工業互聯網環境下的工業大數據采集與應用

劉 欣，李向東,2，耿立校，孫紅桃

（1.河北工業大學，天津 300401；2.國家技術創新方法與實施工具工程技術研究中心，天津 300401）

0 引 言

在以物聯網、人工智能、云計算、區塊鏈、5G等為代表的新一代信息技術引領下，與工業領域深度融合而形成的工業互聯網是支撐企業數字化、網絡化、智能化轉型發展的關鍵基礎設施。工業互聯網實現了工業領域的人、機器、方法、環境等全要素連接，作為一種新興應用模式，給傳統制造業帶來了顛覆性的變化和影響。我國在《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標的建議》中提出要加快建設工業互聯網和大數據中心，工信部在《工業互聯網創新發展行動計劃（2021—2023年）》中提出要開展數據匯集賦能行動，推動工業互聯網快速和高質量發展。這些政策的頒布充分說明了工業互聯網的重要程度，也為其快速發展奠定了基礎。

在工業互聯網助力制造業轉型升級的過程中，工業數據的深度分析與應用有助于企業實現高質量產品生產、精細化管理和高效率運行的目標。目前，工業領域呈現以“數據+算力+算法=應用”為核心的新一代智能制造技術體系和運營管理模式[1]。工業互聯網的出現推動了算力的巨大進步，加快了算法與模型的沉淀，為工業大數據的應用提供了豐富的工業場景。工業互聯網環境下，工業大數據的應用涉及產品研發設計、生產制造和運維服務等方面。本文旨在從工業大數據的特點出發，闡明工業大數據的來源與采集方式，分析并總結工業大數據在工業互聯網環境下的應用。最后，為工業大數據助力制造業數字化發展提出建議。

1 工業大數據的特點

與商業領域關注數據之間的關聯性以及對數據具有較高容錯率的特征相比，工業領域的大數據更為重視數據特征蘊含的物理意義以及特征之間的關聯機理[2]，對分析結果的可靠性要求較高。工業大數據具有規模大、速度快、類型雜、質量低的“4V”特征，還具有反應工業機理與邏輯[3]的多模態、強關聯、高通量、因果性、價值性等新特征。

工業大數據要反映工業系統各方面的要素，強調數據樣本的全體性。記錄全體數據不僅要包含工業軟件及系統中的結構化數據，還涉及不同專業的視頻、圖紙等半結構化、非結構化數據，導致數據文件結構復雜和數據內生結構的多模態特征。工業大數據的強關聯體現在工業系統中不同物理對象與過程的語義關聯，反映了工業系統復雜的動態關系，體現出了產品生命周期內設計、生產、運營、售后等各過程的不同專業數據之間的關聯。高通量是指設備與產品利用傳感器能夠短時間內采集大量時間序列數據，這類時間序列數據呈現出吞吐量大、產生速度快并且持續不斷的特征。工業大數據的價值性[4]體現在其應用能夠解決企業生產制造過程中的痛點問題，幫助制造企業實現數字化轉型。工業大數據的因果性體現在通過數據分析得出可靠的結論和知識，用以指導工業系統運行的過程。在工業大數據分析應用過程中追求因果性能夠降低不確定性導致的損失。

2 工業互聯網環境下的工業大數據采集

2.1 工業大數據來源

工業大數據作為工業互聯網的核心要素和生產資源，讓人與機器的對話成為可能，是企業從“制造”到“智造”轉型的加速器。從業務視角出發，工業大數據主要來源于企業信息化數據、工業物聯網數據和外部跨界數據[3]。

企業信息化數據是指存儲在進行日常生產與管理活動的ERP、MES、SCM、CRM等信息系統中的高價值業務數據，涉及產品生命周期各個環節，這部分數據已成為工業領域傳統的數據資產。

工業物聯網數據是指通過傳感器等連接機器、產品對象等產生的數據。主要分為生產現場的數據以及交付客戶后的終端產品數據[5]，是工業大數據的重要組成部分。

企業生產運行不僅受內部生產要素的影響，政策法規、宏觀經濟數據、市場變化等外部要素也會影響企業的生產和產品創新。由于工業系統處于復雜多變的內外部環境之中，外部跨界數據也是工業大數據的重要來源。

