工程机械行业大数据技术探索与实践

范旭辉，刘 辉，王叶闯

（徐工集团工程机械股份有限公司，江苏 徐州 221004）

近年来，随着新一轮大数据技术、工业互联网、人工智能等智能化技术的发展，一个基于大数据时代下的、全新的、智慧化的时代正悄然而至[1]。大数据作为新一代技术发展的“燃料”，正在推动着一次时代的重大变革，逐渐影响着我们的生活、思维方式的转变，同时也为企业带来新的商业变革[2]。作为装备制造行业也不例外，企业正面临着如何应用大数据技术实现企业从数字化到智能化的改造升级难题。

装备制造业作为国家制造业的脊梁，被称作为“国之重器”，以工程机械为代表的中国高端装备制造业支撑着国民经济的发展，承载着亿万人民振兴中华的“中国梦”[3]。工程机械作为国家新基建战略落地的主战场之一，亟需利用工业大数据实现产品研发、生产制造及销售的全寿期数字化管理与提升。同时，基于积累的企业大数据，完成企业产品知识体系的构建，并不断迭代更新，这对大型装备的智能制造以及后期的智能服务起到了举足轻重的推动作用。

1 工业大数据平台概述

1.1 工业大数据平台背景

随着工业大数据技术的发展，工业大数据已然成为驱动企业数字化、网络化、智能化转型的核心资源要素，大数据技术与先进制造技术的充分融合，进一步催生新模式、新业态，逐步发展成为企业高质量发展的新动能[4]。当今时代，数据逐渐成为企业自身运营发展，与竞争对手拉开距离的重要保障。目前工业数据的来源主要包括四部分[5]：一是来自于产品研发设计、加工制造、运行以及维修保养等全生命周期所产生的产品数据信息；二是企业各部门在运营管理过程中所产生的所有保障企业正常安全运转的所有运营数据；三是价值链数据，主要包含各类客户、供应商、同盟军合作伙伴等商业活动产生的数据；四是外部产业链数据，包括国内外政策、经济形势的各类政策数据，同行业竞争对手信息以及设备所处的施工环境、地理环境等各种外部数据。数据的采集在于利用数据，因此对于我们来说如何在海量的数据中，利用大数据技术挖掘出对企业有用的价值成为大多数企业共同面对的挑战，同时也是一个宝贵的机遇。“物竞天择，适者生存”，企业只有抓住这一机遇，敢于突破，在企业现有的信息化系统基础上构建符合企业自身的智能化大数据分析平台，才能打破现有的困境，提高产品质量，降低成本，实现“三高一可”（高质量、高效率、高效益、可持续）的战略目标。此外，在推动实现绿色、智能、精益生产的同时，提升产品质量及稳定性，提高企业的经营效率，同时基于工业大数据的实践和解决方案可以向行业乃至跨行业输出，形成新的价值增长点。

本文结合自身在工程机械行业的工业实践，系统分析工业大数据面临的挑战和机遇，介绍了行业内工业大数据平台技术架构，给出了工业大数据平台建设的方案，并结合自身实践经验提出了关键制造过程工业大数据的应用难点及创新解决方案。

1.2 工业大数据平台关键技术

大数据技术，就是从各种设备系统上采集的数据中选出具有价值信息的技术[6]。近几年，大数据包含数据采集、存储、处理和可视化在内的新技术获得突飞猛进的发展，也为大数据的推广应用提供了保障。根据自身对大数据应用的经验而言，其处理步骤通常包括以下五个方面。

1.2.1 数据采集

数据采集方式通常是通过与各类业务系统、中控系统等进行集成以及通过设备自身（软采）或者外加网关（硬采）等方式来采集获得结构化、半结构化及非结构化的各类数据，这些数据构成了工业大数据平台的底层建设。一般情况下，大数据采集部分由以下两部分构成，第一部分是感知层：它主要是实现对各类采集到的数据进行初步智能化处理；第二部分是基础支撑层：它主要是为大数据服务平台提供所需的服务器等基础条件。

1.2.2 大数据预处理技术

预处理技术就是采用数据清理、变换、归类等方法对采集的数据进行分析，为接下来的数据存储、数据分析应用做准备。所用到的技术主要包括以下两类技术：

数据抽取技术：对采集到的非结构化、半结构化以及结构化的数据进行数据的转化，使其变为单一的、便于处理的、统一的数据结构。

数据清洗技术：大量采集上来的数据存在很多没有价值的数据，或者很多数据就是干扰等所导致的数据，因此通过对数据“清洗过滤”提取所需的数据。

1.2.3 大数据存储管理技术

目前行业内为满足各类数据要求，在构建企业大数据平台时采用了实时数据库、关系数据库和时序数据库多种类型数据库协同的方式。此外，采用基于数据湖的集群式存储方式，能够对结构化数据、半结构化数据及非结构化数据进行存储，满足高性价比的数据增长需求和调用要求。

