AR工业趋势|数据驱动的智能制造的前世今生(三)_effiar观点

制造企业利用大数据分析来挖掘制造数据,提炼制造流程,提高制造的灵活性和智能化水平。通过充分利用制造数据,使制造过程由初级过程向智能过程转变,从而提高产品的生产效率和性能。

数据驱动的智能制造的内涵

数据驱动的智能制造框架

利用大数据技术对制造业数据进行采集、存储、处理和分析。因此,制造智能的程度可以显著提高。

如下图所示,数据驱动智能制造框架由制造模块、数据驱动模块、实时监控模块和问题处理模块四部分组成。

制造模块

此模块可容纳各种制造活动。它由各种信息系统和制造资源组成,可以概括为人机材料环境。该模块的输入是原材料,而输出是成品。在输入输出转换过程中,从操作员,生产设备,信息系统和工业网络中收集了各种数据。

数据驱动程序模块

此模块在制造数据生命周期的不同阶段为智能制造提供动力。作为输入,来自制造模块的数据将传输到基于云的数据中心以进行进一步分析。然后,从不同种类的原始数据中获取的明确信息和可行建议被用于指导制造模块中的动作(例如,产品设计,生产计划和制造执行)。实时监控模块和问题处理模块也都由数据驱动器模块提供动力。

实时监控模块

该模块在实时监控生产过程中起到确保产品质量的作用。由数据驱动器模块驱动,该模块可用于分析制造设施的实时运行状态。结果,制造商可以及时了解制造过程中的变化,从而制定最佳的操作控制策略。例如,当机器空转时,物料被分配并且轨迹被追踪。可以根据特定的产品质量缺陷来调整制造过程。结果,实时监视模块可以使制造设施更有效地运行。

问题处理模块

该模块用于识别和预测新出现的问题(例如设备故障或质量缺陷),诊断根本原因,建议可能的解决方案,评估解决方案的有效性以及评估对其他制造活动的潜在影响。基于实时信息并分析数据驱动程序模块提供的历史数据和正在进行的数据,操作员或人工智能应用程序都可以做出明智的决策,不仅可以解决当前问题,还可以防止将来发生类似问题。此模块提供的主动维护将增强制造过程的平稳运行。

数据收集,集成,存储,分析,可视化和应用程序的结构化过程通常适用于各种不同的行业。在这方面,建议的数据驱动的智能制造框架具有普遍的价值。关于中小企业与大公司之间的区别,根据资源的可用性,他们可以选择不同的策略来实现不同规模的数据驱动型智能制造。例如,与那些可以负担得起建立用于数据存储和分析的专有云基础架构的较大公司不同,中小型企业可以采用由第三方(如亚马逊和阿里巴巴)提供的按需云计算服务。无论在何处以及如何处理数据,对于中小企业和大公司而言,数据驱动型制造业的关键价值主张都是相同的。制造数据可帮助决策者在最短的时间内了解变化,对变化做出准确的判断,并制定快速的响应措施以解决问题。因此,可以紧密协调生产计划,制造活动和资源,以促进智能制造。

数据驱动的智能制造的特征

数据驱动的智能制造具有以下五个特征:

1

通过利用用户数据进行定制产品设计,可以进行以客户为中心的产品开发。例如,可以使用大数据分析来精确地量化用户的人口统计信息,需求,偏好和行为,从而可以设计更多个性化的产品和服务。

2

通过利用制造资源和任务数据进行智能生产计划,实现自组织。例如,可以基于来自不同制造地点的内部和外部数据创建生产计划。选择适当的制造资源以形成最佳配置,该配置可以满足制造任务以实施生产计划的所有需求。

3

通过利用制造过程中的各种数据进行精确控制,可以实现自我执行。例如,可以将适当的原材料和零件随时发送到需要它们的任何制造场所,制造设备可以在需要时自动加工原材料或组装零件。

4

通过利用实时状态数据进行制造过程监控,实现自我调节。例如,制造系统可以通过不仅使操作员而且可以通过AI系统控制其行为来自动响应意外事件(例如,制造资源短缺或制造任务变更)。

5

通过利用历史和实时数据进行主动维护和质量控制,可以实现自学习和自适应。例如,可以在机器故障和质量缺陷发生之前对其进行预测和预防,从而使制造系统可以主动适应各种潜在问题。

总之,数据驱动的智能制造为制造企业提供了全方位的服务。最重要的好处之一是能够显着提高制造效率并显着提高产品性能。考虑到上面概述的特征和制造数据生命周期,可以通过特定的应用来最好地举例说明数据驱动的智能制造范例。

数据驱动的智能制造应用程序

制造业通过相关制造设施,资源和活动的协调,将原材料输入转化为成品输出和增值服务。在制造过程中可以实现的一些最有前途的应用程序包括实现智能设计,智能计划,材料分配和跟踪,制造过程监控,质量控制以及智能设备维护的应用程序

