商业数据分析之信息采集方法 连州丰阳镇数据采集数据分析
编辑整理：整理来源：百度知道，浏览量：82，时间：2023-01-14 13:26:02
商业数据分析之信息采集方法，数据采集和分析，数据采集模型
1 数字化智能工厂解决方案在工业4.0和中国制造2025的大背景下，智能制造的整体解决方案，解决方案全景如下：
解决方案全景
整体解决方案由智能化生产、智能化管理和产业链互联三个层面构成，前两个层面立足于企业自身，以智能工厂为建设目标，实习企业机体自身的智能化，而产业链互联则是以互联网技术为基础，将企业融入到产业链的整体生态环境中，逐步实现制造资源的服务化和云化，并与生态系统中的所有要素协同互动，实现企业的智慧化。
智能制造是一个比较宽泛的概念，本方案以智能工厂为建设目标，特指以物联网、互联网、大数据等技术为基础，集成各类制造资源，通过对生产制造及物流系统的升级改造，逐步实现制造过程、物流驱动、控制模式、决策方式等方面的智能化，构建起体系化的智能化的制造系统，打造数字化、透明化的智能工厂。智能工厂解决方案的整体架构如下：
整体架构
智能数据采集平台智能数据采集平台是智能制造系统的基础平台，是衔接生产物流现场与智能制造系统的接口平台，主要功能是利用物联网技术连接产品、设备及控制系统，建立智能制造系统与生产现场之间的通路，向智能制造系统提供生产现场实时数据并接收智能制造系统发出的指令。同时，通过统一的集成化数据采集平台，可以将不同的现场设备及控制系统的数据信息整合在一起，从而为生产现场的协同、柔性、高效提供可能。
智能数据采集平台
1.1 智能运营管理平台智能运营管理平台构建在智能数据采集平台之上，所有管理都必须以数据为基础，由数据来支持管理决策。而智能运营管理的范围涉及企业自身运营管理的各个方面，而且呈现出碎片化的特征，企业运营管理的重心会随着管理升级不断改变，但无论如何，所有的运营管理都是围绕着产品的生命周期展开的，只是着手的先后顺序在个体企业间有所差别。
1.1.1 协同设计产品设计是产品生命周期的起始，在需求个性化的社会经济环境下，产品设计的重要性日益突出。产品设计本身都会有专业的软件产品和技术支撑，而以下两个特征是体现产品设计与整个体系衔接的智能化的标志：
n 设计制造一体化
设计的最终目标是指导制造实现，而设计与制造体系衔接的紧密度和顺畅度也是体现设计软件是否融入智能制造体系的重要标志。设计制造一体化包括两个方面：
u 基础数据的一体化：所有设计数据要求与制造系统无缝互通，在统一编码、统一物料库基础上实现数据协同；
u 设计过程的一体化：研发项目管理、设计变更以及消息互动等所有研发过程都要与制造系统衔接集成，避免设计活动孤立于制造体系，实现以产品生命周期为主线的设计制造业务一体化协同
n 协同设计
在个性化定制及智能制造的业务环境下，设计活动不再由一个单一的设计部门完成，与第三方以及外部设计单元之间的协同也逐步常态化，尤其在工业互联网及云设计环境下，设计的协同能力也是智能设计的重要特征。
1.1.2 智能排程基于有限能力的排程是衔接主生产计划与现场作业执行的工具，其基本功能由以下几部分构成：
n 生产计划导入：从计划系统获取生产需求
n 排程模型构建：根据实际生产执行的情况建立排程模型，定义排程计算中需要考虑的影响因素和算法，常见的有TOC、JIT等排程模型
n 排程算法执行：根据排程模型和生产需求计算各个工位起止时间和设备占用，生成可由现场执行的排程结果
n 排程结果发布：排程结果传递到生产执行系统
n 现场执行调度：根据排程结果驱动现场执行
