張瑞東

摘 要：工業(yè)大數(shù)據(jù)是大數(shù)據(jù)與智能制造的交叉點。推動大數(shù)據(jù)進入工業(yè)領(lǐng)域的因素很多。傳感器和通信技術(shù)的發(fā)展降低了數(shù)據(jù)采集的成本。云計算、GPU等技術(shù)逐漸能夠滿足工業(yè)數(shù)據(jù)實時處理的需求。制造活動的復(fù)雜性使得人們的經(jīng)驗判斷具有一定的局限性。

關(guān)鍵詞：工業(yè)大數(shù)據(jù);生產(chǎn)管控;智能制造;物聯(lián)網(wǎng);

為了推進智能制造中工業(yè)大數(shù)據(jù)的應(yīng)用，對相關(guān)研究進行了綜述.從工業(yè)大數(shù)據(jù)的內(nèi)涵及架構(gòu)出發(fā)，結(jié)合工業(yè)生產(chǎn)管控需求，從數(shù)據(jù)動態(tài)感知與采集、數(shù)據(jù)統(tǒng)一存儲與建模、數(shù)據(jù)分析與決策支持幾個層次分析了工業(yè)大數(shù)據(jù)的關(guān)鍵技術(shù)，介紹了工業(yè)大數(shù)據(jù)在質(zhì)量管理、故障診斷預(yù)測、供應(yīng)鏈優(yōu)化等典型場景中的應(yīng)用，并綜合分析其發(fā)展現(xiàn)狀，展望未來的應(yīng)用趨勢。

一、工業(yè)大數(shù)據(jù)的優(yōu)勢

1.第一個優(yōu)勢是“不糾結(jié)于因果”。本這種提法區(qū)別于互聯(lián)網(wǎng)領(lǐng)域的“是相關(guān)，不是因果”，以及工業(yè)工程師強調(diào)的“必須是因果”。其具體含義是：從大數(shù)據(jù)中提煉的工業(yè)知識，要以因果關(guān)系存在為基礎(chǔ);但應(yīng)用知識時，不必按照科學(xué)機理的邏輯去計算。這個邏輯并不奇怪：工業(yè)界常用的試驗結(jié)果符合因果關(guān)系，但試驗的具體數(shù)值卻不是按照因果邏輯計算得到的。同樣，通過規(guī)范數(shù)據(jù)分析邏輯，可以讓工業(yè)大數(shù)據(jù)像“試驗數(shù)據(jù)”一樣有用?！安患m結(jié)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(jīng)驗知識”。

2.第二個優(yōu)勢是“樣本=全體”。具有這個優(yōu)勢時，當(dāng)前發(fā)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(fù)雜的模型。故而，大數(shù)據(jù)背景下，簡單的算法可以解決復(fù)雜的問題。從應(yīng)用的角度看，大數(shù)據(jù)的優(yōu)勢不在“大”，而在“全”?！按蟆睍黾佑嬎銠C處理的復(fù)雜性，而“全”則保證了知識的存在性。

3.第三個優(yōu)勢是“混雜性”?？煽啃允枪I(yè)界追求的一個重要目標(biāo)。具體到建模過程中，就是對“泛化性”的要求高。數(shù)據(jù)的“混雜性”強時，可以找到多個角度的印證邏輯，提高分析結(jié)果的可靠性，也為“不糾結(jié)于因果”提供了條件。當(dāng)前，做到這一點的前提，是前面提到的數(shù)據(jù)完整性。由此可見，以上三個優(yōu)勢都體現(xiàn)在知識獲取。而這個優(yōu)勢的價值，又進一步體現(xiàn)在對智能化的推動。然而，大數(shù)據(jù)的這些優(yōu)勢并不是天生存在，而是要人去創(chuàng)造?！笆澜缟蠜]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(guān)系。所以，要借鑒過往的經(jīng)驗，前提是要進行抽象、歸納、總結(jié)。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(shù)據(jù)的應(yīng)用也需要人機界面的創(chuàng)新。大數(shù)據(jù)記錄的數(shù)據(jù)畢竟屬于過去，未來可能是不同的。具體應(yīng)用時，不能過度依賴于“樣本=全體”的假設(shè)。在可靠度要求較高的場景，業(yè)務(wù)系統(tǒng)有后備的辦法來應(yīng)對新問題?？傊l(fā)揮大數(shù)據(jù)的優(yōu)勢，又要避免可能帶來的風(fēng)險。另外，大量工業(yè)數(shù)據(jù)常常來自個別的“工作點”附近。數(shù)據(jù)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(chǎn)數(shù)據(jù)和試驗數(shù)據(jù)結(jié)合起來，而不局限于生產(chǎn)數(shù)據(jù)本身。

