数据采集是工业互联网的基础,没有数据的工业互联网将是无源之水,工业互联网的价值在很大程度上取决于采集数据的数量和质量。
2017年,IBM商业价值研究院联合牛津经济研究院对来自112个国家12,854位高管进行了问卷调查。本次调查统计结果表明,这些高管认为企业的数据只有20%是来自互联网,80%是企业自身拥有的生产经营等环节数据,这些数据被人工智能等新技术处理后,可使传统企业具有超过互联网公司的优势。
而车间则是制造企业使用与产生数据的重要场所。这些数据既包括MES等信息化系统里运行与产生的数据,也包括生产设备产生的各种状态与制造参数等数据。工业互联网平台结合行业知识对这些数据进行进一步处理和挖掘,以量化、可视化等方式,定位生产中存在的问题并进行优化,可为企业智能制造提供源源不断的新动能,有效地提升企业竞争力。
一、制造数据采集的数据分类
由于行业不同、应用场景不同,对制造数据的分类也不尽相同。
首先是对制造本身的理解。从狭义上的理解,制造主要是将原材料加工成产品的生产过程,但如果从广义的上理解,制造可以涵盖产品研发、企业资源管理、产品工艺、生产过程、市场营销、售后维护等等不同的方面,制造数据的范围就变得非常庞大,数据采集的方式自然也就多种多样了。
其次,不同行业对制造数据的分类也不同。比如流程行业,可分为工艺数据、过程数据以及作业实绩。工艺数据主要是指温度、压力、电流、电压等直接影响生产效率、产品质量的数据。过程数据是指生产过程中所使用或者产生的数据,比如物料、计划、生产节拍等等。而实绩数据包括投入产出数量、合格率等等。
在离散制造行业,主要的制造数据包括设备数据、生产过程数据、质量数据等。
设备数据:设备运行状态信息、实时工艺参数信息、故障信息、维修/维护信息等;
生产过程数据:生产计划、产品加工时间、加工数量、加工人员、加工参数、产品完工率等;
质量数据:产品质量信息、工艺质量信息等。
最后,划分的标准也不同。也有人将能源数据、测量测试数据等都定为单独的一类。
本文基于离散行业的划分习惯,按照狭义上的制造进行数据种类的划分,即设备数据、生产过程数据、质量数据三类,能源数据可合并到设备数据,测量测试数据可并入质量数据类。
二、制造数据采集的方式
目前,制造数据的主要采集方式有设备自动采集、人工终端反馈、其他外围终端采集等。
1.设备自动采集
这类系统有些是设备厂家提供,优点是对自家设备研究的很深入,但对其他厂家,特别是竞争对手的产品兼容性就差很多,因此,在市场面上更多的是采用第三方厂家提供的专业数据采集系统。这种设备数据采集系统,在离散制造行业叫MDC(机床监控与数据采集系统,Manufacturing Data Collection),在流程制造业用SCADA系统(数据采集与监视控制系统)实现设备数据的自动采集。如图1所示的MDC显示界面。
设备数据自动采集的手段主要有以下三种:
带网卡的数控机床——通过机床网卡,实现对设备状态的远程自动采集。采集的内容包括运行参数(主轴转速、进给速度、主轴功率、刀具坐标等)以及加工产品、加工数量、报警信息等。该种采集方案的优点是采集的数据种类多、实时性强。缺点是,受控制系统的限制,目前主要是西门子、发那科、海德汉、华中数控等部分主流系统支持。当然,由于这是智能制造的发展趋势,越来越多的机床控制系统也开始支持网卡的数据采集。
PLC采集——通过设备PLC输出接口,结合其通讯协议,实现对设备状态采集,包括温度、压力、流量、液位等。优点是支持PLC采集的系统比较多,适用面广。缺点是从采集效果上,略逊色网卡采集的效果,但内容也相对丰富,基本满足制造业的需求。
硬件采集——对一些比较老旧的设备,因其无数据输出接口或者没有通讯协议,可通过此种方式进行数据采集。优点是几乎适合任何设备,缺点是采集的数据种类有限。
