梁志宇，王宏志，李建中，高宏

?

制造業(yè)中的大數(shù)據(jù)分析技術(shù)應(yīng)用研究綜述

梁志宇，王宏志，李建中，高宏

（哈爾濱工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，黑龍江 哈爾濱 150001）

信息技術(shù)的普及使制造業(yè)中積累了大量與生產(chǎn)、管理和運(yùn)營(yíng)相關(guān)的數(shù)據(jù)，這些數(shù)據(jù)中隱藏著諸多有價(jià)值的知識(shí)，可以指導(dǎo)企業(yè)優(yōu)化管理流程、改進(jìn)生產(chǎn)工藝、調(diào)整加工參數(shù)、診斷設(shè)備故障等，幫助制造業(yè)企業(yè)提高效率、降低成本，達(dá)到利潤(rùn)最大化，并為實(shí)現(xiàn)智能制造打下基礎(chǔ)。然而，當(dāng)前制造業(yè)中存在著數(shù)據(jù)量大、數(shù)據(jù)利用率低的矛盾，許多場(chǎng)景中的數(shù)據(jù)規(guī)模甚至已經(jīng)超出傳統(tǒng)數(shù)據(jù)分析方法所能承受的極限。因此，越來(lái)越多的研究者致力于研究大數(shù)據(jù)分析在制造業(yè)中的應(yīng)用，旨在通過(guò)大數(shù)據(jù)分析技術(shù)發(fā)掘蘊(yùn)含在數(shù)據(jù)中的寶貴知識(shí)和財(cái)富。介紹了制造業(yè)大數(shù)據(jù)的概念和特征，討論了制造業(yè)大數(shù)據(jù)及其分析的特點(diǎn)和挑戰(zhàn)，并從制造業(yè)產(chǎn)業(yè)鏈流程的角度出發(fā)，將制造業(yè)概括為設(shè)計(jì)、生產(chǎn)、采購(gòu)、銷(xiāo)售和售后五個(gè)階段，分別闡釋了每個(gè)階段的典型業(yè)務(wù)場(chǎng)景及需求，總結(jié)了大數(shù)據(jù)分析模型在這些業(yè)務(wù)場(chǎng)景中的應(yīng)用方面的研究進(jìn)展。最后，對(duì)大數(shù)據(jù)分析在制造業(yè)中的應(yīng)用現(xiàn)狀做出了分析和評(píng)價(jià)，并討論了其中存在的問(wèn)題和不足。

大數(shù)據(jù)；制造業(yè)；數(shù)據(jù)挖掘；工業(yè)流程；智能制造

制造業(yè)大數(shù)據(jù)是指在制造業(yè)領(lǐng)域中所產(chǎn)生的大數(shù)據(jù)。伴隨著工業(yè)自動(dòng)化和信息化發(fā)展，信息技術(shù)滲透到了制造業(yè)產(chǎn)業(yè)鏈的各個(gè)環(huán)節(jié)，條形碼、二維碼、RFID、工業(yè)傳感器、自動(dòng)控制系統(tǒng)、ERP、CAX等技術(shù)在制造業(yè)中得到了廣泛的應(yīng)用?；ヂ?lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等新一代信息技術(shù)與制造業(yè)的融合，使制造業(yè)各個(gè)環(huán)節(jié)產(chǎn)生的數(shù)據(jù)都可以被快速收集、存儲(chǔ)到信息系統(tǒng)中。隨著企業(yè)規(guī)模的擴(kuò)大以及時(shí)間的積累，這些數(shù)據(jù)以空前的速度增長(zhǎng)，使制造業(yè)進(jìn)入“大數(shù)據(jù)時(shí)代”。例如，長(zhǎng)虹集團(tuán)有限公司等離子顯示板制造中，生產(chǎn)流程數(shù)據(jù)超過(guò)10000個(gè)參數(shù)，每天產(chǎn)生3000萬(wàn)條記錄，約10 GB[1]；GE能源監(jiān)測(cè)和診斷中心每天從客戶(hù)收集10 G字節(jié)的數(shù)據(jù)[2]。在這些不斷產(chǎn)生和積累的海量數(shù)據(jù)中蘊(yùn)含著大量有價(jià)值的潛在信息[3]。運(yùn)用統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等大數(shù)據(jù)分析方法對(duì)制造業(yè)產(chǎn)生的數(shù)據(jù)進(jìn)行分析，發(fā)掘其中蘊(yùn)含的知識(shí)和規(guī)則[4]，并基于這些知識(shí)和規(guī)則指導(dǎo)制造業(yè)的研發(fā)設(shè)計(jì)、生產(chǎn)制造、銷(xiāo)售售后、經(jīng)營(yíng)管理等過(guò)程，有助于改進(jìn)生產(chǎn)方式、優(yōu)化管理流程、感知客戶(hù)需求、提升品牌價(jià)值，達(dá)到節(jié)約成本、提高效率、降低能耗的目的，使制造業(yè)逐步走向智能化[5]。

