工艺大数据

『壹』 物联网时代的八大工业大数据应用场景

物联网时代的八大工业大数据应用场景

工业大数据是一个全新的概念，从字面上理解，工业大数据是指在工业领域信息化应用中所产生的大数据。

随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用，工业企业也进入了互联网工业的新的发展阶段，工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高。因此，工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少，某些情况下甚至更为复杂。

工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。本文将对工业大数据在制造企业的应用场景进行逐一梳理。

1.加速产品创新

客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。福特公司是这方面的表率，他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。

这种以客户为中心的大数据应用场景具有多方面的好处，因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且，电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充电站，以及如何防止脆弱的电网超负荷运转。

2.产品故障诊断与预测

这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实，大数据应用、建模与仿真技术则使得预测动态性成为可能。在马航MH370失联客机搜寻过程中，波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。我们就拿波音公司飞机系统作为案例，看看大数据应用在产品故障诊断中如何发挥作用。在波音的飞机上，发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态，这些数据不到几微秒就被测量和发送一次。以波音737为例，发动机在飞行中每30分钟就能产生10TB数据。

这些数据不仅仅是未来某个时间点能够分析的工程遥测数据，而且还促进了实时自适应控制、燃油使用、零件故障预测和飞行员通报，能有效实现故障诊断和预测。再看一个通用电气(GE)的例子，位于美国亚特兰大的GE能源监测和诊断(M&D)中心，收集全球50多个国家上千台GE燃气轮机的数据，每天就能为客户收集10G的数据，通过分析来自系统内的传感器振动和温度信号的恒定大数据流，这些大数据分析将为GE公司对燃气轮机故障诊断和预警提供支撑。风力涡轮机制造商Vestas也通过对天气数据及期涡轮仪表数据进行交叉分析，从而对风力涡轮机布局进行改善，由此增加了风力涡轮机的电力输出水平并延长了服务寿命。

3.工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先，在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如，在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。

4.工业供应链的分析和优化

当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以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。

以海尔公司为例，海尔公司供应链体系很完善，它以市场链为纽带，以订单信息流为中心，带动物流和资金流的运动，整合全球供应链资源和全球用户资源。在海尔供应链的各个环节，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，通过供应链上的大数据采集和分析，海尔公司能够持续进行供应链改进和优化，保证了海尔对客户的敏捷响应。美国较大的OEM供应商超过千家，为制造企业提供超过1万种不同的产品，每家厂商都依靠市场预测和其他不同的变量，如销售数据、市场信息、展会、新闻、竞争对手的数据，甚至天气预报等来销售自己的产品。

利用销售数据、产品的传感器数据和出自供应商数据库的数据，工业制造企业便可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格，可以在价格下跌时买进，所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据，知道产品出了什么故障，哪里需要配件，他们还可以预测何处以及何时需要零件。这将会极大地减少库存，优化供应链。

5.产品销售预测与需求管理

通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具，通过历史数据的多维度组合，可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等，以此来调整产品策略和铺货策略。在某些分析中我们可以发现，在开学季高校较多的城市对文具的需求会高很多，这样我们可以加大对这些城市经销商的促销，吸引他们在开学季多订货，同时在开学季之前一两个月开始产能规划，以满足促销需求。对产品开发方面，通过消费人群的关注点进行产品功能、性能的调整，如几年前大家喜欢用音乐手机，而现在大家更倾向于用手机上网、拍照分享等，手机的拍照功能提升就是一个趋势，4G手机也占据更大的市场份额。通过大数据对一些市场细节的分析，可以找到更多的潜在销售机会。

6.生产计划与排程

制造业面对多品种小批量的生产模式，数据的精细化自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大，再加上十几年的信息化的历史数据，对于需要快速响应的APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。帮我们规避“画像”的缺陷，直接将群体特征直接强加给个体(工作中心数据直接改变为具体一个设备、人员、模具等数据)。通过数据的关联分析并监控它，我们就能计划未来。虽然，大数据略有瑕疵，只要得到合理的应用，大数据会变成我们强大的武器。当年，福特问大数据的客户需求是什么?而回答是“一匹更快的马”，而不是现在已经普及的汽车。所以，在大数据的世界里，创意、直觉、冒险精神和知识野心尤为重要。

7.产品质量管理与分析

传统的制造业正面临着大数据的冲击，在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生，来应对工业背景下的大数据挑战。例如在半导体行业，芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程，每一步都必须达到极其苛刻的物理特性要求，高度自动化的设备在加工产品的同时，也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱，还是企业的金矿呢?如果说是后者的话，那么又该如何快速地拨云见日，从“金矿”中准确地发现产品良率波动的关键原因呢?这是一个已经困扰半导体工程师们多年的技术难题。

