工业大数据技术与应用实践(2017)(txt+pdf+epub+mobi电子书下载)


发布时间:2020-05-25 05:07:19

点击下载

作者:工业互联网产业联盟工业大数据特设组

出版社:电子工业出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

工业大数据技术与应用实践(2017)

工业大数据技术与应用实践(2017)试读:

序言

拥抱工业大数据到来的新时代

当前,以大数据、云计算、移动物联网等为代表的新一轮科技革命席卷全球,正在构筑信息互通、资源共享、能力协同、开放合作的制造业新体系,极大地扩展了制造业创新与发展空间。新一代信息通信技术的发展驱动制造业迈向转型升级的新阶段——数据驱动的新阶段,这是在新的技术条件下制造业生产全流程、全产业链、产品全生命周期的数据可获取、可分析、可执行的必然结果,也是制造业隐性知识显性化不断取得突破的内在要求。

习近平总书记强调,“要着力推动互联网与实体经济深度融合发展,以信息流带动技术流、资金流、人才流、物资流,促进资源配置优化,促进全要素生产率提升”。习总书记这段话深刻阐释了互联网与实体经济的关系,阐释了以互联网为代表的新一代信息通信技术融合创新推动实体经济转型升级的内在机理,也充分体现了工业大数据作为一种新的资产、资源和生产要素,在制造业创新发展中的作用。可以从以下三方面来理解。

首先,资源优化是目标。新一代信息通信技术与制造业融合主要动力和核心目标,就是不断优化制造资源的配置效率,就是要实现更好的质量、更低的成本、更快的交付、更多的满意度,就是要提高制造业全要素生产率。从企业竞争的角度来看,企业是一种配置社会资源的组织,是通过对社会资本、人才、设备、土地、技术等资源进行组合配置来塑造企业竞争能力的组织,是一个通过产品和服务满足客户需求的组织,企业之间竞争的本质是资源配置效率的竞争,这是任何一个时代技术创新应用永恒追求的目标。

其次,数据流动是关键。新一代信息通信技术如何优化制造资源配置效率?信息流如何带动技术流、资金流、人才流、物资流?其中的关键就是数据流动。从数据流动的视角来看,数字化解决了“有数据”的问题,网络化解决了“能流动”的问题,智能化要解决数据“自动流动”的问题,即能够把正确的数据在正确的时间以正确的方式传递给正确的人和机器,能够把海量的工业数据转化为信息,信息转化为知识,知识转化为科学决策,以应对和解决制造过程的复杂性和不确定性等问题,在这一过程中不断提高制造资源的配置效率。

最后,工业软件是核心。工业大数据的核心在于应用,在于优化资源配置效率,关键在于数据如何转化为信息、信息如何转化为知识及知识如何转化为决策,其背后都有赖于软件。软件是人类隐性知识显性化的载体,软件构建了一套数据如何流动的规则体系,正是这套规则体系确保了正确的数据能够在正确的时间以正确的方式传递给正确的人和机器。工业软件作为一种工具、要素和载体,为制造业建立了一套信息空间与物理空间的闭环赋能体系,实现了物质生产运行规律的模型化、代码化、软件化,使制造过程在虚拟世界实现快速迭代和持续优化,并不断优化物质世界的运行。

本书是工业互联网产业联盟对新形势下工业大数据应用需求、技术演进和实施策略的阶段性提炼和总结,希望与业界分享,共同推动我国工业大数据产业进步和应用。

安筱鹏

2017年6月27日

编写说明

工业大数据是工业领域相关数据集的总称,是工业互联网的核心,是工业智能化发展的基础原料。《中国制造2025》规划中明确指出,工业大数据是我国制造业转型升级的重要战略资源。为此,在工业互联网产业联盟的指导下,总体组下辖的工业大数据特设组主持编写了本书。

本书努力回答工业大数据是什么、从哪里来、到哪里去、如何管理、如何分析及如何应用等基本问题。第1章重点阐述工业大数据的概念、价值和历史由来;第2章重点介绍工业大数据的典型应用场景;第 3、4 章分别从业务和技术两个角度探讨了工业大数据的实施路径和系统架构;第 5、6 章介绍了工业大数据管理与分析的关键技术;第7章介绍了我国工业大数据典型应用案例;最后结语部分展望了我国工业大数据的未来愿景。

本书成稿过程中得到了全联盟成员的大力支持,特别是在征集工业大数据应用案例过程中,联盟相关企业结合自身业务痛点深入分析和总结了工业大数据应用过程中的做法和经验,为本书观点的形成与落地提供了实践支撑。

本书由工业大数据特设组主席单位清华大学与副主席单位中国信息通信研究院牵头编写。特别感谢清华大学孙家广院士、航天科工集团李伯虎院士、工信部信软司安筱鹏副司长、中国信息通信研究院余晓晖总工程师和中国宝武集团研究院郭朝晖首席科学家给予的全面指导与帮助。同时,国务院发展研究中心产业经济研究部王晓明主任、中电湘计海盾周翔总经理、东方电气集团张启德首席科学家、北京兮易信息技术有限公司颜强等在本书成稿过程中也提出了许多建设性意见,在此一并致谢。

当前,工业大数据仍处在高速发展的历史阶段,其概念内涵、技术方法、价值创造模式还在不断创新演化之中,由于时间和编者水平所限,本书还存在着许多缺点和不足,期待联盟成员和广大读者给予批评指正,以便不断补充完善。

