离散型装备制造企业数据中心的构建与实现

冯贤凤

(贵州黎阳航空动力有限公司，贵州 贵阳 550000)

近年来，以数字化、网络化和智能化为本质特征的第四次工业革命正在兴起,通过对人、机、物、环境的全面互联，构建起全要素、全业务和全流程连接的新型生产制造和服务体系，是数字化转型的实现途径，是实现新旧动能转换的关键力量[1]。目前，大多数离散型装备制造企业已经建立了各类业务管理系统，如PDM、ERP和MES 等，具有一定数据资源管理、数据统计和可视化展示能力，然而各大系统积累了大量业务数据，分散独立存储，需要做数据分析要严重依赖业务系统，导致集成的压力越来越大，无统一系统进行数据集中管控，使得数据分析难以有效开展，取数据难，用数据难，很多需要各类业务数据综合利用的场景难以实现[2]。总结下来，离散型装备制造企业的困难和痛点如下：

(1)集成压力大，集成和运维的难度大

受制于历史原因，各部门各自购买、开发适合自己的系统是十分普遍的现象，企业已经建设了以PLM、ERP、MES、HR和OA等为主的多个业务系统，实现了全方位的信息化管理。但仍存在：数据分散且不统一(整合难)、数据杂乱且质量差(治理难)、数据应用能力不足(价值低)等问题。在使用数据时仍需要大量人工进行编制和维护，导致企业在应用系统集成上非常困难，难以实现各系统的统一运维。

(2)应用系统的数据存储和分析困难

基于企业需求驱动的模式，迫使各应用系统一方面承担着支撑业务的日常运行，处理各类联机事务处理(on-line transaction processing，OLTP)需求；另一方面还要承担联机分析处理(on-line analytical processing，OLAP)的需求，导致在单个应用系统上不断的基于各类业务需求进行大量的二次开发，日积月累应用系统负荷越来越大，这种读写不分离，事务与分析处理不分离的模式造成应用系统的不稳定，影响系统的运行效率。

(3)业务系统里面的数据质量问题制约

由于各业务系统是不同供应商承建的，各业务系统存在数据标准不统一，存在诸如数据不准确、数据不完整、数据不一致、数据不唯一、数据有效性差和数据时效性低等数据质量问题。当出现数据质量问题时，数据无法溯源，找不到原因，出现数据问题没有认责和追责。缺乏统一数据质量管理体系，难以以问题数据为切入点，形成数据质量持续提升的闭环。

(4)难以满足多维度，快速分析需求

各业务系统各自建设各自为阵，各业务系统之间数据难以打通，形成严重的数据“孤岛”；沉淀了大量的结构化数据、半结构化数据和非结构化数据传统业务系统难以处理复杂多样的数据。所以基于单个业务系统在面向企业经营分析、管理决策和多业务域多维度等数据综合分析需求时，难以快速响应[3]。

要解决企业以上4类信息化系统和数据的困境，就要打通不同业务系统数据并建设一个统一开放的数据中心平台，能够达到技术降本、应用提效和业务赋能的升级目标。

1 数据中心规划

数字化转型要坚持业务和技术的双轮驱动，而连接双轮的“轴”就是数据。只有建立起统一、清洁和智能的数据管理平台，才能支撑公司不断发展的新业务需求，实现数据实时可视化、业务自动化，实现真正的智能制造[4]。

围绕业务数据化、数据资产化、资产价值化目标，立足公司数据现状和业务发展需求，以业务为链条，数据为核心，数据资产管理为依托，顶层规划主要从数据管理成熟度评估、数据治理体系以及数据资源3个层面进行规划。

1.1 数据管理成熟度评估

参考《成熟度评估等级GB/T 36073-2018》，制定数据管理成熟度评估模型，包含4个数据管理能力域，每个能力域包含数据管理领域的若干能力项，如表1所示。

能力项分为初始级、受管理级、稳健级、量化管理级和优化级5个能力等级，各能力等级的综合特征如图1所示。

通过对标能力项及各能力项等级，根据现状分析结果开展定性或定量对标并给出评价等级，同时会根据当前能力项分析结论提供优化建议。

1.2 数据治理体系规划

数据治理以统一规划、标准建设为原则，以先进的信息技术发展为引领，根据企业业务特点，建立健全数据治理体系，提升企业数据资产管理和应用水平[5]，具体措施如下：

(1)完善数据治理组织，包括组织架构、岗位设置、团队建设和数据职责等内容，为各项数据职能工作开展提供组织基础；对组织在数据管理和数据应用中行使的职责进行规划和控制，指导各项数据职能的执行，以确保组织能有效落实数据战略目标。

