智能制造工业大数据平台建设方案.pptx

智能制造工业大数据平台建设方案.pptx

《智能制造工业大数据平台建设方案.pptx》由会员分享，可在线阅读，更多相关《智能制造工业大数据平台建设方案.pptx（25页珍藏版）》请在冰豆网上搜索。

智能制造工业大数据平台建设方案,目录,1,工业大数据蓝图,3,工业大数据建模,2,工业数据湖,4,预测与优化,5,主要业务规划,大数据智能工厂规划,设备及传感器,网络,工业云平台,应用系统,企业网络,PLM,MES,TMS,EMS,CRM,云数据中心,能源数据,大数据管理平台位置数据,产品数据,RFID/Wi,能源监控,Zigbee/RS485,设备,管理平台,以太网,1,2,原材料、成分3,温度、湿度、成分,计量、换算,阀门开关物流跟踪Zigbee,API,操作门户终端管理权限管理,应用适配器数据管理安全策略&QoS,ERPWMSIP网络连接管理平台,基于机器学习的工业大脑,设备1,设备2,设备3,设备4,设备5,设备6,设备7,设备8,设备9,设备,预测性维修异常监控人机协同,EMS数据,ERP数据,MES数据,检验数据,设备数据,传感器数据,数据源,DCS数据,工业大数据架构,大数据应用,大数据处理,工艺优化,质量提升,产线故障预测,预测性维修,效率提升,可视化监控,事务型数据,MPP数据库,HADOOP,OLTP,数据仓库,元数据,索引,列存储粗粒度索引数据压缩SQL优化动态拓展资源管理大表关联并行加载,半结构化,非结构构化,HDFS,HivePigMap/Reduce,事务处理数据完整性锁机制索引机制SQL优化SQL执行备份恢复断点处理监控管理,流处理（Storm、SparkStreaming）,智能制造大数据蓝图,工艺,人员,物料,设备,质量,当前数据历史数据,当前数据历史数据,当前数据历史数据,当前数据历史数据,当前数据历史数据,大数据平台,业务系统实时查询服务,批量检索服务,数据分享服务,数据下载服务,数据仓库和分析型应用,ODS/DSA面向主题、当前,DW面向主题、历史和汇总,DM,DM,API接口,供应链优化,作业行为优化,设备预测性维修,SparkML,点,供应商数据,产品质,量,服务信,息,信用数,据,位置数,据,渠道依,机器数据多种类,型,时间序,列,数据真,实,数据海,量,并发较,据数据多,样,时间戳,程序数,据,结果数,据基本信,息,行为信,息,据基本信,息,计量信,息,位置信,息,据,随机性,概率特,征,相关性,控制数工业人大员数数据特物料数质量数客户数据据检验数需求数,据,产品数,据,位置数,据,竞争对,手,信用数,物流数据,位置数,据,计量数,据,时间数,据,据物流信息多样、实时、海量的数据需要依赖大数据加技工术信进行数据管理并产生价值,批查询交互查询实时分析机器学习,设备,传感器,质量,人员,事件,ETL工具,定义的主题,查询,结果呈现,关系型数据,LOB应用,物料,元数据及关联性,数据预处理,报表展示,机器学习结果展示,数据源定义,数据预处理,工业数据湖,行为,人员,生产线,信息系统,ERP,MES,EMS,智能化,数据可视化,流程优化,产线建模,知识库,自助式BI,信息管理,事件处理,数据分类,数据工厂,机器学习/数据分析,HADOOP/Spark技术,流处理,信息,基于数据湖分析,机器学习,大数据存储,SQL数据仓库,数据湖,其他数据,信息系统,设备传感器,数据,数据湖与价值发现,工业大数据建模目标,制造价值提升1、原因分析的工艺优化；2、设备预测性维修；3、产线异常监控；4、产品质量控制；供应商管理提升1、风险预测与分析；2、交付时间与路径优化；3、供应商评价与信用管理；客户需求管理提升1、客户行为的需求挖掘；2、准确个性化的产品定价；3、产品的预测性保养与维修；4、更好的产品体验；运营价值提升1、更好的管理资产；2、合理的资源消耗；3、避免人为的错误；4、实时推荐技术工具；5、增强用户高效与便捷,生产过程建模,设备数据建模如上图显示的机器学习算法，多级算法分析引擎可以根据对工厂已安装设备的数据采集和工艺流程，自动绘制内在的逻辑关系，并显示哪个工艺流程和数据流之间直接或间接的相互关系，以及这种关系存在的原因。

