基于數據中臺的智能工廠信息化平臺設計

李飛

關鍵詞：智能工廠；數據中臺；信息化

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2023）03-0057-03

隨著全球市場競爭的日益激烈，制造業在提高質量、降低成本、減少消耗和增加效益等方面產生了強烈的需求，由此引發新一輪工業革命，智能工廠和智能制造成為國內外產業變革的核心驅動和戰略焦點。德國提出工業4.0計劃，基于先進的工業制造和自動化技術，重點研究智能化生產控制系統和過程管理，應用信息物理系統（CPS） 技術提升智能制造水平；美國提出工業互聯網概念，發揮信息技術優勢，利用新一代信息通信技術與工業經濟深度融合，構建覆蓋全產業鏈的全新制造和服務體系；中國提出“中國制造2025”，以信息化與工業化深度融合為主線，促進以云計算、物聯網、大數據為代表的新一代信息技術與現代制造業、生產性服務業等的融合創新，從而提升中國制造水平，實現從制造大國向制造強國的轉變[1]。煙草行業內各個企業也開始大力發展智能工廠建設，積極推進改革創新，以提高企業在市場上的競爭力。智能工廠是工業化和信息化的深入融合，而信息化是智能工廠的靈魂所在，需以信息化為支撐，推進智能工廠建設的探索和實踐。

1 智能工廠信息化建設分析

1.1 智能工廠信息化建設范圍

通過對國內外智能工廠建設模式的研究，以及智能工廠相關標準、指導意見和試點工廠的分析，確定智能工廠信息化建設范圍，如圖1所示。

智能工廠建設主要包括先進工業制造技術和工業互聯網兩大部分。其中，先進工業制造技術，泛指智能機器設備、先進工藝材料等，主要是車間生產設備和生產線的智能化；工業互聯網，泛指信息技術在智能制造方面的深化應用，包括工業應用層、工業平臺層、基礎設施層、邊緣層和安全防護[2]。智能工廠信息化建設涵蓋工業互聯網大部分內容，從智能應用建設、平臺建設、基礎設施到網絡安全防護。

1.2 智能工廠信息化建設問題

智能工廠建設是一個從數字化、網絡化再到智能化的過程。數字化是基礎，實現對數據的匯聚、梳理、建模和數據資產管理；網絡化是采用信息物理系統（CPS） 技術建立信息世界和物理世界的關聯，并通過物聯網技術建立物理實體間的泛在連接；智能化是通過新一代人工智能等技術，實現智能化生產的自學習、自適應、自主控制和人機協同。目前卷煙工廠都建設了生產制造執行系統（MES） 、制絲集控系統、卷包數采系統和能管系統等，實現生產過程中部分設備的自動化控制和生產過程的信息化管理，隨著信息化與生產管理的不斷融合，生產過程中產生的大量數據如何有效應用和管理，從而打造智能工廠建設的基礎，成為亟待解決的問題。

1） 數據有效管理的問題

生產過程數據是一個龐大復雜的集合，具有數據量大、數據類型多和高速性等特征[3]。如MES系統、制絲集控、卷包數采等系統每天均產生大量數據，且數據類型繁多，包括質量數據、產量數據、消耗數據等，同時對數據處理速度有較高要求。

生產數據分散存儲于各信息系統或底層設備，歷史數據存儲時長不一，數據存儲空間各異，數據存儲安全性值得擔憂。對大規模歷史數據進行集中存儲，不僅要求服務器擁有足夠的存儲空間，而且對數據的安全存儲、高效檢索性能等提出了挑戰。

對生產歷史數據進行存儲后，需要對數據進行梳理和評估形成企業“數據資產”，現在已利用的數據僅占現有可采集數據的一部分，在現有可采集數據不能滿足業務需求的情況下，還需要考慮通過改造設備或增加傳感器等方式獲取更多數據。由于缺乏對“數據資產”的盤點和價值評估，數據之間缺乏關聯關系，數據得不到最大化利用，形成了新型數據孤島。

2） 創新應用的問題

在智能工廠創新應用建設探索過程中，業務部門更加深刻認識到數據的價值，形成了數據分析眾創氛圍。隨著數據分析工作的不斷深入，缺乏數據平臺支撐的矛盾日益凸顯。智能工廠的創新應用需要堅實的數據基礎，對各業務維度數據進行系統梳理、建立關聯、有效存儲等。傳統信息系統（如MES、ERP等）的技術架構難以應對大規模數據的分析，并且利用生產數據庫進行大數據分析，會給生產系統帶來性能和穩定性風險。

