智能制造工业互联网工业大数据建设方案（54页 PPT）

微信扫码，打开到小程序

智能制造工业大数据平台 建设方案 前言 随着工业 4.0 概念的引入，工业产业进入了新一轮的全球性革命，新型工业体系最核心的特征就是互联网、大数 据与工业的融合应用。工业大数据是工业 4.0 的核心支撑之一，将带来工业生产与管理环节的极大的升级和优化，其价 值已经得到了全球的认可，但是反观我国的工业发展现状，工业数据的价值利用极其有限，如何采集、应用、管理工业 大数据，快速跟进工业 4.0 的步伐，是传统的工业企业转型升级中必须要解决的问题。 基于大数据、物联网、云计算等核心技术能力，为全球工业及商业企业提供工业大数据咨询与实施服务，涵盖能 效管理、环保监测、资产管理、安全生产、设备生命周期管理、经营管理分析等领域，充分发挥大数据能力，强化工业 与大数据的深度紧密融合，为工业升级转型注入新的活力。 工业大数据解决方案是“云、移、物、大、智”深度融合的体现，使得产品与生产设备之间、不同的生产设备之间以 及数字世界和物理世界之间能够互联，可以打破传统工业生产中企业、地域、操作习惯、生产经验等多重限制，在此平 台上快速高效地完成工业操作制度的决策、工业大数据的云端数学建模计算、工业信息和标准的快速获取、工业问题的 互动咨询。 智慧工业 智慧工业解决方案 智慧工业方案提供数据采集、数据传输、大数据分析、智能化控制等功能，可帮助企业提高环境 安全，加强人员管理，优 化系统功能和资源配置，降低系统运营成本等。 大数据智能工厂规划 设备及传感器 网络 工业云平台 应用系统 阀门控制 企业网络 IP WMS ERP PLM MES TMS EMS CRM 云数据中心 能源数据 位置数据 大数据管理平台 产品数据 托盘 AGV 扫描 设备 RFID/WiFi 能源监控 仪表 换算 采集 Zigbee/RS485 湿度 原料监控 Zigbee 物流跟踪 设备 管理平台 以太网 1 3 2 原材料、成分 、湿度、成分 计量、换算 阀门开关 权限管理 安全策略 &QoS 应用适配器 操作门户 API 终端管理 数据管理 网络连接管理平台 基于机器学习的工业大脑 预 测 性 维 修 异 常 监 控 人 机 协 同 过 程 优 化 EMS 数据 ERP 数据 MES 数据 检验数据 设备数据 数据源 DCS 数据 工业大数据架构 大数据应用 大数据处理 工艺优化 质量提升 产线故障预测 预测性维修 效率提升 可视化监控 事务型数据 MPP 数据库 HADOOP OLTP 数据仓库 元数据 索引 列存储 粗粒度索引 数据压缩 SQL 优化 动态拓展 资源管理 大表关联 半结 构化 非结 构构 化 HDFS Map/Reduce Hive Pig 事务处理 数据完整性 锁机制 索引机制 SQL 优化 SQL 执行 备份恢复 断点处理 流处理 （ Storm 、 Sp ark Streaming ） 智能制造大数据蓝图 工艺 人员 物料 设备 质量 历史数据 当前数据 历史数据 当前数据 历史数据 当前数据 历史数据 当前数据 历史数据 当前数据 业务系统实时查询服务 批量检索服务 数据分享服务 数据下载服务 数据仓库和分析型应用 ODS/DSA – 面向主题、当前 DW – 面向主题、历 史和汇总 DM DM API 接口 供应链优化 作业行为优化 设备预测性维修 Spark ML 工业大数据特点 供应商数据 • 产品质量 • 服务信息 • 信用数据 • 位置数据 • 渠道依赖 • 原料来源 • Web 信息 • 业务信息 • 行为信息 