智能制造下工业大数据技术浅析

新时代下，我国制造业发展迅猛。再加上信息技术在制造业的深度普及和应用，智能制造受到越来越多企业的重视。将工业大数据技术应用于其中，不仅能进一步完善制造流程，优化运营与服务，还能够创新产品，推动我国工业现代化发展。本文基于智能制造和工业大数据技术的定义，就智能制造背景下工业大数据的关键技术进行了具体分析。

1.概念界定

1.1智能制造

智能制造源于对人工智能的研究，通常认为智能是知识和智力的总和，前者是智能的基础，后者是获取和运用知识求解的能力。具体来说，智能制造涵盖了智能制造技术和智能制造系统，其是一种由智能机器和人类专家一起组成的人机一体化智能系统。其不仅能够在实践中持续充实知识库，主动采集周围的信息数据，对其进行分析、判断、决策，还具备了自主学习功能，扩大、延伸、取代人类专家在制造过程中的脑力劳动。

1.2工业大数据

工业大数据即是对工业领域内，所有收集到的数据类型和相关应用的总称。这些数据虽然类型各不相同，但是都具备了四个重要特征：容量大、更新速度快、种类多、价值高。近年来，随着工业行业的进一步变革，工业大数据已经成为十分重要的新一代信息技术。本质上来说，工业大数据对于制造企业的经营管理并没有直接的价值，而是在智能制造模式中，通过采集数据、分析、存储、利用等多个环节，实现智能制造和制造系统的完美融合，将数据转化为人们所需要的信息，并从中不断挖掘数据价值，了解其中的新知识，并获得有用的信息，为制造企业的相关决策提供参考，创造出更多的经济效益和价值。

2.工业大数据应用价值

2.1科学管控生产流程

依托于工业大数据，能够对制造企业的生产流程实施智能化管控，通过准确收集相关数据信息，如产量、人员、材料等，能够从中发现存在的问题，并制定针对性的优化措施。同时，通过对电量、耗能量、原材料等数据的分析，能够从中发现工艺生产的规律，并结合市场需求，不断改进工艺，降低制造成本，达到节能增效的目的。

2.2促进产品个性化创新

当前，市面上很多智能产品都装有传感器模块，其能够实时收集相关客户的信息，并上传、分析、储存这些数据，为企业的决策提供参考。制造企业可以依托大数据技术对这些内容进行挖掘，了解到不同客户群体的个性化需求，进而对产品的故障预先判断，对产品的功能升级改造，最终研发出更多优质产品，推动企业持续化发展。

2.3降低生产运营风险

制造企业面对激烈的市场竞争，常常会遇到很多不确定因素。智能制造背景下，企业必须要充分考虑更多的问题，不仅要思考如何生产出优质产品，降低生产成本，关注零部件磨损等问题，还需要依托于工业大数据技术，全面分析各个机器设备在运转中存在的潜在风险。通过机械设备运转中的参数收集和分析，帮助企业预测、防控相关风险，制定风险应急措施，为企业的健康发展保驾护航。

3.工业大数据平台关键技术

3.1数据采集

工业大数据平台的底层建设是数据采集，通过和各个工业业务系统、中控系统等集成，依托于设备自身或外加网关等方式，获得结构化、半结构化、非结构化的数据。通常来说，数据采集部分包含了感知层和基础支撑层，前者主要是对收集到的数据进行初步智能化处理，后者主要是为大数据平台提供服务器等基础条件。

3.2大数据预处理技术

该技术主要是对收集到的数据进行分析，包含了清理、变换、归类等方法，并为后续的存储分析环节做好准备。该技术涵盖了数据抽取技术和数据清洗技术，前者主要是对采集到的所有数据进行转化，规范数据结构便于后续处理，后者主要是对数据进行过滤，排除其他干扰部分，获得需要的、有价值的数据。

3.3大数据存储管理技术

工业大数据平台的构建，融合了多种类型数据库协同的方法，如实时数据库、时序数据库等。同时，采用了集群式的存储方法，能够对所有数据进行存储，有效地满足了个别高性价比数据的动态变化和调用需求。

3.4大数据分析及挖掘技术

主要指从所有收集到的数据中，提取出隐藏、未知、有价值数据的过程。不同的工业制造企业可以结合自身实际需求，对该技术进行改造优化，针对生产流程选择对应的数据算法，而后对数据进行挖掘和评价，最终转化为易于理解的信息。

3.5大数据应用及可视化技术

工业制造企业结合生产实践经验，构建大数据算法模型，具体内容涵盖了工艺、质量、设备等。同时依托于人工智能等先进技术，推动企业实现数字化发展，不仅能沉淀更多的专家知识库，构建有效的机理模型，还能够突破工业制造中存在的局限。

4.工业大数据平台总体架构

工业制造企业应结合实际生产需求，构建工业大数据平台。首先，要建立完善的全量系统数据采集平台，对数据实施采集、分类、格式化等操作，分析数据的来源，并对各项工具、方法、设备协议等进行解析。其次，要构建数据管控体系，以元数据管理作为核心内容，进一步强化对数据的治理工作。一方面，应向下导入数据采集的结果，同时向上开放数据治理结果；另一方面，平台需要提供管控和应用能力，同时对元数据实施合理规范的盘点，以此达到集中管控核心数据的目的，最终实现常态化管理。最后，要构建混合架构、分级存储的数据仓库，融合了批处理引擎、流式处理引擎、Mpp处理引擎等，进而形成有效的数据资产。

5.智能制造下工业大数据技术的应用难点及解决方案举例

5.1工业大数据技术在焊接缺陷中的应用

5.1.1技术难点。在工业机器人的工作过程中，存在常见的焊接缺陷如偏焊、气孔、熔深不足等。在工业上，常见的焊接在线检测方式有两类，其一是针对短路熔滴过渡形式，检测的方法是对批量焊接参数采集机工艺试验，验证焊接缺陷和焊接工艺之间的参数关系。但是这种方法存在一定的缺点，如软件采购成本较高，其应用只能针对短路熔滴过渡形式，通用性较差。其二是在焊接方向的正前方装置激光或高速相机，以此来判断是否存在焊接缺陷。但这种方法的缺点是安装位置限制了机器人的焊接姿态，尤其是在狭小的工况中会降低自动化焊接的效率，并且软件的采购和维护成本较高。5.1.2MAG焊纯软件原理。该软件主要是依托于互联网大数据、正交试验、线性回归等构建焊接缺陷模型。为了提高检测精度，该模型可以依据不同的设备进行个性化定制，同时还可以建立滤波机制，能够实时检测出焊接异常。在此基础上，该模型可以对焊接缺陷的历史程序指针追溯，具有采集成本较低、系统安全可靠的优点。5.1.3解决方案。在机器人焊接程序中添加关键焊缝的标识，利用边缘计算网关的作用对机器人程序名称、焊缝编号、TCP坐标焊缝轨迹等进行数据采集。将收集到的数据进行主成分分析，而后实施Kmeans数据聚类，进行BP神经网络学习建立数学模型。在坐标数据滤波环节中对可以利用3σ置信区间，最终构建关键焊缝的偏焊模型。通过实施正交试验，结合大数据分析回归构建焊接气孔及干伸长过短数学模型，前者模型为)(∗−+≤LKYMA，后者模型为)(∗−+≥LKYNA。其中，M、N、K、Y分别表示为实验值，A表示为焊接电流，Y表示为设定送线速度。在上述模型中，所有的参数都可以结合实际需求进行差异化配置，得出的缺陷检测结果经过滤波同时匹配到边缘计算网关内的告警知识库，将结果推送出来，并且该过程中机器设备也会自动停机，能够对焊接缺陷的历史程序指针追溯。

5.2工业大数据技术在加工专机中的应用

5.2.1技术难点。PLC是加工专机的主要控制系统，由于其缺乏用户变成交互界面，所以在实际的运转过程中，对于加工程序关键节点较难识别和判断。在前期阶段，识别专机加工产量的方法是利用主轴负载波形曲线，但是受到板材质量及焊接变形影响，导致产品在加工中常常会出现返修情况，呈现出来的负载波形曲线也不规律，造成了企业产量统计数据不精准。与此同时，由于加工专机的装夹校正时间较长，要想精准分析装夹校正时间单一的依托PLC系统采集数据存在一定难度。5.2.2创新原理。分别安装红外距离传感器1和2，从两个传感器传达出来的结果来判断工件是否存在。因为工业产品的结构通常较大，所以在工装两端不低于1.5m的位置安装红外距离传感器，同时在算法模型中设置材料上件的判定条件，就能够有效屏蔽人员、工具等对工件信号检测的干扰。5.2.3解决方案红外距离传感器和波形智能识别综合起来应用，能够实现如下几项功能：其一，通过对工件上下件进行有效检测，准确的统计出专机加工产量和真实具体的生产节拍。在实际生产的节拍内，如果主负荷不间断的时间超过了理论加工时间的90%，那么不管负载曲线怎样变化，计算的加工专机的产量都是1件。其二，组合应用可以精确的统计各个工件的装夹校正时间，并将加工中的时间片做出具体细化。工件检测等于1到专机开始运行的时间段内，是校正工件装夹的时间。从专机运行结束到检测工件等于0的时间段内，是卸载时间。其三，要想尽快诊断出产品质量存在的不足，就可以联合MES系统一起使用。针对正常加工的工件而言，从工件检测等于1到等于0的时间段内，负载荷波形曲线比较规律。如果在该时间段内，算法模型检测到负载波形十分异常，那么工件的物料ID就会反馈到MES系统中，再由系统对异常物料的信息进行确定和定位。例如，全部异常加工材料的数据中，1号焊接机器人生产了约80%比例的产品，则证明了1号机器人引起的质量波动概率最大。应用大数据技术跟踪焊接参数、顺序，找到机器设备存在的故障，就能够分析出产品质量存在波动的原因，由此为工作人员提供参考，快速改善生产质量。

6.结语

智能制造背景下，工业大数据技术的应用价值更高、应用范围更广。其不仅为制造企业提供了多方面的数据支持，还能够合理管控生产流程，降低生产风险，创新产品类型。制造企业必须要积极重视工业大数据的应用，并为其提供充足的软硬件条件，由此最大限度地发挥工业大数据技术的应用优势，提高数据分析处理水平，进而推动制造企业稳定发展。

作者:王红星 单位:浙江省宁波市中小企业公共服务平台