工业大数据在工业数字化转型中的应用探索

导读

无论在消费领域还是工业领域，数据的重要性日益凸显。在工业场景中，由于现场通信协议较多且不兼容、现场环境恶劣复杂等，导致数据获取难度较大，建立数据采集平台是获取数据的重要保障。工业大数据关联的环节较长、业务复杂，用好相应的数据，可以为企业数字化转型赋予更多的能力。

01

引言

截至目前，我国数据交易所已达到 39 家，北上广深相应数据中心的入场会加速数据交易量，数据的重要性受到越来越多的关注，“数据引擎”所起的作用日益凸显。在工业领域，大数据的价值也愈发被重视。不同于电商或消费端的大数据，工业数据一是获取难度大，二是数据关联度长且复杂，建模难度大，价值挖掘也较难。

02

数据获取

获取数据是进行数据应用的基石。在工业场景中，各厂家主推自己的产品进行竞争，现场通信协议众多且互不兼容，导致稳定的数据采集难度较大，尤其某些进口 / 垄断设备数据接口不开放，获取数据需要额外投资，且风险较大。现场常见的工业通信协议有 PROFINET、PROFIBUS-DP、MODBUS-TCP、MODBUS-RTU、CC-LINK、RS-232/422/485 和 TCP/IP 等，因此建立一个兼容、高效和稳定的数据采集平台，既是重点又是难点。数据采集平台是打通物理世界（设备）与虚拟 / 数字世界的“海关”通道，高效、稳定的工业网络是数据采集平台顺畅运行的重要保障。

2.1 DAQ（数据采集）方式

目前现场常用的有两种主流采集与展示方式：

1）通过 SCADA 软件进行采集与展示。该方式的优点是自带部分驱动支持进行数据采集，可直接组态画面进行数据展示与应用，支持一定的后台开发自定义功能。缺点是 B/S 或 C/S 架构远程访问数、所带客户端限制较大，自带的数据库功能不全，脚本语言为 VB/VBS/C，且后台脚本不宜支持过多，为 Windows 部署方式，扩展、灵活部署能力较差；某些汽车主机厂为了保证 SCADA 运行的稳定性，严禁后台添加运行脚本。

2）部署 OPC、RDTB 等 DAQ 平 台， 目 前 主 流 为OPC UA 商业软件，自研开发展示界面等。该方式的优点是具备很好的跨平台支持能力，支持 RESTful、MQTT等接口，可结合 RabbitMQ/RocketMQ 等消息队列，实现以 Spring 框架为主流的 IT 与自动化层的高并发处理，功能强大、安全性高，如可将现场控制器数据直接写入关系型数据库，有专门的安全策略，防止入侵，支持的通信驱动种类多，有成熟稳定的商业软件。缺点是每一个驱动和功能模块均需单独收费，数据采集范围、功能多寡与价格成正比，配置有一定的门槛，需要掌握 IT 中间件等基础。

2.2 OPC UA

OPC 是工业通信的基础组成部分，加入 OPC 基金会的工业品牌的产品都会支持 OPC 协议。OPC 有 DA 与UA 之分，UA 已成为主流，主要是 UA 比 DA 具备更好的跨平台能力、更多的功能、更好的安全性等优点。

以 Kepware OPC UA 为例说明建立数据采集的平台的关键步骤：

1）在安装时先选择对应采集对象（如 Siemens S7-1500 系列 PLC）的驱动，对于型号较老的 DCS，也可以通过开通部署 OPC 进行数据采集。

2）按照 Channel、Device 及 Tag 的顺序建立变量点位，为保证数据交互保持在 ms 内，建议每台 device下的变量不超过 100 个。当同一台 device 下 的 tag 较多 时， 可 以 在 同 一 个 channel 下建立多个 device， 如device_1 ～ device_N。

3）与 IT 系统进行数据交互可在 IoT Gateway 中进行相应的配置。

笔者通过同一个 OPC UA 在 100ms 内采集 120 000点数据，与 IT 系统（主要为紧耦合 MES/MOM）在 ms内稳定交互超 2 000 点数据。

2.3 实时数据应用

实时数据主要是用来监视现场状态、远程控制现场设备等。SCADA 在此应用中起步较早，也较为成熟，但由于上述缺点，在工业现场中的应用热度渐退。该部分常见的应用有现场设备 / 工艺参数等的远程设置与监视、设备状态监视（尤其是关键设备、危险源点需要安排专人值守）和生产现场执行情况等，数据展现形式有 LED、LCD 和微信推送等。展示内容根据现场的实际需求而定，一般而言，现场放置的 LED、LCD 要能向现场人员传递清晰、直观的生产信息，信息不宜过多。对于 PC 端，操作界面的菜单不宜超过三级。

