工业大数据推动智能制造发展作用机理探析_百度文库
您的浏览器Javascript被禁用，需开启后体验完整功能，
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
工业大数据推动智能制造发展作用机理探析
龙源创新数字传媒(北京）股份有限公司|
总评分0.0|
试读已结束，如果需要继续阅读或下载，敬请购买
定制HR最喜欢的简历
你可能喜欢|0微博Qzone微信智能制造中大数据分析和物联网的地位当前，制造过程中所产生的数据的规模、类型和速度正在呈指数级增长，带来了巨大的发展机遇。通过认真分析这些数据，企业可获得竞争优势、快速响应不断变化的市场动态、显著提高制造利润、生产力和效率。工厂车间中的设备会生成成千上万种不同的数据类型，例如多个级别的单位生产数据、设备运行数据、流程数据、人工操作员数据等。这些数据可以在存储后用于数据分析。尽管大型制造商多年来一直在使用统计流程控制和统计数据分析来优化生产，但当今数据的复杂结构成为部署新方案、基础架构和工具带来了重大机遇。得益于更卓越的计算性能的涌现、开放标准的推出和广泛可用的行业专长，制造业已经准备好充分利用大数据。此外，在学术研究的推动下，技能娴熟的数据科学家数量庞大，他们将能够在使用大数据方面为制造业提供更出色的支持。借助全新的制造智能特性，制造商能够提高质量，增加产量，更准确地了解制造问题的根本原因，以及减少机器故障和宕机情况。借助新的业务价值和技术能力，制造商将能够改变业务模式和实践，以优化设计，实现出色的可制造性，从而改进供应链管理，并采用定制的制造服务缩短专为各地消费者量身定制的产品的上市时间。本文概述了英特尔一家制造工厂的物联网（IoT）试点计划，以说明将数据分析应用于工厂设备和传感器可如何提升制造流程的运营效率并节约生产成本。在实施这一物联网大数据分析项目的过程中，英特尔与Cloudera、戴尔、三菱电机和Revolution Analytics进行了紧密的行业协作，预计每年将能够节省数百万美元，并带来更高的投资回报。挑战：如何从所有的制造数据中提炼价值？大数据实质上是包含各种数据类型的庞大数据集，可以分为结构化、半结构化或非结构化，如表1所示。结构化数据适合放在格式整齐的表格中，因此相对容易管理和处理。结构化数据的优势是便于输入、存储、查询和分析。相关示例包括关系数据库中存储的制造数据，以及来自制造执行系统和企业系统的数据。另一方面，非结构化数据（例如图片、文本、设备日志文件、人工操作员生成的值班报告和制造社交协作平台文本等）可能为原始格式，需要经过解码才能提取数据值。半结构化数据是结构化数据的一种，其格式不符合关系数据库或其他形式的数据表关联的数据模型标准结构，但包含用于分隔语义要素的标记或其他记号，并且数据中明确了记录和字段层次结构。在制造业，要想发挥大数据技术的强大作用，需要将这些数据集类型进行合并与关联，从中发现新的洞见，从而创造出色的业务价值。大数据技术的另一个价值定位就是，支持制造商以经济高效、可扩展的方式聚合并集中各类数据。表1 制造数据示例制造流程存在各种变量，如材料、流程方案和方法以及设备差异，这就要求制造商采用基于可扩展平台的大数据解决方案，这种平台能够随着业务增长和制造要求的提高而扩展。机器数据与产量和质量密切相关，因此能够为主动检测将要失去控制的流程提供重要信息。然而，一些类型的制造流程会产生大量数据文件（每个工具类型几天就可产生GB级数据，如表2所示），限制了使用传统方法从这些数据中分析、提取和存储有用信息的能力。如果不使用大数据技术，直观呈现来源广泛的大型数据集中的信息都非常困难。