数据驱动的智能制造《制造系统期刊》

时间:2024-04-04 18:27:53

分享来自北航大学2018年发表在Journal of Manufacturing Systems期刊上的Data-driven smart  manufacturing本文将节选其中的几个重要idea进行讨论和简述。

引述:为什么我们需要数据驱动智能制造?

近年来,随着通信互联网的覆盖扩展,大量信息呈现爆炸性增长,制造业厂家们也开始思考一些互联网+的概念。这个概念兴许有点太老太泛了,因此工业4.0(德国)工业互联网(美国)以及中国制造2025等几个关于制造业的新策略被依次提出。这些项目由大数据,物联网,人工智能等新兴IT技术出发,旨在促进它们在工业上能产生高效能的应用,智能制造也即是其中一个目标。工业互联若是应用范围太广,无从谈起,那么便可以先确定分析智能制造的目标,挑战和应用。

智能制造是什么,它可以实现什么目的?它可以定义为:借助制造数据的实时收集分析并对实际生产制造产生实时有效的决策,从而是的产品的制造周期智能化的一种技术或是策略或是方案(简单来说就是一种概念)。

为什么要强调数据驱动?现代的制造工业系统中会实时产生海量数据,这些数据来自制造系统中的各个环节各台设备,比如供应、入料安检、机器自检、成品优劣检测等等。如果应用得当的话,可以让各环节或是整体生产效率得到极大提升。然而,其中大部分数据甚至没有发挥出应有的作用就必须为节省存储空间而清除,或是因为得不到有效的传输而被遗忘,造成没有被有效分析处理因而也没有最大化其可以优化生产的作用。所以,一个有效的数据分析决策和反馈控制系统可以高效整合整个制造业生产链条,即数据驱动制造业可以被视为完成智能制造的必要条件。

怎么实现数据驱动?制造业要完成智能化,数据很关键,那么需要一个有效的数据驱动策略来实施。肯定能确定的是,一个需要数据驱动的制造业产生的一定是海量数据,即“大数据”。根据已有针对大数据的处理技术,IoT物联网技术可以完成物联“大数据”的通信整合,云计算可以为“大数据”的分析和决策提供存储和计算的平台,移动互联网可以增加“大数据”的移动性和多样性,人工智能AI可以为具体决策目标提供高效的分析算法。这些所有的新型IT技术,都可以成为数据驱动方案的素材。如何应用他们便是作者需要思考的挑战,具体的步骤将在第三部分的数据驱动的智能制造框架中介绍。

以下跟据作者的大纲,将对一下4个方面进行分析讨论:

智能制造中的数据是什么?它有哪些特征?搞清楚这个之后,我们才能决定用怎样的技术对它进行处理。为了弄清楚这个问题,作者对制造业不同历史发展中的数据演进做了分析。这将在第一部分“制造业数据进化的四个时代”进行介绍。

怎么让这些数据要达到让制造智能的目的?这些数据需要经过怎样的处理?它们最终的“归宿”是什么?这些问题将在第二部分“制造业中“大数据”的生命周期”中进行介绍。

有没有一个整体实现数据驱动智能制造的方案呢?这个问题作者用一个框架来进行了说明,在第三部分“数据驱动的智能制造业框架”。

这个方案是否可行呢?有没有一些具体的例子可以让人验证一下呢?因而作者在第四部分提出了一些可以实现的实例。

一、制造业数据的进化的四个时代

数据驱动的智能制造《制造系统期刊》

按照发展阶段,这篇本章将制造业分为四个时代:手工业时代,机器时代,信息时代,大数据时代。在第一次工业之前,动力不足导致不能形成大规模的机器作业,因而大部分动力以及制造都是来源于人力,即制造业的手工时代。在这个时代,信息都是以纸质为载体而存在的,因而作者认为信息技术和制造技术很难整合在一起。而且按照当时的发展,凭借已有的人力信息整合也不会非常影响制造业的生产效率。然而从两次工业革命之后,蒸汽动力、石油电力、风力水力电力的普及,给制造业的机器化提供了比人力更有效的动力,使得成产效率大大提升。然而,冗长的制作链条中的信息不对等使得各制造环节的工作不同步,最后可能对整个制造过程带来巨大的开销,这使得规模化的现代机器制造业需要合理的信息控制来调整优化。终于在进入到信息时代后,通信互联网业的发展,加快了人们交流中的信息流动和整合,于是不同于制造业的纯粹用于信息加工处理和整合的技术得到了飞快的发展。信息的流动越来越快,网络的覆盖越来越广,用于对人通信的设备以及用于对自动智能化机器通信的设备相应增加,网络上流动出各行各业的“大数据”,利用信息技术对大数据进行分析处理并得到高效的决策支持,是“大数据”时代制造业信息驱动的目标。

