下载掌阅APP，畅读海量书库
立即打开
以智能制造为主体的新一轮工业革命正在世界范围内广泛展开，不管是德国提出的“工业4.0”战略，美国提出的“工业互联网”，日本提出的“智能制造系统”国际合作计划，还是我国提出的“中国制造2025”战略，它们的主要特征都是基于CPS实现对人、机、物的实时状态的全面感知，对海量异构的工业现场数据和信息进行智能分析并处理，推动制造业向基于工业大数据分析与应用智能化的产品需求、设计、制造、销售及服务的转型。多源各异的消费者需求数据、海量异构的工业现场数据和对这些大数据的理解、分析、利用及转化共同构成了智能制造的数据生态系统。智能制造的数据生态系统可以从两个层面来理解：一是依托对上游消费者通过网络提出的具体需求的数据分析，提供精确及时的产品服务，同时记录整个实现过程的基础数据；二是通过对大量消费需求实现过程数据的分析、挖掘，了解具体消费需求实现过程中存在的问题、造成的影响和解决方法，将这些数据信息抽象化建模后转化成知识数据，再利用这些知识数据去认识、解决和避免新的问题，这个过程能够自发自动地循环进行。
智能制造的数据源于制造全生命周期的各个阶段，主要包含三大部分：①传统数据，包括解决某些业务问题的单元工具软件如CAD/CAE/CAM/CAPP，以及企业资源规划、客户关系管理、供应链管理等企业业务管理软件产生的数据；②传感数据，通过物联网及泛在计算技术在制造企业中的广泛应用，实现自动、实时、准确、详细地获取企业物理环境的数据信息，如使用RFID（radio frequency identification）、Auto-ID、Bluetooth、Wi-Fi、全球移动通信系统（global system for mobile communications，GSM）、ZigBee等来采集和同步生产的现场数据；③社交媒体数据，随着社交网络、移动计算等社会化媒体的兴起，网络上产生了大量图片数据、文本及多媒体数据，这些数据反映了用户需求、消费习惯和兴趣爱好等。利用这些来自多渠道的数据建立分析模型，可以全方位、多角度地观察用户行为、预测用户需求，主动配置和优化制造资源。
从宏观上看，智能制造的数据主要包括以下几类：
（1）市场客户信息，如需求市场信息、供应市场信息、客户信息等。
（2）产品数据，如产品图纸、物料清单数据、零件几何特征编码等。
（3）生产控制数据，如生产计划、调度命令、控制指令等。
（4）工艺信息，如工艺文件、数控程序、加工过程状态等。
（5）生产状况数据，如设备数据、物料数据、人员信息数据等。
（6）经营管理数据，如预测信息数据等。
除此之外，制造信息数据还有决策信息数据、财务信息数据和企业状况信息数据等。智能制造过程可以看作是对制造过程中各种信息数据资源的采集、传输和加工处理的过程，其最终形成的产品是信息数据的物质表现，即信息数据的物化。
智能制造数据生态系统是以海量异构的大数据技术为生态依托，基于数据生命周期全过程所形成的有机复杂系统，以数据价值挖掘及实现为发展核心，由制造数据及相关数据生产者、传递者、消费者、分解者等生态因子共同构成，主要有开放性、协同性、动态性及多样性4个特征。
（1）开放性。智能制造的数据生态系统是参与到需求、生产、消费、服务等产业制造全过程循环的特殊有机体，通过能量流、物质流及数据流等的流入、流出与周围环境和平台相联系，如智能制造数据的“分解”需要从外部环境输入能量和物质，对大数据分析结果的应用需要外部的消费市场，开放性是智能制造数据生态系统的自然属性。
（2）协同性。智能制造数据生态系统是一个有机整体，系统功能需要系统内各生态因子按照特定规则自动形成，同时各生态因子在结构和功能上能够相互补充、相互协调配合，进而实现系统整体功能大于部分功能之和。
