大数据技术与工业绿色制造的融合及创新研究

刘宝发，蒋丹璐

信息技术的快速发展给世界工业制造带来了巨大的挑战。例如，德国工业4.0、美国工业互联网、中国制造2025等，无不彰显互联网及大数据技术、人工智能的无穷魅力。中国政府积极促进大数据技术在工业企业中的应用，以实现工业系统高效、节能、环保的绿色智能制造、运营。虽然众多生产制造企业认识到大数据技术对生产优化、决策的积极作用，但是，大数据技术在国内企业的应用效果并不理想。究其原因，主要是因为：第一，认知问题。信息技术更新速度太快，超越了众多企业所有人及管理者的认知范畴，他们对实施大数据技术改造没有把握。另外，由于不同企业的制造流程与工艺不同，大数据及智能化的改造也不同，因此，没有可以参考、借鉴的模式，导致企业对革新产生畏惧。第二，资金问题。大数据改造的成本较高，在资金有限及考虑投资收益的情况下，许多企业的投资被搁浅。第三，人才问题。大数据的技术改造难度很大，制造企业大数据技术人才的储备与培养不足，且大数据技术人才的薪资水平高，即使委托信息技术公司开发、建立大数据技术系统，制造企业也难以承担高昂的使用维护和人力成本。

针对上述问题，本研究探讨了一般制造业与大数据技术及人工智能融合的基本方式，阐述了国际制造业的发展趋势，并提出建议以促进产业升级、实现工业绿色化。

一、国内外研究评述

（一）生产制造

朱向雷等人对保险业、物流转型升级、支撑产业规划和研发4个方面进行分析，提出了采用大数据促进商用车的跨界产业融合[1]。Santos等人针对工业4.0在数据收集、集成、存储、处理和分析方面的问题，提出了工业4.0的大数据分析架构、体系结构的特定层以及其特定组件被集成到从数据收集到数据分析和可视化的数据工作流中[2]。Oses等人认为，大数据分析、物联网系统与节能计量等先进方式将被应用于生产制造中[3]。Shafiq等人提出，在智能化工厂中需要实现虚拟工程对象、虚拟工程流程和虚拟工程工厂3个层面同步，这有助于构建工业4.0的结构，实现更高水平的智能机器、工业自动化和高级语义分析[4]。另外，众多研究者认为智能制造需要服务和物流的相互协调。例如，Scheuermann等人描述了一种敏捷工厂原型，并将敏捷软件工程技术转移到制造领域，还提出了智能工厂架构[5]。Wang等人研究了精益生产与智能制造之间的关系，构建了精益智能生产系统（Lean Intelligent Production System，LIPS），以提高生产质量和效率，降低成本[6]。王建斌通过对红领集团公司（酷特智能）大数据技术与生产过程的融合进行调研，实现客户通过互联网直接“到”工厂，客户自主设计、自主下单、生产过程自动化、物流分配自动化，使信息化和企业的精益管理完美融合[7]。杨国华等人认为，酿酒行业工业4.0的生产线及包装线的各个环节必须实现全网络覆盖，采用智能装备控制系统、人机互动界面，实现车间内生产过程与电脑、手机之间以网络或蓝牙等功能进行互联，并由企业总云端控制中心进行统筹安排生产[8]。

夏妍娜和王羽介绍了德国宝马集团将大数据分析检测技术植入产品设计、生产以及维护环节中的应用实践[9]。Moktadir等人应用 Delphi的层次分析法，研究5家孟加拉国制造企业的生产供应链，发现大数据分析在生产过程中的主要障碍：数据障碍最为关键，相关技术障碍位居其次。这些障碍涉及5个重要方面：一是基础设施缺乏；二是数据整合复杂；三是数据隐私问题；四是缺乏相关、可适用的大数据分析工具；五是投资成本高昂[10]。

