关于工业大数据应用场景的分析与思考.pdf

第2 2 期（总第553期）关于工业大数据应用场景的分析与思考唐笑非，周恒，赵富霞（四川航天技术研究院，成都6 10 10 0）摘要：本文从工业大数据定义分析开始，对工业大数据应用特征进行解读，并将工业大数据的典型应用场景进行分类阐述，同时也简要梳理了应用中应注意的问题。文章期望企业管理、技术团队能在理解工业大数据的应用定义和特征之后，从典型应用场景入手，作好风险防范，顺利实现大数据应用成功转型。关键词：工业大数据；特征解读；应用场景；注意问题当前，全球各主要国家正在展开以“信息技术与制造业融合”为特征的新一轮工业革命，积极推动新一代信息技术与全球工业系统的深度融合，以获取在新一轮产业竞争中的领先优势!。工业大数据的创新发展是整个制造业向智能化方向发展的重要动力。通过大数据技术的应用，产业链中的各个环节可以实现更高效的协同和协作，生产流程也可以更加智能化和科学化。未来工业的创新和发展，尤其是制造业领域，将以工业大数据技术为基础推动，并成为提升制造业生产力和竞争力的关键要素 2 。一、工业大数据定义分析工业和信息化部关于工业大数据发展的指导意见中关于大数据的定义为“工业大数据是工业领域产品和服务全生命周期数据的总称，包括工业企业在研发设计、生产制造、经营管理、运维服务等环节中生成和使用的数据，以及工业互联网平台中的数据等”3。大数据在中国电子技术标准化研究院工业大数据白皮书（2 0 19）中的定义为“工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称”4。从狭义角度来讲，工业大数据是指在工业领域生产服务全环节产生、处理、传递、使用的各类海量数据的集合 5；从广义角度来讲，工业大数据是包括以上数据及与之相关的全部技术和应用的总称，除“数据”内涵外还有“技术与应用”的内涵。各种工业大数据概念又有其共同之处，一是覆盖工业生产与服务全生命周期；二是强调对数据和信息处理的重要性，这两点是工业大数据的两个关键核心。综上，工业大数据可以分成“工业”和“大数据”新潮电子两个维度来看，“工业”是需求与实践，“大数据”是技术与手段，工业大数据可以理解为“运用大数据、智能化、互联网等新技术、新手段解决工业发展所面临的新需求、新问题，同时创造新应用、新价值的过程”。二、工业大数据应用特征解读工业大数据专家李杰教授认为工业大数据是不可以定义的，因为它所有的本质都是它的属性，属性只能用来定性，不能用来定义。他认为工业大数据就是一个可以通过它了解工业系统本身，从而进行改进的信息流。大数据的数据特征一般具备“4V”，即数据量巨大（Vo l u m e）、数据类型多样（Variety）、数据处理速度快（Velocity）和数据价值密度低（Value）6 。而工业大数据除具备以上特征外，还具有更强的专业性、关联性、流程性、时序性和解析性等特点，而这些特点都是传统的互联网大数据处理手段所无法满足的 7 。相比于互联网大数据，工业大数据来源于供应链和制造流程等众多环节，注重特征背后的物理意义及特征之间关联性的机理逻辑，聚焦在问题点，而不是需求点。工业大数据是从痛点中寻找怎么避免让你“痛”的东西。互联网大数据则倾向于仅依赖统计学工具挖掘属性之间的相关性，从数据中找寻还未产生价值的东西。工业大数据与互联网大数据的最大区别在于工业大数据的目的性非常强，而互联网大数据更多的是一种关联性的挖掘，是更具有发散性的一种分析。换句话说，互联网注重大数据的“量”，工业大数据注重数据的“全”，即面向应用要求应尽可能全面地使用样本，以覆盖工业过程中的各种变化条件，保证从数据中能够提取反映对象真实状态的全面性信息。相比于互联网大数据，工业大数据通常并不要求有多么精准的结果推送，对预测和分析结果的容错率也远远比互联网大数据低得多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是4本刊特稿本刊特稿否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略 8 。