王晨宇

摘 要：近几年，随着制造业、信息技术的不断融合、发展，我国迎来了以“智能制造”为代表的新一轮工业发展变革。本文首先概述了大数据在制造业中的应用，然后围绕数据集成、数据处理、数据分析三个方面，对工业大数据在智能制造中的应用进行了论述，以期为广大从业者提供有价值的参考。

关键词：工业大数据；大数据技术；智能制造

智能化目前已经成为了制造业发展的重要主题，大量数据采集设备在产品制造车间投入使用，在产品制造的过程中采集了海量的数据。利用大数据技术，将这些数据整合、归类、分析，就能够进一步提高制造企业的生产管理水平。制造业作为我国国民经济中的重要构成部分，和大数据技术的融合发展已经成为了一个必然的趋势。在这样的背景下，探讨工业大数据在智能制造中的应用，对于制造业的进一步发展，显得有极其重要的促进意义。

一、大数据在制造业中的应用

数据本身并不能推动智能制造的发展，而是要通过合理的整合、分析，发现数据隐藏的价值，提出促进制造企业发展的方案，才能够有效提高企业的制造水平、管理水平，如图1所示，智能制造、大数据之间的关系大致可分为三个层次：第一，将制造中存在的问题转换为定性、定量的数据内容，然后从中找到相应的解决方法；第二，将数据内容转化为企业产品制造相关的知识内容，为制造规划策略的制定提供数据支撑，避免一些已经出现过的问题再次发生；第三，将制造相关的理论知识，转化为可视化数据，深度探究数据和制造问题的联系，达到优化生产流程的目的[1]。

目前，部分制造企业已经将大数据技术应用在某些具体的生产场景中，如车间设备调度、生产制造工艺优化、制造故障追踪、设备故障溯源、制造流程优化等等。国内外学者在大数据在制造业中的应用也进行了大量的分析论述，其中具有代表性的是：利用大数据技术分析车间内的物资流动数据，优化物资流动过程，协调车间内的人力、物力调动，达到降低制造成本，提高制造效率的目的；利用粒子群算法、神经网络、遗传算法构建车间内制造生产调度模型，为产品制造提供可靠的理论支撑；利用产品制造数据，构建工艺数据模型，实现制造工艺快速优化、设计。从文章例举的研究案例可看出，大数据在制造业中的应用较为广泛，并且大数据也呈现出极强的适用性、实用性，对于智能制造的发展有着重要的促进作用[2]。

二、智能制造中的大数据关键技术

（一）数据集成

大数据技术的本质，就是将不同形式、不同格式、不同来源、不同性质、不同用途的数据，通过判断其逻辑结构或者形式结构，进行合理的分类、集中，为系统储存提供一系列相对稳定的、系统的数据集合。在智能制造中，能够将制造相关数据有机集中起来，解决制造业长久存在的“数据孤岛”问题[3]。

在数据集成的过程中，为获取更有价值的数据内容，往往需要对数据进行降噪、转换等工作，而在智能制造中，产生的相关数据覆盖面比较广，如MES数据、ERP数据、数控程序数据、产品三维模型数据、结构化数据、非结构化数据等，这些数据呈现出多维度、高噪声等特点，若是未经过处理，直接对数据的潜在价值、特征进行挖掘分析，其效率可想而知，为提高大数据技术的实际应用价值，在分析前必须对这些数据进行合理的归集、抽取、转化（将多维度数据转化为单维度且便于处理的结构），然后将这些数据储存到数据库中[4]。另外，大数据技术在智能制造中的应用，在分析、集成的过程中可能会出现多读、漏读等等问题，这些问题就直接影响了数据的真实性、准确性、实用性，所以在数据归集、抽取的过程中，还要对数据进行清洗处理，并根据数据的完整性、精确性，对数据进行有针对性的修复以及错误修正，具体可利用过滤规则多级组合优化理论、D-S证据理论、增量聚类理论实现对数据的清洗、降噪、归集[5]。

数据最终的储存、管理也是大数据技术在智能制造中应用的重点，采集到的数据内容必须采取合理的储存方式存放在数据库中，以此来为后期的挖掘、分析工作奠定基础。相较于传统的半自动化制造、自动化制造，智能制造产生的数据种类更多，所以传统的数据库已经不能够满足数据储存需求，目前基于Hadoop架构开发的“HDFS”文件系统在业界得到了广泛认同（该系统的工作原理可见图2），智能制造产生的数据能够按照事先规划好的文件体量进行合理的划分，文件根据其体量大小传输至不同的DataNode，以此来提高数据访问效率、提高数据储存质量。

（二）数据处理

工业大数据的应用可辐射至描述、故障诊断、问题预测、技术调整等多个方面，为满足智能制造中不同的需求，需要根据需求合理的调整技术方法，如分布式计算、流处理、内存处理等等。

其中，分布式计算是一种较为新颖的计算方法，它将计算任务分解为一个个小任务，然后将计算任务交由多个计算终端处理，最终再将这些结果汇总。在智能制造方面，应用最为广泛的是MapReduce处理框架，在实际应用中，MapReduce处理框架能够利用普通计算机进行计算，并能够处理普通计算机无法处理的数据内容，如图3所示，MapReduce处理框架将待处理的数据内容分解为固定的体量，然后将这些数据传输至相应的Map模块，在计算的过程中将相对应的键值写入磁盘，Reduce在根据磁盘中的键值，将最终的结果汇总并传输至文件系统，MapReduce处理框架的应用提高了单台计算机的实际处理能力，适合对大规模、大体量的工业数据进行有效处理。

（三）数据分析

工业数据常见的分析技术为神经网络、数据挖掘，智能制造中遭遇的问题一般比较复杂，通过对工业数据的有效分析，能够在不了解问题因果的情况下，快速的分析出数据之间的内在联系，从而获取最接近事实的信息。目前，STKmeans在智能制造领域也初露头角，该算法的分析效率、质量优于传统的分析方法，极具借鉴价值。

结束语：

综上所述，工业大数据在智能制造发展、转型的过程中，起着极其重要的促进作用。目前，工业大数据在我国制造业中的应用仍旧处于起步阶段，工业大数据的应用需要广大从业者的进一步分析、探究。但大量事实证明，除了要探究更高水平的技术方法，还要进一步提升工业大数据的数据质量，而我国在这方面的研究较少，需广大从业者加以重视。

参考文献：

[1]段成. 智能制造背景下工业大数据的数据质量控制探讨[J]. 机械设计与制造工程， 2018.

[2]何文韬， 邵诚. 工业大数据分析技术的发展及其面临的挑战[J]. 信息与控制， 2018（04）：18-30.

[3]王煜. 三一举办智能制造盛宴——工业大数据应用制造沙龙汇在长沙市召开[J]. 工程机械， 2016（4）.

[4]周本华， 吴旭光， 郭培龙， et al. 现场数据采集技术及在智能制造系统中的应用[J]. 制造技术与机床， 2016（6）：33-39.

[5]朱雪初， 乔非. 基于工业大数据的晶圆制造系统加工周期预测方法[J]. 计算机集成制造系统， 2017（10）：95-102.