图1 兰光MDC的显示界面(绿色—运行、黄色—待机、红色—故障)
2.人工终端反馈采集
对于不能实现自动采集的生产工位,可通过现场工位机、移动终端、条码扫描枪等数字化设备进行数据采集。采集内容包括生产开工、完工时间、生产数量、检验项目、检验结果、产品缺陷、设备故障等。该种采集方式优点是对设备的要求低,适用场景广,但缺点是受制于人的主动性,在数据的实时性、准确性、客观性等方面都有所欠缺。
3.其他外围终端采集
采用RFID、集成等方式实现制造数据采集。
RFID:RFID射频识别是一种非接触式的自动识别技术,它通过射频信号自动识别目标对象并获取相关数据,识别工作无须人工干预,可应用于各种恶劣环境。
与其他设备集成。如三坐标测量机等检测设备,可通过与设备进行集成,读取产品检测信息,用于质量管理与追溯。
三、制造数据的状态管理
在制造数据采集的基础上,需要对采集到的相关数据进行上分析并指导生产的改进与优化。
1.设备状态数据分析
对采集到的各种数据进行加工处理后,以各种方式进行输出和展现,使相关人员第一时间了解设备生产的实时情况,如实时状态、加工工艺数据等,便于做出及时、科学的管理决策。
2.生产工艺数据优化
主要表现在两方面:
设备工艺参数监控:将采集到的设备工艺参数,如温度、压力等,与设定的标准参数进行实时比对与管控,从而实现对生产过程进行实时、动态、严格的工艺控制,确保产品质量的稳定性。
工艺改进与优化:对制造过程的主要工艺参数与完工后的产品合格率进行综合分析,便于为工艺改进与优化。
3.生产过程追溯
通过产品制造的过程数据实现对产品制造历史的追溯,达到问题复现、质量追溯等目的。
四、制造数据采集的发展方向
随着物联网等技术的发展,制造数据采集在设备兼容性、数据丰富性、数据价值挖掘等方面都有了快速发展,下面分别从数据的采集广度、采集深度及价值利用等方面进行阐述。如图2所示。
1.采集的“广度”
采集的对象可分为两类,一类是本身就具备数字化功能的设备,如数控机床、热处理设备、机器人、AGV、自动化立体仓库等数字化设备。另一类是“哑设备”,就是本身不具有数字化功能,但可以通过改造或者借助信息化手段,使相关信息能进入数字化系统的设备、设施、物料、人员等,都可归于该类。如对普通机床通过增加智能采集硬件,对物料通过二维码、RFID等方式,对人员通过刷卡或者信息系统进行相应的数据采集。
通过对更多设备、设施、物料等的采集,实现更广的兼容性,这是制造数据采集在广度方向的发展趋势。
图2 制造数据采集的发展方向
2.采集的“深度”
充分发挥数字化设备及相关信息化系统越来越好的开放性,以及越来越强大的传感器、物联网等采集技术,使采集的数据种类更丰富,准确度更高,实时性更强,并且成本更低,从而性价比更高地采集到更多的各种数据,为大数据深度挖掘与价值体现提供数据原料基础。
3.应用的“高度”
数据是智能制造的基础,结合制造业行业知识对这些数据进行充分的挖掘与利用,对制造企业具有非常重要的意义。
利用这些数据,首先实现了设备或生产过程的可见性,对设备或生产处于什么状态,可一目了然。通过与设备维修维护等行业知识的结合,知道发生了什么事情,这是数据的认知性应用。
通过大数据分析,预测将来可能出现的故障等问题,实现设备的可预测性维护,避免因为设备的宕机而影响整条产线的正常运转,实现生产流畅的生产。
自适应是数据最高层级的应用,通过数据采集、状态感知、实时分析、自主决策,甚至是机器的自学习,系统根据实时状态进行动态调整与优化,甚至是自我修复,实现高效、高质、无忧的智能化生产。
总之,随着传感器技术的突飞猛进及成本的迅速下降,使得传感器无处不在,实时的数据采集成为可能,各种设备运行和生产制造大数据的快速积累,为工业互联网平台提供源源不断的高质量数据,并与行业知识深度结合,就可以充分发挥工业互联网平台的价值,很好地促进企业的智能化转型升级。