高级排程（APS）系统往往会以独立工具或独立软件产品的形态提供，其重点聚焦在排程建模和排程算法方面，先进的排程工具的确能够提供丰富的排程算法和友好的交互界面，但是，排程应该基于对现场执行情况的实时掌控，排程结果与排程的执行必须是闭环并可随时调整修正的，否则，就失去了排程的实践意义。而独立的排程系统由于无法获知设备、作业、能源、材料、人员等各个方面的全面信息，难以做到综合全局的排程。
从实际的排程应用需求来看，每个企业的排程算法并不会特别复杂，而排程的难点往往在于排程结果与现场实际执行之间的脱节，这会导致排程工作流于形式，并不能成为调度和安排现场工作的依据。智能排程是智能制造系统之中的集成工具，与智能数据采集平台紧密结合，实时掌握生产动态，随时调整排程结果，做到与生产现场完全联动，运行顺畅后就会成为整个生产现场的核心调度系统，结合智能制造系统的其他工具，实现真正意义上的自主生产和智能制造，是建设数字化无人工厂的中枢系统。
1.1.3 智能调度智能调度是将工序作业计划变为作业指令，并驱动现场按指令运作的活动，智能调度要解决以下两个重要问题：
n 现场作业调度的形式
车间现场的作业模式多种多样，现场作业调度的具体形式也会比较丰富，但抽象整理后，都会集中到以下基本形式：
u 单品身份证：为每一个流转的产品标识唯一的身份信息，生产调度过程管理到每个具体的单品
u 工艺流转卡：工艺流转卡往往以批次为管理单元，极端情况下也会以将批量降低到1，成为单品工艺流转卡
u 派工报工（工票）：将生产任务分解为单个碎片的工作任务，由工人领取并完成，派工报工往往会与计件工资一并使用
u 固定地点/流水线装配：组装工艺的调度模式，管理的重点往往集中在记录组装关系以便后续品质追溯
上述集中方式在一个工厂或车间中并非孤立存在，经常是几种形态并存，但管理模式一般会倾向于趋同，将不同的形式融入到一种主流模式中，尽量避免差异，降低管理成本。
n 作业指令发布到现场
生产指令形成后，需要有一定的技术手段发送到现场，发布的内容主要包括：工艺指导文件、数控文件、嵌入式软件等。在设备集中型的车间，可以考虑通过数字化手段将指令及相关文件信息发布到DCS或DNC/CNC，控制设备运行；而在人工为主的车间，生产指令的发布需要通过一定设计的载体。不论如何，发布的目标是向生产现场准确发布指令信息，以便现场正确执行。
1.1.4 智能物流与制造系统相关的物流主要是厂内配送物流和车间作业物流，不论哪种物流，其主要目标是要在恰当的时间将恰当的物料送到恰当的位置，保证生产环节不发生停工待料。立体仓库和AGV是实现智能物流的硬件平台，WMS是其软件平台，二者结合使用，可以根据指令达到上述目标，但是，重点在于“指令”本身，这个指令就是要告诉系统：什么时候什么位置需要什么物料，如果没有集成化的智能制造系统，只是靠人为发出指令就大大降低了整体系统的执行效率。
智能物流系统是集成化的智能制造系统的子系统，其主要职能就是依据智能数据采集平台收集到的现场执行进度和加工节奏，结合加工工艺和BOM信息，自主计算判定各个位置在未来各个时点的物料需求，进而向物流设备发布指令，驱动物流设备到适当的位置获取正确的物料，并运送到需要的工位或库位。
智能物流是智能制造系统的循环系统，通过智能物流系统可以有效的提高物流效率，降低现场库存，减少运输错误，实现生产物流的智能化。
1.1.5 品质管理质量溯源及控制系统主要包括如下业务应用：
n 品质记录
品质记录的原始数据来源于智能数据采集平台，主要包括：PQC记录、IQC记录、巡检记录、驻厂检验记录、售后记录等，品质记录负责整理和清洗数据，形成供应商来料品质记录、产品品质记录书等，其中，产品品质记录书用于记录产品全生命周期的品质数据，是最重要的品质记录。
n 产品品质追溯
