《工信部:2022質量大數據白皮書(177頁).pdf》由會員分享,可在線閱讀,更多相關《工信部:2022質量大數據白皮書(177頁).pdf(177頁珍藏版)》請在三個皮匠報告上搜索。
1、 質量大數據白皮書 數字化轉型系列研究報告 NoNo. .1 1 工業裝備質量大數據工業和信息化部重點實驗室 工業和信息化部電子第五研究所賽寶智庫 2022 年 7 月 特別鳴謝 工業和信息化部科技司 工業和信息化部信息技術發展司 編寫單位 工業和信息化部電子第五研究所 北京工業大數據創新中心有限公司 西安電子科技大學 華為技術有限公司 ??怂箍担ㄖ袊┯邢薰?北京寄云科技有限公司 格創東智科技有限公司 昆侖智匯數據科技(北京)有限公司 航天云網數據研究院(廣東)有限公司 山東浪潮工業互聯網產業股份有限公司 北京索為系統技術股份有限公司 深圳華龍訊達信息技術股份有限公司 上海優也信息科技有限
2、公司 湖北航天技術研究院 浙江訊飛智能科技有限公司 山東恒遠智能科技有限公司 上海致景信息科技有限公司 江蘇康緣藥業股份有限公司 蘇州維信電子有限公司 編委會 主 編:陳立輝 副主編:王 勇 成 員:黃創綿 馮冠霖 編寫組 聶國健 謝克強 胡 寧 田春華 蔣詩新 李泉洲 陳冰泉 徐 海 劉振國 廖鑫婷 鐘書棋 徐 地 張 碩 時培昕 胡夢君 歐儉華 李志芳 郭小龍 朱耿良 吳 云 常建濤 馬 龍 管瑞峰 楊時渠 孫凱明 呂曉楠 韓紅波 解光耀 陳 芳 韓 放 I 前言 制造業是立國之本、強國之基、大國經濟的“壓艙石” ,增強制造業質量優勢對于推動產業鏈中高端躍升、構建新發展格局、加速經濟高質量
3、發展具有重要意義。以大數據為代表的新一代信息技術與質量管理深度融合產生質量大數據,不斷提升制造業全要素、全價值鏈、全產業鏈質量管理活動數字化、網絡化、智能化水平,加速制造業的數字化轉型。 為貫徹落實關于深化新一代信息技術與制造業融合發展的指導意見 工業和信息化部關于工業大數據發展的指導意見 (工信部信發202067 號) 制造業質量管理數字化實施指南(試行) (工信廳科202159 號) ,開展質量管理數字化理論與實踐研究,發揮大數據等新一代信息技術對質量提升的基礎支撐作用,助力制造業高質量發展,工業裝備質量大數據工業和信息化部重點實驗室聯合工業和信息化部電子第五研究所賽寶智庫組織相關單位編寫
4、了質量大數據白皮書 (以下簡稱白皮書 ) 。 白皮書旨在為政、產、 學、 研、 用各方組織開展質量管理數字化工作提供參考,以質量大數據賦能企業全面質量管理,強化產業鏈質量協同,構建質量創新生態。 白皮書 聚焦質量大數據的架構、 模式、 模型、 機制、實踐等方面,給出質量大數據參考架構統領白皮書全文。參考架構包括數據視角、技術視角和業務視角三大視角,其中數據資源是價值起點,技術支撐是工具,業務落地是目標,數據、技術、業務三個視角統籌推動質量大數據的建設。 II 第一章 概念內涵, 給出質量大數據的定義; 提出質量大數據參考架構,包括數據維、技術維和業務維;闡述了質量大數據的特征,分析了質量大數據
5、與其它新型技術的關系。 第二章 歷程現狀,從質量管理體系和質量分析技術的演化、大數據帶來的契機闡述了質量大數據的發展歷程和重要意義;從技術研究、行業應用、發展政策等方面介紹了質量大數據發展現狀;最后分析了質量大數據當前面臨的主要挑戰。 第三章 業務視角,給出業務維度模型,從生產體系、管理體系、應用模式三個維度分析了業務視角的質量大數據,并對典型的應用模式進行了剖析。 第四章 數據視角,從數據要素體系、數據資源體系、數據治理體系著手,回答“質量數據在哪里” 、 “數據資源怎么建” 、 “數據質量怎么保障” “數據資源怎么用”等問題。 第五章 技術視角, 給出質量全生命周期框架, 提出質量數據平臺
6、四層架構,從數據存儲、數據服務、數據分析三個方向分析相關關鍵技術。 第六章 實施框架, 從企業側和產業側視角出發, 給出實質量大數據實施路徑的指導框架。 第七章 趨勢展望,從技術演變、業務應用、產業發展等方面展開,展望了質量大數據的發展趨勢,遠眺了質量大數據驅動的制造業質量管理數字化的未來。 第八章 應用案例, 對典型案例進行剖析, 揭示企業如何通過質量大數據來實現對質量的實時管理和精準控制,生產 III 出高質量的產品,提供高質量的服務。 白皮書編寫過程中受到社會各界專家的關注和大力支持。在此特別感謝清華大學軟件學院院長、大數據系統軟件國家工程實驗室執行主任王建民教授,北京航空航天大學研究生
7、院副院長、數字媒體北京市重點實驗室主任李波教授,西安電子科技大學智能制造與工業大數據研究中心主任孔憲光教授,北京大學工業工程與管理系副系主任張璽副教授,走向智能研究院執行院長趙敏,上海優也科技有限公司首席科學家郭朝暉,上海銘駿質量技術服務有限公司總經理韓俊仙,昆侖智匯數據科技(北京)有限公司總經理陸薇,中國電子科技集團第二十九所高級工程師史建成,工業和信息化部電子第五研究所研究員潘勇、何小琦、楊曉明等諸位專家提供的真知灼見和寶貴修改意見。 工業提質增效,經濟高質量發展,都離不開高質量的管理體系、 高質量的生產系統、 高質量的工業產品。 而這一切,都與質量大數據密切相關。質量大數據是一項新興的技
8、術體系,制造業質量管理數字化是一項綜合性系統工程,需要長期發展過程。因此, 白皮書的制定僅僅是一個初始的、階段性的描述和框定,其中還有很多尚未深入研究、清晰闡述和完整論述之處,期待能夠得到各方面的意見與建議,不斷更新和完善 白皮書 , 共同把工作做扎實、 做深入、 做持久,推進制造業數字化轉型,加快制造強國、質量強國建設。 IV I 目錄 1. 質量大數據的內涵 . 1 1.1 質量大數據的概念和外延 . 1 1.1.1 質量大數據的業務維度 . 3 1.1.2 質量大數據的數據維度 . 4 1.1.3 質量大數據的技術維度 . 6 1.2 質量大數據的特征 . 8 1.3 與其它技術的關系
9、. 11 1.3.1 質量大數據與工業互聯網的關系 . 12 1.3.2 質量大數據與數字孿生的關系. 13 1.3.3 質量大數據與工業大數據的關系 . 14 1.3.4 質量大數據與人工智能的關系. 14 1.3.5 質量大數據與區塊鏈的關系. 15 2. 質量大數據發展歷程與現狀 . 16 2.1 質量大數據的發展歷程 . 16 2.1.1 質量管理體系的演化 . 16 2.1.2 質量數據分析的演變 . 17 2.1.3 大數據帶來的契機 . 19 2.2 質量大數據的現狀 . 22 2.2.1 技術研究現狀 . 22 2.2.2 行業應用現狀 . 24 2.2.3 發展政策現狀 .
10、25 II 2.3 質量大數據面臨的挑戰 . 30 3. 質量大數據的業務視角 . 33 3.1 生產體系 . 34 3.2 管理體系 . 36 3.3 應用模式一:重點業務環節的質量管理優化 . 36 3.3.1 以產品質量為導向的設計優化 . 36 3.3.2 以生產質量為導向的工藝優化 . 41 3.3.3 以質量為導向的生產設備預測性維護 . 42 3.4 應用模式二:供應鏈產業鏈的質量協同優化 . 43 3.5 應用模式三:質量公共服務與新生態 . 45 4. 質量大數據的數據視角 . 47 4.1 數據要素體系. 47 4.2 數據資源體系. 48 4.2.1 數據資源目錄 . 4
11、8 4.2.2 數據資源融合 . 52 4.2.3 數據共建共享 . 57 4.3 數據治理體系. 58 4.3.1 數據標準體系 . 60 4.3.2 數據質量管理 . 61 4.3.3 數據安全防護 . 63 5. 質量大數據的技術視角 . 65 5.1 技術架構 . 65 III 5.1.1 質量全生命周期架構 . 65 5.1.2 數據平臺架構 . 66 5.2 數據存儲:多模態數據的數據湖技術 . 68 5.3 數據服務:質量大數據的領域建模技術 . 77 5.4 數據服務:基于領域模型的查詢技術 . 80 5.5 數據分析:面向多場景多數據源的數據分析技術 . 81 6. 質量大數
12、據的實施路徑 . 85 6.1 企業側 . 85 6.2 產業側 . 90 7. 質量大數據的未來展望 . 94 7.1 技術發展趨勢 . 94 7.2 應用發展趨勢 . 97 7.3 產業發展趨勢 . 98 8.質量大數據典型案例 . 100 8.1 以產品質量為導向的設計優化 . 101 8.2 以生產質量為導向的工藝優化 . 104 8.2.1 工藝質量參數優化 . 105 8.2.2 工藝質量缺陷識別 . 115 8.2.3 質量追溯 . 125 8.3 以質量為導向的生產設備預測性維護 . 132 8.4 面向供應鏈的質量協同優化 . 144 8.5 質量公共服務與新生態 . 154
13、 IV 參考文獻. 159 縮略語表. 162 質量大數據白皮書 1 1.質量大數據的內涵 制造業是立國之本、強國之基,增強制造業質量優勢對于推動產業鏈向中高端升級轉型至關重要。同時,質量作為評估工業設備、產品及服務能否穩定發揮其性能作用的關鍵指標,對工業技術升級、工業成本和消費體驗均有較大影響?,F代工業設備、產品及系統十分復雜,僅僅依賴傳統的質量管理手段很難對其質量問題進行規避,從而實質性地提升其質量水平。而隨著大數據、傳感器、人工智能等技術領域的飛速發展,一些原本較為隱蔽的質量特征、關聯關系可以從工業質量數據中得到挖掘。 質量大數據可以將各類工業場景下的質量風險暴露, 實現質量關聯關系挖掘
14、、 質量水平優化和質量經驗知識積累,達到工業產品和服務向中高端轉型升級的目的,提升整體行業效益。本節嘗試剖析質量大數據的內涵。 1.1 質量大數據的概念和外延 質量大數據根據質量管理在不同生產體系、 管理體系和數據基礎等上下文的內涵不同,決定了其邊界和內容。從數據要素的角度,質量大數據是指圍繞工業產品各種質量要求(功能型質量、性能質量、可靠性質量、感官質量等)在不同階段(研發設計、生產制造、使用運行等) 所產生的與產品質量相關的各類數據的總稱, 覆蓋了人、 機、料、法、環、測等多個因素。從業務范圍的角度,質量大數據除了應用于單個企業內部的特定業務環節, 也包括上下游企業構成的供應鏈協同和聯動,
15、甚至覆蓋一個產業生態圈。從應用技術的角度,質量數據技術包括數據規劃、檢測采集、傳輸存儲、建模查詢、管控治理、統計分析和管理應用等相關技術, 而質量大數據更聚焦在針對海量異構質量數據的平臺、分析和應用等大數據技術。 質量大數據白皮書 2 從上面的描述可以看出,質量大數據有業務、數據、技術等不同的維度,不同維度上的差別決定了質量大數據在不同行業、不同企業的側重點不同。例如,在醫藥、食品等行業,全產業鏈質量追溯是重點;對于半導體生產,先進過程控制(Advanced Process Control, APC)是重點;對于裝備制造,全生命周期(從研發、制造到運維)的質量管控與優化是重點?;诙鄠€行業實踐
16、和調研,本白皮書歸納出如圖 1.1 所示的質量大數據的參考模型,從業務、數據、技術三個維度對質量大數據的范疇和內涵進行刻畫。 產生主體數據安全防護人設備數據應用服務安全數據跨平臺安全生產體系管理體系產品質量設計優化質量業務管控指標功能性質量性能性質量質量大數質量大數據體系據體系數據分析數據服務分層方法關聯查詢分析模式分析算法分析模型領域建模物料模型設備模型人員模型 圖 1.1:質量大數據參考架構 質量大數據白皮書 3 1.1.1 質量大數據的業務維度 業務視角刻畫了質量大數據的業務上下文,包括了生產體系、管理體系和應用模式等三個維度。 1. 1. 生產體系生產體系 在生產體系維度上,包括產品特
17、點、生產類型和質量指標管控三個方面。從產品特點,工業產品可以分為小批量定制化產品(如工藝品、水力發電機組) 、小批量多品種產品(如沖壓件、印刷品) 、大批量少量品種 (如汽車、 工程機械、 3C 產品) 、 大批量標準品 (如石化、食品) ,不同產品特點決定了合適的生產類型,包括加工車間(Job Shop) 、流水車間(Flow Shop)、流水線(Line Flow) 、流程生產(Continuous Flow)等典型生產類型。產品特點和生產類型決定了質量指標的側重點(功能性質量、性能性質量、可靠性質量、感官性質量等) 。 2. 2. 管理體系管理體系 在管理體系維度上,包括產業鏈(產業鏈的
18、形態以及企業在產業鏈的位置) 、質量管理體系(如 TQM、6-Signma、TQC 等) 、生產研發組織體系。產業鏈可以分為資源導向型、產品導向型、需求導向型、市場導向型等不同類型, 一個企業在產業鏈中的位置決定了質量管理的側重點;質量管理體系的選擇取決于生產體系和產業鏈;生產研發組織決定了企業內部的質量管理落地途徑和業務場景。 3. 3. 應用模式應用模式 在應用模式維度上, 根據應用場景可以總結為三種應用模式。 1)面向特定業務環節的數字化質量管理: 各類企業將質量大數據在研發、生產、存儲、運輸、供應、銷售、服務等環節的融合應用,開展數字化質量設計、質量檢驗、質量控制、質量分析和質量改進,
19、提升企業質量管理的效率效益;2)供應鏈質量協同:供應鏈上下游企業基于數質量大數據白皮書 4 字化產品模型和全生命周期質量信息追溯, 以及各環節業務數據協同分析,實現數據驅動的全價值鏈、全生命周期的質量策劃、質量控制和質量改進,實現企業內及上下游企業間質量管理協同和聯動;3)質量生態共建共創與共享:具備平臺化運行和社會化協作能力的企業,與生態圈合作伙伴共建質量管理平臺,實現生態圈數據智能獲取、開發、 在線交換和利用, 建立質量生態管理體系, 形成質量共生新生態。 1.1.2 質量大數據的數據維度 從數據維來看,質量大數據可從數據源、資源體系和治理體系的層次進行劃分。 1. 1. 數據來源數據來源
20、 數據來源的分析和管理是工業質量大數據的基礎, 是實施質量大數據的第一步。數據源包括產品設計、生產制造、售后、回收產品全生命周期質量數據和供應生態質量數據。 產品全生命周期質量數據是指產品“從初始到報廢”全流程環節相關質量數據,如包括產品信息、設備信息、生產信息、檢測判定信息、 運維信息、 人員信息、 安全信息等, 涉及到 CAX、 ERP、 PLM、 MES、QMS 等工業軟件系統。此外,產品質量大數據的主要部分為生產工藝與設備狀態相關的數據。例如在半導體行業中,企業基于 EAP(Equipment Automation Program) 系統, 通過 SECS(SEMI Equipment
21、 Communications Standard)、GEM (Generic Equipment Model)等通訊協議, 完成對機臺狀態監測信息的收集。 而對質量檢測機臺的數據,可基于 FDC(Fault Detection and Classification)系統完成收集。 在傳統的工業或企業組織中, 各個業務流程信息被分散在各部門孤立的業務系統中。這些信息通過跨部門、跨層級的業務信息整合,便構成了工廠或企業內部的質量大數據源。 隨著互聯網與工業的深度融合, 外部互聯網也是質量大數據不可忽視的來源。 包括供應商數據、 質量大數據白皮書 5 市場反饋、市場分析等。此外,外部互聯網還存在數量
22、龐大的公開數據,如影響工業裝備作業的氣象環境數據、影響生產成本的法規數據等。 隨著科技進步、消費升級,質量由滿足功能、性能,到提升客戶體驗成為必然趨勢。很多企業都已把質量定義為客戶體驗。不同于產品和設備功能或性能方面的數據, 與客戶體驗相關的質量數據往往分散在戰略部門、市場/企劃部門、研發設計部門等多個業務部門,目前尚未形成成熟的統一管理模式。在家電行業中,客戶畫像、客戶需求 VOC (Voice of Customer)的提煉,先進標準的檢索、前期預研過程中的數據已作為體驗質量數據的重要部分進行管理。 圖 1.2 面向用戶體驗的質量數據分析流程 2.2. 資源體系資源體系 從不同粒度來看,質
23、量數據資源體系包括企業資源體系、產業資源體系。企業資源體系是以企業自身為核心,注重企業內部質量數據的采集與存儲,基于企業產品生命周期質量管控需求,集成企業內部不同來源質量數據,構建企業質量數據資源,實現基于企業質量數據資源的跨部門協作、數據共享等。 產業資源體系是以產業鏈供應鏈為核心,注重跨企業、跨區域的產業鏈供應鏈上下游企業質量數據的串接、集成,以提升產業鏈供應質量大數據白皮書 6 鏈質量管控能力為目標,集成接入企業、質量服務機構、質量監管機構數據,構建產業質量數據資源,實現基于產業質量數據資源的跨企業協作、質量風險防控、數據共享等。 3. 3. 數據治理數據治理 數據質量管理是質量大數據治
24、理的核心, 數據治理可分為基于數據標準、按需治理兩大類別,數據治理標準、治理工具、數據質量指標是治理的核心要素。從頂層數據治理制度、標準與規范到基于平臺數據治理實施,保障數據質量,以數據推動數字化質量管理,打破數據孤島、確保源頭數據準確、促進數據共享、保障數據隱私與安全。 治理標準:包括數據質量管理制度、國際質量相關法律法規、數據治理規范等,如產品生命周期數據管理規范 信息技術服務 外包 第 4 部分:非結構化數據管理與服務規范 信息技術服務 治理 第 5 部分:數據治理規范 。 治理工具:支持質量大數據治理工作,為后續具體的分析應用提供可靠和安全的質量數據。治理工具包括數據標準工具、數據質量
25、工具、元數據管理工具、主數據管理工具、數據生命周期管理工具和數據安全管理工具等。 數據質量指標:制定質量數據的質量要求和質量指標,在質量數據的收集存儲、分析應用和維護等階段,對所產生的質量問題進行識別、監控和預警等,保障質量數據的完整性、準確性、及時性以及一致性。 1.1.3 質量大數據的技術維度 為了讓數據更好的被管理和分析, 企業或行業需要建立質量數據平臺,橫向打通各線數據,對質量相關數據進行統一匯聚和集成。同時,數據平臺需要端到端的考慮數據消費場景,同時支持數據管理、數據分析計算管理和質量分析應用。如圖 1.3 所示。質量應用與其他 質量大數據白皮書 7 業務應用開發沒有太大差別,因此,
26、技術維度主要從數據存儲、數據服務、數據分析三個層面討論。 圖 1.3 質量大數據的四個層面 1.1. 數據存儲技術數據存儲技術 數據存儲主要解決海量多模態數據的接入與存儲問題, 包括數據存儲架構、數據處理工具和分層資源化方法。多模態數據的數據湖技術需要突破的是針對不同類型數據的存儲技術, 并在充分考慮多源異構數據各類特性之上的高效處理和計算工具和技術, 以及如何對數據分層進行管理。簡言之,該技術研究如何形成可擴展的一體化存儲系統和工具集。多模態數據湖的關鍵技術主要包括:1)多模態質量數據存儲架構,針對工業數據在質量相關的物理過程的不同階段、不同流程呈現多種類型(關系、時序、非結構化等)的特點,
27、研制不同的數據存儲管理引擎和系統致力于對多模態質量數據進行高效地接入匯聚和存儲,能夠按照產品編號,產品生命周期、質檢情況等多種維度進行靈活數據組織和高效訪問。2)質量大數據處理工具集,聚焦如何把數據匯聚到數據湖里, 以及為對湖中的數據進行分析和利用提質量大數據白皮書 8 供計算支持。 構建一個高效的通用計算層為數據存儲層之上的其他層級 (例如數據服務層、 數據分析層) 在進行蘊含業務語義的數據分析、多模態數據間關聯計算等操作時,提供高效計算支撐。3)質量大數據分層資源化,將數據湖中存儲的多模態數據進行數據分層,在數據訪問性能、數據口徑統一度、減少重復開發等方面顯著受益。 2. 2. 數據數據服
28、務服務技術技術 數據服務技術主要解決高維質量數據的有序和靈活訪問, 包括領域建模和跨域查詢等技術。1)領域建模技術,從質量分析應用的視角看,需要把上述數據進行集成和和關聯,構建統一數據服務,才能從根本上提高質量大數據的訪問效率, 加速質量分析和應用的創新速度。因此,在傳統的大數據平臺之上,需要對多維質量數據進行統一模型管理和查詢層, 以統一數據服務的形態對上層應用提供數據訪問能力。2)基于領域模型的查詢技術,數據關聯查詢引擎的作用是根據工業物理對象模型對上層應用發出的數據關聯查詢請求進行分解,并調度到底層的各個數據系統中實際執行,并把查詢結果匯總,加工變成上層應用所需的格式。 3. 3. 數據
29、分析技術數據分析技術 數據分析主要是解決質量分析的共性的模式、模型和算法問題。共性的質量分析算法可以歸納為基礎分析算法、時空模式挖掘算法、異常預警和工藝參數優化四類算法?;谶@些共性算法,一個分析模型可以通過算子組裝快速實現, 同時也方便全要素全環節質量分析模型庫的靈活擴展。 1.2 質量大數據的特征 質量大數據作為以大數據形式表征的工業產品、 設備與系統質量數據集合,具有跨尺度、協同性、多因素、動態化等特性。 質量大數據白皮書 9 圖 1.4 質量大數據的主要特性 所謂“跨尺度” ,是指質量大數據作為一個統稱集合,囊括了多個工業行業的不同階段、不同生產模式和環節的多種質量數據。這些數據由于表
30、征對象、屬性、量度等方面的差異,將工業對象的質量全貌以數字空間的形式得到了全面的展示, 形成了質量數據在多個尺度的跨越。 所謂“協同性” ,是指質量大數據的不同實體與關系數據的聯動變化。由于工業系統是一個多要素、多環節的系統,各個環節的質量指標數值均會影響下一個環節。例如對一個裝備件 C 來說,它由零件A 和 B 組裝形成,當零件 A 的公差已經超過 C 的精度要求時,待裝配的 C 是不可能達到質量要求的;當零件 A 和 B 的偏差存在互補效果時,裝備件 C 的質量反而更高些。因此在產品的質量數據分析過程需要將各階段質量數據作為整體來看待。 所謂 “多因素” , 是指產品質量的影響因素來源多樣
31、, 包括人員、設備、物料、加工方法、加工環境、檢測等多方面的因素。在企業建立工業產品質量大數據的過程中, 多種因素數據的來源和形式也是多樣化的,需要進行專門的集成和歸納。 質量大數據白皮書 10 所謂“動態化” ,是指質量大數據是隨時間的變化以及工業系統狀態的變化而實時變化的。 質量包含的大量特性數據主要是跟隨產品全生命周期變化的, 統計并理解產品質量特性數據在全生命周期的變化規律,能夠使用戶有效把握質量大數據的“動態化”特征,達到對產品的質量情況的全面了解。 此外,質量大數據由于其來源和應用的特點,與其他工業大數據相比,還具有其它特點: 1.1. 理論工具等基礎較好,理論工具等基礎較好,但但
32、存在大量碎片化的先驗知識存在大量碎片化的先驗知識 質量大數據在管理上,有 6-sigma、TQM、精益管理(LEAN)等管理理念支撐,也有 ISO 9000、ISO 9001、ISO 13053 等流程標準;在技術上,有 SPC、ANOVA 等數理統計方法;在組織上,有工藝、質量管理、 設備運維等固有部門支撐; 在信息基礎上, 有 EAP、 DCS、 SCADA、LIMS 等軟件系統支撐。 大數據分析與先驗知識的有機融合在質量大數據中非常重要, 但不同人員的知識或經驗經常不對稱 (數據分析人員對工藝與生產管理了解得不夠充分, 工藝人員和行業咨詢師常常對大數據分析技術的能力拿捏不準) ,需要一種
33、可以使不同領域專家有效協同的機制,通過數據驅動方式,提高現有質量管控的時效性、預見性和自適應性,從而實現對更大范圍要素的優化。 2.2. 影響因素維度大,對“數據質量”的要求更高影響因素維度大,對“數據質量”的要求更高 影響質量的因素眾多, 不少關鍵過程量數據沒有被采集或難以采集,關鍵質量指標缺乏全樣本數據。關鍵參數穩定并不等于生產過程穩定,緊靠數據無法完美勾勒出質量物理空間。數據質量不僅僅指的是數據結構(Data Schema)層面的完整性、規范性、關聯性問題,還包括業務語義層面的有效性 (測量原理、 安裝方式和位置、 采樣頻率、測量精度和可靠性) 、一致性(時空顆粒度和位置的一致性) 、全
34、面性 質量大數據白皮書 11 問題。 3.3. 質量大數據與質量大數據與生產管理的耦合度更高生產管理的耦合度更高 質量大數據的應用中不存在統一的優化目標, 這是因為企業在每個發展階段對質量的要求均有一些差異, 既不可能為了追求質量而一味提高設計制造成本,也不可能為了降低成本而一味壓縮質量要求。同時,產品質量問題囊括了產品表面可檢測的質量問題、設計問題、生產體系問題及流程潛在風險等, 因此目前的質量大數據主要集中于企業更為關心的質量問題,具有較大的特異性。隨著社會產品迭代速度的提升, 與之匹配的質量大數據的分析優化迭代速率要求也需要進行一定提升。 在現有質量體系下與大數據的融合主要可體現在重點質
35、量指標改善(PDCA) 、全面質量指標改善(TQM) 、質量控制能力量化(DMAIC)和精確質量控制能力幾個方面。其中,在重點質量指標改善上,大數據主要以關鍵質量指標統計分析、關鍵工藝數據分析、關鍵設備運行狀況分析與設備可靠性分析等方面提供服務; 在全面質量指標改善上,大數據技術主要應用于質量指標的統計分析、質量指標的相關性分析及指標優化等方面;在質量控制能力量化上,大數據技術主要應用在全集及多變量數據分析挖掘、 動態參數的實時分析以及生產與客戶需求關聯多維質量數據分析上;在精確質量控制能力上,大數據技術主要應用在質量要素的精確管控上。 1.3 與其它技術的關系 質量大數據是基于工業場景提出的
36、概念, 屬于工業大數據的一部分,在實際應用過程中需要與其他的新型工業技術融合使用,以實現質量大數據的有效傳輸利用及可視化。 質量大數據白皮書 12 1.3.1 質量大數據與工業互聯網的關系 圖 1.5 基于工業互聯網體系的質量大數據使用模式 工業互聯網關注的范疇更大, 覆蓋了供應鏈質量和公共質量服務和部分企業內的質量大數據。質量大數據的目的主要為產品設計、生產、運維全生命周期的質量分析管理提供數據來源,主要聚焦于與質量相關聯的服務,旨在為企業提升產品的設計、制造和運行質量。而工業互聯網作為將不同工業設備互聯, 并對數據進行統一網絡化管理的技術架構,與工業質量大數據有著密不可分的關系。從實際工業
37、系統來看,工業設備的狀態、工藝數據、產品數據、反饋調整操作等數據是作為質量大數據的不同要素進行融合分析的, 而工業互聯網是將這些數據進行網絡化管理的系統。 基于工業互聯網架構的質量大數據相關應用開發的模式與當前工業生產系統的特征具有較好的適配性,一方面這樣的容器化部署技術不會使底層的硬件變化或遷移操作造成數據的丟失或服務的中斷, 另一方面通過這樣的網絡化結構能夠更加有效地利用各種計算和存儲資源來保障質量數據相關的服務。 產產業業企企業業系系統統數據互聯數據互聯數據管理端到端數據傳輸管理(端口、鏈接、安全)物理資產物理資產研發設計數據材料性能數據運行工況數據模擬分析數據工業通訊信息互通信息互通信
38、息管理數據字典標識解析元數據描述 信息模型構建數據分析數據分析數據管理幾何模型仿真模型質量分析模型數據模型多模型融合交互交互交互交互業務應用業務應用網絡互連工業質量數據實時轉發工業質量數據非實時轉發網絡控制網絡管理有線接入(TSN、工業以太網、現場總線、PON、 )數據互通無線接入(5G/4G、WiFi/WiFi6、WIA、wirelessHART、ISA100.11a)設設備備 質量大數據白皮書 13 1.3.2 質量大數據與數字孿生的關系 圖 1.6 基于數字孿生技術的質量大數據使用模式 數字孿生技術是質量大數據的支撐技術之一, 在質量設計仿真驗證、生產過程可視化、生產過程仿真和異常預警等
39、方面有很多應用。數字孿生是充分利用物理模型、傳感器更新、運行歷史等數據,集成多學科、多物理量、多尺度、多概率的仿真過程,在虛擬空間中完成映射,從而反映相對應的物理世界過程。數字孿生是一種超越現實的概念,可以被視為一個或多個重要的、彼此依賴的物理系統的數字映射系統。近期提出“元宇宙”可以看做數字孿生在交互層面的擴展,是利用科技手段進行鏈接與創造的, 與現實世界映射與交互的虛擬世界,具備新型社會體系的數字生活空間。 工業場景中為了更好地研究設備運行和產品加工的具體內部應力、形變、損傷、振動等多種難以觀察的質量數據,常用工業數字孿生技術將工業實體模型與其物理特性數據相結合, 通過各類孿生算法模型,完
40、成物理實體的數字空間映射。從定位上看,數字孿生是一種包含各類物理數字空間轉化技術的集合, 能幫助質量大數據在微觀機理上的分析呈現更加具象化的效果, 同時基于數字孿生體系中的仿真分析技術, 能夠挖掘出工業物理實體本身的各類內部和外部應力決策描述數據互聯數據互聯形成綜合決策,并反饋給物理世界數據管理構建面向物理世界精準數字化映射 數據互聯:基于工業通訊實現設備數據的有效集成 信息互通:基于信息模型實現物理對象語法統一 模型互操作:基于多模型融合實現物理系統語義統一連接采集感知反饋控制物理對象物理對象研發設計數據材料性能數據運行工況數據模擬分析數據工業通訊信息互通信息互通信息管理數據字典標識解析元數
41、據描述 信息模型構建模型互操作模型互操作數據管理幾何模型仿真模型質量分析模型數據模型多模型融合交互交互交互交互診斷預測處置業務應用業務應用向物理對象反饋向數字空間映射對工業場景(資產、過程、行為)進行深層次、全范圍數字化,并與數字空間進行雙向交互質量大數據白皮書 14 缺陷。 1.3.3 質量大數據與工業大數據的關系 質量大數據是工業大數據的一個重要應用方向。 質量大數據作為衡量企業全生命周期運行質量的重要手段, 對企業的日常經營有著重大作用。但站在企業整體的角度,質量只是一個業務維度,企業還有設備管理、生產管理、能源管理等等其它業務維度,同樣也需要大數據支持。 工業大數據正是使用大數據來幫助
42、企業解決上述問題的統稱。從范圍來看,質量大數據是作為工業大數據的一部分而存在。對企業來說, 一個底層數據源如設備的工況數據可能被用于支持多個業務應用領域,因此質量大數據和其他工業大數據常常存在多種交叉。從技術的角度來看,工業大數據平臺、大數據分析、人工智能等技術在不同問題上有很多共性, 通用的工業大數據技術往往可以引入解決質量大數據的問題。 1.3.4 質量大數據與人工智能的關系 人工智能是質量大數據分析的重要技術手段。 人工智能技術包括專家系統、機器學習 (包括深度學習) 、進化計算、模糊邏輯等方向,在質量大數據中有很多應用場景,特別是機器學習和專家系統。深度學習算法在表面質量檢測、X-Ra
43、y 檢測等圖像檢測有廣泛的應用,大大提高了質量檢測的效率和覆蓋率。機器學習算法在異常預警、工藝參數等場景中也有不少應用。質量排查通常會涉及到多個環節、大量參數、多個周期,排查工作量大,排查周期長,規則引擎(專家系統的簡化形式)可以在質量排查自動化上發揮很大作用。質量大數據的要素維度高、類型多樣但樣本偏少,這些特點也促發了人工智能的很多新課題,例如小樣本學習、多模態學習、聯邦學習等。 質量大數據白皮書 15 1.3.5 質量大數據與區塊鏈的關系 區塊鏈是質量大數據可以利用的關鍵技術。 區塊鏈是一個分布式的共享賬本和數據庫,具有去中心化、不可篡改、全程留痕、可以追溯、集體維護、公開透明等特點。這些
44、特點保證了區塊鏈的“誠實”與“透明” ,能夠解決信息不對稱問題,實現多個主體之間的協作信任與一致行動。區塊鏈可以作為質量追溯的支撐技術,實現產業鏈不同企業間的產品標識的鏈接機制, 也為產業鏈的質量協同優化和聯邦學習典型技術基礎。在質量大數據的應用中,除了產品追溯外,其他場景都面臨著信息差異大(不同行業質量數據信息差異性大、不同分析主題的信息需求的范圍和顆粒度差異也很大)的挑戰,這也為區塊鏈技術提出新的課題。 質量大數據白皮書 16 2. 質量大數據發展歷程與現狀 2.1 質量大數據的發展歷程 2.1.1 質量管理體系的演化 按照質量管理在各個國家實踐的特點來看, 質量管理學科的發展經歷了四個階
45、段,如圖 2.1 所示。 圖 2.1 質量管理學科發展的四個階段 1.1. 傳統質量檢驗階段(傳統質量檢驗階段(2020 世紀初至世紀初至 2020 年代末)年代末) 質量檢驗階段第一次將質量管理從生產管理獨立出來, 其特點是以事后檢驗為主。 代表人物及其理論有: 泰勒的科學管理理論, 建立專職檢查制度;費希爾的方差分析和實驗設計理論等。 2.2. 統計質量統計質量管理階段(管理階段(2020 世紀世紀 3030 年代至年代至 5050 年代)年代) 相較于質量檢驗階段, 統計質量控制階段從單純地依靠質量檢驗事后把關,發展到工序過程控制,顯著的特點是質量的預防性控制和 質量大數據白皮書 17
46、事后檢驗相結合,形成質量管控的閉環。 代表人物及其理論有:休哈特的統計過程控制理論;道奇的質量抽樣檢測理論等。該階段將統計數學引入質量管理中,不但強調定性分析,還強調定量分析,是質量管理學科走向成熟的標志。 3.3. 全面質量管理階段(全面質量管理階段(2020 世紀世紀 6060 年代年代 2020 世紀末世紀末) 全面質量管理將質量管理從生產單一環節擴展到全環節(設計、生產、運維等) ,強調質量管理是一個以質量管理為中心,以全員參與為基礎,以生產的全過程為管理對象的系統工程。 代表人物及其理論有:費根堡姆的全面質量管理理論,田口玄一的田口法等。 除此之外, 各行業也出現了權威的質量管理標準