表2 数据大小示例应对挑战：英特尔制造部门使用大数据分析服务器和物联网网关的物联网试点计划图1 支持为从工厂车间到数据中心的整个过程提供制造智能的端到端基础架构构建模块图1所示为面向大小型数据集的高级物联网制造架构，这些数据集包含来源于制造车间和制造网络、可供收集和聚合的各类数据。该架构为通过数据可视化、监控和挖掘创建新型商业智能提供了全新可能。举例来说，该架构可以清理、提取和转换来自现有数据库的结构化数据、来自工具传感器的非结构化数据以及来自传统设备的日志文件，并将它们整合在一个数据存储平台（即Hadoop）中。然后，运行在内部服务器（即数据存储服务器）上不同虚拟机的高级工厂应用可对数据进行可视化和分析。或者，用户可使用网络上的其他分析或监控应用访问这些数据。其他增强功能包括在Hadoop或其他类型文件系统中进行分析或在内存中进行分析以提升性能。分析结果可通过网络商业智能层中的直观可视化功能展示给用户。英特尔制造部门试点计划中的大数据分析物联网服务器设置图2 大数据分析服务器英特尔制造部门在其试点部署中使用的大数据分析服务器如图2所示。戴尔的紧凑型系统 PowerEdge*VRTX2被选作内部服务器，以在私有云环境中托管大数据和分析软件。该系统包含一个Dell PowerEdge VRTX机箱，配备25块900GB硬盘和2台Dell PowerEdgeM820刀片式服务器，每一台服务器配备E5-4600产品家族中的4颗英特尔?至强?处理器。英特尔至强处理器E5-4600 产品家族提供了一款成本适宜的紧凑型四路处理器解决方案，最高支持8个内核、20MB末级高速（L3）缓存和1. 5TB内存容量，同时具备可快速转移数据的信道。两台M820 服务器可托管分析和应用软件，以及在多台虚拟机中运行的 Hadoop节点。Red Hat Enterprise Linux* forVirtual Datacenters操作系统为针对可扩展、完全虚拟化数据中心而设计的服务器提供了一种全面的虚拟化软件解决方案。分析和应用节点图3 大数据分析服务器上软件分配至虚拟机的情况图 3 显示了软件被如何分配至不同虚拟机（VM）。该节点托管着 5 台虚拟机，分别运行着不同的分析和应用工作负载。具体包括：&·来自Revolution Analytics的Revolution REnterprise* 是一款基于强大的开源R统计语言的分析软件。该软件可在分析解决方案和企业软件之间提供无缝、安全的数据桥，可解决采用基于R的分析功能及现有IT基础架构的企业所面临的关键集成问题。· MonetDB*：一种面向列的开源数据库管理系统，旨在帮助高效完成对大型数据库进行的复杂查询任务，如将表格与数百个列和数百万行进行组合。MonetDB已使用在各种需要高性能的应用中，如数据挖掘、在线分析处理（OLAP）、地理信息系统和流数据处理等。·PostgreSQL*：一款强大的开源对象关系型数据库系统，用于在线交易处理（OLTP）。物联网（IoT）网关三菱电机MELSEC-Q系列* C语言控制器是一款基于英特尔?凌动?处理器的网关，用于聚合并安全摄入数据至大数据分析服务器。数据摄入指验证、过滤和重新格式化数据，以便大数据分析软件更轻松地对其进行分析。三菱电机MELSEC-Q系列C语言控制器是具备众多智能系统功能特点的嵌入式解决方案，包括处理从传感器或通过网络收集的大量数据所需的稳定网络连接和卓越计算性能，同时支持复杂的系统控制和操作。这一控制器的核心是采用英特尔? 架构和 Wind River VxWorks* 实时操作系统的硬件平台。三菱电机开发了 MELSEC- Q系列C语言控制器，旨在满足多种工厂自动化要求，具备卓越的可靠性，可适应苛刻的环境， 且长期可用。这些特性助它成为一款坚 实可靠的产品，几乎无需维护物联网制造应用。