當前，制造過程中所產生的數據的規模、類型和速度正在呈指數級增長，帶來了巨大的發展機遇。通過認真分析這些數據，企業可獲得競爭優勢、快速響應不斷變化的市場動態、顯著提高制造利潤、生產力和效率。工廠車間中的設備會生成成千上萬種不同的數據類型，例如多個級別的單位生產數據、設備運行數據、流程數據、人工操作員數據等。這些數據可以在存儲后用于數據分析。
盡管大型制造商多年來一直在使用統計流程控制和統計數據分析來優化生產，但當今數據的復雜結構成為部署新方案、基礎架構和工具帶來了重大機遇。得益于更卓越的計算性能的涌現、開放標準的推出和廣泛可用的行業專長，制造業已經準備好充分利用大數據。此外，在學術研究的推動下，技能嫻熟的數據科學家數量龐大，他們將能夠在使用大數據方面為制造業提供更出色的支持。
借助全新的制造智能特性，制造商能夠提高質量，增加產量，更準確地了解制造問題的根本原因，以及減少機器故障和宕機情況。借助新的業務價值和技術能力，制造商將能夠改變業務模式和實踐，以優化設計，實現出色的可制造性，從而改進供應鏈管理，并采用定制的制造服務縮短專為各地消費者量身定制的產品的上市時間。
本文概述了英特爾一家制造工廠的物聯網(IoT)試點計劃，以說明將數據分析應用于工廠設備和傳感器可如何提升制造流程的運營效率并節約生產成本。在實施這一物聯網大數據分析項目的過程中，英特爾與Cloudera、戴爾、三菱電機和Revolution Analytics進行了緊密的行業協作，預計每年將能夠節省數百萬美元，并帶來更高的投資回報。
挑戰：如何從所有的制造數據中提煉價值？
大數據實質上是包含各種數據類型的龐大數據集，可以分為結構化、半結構化或非結構化，如表1所示。結構化數據適合放在格式整齊的表格中，因此相對容易管理和處理。結構化數據的優勢是便于輸入、存儲、查詢和分析。相關示例包括關系數據庫中存儲的制造數據，以及來自制造執行系統和企業系統的數據。另一方面，非結構化數據(例如圖片、文本、設備日志文件、人工操作員生成的值班報告和制造社交協作平臺文本等)可能為原始格式，需要經過解碼才能提取數據值。半結構化數據是結構化數據的一種，其格式不符合關系數據庫或其他形式的數據表關聯的數據模型標準結構，但包含用于分隔語義要素的標記或其他記號，并且數據中明確了記錄和字段層次結構。在制造業，要想發揮大數據技術的強大作用，需要將這些數據集類型進行合并與關聯，從中發現新的洞見，從而創造出色的業務價值。大數據技術的另一個價值定位就是，支持制造商以經濟高效、可擴展的方式聚合并集中各類數據。
表1 制造數據示例
制造流程存在各種變量，如材料、流程方案和方法以及設備差異，這就要求制造商采用基于可擴展平臺的大數據解決方案，這種平臺能夠隨著業務增長和制造要求的提高而擴展。機器數據與產量和質量密切相關，因此能夠為主動檢測將要失去控制的流程提供重要信息。然而，一些類型的制造流程會產生大量數據文件(每個工具類型幾天就可產生GB級數據，如表2所示)，限制了使用傳統方法從這些數據中分析、提取和存儲有用信息的能力。如果不使用大數據技術，直觀呈現來源廣泛的大型數據集中的信息都非常困難。
表2 數據大小示例
應對挑戰：英特爾制造部門使用大數據分析服務器和物聯網網關的物聯網試點計劃
圖1 支持為從工廠車間到數據中心的整個過程提供制造智能的端到端基礎架構構建模塊
圖1所示為面向大小型數據集的高級物聯網制造架構，這些數據集包含來源于制造車間和制造網絡、可供收集和聚合的各類數據。該架構為通過數據可視化、監控和挖掘創建新型商業智能提供了全新可能。
舉例來說，該架構可以清理、提取和轉換來自現有數據庫的結構化數據、來自工具傳感器的非結構化數據以及來自傳統設備的日志文件，并將它們整合在一個數據存儲平臺(即Hadoop)中。然后，運行在內部服務器(即數據存儲服務器)上不同虛擬機的高級工廠應用可對數據進行可視化和分析。或者，用戶可使用網絡上的其他分析或監控應用訪問這些數據。其他增強功能包括在Hadoop或其他類型文件系統中進行分析或在內存中進行分析以提升性能。分析結果可通過網絡商業智能層中的直觀可視化功能展示給用戶。