47、, 例如:適用于各行業的質量管理標準 ISO 9001,適用于汽車行業的質量管理標準 IATF 16949,適用于醫療設備行業的質量管理標準 ISO 13485,適用于視頻行業的標準 ISO 22000,適用于航空航天和國防制造業的質量管理標準 AS9100 revC、AS9100 revD,適用于醫療設備制造行業的智聯管理標準 ISO 13485 等。這些不同行業的質量管理標準對促進本行業的質量管理具有重要的指導作用。 4.4. 智能質量管理階段(智能質量管理階段(2121 世紀至今)世紀至今) 數字化質量管理是基于新一代信息技術與質量管理深度融合, 提升全生命周期、全價值鏈、全產業鏈質量管
48、理活動數字化、網絡化、智能化水平,提高質量品牌競爭力的先進質量管理模式。數據、信息和知識是該階段質量管理的重要資源。 2.1.2 質量數據分析的演變 傳統的質量數據分析常用以下方法: 1.1. 基于概率統計的分析方法基于概率統計的分析方法 在對隨機現象的研究和各種決策中,利用樣本(數據)提供的信息去推斷總體的數量規律性,作出有關總體的某種結論。推斷統計學質量大數據白皮書 18 是建立在概率與概率分布的理論基礎上的統計方法。 2.2. 基于時間基于時間序列序列的分析方法的分析方法 客觀事物都是不斷地在發展變化之中,對事物發展變化的規律,不僅要從內部結構、相互關聯中去認識,而且應從隨時間演變的過程
49、中去研究。這就需要運用統計學中的時間序列分析方法。 對時間序列進行分析的目的, 一是為了描述事物在過去時間的狀態,二是為了分析事物發展變化的規律性,三是為了根據事物的過去行為預測它們的將來行為。 3.3. 基于失效基于失效物物理的理的分析方法分析方法 以可靠性理論為基礎,配合物理和化學方面的分析,說明構成產品的零件或材料發生失效的本質原因, 并以此為改進設計和消除失效的依據,最終提高產品的可靠度。通過分析相關試驗的結果,發現與零件、材料失效相關的特性參數、數學模型、退化模式等失效機理信息,進而建立壽命與各參數間的數學模型,提出本質的改善方法。 從物理本質上描述產品的失效機理, 構建產品失效物理
50、退化量與產品可靠性之間的內在聯系,并以之進行可靠性統計推斷。其目的在于說明失效本質,為消除或減少失效提供定量依據,最終提高產品的質量。 以上這些傳統數據分析方法, 大多數都是通過對原始數據集進行抽樣或者過濾,然后對數據樣本進行分析,尋找特征和規律,其最大的特點是通過復雜的算法從有限的樣本空間中獲取盡可能多的信息。傳統抽樣數據的量可能還不夠大。 根據調查研究的需要確定樣本量的總體規模,是整個抽樣的前提??傮w規模涵蓋不全面,可導致抽樣誤差和結果的無效。同時,傳統的數據分析方法著眼于已經認識到的因素的分析,而忽視了故障因素的隱蔽性,不能針對所有因素進行全面系統的分析,可能造成分析結果不全面甚至不正確
51、。 質量大數據白皮書 19 2.1.3 大數據帶來的契機 1 1. . 質量分析質量分析 隨著計算能力和存儲能力的提升, 大數據分析方法與傳統分析方法的最大區別在于分析的對象是全體數據,而不是數據樣本,其最大的特點在于不追求算法的復雜性和精確性, 而追求可以高效地對整個數據集的分析。質量大數據為質量分析帶來四個轉變,這些轉變將改變質量管理中數據分析的方法。 第一個轉變:在大數據時代,可以分析更多的質量數據,甚至是某個事物的全集質量數據,并且“樣本”可以等于“總體” ,而不需要隨機抽樣和多級抽樣,可以洞察全局、整體的質量,更容易形成“系統質量觀” 。 第二個轉變:在大數據時代,因為數據量非常龐大
52、,可以不再熱衷于追求精確性, 而是可以適當忽略微觀層面的精確性而專注于宏觀層面的洞察力,偏重于用概率說話,接受混亂和不準確性,寬容錯誤可能會帶來更多價值,不追求最高質量(質量是有成本的,很多時候并不是質量越高越好,需要綜合考慮) ,而追求最具效能的質量,更容易形成“效能質量觀” 。 第三個轉變:在大數據時代,質量分析將從尋找因果關系躍遷到尋找事物之間的關聯關系, 能讓我們超越目前已掌握質量可靠性理論的局限,發現新的質量問題、挖掘新的潛在價值,更容易形成“超前質量觀” 。 第四個轉變:在大數據時代, “數據+算法”研究范式將由于數據“量”的增長形成“質”的變革,簡單算法比傳統的復雜分析算法更有效
53、,改變傳統基于有限數據不得不花費大量精力追求算法復雜性、精密性和智能性的模式,花費更少的精力尋找有效的簡單算法,計算分析的效率也將提升,更容易形成“簡單質量觀” 。 質量大數據白皮書 20 2.2. 質量管理質量管理 圖 2.2 質量管理體系與大數據的融合關系 隨著制造業數字化轉型、 高檔數控機床的配置應用和自動化采集設備的廣泛應用,工業裝備生產產生的質量數據,逐漸被全方位采集和多形式記錄, 數據量、 數據類型、 數據傳輸均得到大幅提升和擴展,不斷采集和積累的質量數據將質量管理推進到大數據時代。 隨著大數據時代的到來,基于大數據的質量控制、質量追溯等技術開始得到應用,質量控制變得比以前更加精準
54、,基于質量大數據技術的智能質量管理模式將會是往后質量管理模式的重要發展方向。一方面,在既有質量管理體系下, 質量大數據技術可以加速和提升關鍵過程環節的效率和質量,主要體現在質量問題的可視、可溯、可決這三個方面,如表 2-1 所示。 表 2-1:質量大數據從不同方面加速和提升效率和質量 大數據的作用大數據的作用 在質量管理中的作用在質量管理中的作用 大數據平臺大數據平臺 大數據分析大數據分析 可視 時效性、 真實性、 全面性 生產全要素的橫向 (以設備、 工藝流程為中心的數據檔案)、縱向(生產周期、保新的檢測方法(基于視覺、音頻或傳感數據的分析) 傳感器或器具矯正 質量大數據白皮書 21 養周期
55、)拉通 可溯 支持專家, 深入探索, 而不用去各處抓數據 生產全要素的關聯與追蹤(基于行 業 大 數 據 模版) 問題排查自動化:基于行業知識圖譜、關聯模型 可決 把例行的事情自動化,降低低價值工作的時間 把模糊的規則明確化,降低波動性和不確定性 把復雜的問題簡單化(降維、找出典型模式) 把事后響應變成提前預知,把預防性變成基于狀態的按需行動 透明化管理(可借助 AR/VR等技術) 對比分析 (橫向/縱向Benchmark) 典型工況案例庫 典型設備異常案例庫 質量分析質量分析 質量根因分析 控制參數優化 質量異常預警 質量時空模式分析 設備穩定性設備穩定性 異常波動檢測 偏差識別 預測性維修
56、 更重要的是, 通過一些數字化歷程, 質量大數據管理將實現從 “科學化” 、 “定量化”到“智能化”的轉型。 在質量管理執行模式上, 將從 “以人和流程管理為中心” 變為 “以數據洞察和智能決策為中心” 。過去是問題找人,人來找設備找數據去支撐,現在是問題去找數據,分析后的結論再去找人;過去是人需要主動發現改善點,現在是潛在改善建議主動找人確認。這樣,質量管理人員不再受限于生產現場, 通過數字孿生可以在更大廣度上實現質量的集中管理。 在管理經驗和知識的傳承方式上,將“以人和文檔為載體”的模式轉變“以數字為載體”的模式。歷史上出現過產品質量過程可以在很大程度上保持下來,這樣質量管理知識將可以跨越
57、物理時空,實現更大范圍的沉淀;知識載體是數據和模型,經過大量數據不同場景的證偽檢驗,可信度有相對客觀的評價,消除了傳承損失,復用成本更低。 質量大數據白皮書 22 2.2 質量大數據的現狀 2.2.1 技術基礎現狀 1 1質量數據采集體系日趨成熟質量數據采集體系日趨成熟 質量數據采集體系包括數據采集、存儲、集成、管理、訪問等,是質量數據分析和應用的基礎。 隨著設備數字化程度的提高以及工業互聯網平臺的發展,企業能通過 ERP、MES、工業互聯網平臺等系統采集包含人、機、料、法、環、測環節的海量質量數據。據2020 中國大數據產業發展白皮書 ,自 2014 年起,大數據專利數量開始飛速增長,到 2
58、019 年,中國共擁有大數據相關專利 32301 項,數據采集是大數據專利技術領域的熱門詞匯。在一些自動化程度較高的行業,如面板行業、SMT 生產行業等,質量數據采集體系已經十分成熟,為質量數據分析和應用奠定堅實的基礎。 2 2質量大數據分析技術蓬勃發展質量大數據分析技術蓬勃發展 傳統的 SPC 控制圖分析、 方差分析等質量數據分析技術已經不能滿足當下大量數據的分析需求。運用機器學習、深度學習等人工智能算法實現面向歷史數據、實時數據、時序數據的聚類、關聯和預測分析成為當下質量大數據分析技術的核心, 隨著人工智能算法的不斷發展,基于這些最新的人工智能算法的質量數據分析層出不窮,質量大數據分析技術
59、正在蓬勃發展。 目前質量分析主要集中在 6 個層面:質量根因分析、控制參數優化、質量異常預警、質量時空模式分析、質量檢測和生產設備智能運維,如圖 2.3 所示。 質量大數據白皮書 23 設計生產制造成品檢測運維質量時空模式分析質量根因分析質量檢測質量預警控制參數優化智能運維數據的獲取難度應用自由度圖 2.3 質量問題分析的 6 個層面 (1 1)質量根因分析)質量根因分析 質量根因分析是建立質量指標與監測參數之間的對應關系, 監測參數可以是設計、生產、檢測各個階段的數據,可用于實現工藝的優化、質量控制、質量預警等,應用范圍較廣,但是需要獲取高質量的樣本數據才能建立較為精確的映射關系,因此數據獲
60、取難度較大。 (2 2)控制參數優化)控制參數優化 控制參數優化是對生產過程中的需要人為控制的參數進行優化,提升產品質量,可用于實現產品質量控制與工藝設計優化。與質量根因分析相比, 控制參數優化問題不需要找到監測參數與質量指標之間的精確關系, 只需要找到質量較好的那部分質量指標與監測參數之間的關系,且這里的監測參數是可控的,因此數據獲取難度小于質量根因分析。 (3 3)質量異常預警)質量異常預警 質量異常預警是根據當前制造過程的參數對本批次產品質量進行預測,對高風險的在制品進行預警,為質量提升提供指導。 (4 4)質量時空模式分析)質量時空模式分析 質量時空模式分析主要是挖掘不同生產線、不同季
61、節、不同物料等對質量的影響,提高對工藝流程的認識,為工藝設計提供幫助。 質量大數據白皮書 24 (5 5)質量檢測)質量檢測 質量檢測是對成品的質量進行自動檢測, 及時發現質量不合格的產品??梢酝ㄟ^超聲波檢測儀、工業相機等設備,采集產品的質檢數據,利用信號處理、圖像識別等技術手段,發現產品的表面、內部等缺陷問題。 (6 6)智能運維)智能運維 智能運維包含兩方面的研究, 一方面是對生產設備進行預測性維護,另一方面是對產品試用期進行質量洞察。對生產設備進行預測性維護可以減少由于設備原因所導致的產品質量低、 生產效率低等問題,對產品試用期進行質量洞察有助于我們及時了解產品交付后的質量是否合格,有助
62、于幫助我們改進產品設計、改進制造工藝等,且通過試用期的運維數據可以判斷用戶是否正確使用該產品, 為售后人員的售后服務提供幫助。 2.2.2 行業應用現狀 隨著數據采集體系的日趨成熟以及質量大數據分析技術的蓬勃發展,企業自身的數據積累與技術積累已經達到了一定的程度,質量大數據技術得到落地應用。在自動化程度較高的行業尤為明顯。例如在半導體行業,將質量大數據技術引入 FDC 數據分析系統,幫助產品生產過程進行質量管理, 提升其管理水平, 從而獲得穩定的產品良率。在電子制造行業, 許多企業利用質量大數據系統輔助 SMT 產線進行質量管理,提高產品生產效率與生產質量。在汽車行業,特別是一線品牌的汽車企業
63、, 以質量大數據核心的質量管理系統已經進入普及階段。此以外,質量大數據在化工、新材料生產等行業也得到了一些實際的應用,為企業質量管理提供幫助。 但也可以看到,不同行業的側重點不同。以分析課題為例,如表2-2 給出一些行業的典型質量分析課題,即使名字相同課題在不同行 質量大數據白皮書 25 業的內涵與主要矛盾也常常不同。 表 2-2:一些典型行業的質量分析課題 行業行業 質量根因分析質量根因分析 控制參數優化控制參數優化 質量異常預警質量異常預警 質量時空模式分析質量時空模式分析 質量檢測質量檢測 面板面板 ELA-Mura根因分析 CIE 控制參數優化 Mask PPA 優化 ELA-Mura
64、 不良的智能預警 TFT 智能排查 Particle 追溯分析 Array 路徑差異分析 多層缺陷的智能識別 SMTSMT 生產生產 鋼網參數優化 刷錫質量預測 異常智能定位 AOI 不良品的智能復判 新材新材料生料生產產 質 量 波 動 的關聯分析 關鍵設備的控制參數優化 能耗優化 異常模式挖掘 產品表面質量的圖像研判 化工化工 灌 裝 質 量 分析 工藝參數優化 灌裝控制優化 工藝參數波動的質量影響預測 漏封規律挖掘 煤質在線檢測 醫藥醫藥 操作參數優化 批次規律分析 鋼鐵鋼鐵 波動性分析 黃金批次分析 在線調整 設備劣化趨勢預警 米跟蹤 表面質量圖像檢測 汽車汽車制造制造 鑄 造 缺 陷
65、 根因分析 臺車偏差自動識別 焊接參數異常預警 輪轂鑄造成本估算 故障原因和處理措施的聚類 在線檢測的自動校正 2.2.3 公共政策現狀 當前各國政府紛紛出臺相關政策大力發展先進制造業, 促進工業產品質量、市場競爭力的提升。質量大數據技術是在新一代信息技術背景下解決工業產品質量問題、提高市場競爭力的一種關鍵技術,質量管理與大數據結合成為當下質量管理發展的重要方向, 世界各國紛紛布局質量大數據,引導企業變革質量管理手段,提升產品質量。 1. 1. 國外發展政策情況國外發展政策情況 質量大數據白皮書 26 美國在 2018 年 10 月發布了美國先進制造領導戰略 ,在“智能與數字制造”部分明確提出
66、了下一步行動計劃“將大數據分析和先進的傳感和控制技術應用于大量制造活動。支持生產機器,流程和系統的實時建模和仿真,以預測和改進產品質量和可靠性;挖掘歷史設計,生產和性能數據,以揭示創建它們的專家設計者的隱含產品和工藝技術” 。 德國在 2015 年 4 月提出“工業 4.0”戰略,強調利用信息技術和制造技術的融合,通過采集產品生產運行數據,對產品進行預測性維護,同時輔助產品進行進一步升級換代、新產品開發,以及其他市場經營行為的決策。 日本在 2017 年提出其工業領域將實行“互聯工業”戰略,以采集海量數據為基礎,將人、設備、系統、技術等關鍵數據相互連接起來,從而創造新的附加值并解決相關質量問題
67、。 法國在 2013 年提出“新工業法國”戰略,引導諸多法國企業積極投身以大數據為基礎的產品研發,改進產品質量水平。在該戰略的指引下,法國眾多企業以大數據技術的研究和利用為主要內容,設立專門的工作室和實驗室從事質量設計和研發。 2. 2. 國內發展政策情況國內發展政策情況 制造強國戰略2017年9月國務院關于開展質量提升行動的指導意見2015年5月2018年1月國務院關于積極推進 互聯網+ 行動的指導意見2021年3月 十四五規劃 圖 2.4 國務院發布相關政策路線圖 目前,我國的經濟發展方式由高速發展轉向高質量發展,因此黨中央、國務院出臺了一系列“質量發展” 、 “大數據” 、 “兩化融合”
68、 、“互聯網與制造業融合”等綜合性政策和指示,全面指導我國制造業 質量大數據白皮書 27 數字化轉型以及向高質量方向發展,如表 2-3 所示。 表 2-3 國家相關政策 序號序號 名稱名稱 發文日期發文日期 發文單位發文單位 1 制造強國戰略 2015 年 5 月 國務院 2 國務院關于開展質量提升行動的指導意見(以下簡稱“質量提升意見”) 2017 年 9 月 國務院 3 關于加強質量認證體系建設 促進全面質量管理的意見(以下簡稱“全面質量管理意見”) 2018 年 1 月 國務院 4 中華人民共和國國民經濟和社會發展第十四個五年規劃和 2035 年遠景目標綱要(以下簡稱“十四五規劃”) 2
69、021 年 3 月 國務院 制造強國戰略明確提出質量為先的工作方針。 堅持把質量作為建設制造強國的生命線,強化企業質量主體責任,加強質量技術攻關、自主品牌培育。建設法規標準體系、質量監管體系、先進質量文化,營造誠信經營的市場環境,走以質取勝的發展道路。 “質量提升意見”提出加快裝備制造業標準化和質量提升,提高關鍵領域核心競爭力,重點加快提升國產大飛機、高鐵、核電、工程機械、特種設備等中國裝備的質量競爭力。 “全面質量管理意見” 提出將全面質量管理等國際先進質量管理方法結合中國實際加以改造提升, 積極開發追溯管理等適應新業態需求的質量管理工具,打造中國質量管理“工具箱” ,推動質量管理通質量大數
70、據白皮書 28 用要求與行業特殊要求相結合,積極開發新型質量管理工具,推廣質量管理先進行業及企業的成果經驗。 “十四五規劃”指出要堅定不移建設制造強國、質量強國,完善國家質量基礎設施,深入開展質量行動。推動互聯網、大數據、人工智能等同各產業深度融合,推動先進制造業集群發展。 國家不斷出臺相關政策,引導制造業走高質量發展的道路,引入國際先進地質量管理方法,推動質量管理模式的創新,提升中國裝備的質量競爭力。 2019年8月關于促進制造業產品和服務質量提升的實施意見2021年3月關于做好2021年工業質量品牌建設工作的通知2021年5月制造業數字化質量管理實施指南(征求意見稿)2021年11月大數據
71、產業發展規劃(20212025 年)圖 2.5 工信部發布相關政策路線圖 圍繞國家政策,我國工業和信息化部也出臺了一系列文件,用以促進新一代信息技術在質量管理中的應用, 促進企業質量管理模式創新。工信部也相繼出臺支持質量大數據發展的政策文件,如圖 2.5 所示。 表 2-4 工業和信息化部相關政策 序號 名稱 發文日期 發文單位 1 關于促進制造業產品和服務質量提升的實施意見 2019 年 8 月 工業和信息化部 2 關于做好 2021 年工業質量品牌建設工作的通知 2021 年 3 月 工業和信息化部 3 “十四五”大數據產業發展規劃 2021 年 11 月 工業和信息化部 質量大數據白皮書
72、 29 4 制造業質量管理數字化實施指南(試行) 2022 年 1 月 工業和信息化部 2019 年 8 月,工信部發布關于促進制造業產品和服務質量提升的實施意見 ,明確提出要強化技術在支撐制造業產品質量提升中的作用。推廣數字孿生、可靠性設計與仿真、質量波動分析等技術的開發應用,提升產品質量設計和工藝控制能力。持續推進兩化融合管理體系貫標,推動云計算、大數據、人工智能等新一代信息技術在質量管理中的應用,支持建立質量信息數據庫,開發在線檢測、過程控制、質量追溯等質量管理工具,加強質量數據分析,推動企業建立以數字化、網絡化、智能化為基礎的全過程質量管理體系。 工業和信息化部辦公廳關于做好 2021
73、 年工業質量品牌建設工作的通知 (工信廳科函202148 號)提出“開展數字化質量管理理論研究,發揮新一代信息技術對質量提升的基礎支撐作用”。 “十四五”大數據產業發展規劃 提出支持裝備制造企業打通研發、采購、制造、管理、售后等全價值數據流,發展數據驅動的產品研發、預測維護、智能生產等新模式新業態,提升產品質量。同時也支持電子信息制造企業加跨大數據在產品質量管理與分析、 供應鏈分析與優化等流程場景中的應用,提升產品質量,保證產業鏈供應鏈的穩定性。 制造業數字化質量管理實施指南(試行) 提出“充分運用大數據分析、人工智能等技術開展生態圈質量智能預測和協同管理,逐步打造形成質量共生新生態” 。 為
74、深入貫徹黨中央、國務院引導制造業高質量發展的政策,工信部出臺相關規劃和指導意見, 引導制造業企業將新一代信息技術應用在質量管理中,提升制造業企業產品質量競爭力;科技部設立國家科技重大專項,重點攻關質量大數據技術,研究運用大數據技術解決制質量大數據白皮書 30 造業企業產品質量痛點問題。 2.3 質量大數據面臨的挑戰 當前質量大數據主要面臨以下挑戰。 1. 1. 從業務的視角,工業質量問題復雜度高、動態性強,需要個從業務的視角,工業質量問題復雜度高、動態性強,需要個性化強的解決方法,給質量分析帶來天然的困難。性化強的解決方法,給質量分析帶來天然的困難。 (1 1)工業質量問題復雜)工業質量問題復
75、雜度高度高 涉及到多要素、多領域、多環節、多組織。產品的集成度和復雜度越來越高,質量問題涉及到人、機、料、法、環等不同要素;很多問題是熱電磁等多場耦合作用的結果, 質量分析需要建立在多個技術領域知識融合的基礎上;質量問題需要綜合設計(或工藝) 、生產、檢測(或質量管理) 、調試和后服務等多個業務環節;甚至需要從產業鏈供應鏈的范圍去提升質量。 (2 2)工業質量問題動態性強)工業質量問題動態性強 首先是問題多變,一個高優先級問題的解決,意味著一個低優先級問題將涌現為新的高優先級問題, 另外, 質量問題通常發生突然 (雖然頻度低) ,解決時間緊迫,對數據供給、問題分析和組織執行的敏捷性提出了很高要
76、求。 (3 3)解決方法個性化強)解決方法個性化強 雖然行業中存在共性的質量問題,分析手法類似,但質量問題的原因每個企業不同,解決方法也不同,這對數據分析能力、企業組織執行落地能力提出了很大的挑戰。 2. 2. 從數據的視角,數據整合難度大、數據質量低、維度缺失嚴從數據的視角,數據整合難度大、數據質量低、維度缺失嚴重,給數據分析提出挑戰。重,給數據分析提出挑戰。 (1 1)大量數據缺乏整合)大量數據缺乏整合 質量大數據依賴的數據散落在 DCS、MES、QMS 等不同的系統,缺 質量大數據白皮書 31 乏有效的整合,更缺乏針對特定分析主題的靈活數據供給機制。 (2 2)數據質量)數據質量是個嚴重
77、的問題是個嚴重的問題 首先,記錄完整度低是高維度數據整合的普遍問題,主鍵字段失匹、顆粒度不同、多個字段錯位缺失等因素是造成數據整合后完備度低的主要原因;另外,質量數據分析對關鍵字段的完備性、顆粒度和多樣性的要求高,不同分析應用的要求不同,這讓數據質量問題在質量大數據場景下更突出。 (3 3)數據維度缺失問題突出數據維度缺失問題突出 產品服役期的數據 (包括性能數據、 故障記錄、 使用環境數據等)是對生產質量的有益補充,也可以促進個性化質量管控,但制造企業通常無法獲取產品服役期數據。 另外也缺乏公共的質量性能標定數據,工業生產系統通常是精心調控穩定運行, 這些數據可能無法全面反映所有典型工況,需
78、要共性的材料、器件或設備的專業質量與性能測定數據作為補充。 3. 3. 從技術的視角,質量大數據是多學科知識、多主體參與的結從技術的視角,質量大數據是多學科知識、多主體參與的結合,如何整合這些資源是一個難題。合,如何整合這些資源是一個難題。 (1 1)技能的割裂)技能的割裂 質量分析一直走在認知的邊緣, 需要數據分析技術與領域知識的有機融合,但目前具有大數據技能的人才與領域知識、操作經驗的人才是割裂,急需綜合性人才的培養。 (2 2)企業內部缺乏系統的組織能力)企業內部缺乏系統的組織能力 生產質量分析需要與管理流程、 組織能力匹配, 需要整合設計 (或工藝) 、生產、檢測(或質量管理) 、調試
79、和后服務等不同環節,目前很多企業依靠單一部門驅動質量大數融入據項目的實施與落地, 缺乏全員意識與行動上的融入。 (3 3)市場供給生態缺乏協同)市場供給生態缺乏協同 質量大數據白皮書 32 材料供應商、設備供應商、生產技術服務商、大數據技術技術供應商和企業分別從各種的角度去努力, 缺乏共性的信息基礎和協同機制,很多上下文信息、領域知識、實操經驗缺乏有效的分享,不同領域間缺乏協作語言。 4. 4. 從價值落地的角度,部分企業對質量工作的長期性、協同性從價值落地的角度,部分企業對質量工作的長期性、協同性認識不足,給質量大數據工認識不足,給質量大數據工作落地帶來挑戰。作落地帶來挑戰。 (1 1)單一
80、企業的驅動力有限且追求短期效果)單一企業的驅動力有限且追求短期效果 在初期投產階段,以縮短質量爬坡期為中心目標;在穩定生產階段,以質量損失風險為目的質量分析集中在工藝改進措施,以提高效益為目的的質量分析集中在工藝參數優化; 以提高競爭力為目標的質量分析集中在關鍵工藝參數分析上。但單一企業受數據、工程能力等技術層面的限制,也受制于產能、市場競爭、投資收益風險等短期經營指標的制約,對質量分析要求快速看到對應的產出回報。 (2 2)產業鏈缺乏有效的協同機制)產業鏈缺乏有效的協同機制 很多部件生產企業期望從整機制造企業拿到使用過程的質量表現數據,整機制造企業也期望拿到更多的部件檢驗測試數據,以便更定制
81、化、全生命周期的優化質量管控,但目前質量指標是企業間的重要交割內容之一,很少相互分享,存在個別質量指標裕度太大,而另外一些指標不夠的情形。質量是同業間重要競爭力之一,同業間通常也缺乏有效的數據共享機制, 很多質量問題僅靠單一企業的數據很難解決。 質量大數據白皮書 33 3. 質量大數據的業務視角 質量大數據在不同行業的側重點不同。例如,原材料行業(例如鋼鐵、石化、建材等)的重點在于生產制造數字化質量管控,包括生產環節質量數據自動采集與處理,開展全流程質量在線監測、診斷與優化,以市場、過程質量指標為牽引設置智能預警的管控限制,自動觸發質量改善閉環流程,持續提升質量控制水平,強化供應鏈上下游質量管
82、理聯動, 提升從采購尋源到生產銷售的全過程質量協同管控水平。對于裝備制造行業(例如發電機組、透平機械、工程機械等),數字模型的產品質量設計、生產制造數字化管控、基于產品全生命周期管理的服務質量提升則是質量大數據的主要方向。 個人消費品行業(例如家電、服裝等)更加重視供銷服智能化質量改進。而醫藥、食品等行業,產品全生命周期質量追溯則是企業和政府的關注點。 制造業質量管理數字化實施指南(試行)將這些應用方向總結為面向重點業務環節的質量管理數字化、 面向產品全生命周期和全產業鏈的質量協同、 面向社會化協作的質量生態建設與知識分享三類應用模式,本文繼承此提法。 質量大數據應用模式的行業差異的根本原因是
83、生產體系和管理體系的差異,因此,本文使用表 3-1 所示的 3 個方面描述業務視角。 表 3-1 業務視角的三個維度與內容 維度維度 內容內容 生產體系生產體系 產品特點 小批量定制化產品(如工藝品、水力發電機組) 小批量多品種產品(如電子、機加工) 大批量少量品種(如汽車、工程機械、3C 產品) 大批量標準品(如石化、食品) 質量大數據白皮書 34 生產類型 項目式生產(Project Process) 單件生產(Job Shop) 批量生產(Batch Manufacturing) 固定位置輪轉(Fixed-position Layout) 生產線(Production Line) 流程生
84、產(Continuous Flow) 質量指標管控指標 功能性質量、性能性質量、可靠性質量、感官性質量 管理體系管理體系 產業鏈 產業鏈的形態以及企業在產業鏈的位置 質量管理體系 TQM、6-Sigma、TOC (Theory of Constraints)等 生產研發組織 工藝、CIM、生產、質控等 應用模式應用模式 重點業務環節的質量管理優化 企業內研發設計、制造、運維、后服務等環節的改進 供應鏈產業鏈的質量協同優化 上下游企業間的協同質量改進 質量公共服務與新生態 基于平臺化和社會化協作,構建質量關聯的相關資源、能力和業務的新生態,例如構建質量大數據資源服務平臺,質量管控能力的產業協同網
85、絡 3.1 生產體系 產品特點決定了生產類型,二者共同影響質量管控指標的選擇。對于不同生產類型來說,大數據在質量管理上的著力點可能不同。在表 3-2 所示的 6 種生產類型中, 流程行業與生產線在產品可溯性上有很大不同,流程生產能追蹤到生產批次就很不錯了,而且很難與設備狀態(如氣化爐溫度、爐渣堵塞狀況)精確關聯,但生產線可以做到單件跟蹤。此外,生產線模式下不同加工類型的質量追溯的含義也不同,對于裝配類型(如工程機械)的生產線,按照 BOM 結構跟蹤到單件就可以了;而對于軌梁等軋制生產線,需要實現到“米跟蹤”(即根據成品的缺陷位置,推算在前序工藝段中對應的時刻和相對位置)才有意義。 質量大數據白
86、皮書 35 表 3-2 6 種生產類型 生產類型生產類型 示例示例 靈靈 活活 性性 產產 量量 項目式生產(Project Process) 橋梁、樓宇建造 單件生產(Job Shop) 手工品、定制化部件 批量生產(Batch Manufacturing) 日化品 固定位置輪轉(Fixed-position Layout) 造船、飛機裝配 生產線(Production Line) 半導體生產、汽車涂裝 流程生產(Continuous Flow) 化工 不同的行業在質量指標管控重點不同, 典型質量指標包括功能性質量、性能性質量、可靠性質量、感官性質量等。其中,功能型質量問題主要關注設計功能在
87、加工制造過程的實現情況及運行階段的保持情況。產品的使用表現及退化情況,例如電源耐久性、發動機加速度等。 而可靠性質量問題主要聚焦于產品在運行過程中發生故障的概率分布情況。感官質量問題則主要從用戶角度出發,聚焦于設備運行噪音、振動、氣味等可影響到使用者感官的多種問題。通過質量問題類型的劃分,有利于降低質量數據獲取的復雜性。 圖 3.1 產品質量問題分類示例 質量大數據白皮書 36 3.2 管理體系 管理體系包括產業鏈、質量管理體系、生產研發組織等內容,其很大程度上由生產體系決定。 例如, Hayes-Wheelwright 產品-過程矩陣(如圖 3.2 所示)給出了不同的質量管理體系是與不同的產
88、品特點與生產類型相匹配的。 圖 3.2:不同管理體系在 Hayes-Wheelwright 產品-過程矩陣中的適用范圍 3.3 應用模式一:重點業務環節的質量管理優化 各類企業將質量大數據在研發、 生產、 存儲、 運輸、 供應、 銷售、服務等環節的融合應用, 開展數字化質量設計、 質量檢驗、 質量控制、質量分析和質量改進,提升企業質量管理的效率效益。 3.3.1 以產品質量為導向的設計優化 設計是決定產品固有質量的根本。傳統的設計模式中,優先考慮產品的功能、性能,產品的質量則通過生產過程及產品的質量檢測等 質量大數據白皮書 37 途徑進行驗證, 導致當前產品設計普遍存在功能滿足需求而根本可靠性
89、水平不高,不能滿足用戶的高質量產品需求。市場調研、交易、設計、仿真、試驗驗證、用戶使用等活動將產生大量質量相關的多維、動態、異構數據,亟需開展數據驅動的用戶需求準確刻畫、需求向功能特性映射、 設計歷史數據挖掘和再利用、 設計方案評價等方法研究,將質量大數據與設計理論融合,實現質量為先的創新設計,具體技術途徑如圖 3.3 所示。 圖 3.3:質量大數據驅動創新設計 依靠物聯網、移動互聯網、工業軟件等數據的收集能力,匯聚客戶需求、設計歷史數據、試驗數據、使用數據、專利標準等研發設計相關數據,依托云計算等數據處理能力,通過深度學習、關聯分析、圖像處理、變量預測等數據處理算法,開展需求挖掘、設計及方案
90、優化,實現全數據驅動的產品創新設計。主要方法包括: 1 1. . 挖掘市場需求,完成產品功能特性映射。挖掘市場需求,完成產品功能特性映射。通過深入分析問卷調查、深度訪談、產品評論、競品、行業標桿技術資料等大量的數據得到用戶的顯性需求和隱性需求, 具體包括通過頻繁項等自然語言處理技術挖掘產品評論中有價值的產品特征,轉化為需求信息;基于人工神經網絡(ANN)的顧客需求重要度評估,得到更精確的需求;將質量大數據白皮書 38 需求依次轉化為產品設計要求、零部件特性、工藝要求和生產要求的質量功能展開(Quality Function Development, QFD)等。如基于產品結構、 功能, 結合使
91、用維修數據、 傳感獲取、 故障及維修等數據,分別構建產品質量特性參數空間和產品運維使用數據空間, 建立顯性需求,并開展顯性需求與質量特性參數之間的相關性分析?;谙嚓P性分析結果,依托歷史數據構建概率神經網絡需求預測模型,實現需求的識別,從而實現隱性質量需求的挖掘及顯性化,通過 QFD 推進需求到產品特性的轉化。 2 2. . 數據驅動的設計知識服務,賦能設計方法論。數據驅動的設計知識服務,賦能設計方法論。產品設計歷史數據蘊含了大量設計動機、產品設計知識、發明創新、設計標準和法規等關鍵知識,尤其是以專利的形式保存下來。通過知識建模、知識抽取、知識計算、知識融合等人工智能技術方法,構建研發設計知識
92、圖譜,改變設計知識傳遞模式,提升設計效率?;谛枨?、設計歷史數據、科學原理、發明原理、科學效應、標準等數據基礎,提取領域中重要的術語、概念。按照產品研發設計邏輯關系組織概念,構建面向設計場景知識的框架體系, 得到本體知識模型; 在術語概念基礎上,定義類、屬性、關系及實例等,最后基于 OWL 語言對本體知識模型進行形式化描述?;谥R模型,梳理并構建數據與產品設計的關聯關系模型,如產品可靠性設計、功能設計、結構設計等與支撐數據的關系;產品功能、結構、質量特性指標、故障的映射關系等。運用自然語言處理技術、 深度神經網絡技術等手段構建研發設計場景知識圖譜?;谥R圖譜,融合運用 TRIZ 創新設計方
93、法,面向功能分析、沖突分析、物場分析等設計業務活動(包括具體的可靠性預計、故障樹、FMEA、DOE、參設設計等),提供智能語義檢索、智能化推送、研判等知識服務。 質量大數據白皮書 39 3 3. . 全數據驅動,多途徑推進方案優化。全數據驅動,多途徑推進方案優化。一方面,挖掘可靠性試驗、環境試驗、檢測數據、以及版本產品運行、維修、故障等數據,評估設計目標(需求)的實現程度,不斷優化、迭代產品設計方案。另一方面,通過產品壽命剖面模型構建、蒙特卡洛離散事件仿真等技術方法,基于質量特性數字模型開展任務約束下的產品功能、性能、環境、可靠性等質量特性仿真,實現基于仿真的方案優化。 產品復雜度的增加不僅對
