智能制造與大數(shù)據(jù)：數(shù)據(jù)分析實現(xiàn)智能化
2020-12-25 15:13:37
次
前面《智能制造與大數(shù)據(jù)——數(shù)據(jù)共享實現(xiàn)網(wǎng)絡(luò)化》一文圍繞智能制造發(fā)展的第二個階段——“網(wǎng)絡(luò)化”展開闡述，重點介紹通過主數(shù)據(jù)標(biāo)準制定及數(shù)據(jù)處理等技術(shù)保障共享數(shù)據(jù)的一致性與完整性，從而實現(xiàn)網(wǎng)絡(luò)化協(xié)同的目標(biāo)。
制造的進一步目標(biāo)是在數(shù)字化和網(wǎng)絡(luò)化的基礎(chǔ)上實現(xiàn)智能化制造。本期，我們將繼續(xù)和您分享“智能制造發(fā)展的第三階段-智能化”。
一、無處不在的“智能”應(yīng)用
近年來，隨著高新科技與創(chuàng)新浪潮的發(fā)展，“智能”二字在我們生活中出現(xiàn)的頻次越來越高，智能化設(shè)備也越來越多，如：智能冰箱（通過溫度自動調(diào)節(jié)讓食物保持最佳存儲狀態(tài)）、智能手表（除指示時間還能監(jiān)測使用者的睡眠、健康狀態(tài)、足跡等）、智能音箱（除了外音播放還可以進行各類語音交互，如新聞播報、智能家電控制等）、智能掃地機器人（能夠自動測量工作空間、規(guī)劃合理路徑，執(zhí)行全屋清掃）、智能汽車（無人駕駛汽車，通過車載傳感系統(tǒng)感知道路環(huán)境，自動規(guī)劃行車路線并控制車輛到達預(yù)定目標(biāo)）等。此外，全社會還在致力于構(gòu)建智慧城市、智慧醫(yī)療、智慧能源、智能化民生等建設(shè)。
“智能”無處不在，歸根結(jié)底是因為隨著數(shù)據(jù)采集、數(shù)據(jù)傳輸與共享、數(shù)據(jù)處理與分析和人工智能技術(shù)的發(fā)展，我們有了從非智能向智能轉(zhuǎn)變的基礎(chǔ)和契機。站在智能制造的角度，圍繞制造型企業(yè)的智能應(yīng)用重點包括：智能設(shè)計、智能研發(fā)、智能決策、智能車間、智能工廠、智能物流與供應(yīng)鏈、智能服務(wù)、智能裝備、智能產(chǎn)線、智能管理等。
二、實現(xiàn)智能化的關(guān)鍵：大數(shù)據(jù)處理與分析技術(shù)
眾所周知，大數(shù)據(jù)是人工智能的基石，人工智能依賴于超強的計算能力和充分的大數(shù)據(jù)集。制造企業(yè)智能化應(yīng)用的真正實現(xiàn)，必然也需要圍繞企業(yè)發(fā)展中產(chǎn)生的大量多源異構(gòu)數(shù)據(jù)資產(chǎn)作支撐，比如：各類業(yè)務(wù)信息系統(tǒng)中的結(jié)構(gòu)化數(shù)據(jù)；經(jīng)營文件、作業(yè)指導(dǎo)書、質(zhì)檢報告等半結(jié)構(gòu)化數(shù)據(jù)；生產(chǎn)管理監(jiān)控視頻、測試音頻等非結(jié)構(gòu)化數(shù)據(jù)；產(chǎn)品試驗過程時序監(jiān)測數(shù)據(jù)等。為實現(xiàn)這些數(shù)據(jù)的充分利用與價值挖掘，大數(shù)據(jù)處理與分析技術(shù)就顯得尤為重要。
大數(shù)據(jù)處理與分析技術(shù)支撐“數(shù)據(jù)資產(chǎn)價值化”這個核心目標(biāo)的實現(xiàn)，重點是將采集存儲的企業(yè)數(shù)據(jù)資產(chǎn)，通過業(yè)務(wù)分析、場景構(gòu)建、分析處理、算法開發(fā)、模型構(gòu)建、可視化和應(yīng)用開發(fā)等步驟，實現(xiàn)數(shù)據(jù)價值變現(xiàn)，以達到智能決策與應(yīng)用的目的。一句話概括，工業(yè)大數(shù)據(jù)分析主要是利用統(tǒng)計分析、機器學(xué)習(xí)、深度學(xué)習(xí)、信號處理等技術(shù)，結(jié)合業(yè)務(wù)知識通過對工業(yè)過程中所產(chǎn)生的數(shù)據(jù)進行處理、計算、分析并提取其價值信息、規(guī)律，進而實現(xiàn)自感知、自決策、自執(zhí)行的過程。
