制造業(yè)中智能數(shù)據(jù)中臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)

文 嘯

（博世汽車部件（長(zhǎng)沙）有限公司，湖南 長(zhǎng)沙 410000）

1 引言

數(shù)字化、智能化是當(dāng)前全球發(fā)展的最強(qiáng)驅(qū)動(dòng)力之一，數(shù)字化、智能化的建設(shè)不僅決定了企業(yè)自身戰(zhàn)略水平，也是影響數(shù)字經(jīng)濟(jì)、數(shù)字社會(huì)發(fā)展的關(guān)鍵變量[1]。智能數(shù)據(jù)中臺(tái)的建設(shè)以數(shù)據(jù)為基礎(chǔ)，實(shí)現(xiàn)各個(gè)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)融合打破數(shù)據(jù)壁壘，對(duì)海量的生產(chǎn)實(shí)時(shí)數(shù)據(jù)進(jìn)行采集，對(duì)供應(yīng)鏈系統(tǒng)數(shù)據(jù)、銷售數(shù)據(jù)進(jìn)行融合，從而建立實(shí)時(shí)、離線的分層級(jí)數(shù)據(jù)倉(cāng)庫(kù)；以實(shí)際的業(yè)務(wù)應(yīng)用場(chǎng)景為落腳點(diǎn)；利用云計(jì)算的可擴(kuò)展性、彈性和低成本等優(yōu)點(diǎn)，為智能數(shù)據(jù)中臺(tái)的數(shù)據(jù)處理和存儲(chǔ)提供強(qiáng)有力的支撐；將自研機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法模型為核心，實(shí)現(xiàn)邊緣計(jì)算，云端存儲(chǔ)及數(shù)據(jù)挖掘，對(duì)產(chǎn)線用戶端進(jìn)行數(shù)據(jù)服務(wù)，從而打造最與企業(yè)自身需求相契合的智能數(shù)據(jù)中臺(tái)，幫助企業(yè)實(shí)現(xiàn)轉(zhuǎn)型的同時(shí)，達(dá)到提質(zhì)降本的最終目的。

2 研究與方法

2.1 企業(yè)數(shù)據(jù)應(yīng)用的問(wèn)題分析

在工業(yè)4.0提出以來(lái)，各個(gè)傳統(tǒng)制造業(yè)企業(yè)數(shù)字化轉(zhuǎn)型迅猛發(fā)展，在飛速發(fā)展的背后業(yè)難以避免地產(chǎn)生了一些問(wèn)題和新的數(shù)據(jù)需求。

1）制造業(yè)數(shù)據(jù)現(xiàn)狀。制造業(yè)是一個(gè)數(shù)據(jù)密集型行業(yè)，數(shù)據(jù)化程度高，生產(chǎn)過(guò)程中會(huì)產(chǎn)生大量的數(shù)據(jù)，包括生產(chǎn)線上的傳感器數(shù)據(jù)、機(jī)器人數(shù)據(jù)、質(zhì)量檢測(cè)數(shù)據(jù)和生產(chǎn)計(jì)劃數(shù)據(jù)等。從數(shù)據(jù)類型來(lái)看，非結(jié)構(gòu)化數(shù)據(jù)占比逐步上升，其中產(chǎn)線上傳感設(shè)備采集的實(shí)時(shí)信號(hào)數(shù)據(jù)、震動(dòng)數(shù)據(jù)，具有高頻、嚴(yán)重依賴采集時(shí)間、檢測(cè)點(diǎn)多、數(shù)據(jù)量大并且穩(wěn)定性高的特點(diǎn)。如果沒(méi)有一個(gè)數(shù)據(jù)管理平臺(tái)，這些數(shù)據(jù)將難以被有效地利用，從而影響制造企業(yè)的運(yùn)營(yíng)和管理。

2）數(shù)據(jù)源現(xiàn)狀。傳統(tǒng)制造業(yè)的業(yè)務(wù)數(shù)據(jù)往往分散在不同的系統(tǒng)和部門，數(shù)據(jù)格式和標(biāo)準(zhǔn)不統(tǒng)一，數(shù)據(jù)之間缺乏有效的共享和交流，難以實(shí)現(xiàn)數(shù)據(jù)的集成和統(tǒng)一管理。數(shù)據(jù)中臺(tái)可以通過(guò)標(biāo)準(zhǔn)化的數(shù)據(jù)采集手段將企業(yè)內(nèi)部和外部的數(shù)據(jù)匯聚到一個(gè)平臺(tái)上，進(jìn)行集中管理和統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)，從而打通數(shù)據(jù)孤島，為企業(yè)提供更加全面和準(zhǔn)確的數(shù)據(jù)。

3）數(shù)據(jù)分析現(xiàn)狀。由于上述制造業(yè)數(shù)據(jù)現(xiàn)狀，制造業(yè)數(shù)據(jù)呈多樣性和復(fù)雜性，數(shù)據(jù)分析往往需要借助多種技術(shù)和工具，比如機(jī)器學(xué)習(xí)、人工智能和大數(shù)據(jù)分析等，并且要全方位收集數(shù)據(jù)。數(shù)據(jù)中臺(tái)可以將不同來(lái)源的數(shù)據(jù)進(jìn)行統(tǒng)一存儲(chǔ)和管理，為企業(yè)提供統(tǒng)一的數(shù)據(jù)分析接口，降低數(shù)據(jù)分析的復(fù)雜度和成本，提高數(shù)據(jù)分析的效率和準(zhǔn)確性。

4）數(shù)據(jù)服務(wù)現(xiàn)狀。現(xiàn)階段制造企業(yè)中數(shù)據(jù)服務(wù)分散在各個(gè)業(yè)務(wù)系統(tǒng)中，數(shù)據(jù)交互錯(cuò)綜復(fù)雜，并且缺乏統(tǒng)一的數(shù)據(jù)服務(wù)標(biāo)準(zhǔn)。數(shù)據(jù)中臺(tái)可以將企業(yè)內(nèi)部的數(shù)據(jù)與外部的數(shù)據(jù)進(jìn)行整合，開(kāi)放數(shù)據(jù)接口，為企業(yè)提供更多的業(yè)務(wù)合作和商業(yè)機(jī)會(huì)，加速業(yè)務(wù)創(chuàng)新，提高企業(yè)競(jìng)爭(zhēng)力。

汽車零部件制造企業(yè)作為典型的傳統(tǒng)流程型企業(yè)[2]，在實(shí)際生產(chǎn)、運(yùn)營(yíng)過(guò)程中實(shí)際面臨上述問(wèn)題。建設(shè)智能數(shù)據(jù)中臺(tái)，幫助工廠對(duì)生產(chǎn)制造數(shù)據(jù)、運(yùn)營(yíng)數(shù)據(jù)、物流數(shù)據(jù)和客戶數(shù)據(jù)進(jìn)行統(tǒng)一收集，再提供海量實(shí)時(shí)數(shù)據(jù)分析服務(wù)及統(tǒng)一標(biāo)準(zhǔn)化的數(shù)據(jù)服務(wù)，幫助企業(yè)在生產(chǎn)、運(yùn)營(yíng)、管理和銷售環(huán)節(jié)提供數(shù)字化的決策支持；實(shí)現(xiàn)數(shù)據(jù)流、物流、原材料流和服務(wù)流的高度集成，來(lái)解決數(shù)據(jù)孤島問(wèn)題、提高數(shù)據(jù)質(zhì)量、加速數(shù)據(jù)分析和支持業(yè)務(wù)創(chuàng)新等，從而提高企業(yè)的運(yùn)營(yíng)效率和管理水平，增強(qiáng)企業(yè)的核心競(jìng)爭(zhēng)力。

2.2 智能數(shù)據(jù)中臺(tái)的構(gòu)建與技術(shù)

智能數(shù)據(jù)中臺(tái)是一種數(shù)據(jù)集成、數(shù)據(jù)挖掘、人工智能和數(shù)據(jù)應(yīng)用的平臺(tái)，其主要特點(diǎn)包括強(qiáng)大的數(shù)據(jù)整合能力、數(shù)據(jù)智能分析和數(shù)據(jù)智能應(yīng)用[3]。在企業(yè)中，智能數(shù)據(jù)中臺(tái)可以幫助整合各類數(shù)據(jù)源，包括結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)等。同時(shí)，利用大數(shù)據(jù)分析技術(shù)和人工智能技術(shù)，智能數(shù)據(jù)中臺(tái)可以對(duì)數(shù)據(jù)進(jìn)行精準(zhǔn)分析和挖掘，以發(fā)現(xiàn)數(shù)據(jù)中隱藏的規(guī)律和價(jià)值。最后，將分析結(jié)果轉(zhuǎn)化為智能應(yīng)用，以幫助企業(yè)實(shí)現(xiàn)業(yè)務(wù)增長(zhǎng)、提高效率等目標(biāo)。其中適合汽車零部件制造企業(yè)的數(shù)據(jù)中臺(tái)整體的數(shù)據(jù)架構(gòu)圖，如圖1所示。