94、產品的功能特性提出更高要求, 同時強調產品的質量特性。傳統的質量工作是根據產品研制工作計劃,由產品專業技術人員分階段進行系統功能架構、邏輯架構、物理結構等功能特性設計,由質量工作人員逐項開展可靠性建模、FMECA、FTA、測試性分析等質量特性工作,工作項目眾多,數據采集效率低下且數據集成能力薄弱,不同設計分析工作的過程數據與結果數據互不流通,形成信息孤島,導致工作效果難以保證,工作效率難以提高。 隨著產品數字化和智能化的發展趨勢, 產品研制模式也在逐漸向數字化和智能化轉變, 傳統的基于文檔的系統工程研制模式越來越難以滿足產品研制及質量特性工作需求; 大數據等新一代信息技術的蓬勃發展, 不斷推動
95、著系統研制向基于大數據分析和應用基礎上的智能化轉型升級。在此背景下,數據驅動的質量特性協同設計應運而生。其實現的關鍵是構建產品質量特性協同設計數據庫和質量特性知識圖譜,結合產品研制過程中質量特性協同設計分析工作流程,提出質量特性知識智能推送方法, 實現質量特性協同設計知識在產品研制過程中的智能應用, 從而有效提升產品質量特性工作效率和知識應用水平。一般流程如圖 3.4 所示。 質量大數據白皮書 40 圖 3.4:基于數據驅動的質量特性協同設計一般流程 數據驅動的質量特性協同設計包含以下四個實施步驟。 1 1. . 質量特性數據規范化處理質量特性數據規范化處理 借助元數據管理的思想,分析質量信息
96、指標相關的技術文檔,同時結合行業普遍認可的定義和描述, 建立工業產品質量特性及數據規范,規范各質量信息,實現工業產品質量信息準確化、規范化、唯一化管控。 2 2. . 質量特性數據庫建立質量特性數據庫建立 根據工業產品研制過程中質量特性數據的差異, 分類建立工業產品質量特性數據庫, 以通過支撐數據結構化及有效復用來提升質量特性協同設計工作的順利開展。 3 3. . 質量特性知識圖譜構建質量特性知識圖譜構建 采用一系列技術手段, 從原始數據庫和第三方數據庫中提取知識事實,將其存入知識庫的數據層和模式層,并不斷更新迭代,以利用工業產品全壽命周期產生的數據指導產品的質量特性協同設計。 4. 4. 典
97、型場景下的質量特性知識智能化應用典型場景下的質量特性知識智能化應用 識別設計人員所進行的設計業務流程、應用的具體背景和環境,基于業務流引擎和知識引擎雙驅動,實現知識推送;采用基于推理的多維數據融合質量設計知識庫質量設計工具 質量大數據白皮書 41 語義檢索技術,實現數據的快速檢索匹配。 3.3.2 以生產質量為導向的工藝優化 復雜產品生產裝配過程涉及采購與制造外協、生產操作、后服務與運維、 設備計量與維護等眾多環節, 構成要素與設計、 人、 機、 料、法、環、測等多源因素關系復雜,且存在受時空變化影響的不確定規律。傳統基于手工或半自動化的信息采集和分析方法,并采用 PDCA實現質量管控和提升方
98、法, 存在數據樣本嚴重有偏, 維度信息不完整,序列間斷,且共享、查詢和追溯不便,信息孤島嚴重的問題,難以滿足工業大數據、跨時空域、高時效性生產場景下質量信息的有效提取和決策應用?!皢苇h節、單要素、單專業”的產品質量管控手段導致的質量影響因素不可知、生產過程不易控、質量性能難預測等共性難題, 亟需通過質量大數據驅動的產品質量智能管控理論和方法的研究,實現“全周期、多要素、跨領域”融合分析的質量管控方式,具體技術途徑如圖 3.5 所示。 圖 3.5:生產質量數據分析 質量大數據白皮書 42 首先,從質量要素的視角,建立人、機、料、法、環等全要素的大數據模型和基礎關聯分析算法, 形成物料不確定性、
99、人工操控行為、設備運維、工藝參數和環境變化對質量的影響的分析模型。然后,從質量相關的生產活動的視角,實現設計、生產、檢測、調試和后服務等環節中的典型應用,實現質量管理的實時化、精細化、智能化、系統化和全局化。主要的措施手段包括: 1.自適應閾值的預測性管控,降低工藝波動性?;诖髷祿?,可以根據質量結果,針對不同品種不同產線,挖掘最佳閾值;并且可以通過時序模式,及時發現異常趨勢,在超閾值前就可以采用行動。 2.通過時空規律,發現不同周期、不同位置上質量波動規律,發現工藝改進方向。當發現質量有異常時,可以通過追蹤信息分析各個工藝段參數是否正常,找出問題所在,方便改進工藝。 3.通過大數據挖掘,發現
100、最佳的工藝參數組合。 4.通過建立操作動作行為對質量形成的關系模型, 提升手工操作規范性,降低產品缺陷率。 3.3.3 以質量為導向的生產設備預測性維護 對于生產企業,設備維修經常采用定期的預防性維修策略,存在過度保養 (影響產能) 與欠保養 (影響質量與設備壽命) 并存的情況。在質量大數據的支撐下,基于物料追溯模型,可以及時發現設備性能的劣化,并可以預知其對質量的影響,在主動調整工藝參數(例如半導體生產中的 Run-to-Run 控制)的同時,基于質量與產能的均衡,可以有針對性實現以生產質量為中心的預測性維修。 對于設備提供商, 業主的生產質量大數據也其設備設計提供了方向。使用期設備的狀態異
101、常、性能劣化曲線、不同工況/環境/材料等要素下的質量表現,讓設備設計與生產需求更適配,避免過度設計或欠設計, 也為其從供應商的角度參與業主的生產質量問題提供了可能。 質量大數據白皮書 43 圖 3.6:以質量為導向的生產設備預測性維護 這兩種應用場景都基于生產流程要素動態變化處置流程,如圖3.6 所示。在產品工藝設計環節,引入失效分析和故障處置相關知識模型,分析要素不確定或要素動態變化引發的影響,進行在線預警和措施推薦;在生產加工環節,基于過程工藝參數動態變化情況,對質量結果提前預測決策, 通過工藝參數在線優化功能模型, 對加工工藝、設備控制指令等方式及時調節,保證生產過程處于受控狀態,質量水
102、平處于動態穩定狀態;在檢驗和調試測試環節,對出現的問題基于質量預測分析模型實現快速糾正迭代。 3.4 應用模式二:供應鏈產業鏈的質量協同優化 產業鏈質量協同是構建“全員、全過程、全價值鏈”的質量生態系統,實施“全價值鏈的全面質量管理”,滿足服務對象和各相關方的需求,促進產業及相關組織健康可持續發展。產業鏈指各個產業部門之間基于一定的技術經濟關聯, 依據特定的邏輯關系和時空布局關系客觀形成的鏈條式關聯關系形態, 是一個多元、 多主體的過程鏈條,或多組織的擬合或聯合互動的工產作系統。網絡化、數字化為產業鏈上下游要素資源有效整合提供了可行的技術手段, 為行業質量管理與檢測帶來契機。 1. 1. 產業
103、質量基礎設施資源共享和協同產業質量基礎設施資源共享和協同 以產業鏈為紐帶,依托行業協會、生產型服務機構、產業聯盟和生產要素動態變化下產品質量預測方法設備加工過程工藝參數SPC監控FEMA流程質量分析工藝過程管控執行精準加工參數方案1方案2方案3方案4方案5基于動態實時數據的質量模型決策MES等信息系統內質量維度相關數據決策優化基于模型的工藝方案優選反饋優化質量預測決策邏輯生產流程要素動態變化處置流程可制造性審查工藝流程擬制SOP編制計劃下達生產加工過程檢驗調試測試終檢交付可制造性規范PFMEA/FRACAS工藝操作規范現場SPC工藝質量大數據分析知識模型文檔制造工藝知識庫上級質量系統知識工程系
104、統指標偏離及自動調整工序、物料關鍵管控事項特征要素結果數據糾正措施預防措施專家知識/案例數據不合格品異常產品數據工藝參數自動優化指令下發 /方案推送指令下發 /方案推送感知與預測執行與反饋工序2工序1工序3工序4工序5工序6制造外協設計新工藝1調試批次1物料批次2物料機臺1機臺2人員1人員220212021/ /0202/ /0101新工藝2返工工序120212021/ /0101/ /0101工序120212021/ /0303/ /01010.920.70.870.99狀態選擇概率0.97交驗良率0.950.960.960.960.550.45負荷率交驗良率交驗良率0.550.960.45
105、0.95負荷率交驗良率負荷率交驗良率物料批次良率0.9970.993負荷率交驗良率交驗良率質量水平路徑預測及評估路徑預測及評估0.960.960.960.96多要素多過程路徑預測評估質量大數據白皮書 44 大中型骨干企業,結合行業趨勢與現狀分析,布局推動計量、標準、檢測、認證等質量基礎設施建設;以產業集群為基礎,大數據技術,深入分析產品質量、品牌、知識產權和技術性貿易措施等狀況,協同推動完善產業鏈標準體系、質量管理體系和知識產權管理體系;結合產業鏈供應鏈質量追溯體系,依托大中型骨干企業,牽頭提升重點領域上下游產業標準的協同性和配套性,加強質量數據資源的建設,建成覆蓋全產業鏈和產品全生命周期的標
106、準體系和質量數據資源體系,推進產業質量基礎設施資源在產業的深度應用。 2. 2. 基于平臺的產業鏈安全和自主保障基于平臺的產業鏈安全和自主保障 平臺化商業模式突破以一個組織為管理對象的限制, 將質量管理延伸擴展至所有相關方的過程,構建“全員、全過程、全價值鏈”的質量生態系統,實施“全價值鏈的全面質量管理”。工業互聯網作為新一代信息技術與現代工業融合發展的新模式,以數據為紐帶,打造開放共享的價值網絡,將制造產業的設備、數據、技術、管理、市場等多要素全面互聯,以豐富的數據驅動經營管理、產品設計、生產制造、 產品運維等關鍵環節的資源優化, 實現供應鏈、 管理鏈、 服務鏈、產業鏈的整體質量提升。以高端
107、裝備制造為例,亟需實施高端裝備國產化研制質量提升攻關, 依托工業互聯網平臺的數據紐帶和工業機理知識,攻克一批影響質量提升的關鍵共性質量技術,組織實施基礎零部件、基礎工藝、基礎材料、共性技術研究的質量提升,加強質量技術改進、技術創新和管理創新等方法,使重點產品的關鍵質量性能、質量可靠性、環境適應性、使用壽命等指標明顯提升,推進質量可靠性技術升級和質量技術創新發展, 提升產業鏈供應鏈安全和自主可控能力。 質量大數據白皮書 45 3.5 應用模式三:質量公共服務與新生態 具備平臺化運行和社會化協作能力的企業, 要推進質量大數據管理相關資源、能力、業務的在線化和平臺化,與生態圈合作伙伴共建質量大數據管
108、理平臺,實現生態圈數據智能獲取、開發、在線交換和利用,建立客戶導向、智能驅動、生態共贏為核心的質量大數據生態體系, 充分運用大數據分析等數字技術開展生態圈質量智能預測和協同管理,逐步打造形成質量共生創新生態。 相關行業協會、龍頭企業、社會團體、專業機構等依托工業互聯網平臺、數據集成平臺等,建設產品質量大數據公共服務平臺,如圖3.7 所示。 圖 3.7 質量大數據服務平臺示意圖 一方面,提供平臺化數據共享服務,利用區塊鏈技術多中心化架構、數據不可篡改的特性構建底層可信數據支撐體系,通過匯集質量管理、政府監管、企業運營、第三方服務等質量大數據形成數據湖,以數據為支撐采用“平臺+生態”的發展理念提供
109、一體化質量提升服務,并形成了機構制定標準、第三方提供檢測、企業加強提升、數據反饋企業的“多方共治一體化”閉環運行模式, 提供質量信息在線查質量大數據白皮書 46 詢、質量風險分析、質量成本分析和質量追溯等服務,為高質量發展和品牌提升提供新動能。 另一方面,提供平臺賦能質量提升。實現質量數據、知識、經驗方法的數字化、 模型化、 平臺化, 通過高效復用, 降低質量管理成本,提升質量創新水平。推動質量大數據管理平臺與各個企業研發設計、生產制造平臺集成互聯,促進業務的協同創新,推進質量管理與技術創新、產業化布局同步規劃,一體化建設。同時開展基于平臺提供質量大數據管理診斷服務,加強診斷指標和數據的迭代優
110、化,加強中小企業質量大數據管理診斷、 培訓和輔導提升, 提升質量管理整體績效。 最后,基于質量大數據和工業互聯網,有可能催生新的產業集群新模態。龍頭企業將質量管理與工藝知識沉淀為工業 APP 形式,以工業互聯網為載體,將關鍵的成熟質量管理方法傳遞到周邊企業,形成領先企業帶動中堅企業的新模式。例如,在電子消費品更新換代快的情形下,很多機臺不太適應新型號質量要求,但將這些機臺簡單淘汰非??上?,因為對于一般產品,這些機臺仍然是很好的設備,并且在此產線上已經積累大量了質量管理與工藝經驗。 若能夠把這些機臺轉移到中小企業,并將其工藝經驗、機臺的工程能力優化、質量控制、原材料的采購能力以工業互聯網的形式一
111、并轉移, 快速提升中小企業的加工能力,有可能形成產能轉移及制造協同的新生態。 質量大數據白皮書 47 4. 質量大數據的數據視角 工業大數據是工業領域相關數據集的總稱, 包括企業信息化數據、工業物聯網數據和外部跨界數據。 而質量數據是工業大數據在質量維度的集合,主要描述工業系統的質量域。質量數據是實現數字化質量管理應用的前提與基礎,基于信息化手段集成質量數據,建設質量大數據資源,以動態化、流程化、平臺化的形式進行智慧敏捷化管理,以平臺化、脫敏化、模塊化的方式進行數據安全共享,推動質量管理智能應用,最終實現產業鏈質量管理水平的提升。 本章節聚焦質量數據視角,從質量大數據的數據要素體系、數據資源體
112、系、數據治理體系三個方面闡述質量大數據資源的構建方法,系統地回答了“質量數據在哪里” 、 “數據資源怎么建” 、 “數據質量怎么保障” 、 “質量資源怎么用”等問題。 圖 4.1:質量數據資源構建總體框架 4.1 數據要素體系 質量大數據是指圍繞工業產品各種質量要求(功能型質量、性能質量、 可靠性質量、 感官質量等) 在不同階段 (研發設計、 生產制造、使用運行、供應鏈等)所產生的與產品質量相關的各類數據的總稱,覆蓋了人、機、料、法、環、測等多個因素。 質量大數據白皮書 48 從數據類型角度,質量大數據分為產品類質量數據、設備類質量數據、基礎類質量數據,其中產品類質量數據指產品全生命周期質量數
113、據,包括需求、研發設計、生產制造、使用、回收、營銷等跟產品直接相關的質量數據;設備類質量數據指生產系統運行與維護數據,包括生產設備運行、維護維修等間接影響產品質量的數據;基礎類質量數據指產業生態質量數據,包括供應鏈質量生態數據、政府監管質量數據、外部環境數據等。 從數據空間分布角度,質量大數據一般可分為兩大類:一是企業內部生產運營管理相關的質量數據,包括產品研發設計、生產制造、運維服務等環節質量數據,存在于企業或產業鏈內部,是工業企業傳統質量數據源,一般來源于企業生產運營管理系統,如 CAX、PLM、ERP、MSE、QMS、WMS、SCADA 系統等。二是產業鏈供應鏈數據,包括市場質量需求數據
114、、供應鏈生態質量數據、環境數據、質量監管數據等。 從數據產生主體角度,質量大數據一般由人、生產設備和工業產品產生。人產生的數據是指由人輸入到計算機中的數據,例如設計數據、業務數據、測試數據等;生產設備產生的數據是指作為企業資產的生產工具在生產過程中產生的數據,例如工廠生產調度、質量控制等數據; 工業產品數據指企業交付給用戶使用的物理載體產生的數據,例如通過傳感器感知產品運行狀態信息。 4.2 數據資源體系 4.2.1 數據資源目錄 制造業企業的質量管理決策者在開展企業的質量管控與分析上,大都面臨相同問題:不明確企業內部都有哪些質量數據;數據存儲在 質量大數據白皮書 49 什么地方; 如何才能更
115、好的發現數據、 管理數據; 并充分挖掘其價值。這些問題可以通過質量大數據資源體系編目解決。 構建質量大數據資源體系編目,有效地整合企業內部各部門、跨企業跨區域間的質量數據信息,推動全供應鏈質量數據資源的共建,實現產業質量數據的集成與融合,打通信息壁壘,實現供應鏈質量數據資源的共建共享,做到質量數據的敏捷化管理,為質量需求分析、質量趨勢分析、質量預警、質量優化等數據應用服務提供數據支撐。 針對企業質量大數據建設需求,從產品全生命周期角度,將企業質量大數據資源體系劃分為產品設計質量數據、供應鏈質量數據、產品生產質量數據、產品售后運維質量數據、產品報廢回收質量數據五大維度,同時根據設計、供應鏈、生產
116、、售后運維、報廢回收質量五維數據特點及屬性,劃分十五個三級類目、四十二個四級類目,形成企業質量大數據資源體系編目參考架構,如圖 4.2 所示。 1 1. . 產品設計質量數據維產品設計質量數據維 包括質量設計需求、產品設計數據、設計評審信息三類,其中質量設計需求涵蓋功能性、經濟性、社會性質量需求;產品設計數據包括設計方案數據、設計質量性能、產品質量仿真數據,如設計圖紙、設計參數等;設計評審信息包括方案質量評審、設計缺陷閉環管理信息,如設計質量評估、風險評估、設計缺陷及改進等。 2 2. . 產品生產質量數據維產品生產質量數據維 包括產品試制質量數據、產品量產質量數據、產品質量檢測數據三類,其中
117、產品試制質量數據包括試制環境、工藝參數、質量閉環信息,如設備、材料、設備運行數據、質量缺陷、分析及改進信息等;產品量產質量數據包括人員信息、設備質量信息、量產環境信息、工藝質量信息、生產質量閉環信息、質量評估信息,如人員基本信息、設備運行數據、質量異常信息等;產品質量檢測數據包括來料檢測數質量大數據白皮書 50 據、半成品質量檢測數據、成品檢測數據,如檢測方法、檢測環境、設備、檢測結果、產品批次等。 3 3. . 產品售后運維質量數據維產品售后運維質量數據維 包括產品物流質量信息、產品使用數據、產品維護數據、產品維修數據四類,其中產品物流質量信息包括物流方式、物流質量,如運輸方式、成本、運送質
118、量等;產品使用數據包括使用運行狀態數據、關鍵部件監控數據、 產品使用環境數據、 客戶使用評價, 如運行時間、運行參數、使用溫濕度等;產品維護數據包括維護策略、維護記錄,如預防性維護措施、維護策略、歷史維護記錄等;產品維修數據包括故障信息、故障分析信息、維修信息,如故障時間、故障模式、機理分析、維修方式、維修成本、備件等。 4 4. . 產品報廢回收質量數據維產品報廢回收質量數據維 包括產品回收質量評估、回收工藝質量信息、回收質量檢測信息三類。其中產品回收質量評估包括產品回收策略、零部件回收性能評估,如產品零部件分級回收標準、技術指標、回收性能等;回收工藝質量信息包括回收工藝、回收設備、回收處理
119、質量信息,如回收工藝設計、工藝參數、設備運行參數、拆卸質量等;回收質量檢測信息包括零部件質量性能檢測,如檢測方法、檢測環境、設備、人員、檢測結果等信息。 5 5. . 供應鏈質量數據維供應鏈質量數據維 包括供應鏈上下游的物料質量信息、供應商質量信息兩類,其中物料質量信息包括電子類器件、機械類部件、基礎輔料的質量性能數據, 如物理化學性能、 出入庫檢測等; 供應商質量信息包括服務能力、供貨能力, 如供應商服務質量信息、 信息共享成熟度、 歷史供貨信息、供貨風險等。 質量大數據白皮書 51 質量數據資源體系編目質量數據資源體系編目產品設計質量數據產品設計質量數據供應鏈質量數據供應鏈質量數據產品生產
120、質量數據產品生產質量數據產品售后運維質量數據產品售后運維質量數據產品報廢回收質量數據產品報廢回收質量數據質量設計需求產品設計數據設計評審信息功能性質量需求經濟性質量需求社會性質量需求產品設計方案數據產品設計質量性能產品質量仿真及試驗數據方案質量評審設計缺陷閉環管理信息物料質量信息供應商質量信息電子類器件質量性能機械類部件質量性能基礎輔料質量性能供應商質量能力供應商供貨能力產品試制質量數據產品量產質量數據產品質量檢測數據試制環境信息試制工藝信息試制質量閉環管理信息人員信息設備質量信息量產環境信息工藝質量信息生產質量閉環管理信息質量評估信息來料檢測數據半成品檢測數據成品檢測數據產品物流質量信息產品
121、使用數據物流質量使用運行狀態數據關鍵部件監控數據物流及調度信息產品維護數據產品維修數據產品回收質量評估回收工藝質量信息回收質量檢測產品使用環境數據維護策略功能性質量需求功能性質量需求:功能特性、性能參數等經濟性質量需求經濟性質量需求:成本、勞動損耗、產出等社會性質量需求社會性質量需求:污染、噪聲、電磁輻射等電子類器件質量性能電子類器件質量性能:性能指標、出入庫檢測信息等機械類部件質量性能機械類部件質量性能:物理化學性能指標、出入庫檢測信息等基礎輔料質量性能基礎輔料質量性能:物理化學性能指標、出入庫檢測信息等來料檢測數據來料檢測數據: :檢測方法、檢測環境、設備、結果、供應商、批次等信息半成品檢
122、測數據半成品檢測數據: :檢測方法、檢測環境、設備、人員、檢測結果、批次等信息成品檢測數據成品檢測數據: :檢測方法、檢測環境、設備、人員、結果、批次等信息維護保養記錄故障信息故障分析信息維修信息產品回收策略零部件回收性能評估回收處理工藝回收設備信息回收質量信息零部件質量性能監測產品設計方案數據產品設計方案數據:結構設計、電氣設計、工藝設計等信息產品及部件設計質量性能產品及部件設計質量性能:設計質量可靠性指標、技術要求指標、質量評價指標等信息產品質量仿真數據產品質量仿真數據:力、熱、電等仿真信息方案質量評審方案質量評審:設計方案評審、工藝評審、質量評估、風險評估等信息設計缺陷閉環管理信息設計缺
123、陷閉環管理信息:設計缺陷、改進方案、改進追蹤等信息供應商質量能力供應商質量能力:供應商信息、供應商服務能力、服務質量等信息供應商供貨能力供應商供貨能力:供應商信息共享成熟度、歷史供貨信息、供貨風險等信息試制環境信息試制環境信息:設備、環境、材料等信息試制工藝信息試制工藝信息:工藝參數、設備運行數據等試制質量閉環管理信息試制質量閉環管理信息:物理化學性能指標、出入庫檢測信息等人員信息人員信息:供應商信息、供應商服務能力、服務質量等信息設備質量信息設備質量信息:供應商信息共享成熟度、歷史供貨信息、供貨風險等信息量產環境信息量產環境信息: :噪聲、清潔度、溫濕度等環境信息生產質量閉環管理信息生產質量
124、閉環管理信息: :質量異常信息、質量分析信息、質量改進信息質量評估信息質量評估信息: :質量報表、生產成本、生產效率等物流及調度信息物流及調度信息:運輸方式、路程、成本、調度方式等信息物流質量監控物流質量監控:運送環境、運送質量等使用運行狀態數據使用運行狀態數據:運行時間、使用效率、狀態等信息關鍵部件監控數據關鍵部件監控數據:運行參數產品使用環境數據產品使用環境數據:使用地域、溫濕度等環境信息客戶使用評價客戶使用評價:客戶信息、客戶使用反饋等故障信息故障信息:故障時間、故障模式、故障現象等故障分析信息故障分析信息:故障檢測、機理分析、故障診斷等信息維修信息維修信息:維修方式、維修成本、維修時間
125、、備件等信息維護策略維護策略:產品預防性維護策略維護記錄維護記錄:產品歷史維護記錄產品回收策略產品回收策略:產品零部件重用、再制造、廢棄分級回收標準、技術指標要求等零部件回收性能評估零部件回收性能評估:產品零部件性能、可靠性、可拆卸性、可回收性等評估信息回收工藝回收工藝:回收工藝設計、工藝參數、拆卸深度等信息回收設備質量信息回收設備質量信息:設備基本信息、設備設定參數、設備運行參數、設備維護維修記錄等信息回收處理質量信息回收處理質量信息:回收效率、拆卸質量、環境排放等信息零部件質量性能檢測零部件質量性能檢測:檢測方法、檢測環境、設備、人員、檢測結果等信息產品使用環境數據 圖 4.2:質量大數據
126、資源體系編目參考架構質量大數據白皮書 52 4.2.2 數據資源融合 1 1. . 匯聚、融合質量數據匯聚、融合質量數據 質量數據融合是將業務系統、數據采集器中多層次、多角度、多方面的異構質量數據接入、融合到數據資源平臺,為數據分析挖掘、數據服務應用提供基礎數據資源,以實現全業務、全組織、全過程的數據關聯和挖掘。質量數據的融合可以采用圖 4.3 聯合指導實驗室(the Joint Directors of Laboratories)提出的 JDL 模型,該模型把數據融合劃分為了 5 個層次,并為不同領域的數據融合提供了一個較為統一的流程,明確了數據融合的過程、功能以及可用技術。 圖 4.3:J
127、DL 數據融合模型 在數據融合過程中,要結合業務需求及質量數據源特點,選擇數據級融合、 特征級融合和決策級融合方式; 在數據融合體系結構方面,一般采用集中式、分散式、分布式結構,其中分布式結構即可節省通信和計算消耗,又可提升融合速度,獲得廣泛應用。數據融合的另一個關鍵是融合算法,融合算法包括加權平均法、卡爾曼濾波法、聚類分析法等,可根據數據源特點來選擇融合算法,典型的數據融合算法如表 4-1 所示。 質量大數據白皮書 53 表 4-1 典型的數據融合算法 融合融合方法方法 概述概述 特點特點 加權平均法 加權平均法是最簡單直觀的數據融合方法,它將不同傳感器提供的數據賦予不同的權重,通過加權平均
128、生成融合結果。 該法直接對原始傳感器數據進行融合,能實時處理傳感器數據,適用于動態環境,但是其權重系數帶有一定主觀性,不易設定和調整 卡爾曼濾波法 卡爾曼濾波法常用于實時融合動態底層冗余傳感器數據,用統計特征遞推決定統計意義下的最優融合估計 卡爾曼濾波法的遞推特征保證系統處理不需要大量的數據存儲和計算,可實現實時處理,但是其對出錯數據非常敏感,需要有關測量誤差的統計知識作為支撐 貝葉斯推理法 基于貝葉斯推理法則,在設定先驗概率的條件下利用貝葉斯推理法則計算出后驗概率,基于后驗概率作出決策 該法難以精確區分不確定事件,在實際運用中定義先驗似然函數較為困難,當假定與實際矛盾時,推理結果很差,在處理
129、多假設和多條件問題時相當復雜 D-S 證據理論 D-S 證據理論允許對各種等級的準確程度進行描述,并且直接允許描述未知事物的不確定性 不需要先驗信息,通過引入置信區間、信度函數等概念對不確定信息采用區間估計的方法描述,可解決不確定性的表示,但其計算復雜性是一個指數爆炸問題,并且組合規則對證據獨立性的要求使得其在解決證據本身沖突的問題時可能出錯。 聚類分析法 聚類分析法是通過關聯度或相似性函數來提供表示特征向量之間相似或不相似程度的值,據此將多維數據分類,使得同一類內樣本關聯性最大, 不同類之間樣本關聯性最小。 在標識類應用中模式數目不是很精確的情況下效果很好,可以發現數據分布的一些隱含的有用信
130、息,但其本身的啟發性使得算法具有潛在的傾向性,聚類算法、相似性參數、數據的排列方式甚至數據的輸入順序等都對結果有影響。 粗糙集理論法 粗糙集理論的主要思想是在保持分類能力不變的前提下,通過對知識的約簡導出概念的分類規則。 是一種處理模糊性和不確定性的數學方法,利用粗糙集方法分析決策表可以評價特定屬性的重要性,建立屬性集的約簡以及從決策表中去除冗余屬性,從約簡的決策表中產生分類規則并利用得到的結果進行決策 模版法 模版法應用” 匹配 “的概念, 通過預先建立的邊界來進行身份分類 把多維特征空間分解為不同區域來表示不同身份類別,通過特征提取建立一個特質量大數據白皮書 54 征向量,對比多傳感器觀測
131、數據與特征向量在特征空間中的位置關系來確定身份。 模糊理論法 模糊理論以隸屬函數來表達規則的模糊概念,在數字表達和符號表達之間建立一個交互接口。 該法適用于處理非精確問題,以及信息或決策沖突問題的融合 人工神經網絡法 人工神經網絡是模擬人腦結構和智能特點,以及人腦信息處理機制構造的模型,是對自然界某種算法或函數的逼近,也可能是對一種邏輯策略的表達。 神經網絡處理數據容錯性好,具有大規模并行規模處理能力,具有很強的自學習、自適應能力,某些方面可能替代復雜耗時的傳統算法 專家系統法 專家系統是具備智能特點的計算機程序,具有解決特定問題所需專門領域的知識,是在特定領域內通過模仿人類專家的思維活動以及
132、推理與判斷來求解復雜問題。 專家系統可用于決策級數據融合,適合完成那些沒有公認理論和方法、數據不精確或不完整的數據融合 關聯分析法 可將原始數據進行重新組織,以梳理出數據的流向、 行為、 脈絡、 層次等關系,形成數據關系圖譜 適合網絡安全數據的融合處理 2 2. . 企業企業質量數據質量數據資源建設資源建設 基于質量大數據要素維度及資源體系編目參考架構, 梳理企業質量數據組成與來源,對數據進行規范化、標準化處理,形成描述企業質量數據資源的元數據體系,進而構建面向企業質量管控領域,要素完備、結構合理、功能完備的企業質量大數據資源體系編目,以此為基礎,設計企業質量數據資源平臺架構,進行數據的融合、
133、治理,建成企業質量大數據資源資產, 挖掘數據價值, 形成質量數據服務體系,完善平臺運營組織,構建健康、持續優化的質量數據運營機制,如圖4.4 所示。 質量大數據白皮書 55 圖 4.4 企業質量數據資源建設路徑 理現狀:梳理企業數據現狀,構建企業級質量數據資源編目理現狀:梳理企業數據現狀,構建企業級質量數據資源編目 依托質量大數據要素體系和數據資源體系編目參考架構, 梳理企業質量數據組成與來源,并進行數據的逐層分類分解,確定企業質量大數據資源元數據,構建企業級質量數據資源編目。 立架構:構建企業質量數據資源平臺架構立架構:構建企業質量數據資源平臺架構 根據企業質量數據資源編目、數據源特點、質量
134、數據分析業務架構,采用數據倉庫、數據中臺、數據湖等技術設計企業質量數據資源平臺架構,建立數據資源管理組織架構和應用架構。 建資產:構建企業建資產:構建企業質量大數據資源質量大數據資源資產資產 結合質量數據資源平臺架構,構建企業質量大數據資源平臺,基于平臺生成企業質量數據資源編目,應用數據融合技術匯聚、融合企業全流程質量數據,同時開展數據治理,并面向企業建立全維度數據標簽體系,形成應用數據體系,可實現質量數據資源體系編目、元數據、數據質量、數據血緣、數據生命周期等一體化管理。 用數據:挖掘數據價值,形成質量數據服務體系用數據:挖掘數據價值,形成質量數據服務體系 從業務場景出發, 將質量大數據資源
135、通過服務化方式應用到具體業務場景中,構建查詢、分析、檢索、推薦等多形式數據服務,形成質量數據服務體系。如數據查詢服務,支持用戶直接通過數據資產目錄對企業元數據、 企業數據明細進行訪問, 訪問的方式同樣提供多種,質量大數據白皮書 56 包括登錄系統進行頁面訪問數據導出、調用本地接口獲取數據、通過API 對外提供數據等。 做運營:做運營:構建健康、持續優化的質量數據運營機制構建健康、持續優化的質量數據運營機制 以業務場景需求為導向,統一企業運營戰略,搭建企業質量數據資源平臺運營組織,深入挖掘數據和業務場景的結合點,不斷根據質量和價值來優化運營機制, 形成健康、 持續優化的質量數據運營機制。 3 3
136、. . 構建構建產業質量大數據資源生態產業質量大數據資源生態 從供應鏈產業鏈角度來分析,推動相關行業協會、院所和龍頭企業建設產業質量大數據資源生態,匯集質量管理、政府監管、企業運營、第三方服務以及互聯網輿情等質量數據,實現產業質量生態圈數據智能獲取、開發、在線交換和利用,建立以客戶導向、智能驅動、生態共贏為核心的質量生態管理體系,充分運營大數據分析、人工智能等技術開展生態圈質量智能預測和協調管理, 逐步打造形成產業質量共生新生態。 產業質量大數據資源生態建設如圖 4.5 所示, 可以分為質量管理數字化、產業鏈質量數據集成、質量數據生態共享三大方面。質量管理數字化即質量管理全流程的數字化, 利用
137、數字化手段驅動企業質量管理、第三方質量服務機構、政府質量監管機構的數字化轉型,形成質量數據資產,實現組織內部數據的分析與利用。產業鏈質量數據集成即串接產業鏈上下游質量數據,形成產業鏈質量數據湖,提升產業鏈供應鏈質量風險管控能力。 質量數據生態共享即打造質量數據生態圈,打通產業質量數據資產鏈與價值鏈,構建質量數字化網絡生態,實現質量數據的共建共享模式,推動形成質量管理新業態。 質量大數據白皮書 57 圖 4.5:產業質量大數據資源生態建設路徑 質量管理數字化:質量管理數字化: 質量管理全流程的數字化是質量數據資源建設的前提,通過數字化技術重塑企業質量管理、第三方質量服務機構、政府質量監管機構的業
138、務模式、技術范式、組織方式,完成組織內部質量數據歸集與存儲,積累沉淀形成質量數據資產,通過組織內部數據分析與挖掘,實現質量改進與提升。 產業鏈質量數據集成:產業鏈質量數據集成: 建立統一描述標準企業質量的元數據模型,構建產業鏈供應鏈統一歸集的企業質量數據交換標準, 并以企業組織為單元, 串接產業鏈上下游質量數據, 形成產業鏈供應鏈質量數據湖,實現產業鏈質量數據集成,強化產業質量協作、質量風險預警與應急處理能力。 質量數據生態共享:質量數據生態共享:即打造質量數據生態圈,通過產業質量數據資產鏈和價值鏈“雙鏈融合”,催生數據資源市場,吸引產業質量數據利益各方資源匯聚,構建質量數字化網絡生態,推動數
139、字化質量管理相關資源、能力、業務的在線化和平臺化,實現質量數據的共建共享模式,推動形成質量管理新業態。 4.2.3 數據共建共享 質量大數據的共享是發揮數據價值的關鍵。 建立統一質量大數據資源共建共享機制,打破部門-企業-區域數據交換壁壘,激勵企業數據資源的開放共享,建立統一的質量數據交易體系,逐步推進質量數質量大數據白皮書 58 據共建共享的廣度和深度,實現質量數據深度挖掘與應用,發揮質量數據的真正價值,構建質量大數據資源開放共享、合作共贏、可持續發展的生態圈。 建立質量大數據共建共享頂層框架 (制度保障)建立質量大數據共建共享頂層框架 (制度保障) : 從產業角度,加強質量大數據資源共建共
140、享頂層設計, 制定質量大數據資源共建共享方面的法律法規、政策制度、保障體系,構建部門-企業-區域數據共建共享技術標準體系,完善數據監管、數據安全防護方案,保障數據持續、高效、安全的運行。 數據共建共享模式(技術保障)數據共建共享模式(技術保障):從質量數據全生命周期各層級,建立統一的數據采集、存儲、分析、交換標準規范,為質量大數據資源的共建共享提供技術保障;構建質量大數據平臺,促進部門-企業-區域不同層級的數據資源建設, 支持數據資源的分級分類管理,建立數據共享激勵機制,促進企業數據開放共享。 構建統一的數據交易體系(交易共贏)構建統一的數據交易體系(交易共贏):從國家層面,建立統一的質量數據
