浅析生产制造中的大数据关键技术及其应用
传统的生产制造是一个物理的产业,是一个机械的状态,有厂房、
生产线、设备、生产工人、车辆、配送、渠道、服务机构、网点等,
所有这些都是物理形态的。随着云计算的发展和大数据技术的提升,
我们今天要把这些物理形态的东西变成数字,整合企业资源。当然最
根本的原因是,今天消费者的行为、用户的行为发生了变化,是他们
的个性化需求,促使生产制造业顺应大数据的潮流,运用大数据对传
统生产制造进行变革与改进。
一、大数据的科学收集与分析是生产制造的核心驱动力
数据基本就是两类,一类是人类轨迹产生的数据,另一类是机器
自动产生的数据。这两类数据构成我们今天的大数据多结构化数据源。
自工业革命以来,为了改进运营,制造商一直以来都在有意采集并存
储数据。随着时间的推移,数据在制造业分析的需求将越来越大。然
而在过去的 250 年间,利用数据的根本动因并没有改变,但数据的复
杂性增强,将数据转化为情报的能力将有越来越大的需求。需要特别
强调的是大数据是多样化信息资产,大数据不仅要关注实际数据量的
多少,而且最重要的是关注大数据的处理方法,让数据产生巨大的创
新价值。在生产制造中,数据量大还是量小本身并不是判断大数据价
值的核心指标,而数据的实时性和多元性应该对大数据的定义和价值
更具直接的影响。如果不投资大数据及大数据分析,从中获得信息,
生产制造所追求的卓越运营将功亏一篑。如果通过利用大数据、预测
性分析及云技术衡量产品性能只为了解客户需求,这意味着你正在失
去数字化转型最大的价值。在工业大数据的领域里,我们除了要继续
关心“人为数据或与人相关的数据”,更多的要关注“机器数据或工
业数据”与人的行为数据的融合。数据本身不会为你带来价值,数据
的技术也不会让我们的制造业更先进,数据必须转成信息后才会对产
业产生价值。
图 1 信息物联网
制造业企业有着大量的数据,从内部而言,积累了大量的内源数
据,包括运维、管理、流程、质量等。而在互联网时代,外源数据更
多,包括供应商、竞争对手、客户反馈等等。事实上,制造业企业不
缺数据,问题在于数据质量低下,采集手段不科学。造成的现象是数
据丰富但信息贫乏。目前表现出两大问题:第一是数据的有效利用率
很低;第二是缺乏分析能力,需要大量的工具。
图 2 大数据分析服务器
由此可见,推动生产制造的并不是大数据本身,而是大数据的分
析技术。工业大数据給了我们一个看世界的新角度。通过 360 度全景
的数字视角,可能给我们带来新的优势,这就是它成为创新驱动核心
动力的来源。在生产制造的工业大数据中,数据类型多样性是大数据
的重要属性。大量的数据不是大数据,单一的数据类型也不足以构成
大数据。人们一直设法收集并弄清楚不断变化的数据类型。在制造业
中,大数据分析需要利用通用的数据模型,将库存记录、交易记录和
财务交易记录等结构性商业系统数据与预警、流程参数和质量事件、
社交媒体或其他协作平台获得的文本信息、图像数据、地理或地质信
息等非结构性操作系统数据以及供应商、公共网络数据结合起来,进
而通过先进的分析工具发现新的洞见。制造业企业在力求降低生产过
程中的浪费,提高制造工业环保与安全水平,根据生产状况实现系统
自我调整、实现自适应,以及全面服务个性化需求的过程中,都会实
时产生大量数据。大数据可以帮助我们实现客户的分析和挖掘,它的
应用场景包括了实时核心、交易、服务、后台服务等。其载体包括手
机、传感器、穿戴设备、3D 打印机和平板电脑等。传感器数据属于
工业大数据类别之一,这些机器数据可以帮助我们找到已经发生的问
题,协助预测类似问题未来重复发生的几率与时间,帮助我们保障生
产,满足法律法规的要求,提升环保水平,改善客户服务。因此,利
用大数据的工具,通过数据分析和挖掘,我们可以了解问题产生的过
