背 景

世界正在進入以信息產業為主導的經濟發展時期，在新一輪的科技革命和產業發展變革中，智能制造已成為世界強國搶占發展機遇的制高點和主攻方向。近幾年我國也在不斷發展和完善智能制造相關產業政策，布局規劃制造強國的推進路徑。以新一代信息技術的產業化和集成應用為重點，推進新一代信息技術和制造業深度融合，已成為推動我國生產方式、產業形態、商業模式等加速創新的重要途徑。

在當前信息化、智能化浪潮下，傳統粗放式生產的制造模式遭遇市場越來越激烈的競爭，低端技術、高成本、批量式生產等逐漸成為制約企業發展的瓶頸，同時用戶對產品質量的要求越來越高，個性化定制越來越明顯。提高質量效益、轉變生產方式是中國制造業必須解決的問題，而發展智能制造正是中國制造由大到強的必由之路，更是傳統制造企業轉型升級的必由之路。

一

什么是智能制造

當前，國內外對智能制造尚未有嚴格統一的定義，根據工信部《智能制造發展規劃（2016-2020年）》對智能制造的定義：基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、生產、管理、服務等制造活動的各個環節，具有自感知、自學習、自決策、自執行、自適應等功能的新型生產方式。

智能制造具有三個典型特征：自感知、自決策、自執行。這對于人類來說是非常簡單的事情，比如端一杯水，人通過眼睛看到水杯在哪（自感知），用手握住把手（自決策，選擇握住把手而不是杯身），端起水杯（自執行），可以輕易完成動作。而對于機器來說卻并不容易，機器需要自動識別水杯的坐標位置、水杯的外形、高度、材質等（自感知），需要判斷如何抓起水杯，握杯子把手還是杯身等（自決策），然后完成抓取杯子動作（自執行），這一整套連貫動作的執行決策需要各種數據作為支撐，需要借助大數據分析、人工智能等技術來實現。

智能制造的演化歷經三個基本范式：先以數字化制造主導，再到網絡化主導，進而走向智能化。本系列文章重點講述大數據相關技術如何支撐智能制造實現數字化、網絡化與智能化三個階段目標。

二

智能制造的第*階段：數字化

數字化是起點和基礎，是將許多復雜多變的信息轉變為量化的數字、數據，再以這些數字、數據建立起適當的模型，將其轉變為一系列二進制代碼，引入計算機內部，便于進行統一加工處理的過程。在全面信息化時代，數字化已經成為衡量企業信息化程度的一個重要指標。對于制造業來說，數字化的首要目標是實現數字化制造，即利用數字化的定量表述、存儲、處理和控制方法，支持產品生命周期的全局優化，它是計算機數字技術、網絡信息技術與制造技術不斷融合、發展和應用的結果，內涵包括以CAD/CAM/CAE等為主體的產品研發設計與制造技術，以MRPII、ERP、MES等為主體的制造信息支持系統、數字控制制造系統等。

簡單來說，狹義的數字化過程就是將線下、未準確量化的生產、管理等業務轉為線上進行，實現生產的“無紙化”、“流程化”、“度量化”。例如將傳統生產、管理過程中的紙質文件電子化，將業務工作方法與管理方式電子流程化等?；跀底只椒ㄋ鶎崿F的“無紙化”、“流程化”模式將會給企業生產管理帶來巨大的效果改善與效率提升。

以設計過程數據采集與全面數字化為例，最早設計人員進行產品各項設計的時候，采用手工繪圖設計的方式，設計完成后圖紙線下傳遞至審核、總工等各級領導審批；審批過程中根據意見反饋又重新進行圖紙修改，最終校核；審批完成后需要進行圖紙曬圖歸檔，后續分發至生產現場；參考及借閱過程繁雜，耗費人力。采用數字化方式后就轉變為通過CAD軟件直接進行二維、三維產品設計，電子圖紙及設計說明書等文件直接通過PDM系統提交、審批。一方面有效進行各類數據的版本管理、設計參考與圖紙復用，另一方面所有校對、審批均通過系統流程直接完成，電子化歸檔及電子化分發，極大地提高設計的效率、降低圖紙出錯率并減少整體設計工作量。