141、交易體系,以統一標準來培育質量大數據交易市場、以基本規范來提升市場服務能力和大數據行業管理水平, 從而支撐質量大數據領域發展,不斷激發企業質量數據共享意愿,促進形成合作共贏、可持續發展的數據生態圈。 4.3 數據治理體系 質量大數據具有很強的業務性,呈多模態、強關聯、高通量、重時序等特點, 面臨著數據治理體系構建困難、 數據標準體系不夠完善,數據安全及質量管理有待深入、數據共享應用水平較低等多種問題。本文參考 GB/T 34960.5-2018信息技術服務 治理 第 5 部分:數據治理規范給出的數據治理框架,從頂層設計、數據治理環境、數據治理實施過程和 IT 能力四大部分構建質量大數據綜合治理
142、體系,其 質量大數據白皮書 59 中重點關注在供應鏈質量協同、 企業產品全生命周期質量優化提升等業務應用的價值流打通及數據清潔,同時構建質量數據架構管理、數據質量管理等標準與規范。以數據推動數字化質量管理,打破數據孤島、確保源頭數據準確、促進數據共享、保障數據隱私與安全。 本節基于數據治理的理論框架及活動要求, 提出較為通用的質量大數據綜合治理體系,該體系以數據管控為核心,通過數據管控統領數據戰略頂層規劃、數據架構、主數據管理、元數據管理、數據質量管理、數據交換與管理、數據開放與共享等,形成一套管理體系。其中: 數據架構標準定義數據需求標準,管控數據資產,與業務戰略相匹配的一套整體構件規范,主
143、要包括數據模型設計和數據資源管理。 數據質量管理包括規劃和實施數據質量管理技術,以測量、異常監控、評估等提高數據的適用性,提高數據對業務和管理需求的滿足度。 數據安全防護是確保數據隱私和機密性得到維護, 數據不被破壞,數據能被正確授權訪問。通過采用各種技術和管理措施,保證數據的機密性、完整性和可用性。 此外,數據治理環境是數據治理實施的保障。組織需要分析國際質量相關法律法規、產品市場質量提升要求、組織內部質量需求等,確保數據治理策略能夠使用內外部環境的變化。 同時數據治理相關角色的職業技能、組織內部數據文化、信息技術的發展趨勢等都是數據治理的促進因素,起到支持保障作用。 數據從業務中產生,在
144、IT 系統中承載,因此有效的數據治理需要業務的充分參與,更需要 IT 工具的支持,包括主數據管理、元數據管理、數據歸集、數據質量管理等工具或平臺。 質量大數據白皮書 60 4.3.1 數據標準體系 1. 1. 頂層設計,建立數據管理總綱頂層設計,建立數據管理總綱 頂層設計包含戰略規劃、組織構建和架構設計,是數據治理實施的基礎。通過頂層設計,制定戰略規劃,包括愿景、目標、任務、內容、邊界等,構建數據管理總綱,指導數據治理方案的建立;建立支撐戰略規劃的組織機構和組織機制,明確相關實施原則和策略,建立崗位明確角色,確保責權利的一致;架構設計方面應關注技術架構、應用架構,以滿足數據管理、數據流通、數據
145、服務和數據洞察的應用需求。 對質量數據質量的頂層設計而言,則需要針對企業、產業、第三方服務機構等的具體質量相關業務情況,按照產品研制全生命周期、生產系統或者行業公共質量服務等維度,從愿景、目標、內容、邊界等方面形成總體數據治理政策;從決策層、管理層執行層、數據負責人等維度明確組織機構和機制;從產品質量提升、生產系統質量提升等業務技術、數據應用需求等方面形成總體技術架構。 2 2. . 形成數據管控標準體系形成數據管控標準體系 圖 4.6:數據治理參考標準體系 質量大數據白皮書 61 在質量數據需求分析及現狀評估的基礎上, 圍繞業務需求明確數據架構并進行業務標準化,同時考慮數據質量、數據流通、數
146、據安全等方面,形成一套綜合制度體系。如圖 4.6 所示,其中包含了技術標準、數據標準、與管理標準(管控制度流程體系)。 技術標準含大數據術語、 總則、 參考架構、 技術架構等基礎標準,以及描述大數據集、進行數據全生命周期操作的技術標準,如描述模型、質量模型、分類方法等。 數據標準包含元數據、 數據指標、 主數據、 數據代碼、 數據規范、時序數據、 數據交易與數據共享等標準。 數據指標包含數據管控指標、采購、 生產、 設備等業務領域相關指標以及其他質量效益等經營指標。主數據包括通用基礎、物料、生產、制造、人事、財務、項目、合同等主題領域,以及按技術領域或者行業業分的主數據,如電子信息、航空航天、
147、質量技術等領域。 應用標準可參考工業行業編制, 通常情況下技術標準與數據標準可以參考國際標準和行業標準,結合組織的業務特點與需求編制。 管理標準, 主要包括數據管理制度與規范、 數據安全與隱私保護、數據質量管理與認責體系、數據資產目錄管理及全生命周期管理等。評價與考核體系是對各層級的數據治理工作進行評價、 考核與激勵的重要環節。 4.3.2 數據質量管理 數據質量是發揮質量大數據作用的前提, 保障數據質量是數據治理的重中之重。 數據質量不是追求 100%, 而是從數據使用者的角度定義,滿足業務、用戶需要的數據即為“好”數據。本文從以下六個維度對數據質量進行描述。 1.完整性:指數據在創建、傳遞
148、過程中無缺失和遺漏,包括實體完整、屬性完整、記錄完整和字段值完整四個方面。完整性是數據質質量大數據白皮書 62 量最基礎的一項。 2.及時性:指及時記錄和傳遞相關數據,滿足業務對信息獲取的時間要求。數據交付要及時,抽取要及時,展現要及時。數據交付時間過長可能導致分析結論失去參考意義。 3.準確性:指真實、準確地記錄原始數據,無虛假數據及信息。數據要準確反映其所建模的“真實世界”實體。 4.一致性:指遵循統一的數據標準記錄和傳遞數據和信息,主要體現在數據記錄是否規范、數據是否符合邏輯。 5.唯一性:指同一數據只能有唯一的標識符。體現在一個數據集中,一個實體只出現一次,并且每個唯一實體有一個鍵值且
149、該鍵值只指向該實體。 6.有效性:指數據的值、格式和展現形式符合數據定義和業務定義的要求。 以數據質量管理為核心的綜合治理主要以沿產品研制全生命周期質量優化、組織質量管理優化、供應鏈質量協同優化、產業質量基礎公共服務等業務價值流推進數據管控。 數據質量管理以業務需求為驅動,以數據清潔為目標,通過體系管控,提升數據質量。數據質量管理實施是在通過主數據管理、業務需求等了解數據的情況下開展的, 首先結合具體的場景數據及服務需求,編制標準定義和數據規則;然后將標準納入數據集成、遷移、實時、建模分析等業務和數據技術流程;長期開展數據質量監控、評估工作, 不斷對規則進行調整, 適應業務需求。 在數據質量實
150、施過程中,數據質量綜合評價是常態化工作,通過數據剖析、數據質量診斷、數據處理規則、異常數據監控等工作。 自上而下的頂層設計模式的數據治理體系及實施, 這種途徑成本高、涉及業務及其對象繁多,系統工作量巨大;因此業界正探索一種 質量大數據白皮書 63 自底向上的各個擊破的數據治理模式,以需求為驅動力,以解決數據問題為導向, 推動組織整體數據治理的逐步完善, 又稱 “按需治理” ,其典型參考框架如圖 4.7 所示。 圖 4.7:按需治理框架 該框架以質量分析與管理業務場景為牽引,采用單點突破,端到端的打通,并通過敏捷迭代的方式推進企業數據治理,其顯著特點是“問題導向、系統建設、快速見效”,以解決各業
151、務部門和業務系統數據管理中的問題為出發點,通過使用成熟的數據治理工具,快速搭建數據治理平臺,實現對問題的逐個擊破,并逐漸探索出全面的解決方案。 自下而上模式一般以解決企業面臨的數據質量管理任務作為切入點,然后逐步擴展到數據模型管理、數據標準管理、數據安全管理等其他數據管理職能。 4.3.3 數據安全防護 數據安全是跨工業領域與學科的綜合性問題, 從質量大數據資源的安全技術體系上, 可分為質量數據接入安全、 質量大數據平臺安全、質量大數據共享與應用安全。 其中質量大數據接入安全為工業現場數質量大數據白皮書 64 據的采集、傳輸、轉換流程提供安全保障機制;質量大數據平臺安全為質量數據存儲、計算提供
152、安全保障基礎;質量大數據共享與應用安全為上層應用的接入、數據訪問、數據交換與共享等提供強力的安全管控。質量大數據共享與應用安全從以下幾個方面考慮。 1. 1. 數據集可信性檢測及防護:數據集可信性檢測及防護:質量大數據平臺安全、可靠地運行重度依賴數據集的有效性和正確性, 數據在收集與標注時一旦出現錯誤或被注入惡意數據,將帶來數據污染攻擊,威脅依賴數據集訓練的模型和算法的安全。 應用數據集可信性檢測及可信防護技術保障數據收集、傳輸階段的真實性、完整性和可靠性,為后續數據分析的可信性奠定基礎。 2. 2. 跨平臺數據交換與共享安全:跨平臺數據交換與共享安全:針對質量數據跨平臺、跨區域的開放共享、互
153、聯互通、協同分析等要求,應用基于敏感度的數據安全域劃分、數據跨域流動管控、動態數據安全交換共享、數據可用不可見等關鍵技術,對不同敏感度等級的域間數據流動、使用過程進行管控,做好數據流動過程中的審計,實現數據事件可追溯,確保數據交換共享過程的安全性。 3. 3. 基于區塊鏈的數據應用服務安全:基于區塊鏈的數據應用服務安全: 區塊鏈技術具有可信協作、隱私保護等優勢, 在應用到質量大數據平臺時, 能提升平臺的安全性?;趨^塊鏈技術,為跨域集群建立業務共享通道,并利用高效共識機制協同更新分布式賬本,能實現信息來源可信、數據可追溯審計和通道內部數據的傳輸和隱私安全。利用區塊鏈不可篡改、分布式共治等賦能能
154、力,對平臺各節點構建聯盟鏈,實現節點的自治性預防保障、運行時異常監測和受損狀態的自愈合。 質量大數據白皮書 65 5. 質量大數據的技術視角 5.1 技術架構 5.1.1 質量全生命周期架構 質量保證計劃應該伴隨產品的整個生命周期。 完整的質量保證手段應該包括三個大周期:事前控制,事中監測,事后分析,如圖 5.1所示。 圖 5.1:質量全生命周期框架 通常情況下,質量保證手段從事后分析入手,因為這是質量問題能直接表現出來的階段。 事后分析主要是從生產過程中的多維數據中發現和定位質量問題的原因。因為典型的生產過程要素非常多,涉及人、機、料、法、環各個維度,并且這些維度都可能影響質量,因此事后分析
155、需要分別針對這些維度或者維度的組合進行橫向、 縱向對比。首先,需要根據質量結果對產品的質量趨勢進行統計,按照一個線性維度,可以是時間、批次、小批等進行大范圍的統計,以對質量的整體波動性有全面了解。之后針對有質量缺陷的范圍,對時間、空間、批次、機臺等維度進行統計分析,縮小缺陷產生的數據范圍。定位到缺陷之后,針對各個維度進行橫向縱向對比,找到影響質量的多個因素,按照相關性進行排序,最終推斷出質量問題的根因。 質量大數據白皮書 66 事后分析可以有效的洞察質量問題產生的原因, 但是要消除質量問題,還需要事中監測。事中監測是指伴隨著產品的生產過程的一系列質量保證手段。例如需要實時檢測關鍵參數的運行狀態
156、,對正常區間進行管控,如果超過正常區間需要及時發出警告,及時采取管控措施進行糾正,消除質量問題的產生。 事中監測和標準來自哪里?這需要對產品和各生產要素進行長期的監控和學習,找出最佳的管控區間。不同的產品和生產要素組合下,最佳的管控區間也是不同,這就需要在長期積累大量數據的情況下,對不同組合在歷史上的最佳表先進行學習,稱為“黃金批次”。這樣在相似批次生產之前,就可以有針對性的設置相關參數,把潛在質量問題消除在事前。 事前控制, 事中監測, 事后分析, 三個手段相輔相成, 形成閉環。這樣可以幫助企業建立長期可持續改善的質量管理框架。 5.1.2 數據平臺架構 質量數據平臺的架構包括數據存儲層、數
157、據服務層、數據分析計算層、應用層等四層。如圖 5.2 所示。第一層數據存儲層的職責是對各個質量相關的數據源中的數據進行適配、接入、統一匯聚和存儲。其中數據源來自企業內外部的各條線, 內部諸如設備 DCS、 MES、 ERP、銷售管理等系統;外部諸如社交網絡和互聯網產品輿情等。數據存儲層首先適配數據源,對數據進行采集和傳輸落地至數據存儲層。數據存儲層的內部可能包含多種異構數據管理系統,因為數據源的形式、存儲密度、訪問模型不同,例如設備時序數據存儲于時序數據庫,生產要素定義通常存儲于關系數據, 產品質量監測如 AOI 數據需要需要對象存儲,數據存儲層的建設思路上,需要有針對性的進行數據管理系統的選
158、型,避免陷入強行統一數據存儲架構的誤區。數據存儲層的 質量大數據白皮書 67 主要考量包括數據源適配量、數據接入速率、存儲容量、數據訪問效率、數據抽取效率、數據高可用、橫向擴展性、數據存儲安全等。 圖 5.2:質量大數據平臺架構 第二層數據服務層解決數據的關聯。通常來說,質量問題涉及的數據來源和維度非常多, 我們需要把不同數據源的數據進行有機的集成,并向上層數據消費者提供統一的數據服務能力。要想進行數據集成,首先要建立統一的數據模型,針對以設備為核心的生產過程進行抽象建模,重要的業務實體包括設備、物料、產品、工藝參數等等。數據服務基于統一的數據模型, 把上層數據請求分解為對一層數據存儲層包含的
159、各個數據管理系統的查詢,并把結果收回匯總。數據服務層屏蔽了數據存儲層多源異構的數據管理系統, 向上提供了富含業務語義的數據查詢能力,可以有效的消除業務和 IT 技術之間的溝通鴻溝,加速質量分析應用創新。數據服務的業務表達力和查詢性能是最重要的兩個考量指標。 第三層數據分析計算層的職責是管理數據的分析計算過程。 從簡單的統計到復雜的算法,我們統稱為數據分析計算。從業務維度,數據分析層主要職責是對常用有效的質量數據分析方法進行持續沉淀,生產過程數據設備運行數據在線檢測數據設備狀態數據離線檢測數據生產管理數據數據存儲數據服務數據分析數據應用應用快速設計開發工具模型生命周期管理質量分析算子庫模型運行管
160、理質量大數據分析框架質量分析模型庫質量域工業物理對象模型數據關聯查詢引擎應用生命周期管理應用支撐環境多模態質量大數據存儲構件接入匯聚( SECS GEM /Log解析 /Web Service /PLC OPC/ETL /lOT Edge / )通用數據計算基礎設施第三方平臺應用質量大數據白皮書 68 常用的方法如可視化數據分析、數據分析模板等。從技術維度,數據分析層主要包含并行批計算、流計算的并行計算框架,以及質量數據分析師的分析語言運行時,如 Python、R、Matlab 等。數據分析層和數據層的交互是雙向的, 數據分析層既要依賴數據服務提供的數據做為輸入,也需要把一部分分析的中間結果寫
161、回數據層,進行二次服務化。 第四層為質量分析應用層。質量數據分析最終還是要應用化,被終端用戶所消費。應用的形態一般包括 Web 應用和移動端應用。應用層要求能夠以數據和數據分析層提供的數據為輸入, 對數據和操作進行可視化呈現。應用層也要求具備一定的低代碼開發能力,讓非 IT專業人員也能定制和編輯自己的應用視圖,提高應用創新速度。 5.2 數據存儲:多模態數據的數據湖技術 “多模態” 數據是指從不同角度描述工業生產物理過程和物理對象的圖像、文本、測量值、日志等多種形式的數據。多模態數據具有典型特點: 不同的數據結構和數據類型, 不同的數據體量和生成速率,不同的時效和空間維度的價值密度。 為了通過
162、數據來刻化和分析物理對象和物理過程,需要把數據以對象和過程為維度進行關聯。多模態數據的價值釋放面臨關鍵技術挑戰主要包括: 1. 1. 多種類型質量大數據的有效存儲多種類型質量大數據的有效存儲 多模態數據包括關系型數據、半結構化數據、非結構數據、時間序列數據等多種類型的數據, 需要適用于各種數據類型的對海量數據的有效存儲。 2. 2. 面向數據間關聯的高效計算面向數據間關聯的高效計算 多模態數據之間不僅是數據字段的直接關聯, 更多是物理對象和物理過程的語義關聯。 這些關聯往往需要通過在海量數據之上進行高 質量大數據白皮書 69 效計算得出。 質量數據湖是一個集中存儲各類結構化、 半結構化和非結構
163、化等類型數據的大型數據存儲庫,既可以包括源系統中的原始副本,也可以包括轉換后的數據 (比如用于報表、 可視化、 數據分析等的數據) 。數據湖技術從整體上提供數據接入和存儲基礎能力保障, 并提供一個高效的通用計算層為其上的蘊含業務語義的數據分析等計算給予高效支撐。 多模態數據的數據湖技術需要突破的是針對不同類型數據的存儲技術, 并在充分考慮多源異構數據各類特性之上的高效處理和計算工具和技術,以及如何對數據分層進行管理。簡言之,研究如何形成可擴展的一體化存儲系統和工具集。 多模態數據湖的關鍵技術主要包括: 1 1. . 多模態質量數據存儲架構多模態質量數據存儲架構 針對工業數據在質量相關的物理過程
164、的不同階段、 不同流程呈現多種類型(關系、時序、非結構化等)的特點,研制不同的數據存儲管理引擎和系統致力于對多模態質量數據進行高效地接入匯聚和存儲,能夠按照產品編號,產品生命周期、質檢情況等多種維度進行靈活數據組織和高效訪問。 該架構構建存儲海量的多模態質量數據,具有高可擴展性、可靠性、高適用性的數據存儲層,并針對類型特點提供高效數據訪問和數據計算能力。質量大數據存儲與數據庫系統類型主要有: (1 1)關系類型數據系統關系類型數據系統:生產要素定義需要存儲于關系數據類型系統中,例如企業在自動化、信息化進程中建設的 MES、WMS 等。聯機交易型需求使用 OLTP 型單機或分布式關系數據庫系統;
165、聯機分析型需求使用 OLAP 型單機關系數據庫或 MPP(Massive Parallel Processing)分布式關系數據庫系統。MPP 針對于具有大量關系數據質量大數據白皮書 70 存儲需求的場景。OLTP 和 OLAP 混合負載需要構建 HTAP (Hybrid Transactional / Analytical Processing)型關系數據庫系統。 (2 2)時間序列類型數據系統時間序列類型數據系統:設備運行、環境監測的時間序列數據需要存儲于時間序列數據類型系統中, 例如伴隨數字化和智能化發展企業建設的 EAP 系統等。 針對海量的質量相關工業時序數據在接入吞吐量和查詢高效性
166、方面的需求,構建能夠滿足高性能讀寫、高效率存儲、查詢與分布式分析一體化的時序數據管理系統。 (3 3)對象存儲系統對象存儲系統:產品質量監測例如 AOI 數據、機臺日志文件數據需要存儲于對象存儲與非結構化系統中。 存儲系統需要具有高可擴展性,對批量數據計算具有高效率與適用性、低存儲成本和低系統運維難易度與成本。 表 5-1 展開列舉典型的數據存儲與數據庫系統類型, 簡要描述相關特性,并進行了系統舉例。 表 5-1 典型數據系統類型 類型 數據模型 典型特性 系統舉例 分布式文件系統 文件系統樹狀結構 海量大文件,高吞吐,良好的批處理支持和可擴展性 HDFS 對象存儲 對象存儲 Web 應用訪問
167、友好,良好的批處理支持和可擴展性 S3, OSS, MinIO 關系數據庫 關系模型 二維表結構,支持 SQL,支持事務處理,廣為使用 Oracle, MySQL, PostgreSQL, Greenplum 鍵值數據庫 鍵值模型 存取鍵值對,良好的性能和可擴展性 Redis, RocksDB, etcd, Riak KV 質量大數據白皮書 71 時間序列數據庫 時間序列模型 高速寫入,支持時間序列特色查詢(如降采樣等),高效壓縮存儲 InfluxDB, Apache IoTDB 寬列數據庫 寬列模型 列不是提前固定的,可容納大量列 HBase, Cassandra 文檔數據庫 文檔模型 數據
168、記錄無需結構一致,數據記錄可以有嵌套結構 MongoDB, Couchbase 圖數據庫 圖模型 由頂點和邊的圖結構表示,高效處理在以邊構成的多跳關系上等查詢 Neo4j, JanusGraph 數據存儲架構在建設思路上, 需要有針對性的進行數據管理系統的技術選型,避免陷入強行統一數據存儲架構的誤區。需要結合需求考慮的維度: 存儲能力與效率:例如數據量(TB 級、PB、EB 級)、存儲安全性等。 數據模型:例如關系模型、時序模型、鍵值模型等。 數據產生速率。 數據查詢形式與效率:例如是否支持 SQL、訪問模式(OLTP 型、OLAP 型或其他)、并發能力、延遲。 數據通用計算能力與效率:編程模
169、型,計算模式(批處理、流處理)、吞吐、延遲。 系統成本:例如計算機節點規模,是否需要特殊硬件。 運維難度與適用性:例如運維難度,運維需要哪些方面技能,與運維團隊的匹配度。 2. 2. 質量大數據處理工具集質量大數據處理工具集 聚焦如何把數據匯聚到數據湖里, 以及為對湖中的數據進行分析質量大數據白皮書 72 和利用提供計算支持。 構建一個高效的通用計算層為數據存儲層之上的其他層級 (例如數據服務層、數據分析層)在進行蘊含業務語義的數據分析、多模態數據間關聯計算等操作時,提供高效計算支撐。 數據處理工具從功能角度分為兩大類:(1)數據接入匯聚到數據湖中的相關工具集,(2)為對數據湖中數據進行處理和
170、分析提供通用計算支持的工具集。 (1 1)數據接入匯聚工具與相關技術)數據接入匯聚工具與相關技術 為將數據匯聚至數據存儲層, 首先需要對各個質量相關的數據源中數據進行適配。數據源包括企業內部諸如設備 DCS、MES、ERP、銷售管理等系統,外部諸如社交網絡和互聯網產品輿情等。然后,重點是將源端數據準確無誤及時的傳輸到數據存儲層。 針對數據源和數據存儲系統多樣性特點,需要根據情況選擇合適的數據接入匯聚工具。數據接入匯聚技術包括: ETL 工具:適用于數據源和數據存儲都是數據庫(以關系數據庫為主) 的情況, 通過數據庫查詢語言來編寫數據如何從數據源中抽取、轉換、并加載到目標數據庫中。 特定傳輸協議
171、: 針對數據傳輸遵守標準或非標網絡傳輸協議的特點。 對于非標情況, 需要構建特定協議的客戶端程序,來接受和處理網絡數據傳輸包。 通用 Socket 協議:針對廠商根據實際需要制定的私有數據傳輸協議的情況, 需要根據私有網絡幀數據包格式, 結合可插拔的幀解析插件進行數據的接入和讀取,并轉換加載到數據存儲架構中 流式接入:首先建立一個高吞吐的數據隊列,可視為典型的生產者-消費者隊列。數據源端采集程序作為生產者,把采集獲取的數據都發送到數據隊列中;數據目的端加載程序基于 質量大數據白皮書 73 數據處理程序直接消費隊列中數據,并根據目標數據進行格式轉換。 優點包括:源和目的端的協議可被持續擴充, 可
172、通過管理數據轉換任務的方式來配置數據接入流,架構具有良好的可擴展性即實現對源和目的端的解耦等。 (2 2)通用數據計算工具與相關技術)通用數據計算工具與相關技術 為了給上層提供對海量質量大數據的高效訪問能力, 存儲層需要提供基礎的通用數據計算支撐, 其結合數據存儲引擎進行數據操作的優化。提供通用數據計算技術:1)批計算:接收大量輸入數據,通過運行一個作業來處理數據。作業往往需要執行一段時間,用戶通常不會等待作業完成,而是定期運行批量作業。2)流計算:接收流式輸入的數據,并在接入后很快對數據進行處理和輸出。但輸出不同于在線查詢,不是為了響應用戶的某種請求。表 5-2 列出了計算技術的主要特征和具
173、體技術框架舉例。 表 5-2 典型數據計算模式 類型 輸入數據特征 任務執行特征 舉例 批計算 (Batch Computing) 有界:輸入數據集是有限的數據集合 持久與大量:數據通常始終存儲在某種類型的持久存儲位置上,通常大量數據 定時:在許多情況下,批處理計算任務的執行方式會被提前設置,進而以此預定義的時間與間隔來一次性或周期運行 高吞吐: 通常具有很高的吞吐性能 MapReduce, Apache Spark 質量大數據白皮書 74 流計算 (Stream Computing) 無界:輸入數據集是無界的 非持久:數據往往存儲在某個消息引擎來供處理系統使用,消息引擎中的數據一般不會持久化
174、保存全部數據,而只保留最近一段時間的數據 長時運行:流數據源源不斷到來沒有盡頭,因此流處理任務往往是一經部署運行后即保持長時運行,除非明確停止 低延遲:大數據流處理任務的很多場景往往都與低延遲需求有關 Apache Flink, Apache Storm 批計算 批計算有以下特征。首先,其操作大數據量的有界靜態數據集。將全部數據作為一批或者整理成幾批來執行數據處理邏輯, 并在計算過程完成后返回結果。簡言之,批處理的輸入數據都是有邊界數據,輸出結果也是有界數據。其次,批處理關注的是事件時間,即數據本身的時間,例如工業產品質量檢測數據中的檢測時間。再次,因為大量數據的處理需要付出大量時間, 而且通
175、常只有到處理完后才有完整的結果,因此批計算任務通常具有較大的延遲,可能數分鐘、數小時或更長。 研發批計算系統,需要在設計過程中充分考慮了數據的體量,可合理和良好的使用大量的計算機資源,致力于提升計算的吞吐率;同時,可靠性和規??蓴U展性是批處理技術中的關鍵點。 批計算典型應用于支撐質量檢測數據的定期匯總計算中 (即對歷史數據的計算任務)。質量檢測匯總計算任務需要處理大量數據,并且計算任務常被設置定時執行, 任務運行結果寫入指定的數據存儲中,用戶或下游計算任務后續擇時查看或讀取結果。 流計算 質量大數據白皮書 75 流計算的基本過程是:對隨時進入的數據進行計算,即無需針對整個數據集,而是對傳輸進入
176、系統的每個數據記錄執行操作,并按照設定的規則適時輸出結果。 流計算典型的處理方式有微批處理和逐項處理兩種。 微批處理的過程是:把源源不斷的數據按照到達系統的時間少量分批依次處理。微批處理具有特征:較高的整體吞吐率、較大的延遲。逐項處理是對流數據一種自然的處理方式。然而為了滿足現實場景需求,在相對不能更多借助于批處理技術的情況下, 這種處理方式需要克服更多的技術挑戰,包括維護和管理任務狀態、妥善處理計算一致性等。 流計算典型應用于支撐實時質量檢測數據分析中 (即對實時流入數據的計算任務)。通過實時對流入質量檢測數據進行計算,用戶或下游計算任務可以實時看到或讀取到結果。 3 3. . 質量大數據分
177、層資源化質量大數據分層資源化 質量大數據資源化是基于數據湖通用計算能力支撐, 將數據湖中存儲的多模態數據進行數據分層, 以使得每一層的數據作用域有限而便于定位和理解,且每一層的數據相較于低層在數據粒度、業務涵蓋度、數據口徑收斂度或數據質量等方面進一步提升。由此,應用在消費數據時可以直接訪問偏上的業務涵蓋度更高、 資源化水平更高的數據分層,從而在數據訪問性能、數據口徑統一度、減少重復開發等方面顯著受益。 海量多模態質量數據自身特性為數據分層資源化提出了挑戰: (1 1)質量大數據資源化處理引擎需要能對多種結構和類型的質質量大數據資源化處理引擎需要能對多種結構和類型的質量數據進行高效處理。量數據進
178、行高效處理。針對海量質量數據的多種結構和類型(關系、鍵值、時序、非結構化)的特點,處理引擎不僅需要能支持對各類數據系統的對接和高效訪問, 還需要適應多種數據模型和數據結構以使質量大數據白皮書 76 得在聯合計算時形成確定的結果數據模型并避免計算空間爆炸從而達到良好性能。 (2 2)需要應對多質量過程與多變分析主題給資源化分層的復雜需要應對多質量過程與多變分析主題給資源化分層的復雜度帶來的顯著增長。度帶來的顯著增長。 呈現多種類型的工業數據從質量相關的多物理過程的多階段和流程中產生。為了實現多維度分析,直觀上需要對多個質量過程的數據分別進行多個數據層次的構建;在另外一個維度,分析主題的多變又更進
179、一步增加了數據層次的構建需求, 從而兩者綜合造成分層計算量顯著提升、存儲量增大的復雜度提升挑戰。 質量大數據資源化分層可以從典型的數據分層方法中予以借鑒。在分析型關系數據倉庫系統的典型建設方法中,數據分層包括:操作型數據層(ODS)或稱貼源層、數據倉庫明細層(DWD)、數據倉庫匯總層(DWS)、應用數據層(ADS)。其中,ODS 是最接近數據源中數據的一層, 數據源中的數據經過 “抽取”、 “轉換” 和“加載” (ETL)接入到 ODS 層。該層數據大多是按照源頭業務系統的分類方式而分類。在數據湖技術體系中,為了減少數據建模與業務梳理復雜度以及為了適應后期潛在更廣泛的分析需求,在接入匯聚過程中
180、,對數據源中數據往往不做或做很少的“轉換”處理,而以較少的工程代價把原始數據盡早接入匯聚到數據湖存儲架構中。DWD 層提供業務系統中操作型數據的長期沉淀,為分析計算提供歷史明細數據支撐。DWS 層是匯總數據層,其使用典型數據倉庫的維度建模方法,按照分析主題和業務需求進行數據模型設計。ADS 層面向數據應用需求構建,方便應用消費。 針對海量多模態質量大數據的數據特點以及分析和應用需求, 構建適合于質量大數據的分層數據資源化技術。 (1 1)質量大數據資源化分層存儲管理)質量大數據資源化分層存儲管理:針對質量數據的多種結構和類型(關系、鍵值、時序、非結構化)的特點,構建能夠滿足表 質量大數據白皮書
181、 77 達多種數據結構和數據模型的數據層次, 使得具有多種數據模型的下層數據融合形成上層數據分層; 在數據模型之上構建能夠滿足對分層數據訪問和操作需求的查詢和操作語言。構建能夠對由多質量過程、多變分析主題構造出的多個數據分層進行有效管理。 (2 2)貫通存儲架構的質量大數據資源化數據處理引擎:)貫通存儲架構的質量大數據資源化數據處理引擎:構建能夠連通數據湖存儲架構中多種數據系統的質量大數據資源化處理引擎體系,其能夠適應多種數據系統的包括數據模型、接口訪問協議、并發度能力等特點,能夠實現高效數據存取,能夠按照資源化的調度需求進行調度,并且在聯合計算時達到良好性能。 5.3 數據服務:質量大數據的
182、領域建模技術 質量大數據涉及產品的方方面面,數據來源和形式廣泛,并且通常存儲于不同系統和不同的數據庫中。 傳統的大數據平臺只能解決數據的接入和存儲,但是從質量分析應用的視角看,需要把上述數據進行集成和和關聯,構建統一數據服務,才能從根本上提高質量大數據的訪問效率,加速質量分析和應用的創新速度。因此,在傳統的大數據平臺之上,需要對多維質量數據進行統一模型管理和查詢層,以統一數據服務的形態對上層應用提供數據訪問能力。 質量大數據服務層包含兩個重要的技術模塊, 如圖 5.3 所示?!肮I物理對象模型”是對質量域多源異構數據的統一描述,數據關聯查詢引擎則提供統一的數據關聯查詢接口, 屏蔽底層異構數據管
183、理系統的復雜性。 質量大數據白皮書 78 圖 5.3:統一的大數據服務 數據模型是指用來描述業務領域行為的數據結構, 包括重要的業務實體、屬性,以及他們之間的關系。數據模型應該不依賴于具體的數據存儲介質和形式。例如我們描述“產品”是質量大數據里的一個重要實體,而不是指“存儲在數據庫中的產品表結構”。 在質量大數據領域中的重要業務實體包括但不限于 “物料” , “設備”,“工段”,“工藝”,“人員”,“產品”(本質是“物料”的一個特例,但是為了方便理解,暫且單獨提出)等。通過對產品生產過程的刻畫(最終決定了質量),這些實體是天然的關聯在一起,例如,一個“產品類型”包含多個“產品(實例)”,每個“
184、產品”有多個“工序”,每個“工序”需要依賴一個或多個“設備”,同時每個“工序”可能會消耗一部分“原材料”。產品一般是按“批次”生產的,每個“批次”會對應一個“人員班組”,等等。這些實體、屬性和關系都有可能會質量產生最重的影響, 因此需要進行建??坍?。那么,如何獲得穩定、描述性強的質量的大數據模型呢? 幸運的是, 在工業的發展過程中, 有很多標準模型可以參考借鑒,如流程行業的 ISA-88,重點描述離散行業同時能兼容 ISA-88 模型的ISA-99 生產信息整合模型, 或者其他行業內的模型等等。 雖然這些模型產生的目標和背景不同,但是對于大數據分析的場景,仍然有很強 質量大數據白皮書 79 的
185、借鑒意義。 以圖 5.4 中 ISA-95 模型為例, 該模型包含了物料模型、設備模型、人員模型、產品定義模型、工藝段模型、生產能力和調度模型等幾大模塊,并且每個模塊內部均定義了重要的實體和關系。 在大數據分析的場景中,上述數據模型中的數據可以看做是“主數據”或者“基礎數據”。而對于在產品生產過程中產生的大數據,則需要在上述模型的基礎上進行擴展。 常見的質量大數據包括生產過程中設備產生的運行監測數據,如壓力、溫度等,屬于時序大數據;設備生產過程中產生的日志數據,通過結構化之后可以獲得正常、異常事件以及時間等重要信息;設備質檢過程中產生的結果數據,例如PCB、芯片的電檢測數值數據,以及廣泛采用的
186、 AOI 圖像檢測數據等等。這些大數據結構可以通過擴展,掛載到基礎數據模型上,最終形成完整的數據模型,我們稱之為“工業物理對象模型”。 圖 5.4:ISA-95 的建模維度 質量大數據白皮書 80 5.4 數據服務:基于領域模型的查詢技術 “工業物理對象模型”解決了多源異構數據的統一描述問題,但是實際數據仍然存在數據存儲層的多種數據系統中。因此,數據關聯查詢引擎的作用是根據工業物理對象模型對上層應用發出的數據關聯查詢請求進行分解,并調度到底層的各個數據系統中實際執行,并把查詢結果匯總,加工變成上層應用所需的格式。數據查詢引擎的主要設計目標包括:1)提供富含領域語義的數據查詢;2)保證數據查詢性