2.2 工業大數據采集

工業大數據采集是制造企業數字化轉型的前提。工業互聯網在助力企業轉型升級過程中，成為工業大數據采集和應用的新載體。其邊緣層通過接口、協議或系統集成的方式完成對不同來源數據的接入與實時采集。

工業互聯網利用數據接口連接企業信息系統，支持ERP、CRM、MES等應用系統數據的批量或增量導入，實現異構系統中數據的統一管理。

工業物聯網數據采集主要包括工業現場數據采集和工業產品數據采集。工業現場的數據采集針對現場工業控制系統和設備進行。通過生產現場的自動化與控制系統，如DCS、SCADA系統等，借助傳感器、采集器、射頻識別等實現對地理位置集中的底層設備或分散的工業現場設備進行監視與數據采集。工業產品數據在產品或裝備在客戶端投入使用后，通過4G、5G、NB-IoT等無線通信技術接入工業互聯網，利用標識、傳感器等獲取產品信息、能耗、溫度、工作電流、電壓等實時指標數據，完成數據的采集。

企業決策不僅受自身資源、管理條件的約束，還受外部環境的影響。借助數據抓取技術等從市場、合作伙伴或競爭者等處獲得外部跨界數據，包括從市場動態數據中提取的消費者對產品的滿意度和未來需求的相關數據、合作伙伴或者競爭者的動態發展數據等。

3 工業互聯網環境下的大數據分析與應用

工業大數據的分析與應用貫穿制造企業生產經營的全過程。工業大數據在研發設計、生產制造、遠程運維、數字化運營管理等方面幫助制造企業實現了降本增效與提質增收。

3.1 研發設計

數字經濟時代，市場競爭環境復雜多變，高效率地進行工業產品設計是縮短交付周期、提升企業競爭力的前提。工業大數據支持產品協同設計、智能裝備的數字化設計以及建模仿真等。如在航天云網的支持下，依托數據和模型實現了航天企業產品的協同設計和多學科建模仿真[6]。通過工業互聯網技術感知多維數據，利用半監督學習和樸素貝葉斯分類器處理工業數據進行關鍵詞提取、情感分析、語義關聯[7]，實現智能設備數字化設計。利用模糊邏輯、神經網絡、遺傳算法、物理規劃等計算智能技術進行概念設計方案的選擇與評估，幫助設計人員快速找到坦克發動機的最佳設計方案[8]。除此之外，應用回歸、聚類和關聯規則等常見的數據挖掘方法能夠輔助產品設計與性能優化，縮短產品開發周期。

3.2 生產制造

企業依托工業互聯網采集生產過程的工業大數據，在生產工藝參數優化、能耗管理、質量管控、生產調度、智能排產、生產監控等場景實現了工業大數據的深度應用。其中，算法和模型是工業大數據發揮價值的重要手段。

（1）生產工藝參數優化

工業大數據的應用改變了企業依賴工人經驗或大量實驗來調整與優化生產工藝參數的現狀。借助工業互聯網整合的產品全生命周期歷史數據，利用數據分析算法與模型，提高生產階段工藝參數設置的準確性。例如，卷煙包裝公司利用數據分類規則提取卷煙包裝的工藝參數，通過關聯挖掘確定工藝參數之間的內在聯系，從而發現工藝參數設置的最佳組合，實現工藝參數的優化[9]。在高鐵彈條生產環節的熱處理工藝中，通過工業互聯網實時獲取工藝參數信息，利用BP神經網絡模型預測和優化后續工藝參數[10]，這一方法提升了高鐵彈條的質量與性能。

（2）能耗管理

能耗管理是工業大數據的典型應用場景之一。數據驅動的能耗管理能夠在一定程度上解決生產過程中能耗浪費的問題，使能耗管理變得更加透明，實現了能源的節約和高效利用。如部署具有云計算功能的能源管理系統[11]是實現能源消耗控制與優化的一種有效手段。增材制造行業的生產活動伴隨大量的能源消耗，利用基于聚類的深度學習算法對增材制造過程的多源數據進行集成與建模，實現增材制造系統能量消耗的準確預測，幫助企業更好地完成能耗管理工作[12]。除了以上方法，運用回歸、分類、神經網絡、遺傳網絡、時間序列、空間解析等智能算法或模型分析生產現場的能耗數據，識別與能耗變化高度相關的關鍵參數，進而實現產品生產制造過程的能耗管理與優化。

