大数据驱动的智能制造

张 洁 汪俊亮 吕佑龙 鲍劲松

东华大学机械工程学院，上海，201620

1 工业大数据为制造赋智

新一轮产业革命已经到来，信息技术快速渗透到工业生产的各个环节，企业拥有的数据日益丰富，并涌现出规模性(volume)、多样性(variety)和高速性(velocity)等特性[1]。在智能制造实践过程中，工业大数据技术促进企业准确感知系统内外环境变化，科学分析与优化决策以优化生产过程、降低成本、提高运营效率，更催生大规模定制、精准营销等新模式和新业态。因此，工业大数据被视为重要的生产要素，成为驱动智能制造、助力产业转型升级的关键。随着人工智能进入2.0时代，深度学习、边缘计算等新模型和算法被不断提出和发展，工业大数据为智能制造带来新的理念、方法、技术与应用，形成新的研究热点[2]。

工业大数据技术通过海量数据的处理与分析，使制造系统具备“学习”能力，通过源源不断的数据对制造系统的复杂演化机理、知识经验进行持续学习，使制造系统具备自学习、自优化、自调控能力，为制造系统赋予智能。随着数据科学范式的进一步发展，制造系统智力的获取、提升与应用方式将发生变革，大数据驱动的智能制造的科学范式与方法体系正在形成。本文系统分析了大数据驱动的智能制造的科学范式、理论方法与使能技术(框架体系见图1)，阐述应用方向与工业实践，希望能促进大数据驱动的智能制造的理论技术研究与工程应用。

图1 大数据驱动的智能制造方法与使能技术Fig.1 The paradigm, framework and application of big data driven intelligent manufacturing

2 大数据驱动的智能制造科学范式

2009年，微软在“The fourth paradigm: data intensive scientific discovery”中，从科学研究范式的角度指出“数据密集型科学”将成为继“实验科学”、“理论推导”、“模拟仿真”之后的第四范式[3]。传统的科研范式通过实验、推导与仿真来拟合系统运行的因果机理模型，并对系统进行分析与优化，而大数据则通过数据间的关联关系来刻画系统运行的机理。第四范式认为，在系统规模越来越大、结构更加复杂的情况下，通过数据间的关联分析即可具备更强的洞察能力、分析与决策能力。

在数据科学的范式下，制造系统的运行分析与决策方法也将发生变革。围绕制造系统的效率、质量与稳定性等性能指标，“关联+预测+调控”的决策新模式正在形成[4]。“关联”指通过数据的关联分析，量化数据间的影响机理，通过数据的角度探索制造系统运行中的关系；“预测”指在关联分析的基础上，进一步描述数据与系统性能指标间的内在关系，揭示系统性能指标的演化机理；“调控”指在“预测”的基础上，针对具体的业务进行优化调控，从而使系统性能满足要求。

3 大数据驱动的智能制造理论方法体系

在数据科学范式的发展下，大数据驱动的智能制造理论方法体系进一步完善，按照数据科学的方法论体系，可分为数据融合处理、关联分析、性能预测与优化决策四个部分：①首先通过制造大数据融合处理方法对制造系统运行过程中产生的海量、高维、多源异构、多尺度和高噪声制造数据进行多级过滤、清洗去噪、建模集成与多尺度分类等操作，为制造系统的关联、运行分析与决策提供可靠、可复用的数据资源；②在数据融合的基础上，针对产品、工艺、设备、系统运行等制造数据相互影响呈现出复杂的耦合特性，通过制造大数据关联关系度量方法对工艺参数、装备状态参数等制造数据进行关联分析，并利用复杂网络等理论度量制造数据之间的关联程度和相关系数，挖掘影响车间性能指标的相关参数；③在获取车间性能指标影响因素后，通过智能车间性能预测方法分析车间制造系统内部结构的动态特性与运行机制，从海量制造过程数据中学习与挖掘车间运行参数与车间性能的演化规律，实现车间性能的精确预测；④在对车间运行情况进行分析预测后，将车间性能的预测值与目标决策值进行实时比对，通过智能车间运行决策方法对广泛存在的动态扰动条件下的关键制造数据进行定量调整，实现车间性能动态优化与决策，使制造系统始终保持最优稳定运行。