（3）动态性。动态性是智能制造数据生态系统最明显的特征，这种动态性基于空间视角，是指系统内各构成要素可以与外界有选择性地进行双向交流；基于时间视角，表现为智能制造数据生态系统会随着内外部环境的变动向更高层级演化。
（4）多样性。多样性表明生态系统是由多种物种相互依赖而构成的有机体，多样性是生态系统生存的关键。同样，多样性也是智能制造数据生态系统的重要特征，既体现在海量数据自身的来源与种类上，也体现在大数据的消费群体及大数据生态系统功能上。
智能制造的数据生态系统以数据生命周期全过程为基础架构，通过数据生产者、数据传递者、数据分解者与数据消费者等生态因子的协同配合保证系统稳健运行。
（1）数据获取阶段。数据获取是指获得海量数据的过程，在该阶段借助数据采集技术使数据源（生产者）中的数据为智能制造的数据生态系统所用，并将数据以标准化形式整合，便于后续数据存储、数据分析与挖掘活动的顺利进行。
（2）数据清洗与存储阶段。将数据获取阶段所得到的数据进行清洗，剔除无效数据后将其余数据分类存储于数据存储系统中。随着数据量的爆发式增长，智能制造数据生态系统对存储技术提出了新的要求，存储系统不仅必须具备安全性与永久性，同时还应便于数据的检索与提取。
（3）数据分析与挖掘阶段。该阶段根据消费者需求，利用数据分析及数据挖掘技术对海量数据进行处理，既要满足消费者需求，也要在海量数据间建立关联性，实现系统价值增值。数据分析与挖掘阶段是海量数据价值实现的重要过程，也是智能制造数据生态系统实现演进发展的关键环节。
（4）结果发布阶段。通过可视化、搜索引擎等数据技术将数据分析结果以消费者可理解的方式进行发布，是数据价值的应用阶段。数据分析结果可为个体与组织机构提供决策依据、为企业发现潜在市场机遇、帮助科研人员识别研究问题、辅助政府部门制定政策等。
智能制造数据分析应用带来的效益将渗透于整个制造业价值链，如产品创新、市场需求预测、优化产品生产流程、生产过程精准控制、企业业务流程精细化管理等。主要应用有：
（1）实现大规模个性化定制。在产品生产之前通过大数据分析感知用户的情景信息，快速洞察用户需求及兴趣点，针对客户的个性化需求进行参数配置、优化和建模，从而精准地向用户提供制造服务的主动推荐、检查和建议。
（2）产品故障诊断与预测。通过分布在生产线不同环节的传感器实时采集制造装备运行数据，并进行建模分析，及时跟踪设备信息（如实际健康状态、设备表现或衰退轨迹），进行故障预测与诊断，从而减少这些不确定因素造成的影响，降低停产率，提高实际运营生产力。
（3）精准制造服务推送。通过多渠道收集用户大数据，如身份信息、行为数据和交易数据，从各个维度了解客户需求，在整合数据之后，企业可以了解哪些客户群体需要怎样的制造服务，从而挖掘商业机会，主动发现制造任务，辅助制造企业做出合理决策，减少因盲目制造与需求不匹配而造成的资源浪费。
（4）制造流程优化控制。传统的制造流程建模方法和自动控制方法是以事先建立对象模型为前提，然后根据对象理论模型加以闭环控制，从而使输出结果符合要求。然而，面对复杂的工业生产系统时，其特性和行为难以被理解和掌握，建立优化控制模型十分困难，通过智能制造数据生态系统处理分析，以数据为基础来发现模型，可以解决现有机理建模方法难以解决的问题。
总之，基于数据生态系统的智能制造的基本目的就是对制造设备本身以及产品制造过程中产生的数据进行系统分析，转换成实际有用的信息或知识，并通过这些信息或知识对外部环境及情形做出判断和采取适当的行动，进而产生优化的业务决策和个性化的服务，创造价值并获得更多的收益。