搞智能制造,不懂数据分析你就out了

2021年10月21日 88 次阅读 本文共2344字,预计阅读时间7分钟

前言

前些天到某工厂调研,车间的管理人员颇为无奈地对我们吐槽,近几年花了不少力气做生产现场设备层的数据采集,现在数据倒是有了,但是没人知道怎么去利用这些数据、如何分析这些数据。

相信上述情形是现阶段国内工业现场的普遍现象,当然,还有很多现场连设备层的数据采集都没有实现。在智能制造的大背景下,对数据的分析、充分挖掘其中的价值是智能制造的关键内容。从下图“工业4.0的6个成熟度水平”可以看出,后三个发展阶段“透明性”,“预测性”,“自适应性”都是通过对于数据的深入分析来实现的。详细解读可参见《对IIC工业互联网参考架构的理解

工业4.0的发展阶段
工业4.0的发展阶段

今天就和大家聊聊数据分析在智能制造中的应用,探讨一下如何在制造业中应用数据分析技术。

什么是数据分析

与数据分析相关的概念有很多,比如统计分析、数据挖掘等等,个人认为,对这些概念的事情也不必太去钻牛角尖。

数据分析就是从数据中提炼信息,发掘知识,形成洞察(insight),并最终辅助决策的过程。

数据分析会涉及到很多领域的知识,包括统计学、数据挖掘、机器学习等等。

数据分析在制造业的应用现状

根据我的经验,数据分析在制造业的应用并不深入。工厂对数据的利用,目前更多地停留在统计分析(形成报表),以及相关指标的计算等(参见《28个生产制造关键指标,你们厂用了几个?》)。并没有深入挖掘数据中隐藏的信息,进而形成能够辅助决策的洞察。

尤其对于来自设备层的海量数据,包括设备运行状态、设备报警、设备故障等,目前大部分的生产现场只是用来进行监控,实现可见性以及事故发生以后的原因分析、追责等。缺乏更深入的预测性分析(Predictive)、规范性分析(Prescriptive)。

数据分析在智能制造领域的应用方向

下图是从LNS Research的一份研究报告中截取的,个人认为这四个单词——Descriptive, Diagnotic, Predictive, Prescriptive——完美地诠释了数据分析在智能制造的应用方向。

而“描述性,诊断性,预测性,规范性”也阐述了数据分析的四个渐进的阶段,这四个阶段与工业4.0成熟度水平是不谋而合的。

  • Descriptive 描述性。掌握正在发生的事件信息。
  • Diagnotic 诊断性。事件发生的原因。
  • Predictive 预测性。预测即将发生的事件。
  • Prescriptive 规范性。在预测的基础上,结合相关相关业务流程,向生产运营人员提供行动建议。
分析架构

数据分析的分类

从技术角度出发,可以将智能制造领域的数据分析分为两类:

  • 基于实时数据的在线实时分析
  • 基于历史数据的离线大数据分析
三层IIoT参考架构
三层IIoT参考架构

结合上图中的工业互联网三层系统架构,实时分析位于边缘侧,大多以网关作为载体,由于受边缘侧计算资源的限制,边缘侧的分析更多是基于预先设定好的规则(模型),进行简单直接的数据过滤、聚合、转换等操作。边缘侧的分析讲究实时性,能够实现及时的响应。常见的实时分析包括报警的触发等。

而边缘侧的分析规则、模型则来源于平台层的大数据分析的结果或需求。大数据分析会针对海量的历史数据进行更为复杂的分析,如预测性分析、规范性分析等。

因此,智能制造中的数据分析应为边缘侧的实时分析与平台层的大数据分析相结合。

数据分析在制造业应用的难点

  • 缺乏历史数据的积累。尤其对于来自设备层的数据,往往用于实时状态监控,除了故障类数据之外,大量的过程状态数据都被丢弃。
  • 数据采集困难。在OT层面,目前在生产现场很多设备并没有完善通讯功能和数据交互接口;在IT层面,信息化的覆盖率不足,没有实现生产运营全部环节的信息化,而且,现有信息系统由于建设初期缺乏信息集成方面的规划,也呈现信息孤岛的现象。
  • 缺乏复合型人才。应该说,现阶段数据分析技术更多的应用在互联网等领域,在制造业的应用尚处于尝试阶段,因此,缺乏既了解生产制造相关业务、又熟悉数据分析技术的复合型人才。目前,这方面项目的开展,如设备的预测性维护项目,更多的需要多方合作,IT公司出数据科学家,设备厂商出设备工程师,工厂出设备运维人员,共同努力,才能促进相关项目的开展。
  • 不同数据源的数据聚合难度大。在智能制造领域,进行分析的数据有来源于MES等业务系统的业务数据,也有来源于生产设备的呈现时间序列的实时数据。进行数据分析的第一步就是将相关数据进行聚合,使其格式统一,具备应用相关分析技术的条件。而这一过程目前在工业现场也是难度较大的工作,相关从业人员还需要项目的历练和经验的积累。

数据分析的实施建议

在当前阶段,由于国内大部分工业现场还处于自动化和信息化升级的过程中,而数据分析的应用涉及到数据采集、传输、存储、分析等诸多环节,因此,进行数据分析往往需要不菲的资金投入,这无疑提升了进行尝试的门槛。因此,我提出以下两点建议,希望能够促进数据分析应用的小步快跑,逐步实现智能化的目标。

1、从数据采集做起,充分利用数据采集所带来的直接受益。其实,我们的企业不妨从数据采集做起,先围绕数据采集做一些简单直接的业务价值实现,而不急于做高大上的复杂分析与技术应用(如机器学习等)。从中不断获取业务上的回报,增强推动智能化的信心,并在此过程中逐步积累历史数据,为预测性分析、规范性分析等高级应用做数据积累。

基于数据采集的简单直接的常见应用包括以下几项:

  • 设备监控
  • 过程监控
  • OEE计算
  • 产品数据的追踪

2、尽快制定设备采购与信息系统建设的数据交互、信息集成接口等标准。已有设备及信息系统的改造是需要花钱的,而且相关厂商也未必十分配合。因此,要确保未来采购的设备及系统在信息集成方面具备相对较好的条件,这样也算是亡羊补牢,为时未晚嘛。在这方面,欧洲的一些制造业企业已经走在了前面,甚至已经将MQTT、OPC UA等协议作为设备采购的硬性技术要求。

上一篇:

下一篇: