李焕军1 黄靖1 魏锐1 陈菁菁1 李晖2
航天江南集团有限公司 2.贵州大学计算机科学与技术学院
摘 要：对装备制造企业而言拥有大量的数据本身，并不会增加任何价值。事实上，拥有任何一个数据集，无论它们多大或者多小，其自身都不会带来任何价值。被收集来的数据如果从不使用，也就无法获取价值。如果不投入具体的环境中并进行使用分析，数据也将毫无意义。因此装备制造企业需要研究如何分析使用数据，必须改变固有的经营管理模式，学会从数据中洞察事实并做出反应，创造企业新的价值点。
关键词： 装备制造业 工业大数据 应用价值
1 引言
近年来，大数据如雨后春笋般地出现在各行各业中，装备制造企业如果能够适当地分析使用工业大数据，将可以扩大企业的竞争优势。如果一个企业忽视了工业大数据应用分析，这将会带来不可预知的风险，在竞争中将逐渐落后。为了保持竞争力，企业必须积极地去收集和分析这些新的数据源，并深入了解新数据源带来的新信息。
2 工业大数据内涵
企业信息化数据、工业物联网数据以及企业外部关联数据等三类数据构成了工业大数据的总和。企业信息化数据和工业物联网中设备产生的海量时序数据是工业数据规模变大的主要来源，工业大数据是智能制造与工业互联网的核心，其本质是通过对数据的采集分析去解决控制和业务问题，减少决策过程所带来的不确定性，并尽量克服人工决策的缺点。
在信息化数据方面，随着装备制造企业信息化应用能力的不断提高，当前各企业普遍使用了产品全生命周期管理（PLM）系统，企业资源管理（ERP）系统，制造执行（MES）系统、供应链管理（SCM）系统、客户关系管理（CRM）系统，这些系统的运行积累了大量的产品研发数据、企业经营管理数据、生产制造数据、供应链数据以及客户服务数据，这些数据存在于企业内部或产业链内部。
在工业物联网数据方面，伴随当前物联网技术的高速发展，工业物联网已经成为工业大数据新的、增长最快的来源之一，通过物联网网关能实时采集自动化设备及装备运行状态数据、加工过程数据，并能实现远程实时监控管理。
在外部各供应链端的数据方面，互联网+产业已经在各个工业领域进行了深度融合，外部产生的大量数据对企业经营产生的影响越来越明显，这些数据也将作为工业大数据不可忽视的一个来源。
3 工业大数据分析特点
传统意义上的数据分析主要针对结构化数据展开，且已经形成了一整套行之有效的分析体系。首先利用数据库来存储结构化数据，在此基础上构建数据仓库，根据需要构建数据立方体进行联机分析处理，可以进行多个维度的下钻或上卷操作。对于从数据中提炼更深层次的知识的需求促使数据挖掘技术的产生，并发明了聚类、关联分析等一系列在实践中行之有效的方法。这一整套处理流程在处理相对较少的结构化数据时极为高效。但是，随着大数据时代的到来，半结构化和非结构化数据量的迅猛增长，给传统的分析技术带来了巨大的冲击和挑战，主要体现在：
3.1 数据处理的实时性
随着时间的流逝，数据中所蕴含的知识价值往往也在衰减，因此很多领域对于数据的实时处理有需求。随着大数据时代的到来，更多应用场景的数据分析从离线转向了在线，开始出现实时处理的需求。大数据时代的数据实时处理面临着一些新的挑战，主要体现在数据处理模式的选择及改进。在实时处理的模式选择中，主要有三种思路：即流处理模式、批处理模式以及二者的融合。虽然已有的研究成果很多，但是仍未有一个通用的大数据实时处理框架。各种工具实现实时处理的方法不一，支持的应用类型都相对有限，这导致实际应用中往往需要根据自己的业务需求和应用场景对现有的这些技术和工具进行改造才能满足要求。
3.2 动态变化环境中索引的设计
关系数据库中的索引能够加速查询速率，但是传统的数据管理中模式基本不会发生变化，因此在其上构建索引主要考虑的是索引创建、更新等的效率。大数据时代的数据模式随着数据量的不断变化可能会处于不断的变化之中，这就要求索引结构的设计简单、高效，能够在数据模式发生变化时很快的进行调整来适应。目前存在一些通过在SQL数据库上构建索引来应对大数据挑战的一些方案，但总的来说，这些方案基本都有特定的应用场景，且这些场景的数据模式不会发生变化。在数据模式变更的前提下，设计新的索引方案将是大数据时代的主要挑战之一。
3.3 经验知识的缺乏
传统分析主要针对结构化数据展开，这些数据在以关系模型进行存储的同时就隐含了这些数据内部关系等经验知识。比如我们知道所要分析的对象会有哪些属性，通过属性我们又能大致了解其可能的取值范围等。这些知识使得我们在数据分析之前就已经对数据有了一定理解。而在面对大数据分析时，一方面是半结构化和非结构化数据的存在，这些数据很难以类似结构化数据的方式构建出其内部的属性关系；另一方面很多数据以流的形式源源不断的到来，这些需要实时处理的数据很难有足够的时间去建立知识库。
