智能制造与大数据:数据采集实现数字化

2020-07-30 10:57:45
振华智造
大数据
智能制造
全文共约 3005 字,阅读约需 6~10 分钟。
在当前信息化、智能化浪潮下,传统粗放式生产的制造模式遭遇市场越来越激烈的竞争,低端技术、高成本、批量式生产等逐渐成为制约企业发展的瓶颈,同时用户对产品质量的要求越来越高,个性化定制越来越明显。

背 景

世界正在进入以信息产业为主导的经济发展时期,在新一轮的科技革命和产业发展变革中,智能制造已成为世界强国抢占发展机遇的制高点和主攻方向。近几年我国也在不断发展和完善智能制造相关产业政策,布局规划制造强国的推进路径。以新一代信息技术的产业化和集成应用为重点,推进新一代信息技术和制造业深度融合,已成为推动我国生产方式、产业形态、商业模式等加速创新的重要途径。

在当前信息化、智能化浪潮下,传统粗放式生产的制造模式遭遇市场越来越激烈的竞争,低端技术、高成本、批量式生产等逐渐成为制约企业发展的瓶颈,同时用户对产品质量的要求越来越高,个性化定制越来越明显。提高质量效益、转变生产方式是中国制造业必须解决的问题,而发展智能制造正是中国制造由大到强的必由之路,更是传统制造企业转型升级的必由之路。

什么是智能制造

当前,国内外对智能制造尚未有严格统一的定义,根据工信部《智能制造发展规划(2016-2020年)》对智能制造的定义:基于新一代信息通信技术与先进制造技术深度融合,贯穿于设计、生产、管理、服务等制造活动的各个环节,具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。

智能制造具有三个典型特征:自感知、自决策、自执行。这对于人类来说是非常简单的事情,比如端一杯水,人通过眼睛看到水杯在哪(自感知),用手握住把手(自决策,选择握住把手而不是杯身),端起水杯(自执行),可以轻易完成动作。而对于机器来说却并不容易,机器需要自动识别水杯的坐标位置、水杯的外形、高度、材质等(自感知),需要判断如何抓起水杯,握杯子把手还是杯身等(自决策),然后完成抓取杯子动作(自执行),这一整套连贯动作的执行决策需要各种数据作为支撑,需要借助大数据分析、人工智能等技术来实现。

智能制造的演化历经三个基本范式:先以数字化制造主导,再到网络化主导,进而走向智能化。本系列文章重点讲述大数据相关技术如何支撑智能制造实现数字化、网络化与智能化三个阶段目标。

智能制造的第一阶段:数字化

数字化是起点和基础,是将许多复杂多变的信息转变为量化的数字、数据,再以这些数字、数据建立起适当的模型,将其转变为一系列二进制代码,引入计算机内部,便于进行统一加工处理的过程。在全面信息化时代,数字化已经成为衡量企业信息化程度的一个重要指标。对于制造业来说,数字化的首要目标是实现数字化制造,即利用数字化的定量表述、存储、处理和控制方法,支持产品生命周期的全局优化,它是计算机数字技术、网络信息技术与制造技术不断融合、发展和应用的结果,内涵包括以CAD/CAM/CAE等为主体的产品研发设计与制造技术,以MRPII、ERP、MES等为主体的制造信息支持系统、数字控制制造系统等。

简单来说,狭义的数字化过程就是将线下、未准确量化的生产、管理等业务转为线上进行,实现生产的“无纸化”、“流程化”、“度量化”。例如将传统生产、管理过程中的纸质文件电子化,将业务工作方法与管理方式电子流程化等。基于数字化方法所实现的“无纸化”、“流程化”模式将会给企业生产管理带来巨大的效果改善与效率提升。

以设计过程数据采集与全面数字化为例,最早设计人员进行产品各项设计的时候,采用手工绘图设计的方式,设计完成后图纸线下传递至审核、总工等各级领导审批;审批过程中根据意见反馈又重新进行图纸修改,最终校核;审批完成后需要进行图纸晒图归档,后续分发至生产现场;参考及借阅过程繁杂,耗费人力。采用数字化方式后就转变为通过CAD软件直接进行二维、三维产品设计,电子图纸及设计说明书等文件直接通过PDM系统提交、审批。一方面有效进行各类数据的版本管理、设计参考与图纸复用,另一方面所有校对、审批均通过系统流程直接完成,电子化归档及电子化分发,极大地提高设计的效率、降低图纸出错率并减少整体设计工作量。