隨著物聯(lián)網(wǎng)、高性能計算、高維可視化、大數(shù)據(jù)基礎(chǔ)平臺等技術(shù)的發(fā)展與支撐，基于大數(shù)據(jù)處理與分析技術(shù)，開展制造企業(yè)各層次研發(fā)、生產(chǎn)、管理、服務(wù)等智能化決策應(yīng)用模型的開發(fā)，解決企業(yè)生產(chǎn)及經(jīng)營管理層面的業(yè)務(wù)難題，已成為現(xiàn)階段制造企業(yè)智能化轉(zhuǎn)型升級的核心工作之一。
三、典型的數(shù)據(jù)分析挖掘過程
典型的數(shù)據(jù)分析挖掘過程主要包括基于業(yè)務(wù)充分調(diào)研與理解后的數(shù)據(jù)接入、數(shù)據(jù)預(yù)處理、特征工程、算法選擇與開發(fā)、模型構(gòu)建、評估評測、模型洞察、模型部署及成果發(fā)布等過程。美林數(shù)據(jù)完全基于此分析建模流程研發(fā)打造 Tempo 大數(shù)據(jù)分析平臺，支持企業(yè)級用戶快速實現(xiàn)數(shù)據(jù)資產(chǎn)的深度分析與應(yīng)用建模。
平臺數(shù)據(jù)接入包含關(guān)系型數(shù)據(jù)庫輸入、MPP數(shù)據(jù)庫輸入、大數(shù)據(jù)分析引擎輸入、文件上傳、數(shù)據(jù)同步等不同輸入節(jié)點，支持不同類型數(shù)據(jù)的快速導(dǎo)入，為挖掘分析與模型訓(xùn)練提供基礎(chǔ)數(shù)據(jù)源。
2、數(shù)據(jù)處理
提供多種數(shù)據(jù)預(yù)處理方法及數(shù)據(jù)的高級轉(zhuǎn)換操作，包括但不限于數(shù)據(jù)標(biāo)準化、RFM分析、因子分析、角色定義等，實現(xiàn)數(shù)據(jù)清理、集成、變換、消缺、歸約等預(yù)處理操作，為挖掘分析做好數(shù)據(jù)準備。
3、特征工程
要構(gòu)建一個高效精準的機器學(xué)習(xí)模型有很大一部分因素取決于特征向量的選擇與提取，構(gòu)造好的特征向量，是要選擇合適的、表達能力強的特征。尤其是對于工業(yè)大數(shù)據(jù)來說，由于數(shù)據(jù)來源多、業(yè)務(wù)機理復(fù)雜、外界因素干擾、傳感器異常等原因，企業(yè)原始數(shù)據(jù)包含較多的異常點、干擾點，多維度之間存在非線性關(guān)系等，這些都將直接影響后續(xù)模型構(gòu)建的準確性以及模型復(fù)雜度，因此在算法選擇與模型構(gòu)建之前，需要數(shù)據(jù)分析人員對原始數(shù)據(jù)進行探索分析與特征提取，開展過濾、轉(zhuǎn)化、降維、特征選擇等特征分析工作，為算法選擇與模型訓(xùn)練提供良好輸入。
4、算法選擇
基于業(yè)務(wù)問題剖析、數(shù)據(jù)基礎(chǔ)探索與特征工程處理后，算法類型的確定與具體算法的選擇將成為搭建分析模型的關(guān)鍵。平臺提供豐富的分析挖掘算法庫，包括分類、聚類、回歸、關(guān)聯(lián)分析、時間序列、綜合評價及文本挖掘等多類別上百種機器學(xué)習(xí)算法，并支持集成學(xué)習(xí)、深度學(xué)習(xí)等框架與應(yīng)用模型搭建，全面實現(xiàn)復(fù)雜場景下各業(yè)務(wù)數(shù)據(jù)的分析與建模訴求。與此同時，平臺提供基于Python、Java、R、MATLAB等編程語言的擴展編程接口，支持特定場景下，工業(yè)應(yīng)用領(lǐng)域用戶的業(yè)務(wù)型經(jīng)驗算法、細分專業(yè)特定算法的快速寫入與固化應(yīng)用。
5、模型訓(xùn)練