二、工業(yè)大數(shù)據(jù)的應(yīng)用研究

1.生產(chǎn)排程及調(diào)度?；谥悄芨兄夹g(shù)動態(tài)監(jiān)測物料短缺、設(shè)備故障、緊急插單等異常事件，利用大數(shù)據(jù)分析方法預(yù)測完工期、刀具剩余壽命等過程參數(shù)，發(fā)現(xiàn)實際生產(chǎn)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(chǎn)成本約束，從生產(chǎn)過程數(shù)據(jù)中挖掘或篩選調(diào)度規(guī)則，啟用遺傳算法等智能優(yōu)化算法，主動調(diào)整生產(chǎn)計劃與排程，保證任務(wù)的按期交付.某集團的COSMOPlat工業(yè)大數(shù)據(jù)平臺利用物聯(lián)感知、云平臺、智能決策等技術(shù)，對設(shè)備狀態(tài)、工藝變量、資源使用情況及效率進行在線監(jiān)測，同時通過對產(chǎn)能、庫存的分析預(yù)測，給出最佳的生產(chǎn)排程及資源調(diào)整方案，有效地優(yōu)化資源配置，提升生產(chǎn)效率.

2.故障診斷與預(yù)測。傳統(tǒng)的設(shè)備故障診斷與預(yù)測，主要通過即時報警，后根據(jù)專家經(jīng)驗判斷故障類型、定位故障位置，其時效性不高.基于大數(shù)據(jù)的診斷與預(yù)測，將根據(jù)傳感器獲得設(shè)備的負(fù)載、振動、速度等參數(shù)，通過異常檢測算法、決策樹、滑動窗口頻率模式樹、機器學(xué)習(xí)算法等數(shù)據(jù)挖掘方法，也可結(jié)合知識庫，對目標(biāo)系統(tǒng)建立實時準(zhǔn)確的診斷和預(yù)警.通用電氣公司對其飛機發(fā)動機生產(chǎn)線上的機器數(shù)據(jù)、警報數(shù)據(jù)和維護歷史數(shù)據(jù)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(shù)識別問題位置，同時對可能的設(shè)備故障進行預(yù)測，自動提供維護建議.某公司構(gòu)建裝備工況大數(shù)據(jù)平臺，接入將近23萬臺設(shè)備（6萬臺活躍設(shè)備），實時監(jiān)測并可視化顯示設(shè)備運行情況，應(yīng)用大數(shù)據(jù)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(zhì)量管理。傳統(tǒng)的質(zhì)量管理基于質(zhì)量檢驗、統(tǒng)計過程控制（SPC）、次品率等概念，往往依賴手工測量工具及數(shù)理統(tǒng)計分析，受經(jīng)驗影響大，且無法適應(yīng)日益復(fù)雜的生產(chǎn)工藝.而大數(shù)據(jù)質(zhì)量管理，一方面通過對重要參數(shù)進行分析評估，基于時間序列預(yù)測關(guān)鍵指標(biāo)，探究過程能力指數(shù)之間的關(guān)聯(lián)性，能夠較全面地掌握產(chǎn)品總體質(zhì)量性能。另一方面，將數(shù)據(jù)驅(qū)動的質(zhì)量模式識別模型與知識驅(qū)動的專家系統(tǒng)結(jié)合起來，形成在線質(zhì)量診斷系統(tǒng)，快速智能地追溯質(zhì)量問題。電氣為了解決斷路器在生產(chǎn)過程中頻頻返工的問題，集成相關(guān)業(yè)務(wù)數(shù)據(jù)，利用Spark，ETL，HDFS等大數(shù)據(jù)工具，以及分類、聚類、趨勢預(yù)測等分析模型，展開質(zhì)量問題影響因素分析、追溯分析、質(zhì)量知識庫、質(zhì)量異常反饋及質(zhì)量信息可視化等應(yīng)用，最終使生產(chǎn)線上斷路器產(chǎn)品的不良品率降低約10%。數(shù)字化工廠絕大多數(shù)制造環(huán)節(jié)由機器自動完成，在基于大數(shù)據(jù)分析的質(zhì)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(xiàn)僅12次差錯。

