表保持一致性。

(3)建立與業務系統相同的數據字典表，保持同步性。

(4)業務數據表主鍵字段不為空，其余字段均可為空。

主題分析數據是指通過對各類業務數據進行采集、轉換、加載處理，根據分析需求統一定義和組織的相關數據。它從業務數據中按照分析需要抽取出來，并分主題存儲。如產品生產能力、主要經濟指標等主題數據。建庫規則為：

(1)采用維度建模方式構建星型模型。

(2)父實體包含的屬性，不需要在子實體中添加，子實體會繼承父實體的屬性和關系。子實體可以擁有自己特有的屬性。

(3)實體所代表的邏輯概念在業務場景中經常被用到或與其他實體有多個關聯關系，為了使得這個實體的數據不被冗余、模型具有更大的靈活性，模型設計應符合第三范式[9]。

3 數據中心平臺的運行與實效

數據中心平臺建設覆蓋企業生產、質量、供應鏈、財務、安全和人事等多類業務主題，以“誰關心什么，誰使用什么，誰觀看什么”為業務場景構建理念，為企業領導和各業務領域主管領導分場景進行展示各類看板，實現管理層對企業經營情況進行透明化管理，為管理層在科研生產指揮和調度決策提供支撐。

其中企業級管控看板主要關注企業總體運營情況的數據，包括生產層面的信息：生產計劃完成情況(展示每月計劃的按期完成數、延期完成數和超期未完成數等)、配套齊備情況(展現各類產品的材料配套情況、零件配套情況、工裝配套情況)、各車間零件交付數量(多個維度展現各車間零件交付數量)和生產準時情況(從準時配套率和準時完成率兩個角度展現生產按計劃執行的準時情況)等；質量層面的信息：從一次交驗合格率、綜合廢品率、審理情況等多方面展示產品質量情況；財務層面的信息：從材料的費用、人員的工時和水風電氣的費用等多維度展示；另外展示黨建、精益改善、問題和人員先進排行等各類信息[10]，如圖8所示。

車間級看板聚焦車間生產全資源(匯總展示車間最關注的生產資源齊備率、計劃完成率等指標)、S安全(展示設備點檢率、設備使用率、5S點檢情況等安全指標)、Q質量(展示一次交驗合格率、廢品損失等質量指標)、C成本(展示刀具等物資消耗費用、各類人工成本等指標)、D交付(展示月/周/日計劃完成率，以及各類完成情況明細)和P人員(展示人員綜合情況分析，以及從產量、技能、質量和成本多個維度對人員能力進行排序)等核心板塊的關鍵指標，并可以對部分指標按照一定維度構建多級鉆取分析，形成多級看板，其中車間計劃完成情況看板(月/周/日)如圖9所示，安全看板S如圖10所示。

通過平臺的運行，對各類數據進行清洗、篩選、關聯、融合、索引、挖掘，構建應用分析模式，實現由數據到信息知識的有效轉化，對采集和匯聚的設備運行數據、生產進度數據、質量檢測數據和物料配送數據等各類數據，利用大數據技術分析和反饋并在生產流程、質量管理、供應鏈、設備維護和能耗管理等具體場景應用，對各項業務過程進行評估、預測和調整，并對發現的問題提供解決方案，實現全產業鏈的協同優化，完成數據由信息到價值的轉變。

4 結語

隨著物聯網、大數據、人工智能和數字孿生等新技術的發展，網絡化和數字化給企業帶來更多的精彩和無限可能，在這樣的時代背景下，數字化轉型正在改變企業和許許多多行業的運作模式。數據已經成為企業的重要資產，是企業未來向智能工廠發展的重要財富，挖掘數據價值、提高生產過程精準管控能力的模式可以不斷向橫向與縱向推廣應用，直至覆蓋企業經營管理、產品設計、生產制造、供應商管理和服務保障等各個業務域[11]。

本文通過構建覆蓋企業全流程、全業務和全要素的數據中心管理平臺，打通跨領域的信息斷點，建立“端到端”的數字化管理體系，管理方式從定性走向定量，從“語文”走向“數學”，實現數據驅動業務高效運作，加速推動企業數字化轉型。