某半导体科技公司生产的晶圆在经过测试环节后，每天都会产生包含一百多个测试项目、长度达几百万行测试记录的数据集。按照质量管理的基本要求，一个必不可少的工作就是需要针对这些技术规格要求各异的一百多个测试项目分别进行一次过程能力分析。如果按照传统的工作模式，我们需要按部就班地分别计算一百多个过程能力指数，对各项质量特性一一考核。这里暂且不论工作量的庞大与繁琐，哪怕有人能够解决了计算量的问题，但也很难从这一百多个过程能力指数中看出它们之间的关联性，更难对产品的总体质量性能有一个全面的认识与总结。然而，如果我们利用大数据质量管理分析平台，除了可以快速地得到一个长长的传统单一指标的过程能力分析报表之外，更重要的是，还可以从同样的大数据集中得到很多崭新的分析结果。

8.工业污染与环保检测

《穹顶之下》令人印象深刻的一点是通过可视化报表，柴静团队向观众传递雾霾问题的严峻性、雾霾的成因等等。

这给我们带来的一个启示，即大数据对环保具有巨大价值。《穹顶之下》图表的原生数据哪里来的呢?其实并非都是凭借高层关系获取，不少数据都是公开可查，在中国政府网、各部委网站、中石油中石化官网、环保组织官网以及一些特殊机构，可查询的公益环保数据越来越多，包括全国空气、水文等数据，气象数据，工厂分布及污染排放达标情况等数据等等。只不过这些数据太分散、太专业、缺少分析、没有可视化，普通人看不懂。如果能够看懂并保持关注，大数据将成为社会监督环保的重要手段。近日网络上线《全国污染监测地图》就是一个很好的方式，结合开放的环保大数据，网络地图加入了污染检测图层，任何人都可以通过它查看全国及自己所在区域省市，所有的在环保局监控之下的排放机构(包括各类火电厂、国控工业企业和污水处理厂等)的位置信息、机构名称、排放污染源的种类，最近一次环保局公布的污染排放达标情况等。可查看距离自己最近的污染源，出现提醒，该监测点检测项目，哪些超标，超标多少倍。这些信息可以实时分享到社交媒体平台，告知好友，提醒大家一同注意污染源情况及个人安全健康。

总结工业大数据应用的价值潜力巨大。但是，实现这些价值还有很多工作要做。一个是大数据意识建立的问题。过去，也有这些大数据，但由于没有大数据的意识，数据分析手段也不足，很多实时数据被丢弃或束之高阁，大量数据的潜在价值被埋没。还有一个重要问题是数据孤岛的问题。很多工业企业的数据分布于企业中的各个孤岛中，特别是在大型跨国公司内，要想在整个企业内提取这些数据相当困难。因此，工业大数据应用一个重要议题是集成应用。

以上是小编为大家分享的关于物联网时代的八大工业大数据应用场景的相关内容，更多信息可以关注环球青藤分享更多干货

『贰』 工业大数据特征有哪些 大数据工程师来告诉你

【导语】工业大数据是智能制造的核心，以“大数据+工业互联网”为基础，用云计算、大数据、物联网、人工智能等技术引领工业生产方式的变革，拉动工业经济的创新发展，那么工业大数据特征有哪些呢?下面大数据工程师来告诉你吧。

1、准确性(accuracy)：

主要指数据的真实性、完整性和可靠性，更加关注数据质量以及处理、分析技术和方法的可靠性。对数据分析的置信度要求较高，仅依靠统计相关性分析不足以支撑故障诊断、预测预警等工业应用，需要将物理模型与数据模型结合，挖掘因果关系。

2、闭环性(closed-loop)：

包括产品全生命周期横向过程中数据链条的封闭和关联以及智能制造纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。

3、多样(variety)：

指数据类型的多样性和来源广泛。工业数据分布广泛，分布于机器设备、工业产品、管理系统、互联网等各个环节，并且结构复杂，既有结构化和半结构化的传感数据，也有非结构化数据。

4、数据容量大(volume)：

数据的大小决定所考虑的数据的价值和潜在的信息。工业数据体量比较大，大量机器设备的高频数据和互联网数据持续涌入，大型工业企业的数据集将达到PB级甚至EB级别。

5、快速(velocity)：

指获得和处理数据的速度。工业数据处理速度需求多样，生产现场级要求分析时限达到毫秒级，管理与决策应用需要支持交互式或批量数据分析。

6、强关联性(strong-relevance)：

一方面，产品生命周期同一阶段的数据具有强关联性，如产品零部件组成、工况、设备状态、维修情况、零部件补充采购等;另一方面，产品生命周期的研发设计、生产、服务等不同环节的数据之间需要进行关联。

