1.3.3 工业大数据分析的应用场景

制造数据处理与分析的目的是对产品、工艺与制造系统进行更全面、更准确的数字化描述，揭示制造数据的结构与时变规律，以支持车间运行演化规律分析与产品质量、生产效率等车间性能的决策优化。近年来，随着车间智能化程度的提高，国内外学者对如何对感知到的车间底层制造数据进行处理和分析进行了大量研究。在智能传感、物联网、分布式存储计算、机器学习等技术的推动下，大数据驱动的智能制造应用实践开始涌现，应用场景可分为智能设计、计划调度、质量优化、设备运维4个方面。

1.智能设计

大数据驱动的产品智能设计，通过前端互联网用户评价等数据可以快速、准确地分析和预测市场需求，通过后端制造、运维等数据可以动态关联产品结构、功能设计方案，并基于历史设计方案提升设计方案的水平及智能决策能力，从而形成前后端横向集成的主动设计模式。陶飞教授[8]分析了大数据环境下产品全生命周期管理中数据的孤立性，提出了数字孪生驱动的产品设计、制造与服务模型，并通过实际案例介绍了模型应用方法。Robert等人[9]将互联网用户评价数据引入产品设计中，实现产品功能的量化分析，为设计决策提供支持。Geiger等人[10]针对汽车设计中部件的可靠性问题，利用现场测量数据与用户使用数据进行分析，以改进设计参数，提升产品可靠性。Tucker等人[11]研究了大数据驱动产品组合优化方法，设计了决策树模型对产品的组合方式进行优化。

2.计划调度

大数据驱动的生产计划调度，依据车间制造过程数据，通过深度学习等方法挖掘车间实时状态参数与加工时间、等待时间、运输时间的复杂演变规律和映射关系，实现车间调度中产品完工时间的精准预测，并基于预测结果实现复杂动态环境下的车间实时调度。高亮教授[12]提出了数据驱动的车间动态调度方法，实现了基于车间实时状态的加工时间、等待时间、运输时间动态调控。张洁教授[13]针对制造过程中工艺约束带来的传递效应，提出了工期预测的深度学习方法，实现了车间调度中产品完工时间的精准预测。鲁建厦等人[14]针对云制造环境下混流混合车间的生产调度优化问题，提出了数据挖掘的多目标车间调度模型，实现了混流装配与零部件加工的集成优化，以及外协云任务与自制任务的协同调度。Yao等人[15]构建了一种随机多目标动态调度模型，实现了大规模定制中的调度优化。

3.质量优化

大数据驱动的产品质量优化，依据产品制造过程数据和质检数据实现产品追溯，通过关联分析识别影响质量的主要因素（如原料性能参数、设备状态参数、工艺参数、车间环境参数等），并建立质量影响因素与质量性能的映射模型，有效预测产品质量，进一步利用智能优化算法自适应实时调整影响产品质量的控制参数，实现产品质量自适应控制与优化。Rokach L等人[16]将数据挖掘方法应用于制造过程中的质量提升，并在集成电路制造方面取得了较好的效果。秦威博士等人[17]在柴油机的质量控制中利用台架测试数据，对影响功率一致性的潜在参数进行关联分析，识别影响功率的关键参数，有效提升了功率一致性。刘明周等人[18]提出了一种数据驱动下的复杂机械产品装配过程质量控制方法，提高了复杂机械产品的装配精度和服役安全性。Gustavo 等人[19]利用数据挖掘方法对 8 种柴油质量性能参数进行了预测，显著降低了检测时间和成本。

4.运行维护

大数据驱动的系统运维，通过实时监测的制造过程数据和设备性能参数等时间序列数据，揭示系统故障特征时序变化规律和征兆性表征，主动提前发现系统运行过程中的潜在异常，并通过历史异常数据聚类分析对潜在异常进行诊断，精准定位异常源，结合历史诊断数据做出运维决策，进行预防性维护，以在重大异常发生之前消除隐患。雷亚国教授[20]对机械大数据的特点进行了归纳总结，通过采用深度学习方法中的去噪自动编码机模型对机械设备的健康状况进行监测诊断，并取得了较高的监测诊断精度。江丽等人[21]采用拉普拉斯特征映射从机械设备海量故障数据中提取低维故障特征，并设计半监督分类器，实现了故障模式分类。张晗等人[22]研究了航空发动机轴承的多种故障模式，提出了基于稀疏分解理论的逐级匹配形态分析方法，实现了航空发动机轴承故障的准确诊断。Schlechtingen等人[23]基于连续测量的风力涡轮机35个月的SCADA数据，设计了自适应神经模糊干扰系统模型，对涡轮机故障进行自动诊断。Gondal等人[24]对低信噪比条件下的轴承故障检测展开了研究，通过振动频谱成像增强故障特征，并采用增强后的特征图像训练人工神经网络分类器。