187、能。 數據查詢引擎采用了“工業物理對象模型”做為元數據,而數據模型中的實體定義本身就來自于業務語言, 因此它天生就具有很強的領域語義,例如質量分析中典型的查詢中,我們可以通過特定缺陷找到特定的批次號, 再通過批次號生產的產品類型找到所有生產同類產品的批次進行橫向對比。在這種查詢語言下,用戶完全不需要關心底層特定數據管理系統的 IT 概念。 這種查詢語義可以同時面向 IT 工程師、質量工程師和數據分析師,幫助三者形成有效溝通手段。 數據查詢引擎的性能挑戰主要來自于適配多種數據庫, 并且在特定的查詢需求下,結合每個數據庫的訪問特點,拆解成最優的數據查詢語句傳達給底層數據庫實例。 另外數據查詢引擎還
188、需要對數據進行匯總,因此需要考慮跨庫數據查詢優化,例如實現跨庫連接(Join)操作時,需要用一個庫的小數據去連接另外一個庫的大數據,而不是反過來。此外,在一個典型的數據關聯查詢中,一批數據可能在關聯路徑上重復出現,并且會出現典型的數據庫 N+1 查詢問題,因此數據查詢引擎需要構建自動緩存和批量合并的功能, 避免出現查詢引擎和數據庫之間出現的多次無效數據傳輸,提高查詢速度等等。 在數據服務的形式上,需要支持三種典型的數據訪問形式:即席查詢,數據抽取,和數據訂閱。即席查詢用來滿足任意的數據關聯和 質量大數據白皮書 81 探索,以交互式的方式進行數據查詢和反饋,方便用戶對數據進行初步理解,以及滿足質
189、量分析應用的數據交互展示功能;數據抽取用來滿足大數據分析的場景,需要實現數據的高吞吐傳輸,滿足典型質量分析算法的批量和流處理過程; 數據訂閱指在用戶感興趣的數據集發生變化的時候才通知的數據服務,用來滿足質量變化、異常發現等數據需要及時傳遞的場景。 5.5 數據分析:面向多場景多數據源的數據分析技術 質量分析建模效率的基礎是存在大量可復用的算法 (為了區別一般意義上的算法,以下簡稱算子),這樣一個分析模型可以通過算子組裝快速實現, 同時也方便全要素全環節質量分析模型庫的靈活擴展。根據實踐經驗,共性的質量關聯分析算法可以歸納為如圖 5.5 所的 4大類,基礎分析算法為時空模式挖掘提供了算法基礎,基
190、礎分析算法和時空模式挖掘為異常預警和工藝參數優化提供了基本規律和特征變量,在質量管控中,異常預警屬于預測性響應的策略,而工藝參數優化則是預設性消除。 圖 5.5:質量關聯分析算法庫的技術內容 時序模式生產周期部件使用周期日歷周期空間模式不同部位的良率生產環境生產路徑關聯模式生產-運維-設備關聯設備異常事件其他要素關聯( 人料法)數據預處理數據質量審查特征提取軟測量工況切片時序聚類工況劃分工況轉移建模過程能力評估SPC多變量SPC相關性評價黃金批次識別黃金批次篩選控制參數分布估算黃金批次特征提取最佳工藝參數挖掘因素制約關系建模系統優化協同優化最佳工藝路線最優設備組合路線選擇優化優化區間識別異常模
191、式檢測時序相似度Hotellings T2Profile Monitoring異常風險預測PFMEA模型回歸算法分類算法基準自適應學習單分類模型穩態/動態過程模型多尺度模型質量異常預警算法工藝參數優化算法基礎分析算法時空模式挖掘算法算法基礎基本規律與特征變量預測性響應-預設性消除質量大數據白皮書 82 基礎分析算法包括了數據預處理、工況切片等通用算法,也包括SPC 等質量分析基礎算法。 質量時空模式挖掘的典型算法如表 5-3 所示。 表 5-3 質量時空模式分析的典型任務 類型 典型分析問題 業務用例 算法 質量的時序模式 生產周期或生產批次(run-to-run) 設備/部件使用周期 供應商
192、評價 部件更換周期優化 設備更換優化 假設檢驗、 方差檢驗、 SPC 質量的空間規律 產品的部位或區域 生產環境 生產路徑分析 安裝優化 夾具優化 路徑組合優化 Spatio-temporal分析、 聚類算法(包括GMM 等) 事件關聯模式 異常事件與質量異常的關聯 設備異常對后續質量的影響分析與追溯 關聯規則挖掘算法(包括時序關聯規則挖掘) 要素的關聯 人、機、料、法、環 關鍵要素的識別(特別是可控要素) 方差分析 在線質量檢測通常為多個制程后的統一檢測,存在嚴重的滯后。若能夠根據歷史數據, 將當前制程的工藝參數與對應的質量指標關聯起來,建立質量指標的預測模型,將為制造質量的提升提供決策層面
193、的指導。質量異常預警的 4 條技術路線如表 5-4 所示。 質量大數據白皮書 83 表 5-4 質量異常預警的 4 條技術路線 序號 技術路線 描述 算法 1 質量指標的回歸模型 根據當前的設備狀態參數和近期的良率走勢,預測關鍵質量指標,進行良率的研判 回歸建模方法 2 不良風險預測 根據歷史的質量檢測數據(質量等級) ,預測產品質量不良的風險值 分類模型或回歸模型 3 基于正常樣本的學習 只有正常的數據樣本?;诖藰嫿P?,發現實際運行中的偏離 One-class classification、 聚類算法 4 不良模式匹配 根據業務領域典型不良模式的模板進行相似度匹配,發現不良 時序相似度評
194、價 工藝參數優化的目標是在外生變量給定的條件下, 通過合理的工藝參數組合,取得理想的質量結果。通常有如表 5-5 所示的 3 條技術路線。 表 5-5 工藝參數優化的 3 條技術路線 序號 技術路線 描述 算法 1 理想批次尋優(case based reasoning) 根據質量評價指標,在歷史數據中篩選若干理想批次,從理想批次中,統計總結出最佳的工藝參數區間及在線控制策略 聚類(如GMM) 參數分布擬合 質量大數據白皮書 84 2 質量動力學模型(inference model driven approach) 構建質量與工藝參數及其他因素(如設備健康狀態)的回歸模型,找出輸出質量理想的參
195、數子空間和在線控制策略 分類模型或回歸模型(如決策樹、隨機森林) 3 協同優化(optimization model) 一個工件不同區域的質量指標、設備不同使用時長下的質量指標等多個質量指標通常是相互制約的,基于歷史數據和協同優化,得到一個全局的最優工藝參數集或區間 啟發式優化算法 質量大數據白皮書 85 6. 質量大數據的實施路徑 質量大數據是一項系統性工程,需要企業和產業各界共同努力。企業要發揮主體作用,持續深化開展質量管理活動,產業主管部門需以完善政策保障和支撐環境為重點,做好組織實施。本白皮書分別給出企業側和產業側兩個實施路徑指導框架。 6.1 企業側 企業應從管理、數據、技術三個方向
196、做出規劃,如圖 6.1 所示。 圖 6.1:企業側質量大數據實施路徑指導框架 1.1. 深化質量管理變革深化質量管理變革 (1 1)明確質量數據應用模式)明確質量數據應用模式 企業需根據行業特點和實際需求, 考慮符合自身發展的質量大數據應用模式(具體的應用模式在第三章中詳細給出)。處于質量大數據應用初期或對重點業務環節有較高質量要求的企業, 可有針對性地推進質量大數據采集、分析和應用等技術落地,提升生產過程的質量控制智能化、精細化水平;對于已打通質量大數據在內部業務流動的企業,可將質量管理拓展至所有相關方,加強產業鏈質量信息追溯,促進產品研發、設計、生產與服務一體化創新;對于完善產業鏈質量質量
197、大數據白皮書 86 協同、 具有平臺化運行能力的企業, 可探索建立質量大數據生態體系,推動質量大數據的收集整理、開發利用和共建共享。 (2 2)實施實施質量大數據貫標質量大數據貫標 貫標是企業強化質量管理、提高市場競爭力的有效手段,企業需從三個方面重視并實施質量大數據貫標認證工作。 一是建立完善的質量管理體系文件。 質量管理體系文件是貫標工作的基礎,主要包括質量手冊、程序文件、作業操作指導書、質量數據記錄表、其他與質量管理及質量大數據相關法律法規和技術標準。質量管理體系文件需既符合標準規定要求,又結合企業實際,并在實施過程中不斷完善修改,確保文件的適宜性和有效性。 二是積極宣傳質量大數據思想。
198、 企業職工是實施貫標工作的參與者、執行者,需高度重視全員質量大數據思維培養,將數據思想貫穿企業精神文化、制度文化和物質文化建設全過程。對于中高層領導,需構建數據決策文化, 提升質量大數據管理策劃能力; 對于一線員工,需加強思想宣貫和技能提升,做到質量貫標戰略精準執行。最終實現企業質量大數據思想與貫標策略融合,推動貫標認證落地。 三是加強內部審核工作。 內部審核可以挖掘貫標過程中存在的不合格行為,是貫標成功的必要手段。通過數據分析找出用戶需求不達標、產品質量不滿足要求、生產過程不穩定等事項,收集員工合理化建議,從而有效促使企業實施持續改進活動,取得預期的貫標效果。企業需建立和培訓高素質的內審組織
199、, 提高內審員對標準的理解和掌握,發現更深層的問題與注意事項,推動質量大數據貫標工作的順利實施。 (3 3)完善質量管理組織體系)完善質量管理組織體系 企業應開展管理流程化、決策數據化、功能平臺化的質量管理組織體系變革, 推動從單一職能垂直管理向矩陣數字型質量管理組織轉 質量大數據白皮書 87 變。管理流程化是指以用戶需求為導向,系統梳理各業務環節與質量策劃、控制、保證、改進等質量管理活動間的流程接口,加強數據全流程交互共享,更好地實現業務數據和質量數據融合,從而最大限度地提高生產和業務效率。決策數據化本質是通過數據獲取經驗,輔助企業在生產和經營管理中采取策略。 功能平臺化是指企業對內依托質量
200、大數據平臺, 通過各類模塊化軟件, 推進質量大數據應用技術落地;對外通過質量大數據支撐產品質量提升,企業本身即是平臺。 (4 4)完善質量管理工作機制)完善質量管理工作機制 企業應圍繞質量管理能力建設,構建架構引領、規劃先行、部門協同、定期評估、持續進步的系統化管理機制。明確質量管理工作架構,確定質量管理工作的責任部門、職責和權限;規劃選擇質量大數據應用模式,優化質量方針、質量目標,確定資源分配方式,并制定質量管理提升路徑;創新質量部門與業務部門協同工作模式,通過數據管理平臺和研發設計工具, 在正確的時間將正確的數據發送給正確的人與和機器,實現多部門工作無縫連接;開展數據能力成熟度體系貫標,定
201、期評估質量大數據實施后的提升效果;加強質量大數據管理復合型人才培養和鍛煉, 為質量管理和業務工作的持續進步注入活力。 2.2. 強化數據開發利用強化數據開發利用 (1 1) 加強質量數據全加強質量數據全生命周期管控生命周期管控 企業需在實施質量大數據初期梳理數據資產, 包括企業內部擁有的質量數據、需要通過外部整合的質量數據等。合理的數據梳理及整合有利于企業形成系統化的數據管理,為后續打通內部數據孤島、發揮整合效益、推動高質量數據建設提供先決條件。采用智能化業務終端及適當使用各類傳感器, 采集匯聚蘊含在生產制造過程中的質量數據。通過制定企業標準或采納國標等形式,統一質量數據標準,采用專業的數據管
202、理產品和工具、 開發量身定做的數據管理系統用于數據質量大數據白皮書 88 存儲或管理。 采用 5G、 物聯網、 時間敏感網絡等通信手段, 建立及時、可靠的數據傳輸網絡,支撐質量數據流動及無縫匯集。 (2 2)保障質量數據安全)保障質量數據安全 企業需通過不同的技術手段和安全措施, 圍繞質量數據流建立數據安全體系,構筑涵蓋網絡安全、系統安全、數據安全、操作安全等多方位質量數據保護屏障,履行數據安全保護義務。通過網絡安全技術,保證數據處理、存儲安全和維護正常運行;通過具有身份鑒別和認證、權限管理、數據庫加固、審計控制等安全措施保障數據管理系統安全;從集群容災、備份、數據完整性、數據分角色存儲、數據
203、訪問控制等方面保證質量數據的安全;明確安全管理人員職責,強化數據安全管理意識,建立數據安全規章制度,組織開展質量數據安全教育和培訓, 杜絕或降低因安全管理人員操作不當所造成的數據安全問題。 (3 3)提升質量大數據的質量)提升質量大數據的質量 高質量的數據是質量大數據能否起作用的前提。 企業應在數據采集、匯集和傳遞的過程中保證數據無缺失和遺漏,保證質量數據的完整性;在記錄和傳輸質量數據時,高速的傳輸效率滿足業務對信息獲取的時間要求以保證質量數據的及時性; 建立數字化工廠數據標準標識體系,通過建立數據標準標識體系,統一企業數據應用接口滿足業務對數據的使用要求以保證質量數據的統一性; 真實地記錄原
204、始數據,剔除數據噪聲和干擾項,保證質量數據的準確性。提升質量數據的關鍵技術手段包括數據清洗、數據歸約、標準化及格式化等。 (4 4)推動)推動質量質量知識軟件化并持續優化知識軟件化并持續優化 企業應開展質量知識的軟件化,對工業研發技術、生產工藝、業務流程、員工技能、管理理念等知識邏輯化、數字化和模型化,將大量隱性質量知識轉化為各類軟件和信息系統, 并可通過數據挖掘和分 質量大數據白皮書 89 析獲得新的質量知識。加強數字設計工具的開發利用,運用數字分析建模、數字孿生、可靠性設計與仿真、質量波動分析等技術提高產品用戶體驗和質量設計水平。 3.3. 強化技術融合應用強化技術融合應用 (1 1)推進
205、裝備數字化改造)推進裝備數字化改造 企業應加強生產制造裝備改造,一方面應用溫度傳感器、振動傳感器、噪聲傳感器、手持終端等模塊升級生產制造裝備,強化裝備獲取范圍更廣、質量更高的質量數據能力,提升測量精度和動態感知水平; 另一方面對不同類型的機械設備通過統一接口標準的形式進行互聯打通,為質量數據智能流動提供基礎。 (2 2)深化信息技術融合應用)深化信息技術融合應用 深化質量大數據與信息科學技術融合應用,形成智能分析工具,強化質量智能判定、質量預測預警等能力。結合動態數字孿生技術對質量特性、生產物流、能源消耗、工藝參數、設備狀態等維度的信息進行數字化表征,形成質量數字孿生體,方便質量實施反饋生產過
206、程并且為工藝優化和改進夯實基礎;結合人工智能、數據分析等技術,在質量數字孿生體之上實現全流程數據的智能流動, 基于算法實現質量監控、追溯、評級和關鍵參數預測;利用重要性假設檢驗、殘差分析等方法對模型效果進行評估,以實現模型的持續優化,最終通過最優模型實現生產預測與調控。 (3 3)構)構建數據平臺架構建數據平臺架構 企業根據質量全生命周期, 結合工業互聯網平臺構建開放化質量數據平臺,平臺集成多種網絡通信協議、應用協議及數據協議,向下整合硬件資源,向上承載軟件應用,助力企業建立質量大數據資源和應用庫。 (4 4)推進平臺賦能質量管理)推進平臺賦能質量管理 質量大數據白皮書 90 依托統一質量管理
207、平臺實現質量數據的知識化、 數字化、 智能化,通過復用降低管理成本,推動質量管理平臺與研發設計、生產制造平臺集成互聯。最終實現從“文檔手工傳遞”向“業務數據自主流動”的轉變;從“業務驅動”向“大數據分析與建模驅動”的轉變;從“事后分析”到“多維度事中分析”轉變。 6.2 產業側 產業應從夯基礎、凝共識、推政策、定標準、聚資源、做支撐、建生態、設保障八個方向發力,如圖 6.2 所示。 圖 6.2:產業側質量大數據實施路徑指導框架 1 1. . 夯基礎:深入制造業數字化轉型夯基礎:深入制造業數字化轉型 推進制造業數字化轉型,有利于加速質量數據的涌現、流動和積累,有利于實現生產過程全要素、全產業鏈、
208、全生態的全面連接,推動企業形態、生產方式發生根本性變革??赏ㄟ^培育數字化企業、構建數字化供應鏈產業鏈、打造數字化生態等方式,深入制造業數字化轉型。 2 2. . 凝共識:共建質量大數據發展觀凝共識:共建質量大數據發展觀 質量大數據白皮書 91 全行業共建質量大數據發展觀,主要包括質量信息觀、持續發展觀。樹立質量信息觀就是將質量數據的采集、處理、控制、分配能力作為質量提升能力的重要組成部分, 形成符合自身的質量管理體系和商業模式;持續發展觀是指質量大數據不是短時的實施項目,需要持續迭代和完善。不同行業存在不同的質量大數據應用模式,都需放眼未來,推動質量大數據“制定目標-建設規劃-實施執行-迭代改
209、進”循環。 3 3. . 推政策:推政策:強化政策引領與保障強化政策引領與保障 充分發揮稅收優惠、要素傾斜的政策引導和資金扶持作用。宣傳方式上探索官方宣傳引導與線上直播等多渠道融合并行的創新模式,搭建行業質量大數據交流平臺。 在行業層面推廣質量大數據智能制造系統, 在區域集群內推廣質量大數據應用和管理平臺。 突出試點示范,以“賽馬制”、“揭榜掛帥”等攻關組織模式推動建設試點標桿。 4 4. . 定標準:制定相關領域標準體系定標準:制定相關領域標準體系 一是制定質量大數據標準體系。 把握質量大數據發展的特點和規律,整合借鑒國內外相關領域標準化資源,加快質量大數據標準化體系建設。遵循大數據發展規律
210、和標準化工作的一般規律,加快急需領域的標準制定工作,重點支持智能裝備、智能生產線、智能車間、智能工廠等領域的質量大數據技術標準和規范研制。 二是制定貫標服務標準規范。質量大數據標準涵蓋范圍廣,標準種類多, 亟需具有專業水平和標準化知識的貫標組織和機構協助企業的貫標工作。目前貫標服務缺乏規范的服務標準,導致企業貫標質量不高。依托貫標服務標準研制,可全面收集、整理和歸納行業內貫標的先進經驗和成果, 為各相關方提供可依據可參考的貫標服務規范性文件。 5 5. . 聚資源:整合行業質量大數據資源聚資源:整合行業質量大數據資源 質量大數據白皮書 92 圍繞質量大數據的相關領域和行業,整合科技創新資源。一
211、是行業龍頭企業或政府牽頭建設質量大數據公共服務平臺, 對接相關企業、工業互聯網平臺等,整合多維度質量大數據,加快產業集群間互聯互通,打破上下游配套企業數據壁壘。二是行業共建質量大數據聯盟協會,聯盟內企業共同匯聚多元資源與自身優勢,系統梳理產業鏈各要素的質量數據與有效工具等,解決行業質量大數據共性問題。企業間通過相互合作獲得互補性技術與資源, 降低自身質量大數據研發門檻。 6 6. . 做支撐:完善工業基礎能力建設做支撐:完善工業基礎能力建設 完善工業基礎能力建設,支撐質量大數據發展。一是完善面向質量大數據的網絡基礎設施建設,推動互聯網、物聯網、云計算融合發展,促進數據中心、服務器、感知設施與管
212、帶網絡的優化匹配和協同發展,為企業間、部門間、設備間的質量數據交互奠定基礎。二是增強技術支撐服務能力,依托科技重大專項,突破質量大數據相關領域研發設計工具、管理系統、應用軟件等關鍵技術瓶頸,培養面向行業的系統解決方案供應商。 7 7. . 建生態:建立具有競爭力的產業生態系統建生態:建立具有競爭力的產業生態系統 一是推動生態系統觀落地。 鼓勵企業圍繞質量大數據培育新技術、新業態及新商業模式,支持企業圍繞產品、設備、客戶、供應鏈構建質量大數據平臺系統及解決方案能力。二是推動產業集群建設。不斷豐富創客、眾包、眾籌等方式,推動科技創新與管理創新、體制機制創新融合的全面創新, 帶動產業集聚。 三是完善
213、集群內公共服務體系。推動建立和完善面向質量大數據的產業計量、 檢測認證等集群內的公共服務體系,培育提供咨詢診斷、項目實施和運行維護等全流程質量管理提升服務的專業機構。 8 8. . 設保障:設置人才培養和數據安全保障設保障:設置人才培養和數據安全保障 不斷培養相關人才和持續維護數據安全, 是推動質量大數據建設 質量大數據白皮書 93 的堅實保障。一是培養創新人才。探索建立面向質量大數據的教育理念、學科體系和培養模式,培養具有創新精神并創造出新產品、新服務、新生產模式的人才,持續為質量大數據發展賦能。二是加強制造系統的數據安全維護能力,培養企業、產業鏈和生態應對數據安全隱患的“可發現力”、“可防
214、范力”和“可恢復力”。 質量大數據白皮書 94 7. 質量大數據的未來展望 7.1 技術發展趨勢 質量大數據的技術發展趨勢主要從數據采集、質量分析、質量應用等方面展開,如圖 7.1 所示。 圖 7.1:技術發展趨勢 1.1. 數據供給方面,數據供給方面,數據采集時間、頻率、范圍都將變化。數據采集時間、頻率、范圍都將變化。 (1 1)數據采集時間從定時到實時)數據采集時間從定時到實時 當前由于系統本身以及企業沒有選擇最適合自己的數據采集系統等原因,難以全面實現數據采集的實時性;未來隨著傳輸寬帶增大及傳感器的普及,質量大數據采集將變得普及和透明化,實現全周期實時采集。 (2 2)數據采集頻率從抽檢
215、到全面監測)數據采集頻率從抽檢到全面監測 目前質量大數據采集由于經濟成本等原因一般是按照一定的概率進行隨機抽檢,難以全面實現數據采集的完整性;未來隨著,質量大數據采集將實現全面監測。 (3 3)數據采集范圍從單一環節到全環節)數據采集范圍從單一環節到全環節 質量大數據白皮書 95 目前由于質量分析方向等原因, 質量大數據采集往往聚焦于研發設計、生產制造、經營管理、運維服務等環節中的一個環節;未來隨著以質量為中心的全維數據關聯模型的應用, 將實現全環節數據采集,并且不同環節的數據將形成關聯。發生質量問題時,不需要人工來回翻閱不同系統的資料進行排查。 2.2. 質量分析方面,分析深度質量分析方面,
216、分析深度越來越深,以下需求越來越強烈。越來越深,以下需求越來越強烈。 (1 1)多領域整合分析)多領域整合分析 質量大數據具有領域特征, 工業場景的邊界由專業領域的機理進行約束,因此,分析過程注重數據模型和機理模型的融合(如關鍵工藝指標、經驗公式等)。同時,質量大數據具有數據來源差異性、高維性及稀疏性等特點, 如何挖掘數據集間的異質性和共同性并降維去噪是質量大數據分析的目標與挑戰之一。 隨著數據采集的維度、 環節、頻率增加,數據來源領域的差異性和異構性將越來越大,需要能同時分析多個獨立數據集,避免因地域、時間等因素造成的樣本差異而引起模型不穩定。 (2 2)多物理場耦合分析)多物理場耦合分析
217、當前的質量分析主要關注于某個專業領域,比如應力或疲勞,但是,一般來說,物理現象都不是單獨存在的。例如,只要運動就會產生熱,而熱反過來又影響一些材料屬性,如電導率、化學反應速率、流體的粘性等等。物理場間傳遞的物理量或物理現象,構成了耦合的多物理場。未來的質量大數據分析將實現多物理場耦合分析,使得單個物理場的載荷由于輸入合理,使得求解結果更為精確;物理場間傳遞的物理量更為清晰;質量設計優化的空間加大。當然,對各種耦合問題進行分析,必須推導出相對應的耦合方程,其難度將是巨大的。 (3 3)多時空耦合分析)多時空耦合分析 質量大數據白皮書 96 質量大數據往往具有時序特征,生產過程指標多為時序數據,典
218、型的序列數據特征包括單序列原始值、單序列單值特征等。未來的質量分析將實現多時空耦合分析,充分考慮不同時間序列、不同空間的數據,通過模型進行耦合分析,從而在更大范圍、更廣空間、更長時間對質量進行分析, 從而推導出原來依賴人的知識與機理模型等推導不出來的結果。 3.3. 質量應用方面,越來越強調與質量改進、風險預防和質量評質量應用方面,越來越強調與質量改進、風險預防和質量評價的業務閉環。價的業務閉環。 (1 1)質量改進應用)質量改進應用 應用質量數據,分析工業裝備研制生產狀況,發掘、預防和改進薄弱環節,是質量大數據在提升質量管理能力方面的典型應用。如綜合分析產品研制生產過程中的故障數據,結合產品
219、研制生產特點,改進不合理環節,促進研制生產管理水平的提升。如何高效利用已有的定制設計進行質量管控, 如何從檢測角度處理海量數據, 如何對挖掘、滿足客戶潛在的設計需求進行定制化檢測, 這將是質量大數據所需要面臨解決的問題。 當前質量管理著力點應用于質量自動檢測、提高工藝認識等。未來質量大數據將更加著力于控制參數優化、質量根因分析,質量要求反映在設計與生產等前端環節, 自適應、 自反饋, 實現工藝設計優化、在線控制、實時化數據計算、個性化的數據預測和異構化的數據集成的任務目標等。同時,未來基于質量大數據的質量管理體系朝著智能化、精確的質量控制能力方向發展。全面運用大數據分析技術指揮質量要素的管控,
220、能夠實現在線細微操控。從微笑曲線的上游去提高質量,質量大數據產生的效益將大大增加。 (2 2)風險預防應用)風險預防應用 制造業企業在數字化轉型過程中, 生產運營過程中將面臨較多生 質量大數據白皮書 97 產及質量管控的不確定因素。而在這個過程中,不僅要防止或減少產品缺陷,提高加工實效、設備效率、可靠性和安全性等,還要考慮到加工工藝、生產環節、設備性能、零部件磨損、運行風險等因素。未來通過質量大數據分析,就可以對各種不確定因素進行實時監控,應用質量數據,通過對比分析、仿真分析等技術,分析產品研制生產過程的質量狀況,發掘風險源,消除潛在隱患,盡可能地為企業的生產運行規避風險,將檢測實時數據反饋智
221、能工廠,提升研制過程產品質量。 (3 3)質量評價應用)質量評價應用 現階段質量評價主要是運用用戶滿意度和基于標準規范測評的方法,是基于主觀角度的用來發現和解決質量問題的質量管理工具,不能全面反映包括服務組織的提供過程和提供能力在內的客觀全面的產品質量水平。未來,可以在大數據收集技術的支撐下,將原先單純通過主觀評價的方式拓展到主客觀評價相結合的方法, 而且通過大數據的手段可以更好的解決統計調查中存在的精度和系統性誤差問題,真實全面的反映產品質量水平。 按照產品性能、使用要求等,構建產品質量評價指標,應用質量大數據,開展產品的質量評價,提高產品交付率,是質量大數據在保證成功方面的典型應用。綜合應
222、用產品形成過程的質量數據,分析產品質量狀況和性能水平,將成為掌握系統級產品質量的有效途徑。 7.2 業務發展趨勢 1 1. . 以應用場景為中心的質量以應用場景為中心的質量將成常態將成常態 目前對于質量指標定義一般采用固化的指標, 未來更多將由應用場景定義。質量指標需要考慮產品使用中的性能要求,形成以使用為質量大數據白皮書 98 中心的質量。 例如光伏面板的質量, 需要考慮期服役環境 (沙漠多沙、沿海潮濕)。 2 2. . 產業供應鏈生態層面的質量協同優化產業供應鏈生態層面的質量協同優化 隨著裝備產品越來越復雜、包含的部件越來越多,產業專業垂直化分工導致產品的供應鏈拉長。產品部件可能由很多不同
223、企業生產,質量改進不僅僅是一個企業內部的事情, 需要供應鏈上下游共同改進。如很多裝備的質量控制,需要與零部件提供商的質量控制協同?;诠I互聯網的質量協同管控、聯合研發將變得更加重要。 3 3. . 建設質量大數據資源庫建設質量大數據資源庫成必然選擇成必然選擇 大數據的競爭實質是數據資源的競爭。 質量數據資源主要包括用于質量改進的故障數據、用于風險預防的過程數據,以及用于質量評價的數據產品。隨著產品研制的復雜性、定量化和注重過程控制的發展趨勢,重大質量決策越來越依賴于質量數據資源的支持。建設公共質量數據資源庫,將成為必然選擇。特別是在目前工業大數據、智能制造飛速發展的時期, 開展質量數據資源建
224、設對提高中國工業質量管理和決策水平、促進產品質量水平快速提升具有十分重要的意義。 7.3 產業發展趨勢 質量分析能力是質量大數據的發揮價值的核心。 當前大數據產品與服務產業發展的主要矛盾是供給能力與需求的不匹配, 將呈現以下發展趨勢。 1.1. 質量分析能力將以企業內生力量為主質量分析能力將以企業內生力量為主 目前質量分析作為工業企業外購的軟硬件整體解決配套的專業服務,主要以第三方專業分析為主。未來,質量大數據分析將成為工業企業日常研發生產的重要一環, 與日常業務和工藝的耦合性將更強,分析的頻率和持續性將更大,要以企業內部工業分析師為主。 質量大數據白皮書 99 2 2. . 質量分析需要更強
225、行業背景質量分析需要更強行業背景 質量分析不再是某個員工、某個部門的獨有工作,質量分析資源將分布在各個制造工藝環節,形成自主質量創新的文化。共性的分析技能和大數據知識需要企業統籌建設,構建共性的數據加工車間。不同于現在質量大數據服務公司多數為大數據公司從事質量分析, 未來質量大數據分析方將有更強的行業屬性和質量背景。 提高企業的質量創新迭代能力是分析資源組織形式的本質目標。 3. 3. 質量質量大數據大數據技能的公民化技能的公民化 在很多工業質量應用領域, 專業知識和背景信息的流動性和傳遞效率很差,遠遠低于分析技術能力的傳遞,根據組織經濟學原理,最佳的組織形態應該是分析技能向質量領域移動,也就
226、說,讓質量領域專家掌握基礎分析技能,同時通過軟件平臺工具適當降低使用門檻。大部分工業分析問題都遵循 8:2 原則,80%的問題可用 20%技術算法就可以解決,把其余 20%的技術難題留給第三方技術服務商或學界。通常的做法是分層化,底層解決共性問題,但距離業務應用遠,逐層縮小范圍增加聚焦,在通用性和適用性間折中。 質量大數據白皮書 100 8.質量大數據典型案例 作為質量大數據應用案例集, 本案例集重在通過對應用案例的剖析,揭示如何通過數據驅動來提高整個生產服務過程的針對性、準確性、靈活性及高效性;實現企業對質量的實時管理和精準控制,生產出高質量的產品,提供高質量的服務;最終帶動全行業實施質量管
227、理數字化轉型升級,不斷催生新的增長點。 質量大數據應用場景頗多,不同場景發揮的作用不盡相同。在設計階段,結合質量大數據進行質量研發設計優化,對產品進行生產階段前的故障分析和糾正措施,提升產品質量特性。在生產階段,打通企業內部不同系統間的數據孤島, 使生產設備采集的產品相關質量大數據用于產品質量預警、優化產品的設計研發。設備在運行過程中,基于質量大數據實現對設備健康狀況、故障頻發區域與周期的監控,預測故障的發生, 從而大幅度提高運維效率。 在企業供應鏈協同層面,實現現供質量預警從制造向上游研發、產業鏈及用戶的覆蓋,驅動智能制造質量管控從事后攔截向事前預測、預防方向轉變。 為了解決大數據應用過程中
228、各方關切的痛點問題, 國內質量大數據服務廠商和研究機構紛紛開展了質量大數據應用研究, 并推出了包括數據可視化、質量預警、來料預警和數字孿生等功能的數字化解決方案和實踐。 本案例集收集了部分廠商在企業生產過程中的質量大數據實踐,并對方案做出詳細介紹。 質量大數據的管理模式和應用方法正深刻影響智能制造質量提升的研究與實踐, 數據思維開始對質量管理機制和執行方式產生顯著影響,其典型模式包括:以產品質量為導向的設計優化、以生產質量為導向的工藝優化、以質量為導向的生產設備預測性維護、面向供應鏈的質量協同優化和質量公共服務與新生態。 質量大數據白皮書 101 8.1 以產品質量為導向的設計優化 以產品質量
229、為導向的設計優化實現的關鍵是在設計階段, 構建產品質量特性協同設計數據庫和質量特性知識圖譜, 結合產品研制過程中質量特性協同設計分析工作流程, 提出質量特性知識智能推送方法,實現質量特性協同設計知識在產品研制過程中的智能應用, 從而有效提升產品質量特性工作效率和知識應用水平。 典型案例:印制電路板產品質量研發設計協同典型案例:印制電路板產品質量研發設計協同 1.1. 案例背景案例背景 PCB 行業具有研發設計需求多、工序路線長、追求產品良品率等特點。 而目前多數企業積累的大量產品全生命周期品質數據在研發設計階段并沒有得到充分利用,尤其是失效模式及后果分析(FMEA)工作操作不規范,難以從根本上
230、解決產品研發成本、返修率和客訴率都較高的問題。 應用企業:博敏電子股份有限公司是廣東省高端電路板(PCB)行業龍頭企業之一,其產品廣泛應用于通訊設備、醫療器械、檢測系統、航空航天等領域,對質量研發設計協同有較高需求。 服務商:工業和信息化部電子第五研究所(中國賽寶實驗室),又名中國電子產品可靠性與環境試驗研究所, 是中國最早從事質量可靠性研究的權威機構。 “賽寶質云”是集全所質量可靠性專業優勢打造的工業互聯網平臺,平臺充分發揮質量服務行業的“連接”效應,將質量可靠性工作方法、 技術、 模型、 工具、 經驗知識等共性能力 APP化、微服務化、智能化封裝并與行業個性化需求連接,切實解決企業發展過程
231、中遇到的各種質量痛點、 難點問題。 AutoFMEA是 “賽寶質云”平臺的核心軟件。軟件遵循七步法分析流程,采用圖形化、流程化、知識圖譜等新形式, 實現 FMEA 與企業質量研發設計過程的深度融合?!百悓氋|云”為電子信息、汽車電子、家用電器、數控機床、工程機質量大數據白皮書 102 械、 航空航天等行業提質增效降本提供線上線下的質量可靠性服務能力和一站式整體解決方案。 2.2. 業務痛點業務痛點 傳統的質量工作是根據產品研制工作計劃, 由產品專業技術人員分階段進行系統功能架構、邏輯架構、物理結構等功能特性設計,由質量工作人員逐項開展可靠性建模、FMECA(Failure Mode Effect
232、s and Criticality Analysis)、FTA(Fault Tree Analysis)、測試性分析等質量特性工作,工作項目眾多,質量數據采集效率低下且數據集成能力薄弱, 不同設計分析工作的過程數據與結果數據互不流通,形成信息孤島,導致工作效果難以保證,工作效率難以提高。主要體現在: (1)質量數據利用率低 企業已積累了大量的產品全生命周期品質的質量數據, 但這些數據在研發階段并沒有得到充分利用,不能很好地開展 FMEA 工作。 (2)數據標準化程度低 企業的產品質量歷史數據以結構化、 非結構化的形式分散在各類文檔中,并且涉及產品結構、工序過程、生產設備等要素,數據標準化度低。
233、 (3)質量研發設計業務流程混亂 質量研發設計業務流程、文件邏輯混亂,無法指導計劃和執行文件的制定, 對設計和生產缺乏貢獻。 新標準的推行升級了 FMEA 方法,FMEA 轉變為以過程為導向的系統分析, Excel 編寫文件難度大大提高,FMEA 淪為書面工作。 (4)質量研發設計應用未有效落實 對應的產品和過程的開發計劃沒有得到充分的落實, 控制計劃要求沒有完全識別,預防措施等工作閉環效果差。 質量大數據白皮書 103 3.3. 解決方案及實施過程解決方案及實施過程 基于數據驅動的質量特性協同可實現質量特性數據規范化處理,降低設計過程中對設計人員的經驗依賴,提升設計效率,實現標準化設計分析和