程、造成的影响和解决的方式,找到创造附加价值的形式。利用大数
据的工具和思维,帮助制造业实现商业模式的转变,改造和提升客户
体验,完善内部操作流程,或许是最佳途径之一。
图 3 数据流范例
二、大数据在生产制造的应用
在传统的制造企业中,大量的数据分布于企业中的各个部门中,
要想在整个企业内及时、快速提取这些数据存在一定的困难。譬如,
企业资源规划系统(ERP) 数据、制造执行系统(EMS) 数据等分别位于
各自的系统中,除此之外,在一些智能化的工厂里,设备、原材料等
都被嵌入微型处理器、传感器,这些装置产生大量的数据。人们在将
制造过程数字化的同时也为数据处理和分析提出了难题。如何将这些
数据放置到一个技术处理平台上对于优化生产流程等有重要意义。
Teradata 大中华区大数据事业部总监孔宇华指出,新的技术可以把
人和人、物和物及事件之间的关联性找出来,但是前提是这种大数据
分析是建立在一个统一、可以实现数据流通的平台上。这个可供访问
的平台,能够整合不同系统内的数据。
最简单直接的方法就是创建产品生命周期管理(PLM) 平台,它也
是一种企业管理软件,但好处在于可以充分整合来自研发、工程、生
产部门的数据,对工业产品的生产进行虚拟模型化,优化生产流程,
确保企业内的所有部门以相同的数据协同工作,从而提升组织的运营
效率,缩短产品的研发与上市时间。西门子工业软件( 上海) 有限公
司的高级业务顾问周克虎说:“拿汽车行业为例,汽车研发是个极其
复杂的过程,一方面,它需要多个职能团队的通力合作。另一方面,
所有这些团队还要处理大量的数据。为了避免沟通不力,确保生产过
程的顺畅运行,工程团队不仅要管理团队内的数据,还必须时刻掌握
生
产
部
门
的
质
量
控
制团队的工作进展。”
图 4 某汽车企业的数据反馈
PLM 汇集从初稿到详细设计过程、再到实际生产的所有相关信息。
因此,企业可以通过 PLM 收集的此类数据来优化设计和生产过程。
例如,奇瑞汽车利用 PLM 平台, 将生产规划、模拟和实际生产,把
制造和产品研发联系起来。尺寸分析在车身设计中具有重要作用,奇
瑞的研发人员利用 PLM 工具进行尺寸分析,能够在设计的早期阶段
就能确定设计结构和生产方法是否符合技术规范,以便及早制定解决
图 5 奇瑞汽车大数据与整车的结合
方案来优化这些因素。同时利用这些模拟程序,还可以进行各种汽车
安全性能的测试等。
西门子的 PLM 软件平台上可以做的差异分析,它能在计算机生
成的三维模型的辅助下模拟生产工艺,能够在执行实际生产之前洞察
生产工艺中的薄弱点。奇瑞就曾利用它查出某车型头灯生产中的问题,
为公司避免了十多万美元的损失。因为能够在虚拟的环境中模拟产品
设计、生产流程,工厂规划效率得以提升,生产线生产效率也会提高。
图 6
大数据
支撑的汽车工艺
大数据是制造业智能化的基础,进而实现大规模的定制。由于消
费者人数众多,每个人需求不同,导致需求的具体信息也不同,加上
需求不断变化,就构成了产品需求的大数据。制造业企业对这些数据
进行处理,进而传递给智能设备,进行数据挖掘、设备调整、原材料
准备等步骤,才能生产出符合个性化需求的定制产品。“未来的制造
将是数据驱动的。”Hermann Wimmer 说。
大数据支撑的 MES 可以实现生产制造全过程反馈与修正,例如在
摩托车生产厂商哈雷·戴维森公司位于宾尼法尼亚州约克市新翻新
的摩托车制造厂,软件不停的在记录着微小的制造数据,如喷漆室风
扇的速度等等。当软件察觉风扇速度、温度、湿度或其它变量脱离规
定数值,它就会自动调节机械。
哈雷·戴维森全球制造副总裁约翰·丹斯比二世(John Dansby
II)表示,“MES 系统让我们更加稳定。”他说,过去喷漆工作总是