智能设计

设计的重要性怎么强调都不过分,因为它决定了产品的大部分制造成本。在大数据时代,产品设计正在向数据驱动型设计转变。产品设计首先要研究和了解客户的需求、行为和偏好。这类数据可以从互联网和物联网来源收集。在互联网数据方面,客户越来越善于通过门户网站,如社交网站、商业平台和产品/服务评论网站,在互联网上分享他们使用产品的第一手经验。在物联网来源方面,丰富的用户数据(如生物数据、行为数据和用户-产品交互)现在可以从越来越多连接物联网基础设施的日益流行的智能产品(如智能手机和可穿戴设备)中收集。对利用用户相关大数据的整体考虑提高了制造商将客户声音转化为产品特性和质量要求的能力。此外,它使设计师能够简化设计流程,促进产品创新,并为最终用户开发更多的定制化产品。此外,与传统方法(如视图间、调查等)相比,大数据分析凭借基于云的高性能计算,使用户不仅可以加快计算量大的任务(如市场偏好和客户需求分析等),还可以降低成本。

智能计划和流程优化

可能在开始生产产品之前,就必须进行生产计划,以确定生产设备的生产能力以及资源和材料的可用性。大数据分析可以使生产计划和车间调度更加智能。首先,使用大数据分析方法分析各种数据,例如客户订单,制造资源状态,生产能力,供应链数据,销售数据和库存数据。基于从这些方法中收集到的信息,可以进行基于超网络的制造资源供需匹配和调度,以快速定位可用资源。接下来,使用智能优化算法制定生产计划,以确定制造资源的最佳配置和任务的执行过程。此外,工艺优化也是开始制造之前的重要考虑因素。大数据分析有助于评估和优化技术流程。通过分析各种类型的过程数据,包括历史数据和有关特定处理步骤固有的模式和关系的数据,可以确定不同工艺参数之间的相关性以及这些参数对产量和质量的影响。调整与这些参数有关的工艺流程可以提高生产率和产品质量,并降低成本。

物料分配和跟踪

物料分配是通过生产计划和实际生产进度以及各种现场紧急需求来确定的。在理想情况下,应在正确的时间将正确的物料运送到正确的设备,以便可以通过正确的操作对其进行处理。为了实现这个目标,可以管理各种与材料相关的数据,包括库存数据、物流数据和进度数据。材料数据与物料流有关的多源数据(例如,来自操作员,机器,车辆等的数据)相关联进行分析。在执行这些分析时,可以根据材料种类,数量,交货时间和方法确定材料分配,以支持最佳的制造物流。例如,可以根据实际生产进度和条件按时发货,以确保生产顺畅(即避免不必要的生产延迟,中断或生产停顿)。此外,材料的可追溯性是必要的,以确保某些类型的材料严格遵守其相应的质量标准规范和标准。通过部署识别标签,可以在整个生产过程中实时跟踪物料状况(例如位置,状态和质量)。例如,AGV中启用RFID的定位系统可在制造地点内有效地运送物料。基于大数据分析,可以在生产过程中生成有利于产品质量控制和产品缺陷可追溯性的运营数据。

生产过程监控

制造过程由多个制造要素组成。这些因素(如制造设备、材料、环境、工艺参数)可以影响制造过程,影响产品质量的变化。此外,它们还可以相互作用。因此,实时监控制造过程中的不同步骤尤为重要。然而,系统地跟踪哪些因素影响制造过程通常是困难的。幸运的是,大数据为监控制造过程提供了有效的技术支持。借助大数据分析的预测能力,可以为每个制造要素设定最合适的设计范围。一旦某一因素超出其可接受范围,就会对问题进行标记,并向运营商发送警报和建议,以便及时做出调整;这可以确保在制造过程中更大的一致性。以车间生产异常为例,异常(如订单延迟)往往是由设备故障、缺料、操作偏差等异常事件引起的。在生产异常发生之前,异常事件往往揭示出某些模式,这些模式可以被时间序列中的各种数据(如材料消耗数据、能源消耗数据、转速、振动、扭矩等)捕获。由于这些数据大多依赖于时间,无法通过静态模型[53]进行有效处理。此外,传统的数据分析方法无法处理大数据,这是计算上难以处理的。将时间因素和因果关系综合起来,基于相关的大数据算法,如决策树(如ID3、C4.5)和神经网络,建立车间生产异常预警模型。通过对时间序列中异常事件的特征模式和趋势的挖掘,可以提前预测生产异常是否发生和何时发生。大数据分析具有更高的灵活性、准确性和更少的计算时间,可以处理多源数据和海量数据。在大数据分析的基础上,考虑到平衡使用,制造过程可以动态调整。