依托于产品品质记录书，提供产品品质追溯功能，产品品质追溯支持从两个视角展开：
u 由产品查询相关的各类品质信息，在产品品质缺陷分析或工艺设计改进时，提供准确的用料信息、部装信息以及加工过程的质量数据，并可进一步延展到售后服务阶段，提供全生命周期的质量信息；
u 从材料出发，反向查询受到影响的部件及成品，从而精确界定由特定批次的材料品质缺陷影响到的成品范围，以便召回或主动维护。
n 生产防错
生产过程中由于各类错误可能会引发重大的质量事故，智能数据采集平台可以采集到实时的加工信息，生产防错系统可以依据系统识别到的加工工艺、BOM及当前加工任务，在加工开始前与线上产品或投入的材料再次验证，核对无误后方可执行加工动作，最大限度的降低出现错误或不按规程操作的情况，实现预防性的质量控制。
n 首件质检
首件质检是批量加工前品质确认的活动，智能制造系统提供首件质检的应用，通过识别加工件信息及工艺要求，提取质检方案，由现场工人和QC人员逐条确认检验指标的检验值并判定检验结果。对于首件质检不合格的批次，会提交到生产防错系统中，控制该批次不可向下流转。
n 现场巡检
基于现场移动网络，提供手持设备（PDA）接入，通过手持设备上部署的现场巡检应用，采用文字、音频、视频等多种形式，实时记录现场物流、存储及加工过程中的质量问题，以便随时纠正及后期改进。同时，可以在质量事故发生的第一时间记录并反馈实际情况，以便及时采取应对措施，将影响范围控制到最小。
n 质量SPC
统计工序控制 即SPC（Statistical Process Control）。它是利用统计方法对过程中的各个阶段进行控制，从而达到改进与保证质量的目的。SPC强调以全过程的预防为主，因此，需要结合智能数据采集平台提供的现场运行数据和累积历史数据，运用大数据分析技术，通过建模分析和趋势预测，有预见性的提出工艺工程改进建议，保证加工过程可靠，产品质量持续稳定。
1.1.6 设备管理在设备加工为主的工厂，尤其是设备现代化程度日益提高，设备管理也会成为工厂日常运营管理的重要内容。与现场相关的设备管理主要在以下几个方面：
l 设备档案及设备日历：记录每一台设备以及这些设备的运行时间计划，设备日历会影响到计划排程
l 日常运行记录：主要记录设备的启停时间、加工时间、设备参数等信息
l 维修保养计划：制定日常的维修保养计划并在实际执行时记录维修保养记录，维修保养计划会影响到设备日历
l 设备异常管理：设备异常发布、异常处置及记录等内容，结合异常管理，解决与设备相关的突发异常事件，异常情况会影响到设备日历
1.1.7 异常管理生产现场会有各类异常事件的发生，这也是现场管理的重点内容，异常管理主要包括以下几个内容：
l 异常申报：在发生异常时由现场申报异常状况，通常需要通过现场终端将异常信息发布到系统
l 异常推送：系统接收到异常信息后，需要根据异常类别将异常信息通过短信、微信、消息通知等机制推送到异常相关人员的终端设备
l 异常响应：异常处置人员接收到异常信息后，需要对异常做出响应，并根据异常信息提出现场预处置意见和现场处置时间
l 异常处置：异常处置人员赴异常发生现场处置异常，并记录异常解决情况
l 现场巡视：主动发现现场异常的行为，主要工作是记录并及时纠正现场异常
1.1.8 售后运维智能制造关注产品全生命周期管理，在最终产品交付客户使用后，依然保持着对产品的持续追踪、维护、保养、维修等服务活动，在此过程中，同样持续主动收集数据信息，并将数据信息反馈到智能数据采集平台。
产品售后保障主要涵盖以下工作：
■ 安装调试：安装调试是产品交付过程，需要将此事项纳入系统管理，记录安装调试任务的人员安排、执行情况、过程数据、最终结果等信息，并将数据反馈到系统中，可用于改进安装调试工艺及过程规范