4 工业大数据分析过程
利用智能大数据分析技术，借助于云平台，实现产品质量缺陷预警、基于质量数据的工艺优化、设备故障预警、企业运营成分预测分析等功能。由于监测数据的规模大（大量产品监测数据同时上传至云端）、处理速度快（采样数据连续到达）以及流式查询处理（实时预警）的需求，使得在对此生产线监测大数据进行分析以及挖掘时，必须提高数据预处理能力，以提升响应效率。因此，设计数据分析及预警技术整体方案如下：
.png)
图1 数据分析过程示意图
数据分析处理的主要过程包括数据的采集与获取、数据预处理、分布式数据挖掘、模型建立与训练、实时预测、数据可视化等环节。具体的预测模型建立、算法设计、数据可视化等工作。
5 工业大数据应用价值
5.1 挖掘潜在市场需求
通过数据分析来收集、分析、并设计用户需求的产品，是企业数据分析考虑的第一个应用价值点和应用场景。借助数据分析，我们对采集来的企业内部(内源数据)，例如销售的数据，用户直接反馈等，以及外部数据(外源数据)，例如各大工业品资讯，描述产品用途的传感器数据等。企业由此建立利用内源数据以及外源数据的分析决策机制，全渠道了解用户的需求，使用多重分析法，例如联合分析法，来确定用户对与产品某种特点的使用意愿，了解使产品抢占市场的重要产品特征，从而优化产品设计，为产品提供相应的优化升级的明确方向和规格参数。
5.2 促进扁平化管理
传统企业管理，竖井形成根深蒂固。企业竖井有两层含义，首先是信息和数据的孤岛。企业经历了多年信息化建设，形成了大量的，种类繁多的大型应用。每个应用系统都有自己的数据，与组织结构的竖井相辅相成，逐步形成了我们如今的信息独岛。
其次，竖井也是对于组织部门的一种比喻，这种组织部门有自己的业务模式和管理团队，但缺乏与其他组织单位合作或交流的动机与需求。跨越竖井是企业管理面临的重大挑战之一。大数据的先进架构，例如大数据湖，可以让跨部门，跨公司，跨地域，甚至跨行业的相关组织，在共同遵循的数据治理框架下，产品设计者与制造工程师可以共享数据，模拟实验以测试不同的产品设计，部件与相应供应商的选择，并计算出相关的成本，以促进产品协同设计和测试，实现信息与情报的融通。
5.3 优化提升产品价值
产品可以分为有形产品和无形产品。生产型企业生产的多为有形产品，而服务型企业生产的多为无形的产品。无论有形，无形或是把产品服务化的企业，其最终的目的都是以通过服务来增加利润，并且在同质化竞争中体现差异性。
产品设计是明确企业产品性质与特点的过程，这个过程复杂且代价高。生产成本的80%左右是受到了产品设计阶段的决策影响。我们在设计并且生产出用户需要的产品过程中，产品的设定和生产要素，跟流程、工艺、市场等等都有千丝万缕的关系，利用数据分析，优化产品设计性能，实现研发与运营共享数据，共同参与产品设计的改进和价值提升。?
5.4 提高库存管理水平
众所周知，库存成本往往占了很大的企业经营成本，过多的库存会造成过高的库存管理成本。企业在发展过程中，利用数据分析手段，能够通过实时跟踪货物数据，采集各阶段库存数据，确定在不同时间的库存水平，使得库存始终处于合理的范围。
同时运用数据分析，将供应与需求信息紧密联系在一起，变得更易实现和具有可操作性。企业可把销售记录，销售片区数据，季节性销售周期，库存信息等不同纬度的数据融合起来，形成实时感应需求信号，与实时产品信息关联分析，匹配供求关系。产生的精确的信息，可以反馈到生产计划，库存水平与订单量等库存计算的各个环节，使企业了解具体片区的库存量并且自动生成订单，从“需求感应”实现“适应性的库存”管理，不断优化库存水平。
5.5 提升产品质量
通过采集产品批量生产过程数据，建立产品缺陷分析模型，可减少产品生产过程中不必要的重复环节。通过对内源与外源数据的实时采集和分析，企业能够准确地了解用户对产品的不同需求，明确产品特征，运用数据分析法准确地指导生产，提升产品或服务的质量。
5.5.1 设备在线质量数据分析
设备加工产品是否合格，如何第一时间掌握？传统管理模式，事后进行质量分析与处理，通过采集自动化加工设备质量实时数据，实时掌握产品加工质量状态，及时掌握产品不合格品信息。
.png)
图4 设备预防性维护分析
6 结束语
装备制造企业研究如何分析使用工业大数据，必须改变固有的经营管理方式，学会从数据中洞察事实井做出反应，否则数据整理得再有条理，也没什么价值。装备制造企业对于数据的驾驭，从最基本的获取，到整合、治理、分析、探索、汲取智能、采取精确的行动，这种全程能力的建立已经比以往任何时候更为重要。
参考文献
[1] 吴俊申．大数据分析[M]．北京：机械工业出版社．2015．
[2] 黄海．车皓阳 王悦 驾驭大数据[M]．北京：人民邮电出版社．2013．