1.1 手工业时代的数据

作者将手工业时代定义为:第一次工业革命之前的人类社会中的制造阶段。这个时期的手工制品主要是由工匠设计和制造。手工制造是最基本的制造形式,一般是由一系列简单重复的手工活儿组织而成。因而这个制造业时代的数据信息主要局限于工匠们的设计制造经验,一般为纸质版的成书或是口头相授,流通方式为代代相传。因而,这种流通方式很容易导致信息丢失,从而导致稳定高效的生产和质量控制不容易实现。另一方面,因为其极低的产量和质量,在这个时代产生的制造信息并没有得以强调和开发。机器制造泛滥的现在,一些手工制品因为包含超高水平的人类创造力,被用于制造奢侈品(比如珠宝,手表,毛皮包)。

1.2 机器时代的数据

按照两次工业革命后的制造业发展阶段,作者认为数据在机器时代的发展也应该分为两个阶段。

第一次工业革命之后,机器被用于早期大规模化工厂的生产工具。蒸汽机的出现,使得似乎拥有“无限”动力的机器可以替代大部分重复性的人类活动,使得生产力得到了极大的解放。与此同时,这个时代的机器也需要人类有经验的操作、管理和分配,才能发挥应有的作用,因而机器和人类在生产制造中的关系达到高度互补。因此,工人和机器在生产制造中的相关数据受到制造厂家们特别地关注。工人在制造中的数据比如出勤、产量、表现等等,是决策工资结构、工作调度和奖惩管理的重要依据。机器在制造中的数据则是其是否需要维修、更换等资产管理的重要依据。因而,相比于手工业时代的数据,作者认为第一次工业革命后的机器时代的数据明显在收集、存储、分析、管理上有了量的变化。但数据管理和处理的工作还是由有经验的工人们手动进行。

第二次工业革命(技术革命),机械工具和可代替部件被广泛应用到“新”制造业的过程(比如Bessemer制造),从而极大提高了生产制造效率,最终推动形成了完全大规模化的现代制造业。这个时期,管理人员和工人有了更明显的分工,因而,数据也更多的由受过良好教育的管理人员处理。另外,管理人员也开始形成系统化的方法来记录和分析制造数据。相比易丢失的人类经验数据,大量可靠的原始数据开始被大量地记录到书面文件上,比如说明书、日志、注释和图表等。为了方便查询修改,人们还用科学的数据库管理方法来区分不同关系的数据。在这个时期,制造业开始开发能实现降低成本、质量控制和存货管理等的制造数据。特别是能分析大量质量类制造数据的统计学模型,比如生产计划、生产能力、产品质量、故障率、原材料消耗、报废率。

总结一下,机器时代的数据虽然有了科学的方法来分析处理,但是里面含有的决策有效信息还是需要人工挖掘。因而,这个时期制造数据的利用率不高。

1.3 信息时代的数据

在信息时代(或者数字时代),信息技术已经被广泛地应用到了制造过程中,从而也使得制造业的数据量成指数增长。这些超大数据量的来源有很多。最直接的数据来源就是被用于制造设备或产品的信息管理系统(比如:CRM,MES,ERP,SCM,PDM等等),其次就是来自于制造过程中新产品的设计辅助、仿真、修改和优化的计算机系统(比如CAD,CAE,CAM,FEA等等)的数据,另外还有来自现在工厂中工业机器人和自动机器的数据(还有课自动控制产品设备的电子计算器等等)。信息技术的演进已经为制造业要实现更好、更快、更便宜的消费者需求提供了道路。

