工业互联网 智能制造深层剖析 2025
工业互联网 智能制造深层剖析 中国制造2025是对中国制造业转型升级的整体谋划，不仅提出培育发展新兴产业的路径，同时重视对传统产业进行改造升级，预计在未来很长一段时间，都将是中国改革发展的重点。 由于各行业生产流程不同，且各行业智能化情况不同，智能工厂有以下几种不同的发展类型和建设模式，也形成了不同的市场需求 工业互联网总体架构 ：智能生产控制、智能运营决策优化、消费需求与生产制造精确对接 数据：本质是数据智能在工业中的全周期应用，包括“采集交换-集成处理-建模分析-决策与控制”，形成优化闭环，驱动工业智能化。 网络：本质是实现数据智能的网络基础，包括网络互联、标识解析、应用支撑三大体系。 安全：本质是工业/产业互联网各个领域和环节的安全保障，包括设备安全、控制安全、网络安全、应用安全等。 应用实践推动工厂内外的改造 在现有制造系统基础上，通过部署嵌入式系统和新型网络，实现现场数据的采集和集成，并开展大数据分析优化，实现智能生产与管理。 案例 动力设备制造企业 在原有基础上通过添加传感设备完善信息收集能力，借助网络技术支持实现企业内部互联互通，并依赖数据分析和处理平台来进行生产过程优化。 目录 ME对中国制造2025的理解 1 ME认知制造观点和概要 2 3ME认知视觉检测方案介绍 中国制造2025是对中国制造业转型升级的整体谋划，不仅提出培育发展新兴产业的路径，同时重视对传统产业进行改造升级，预计在未来很长一段时间，都将是中国改革发展的重点。 重点工作 信管据 由于各行业生产流程不同，且各行业智能化情况不同，智能工厂有以下几种不同的发展类型和建设模式，也形成了不同的市场需求 工业互联网总体架构 数据：本质是数据智能在工业中的全周期应用，包括“采集交换-集成处理-建模分析-决策与控制”，形成优化闭环，驱动工业智能化。 网络：本质是实现数据智能的网络基础，包括网络互联、标识解析、应用支撑三大体系。 安全：本质是工业/产业互联网各个领域和环节的安全保障，包括设备安全、控制安全、网络安全、应用安全等。 应用实践推动工厂内外的改造 在现有制造系统基础上，通过部署嵌入式系统和新型网络，实现现场数据的采集和集成，并开展大数据分析优化，实现智能生产与管理。 案例 动力设备制造企业 在原有基础上通过添加传感设备完善信息收集能力，借助网络技术支持实现企业内部互联互通，并依赖数据分析和处理平台来进行生产过程优化。 目录 ME对中国制造2025的理解 ME认知制造观点和概要 2 ME认知视觉检测方案介绍 3 随着物联网和智能设备不断普及，工厂内产生了海量数据,然而企业的诸多业务挑战问题始终得不到有效解决 认知技术超越了传统的数据分析，擅长处理非结构化数据、机器学习和人机交互、对智能制造有着突破性的意义。 认知技术正在点燃智造之光 认知制造业借助认知计算技术、认知分析技术、工业物联网(IoT)技术及其他技术推动制造制造业务转型 关键问题 lM2M互联及数据采集挑战l运营及生产监控缺失可视化l异常快速处理实现困难l产品及部件无法追溯l过程追踪及流程数据缺失 ME解决方案 lWatson IoT平台 生产运营核心层面需要传统IT和认知技术的有效结合 ME的卓越运营系统和认知方案最大化的提升运营效率 关键问题 l小批量多品种多批量的定制化需求交付周期长l缺乏端到端的集成计划体系，人工生产排产困难，影响生产效率l较难控制产品质量稳定性，提高良率l设备管理和维护的人力投入大，效率低l人工质检速度慢，管理困难l对个人经验的依赖较重 ME解决方案 lView系列MES系统lGi-View生产计划及排程系统l认知视觉检测系统(Cognitive VisualInspector)l预测性维护系统（PM）l良率管理系统（YMS）l设备管理系统（Maximo）l认知设备维护助手（CognitiveEquipment Advisor） q实时监测18个部位的工作状态 故障诊断分析 1.基于时频域数据的决策树模型 –利用决策树技术，对设备历史故障频域数据进行分析，发现部件故障规则–建立部件故障决策模型 2.基于故障频域对照表的故障诊断引擎–基于频域故障对照表，建立故障诊断引擎–分析设备特征指标的频域数据，判断设备故障原因 3.故障树显示故障原因及概率 分析整机健康状况 q基于部件的健康状况评估整机健康状况： Ø计算每个部件的健康状态Ø结合部件的重要度排序Ø评估整机健康状态. 