王建民

2017年9月21日

牵头编写单位:清华大学,中国信息通信研究院

参与编写单位:冶金自动化研究设计院、陕西鼓风机(集团)有限公司、中联重科股份有限公司、中国大唐集团公司、北京工业大数据创新中心有限公司、上海仪电显示材料有限公司、东方国信科技股份有限公司、北京北科亿力科技有限公司

编写组成员:

清华大学:王建民 王晨 刘英博 任艮全

中国信息通信研究院:余晓晖 李海花 李铮 魏凯

冶金自动化研究设计院:孙彦广 徐化岩

陕西鼓风机(集团)有限公司:范骁龙 郎博

中联重科股份有限公司:周志忠 傅军

中国大唐集团公司:吕庭彦 丁罕

北京工业大数据创新中心有限公司:田春华 孙岚 钟虓

上海仪电显示材料有限公司:蒋松涛 魏凤荣

东方国信科技股份有限公司:石亚奇 刘邦新

北京北科亿力科技有限公司:赵宏博 霍守锋第一章工业大数据的概念与价值本章主要讨论工业大数据的概念、意义和发展历程。1.1 工业大数据的内涵

本节主要讨论工业大数据的内涵,从空间分布、产生主体两个维度对工业大数据进行分类,并讨论数据产生主体和内容结构演化路径。

1.1.1 工业大数据的定义

工业大数据即工业数据的总和。我们把它分成三类,即企业信息化数据、工业物联网数据及外部跨界数据。其中,企业信息化和工业物联网中机器产生的海量时序数据是工业数据规模变大的主要来源。

工业大数据是智能制造与工业互联网的核心,其本质是通过促进数据的自动流动去解决控制和业务问题,减少决策过程所带来的不确定性,并尽量克服人工决策的缺点。

首先,企业信息系统存储了高价值密度的核心业务数据。自20世纪60年代以来信息技术加速应用于工业领域,形成了制造执行系统(MES)、企业资源规划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)和客户关系管理(CRM)等企业信息系统。这些系统中积累的产品研发数据、生产制造数据、供应链数据及客户服务数据,存在企业或产业链内部,是工业领域传统数据资产。

其次,近年来物联网技术快速发展,工业物联网成为工业大数据新的、增长最快的来源之一,它能实时自动采集设备和装备运行状态数据,并对它们实施远程实时监控。

最后,互联网也促进了工业与经济社会各个领域的深度融合。人们开始关注气候变化、生态约束、政治事件、自然灾害及市场变化等因素对企业经营产生的影响。于是,外部跨界数据已成为工业大数据不可忽视的来源。

1.1.2 工业大数据的空间分布

工业大数据不仅存在于企业内部,还存在于产业链和跨产业链的经营主体中。企业内部数据主要是指 MES、ERP、PLM等自动化与信息化系统中产生的数据。产业链数据是企业供应链(SCM)和价值链(CRM)上的数据,主要是指企业产品供应链和价值链中来自原材料、生产设备、供应商、用户和运维合作商的数据。跨产业链数据指来自企业产品生产和使用过程中相关的市场、地理、环境、法律和政府等外部跨界信息和数据。

1.1.3 工业大数据的产生主体

人和机器是产生工业大数据的主体。人产生的数据是指由人输入计算机中的数据,例如设计数据、业务数据、产品评论、新闻事件及法律法规等。机器数据是指由传感器、仪器仪表和智能终端等采集的数据。智能制造与工业互联网发展,应致力于推动数据的自动采集。

对特定企业而言,机器数据的产生主体可分为生产设备和工业产品两类。生产设备是指作为企业资产的生产工具,工业产品是企业交付给用户使用的物理载体。前一类数据主要服务于智能生产,为智能工厂生产调度、质量控制和绩效管理提供实时数据基础;后一类数据则侧重于智能服务,通过传感器感知产品运行状态信息,帮助用户降低装备维修成本、提高运行效率和提供安全保障。

随着互联网与工业的深度融合,机器数据的传输方式由局域网络走向广域网络,从管理企业内部的机器拓展到管理企业外部的机器,支撑人类和机器边界的重构、企业和社会边界的重构,释放工业互联网的价值。

1.1.4 工业大数据的发展趋势

从数据类型看,工业大数据可分为结构化数据、半结构化数据和非结构化数据。结构化数据即关系数据,存储在数据库里,可以用二维表结构来表达实体及其联系。不方便用二维表结构来表达的数据称为非结构化数据,包括办公文档、文本、图片、各类报表、图像、音频及视频等。所谓半结构化数据,就是以XML数据为代表的自描述数据,它介于结构化数据和非结构化数据之间。

20世纪60年代,计算机在企业管理中得到应用,经历了层次、网状等模型后,统一为关系模型,形成了以结构化数据为基础的ERP/MES管理软件体系。20世纪80年代,随着计算机图形学和辅助设计技术的发展,利用 CAD/CAE/CAM等工具软件生成了三维模型、工程仿真、加工代码等复杂结构文件,形成了以非结构化数据为基础的 PDM 技术软件体系。进入21世纪,互联网和物联网为企业提供大量的文本、图像、视/音频、时序、空间等非结构化数据,进而引发工业数据中结构化数据与非结构化数据的规模比例发生了质的变化。

