白辛雨 杨朝雯 杨国朝 王炎彬

（国网天津电力公司城东供电分公司 天津市 300250）

当前是大数据时代，在全球市场竞争日益激烈的今天，制造业面临着更为苛刻的要求，既提升产品质量与生产效益，降低并减少生产成本及资源消耗。为了自如应对上述挑战制造业，应通过云计算3d 打印、大数据、互联网等信息技术创新生产工艺，从而使生产的智能全球透明化得以实现，满足当前社会发展需求，并引发全新的产业革命，既绿色化、智能化、信息化和全球化为引导方向的智能制造浪潮，该浪潮引起世界各个国家的高度重视。本文对国内外相关研究工作进行分析，对智慧工厂的特征和内涵进行深入探讨，对其中主要的技术框架体系进行深入研究，对目前产业革命中智慧工厂的未来进行了展望。

1 智能工厂的内涵与大数据技术定义

Chand 等人于2010年发布一篇和制造业日后发展方向有关的文章，分析了制造企业以后的发展趋势，又把它分为三个阶段。

（1）厂、厂之间的互联，将各车间、厂及企业相关的大数据进行整合，实现数据共享，从而协调生产过程中的不同环节，使企业整体工作效率和经济效益得到提高。

（2）通过建模和计算机模拟，正确处理数据，形成制造智能，使优化生产、柔性制造得以落实。

（3）智能化生产过程和智能化产品的革新引起了市场的变化，改变了目前的商业模式和消费行为。

从本质上讲，以上三个阶段都是以数据为中心，通过由下往上的过程，创造出一个智慧工厂未来发展的蓝图，并描述了智慧工厂未来发展的不同特征，即智能、透明和智能控制三个方面的协同作用。

第一个阶段以互联网技术为基石，使工厂内数据共同分享、物与物之间的相互连通得以实现，并形成透明化的企业制造过程。第二时期以第一时期所形成的制造过程为基础，通过对数据进行分析和处理，使系统功能模块如产品质量监控、生产调度优化等的实现，使工厂的智能化制造水平得到提高。在第三阶段，将服务因特网和工厂智能服务包装引入其中，基于因特网数据，基于云制造平台，使客户参与到全球化工厂协同中来，形成具有广泛和个性化特点的新型商业规模。具体地说，智慧工厂在生产运行过程中，首先应从以往车间局部小范围发展为智能制造，采用物联网整合底层设备资源，使制造系统的感知效应得以发挥。数据集成及互动互联得以实现。其次，通过生产大数据的分析和性能的决策和优化使工厂生产期间的设备维修养护、生产制造调度和实施监控等体系得以实现。最后，将服务互联网引入其中，在云端虚拟化工厂采取智能人际网络相互联动沟通的方式，根据客户的个性化需求，对生产工艺建立动态的工厂生产流程。因此，为了使智慧工厂能够正常运作，需要对制造协同、制造执行和制造物联三个不同层次的系统进行有效的整合，整合系统的建立也需要建立完善的完善体系，其中不仅包括工厂生产期间对数据进行处理采集的信息化手段。此外，还包括以数据分析为依据所获取的工厂运行规律[1]。在此基础上，对其进行明智的决策方式。同时，它也涵盖了通过人际网络数据所发展的各种不同类型的数据的个性化商业模式等协同手段。因此，如何将智能决策、信息化方式方法、协同组织方式方法进行整理合并，使智能协同、智能管控、透明制造三大需求得以满足，对智慧工厂的计划落实和运行有着非常重要的影响。

2 基于海量数据的智慧制造技术

基于以上对智慧工厂和大数据技术内涵的分析，可以看出制造互连可以通过各种手段，包括多样化工业化通讯方式来对数据进行采集处理及工作，本质能够使工厂资源的相互联通的目标得以实现，在深入与互联感知的基础上执行制造，采取分析采集大数据的方式来对工厂运行规律进行分析，以智能化的决策手段为基础，实现了工厂性能优化。其实质是通过对工厂内车间数据的分析，达到智能化服务的目的，将智能协同作为基础，将互联网数据引入其中，对客户行为进行精准分析，明确市场走向趋势等方式，优化配置分布式的资源，满足工厂结构组织和运行的自适应变化。科学、合理地配置多元智能服务，使智能目标得以实现制造执行过程中的技术应用、分析应用和数据分析采集这三个环节，以及制造协同过程中的不同服务配置环节的三个环节，建立了智能工厂的框架技术应用、分析应用和数据采集，分别为数据分析、物体感知、物物交换，上述层次，能够使工厂制造目标得以实现。除此之外，系统中还涵盖大数据技术，能够对智慧工厂涉及的大数据进行采集、分析、处理、存储等诸多环节，能够为不同层面功能的实现提供支持。下文对此进行细致分析和介绍：