4 面向智能制造的大数据分析平台

在大数据驱动的智能制造工业实践中，大数据平台是重要的使能技术，它是连通工业资源要素的重要枢纽，是工业数据管理分析的重要载体，是支撑制造系统自学习、自进化的重要基础，正在成为智能制造体系的“操作系统”。如何构建工业大数据平台，连接设备、物料、人员、信息系统的基础网络，实现工业数据的全面感知、动态传输、实时分析，形成科学决策与智能控制，提高资源利用率，是需要研究的重要使能技术。本文结合具体过程管控业务，提出了工业大数据平台的参考架构，见图2。

图2 工业大数据平台架构Fig.2 The framework of textile industry big data platform

4.1 多模式异构的边缘层

边缘层包含制造过程中的底层装备、传感器等资源要素、资源要素的集成，以及信息融合三部分。边缘层实现对生产装备、物流设备、质检设备、传感器等资源要素的接入、管理与优化。从制造执行的角度来看，边缘层通过设计RFID标签、条码、智能联网装置来实现资源要素的唯一标识，增加配置各类传感器实现生产过程状态的智能感知，并根据工业以太网、蓝牙、OPC UA与Ether CAT等技术实现互联互通与互操作。制造业细分种类众多，其工业大数据平台的边缘层受产业的影响而呈现出流程离散混合的边缘层结构。此外，生产过程优化控制的高时效性要求，对优化应用中处理与分析的时延提出了更高的要求，从而催生出边缘计算在平台底层的应用。

(1)流程离散混合的边缘层结构。工业产品制造是经历材料位移、流体动力学、物质热交换、化学反应等过程，以及借助工艺设备按顺序或并列完成的工艺过程。总体上，生产制造过程包括流程制造、离散制造以及流程制造和离散制造混合模式。对于不同生产模式，各企业采用的设备、工艺流程、数据采集系统、ERP、MES等企业信息系统也各不相同，不同型号的设备、企业信息系统的网络接口、通信协议、数据库也各不相同，所以工业大数据平台边缘层将兼容多种类的协议，不仅包括生产制造各流程的多样性装备间的水平互联、还包括制造过程传感器、控制层、设备层、车间生产层和企业层的垂直互联，以及与互联网、物联网的链接。依托协议转换兼容技术实现多源异构数据的边缘集成和汇聚融合，形成流程离散混合的边缘层结构。

(2)低时延应用催生边缘计算应用。制造过程节奏日益加快，对数据计算与分析的时效性要求不断提高，生产过程实时监控、质量在线检测、决策调控等优化应用都对计算的时效性有很高的要求。在高时效性的要求下，由传感器采集数据，通过工业以太网实现数据传输，在企业私有云中实现参数优化并实现指令下发的传统方式将难以满足要求。边缘计算由边缘节点实现优化运算，在低时延应用中凸显出明显的优势，这是云计算体系的有力补充。

随着低功耗计算技术的进一步发展，边缘节点的分析能力将进一步增强，并承担制造过程中低时延分析中的计算任务，边缘计算节点的功能模型见图3。从横向层次来看，该功能模型具有如下特点：

(1)基于模型驱动的统一服务框架进行业务编排，通过制造全流程中产品设计、流程制造、离散加工、整体装配和测试等环节的业务关系，构建业务矩阵，进而定义端到端的业务流，实现工业互联网中的业务流。

(2)边缘计算微服务实现架构极简化，边缘计算的微服务专注于底层边缘节点的优化分析，屏蔽底层生产组织结构的复杂性，实现基础设施部署运营自动化、可视化以及跨域的资源调度，形成统一的服务框架，支撑车间生产过程分析与可视化。

(3)边缘计算节点适配多种工业总线和工业以太网协议，兼容多种异构连接，从而实现向下对接传感器、智能设备，向上对接企业信息系统，实现数据的流通传输。

图3 边缘计算功能模型Fig.3 The function model of fog computing

4.2 面向全流程的工业PaaS层

工业大数据的PaaS平台层向下兼容边缘层的智能硬件与装备，对上服务应用层的工业APP，它基于通用PaaS平台进一步定制化形成制造行业数据主线、工业大数据系统、工业数据建模和分析、工业应用开发和工业微服务组件库与工业微服务等功能，形成可扩展的开放式云操作系统。制造行业是一个涵盖众多领域的极长的产业链，为了进一步发挥全产业链优势，在行业上下游形成合力，工业大数据应当突破某一工厂或某一车间的限制，形成整个行业生态链的数据主线，从而进一步构造跨细分行业的大数据平台，这样不仅能扩大自身服务盈利范围，而且能汇聚行业资源，有助于整个行业水平的快速提升。