信息时代的数据被存储在计算机系统,并且通过信息系统来管理。比如:顾客数据,销售数据,供应链数据,金融数据,产品设计数据,原材料账单数据,库存数据,来自数据管理库的运维数据等等(以上省略一自然段的穷举数据类型)。因为方便存储和传输,这个时代的数据便可以很方便地在各部门流通。但数据分析的效率仍然受估算模型所限,有用的分析结果还是来自于人工操作整理并最终产生决策信息。在这个时期,制造业开始提出使用数据来实现更先进制造的概念,比如大规模定制、可持续制造、弹性制造、智能制造、云制造等等。但是要实现这些概念,一个很大的问题就是制造业中普遍存在信息孤岛(不能和其他系统通信的信息系统)。因而,还没有一个有效的方法来分析这些无结构的、分散的、重复的和孤离的数据。最终导致的结果就是,对于制造业尤其是中小型制造业要实现数据价值的利用是很困难的。


1.4 “大数据”时代的数据

随着IoT技术、云技术、大数据分析、AI和其他现金技术的出现,制造业业迎来了它的“大数据”时代。这个时代中,制造业中的“大数据”指的是贯穿产品制造流程中的大量多出处的、异构的数据。这些大数据有“5V”的特性,那就是大数量即高容量(High Volume)、多变性(Variety即多出处且异构性)、高速性(Velocity即数据更新速度快)、精确性(Veracity即数据总是被精确地限定在某一标准上,比如:一定偏差、一定时延、一定歧义、一定近似、一定噪声、一定不完全度、一定不一致性等程度之内)、价值性(Value即数据中隐藏着巨大价值)。通常来说,从制造流程中来的数据可以分为以下类别:

  • 来源于制造信息系统(MES,ERP,CRM,SCM,PDM)的管理数据。这些信息系统拥有大量有关产品设计、订单调度、材料管理、生产规划、运维、库存管理、销售和市场、分配物流、顾客服务和金融管理等的数据。
  • 来源于工业物联网技术引导的智能工厂的设备数据。其中包括和生产设备相关的实时性能、操作条件、运维记录等数据。
  • 来源于互联网中各商业平台(比如亚马逊、沃尔玛、淘宝)和各社交网络平台(比如推特、Facebook、YouTube、微信、QQ等)的用户数据。这些数据含有用户统计资料、个人档案、用户对某些产品和服务的偏好、用户上网行为(在线网页浏览、查询、购物和再浏览记录)的信息。、
  • 来源于由IoT技术推动的智能产品和智能服务系统的产品收集数据。比如产品性能、使用情景(时间、位置、天气)、环境数据(温度、湿度、空气质量)和用户生物学信息。
  • 来源于*开放数据库的公共数据。比如处理和知识产权、文化设施、科学发展、环境保护、健康医疗等方面的数据库。对于制造厂商们,这些公共数据可以用来保证制造过程和制造业产品满足政策规定和工业标准。

在大数据时代,由新IT技术推动,制造厂商们收集存储和处理数据的能力有了明显的提升。最近,出现了大量基于IoT技术和云计算的成本效益好并且灵活的数据收集、存储和处理解决方案,这让不同规模的制造企业们可以数据中受益。制造中大数据的有效分析可以驱动制造厂商们深掘出顾客、竞争者、产品、设备、生产过程、服务、雇员、供应商、协调者等各环节各主体的痛点,并最终帮助制造厂商们做出应对不同目标和环节而生的有效合理的决策,从而增强其在市场的全局竞争力。

作者还对制造业在上面四个时代的数据来源、收集方式、存储方式、分析方式、传输方式、管理方式进行以下的对比和总结(见下图)。稍稍翻译一下就是,从手工业时代、机器时代、信息时代最后到大数据时代,数据的来源从仅仅来自人工经验到来自于机器信息系统和更多来源,这个数据量是飞速增长,数据类型业是数不胜数;数据的收集方式也是从人工收集到半自动收集到纯粹全自动收集,是越来越先进和高效了;数据的存储方式也从不可靠易丢失的人脑记忆到不易保存的纸质文档到信息时代的数据库再到大数据时代的云数据存储,数据保存越来越方便快捷且不易丢失;数据的分析技术也从传统的人工分析到系统分析到传统的算法到大数据算法有了质变的升华;数据传输也由口头相授到纸质传输到如今的电子文档传输,越来越高科技;数据管理也由最初不知数据管理为何物到用人工管理到数据库管理到如今的云和人工智能的管理,越来越自动化和智能化。(吹完逼我简直要被自几牛呆了)

数据驱动的智能制造《制造系统期刊》


二、制造业中大数据的生命周期

由上一章可见,数据是驱动智能制造的关键。然而数据只有被“翻译”成用户可以直接明白的内容时才有意义。因而,这个翻译的过程便显得尤为重要。由于数据量之大,翻译的过程肯定是寄期望于自动化解决的,然后再智能化转化为用户可见的“有效信息”。