1.2.4 大数据分析及挖掘技术

数据挖掘就是从大量的实际采集上来的“脏数据”中，通过某种方法提取隐藏的、未知的、但又是潜在有用的信息和知识的过程。企业可以通过自身情况对已有数据挖掘和机器学习技术进行改进，根据数据的类型和数据的特点选择相应的算法，对数据进行挖掘，并对其结果进行评价，最后将结果转化为用户易于理解的知识。

1.2.5 大数据应用及可视化技术

各公司应结合自身生产实践经验和数据积累，通过制造过程工业大数据采集，建立涵盖工艺、质量、设备等多维度、多层级的算法模型。借助人工智能（机器学习）、工业大数据等新一代信息技术，实现企业数字化转型，沉淀工业机理模型和专家知识库，突破行业难题。

1.3 工业大数据平台建设的挑战

目前企业级工业大数据平台面临的主要挑战有：业务链条复杂，且信息化建设多年，体量庞大、系统不一、业务复杂、数据不统一等。具体可以总结为以下十大挑战，如表1 所示。

表1 企业大数据平台建设面临的挑战

2 工业大数据平台总体架构及系统部署架构

2.1 工业大数据平台总体架构

图1 为企业级工业大数据平台总体架构（参考）。

图1 企业级工业大数据平台架构（参考）

（1）要建立完善的全量系统数据采集平台，完善的

数据采集方式。

研究分析数据采集对象，包含数据分类、数据格式、数据来源和数据量级等。研究分析数据采集的技术路径，包含采集的工具、方式以及设备的协议解析和数据传输等等。

（2）要以元数据管理为核心建立数据管控体系，强化数据治理。

横向：向下导入数据采集结果，向上开放数据治理结果的服务化访问。

纵向：大数据管理平台提供管控和应用能力，通过对元数据的盘点实现对重要数据信息的集中管控。

通过突破企业内部元数据治理的体系架构，形成了统一的、标准的、规范的，并建立元数据治理的流程机制，常态化管理。

（3）要构建混合架构、分级存储新型数据仓库，形成有效数据资产。

企业架构建议采用混搭架构，比如批处理引擎：Spark，MR，Hive，按批次处理海量数据；流式处理引擎：Flink，spark streaming，实时高效处理少量数据；Mpp 处理引擎：impala，presto，多节点多任务并发执行计算等，分级构建新型的存储数据仓库，其流程如图2 所示。

图2 分级存储构建新型数据仓库流程

2.2 工业大数据平台系统部署架构（参考）

平台部署可以参考图3 所示的拓扑结构，采用云计算技术建立服务器集群，以保障平台的高效运行和安全管理。

图3 大数据平台部署架构图（参考）

3 关键制造过程工业大数据应用难点及创新解决方案

3.1 大数据在焊接缺陷应用的难点及创新解决方案

3.1.1 主要技术难点

目前，工业机器人焊接中偏焊、气孔、熔深不足、焊接夹渣等焊接缺陷是机器人最常见的焊接缺陷，约占机器人总焊接缺陷的90%以上，尤其是无法使用追踪（电弧追踪或激光追踪）功能及追踪功能异常的工况[7]。工业上常用的焊接在线检测主要分为以下两种方式。

第一种是针对短路熔滴过渡形式，通过批量焊接参数采集及工艺试验，验证焊接缺陷及焊接工艺参数的关系，缺点是：（1）只能针对短路熔滴过渡形式，而工程机械常用焊接熔滴过渡形式均为射流过渡，通用性较差；（2）软件采购成本较高，大范围推广应用比较困难。

第二种是将激光或高速相机安装在焊接方向的正前方，通过实时检测熔池形貌判断是否有焊接缺陷，其优点是：采集精度较高，实时性强；缺点是：（1）激光或高速相机必须安装在焊接正前方，限制了机器人的焊接姿态和焊接方向，且在狭小工况激光或高速相机会与工件干涉，降低自动化焊达率；（2）软硬件成本较高，采购维护成本较高，批量推广回收见效较慢。