这种深层和独特的分析提供了一个高等级的平台来侦测异常，通过行为和运营表现来标记质量与效率，并进行微观辩证性的根源问题分析。

结果的相似和关联性,产线数据建模,模型算法-DNN,神经网络是一组模拟人脑进行模式识别的算法组合，通过聚类或者标记原始数据进行数据感知，它可以识别真实世界包含在向量中的数据，如图片、声音、文本等。

深度神经网络与单层神经网络的区别是数据通过了多步模式识别的隐藏层处理，传统的神经网络机器学习算法依赖于一个输入一个输出一个隐藏的浅层神经网络学习，而深度神经网络是在一个以上的隐藏层学习。

模型与数据,异常检测,事件处理,环境分析,人机协同,能效增强,质量强化,实时数据处理,历史数据处理,模型分析实时数据检测设备状态、预防设备故障、优化生产过程、提升产品质量、能效增强、人机协同。

通过对历史数据清洗整合，进行模型的训练，优化模型参数，进行更加有效的生产和运营。

强化模型,设备预测性维修,预测与优化,生产过程优化,设备预测性维修,质量提升,人机协同,异常检测,时间单元对于故障警告日志进行时间单元划分，将故障或警告视为事件，事件到下一个事件发生时间间隔超过一定时间的视为不同单元。

伴随概率对于同一个时间单元里的故障和警告进行联合概率分析，计算任意两个事件在单元里同时发生的概率。

故障事件对于某一种故障的前序事件进行观察，事件与上一次事件间隔时间以内或上一次相同故障发生之间的故障或警告视为前序事件，统计不同前序事件发生的次数。

关联分析通过伴随发生概率分析，了解任意事件之间的关联性，寻找同时发生概率高的事件。

通过故障的前序事件分析，了解故障前序发生的事件，了解前序事件与故障的关系。

异常检测,预测与优化,生产过程优化,异常检测,设备预测性维修,人机协同,质量提升,时间序列将采集到的底层设备数据进行时间序列分析，生成时间序列数据图形，将图像特征按时间段进行观察。

聚类分析对建模后时间序列数据的按照时间端特征进行提取并聚类，聚类的结果对应到采集到的生产国产数据。

关联分析对于不同分类数据的相关性，通过拉长时间轴的长度进行分析。

行为分析对采集到的事件和分类数据的进行关联性分析，并对应到产线运营行为上。

生产过程优化,预测与优化,设备预测性维修,生产过程优化,质量提升,人机协同,异常检测,能力平衡通过分析工序的Cycletime，工序瓶颈以及相应的等待事件，该出每一步工序所需要能力平衡的建议。

异常事件通过对过程事件的分析发现经常性出现异常事件的原因，原因：

机器、人员、原材料、能源等。

缺陷事件通过分析过程中反馈记录的质量信息，进行相关因素分析，通过改善相关因素进行质量改善。

按因优化将挖掘发现的过程事件原因进行进行合并处理，改出相应的优化方案。

人机协同优化,预测与优化,生产过程优化,人机协同,质量提升,设备预测性维修,异常检测,调度优化对机器和人员的执行调度，通过对历史操作数据的分析分析出相应岗位最适合的人并进行作业人员画像保证人机良好的协同。

人因分析在具体的任务作业过程中，对作业人员的操作行为及执行结果进行因果关联分析，并给出良好作业的关键行为要素。

目录,1,工业大数据蓝图,3,工业大数据建模,2,工业数据湖,4,预测与优化,5,主要业务规划,大数据业务规划,大数据技术、工具、方法,对钢铁企业生产业务的理解,规划依据,业务蓝图,数据蓝图,技术蓝图,大数据管理平台架构,大数据处理技术架构,海量、高速实时数据的低成本管理与快速处理,大数据管理与控制,大数据采集管理,数据获取策略、质量管理、存储管理、ETL。

基于大数据的应用规划,重点设备预测维修,高炉异常事件防控,产品质量提升,人员作业优化,生产效率优化,智能制造大数据战略,PLC、DCS、SCADA（控制及采集数据）,产线设备与工业网络,1、设备参数。

2、调度行为。

处,炼钢生产过程大数据应用,钢材生产过程大数据应用,PLC、DCS、SCADA（控制及采集数据）,产线设备与工业网络,轧钢设备主轧机,MES、EMS（信息系统）,质量分析趋势图直方图散点图因果图,钢厂数据湖,轧机监测温度厚度张力,速度电机扭矩轧制力,物料跟踪,跟踪模型扎线位置扎线状态辊道长度,谢谢你的观看,