面向行业生态链的数据主线(见图4)是指为实现制造过程数字化、网络化、智能化而定义的生产过程元数据，包含企业内部数据主线与行业内部数据主线两部分。企业内部数据主线是指围绕企业运行过程中的财务、库存、供应链、物料、计划、制造过程管控等主题而构建的纵向元数据的统一描述，是各细分行业中从下层制造执行到上层的企业资源管理数据的规范描述。行业内部数据主线是指原料生产到产品设计、零件加工、整机装配直至最终消费者整个行业从上游到下游各阶段产品的信息，据其可实现整个产业链的横向数据的规范描述。通过行业生态链数据主线，制造过程中的全流程数据可实现对应与关联，不仅使外部资源服务于内部，又可对外输出服务，促使行业内部不同企业之间充分发挥各自资源和技术方面的专长，从而在制造过程分析与优化中实现更大的价值，最大化生产资源(包括技术资源的有效利用)。例如，在产品设计过程中，为实现特定的任务设计目标，通过所在行业生态链数据主线实现上下游多主体间数据交互及知识协同，使得设计流程中知识、活动和主体在实时统一的状态下推动个性化设计任务向前进行， 与传统的群组交流方式相比，该方式更加强调整体全流程的协同效果而非个体间的优化效果。

图4 制造行业生态链数据主线Fig.4 The digital thread of the textile ecological chain

4.3 互联多样的应用层

工业大数据的应用层面向制造行业内的特定作业场景，提供设计、生产、管理、服务等各类适合自身特点的业务应用。工业大数据平台中的工业APP从总体上可分为四类：业务协同类APP、分析优化类APP、过程管控类APP、流程执行类APP，具体细分及描述见表1。互联多样的应用层针对制造行业多流程并行、上下游企业间产品关系紧密的特点，区别于传统的ERP、MES等工业应用APP仅在各自的应用范围内独立工作，工业大数据下的APP不仅纵向上与企业内其他工业APP数据互通，相互协调工作，具有全局视野，跨越各部门信息孤岛及鸿沟，而且横向上与产业链上下游其他企业的工业APP建立安全数据联系，实现信息共享与知识互补，快速响应供求关系变化及业务调整。工业大数据下的APP帮助制造企业实现智能计划与调度、高效制造过程管控、产品全生命周期管理等，发展个性化定制、网络化协同制造等新模式，促进产品质量、生产效率及经济效益等多方面综合生产力的跃升。

表1 工业大数据应用层典型APP类型及描述

(1)业务协同类APP指在同一软件框架或平台体系下，不仅企业内部从设计到生产、质检等各部门能全面参与产品设计或生产，而且企业外部包括供应商、采购商也能实时掌握产品设计、生产进程，并及时共享信息及需求变更，从而实现全方位参与、多方共同协作的内外部协同生产体系。

(2)分析优化类APP指针对产品或车间具体性能指标，如产品质量、生产工期、资源能耗等，利用大数据技术、智能算法等分析存在的问题及所产生的制约与限制，并对生产流程中的可控要素，如工艺参数、生产计划、资源调度等提出优化措施及调度策略，进而实现对整个生产过程的优化。

(3)过程管控类APP指以实时生产过程数据为依据，面向产品全生命周期，对主要生产要素，如产品位置及状态、设备运行状态、车间环境、物流状态、生产进度等制造过程信息进行全方位监控，以全面、直观反映车间实时运行状况，形成可追溯的生产过程信息链条。

(4)流程执行类APP指对计划控制层的计划排程、生产调度等一系列生产指令迅速响应并有效地执行工厂的生产运作过程，当车间生产状态发生变化或生产计划发生变更时，及时作出反应、报告，并用当前的准确数据对它们进行处理，防止产能管理混乱，提高控制执行精准度。

5 大数据驱动的智能制造应用实践

在智能传感、物联网、分布式存储计算、机器学习等技术推动下，大数据驱动的智能制造应用实践开始逐渐涌现，国内外学者在产品设计、计划调度、质量优化、设备运维等方面开展了大量工作。