机器数据 • 多种类型 • 时间序列 • 数据真实 • 数据海量 • 并发较高 控制数据 • 数据多样 • 时间戳 • 程序数据 • 结果数据 人员数据 • 基本信息 • 行为信息 物料数据 • 基本信息 • 计量信息 • 位置信息 • 物流信息 • 加工信息 • 装配信息 • 追踪信息 质量数据 • 检验数据 • 随机性 • 概率特征 • 相关性 客户数据 • 需求数据 • 产品数据 • 位置数据 • 竞争对手 • 信用数据 • 业务数据 • Web 信息 • 行为信息 物流数据 • 位置数据 • 计量数据 • 时间数据 交互查询 批查询 机器学习 实时分析 设备 传感器 质量 人员 事件 ETL 工具 查询 结果呈现 关系型数据 LOB 应用 物料 元数据及关联性 数据预处理 报表展示 机器学习结果展示 数据源定义 数据预处理 工业数据湖 行为 人员 生产线 信息系统 ERP MES EMS 智能化 数据可视化 流程优化 产线建模 知识库 自助式 BI 信息管理 事件处理 数据分类 数据工厂 机器学习 / 数据分析 HADOOP/Spark 技术 流处理 信息 基于数据湖分析 机器学习 大数据存储 SQL 数据仓库 数据湖 其他数据 信息系统 设备 传感器 数据 数据湖与价值发现 工业大数据特点 供应商数据 • 产品质量 • 服务信息 • 信用数据 • 位置数据 • 渠道依赖 • 原料来源 • Web 信息 • 业务信息 • 行为信息 机器数据 • 多种类型 • 时间序列 • 数据真实 • 数据海量 • 并发较高 控制数据 • 数据多样 • 时间戳 • 程序数据 • 结果数据 人员数据 • 基本信息 • 行为信息 物料数据 • 基本信息 • 计量信息 • 位置信息 • 物流信息 • 加工信息 • 装配信息 • 追踪信息 质量数据 • 检验数据 • 随机性 • 概率特征 • 相关性 客户数据 • 需求数据 • 产品数据 • 位置数据 • 竞争对手 • 信用数据 • 业务数据 • Web 信息 • 行为信息 物流数据 • 位置数据 • 计量数据 • 时间数据 加入星球获取更多更全的数智化解决方案 交互查询 批查询 机器学习 实时分析 设备 传感器 质量 人员 事件 ETL 工具 查询 结果呈现 关系型数据 LOB 应用 物料 元数据及关联性 数据预处理 报表展示 机器学习结果展示 数据源定义 数据预处理 工业数据湖 行为 人员 生产线 信息系统 ERP MES EMS 智能化 数据可视化 流程优化 产线建模 知识库 自助式 BI 信息管理 事件处理 数据分类 数据工厂 机器学习 / 数据分析 HADOOP/Spark 技术 流处理 信息 基于数据湖分析 机器学习 大数据存储 SQL 数据仓库 数据湖 其他数据 信息系统 设备 传感器 数据 数据湖与价值发现 工业大数据建模目标 制造价值提升 1 、原因分析的工艺优化； 2 、设备预测性维修； 3 、产线异常监控； 4 、产品质量控制； 供应商管理提升 1 、风险预测与分析； 2 、交付时间与路径优化； 3 、供应商评价与信用管理； 客户需求管理提升 1 、客户行为的需求挖掘； 2 、准确个性化的产品定价； 3 、产品的预测性保养与维修； 4 、更好的产品体验； 运营价值提升 1 、更好的管理资产； 2 、合理的资源消耗； 3 、避免人为的错误； 4 、实时推荐技术工具； 5 、增强用户高效与便捷 01 02 03 04 如上图显示的机器学习算法，多级算法分析引擎可以根据对工厂已安装设备的数据采集和工艺流 程，自动绘制内在的逻辑关系，并显示哪个工艺流程和数据流之间直接或间接的相互关系，以及 这种关系存在的原因。