大數據如何助力實體經濟？案例分享：利用機器學習提升製造業良品率

摘要：雲星數據分享，如何基於海量工業數據，利用大數據分析、機器學習技術幫助某知名製造企業提升生產製造良品率。

新一代的雲計算/大數據技術正在給傳統工業發展方式帶來顛覆性、革命性的影響。感測器、工控系統、物聯網等技術的廣泛應用，推動工業企業實現生產流程各環節的互聯互通，促進互聯網與工業融合發展。

隨著信息化與工業化的深度融合，工業製造企業已經積累和擁有了日益豐富的工業數據。工業大數據呈現出大體量、多源性、連續採樣、價值密度低、動態性強等特點。

我們理解大數據分析在工業製造行業主要有兩個應用領域：

1.利用大數據進行建模模擬：傳統生產企業在測試、驗證環節需要生產出實物來評測其性能等指標，成本隨測試次數增加而不斷提升。利用虛擬模擬技術，可以實現對原有研發設計環節過程的模擬、分析、評估、驗證和優化，從而減少工程更改量，優化生產工藝，降低成本和能耗。

2.利用大數據提升良品率：實際工作中，對失效/殘次品的個案分析往往無疾而終，有價值的信息淹沒在量測誤差、實驗雜訊或者不科學的實驗設計里。而通過對於大量數據的分析，雜訊信息會消失，差異點會疊加放大。生產的過程數據越多，分析就越細緻，在信息充足的情況下，工程師甚至可以將異常定位到機台的某個機構，從而實驗設計也能合理化，目的化，極大地加速良率提升的腳步。

但在具體大數據應用領域上，工業企業普遍面臨：

• 不知道如何把大數據和企業自身業務結合起來；

• 大數據人才匱乏；

• 數據採集和治理不完善，未形成閉環；

• 工業領域有其獨特的領域知識，需要行業知識結合數據分析等困難和挑戰。

最近雲星數據與國內某知名LCD生產企業在利用大數據提升良品率領域開展合作，利用大數據分析和機器學習來研究關鍵因子，提升生產製造的良品率。具體包括：對生產線上數以萬計的感測器進行工業數據(溫度、壓力、振動和雜訊等)採集和存儲，通過建模分析識別出生產流程作業過程中的關鍵缺陷因子指標；建立告警預警系統實現感測器數據流指標的實時監控，一旦偏離關鍵因子設定的閾值，就會觸發報警信號，快速地發現錯誤或者瓶頸所在。通過關鍵因子與產品合格數據之間的聯動，跟蹤識別關鍵因子的變化趨勢，從而優化提高產品良品率，達到提升生產效率、降低成本的目標。

那麼雲星數據採用何種數據分析邏輯來實現缺陷因子的識別？又是如何通過技術手段落地實現這樣的工業數據分析處理的呢？數據存儲和數據分析兩大核心平台又分別提供那些核心功能呢？

首先，項目組專家成員通過業務分析，樣本數據收集、建模模擬等手段識別出了如下的缺陷因子分析邏輯：

• 不同缺陷在時間上的聚集性

• 不同缺陷在不同因素上的分佈傾向

• 過程異常與缺陷的相關性

• 不同缺陷在不同成分含量上的分佈傾向

此後，演算法專家將分析邏輯映射為數據演算法(邏輯回歸、聚類、關聯分析等)實現在分析平台上對基礎平台中存儲的數據集進行分散式計算處理，獲得輸出結果(關鍵因子集、因子閾值參數等)。

總體邏輯架構

大數據基礎平台：重用現有的工具和基礎架構，實現全自動的數據收集、整理、轉換和存儲。充分利用 Hadoop/Spark集群提供海量數據存儲能力。

大數據基礎平台

大數據分析平台：充分基礎平台上存儲的數據，在數據建模、模型訓練上採用深度學習(DeepLearning)模式。通過數據邏輯層上針對工業製造細分領域的生產流程，提供監督學習、和非監督學習兩種模式的模型訓練機制的支持，可以進行如數據清洗、數據倉庫、特徵工程等應用。

雲星大數據分析平台

雲星數據致力於幫助企業在工業生產過程中管理和應用大數據。首先是利用雲平台、物聯網等技術實時監測工業生產中的一系列設備，通過從設備中監控到的數據，再結合生產過程中的環境因素、產品質量、過程式控制制等數據，給出數據驅動的生產優化解決方案，實現提高精準製造、高端製造、敏捷製造的能力，加速智能車間、智能工廠等現代化生產體系建立，實現智能生產。