（二）物流

Tiwari等人阐述了大数据在供应链管理中的应用，包括战略资源、供应链网络设计、产品设计与开发、需求规划、采购、生产、库存、供应链的敏捷性和可持续性等，探讨了供应链分析技术与实施、未来大数据分析在供应链管理中的应用[11]。Robert Earley指出，把大数据技术及物联网引入货运卡车能显著提升卡车司机的能力，减少耗油量、降低成本，从而减少对环境的负面影响[12]。杨建亮等人通过融合北斗导航、物联网、云计算、大数据、移动互联网等先进信息技术，构建了“四位一体”的冷链物流工程管理技术体系[13]。魏斐翡基于Hadoop提出了一种称为ECLHadoop的有效电子商务物流大数据处理策略[14]。王寅田以某省交通物流云平台项目为对象，设计并实现了一种上下游结点部分并行的MapReduce工作流执行优化方案，设计并实现了一个支持协同开发和工作流组装的交通物流大数据处理系统[15]。张锐通过对Hive技术的物流数据仓库进行分析，提出了物流数据仓库的具体实现方案[16]。蒋凡从调度系统和开放平台两个方面，提出了提高单次配送效率和节省多次配送成本的标准化解决方案[17]。傅少伟以亚马逊为例，阐述了大数据技术应用于物流的情形，包括订单及客户服务的精准预测、采购与库存信息的精准预测、智能算法驱动下的物流作业、商品的随机储存等[18]。

（三）服务

刘蕾和鄢章华针对大健康产业提出了“大健康＋小应用”的大健康产业服务模式，即通过大数据中心对多维度数据进行收集和融合，实现用户、服务主体的数据化，并生成相应的画像描述；通过小应用提供多样化的规范服务，满足用户、服务主体的大健康供需匹配需求；由政府部门监管数据中心的运行，保障数据使用过程中的隐私安全[19]。杨国华等人认为，酿酒行业的工业4.0应以大数据分析为支撑，建立全方位的客户服务循环机制，并与终端用户及时进行沟通交流，实现客户的个性化需求，延伸服务范围，提高用户满意度[8]。鞠宏磊等人针对广告服务行业的大数据精准广告，提出应用大数据信息检索、受众定向及数据挖掘等技术对目标消费者数据进行实时抓取与分析，针对消费者的个性化特征和需求推送具有高度相关性的商业信息[20]。荆爱珍等人认为，在大数据时代，养老产业需要运用智能化设备和线上线下互联网大数据，实时精准跟踪老年人的身体健康状况、日常生活习惯、饮食偏向、消费需求、文化娱乐等，并形成数据统计，实现智慧养老，提高服务质量[21]。刘力钢等人提出，旅游产业的大数据营销是以量化、精准的数据为依据，将广告在恰当的时间、恰当的地点提供给恰当的潜在旅游消费者[22]。马二伟提出了大数据技术与广告产业融合发展的3种主要模式：高新技术的渗透融合、产业间的交叉延伸融合与产业重组融合[23]。夏妍娜和王羽介绍了德国宝马集团服务客户的大数据系统与平台，如德国宝马集团将自己研发的Pivotal（关键技术）大数据分析平台系统置于硬件后端，在保证客户隐私的前提下，实现了故障的提前预测功能；还与SAP软件公司联合开发“互联驾驶系统”大数据平台，利用远程车辆信息交互科技，将互联网与车辆的软件、驾驶辅助系统硬件联为一体，并提供个性化的信息增值服务和车内电子商务平台[9]。

（四）其他

Gennaro等人通过欧洲公路运输政策的数据处理平台，以及导航系统收集的驾驶和移动模式的数据集，对大规模流动统计、电动汽车取代传统燃料汽车的潜力和相关模式转变、电动汽车的能源需求、充电基础设施与车辆连接电网的智能设计、现实世界的驾驶、蒸发排放评估和绘图等大数据潜力进行分析。研究表明，大数据在政策评估和治理方面具有巨大潜力，为将来发展提供了非常大的机会，以激发智能政策以及公共和私人投资实现下一代绿色汽车的大规模部署[24]。