英特爾制造部門試點計劃中的大數據分析物聯網服務器設置
圖2 大數據分析服務器
英特爾制造部門在其試點部署中使用的大數據分析服務器如圖2所示。戴爾的緊湊型系統 PowerEdge*VRTX2被選作內部服務器，以在私有云環境中托管大數據和分析軟件。該系統包含一個Dell PowerEdge VRTX機箱，配備25塊900GB硬盤和2臺Dell PowerEdgeM820刀片式服務器，每一臺服務器配備E5-4600產品家族中的4顆英特爾？至強？處理器。英特爾至強處理器E5-4600 產品家族提供了一款成本適宜的緊湊型四路處理器解決方案，最高支持8個內核、20MB末級高速(L3)緩存和1. 5TB內存容量，同時具備可快速轉移數據的信道。
兩臺M820 服務器可托管分析和應用軟件，以及在多臺虛擬機中運行的 Hadoop節點。Red Hat EntERPrise Linux* forVirtual Datacenters操作系統為針對可擴展、完全虛擬化數據中心而設計的服務器提供了一種全面的虛擬化軟件解決方案。
分析和應用節點
圖3 大數據分析服務器上軟件分配至虛擬機的情況
圖3 顯示了軟件被如何分配至不同虛擬機(VM)。該節點托管著 5 臺虛擬機，分別運行著不同的分析和應用工作負載。具體包括：
·來自Revolution Analytics的Revolution REntERPrise* 是一款基于強大的開源R統計語言的分析軟件。該軟件可在分析解決方案和企業軟件之間提供無縫、安全的數據橋，可解決采用基于R的分析功能及現有IT基礎架構的企業所面臨的關鍵集成問題。
· MonetDB*：一種面向列的開源數據庫管理系統，旨在幫助高效完成對大型數據庫進行的復雜查詢任務，如將表格與數百個列和數百萬行進行組合。MonetDB已使用在各種需要高性能的應用中，如數據挖掘、在線分析處理(OLAP)、地理信息系統和流數據處理等。
·PostgreSQL*：一款強大的開源對象關系型數據庫系統，用于在線交易處理(OLTP)。
物聯網(IoT)網關
三菱電機MELSEC-Q系列* C語言控制器是一款基于英特爾？凌動？處理器的網關，用于聚合并安全攝入數據至大數據分析服務器。數據攝入指驗證、過濾和重新格式化數據，以便大數據分析軟件更輕松地對其進行分析。
三菱電機MELSEC-Q系列C語言控制器是具備眾多智能系統功能特點的嵌入式解決方案，包括處理從傳感器或通過網絡收集的大量數據所需的穩定網絡連接和卓越計算性能，同時支持復雜的系統控制和操作。這一控制器的核心是采用英特爾？ 架構和 Wind River VxWorks* 實時操作系統的硬件平臺。
三菱電機開發了 MELSEC- Q系列C語言控制器，旨在滿足多種工廠自動化要求，具備卓越的可靠性，可適應苛刻的環境， 且長期可用。這些特性助它成為一款堅 實可靠的產品，幾乎無需維護物聯網制造應用。
MELSEC-Q 系列C語言控制器取代了傳統可編程控制器中使用的梯形邏輯，使用國際標準 C 語言(C和C++)提供了更靈活的編程能力。它能夠支持用戶充分利用現有的C語言軟件和開發資源。
CIMSNIPER* 是一款適用于三菱電機 MELSEC-Q 系列 C 語言控制器的數據獲取和處理軟件包。它能夠收集流程數據(包括 SECS 信息)和制造設備錯誤， 而無需修改現有系統。
大數據分析案例
在過去的兩年中，英特爾開發了十幾個大數據項目，鞏固了運營效率和收入。下方列出了幾個示例：
縮短產品測試時間
英特爾制造的每一枚芯片都要經過徹 底的質量檢查，通過多種復雜的測試。
英特爾發現，利用制造過程中收集的歷史信息可以減少測試所需的產品數量，從而縮短測試時間。作為概念驗證實施的這款解決方案在 2012 年為英特爾？ 酷睿？ 系列處理器節約了 300 萬美元的測試成本。將這款解決方案擴展到更多產品后，英特爾 預計會節約3，000 萬美元的成本。
改善制造監控