但是在工业大数据环境中，如果仅通过统计的显著性给出分析结果，哪怕一次的失误都有可能造成非常严重的后果。三、工业大数据典型应用场景近年来，智能制造和工业互联网的发展催生了新的模式和应用，进一步丰富了工业大数据的应用场景。根据工业大数据支持产品从订单到研发设计、采购、生产制造、交付、运维、报废和再制造整个流程中的全部应用，可以概括出以下典型应用场景：智能化设计、智能化生产、网络化协同制造、智能化服务和个性化定制。本文重点阐述智能化生产和网络化协同制造场景。（一）智能化生产场景智能化生产是新一代智能制造的主要内容，它通过整合并改造智能系统和设备，实现流程的智能化和制造过程的自动化。工业大数据通过采集和汇总生产现场的设备运行数据、工艺参数、物料配送数据、质量检测数据和进度管理数据等，利用大数据技术在制造工艺、质量管理、生产流程、能耗管理和设备维护等应用景中进行分析和反馈，并实现生产过程的优化。在制造工艺场景中，通过深人挖掘生产工艺过程参数、设备运行状态参数与产品质量性能、生产线排产负荷和能耗等数据的关联性，形成数据闭环，得出最优的工艺参数范围和生产质量控制调控手段，以提升产品制造品质。在生产流程管理优化场景中，通过标准化思路整合企业全流程的数据，分析生产进度、物料管理和企业管理等数据，提升排产、进度、物料和人员管理的准确性，从而显著提高企业的生产效率和管理水平 1。通过分析和整合生产制造各个环节的数据，建立虚拟模型并仿真优化生产流程。当所有绩效数据和流程都能在系统中重建时，集成分析制造数据可以帮助制造企业优化其生产流程。在质量管理场景中，通过关联产品质检数据和生产过程数据，实现在线质量监测和异常质量追溯分析，以提升产品的良品率。在能耗管理场景中，通过分析和采集能耗数据对设备、产线和场景的能效使用进行合理规划，从而提高能源使用率，实现节能减排。在复杂产线设备健康管理方面，随着科技的不断进步和工业化水平的提高，工业系统规模不断扩大，集成的设备也越来越多。然而，系统内部往往存在复杂5新潮电子的耦合关系，其可靠性难以保证。一旦发生故障，设备的停机损失将会非常巨大。目前，针对复杂系统的健康度与可靠性评估，主要依靠传感器对设备进行感知，从实时数据库系统获取设备振动、温度、压力、流量等数据，利用大数据平台对数据进行存储管理，并借助人工智能算法评估设备的健康状况，实现设备故障预测和健康度监控。工业大数据的应用促进了生产过程复杂系统的精确建模和实时优化决策，推动了智能产线、智能车间和智能工厂的发展。这些具备自学习、自感知、自适应和自控制能力的智能化生产模式正在推动产品制造的高质量、柔性、高效、安全和绿色发展，推动生产过程的智能化升级。（二）网络化协同制造场景随着制造业向大型、精密、数控、全自动的趋势不断发展，工业大数据技术在网络化协同制造方面发挥着重要作用。通过将制造环节与设计、经销、运营、维护直至回收处理相连接，基于工业大数据技术实现信息化、协同化管理，推动产业链各环节的并行组织和协同优化。借助大数据平台，将产业链各环节的数据采集并输人全生命周期数据库中，形成总知识库。通过自动化技术、信息技术、制造技术和现代管理技术的结合，构建面向企业的网络化协同制造系统，推动制造全产业链智能协同，优化资源利用和生产要素配备，消除低效中间环节，提升整个制造业的发展水平和国际竞争力。工业大数据在网络化协同制造中的应用主要体现在供应链管理体系优化和制造能力资源优化、协同研发与制造等方面。在协同研发与制造方面，通过社会化共享和参与，企业可以基于设计资源展开众创和众包等新的研发模式，提升企业利用社会创新和资金资源的能力。通过设计平台和制造资源信息平台的统一，集成设计工具库、模型库、知识库和制造企业的闲置生产能力信息，在产业链上下游企业间实现多站点协同和多任务并行，加速新产品的协同研发和创新。在供应链管理体系优化方面，通过实时采集和监控空间地理数据，提高供应链的可视化，实现供应链的透明化。借助空间数据的时空模式挖掘，为供应链物流的智能化运营提供实时决策依据，优化物流路径和排程调度，实现供应链物流的高效和智能运作。