模型訓(xùn)練是以歷史數(shù)據(jù)為樣本，對模型進行評估，以保障模型的準確率。在樣本選擇的時候，需要滿足數(shù)據(jù)樣本多樣化、數(shù)據(jù)樣本盡可能大、數(shù)據(jù)樣本的質(zhì)量盡可能高等條件。平臺提供對模型迭代訓(xùn)練過程的可視化洞察功能，實現(xiàn)模型訓(xùn)練過程的全透明管理監(jiān)控，輔助數(shù)據(jù)分析人員構(gòu)建高性能和高精準度的挖掘模型。
6、評估評測
精度準確、性能良好的機器學(xué)習(xí)模型不是一蹴而就訓(xùn)練獲得的，過程中需要基于CRISP-DM流程進行反復(fù)迭代、優(yōu)化與評測驗證，根據(jù)數(shù)據(jù)變化及業(yè)務(wù)決策使用要求反復(fù)調(diào)整優(yōu)化模型。因此，合理、有效的模型評估方法與機制是必不可少的。平臺提供的模型評估方式支持離線評估和在線評估兩種方式，并可直接對評估結(jié)果進行可視化展現(xiàn)；評估完的模型可直接在建模工程中進行輸出、讀取與復(fù)用。
7、模型洞察
模型洞察的作用是全方位觀察分析建模過程及模型運算的結(jié)果，通過洞察能夠為改進數(shù)據(jù)分析挖掘流程和模型調(diào)優(yōu)提供支撐，從而提升模型有效性和精度。
8、模型部署
模型部署重點是將設(shè)計、驗證后的模型與調(diào)用流程投入生產(chǎn)使用，通過發(fā)布挖掘流程，并利用調(diào)度任務(wù)或接口服務(wù)等方式將設(shè)計好的流程接入到生產(chǎn)環(huán)境，形成最終的決策應(yīng)用系統(tǒng)，指導(dǎo)實際業(yè)務(wù)的開展。
9、、成果發(fā)布
整個數(shù)據(jù)分析及建模工程完成后，可以快速將分析挖掘模型等成果進行發(fā)布與共享，支持外部鏈接、數(shù)據(jù)展示門戶及外部調(diào)用接口等多種分享方式。成果發(fā)布后形成數(shù)據(jù)挖掘模型庫，后續(xù)類似應(yīng)用構(gòu)建時可從模型庫中選擇已有模型進行快速調(diào)整，提升建模效率。支持將發(fā)布后的成果嵌入第三方平臺或與已有信息業(yè)務(wù)系統(tǒng)集成，并支持將關(guān)鍵信息實時發(fā)送到移動端、PC端、大屏等，滿足企業(yè)多層級多場景下決策應(yīng)用的需求。
四、典型應(yīng)用場景：預(yù)測與健康管理
智能化應(yīng)用的一個典型場景便是預(yù)測與健康管理(Prognostics and Health Management，PHM)，尤其是設(shè)備狀態(tài)的準確分析與預(yù)測性維護。一直以來傳統(tǒng)企業(yè)在典型或核心設(shè)備層面的維護主要是參照設(shè)備的標(biāo)準參數(shù)及工人經(jīng)驗進行設(shè)備維護保養(yǎng)，維護人員經(jīng)常不得不選擇提前更換正常部件以最大限度保障設(shè)備正常運行，或冒著發(fā)生故障停機的風(fēng)險使其盡可能久的運行，存在著過渡維護、成本浪費或潛在風(fēng)險增大等現(xiàn)象，比如：機器突發(fā)性故障會造成時間、生產(chǎn)和利潤的嚴重損失。
如何實時準確地判斷設(shè)備的健康狀態(tài)，并提前預(yù)測設(shè)備或典型部件的失效時間是困擾企業(yè)的一大問題。我們知道，一臺設(shè)備是否會提前或者延后失效與設(shè)備的使用過程有很大的關(guān)系，通過采集設(shè)備運行狀態(tài)信息及設(shè)備維修保養(yǎng)記錄信息，根據(jù)設(shè)備失效的影響因素構(gòu)建設(shè)備預(yù)測性維護模型。通過歷史數(shù)據(jù)進行學(xué)習(xí)模型構(gòu)建與知識獲取，在應(yīng)用過程中以實時的設(shè)備運行狀態(tài)數(shù)據(jù)為輸入，并基于預(yù)測出的設(shè)備健康狀態(tài)與失效時間提前進行設(shè)備維護，可極大程度避免設(shè)備的各類突發(fā)故障?