(2)建设完整的数据制度，保障数据管理和数据应用各项职能的规范化运行，明确行动准则、工作方式，确保数据管理和数据应用各项工作有序开展。

(3)建设全套数据标准，统一定义各类数据，明确数据管理流程和数据权责关系，规范企业各业务、各应用系统的数据管理，提升数据质量。

(4)构建数据技术标准，规范各类数据采集、集成工具的使用，统一集成的技术，降低集成运维风险，减少集成改造成本。

(5)制定数据质量标准，在数据全生命周期内，量化评价数据质量控制效果，实现数据质量的全面监控和持续提升。

1.3 数据资源规划

通过数据资源规划，盘点企业的数据资产，为实现数据资产化的有序管理奠定基础，具体内容如下：

(1)识别企业科研项目、研发与工艺、供应链、生产制造和售后服务等主价值链业务的数据实体，盘点核心数据资产。

(2)梳理数据实体作用域分布，明确数据资产在业务执行过程中的作用，规划数据在业务系统间的流转关系。

1.3.1 业务域划分

通过对大多数离散型制造企业主价值链业务的分析与归纳，业务域主要分为支撑层、运营层和战略层，其中支撑层反映产品实现和企业管理所需的服务，包括人力资源管理、财务管理、供应链管理、质量管理和知识管理等业务，是战略实现和产品实现的支撑业务；运营层反映产品的实现过程，包括科研项目管理、市场营销管理、经营管理、科研与工艺技术管理、生产制造和售后服务等业务，是公司的主价值链业务；战略层反映公司的宏观战略[6]。

按照企业业务分层模式，分为一级、二级业务域，其中一级业务域24个，二级业务域56个，分别如图2、图3所示。

1.3.2 数据实体划分

数据实体是对企业业务执行过程中的核心数据资料的归纳与抽象，结合企业的业务特点，识别出数据实体498个，如表2所示(限于篇幅，只展示部分样例)。

表2 部分数据实体样例表

1.3.3数据流图

数据流图以数据流的方式，呈现数据实体在业务域间的输入、输出关系。通过对各业务域的业务内容、业务流程的梳理，识别出业务域内部的数据流向以及业务域外部的数据流向。以市场营销与客户关系管理业务域内外部数据数据流向关系为例描述业务数据流图(如图4所示)。

市场营销与客户关系管理业务域内部数据流向关系说明如表3所示。

表3 市场营销与客户关系管理业务域内部数据流图说明

2 数据中心平台建设

2.1 数据架构

数据架构主要面向元数据、主数据、业务数据和主题分析数据之间的关系展开描述[7]。其中元数据是描述数据的数据，具体为各类数据的属性定义以及各属性的约束。包含元数据元素和元数据属性，元数据元素是元数据的基本组成单元，是表征数据实体的字段名；主数据是指在业务活动中相对静止不变的、在企业范围内有必要共享的数据，是核心业务实体的描述。例如客户、供应商、设备、刀具和产品等；业务数据是业务处理过程中或事务处理所产生的数据，是面向应用的操作型数据，有很高响应及时性要求。例如：生产计划、设计BOM等；主题分析数据是指通过对各类业务数据进行采集、转换及加载处理，根据分析需求统一定义和组织的相关数据。从业务数据中按照分析需要抽取出来，并分主题存储。如工艺主题中的工艺文件完备情况、供应链主题中的库存结构分析等。数据中心建设架构图如图5所示。

2.2 数据中心平台分析

数据中心平台主要提供数据采集、存储、加工、计算及大数据分析应用等能力建设，包含6大应用：数据服务应用、数据监控应用、数据分析应用、数据管理应用、数据存储应用和数据采集应用[8]。

其中数据服务是指数据的上传、下载、浏览和搜索等服务的统称，包含数据订阅、数据下载、数据检索、数据分析和知识推送功能；数据监控是指对数据采集、存储状态、接口状态、环境和数据备份等情况进行运维监控，包含数据存储监控、数据采集监控、环境监控和数据备份监控等功能；数据分析是指使用适当的统计分析方法(如聚类分析、相关性分析等)对收集来的大量数据进行分析，从中提取有用信息和形成结论，并加以详细研究和概括总结的过程，包含数据准备、数据计算、可视化分析及成果共享功能；数据管理是规划、管控和提供数据及信息资产的一组业务职能，是对数据进行分类、编码、存储、检索和维护，从而管控、保护、交付和提高数据和信息资产的价值，包含模型管理、编码管理、数据维护、流程管理、质量管理及集成管理功能；数据存储是采用大数据存储与关系型存储共同组成的混合存储(存储模式如图6所示)，关系型存储面向主数据、业务数据和主题分析数据，分为主数据管理库(master data management， MDM)、操作性数据库(operational data store,ODS)、数据仓库(data warehouse,DW)和数据挖掘库DM(data mining,DM)，其中MDM库存储企业内主数据，ODS库存储业务数据，DW存储历史细节业务数据及轻度汇总业务数据，DM库存储分析结果数据；大数据存储面向大批量的结构化数据、非结构化数据(视频、文档等)、实时数据，其主要包括行式数据库、列式数据库和分布式文件系统；数据采集是利用采集工具或者接口，从系统外部采集数据并输入到系统内部，包含数据库、接口、录入/导入和文件传输采集方式。