MELSEC-Q 系列C语言控制器取代了传统可编程控制器中使用的梯形逻辑，使用国际标准 C 语言（C和C++）提供了更灵活的编程能力。它能够支持用户充分利用现有的C语言软件和开发资源。CIMSNIPER* 是一款适用于三菱电机 MELSEC-Q 系列 C 语言控制器的数据获取和处理软件包。它能够收集流程数据（包括 SECS 信息）和制造设备错误， 而无需修改现有系统。大数据分析案例在过去的两年中，英特尔开发了十几个大数据项目，巩固了运营效率和收入。下方列出了几个示例：&缩短产品测试时间英特尔? 制造的每一枚芯片都要经过彻 底的质量检查，通过多种复杂的测试。英特尔发现，利用制造过程中收集的历史信息可以减少测试所需的产品数量，从而缩短测试时间。作为概念验证实施的这款解决方案在 2012 年为英特尔? 酷睿? 系列处理器节约了 300 万美元的测试成本。将这款解决方案扩展到更多产品后，英特尔 预计会节约3,000 万美元的成本。改善制造监控数据密集型流程也用于帮助英特尔在生产线上检测故障，这是一个高度自动化的环境。英特尔从整个工厂网络的制造工具和测试工具中提取日志文件，每小时多达 5 TB。通过捕获和分析这些信息，英特尔能够确定在制造流程中的哪个步骤开始偏离常规容差。针对此处讨论的当前端到端平台试点部署，英特尔与三菱电机、Cloudera、Revolution Analytics 和戴尔进行了紧密合作，成功开发了许多卓越功能，在使用数据挖掘科学解决实际制造问题方面取得了巨大进展，并通过成本节省和决策改进为英特尔节约了数百万美元。该项目的主要目标是发掘数据和数据分析的价值，通过预测制造获得更深刻的洞察力，并降低制造成本，同时不影响生产量或质量。下面详述了英特尔通过集成面向制造物联网的大数据分析和技术获得了一些突破性成就和发现。试点计划成效：使用案例 1：通过监控和分析设备参数值并在部件发生故障之前及时更换，减少不必要的产能损失。背景&自动测试装置（ATE）是专门用于在不同设备上执行测试的机器，这些设备被称作被测设备（DUT）。ATE 使用控制系统和自动化信息技术快速执行测试，测量并评估被测设备。11&ATE 系统连接到称为处理工具的自动更换工具上。该工具能够物理更换测试接口单元（TIU）上的被测设备，以便接受该装置的测试。问题陈述有缺陷的测试接口单元将会错误地将良品分类为次品，会对英特尔制造运营成本造成负面影响。有缺陷的测试接口单元会导致对被测设备进行错误分类，包括拒绝良品。英特尔制造部门的目的是检测潜在的 TIU 缺陷，以便及时修理或更换单元，防止它们被错误分类。如果有缺陷的测试接口单元将良品错误分类为次品，该单元将作废。在定期预防性维护期间，一些即便仍然运转正常的组件也会使用备件更换，以避免发生此类问题。成效和优势分析功能可在现有工厂联机流程控制系统触发之前，预测出高达 90% 的潜在测试接口单元故障。在此处的情况下，这可帮助及时更存在缺陷的 TIU 以免造成过度拒绝良品，将产能损失降低了 25%。此外，英特尔还减少了在预防性维护过程中提前更换尚未故障的备件的需求，从而预计可以降低 20% 的备件成本。使用案例 2：通过在焊球焊接设备中消除和减少错误焊球装配情况降低产能损失背景焊球焊接模块是为基片表面涂抹焊膏的部件。焊球被放置到焊球焊接表面，然后焊膏将其固定在相应位置上。整个封装通过一个回流焊炉，将在其中融化基片表面上的焊膏和焊球。焊球被真空吸附到贴装头的小孔上。系统将检查该贴装头上的焊球是否过多或缺失。当贴装头与基片对齐时，焊球被放置在基片的焊膏上。释放焊球后，将检查贴装头上是否残留有任何焊球。最后，摄像头成像系统将检查基片上是否缺失焊球或焊球位置是否存在偏移。问题陈述缺失焊球的单元为有缺陷的材料，会造成产能损失。