智能制造背景下大数据分析技术及趋势研究
2022-02-28周翔张俊文
周翔 张俊文
【摘要】随着智能制造的兴起以及企业数字化改造带来的数据爆发式增长,大数据概念及其相关技术受到了国内外学者的广泛关注和重视。对大数据进行存储、挖掘,从海量数据中获取有用信息,助力企业生产作业中的客观规律分析进行辅助决策,成为大数据分析的重要应用场景。本文通过文献综述,从智能制造背景下大数据的发展历程、大数据特性以及大数据分析主要方向三方面对国内外大数据分析研究现状进行了总结,结合大数据分析架构对五项大数据关键技术展开分析,并对目前大数据领域所使用的分析工具进行了总结。最后,在分析了当前大数据分析在智能制造中应用存在的五点问题后,归纳了智能制造大数据分析的四大未来趋势。
【关键词】智能制造;工业大数据;大数据分析
引言
在大数据时代,结构化、非结构化和半结构化数据无处不在并呈几何级数增长,潜在价值巨大,被誉为未来新石油。各行各业发挥各自领域的专业优势,不断增加对大数据应用的投入。数字化转型已成为行业发展的迫切需要,数据可视化的需求呈现爆发式增长,将数据转化为图形。其出乎意料的洞察力让用户能更直观快速地看到相应的信息,能够对数据有更全面的了解,数据可视化成为一种必然趋势。
1智能制造背景下大数据分析技术及趋势
1.1可视化分析技术
可视化分析是展示分析过程以及分析结果的有效技术,旨在借助于图形化手段,清晰、有效地传达与沟通信息,用户得以通过人机交互界面直观地了解和掌握数据中隐含的规律,明确所需的分析结果。随着大数据的兴起与发展,物联网、地理信息系统、企业BI等主流应用领域逐渐催生了几类特征鲜明的信息类型,主要包括文本、网络(图)、时空以及多维数据等,这些与大数据密切相关的数据类型交叉融合,形成了以文本可视化、网络(图)可视化、时空数据可视化以及多维数据可视化等为主要研究领域的大数据可视化分析技术。
1.2数据信息挖掘技术
数据信息的挖掘指的是数据库中知识发现的一个环节,从海量的信息中借助算法发掘其中的关键信息的活动。数据信息挖掘也就是在数据库内部进行知识发现的操作,在海量的、完整度有可能缺失的、有干扰的或者是随机存在的实际数据信息中,捕捉到其中的预先不了解的但又是具有实用价值的信息以及知识的操作过程。数据信息挖掘所能捕捉到的知识种类可能包含有模型、统计规律、应用规则、使用模式以及条件约束等等。数据信息挖掘过程使用的关键技术一般包括:统计学知识以及机器语言学习,数据库和数据库可视化等技术,这当中的统计学知识通常用于研究数据信息的捕捉、研究分析、解析和标记等功能,机器语言的学习一般考察电脑系统怎样根据数据信息进行学习的过程,数据库和数据信息仓库层面一般指的是数据发掘过程可以使用的可以伸缩的一种数据库的技术,用来获取大型数据集合中实现高效以及可以伸缩的功能,信息数据检索功能指的是搜索相关文档以及其中的关鍵信息的一类技术。
1.3云计算技术的应用
数据传输安全。在数据分析中应用云计算网络技术,可有效保证数据安全。在实际应用中,用户端的数据越多,越容易遭受安全威胁,当病毒攻击计算机系统时,云计算技术可以实现对病毒的拦截,确保计算机数据安全。通常利用云计算技术监控数据传输路径,假如有病毒或黑客攻击,就会预警,确保传输通道安全。数据使用安全。为了更好地提升计算机用户数据信息及系统安全,要加强对用户身份的认证,利用实名制方式来认证用户身份。这样一旦出现网络安全问题,可以有效锁定可疑目标,减少恶意攻击。用户在登录计算机时,可进行用户名及密码的核实,防止不法分子窃取数据信息。
1.4设备故障识别
智能制造时代,快速、准确地进行设备故障识别和预警,是制造业企业的迫切需求。但是,由于设备本身结构和机理的复杂性,加上设备所处环境的复杂性,一旦设备发生故障,通过故障诊断专家和专业技术人员进行人工分析去定位识别故障,找到故障因素十分困难。基于大数据理论和人工智能算法,通过提取设备运行过程中采集的多维监测数据,构建设备故障识别模型,及时有效地识别出设备故障,并进行维保,提升设备健康运行时长,减少或避免设备故障停机带来的生产损失,是智能制造大数据分析的一大重要应用。
1.5生产排程
在生产线上,生产排程是生产过程中至关重要的环节,合理有效的生产排程是高效率生产的重要保障。而生产线又是一个多机、多人、多物料、多工序、复杂环境综合作用的复杂系统,整个生产线有数十上百道工序,每道工序又包含了多级操作,每步操作又对应了不同的设备和人员。对于这样一个复杂系统,依靠人力统筹人、机、料、法、环、测等生产资源进行生产排程往往需要耗费大量时间,且排程结果往往不尽人意。通过大数据分析,综合考量5M1E因素,利用智能算法自动优化生产资源组合,从而快速提供一套满足生产要求的排程方案。
2发展趋势
大数据时代对可视化技术的需求越来越高。数据信息更新及发展速度之快,要求可视化技术能即时产生数据关联。面对日益繁杂的数据,常规的可视化方法已经显得力不从心,甚至无法对数据进行及时有效的处理。因此,大数据时代的到来对数据可视化的发展既是机遇也是挑战,研究人员需要不断创新,才能满足日益扩大的需求。具体包括以下方面。(1)数据量庞大,超出了单机、外存模型甚至小型计算集群的处理能力极限,而目前的软件和工具运行效率不高,需要探索全新的思路来解决这个问题。(2)在数据获取和分析过程中,容易产生数据质量问题,需要对数据的不确定性给予特别关注。(3)数据变化很快,常常是流式数据,务必寻找流数据的实时分析和可视化方法。
3结语
本文从智能制造大数据分析切入,分析了大数据的特性,从大数据分析的架构展开,阐述了大数据分析过程中涉及到的关键技术,针对大数据分析在智能制造领域的应用,提出了大数据分析过程中存在的几点问题,最后,展望了智能制造大数据分析的未来趋势。
参考文献:
[1]闵陶,冷晟,王展等.面向智能制造的车间大数据关键技术[J].航空制造技术,2018,61(12):51-58.
[2]仇善海.浅谈制造业智能化大数据关键技术[J].科学与信息化,2019,(22):87,90.