2.3 数据资源库构建

数据资源库构建是对企业内的数据资源进行分类、建模的过程。企业数据资源一般分为主数据、业务数据和主题分析数据。资源库的构建如图7所示。

其中主数据建库规则为：

(1)依据主数据对象进行主数据库搭建。

(2)父实体包含的属性，不需要在子实体中添加，子实体会继承父实体的属性和关系，子实体可以拥有自己特有的属性。

(3)表设计应符合第三范式。

(4)对于枚举型的属性，采用建模的方式，与关联实体构造满足第三范式的一对多的关系，真实反映业务关系和规则。

业务数据是业务处理过程中或事务处理所产生的数据，是面向应用的操作型数据，有很高响应及时性要求。例如：销售订单、派工单、采购合同等。建库规则为：

(1)依据系统进行分类构建，业务数据表建立在相应的系统分类下。

(2)依据业务系统数据库表结构搭建业务数据表，与业务系统表保持一致性。

(3)建立与业务系统相同的数据字典表，保持同步性。

(4)业务数据表主键字段不为空，其余字段均可为空。

主题分析数据是指通过对各类业务数据进行采集、转换、加载处理，根据分析需求统一定义和组织的相关数据。它从业务数据中按照分析需要抽取出来，并分主题存储。如产品生产能力、主要经济指标等主题数据。建库规则为：

(1)采用维度建模方式构建星型模型。

(2)父实体包含的属性，不需要在子实体中添加，子实体会继承父实体的属性和关系。子实体可以拥有自己特有的属性。

(3)实体所代表的逻辑概念在业务场景中经常被用到或与其他实体有多个关联关系，为了使得这个实体的数据不被冗余、模型具有更大的灵活性，模型设计应符合第三范式[9]。

3 数据中心平台的运行与实效

数据中心平台建设覆盖企业生产、质量、供应链、财务、安全和人事等多类业务主题，以“谁关心什么，谁使用什么，谁观看什么”为业务场景构建理念，为企业领导和各业务领域主管领导分场景进行展示各类看板，实现管理层对企业经营情况进行透明化管理，为管理层在科研生产指挥和调度决策提供支撑。

其中企业级管控看板主要关注企业总体运营情况的数据，包括生产层面的信息：生产计划完成情况(展示每月计划的按期完成数、延期完成数和超期未完成数等)、配套齐备情况(展现各类产品的材料配套情况、零件配套情况、工装配套情况)、各车间零件交付数量(多个维度展现各车间零件交付数量)和生产准时情况(从准时配套率和准时完成率两个角度展现生产按计划执行的准时情况)等；质量层面的信息：从一次交验合格率、综合废品率、审理情况等多方面展示产品质量情况；财务层面的信息：从材料的费用、人员的工时和水风电气的费用等多维度展示；另外展示党建、精益改善、问题和人员先进排行等各类信息[10]，如图8所示。

车间级看板聚焦车间生产全资源(汇总展示车间最关注的生产资源齐备率、计划完成率等指标)、S安全(展示设备点检率、设备使用率、5S点检情况等安全指标)、Q质量(展示一次交验合格率、废品损失等质量指标)、C成本(展示刀具等物资消耗费用、各类人工成本等指标)、D交付(展示月/周/日计划完成率，以及各类完成情况明细)和P人员(展示人员综合情况分析，以及从产量、技能、质量和成本多个维度对人员能力进行排序)等核心板块的关键指标，并可以对部分指标按照一定维度构建多级钻取分析，形成多级看板，其中车间计划完成情况看板(月/周/日)如图9所示，安全看板S如图10所示。

通过平台的运行，对各类数据进行清洗、筛选、关联、融合、索引、挖掘，构建应用分析模式，实现由数据到信息知识的有效转化，对采集和汇聚的设备运行数据、生产进度数据、质量检测数据和物料配送数据等各类数据，利用大数据技术分析和反馈并在生产流程、质量管理、供应链、设备维护和能耗管理等具体场景应用，对各项业务过程进行评估、预测和调整，并对发现的问题提供解决方案，实现全产业链的协同优化，完成数据由信息到价值的转变。

4 结语

随着物联网、大数据、人工智能和数字孪生等新技术的发展，网络化和数字化给企业带来更多的精彩和无限可能，在这样的时代背景下，数字化转型正在改变企业和许许多多行业的运作模式。数据已经成为企业的重要资产，是企业未来向智能工厂发展的重要财富，挖掘数据价值、提高生产过程精准管控能力的模式可以不断向横向与纵向推广应用，直至覆盖企业经营管理、产品设计、生产制造、供应商管理和服务保障等各个业务域[11]。

本文通过构建覆盖企业全流程、全业务和全要素的数据中心管理平台，打通跨领域的信息断点，建立“端到端”的数字化管理体系，管理方式从定性走向定量，从“语文”走向“数学”，实现数据驱动业务高效运作，加速推动企业数字化转型。