2.1 物物互联

物物互联这一层次面向的对象为操作工作人员、计算机设备、生产设备等物理制造资源，针对多元制造数据对不同的传感器、二维码、RFID 进行配置，利用红外线、蓝牙、无线网、互联网等技术，以协议为基础，使数据的通信和交换得以实现。最后，实现物理制造过程中的互感与互联，确保实时、准确、可靠地获取多源数据制造过程。

2.2 对象感知

智能化感知这一层次能够系统化管理不同种类的传感器管理，在异构感应器的基础上，将传感器数据格式化封装，并通过传感器数据传输协议，实现传感器数据的网络化传输，从而实现物理制造资源数据的实时获取与感知。在此基础上，以模块化用户界面设计为基础，通过 Web 中间件的用户行为分析功能，实现了对用户事务数据的高效获取。

2.3 分析数据

在获得生产数据的基础上，数据分析这一层采取了提取、转换、装入的工艺，将易购传感设备和用户界面分散而又原始地集成到多种数据抽取中，将其转换成全球统一形式的数据，从而为生产过程创建一个数据库。以大数据间主题和属性的关联性，创建将数据节点作为关系的网络复杂体系，以数据相关性方法为基础，利用复杂网络结构中获得的数据耦合机制，为数据规律的演化建立一套完整的数据模型，使制造过程的精准规律的描述得以实现,并为制造企业发展提供需求信息。

2.4 业务应用

业务应用这一层次是在不同优化角度来对指导企业进行分析，以创建主题具体的数据库为基础，采用数据分析和获得相关信息所表达出的规律，实时预警、模拟优化、调节反馈等方式不同项目的制造业务。例如，调度生产任务、监控生产过程、优化产品质量、维修养护设备等，其工作的本质均是应用工厂操作知识，动态优化生产过程，使企业的智能水平得以提升。

2.5 云端服务

此层可以将制造资源设备、商业应用软件、数据分析平台、生产服务虚拟化封装为云端服务，创建一个面向不同服务对象的服务仓库。同时，以云制造和因特网平台服务为基础，实现对封装制造的服务和资源的管理与共享，实现封装制造的服务与资源共享。在顾客定制的产品周期基础上，配置资源，实现定制化和全球工厂的互连式生产，针对不同客户提供有针对性的服务，形成智慧工厂的协同创新运营模式。

2.6 大数据中心

数据中心的工作内容包括：制造资源的配置，互联网数据的采集，传感器数据的收集，用户操作数据的收集，统一格式数据、规则信息相关数据、业务应用、程序化知识和增值制造业服务形式，各种类型的制造服务平台和协作智能集成的制造服务平台。大数据需要对这些存在多尺度、多元化、高噪音特性的数据，通过针对性的清理方式及集成方式，提取出高质量数据和可用性数据。另外，需要根据数据存在的大小，通过有效的数据查询存储和读取的方式，获得高质量的数据，并对数据进行分析处理。面对智慧工厂的多业务应用，存在于不同维度中的大数据所面对的数据库主题有很大的差异。最终，在云制造平台中，将智慧工厂中所涉及的大数据分类，并对其进行虚拟化封装，并对其进行网络交易，提高数据共享和数据整体共享能力，使大数据中心在提供数据基础和技术应用方面能够基于智慧工厂，将涉及到的技术系统置于不同的层次上，建立起完善的体系，为实现工厂的智能化、信息化、数据化、交互式等目标，提供融合数据采集分析、应用交易存储等多种功能，实现智能工厂技术体系的完善[2]。

3 大数据驱动技术对指挥工程的意义

基于智能工厂内涵的制造优化动态技术，针对相应的技术框架进行分析，大数据制造动态优化技术及制造云服务配置技术，这些技术都是在物物互联这一层面上，以工业互联制造资源技术为基础，通过工业互联为各种不同资源端提供技术支持，其工作本质是在物理制造资源的基础上，通过互联通信为制造过程的数据多元实时获取提供保障。生产云服务的配置技术是在云端服务层面，通过服务 Internet 对工厂服务和资源进行虚拟化封装，从而实现工厂服务和资源的整合，并将其与云制造服务平台相连，同时为种类各不相同的客户制定针对性生产规模，进行敏捷配置，从而形成全球化网络协同制造。工作本质是建立在客户需求驱动、服务和资源的敏捷配置基础上的协同发展模式。以上两项技术是实现智能工厂的基础技术，在云制造、制造物联等相关文献中已有较为详细的技术体系[3]。

在智慧工厂技术系统中，业务应用数据分析对象感知几个层次可以实现以制造互联，整体感知为基础，基于生产实时数据优化质量监控、优化生产计划、创新产品设计等业务需求，实现工厂服务包装的完整化，为不同客户提供产品增值服务。将其与传统制造行业中的技术系统进行比较，这些层次所产生的作用具有重复性，但其最终目标能够得以实现并扩展，其工作本质是将大数据技术作为基础，通过智能决策和感知发现时，智能制造服务得以落实。它是实施智能工厂技术体系的核心基础。上面提到的制造智能执行层面，对应用智慧工厂大数据技术并形成系统提出了挑战，也是一项挑战，需要通过大数据技术使智能服务质量得以提升，以大量生产数据为基础，例如，物料库存数据库、设备监控管理数据库等。海量的用户自定义数据，通过分析处理数据做出决策，从而使不同的工厂智能服务需求都能得到满足。由此可以看出，面向数据分析、业务应用、对象感知等几个层次的大数据有许多不同之处。

