工业互联网与大数据对制造业推进的思考

工业互联网与大数据对制造业推进的思考

（南京航空航天大学 机电学院，江苏 南京 210016）

摘要：工业互联网与大数据的出现给我国工业的升级和发展带来了很大的机遇和挑

战。随着工业互联网与大数据的进一步融合，新技术，新模式，新业态将层出不穷。若要在这种新时代中迅速发展，占据主要的优势，必须要对工业互联网与大数据有更深入的认识。本文主要在工业互联网与大数据的发展，应用及关键技术等方面作了进一步的研究。文章最后通过一个实例阐述了工业互联网与大数据对制造业的影响。

关键字：工业互联网；大数据；应用；关键技术

Reflection on the promotion of industrial internet and

big data for manufacturing

（College of Mechanical and Electrical Engineering, Nanjing University Of

Aeronautics AndAstronautics, Nanjing 210016）

Abstract: The emergence of industrial Internet and big data has brought great opportunities and challenges to China's industrial upgrading and development. With the further integration of industrial Internet and big data, new technologies, new models, new formats will emerge in an endless stream. In this new era of rapid development, in order to occupy the main advantage, we must have a greater understanding of the industrial Internet and big data. In this paper, the development, application and key technologies of the industrial Internet and big data are further studied. Finally, an example is given to illustrate the impact of industrial Internet and big data on manufacturing industry.

Key Words: Industrial Internet; big data; application; key technology

1、前言

大数据的概念是1997年左右提出的，至今已经约有20年的发展，在中国，大数据也推进了5年之久.从我们围绕工业信息化特别是在工业企业建立了一批具有大数据能力的企业来看，工业大数据的意义十分重大。当下，随着互联网与工业领域的全面融合，衍生出了一种新型的工业形态一工业互联网。工业互联网与大数据正前所未有地改变着工业的产业组织形态和生产方式。本文在第二节描述了工业互联网与大数据的发展；第三节叙述了工业互联网与大数据的应用；第四节主要研究了工业互联网与大数据的关键技术；第五节通过实例介绍了工业互联网与大数据在生产制造中的应用；第五节对前面的叙述做了总结，并展望工业互联网与大数据的未来。

2、工业互联网与大数据的发展

工业互联网将人和机器连接起来，将为制造商和客户带来前所未有的数据、信息和解决方案。工业互联网可以为制造业企业建立交流的平台，打破买方和卖方之间的“封闭”，使买卖双方的交易透明化，同时有利于降低交易成本。在1990年John Romkey 和 Simon Hackett将烤箱与网络连接生产出了第一台互联网烤面包机[1]。1991年Interop在烤面包机上增加了一个小的机器人将一小片面包放入烤箱里面，因此诞生了一个完整的自动化机器[2]。20世纪末期联网能够让计算机之间相互通信的大型主框架计算机、软件和“数据信息包”。而网络的开放性和灵活性

1

是为革命的爆炸性增长奠定基础的关键要素[3]。在二十一世纪的今天，工业互联网与大数据相融合，为加快生产力，减少低效和浪费，以及改善人类工作经验开辟了新的领域。

大数据这个词语被创造出来是在20世纪90年代，在2000年的时候第一次在学术论文上有人将它提出，在2003年的时候在Francis X.Diebolt在《宏观经济测量和预测的大数据动态因子模型》一书中正式将大数据这个词语进行诠释和应用。在2005年的时候，当前最火爆的Hadoop项目就已经被创建，之所以在10多年后大数据和Hadoop项目才受到热捧和关注主要是因为当时的数据还不够大。在现如今的世界，随着互联网、移动互联网、IOT、智能设备的发展，你举目四望会发现整个世界每秒都在生产海量的数据，我们所有的世界空间、所有的行为路径都在被数据给描述，我们都在生产数据又依赖于数据。研究机构Gartner对大数据给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产[4]。大数据是从不同领域和资源产生的，包括巨大、复杂、结构复杂、半结构、非结构及隐藏的数据集。大数据特征可以被归类为6V（Volume, Velocity, Variety, Veracity ,Viability and Value）[5-8]，将这些要素连接并组合在一起，将会给各企业和经济体提供新的机会。

工业互联网和大数据的无缝结合是当今世界的主流技术，工业互联网将传感器和其他先进的检测仪器嵌人到机器阵列中，从简单到高度复杂。这就使得可以收集和分析大量的数据，用于改善机器的性能，同时不可避免地提高了与之相连的网络和系统的效率。数据本身，也可以变得“智能化”，即能够立刻知道它需要到达哪些用户处。许多工业互联网与大数据的实践都证明，各种各样的新的创新能够给企业和全球经济带来巨大利益。就像工业革命一样，工业互联网与大数据革命正在以动态的方式展开，而我们现在正处在转折点上。