（3）質量管控

制造企業的發展前景很大程度上取決于產品質量，而應用工業大數據能對產品質量進行適時的控制、調整和提升，從而更好地滿足客戶要求。例如，富桂公司以質量管控為中心，融合新興技術打造工業互聯網平臺，針對設備內部數據、生產線生產數據進行數據集成與分析，控制產品質量[13]。另外，在采集生產線質量數據的基礎上，通過結合生產計劃與用戶需求構建質量智能管控模型。鋼鐵企業實現了產品質量的主動在線管控[14]，不僅降低了工人的勞動強度，還能有效控制產品質量。

（4）生產調度

受工業互聯網等新興技術的影響，生產調度系統正在向智能調度系統轉變。在工廠安裝智能傳感器和監控設備，進行生產現場的數據采集、關聯分析與融合處理，實現實時智能生產調度[15]。智能生產調度常用的算法模型包括決策樹、遺傳算法以及聚類分析等。例如，針對Job Shop調度問題，構建決策樹模型分析海量生產數據[16]，獲取數據驅動的調度規則，對機器的使用進行調整，提高車間生產效率；結合混合整數規劃、離散事件模擬和遺傳算法能解決傳統調度方法在應對指數級數據的處理以及環境的動態干擾方面存在的不足，實現綜合調度[17]，提高企業運行效率。

此外，工業互聯網對生產數據的全面感知、實時分析，支撐著企業實現智能排產與生產監控等活動。在產能約束和交期約束等條件限制下，可以利用神經網絡、深度學習等算法模型處理生產數據，制定企業最優的排產計劃。基于工業互聯網的生產監控系統運用大數據技術處理生產現場的數據流，監控車間的整體生產。數據驅動與算法模型的融合應用，能夠對生產做出及時調整與反饋，在提升制造企業生產效率的同時，降低生產成本與風險。

3.3 遠程運維

制造業的發展依賴于大型裝備與關鍵設備，其健康運行對工業企業的正常運轉至關重要，而工業互聯網廣連接、速度快、低延時的特點加速了遠程運維服務的發展。利用統計技術和機器學習方法[18]，如決策樹、K-means、貝葉斯算法、關聯規則、神經網絡、支持向量機、紅外圖譜診斷算法等智能分析算法，結合基于圖譜的識別技術，分析產品運行的時序數據，能夠識別設備異常狀況下的影響因素。利用工業互聯網實現設備故障診斷與預測性維護，降低了工人運維工作的強度，通過設備運行實時狀態監測、自動預警和故障診斷維護，實現了對機器的安全運營，提高了設備可用率，推動了設備運維智能化發展。

（1）設備故障診斷

對設備的實時監測有助于企業掌握設備的運行狀態，快速診斷設備的運行故障。過去，對于設備故障診斷首選的衡量指標是檢測平均運行長度和平均信號時間，但通過統計得到的運行狀態參考結果具有局限性[19]。工業大數據的應用打破了這種局限，能基于機器的實時狀態進行準確的故障診斷與預測。

利用無線傳感器網絡和射頻識別技術，可以實時采集不同來源的設備監測數據，結合支持向量機、深度神經網絡等機器學習算法和模型對數據進行分析，幫助企業做出準確的故障預測和診斷。例如，基于動態增量主成分分析進行故障原因檢測后，再利用卷積神經網絡識別故障類型，能有針對性地實現工業電機的實時故障診斷[20]。

（2）預測性維護

預測性維護通過利用工業大數據和機器學習算法建立預測模型，在設備運行狀態監測和退化機理經驗的基礎上，盡早發現故障隱患和預測設備剩余壽命，盡可能延長設備的使用時間。例如，通過使用自組織映射和高斯混合模型等無監督學習算法對不同工作制度的機器數據進行分類，針對不同類型的機器數據構建預測性維修模型[21]，從而做出維修決策，降低機器意外停工給企業帶來的成本。應用退化模型和貝葉斯方法對傳感數據進行分析，實現工業互聯網環境下基于事件驅動的機床狀態監測和剩余壽命預測[22]，根據剩余壽命合理安排工件生產任務，實現企業效益最大化。除了這些模型或算法，基于聚類、神經網絡、支持向量機和隨機森林等算法構建預測模型，及時準確地預測設備可能發生的故障，從而提高設備可用率，降低停機維修造成的損失，使設備在保障安全的前提下能夠合理超期服役。