近年来,智能制造和工业互联网推动了以“个性化定制、网络化协同、智能化生产和服务化延伸”为代表的新兴制造模式的发展,未来由人产生的数据规模的比重将逐步降低,机器数据所占据的比重将越来越大。2012 年美国通用电气公司提出的工业大数据(狭义的),主要指工业产品使用过程中由传感器采集的以时空序列为主要类型的机器数据,包括装备状态参数、工况负载和作业环境等信息。1.2 工业大数据的特点

在未来理想状态下,工业大数据应该作为工业系统相关要素在赛博空间的数字化映像、运行轨迹及历史痕迹。工业大数据的特点,应该体现工业系统的本质特征和运行规律,并推动工业进入智能制造时代。本节主要比较分析工业大数据的特点,进而为后续的讨论奠定基础。

1.2.1 工业系统的本质特征

工业系统往往具有复杂动态系统特性。例如,飞机、高铁、汽车、船舶及火箭等高端工业产品本身就是复杂系统;产品设计过程,首先要满足外部系统复杂多变的需求;生产过程更是一个“人、机、料、法、环”协同交互的多尺度动态系统;使用过程本质上就是产品与外部环境系统的相互作用过程。由此可见,产品全生命周期的各个环节都具有典型的系统性特征。

确定性是工业系统本身能够有效运行的基础。对设计过程来说,确定性体现为对用户需求、制造能力的准确把握;对生产过程来说,确定性体现为生产过程稳定、供应链可靠、高效率和低次品率;对使用过程来说,确定性体现为产品持久耐用、质量稳定和对外部环境变化的适应性。因此,人们总是倾向于提高系统的确定性,避免不确定性因素对系统运行的干扰。工业系统设计一般基于科学的原理和行之有效的经验,输入与输出之间的关系体现为强确定性。有效地应对不确定性是工业系统相关各方追求的目标。工业系统是一个开放的动态系统,要面临复杂多变的内外部环境。因此,不确定性是工业系统必须面临的客观存在。工业产品全生命周期的各个阶段都面临着不确定性,例如,外部市场与用户需求等因素的不确定性、制造过程中“人、机、料、法、环”等要素的不确定性,以及产品使用和运行环境的不确定性。

应对不确定性的前提是感知信息、消除不确定性。以工业互联网技术为代表的 ICT 技术的发展和普遍应用,能大大提升信息自动感知的能力,能让我们感知用户需求和市场的变化、感知远程设备和供应链的异动、感知“人、机、料、法、环”等诸要素的状态,可减少人在信息感知环节的参与,降低人对信息感知所带来的不确定性影响。

在感知的基础上,可以更快速、科学地应对不确定性:通过智能服务,解决用户在使用过程中遇到的不确定性问题;通过智能设备,应对设备自身、原料及运行环境所涉及的其他不确定性问题;通过智能生产,应对用户需求和工厂内部变化引起的不确定性问题;通过工业互联网,应对供应链、跨地域协同中的不确定性问题,等等。在此基础上,相关过程产生的大数据,能够帮助我们更加深入、准确地理解工业过程,进而将工业过程中的个性化问题归结成共性问题、形成知识,并用于优化和指导企业的各种业务。这样,通过工业互联网和大数据技术的应用,能将不确定性转化为开拓市场、提质增效、转型创新的能力,把工业带入智能制造时代。

由此可见,工业系统同时具有确定性和不确定性的特征,确定性是目标,不确定性则是机会。

1.2.2 工业大数据的“4V”特征

工业大数据首先符合大数据的“4V”特征,即大规模(Volumn)、速度快(Velocity)、类型杂(Variety)、低质量(Veracity)。

1.大规模

所谓“大规模”,就是指数据规模大且面临着大规模增长。在我国大型的制造业企业中,由人产生的数据规模一般在TB级或以下,但形成了高价值密度的核心业务数据。机器数据规模将可达PB级,是“大”数据的主要来源,但相对价值密度较低。随着智能制造和物联网技术的发展,产品制造阶段少人化、无人化程度越来越高,运维阶段产品运行状态监控度不断提升。因此,未来人产生的数据规模的比重降低,机器产生的数据将呈现指数级的增长。

2.速度快

所谓“速度快”,不仅是采集速度快而且要求处理速度快。越来越多的工业信息化系统以外的机器数据被引入大数据系统,特别是针对传感器产生的海量时间序列数据,数据的写入速度达到了百万数据点/秒~千万数据点/秒。数据处理的速度体现在设备自动控制的实时性,更要体现在企业业务决策的实时性,也就是工业4.0所强调的基于“纵向、横向、端到端”信息集成的快速反应。

3.类型杂

所谓“类型杂”,就是复杂性,主要指各种类型的碎片化、多维度工程数据,包括设计制造阶段的概念设计、详细设计、制造工艺、包装运输等各类业务数据,以及服务保障阶段的运行状态、维修计划、服务评价等类型数据。甚至在同一环节,数据类型也是复杂多变的,例如在运载火箭研制阶段,涉及气动力数据、气动力热数据、载荷与力学环境数据、弹道数据、控制数据、结构数据及总体实验数据等,其中包含结构化数据、非结构化文件、高维科学数据及实验过程的时间序列数据等多种数据类型。