这种深层和独特的分析提供了一个高等级的平台来侦测异常，通过行为和 运营表现来标记质量与效率，并进行微观辩证性的根源问题分析。 生产过程建模 设备数据建模 结果的相似和关联性 产线数据建模 模型算法 -DNN 神经网络是一组模拟人脑进行模式识别的算法组合，通过 聚类或者标记原始数据进行数据感知，它可以识别真实世 界包含在向量中的数据，如图片、声音、文本等。 深度神经网络与单层神经网络的区别是数据通过了多步模式识别的隐藏 层处理，传统的神经网络机器学习算法依赖于一个输入一个输出一个隐 藏的浅层神经网络学习，而深度神经网络是在一个以上的隐藏层学习。 模型与数据 异常检测 事件处理 环境分析 人机协同 能效增强 质量强化 实时数据处理 历史数据处理 模型分析实时数据检测设备 状态、预防设备故障、优化 生产过程、提升产品质量、 能效增强、人机协同。 通过对历史数据清洗整合， 进行模型的训练，优化模型 参数，进行更加有效的生产 和运营。 强化模型 工业大数据建模目标 制造价值提升 1 、原因分析的工艺优化； 2 、设备预测性维修； 3 、产线异常监控； 4 、产品质量控制； 供应商管理提升 1 、风险预测与分析； 2 、交付时间与路径优化； 3 、供应商评价与信用管理； 客户需求管理提升 1 、客户行为的需求挖掘； 2 、准确个性化的产品定价； 3 、产品的预测性保养与维修； 4 、更好的产品体验； 运营价值提升 1 、更好的管理资产； 2 、合理的资源消耗； 3 、避免人为的错误； 4 、实时推荐技术工具； 5 、增强用户高效与便捷 01 02 03 04 如上图显示的机器学习算法，多级算法分析引擎可以根据对工厂已安装设备的数据采集和工艺流 程，自动绘制内在的逻辑关系，并显示哪个工艺流程和数据流之间直接或间接的相互关系，以及 这种关系存在的原因。这种深层和独特的分析提供了一个高等级的平台来侦测异常，通过行为和 运营表现来标记质量与效率，并进行微观辩证性的根源问题分析。 生产过程建模 设备数据建模 结果的相似和关联性 产线数据建模 模型算法 -DNN 神经网络是一组模拟人脑进行模式识别的算法组合，通过 聚类或者标记原始数据进行数据感知，它可以识别真实世 界包含在向量中的数据，如图片、声音、文本等。 深度神经网络与单层神经网络的区别是数据通过了多步模式识别的隐藏 层处理，传统的神经网络机器学习算法依赖于一个输入一个输出一个隐 藏的浅层神经网络学习，而深度神经网络是在一个以上的隐藏层学习。 模型与数据 异常检测 事件处理 环境分析 人机协同 能效增强 质量强化 实时数据处理 历史数据处理 模型分析实时数据检测设备 状态、预防设备故障、优化 生产过程、提升产品质量、 能效增强、人机协同。 通过对历史数据清洗整合， 进行模型的训练，优化模型 参数，进行更加有效的生产 和运营。 强化模型 设备预测性维修 预测与优化 生产过程优化 设备预测性维修 质量提升 人机协同 异常检测  时间单元 对于故障警告日志进行时间单元划分，将故障或警告视 为事件，事件到下一个事件发生时间间隔超过一定时间 的视为不同单元。  伴随概率 对于同一个时间单元里的故障和警告进行联合概率分 析，计算任意两个事件在单元里同时发生的概率。  故障事件 对于某一种故障的前序事件进行观察，事件与上一次事 件间隔时间以内或上一次相同故障发生之间的故障或警 告视为前序事件，统计不同前序事件发生的次数。  关联分析 通过伴随发生概率分析，了解任意事件之间的关联性， 寻找同时发生概率高的事件。