圖1 汽車零部件制造企業(yè)的數(shù)據(jù)中臺(tái)整體的數(shù)據(jù)架構(gòu)圖

在汽車零部件企業(yè)的智能數(shù)據(jù)中臺(tái)的架構(gòu)中，具有數(shù)據(jù)收集、數(shù)據(jù)倉(cāng)庫(kù)建設(shè)、數(shù)據(jù)計(jì)算及數(shù)據(jù)應(yīng)用與服務(wù)[4]。圖1中右側(cè)為實(shí)現(xiàn)具體過(guò)程需要依托的技術(shù)或者組件，但在傳統(tǒng)的制造業(yè)企業(yè)往往是缺乏大量IT技術(shù)人員與運(yùn)維人員。根據(jù)企業(yè)實(shí)際情況，綜合分析利弊，對(duì)智能數(shù)據(jù)中臺(tái)基礎(chǔ)組件建設(shè)提出了三種技術(shù)方案，進(jìn)行詳細(xì)對(duì)比，分析優(yōu)劣，見(jiàn)表1。

表1 企業(yè)中數(shù)據(jù)中臺(tái)建設(shè)常見(jiàn)方案對(duì)比

從表1中三個(gè)方案來(lái)看，方案3利用云端PaaS服務(wù)作為建設(shè)智能數(shù)據(jù)中臺(tái)的基礎(chǔ)，從成本、可行性和運(yùn)維的角度綜合分析為最佳解決方案[5]。

（1）數(shù)據(jù)集成 汽車零部件企業(yè)數(shù)據(jù)集成方案的設(shè)計(jì)和實(shí)施，是構(gòu)建智能數(shù)據(jù)中臺(tái)的重要組成部分。在整個(gè)生產(chǎn)過(guò)程中，會(huì)涉及到多個(gè)部門和環(huán)節(jié)，每個(gè)環(huán)節(jié)都會(huì)產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)來(lái)源復(fù)雜、數(shù)據(jù)結(jié)構(gòu)各異、存儲(chǔ)方式各不一致，所以導(dǎo)致了難以進(jìn)行有效的整合和管理。因此，需要一種高效、可靠的數(shù)據(jù)集成方案，來(lái)實(shí)現(xiàn)數(shù)據(jù)的整合和共享，提高數(shù)據(jù)的價(jià)值和利用率。數(shù)據(jù)集成數(shù)據(jù)流向圖如圖2所示。

圖2 數(shù)據(jù)集成數(shù)據(jù)流向圖

在汽車零部件制造企業(yè)中數(shù)據(jù)包括：MES、SAP、物流系統(tǒng)和質(zhì)量系統(tǒng)等數(shù)據(jù)。根據(jù)實(shí)時(shí)性將數(shù)據(jù)分成兩類：實(shí)時(shí)數(shù)據(jù)和非實(shí)時(shí)數(shù)據(jù)。實(shí)時(shí)數(shù)據(jù)如生產(chǎn)制造的過(guò)程數(shù)據(jù)、MES設(shè)備上的傳感器數(shù)據(jù)，通過(guò)推送Kafka集群的不同Topic的方式，實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)的采集，再將實(shí)時(shí)數(shù)據(jù)上傳至云端。非實(shí)時(shí)數(shù)據(jù)如SAP、物流系統(tǒng)、質(zhì)量系統(tǒng)和銷售系統(tǒng)中的數(shù)據(jù)，主要通過(guò)ETL工具或定制化開(kāi)發(fā)的同步程序，將數(shù)據(jù)同步到對(duì)應(yīng)的離線數(shù)據(jù)存儲(chǔ)服務(wù)器中，處理后再將這部分?jǐn)?shù)據(jù)同步至云上數(shù)據(jù)工廠進(jìn)行數(shù)據(jù)加工[6]。此外，還有少部分外部數(shù)據(jù)，如天氣、氣溫等數(shù)據(jù)，通過(guò)爬蟲程序每日定時(shí)獲取，存儲(chǔ)于云端。

