1.4 工业数据的应用

1.4.1 工业数据的应用概况

“数字化工厂”展现了信息化制造的强大魅力，“互联工厂”模式带给人们无限的想象空间。在新一轮革命发展浪潮下，工业自动化、数字化等成为“智能制造”的关键技术，大数据、人工智能必将成为重要的角色。

以新一代信息技术为核心的第四次工业革命已经悄然开始，为引领新工业革命的浪潮，美国推出“再工业化”，德国提出“工业 4.0”，作为世界制造业强国的中国把“智能制造”“大数据”“人工智能”定为未来的主攻方向，中国制造业进入了转型升级的重要发展阶段。

在工厂里，每台自动化设备均由PLC、变频器、工控机、传感器、人机界面、伺服与运动控制、机器视觉等基础工控元件构建而成，设备与设备之间通过工业以太网连接，所有机器设备互联组成井然有序的生产系统，再由MES、PDM/PLM、ERP、CAD/CAE/CAM/CAPP、SCADA 等信息管理软件进行统筹，最终形成所谓的“智能制造”工厂解决方案。中国“智能制造”转型带来了巨大的自动化市场需求。

2013年，德国提出了“工业4.0”战略，美国通用电气公司（GE）提出了“工业互联网”愿景，信息技术在工业领域中的应用研究已积累数年。工业大数据生态要求企业具有平台化的能力，不管企业是生态的主导者还是参与者，工业大数据都将成为一种生态体系。

基于云平台构建的制造企业的大数据，其实际效果有如下几个特点。

（1）产品营销：大数据分析结果为制造企业提供了针对性推销、定向研发、智能维保等服务。

（2）设备远程故障诊断分析：大数据预测设备未来可能出现故障的时间，提供避免出现故障的解决方案，减少设备故障停机给客户带来的损失。

（3）客户体验：在移动端建立企业宣传平台，以场景化方式让客户加深对产品的认知，增强品牌的传播效果。

（4）技术创新：借助平台的专家经验共享、智能决策库的建立，提高运维领域的装备管理水平，降低行业运营成本。

（5）节约能耗：通过数据集的切分和规律查找，找到最优化的数据集，实现人员投入及控制过程的节能提效。

1.4.2 工业数据的应用特征

工业数据的应用特征可归纳为跨尺度、协同性、多因素、因果性、强机理等几个方面。这些特征都是由工业对象本身的特性或需求所决定的。

“跨尺度”“协同性”主要体现在大数据支撑工业企业的在线业务活动、推进业务智能化的过程中。

“跨尺度”是工业数据的首要特征。这个特征是由工业的复杂系统性决定的。从业务需求上看，ICT技术的广泛深入应用，将设备、车间、工厂、供应链及社会环境等不同尺度的系统在网络空间中联系在一起。事实上，“工业 4.0”强调的横向、纵向、端到端集成，就是把不同空间尺度的信息集成到一起。另外，跨尺度不仅体现在空间尺度上，还体现在时间尺度上，即业务上常常需要将毫秒级、分钟级、小时级等不同时间尺度的信息集成起来。因此，需要综合利用云计算、物联网、边缘计算等技术。

“协同性”是工业数据的另一个重要特征。“牵一发而动全身”是对“协同性”的形象描述，是“系统性”的典型特征。具体到工业企业，就是某台设备、某个部门、某个用户的局部问题能够引发工艺流程、生产组织、销售服务、仓储运输的变化。这就需要通过整个企业乃至供应链上多个部门和单位的大范围协同才能做到。工业系统强调系统的动态协同，因此工业数据就要支持这个协同的业务需求。

“多因素”“因果性”“强机理”体现在工业数据支撑过程分析、对象建模、知识发现，并应用于业务持续改进的过程中。工业过程追求确定性、消除不确定性，数据分析过程就必须注重因果性、强调机理的作用。事实上，分析结果是具有科学依据的知识，本身就体现了因果性。

“多因素”是指影响某个业务目标的因素特别多，是由工业对象的特性决定的。当工业对象是复杂的动态系统时，人们必须完整地认识并考察它的全貌，才能得到正确的认识。因此，工业数据分析体现了多个因素的复杂关系，进而导致了“多因素”现象。认清“多因素”特征对工业数据收集有重要的指导作用。人们需要事先尽量完整地收集与工业对象相关的各类数据，才有可能得到正确的分析结果，不被假象所误导。对于非线性、机理不清晰的工业系统，“多因素”会导致问题的维度上升、不确定性增加。因此，在工业数据分析过程中，人们常会感觉到数据不足、分析难度极大。

