工业大数据技术与架构

 

    伴随着全球化加剧带来的生产力扁平化竞争，老龄化带来的工作人口下降和劳动力成本上升，自然环境的不断恶化和自然资源的不断减少以及更加多元化的用户需求，工业企业面临巨大的产业升级压力，如何向更高产品质量和生产效率、更快市场响应速度、更具绿色环保的方向演进，是摆在每个工业企业面前的挑战。与此同时，自动化和信息化技术近年来得到了长足的发展，特别是信息技术随着消费互联网的发展迅速进步，在全面改造第三产业的同时，也进一步与自动化技术产生融合而进入工业，为传统制造业的升级创造了技术基础。新工业革命以信息物理系统为载体，以创新商业模式为引领，以数字化、网络化、智能化为特征，其核心是将以云计算、物联网、大数据为代表的新一代信息技术与现代制造业、生产性服务业深度融合，推动产业转型升级。

 

    工业企业多年来（特别是在生产数据自动采集之后）累积的大量工业数据业已成为企业的重要资产，为企业转型升级提供核心动力，然而，其应用也带来了广泛的挑战。从业务方面来看，工业大数据应用还处于发展初期，具有广泛示范作用的成功案例还不多。企业面对的一个挑战是如何着手及推动工业大数据应用的开发和实施，以保证所构建的系统在投产后能产生预期的作用，能收回期待的投资回报。若没有架构作为基础，将很难有效地应对这些技术和业务上的挑战。要解决不同行业之间系统的互操作性问题，不同产业之间就必须对系统的整体架构达成共识。一个通用的参考架构不仅能够为解决不同产业共有的挑战提供共同的基础，还能够在跨产业的生态系统中实现知识和经验的共享，采用可重用的技术和系统构建模块。一个广阔跨产业的生态系统，将刺激更多的技术创新，降低技术成本，加快工业大数据系统的实施。

 

    当前，工业领域主流的架构主要是从智能制造的视角进行设计，包括德国的工业4.0参考架构、美国的工业互联网参考架构、中国的智能制造系统架构、日本的工业价值链参考框架等，其中，德国的工业4.0参考架构结合自身在工业装备和生产线自动化方面的领先优势，从信息技术、生命周期和价值流、企业纵向层3个维度展示了工业4.0架构和工业4.0组件模型，它更多关注的是智能工厂以及智能制造本身；美国的工业互联网参考架构则从虚拟经济和科技领域的优势出发，提出了针对工业互联网的具有跨行业适用性的参考架构，更注重工业领域的服务；中国的智能制造系统架构[1]依托制造大国的优势，从生命周期、系统层级和智能功能3个维度构建；日本的工业价值链参考框架通过多个智能制造单元的组合形成通用功能块，展现制造业产业链和工程链。这类架构提供了与智能制造相关的技术系统的构建、开发、集成和运行的一个框架，构建了软件的应用程序和服务架构，但这些工作并未关注如何利用累积的工业大数据实现价值创造和企业转型。因此，需要针对工业大数据的特点，从基于工业大数据的价值创新创造的视角开发一种工业大数据参考架构。参考文献[2]介绍了工业大数据的主体来源及主要特点，并分析了工业大数据的关键技术问题，但并未给出这些问题的解决方案，也未将其与参考架构相关联。

 

    为解决上述问题，本文提出了一种工业大数据参考架构，为跨产业的大数据应用提供了一个具有通用性和一致性的架构模板和方法论。该架构包含3个维度：生命周期与价值流、企业纵向层和IT价值链。其中，生命周期与价值流维度分为3个阶段：研发与设计、生产与供应链管理及运维与服务，分别讨论各阶段的数据类型、应用及价值创新；企业纵向层从下至上包含信息物理系统（cyber physics system， CPS）、企业管理信息系统（management information system，MIS）和互联平台系统（互联网+），分别讨论企业各层为实现工业大数据应用及工业转型所需进行的工作；IT价值链讨论指导工业大数据落地的业务架构、信息系统架构和信息技术架构，且在信息技术架构中，针对工业大数据及工业企业的特点对实现工业大数据应用所需的技术组件进行了讨论。

 

 

 

    工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节产生的各类数据及相关技术和应用的总称。其以产品数据为核心，极大延展了传统工业数据的范围，同时还包括工业大数据相关技术和应用。

 

    工业大数据的主要来源有如下3类。

 

    （1）生产经营相关业务数据

 

    生产经营相关业务数据主要来自于传统企业信息化范围，存储在企业信息系统内部，包括传统工业设计和制造类软件、企业资源计划（enterprise resource planning，ERP）、产品生命周期管理（product lifecycle management， PLM）、供应链管理（supply chain management，SCM）、客户关系管理（customer relationship management， CRM）和环境管理系统（environmental management system，EMS）等。这些企业信息系统已累积了大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。此类数据是工业领域传统的数据资产，在移动互联网等新技术应用环境下正在逐步扩大范围。