數據分析眾創，還需要解決問題是從哪里可以獲取哪些數據？用哪些工具進行有效分析？目前數據獲取數據的主要方式是從各信息系統中人工導出數據，在跨系統獲取數據時，往往不知道有哪些數據，不知道數據之間有何關聯等，同時缺少系統專業的分析模型和方便易用的數據分析工具。

通過對智能工廠建設范圍和智能工廠信息化建設問題的分析，智能工廠是建立在數字化工廠基礎上的，是信息技術與工業技術的深度融合，大數據技術、虛擬仿真和人工智能等先進技術都是數據的深化應用，數據的管理和應用是智能工廠建設的基礎[4]。

2 智能工廠信息化平臺設計

2.1 數據中臺技術

數據中臺是指通過數據技術，以統一的標準和口徑對海量數據進行采集、計算、存儲、加工，形成標準數據進行存儲，形成大數據資產，進而為用戶提供高效服務。這些服務跟企業業務有較強的關聯性，是企業獨有且能復用的，是企業業務和數據的沉淀。數據中臺的核心是一個數據管理體系，包括數據倉庫規劃、數據規范定義、數據建模研發、數據連接萃取、數據運維監控、數據資產管理工具等。同時，數據中臺是一個數據集成平臺，它不僅僅是數據分析挖掘，還作為數據源為業務應用提供數據和計算服務。

傳統信息系統架構是類似“前臺+后臺”的構建模式，如圖2所示。

但是隨著面向各種業務的信息系統紛紛上線，系統之間對歷史數據的共用現象越來越普遍。如果在每個信息系統分別建設大數據管理平臺，則會造成重復投資且不易于管理。因此在前臺和后臺之間，逐漸抽象形成了“數據中臺”，如圖3所示。

“數據中臺”與傳統“大數據平臺”的區別在于，具有全局的數據資產管理和數據治理能力，其更強調對外服務。數據即服務，服務于各個信息系統，服務于眾創團隊，為業務部門賦能，進行數據能力共享管理，真正讓數據用起來。數據的管理和應用是智能工廠建設的基礎，通過工業互聯網平臺架構結合數據中臺技術，可有效解決工業大數據的管理和深化應用問題。

2.1 整體架構設計

參考工業互聯網平臺應用層、平臺層、基礎設施層和邊緣層等四層架構設計，結合數據中臺思想，提出了以下智能工廠信息化平臺設計架構，包括邊緣層、基礎設施層、平臺層、應用層和網絡安全防護五個部分。

1） 邊緣層

邊緣層是基礎。邊緣層對底層設備產生的工業數據進行采集，并對不同來源的工業數據進行協議解析和邊緣處理。一是工業數據接入，實現對各類工業數據的大范圍、深層次采集和連接；二是協議解析與數據預處理，將采集的各類多源異構數據進行格式統一和語義解析，并進行數據剔除、壓縮、緩存等處理；三是邊緣分析應用，面向實時應用場景，開展實時分析與反饋控制，并提供邊緣應用開發所需的資源調度、運行維護等功能。

2） 基礎設施層

基礎設施層（IaaS） 是支撐。基礎設施層主要提供計算資源、網絡資源、存儲資源等基礎設施，通過虛擬化技術將計算、存儲、網絡等資源池化，構建具有大存儲量、高計算性能、高穩定性的硬件基礎架構，提供可計量、彈性化的資源服務，實現資源服務的動態管理，提升資源服務有效利用率，確保資源服務的安全，構建5G無線網絡支撐移動應用和物聯網應用。基礎設施層為平臺層的功能運行和應用層的應用服務提供完整的底層基礎設施服務。

3） 平臺層

平臺層（PaaS） 是核心。平臺層提供資源管理、數據與模型管理、數據建模分析和微服務管理等功能。以數據中臺為核心，對系統資源進行調度和管理，集成大數據、微服務等技術，為智能應用提供支撐；對工業大數據進行數據預處理、數據關聯、數據建模等處理，為數據分析提供高質量數據源；通過工業建模分析、應用仿真分析、作業流程分析等工業機理建模方法和統計分析、大數據、人工智能等數據分析建模方法，實現數據價值的深度挖掘分析；對微服務進行管理，包括權限管理、服務訂閱、服務授權、消息推送、資源監控和日志分析等。