234、防呆防錯。 博敏電子于 2020 年啟用工業和信息化部電子第五研究所“賽寶質云”的 AutoFMEA 工具。結合產品品質數據量多、數據繼承性強、更新機制要求高等 PCB 行業特性需求,AutoFMEA 軟件嚴格按照行業最新標準“七步法”流程,在 APP 中構建 PCB 產品結構樹、功能樹/網、失效樹/網和風險分析網,構建產品“結構-功能-失效”關系,開展質量薄弱環節的識別、 分析和優化。 博敏電子逐步建立起標準化、半自動化的設計 FMEA 和過程 FMEA 工作流程, 有效實現 PCB 產品與質量設計的平臺線上協同、圖形化交互和數據快速關聯。 圖 8.1. AutoFMEA 軟件技術路線介紹
235、該解決方案的實施步驟包括三個階段: (1)標準化質量數據庫構建。按照行業標準要求、企業數據模板,歸集分散在紙質文檔中的產品質量歷史數據,并在 APP 中批量導FMEA策劃人員團隊、資源、目標與職責界定基礎數據的維護軟件字典庫、數據庫等初始化母版FMEA的構建設計輸入/APQPDFMEAPFMEA產品特性清單設計BOM控制計劃SOP作業指導書產品生產設計文件客戶需求審批發布FMEA的構建(DFMEA/PFMEA)版本迭代特性清單預防控制定期審核,更新修訂策劃與準備結果文件化結構分析功能分析失效分析風險分析優化措施落實過程特性清單新設計、產品變更ERP工序流程BOM產品質量問題數據失效清單、圖片附
236、件售后問題反饋返修率、故障率總體流程軟件運行FMEA工作質量問題溯源數據輸出反饋質量大數據白皮書 104 入, 形成涵蓋生產設備清單、 產品結構、 工序過程、 作業要素、 功能、失效模式、風險評分以及預防優化措施等質量共性數據庫。 (2)FMEA 分析流程固化。組建跨部門 FMEA 工作小組,針對企業質量管理的不同角色設定多維度權限,結合軟件工具應用,制定作業要素管制圖、不合格品管理流程、相應的預防控制機制,固化有效、及時、標準的 FMEA 分析流程。 (3)工具拓展及深度應用。一是將 AutoFMEA 與博敏電子已有信息系統集成, 實現質量數據互聯互通; 二是基于博敏梅州廠應用情況,推廣到其
237、深圳、江蘇等多地廠區,促進集團內深度協同應用。 4.4. 應用成效應用成效 通過“軟件工具+培訓咨詢”整體解決方案賦能,博敏電子初步實現了產品質量研發工作的數字化轉型,平臺化、標準化、流程化水平顯著提升。截至目前,博敏電子已實現: (1)梳理 100 多個印制電路板工序經驗點。 (2)識別 3000 多個潛在風險。 (3)沉淀下 500 余個 PCB 產品工藝改善點。 (4)基于經驗知識的積累,設計研發效率預測提升 10%。 (5)多公司、多工廠、多部門異地開展質量研發設計工作的應用場景和使用需求。 企業基本實現了產品質量管理的無紙化, 奠定了企業產品全生命周期質量數據協同的基礎。 8.2 以
238、生產質量為導向的工藝優化 以生產質量為導向的工藝優化是指通過對產品生產過程工藝數據和質量數據的關聯分析,實現工藝模型優化和工藝控制優化,從而使產品質量、性能得到有效控制,提高工廠柔性化生產水平。 質量大數據白皮書 105 8.2.1 工藝質量參數優化 當前我國部分制造業屬于半流程型生產(如中藥制造、食品加工等),質量波動會隨生產過程在原料和各工序中逐步傳遞,最終影響產品質量。 基于質量大數據的工藝質量參數優化能在生產過程中對某些參數提供智能調參建議,并實時反饋至執行系統,從而避免質量事故的發生。使企業達到提高生產效率和產品質量均一性、降低不良品率、綜合能耗和運營成本的目的。 典型案例典型案例
239、1 1:中藥質量分析與控制系統:中藥質量分析與控制系統 1 1. . 案例背景案例背景 傳統中藥制造屬于質控與分析手段存在檢測滯后的問題, 并且缺乏對海量數據的分析,很難發現潛在影響因素,導致產品質量波動難以控制。 將人工智能算法與智能工廠產生的大數據應用于產品質量的分析與控制,是解決質量一致性問題的有效手段。 應用企業:江蘇康緣藥業股份有限公司是集中藥研發、生產、銷售為一體的大型中藥企業。致力于打造中藥智能制造體系,實現對制劑生產過程參數的預警和實時反饋調節,并優化制劑工藝,建立中藥產品質量的批批一致、段段一致、點點一致生產質量控制體系。 服務商: 北京中醫藥大學是一所以中醫藥學為主干學科的
240、全國重點大學,面向智能制造的國家重大戰略需求,不斷深化系統科學、信息工程與可靠性工程等交叉科學理論與方法在中藥生產過程控制中的應用。通過整合、統計、分析、挖掘等過程形成中藥智造知識,為企業提供決策支持。從智能設計、智能檢測、智能建模和智能控制四個方面, 創建了中藥生產過程質量控制和智能制造可靠性關鍵技術體系。 2 2. . 業務痛點業務痛點 質量大數據白皮書 106 (1)中藥制造缺乏信息化的在線和離線過程質量控制手段,造成質量參數不穩定。 (2)缺乏智能化的質量數據收集、分析和反饋機制,單元技術的耦合、設備的工程化和適應性程度低,存在大量“信息孤島”。 (3)缺乏成熟的生產質量追溯系統和流程
241、化的管理模式,造成物料損失大、收率低、除雜效率差、生產周期長、質量穩定性差、能耗高、污染重等問題。 (4)缺乏對日常生產數據的充分利用,造成信息價值浪費,不利于產品質量的分析和持續改進。 3 3. . 解決方案及實施過程解決方案及實施過程 康緣藥業與北京中醫藥大學研發的 “基于中藥質量數據庫的決策系統”從生產線上采集的質量數據,先存入數據庫進行整理和儲存,再由分析人員調取并利用專業分析工具建立質量預測反饋模型。 預測反饋模型利用生產過程數據,進行在線預測計算,當預測質量值小于臨界值時觸發報警。隨后,系統會結合關鍵參數的相關性做出智能調參決策,并將調參建議反饋至執行系統,從而避免質量事故的發生。
242、至此完成一個數據反饋的調節閉環,達到減少質量波動的效果。其中包括以下技術細節: 圖 8.2:質量分析與控制系統的技術架構 質量大數據白皮書 107 (1)數據采集階段集成 DCS、PAT、SCADA、WMS、MES、ERP 等相關系統的質量數據,打破數據孤島,形成生產質量數據、工藝數據、設備數據等數據庫,用于后續的數據統計分析、挖掘與建模。同時引入批次管理概念,提升數據存儲條理性、降低采集難度,利于生產制造的縱向比較。 (2)系統在預處理階段優先處理缺失值,根據統計學手段判定缺失機制, 根據數據特點選擇填補或刪除。 隨后進行探索性數據分析,通過圖表、方程擬合、統計量計算等方式探索數據集的結構規
243、律。采用的分析處理技術包括可視化分析、相關性排查、轉移率分析、數據平衡性處理、RSD 計算等,必要時需利用歸一化、降維等手段進行變量處理,以滿足后續建模需求。 (3)數據挖掘階段針對生產過程特點和質量優化目標,采用偏最小二乘回歸 (PLS) 、 決策樹 (CART、 TreeNet) 、 人工神經網路 (ANN) 、支持向量機(SVM)等算法建立質量傳遞規律模型定位關鍵工序、識別關鍵工藝參數。利用重要性假設檢驗、殘差分析等方法對模型效果進行評估,以實現模型的持續優化,最終通過最優模型實現生產預測與調控。 (4)決策執行階段,系統結合關鍵參數的相關性,使用質量預測反饋模型給出某個或某幾個關鍵參數
244、的智能調參建議, 并實時反饋至執行系統,指導生產系統進行合規性自適應調整,從而避免質量事故的發生。 4.4. 應用成效應用成效 (1)經濟效益 案例將系統應用于 3 種劑型的中藥生產線, 涉及到的產能為中藥注射劑 8 千萬支/年、硬膠囊劑 34 億粒/年、中藥片劑 18 億片/年,全面提升了相關產線的產品質量管理水平, 解決了產品質量波動性問質量大數據白皮書 108 題,有效提升了產品質量均一性。同時,有效避免了因信息孤島造成的調控延誤和原料浪費,降低了企業運營成本,進一步提高企業生產產值和公司利潤,增加了企業的競爭力。江蘇康緣藥業股份有限公司和其他企業成立中藥智能制造新模式應用聯合體,累計實
245、現產值279.2 億元。 (2)質量效益 通過基于中藥質量數據庫的決策系統的應用, 實現了海量生產數據的提取與分析。指導制造執行層進行合規性自適應調整,全面提升實時在線優化和智能決策水平。 系統的應用實現了產品生產效率提高24.56%, 能耗降低 27.82%, 質量均一性提高 34.40%, 應用效果良好,可推廣至其他同類產線的實際生產中。 典型案例典型案例 2 2:半導體制造極致品質控制解決方案:半導體制造極致品質控制解決方案 1.1. 案例背景案例背景 半導體顯示是典型的高科技和重資產行業, 是我國國民經濟的戰略支撐和大國角力的核心抓手。 半導體顯示行業對品質和良率有近乎極致的要求,作為
246、面板生產企業最為重要的考量參數,良率提升將直接影響和優化生產周期,極大降低生產成本,進而提升企業的市場競爭力。因此,液晶面板生產領域的良率提升是一個極其復雜的系統性問題, 需要形成一個全面實時數據分析和工程過程控制 (Engineering Process Control,EPC)的品質控制閉環,通過持續的調整和優化操作變量來補償生產變異對制程所造成的干擾與影響, 保持輸出產品品質的穩定。 應用企業:TCL 華星光電技術有限公司(簡稱“TCL 華星”)成立于 2009 年,是一家專注于半導體顯示領域的創新型科技企業。作為全球半導體顯示龍頭之一,TCL 華星以深圳、武漢、惠州、蘇州、廣州、印度為
247、基地,目前擁有 8 條面板生產線、4 座模組廠。 質量大數據白皮書 109 服務商:格創東智(深圳)科技有限公司(簡稱“格創東智”)孵化于中國 500 強企業 TCL,是我國領先的工業互聯網平臺服務商。公司依托 TCL 集團 40 年工業場景和制造基因沉淀,基于“面向工業現場”的研發方向和“安全、智能、協同”的發展理念,深度融合人工智能、大數據、云計算、物聯網等前沿技術,打造了新一代具有自主知識產權的工業互聯網平臺。 平臺具備海量的設備接入與數據采集能力、超高頻的大數據分析處理能力、快捷的工具套件開發能力、豐富的人工智能工業算法開發與應用能力。平臺已經在芯片制造、液晶面板等近 30 個行業落地
248、,為客戶提供從邊緣數據采集、工業大數據分析到工業 APP 應用開發一站式解決方案。 2 2. . 業務痛點業務痛點 影響和制約半導體顯示生產企業良率提升的主要原因在于: (1)制程工序復雜導致質量誤差積累。 產品需要經過幾百道復雜的工序加工, 每個工序都要求幾乎100%的良率,否則,誤差流(Manufacturing Error Flow,MEF)的傳遞和累積(良率乘積關系),會迅速破壞良率水線。 (2)制程高度重入導致高變異降低產品質量。 產品需要多次重復進入相同的制程進行加工。 在每一個子制程都可能發生漸進偏移(Shift)或突變漂移(Drift)等變異現象,導致必須根據變化來修正制程方案
249、(Recipe),修正制程方案本質上也是變異現象。 而質量與變異性成反比, 產品質量問題的根源在于高變異。 (3)生產質量實時控制難度高影響產品質量數據獲得。 良率故障只能通過檢測發現, 檢測占據約15%的生產周期。 因此,考慮生產成本和生產周期一般只能采用抽檢的方式。 面對高節拍的生產,檢測本身的滯后性和抽檢的概率性,嚴重影響生產質量數據的實質量大數據白皮書 110 時獲得,進而影響產品質量的實時控制,從而造成導致大批不良品產生和流入下一工序的風險。 3 3. . 解決方案及實施過程解決方案及實施過程 極致品質控制解決方案以生產環境 (工業互聯網) 與現場測量 (抽檢量測&虛擬量測)的質量數
250、據為依據,利用數據驅動、反饋控制、局部優化等方法, 建立智能計算模型在生產過程不間斷的情況下補正和調優設備參數,達到補償生產過程擾動、提升生產品質的目的。其總體技術架構圖如下: 圖 8.3:總體技術架構 (1)質量數據采集 BC(Block Control,機臺自動化控制系統),用于采集機臺重要的參數、制程數據、玻璃在機臺每個位置的數據。 (2)質量數據集成 制程數據,量測數據及機臺的制程工藝數據經過分類和解析,存放到 DB 和內存中。 (3)R2R 控制器 根據設備補值原理推出并建立了 offset(偏移量)補值模型、Tooling 膜厚補值模型、Dose 模型、Overlay 模型,經過模
251、型計算出 質量大數據白皮書 111 來數據后直接傳輸到控制層, 控制層根據相應規格和標準值進行比對確定是否可以直接對機臺進行應用。 (4)應用層 將模型優化的結果應用至智能調參監控、產品質量監控等。 4 4. . 應用成效應用成效 基于工業互聯網平臺的極致品質控制解決方案已經在武漢華星光電 t3,t4 廠的一些關鍵制程進行部署并上線應用。 (1)經濟效益 其中,在曝光機設備 8 條線,提高產能 500 片/年,減少產線成本共計 47 萬元/年,每年可增加效益金額 245.1 萬元;在 8 臺蒸鍍機設備上,節約成本共計 170 萬元/年,可增加效益金額 256.47 萬元/年。 (2)質量效益
252、良率提升:曝光機設備 8 條線每年可減少報廢損失 22.24 萬元/年,8 臺蒸鍍機設備減少人為參數輸入損失約 87 萬元/年。 典型案例典型案例 3 3:汽車質量管理及大數據分析系統:汽車質量管理及大數據分析系統 1 1. . 案例背景案例背景 質量數據是質量管理的血液, 是實現以事實為決策依據的必需保障。但是,目前汽車企業的大部分質量數據卻得不到有效應用。一方面, 分散于各系統保存的數據難以進行準確快速的檢索、 查詢、 統計、分析及追溯;另一方面,大量有價值的質量經驗得不到有效的保存、整理、積累、傳承、共享和利用,使某些質量問題重復發生。汽車生產缺少涵蓋生產過程、 質量改進過程及售后市場問
253、題的質量管理信息化平臺,缺少對質量數據的收集及分析、質量信息的獲取及反饋、質量管理業務工作提供支持的信息系統,已嚴重制約了質量整改、質量改進、質量成本管理等大量工作的展開和質量保證、監控的效率。 質量大數據白皮書 112 應用企業:長安汽車是中國汽車四大集團陣營企業,擁有 159 年歷史底蘊、37 年造車積累,全球有 14 個生產基地,33 個整車、發動機及變速器工廠。經過近幾年的信息化建設,大大提升了企業運營管理的信息化水平。但是在質量管理方面,依然存在完全依靠人工和紙質單據流轉,依托管理文件、通過人工方式進行質量管理,產品的質量數據都是通過紙質記錄進行搜集、整理,質量管理沒有完全實現信息化
254、,因此對質量管理的信息化提出了需求。 服務商:??怂箍凳菙底只畔⒓夹g解決方案的革新者,以“推動以質量為核心的智能制造”為核心,打造了完整的智能制造生態系統, 實現覆蓋設計、 生產以及檢測的全生命周期閉環管理, 達成綠色、高質量、低成本的智能工廠目標。??怂箍抵圃熘悄芗夹g(青島)有限公司的產品方案覆蓋汽車、 航空航天、 機械制造、 電子、 醫療、 重工、能源、模具、教育等多領域、多產業集群。企業致力于通過完善的設計工程、生產和制造、測量技術和智能制造技術,有效幫助用戶實現產品質量、效率和生產力的提升。 2 2. . 業務痛點業務痛點 (1)設備類型眾多,質量數據格式多樣 產線上各種檢測設備輸出
255、的質量數據格式不盡相同, 這給設備的互聯互通,檢測數據的自動化采集帶來了極大的挑戰。 (2)信息化系統多,數據孤島普遍存在 企業的信息化系統較多,如 MES 系統、桁架系統等。很多系統之間還未實現互聯互通,信息孤島現象普遍存在。因此,質量大數據系統需要與其他信息化系統集成,以獲取更多的質量數據附加信息。如需要跟桁架系統集成, 從桁架獲取工件的完整附加信息, 包括零件號、產線、動力頭、零件 ID、圖紙版本號、檢測原因等。 (3)質量數據分析不規范,流程及算法不統一 質量大數據白皮書 113 質量數據分析以 Excel 等工具線下分析為主, 沒有同一的數據分析流程及算法, 分析結果受到質量數據分析
256、人員的主觀因素影響較大,數據分析結果正確性難以得到保證。 3 3. . 解決方案及實施過程解決方案及實施過程 依托??怂箍倒镜?SMART Quality 及 Q-DAS 系統, 建立一套質量管理及質量大數據系統平臺,實現覆蓋測量業務,包括測量資源、全生命周期測量數據、統計分析(SPC)、質量大數據、測量報告發布、問題管理、權限管理等功能,以提高企業總體質量管理水平。技術路線圖如下所示。 圖 8.4:項目技術路線 (1)檢測規劃階段,SMART Quality 系統負責與 PDM/CAPP 系統集成,獲取圖紙或結構化工藝數據,提取標準三維工藝圖紙所涵蓋的檢驗計劃信息,支持對檢驗計劃進行二次編
257、輯和版本管理,支持對檢驗計劃特征進行分組管理,滿足檢測任務并行分拆和報告合并; (2)檢測執行階段,現場工序和成品檢驗任務由 MES 系統進行統一管理,SMART Quality 系統負責現場檢驗任務調配和執行管控,包括執行、采集和反饋檢驗數據等,系統能夠通過接口將檢測結果、檢測數據回傳至質量信息管理系統。 質量大數據白皮書 114 (3) 質量數據采集與監控階段, SMART Quliaty 系統將所有測量設備/終端的互聯互通后, 采集量具、 CMM 檢測設備等質量檢測設備的檢驗數據,通過 AQDEF 格式轉換接口,按照統一任務標識進行數據合并,形成完整統一的測試報告,校核后進行數據存儲歸檔
258、。 (4)質量數據分析與可視化階段,SMART Quliaty 系統提供 Q-QDAS 質量大數據分析引擎, 對于系統采集的結構化、 數字化檢驗實測值,將與設計工藝要求進行比對,并給出判斷結果,對于不合格信息進行預警提示。測量數據可以與公司其他業務管理系統進行集成,通過接口獲取質量相關的工藝數據、設備運行數據等相關數據,以支持質量的相關性分析,推動過程質量的持續改進。 本質量管理系統的總體業務構架如圖 8.5 所示。 圖 8.5:系統功能架構 質量管理系統將覆蓋制造企業的整個產品質量過程, 并進行科學的資源管理與規劃,發揮質量數據的分析意義,將大數據分析應用于產品的全生命周期中??茖W構建充分必
259、要的測量基礎能力,提升全廠的質量檢測水平,同時實現測量終端和設備的互聯互通。與主要的業務系統 MES 進行無縫集成,保障業務執行過程的廠暢通,實現真正意義上的智能工廠。 4 4. . 應用成效應用成效 質量大數據白皮書 115 案例應用于長安汽車上線的缸體、缸蓋、曲軸共 9 條產線,724 小時加工,涉及到 43 個檢臺。 (1)經濟效益 質量數據記錄、匯總工時極大縮減,自動數據采集降低人工記錄出錯率,提高檢驗數據真實性。使用該模塊可以節省人工 1 人每年工時。通過提供數字化檢測平臺能力提升建設及智能化、自動化檢測儀器引入,計劃提高產品一次交檢合格率 20%以上,預計降低成本 5%,提高效率
260、20%。 (2)質量效益 與現場各種信息載體如 RFID、二維碼實現無縫對接,與桁架、MES 系統實現深度集成?,F場所有手動檢臺均實現自動化測量、無紙化信息交互、數據自動采集并自動整合到中央數據庫。并納入了各種類型的測量工具,實現車間級檢驗設備的互聯互通。 測量設備監控與可視化可監控設備實時使用情況及設備利用率,并充分整合資源, 預估設備利用率最低可再提升 5%-10%左右。 通過對檢測數據優化提升分析,建立質量改善目標,基于優化分析方法,分析質量改善目標影響的關鍵因子,對關鍵因子改善,提升質量,可縮短質量改善項目周期達 30%以上。 8.2.2 工藝質量缺陷識別 我國電子信息制造業企業在數字
261、化質量控制與質量提升、 多業務階段高效質量協同等“軟性”方面仍有差距,產線產品質量(缺陷)的分析不全面(追溯、控制、預測等)是困擾電子制造企業的瓶頸問題。 基于質量大數據的工藝質量缺陷識別可優化企業的生產過程質量管控能力,解決產品及時交付率差、產品質量一致性差等問題,提質量大數據白皮書 116 升企業的競爭力,促進全國電子制造行業整體轉型升級,解決行業共性的質量、生產效率、成本和安全等問題。 典型案例典型案例 1 1:表面貼裝技術(:表面貼裝技術(SMTSMT)產線缺陷識別系統)產線缺陷識別系統 1 1. . 案例背景案例背景 SMT(Surface Mount Technology, 表面貼
262、裝技術)生產線是電子信息制造行業的典型產線,包括印刷、貼片、回流焊、測試包裝等環節。各個環節都可能引起最終產品的質量問題(缺陷),其中印刷環節產生質量問題(缺陷)的占比最大,約占 60%-70%。隨著電子制造行業 SMT 產線數字化智能化的普及,該行業生產過程中的人、機、料、法、環、測等數據的獲取條件已成熟,具備了開展質量大數據分析的基礎。 應用企業: 西安中興通訊終端科技有限公司是以手機終端產品的研發、生產制造及銷售為主營業務的公司,公司生產車間配置業界領先的全自動 SMT 生產線,涵蓋單板測試加載、全自動化分板點膠、整機音頻測試、整機軟件加載等模塊,是我國西部最大的智能終端生產基地,提出了
263、 SMT 產線缺陷識別系統的需求。 服務商: 西安電子科技大學智能制造與工業大數據研究中心團隊圍繞智能與智慧建造的軍民重大需求, 將工業質量大數據、 人工智能、工業互聯網等技術與制造、建造業務深度融合,形成了一系列的機理與大數據模型、工具、系統/APP 及相應解決方案。團隊形成了較為完善的能力體系、技術體系。 2 2. . 業務痛點業務痛點 (1)質量數據多而雜 終端 SMT 生產線的運行過程數據包括人、機、料、法、環、測等多個方面,會產生大量數據,這些數據具有多源異構、海量、組織混亂等特點,導致 SMT 產線印刷環節的缺陷識別準確率、效率低下。 質量大數據白皮書 117 (2)數據利用率低
264、當前的做法是采用批次試驗、人工經驗、傳統的統計分析等技術對產品進行質量的缺陷識別。而未將 SMT 產線運行過程中產生的人、機、料、法、環、測等多個方面的大量數據利用起來,缺乏機理與數據的融合分析。 (3)識別準確率低 傳統的試驗和人工缺陷識別的檢測方法準確率較低且效率低下,導致人工復檢的次數上升,人工檢測成本上漲。 3 3. . 解決方案及實施過程解決方案及實施過程 西安電子科技大學研發的 “基于人工智能的 SMT 產線缺陷識別系統”主要應用于 SMT 產線的印刷環節,解決方案的實施步驟包括三個階段: (1) 數據的采集與處理。 SMT 印刷環節的數據包括印刷參數數據(印刷速度、刮刀長度等)、
265、SMT 產線印刷過程數據(刮刀壓力、脫模速度等工藝參數)、SPI 檢測數據(錫膏體積、面積等)、人工復檢數據。所有數據均來自 MES 系統、SPI 檢測系統。此外,SMT 產線數據具有多源異構、海量、組織混亂等特點,需要對數據進行組合、關聯,分別分析,然后進行缺失值、異常值處理等數據預處理操作,最后進行數據降維與重構,形成 SMT 產線印刷環節的缺陷識別數據包。 (2)構建 SMT 產線檢測缺陷識別模型?;跇嫿ǖ?SMT 產線印刷環節的缺陷識別數據包,結合終端 SMT 生產過程經驗與專家知識,首先運用 CNN 卷積神經網絡等深度學習算法,構建質量問題分類模型,進行質量問題的分類,將 SMT
266、產線 SPI 檢測的缺陷進行類別劃分,并根據識別結果與 SPI 檢測結果對比,減少人工復檢次數,降低人工檢測成本。 質量大數據白皮書 118 應用層SMT印刷影響因素分析SMT印刷環節缺陷識別缺陷識別可視化展示算法模型層 算法模型封裝算法隨機森林KNNSVR 模型基于隨機森林的影響因素分析模型基于二維CNN的SMT印刷缺陷識別模型 數據層SMT產線人、機、料、法、環數據印刷速度刮刀壓力錫膏體積刮刀長度脫模速度復檢數據數據集構建(印刷速度、刮刀壓力、脫模速度等)SMT產線數據組合、關聯分析、分布分析SMT產線數據缺失值、異常值處理SMT產線數據降維與重構基于二維CNN的SMT產線SPI檢測缺陷識
267、別模型輸出缺陷分類結果 圖 8.6:印刷環節的缺陷識別系統架構圖與技術路線 (3)針對 SMT 生產線的實際印刷環節的場景進行應用驗證,主要包括:A).SMT 印刷影響因素分析:基于隨機森林算法進行 SMT 印刷影響因素的重要度分析,確定影響 SMT 印刷質量的關鍵因素。B).SMT 印刷環節缺陷識別:通過 SMT 印刷環節缺陷識別模型將 SMT產線 SPI 檢測的缺陷進行類別劃分, 并根據識別結果與 SPI 檢測結果對比,減少人工復檢次數,降低人工檢測成本。C).缺陷識別可視化展示:將 SMT 印刷環節缺陷識別模型的識別結果進行可視化展示。 4.4. 應用成效應用成效 案例應用于西安中興一期
268、工廠 SMT 車間, 為產線提質增效提供了有力技術保障。 (1)經濟效益 一期工廠 SMT 車間共 25 條生產線, 引進鐳雕、 印刷、 錫膏檢測、光學檢測、貼片、回流爐等高端設備 300 余臺,支撐貼片線產能約1500 萬/年。通過 SMT 印刷環節缺陷識別技術可以帶動企業提高產品質量,降低缺陷率,從而節省成本,提高利潤。 質量大數據白皮書 119 (2)質量效益變革 對 SMT 印刷環節的質量問題構建質量問題分類模型, 進行質量問題的分類,將 SMT 產線 SPI 檢測的缺陷進行類別劃分,并根據識別結果與 SPI 檢測結果對比,減少人工復檢次數,降低人工檢測成本?,F場應用的識別精度可達 9
269、5%。 典型案例典型案例 2 2:工業聲紋質檢系統:工業聲紋質檢系統 1 1. . 案例背景案例背景 現有部分電機產品的質檢過程是依靠質檢工人手動啟停待質檢的電機,再由質檢工人裸耳測聽,從而去判別產品質量。該質檢流程過度依靠質檢工人主觀判斷,測量結果一致性較差,識別準確率以及檢測效率均不高,存在人工錯檢、漏檢風險;同時長時間近距離接觸機械噪聲對質檢工人聽力造成一定的損傷。 亟需針對電機產品進行智能系統進行改造,提升質檢準確率和效率。 應用企業:浙江捷昌線性驅動科技股份有限公司(簡稱:捷昌驅動)是一家專業從事智能線性驅動產品及設備的高新技術企業,開發了電動推桿、升降立柱、升降框架及控制器等一系列
270、產品。公司圍繞產品的不同應用領域,形成了四大業務板塊分別是:醫療康護驅動系統、智慧辦公驅動系統、智能家居控制系統以及工業控制系統。 服務商:浙江訊飛智能科技有限公司(以下簡稱浙江訊飛)是科大訊飛旗下全資子公司,負責訊飛在浙江區域的核心技術研究、產品研發以及應用推廣等工作。公司依托訊飛先進的語音、聲音、圖像、知識圖譜等人工智能核心技術,積極致力于形成實現數字化改造、智能化升級的創新平臺,助力工業企業運用人工智能技術實現降本、提質、增效。 2 2. . 業務痛點業務痛點 質量大數據白皮書 120 (1)裸耳測聽流程過度依靠質檢工人主觀判斷,測量結果一致性較差,識別準確率以及檢測效率均不高。 (2)
271、 工作現場環境復雜, 且聲音在不同的介質里傳播存在差異,對聲音的采集提出了很高的要求。 (3)市場缺少專業性人才,當質檢人員離職后,需要花高成本招人,培訓人員,導致公司管理成本提升。 3 3. . 解決方案及實施過程解決方案及實施過程 訊飛工業聲紋質檢采用了自主研發的工業級拾音器硬件, 配備指向型工業級拾音陣列, 非接觸式部署安裝, 用于收集產品的質量數據,并且適應產線自動化運行,無需中斷原生產過程。利用自主研發人工智能(AI)技術,預置多種人工智能檢測模型,通過底層深度學習框架,完成模型訓練、數據標注、模型測試等,可快速實現算法驗證及軟件平臺的部署。通過對電機的聲音進行標注和訓練,形成線性驅
272、動電機聲紋庫,建立的聲紋庫模型對電機進行自動化檢測,提高產品質檢一致性,成為突破線性電機產品質量的卡脖子技術。 圖 8.7:系統架構圖 基于 CRNN 模型和收集到的質量大數據,結合 STFT 和 MFCC 濾波等數據預處理方式,實現了電制造、機械等有工業產品的產品質量分類。同時,通過使用模擬人耳的聽覺模型對上述工業品的轉動聲音進 質量大數據白皮書 121 行濾波,生成短時積累的時頻圖像,進而利用 CRNN 圖像分類能力完成上述工業品設備的質量類。 在真實場景中, 訓練出來的模型對正常、異常分類的準確率能夠達到 90%以上,并形成完整,可復用的處理流程和相關項目積累,支持更多相似項目的擴展。
273、4 4. . 應用成效應用成效 (1)經濟效益 工業聲紋質檢系統平均為企業節省培訓成本 800 人時工作量,降低運維成本 48 萬元/年、人力成本節省 192 萬元/年。 (2)質量效益變革 該系統可為企業減少 50%以上的質檢人員,質檢效率提升 20%以上,不良品識別率提升到 100%,質檢綜合準確率大于 90%,生產效率提升 15%。同時,可為企業完成高于人工效率和準確度的工業產品質檢任務,形成標準化、智能化質檢體系,助力企業守住“產品質量”這一企業經營的生命線。 典型案例典型案例 3 3:飛梭智紡飛梭智紡 邊織邊檢邊織邊檢 QCRQCR 1 1. . 案例背景案例背景 紡織行業坯布織廠目
274、前面臨品控管理高度依賴人工且成本高、 無法精準把控布面品質而引發賠付等生產痛點。通過大數據、云計算、物聯網等新一代信息技術, 全面打通紡織行業原料采購、 紗線、 坯布、染整等生產和交易環節,幫助行業實現協同化、數字化、智能化的升級。 應用企業: 盈宇紡織主營紡織行業坯布生產與交易, 噴氣織機 252臺,涉及布種囊括醋酸、人絲、TR 等多類別布種。企業希望擺脫高成本的人工依賴, 實現精準品控, 布匹清晰溯源, 達成織造全流程透明,從而提升良品率完成織廠數字化轉型。 服務商: 致景科技是深耕紡織行業的產業互聯網公司。 旗下有 “百質量大數據白皮書 122 布”、 “全布”、 “致景金條”、 “致景
275、智慧倉物流園”等業務板塊,旗下產品飛梭智紡邊織邊檢 QCR 是國內應用于紡織行業的首個邊織邊檢智能產品。 通過龐大的布面疵點數據庫沉淀, 千布千面的智能 AI大數據檢測模型,以及針對坯布生產全鏈路精準聯網監控,呈現質檢精準數字化管控。 2 2. . 業務痛點業務痛點 (1)坯布織造環節,目前高度依賴車間工人人工巡查。成熟工人難招聘,人工成本高。 (2) 工人難以在突發狀況較多的情況下嚴格執行巡查布面任務,難以第一時間發現布面疵點問題,并及時處理及時止損。 (3)存在人眼難檢、漏檢的疵點,同時人眼識別難以標準化,純靠工人自身經驗積累,使得后續的布匹評級受主觀因素影響大。 (4)織造環節缺少對每一
276、卷布的全流程追蹤,難以溯源布面疵點產生的根本原因。 3 3. . 解決方案及實施過程解決方案及實施過程 飛梭智紡 邊織邊檢 QCR 系統整體架構,涉及織廠全流程品控管理,從必備的質檢硬件設備,到全方位云端聯網監控,以及系統層面高效合理的布匹質檢信息追蹤。在該三大模塊共同發力的情況下,最終形成紡織行業坯布生產“織中風險控制”、“織后分析追溯”的全程數字化質量監管體系,從而推進坯布織造織廠對布匹良品率提升、精準質量溯源的轉型升級。 質量大數據白皮書 123 圖 8.8:系統整體架構示意圖 基于當前工廠面臨的問題,針對不同布種建立對應數據庫,建立專屬的 AI 算法模型精準實現千布千面檢測。 (1)質
277、量數據庫建立 基于飛梭在紡織行業的深耕及以大量客戶所織造的布種為基礎,將布種拆分為 TR、醋酸、人絲、天絲等多類別,并基于布種分類進行數據庫建立。 基于致景品控專家沉淀下的 32 類布面疵點標準文檔,在每一種布種類別下的每一個組織結構中,針對 32 類布面疵點以自造、采集等多種方式,按照每個疵點至少 300 個呈現形態的策略,形成了單個布種下單個組織結構涉及 40000 條疵點圖片數據的布面數據庫。 圖 8.9:布面數據庫建立 質量大數據白皮書 124 (2)坯布質量缺陷檢測的技術實現 借助前期建立的布面質量數據庫資料, 采用基于深度學習的計算機視覺算法能力,并使用物體檢測、物體分割、細粒度分
278、類等算法來解決生產環境中布面疵點實時監測問題。 使用物體檢測和實例分割算法,在特征提取階段,采用特征融合方式,提高特征表達的能力。利用高分辨率的網絡結構,提升圖像特征提取的主干網絡,提高神經網絡對圖像特征提取的魯棒性。 針對布匹實際缺陷分布不均衡問題, 分別在樣本訓練的采樣方案和 loss 函數設計上進行了專門的設計和考量,可以極大的緩解實際生產過程中由于樣本不均衡帶來的影響。 圖 8.10:針對坯布的缺陷質量檢測的算法模型結構 4 4. . 應用成效應用成效 2021 年在盈宇紡織實現 5 臺設備安裝,預計 2022 完成應用工廠252 臺織機全方位落地。落地后可直接實現布匹質量追蹤全流程可
279、視化,織造環節落布出報告,生產流程取代驗布環節。 (1)經濟效益 打卷工可全速打卷,效率提升 10 倍;可基本省掉當前的驗布人工,每年至少可節省 100W 人工成本。 質量大數據白皮書 125 (2)質量效益變革 基于 MES 與邊織邊檢 QCR 設備, 實現全流程追蹤訂單生產進度及布匹質量詳情,實現“免驗布”品控管理??稍谟唵谓桓肚疤崆邦A判風險,并對已交付訂單布匹通過唯一布票 ID 實現每一卷布的質量溯源。 圖 8.11:織廠品控體系變化示意圖 8.2.3 質量追溯 通過時空規律,發現不同周期、不同位置上質量波動規律,發現工藝改進方向。當發現質量有異常時,可以通過追蹤信息分析各個工藝段參數是
280、否正常,找出問題所在,方便改進工藝。 典型案例典型案例 1 1:特冶鍛造質量大數據系統:特冶鍛造質量大數據系統 1 1. . 案例背景案例背景 在特鋼企業,冶煉和鍛造是兩個最重要的生產環節,其生產工藝流程復雜。由于工藝數據存在企業少部分人手里,通過個人的經驗或文檔要求傳遞給到各工位;過程中執行的質量因素由人工填寫,存在數據落地或認為因素帶來的不準確; 并且過程數據沒有很好和工藝以及執行過程進行匹配等原因,信息流和物質流和工藝流易出現斷點,造成過程質量無法監控和追溯。 質量大數據白皮書 126 應用企業:該企業屬于國有大型特鋼企業,該特鋼企業的主導產品為齒輪鋼、軸承鋼、彈簧鋼、工模具鋼、高溫合金
