搞智能製造，不懂數據分析你就out了

前言

前些天到某工廠調研，車間的管理人員頗為無奈地對我們吐槽，近幾年花了不少力氣做生產現場設備層的數據採集，現在數據倒是有了，但是沒人知道怎麼去利用這些數據、如何分析這些數據。

相信上述情形是現階段國內工業現場的普遍現象，當然，還有很多現場連設備層的數據採集都沒有實現。在智能製造的大背景下，對數據的分析、充分挖掘其中的價值是智能製造的關鍵內容。從下圖「工業4.0的6個成熟度水平」可以看出，後三個發展階段「透明性」，「預測性」，「自適應性」都是通過對於數據的深入分析來實現的。詳細解讀可參見《對IIC工業互聯網參考架構的理解》

今天就和大家聊聊數據分析在智能製造中的應用，探討一下如何在製造業中應用數據分析技術。

什麼是數據分析

與數據分析相關的概念有很多，比如統計分析、數據挖掘等等，個人認為，對這些概念的事情也不必太去鑽牛角尖。

數據分析就是從數據中提煉信息，發掘知識，形成洞察（insight），並最終輔助決策的過程。

數據分析會涉及到很多領域的知識，包括統計學、數據挖掘、機器學習等等。

數據分析在製造業的應用現狀

根據我的經驗，數據分析在製造業的應用並不深入。工廠對數據的利用，目前更多地停留在統計分析（形成報表），以及相關指標的計算等（參見《28個生產製造關鍵指標，你們廠用了幾個？》）。並沒有深入挖掘數據中隱藏的信息，進而形成能夠輔助決策的洞察。

尤其對於來自設備層的海量數據，包括設備運行狀態、設備報警、設備故障等，目前大部分的生產現場只是用來進行監控，實現可見性以及事故發生以後的原因分析、追責等。缺乏更深入的預測性分析（Predictive）、規範性分析（Prescriptive）。

數據分析在智能製造領域的應用方向

下圖是從LNS Research的一份研究報告中截取的，個人認為這四個單詞——Descriptive, Diagnotic, Predictive, Prescriptive——完美地詮釋了數據分析在智能製造的應用方向。

而「描述性，診斷性，預測性，規範性」也闡述了數據分析的四個漸進的階段，這四個階段與工業4.0成熟度水平是不謀而合的。

Descriptive 描述性。掌握正在發生的事件信息。
Diagnotic 診斷性。事件發生的原因。
Predictive 預測性。預測即將發生的事件。
Prescriptive 規範性。在預測的基礎上，結合相關相關業務流程，向生產運營人員提供行動建議。

數據分析的分類

從技術角度出發，可以將智能製造領域的數據分析分為兩類：

基於實時數據的在線實時分析
基於歷史數據的離線大數據分析

結合上圖中的工業互聯網三層系統架構，實時分析位於邊緣側，大多以網關作為載體，由於受邊緣側計算資源的限制，邊緣側的分析更多是基於預先設定好的規則（模型），進行簡單直接的數據過濾、聚合、轉換等操作。邊緣側的分析講究實時性，能夠實現及時的響應。常見的實時分析包括報警的觸發等。

而邊緣側的分析規則、模型則來源於平台層的大數據分析的結果或需求。大數據分析會針對海量的歷史數據進行更為複雜的分析，如預測性分析、規範性分析等。

因此，智能製造中的數據分析應為邊緣側的實時分析與平台層的大數據分析相結合。

數據分析在製造業應用的難點

缺乏歷史數據的積累。尤其對於來自設備層的數據，往往用於實時狀態監控，除了故障類數據之外，大量的過程狀態數據都被丟棄。
數據採集困難。在OT層面，目前在生產現場很多設備並沒有完善通訊功能和數據交互介面；在IT層面，信息化的覆蓋率不足，沒有實現生產運營全部環節的信息化，而且，現有信息系統由於建設初期缺乏信息集成方面的規劃，也呈現信息孤島的現象。
缺乏複合型人才。應該說，現階段數據分析技術更多的應用在互聯網等領域，在製造業的應用尚處於嘗試階段，因此，缺乏既了解生產製造相關業務、又熟悉數據分析技術的複合型人才。目前，這方面項目的開展，如設備的預測性維護項目，更多的需要多方合作，IT公司出數據科學家，設備廠商出設備工程師，工廠出設備運維人員，共同努力，才能促進相關項目的開展。
不同數據源的數據聚合難度大。在智能製造領域，進行分析的數據有來源於MES等業務系統的業務數據，也有來源於生產設備的呈現時間序列的實時數據。進行數據分析的第一步就是將相關數據進行聚合，使其格式統一，具備應用相關分析技術的條件。而這一過程目前在工業現場也是難度較大的工作，相關從業人員還需要項目的歷練和經驗的積累。

數據分析的實施路線

在當前階段，由於國內大部分工業現場還處於自動化和信息化升級的過程中，而數據分析的應用涉及到數據採集、傳輸、存儲、分析等諸多環節，因此，進行數據分析往往需要不菲的資金投入，這無疑提升了進行嘗試的門檻。因此，我提出以下兩點建議，希望能夠促進數據分析應用的小步快跑，逐步實現智能化的目標。

1. 從數據採集做起，充分利用數據採集所帶來的直接受益。其實，我們的企業不妨從數據採集做起，先圍繞數據採集做一些簡單直接的業務價值實現，而不急於做高大上的複雜分析與技術應用（如機器學習等）。從中不斷獲取業務上的回報，增強推動智能化的信心，並在此過程中逐步積累歷史數據，為預測性分析、規範性分析等高級應用做數據積累。

基於數據採集的簡單直接的常見應用包括以下幾項：

設備監控
過程監控
OEE計算
產品數據的追蹤

2. 儘快制定設備採購與信息系統建設的數據交互、信息集成介面等標準。已有設備及信息系統的改造是需要花錢的，而且相關廠商也未必十分配合。因此，要確保未來採購的設備及系統在信息集成方面具備相對較好的條件，這樣也算是亡羊補牢，為時未晚嘛。在這方面，歐洲的一些製造業企業已經走在了前面，甚至已經將MQTT、OPC UA等協議作為設備採購的硬性技術要求。

歡迎轉載，轉載請註明出處。

關注公眾號「聊聊智能製造那些事」，獲得更多關於智能製造以及物聯網方面的文章。