Bilal等人对大数据统计、数据挖掘与仓储、机器学习及大数据分析等建筑行业大数据技术进行文献研究调查，阐述了这些技术在建筑行业多个领域及特定子领域的未来潜力，提出了未来工作的问题和方向，以及与业内大数据采用相关的潜在缺陷，如数据安全、隐私与保护、数据质量、大数据应用成本、大数据应用的互联网连结等[25]。

Belaud等人介绍了一个轻量级计算平台，阐述了如何采用仿真模拟及大数据分析技术来管理自然灾害和化学工艺工程[26]。Dayal和Singh介绍了印度医疗卫生领域应用大数据编程工具的情况[27]。Lee等人介绍了工业大数据分析和物联网的发展趋势，并简要讨论了物联网系统架构，称为5C，认为其是制造业中完全集成网络物理系统的必要步骤[28]。

Yang Lu通过检索Web of Science数据库，阐述了工业4.0互操作性的关键问题和概念框架，讨论了工业4.0未来研究的挑战和趋势[29]。

二、大数据技术与工业绿色制造的融合创新方式

传统工业制造的流程主要包括产品设计、原材料采购、生产制造、仓储运输、订单处理、物流配送、终端营销等。在实际运营活动中难免会出现差错，如忙乱出错、遗忘出错、身体不良出错、信息沟通出错等，致使某些环节生产效率不高，难以实现绿色制造。企业运营的要求是高效率、高质量、低成本，即良好的经济效益，而社会对企业的要求是低污染，即绿色环保。因此，大数据技术与工业制造融合创新的方向是“两高两低”，即高效率、高质量、低成本、低污染。基于此，结合众多研究与实践，根据工业4.0的发展方向，提出了大数据技术与工业绿色制造融合创新的方式：智能工厂、智能物流、智能营销、智能能源。绿色智能制造模式如图1所示。

图1 绿色智能制造模式

（一）智能工厂

智能工厂的“核心”是大数据，即产品数据、产量数据、工艺数据、设备数据、物料数据、质量数据等，运用运行控制平台实现数据集成，并进行自动分析、实施与执行，实现工厂生产制造的智能化。智能工厂如图2所示，具体包括：装备自动化、工艺数字化、生产柔性化、过程可视化、信息集成化、决策智能化[30]。

图2 智能工厂

（1）装备自动化。各种加工设备是完全自动的，如数控加工、自动化流水线加工与安装设备等，每个设备及流程环节均通过物联网采集数据，不需要任何人员参与或执行动作，除非故障需要维修；送料自动化，实现工厂物流自动化；工厂内采用非接触专业传感器（或光学自动检测），自动采集检测数据并及时反馈结果数据；实现产品跟踪与质量检测自动化。

（2）工艺数字化。首先，采用生产制造软件系统，实现任何与工厂制造相关产品的设计与仿真，并按照工厂的制造条件自动实施工艺流程设计；然后，采用可视化过程展示工艺流程，以便设计人员修改、调整与确认；最后，针对特定产品形成固定模式的工艺流程数字化方式，实现产品从设计到制造的效率提升与质量保障。

（3）生产柔性化。工厂的整个设备均可按照运行控制平台的指令随时调整工作模式、加工方式，实现多品种、多工序混合生产；并在不同产品类别之间及时切换，即按照运行控制平台工作计划智能执行，以实现物料配送、加工生产到质量检测、物流配送等混流生产的多目标协同，不需要中断生产及人工安排、执行。

（4）过程可视化。为了方便管理与监控整个生产过程，保证生产稳定运行，防止意外情况发生，如设备故障、停电、自然灾害等，需要实现整个生产过程可视化。运用工厂物联网系统的各种传感器、监控设备（如RFID等），实时采集物料、生产设备（如数控机床、机器人等）、运输设备等数据，实施监控、管理、操作设备与设施，并利用软件仿真系统，把整个过程以图或表的形式展示给工作人员，还可根据操作人员的要求在屏幕上放大任何生产环节。

（5）信息集成化。对所有生产所需的物料、设施与设备采用物联网的技术规范，设计统一的数据模型、接口规范、数据平台，实现各种多源异构数据和信息的集成，以实时采集相关物料、设施与设备的数据，按照设计与配置对海量数据进行存储与处理。