产品质量控制

各种数据驱动的质量控制技术正被开发用于智能制造。可以采用各种传感器,RFID和机器视觉应用程序来收集产品质量数据,例如几何参数(例如厚度,长度和表面粗糙度),位置参数(例如坐标),公差参数(例如同心度) ,加工参数(例如压力,速度,温度和加工时间)等。大数据分析可以为全方位的质量监控,质量缺陷的早期预警和根本原因的快速诊断提供服务。基于从机器及其运行环境中收集的历史数据和过程条件数据,质量条件的二进制分类可用于预测某些条件是否以及如何与质量缺陷相关。贝叶斯推断方法可用于分析过程参数和次品的数据,以识别最有影响力的参数及其合适的范围。此外,根本原因分析和加权关联规则挖掘可用于识别产品故障的根本原因。因此,可以及时检测,诊断和解决产品质量缺陷。尤其是,可以通过数据集成和数据挖掘来阐明生产问题的不太明确的原因,例如不同设备之间的耦合和效率低下的流程。结果,不仅可以自动识别和消除低质量或失败的产品,而且还可以消除或控制导致质量缺陷的因素。此外,结合机器学习,大数据分析将最终使制造企业具备特定类型的基于案例的推理能力。从一个质量控制案例中吸取的教训可以转移到另一个案例中,以防止将来再次出现类似问题。因此,从原材料到成品,质量管理可以嵌入到制造过程的每个步骤中。

智能设备维护

数据分析可以准确预测和诊断设备故障和组件寿命;此类信息可用于做出明智的维护决策。结合来自智能传感器的设备状态数据-以及领域知识,以前的经验以及与设备维护有关的历史记录-大数据分析可以预测设备容量下降的趋势,组件的使用寿命以及原因某些故障的程度和程度。此外,还可以通过大数据分析来发现季节性,周期性,组合性和其他类型的设备故障。利用此信息,可以采取预防措施以防止故障。由于大数据分析的预测能力,设备维护范式已从被动维护转变为主动维护,从而延长了设备寿命并最小化了维护成本。能耗也是设备故障或异常的重要参考。通过建立多维能耗分析模型,与能耗有关的大数据可以帮助实时发现能耗波动,异常或峰值。为了确保正常生产,可以动态调整相应的生产过程,设备和能源供应,以实现实时优化。

effiar是由北京慧星视界科技有限公司研发的一款工业AR平台。effiar由WorkGuide更名而来。在AR工业领域,使用者无需技术就可以通过effiar任务管理中心使用拖拽等简单操作,为特定业务场景定制智能眼镜方案应用。该平台包括专家AR远程协作、AR巡检、AR运维、工作流、AR培训、AR+iot、多媒体知识库等多个模块,使用者可以根据业务需要自由剪裁或者互相嵌套。

4.0版本支持更多MR眼镜,以及数字孪生体验,使工作人员能够感知工作环境和设备,更多内容参考开发者。

总结

在产品生命周期中动态生成的数据量不断增长。收集的数据可用于提高制造行业的效率。本文从三个方面为智能制造做出了贡献。

(1)历史的观点:制造业数据的演变是按照四个制造时代来反映的:手工业时代,机器时代,信息时代和大数据时代;

(2)发展视角:大制造数据的生命周期被说明为一系列阶段,包括数据生成,收集,传输,存储和集成,处理和分析,可视化和应用。

(3)从制造业的角度展望数据的未来:讨论了数据分析在制造业中的作用,特别是在智能制造中有希望的应用方面。

应该考虑多个限制。首先,当前的数据收集技术还没有完全准备好进行智能数据感知,特别是在处理配备了不同通信接口和协议的异构设备时。其次,尽管事实证明基于云的数据存储和分析是一种可行的技术解决方案,但仍然存在一些未解决的问题(例如,网络不可用,带宽过大和不可接受的等待时间等),这限制了其在以下方面的适用性:低延迟和实时应用程序。第三,尽管人们普遍认为物理世界和网络世界之间的集成是智能制造的关键特征,但之前的绝大多数研究主要集中在从物理世界中收集的数据,而不是虚拟模型中的数据。该论文是对数据驱动的智能制造及其潜在应用的初步探索。关于未来的工作,有兴趣的研究人员可以遵循一些有希望的方向:

(1)可以将数据感知和从异构设备(例如IoT网关或工业Internet集线器)收集数据的关键技术整合到数据驱动的智能制造框架中。与异构接口和通信协议兼容的设备将更有利于数据收集和数据传输。

(2)可以将雾存储和边缘计算等用于数据存储和处理的新技术并入建议的框架中。雾计算和边缘计算可以将制造商的数据计算,存储和网络功能从云扩展到边缘,这将显着减少带宽需求,延迟时间和服务停机时间。

(3)可以将数字孪生技术纳入提议的框架中。数字孪生使制造商能够管理物理对象及其数字表示之间的实时,双向和不断发展的映射,这为深度的网络物理集成铺平了道路。结合数字孪生,将使数据驱动的智能制造更具响应性,适应性和预测性。