“因果性”源于工业系统对确定性的高度追求。为了把数据分析结果用于指导和优化工业过程，数据分析结果必须有高度的可靠性。否则，一个不可靠的结果可能会给系统造成巨大的损失。工业过程的确定性强，为追求因果性奠定了基础。为此，工业数据的分析过程不能止步于发现简单的“相关性”，而是要通过各种可能的手段逼近“因果性”。如果用“系统”的观点看待工业过程就会发现：系统中存在着各种信息的前馈路径或者反馈路径。工业技术越成熟，这种现象就越普遍。这导致数据中体现的相关关系往往不是真正的因果关系。为了避免被假象迷惑，必须在数据准确完备的基础上，进行全面、科学、深入的分析。特别是对于动态的工业过程，数据的关联和对应关系必须准确，动态数据的时序关系不能错乱。

“强机理”是获得高可靠分析结果的保证。分析结果的可靠性体现在因果性和可重复性上。而关联关系复杂往往意味着干扰因素众多，不容易得到可重复的结论。所以，要得到可靠性的分析结果，需要排除来自各方面的干扰。排除干扰需要“先验知识”，即机理。在数据维度较高的前提下，人们往往没有足够的数据用于甄别现象的真假。“先验知识”能帮助人们排除那些似是而非的结论。此时，领域中的机理知识实质上起到了数据降维的作用。从另一个角度看，要得到具有“因果性”的结论，分析结果就必须能够用领域的机理解释。事实上，人们对工业过程的研究往往相对透彻，多数现象都能够找到机理上的解释。

1.4.3 工业数据应用效果

当工业大数据的概念提出后，IT业界结合新的大数据技术和自身对工业的理解，提出了大量的解决方案，许多方案都已经在现实中得到了应用。

1.能够实现数据的全面采集并持久化

在前大数据时代，许多工业现场采集到的数据的生命周期仅仅在显示屏上一闪而过，大量数据由于种种原因被丢弃，其中一个重要原因是无法有效存储，全部存储成本过高且数据量过大导致无法使用。进入大数据时代之后，新型的数据处理技术及云计算带来的低成本，使数据的全面采集并且持久化成为可能，即采集到的数据可以实现长时间的存储，且海量的数据可处理、可分析，工业用户便有了存储数据的意愿。而这一切又反过来为大数据分析提供了坚实的数据基础，使分析结果更准确，成为一种正向循环。

2.能够实现全生产过程的信息透明化

随着现代生产技术的飞速发展，生产过程已经呈现出高度复杂性和动态性，逐渐出现了不可控性。生产过程信息呈现碎片化倾向，只有专业部门、专业人员才能掌握本部门、本专业的数据，企业无法全面有效地了解全生产过程。

随着大数据处理和可视化技术的不断发展，目前，通过全生产过程的信息高度集成化和数据可视化，生产过程的信息达到了透明化。企业总调度中心不仅可以清晰地识别产品、定位产品，而且可以全面掌握产品的生产经过、实际状态，以及到达目标状态的可选路径。

3.能够实现生产设备的故障诊断和故障预测

当前，已经可实现对设备各类数据的采集，包括设备运行的状态参数，如温度、震动等；设备运行的工况数据，如负载、转速、能耗等；设备使用过程中的环境参数，如风速、气压等；设备的维护保养记录，如检查、维护、维修、保养等信息；设备的使用情况，如使用单位、操作人员等。所收集到的设备的各类数据、同类设备的数据、长周期的使用数据等就构成了大数据分析的基础数据。

4.能够实现生产设备的优化运行

在故障诊断和故障预测的基础上，机器、数据和生产指标构成了一个相互交织的网络，通过信息的实时交互、调整及优化，将它们进行比对、评估，最终选出最佳方案，以进一步提高设备的使用效率和精度，使生产更具效率、更加环保、更加人性化，同时还可减少运维环节中的浪费和成本，提高设备的可用率。