；?ldquo;數(shù)據(jù)驅(qū)動+機理模型”的設(shè)備狀態(tài)評估與預(yù)測性分析，幫助企業(yè)回答了“是否有故障”、“哪一類故障”、“何時維修、如何維修”的問題，既能高效準確找出需關(guān)注的部件或子系統(tǒng)，前瞻性開展維修計劃及工具、庫存?zhèn)浼臏蕚涞认嚓P(guān)工作，還可以在設(shè)備脫機或生產(chǎn)間隙安排并啟動維修保養(yǎng)計劃，為車間和工廠節(jié)省時間、金錢和空間，也可避免不正確的維護計劃帶來的設(shè)備利用率低及突發(fā)故障的產(chǎn)生，進而保障生產(chǎn)安全并提高生產(chǎn)效率。
- 較高的運維效率：顯著降低設(shè)備的故障率及停機時間，提高設(shè)備利用率，保證設(shè)備持續(xù)使用，避免非計劃性停工，提高企業(yè)生產(chǎn)效率。全面降低由設(shè)備的故障或突發(fā)故障所帶來的難以估算的安全隱患，提升企業(yè)設(shè)備運維效率與質(zhì)量。
- 較好的設(shè)備性能：一體化設(shè)備健康管理平臺，可有效積累設(shè)備典型故障模式及知識庫，結(jié)合設(shè)備全壽期數(shù)據(jù)連接，可實現(xiàn)設(shè)備研制信息閉環(huán)反饋，全面提升設(shè)備研制與維護水平。
- 較低的服務(wù)成本：減少設(shè)備整個生命周期維修費用及成本，消除過度維護所花費的時間和資源，設(shè)備維修總體原則可改變?yōu)?ldquo;適時小修、避免大修、預(yù)防性、計劃性維護”。
對于智能制造的發(fā)展來說，數(shù)字化制造、網(wǎng)絡(luò)化制造和新一代智能制造并不是決然分離的，而是相互交織、迭代升級。在數(shù)字技術(shù)、網(wǎng)絡(luò)技術(shù)充分發(fā)展的今天，智能制造推進過程中都可按照需要融入各種先進技術(shù)，進而推進制造業(yè)轉(zhuǎn)型升級。
本專欄系列文章主要針對智能制造三個階段中的數(shù)據(jù)采集、數(shù)據(jù)共享及數(shù)據(jù)分析等關(guān)鍵技術(shù)進行闡述。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和云計算等技術(shù)的高速發(fā)展，基于多信息采集與融合分析的智能化應(yīng)用能力逐步落地并發(fā)揮出較大價值，使得企業(yè)生產(chǎn)能力和經(jīng)營效益均達到了一個全新高度。對于期待智能化轉(zhuǎn)型的制造企業(yè)，務(wù)必在開展智能制造應(yīng)用規(guī)劃與建設(shè)的過程中要利用好此類技術(shù)，為數(shù)據(jù)采集、數(shù)據(jù)共享與數(shù)據(jù)分析應(yīng)用提供支撐。
只要全面把握企業(yè)智能制造發(fā)展的方向與目標(biāo)，圍繞具體目標(biāo)確定相關(guān)數(shù)據(jù)范圍，并采用合適的數(shù)據(jù)采集技術(shù)獲取數(shù)據(jù)，并將數(shù)據(jù)進行標(biāo)準化、規(guī)范化管理，從而實現(xiàn)高質(zhì)量的數(shù)據(jù)融合與共享；結(jié)合具體業(yè)務(wù)問題的智能模型構(gòu)建與利用，實現(xiàn)基于數(shù)據(jù)驅(qū)動的生產(chǎn)管理過程的診斷與優(yōu)化，實現(xiàn)生產(chǎn)業(yè)務(wù)、經(jīng)營管理活動的自感知、自決策與自執(zhí)行，逐步實現(xiàn)企業(yè)的智能化轉(zhuǎn)型目標(biāo)。
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數(shù)據(jù)工廠平臺
Tempo指標(biāo)平臺
Tempo數(shù)據(jù)治理平臺
Tempo主數(shù)據(jù)管理平臺
首頁
美林數(shù)據(jù)
大數(shù)據(jù)分析與應(yīng)用
陜公網(wǎng)安備 61019002000171號