03

工业大数据

大数据需要丰富的数据积累，工业大数据需要打通的环节很多，如“人机料法环”“人财物产销”、研发和质量等。工业大数据关联的环节长、业务场景较复杂，打通完善数据流，数据的价值才能逐步通过应用体现。

工业积累的各种关系型数据、非关系型数据众多，应用大数据的第一步是对数据进行清洗、梳理，找出有代表性、有效的数据，此部分难度与工作量较大。如 2014年波士顿发生恐怖袭击后，警方抽调大量人力从广场附近调取逾 10TB 视频数据才找到一张嫌疑犯正面照片。以下详细叙述工业大数据比较典型的应用。

3.1 质量分析

稳定的质量关系企业的成本、效益、产能、名誉和供应链等方面，是企业的安全线与生命线。结合历史质量记录，可对生产现场的质量问题进行预测，由质量人员提前介入对前一道工艺或供应链进行预防。如在汽车主机厂中，FTT（整车一次下线合格率）直接决定了生产节拍、生产成本，在某国产汽车主机厂中，分析同一车型过去 3 ～ 5 年的历史数据，对 FTT 趋势图、质量问题排行等进行预测，通过现场看板对质量问题有清晰直观的展示，对排名前 3 的问题可实施目的性强的改进措施，将 FTT 由 92.8% 稳步提升至 95.6% 以上。

3.2 精益生产

精益生产的思想随着市场需求由“不制造缺陷，不传递缺陷”变为“以尽可能短的时间缩短产品交付周期”。精益生产在生产过程中通过技术落地的形式是 ANDON系统，ANDON 典型的应用是在汽车主机厂总装车间。现场人员发现问题无法解决时，通过按钮、拉环等触发帮助请求，系统通知相应人员到达指定位置进行处理，在规定的时间内未处理完成，该次请求将自动逐级上报，直至到达总经理。通过分析 ANDON 数据，对停线原因进行分析（如质量原因停线、设备原因停线和缺料停线等），对生产进行改进，减少非必要停线时间，达到降低成本、提升产能的目的。如在某大型国产汽车主机厂，通过 ANDON 系统实时解决质量、缺料等问题，分析历年 ANDON 数据对设备维护周期、物料配送周期等给出建议任务并跟踪执行情况，减少非故障停线率 80% 以上，顺利保障了生产连续进行。

3.3 汽车面漆预测

对历年生产、销售数据进行详尽统计、分析，对不同面漆颜色车辆的产销、库存情况有清晰直观的掌握。可根据此数据决定下一生产周期内面漆的采购量、采购周期、库存量、库存周期、调漆间任务计划、喷漆装置易损件采购量与采购周期等。在以产定销时，可对畅销产品的排产有一定的指导作用。如某汽车集团生产计划部门根据近 5 年产销数据制定面漆需求计划，采购部门结合库存情况制定订单，可有效减少面漆库存 34% 以上，也避免了部分特殊颜色面漆因长期库存导致报废的情况。

3.4 生产预测

根据历史销售、市场反馈（含有奖调查）等数据，对产品做一定的预测，可提前安排生产计划、采购计划、设备检维修计划、人员安排计划和物流计划等。根据数据可建立生产预测模型，在以销定产时，能够快速响应销售订单，降低产品交付周期；在以产定销时，能够生产出符合市场需求的产品，降低库存周期。有效数据量越大、数据涵盖的维度越全，生产预测模型就会越准确，生产各环节适应变化的能力就越强，可大幅降低生产成本。如某汽车集团的数据、生产、售后、产品研发和测试等部门根据 5 ～ 10 年的销售、售后数据，制定半年的生产计划，通过后续的产销数据验证了该生产计划可有效降低整车库存周期至 2 个月以内，提升各生产环节效率超过 11%。

3.5 配件采购

对产品生产过程全生命周期进行管控，对不合格需返工成品所消耗的零部件 / 原材料进行精确的统计，根据生产量可对生产设备需要更换的易损件进行统计，在低于安全库存时可对需要采购的零部件 / 原材料、易损件等进行预测并自动生成采购 BOM 和采购计划至采购系统，由采购人员确认后可向相应的供应商下达采购订单。可用“数据”对采购计划提供科学可靠的指导，可降低供应链风险、避免高库存占用资金，进而降低企业运营成本。如零部件采购部门通过对数据的掌握，尝试运用采购预测可提升采购效率超过 46%、降低零部件库存超 51%，有效地提升采购效率、降低高库存导致的资金占用。

3.6 企业转型

工业企业会有自己的主打产品，通过积累产品在应用时的数据，能指导与帮助企业转型。典型案例是 GE 由发动机供应商转型为服务商，GE 在航空发动机、轮船发动机等内燃机市场占据了很大的份额，GE 利用传感器、卫星通信等技术采集与传输发动机数据，已逐步由发动机设备供应商转型为发动机服务供应商，即由卖产品转型为卖服务。