通过故障的前序事件分 析，了解故障前序发生的事件，了解前序事件与故障的 关系。 异常检测 预测与优化 生产过程优化 异常检测 设备预测性维修 人机协同 质量提升  时间序列 将采集到的底层设备数据进行时间序列分析，生成时间 序列数据图形，将图像特征按时间段进行观察。  聚类分析 对建模后时间序列数据的按照时间端特征进行提取并聚 类，聚类的结果对应到采集到的生产国产数据。  关联分析 对于不同分类数据的相关性，通过拉长时间轴的长度进 行分析。  行为分析 对采集到的事件和分类数据的进行关联性分析，并对应 到产线运营行为上。 生产过程优化 预测与优化 设备预测性维修 生产过程优化 质量提升 人机协同 异常检测  能力平衡 通过分析工序的 Cycle time ，工序瓶颈以及相应的等 待事件，该出每一步工序所需要能力平衡的建议。  异常事件 通过对过程事件的分析发现经常性出现异常事件的原 因，原因：机器、人员、原材料、能源等。  缺陷事件 通过分析过程中反馈记录的质量信息，进行相关因素分 析，通过改善相关因素进行质量改善。  按因优化 将挖掘发现的过程事件原因进行进行合并处理，改出相 应的优化方案。 人机协同优化 预测与优化 生产过程优化 人机协同 质量提升 设备预测性维修 异常检测  调度优化 对机器和人员的执行调度，通过对历史操作数据的分析 分析出相应岗位最适合的人并进行作业人员画像保证人 机良好的协同。  人因分析 在具体的任务作业过程中，对作业人员的操作行为及执 行结果进行因果关联分析，并给出良好作业的关键行为 要素。 智慧工业解决方案平台架构 智慧工业解决方案平台架构 共分为三层：数据采集层（适配器）、数据支持层（ Gards 云平台）、应用层（ FIDIS 应用系统）。 数据层： 提供 BIOP-EG 智能网关接入设备和 BIOP 的接入接口软件，支持各类工业系统（ DCS 、 PLC 、 SCADA 等）、业务系统 （ ERP 、 MES 、 EAM 、 MRO 等）、工业设备和工业产品的接入。全结构化工业数据的智能感知采集技术，实现系统、设备、 产品级等多种数据源接入，多种协议的智能解析（ OPC 、 TCP/IP 、 Modbus 、 Profibus 、 CAN 等），提供 GB 、 TB 、到 PB 级的智能数据采集。实现数据加密传输和加密存储功能，满足企业对数据安全的需求。 工业平台层： BIOP 平台提供可扩展的工业云操作系统，能够实现对软硬件资源和开发工具的接入、控制和管理，为应用开发提供必要的存 储、计算、分析、挖掘、工具资源等支持。包括：分布式存储、分布式计算、数值质量及安全、数据分析、数据挖掘、数据可视 化等功能模块。 工业应用层： 通过云化软件和专用 APP 平台（支持第三方开发）应用构架，面向企业客户提供各类软件和应用服务。对第三方开发者提供开发 环境与开发工具，且封装了大量的工业技术原理、行业知识、基础模型，以微服务组件方式为开发者提供调用，来开发更多面向 用户的创造性应用。 BIOP 平台提供经营管理、能源管理、安全管理、环保管理、资金流管理及物资流管理、资产全生命周期管 理及预测性维护（ PHM ）等应用服务，帮助客户实现优化企业资源配置，提高企业资源利用率，提升企业的管理能力、营销能 力和资源整合能力，推动企业向智能制造迈进。 智慧工业解决方案：全生命周期服务 智慧工业云平台对服务的设备提供全生命周期服务，主要侧重于设备生产制造后运营支持服务，包括：远程监测服务，辅助 分析服务，智能化维护服务，安全报警服务，故障诊断服务，优化运行服务，设备信息服务，设备使用服务，设备知识培训服 务，技术咨询服务，运行报告服务等。 