（2）數(shù)據(jù)倉(cāng)庫(kù)建設(shè) 在數(shù)據(jù)集成至云端后，要完成智能數(shù)據(jù)中臺(tái)建設(shè)中重要的一步，數(shù)據(jù)倉(cāng)庫(kù)建設(shè)，數(shù)據(jù)倉(cāng)庫(kù)可以對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行轉(zhuǎn)換，包括數(shù)據(jù)格式的轉(zhuǎn)換、數(shù)據(jù)類型的轉(zhuǎn)換、數(shù)據(jù)清洗和數(shù)據(jù)合并等。下面闡述在傳統(tǒng)汽車零部件制造企業(yè)中數(shù)據(jù)倉(cāng)庫(kù)建設(shè)的具體方法，主要分為4個(gè)數(shù)據(jù)層級(jí)[7]。

1）數(shù)據(jù)貼源層。數(shù)據(jù)源層是指從企業(yè)各個(gè)部門、各個(gè)系統(tǒng)中獲取數(shù)據(jù)的層級(jí)。數(shù)據(jù)源可以是企業(yè)內(nèi)部的ERP系統(tǒng)、CRM系統(tǒng)、MES、SAP系統(tǒng)、產(chǎn)線設(shè)備上傳感器采集的實(shí)時(shí)信號(hào)數(shù)據(jù)，也可以是企業(yè)外部的供應(yīng)商、客戶、天氣和溫度數(shù)據(jù)等。在這一層級(jí)的數(shù)據(jù)格式保留與原始數(shù)據(jù)一致，不做任何的加工。

2）數(shù)據(jù)抽取、轉(zhuǎn)換和加載層（ETL層）。ETL層是指將數(shù)據(jù)從數(shù)據(jù)貼源層將原始中抽取出來(lái)，并對(duì)數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換和整合等處理，最終將處理后的數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)中的過(guò)程。ETL層是數(shù)據(jù)倉(cāng)庫(kù)的核心層級(jí)，負(fù)責(zé)確保數(shù)據(jù)的質(zhì)量和一致性。在數(shù)據(jù)轉(zhuǎn)換、整合的過(guò)程中過(guò)與業(yè)務(wù)部門和數(shù)據(jù)分析師進(jìn)行詳細(xì)的需求分析，明確數(shù)據(jù)倉(cāng)庫(kù)的目標(biāo)、功能和使用場(chǎng)景。

3）數(shù)據(jù)存儲(chǔ)層。數(shù)據(jù)存儲(chǔ)層是指存儲(chǔ)處理后的數(shù)據(jù)層級(jí)，通常采用星型模型、雪花模型等方式進(jìn)行建模。數(shù)據(jù)存儲(chǔ)層是數(shù)據(jù)倉(cāng)庫(kù)的主體，存儲(chǔ)了歷史和當(dāng)前的數(shù)據(jù)，并依托云端資源支持復(fù)雜數(shù)據(jù)的分析和查詢，并實(shí)現(xiàn)快速響應(yīng)。

4）數(shù)據(jù)應(yīng)用層。數(shù)據(jù)應(yīng)用層是指存放直接提供用戶使用的數(shù)據(jù)表，與存儲(chǔ)層相比屬于較為輕量化的數(shù)據(jù)層級(jí)。這里的用戶包括系統(tǒng)用戶和數(shù)據(jù)查看用戶，為數(shù)據(jù)查看用戶提供報(bào)表、儀表盤和圖表等直觀的數(shù)據(jù)展示，幫助其做一些決策支持，可以根據(jù)用戶需求進(jìn)行定制。為系統(tǒng)用戶通常提供標(biāo)準(zhǔn)化的API接口服務(wù)，供系統(tǒng)獲取實(shí)時(shí)或批量數(shù)據(jù)，供自身系統(tǒng)使用。

通過(guò)數(shù)據(jù)倉(cāng)庫(kù)的建設(shè)，幫助企業(yè)統(tǒng)一數(shù)據(jù)視圖，幫助企業(yè)內(nèi)部共享數(shù)據(jù)、協(xié)同工作，提高業(yè)務(wù)流程效率和決策質(zhì)量，提高數(shù)據(jù)質(zhì)量和數(shù)據(jù)一致性，這有助于企業(yè)減少數(shù)據(jù)錯(cuò)誤和冗余，提高數(shù)據(jù)準(zhǔn)確性和可靠性；提供統(tǒng)一的、標(biāo)準(zhǔn)化的數(shù)據(jù)服務(wù)，同樣提高工作效率；最后，形成核心數(shù)據(jù)資產(chǎn)，通過(guò)數(shù)據(jù)挖掘與分析幫助企業(yè)制定更合理和有效的業(yè)務(wù)決策。