4. 供應(yīng)鏈分析和優(yōu)化。RFID電子標(biāo)識、物聯(lián)網(wǎng)等技術(shù)構(gòu)建了完整的供應(yīng)鏈大數(shù)據(jù)湖，利用這些數(shù)據(jù)能夠：預(yù)測物料供需量，在控制庫存的前提下避免缺貨;優(yōu)化供應(yīng)鏈網(wǎng)絡(luò)，包括運輸車位置、運輸路徑、物流中心選址優(yōu)化等;對某些產(chǎn)品的運輸行為進行聚類分析，挖掘潛在的運輸風(fēng)險并提前防范.大數(shù)據(jù)在供應(yīng)鏈領(lǐng)域的應(yīng)用將極大地提升倉儲、配送效率并降低成本。公司開發(fā)HANA大數(shù)據(jù)平臺，并利用其在企業(yè)信息化方面的優(yōu)勢推出供應(yīng)鏈解決方案，在供應(yīng)鏈上下游快速預(yù)測并傳播供需變化，及時發(fā)現(xiàn)供需失衡問題，并模擬備選方案;同時對庫存、訂單等數(shù)據(jù)進行實時分析，確定原材料、在制品、成品的最佳庫存目標(biāo)，降低供應(yīng)鏈運營成本。

三、未來的應(yīng)用發(fā)展趨勢

1.工業(yè)大數(shù)據(jù)驅(qū)動的全行業(yè)整合。工業(yè)大數(shù)據(jù)促進數(shù)據(jù)資源的融匯貫通，縱向打通各個環(huán)節(jié)信息鏈路，橫向連接各個行業(yè)的跨域數(shù)據(jù)，形成全方位的數(shù)據(jù)閉環(huán)，完善價值鏈，整合產(chǎn)業(yè)鏈，實現(xiàn)制造業(yè)從要素驅(qū)動向創(chuàng)新驅(qū)動轉(zhuǎn)型。

2.人工智能在工業(yè)大數(shù)據(jù)中的深化：工業(yè)大數(shù)據(jù)的深度應(yīng)用離不開深度學(xué)習(xí)、計算機視覺等人工智能技術(shù)，而人工智能的基礎(chǔ)又是數(shù)據(jù).隨著人工智能的進一步深化，智能車間、智能工廠將實現(xiàn)向智慧車間、智慧工廠的飛躍。

總之，大數(shù)據(jù)技術(shù)對于工業(yè)企業(yè)的轉(zhuǎn)型升級甚至智能制造的實現(xiàn)是不可或缺的;工業(yè)大數(shù)據(jù)的應(yīng)用還處于初級階段，架構(gòu)和方法基本明確，但產(chǎn)業(yè)落地難，且相關(guān)研究常著眼于點，系統(tǒng)性不夠;工業(yè)大數(shù)據(jù)的應(yīng)用場景及細(xì)分行業(yè)的覆蓋度目前還比較有限，更多類型的行業(yè)解決方案亟待被發(fā)掘。

參考文獻：

[1]鄭文生，工業(yè)大數(shù)據(jù)架構(gòu)與應(yīng)用.2018.

[2]張新宇，淺談面向生產(chǎn)管控的工業(yè)大數(shù)據(jù)研究及應(yīng)用.2019.