281、鋼、高速工具鋼等特殊用途的鋼材, 可向汽車、 石油、 化工、 煤炭、 電力、 機械制造、鐵路運輸等行業以及航海、航空、航天等領域提供服務。特鋼企業對產品質量管控要求很高,目前由于生產計劃、過程執行數據、工藝數據等還存在數據孤島,無法進行對質量的過程監控和全過程追溯,導致質量問題發現滯后,以及質量問題無法追蹤過程原因。實現無紙化辦公和全過程質量可追溯成了整個該企業的迫切需求。 服務商: 上海優也信息科技有限公司堅持以創造客戶效益為核心,致力于服務基礎工業的數字化轉型和智能化發展。 優也秉承深厚的工業底蘊,將卓越的運營管理實踐、深厚的工業知識積累,先進的工業互聯網技術和領先的智能制造理念深度融合,
282、為工業企業客戶提供Thingswise iDOS 工業互聯網平臺、 工業智能應用和運營轉型咨詢服務的三位一體的綜合解決方案,推動企業運營提升和轉型升級。重點服務行業在鋼鐵、電力、煙草、煤化工等流程工業,聚焦在能源、質量、工業互聯網平臺的數字化解決方案。 2 2. . 業務痛點業務痛點 (1)缺乏“全場景”質量要素的采集與數字呈現 受困于過程檢測手段缺失、 信息通訊壁壘、 環節數采斷點等因素,現有質量系統無法支持用戶實現產線全過程、 實時連續的質量要素采集、質量信息與其他維度信息形成匹配,及生產過程質量控制實際執行情況動態可視化。在實際生產制造單元,影響質量控制的相關要素包括人/機/料/法/環/
283、測等不同維度信息分散在不同的系統中,上述多元數據的采集獲取、時序同步難度較大,尤其生產過程中與質量有關的控制標準、 工藝、 生產物流、 物料、 設備狀態等數據采集不充分、 質量大數據白皮書 127 不連續,過程要素質量檢測、異常捕捉、質量執行對比分析(工藝參數與標準對比)等方面亟待解決。 (2)缺乏“全工序”質量異常識別和分析診斷 在鋼鐵行業,與產品質量相關的冶金規范要求、制造工藝參數、過程質量特性、 設備運行控制要求等信息普遍處于紙面化的離線狀態,因此上述信息無法動態參與各個工序生產過程的質量監控與分析, 比如基于產品特性、工藝標準、設備要求等規范文件的對標找茬的過程質量異常動態識別-診斷分
284、析-預警提示等業務支持, 同時無法通過預設的產品質量標準為用戶提供產品質量評級判定。 (3)缺乏源于數據挖掘的質量診斷分析和決策推送支持 由于鋼鐵行業制造過程產生的大量質量數據無法采集或不完善,現場手工記錄、紙質臺帳是行業痛點,數據落地和缺失導致對于質量數據的利用,與質量相關的要素采集不完整,因此無法有效利用過程數據,挖掘增值業務賦能質量管理,比如通過簡單的閾值分析、對比分析難以發現問題根源,坯料潔凈度、表面質量、板形尺寸等缺陷頻繁; (4)缺乏生產過程質量協同響應和聯動控制 上下協同、多元因素聯動優化是企業精益化生產的必經之路,質量通常會受到生產、 工藝、 物料、 設備、 成本、 人員等外部
285、條件影響,而現有的質量相關系統大多又只關心質量本身, 多要素聯動機制缺乏,質量提升效率低下, 尤其上下工序質量控制策略的統一和聯動優化的機制,形成質量控制的同軸共振尤為缺失。 3 3. . 解決方案及實施過程解決方案及實施過程 本方案主要以精益質量管理思想結合工業互聯網技術對質量瓶頸進行診斷, 并將多維度數據進行采集和以物料為主線進行時空匹配,構建質量大數據,在此基礎上開發質量的過程監控和質量追溯,形成質量大數據白皮書 128 數據不落地,數據完整完工追溯報告,實現從“單機單源質量數據”向“橫向全鏈貫通+縱向多元同步”轉變;從“手工文檔傳遞”向“業務數據自主流動”的轉變;從“業務驅動”向“大數
286、據分析與建模驅動”的轉變;以及從“事后分析”到“多維度事中對標找茬”轉變。 (1)物聯+數聯”-實施跨工序多維度質量業務數據的時空銜接 運用動態數字孿生技術對包括質量特性、生產物流、能源消耗、工藝參數、設備狀態等維度的信息進行數字化表征,行成以匹配了物流的過程質量管控要素的質量數字孿生體, 作為質量大數據系統的數據智能流動的基礎。 (2)“數據+算法”-實現質量管理業務監控/追溯/評級/預測 設計“數據智能流動模型”,在質量數字孿生體之上實現全流程數據的智能流動,基于算法使得質量監控、追溯、評級和關鍵參數預測成為可能。 (3)“對標+優化”-實施以數字化標準對比/分析/反饋/優化貫穿全過程 建
287、立數字化工藝管理卡標準庫, 實時采集生產過程數據并關聯工藝標準,實現生產過程質量數據不落地,質量過程大數據的反饋和積累為工藝優化提供分析基礎。 (4)“實時+PDCA” -實施以實時采集-即時算法-持續優化的PDCA機制 將 PDCA 運行機制貫穿于系統設計,運用實時數據和算法以及數字化工藝標準,實時實現工序中的小 PDCA,工序銜接的 PDCA,以及工藝編制與生產制造的 PDCA。 質量大數據白皮書 129 圖 8.12:平臺架構圖 物聯層實現數據的全方位采集。物聯層實現數據的全方位采集。 主要功能包括識別質量管控要素;形成精益質量控制計劃;梳理數采需求構建多元融合的質量大數據。數孿層設計質
288、量管控要素數字孿生體。數孿層設計質量管控要素數字孿生體。 運用數字孿生技術對復雜生產過程中與質量相關的多元信息進行描述,從空間上覆蓋各生產要素、時間上覆蓋全生命周期,支持融合工藝流、業務流、信息流和物流集成設計用戶場景數字孿生體。應用層負責質量智能應用設計。應用層負責質量智能應用設計。模塊化的功能包括:質量全景展示、質量設計、質量監控、質量追溯、質量分析、質量預測、質量評價、質量檔案等功能。 4 4. . 應用成效應用成效 該案例在中國中部一個特鋼企業已經落地, 到目前為止共接入近百臺設備,采集了八千多個數據點,錄入工藝數據近兩千條,同步過萬條生產計劃,形成幾千條完整完工報告。減輕了操作工的手
289、工臺賬工作,實現無紙化辦公,過程可追溯。在國內軍工領域實屬首創。案例提高了企業質量過程管理的透明度,及時發現質量問題,實現 0 紙質質量臺賬,按人均降低 2 小時/天的手工臺賬時間計算,可實現非??捎^的工作效率提升。 典型案例典型案例 2 2:柔性電路板良率大數據分析平臺柔性電路板良率大數據分析平臺 1 1. . 案例背景案例背景 質量大數據白皮書 130 隨著新型消費電子產品(如智能手機、 可穿戴智能設備)市場的快速發展,給柔性電路板帶來了巨大的增長空間。良率分析和產能管理是柔性電路板行業的共性需求,有著顯著的經濟效益。因流程長、工藝復雜、精度高、數據量大,傳統數據庫和分析軟件難以適應良率大
290、數據分析場景。 當前柔性電路板生產商大多已開展了 MES、 ERP、 EAP、系統運行和大數據平臺建設等工作,具有較好數據基礎,利用數據進行數據建模、數據分析、數據挖掘等方法進一步釋放數據價值,通過基于良率分析和提升管理的典型應用場景, 引導柔性電路板工廠的數字化、智能化整體轉型。 應用企業:蘇州維信電子有限公司(簡稱 MFLEX),電子電路產業先行者,起步于美國,以蘇州為全球總部,多元化跨國團隊合作,是集研發、設計、生產、銷售服務為一體的全球最大柔性電路板供應商之一。致力于為全球頂級消費電子產品、新能源汽車、通訊、物聯網等品牌提供出色的互聯網解決方案。維信電子(MFLEX)柔性電路板全球排名
291、前三、印刷線路板內資第一、國內唯一高端柔性電路板生產商、全球頂級消費電子供應鏈。 服務商:昆侖智匯數據科技(北京)有限公司(簡稱昆侖數據)是工業大數據領域的領軍企業,精于工業機器數據處理與數據分析,以業界領先的方法論、平臺產品和數據科學服務,降低工程技術人員以業務視角調取/分析數據、 實現知識結構化沉淀的技術門檻, 幫助工業企業建立自主數智化創新能力。 昆侖數據定位為工業企業的大數據合伙人,與工業企業攜手構建數據驅動的創新產品和服務。目前已服務清潔能源、顯示面板、高端電子、鋼鐵冶金、新能源商用車、動力裝備等領域。 2 2. . 業務痛點業務痛點 影響和制約柔性電路板生產企業良率提升的主要原因在
292、于: 質量大數據白皮書 131 (1)生產工序復雜 產品生產需要經過上百道工序, 每個工序的生產質量影響因素的規律復雜,任何一個關鍵工序的質量問題都會導致產品良率的異常,造成產品質量監控和追溯困難; (2)生產過程監控水平低 產品在生產過程中的監控以關鍵工序的批次通過率為主要評價標準,對每個產品以定性的評價方式評價關鍵工序的生產能力,缺乏對關鍵工序的過程能力指數的實時監控; (3)質量數據分析瓶頸 質量檢測數據量大且雜, 當前業務系統無法滿足關鍵質量檢測結果數據的關聯查詢和實時分析, 出現質量問題后只能通過人工手段進行分析定位,難以滿足上游客戶對響應速度的要求。 3 3. . 解決方案及實施過
293、程解決方案及實施過程 良率大數據分析平臺以工廠生產環境的生產數據和檢測數據為依據,通過領域建模實現高效的數據關聯,利用數據驅動模型完成柔板質檢數據分析, 達到柔板生產實時監控和質量追溯快速響應的目的。 圖 8.13:總體技術架構 (1)數據關聯建模 質量大數據白皮書 132 通過產線領域建模,將柔板生產線的工藝、生產、檢測數據高效組織在一起, 并通過良率大數據分析平臺以統一的數據服務提供高效的訪問方式,實現客戶快速響應的要求。 (2)質量數據分析 對各檢測工序的質檢數據以 SPC、過程能力指數、6-sigma 管控等統計方法精細化展示良率缺陷,并基于關聯規則挖掘、孤立森林、決策樹等通過數據驅動
294、模型實現多工序的良率關聯分析。 (3)應用層 將模型計算的結果應用至產品質量監控、質量異常追溯、質量客訴響應等。 4 4. . 應用成效應用成效 柔性電路板良率大數據分析平臺已經在蘇州維信電子紅莊廠區、郭巷廠區的一些關鍵制程進行部署實施。 (1)經濟效益 大幅減少了工程師人工進行數據分析工作量, 從而降低運營成本,為企業積累寶貴的數字化轉型經驗。 (2)質量效益變革 實現了過程質量監控的可視化和質量管理的規范化, 質量問題追溯效率可由 1 周縮短至數小時完成響應, 極大地提高上游客戶的滿意度。 8.3 以質量為導向的生產設備預測性維護 以設備質量為導向的預測性維護是指通過質量大數據實現對設備管
295、理的狀態感知、數據監控與分析,監控設備健康狀況、故障頻發區域與周期,預測故障的發生,從而大幅度提高運維效率。在產品工藝設計環節,引入失效分析和故障處置相關知識模型,分析要素不確 質量大數據白皮書 133 定或要素動態變化引發的影響,進行在線預警和措施推薦;在生產加工環節, 基于過程工藝參數動態變化情況, 對質量結果提前預測決策,通過工藝參數在線優化功能模型,對加工工藝、設備控制指令等方式及時調節, 保證生產過程處于受控狀態, 質量水平處于動態穩定狀態;在檢驗和調試測試環節, 對出現的問題基于質量預測分析模型實現快速糾正迭代。 典型案例典型案例 1 1:新能源裝備制造業質量大數據應用:新能源裝備
296、制造業質量大數據應用 1 1. . 案例背景案例背景 新能源裝備制造企業電池的生產工藝比較復雜, 主要生產工藝流程涵蓋攪拌涂布、卷繞注液、包裝檢測等環節,各環節都可能出現質量問題。近年來,電池生產向整合化、整線化、自動化發展,而設備的正常運轉是產業線高速運作的前提。在這種背景下,亟需針對新能源裝備制造企業建設設備及產線全生命周期管理系統, 形成面向新能源裝備制造業的質量大數據應用。 應用企業: 深圳市贏合科技股份一家致力于鋰離子電池自動化生產設備的研發、設計、制造、銷售與服務的企業。產品涵蓋鋰離子電池自動化生產線上主要設備, 包含涂布機、 分條機、 制片機、 卷繞機、模切機、疊片機六大類設備及
297、相應配套的輔助設備,能夠滿足不同工藝、不同尺寸鋰離子電池的制作需求。 服務商: 深圳華龍訊達信息技術股份有限公司是全方位數字孿生與數字化轉型系統服務商,具備設備級、工廠級和產業級工業互聯網平臺運營和智能工廠建設能力。 華龍訊達為客戶企業提供涵蓋智能控制系統、工業互聯網平臺、數字孿生和端到端數字化轉型解決方案等全鏈條和集成化的數字化、網絡化和智能化服務。旗下的木星工業互聯網、木星工業物聯網以及木星數字孿生技術在業內具有領先優勢,有效助力企業加速數字化轉型升級。 質量大數據白皮書 134 2 2. . 業務痛點業務痛點 質量大數據應用已成為制造業生產力、競爭力、創新能力提升的關鍵,是驅動制造過程、
298、產品、模式、管理及服務標準化、智能化的重要基礎,體現在產品全生命周期中的各個階段。新能源裝備制造業快速發展,但大多依賴于人口紅利,很多企業以手工制作、半自動化生產設備為主。 設備效率低、 人工成本高、 行業整體自動化程度較低、產線連續自動化程度及穩定性較差、 數據孤島問題得不到解決、 OT 與IT 沒有打通。 因此, 新能源裝備制造業需要推動自身業務系統和流程的全面升級,面臨的挑戰如下: (1)企業無法對生產設備進行實時質量數據采集和統一靈活控制,導致企業難以實現生產工藝流程的全局優化; (2)企業內多個異構系統間的質量數據無法有效整合,導致企業生產、物流、銷售等環節割裂,致使效率低下; (3
299、)實時監控能力較弱、生產過程不透明; (4)隨著海量新舊質量數據的不斷積累沉淀,企業需要可靠的低成本方案提高數據存儲和計算能力,實現對海量數據的高效管理。 3 3. . 解決方案及實施過程解決方案及實施過程 本應用方案通過基于“木星工業互聯網平臺”的設備及產線全生命周期管理系統來實現對新能源裝備制造企業的工業質量大數據的智能化管理應用。該系統在數據管理的基礎上,結合數據清洗、數據分類、數據編碼、數字建模、應用三維仿真等技術,提供數據采集、邊緣計算、數據分析、數據質量管理、數字孿生服務,對某新能源裝備制造企業的電池生產線進行全生命周期管理。主要技術路線為: (1 1)建立質量數據標準標識體系,實
300、現數據標準化、統一化)建立質量數據標準標識體系,實現數據標準化、統一化 通過“數據標準標識解析平臺”建立數字化工廠質量數據標準標識體系,規范廠級的數據描述以及數據編碼,統一企業數據應用接口 質量大數據白皮書 135 為企業提供數據標識、 數據標準、 屬性標準、 流程標準、 集成標準等。保障同一種數據在業務系統之間使用相同的定義方式, 滿足不同系統的數據需求,從而實現網絡化高效協同。 (2 2)建立質量數據采集平臺,實現生產數據實時獲?。┙①|量數據采集平臺,實現生產數據實時獲取 “實時數據采集平臺”是機器質量數據采集工具軟件,一方面負責機器的工業通訊協議的解析、質量數據的采集、編碼、標識和邊緣
301、計算,另一方面負責行業機器數據采集軟件的下載、按標準做配置管理。主要面向電池生產環節采集的數據有:a)從底層的設備控制系統中采集設備的運行狀態數據、 能耗數據、 設備參數等, 如數控系統、產線控制系統等。b)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、手持終端等環境數據及輔助終端數據。c)原材料檢測數據、產品設計數據、產品測量數據、產品工藝數據、生產過程數據以及供應商數據等。 (3 3)應用數采邊緣計算設備,保障數據采集質量)應用數采邊緣計算設備,保障數據采集質量 “木星機器寶 Ceres”是基于工業物聯網與互聯網的融合技術的一款 OBD 設備。Ceres 接入設備的
302、接口之后,能夠與設備電控系統進行交互,即可實現數據采集、設備與企業云連接。在數據上云之前,按照預先設定的規則和算法,從數據綜合應用的角度,對采集的數據進行預判和評估,自動過濾無效或無意義數據,將有價值的數據傳輸上云,提高物聯網處理的效率。 (4 4)建立數據質量管理體系,保障數據質量端到端全鏈條管控)建立數據質量管理體系,保障數據質量端到端全鏈條管控 通過建立數據質量管理體系,實現數據從庫表設計、數據采集、數據加工、數據質量驗證、數據安全到數據應用的全面質量管控。數據質量管理體系以最終業務需求為中心,通過全員參與、過程控制、持續改進等方式,實現從源數據接入平臺到應用輸出的全過程管控,保證數據的
303、完整性、一致性、準確性和及時性,實現若干數據質量指質量大數據白皮書 136 標,完成數據質量分級,最終達成數據質量管控的目標。 (5 5)建立數字孿生平臺,實現生產過程透明化)建立數字孿生平臺,實現生產過程透明化 項目基于物理模型、 傳感器、 運行歷史等數據, 建立集成多學科、多物理量、多尺度、多概率的仿真過程的數字孿生平臺,實現設備產品數據在虛擬空間中完成映射, 從而反映相對應的實體裝備的全生命周期過程。將實體車間與虛擬車間的進行雙向交互聯動,從設備故障預測方面提升設備利用率,從全要素、全流程、全業務角度對生產過程進行在線診斷,實現企業生產現場全要素數據的虛擬仿真,從而撐工廠全面建立以數據為
304、驅動的運營與管理模式, 實現生產過程的實時監控管理。 圖 8.14:設備全生命周期管理系統架構 4 4. . 應用成效應用成效 案例應用于新能源裝備制造企業車間生產線, 為企業提質降本增效提供了保障。 (1)經濟效益 質量大數據白皮書 137 到目前為止,此質量大數據項目投入資金超過 2000 萬元,成功推廣到 4 條電池生產線,覆蓋設備、終端聯網 200 臺/套以上,形成了 2000 個以上數據采集點,并形成 1 個試點示范車間,均年利潤增長率達 15.79%。 (2)質量效益變革 目前該企業已實現了鋰電池生產裝備的智能化升級, 縮短生產周期 35%,減少數據輸入時間 36%,降低交接班記錄
305、 67%。提高設備管控效率、降低設備維保及人員成本,實現生產流程精準可控、助力企業降本增效。 典型案例典型案例 2 2:基于工業質量大數據的:基于工業質量大數據的電子玻璃電子玻璃智能智能制造制造工廠工廠 1 1. . 案例背景案例背景 電子玻璃是電子信息產品的基礎支撐產業之一, 用于制作集成電路以及具有光電、熱電、聲光、磁光等功能元器件,主要為基板玻璃和蓋板玻璃兩種。目前,我國已經是電子玻璃生產量居全球前列的國家,其發展快慢、技術水平高低,也直接影響電子信息產品的發展。因此現代科學技術的發展離不開電子玻璃的生產。 應用企業:彩虹集團(邵陽)特種玻璃有限公司咸陽分公司是中國電子全資子公司-彩虹集
306、團有限公司控股的高新技術企業, 專業從事特種玻璃及其相關產品的研發、 生產和銷售。 基于數字化轉型需求,提出了建設專用于大尺寸蓋板玻璃生產的流程型智能制造系統, 建成面向工藝過程、信息物理融合、自主匹配的“數字化、網絡化、智能化”高端蓋板玻璃生產線,提質增效、節能降耗,增強企業核心競爭力的需求。 服務商: 北京寄云鼎城科技有限公司作為國內工業互聯的頭部創業公司,自成立以來獲得了多家知名投資機構的投資,專業團隊來自國內外各大知名公司,在工業智能,工業大數據,工業物聯網和云質量大數據白皮書 138 計算領域均有深厚的技術積累和豐富的實戰經驗。經過多年積累,寄云將對細分行業的深入理解, 完整的工業互
307、聯網平臺能力和全面的數據分析能力全面整合, 致力于為用戶提供完整和專業的工業互聯網解決方案。 2 2. . 業務痛點業務痛點 (1)玻璃行業的利用率低 產能的飆升帶來是嚴重的產能過剩。目前平板玻璃總量過剩,產品附加值低, 仍處在價值鏈低端和從屬地位, 導致玻璃生產利用率低。 (2)技術結構不合理 從技術結構看,能耗水平比國際先進水平偏高約 20%;中低水平的浮法玻璃生產線以煤焦油、石油焦粉為燃料,大氣污染排放問題較為嚴重。 3.3. 解決方案及實施過程解決方案及實施過程 在工廠完成自動化設備制作產品的前提下, 采用工業網關和容器技術對工廠設備底層數據進行采集和監控,打通生產線數據,采集熱端實時
308、數據,將不可見問題實現可視化。通過質量大數據建模的手段對產線關鍵指標(如:熔爐溫度等)進行大數據分析,實施有效的對生產問題進行跟蹤分析、 預警。 通過物聯網平臺從產線設備, 包括PLC、傳感器、機器人等設備采集實時運行數據,對產線的全生命周期進行對產線的全生命周期進行監控、對關鍵設備進行預測性維護。監控、對關鍵設備進行預測性維護。結合平臺大數據能力,通過熱端數據和冷端數據的關聯分析對工廠生產運營做到精益生產。 質量大數據白皮書 139 圖 8.15:系統架構圖 整體的解決方案分為五層,分別為設備層、邊緣層、平臺層、生產運營協同層以及決策層。在設備層,機器人、PLC、傳感器等設備負責采集數據,解
309、析數據,通過邊緣層的工業網關、IOT SDK 等傳送數據至平臺層; 以自主可控信息系統作為平臺層的安全防護系統為基礎建立工業云平臺;將數據存儲到建設在云平臺的數據庫中。在生產運營協同層,從計劃調度、生產決策到產品生命周期的整個過程都進行管理跟蹤,實現企業的提速增效;在產品上使用數字孿生模型,制造出色的產品,提升公司競爭力,搶占市場先機。在分析決策層,通質量大數據白皮書 140 過從實際生產上的數據以及各管理系統的數據集成提取, 統一分領域分模塊分方向進行預測分析,協助決策層更好地作出決策。 4 4. . 應用成效應用成效 智能工廠質量大數據系統可以實現設備、 報表、 質量 “三大主題”的縱向和
310、橫向延伸, 全方位自定義呈現生產日報、 月報、 厚度及重量;設備數字化管理,產線設備 24 小時在線智能監控,設備故障智能報警;質量分析系統與數據挖掘模型完成質量的多維度把控。通過平臺可以完成生產質量數據的生命周期管理,在數據資源,模型資源,應用資源,開發環境,平臺管控等方面實現了全方位打通。企業生產效率提高 22.80%, 產品良品率提高 13.94%, 單位產值耗能降低了 10%,總體成本降低了 24%。 典型案例典型案例 3 3:面向裝備制造企業的工業:面向裝備制造企業的工業 iPaaSiPaaS 平臺平臺 1 1. . 案例背景案例背景 目前大部分制造企業的大型裝備產品結構復雜, 需要
311、一個集成性的基于產品結構的制造數字化管理系統; 此外整個裝備制造過程生命周期長,各業務部門進度不透明,多部門協作主要靠線下溝通。亟需一個數據匯聚和分析的數據集成應用平臺, 實現整個數字化工廠建設。 應用企業:煙臺博森科技發展有限公司主要生產制排屑裝置、過濾裝置等專用裝備,根據不同的現場需要,量身定制,為全球機床行業提供最優化的排屑過濾解決方案。 公司為了提高裝備制造項目全過程的協同性,提升交期與客戶服務質量,對整個數字化工廠進行了戰略規劃和布局。 服務商: 山東恒遠智能科技有限公司作為裝備制造垂直行業工業互聯網領軍企業,是國內首家行業級工業 iPaaS(集成平臺integration plat
312、form as a service)解決方案服務商,裝備制造行業一站式數字化工廠集成解決方案服務商。 主要聚焦于工業互聯網 質量大數據白皮書 141 前沿技術研究,從事基于工業數據采集的制造信息化、工業數字化系統研發,專注于工業企業數字化、網絡化、智能化建設,應用邊緣計算、云計算、大數據技術,結合數據采集、數據建模、數據仿真、數據分析等核心技術, 為企業提供一站式的數字化工廠整體解決方案與服務,實現企業的降本增效與數字化轉型升級。 2.2. 業務痛點業務痛點 (1)訂單多樣化,批量小,項目制 訂單客制化程度高,批量小,種類多;訂單信息量大,特殊參數要求和標準繁多;并且包含項目制設計、制造與現場
313、施工。 (2)技術工藝復雜,設計數據信息量大 零部件種類多達成百上千種,BOM 結構復雜;工藝標準和工藝路線多樣化,設計復雜;圖紙與工藝技術文檔制作工作量大。 (3)生產制造離散,管理難度高 工序集群孤島式分布;每個部件和零件加工工序流轉多樣化;生產任務、人員、物料、設備信息高度離散,計劃管理困難。 (4)質量數據利用率低 下料、機加、焊接等各工序均以設備加工為主,設備自動化程度相對較高,但數據的聯網利用率低。 (5)產品生命周期長,運維滯后 產品在客戶端使用后,壽命周期長,售后問題需要追溯與處理;裝備產品在客戶現場的運行狀態需要遠程監控與運維, 提升服務效率和品質。 3 3. . 解決方案及
314、實施過程解決方案及實施過程 項目以質量數據為核心,從五個方面實現企業數據的互聯互通: (1)數據的獲取、存儲與分析 質量大數據白皮書 142 質量管理數據的獲取包括基于數采的設備數據連接、 可快速與現有 T6、E6、客戶管理系統的集成數據連接、通過條碼/RFID/移動終端等手工操作的其他采集方式的數據連接; 數據的存儲應用數據湖的技術建立數據中臺,打破不同系統間的數據壁壘,實現數據的共享;數據的分析基于企業的技術、經驗、知識和最佳實踐,形成數據算法,讓數據進行自由流動,實現企業知識的創造、傳播和復用體系。 (2)生產業務協同層互聯互通一體化建設 基于微服務和云應用的技術, 搭建協同層完整的數字
315、化平臺技術架構系統,實現橫向的業務系統集成。一是以訂單為原點,設計從工廠級到工位級完整的計劃管理系統。二是基于現有 ERP-T6 系統進行數字化集成,主要是將質量管理數據包括訂單管理、計劃管理、采購管理、倉庫管理的數據進行集成開發,實現平臺級的數據和業務的互通互聯。 (3)車間制造執行層數字化建設 主要建設基于條碼系統的生產過程控制質量管理, 包括車間級計劃管理、生產過程報工、工藝標準與圖紙管理、質量檢驗與控制。 (4)設備智能化管理升級 一是進行設備聯網與數據采集, 實時監控設備的運行狀態和加工參數, 進行設備運行效率的分析評估; 二是將設備的日常保養、 點檢、維修進行數字化管理,保證設備的
316、高效運作。 (5)運營管理層的智能化決策 一是基于平臺的大數據建立完善的數據統計分析系統, 報表中心,數據中心;二是設計開發基于數據分析的智能可視化系統,如車間管理看板、工位管理看板、工廠級的運營中心等。 質量大數據白皮書 143 圖 8.16:總體架構設計 項目平臺功能包括從客戶管理、技術工藝、生產制造、設備智能化、供應鏈協同等 100 多個子功能應用和服務,滿足不同業務場景的需求,幫助博森科技實現橫向與縱向全方位數據集成。 圖 8.17:功能架構設計 縱向集成以工業數據采集技術為主, 實現邊緣端到云端數據集成,從設備層的數據采集到平臺層的數據匯聚、 數據分析到應用層的數據賦能。 橫向集成以
317、工業模型和工業算法為主, 實現全業務流程數據集成,從工位級應用到車間級到工廠級到行業級應用集成。 4 4. . 應用成效應用成效 質量大數據白皮書 144 (1)經濟效益 項目交付周期縮短 42%。項目實施前,裝備制造項目要進行研發設計、 物料采購、 工藝文檔準備、 外協加工、 廠內多工序流轉和總裝、客戶交付驗收、現場安裝調試等多個環節,綜合過濾項目最長周期要6-9個月; 平臺上線后, 各業務部門協同效率和物料齊套性大幅提升,交付周期從平均 200 天以上縮短至 120 天左右。 (2)質量效益變革 質量損失較原狀態低 7.1%。 通過對材料檢測設備、 焊接設備的聯網與數據采集,通過對原材料理
318、化試驗建模、焊接工藝參數建模,實時分析材料質量和焊接質量等裝備制造的核心質量控制點數據, 大幅降低了因材料缺陷、焊接缺陷造成的重復加工、報廢的成本。 8.4 面向供應鏈的質量協同優化 供應鏈產業鏈質量協同是構建“全員、全過程、全價值鏈”的質量生態系統,實施“全價值鏈的全面質量管理”,滿足服務對象和各相關方的需求,促進產業及相關組織健康可持續發展。以產業鏈為紐帶,推動完善產業鏈標準體系、質量預警體系、質量管理體系和知識產權管理體系; 工業互聯網作為新一代信息技術與現代工業融合發展的新模式,以質量數據為紐帶,打造開放共享的價值網絡,將制造產業的設備、數據、技術、管理、市場、客戶等多要素全面互聯,以
319、豐富的數據驅動經營管理、產品設計、生產制造、產品運維等關鍵環節的資源優化, 實現供應鏈、 管理鏈、 服務鏈、 產業鏈的整體質量提升。 典型案例典型案例 1 1:全球制造大數據質量預警體系:全球制造大數據質量預警體系 1.1. 案例背景案例背景 隨著全球供應鏈緊耦合發展, 傳統的制造質量管理模式已無法適應新的發展變化。供應商物料測試、來料檢驗測試、生產測試等都會 質量大數據白皮書 145 產生大量的質量數據,而海量的質量數據之間存在大量數據孤島,從供應鏈協同的角度保障質量是一個重要命題。本方案打通供應商、研發、制造、市場返還等產業鏈全流程關鍵質量數據;應用大數據分析及數學建模技術,構建數據驅動的
320、全球測試大數據質量預警體系;實現供應商來料質量預警、制造過程質量預警及網上返還質量預警;質量預警從制造向上游研發、采購/產業鏈及市場/用戶的覆蓋;驅動質量管控從事后攔截向事前預測、預防方向轉變,是質量預警所要研究的重要內容。 2.2. 業務痛點業務痛點 (1)難以深入質量管理前端。既有的質量管理方法大多都是依賴于事后解決,無法將質量問題在供應鏈前端解決,也難以在設計前端改善質量,導致質量成本增加、質量效益有限。 (2)難以進行質量數據協同。制造工廠分布在各地,各制造工廠所產生的海量生產、檢測、質量數據之間是多個數據孤島。 (3)難以進行數據挖掘融合分析。物料供應商測試、來料檢驗測試、生產測試、
321、市場質量表現產生的數據存在隱性因果關系。這些數據無法有效地進行融合分析,應用于質量管理中。 3.3. 解決方案及實施過程解決方案及實施過程 制造大據質量預警解決方案主要實現 3 個功能: (1)供應商來料質量控制:采集供應商來料關鍵測試參數,實現數據監控、分析及預警,提前識別潛在的來料質量風險,并攔截在供應商處,提高來料入口質量,質量控制前移供應商,在供應鏈源頭構筑高質量。 (2) 出廠產品質量預警: 匯聚全球加工網點制造過程質量數據,在一些關鍵工序如 IQC、 ICT、 FT、 可靠性、 整機測試等實現質量預警,提前識別和挖掘隱性質量問題,保障全球一致的出廠高質量。 質量大數據白皮書 146
322、 (3)反饋設計前端質量提升:結合產品網上運行環境數據,用戶輿情數據,網上返還數據,以及產品加工過程數據,深度挖掘,實現產品潛在風險預測預警,識別在研發設計、制程工藝、來料選型等方面改進機會點,驅動逆向改進,在設計前端構筑高質量。 制造大數據預警解決方案基于工業互聯網平臺開發, 系統架構圖如下: 圖 8.18:系統架構圖 主要的部分架構為: (1) 供應商數據采集系統云化部署, 制訂統一的數據回傳格式,打通與來料供應商的系統對接;制造過程數據通過互聯網、物聯網等方式進行實時采集;定時將產品網上運行環境數據及輿情數據采集、回傳到數據底座中。 (2)數據底座中按照不同的數據類型與數據使用特點選擇分
323、布式文件系統、內存數據庫、關系型數據庫等不同的數據管理引擎,實現數據治理。 (3)工業大數據建模與分析平臺,負責在線實時任務與離線批量數據分析,同時整合業界常用算法模型庫,除了提供典型的機器學 質量大數據白皮書 147 習算法模型外,還針對工業特有的穩態時間序列、時空等數據,提供定制后的模型算法。 4.4. 應用成效應用成效 制造大數據預警解決方案云化部署數據采集系統, 與上下游供應商系統進行對接,通用數據標準格式實現數據交換;內置工業領域預警模型算法, 有效識別來料、 設計、 制程、 工藝等方面隱性質量問題,識別改善機會點。 在應用本解決方案后,一年共觸發預警物料、裝備、設計、工藝等方面隱性
324、問題多起。 通過自動捕獲潛在風險, 實現 2%小概率可靠性批次風險可激發,提前攔截供應商來料質量問題,批量問題起數降低9%;開局壞件率改進 15%,早期返還率改進 24%。支撐網上返還率、批量質量問題、PONC 等質量指標目標達成。 典型案例典型案例 2 2:航天復雜裝備供應鏈智能質量管理平臺:航天復雜裝備供應鏈智能質量管理平臺 1 1. . 案例背景案例背景 當前航天制造企業大都存在缺乏數據驅動理念、 現代質量管理技術應用水平較低造成傳統航天復雜裝備質量管理模式不適應市場化協作配套下的數字化經濟模式、質量大數據利用程度不高等問題,對產品質量管控精度大都只能到批次,質量數據管理粗放,特別是對外
325、協產品質量管控深度不夠,造成外協產品質量問題較多。企業對供應鏈質量管控的需求尤其迫切。 應用企業: 湖北航天技術研究院總體設計所主要從事航天產品總體及分系統的開發和研制工作。 設計所具備復雜信息系統規劃論證和實施能力,單位數據中心現有 718 萬億次計算能力,具備較強的信息化基礎資源能力?;谝延邢到y與數據,開展了各業務領域大數據分析,實現了行政辦公、科研生產、質量管理、人事信息、資產投資、保密管理等 6 個業務領域大數據分析與挖掘展現。 質量大數據白皮書 148 服務商: 北京索為系統技術股份有限公司 (以下簡稱 “索為公司” )致力于工業互聯網平臺建設、運營和服務,為制造行業提供以知識自動
326、化為驅動的工業互聯網、工業大數據、工業操作系統及工業 APP 開發運營服務。 擁有自主知識產權的工業技術軟件化平臺及數千種工業APP,應用覆蓋國防軍工十大集團、科研院所及汽車、家電、發電設備等高端制造業。(本案例湖北航天技術研究院也參與設計) 2 2. . 業務痛點:業務痛點: (1)缺少供應鏈管理系統性研究。存在質量管理要求傳遞不到位、考核評價量化水平不高等問題 (2)缺少關鍵性識別與控制系統研究。存在設計需求與質量風險識別不到位,生產過程關鍵特性控制不嚴的問題。 (3)缺少質量數據評價與分析系統性研究,無法預測質量發展趨勢和預防質量問題發生,無法實現質量的持續改進。 3 3. . 解決方案