3.1.2 MAG 焊纯软件原理

机器人MAG 焊纯软件在线检测系统利用互联网大数据、正交试验、线性回归及非参数化神经网络学习建立偏焊、气孔等焊接缺陷模型。其工作流程如图4 所示。模型可进行设备个性差异的定制化配置并建立滤波机制以提高检测精度，可实时检测焊接过程中出现的异常，并可对焊接缺陷进行历史程序指针追溯，整个过程具有较强的遗传性、采集成本较低、系统安全可靠、易于批量推广。

图4 焊接缺陷在线检测系统流程图

3.1.3 主要解决方案

将关键焊缝在机器人焊接程序内进行标识，通过边缘计算网关实时采集焊接机器人程序名称、焊缝编号及TCP 坐标焊缝轨迹。首先将采集到的关键焊缝TCP 坐标数据进行主成分分析（PCA），其次将主成分进行Kmeans 数据聚类，然后将相关的数据进行BP 神经网络学习建立数学模型，进而利用3σ 置信区间对实时采集的坐标数据进行滤波，最后建立关键焊缝的偏焊模型。

通过正交试验及大数据分析回归建立焊接气孔及干伸长过短数学模型，其焊接气孔模型为A≤M+（Y-K）*L，焊接干伸长过短模型为A≥N+（Y-K）*L，其中M，N，K，Y 为实验值，A 为焊接电流、Y 为设定送线速度。

焊接缺陷模型的所有参数均可差异性配置，缺陷检测结果经过滤波并匹配边缘计算网关内的告警知识库进行告警推送，告警可实现设备自动停机和程序指针追溯。

3.2 大数据在加工专机上应用的难点及创新解决方案

3.2.1 主要技术难点

加工专机的控制系统为PLC，没有简洁的用户编程交互界面，很难实现在加工程序内进行关键节点标识与采集。作者前期利用主轴负载波形曲线识别专机加工产量，由于板材质量和焊接变形等制约，产品在加工过程中经常出现返修现象，负载波形曲线也不规律，进而导致产量统计不准确。此外，加工专机的装夹找正时间较长，仅从PLC 系统采集的数据很难准确分析加工专机的装夹找正时长。

3.2.2 主要创新原理

通过安装红外距离传感器1 和红外距离传感器2，通过两个传感器结果判断工件有无。由于工程机械行业产品结构较大，通过在工装两端间隔大于1.5m 的位置各安装一个红外距离传感器，算法模型中设定物料上件的判定条件（两个传感器信息同时置1，且持续时间大于10s），可有效筛除人员、工具等对工件上件信号检测的干扰。

3.2.3 主要解决方案

如图5 所示，红外距离传感器与波形智能识别组合应用实现主要功能如下：

图5 红外到位检测技术示意图

（1）通过工件上下件检测及负载波形联合分析准确统计专机加工产量及实际生产节拍。在工件检测=1至工件检测=0 的时间内（实际生产节拍），主要负载持续时间大于理论加工时间的90%，无论负载曲线如何波动，加工专机的产量统计都是1 件。

（2）可以准确地统计出每一个工件的装夹找正时间，可以进一步细化加工过程中的时间切片。工件检测=1 至专机开始运行时间段，为工件的装夹找正时间。专机运行结束至工件检测=0 时间段，为卸载时间。

（3）联合MES 系统快速诊断质量瓶颈。正常机加工工件在工件检测=1 至工件检测=0 的时间内，负载波形曲线较规律。当算法模型检测到工件检测=1 至工件检测=0 的时间周期内，负载波形严重异常，则将此台工件的物料ID 反馈至MES 系统，MES 通过对所有的异常物料信息进行追溯，可准确定位造成质量波动的上游设备。例如：所有加工异常物料信息中，80%的产品来自1 号焊接机器人生产，说明1 号焊接机器人造成质量波动的概率最大。通过追溯焊接参数、焊接顺序及设备故障，可准确分析1 号焊接机器人造成产品质量波动的主要原因，配合现场精益生产，可快速实现质量的改善。

4 结束语

工程机械作为国家新基建战略的重要基础工具，是我国装备制造业实现智能化的主要发力点。如果我们把数据看作是企业运行的“燃料”，那么大数据平台就是企业运作的“发动机”。因此，怎样更好地应用采集的数据使得企业大数据平台发挥更大的作用是我们一直研究和探讨的方向。本文从工程机械领域智能制造子模块的大数据平台建设出发，首先介绍了企业大数据平台建设所用到的关键性技术；其次总结了在建设大数据平台时所遇到的挑战；最后介绍了大数据平台建设的方案以及基于大数据平台所做的部分应用。接下来要做的就是充分利用大数据等新一代信息技术，发挥工业大数据平台的优势，提升企业智能化水平，为企业数字化转型提供强有力的保障。