■ 定期保养：生成各个产品的保养计划，并按计划安排返厂或上门保养，记录保养过程数据，以及保养过程中发现的各种异常事项
■ 配件供应：根据安装调试及维修保养任务计算生成配件及备品备件的采购计划，完成采购过程、入库及发出的管理
■ 故障维修：为用户提供便捷的故障申报通道，安排维修人员响应故障申报，记录设备故障原因和维修过程，反馈这些数据信息到系统中
■ 技术支持：为客户提供产品使用过程中的技术支持，记录支持信息
■ 投诉建议：记录并响应客户的投诉与建议
除此之外，随着产品的智能化改进，产品在交付客户后也会在不侵犯用户隐私的前提下，主动反馈产品运行参数，厂家可根据收集到的数据分析产品运行状态，预测产品未来的运行状况，为用户提供主动服务，防患于未然。
1.2 商业智能分析平台智能数据采集平台和和智能运营管理平台都是业务数据的供应商，在系统中积累了海量的业务数据，这些数据要为决策所需，就需要有数据的整理发布平台，商业智能分析就是以大数据为基础的智能化的数据平台。
1.2.1 智能监控及生产辅助无论如何智能化的系统，都需要有可视化的监控体系来保障，智能监控是实现可视化管理的支撑系统。智能监控及生产辅助系统由现场看板、电子作业指导书（E-SOP）、安灯系统、中控系统等构成。
n 现场看板种类比较多，常见的现场看板有：计划看板、效率看板、品质看板、配料看板、机位/工位看板等，各类看板分别针对不同的管理目标，用数字化或图形化的方式实时展现现场执行状况，以便在异常发生时及时发现并纠正。
n 电子作业指导书是生产作业辅助系统，可通过机位终端展示工艺工程图纸和三维图形，并查询标准作业方式。电子作业指导书的前提是设计成果的电子化。
n 安灯系统也是传统的目视管理系统，用于随时监控现场设备的运行状况，并及时响应异常。与智能制造系统结合后，可基于预设模型并根据智能数据采集平台获取的加工数据分析判定及预测设备运行状况，反馈到安灯系统，指挥设备维护或工艺技术人员及时关注潜在问题，从而达到预防为主的设备管理模式。
n 中控系统是总体上展现生产现状和趋势的看板系统，形式上采用中控室或管理驾驶舱等，主要用于辅助企业整体运营和快速决策。
智能监控系统是智能制造系统的数据整理和展现模块，依托于智能制造各子系统采集和加工得到的数据，通过分析建模工具构建业务模型，并通过图形化的方式展现和发布。智能监控系统可支持多类终端设备，如：电子显示屏、平板电脑、移动设备等。同时，还需要支持异常信息的通知和预警机制，在异常发生的第一时间以短信、微信、邮件等形式将异常信息推送给相关责任人。
除了实时监控和展现外，智能监控系统的智能化更体现在对未来的预判和感知，通过对现场加工数据的收集、整理和计算，并结合历史数据比对或分析模型构建，系统可以主动发现生产设备、工艺过程、材料品质等诸多方面的异常，或推断可能发生的异常，并将这些信息反馈到监控系统中，帮助监控人员及时快速决策。
1.2.2 电子看板电子看板是现场目视化管理的关键内容，在我们的解决方案中，电子看板所使用的硬件是安卓平台的LED智能电视，或者普通的液晶电视配安卓平台的电视盒子（如：小米盒子等），在实际应用中，这两种选择都是可行的。
电子看板
1.1.1 分析及预测模拟数据分析是对历史数据的消费，预测模拟是站在现有数据基础上对未来的预估，这些都是企业运营和决策的基本手段。在有丰富数据支撑的基础上，配合专业的商业分析工具，能够更大限度的发挥数据的效用。同时，商业分析工具的数据仓库也是集中各类异构系统产生的各种数据的优秀载体，这样能够将数据分析扩展到更大的范围，配合根据企业管理需要设计的分析预测模型，就能够使数字化管理真正落地。