327、及實施過程解決方案及實施過程 針對業務痛點問題,設計所提出以“設計工藝生產”全面協同和“事前預防+過程控制+質量預測”為核心的供應鏈質量管理理念,借助大數據、機器學習等技術,并研究開發相應的質量技術方法與管控工具,主要解決方案為: (1)采用可定制的數字化通用質量模板,通過數據融合、在線采集及離線采集等方式全面采集信息系統數據、供應商數據、生產與服務環境數據及其他外部環境數據,適應質量大數據多源異構特點,解決質量信息層層衰減問題,避免數字經濟模式下新的質量風險。 質量大數據白皮書 149 圖 8.19:技術架構圖 (2)通過智能采集終端、通用質量模板和云服務平臺,解決市場化協作配套下航天復雜裝
328、備批量化生產過程質量管控和異地協同的難題,適應質量大數據動態性高的特點,避免信息孤島,實現全過程質量信息的集成與共享,替代高成本的會議協調機制。 (3)依托“質量大數據中心+質量信息鏈+智能采集終端”的組合,實現各數字化質量工具的有效集成,實現供應鏈全級次管理,通過數據挖掘、機器學習等技術解決數據量大、價值分布不均及關聯性高的航天質量信息高效、 深入利用問題, 通過數據處理、 轉化、 內化,實現供應鏈智能質量管控。 網絡網絡安全安全域域統統一一認認證證存存儲儲安安全全傳傳輸輸安安全全態態勢勢感感知知安安全全審審計計權權限限管管控控APP及終端應用層及終端應用層(門戶門戶)網間網交換層網間網交換
329、層人工智能層人工智能層數據解析層數據解析層質量數據采集上報APP*質量形勢趨勢分析APP* 質量問題反饋處置APP* 標準化審查APP質量數據采集上報APP*質量形勢趨勢分析APP* 質量問題反饋處置APP* 標準化審查APP質量數據采集上報APP*質量形勢趨勢分析APP* 質量問題反饋處置APP* 標準化審查APP不合格品管理APP 設備計量管理APP 采購質量管理APP 售后管理APP質量數據采集上報APP*質量形勢趨勢分析APP* 質量問題反饋處置APP* 標準化審查APP故障問題在線答疑APP 過程質量管控APP*供應鏈質量管控APP質量大數據應用層質量大數據應用層知識圖譜知識圖譜語義
330、搜索語義搜索自動問答自動問答知識搜索知識搜索知識推理知識推理綜合質量管理綜合質量管理質量改進管理質量改進管理質量體系管理質量體系管理質量成本管理質量成本管理管理評審管理管理評審管理部門質量成本部門質量成本月報月報質量成本匯總質量成本匯總報告報告基礎設置基礎設置體系文件管理體系文件管理內部審核管理內部審核管理不合格品管理不合格品管理質量閉環管理質量閉環管理故障處理故障處理QCQC小組管理小組管理質量信息反饋質量信息反饋質量問題歸零管理質量問題歸零管理體系審核管理體系審核管理質量基礎管理質量基礎管理質量隊伍管理質量隊伍管理質量日報管理質量日報管理質量獎懲管理質量獎懲管理(質量獎申報質量獎申報)四個
331、兩量化評價四個兩量化評價質量經驗庫質量經驗庫故障庫故障庫評審與復查管理評審與復查管理評審管理評審管理( (設計設計/ /工藝工藝/ /產品質產品質量量/ /專項評審等專項評審等)質量復查管理質量復查管理質量目標管理質量目標管理產品科研生產質量控制產品科研生產質量控制設計質量設計質量管理管理計量管理計量管理試驗質量管理試驗質量管理供應鏈質量管理供應鏈質量管理(外協質量管控外協質量管控)售后質量管理售后質量管理試驗基本信息試驗基本信息管理管理試驗準備狀態試驗準備狀態檢查檢查試驗總結報告試驗總結報告試驗日志及試驗日志及故障處理故障處理計量人員計量人員管理管理計量臺帳計量臺帳管理管理計量檢定計量檢定管
332、理管理計量狀態計量狀態管理管理計量標準計量標準管理管理計量文檔計量文檔管理管理設計質量設計質量預防預防設計質量設計質量策劃策劃設計質量設計質量控制控制設計質量設計質量監控監控設計質量設計質量檔案檔案計量采購計量采購管理管理統計分析統計分析試驗檔案管理試驗檔案管理統計分析統計分析統計分析統計分析用戶培訓管理用戶培訓管理用戶問題受理用戶問題受理外場排故管理外場排故管理返修管理返修管理滿意度評測管理滿意度評測管理技術支持管理技術支持管理用戶檔案管理用戶檔案管理備品庫管理備品庫管理統計分析統計分析故障預測告警故障預測告警計劃管理計劃管理成本管理成本管理全過程質量追溯全過程質量追溯質量控制點信息追溯質量
333、控制點信息追溯不合格信息追溯不合格信息追溯產品實現過程質量正反向追溯產品實現過程質量正反向追溯產品配置追溯產品配置追溯六類專業數據六類專業數據分析應用分析應用元器件檢測元器件檢測軟件評測軟件評測標準緊固件標準緊固件可靠性試驗可靠性試驗新材料檢測新材料檢測 管泵閥檢測管泵閥檢測質量文化管理質量文化管理質量專題分析質量專題分析質量形勢趨勢分析質量形勢趨勢分析標準化管理標準化管理質量知識管理質量知識管理質量教育培訓管理質量教育培訓管理供應鏈基本供應鏈基本信息信息供應鏈基本供應鏈基本信息信息( (四級管理四級管理) )產品配套產品配套信息信息供應鏈績供應鏈績效評價效評價質量保證質量保證能力能力供應商供
334、應商監督監督供應商供應商考核考核供應商供應商準入準入供應商供應商分級分級供應商供應商選擇選擇供應商供應商動態動態調整調整過程質量過程質量管理管理質檢數據管理質檢數據管理數據包管理數據包管理質量保證策劃質量保證策劃( (質量模板策劃質量模板策劃) )質量控制要求質量控制要求( (質量模板制作質量模板制作) )技術狀態管理技術狀態管理質量風險質量風險管理管理產品質量產品質量預測預測/ /分分析析/ /挖掘挖掘質量問題質量問題統計分析統計分析質量問題質量問題診斷診斷質量問題質量問題追溯追溯產品驗收產品驗收管理管理統計分析統計分析檢驗過程管理檢驗過程管理(數字化出廠評審數字化出廠評審)檢驗標準管理檢驗
335、標準管理合格證管理合格證管理( (產品證明書生產產品證明書生產) )驗收檢驗管理驗收檢驗管理檢驗任務分配檢驗任務分配產品結構管理產品結構管理關鍵特性控制關鍵特性控制協同單位間質量數據交換共享系統、設備之間IP協議交換* 質量數據跨網交換 數據服務總線數據模型數據模型質量干預模型質量干預模型質量數據驅動模型質量數據驅動模型質量趨勢分析模型質量趨勢分析模型算算 法法 庫庫設計成本設計成本預測算法預測算法試驗可靠性試驗可靠性評估算法評估算法設備加工可靠性預測設備加工可靠性預測質量大數據中心質量大數據中心綜合質量數據綜合質量數據專業質量數據專業質量數據型號質量數據型號質量數據數據采集域數據采集域數據源
336、數據源質量主數據質量主數據標準和規范標準和規范N類數據類數據采集工具采集工具綜合綜合管理管理系統系統項目項目管理管理系統系統PDMPDM系系統統ERPERP系系統統智慧智慧企業企業平臺平臺客商客商管理管理基于基于PADPAD的的現場現場數據數據采集采集工具工具面向面向業務業務系統系統的數的數據采據采集標集標準接準接口口基于基于物聯物聯網的網的數據數據采集采集工具工具儀表儀表類數類數據自據自動檢動檢測工測工具具各類各類在線在線檢測檢測關鍵質量特性關鍵質量特性識別算法識別算法供應鏈評供應鏈評價模型價模型產品外協過程質量數據產品外協過程質量數據務架構依據GB/T19001-2006;GJB9001C
337、-2017平臺基礎平臺基礎用戶組織機構管理用戶組織機構管理流程管理流程管理BI報表展示報表展示三三員員管管理理備備份份管管理理服務器服務器、網絡網絡、數據庫等基礎運行環境數據庫等基礎運行環境數據中臺數據中臺質量知識數據質量知識數據質量大數據平臺總體架構質量大數據平臺總體架構( (五層兩域五層兩域) )九部已有質量管控平臺待建協同協同設計設計平臺平臺TDMTDM系系統統報告生成報告生成生產進度統計生產進度統計質量問題預警質量問題預警軟件產品生產軟件產品生產管理管理質量大數據白皮書 150 基于工業大數據和機器學習的航天復雜裝備供應鏈智能質量管理平臺的技術架構如圖所示,主要包括質量形勢趨勢分析功能
338、規劃、系統間聯動性和快速協同變更系統規劃等。 (1)質量形勢趨勢分析功能主要內容包括:a)基于大數據和機器學習對收集的產品質量數據、 供應商數據進行多維度聯合分析; b)基于質檢數據中記錄的組件產品或原材料的供應商信息, 展示產品的供應商網絡, 同時也可按供應商去查詢其供應的組件產品或原材料的質量情況;c)對平臺中的各種數據進行統計分析,包括生產進度統計、質量問題統計、質量數據查詢,并對之后生產的產品進行質量趨勢預警;d)從產品的角度將質檢數據、質檢進度、質量問題、技術文檔、供應商等多維度數據進行融合展示,形成數據融合視圖,用于全局的監控。 (2) 系統間的聯動性和快速協同變更功能規劃的主要內
339、容包括:與 PDM 系統集成;與質量問題閉環系統集成;與項目管理系統集成;與其它相關系統集成; 生產基線狀態變更后系統快速協同變更的方案設計與實現;設計所部署的質量管控平臺,通過數據傳遞技術會將邊緣節點的質量數據、工藝狀態會進行匯總和融合。 4.4. 應用成效應用成效 該質量大數據平臺采取了在復雜環境下均能實現產品生產過程質量管控的管控模式, 解決企業現有質量管理模式不適應新配套關系、質量要求和信息在供應鏈中逐級衰減、 現有數據采集手段無法全面采集質量信息等難題,實現航天產品可靠性可持續提升,產生巨大的效益。 (1)經濟效益 每年花費成本約為 20 萬元(視授權單位數量等有所差異),每年創造價
340、值約 200 余萬元。 質量大數據白皮書 151 (2)質量變革效益 經綜合測算重點產品外協質量問題下降 30%以上,將產品故障率由 4%降低至 2%,產品研制周期縮短了 15%,大大提升了產品質量,加快了產品研制周期。 典型案例典型案例 3 3:食品飲料行業數字化特色產業集群平臺:食品飲料行業數字化特色產業集群平臺 1 1. . 案例背景案例背景 在人民群眾對食品質量與安全要求明顯提升的大背景下, 食品工業企業的綠色發展效益與創新水平有待提升, 質量大數據基礎偏薄弱。主要體現在生產過程管理粗獷、 產品質量管控滯后、 質量信息追溯難、設備維護困難且成本高等方面。 企業亟需利用質量大數據新一代信
341、息技術手段,實現生產制造、運營管理、營銷等各環節的質量數字化升級。 應用企業:廣州華糖食品有限公司是一家擁有 60 多年食用糖生產歷史的國有大型企業。 目前在廣州開發區擁有占地 9 萬平方米的高自動化的大型精制糖生產基地, 已經成為全球跨國大型食品公司和多家國內知名食品企業的主要食糖供應商之一。自 2016 年以來,建設上線了 ERP/OA 等信息化系統,近年來,開展了生產車間和包裝線自動化升級改造,為企業的更深入、更廣泛的數字化轉型奠定了基礎。 服務商:航天云網數據研究院(廣東)有限公司(以下簡稱:航天云網廣東公司) 由航天云網科技發展有限責任公司和廣州開發區投資集團有限公司共同出資創立,以
342、工業互聯網為依托,以智能制造為核心,以生產性、專業性創新創業服務為主體,集資源整合、業務協作、綜合營銷以及創新創業等服務功能于一體,圍繞 20 大業務板塊面向社會提供綜合性開放服務。創立了基于“標識解析+區塊鏈”技術的質量溯源系統。 3.3. 業務痛點業務痛點 質量大數據白皮書 152 食品飲料行業普遍存在三個垂直方面的共性痛點: (1)生產效率有待提升 生產過程的質量管理手段缺乏;設備故障不可預測;原材料入庫到產品出庫的質量管控依靠手工記錄較多,質量數據信息化基礎弱。 (2)降本提效難度大 缺對原材料質量的管理手段,造成原材料成本偏高;設備運維管理缺乏數據積累,造成運維人員成本高。 (3)質
343、量管控難 生產過程的質量管理數據不透明; 質量管控數據存證手段存在漏洞,無法保障數據真實性;信息系統數據孤島現象普遍存在,質量問題追溯困難。 3.3. 解決方案及實施過程解決方案及實施過程 “食品飲料行業數字化特色產業集群平臺” 緊密圍繞企業提升生產效率、降低運營成本、加強質量管控三個縱向維度的共性問題,從生產鏈條、 運營鏈條兩個橫向維度打造行業普適性的數字化轉應用產品和服務能力, 形成 “三縱兩橫” 的解決方案能力集, 覆蓋設備管理、生產過程管理、質量管理、供應鏈管理、能源管理、高可靠質量溯源等全部業務場景。 圖 8.20:“三縱兩橫”的解決方案技術架構圖 質量大數據白皮書 153 平臺打造
344、具備食品飲料行業高行業屬性的的質量 APP 集, 具體情況包括: (1)設備質量維保管家。收集整理設備歷史運行數據、維修數據等質量數據,分析設備故障原因,為設備改進提供依據。為生產車間和生產線上的設備分配唯一二維碼,實現設備故障報修、點檢、巡檢、保養、維修等質量數據的收集記錄,極大提升了公司設備管理的運維點檢效率。 (2)質量管理系統。實現對原材料入庫、生產過程、產品出庫等環節的質量事件進行記錄、統計與處理,記錄整理生產數據、質檢數據,形成產品質量追溯的數據源頭,為供應商管理、產品研發和改進提供數據參考。 (3)質量溯源系統。在食品包裝線安裝噴碼設備,賦予產品一物一個質量信息碼和一箱一個質量信
345、息碼, 利用標識解析和區塊鏈等技術,打造產品防偽防竄貨整體解決方案,終端消費者可以隨時查詢產品的質檢報告,提升品牌價值。 (4)生產過程動系統。實現生產、質量、設備等數據匯總至數據庫,實現生產過程透明化。 (5)供應鏈管理系統。實現所有原材料采購數據的統一管理,并對供應商、供應原材料、原材料質量、生產計劃管理等數據進行有效關聯,極大提高供應鏈協同效率。 通過上述服務,將內部各環節質量大數據進行融通,實現企業生產、能耗、質量和經營數據的可視化,可直觀展示公司運營情況,有效解決了數據孤島,為企業管理決策提供了有效支撐。 4 4. . 應用成效應用成效 該項目在華糖食品開展了較為全面的應用落地。 落
346、地實施共涉及華糖食品煉糖車間、大包裝、小包裝、飲料線等 4 個車間,覆蓋了生質量大數據白皮書 154 產制造、倉儲物流、質量管理、能源管理、設備管理、供應鏈管理等6 個業務領域,并取得了較好的應用示范效果。 (1)經濟效益 企業運營成本減低 35 萬/年,且信息化支出成本下降超過 35%,能耗成本下降 11.2%左右。 (2)質量效益變革 借助食品飲料行業數字化特色產業集群平臺的服務能力, 從生產過程管理、設備管理、能耗管理、質量管理、質量追溯、供應鏈管理等方面助力華糖食品質量數字化升級, 生產效率提升 3%以上, 檢測效率提升 10.2%,產能從 13 萬噸提高到了 28 萬噸。 8.5 質
347、量公共服務與新生態 具有平臺化運行和社會化協作能力的企業,匯集質量管理、政府監管、企業運營、第三方服務等質量大數據形成數據湖,以數據為支撐采用“平臺+生態”的發展理念提供一體化質量提升服務,并形成了機構制定標準、第三方提供檢測、企業加強提升、數據反饋企業的“多方共治一體化”閉環運行模式與質量共生創新生態。 質量大數據生態體系面向企業提供質量數據可視化供應鏈管理、 數字化營銷等企業服務,提升企業質量管理效率;面向政府提供抓手搭建品牌監管平臺,服務于區域質量品牌管理和效益提升;面向社會提供產品全要素質量數據,提升消費者質量信任度,塑造品牌形象。 典型案例:典型案例:基于“質量碼”的基于“質量碼”的
348、平陰玫瑰融合應用平陰玫瑰融合應用 1 1. . 案例背景案例背景 近年來國家高度重視農業質量提升與品牌建設, 從國家部委到各地政府出臺一系列品牌建設的政策 關于加快推進品牌強農的意見 、關于堅持農業農村優先發展 做好“三農”工作的若干意見,倡 質量大數據白皮書 155 導以區域品牌帶動區域經濟發展。當前玫瑰產業存在數據匯集、鎖定責任主體、數據互信、數據共享等方面的痛點,亟需通過信息化平臺建設,加強玫瑰產業管理,提升品牌知名度,提高產業綜合效益,利用區塊鏈、質量大數據等技術手段,積極推動一二三產深度融合。 應用企業:平陰玫瑰產業發展中心坐落于“中國玫瑰之都”山東平陰,主要負責有關玫瑰產業發展政策
349、落實的支持和服務;承擔全縣玫瑰產業中長期發展規劃建議, 并協調組織實施; 承擔玫瑰產業發展、招商引資、項目管理的協調服務工作;為玫瑰產業提供融資、信息、技術支持、人才引進等服務;負責高端玫瑰產業項目的引進、培育等服務工作,拉長玫瑰產業鏈條等相關工作。 服務商: 浪潮工業互聯網公司定位為工業互聯網基礎設施建設商和制造業智能化轉型綜合服務商,聚焦裝備、電子、化工、采礦、食品、 制藥、 鋼鐵、 能源、 建筑、 交通等關鍵行業領域, 突破標識解析、工業安全、確定性網絡等核心技術,提供全云化、全場景的制造業智能化轉型解決方案。 2 2. . 業務業務痛點痛點 近年來,平陰玫瑰產業呈現高速發展態勢,依托產
350、業集群優勢成為 “中國玫瑰之鄉” , 但是在融合發展過程中暴露出質量相關的痛點。 (1)種植質量管理粗放,產情難預測; (2)采收方式原始,數據收集斷層,效率低; 3 3. . 解決方案及實施過程解決方案及實施過程 浪潮“質量碼”是以區塊鏈為核心支撐技術,融合云計算、大數據、人工智能等新一代基礎設施,打造的第三方全要素質量數據公共服務平臺和質量提升支撐服務體系。 質量碼構建底層可信質量數據支撐體系,通過匯集質量管理、企業運營等數據形成數據湖,實現圍繞基地場景的物聯網設備群、 圍繞工廠場景的加工機械設備群和圍繞從質量大數據白皮書 156 業種植人員/從業采收人員/從業加工班組人員的人、機、物間的
351、質量數據互聯互通, 最終實現平陰玫瑰產業鏈全要素數據監管和全流程質量服務。 圖 8.21:系統邏輯架構圖 (1)“質量碼”認證實現品牌創新監管 基于全要素質量數據公共服務平臺,將企業標準、檢測、質量、資質、出入庫等動態數據進行區塊鏈寫鏈存證和交叉驗證,鎖定企業主體身份,確保數據不可篡改和真實有效。并對符合要求的企業授權平陰玫瑰質量碼,保證平陰玫瑰品牌標準統一管理和不受假冒侵害,從而創新監管模式。 圖 8.22:系統邏輯架構圖 (1)一產種植方面,數字花田質量管理實現標準化、科學化 質量大數據白皮書 157 在平陰玫瑰花田全區分設 6 個網格,建設天空地一體化物聯網,覆蓋全縣 28000 余畝種
352、植基地和 13000 個種植建檔戶, 依托標識解析體系,實現墑情、苗情、病蟲情、災情等玫瑰質量數據的自動采集,并將花田、地塊、種植戶三者的數據自動關聯,匯集形成全縣玫瑰種植產業資源、農事、投入物品監管一體化平臺,實時監控指導各片區基地的病蟲防治、玫瑰長勢等質量管理。 (2)二產加工方面,自控烘干統一工藝標準,降低成本 在加工方面, 運用云計算技術對鮮花烘干生產線進行了智能化改造,對烘干生產線上的各控制單元和水分檢測設備進行聯網,實時采集設備動態運行質量數據及鮮花烘干數據,通過烘干數據邊緣運算,實現對生產線烘干速率的自動化控制。 (3)三產營銷方面,質量碼營銷實現一二三產流量閉環 基于標識解析打
353、造平陰玫瑰質量碼體系, 有效串聯了產品流通上下游環節,聯合線下銷售門店和網店打造流量閉環,實現了流通、消費、文旅融合發展。質量碼通過區塊鏈追溯服務,實現鮮花質量數據及品牌數據可視化,既能展示品牌高品質,實現品牌宣傳,又能提升消費者信任度,塑造當地品牌形象。 4 4. . 應用成效應用成效 通過對基地、企業、標準、檢測進行存證,實現平陰玫瑰品牌認證的線上化管理, 打通種植、 采收分級、 加工、 銷售等各個環節數據,鎖定責任主體,為平陰玫瑰品牌提供動態質量監管能力,構建社會監督機制,為消費者傳遞信任,塑造平陰玫瑰品牌形象。 (1)經濟效益 借助浪潮“質量碼”第三方全要素質量數據公共服務平臺,以區塊
354、鏈技術為核心,建立覆蓋全縣 1.2 萬余種植戶的質量數據檔案;提升平陰玫瑰產業生產效率, 企業收花效率提升 200%、 鮮花收購價格提質量大數據白皮書 158 升 100%,加工效率提升 30%;為企業提供多樣的產品宣傳途徑,幫助提升品牌曝光度 500%; 實現平陰玫瑰一二三產融合動態監管, 構建起社會監督機制。平均每月幫助一條中型生產線節省近 540 個人工時,約 10 萬元,鮮花的水分控制達標率提高至 98%。質量碼體系 2021 年完成 60 萬產品賦碼量,同時基于玫瑰碼開展活動 6 次,引流 6 萬余次,成為了平陰玫瑰文旅發展的新窗口。 (2)質量效益變革 面向一產收花階段,利用“質量
355、碼”為玫瑰種植者提供唯一數字身份,為數字收花打下基礎,打造供需匹配模塊,升級傳統收花者流動收花模式,提高收花效率的同時實現收花高質量管理;面向二產加工階段,升級傳統加工烘干設備,利用設備實時質量數據采集實現加工控制,減少加工過程人員投入,部分模塊實現無人化加工。 質量大數據白皮書 159 參考文獻 1 Ahmad, S. and Schroeder, R.G. Refining the productprocess matrix J. International Journal of Operations & Production Management, 2002, 22(1): 103-12
356、4. 2 謝克強,聶國健,胡寧. 質量大數據驅動的智能制造J. 中國工業和信息化, 2021,38:44-49. 3 田春華,李闖,劉家揚等. 工業大數據分析實踐M. 北京:電子工業出版社, 2021. 4 Moyne, James, Enrique Del Castillo, and Arnon M. Hurwitz, eds. Run-to-run Control in Semiconductor ManufacturingM. CRC Press, 2018. 5 中國電子技術標準化研究院. 工業大數據白皮書(2019版)R. 2019. 6 工業互聯網產業聯盟. 工業互聯網平臺白皮書R
357、. 2019. 7 工業互聯網產業聯盟. 工業大數據分析指南R. 2019. 8 賈新章, 游海龍,顧鎧等. 統計過程控制理論與實踐 M. 北京:電子工業出版社, 2017. 9 丁磊. 數字化全面質量管理J. 上海質量, 2020(2):6. 10 何楨. 六西格瑪管理(第三版)M. 北京: 中國人民大學出版社, 2014. 11 中華人民共和國國務院. 國務院關于開展質量提升行動的指導意見Z. 2017-09. 12 中華人民共和國國務院. 關于加強質量認證體系建設,促進全面質量管理的意見(國發20183 號)Z. 2018-01. 13 十三屆全國人大四次會議. 中華人民共和國國民經濟和
358、社會發展第十四個五年規劃和 2035 年遠景目標綱要M. 人民出版社. 2021-03. 質量大數據白皮書 160 14 工業和信息化部規劃司. 大數據產業發展規劃(20162020 年) (工信部規2016412 號) Z. 工業和信息化部規劃司, 2017-01. 15 工業和信息化部科技司. 關于促進制造業產品和服務質量提升的實施意見(工信部科2019188 號)Z. 2019-08. 16 工業和信息化部辦公廳. 關于做好 2021 年工業質量品牌建設工作的通知(工信廳科函202148 號)Z. 2021-03 17 工業和信息化部辦公廳. 制造業質量管理數字化實施指南(試行)(工信廳
359、科(2021)59 號)Z. 2021-05 18 Peihua Qiu. Introduction to Statistical Process ControlM. CRC Press, 2014. 19 徐榕青, 張晏銘, 王輝,等. 面向微波組件工藝失效分析的大數據建模技術J. 計算機測量與控制, 2020, 28(9):6. 20 李益兵. 光電子產品生命周期質量管理關鍵技術研究D. 武漢理工大學, 2008. 21 王萌. 混合分類算法及其在質量改進中的應用研究D. 西北工業大學. 22 周樂. 基于概率的工業過程數據建模與故障檢測D. 浙江大學, 2015. 23 白翱. 離散生產
360、車間中 U-制造運行環境構建、信息提取及其服務方法D. 浙江大學, 2011. 24 李蓮芝. 汽車變速箱質量問題追溯的理論方法研究D. 吉林大學, 2011. 25 姜興宇. 網絡化制造模式下產品全生命周期質量管理M. 冶金工業出版社, 2011. 26 曾勇. 無砟道岔施工過程質量控制理論與方法研究D. 西南交通大學, 2012. 27 郭鈞. 整車制造企業生產過程質量控制及評價方法研究D. 武漢理工大學, 2012. 質量大數據白皮書 161 28 賈豐勝, 王禹銘. 航天質量大數據管理和應用研究J. 質量與可靠性, 2020, 206(02):50-54. 29 李昱, 方俊偉. 化工
361、行業基于大數據驅動的工藝操作優化技術研究J. 自動化博覽, 2019, No.305(02):54-58. 30 劉頌, 劉福龍, 劉二浩,等. 融合大數據技術和工藝經驗的高爐參數優化J. 鋼鐵, 2019, 54(11):22-32. 31 朱占軍,王明俠,王春林. 基于質量預測與統計分析的燒結過程性能監控系統研究J. 燒結球團, 2016, 41(001):7-11. 32 Yang G M, Fan X H, Chen X L , et al. Optimization of Cooling Process of Iron Ore Pellets Based on Mathematica
362、l Model and Data MiningJ. Journal of Iron and Steel Research (International), 2015(11):7. 33 Cao W D, Yan C P, Ding L, et al. A continuous optimization decision making of process parameters in high-speed gear hobbing using IBPNN/DE algorithmJ. International Journal of Advanced Manufacturing Technolo
363、gy, 2016, 85(9-12):2657-2667. 34 工業信息安全產業發展聯盟.2020工業互聯網安全白皮書R. 2020. 35 Atwal H. Practical DataOps: Delivering Agile Data Science at ScaleM. Apress, 2019. 36 蔡莉,朱揚勇. 大數據質量M. 上??茖W技術出版社, 2017. 37 Lee Y W, Pipino L, Funk J D, et al. Journey to Data QualityM. Cambridge: MIT press, 2006. 38 郭 朝 暉 . 工 業 大
364、 數 據 時 代 的 數 據 基 礎 EB/OL. https:/ 39 華為公司數據管理部門. 華為數據之道M.機械工業出版社, 2020. 質量大數據白皮書 162 縮略語表 縮寫縮寫 英文全稱 中文全稱 ADS Application Data Store 應用數據層 AI Artificial Intelligence 人工智能 ANN Artificial Neural Network 人工神經網絡 ANOVA Analysis of Variance 方差分析 AOI Automated Optical Inspection 自動光學檢測 APC Advanced Process
365、Control 先進過程控制 AQDEF Advanced Quality Data Exchange Format 高級質量數據交換格式 BC Block Control 區域控制 BOM Bill of Material 物料清單 CAPP Computer Aided Process Planning 計算機輔助工藝規劃 CRNN Convolutional Recurrent Neural Network 卷積循環神經網絡 DCS Distributed Control System 分布式控制系統 DOE Design of Experiment 試驗設計 DMAIC Define-
366、Measure-Analyze-Improve-Control 6-sigma 流程工具 DWD Data Warehouse Detail 數據倉庫明細層 DWS Data Warehouse Store 數據倉庫匯總層 EAP Equipment Automation Program 設備自動化過程 EDA Engineering Data Analysis 工程數據分析 EPC Engineering Process Control 工程過程控制 ERP Enterprise Resource Planning 企業資源規劃 ETL Extract-Transform-Load 抽取、轉
367、換、加載 FDC Fault Detection and Classification 故障檢測與分類 FMEA Failure Mode and Effects Analysis 失效模式及后果分析 質量大數據白皮書 163 FMECA Failure Mode、Effects and Criticality Analysis 失效模式、后果及危害性分析 FT Functional Test 功能測試 FTA Fault Tree Analysis 故障樹分析 GEM General Equipment Model 通用設備模型 HDFS Hadoop Distributed File Sy
368、stem Hadoop 分布式文件系統 HTAP Hybrid Transactional / Analytical Processing 混合事物分析處理 ICT Information and Communications Technology 信息與通信技術 IOT Internet of Things 物聯網 iPaaS integration platform as a service 集成平臺即服務 IQC Incoming Quality Control 來料質量控制 IT Information Technology 信息技術 LIMS Laboratory Informati
369、on Management System 實驗室信息管理系統 MEF Manufacturing Error Flow 誤差流 MES Manufacturing Execution System 生產制造執行系統 MFCC Mel-frequency Cepstral Coefficients 梅爾頻率倒譜系數 MPP Massive Parallel Processing 大規模并行處理 OBD On Board Diagnostics 機上診斷 OLAP On-Line Analytical Processing 聯機分析處理 OLTP On-line Transaction Proce
370、ssing 聯機事務處理 OT Operation Technology 操作技術 OWL Web Ontology Language 網絡本體語言 PAT Process Analytical Technologies 過程分析技術 PCB Printed Circuit Board 印制電路板 PDCA Plan-Do-Check-Action Cycle 戴明環 PDM Product Data Management 產品數據管理 質量大數據白皮書 164 PHM Prognostics and Health Management 故障預測與健康管理 PLC Programmable L
371、ogic Controller 可編程邏輯控制器 PLS Partial least squares regression 偏最小二乘法回歸 PONC Price of Nonconformance 額外浪費的代價 QFD Quality Function Development 質量功能展開 QMS Quality Management System 質量管理系統 RFID Radio Frequency Identification Device 射頻識別裝置 RSD Relative Standard Deviation 相對標準偏差 SECS SEMI Equipment Commun
372、ications Standard 半導體設備通訊標準接口 SDK Software Development Kit 軟件開發工具包 SMT Surface Mount Technology 表面貼裝技術 SPC Statistical Process Control 統計過程控制 SPI Solder Paste Inspection 錫膏檢查 STFT Short Time Fourier Transform 短時傅里葉變換 SVM Support Vector Machine 支持向量機 TQC Total Quality Control 全面質量管控 TQM Total Quality Management 全面質量管理 TRIZ Teoriya Resheniya Izobreatatelskikh Zadatch 發明問題解決理論 VOC Voice Of Customer 客戶需求 WMS Warehouse Management System 倉庫管理系統 工業裝備質量大數據工業和信息化部重點實驗室 通 信 地 址 : 廣州市增城區朱村街朱村大道西 78 號 郵 政 編 碼 : 511370 聯 系 方 式 : 020-87237431 網址 : 工業和信息化部電子第五研究所工業和信息化部電子第五研究所