（6）决策智能化。根据工厂的条件，采用一定的规制与算法，工厂运行控制平台提供智能化的解决方案，实现物料自动配送、制造过程自执行、设备状况自检测、生产管控自组织与管理决策。

（二）智能物流

智能物流是以客户需求为中心，运用自动化手段将客户所需要的货物在规定的时间内送达到正确的地点。因此，要在技术上实现物品识别、地点跟踪、物品溯源、物品监控、实时响应。采用物联网技术，将传统物流技术与智能化系统运作管理相结合，使物流系统集成在企业运行控制平台中，实现物流信息化、智能化、自动化、透明化、系统化的运作模式，使物流过程中的运输、存储、包装、装卸等环节形成自动一体化。

因此，工业制造企业要实现智能物流，需要几个关键技术集成：基于物联网的自动识别数据传输技术、数据分析处理与人工智能技术、地理信息系统（Geographic Information Systems，GIS）技术。

（1）基于物联网的自动识别数据传输技术。主要是采用条码识别技术、智能卡识别技术、光字符识别技术、射频识别技术、生物识别技术等将物流产品及设备链接成一个整体，实现数据与指令的输入执行。

（2）数据分析处理与人工智能技术。根据物联网收集的海量信息，按照一定的规则进行分析处理，包括统计、归纳、管理等实现数据挖掘；采用深度学习算法，按照成本最低、效率最高、客户服务最好的目标，针对物流配送与仓储系统，制定降低成本、提高效率的物流方案，下达操作指令给相应的设备、设施等。

（3）GIS技术。使用GIS技术可以构建物流流程图，包括客户信息、订单信息、网点信息、送货信息、车辆信息等。在运行控制平台中，按照客户需求优化物流过程，包括智能分单、网点合理布局、送货路线最佳规划、货品监控与管理，实现低成本的、客户体验价值最佳的物流配送。

（三）智能营销

智能营销是指通过物联网、移动互联网等多种通讯手段，实时收集消费者的海量信息，并运用大数据及云计算技术，分析消费者的动态需求，理解并精准地获知目标客户的需求，利用客户可接受的信息渠道、方式及相关媒体（网络、移动互联网等）把企业产品信息准确地推送给目标客户。将消费者纳入企业生产营销环节，根据客户的个性化需求生产相应的产品，并运用智能物流把产品配送给客户。生产企业依据客户使用产品的相关数据为其提供智能化的指导、服务，并及时处理客户的意见、投诉等。

若要实现智能营销，就要以客户为中心，以物联网等大数据技术为基础，全面整合企业生产、物流、营销等环节，打造精准的个性化营销，实现品牌与实效的完美结合，为消费者提供最佳的服务。这体现了智能营销的四大特征：人工智能（AI）技术化、精准化、个性化、低成本化。

（1）AI技术化。智能营销的基础是信息技术的集成化，通过大数据、AI技术等收集、处理各种海量信息，以获得最佳的营销方案，包括客户需求、地域分布、信息推送渠道与方式等。

（2）精准化。通过对海量信息进行分析与处理，精准获知目标客户，把企业及产品信息推送给目标客户，并精准收集目标客户的消费需求与采购订单，将其自动传输给企业运行控制平台，并及时作出处理。

（3）个性化。针对每个客户的消费行为特征、心理特征、地理区域及经济条件，推送个性化的广告信息，给消费者提供产品使用现场的体验感知，获得客户个性化的产品需求，以及个性化的产品配送、服务方式。