（3）數(shù)據(jù)挖掘 在智能數(shù)據(jù)中臺(tái)中，數(shù)據(jù)挖掘是重要的組成部分，是指從大量數(shù)據(jù)中提取有價(jià)值的信息和知識(shí)，以支持企業(yè)的決策和業(yè)務(wù)發(fā)展。具體而言，數(shù)據(jù)挖掘通常包括幾個(gè)階段[8]：

1）數(shù)據(jù)清洗與預(yù)處理。數(shù)據(jù)將被預(yù)處理以確保其質(zhì)量和可用性。數(shù)據(jù)清洗包括數(shù)據(jù)去重、數(shù)據(jù)填充、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)集成等，以確保數(shù)據(jù)的一致性和準(zhǔn)確性。在數(shù)據(jù)預(yù)處理中，數(shù)據(jù)特征將被選擇和提取，以便于后續(xù)的數(shù)據(jù)挖掘分析。

2）數(shù)據(jù)挖掘算法選擇。根據(jù)不同的業(yè)務(wù)需求和數(shù)據(jù)特征，選擇適合的數(shù)據(jù)挖掘算法，如分類、聚類和關(guān)聯(lián)規(guī)則挖掘等。其中分類算法用于將數(shù)據(jù)劃分為不同的類別，聚類算法用于將相似的數(shù)據(jù)分組，關(guān)聯(lián)規(guī)則挖掘則用于發(fā)現(xiàn)數(shù)據(jù)中的關(guān)聯(lián)關(guān)系。

3）數(shù)據(jù)模型訓(xùn)練和評(píng)估。根據(jù)所選的算法和數(shù)據(jù)集，訓(xùn)練模型并對(duì)其進(jìn)行評(píng)估，以確定模型的性能和精度。在訓(xùn)練過(guò)程中，數(shù)據(jù)集將被分為訓(xùn)練集和測(cè)試集，以驗(yàn)證模型的準(zhǔn)確性和泛化能力。

4）數(shù)據(jù)模型應(yīng)用。將訓(xùn)練好的模型應(yīng)用到實(shí)際數(shù)據(jù)中，以獲得預(yù)測(cè)結(jié)果、關(guān)聯(lián)規(guī)則或聚類結(jié)果等。這些結(jié)果可以用于支持企業(yè)的決策和業(yè)務(wù)發(fā)展。

在智能數(shù)據(jù)中臺(tái)，上述機(jī)器學(xué)習(xí)模型訓(xùn)練好部署在云PaaS服務(wù)中，如圖3所示，云端數(shù)據(jù)模型結(jié)果通過(guò)標(biāo)準(zhǔn)化的API服務(wù)返回到用戶端、產(chǎn)線端進(jìn)行調(diào)用。在新的數(shù)據(jù)模型驅(qū)動(dòng)下，產(chǎn)線、用戶端產(chǎn)生新的數(shù)據(jù)，新的數(shù)據(jù)又采集到數(shù)據(jù)中臺(tái)中，數(shù)據(jù)模型再根據(jù)新的數(shù)據(jù)對(duì)模型就行調(diào)優(yōu)與適配，整個(gè)過(guò)程，實(shí)現(xiàn)算法端的自動(dòng)優(yōu)化與調(diào)整。

圖3 數(shù)據(jù)模型數(shù)據(jù)流示意圖

利用云端部署算法模型除上述優(yōu)點(diǎn)之外，還有云端硬件資源優(yōu)化[9]，云上合理分配CPU、GPU及內(nèi)存等計(jì)算和存儲(chǔ)資源；通過(guò)云端PaaS服務(wù)，合理分配相關(guān)資源，進(jìn)行并行計(jì)算、分拆計(jì)算，提高計(jì)算效率；此外，在云端部署機(jī)器學(xué)習(xí)算法還能實(shí)現(xiàn)對(duì)算法系統(tǒng)的監(jiān)控，第一時(shí)間發(fā)現(xiàn)和解決性能瓶頸，優(yōu)化系統(tǒng)性能和有效提高效率。