3.4 運營管理

在客戶需求多樣且復雜的環境下，工業大數據的應用使企業數字化運營成為可能。工業大數據通過遺傳算法、神經網絡、關聯規則、支持向量機、時間序列預測等智能算法或模型，幫助企業在供應鏈彈性優化與協同、需求預測等場景下實現數字化運營。

（1）供應鏈彈性優化

工業互聯網高度集成供應鏈上下游產生的海量數據，實現企業之間的連通與協同。利用算法和模型分析供應鏈的數據能輔助管理者做出及時準確的決策，實現供應鏈的高效運營、優化與智能升級。供應鏈運行過程中可能因不確定情況發生中斷，利用數據驅動的方法分析破壞性歷史事件數據，將分析過程與穩健優化框架相結合形成的雙目標兩階段自適應魯棒分式規劃模型是內生不確定性條件下的供應鏈彈性優化的一種有效方法[23]。在按訂單生產時，供應鏈存在各種動態波動，具有冗余的庫存、產能和運營能力[24]，因此，優化供應鏈的彈性對于提升供應鏈的產能與運行效益至關重要。

（2）需求預測

在激烈的市場競爭環境下盡可能準確地預測客戶需求是企業開展采購、生產、庫存等日常活動的前提與基礎。邱萍萍等[25]結合星期指數因子、促銷時間節點以及節假日因子3個邊信息構建多層貝葉斯模型進行客戶需求預測，拓展了制造企業需求預測的研究。通過對能源序列數據進行頻繁挖掘和K-Means聚類，分析家電與家電、家電與時間的關聯導致的行為消耗模式[26]，反應消費者的預期舒適度，輔助公共事業單位提前計劃與平衡能源的供應與需求。基于并行神經網絡的新型機器學習算法，用于魯棒檢測和電力需求的預測[27]。該算法增強了能源監控與數據采集的能力，是電力行業在工業互聯網背景下實現服務化的一種穩健預測方法。

工業互聯網環境下工業大數據還被應用到制造企業的庫存優化、配送優化、精準營銷、金融服務、客戶關系管理等運營場景中。例如，終端產品通過加裝傳感器實現基于物聯網的產品追溯，通過大數據分析，制造企業可以了解用戶位置分布和客戶需求，使精準營銷、庫存與配送的優化成為可能。制造企業在進行客戶關系管理時，引入分類或聚類算法，根據客戶歷史數據進行客戶群細分，以便進行交叉營銷和潛在客戶的挖掘，主動服務客戶，提高企業運營效率。工業互聯網也成為金融機構與中小微企業對接的渠道與中介，通過數據分析助力金融機構準確評估信貸風險，建立中小微企業的信用評級體系，改善中小微企業融資難的現狀。

4 結 語

數字經濟的發展帶來了工業數據的指數級增長。工業互聯網的發展尚處于起步階段，為工業大數據的應用提供了廣泛的基礎和廣闊的空間。工業大數據的應用在制造企業轉型升級過程中能夠帶來巨大的經濟效益。工業大數據驅動應用的過程需要進一步深入探索。建議從以下方面深化工業大數據的利用，更好地發揮工業大數據的價值。

（1）建立大數據共享生態，實現數據資源的協同發展。互聯互通和開放共享對于數據的高效流通與利用至關重要。作為數據載體的工業互聯網統一工業數據和算法模型等調用接口標準，利用標識打造數據共享機制，基于區塊鏈建立數據安全機制和信任體系，從而促進大數據的開放共享。

（2）通過產學研協同加強大數據技術成果落地應用。制造企業、高校、科研單位緊密協同開展算法模型等創新研究，為制造企業培養工業領域的大數據技術人才，推動工業大數據技術成果的創新與落地應用。

（3）拓展工業互聯網環境下工業大數據的應用場景。工業互聯網作為新興產物，給制造業帶來了眾多發展機遇。深化工業大數據在設計階段用戶參與、工藝設計，生產階段的任務協同、閑置資源租賃，運營階段的產銷量預測、自動化庫存、成本管理、風險評估，增值服務等場景的應用，更好地促進企業數字化轉型。