7、价值密度低(value)：

工业大数据更强调用户价值驱动和数据本身的可用性，包括：提升创新能力和生产经营效率及促进个性化定制、服务化转型等智能制造新模式变革。

8、时序性(sequence)：

工业大数据具有较强的时序性，如订单、设备状态数据等。

关于工业大数据特征，就和大家分享到这里了，中国社会发展至今，大数据的应用正在逐渐普及，所以未来前景不可估量，希望想从事此行业的人员能够合理选择。

『叁』 一文读懂工业大数据的脉络

一文读懂工业大数据的脉络

工业大数据不同于大数据，具有自己独特的特征。本文着重从工业大数据的定义与范畴、来源、特征、技术及应用领域、面临的问题等，全面剖析工业大数据的方方面面，让你一文读懂工业大数据的脉络！

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、到订单、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各个环节所产生的各类数据及相关技术和应用的总称，其以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。

——工业大数据来源——

我们所谈的工业大数据，不完全等同于企业信息化软件中流淌的数据，从业界的共识看，主要来源有三类，第一类是企业经营相关的业务数据，这类数据来自企业信息化范畴，包括企业资源计划（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）、客户关系管理（CRM）和环境管理系统（EMS）等，此类数据是工业企业传统的数据资产。

第二类是机器设备互联数据，主要是指工业生产过程中，装备、物料及产品加工过程的工况状态、环境参数等运营情况数据，通过MES系统实时传递，目前在智能装备大量应用的情况下，此类数据量增长最快。

第三类是企业外部数据，这包括了工业企业产品售出之后的使用、运营情况的数据，同时还包括了大量客户、供应商、互联网等数据状态。

——工业大数据特征——

笔者曾就工业大数据特征及数据驱动工业价值创造等话题，专门采访过工业大数据领域知名专家——美国科学基金会（NSF）智能维护系统（IMS）中心主任李杰教授，他表示：工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。

除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决“3B”问题：

1）Below Surface —— 隐匿性，即需要洞悉背后的意义

工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。

2）Broken —— 碎片化，即需要避免断续、注重时效性

相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。

3）Bad Quality —— 低质性，即需要提高数据质量、满足低容错性

数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系；

换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。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，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有70％的显著性应该给某个用户推荐A类电影，即使用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

——工业大数据技术：算法与模型——

有了工业数据的大量积累，但并不等于直接的商业收益，中间隔着一道非常关键的通道——工业大数据技术。近几年，很多大数据专家和行业专家也在争执：数据量重要还是大数据算法更重要，双方各执一词。比如Googole就认为数据量的多寡至关重要，甚至直言：更多的数据胜过更好的算法。这种观点与我们意识认知中的“信息越多，就越靠近真相”类似。

而如《The Signal and the Noise》（信号与噪声，作者NateSilver），这本书里面的一个观点是“更多的数据意味着更多的噪声。信号是真相，噪声却使我们离真相越来越远。”所以，人们需要构建有效的算法和模型，去识别和认知何为真相。

在这里暂不讨论到底是数据量重要还是算法模型更重要，但针对工业大数据的有效利用，肯定离不开工业大数据的分析技术。

——工业大数据应用领域（场景）——

一、研发设计：主要用于提高研发人员的研发创新能力，研发效率和质量，支持协同设计，具体体现在：（1）、基于模型和仿真的研发设计；（2）、基于产品生命周期的设计；（3）、融合消费者反馈的设计

二、在复杂生产过程优化的应用：（1）、工业物联网生产线；（2）、生产质量控制；（3）、生产计划与排程；

三、在产品需求预测中的应用

四、在工业供应链优化中的应用

——工业大数据应用发展存在的主要问题——

《工业大数据白皮书2017年版》指出，研究与应用工业大数据，产品大数据是核心，物联大数据是实现手段，集成贯通是基础（业务模式、商业和价值驱动、关键抽取和应用）。而在实践过程中，这三个方面都存在不同程度的难点。

《工业大数据白皮书2017年版》封面

1、产品大数据：产品大数据是工业大数据的根源与核心，但工业制造业领域涵盖十分广泛，行业种类繁多，产品种类数量庞大且仍在不断增长，如何规范产品大数据的定义与分类方法，建立规范的、属性明确的、可查询可追溯可定位的产品大数据，将是顺利应用工业大数据的前提。

2、物联接入设备：物联大数据是实现工业大数据畅通流动的必要手段，但在工业实际应用中，工业软件、高端物联设备不具备国产自主可控性，物联接入的高端设备的读写不开放，形成设备信息的孤岛，数据流通不畅，突破这种束缚是实现工业大数据的关键。

3、信息集成贯通：集成贯通的难点在于商业驱动、打通关键点和环节，掌控产品源和设备，持续优化。