隨著智能制造戰略推進，企業必然會通過各種管理、生產相關的信息系統建設來促進自身數字化轉型，把數據作為智能制造的核心驅動力，利用數據去整合產業鏈及價值鏈。各類信息系統的建設，實質是實現管理、生產等信息的采集、管理、流轉與應用，用流程管理數據，用數據驅動業務。

三

數據采集實現數字化

制造企業數字化建設過程中核心采集哪些數據？

一是從底層的設備控制系統中采集設備的狀態數據、設備參數等，如數控系統、產線控制系統等；

二是直接采集各類終端及傳感器的數據，如溫度傳感器、振動傳感器、噪聲傳感器、手持終端等；

三是從各類業務應用信息系統中獲取數據，如：MES系統，既從PDM系統獲取BOM數據，又從ERP系統獲取訂單數據等；

四是由線下的紙質文件數據轉化而來，如工藝卡片電子化、流程卡片電子化等；

五是從互聯網獲取數據，如獲取市場信息數據、環境數據，上下游供應商數據等。

實現以上數據資產的全面獲取與利用，數據采集技術是關鍵。針對不同來源、不同形式的數據，需選用不同的數據采集方式。對于紙質文件等線下數據，可通過OCR識別、圖像掃描、手工錄入等方式獲??；對于各類設備及傳感器的數據，可通過各類網絡及工業接口協議實現采集；對于業務系統數據，一方面可通過系統集成的方式定義數據集成接口或通過中間件實現數據傳遞，另一方面可直接利用ETL（抽取Extract、轉換Transform、加載Load）工具從業務系統數據庫中抽??；對于外部數據、互聯網數據，可采用網絡爬蟲等方式獲取。

在這里，特別強調下ETL數據采集工具。隨著企業級大數據中心的建設，ETL數據采集工具所扮演的角色也愈加重要。ETL工具負責將分散的、異構數據源中的數據（如關系數據、平面數據文件）抽取到臨時中間層后，進行清洗、轉換、集成，最后加載到數據倉庫中，為后續聯機分析處理、數據挖掘模型構建等提供決策支持。

四

舉例：數字化的應用場景

下面簡單介紹一個通過數據采集實現設備監管與運維數字化的典型場景——設備運行狀態監測。

設備運行狀態監測主要通過不同的采集協議及傳感器實現企業各類型設備運行數據的實時采集，如：對于有對外輸出接口的設備，直接通過接口協議解析獲取數據；對于沒有輸出接口的設備，通過加裝一些傳感器來采集相關數據；對于有設備管理控制系統的設備，采用直接與系統集成獲取數據，也可利用ETL工具從系統后臺數據庫中抽取數據。獲取的多源異構數據主要包括設備的開關機狀態、設備的故障信息、設備運行的狀態信息、設備參數信息、維修保養記錄等，通過實時數據分析、可視化的方式全面感知設備的實時狀態，以此為基礎構建設備運行狀態監測管理系統，并可實現以下效果：

（1）實時監控：針對設備的運行狀態及要求，通過實時狀態數據接入與分析、參數范圍設置、動態閾值規劃、異常診斷模型開發等實現設備實時監測評估。當設備實時狀態數據出現異常時，系統可自動識別并報警，并推送提醒設備管理維護人員，提升故障的響應及時性與排故效率。

（2）分析評估：通過設備實時數據統計分析，可對設備相關指標及綜合效能進行評估，如設備完好率、故障率、OEE等指標分析，全面提升設備使用及管理能力。

（3）故障預測：可基于設備歷史數據樣例與實時數據分析，及時發現設備參數的異常變化并展開趨勢預判，實現設備健康狀態預測，指導設備維修保養計劃制定，提升維修計劃的科學性。

       熱門關鍵詞：智能制造,數據采集

       本文轉載自信息化觀察網，世孚科技本著傳播知識、交流學習的目的進行轉載，為網友免費提供，并已盡力標明作者與出處，如有著作權人或出版方提出異議，本站將立即刪除。