4.低质量

所谓“低质量”,就是真实性(Veracity),相对于分析结果的高可靠性要求,工业大数据的真实性和质量比较低。在工业应用中,因为技术可行性、实施成本等原因,很多关键的量没有被测量,没有被充分测量,或者没有被精确测量(数值精度)。同时,某些数据具有固有的不可预测性,例如人的操作失误、天气及经济因素等,这些情况往往导致数据质量不高,是数据分析和利用最大的障碍,对数据进行预处理以提高数据质量也常常是耗时最多的工作。

1.2.3 工业大数据的新特征

工业大数据作为对工业相关要素的数字化描述和在赛博空间的映像,除了具备大数据的“4V”特征,相对于其他类型大数据,工业大数据还具有反映工业逻辑的新特征。这些特征可以归纳为多模态、强关联及高通量等特征。

1.多模态

工业大数据是工业系统在赛博空间的映像,必须反映工业系统的系统化特征,必须反映工业系统的各方面要素。因此,数据记录必须追求完整,但这往往需要用超级复杂结构来反映系统要素,这就导致单体数据文件结构复杂。例如三维产品模型文件,不仅包含几何造型信息而且包含尺寸、工差、定位、物性等其他信息;同时,飞机、风机、机车等复杂产品的数据又涉及机械、电磁、流体、声学、热学等多学科、多专业。因此,工业大数据的复杂性不仅仅是数据格式的差异性,而是数据内生结构所呈现的“多模态”特征。

2.强关联。

工业数据之间的关联并不是数据字段的关联,其本质是物理对象之间和过程的语义关联。具体如下:(1)产品部件之间的关联关系:零部件组成关系、零件借用、版本及其有效性关系。(2)生产过程的数据关联,诸如跨工序大量工艺参数的关联关系、生产过程与产品质量的关系、运行环境与设备状态的关系等。(3)产品生命周期的设计、制造、服务等不同环节的数据之间的关联,例如仿真过程与产品实际工况之间的联系。(4)在产品生命周期的统一阶段所涉及不同学科不同专业的数据关联,例如民用飞机预研过程会涉及总体设计方案数据、总体需求数据、气动设计及气动力学分析数据、声学模型数据及声学分析数据、飞机结构设计数据、零部件及组装体强度分析数据、系统及零部件可靠性分析数据等。数据之间的“强关联”反映的就是工业的系统性及其复杂动态关系。

3.高通量

嵌入了传感器的智能互联产品已成为工业互联网时代的重要标志,用机器产生的数据来代替人所产生的数据,实现实时的感知。从工业大数据的组成体量上来看,物联网数据已成为工业大数据的主体。以风机装备为例,根据IEC61400-25 标准,持续运转风机的故障状态其数据采样频率为50Hz,单台风机每秒产生225Kb字节传感器数据,按2万台风机计算,如果全量采集每秒写入速率为4.5GB/s。具体来说,机器设备所产生的时序数据可以总结为以下几个特点:海量的设备与测点、数据采集频度高(产生速度快)、数据总吞吐量大、7×24小时持续不断,呈现出“高通量”的特征。

1.2.4 工业大数据应用特征

我们把工业大数据的应用特征归纳为跨尺度、协同性、多因素、因果性、强机理等几个方面,这些特性都是工业对象本身的特性或需求所决定的。

1.跨尺度和协同性“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”是工业大数据的首要特征。这个特征是工业的复杂系统性所决定的。从业务需求上看,通过 ICT 技术的广泛深入应用,能将设备、车间、工厂、供应链及社会环境等不同尺度的系统在赛博空间中联系在一起。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。另外,跨尺度不仅体现在空间尺度还体现在时间尺度: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。为此,需要综合利用云计算、物联网及边缘计算等技术。“协同性”是工业大数据的另外一个重要特征。工业系统强调系统的动态协同,工业大数据就要支持这个业务需求。我们进行信息集成的目的,是促成信息和数据的自动流动,加强信息感知能力、减少了决策者所面临的不确定性,进而提升决策的科学性。“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、某个部门及某个用户的局部问题,能够引发工艺流程、生产组织、销售服务及仓储运输的变化。这就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。

2.多因素、因果性和强机理“多因素”、“因果性”、“强机理”体现在工业大数据支撑的过程分析、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,如果分析结果是具有科学依据的知识,其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。事实上,许多大数据分析的目标,就是去发现或澄清人们过去不清楚的影响因素。“多因素”是由工业对象的特性所决定的。当工业对象是复杂的动态系统时,人们必须完整、历史地认识考察它的全貌,才能得到正确的认识;对应到工业大数据分析,就体现为多个因素的复杂关系,进而导致了“多因素”的现象。

认清“多因素”特点对于工业数据收集有着重要的指导作用。人们往往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;对应在工业大数据分析过程中,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,其本身就要高度的可靠性。否则,一个不可靠的结果可能会引发系统巨大的损失。同时,由于工业过程本身的确定性强,也为追求因果性奠定了基础。为此,工业大数据的分析过程不能止于发现简单的“相关性”,而是要通过各种可能的手段逼近“因果性”。