在民用航空飞机上，发动机、燃油系统、液压系统和电力系统等数以百计的变量组成了飞机在航状态，这些数据几 μs 就被测量和发送一次。以波音 737 为例，发动机在飞行中每 3min 就能产生 1TB 数据。位于美国亚特兰大的 GE 能源监测和诊断（M&D）中心，收集全球 50多个国家上千台 GE 发动机的数据，分析来自系统内的恒定大数据流，为 GE 公司对发动机故障诊断和预警提供支撑。GE 对发动机转为以租代售，客户可以不用一次性付巨款购买发动机，GE 也能依据数据对产品提供更好的维护与改进。

3.7 加速产品创新

跟踪产品在测试、验证阶段的问题，作为研发改进的方向。跟进并掌握产品在实际使用中的数据，尤其是故障、异常信息，找到根源，并结合市场需求变化，通过数据分析产品缺陷或改进点、市场趋势分析与精准预测，对后续产品改进、新产品创新提供重要的方向。甚至竞争对手如果掌握了竞品在应用中的数据，就可以进行有目的性的竞品开发。如某电机厂在电机出厂时预装传感器，免费向用户提供设备状态检测、远程故障诊断和预防性维护等增值服务，通过不间断收集产品在不同场景实际使用中的客观数据，能够对产品优化迭代提供精确的方向指导。

3.8 促进 AI 发展

AI 的发展也是“三起三落”，随着大规模集成电路的发展、AI 算法的深入研究，AI 应用也逐渐爆发。要想 AI 在应用过程中达到理想的效果，需要大量的数据供其进行模型训练。在工业应用中，提供给 AI 训练的数据可以是图片、视频等。提供给 AI 进行模型训练数据时容易有一个误区，即人为模拟制造数据，此时得到的模型在实际应用时检测精度会不理想，因此，若要模型的检测精度较高，提供给 AI 训练的数据须源自实际。如在工业质检领域，需要提供大量的样本进行模型训练，以提升模型在应用时的检测精度。在化纤外检实际项目中，对某一固定缺陷进行应用时可知，当实际生产中产生缺陷样本在 1 000 左右时，检测精度为 86.7%，训练样本在2 000 左右时，检测精度为 93.2%，训练样本在 4 000 时，检测精度为 99.2%，AI 检测模型会越用越好，主要原因就是数据量的增加会提升模型的检测精度。得益于开源的图像集、深度学习框架等，部分行业 AI 检测等的通用模型可供企业使用。

3.9 促进经验传承

工业中最难的是将隐性经验转变为显性知识，很多“老师傅 / 老专家”经验丰富，但很难将经验转换为现场技术人员可以听懂、掌握的技能，如化工行业中某处中间产品指标有波动时，“老师傅 / 老专家”可以根据不同的波动值范围判定出是哪个工艺参数、哪个反应釜中哪个设备或哪处催化剂等有问题并迅速进行正确调整。可以借助 AI 关联更多环节，将行业现场的隐性、难表达的经验转换为显性易懂的知识。如在化纤 EAM 系统的设备维修模块中详细记录每次的故障现象、维修过程和故障原因分析等完整数据，不断完善该知识经验库，通过 AI建立故障维修模型，当监测到下次有类似故障发生时，可立即向相关维修人员提供维修建议，大幅减少故障维修处理时间。化纤长丝 AI 质检成套设备如图所示。

3.10 促进工业软件的发展

工业软件需要对软件在应用时的需求、操作和应用等各种数据等进行大量总结、提炼，对后台需要的功能组件进行针对性地改进设计，操作人员在使用时才会得心应手。工业软件在我国有着巨大的应用场景和应用需求，但工业软件也是我国软件行业的薄弱环节，相信工业大数据会对我国工业软件的发展与突破起到很大的促进作用。通过积累建筑电气设计方面的数据，不断完善基础插件、功能库，实现了通过国产 CAD 软件电气设计；国产 ERP 软件也是通过某一行业的数据不断进行完善，进而由点扩面地推广应用，实现数据—产品的良性迭代。大量的应用场景产生的大量有价值的数据一定会促进国产工业软件的发展与突破。

04

结束语

随着企业数字化的进程，数据的作用与价值显得愈加重要，如果说数字化是企业的“增长引擎”，数据就是该“引擎”的“润滑剂与燃料”。数据贯穿研发、制造、物流、销售和财务等“人机料法环”“人财物产销”的环节，工业大数据的应用会越来越广泛，其价值也会得到广泛验证。工业大数据是“工厂数字经济”“数字化工厂”的核心内容之一，其应用价值值得深入探索，数据 +AI会成为企业数字化转型与增长的重要动力与手段。