數據密集型流程也用于幫助英特爾在生產線上檢測故障，這是一個高度自動化的環境。英特爾從整個工廠網絡的制造工具和測試工具中提取日志文件，每小時多達 5 TB。通過捕獲和分析這些信息，英特爾能夠確定在制造流程中的哪個步驟開始偏離常規容差。
針對此處討論的當前端到端平臺試點部署，英特爾與三菱電機、Cloudera、Revolution Analytics 和戴爾進行了緊密合作，成功開發了許多卓越功能，在使用數據挖掘科學解決實際制造問題方面取得了巨大進展，并通過成本節省和決策改進為英特爾節約了數百萬美元。該項目的主要目標是發掘數據和數據分析的價值，通過預測制造獲得更深刻的洞察力，并降低制造成本，同時不影響生產量或質量。
下面詳述了英特爾通過集成面向制造物聯網的大數據分析和技術獲得了一些突破性成就和發現。
試點計劃成效：
使用案例 1：通過監控和分析設備參數值并在部件發生故障之前及時更換，減少不必要的產能損失。
背景
自動測試裝置(ATE)是專門用于在不同設備上執行測試的機器，這些設備被稱作被測設備(DUT)。ATE 使用控制系統和自動化信息技術快速執行測試，測量并評估被測設備。11 ATE 系統連接到稱為處理工具的自動更換工具上。該工具能夠物理更換測試接口單元(TIU)上的被測設備，以便接受該裝置的測試。
問題陳述
有缺陷的測試接口單元將會錯誤地將良品分類為次品，會對英特爾制造運營成本造成負面影響。有缺陷的測試接口單元會導致對被測設備進行錯誤分類，包括拒絕良品。英特爾制造部門的目的是檢測潛在的 TIU 缺陷，以便及時修理或更換單元，防止它們被錯誤分類。如果有缺陷的測試接口單元將良品錯誤分類為次品，該單元將作廢。在定期預防性維護期間，一些即便仍然運轉正常的組件也會使用備件更換，以避免發生此類問題。
成效和優勢
分析功能可在現有工廠聯機流程控制系統觸發之前，預測出高達 90% 的潛在測試接口單元故障。在此處的情況下，這可幫助及時更存在缺陷的 TIU 以免造成過度拒絕良品，將產能損失降低了 25%。
此外，英特爾還減少了在預防性維護過程中提前更換尚未故障的備件的需求，從而預計可以降低 20% 的備件成本。
使用案例 2：通過在焊球焊接設備中消除和減少錯誤焊球裝配情況降低產能損失
背景
焊球焊接模塊是為基片表面涂抹焊膏的部件。焊球被放置到焊球焊接表面，然后焊膏將其固定在相應位置上。整個封裝通過一個回流焊爐，將在其中融化基片表面上的焊膏和焊球。
焊球被真空吸附到貼裝頭的小孔上。系統將檢查該貼裝頭上的焊球是否過多或缺失。當貼裝頭與基片對齊時，焊球被放置在基片的焊膏上。釋放焊球后，將檢查貼裝頭上是否殘留有任何焊球。最后，攝像頭成像系統將檢查基片上是否缺失焊球或焊球位置是否存在偏移。
問題陳述
缺失焊球的單元為有缺陷的材料，會造成產能損失。多種場景會導致單元缺失焊球，包括真空壓力不足等。
成效和優勢
通過可視化處理傳感器讀數并將其與各種機器數據和執行系統數據進行關聯，英特爾成功降低了產能損失，優化了維護成本，并避免了設備突然宕機。這可幫助技術人員主動解決問題，朝著創建預測維護功能而努力。
使用案例 3：使用圖像分析確定良品或次品
背景
機器視覺設備是一種模塊，可篩選單元并將其分類為良品和邊際單元。良品將傳送到加工流程，而邊際單元將接收制造專員的檢查并確定其優劣。該手動流程較為耗時。
問題陳述
人工檢查并分類邊際單元的流程非常繁瑣，有時需要約8 小時才能成功將邊際單元與真正的不良品隔離。
這是因為單元送達操作員、然后傳送到隔離模塊、最后進行隔離比較費時。圖像分析可幫助迅速識別檢測模塊檢測到的不良品。
成效和優勢
機器視覺設備模塊中記錄的邊際圖形經過預處理。每一張圖像都是非結構化數據，需要修改尺寸、剪裁并轉化為灰度模式，然后將每個像素轉化為二進制格式。此流程的下一階段涉及特征選擇，非結構化圖像將由一系列不同的值定義。然后，將這些值賦予各種機器學習算法，用于區分真正不良品和邊際不良品。
圖像分析縮短了從大量邊際單元中分離真正不良品的時間。圖像分析確認不良品的速度大約比人工方法快10倍。