  • 自动化解决的过程便是1/收集数据离散数字化后2/并输入到计算设备中3/再经过计算处理变成可结构化存储的数据,简而言之就是收集、传输、存储、预处理。
  • 智能化解决的过程便是赋予它人可见的并有效的意义,这是要通过可处理“大数据”的人工智能算法实现的,具体的步骤有滤波、分析、数据挖掘、数据可视化和最终应用于决策。
制造业中的数据经过以上各步骤,结合具体的制造场景,从多类型的数据到最终的决策平台,这些数据就完成了它的一次生命周期。一个典型的包括了数据收集、传输、存储、处理、可视化和应用的制造业数据生命周期如下图所示

数据驱动的智能制造《制造系统期刊》

2.1 数据源

智能制造中,来源于整个制造价值链的产品周期的数据数量,将会以一种史无前例的速度增加。正如上一章讨论的那样,大数据时代来自设备、产品、人工操作、信息系统和网络中的数据驱动着智能制造的实现。

2.2 数据收集

从不同数据源产生的数据也将经理多样的收集方式,这取决于IoT网络终端物设备的智能传感器和感知硬件。

  • RFID技术可以实现即时收集数据,从而对大量工件进行自动身份识别、跟踪和管理。
  • 嵌入式传感器可以实现实时监控,从而对制造设备进行连续测量、检测和报告,也可以对产品的温度、压力、震动等进行实时监控。
  • 新兴的移动互联网也通过智能终端(PCs、phones、laptaps、tablets),对用户数据进行收集。收集途径是通过SDK(软件开发包)或者APIs(应用程序接口)。由于移动互联网中庞大的用户群,可以收集的较为详细的单个基本用户数据作为数据库,然后将其通过统计的方式呈现出来,比如用户数量、某类服务的关键词画像、用户位置统计、用户用时统计等等。
  • 网络爬行数据收集也可进行网络的数据采集。但和上述方式不同的是,网络爬虫是将整个网络中可访问的数据源(浏览公共网页等)作为数据库,另外基于工程师对特定场景预设计好的AI算法(爬虫算法),进行数据查询和采集,并得出想要的结果。因而网络爬行技术可以让制造厂商们自动并高效地获取一些公共数据。
  • 最后,对于一个制造企业来说,最重要的数据还是管理和决策数据。这些数据一般来自于制造信息系统,获取的方式仍然是较为传统的数据库查询技术。

2.3 数据存储

制造过程中收集到的庞大数据需要进行安全的存储和有效地整合。一般来说,多样化的制造数据可以分为结构化数据(比如数字、符号、表格等)、半结构化数据(比如树形结构、图形结构、XML文档等)、和无结构数据(比如日志、音频、视频、图像等等)。

传统的制造业主要存储的是结构化数据,以便于用企业数据库进行管理。而非结构化的数据就很难用传统的数据库方式进行存储了。而要更加灵活且高效地整合半结构化和无结构的数据的话,面向对象的存储架构(将数据以对象的形式进行存储和管理)可提供较为灵活的解决方案。

除了上面的方法之外,通过云计算进行数据的整合并存储,也是一种高效益、高能效和超灵活的方案。虚拟的云服务可以实现规模化且可共享的数据存储模式,分散和异构的数据也可轻易依赖超大的云存储和超强的云计算来处理。


2.4 数据处理

数据处理涉及一系列从大量存储数据中发现“期望信息”的操作。数据必须要被“翻译”成制造厂商们可了解或者可用来做决策的“期望信息”才能有意义。而数据处理就是这个“翻译”的必经过程。

“翻译”的第一步是预处理,以除去冗余数据、错误数据、重复数据和矛盾数据。具体预处理的步骤包括清洗和简化。在清洗阶段,需要清除掉缺失值、格式、副本和垃圾数据。在简化阶段,需要针对案例特征对数据进行重排序、赋予含义并简化形式。预处理之后,经过清洗和简化的数据就可以经过数据挖掘以开发出新的信息。

数据挖掘一般包括聚类、分类、关联规则、回归、预测和偏差分析,其效率还可以可以通过机器学习、大规模计算和预测模型进行增强。经过以上的数据处理,“期望信息”便可以从大量动态模糊的原始数据中获得。