3、工业互联网与大数据的应用

工业互联网与大数据的应用渗透到了工业企业产业链的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用。我国的工业企业也进入了互联网工业的新的发展阶段，工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高。因此，工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少，某些情况下甚至更为复杂。本文将从以下四个方面阐述工业互联网与大数据在工业中的应用。

3.1开放式产品设计

互联网可以融合不同领域，大规模的参与者进行产品的协同开发。客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户需求数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。如图1所示，系统的模型是根据用户要求定制产品的模型图[9]。首先，用户根据自己的喜好设计产品或通过Web页面提供个性化产品的关键参数。然后，Web服务器将用户的信息提交给工业云，它解析产品数据和关键参数。同时，将这些数据通过有线或无线网络传送这传送到工业机器人，工人和控制器。生产系统根据这些产品开始创建数据，在产品的制造过程中，各种各样的相关的数据被传输到云和相邻节点用于管理和优化。

2

图1 用户参与定制产品模型图

在2016年12月07日的南京世界智能制造大会上，海尔公司也展示了大规模定制解决方案。海尔以智能制造云平台COSMO为核心，集用户的交互、营销、研发，模块商的采购、制造、物流、服务于一体的全流程制造模式。举例来说，一个用户提出了“想要一个智能吸尘器”需求，在将创意草图提交到COSMOPlat平台的子系统众创汇后，经过30名发烧友众创交互设计，得到了1700多名用户支持。依托COSMOPlat平台，海尔并联生态圈同步启动，用户通过APP定制下单、参与虚拟设计、对生产过程和物流过程全程可视、通过U+APP进行体验反馈，持续迭代，满足了用户定制体验。

3.2产品故障诊断与预测

产品把传感器、处理器、存储器、通信模块、传输系统融入到各种产品中，使得产品具备动态存储、感知和通信能力，实现产品的可追溯、可识别、可定位。目前互联网汽车、工程机械、智能家电等是产品智能化的热点领域。工业互联网与大数据通过网络与企业管理平台连接，企业管理平台可以运用无线网络、视频远程故障诊断等信息服务系统，远程监控设备的运转情况，并基于工业大数据实现故障预警，有针对性地提供维修等服务，实现“服务型制造”。

在马航MH370失联客机搜寻过程中，波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。我们就拿波音公司飞机系统作为案例。在波音的飞机上，发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态，这些数据不到几微秒就被测量和发送一次。

3.3工业生产链的应用

现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析（包括违反生产规定、零部件故障）等。

在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。如图2所示为一个工厂的工业链的综合模型[10]。

3

图2工业链综合模型

此工厂通过工业大数据将传感驱动的机器，车间，工厂，企业，供应链和正在使用的产品连接在一起，实时监控分析工厂的全部运转状况。在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。

3.4供应链的分析与优化

当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。比如通过电子商务平台提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

以海尔公司为例，海尔公司供应链体系很完善，它以市场链为纽带，以订单信息流为中 心，带动物流和资金流的运动，整合全球供应链资源和全球用户资源。在海尔供应链的各个 环节，客户数据、企业内部数据、供应商数据被汇总到供应链体系中，通过供应链上的大数 据采集和分析，海尔公司能够持续进行供应链改进和优化，保证了海尔对客户的敏捷响应。

4、工业互联网与大数据的关键技术

中国可以通过拥抱“工业互联网与大数据”，拥抱这一轮正在改变全球经济的数字创新来应对这个挑战。工业互联网与大数据领域已经涌现了大量的新技术，包括数字技术和物理技术、大数据与大机器的融合等。本节将从5个方面对新的机遇与挑战所面临的关键技术进行阐述。

4.1超级计算与大数据采集技术

超级计算终端就是能够将一些新的智能化设备所采集的大量的数据能够准确实时的分

4

析及应用。这些产品的核心都是有一个强大的芯片。随处可及的超级智能终端，正在突破摩尔定律的芯片所赋予我们的想象空间。

大数据采集的重点是突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术；突破高速数据解析、转换与装载等大数据整合技术；设计质量评估模型，开发数据质量技术。针对大数据源的智能识别、感知、适配、传输、接入等是需要攻克的关键技术。