多种场景会导致单元缺失焊球，包括真空压力不足等。成效和优势通过可视化处理传感器读数并将其与各种机器数据和执行系统数据进行关联，英特尔成功降低了产能损失，优化了维护成本，并避免了设备突然宕机。这可帮助技术人员主动解决问题，朝着创建预测维护功能而努力。使用案例 3：使用图像分析确定良品或次品背景机器视觉设备是一种模块，可筛选单元并将其分类为良品和边际单元。良品将传送到加工流程，而边际单元将接收制造专员的检查并确定其优劣。该手动流程较为耗时。问题陈述人工检查并分类边际单元的流程非常繁琐，有时需要约8 小时才能成功将边际单元与真正的不良品隔离。这是因为单元送达操作员、然后传送到隔离模块、最后进行隔离比较费时。图像分析可帮助迅速识别检测模块检测到的不良品。成效和优势机器视觉设备模块中记录的边际图形经过预处理。每一张图像都是非结构化数据，需要修改尺寸、剪裁并转化为灰度模式，然后将每个像素转化为二进制格式。此流程的下一阶段涉及特征选择，非结构化图像将由一系列不同的值定义。然后，将这些值赋予各种机器学习算法，用于区分真正不良品和边际不良品。图像分析缩短了从大量边际单元中分离真正不良品的时间。图像分析确认不良品的速度大约比人工方法快10倍。数据流图4 高级数据流图4显示了上述使用案例中的数据如何 传输。基于英特尔凌动处理器的网关将实时获取的机器数据和传感器数据发送至大数据分析服务器（BDAS）。例如，焊球焊接模块的机器数据通过机器界面端口收集，来自模拟传感器的机器数据以数秒数 MB 的速度进行流传输。· 收集到的所有工厂数据都存储在 Hadoop* 中。以下不完全列表显示了使用 Hadoop 的现有功能可实现的可能性：&- HTTP：大数据分析服务器展示一个支持对 HDFS 进行操作的经验证的 REST HTTP 端点。- Apache Sqoop* 提供了连接工具， 用于将非 Hadoop 数据存储（如关系数据库和数据仓库）中的数据迁移至 Hadoop。- Flume* 能够接收持续的日志数据。·本部分上述使用案例中的特定数据格式为逗号分隔值（CSV） 文件或原始图像。尽管 Hadoop 生态系统包含多种数据摄入途径（如上所述），但一些工厂机器的网络传输能力有限，要求通过定制工程向 HDFS 提交数据：&- FTP：物联网网关拥有一个 FTP客户端，定期连接到大数据分析服务器，并将最新获取的数据直接传输到 HDFS。也可以根据实时数据流和分析要求使用 MQTT 和 REST 等其他数据流协议。- CIFS 共享（Windows 共享）：大数据分析服务器提供了一种 Windows/CIFS 共享目录，网关 可将文件复制到该目录中。·CSV 文件被使用 Pig 直接导入HBase*，而原始图像会先使用计算机视觉技术和 map-reduce 任务进行预处理，生成图像的文本数据表示。&·根据操作要求，数据将在三个数据 库中的一个进行存储：NoSQL （Hadoop）、RDMS/SQL或 Coli/ OLAP。·数据库可使用各种工具访问和处理， 包括 AquaFold、专门报告、工作流调度、ETL 和数据库集成。同时， Cloudera Distribution for Hadoop 可对数据实施各种操作。·处理过的数据使用专为工厂应用设计的Revolution Analytics 工具进行进一步分析。·这些数据在易于理解的仪表盘中向用户展示。经验总结和结论英特尔使用物联网网关，借助从英特尔自身制造网络和设备及传感器提取的数据，集成并验证了大数据分析内部服务器解决方案，从而证实了物联网对于制造业的出色业务价值。采用了三菱电机 MELSEC-Q 系列 C 语言控制器。试点计划的实施有赖于工厂工程师、IT 部门和来自 Cloudera、戴尔、三菱电机和 Revolution Analytics 的行业专家的通力合作。