2.3 智能數(shù)據(jù)中臺(tái)的應(yīng)用

汽車零部件制造企業(yè)屬于數(shù)據(jù)密集型的制造業(yè)行業(yè)，本文提出的智能數(shù)據(jù)中臺(tái)可以幫助制造業(yè)企業(yè)更好地管理和分析生產(chǎn)和供應(yīng)鏈數(shù)據(jù)，提高生產(chǎn)效率和產(chǎn)品質(zhì)量等。其中的智能數(shù)據(jù)中臺(tái)的應(yīng)用場(chǎng)景很多、很廣，下面結(jié)合實(shí)際案例對(duì)智能數(shù)據(jù)中臺(tái)的應(yīng)用進(jìn)行詳細(xì)介紹。

1）預(yù)測(cè)性維護(hù)。智能數(shù)據(jù)中臺(tái)可以對(duì)設(shè)備數(shù)據(jù)進(jìn)行監(jiān)控和分析，從而實(shí)現(xiàn)預(yù)測(cè)性維護(hù)和設(shè)備管理。在汽車零部件制造企業(yè)，生產(chǎn)制造過(guò)程中有很多易耗品，如刀具、皮帶及砂輪等[10]。智能數(shù)據(jù)中臺(tái)通過(guò)收集和分析設(shè)備數(shù)據(jù)，可以實(shí)現(xiàn)對(duì)這些高價(jià)值易耗品的壽命分析、故障預(yù)測(cè)，從而及時(shí)進(jìn)行維護(hù)，避免設(shè)備停機(jī)和生產(chǎn)損失。以某一高價(jià)值刀具為例，詳細(xì)闡述分析過(guò)程。

智能數(shù)據(jù)中臺(tái)預(yù)測(cè)性維護(hù)分析示意圖如圖4所示，首先在高價(jià)值刀具產(chǎn)線上安裝三軸振動(dòng)傳感器，以高頻采集產(chǎn)品加工過(guò)程中X，Y，Z三個(gè)方向?qū)崟r(shí)的振動(dòng)信號(hào)。自動(dòng)化信號(hào)實(shí)時(shí)采集后傳輸至云端，在云端進(jìn)行的步驟：①特征提取程序?qū)υ夹盘?hào)的異常值檢測(cè)與移除；②提取出可代表產(chǎn)品生產(chǎn)狀態(tài)的時(shí)域、頻域和時(shí)頻域，實(shí)現(xiàn)原始數(shù)據(jù)的降維，輸入后續(xù)的機(jī)器學(xué)習(xí)模型進(jìn)行分類；③模型基于特征，輸出對(duì)當(dāng)前設(shè)備狀態(tài)處于不同狀態(tài)的概率；④若系統(tǒng)判斷設(shè)備故障，維修人員會(huì)根據(jù)狀態(tài)概率的排序，按建議的維修順序，對(duì)設(shè)備零部件進(jìn)行故障排查。

圖4 智能數(shù)據(jù)中臺(tái)預(yù)測(cè)性維護(hù)分析示意圖

高頻時(shí)序信號(hào)處理，使得故障預(yù)測(cè)可行的關(guān)鍵在于找出能夠代表當(dāng)前工況，與其他工況有明顯區(qū)分度的指標(biāo)。本方案中使用高頻的采集頻率，使得高頻段的特征提取成為可能。但高采樣頻率帶來(lái)的大數(shù)據(jù)量，對(duì)數(shù)據(jù)傳輸、存儲(chǔ)、特征提取和模型建立都是一種挑戰(zhàn)，因此基于云端搭建的數(shù)據(jù)中臺(tái)是實(shí)現(xiàn)本案例的關(guān)鍵所在。

在實(shí)際操作中，可能出現(xiàn)很多問(wèn)題，本案例中就有傳感器不穩(wěn)定導(dǎo)致產(chǎn)生很多異常噪聲點(diǎn)，在圖4中，首先通過(guò)非參數(shù)異常值檢測(cè)及孤立森林的算法，對(duì)異常噪點(diǎn)進(jìn)行移除后再利用線性插值法對(duì)刪除的異常噪聲點(diǎn)進(jìn)行補(bǔ)全。以時(shí)域上描述波形的統(tǒng)計(jì)量（如均值、偏度和峰度等）結(jié)合處理過(guò)的原始信號(hào)經(jīng)快速傅里葉變換后，在不同頻段的能量分布作為當(dāng)前工況的表征。不同工況條件下振動(dòng)曲線的特征向量被用于訓(xùn)練隨機(jī)森林分類器，模型在單產(chǎn)品數(shù)據(jù)上的分類準(zhǔn)確率達(dá)到99%。為進(jìn)一步提高分類準(zhǔn)確率，本案例中還針對(duì)大數(shù)據(jù)量傳輸過(guò)程中不可避免地出現(xiàn)的隨機(jī)數(shù)據(jù)缺失情況采用了動(dòng)態(tài)時(shí)間規(guī)整算法，衡量波形在時(shí)域上的相似程度，作為隨機(jī)森林分類器的補(bǔ)充判斷。