（4）低成本化。传统营销模式的成本非常高，必须采用大数据、AI技术进行智能化处理，以获得合理的营销方案，包括信息推送的媒体及渠道选择等营销资源的配置等。

（四）智能能源

部分工业制造企业存在能源利用率低、经济效益差等问题。如何提高能源综合利用率，使排污最小化，是企业与社会关注的焦点。因此，需要加强相关基础设施建设。

（1）基于环境友好型的工业制造。按照绿色环保的要求，以“零排放、零污染”为目标，加快设备更新、改造，以及企业排污管理与设备安装，致力于打造绿色制造。

（2）基于大数据与人工智能技术的规划与建设能源基础设施。包括供能设备与设施的建设，以及能源利用设施设备的装备采购与安装，如制造设备、运输设备、空调设备等。

（3）基于物联网的人工智能控制技术。主要是通过传感器等获取供能设备、制造设备、空调设备等能耗数据，通过智能系统依据生产安排优化能源调配，消除无用能耗。

（4）实施冷、热、电综合利用系统。通过传感器与智能化技术，对供能设施、用能设备实施实时监控，实现工业制造的冷、热、电三联的综合利用系统，达到能源的高效利用。

（5）实施基于电价波动的能源管理。根据不同时段的电价差异，建立储能设备与设施机制，使其在低电价时段储能、高电价时段释放，实现电力使用的合理配置。另外，在保证生产运营的情况下，合理设计生产运营各个环节，优化用能结构，降低能耗成本。

三、基于大数据技术的绿色工业生产发展趋势

在工业4.0阶段，世界各国制造业在信息技术的推动下不断升级，未来工业制造业将越来越自动化、智能化、数据化、物联化、绿色化及产业界限模糊化。

（1）自动化。在劳动力费用越来越高昂的条件下，减少人工成本、提高效率是制造业发展的方向，未来工厂将在设计、生产、运输、服务、维修等方面逐渐实现无人化。

（2）智能化。在计算机技术与信息技术发展的条件下，设定一定规则，开发多种算法，并进行深度学习，使整个生产过程在计算机算法的控制下自动给出优化方案，发布指令，然后由各执行部件实施相应方案，从而形成设计、生产、运输、服务的智能化生产模式。

（3）数据化。生产过程中的每一个环节及物品、设备、设施等都需要数据化（包括静态数据与动态数据），这是未来工业智能化的基础。因为所有的生产数据都需要及时传输给运行控制平台进行分析与控制，以保证生产正常运行。

（4）物联化。采用物联网技术将物料、设备、设施、车辆、工业机器人等链接成一个整体，以获得所有数据，并通过物联网传输指令控制整个生产活动。

（5）绿色化。生产活动的环境友好型既是企业的责任，也是社会关注的焦点与追求的目标，还是保障人类社会安全健康持续发展的基石。因此，未来工业制造必将向“零污染、零排放”发展，企业生产的废弃物将被二次开发利用，使物料、能源发挥最大化的效用。

（6）产业界限模糊化。鉴于未来工业制造智能化，生产设备、设施是完全柔性化的，专业生产设备逐渐消失，因此，智能化工厂可以生产出各种不同类型的产品。另外，产业间需要配合、协同生产，导致传统产业界限越来越模糊，进而逐渐形成一个生产网络。

四、结语

针对大数据技术与工业绿色制造融合缓慢的问题，提出了工业绿色制造企业与大数据技术及人工智能融合的基本形式，阐述了智能工厂的生产流程，提升了企业管理者的认识。然而，只有政府与企业共同推进，才能使大数据技术与工业绿色制造更好的融合。

（1）政府层面。可委托专业技术公司对制造企业进行培训，提高企业管理者对大数据技术的认识。针对企业资金困难的问题，政府应加大资金投入，引导企业以项目合作形式（科研院所、企业等组成的联合研究项目团队）申请相应的项目资金，以支持企业大数据项目研发。同时，加强基础研究，如算法、大数据软件工具等的研究与开发。此外，政府应加强人才培养，如通过大学、科研院所等机构培养相应的大数据、人工智能人才，以增加人才供给。

（2）企业层面。结合企业具体情况，邀请外部技术人才、管理人才共同讨论、分析、拟订方案，逐步理解与掌握大数据技术及人工智能技术。对于大数据技术改造项目，积极联合有能力的研究机构，申请国家及地方政府的扶持资金，开展基于企业需要的项目研究与应用。同时，加强企业自身的大数据技术人才培养。