4.2数据预处理驱动机器工作自动化

大数据预处理主要完成对机器已接收数据的辨析、抽取、清洗等操作。因为获取的数据可能具有多种结构和类型，数据抽取过程可以将这些复杂的数据转化为单一的或者便于处理的构型，便于快速分析处理。大数据并不全是有价值的，有些数据并不是我们所需要的内容，而另一些数据则是错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。机器通过数据处理后可以实现常规的互联网信息交互，模式识别、人工智能、机器学习等。 举个例子，GE有个风电部门，我们把传感器安装在每一个风机叶片上，通过对风机转速、风力、温度、湿度、环境等近百种数据的采集、分析，风机能够自己进行涡轮叶片转速的调整，不需要把数据传输到数据系统，通过浆片的角度调整能够增强风力，能够增加风力4%。

4.3工业互联网的数据存储、安全及标准制定

工业互联网数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。但是在工业互联网逐渐兴起之后，真的要在企业包括跨企业之间获得普及，数据安全问题必须解决。通过数据管理驱动的重大设备，基础设施，即便像智能家居、智能汽车这样的领域，都会存在巨大的安全隐患和隐私隐患。2014年10月至2015年9月，美国发生了295起入侵关键基础设施的黑客攻击案件，如机场、隧道和炼油厂等。在世界各地，还有许多攻击事件未被曝光。对于传统互联网安全软件而言，工业安全领域依旧是一个盲点。

对于工业互联网方面的标准制定，应该讲现在是全球主要工业企业，乃至国家之间竞争的焦点。世界许多企业和国家都意识到它的高度重要性。譬如在上世纪的近四十年的时间里，德国每年3.3%的GDP增长中，标准的贡献率占到了0.9%，仅次于资本投入，而且比国内创新和直接购买技术来的更加重要。因此掌握标准话语权是我们在未来进行战略布局非常关键的一步。

4.4分析挖掘数据改变机器人工业流程

大数据分析技术主要改进已有数据挖掘和机器学习技术。目前中国工业中机器人用量较大，但是一些核心技术在日本和欧洲的公司手里的。国外公司在机器人开发的竞争当中采取新型策略，关键部件对中国企业采取高价措施，使得中国企业生产成本居高不下。

如果要打破这种瓶颈，我们必需要分析和挖掘机器人所涉及的大数据。数据挖掘涉及的领域比普通的领域（如数据统计）更为宽广，因为它主要倾向于回答比较重要的没有规律的问题[11-12]。根据数据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web。数据挖掘的流程图如图3所示：

5

图3 数据挖掘流程图

4.5分析应用大数据是达到人与机器融合

在工业互联网时代，脑机接口技术给我们提供了巨大的想象空间，人类不仅可以和机器产生互动，并且有可能控制机器。在人与机器互动的过程中，机器还可能读懂人类的意念，从而和人类发生深层次的融合。针这种复杂的结合关系，必须应用大数据技术整合很多更加全面的信息数字系统，或者是虚拟系统，将和物理世界之间产生高度的互动和相互的关联。

在这一方面，微软迈出了关键的一部。最近微软宣布和 Autodesk Fusion 360 合作，想把 Hololens 用于工业设计、机械设计和其他产品开发的领域，具体来说就是用来给设计师们构建立体模型时使用。比起普通显示器上的2D、3D模型，Hololens 能够更直观地用全息影像把设计作品的尺寸、信息呈现出来，对于设计师团队来说能够提高沟通效率，更好地消除交流障碍。而对于开发工程师来说，全息影像提供更简便的反馈，准确地将信息传达给设计师。 如图4所示为Hololens所展示的增强现实视觉效果。

图4 增强现实效果图

6

5、实例介绍

本节主要内容为一个基于工业互联网与大数据的制造企业的系统模型及关键技术。根据

下述应用的实例深入了解工业互联网与大数据在制造领域的技术应用。

5.1基于工业互联网的制造系统模型

在工业互联网与生产模式之间存在数据传递的接口环境，比如，传感器与驱动器、局域网、应用程序和网络安全软件。如图5所示为一个基于工业互联网的制造系统模型。工业互联能够通过传感器状态控制设备的状态，并通过驱动器能够实时调整设备的工作。图6描述了在制造过程中发动机组件的配置文件和刀具的旋转运动。因此工业互联网可以在线仿真、监控生产制造过程中各部件的状态并给控制器发送信号实时调整设备的制造过程。

图5工业互联网制造系统模型

图6 生产过程监控及复杂事件：工件和切削刀具的仿真文件

所有工业互联网系统间交换的数据扩展到由仿真模型支持的云制造环境中：个体云、团体云和公共云[13]。

5.2大数据的形成及形式

结构化与非结构化数据如图7所示，结构化数据随时间变化的制造过程的数据，设备间

7

互联形成的数据及供应链相关的数据，非结构化数据指社会网络数据、客户服务数据及市场数据。大数据处理工具必须能够对大数据进行实时分析，这样才能及时解决随时间发生的问题降低制造成本 [14]。