4） 應用層

應用層（SaaS） 是關鍵。應用層提供智能應用、應用眾創、應用商店、應用二次開發集成等功能。一是智能應用，針對生產調度、工藝質量、能耗優化、設備管理等需求，構建各類工業App應用解決方案；二是應用眾創，打造開放的數據分析應用開發環境，提供各類資源工具和技術文檔，支撐業務人員開展創新應用，區別于智能生產、智能質量等工廠智能應用，獨立于生產環境，是智能應用的孵化器；三是應用商店，提供工業App應用的應用管理、展示分發等服務，支撐實現工業App應用推廣使用；四是應用二次開發集成，對原有工業App應用進行定制化改造，以適配特定應用場景或是滿足用戶個性化需求。

5） 網絡安全防護

網絡安全防護是保障。網絡安全防護對邊緣層、基礎設施層、平臺層、應用層等多層面進行綜合性的安全防護，包括數據安全、應用安全、網絡安全和工控安全。數據安全側重數據加密傳輸、安全存儲、分類分級、訪問控制、敏感數據識別和保護等方面；應用安全側重身份認證、權限控制、微服務組件安全、應用安全加固等方面；網絡安全側重網絡訪問控制、入侵檢測、防火墻、工控網絡安全、無線網絡監控等方面；工控安全側重設備可信驗證、工控協議防護、工控系統防護等方面。

2.2 數據中臺架構

數據中臺通過對MES、制絲集控、卷包數采等多源多類型數據進行抽取和統一存儲，建立數據關聯，進行數據資產管理，提供可視化數據獲取和數據服務接口，實現“讓數據用起來”的原則和目的。包括數據源、數據抽取、數據資產管理和數據服務四個部分。

1） 數據源

數據中臺需要采集的數據源包括MES、制絲集控、卷包數采、動力能管等系統。這些數據源中的數據形式主要包括OPC（OLE for Process Control） 協議、實時歷史數據庫、非結構化數據等。

2） 數據抽取

使用ETL（Extract-Transform-Load） 工具將OPC協議、實時歷史數據庫和非結構化數據進行抽取、傳輸、加載到數據倉庫中。針對不同的數據源和數據形式，需要使用不同的ETL工具，例如通過OPC協議抽取數據的ETL工具、從實時歷史數據庫抽取數據的ETL工具等。

3） 數據資產管理

數據資產管理包括數據存儲、數據質量、數據關聯、數據共享、數據安全、元數據管理和價值評估等。

經過抽取的數據將根據數據性質，分別存儲于Hadoop 等大數據平臺或NoSQL等數據庫中[5]；將計劃、質量、設備、能源等不同業務領域數據進行關聯；建立數據模型，對數據進行系統的數據資產管理；針對工業大數據“價值密度低”的特點，需要對數據價值進行評估，評估過程也是對數據再梳理再發掘的過程。

4） 數據服務

數據服務是“讓數據用起來”的關鍵，是數據中臺的向外輸出。數據中臺可提供可視化的數據獲取界面，讓用戶可以直觀地獲取到數據中臺中的數據；數據服務接口是數據中臺為各類智能應用提供的數據服務接口；眾創數據服務是為滿足業務部門眾創需求，為眾創應用提供高效的數據服務和友好的開發環境；數據加工服務通過對數據分析工具進行封裝，提供可視化的數據分析算法和工具。

3 結論

隨著信息技術在生產制造和工業領域的不斷深化應用，制造業正經歷以信息化與工業化深度融合為標志的新一代產業革命，逐步向數字化、智能化、透明化和人機協同的智能制造方向發展。本文在對智能工廠信息化建設探討和分析的基礎上，提出基于數據中臺的智能工廠信息化平臺架構設計和適用于工業大數據管理的數據中臺架構方案，對工業互聯網、數據中臺和大數據等技術在智能工廠建設中的應用具有一定借鑒作用，為傳統制造工廠從數字化、網絡化到智能化的發展奠定了基礎。然而當前智能工廠建設尚處于初始階段，對信息化如何推動智能工廠建設還需進一步探索。下一步將以智能工廠建設為應用場景，通過實施智能工廠數據中臺項目，逐步開展基于數據中臺的智能工廠信息化平臺建設，可為智能工廠信息化建設提供有效的數據管理手段和高效的數據治理能力，為智能工廠創新應用提供可擴展高性能的系統平臺以及對數據分析眾創提供高質量的數據服務，在數字資產管理和數據深化應用等方面支撐智能工廠信息化建設。