1、工业大数据方案,技术方案,职务：技术顾问 方向：工业云平台，大数据管理，数据挖掘与机器学习。 学历：内蒙古大学硕士学位 工作履历： 曾就职于安世亚太（北京）科技有线公司，担任知识工程系统架构师，参与2010年国防科工委支持项目基于知识面向流程的新一代飞机设计系统，主持完成西飞国际MA60外场监控系统的规划与架构设计。 曾就职于广州巨杉软件开发有线公司，担任广发银行影像与历史数据管理平台架构师。 曾任职于易往研究院，担任智能工厂软件系统研究员， 主持2017年工业与信息化部电子标准化研究院创新支持项目并担任工业云计量验证系统的架构设计师。参与青岛海尔COSMO项目一期工程的实施和二期工程的前期规
2、划。,顾问介绍,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,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过程优化,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
3、,大表关联,并行加载,半结构化,非结构构化,HDFS,Map/Reduce,Hive,Pig,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、Spark Streaming）,智能制造大数据蓝图,工艺,人员,物料,设备,质量,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,Spark ML,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,
4、预测与优化,5,主要业务规划,6,中安鼎辉大数据平台,工业大数据特点,多样、实时、海量的数据需要依赖大数据技术进行数据管理并产生价值,交互查询,批查询,机器学习,实时分析,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,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,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,数据湖与价值发现,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,工业大数据建模目
5、标,01,02,03,04,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。,生产过程建模,设备数据建模,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
6、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,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,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,设备预测性维修,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
7、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,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
8、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,能力平衡 通过分析工序的Cycle time，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,调度优
9、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,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
10、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,MES、EMS,1、生产过程。 2、能源消耗。 3、异常事件。 4、灾难事件。,1、设备参数。 2、调度行为。,钢厂数据湖,质量提升异常监控人机协同灾难规避,大数据处理,炼钢生产过程大数据应用,料层厚度 烧结温度 点火温度 垂直燃烧速度 混合料水分 燃料配比 机速 利用系数 冶炼强度 焦比 喷煤比 燃料比 富氧率 风温 氧气压强 氩气压强 ,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,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,Thanks！,