除了上述案例之外，近年來(lái)在碳中和的大背景下，對(duì)工廠能源消耗進(jìn)行預(yù)測(cè)可以在滿足生產(chǎn)的前提下實(shí)現(xiàn)能源消耗的最小化。智能數(shù)據(jù)中臺(tái)能源預(yù)測(cè)示意圖如圖5所示。

圖5 智能數(shù)據(jù)中臺(tái)能源預(yù)測(cè)示意圖

傳統(tǒng)汽車零部件制造企業(yè)，生產(chǎn)過(guò)程中許多加工工藝需要手動(dòng)配置相關(guān)的工藝參數(shù)，目前多數(shù)工藝參數(shù)調(diào)整的方式為工藝工程師結(jié)合經(jīng)驗(yàn)對(duì)其認(rèn)為的對(duì)當(dāng)前失效模式影響最大的參數(shù)組合進(jìn)行一一組合嘗試，當(dāng)產(chǎn)品質(zhì)量測(cè)試結(jié)果達(dá)標(biāo)后，以該參數(shù)結(jié)果作為最優(yōu)組合持續(xù)使用，直至下一次參數(shù)需要調(diào)整的場(chǎng)景出現(xiàn)。這一過(guò)程要求工藝工程師的全程參與，對(duì)工程師的專業(yè)知識(shí)要求高，可復(fù)制性較低。通過(guò)參數(shù)自調(diào)整功能，設(shè)備自動(dòng)找到當(dāng)前工況下的最優(yōu)參數(shù)，產(chǎn)線員工無(wú)需等待工藝專家的幫助，可節(jié)約調(diào)參時(shí)間，保證產(chǎn)品品質(zhì)。

首先，根據(jù)歷史數(shù)據(jù)及工藝專家的經(jīng)驗(yàn)，建立產(chǎn)品品質(zhì)測(cè)試結(jié)果與工藝參數(shù)、實(shí)時(shí)工況之間的關(guān)聯(lián)模型。然后，MES將產(chǎn)品品質(zhì)測(cè)試結(jié)果與工況數(shù)據(jù)通過(guò)Kafka傳遞至智能數(shù)據(jù)中臺(tái)，通過(guò)對(duì)產(chǎn)品品質(zhì)測(cè)試結(jié)果和工況的實(shí)時(shí)監(jiān)控，結(jié)合時(shí)序分析方法，提取變化趨勢(shì)。最后，將關(guān)聯(lián)模型部署在智能數(shù)據(jù)中臺(tái)，根據(jù)測(cè)試結(jié)果、工況數(shù)據(jù)實(shí)時(shí)判斷是否需要調(diào)整參數(shù)及如何調(diào)整參數(shù)，將結(jié)果回傳至制造執(zhí)行系統(tǒng)。PLC通過(guò)調(diào)用MES的接口信號(hào)，實(shí)現(xiàn)對(duì)工藝參數(shù)的調(diào)整[11]，具體過(guò)程如圖6所示。

圖6 智能數(shù)據(jù)中臺(tái)工藝參數(shù)自調(diào)整示意圖

傳統(tǒng)的制造過(guò)程中，工程師通常會(huì)手動(dòng)調(diào)整焊接溫度，以保持其在預(yù)設(shè)范圍內(nèi)。然而，在實(shí)際生產(chǎn)過(guò)程中，焊接溫度會(huì)受到多種因素的影響，如氣候變化、不同材料的熱傳導(dǎo)性、電子元件的尺寸和位置等，這些因素會(huì)導(dǎo)致焊接溫度波動(dòng)并超出預(yù)設(shè)范圍。為了解決這個(gè)問(wèn)題，我們可以采用基于機(jī)器學(xué)習(xí)的工藝參數(shù)自調(diào)整方法。具體而言，在生產(chǎn)過(guò)程中實(shí)時(shí)監(jiān)測(cè)焊接溫度，并將其與預(yù)設(shè)范圍進(jìn)行比較。然后，將監(jiān)測(cè)到的焊接溫度和相關(guān)的生產(chǎn)參數(shù)（如電子元件的尺寸和位置、環(huán)境溫度等）作為輸入，利用機(jī)器學(xué)習(xí)算法建立一個(gè)模型，預(yù)測(cè)下一步需要調(diào)整的焊接溫度幅度，并自動(dòng)調(diào)整焊接設(shè)備的功率，以使焊接溫度保持在預(yù)設(shè)范圍內(nèi)。