团队首先采用现有机器性能和监控数据，然后使用大数据分析和建模功能获取用于预测潜在偏移和故障的数据。机器组件故障预测功能可支持工程师修复并防止偏移，从而通过避免浪费生产部件、缩短维修时间和减少机器备件使用量节约大量资金。使用了大数据分析服务器和物联网网关上各种软件构建模块的集成套件。尚未开始利用制造数据中包含的智能优势的制造商，可以应用并实施此框架。已经使用数据提升效率的制造商可以进一步增强现有能力，以提高数据挖掘和分析能力。对于英特尔而言，此试点计划预计每年可节约数百万美元，并能够带来更高的投资回报。优势包括延长设备组件正常运行时间、最小化良品和次品错误分类（从而提高产能和生产力），支持预测维护，同时减少组件故障。英特尔的制造环境和设备中还有多种其他类型的参数、度量法、产品和设备数据（结构化和非结构化），可以通过挖掘和分析这些数据获取新的业务价值。通过利用这一机会,英特尔将能够进一步提高工厂的效率和生产力，建立出色竞争优势。收藏9660本文为OFweek公众号作者发布，不代表OFweek立场。如有侵权或其他问题，请联系举报。+关注文章页右侧位置300*250
相关公众号
走进一个叫工业互联网的时代！聚集新一轮工业革命，大数据、物联网、机器人等技术！工业4.0下智能制造，理论+实践，边想象，边验证。工业智能装备定制、自动化设备/生产线研制升级投诉文章问题&营销广告重复、旧闻格式问题低俗标题夸张与事实不符疑似抄袭我有话要说确定取消取消
用户登录&请输入用户名请输入密码登 录使用一下账号直接登录【大数据】智能制造中工业时代大数据应用_百度文库
您的浏览器Javascript被禁用，需开启后体验完整功能，
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
【大数据】智能制造中工业时代大数据应用
北京天拓四方科技有限公司坐落于北京丰台总...|
总评分0.0|
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢【IT解决方案】提升大数据技能，实现智能制造业
IT解决方案：企业智能化已不应该只成为一个口号，当然这几年也有众多企业在往此方向去走，建立更多智能化工具、系统去改善企业内部结构、优化流程、简化办公模式等等。探联和你探讨的本文说的就是传统创造业的将制造业智能技术应用于质量管理的SPC(统计过程控制)领域。当然，这与探联的”“口号还是相当吻合。
据麦肯锡全球研究所(MGI)和麦肯锡商业技术办公室的最新调查研究显示：“任何一个行业的领军者都已经看到了大数据所带来的前所未有的潜力和重大意义。”据算，2009年，美国经济领域的各个行业中，员工数量超过1000人的企业平均产生了至少200万亿字节的数据(比沃尔玛1999年的数据库还要大2倍)。各行各业都有大量的数据可供分析，而数据分析在产品制造领域已经和劳动力、资本地位平行。
大数据时代:用制造业智能技术唤醒沉睡数据
　　与互联网、电子商务、金融等行业对数据的充分挖掘不同，在中国的生产制造企业，生产信息化虽已成普及态势，但对各类数据信息的进一步挖掘却仍处起步阶段——我们一直关注的质量数据也是如此。
　　在记者走访的制造企业中，企业对数据的记录多停留于两种形态：1、传统的纸笔记录;2、Excel电子表格记录。这些操作起来看似简单的数据管理方式，在浪费人力物力的同时，还为企业生产及质量监控埋下了巨大的隐患。而真正挖掘数据背后的价值，更是无从谈起。
　　看似简单的纸质记录数据，必须放在独立的档案室归档。而看起来稍微先进一些的Excel表格，虽然将数据以文件形式存储在电脑中，但如果工程师想对既有数据进行比较分析，却不得不打开数十个甚至上百个文件——当然，这是在数据量小的情况下。