數據流
圖4 高級數據流
圖4顯示了上述使用案例中的數據如何傳輸。
基于英特爾凌動處理器的網關將實時獲取的機器數據和傳感器數據發送至大數據分析服務器(BDAS)。例如，焊球焊接模塊的機器數據通過機器界面端口收集，來自模擬傳感器的機器數據以數秒數 MB 的速度進行流傳輸。
· 收集到的所有工廠數據都存儲在 Hadoop* 中。以下不完全列表顯示了使用 Hadoop 的現有功能可實現的可能性：
- HTTP：大數據分析服務器展示一個支持對 HDFS 進行操作的經驗證的 REST HTTP 端點。
- Apache Sqoop* 提供了連接工具， 用于將非 Hadoop 數據存儲(如關系數據庫和數據倉庫)中的數據遷移至 Hadoop。
- Flume* 能夠接收持續的日志數據。
·本部分上述使用案例中的特定數據格式為逗號分隔值(CSV) 文件或原始圖像。盡管 Hadoop 生態系統包含多種數據攝入途徑(如上所述)，但一些工廠機器的網絡傳輸能力有限，要求通過定制工程向 HDFS 提交數據：
- FTP：物聯網網關擁有一個 FTP客戶端，定期連接到大數據分析服務器，并將最新獲取的數據直接傳輸到 HDFS。也可以根據實時數據流和分析要求使用 MQTT 和 REST 等其他數據流協議。
- CIFS 共享(Windows 共享)：大數據分析服務器提供了一種 Windows/CIFS 共享目錄，網關 可將文件復制到該目錄中。
·CSV 文件被使用 Pig 直接導入HBase*，而原始圖像會先使用計算機視覺技術和 map-reduce 任務進行預處理，生成圖像的文本數據表示。
·根據操作要求，數據將在三個數據 庫中的一個進行存儲：NoSQL (Hadoop)、RDMS/SQL或 Coli/ OLAP。
·數據庫可使用各種工具訪問和處理， 包括 AquaFold、專門報告、工作流調度、ETL 和數據庫集成。同時， Cloudera Distribution for Hadoop 可對數據實施各種操作。
·處理過的數據使用專為工廠應用設計的Revolution Analytics 工具進行進一步分析。
·這些數據在易于理解的儀表盤中向用戶展示。
經驗總結和結論
英特爾使用物聯網網關，借助從英特爾自身制造網絡和設備及傳感器提取的數據，集成并驗證了大數據分析內部服務器解決方案，從而證實了物聯網對于制造業的出色業務價值。采用了三菱電機 MELSEC-Q 系列 C 語言控制器。試點計劃的實施有賴于工廠工程師、IT 部門和來自 Cloudera、戴爾、三菱電機和 Revolution Analytics 的行業專家的通力合作。團隊首先采用現有機器性能和監控數據，然后使用大數據分析和建模功能獲取用于預測潛在偏移和故障的數據。機器組件故障預測功能可支持工程師修復并防止偏移，從而通過避免浪費生產部件、縮短維修時間和減少機器備件使用量節約大量資金。
使用了大數據分析服務器和物聯網網關上各種軟件構建模塊的集成套件。尚未開始利用制造數據中包含的智能優勢的制造商，可以應用并實施此框架。已經使用數據提升效率的制造商可以進一步增強現有能力，以提高數據挖掘和分析能力。
對于英特爾而言，此試點計劃預計每年可節約數百萬美元，并能夠帶來更高的投資回報。優勢包括延長設備組件正常運行時間、最小化良品和次品錯誤分類(從而提高產能和生產力)，支持預測維護，同時減少組件故障。英特爾的制造環境和設備中還有多種其他類型的參數、度量法、產品和設備數據(結構化和非結構化)，可以通過挖掘和分析這些數據獲取新的業務價值。通過利用這一機會，英特爾將能夠進一步提高工廠的效率和生產力，建立出色競爭優勢。
轉載請注明出處：拓步ERP資訊網http://www.guhuozai8.cn/
本文標題：智能制造中大數據分析和物聯網的地位
本文網址：http://www.guhuozai8.cn/html/consultation/10839420747.html
相關文章