优化建议：根据数据处理分析结果和专家经验，对锅炉运行优 化提出建议，例如锅炉排烟高，可以建立数学模型，模拟出各 个运行参数对排烟影响因子，分析出主要影响因素，再结合企 业锅炉专家的经验，对排烟的问题提出优化方案，从而提高锅 炉效率、降低运营成本、辅助用户决策。 安全预警：设定对运行安全隐患进行预警及报警，并提出问题 的解决方案，帮助用户提前消除安全隐患，减小安全事故的发 生。 维修保养：根据锅炉配备的仪表、设备的实际情况，及时向用 户推送设备更换、维护保养信息；根据现场返回的运行数据， 及时向用户推送设备校准、维修信息。 智慧工业解决方案：智能工业 APP “ 智能工业”云平台标志着 “工业 4.0” 时代的到来！物联化、智能化和互联化是“智能工业”云平台的基础，它将物联网、云计 算、大数据、某著名企业互联等技术与传统工业深度融合，让工业设备变得更节能、更环保、更安全。 智慧工业解决方案：领导驾驶舱 宏观显示：显示整个生产线中所有设备设的运行、停机和故障状态等； 微观显示：点选设备的具体运行实时的状态。 智慧工业解决方案：生产线设备实时监控 可以实现设备台账管理、远程状态监控、设备日常巡检、历史数据查询、报警事故处理、产量数据分析等； 根据管理身份和职能级别的不同，可以设置用户登录账户拥有不同管理权限。 智慧工业解决方案：单台设备实时监控 智慧工业解决方案：手机 APP 端显示 ① 监控所有设备位置、运行状态； ② 支持对设备的远程控制； ③ 识别当前产线设备运行参数、设备信息、维护人员及历史维护记录； ④ 支持手机工单流转； 资产管理体系 资产管理解决方案的主要特征： 全过程性：涵盖资产从取得到退出全生命周期的整个过程 ; 全员化性：资产的管理和运营涵盖各个部门、各级单位以及全体员工 ; 全方位性：资产管理运营效益的全方位的评价，统筹经济效益、安全效益、社会效益等因素 进行整体评价。 设备预测性维修 预测与优化 生产过程优化 设备预测性维修 质量提升 人机协同 异常检测  时间单元 对于故障警告日志进行时间单元划分，将故障或警告视 为事件，事件到下一个事件发生时间间隔超过一定时间 的视为不同单元。  伴随概率 对于同一个时间单元里的故障和警告进行联合概率分 析，计算任意两个事件在单元里同时发生的概率。  故障事件 对于某一种故障的前序事件进行观察，事件与上一次事 件间隔时间以内或上一次相同故障发生之间的故障或警 告视为前序事件，统计不同前序事件发生的次数。  关联分析 通过伴随发生概率分析，了解任意事件之间的关联性， 寻找同时发生概率高的事件。通过故障的前序事件分 析，了解故障前序发生的事件，了解前序事件与故障的 关系。 异常检测 预测与优化 生产过程优化 异常检测 设备预测性维修 人机协同 质量提升  时间序列 将采集到的底层设备数据进行时间序列分析，生成时间 序列数据图形，将图像特征按时间段进行观察。  聚类分析 对建模后时间序列数据的按照时间端特征进行提取并聚 类，聚类的结果对应到采集到的生产国产数据。  关联分析 对于不同分类数据的相关性，通过拉长时间轴的长度进 行分析。  行为分析 对采集到的事件和分类数据的进行关联性分析，并对应 到产线运营行为上。 生产过程优化 预测与优化 设备预测性维修 生产过程优化 质量提升 人机协同 异常检测  能力平衡 通过分析工序的 Cycle time ，工序瓶颈以及相应的等 待事件，该出每一步工序所需要能力平衡的建议。  异常事件 通过对过程事件的分析发现经常