在具體算法嘗試中，主要有兩種方法：

1）傳統(tǒng)尋找最優(yōu)參數(shù)組合的方法為固定其他參數(shù)，調(diào)整一個(gè)參數(shù)，通過(guò)對(duì)比調(diào)整前后產(chǎn)品品質(zhì)的變化，確定調(diào)整方向。這種方法的缺陷在于，當(dāng)參數(shù)種類多，可取值多時(shí)，所需要進(jìn)行嘗試的組合量非常大，難以找到具有全局最優(yōu)解。

2）遺傳算法通過(guò)賦予表現(xiàn)較好的參數(shù)組合更高的權(quán)重，使得模型每次建議的參數(shù)都為向最優(yōu)解的一種可能逼近。這一尋找最優(yōu)解的過(guò)程，可被視為工藝專家實(shí)際調(diào)參的過(guò)程一種模擬，其優(yōu)勢(shì)在于整個(gè)過(guò)程可以控制設(shè)備自動(dòng)進(jìn)行，無(wú)需人為干預(yù)。

結(jié)合生產(chǎn)實(shí)際運(yùn)用中，綜合來(lái)看遺傳算法是較為適合工藝參數(shù)自適應(yīng)的算法。

在數(shù)字化、智能化浪潮的驅(qū)動(dòng)下，除上述場(chǎng)景之外，還有數(shù)字孿生、備件庫(kù)存優(yōu)化和客戶畫像等應(yīng)用場(chǎng)景?？傊?，智能數(shù)據(jù)中臺(tái)肩負(fù)著數(shù)據(jù)采集、融合、加工和挖掘，最終提供數(shù)據(jù)服務(wù)的責(zé)任。

3 結(jié)束語(yǔ)

智能數(shù)據(jù)中臺(tái)是企業(yè)數(shù)字化轉(zhuǎn)型的關(guān)鍵基礎(chǔ)設(shè)施之一，它是實(shí)現(xiàn)數(shù)據(jù)共享、數(shù)據(jù)交換、數(shù)據(jù)治理和數(shù)據(jù)價(jià)值挖掘的重要手段。總體來(lái)說(shuō)，在智能數(shù)據(jù)中臺(tái)的建設(shè)中，需要充分考慮企業(yè)業(yè)務(wù)的特點(diǎn)和發(fā)展需求，制定科學(xué)的戰(zhàn)略規(guī)劃和實(shí)施方案，提高數(shù)據(jù)的質(zhì)量和可用性，建立高效的數(shù)據(jù)管理和治理機(jī)制，構(gòu)建完善的數(shù)據(jù)生態(tài)系統(tǒng)。

同時(shí)，智能數(shù)據(jù)中臺(tái)的建設(shè)還需要根據(jù)企業(yè)自身具體情況擇優(yōu)依托現(xiàn)代技術(shù)手段，包括大數(shù)據(jù)、人工智能和云計(jì)算等，加速數(shù)據(jù)處理和價(jià)值挖掘的速度和效率。此外，智能數(shù)據(jù)中臺(tái)還需要關(guān)注數(shù)據(jù)安全和隱私保護(hù)等方面，確保數(shù)據(jù)在收集、存儲(chǔ)、處理和應(yīng)用的整個(gè)生命周期中得到充分保障和合規(guī)性。

總之，智能數(shù)據(jù)中臺(tái)的建設(shè)是一個(gè)系統(tǒng)工程，需要全面考慮多方面因素，充分發(fā)揮數(shù)據(jù)的作用，促進(jìn)企業(yè)數(shù)字化轉(zhuǎn)型和創(chuàng)新發(fā)展。未來(lái)，隨著數(shù)據(jù)技術(shù)的不斷發(fā)展和應(yīng)用場(chǎng)景的不斷拓展，智能數(shù)據(jù)中臺(tái)將成為企業(yè)數(shù)字化轉(zhuǎn)型的重要推手，為企業(yè)提供更智能、更高效和更有競(jìng)爭(zhēng)力的數(shù)據(jù)服務(wù)。