然而,如果用“系统”的观点看待工业过程,就会发现,系统中存在各种信息的前馈或者反馈路径。工业技术越成熟,这种现象也就越普遍。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。我们认为,分析结果的可靠性体现在因果和可重复性。而关联关系复杂往往意味着干扰因素众多,也就不容易得到可重复的结论。因此,要得到可靠性的分析结果,需要排除来自各方面的干扰。排除干扰是需要“先验知识”的,而所谓的“先验知识”就是机理。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。这时,领域中的机理知识实质上就起到了数据降维的作用。从另外一个角度看,要得到“因果性”的结论,分析的结果必须能够被领域的机理所解释。事实上,由于人们对工业过程的研究往往相对透彻,多数现象确实能够找到机理上的解释。1.3 工业大数据的创新价值

作为人类第一次自己创造的生产资料,工业数据一直伴随着工业的现代化进程,直至走入智能化阶段。

1.3.1 数据始终影响着人类工业化进程

恩格斯说:“任何一门学科的真正完善在于数学工具的广泛应用。”高质量、科学管理是工业企业走向现代化的前提。数据对提高质量、效率、管理的作用巨大。18 世纪末,画法几何学的创立标志着工程设计语言的诞生,伴随人类进入工业1.0时代,定量化、标准化成为工业2.0时代的主要特征。20世纪中期,电子数字计算机在工业中的应用开启了工业3.0时代。从数据的发展历史看,数据由数、量演变而来,数据具有先天的精确性和实用性特征,计算方法与信息技术的应用必然导致大数据的诞生。在信息化时代,数据随时随地与我们相伴而行,“数据密集型科学发现”已成为人类认知世界的第四范式。

1.3.2 数据在信息化过程中发挥着核心作用

随着工业进入信息化时代,数据成为工业系统运行的核心要素,追求的目标是把正确(R)的数据在正确(R)的时间,以正确(R)的形式送达给正确(R)的人。“三分技术、七分管理、十二分数据”、“垃圾进、垃圾出”等说法都说明了数据在信息化工程中的重要性。世界工业不断发展的过程,本质上是数据的作用逐渐加强的过程,数据在工业生产力不断提升的过程中发挥着核心作用。自从以自动化和信息化为代表的第三次工业革命以来,工业不断发展的过程也是数据传输和处理效率不断提高、数据质量不断提升及不确定性因素的应对效率不断加强的过程。通过建立包括产品定义数据、工艺数据、生产过程数据、在线监测数据及使用过程数据等在内的产品全生命周期数据治理体系,可以有效追溯质量问题的产生原因,并持续加强生产过程的质量保障能力。通过关联企业内外部多数据源的数据分析,可以挖掘和发现复杂品质问题的根本原因。

1.3.3 工业大数据是新工业革命的基础动力

信息技术特别是互联网技术正在给传统工业发展方式带来颠覆性、革命性的影响。世界正加速进入一个互联互通的时代,互联网对工业的影响越来越深刻,并成为引发新一轮工业革命的导火索。互联网技术全面深入发展,极大促进了人与人互联、机器和机器互联、人和机器互联的程度,随着5G、量子通信等新一代通信技术发展,世界将加速进入一个完全互联互通的状态。工业互联网也将随着机器的数字化、工业网络泛在化、云计算能力的提高而取得长足进步,海量工业大数据的产生将是必然结果,而基于工业大数据的创新是新工业革命的主要推动力。

对于新工业革命而言,工业大数据就像是21世纪的石油。美国通用电气公司的《工业互联网白皮书》中指出,工业互联网实现的三大要素是智能联网的机器、人与机器协同工作及先进的数据分析能力。工业互联网的核心是通过智能联网的机器感知机器本身状况、周边环境及用户操作行为,并通过这些数据的深入分析来提供诸如资产性能优化等制造服务。没有数据,新工业革命就是无源之水无本之木。工业互联网所形成的产业和应用生态,是新工业革命与工业智能化发展的关键综合信息基础设施。其本质是以机器、原材料、控制系统、信息系统、产品及人之间的网络互联为基础,通过对工业数据的全面深度感知、实时传输交换、快速计算处理和高级建模分析,实现智能控制、运营优化和生产组织方式的变革。1.4 工业大数据支撑中国制造“弯道取直”

1.4.1 中国是制造大国,但不是制造强国

中国制造业发展并不均衡,工业1.0、2.0、3.0并存,企业较普遍地存在着研发创新能力弱、产品质量差、能源消耗大、污染物排放多、管理粗放、自动化和信息化水平低等问题。中国制造业正在承受产业“双向转移”的压力。一方面,劳动密集型的以出口或代工为主的中小制造企业正在向越南、缅甸、印度和印尼等劳动力和资源等更低廉的新兴发展中国家转移。另一方面,部分高端制造业在美国、欧洲等发达国家“再工业化”战略的引导下回流。尽管中国制造业规模位居世界第一,但人均产值仅为美国的16%,航空发动机、燃气轮机等高端装备制造受制于人的局面没有根本改变。中国制造业如不能快速转型升级,在高端产品制造尚未形成国际竞争力之前,中低端产品的制造竞争力也将被削弱,进一步面临“产业空心化”的风险。