　　举个例子：如果领导希望了解过去3个月生产线A的运行情况，而这条生产线每天会生产200件产品。以每条生产线每天做一份数据记录计算，要想对过去2周的数据进行纵向比较，一位工程师最少要打开14个Excel文件以便调取数据。试想，如果要比对过去3个月的数据，这位工程师要打开多少个文件？如果要比对过去1年的数据呢？当然，企业用Excel表格进行相关数据记录，对于那位工程师而言已经足够幸运。如果质量数据全部记在纸上，又要进行3个月的数据分析，对工程师而言，那将是一种怎样的灾难？
　　上述案例只是传统数据管理的弊端之一。幸运的是，领导与客户不会每天都要看报告。而这些存在文件夹/档案室中的数据，就如同躺在一个个孤岛上一般——沉睡，只为满足工程师的不时之需。于是，我们看到，企业在面对转型升级时，常常措手不迭。可惜，没有人会想起那些沉睡的数据及其背后蕴含的海量商业信息。
　　“降低质量成本，提升产品品质”，对于制造企业而言，不能仅是“空头支票”。解决方案在哪里？制造业智能(MI)对我们而言早已不是一个陌生名词，但将制造业智能技术应用于质量管理的SPC(统计过程控制)领域却是首次。制造企业诸如：各类点检表存储、查找困难;电子数据分散，没有分析或者很少分析;现有分析工具无法保证良好的效果等一系列生产质量管理难题，都将寄希望在大数据技能的提升以实现迎刃而解。
　　盈飞无限中国区技术总监德春女士对我们说：“在大数据时代，借力制造业智能(MI)技术，通过更透明、更可用的数据，企业可以释放更多蕴含在数据中的价值。实时、有效的一线质量数据可以更好的帮助企业提高产品品质、降低生产成本。企业领导者也可根据真实可靠的数据制订正确战略经营决策，让企业真正实现高度的'制造业智能'”。
来源：天极解决方案
整理：探联解决方案
我的更多文章：
( 14:43:35)( 14:38:13)( 11:17:58)( 11:04:54)( 15:35:44)
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。10月26日下午，在大数据应用及发展大会分论坛 “工业大数据与智能制造论坛”上，行业专家、企业代表纷纷就工业大数据与智能制造领域发展分享观点。与会专家建议，要打通工业系统间数据，打造智能制造大数据生态圈。活动由工业和信息化部电子科学技术情报研究所承办。智能制造是当前制造技术领域的高频名词，论坛上，中国航空工业集团公司信息技术中心首席顾问宁振波首先指出了智能制造的真正含义，“它是在网络化、数字化与人工智能和机器人相结合，形成人、机、物相互交互深度融合的新一代制造技术。”他说。针对智能制造，赛迪顾问总经理杨娟建议，首先要聚焦数字化生产，加强数据汇集，接着是强化数据的融合，把所有数据进行同步的整合，“第三步就是我们最终要做的，打造一个大数据的生态圈。”不过，当前智能制造、工业大数据发展仍存在一些问题。工业和信息化部电子科学技术情报研究所副主任张毅夫指出，一是工业数字化基础薄弱，工业大数据核心技术体系尚未建立；二是工业数字化基础薄弱，工业大数据核心技术体系尚未建立；三是企业内各部门间数据资源整合难度较大；四是专业的工业大数据服务咨询机构、复合型人才缺乏。对此专家建议，这一阶段的重点将是工业系统间数据的打通与共享。张毅夫表示，具体而言，一是加强政策引导和财税金融支持，提高工业大数据应用技术和水平；二是优化提升工业宽带基础设施，推进制造业企业数据共享的采集、整合和共享；三是建立全方位的技术应用推广机制扩大工业大数据应用范畴；四是重视复合人才的引进培养，加强国际交流与合作。【记者】肖文舸【实习生】苏倩怡【校对】曹柏英
编辑　葛政涵}