通过整合全产业链的大数据，提升整个生产系统的协同优化能力，使生产系统更具动态灵活性，进一步提高生产效率和降低成本，实现供应链配送体系的优化和对用户需求的快速第2 2 期（总第553期）第2 2 期（总第553期）响应。通过分析产品供应链的大数据，还可以大幅提高仓储、配送和销售效率，降低成本。在制造能力资源优化方面，通过支持工业大数据技术，实现制造资源、制造能力和制造过程的信息透明化，连接不同物理区域的多样化生产资源，根据订单需求进行最优资源配置，实现高效的零部件协同制造，统一组装和交付。同时，工业企业可以通过工业大数据平台向外部开放闲置制造能力，实现制造能力的在线租用和利益分配。以网络化协同制造为核心理念，借助工业大数据技术支持，制造业企业内部和企业间可通过可靠的网络资源实现对不同产品各个阶段的增值。这促进了创新资源、生产能力和市场需求的集聚与对接，提高了产业链上下游的资源整合能力，推动了全社会多元化制造资源的高效协同。智能化设计、智能化服务和个性化定制等三个应用场景是工业大数据的另外三个重要方面，但超出了本文的范围，在此不作详细讨论。四、工业大数据应用注意问题在我国工业大数据产业发展迅速提升的同时，我们仍需认识到存在一些问题。首先，我国工业领域物联网数据获取困难，数据格式不统一，数据的产权归属不清晰，数据孤岛难以解决 9 。这主要是因为国内缺乏高端工业软件和物联设备的核心技术供给，而国外设备数据读写不开放，数据无法直接获取或格式多样化，难以直接利用。其次，面对工业领域庞大、分布广泛、结构复杂、类型多样的数据，工业行业整体数据资源管理水平相对不足，难以做到对企业内外各类数据进行有效管理，更无法充分分析和利用这些数据。最后，缺乏可用、易用且可信的工业大数据平台，无法充分利用工业全产业链上下游的数据，实现人、机、物等各类工业要素、工业业务流程以及产业链上下游企业之间更大范围的协同和智能交互，推动工业生产的资源优化、协同制造和服务延伸。为解决上述问题，我们应加强研发和创新，提升国产工业软件和高端物联设备的核心技术供给能力，同时推动国外设备数据的开放性，使数据能够方便获取和利用。此外，需要提升工业行业的数据资源管理能新潮电子力，建立统一的数据标准和数据格式，加强质量控制，实现数据的集成和共享。同时，加快工业大数据平台的建设，提供可靠的技术支持和解决方案，实现对全产业链的数据应用，从而推动各个环节之间的协同作业和智能化交互。只有采用以上措施，才能实现工业大数据在资源优化、协同制造和服务延伸等方面更广泛地应用。五、结束语结合智能制造、互联网等新技术的工业大数据应用是一次传统制造企业转型和发展、发掘更多商机和潜在市场的机会，更是未来发展的关键竞争力。我国需要有正确的思维观念和全面的准备，深人思考和突破一些关键问题，包括人才培养、数据治理、技术短板、隐私保护等。只有企业决策者、核心管理和技术团队准确理解工业大数据定义和特征，从典型应用场景人手，认真进行可行性研究，坚持“需求导向、应用为先”思路，利用好工业大数据业内优秀资源，做到科学谋划、精准实施，传统制造企业才能实现大数据应用的成功转型。参考文献：1工业互联网平台应用场景互联网文档资源(https:/).20182郑树泉,覃海焕,王倩.工业大数据技术与架构 J.大数据期刊.2 0 17,3(4):14.3中国报告网.2 0 18 年我国工业互联网行业工业大数据分类及产业链分析（表）R.2018.4李继刚.基于工业大数据的装备集群健康评估方法研究 D.西安：西安电子科技大学.2 0 17.5田含秀.面向艾络格工业物联网的大数据分析及可视化 D.武汉：华中科技大学,2 0 19.6邢晟,王珊珊.基于大数据的金融风险预测与防范对策研究 J.科技创新与生产力,2 0 18(3):1-4.7袁爱进,岳滨楠,闫鑫,等.工业大数据的应用与实践 J.大数据,2 0 17,3(6):2 7-41.8王佳梓,王桂玲.“云+端”大数据驱动的预见性电厂设备维护 J.华电技术,2 0 19,41(11):40-45.9王帆,基于区块链的工业大数据共享研究 D.成都：四川大学,2 0 2 1.本刊特稿6