1.4.2 工业大数据提升制造智能化水平,推动中国工业升级

大数据是提升产品质量、生产效率、降低能耗,转变高耗能、低效率、劳动密集、粗放型生产方式,提升制造智能化水平的必要手段。具有高度灵活性、高度自动化等特征的智能工厂是国际先进制造业的发展方向,广泛深入的数字化是智能工厂的基础,多维度的信息集成、CPS(赛博)的广泛应用与工业大数据发展相辅相成。通过推进智能制造,实现“去低端产能、去冗余库存、降制造成本”。结合数控机床及工业机器人等自动生产设备的使用,并建立从经营到生产系统贯通融合的数据流,做到数据全打通和数据流通不落地,可以提升企业整体生产效率,降低劳动力投入,有效管理并优化各种资源的流转与消耗。通过对设备和工厂进行智能化升级,加强对制造生产全过程的自动化控制和智能化控制,促进信息共享、系统整合和业务协同,实现制造过程的科学决策,最大程度地实现生产流程的自动化、个性化、柔性化和自我优化,实现提高精准制造、高端制造、敏捷制造的能力。大数据也是提升产品质量的有效手段,通过建立包括产品生产过程工艺数据、在线监测数据及使用过程数据等在内的产品全生命周期质量数据体系,可以有效追溯质量问题的产生原因,并持续改进生产过程的质量保障能力。通过关联企业内外部多数据源的大数据分析,可以挖掘发现复杂成因品质问题的根本原因。

1.4.3 工业大数据支撑工业互联网发展,促进中国工业转型

工业大数据是制造业实现从要素驱动向创新驱动转型的关键要素与重要手段。大数据可以帮助企业更全面、深入、及时了解市场、用户和竞争态势的变化,以便推出更有竞争力的产品和服务。对于新产品研发,大数据不仅可以支持企业内部的有效协同、知识重用,还能利用众包众智等手段利用企业外部资源。这些做法不仅能够提高研发质量还能大大缩短研发周期。

大数据也是实现工业企业从制造向服务转型的关键支撑技术。通过产品的智能化,可以感知产品的工作状况、周边环境、用户操作的变化。在此基础上,可以提供在线健康检测、故障诊断预警等服务,以及支持在线租用、按使用付费等新的服务模型。通过对产品使用的实时工况数据、环境数据、过往故障数据、维修记录、零部件供应商数据进行整合,可以快速预判、实时掌握设备健康状况,减少设备停机时间,削减现场服务人员;可以准确判断出现故障的潜在类型和原因,快速形成现场解决方案,缩短服务时间。

1.4.4 工业大数据助力中国制造弯道取直《中国制造2025》规划中明确指出,工业大数据是我国制造业转型升级的重要战略资源。有效利用工业大数据推动工业升级,需要针对我国工业自己的特点。一方面,我国是世界工厂,实体制造比重大;与此同时,技术含量低、研发能力弱、劳动密集、高资源消耗制造的问题相对突出,制造升级迫在眉睫。另一方面,我国互联网产业发展具有领先优势,过去十多年消费互联网的高速发展使互联网技术得到长足发展、全社会对互联网的重视度提高。我们需要充分发挥这一优势并将之和制造业紧密结合,促进制造业升级和生产性服务业的发展。

目前,工业大数据已成为国际产业竞争和国家工业安全的基础要素,相关技术与应用必将成为我国工业“由跟跑、并跑到领跑”、“弯道取直”、“跨越发展”的关键支撑。作为制造业大国,我国时刻产生着海量的工业数据。我们应该充分利用这一条件,创新管理思想、重构产业生态,提升中国制造在全球产业链分工中的地位。用工业大数据提高产品质量、管理水平、弥补在人员素质方面的差距,补齐落后的短板。在此基础上,推进智能制造和工业互联网的应用,利用我国工业门类齐全、互联网和电子商务应用的比较优势,力争在新工业革命时代实现“换道超车”。第二章工业大数据典型应用场景工业大数据可应用于现有业务优化、推动大中型企业实现智能制造升级和工业互联网转型,并支撑中小企业创新创业。2.1 优化现有业务,实现提质增效

工业大数据可以在现有组织、流程保持不变的前提下,把各个部门和岗位的工作做得更好,促进整个企业的提质增效。

2.1.1 研发能力提升

建立针对产品或工艺的数字化模型,用于产品、工艺的设计和优化。模型作为量化和可计算的知识载体,可提高企业知识重用水平、并促进持续优化。将大数据技术与数字化建模相结合,可以提供更好的设计工具,缩短产品交付周期。

例如,波音公司通过大数据技术优化设计模型,将机翼的风洞实验次数从2005年的11次缩减至2014年的1次;玛莎拉蒂通过数字化工具加速产品设计,开发效率提高30%。

2.1.2 生产过程优化

通过分析产品质量、成本、能耗、效率、成材率等关键指标与工艺、设备参数之间的关系,优化产品设计和工艺。以实际的生产数据为基础,建立生产过程的仿真模型,优化生产流程。根据客户订单、生产线、库存、设备等数据预测市场和订单,优化库存和生产计划/排程。

2.1.3 服务快速反应

通过设备的智能化,可以通过互联网获取用户的实时工况数据。当用户设备出现问题或异常时,帮助用户更快地发现问题、找到问题的原因。通过数据分析,构建基于规则或案例的故障预测系统,对用户设备状态进行预测、帮助用户更好地维护设备。