5.1 智能设计

大数据驱动的产品智能设计。根据前端互联网用户评价等数据快速准确地分析和预测市场需求，通过后端制造、运维等数据动态关联产品结构、功能设计方案，并基于历史设计方案学习提高设计方案评价及智能决策能力，从而形成前后端横向集成的主动设计模式。TAO等[5]分析了大数据环境下产品全生命周期管理中数据的孤立性，提出了数字孪生驱动的产品设计、制造与服务模型，并通过实际案例介绍模型应用方法；ROBERT等[6]将互联网用户评价数据引入产品设计中，实现产品功能的量化分析，为设计决策提供支持；GEIGER等[7]针对汽车设计中部件的可靠性问题，利用现场测量数据与用户使用数据进行分析，以改进设计参数，提升产品可靠性；TUCKER等[8]研究了大数据驱动产品组合优化方法，利用设计决策树模型对产品的组合方式进行优化。

5.2 计划调度

大数据驱动的生产计划调度。依据车间制造过程数据，通过深度学习等方法挖掘车间实时状态参数与加工时间、等待时间、运输时间的复杂演变规律及映射关系，实现车间调度中产品完工时间的精准预测，并基于预测结果实现复杂动态环境下的车间实时调度。LU等[9]提出了数据驱动的车间动态调度方法，实现了基于车间实时状态的加工时间、等待时间、运输时间动态调控。WANG等[10]针对制造过程中工艺约束带来的传递效应，提出了工期预测的深度学习方法，实现了车间调度中产品完工时间的精准预测。鲁建厦等[11]针对云制造环境下混流混合车间的生产调度优化问题，提出了数据挖掘的多目标车间调度模型，实现了混流装配与零部件加工的集成优化以及外协云任务与自制任务的协同调度。YAO等[12]构建了一种随机多目标动态调度模型，实现了大规模定制中的调度优化问题。

5.3 质量优化

大数据驱动的产品质量优化。依据产品制造过程数据及质检数据实现产品追溯，通过关联分析识别影响质量的主要因素(原料性能参数、设备状态参数、工艺参数、车间环境参数等)，并建立质量影响因素与质量性能的映射模型以有效预测产品质量，进一步利用智能优化算法自适应地实时调整影响产品质量的控制参数，实现产品质量自适应控制与优化。ROKACH等[13]将数据挖掘方法应用于制造过程质量提升，并在集成电路制造方面取得了较好的效果。QIN等[14]在柴油机的质量控制中利用台架测试数据，对影响功率一致性的潜在参数进行关联分析，识别影响功率的关键参数，有效提高了功率一致性。王小巧等[15]提出了一种数据驱动下的复杂机械产品装配过程质量控制方法，提高了复杂机械产品的装配精度和服役安全性。GUSTAVO等[16]利用数据挖掘方法对8种柴油机质量性能参数进行预测，显著降低了检测时间和成本。

5.4 运行维护

大数据驱动的系统运维。通过实时监测的制造过程数据及设备性能参数等时间序列数据，揭示系统故障特征时序变化规律及征兆性表征，主动提前发现系统运行过程中的潜在异常，并通过历史异常数据聚类分析对潜在异常进行诊断，精准定位异常源，结合历史诊断数据作出运维决策进行预防性维护，从而在重大异常发生之前消除隐患。雷亚国等[17]对机械大数据的特点进行归纳总结，通过采用深度学习方法中的去噪自动编码机模型对机械设备的健康状况进行监测诊断，取得了较高的监测诊断精度；江丽等[18]采用拉普拉斯特征映射从机械设备海量故障数据中提取低维故障特征，并设计了半监督分类器，实现故障模式分类；张晗等[19]研究了航空发动机轴承的多种故障模式，提出基于稀疏分解理论的逐级匹配形态分析方法，实现航空发动机轴承故障的准确诊断；SCHLECHTINGEN等[20]基于连续测量的风力涡轮机35个月的SCADA数据，设计自适应神经模糊干扰系统模型来对涡轮机故障进行自动诊断；GONDAL等[21]对低信噪比条件下的轴承故障检测展开研究，通过振动频谱成像增强故障特征，并采用增强后的特征图像训练人工神经网络分类器。