制造业大数据应用的现状 [第一期]

Global Watch: 5 of 7

Big Data in Manufacturing―制造业大数据应用的现状 [第一期]―在能收集生产过程全部数据的今天  探索大数据应用的课题和前景

在能收集生产过程全部数据的今天,探索大数据应用的课题和前景。

大数据应用不仅在IT行业流行,而且正在普通消费者的市场领域飞速发展,在制造业是否同样也能发展?

业内行家--《Industrial Ethernet Book》的发行人Leopold Ploner先生探求大数据应用的挑战和前景。

开辟制造业的大数据收集之路

“大数据” 成为IT行业的流行语已有几年,目前在制造业也被广泛议论。在制造业,大数据应用的主要技术是作为FA(工厂自动化)通信协议而得到普及的工业以太网(Industrial Ethernet)。

首先,让我们看一看在没有工业以太网的情况下制造现场是如何收集数据的。收集生产过程的数据是从20世纪后期开始的,当时主要将手写的测量记录保管在文件柜里。之后,通过数字通信进行制造装置和控制设备之间的信号传递,产生了现场总线技术,从而能更实时地收集数据。然而,因这些数据种类繁多,所以仅在机器和控制网络方面应用。

随着工业以太网的出现,实现了可广泛进行数据交换的带宽和速度以及共同的数据格式,把生产线终端的温度、压力和功率等各种传感器每秒所获取的信息达到企业级的应用。

但是,实际上这些数据在很多情况下似乎还没有被有效利用。Fraunhofer IOSB(*)的Olaf Sauer博士推测“目前,这些数据中用于维护和故障排除方面的只占7%左右而已”。

*Fraunhofer IOSB(Fraunhofer Institute of Optronics, System Technologies and Image Exploitation):Fraunhofer IOSB研究所,是欧洲最大的应用研究机构。

照片:用多种传感器监视各种数据的工厂场景

照片:用多种传感器监视各种数据的工厂场景 (提供:Industrial Ethernet Book、引用:Daimler AG)

庞大且复杂的数据量成为很大的挑战

“大数据” ―这个词一般在通过普通数据库管理软件等应用软件进行处理时,用于描述规模大且复杂的数据集(数据处理单位,数据块)。

为了解大数据的现状,IT领域的调查咨询企业Gartner公司的调查部部长Doug Laney先生用3维来定义大数据,通过量(Volume、数据量)、速度(Velocity、数据发生频率)、种类(Variety、数据种类)组成的3V模型进行解说(图2)。这3个矢量全部处于急剧增大的状况就是大数据。

图1:用3维描述大数据的3V模型(提供:Industrial Ethernet Book)

图1:用3维描述大数据的3V模型(提供:Industrial Ethernet Book)

目前,此3V模型广泛用于大数据的说明。在制造业,尤其应该注意速度(数据发生频率)。

在普通消费者领域,满足消费者需求的服务提供和商品策划的大数据应用正在不断发展。例如,给自动售货机安装摄像机,收集购买者的数据,结合购买日期、时间以及天气和温度传感器等环境信息,利用大数据达到营销目的。这种情况的数据收集和分析速度(数据发生频率)有几个小时至几天就足够了。

另一方面,在制造业为了实时控制生产线的制造装置和设备,要求以几秒至几十秒接近实时的频率,收集和分析自动化生产线的运行记录数据、各种传感器信息和工厂内外环境信息等构成的大数据(图2)。估计数据种类不会增大到普通消费者领域的程度,但是由于速度(数据发生频率)快,所以担心数据量会随着传感器数量的增加而发生爆发性的增大。这个情况在了解制造业大数据的现状时非常重要。

图2:在工厂内收集大数据的概念图

图2:在工厂内收集大数据的概念图

制造业大数据应用的课题

在普通消费者领域,已经为大数据的应用开发了许多工具和应用系统。在处理大量数据时,把数据细分成段并用多个通用服务器进行分散处理的系统应用正在普及,对于Google、eBay、Yahoo来说,用不同的服务器处理大数据已是一般的处理方法。

但是,许多专家提出警告,像这样用于普通消费者领域的数据分析工具和软件无法简单地适用于制造业的大数据处理,这是由于大部分制造业的系统结构是集中处理型的。实际上,GE Intelligent Platforms公司公开的白皮书"The Rise of Industrial Big Data"指出,对于构建分散处理型系统应用环境的制造业来说,无论在复杂性还是在所需的专业技术方面,许多情况都超出了制造业的对应能力。也就是说,要让拥有集中处理系统的制造业过渡到当今主流的分散处理系统极为困难。

更困难的是制造业的数据分析,在长期积蓄了实时收集的大量数据后,按每台设备、每月、每班、每份订单等进行比较,找出相互关系。通过分析如此复杂的数据关系,不仅能优化生产过程,而且有助于设备的预测性维护和提高质量等。例如,设想一下塑料制造业,通过分析生产过程的全部数据、质量和自然环境数据的相互作用,可以了解因工厂内外的温度变化而带来的生产线异常以及对产品质量的影响。

如上所述,对于制造业的大数据应用,需要能恰当分析和简单抽出复杂数据的相互作用,以适当的格式将结果提供给各相关企业和部门的工具,并需要对应制造业特有数据速度(发生频率)的坚固系统。

下一期将探索制造业大数据应用所产生的利益和企业内的新课题。鉴于成本和复杂性,制造业的大数据应用是否会得到发展?

Leopold Ploner

Industrial Ethernet Book 发行人

http://www.iebmedia.com/

Industrial Ethernet Book