2.1.4 推动精准营销

利用工业大数据,可以分区域实现对市场波动、宏观经济、气象条件、营销活动、季节周期等多种数据进行融合分析,对产品需求、产品价格等进行定量预测。同时,可以结合用户当前对产品使用的工况数据,对零部件坏损进行预判,进而对零部件库存进行准确调整。此外,通过对智能产品和互联网数据的采集,针对用户使用行为、偏好、负面评价进行精准分析,有助于对客户群体进行分类画像,可以在营销策略、渠道选择等环节提高产品的渗透率。更重要的是,可以结合用户分群实现产品的个性化设计与精准定位,针对不同的群体,实现从产品设计开始实现完整营销环节的精准化。2.2 促进企业升级转型

随着工业互联网的深入发展,数据集成从企业内部发展到企业之间。业务应用也随之拓展至终端用户、全产业链和制造服务等场景。这种变化可能导致企业业务定位、盈利模式的重大改变,甚至会导致核心业务的转型。这也就对应了《工业互联网体系架构》中总结的工业智能化四类典型场景:个性化定制、智能化生产、网络化协同和服务化延伸。

2.2.1 创新研发设计模式,实现个性化定制

应用工业互联网和大数据技术,可有效促进产品研发设计的数字化、透明化和智能化。数字化能有效提升效率,透明化可提高管理水平、智能化可降低人的失误。通过对互联网上的用户反馈、评论信息进行收集、分析和挖掘,可挖掘用户深层次的个性化需求。通过建设和完善研发设计知识库,促进数字化图样、标准零部件库等设计数据在企业内部的知识重用和创新协同,提升企业内部研发资源统筹管理和产业链协同设计能力。通过采集客户个性化需求数据、工业企业生产数据、外部环境数据等信息,建立个性化产品模型,将产品方案、物料清单、工艺方案通过制造执行系统快速传递给生产现场,进行设备调整、原材料准备,实现单件小批量的柔性化生产。

2.2.2 建立先进生产体系,支撑智能化生产

生产过程的智能化是智能制造的重要组成部分。要推进生产过程的智能化,需要对设备、车间到工厂进行全面的数字化改造。以下四点应该特别引起重视。

1.数据驱动

定制化(小批量生产及个性化单件定制)带来的是对生产过程的高度柔性化的要求,而混线生产也成为未来工业生产的一个基本要求。于是,产品信息的数字化、生产过程的数字化成为一个必然的前提。为此,需要为产品相关的零部件与原材料在赛博空间中建立相对应的数字虚体映射,并根据订单与生产工艺信息,通过生产管理系统与供应链和物流系统衔接,驱动相应物料按照生产计划(自动的)流动,满足混料生产情况下物料流动的即时性与准确性要求,从而满足生产需要。

2.虚实映射

个性化或混线生产时,每个产品的加工方式可能是不一样的。这样,当加工过程中的物料按计划到达特定工位时,相应工序的加工工艺和参数(包括工艺要求、作业指导书。甚至包括三维图样的信息等)必须随着物料的到达,即时准确地传递到相应的工位,以指导工人进行相应的操作。在进一步的情况下,通过 CPS,生产管理系统将根据这些信息控制着智能化的生产设备自动的进行加工。为此,必须实现数据的端到端集成,将用户需求与加工制造过程及其参数对应起来。同时,通过工业物联网自动采集生产过程和被加工物料的实时状态,反馈到赛博空间,驱使相关数字虚体的对应变化,实现虚实世界的精准映射与变化。

3.实时监控

生产过程及设备状态必须受到严格的监控。当被加工的物料与生产过程中的设备信息在赛博空间实现精准映射的状态下,便可以实现生产过程或产品质量的实时监控。当发现生产过程中出现设备及质量等问题时,便可以及时地通过人或者系统的手段进行及时的处理。对于无人化、少人化车间,还可以通过网络化的智能系统做到远程监控或移动监控。而要做到这一点,实现生产过程全流程的纵向集成就成为必要的前提条件。

4.质量追溯

从订单到生产计划,再到产品设计数据,最后到完整的供应链与生产过程,完整的数据将为生产质量的追溯提供了必要的数据保证。信息化系统可以提供订单、供应链与生产计划的完整数据,工业物联网实现了设备、产品与质量数据的采集与存储。这些数据除了保证生产过程的顺利进行,也为未来生产过程的追溯与重现提供了数据基础。为了保证产品质量的持续改进,就要实现从订单到成品的“端到端”的系统完整信息集成,对生产过程中的“人、机、料、法、环”等因素进行准确记录,并与具体订单及相关产品对应,这些是实现完整质量追溯的前提。而系统数据的整合与互联互通,以及不同系统之间数据的映射与匹配,则是实现这个目标的关键所在。

在此基础上,如果能够推进设备的智能化、不断地消除哑设备,通过对积累沉淀的工业大数据的深入挖掘,不断地推进设备与生产过程控制的持续优化,做到设备的自诊断、预测性维护,那么对提高设备运行效率、降低维修维护成本、提高产品质量都有着重大意义。

2.2.3 基于全产业链大数据,实现网络化协同

工业互联网引发制造业产业链分工细化,参与企业需根据自身优劣势对业务进行重新取舍。基于工业大数据,驱动制造全生命周期从设计、制造到交付、服务、回收各个环节的智能化升级,推动制造全产业链智能协同,优化生产要素配置和资源利用,消除低效中间环节,整体提升制造业发展水平和世界竞争力。基于设计资源的社会化共享和参与,企业能够立足自身研发需求开展众创、众包等研发新模式,提升企业利用社会化创新和资金资源能力。基于统一的设计平台与制造资源信息平台,产业链上下游企业可以实现多站点协同、多任务并行,加速新产品协同研发过程。对产品供应链的大数据进行分析,将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