4 驱动技术智慧工厂技术系统实现的关键。

以大数据为基础的制造动态过程技术的优化应该分析智慧工厂相关数据，从而实现不同维度的性能优化。智慧工厂动态技术的优化通过海量的多维数据来细致描述智慧工厂生产过程，通过分析数据能够找出数据中隐秘的关联性和规律性，从而对设备运行相关知识进行深入挖掘分析。并以不同业务应用为依据，例如分析质量、设计产品等创建出针对性系统决策。上述分析方式方法中，应该将数据多源采集作为基石，才能够使智慧工厂分析方式方法得以实现，其中，涵盖多源异构工厂数据系统创建，针对性主题的数据库分析，数据关联有效性，精准描述数据关联性，为业务的应用提供决策性支持，并提出大数据驱动制造的方式方法[4]。

4.1 数据多源采集方式

技术优化大数据驱动制造过程的基础是制造过程的综合描述数据采集，智慧工厂运行过程中，针对性数据采集的对象和方式方法涵盖生命管理周期、CAD 等不同种类的信息系统及数据库技术，以可编程逻辑、控制器传感器、图像采集通讯技术及其他形式数据为基础的路径化标签技术。此外，由于业务应用程序不同，需要的原始数据也会有所不同。为此，有必要建立基于目标业务的数据采集方式方法和数据融合方式[5-6]。

4.2 大数据集成方式方法

智慧工厂运行期间，从CAD、传感网络等数据系统的服务端获取实时数据，其中涵盖图像、统计模型和数值等不同的形式，及种类各不相同的异构数据，例如PH 值、百分比和温度等。因数据具有多元异构、海量、高噪音、多尺度的特性，将其直接应用在制造过程动态优化过程中存在极大难度，应以上述特点为依据，对数据进行清洗，并采取数据管理模式来实现在数据结构化的高度分享及集成，从而为智慧工厂的生产提供可靠数据支持，并对数据资源进行重复利用。

4.3 大数据的存储方式

不同主题的制造数据如产品、过程、设备、系统、操作等相互作用，使智慧工厂呈现出复杂的操作特征。基于结构化、非结构化和半结构化数据的特点，分散地存储智慧工厂大数据到文件系统中 SQL、数据库和 NO SQL 等多个数据仓库中，利用增量索引、基于字典的分类视图等技术，通过建立面向主题的数据仓库，实现数据的快速检索[7]。

4.4 分析相关性的方式方法

以面向主题数据库作为基础，对大数据行为予以统计分布等方式进行进一步的分析和计算，使装备状态参数、工艺参数等相关数据的关联得以实现，对网络的复杂理论制造数据进行重复利用，分析数据间的耦合机制，以获得智慧工厂运营的规律知识。

4.5 描述相关性方式方法

采用不同的数学模型，通过神经网络、专家系统和复杂网络等多种方法，对智能工厂发展规律的知识进行了进一步细化和集中表述，并提出了一种基于工厂生产数据实时在线预测工厂绩效的数学表达方法[8]。

4.6 优化智慧工程性能的方式方法

当建立以运营效率、产品质量、设备运行能力等目标为导向的预测规模时，预测模型中可控制的参数应该实时调整，其中包括实时误差值、负反馈机制及性能优化目标值，对模型输入变量进行预测，优化机制得以协同等多元化方式，使智慧工厂性能持续优化的目标得以实现[9-10]。

5 结束语

以计算机和互联网为代表的信息技术在工业上的应用越来越广泛。制造行业正在经历一场新一代的产业革命，各种类型的公司纷纷涌现，以信息化和自动化深度融合为标志，以全球化、信息化、透明化、智能化为特征，逐步形成以智慧工厂为核心的完善的生产管理体系。深入地探讨和分析智慧工厂“制造互联十大实施+制造协同”的内涵及大数据的特点，并对其进行深入地分析，在此基础上，提出了包括实物互连、目标感知、数据分析、业务应用和云服务在内的智能工厂技术体系层次结构，探讨了基于大数据的制造过程动态优化技术方法体系。本文提出的基于大数据的智慧工厂技术体系，对于物联网、服务互联网、用户交互网络、企业知识网等技术在工厂层面的集成应用具有一定的借鉴价值，这为传统制造业的数字化、信息化、智能化、智慧化发展奠定了研究基础。下一步，将以生产车间、汽车装配车间为具体应用场景，通过实施大数据驱动的生产过程动态优化技术，从质量、成本、服务等方面提升工厂的绩效。