图7结构化与非结构化数据

通过工业互联网与大数据的结合可以实时处理在生产制造过程中的突发问题。图8所示为实时处理生产制造问题的模型，在生产制造过程中有时会用到适当的数学算法去预测和解决可能出现的问题。生产制造车间里面的内部事件、外部事件、接口因素和环境模式的数据统一通过互联网集成到数据处理的云平台上，云平台根据一定的算法分析数据形成一套解决方案并对解决的问题进行实时监控。对生产制造进行周期性的问题分析，找出大数据中的规律，从而预测可能发生的问题，为生产制造避免可能发生的损失。

图8 实时处理生产问题模型

所有预测和需要解决的问题都是分析工业互联网所采集的大数据实现的。如文献[15]描述了在生产制造过程中预处理事件的过程，即调查分析大数据解决将实时发生的问题和可能发生的问题。

8

6、总结与展望

工业互联网与大数据革命已经展开。我国很多企业开始逐渐将互联网技术应用在工业生产，尽管如此，我们目前还远低于工业互联网应用极限；基于工业互联网的数字技术还没有将全部潜力充分实现与全球产业系。当工业互联网的三大要素智能设备、智能系统和智能决策与机器、设备、机组和网络整合在一起的时候，工业互联网的全部潜能就会体现出来。生产率提高、成本降低和废物排放的减少所带来的益处将带动整个工业经济发展。

通过以上对工业互联网与大数据的调查与研究，我们可以预测工业互联网与大数据可以给我们的工业发展带来颠覆性的改变。未来20年最有可能改革制造领域的首先是半导体、先进材料、添加制造技术、生物制造等等，我们说未来工厂要从数字化制造到数字化工程。我们未来的工业可以实现整个工厂的数字化，甚至延伸到产业链的外部，包括供应链。

参考文献

1. NE Oweis，C Aracenay，W George，et.al. Internet of Things: Overview, Sources, Applications and Challenges.Proceedings of the Second International Afro-European Conference for Industrial Advancement AECIA 2015-2016

2. L. Internet: The internet toaster. http://www.livinginternet.com/i/iamythstoast.html (2000). Accessed 03 Dec 2014

3.辛妍.工业互联网的兴起及要素.新经济导刊[J].2015(11):75-80

4. Gartner, Gartner it glossary. http://www.gartner.com/it-glossary/big-data/ (2014). Accessed 05 Jan 2015

5. Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D., Tufano, P.: Analytics: the Real-world use of Big Data (2012)

6. Knilans, E.: The 5 vs of Big Data. http://blogging.avnet.com/ts/advantage/2014/07/the-5-vs- of-big-data/ (2014). Accessed 05 Jan 2015

7.Ding, G., Wu, Q., Wang, J., Yao, Y.-D.: Big spectrum data: the new resource for cognitive wireless networking (2014). arXiv preprint arXiv:1404.6508

8.Chen, M., Mao, S., Zhang, Y., Leung, V.C.: Big Data Applications, in Big Data, pp. 59–79. Springer (2014)

9. Jiafu Wan,Software-Defined Industrial Internet of Things in the Context of Industry 4.0: IEEE SENSORS JOURNAL, VOL. 16, NO. 20, OCTOBER 15, 2016

10.Chen yang,Weiming Shen,Xianbin Wang. Applications of Internet of Things in Manufacturing. Proceeding of the 2016 IEEE 20th International Conference on Computer Supported Cooperative Work in Design.

[11] U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, From data mining to knowledge discovery in databases, AI Mag. 17 (3) (1996) 37.

[12] L. Wang, F. Leite, Knowledge discovery of spatial conflict resolution philosophies in BIM-enabled mep design coordination using data mining techniques: a proof-of-concept, in: Proceedings of the ASCE International Workshop on Computing in Civil Engineering (WCCE’13), 2013, pp. 419–426.

[13] Radu F. Babiceanu a,Remzi Seker b. Big Data and virtualization for manufacturing cyber-physical systems:A survey of the current status and future outlook. Computers in Industry 81 (2016) 128–137.

9

[14] Lopez Research. Building smarter Manufacturing with the Internet of Things (IoT) Part 2 of The IoT Series. Lopez Research LLC. (2014), Web Link: http://

www.cisco.com/web/solutions/trends/iot/iot_in_manufacturing_january.pdf.

[15] R.F. Babiceanu, R. Seker, Manufacturing operations, internet of things, and big data: towards predictive manufacturing systems, in: T. Borangiu, A. Thomas, D. Trentesaux (Eds.), Service Orientation in Holonic and Multi-agent Manufacturing, 594, Springer, Berlin, Germany, 2015, pp. 157–164.

10