5.能够提高企业的安全水平

设备信息、环境信息和人员信息高度集成，经过数据分析，可以实现安全报警、预警、隐患评估等，从而大幅度提高安全水平，并且可提升人员工作效率。

6.能够实现定制化生产

近几十年来，技术开发面临的最大挑战是产品乃至系统无限增加的复杂性。与此同时，这还会导致开发和制造工业过程的复杂性倾向于无限增加。而工业企业欲在未来长期保持竞争优势，就必须提高生产灵活性。因为只有这样，才能降低成本，缩短产品上市时间，并且通过增加产品种类，满足个性化的生产需求。

单靠人脑进行管理是无法对如此复杂的流程和庞大的数据进行匹配的，通过大数据技术的引入，可以将客户的需求直接反映到生产系统中，并且由系统智能化排程，安排组织生产，使企业定制化生产成为现实。

7.能够实现供应链的优化配置

RFID 等产品电子标识技术、物联网技术及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

供应链体系以市场链为纽带，以订单信息流为中心，带动物流和资金流的流动，整合供应链资源和用户资源。在供应链的各个环节，客户数据、企业内部数据、供应商数据被汇总到供应链体系中，通过对供应链上的大数据进行采集和分析，企业就能够持续进行供应链改进和优化，保障了对客户的敏捷响应。

8.能够实现产品的持续跟踪服务

随着物联网技术的发展，现在对于已售出的产品可实现运行数据的全面收集，从而可分析已售出产品的安全性、可靠性、故障状态、使用情况等。在这些数据的基础上，产品运行数据可以直接转化到生产过程中，可以改进生产流程、提高产品质量、开发新产品，更进一步地，生产信息也可以直接作用于优化产品研发及生产过程的上游工序中。

9.能够为企业提升新的服务价值

商家卖的是产品，用户看重的是产品带来的价值。一切技术或产品都只是手段，其核心目的是在使用中创造价值。当企业能够使用新技术为用户提供服务时，卖的已经不是或者不只是冰冷的产品了，而是新的价值服务。生产商已经从过去单纯的产品提供者转变为如今的信息服务商。

1.4.4 数字化工厂构建典型案例

在数字化业务建设中，应重点考虑的因素包括以下两方面：一是要有大规模、统一的应用场景，便于扩展；二是可连接设备价值高、数量多、范围广的工业App。智能工厂融通建设的主要模式为：5G+工业互联网（边缘一体机）+安全+工业App。其系统如图1-1所示。

以国内某企业工业数据平台为例，该平台拟打造航天电器智能制造“样板间”。该企业生产的高端电器连接件产品具有多品种、小批量、定制化的特点，工厂生产实际界面如图1-2所示。

该平台拟解决的关键问题如下。

（1）缺少支撑协同设计生产的平台，存在跨事业部及与客户/供应商协同效率低的问题。

（2）跨地域资源协作程度低，排产准确率低，资源调度不合理。

（3）设备、质量、生产、运营等大数据的分析利用程度较低。

（4）虚实结合协同制造需求迫切。

目前，企业生产线设计、节拍计算、布局优化等未实现从事前仿真优化、到事中监控、事后优化的闭环透明管控。

该平台实现的解决方案如下。

（1）建设云端设计工艺协同系统（CPDM）、云端资源协同系统（CRP）、云制造运营管理系统（CMOM），并与企业内部企业资源计划（ERP）、生产信息化管理系统（MES）及自动化产线集成，将生产计划、物料清单（BOM）/工艺数据、企业运行数据三条主线打通。

（2）通过智能网关将设备数据、产线数据及企业数据上传云平台，应用大数据挖掘与分析技术对质量、销售、采购、生产等数据进行挖掘分析，为工艺优化及企业的运营决策提供指导。

（3）应用虚拟现实（VR）技术对厂房、产线、物流进行建模，搭建虚拟工厂，实现远程监控，并利用仿真工具对产线布局设计、物流设计、节拍计算等进行仿真，搭建数字孪生模型，为产线提供优化指导。

（4）实现了基于智能工厂的产品设计、制造、检测、物流等全生命周期的智能化。

该平台上线后，取得了较好的应用效果。该企业的生产效率提升了50%，产品研制周期缩短了33%，产品不良率下降了56%，运营成本节省了21%。