 

    （2）设备物联数据

 

    设备物联数据主要指工业生产设备和目标产品在物联网运行模式下，实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据，即工业设备和产品快速产生且存在时间序列差异的大量数据。

 

    （3）外部数据

 

    外部数据指与工业企业生产活动和产品相关的企业外部互联网来源数据，例如，评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。

 

    工业大数据技术是使工业大数据中蕴含的价值得以挖掘和展现的一系列技术与方法，包括数据规划、采集、预处理、存储、分析挖掘、可视化和智能控制等。工业大数据应用则是对特定的工业大数据集，集成应用工业大数据系列技术与方法，获得有价值信息的过程。工业大数据技术的研究与突破，其本质目标就是从复杂的数据集中发现新的模式与知识，挖掘得到有价值的新信息，从而促进制造型企业的产品创新，提升经营水平和生产运作效率以及拓展新型商业模式。

 

 

    工业大数据除具有一般大数据的特征（数据容量大、多样、快速和价值密度低）外，还具有时序性、强关联性、准确性、闭环性等特征。

 

    ● 数据容量大（volume）：数据的大小决定所考虑的数据的价值和潜在的信息。工业数据体量比较大，大量机器设备的高频数据和互联网数据持续涌入，大型工业企业的数据集将达到PB级甚至EB级别。

 

    ● 多样（variety）：指数据类型的多样性和来源广泛。工业数据分布广泛，分布于机器设备、工业产品、管理系统、互联网等各个环节，并且结构复杂，既有结构化和半结构化的传感数据，也有非结构化数据。

 

    ● 快速（velocity）：指获得和处理数据的速度。工业数据处理速度需求多样，生产现场级要求分析时限达到毫秒级，管理与决策应用需要支持交互式或批量数据分析。

 

    ● 价值密度低（value）：工业大数据更强调用户价值驱动和数据本身的可用性，包括：提升创新能力和生产经营效率及促进个性化定制、服务化转型等智能制造新模式变革。

 

    ● 时序性（sequence）：工业大数据具有较强的时序性，如订单、设备状态数据等。

 

    ● 强关联性（strong-relevance）：一方面，产品生命周期同一阶段的数据具有强关联性，如产品零部件组成、工况、设备状态、维修情况、零部件补充采购等；另一方面，产品生命周期的研发设计、生产、服务等不同环节的数据之间需要进行关联。

 

    ● 准确性（accuracy）：主要指数据的真实性、完整性和可靠性，更加关注数据质量以及处理、分析技术和方法的可靠性。对数据分析的置信度要求较高，仅依靠统计相关性分析不足以支撑故障诊断、预测预警等工业应用，需要将物理模型与数据模型结合，挖掘因果关系。

 

    ● 闭环性（closed-loop）：包括产品全生命周期横向过程中数据链条的封闭和关联以及智能制造纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。

 

    由于以上特征，工业大数据作为大数据的一个应用行业，在具有广阔应用前景的同时，对传统的数据管理技术与数据分析技术也提出了很大的挑战。

 

 

    大数据是制造业提高核心能力、整合产业链和实现从要素驱动向创新驱动转型的有力手段。对一个制造型企业来说，大数据不仅可以用来提升企业的运行效率，更重要的是通过大数据等新一代信息技术提供的能力来改变商业流程及商业模式。从企业战略管理的视角，可看出大数据及相关技术与企业战略之间的3种主要关系。

 

    ● 大数据与战略核心能力：大数据可以用于提升企业的运行效率。

 

    ● 大数据与价值链：大数据及相关技术可以帮助企业扁平化运行，加快信息在产品生产制造过程中的流动。

 

    ● 大数据与制造模式：大数据可用于帮助制造模式的改变，形成新的商业模式。其中比较典型的智能制造模式有自动化生产、个性化制造、网络化协调及服务化转型等。

 

 

    本文提出的工业大数据架构包含3个维度：生命周期与价值流、企业纵向层和IT价值链，如图1所示。在生命周期与价值流层，按照工业大数据的应用领域，又可分成产品生产阶段开始前的产品研发与设计、产品交付前的生产与供应链管理及产品交付后的运维与服务管理3个领域。在企业纵向层，按照数据采集方式与应用层级又可分成信息物理系统层、企业管理信息系统层及平台互联系统层。在IT价值链层，又可分成业务架构、信息系统架构及IT技术架构3个层次，其中信息系统架构又可分为应用架构及信息架构。

 

    图1 工业大数据架构