设备关键故障预测 §基于监控数据，设备健康状况和维修历史建立关键故障预测模型 输入数据 结果输出 DCS/SCADA数据：•电流 •温度•电压•环境•功率•转速等 故障历史数据 基于支持向量机或决策树等分类建模技术用于关键故障类别的预测。分析将首先给出各关键故障对应的KPI指标列表，进而进行关键故障预测。 振动加速度传感器数据 关键故障分类将基于“缺陷分类表”划分。 目录 ME对中国制造2025的理解 ME认知制造观点和概要 2 ME认知视觉检测方案介绍 3 •利用原有的OCR/基于规则的测量分析方法通常会导致较高的漏检率•通常需要几个月的时间重新编程分析以适应新产品和新场景•由于专有的一体化方法（捕获+分析）而难以实现规模化•需要维护窗口来更新影响生产量的固件和软件•封闭系统只能由供应商进行扩展•本地报告仅针对单一功能•准确率递减 基于机器学习的分析方法有助于降低漏检率仅需要几天时间重新训练分析以适应新产品和新场景不特定于任何图像捕获系统，使其易于扩展采用通用硬件，降低运行和操作成本利用云技术，无需维护窗口大数据分析的一部分，可以跨多个工作单元驱动多个优化方案准确率越用越高 分类方法示例 学习模型基于不同层的神经网络（分类和学习过程中的内部视觉特征表现） 初始化时间：12月6日星期五，上午07:25:45（1秒）运行时间：12月6日星期五，上午07:25:46（41分31秒）完成时间：12月6日星期五，上午08:07:18（共计– 41分32秒） 使用NVIDIA GTX 1080 GPU，用时41分钟 目录 ME对中国制造2025的理解 ME认知制造观点和概要 2 3ME认知视觉检测方案介绍 模型构建与应用 产品服务规划专家：负责平台服务产品的整体规划和整合资源，持续提升平台产品服务能力 数据管理专家：负责大数据资产规划、数据标准规范协调与制定、元数据定义、数据质量管控 模型算法专家：基于大数据平台及数据资产构建各种模型算法 更多案例：关于节能工艺 基于空气处理、烘干、加热、冷却、工艺控制及燃烧控制方面的专业知识，ME为客户整合了有关工艺的各种节能方案，降低了设备的能耗状况，帮助客户提高了运营效率。 ME在中国正在与污水处理、钢铁、制造行业的企业紧密合作，进行工艺改进和提高，同时向他们共享ME在全球的合作伙伴资源。 更多案例：关于排程计划及优化 目标 客户面临的挑战 解决方案 预测性维护应用举例 §作为顶级的包装机械制造商，KRONES对吹塑成型机主凸轮、解除和锁定凸轮的润滑状况进行监控，基于振动采样数据分析机械的特征频率，然后再根据故障预警安排维护和备件采购计划。 实时故障预测根据历史数据和预测模型判断可能发生故障的类型、时间和相关维修建议 设备的部件、零件具有何种劣化特征？是否有加速劣化的趋势？ 能否量化设备的性能变化？量化的相关参数是什么？如果与振动有关，是偏移、速度、还是加速度？ 有无测定设备性能变化的传感器、仪器或技术？该技术是否可靠？ 对于左边这个场景，SPC先报警一次，待问题严重后报警多次。 *很多工程师会认为第一次报警属反常现象，从而不采取行动，直到第二次以及随后的多次警报才意识到问题的严重性。 对于相同的数据，预测性质量管理系统在检测出趋势后会一直停留在警报模式，图中斜率为正的数据线说明质量问题正变得越来越糟。 *第一次警报时系统便给出明确信息，建议工程师立即采取行动。 石化行业示例 东电池制造商借助大数据预测分析方案—— 调整电池生产参数来改善生产 10倍销售收入增加 在4年时间，通过大数据分析解决方案改善生产 <1天 业务挑战:一家新成立锂电池生产制造企业，希望能够借助大数据分析技术改善生产，提升产品质量，从而能够树立与传统生产企业的竞争优势。 的仪器设备校准时间。以往相同的工作需要1个月时间 智慧的解决方案：该锂电池制造商为企业的生产线增加了一个分析的“大脑”，从而能够分析出实际生产需求。通过对流水线数据，锂电池成品数据的收集，并借助大数据分析模型，它能找到最优的生产环境过程，包括材料，干燥温度，干燥时间等，并能够通过不断提高质量控制，加快整个生产流程。这个解决方案还帮助企业在电池生产中实现精确的公差控制。 改善质量 通过生产趋势分析和精确的质量控制 “现在，我们可以通过生产数据和大数据模型来快速，准确地调整生产设备，从而保证了最优的生产流程制造。” —Chief technology officer THANK YOU