2.5 数据可视化

“可视化”是传达和交流数据的一种清晰的呈现形式。它将数据挖掘出的结果,以最清晰最直观的图形化方式“翻译”给终端用户“可视”,从而让用户能明确地理解这些信息。通常的可视化技术有陈述、图表、图形和增强现实等。实时数据还可以通过用户的智能终端进行在线可视化。一个有效的可视化,可以让用户通过友好的用户界面直接了解到数据处理的结果,而不需要用户了解数据处理过程中繁琐的步骤。

2.6 数据传输

数据在被处理和显示时总是需要被连续地在不同信息系统、信息物理混合系统和人工操作平台之间进行传递。因此信息传输是维持分散的制造系统中数据通信和交互的关键角色。而且近年来IoT、互联网和通信网络中先进的整合技术也为制造业数据传输提供了实时、可靠和安全的传输基础。

2.7 数据应用

制造业各个系统产生的数据几乎也可以用于其日常生产和运营的各个方面。首先,在设计阶段的数据应用,通过对来自顾客、竞争者和市场的数据分析,可以规划出新产品面对顾客、市场的商机以及面对竞争者的设计新理念。这样可以从制造源头开始紧跟市场和商场变化,以制定更精确和高效的制造路线。再者,在产品生产的数据应用,制造过程、设备和产品可以通过数据实时采集进行实时监控,这样可以实时了解生产的变化以便尽快制定应对策略。最后,对制造系统的优化应用。一方面在生产线上的优化,对产品和设备监控的实时数据可以促进未来产品质量的控制和提升,还可以帮助对产品质量进行设备问题进行提前告警和辅助侦测。另一方面,运行维护的优化,历史的生产制造数据可以对未来的潜在产品质量和设备故障问题进行预测,从而实现预测性维护、故障预测和智能制造系统自动升级。

三、数据驱动的智能制造业框架
对制造企业来说,在制造过程中收集数据并进行大数据分析和开发的话,可以从优化生产上提高市场竞争力,从优化生产线上提高生产效率,从优化运维上提高生产效能,结合智能软硬件技术最终实现智能制造。(重复了一遍数据的重要性)

3.1 数据驱动智能制造的框架

数据驱动的智能制造《制造系统期刊》

这篇文章把数据驱动的智能制造框架,按四个模块进行了划分,即制造模块,数据驱动模块,实时监测模块和故障处理模块。其中制作模块处于智能制造框架中的最底层,安装在各个一线生产线、装配线、产品物流线上等,需要有收集数据和根据上层指令做出智能响应的功能。数据驱动模块在智能制造框架中处于第二层,完成的是驱动数据的处理整合,并产生驱动智能制造的指令和决策,AI和大数据算法就在这个模块进行。实时监测模块和故障处理模块是前两层模块正常且可持续运行的保障,实时监测模块收集前两个模块产生的数据和历史记录,故障处理模块则根据响应的数据结果进行整个智能制造系统的安全防护。(先用一句话概括了,接下来是原文翻译)

  • 制造模块:本模块参与具体的制造活动,并通过各种物节点从中获取大量的管理数据和制造数据。文章中将这些数据总结成“材料-人-机-产品”环境数据 。制造过程是从原始材料输入到产品输出的过程,制造模块所收集的实时数据是这个输入/输出过程中人工操作、生产设备、信息系统和工业网络参与的数据 
  • 数据驱动模块:本模块提供贯穿制造数据生命周期不同阶段的智能制造的驱动力。制造模块产生的数据作为本模块的输入,将传输到本模块的“云”数据中心进行进一步的分析、处理、开发。从不同制造阶段输入的原始数据将被开发后,将可直接用到“驱动”制造模块的工作中,即产品设计、生产计划、制造决策等等。
  • 实时监测模块:本模块旨在对制造过程进行实时监测已确保产品质量。同样也是由数据驱动模块驱动,实时监测模块将实时地对制造设备的运行状态进行监测,以便追踪制造过程中的异常变化,这些监测结果也反馈到数据驱动模块,使其可以尽快做出优化控制策略。
  • 问题处理模块:本模块旨在鉴别和预测制造过程中的故障问题(设备异常和质量缺陷等),那么也需要能诊断故障发生原因,判断可实现的解决方案,分析解决方案的有效性,评估这些方案对其他制造活动的潜在影响等。同样受驱动与数据驱动模块,本模块将从实时信息和历史记录分析得出以上信息,并可以让操作员或者人工智能应用进行决策。这些决策不光是能决策当前问题,还可以对未来可能发生的问题进行预防,即可实现预测性维护。