2.2.4 监控产品运行状态和环境,实现服务化延伸

在工业互联网背景下,以大量行业、用户或业务数据为核心资源,以获取数据为主要竞争手段,以经营数据为核心业务,以各种数据资源的变现为盈利模式,可有力推动企业服务化转型。首先要对产品进行智能化升级,使产品具有感知自身位置、状态能力,并能通过通信配合智能服务,破除哑产品。企业通过监控实时工况数据与环境数据,基于历史数据进行整合分析,可实时提供设备健康状况评估、故障预警和诊断、维修决策等服务。其次,通过金融、地理、环境等“跨界”数据与产业链数据的融合,可创造新的商业价值。例如可通过大量用户数据和交易数据的获取与分析,识别用户需求,提供定制化的交易服务;建立信用体系,提供高效定制化的金融服务;优化物流体系,提供高效和低成本的加工配送服务;可通过与金融服务平台结合实现既有技术的产业化转化,实现新的技术创新模式和途径。2.3 促进中小企业创新创业

互联网促进了协同,降低了交易成本,促进了社会分工。这种逻辑也同样适用于制造业。

在工业互联网时代,企业有条件服务于更多的客户,因而可以将自己的业务聚焦于更小的细分领域,如特种设备维修维护、特殊产品的制造及专业设计研发等,这就产生了更多的创业机会。在这种细分市场,中小企业可以通过知识和数据的积累,提升自己的专业水平。

中小企业往往人才和资源匮乏,影响产品创新和生产技术水平的提升。在工业互联网时代,中小企业可以更加方便地分享和利用外部的人才和知识资源,提升自己的技术水平和创新能力。第三章工业大数据的实施策略工业大数据的实施策略可以总结为“业务牵引、技术推动、人才支撑”。3.1 业务的“加、减、乘、除”

工业大数据作为工业企业实现优化、升级、转型的技术手段,在其实施过程中,企业决策层首先需要考虑的是如何制定业务发展目标。

关于成功的工业大数据应用实践,大都首先从战略业务目标开始思考,而且往往是由企业领导人亲自驱动,用以终为始的态度进行推进。结合业务总体目标进行逐级分解,梳理出相关的业务方向,进行智能制造中若干环节的优化,亦或是实现某方面智能化水平的升级,再或是拓展企业的业务边界,完成互联网化转型。

在智能化水平提升以及工业互联网转型发展方面,我们把工业企业的相关可量化业务目标总结为“加、减、乘、除”。业务的“加法”主要可以从两个维度进行归纳,一个是设计、研发、生产等环节的提质增效,另一个是产品自身的提升,包括产品质量、产品智能化水平等产品竞争力的提升,以及产品业务形态的拓展,例如,从卖硬件产品到系统解决方案。“减法”主要指对现有业务的优化,例如,无人少人化、缩短研发周期、降低能耗、压缩服务时间等。“乘法”对于制造业企业意味着工业互联网平台战略的成功实施,实现用户、零部件供应商、服务商、设计院等外部资源在平台上的聚集、发展与协同,实现企业的指数型发展。“除法”是指企业精确定位自己的核心竞争力及在工业互联网体系中的对应位置和分工,剥离非核心资产,外包高成本业务,实现轻资产化运营。3.2 过程的智能再造

在明确了业务目标后,确保工业大数据支撑的业务目标的实现不只是一个技术问题,同时企业管理层需要考虑如何实现业务过程再造和相应的组织调整。

首先,企业管理层需要厘清现有业务流程和制造过程,对应明确的业务目标,找到过程中需要改善或者重构的环节。其次,针对这些环节的问题分析,确定相应的解决手段,特别是自动化、信息化与依靠大数据驱动的智能化的分别。再次,业务团队需要定义再造后流程的大致轮廓,并且梳理清楚大数据产生的分析结果与业务流的映射、交互关系及使用场景。最后,针对新的业务流程,管理层需要制订对应的组织和人员调整预案,确保过程的智能再造能够真正落实。3.3 架构的统筹规划

工业大数据的实施,需要工业企业信息化部门针对业务问题牵引,结合新型信息技术。特别是大数据的推动,这其中最为重要的是全盘规划设计工业大数据的架构。

工业企业信息化进程参差不齐,工业2.0、3.0和4.0并存,不同行业之间的数据来源与使用场景千差万别,很难有一个统一的方法来规划工业大数据架构,但有四方面存在共性问题需要思考。(1)数据资产梳理。意味着企业首先要盘点自有数据资产,包括数据来源、数据规模、数据类型、存储形式等数据基础信息,数据格式、数据质量等问题及相应数据治理方案,数据管理集成方法,需要从第三方或者互联网获取的外部数据。(2)基础架构选型。需要针对不同业务类型,考虑工作负载特点、数据安全、传输带宽、软/硬件成本、运维能力等多方面要素,因地制宜地确定公有云、私有云或混合云等形式的计算平台。

试读结束[说明:试读内容隐藏了图片]

下载完整电子书


相关推荐

最新文章


© 2020 txtepub下载