随着智能制造战略推进,企业必然会通过各种管理、生产相关的信息系统建设来促进自身数字化转型,把数据作为智能制造的核心驱动力,利用数据去整合产业链及价值链。各类信息系统的建设,实质是实现管理、生产等信息的采集、管理、流转与应用,用流程管理数据,用数据驱动业务。

数据采集实现数字化

制造企业数字化建设过程中核心采集哪些数据?

一是从底层的设备控制系统中采集设备的状态数据、设备参数等,如数控系统、产线控制系统等;

二是直接采集各类终端及传感器的数据,如温度传感器、振动传感器、噪声传感器、手持终端等;

三是从各类业务应用信息系统中获取数据,如:MES系统,既从PDM系统获取BOM数据,又从ERP系统获取订单数据等;

四是由线下的纸质文件数据转化而来,如工艺卡片电子化、流程卡片电子化等;

五是从互联网获取数据,如获取市场信息数据、环境数据,上下游供应商数据等。

实现以上数据资产的全面获取与利用,数据采集技术是关键。针对不同来源、不同形式的数据,需选用不同的数据采集方式。对于纸质文件等线下数据,可通过OCR识别、图像扫描、手工录入等方式获取;对于各类设备及传感器的数据,可通过各类网络及工业接口协议实现采集;对于业务系统数据,一方面可通过系统集成的方式定义数据集成接口或通过中间件实现数据传递,另一方面可直接利用ETL(抽取Extract、转换Transform、加载Load)工具从业务系统数据库中抽取;对于外部数据、互联网数据,可采用网络爬虫等方式获取。

在这里,特别强调下ETL数据采集工具。随着企业级大数据中心的建设,ETL数据采集工具所扮演的角色也愈加重要。ETL工具负责将分散的、异构数据源中的数据(如关系数据、平面数据文件)抽取到临时中间层后,进行清洗、转换、集成,最后加载到数据仓库中,为后续联机分析处理、数据挖掘模型构建等提供决策支持。

举例:数字化的应用场景

下面简单介绍一个通过数据采集实现设备监管与运维数字化的典型场景——设备运行状态监测。

设备运行状态监测主要通过不同的采集协议及传感器实现企业各类型设备运行数据的实时采集,如:对于有对外输出接口的设备,直接通过接口协议解析获取数据;对于没有输出接口的设备,通过加装一些传感器来采集相关数据;对于有设备管理控制系统的设备,采用直接与系统集成获取数据,也可利用ETL工具从系统后台数据库中抽取数据。获取的多源异构数据主要包括设备的开关机状态、设备的故障信息、设备运行的状态信息、设备参数信息、维修保养记录等,通过实时数据分析、可视化的方式全面感知设备的实时状态,以此为基础构建设备运行状态监测管理系统,并可实现以下效果:

(1)实时监控:针对设备的运行状态及要求,通过实时状态数据接入与分析、参数范围设置、动态阈值规划、异常诊断模型开发等实现设备实时监测评估。当设备实时状态数据出现异常时,系统可自动识别并报警,并推送提醒设备管理维护人员,提升故障的响应及时性与排故效率。

(2)分析评估:通过设备实时数据统计分析,可对设备相关指标及综合效能进行评估,如设备完好率、故障率、OEE等指标分析,全面提升设备使用及管理能力。

(3)故障预测:可基于设备历史数据样例与实时数据分析,及时发现设备参数的异常变化并展开趋势预判,实现设备健康状态预测,指导设备维修保养计划制定,提升维修计划的科学性。

收藏
免责声明:凡注明为其它来源的信息均转自其它平台,由网友自主投稿和发布、编辑整理上传,对此类作品本站仅提供交流平台,不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。如果您发现网站上有侵犯您的知识产权的作品,请与我们取得联系,我们会及时修改或删除。联系邮箱:leixiao@infoobs.com