如果说数据收集、整合、存储、分析、可视化和应用的数据流动模式是工业中同样的数据应用模式,那么数据驱动智能制造框架就就是制造业中可实现数据应用效益化的普适框架。针对不同类型的大中小企业,面对不同的已有资源,可以选用不同的策略来实现不同规模的数据驱动智能制造框架。财力雄厚的大企业可以选择建立一套专用的云设施和数据中心,以保证机密性。而中小型企业也可以选择第三方的云服务提供商来托管和处理他们的制造数据。(省略一系列blala)

接收能量预测

3.2 数据驱动智能制造的特征

数据驱动的智能制造《制造系统期刊》
如上图所示,数据驱动的智能制造有以下5个特征:
  • 个性产品设计:可以通过用户数据来设计定制化的以客户为中心的产品。具体地,大数据分析可以精确地量化用户的统计数据、需求、偏好行为,以便设计出更符合用户需求的产品。
  • 智能生产计划:可以通过生产和制造过程的数据自组织地开发出智能生产计划。具体地,由一系列制造环节的内外数据联合驱动,可以设计出适合当前制造资源和所有制造任务的最大效益的生产计划。
  • 智能执行操作:可以通过制造过程数据来反馈到精确的嵌入式控制,以达到智能化执行的操作。具体地,这些数据可以预测和判断不同制造过程需要的原料以及维护更新的工件,从而以反馈指令的形式让这些原料和工件自动地进行更新和交接。
  • 智能检测规范:可以通过开发实时状态信息进行制造过程检测和控制。具体地,通过AI算法(而不仅仅是人工)分析实时监测数据中的异常事件,并产生出相应的可控指令,从而智能规范解决这些异常事件。
  • 预测性维护和质量控制:可以通过开发历史数据和实时数据进行自学习和自适应的预测性维护和质量控制。具体地,可以预测到机器故障和产品缺陷并提前做出调整和更新来避免和预防发生,因而制造系统可实现预测适应地处理潜在问题。
这几个特点几乎全方面地囊括了制造企业的各方面服务,并且能极大地提高制造业的产生管理效率、产品性能以及市场竞争力。

四、几个Data-driven smart  manufacturing应用和案例

数据驱动的智能制造《制造系统期刊》

制造业是一种将原材料通过一系列制造工序转换成产品的工业,这个原材料变成产品的过程带来了制造附加值,这个附加值体现在相应的制造设备、资源和活动中。如上图,能帮助制造业提高生产附加值效益的应用就有:智能设计、智能规划、智能原料分配和追踪、制造过程监控、质量控制和智能设备维护。


4.1智能设计

一个产品的设计决定了它大部分的制造开销,因而很有必要利用数据驱动的设计来优化出效益最高的产品设计,即智能设计的应用。通常一个产品设计的第一步是对产品受众的顾客进行调研,找出他们的消费行为、偏好和需求。而在智能设计中,可以利用互联网和IoT设备端的大数据进行收集和分析。

  • 互联网收集数据:通过便携式移动电子设备,顾客现在越来越喜欢在互联网上分享产品使用的第一手经验,比如在社交网址上、商业平台上和产品/服务评论平台上,这些地方的数据都可以作为智能设计的数据来源。
  • IoT端收集数据:越来越多的智能电子产品和IoT设备可以收集到丰富的用户数据(生理数据、行为数据、用户和产品交互等数据)。

有了这么多用户大数据之后,产品设计需要全面考虑如何将用户的声音变为产品的特色和质量需求,这些是产品设计的核心价值,其次则是在这个而基础上进行效益最大化的智能设计。传统产品设计流程的实地采访和调研阶段会消耗较大的时间成本和人力成本,而基于云计算的大数据分析以网络采集和计算分析的形式相对而言成本就低了许多。

4.2智能生产和过程优化

在产品制造之前,生产规划也很有必要进行规划。这需要根据制造设备的实际生产能力和可得的原料资源进行规划。而大数据可以帮助这个过程变得更加智能和高效,使得车间调度更高效。(以下省略一系列blala)

4.3材料分配和追踪

4.4产品质量控制

4.5智能设备维护

4.6一个案例

数据驱动的智能制造《制造系统期刊》

数据驱动的智能制造《制造系统期刊》