吕沙沙
珠海格力电器股份有限公司 广东省珠海市 519000
摘要：大数据信息技术为各行各业带来发展便利，尤其是工业行业，大数据技术的普及和应用逐渐实现数控机床采集、实时监测、远程感测，可以开发代理模块，为远程诊断提供数据依据。基于此，笔者展开以下分析，以工业互联网大数据为研究对象，探究其分类和特点，并给出具体应用方向。
关键字：工业互联网；大数据；分类；特点；应用方向
工业互联网以互联网信息技术为基础，与工业系统相融合，集成原材料控制系统、机器智能系统、信息系统等关键性基础设施，全方位深度融合，对行业数据进行深度感知，并创建高级建模，实现实时传输交换，最终促进生产组织方式变革。
一、工业互联网大数据的特点和分类
（一）分类
工业大数据从维度层面来讲，可以分为动态数据和静态数据这两个方面[1]。其中，动态数据就是指通过传感器、生产设备所监测到的网络流信息、数字量信息和模拟量信息，数据基数大，生成的频率高，更新速度快，实时性强。静态数据就是指在工业生产和经营中产生的控制流程设计、管理员账户、企业资产信息、访问权限管理、网络拓扑等信息量，此类数据改动幅度较小，更新速度较慢。
（二）特点
工业大数据在信息采集过程中，具有空间范围广，时间跨度大的特点，总的来说可以概括为4个方面（4V特征），即数量巨大、种类繁多、价值挖掘、速度要求。其中数量巨大（Volume）就是指各类设备日志、设备运行状况、传感器应用等产生的数据呈现出海量化的特征；种类繁多（Variety）就是指数据处理方式和数据储存方式的不同，特定算法也会出现差异，多源异构数据种类多样；价值挖掘（Value）就是指对数据进行系统性、深入性挖掘，可以全面性探究其潜在价值。速度要求（Velocity）就是指工业数据生成速度快，数据分析的实效性强。
二、工业互联网大数据的应用研究
（一）在数控机床数据采集方面的应用
传统机械零件在进行物料生产和设备使用时，需要对车间数据进行采集，但是不同环境下数据采集方式就会呈现差异化特征[2]。作为工业生产的母机，利用无线传感网络，可以将各种工艺流程连接在一起，调整加工命令，对加工过程实时监控，提前消除潜在故障，因此可以有效提高生产效率，降低故障发生率，避免工业生产中出现的停机损失。工业大数据技术的应用可以构建MTConnect数据采集平台，对数据进行可视化分析。监测机床工作时的运行状态，将平台划分为网络层、应用层、工业云、物理层这4个层次。其中物理层主要负责边缘计算，由振动传感器、加速度传感器、温度传感器组成，主要收集转速、铣床位置数据。网络层主要由数据格式、数据融合和时间戳组成，工业云主要由数据接口、信息模型、数据库组成，在云环境中控制铣床软件，通过代理服务器、数据适配器等，将数据实时绘制成图形。在应用层，主要建设数据可视化平台，通过工业大数据、AI算法、健康诊断、使用测量等，收集组件相关信息，避免不同设备、不同装置、不同环境、不同技术下的工业应用出现“信息孤岛”现象，可以实现跨平台交互工作，实现技术之间、部门之间的信息互通互联。
（二）在“4场景”中的应用
“4场景”就是指生产场景、管理场景、资源配置与协同场景、服务场景[3]。
其中生产场景就是指在工艺调度、环境参数、设备运行、物料配送、质量管理、工况参数等方面进行数据采集管理和优化，利用智能数据采集终端，结合实时数据和历史数据参数，监控设备运行状态，在必要时进行报警管理、远程运维、数据分析、定位与轨迹追踪、预测性维护、故障诊断等。构建新型商业模式，创新企业经营管理模式，实现生产现场最优化处理，为生产加工流程创造价值契机，提升制造效率和品质，通过数据综合分析，提升企业管理效能。管理场景就是指工业平台将SCM系统、MES系统、ERP系统、PLM系统相结合，促进供应链数据和现场数据的互通互联，达到效益最大化，提升生产管控一体化，现场管理者对数据进行综合感知，可以促进企业管理的全面协同，实现企业精准决策，优化供应链管理。资源配置与协同场景就是指促进上游供应商和下游分销商之间的协同联动，通过数据互通，以企业自身为核心，确定“物料库存——物料消耗——供应商——生产量——分销商——配送商”的数据消息，延伸企业内部增值链，促进产融结合、个性定制，部门之间协同制造，优化交易场景，将投资、评估、设计、开发、制造进行量化。服务场景就是指在产品全生命周期中，利用大数据信息技术，捕捉市场需求信息，构建智能化机理模型，实现过程建模，建立产品画像，提升智能化程度，形成产品档案，最终提升产品价值内涵。
（三）在工业软件系统构建中的应用
工业软件系统可以分为大数据软件系统、数据集成系统、工业物联网数据库这3个方面。其中大数据软件系统主要起到“开源”作用，制定参考框架，形成垂直的运行系统，集成数据总线、控制总线和交互总线，按需组装，制定系统基础框架。数据集成系统就是指提升数据接入能力，通过在线业务将企业研发、服务数据进行储存，构建CRISP-DM 模型，按照“商业理解——数据理解——数据准备——建立模型——模型评估——方案实施”的顺序开发商务智能软件。在工业物联网数据库这一方面，应该利用我国在2018年研发出来的库IoTDB数据库，应用海量时间序列数据，构建云数据协同处理架构，选择重点业务场景，分步实施软件工程指导方法。
如在工业生产中，可利用数据采集设备采集大量的生产数据及智能监控注塑系统，通过在相应模具上进行试验，能够可靠、客观地检测模具成型过程中的实际压力的变化情况。通过在相对应的前端主页面分析展示生产基本信息，生产趋势，模具信息，次品率，当前生产曲线及各模腔最大压力情况等信息，实现了注塑制品成型过程中关键数据的采集与监控，从而严格管理注塑生产过程中的产品质量，降低生产异常风险。
为进一步降低废品率，可通过该系统采集出的模腔压力、温度等数据，建立一个类似神经网络压力预测模型，通过多次进行训练，得出合理的网络参数。通过训练好的网络模型，预测注塑过程中产生的模腔压力，并获得了期望的预测精度，最后使其能够在注塑机上执行，通过在线调控注塑过程中的部分工艺参数，为进一步质量控制提供了数据支撑。
结束语：综上所述，工业互联网大数据具有空间范围广，时间跨度大的特点。因此在工业行业可以应用到数控机床数据采集、“4场景”、工业软件系统构建中，实现现场数据的互通互联，达到效益最大化，对数据进行可视化分析，制定参考框架，形成垂直的运行系统，构建云数据协同处理架构，选择重点业务场景，构建新型商业模式，创新企业经营管理模式。
参考文献：
[1]None. "新基建"提速为推动工业互联网大数据发展带来重大机遇[J]. 机械研究与应用, 2020(1):I0002-I0002.
[2]倪晓东. 基于工业互联网背景的大数据平台建设及企业管理探究[J]. 中外企业家, 2020, 679(17):73-74.
[3]朱波. 云计算技术支持下大数据会计分析平台在财政金融领域的应用——评《互联网+会计档案管理》[J]. 化学试剂, 2020(2):221-221.