制造業(yè)大數(shù)據(jù)除了具有大數(shù)據(jù)共有的“5V”（即Volume、Velocity、Varity、Value和Veracity）特性[6]，還具有諸多與制造業(yè)產(chǎn)業(yè)特性相關(guān)的特征，概括如下：

（1）數(shù)據(jù)來(lái)源多樣。由于制造業(yè)門(mén)類(lèi)眾多，企業(yè)的大數(shù)據(jù)來(lái)自產(chǎn)品設(shè)計(jì)軟件、生產(chǎn)裝備運(yùn)行過(guò)程、產(chǎn)品質(zhì)量監(jiān)測(cè)設(shè)備、企業(yè)管理信息系統(tǒng)、供應(yīng)鏈與銷(xiāo)售網(wǎng)絡(luò)等多種數(shù)據(jù)源。另一方面，由于制造業(yè)企業(yè)自動(dòng)化程度不一致，大量中小企業(yè)未達(dá)到全自動(dòng)化水平，存在人機(jī)協(xié)同工作，因此制造業(yè)中的大數(shù)據(jù)既有機(jī)器產(chǎn)生的數(shù)據(jù)（如實(shí)時(shí)感知數(shù)據(jù)），也有人工輸入的數(shù)據(jù)（如企業(yè)管理數(shù)據(jù)、供應(yīng)鏈數(shù)據(jù)）。大量自治數(shù)據(jù)源中存在數(shù)據(jù)不一致和沖突，加之制造過(guò)程復(fù)雜、數(shù)據(jù)量大、更新速度快，因而制造業(yè)中的數(shù)據(jù)產(chǎn)生錯(cuò)誤的概率更大。

（2）數(shù)據(jù)質(zhì)量低。由于制造業(yè)流程中各工序環(huán)境復(fù)雜，收集數(shù)據(jù)的傳感器或傳遞信息的無(wú)線網(wǎng)絡(luò)都有可能出錯(cuò)而導(dǎo)致收集到的數(shù)據(jù)中存在較一般大數(shù)據(jù)中更多的噪音或缺失。

（3）數(shù)據(jù)蘊(yùn)含信息復(fù)雜，耦合性不確定。由于制造業(yè)企業(yè)信息化水平參差不齊，以及不同行業(yè)生產(chǎn)過(guò)程的特性差異，生產(chǎn)環(huán)節(jié)各步驟之間可能存在不同程度的耦合，因此制造業(yè)中數(shù)據(jù)之間的關(guān)聯(lián)和相互影響較為普遍[3]。

（4）數(shù)據(jù)實(shí)時(shí)性高。生產(chǎn)線監(jiān)測(cè)數(shù)據(jù)（如設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)數(shù)據(jù)和各工序生產(chǎn)狀況監(jiān)測(cè)數(shù)據(jù)）等是連續(xù)采樣的時(shí)間序列數(shù)據(jù)，具有時(shí)間標(biāo)簽和嚴(yán)格的先后次序。而工業(yè)系統(tǒng)是典型的實(shí)時(shí)控制和實(shí)時(shí)信息處理系統(tǒng)，生產(chǎn)線上的諸多環(huán)節(jié)具有嚴(yán)格的實(shí)時(shí)性約束，這決定了制造業(yè)中較大比例的數(shù)據(jù)是實(shí)時(shí)數(shù)據(jù)。

制造業(yè)大數(shù)據(jù)的特點(diǎn)決定了其分析任務(wù)具有如下特點(diǎn)：

（1）分析模型復(fù)雜多樣。制造業(yè)大數(shù)據(jù)分析注重特征背后的物理含義以及特征之間關(guān)聯(lián)性的機(jī)理，從而有效發(fā)現(xiàn)數(shù)據(jù)背后的意義。在制造業(yè)的不同領(lǐng)域，生產(chǎn)制造過(guò)程中原材料、工藝流程、產(chǎn)品形態(tài)不同，相應(yīng)的數(shù)據(jù)類(lèi)型、格式、規(guī)模上均存在差異，這導(dǎo)致不同的內(nèi)涵和應(yīng)用價(jià)值，因而制造業(yè)大數(shù)據(jù)的分析與具體領(lǐng)域密切相關(guān)，相應(yīng)的分析模型也復(fù)雜多樣。

（2）數(shù)據(jù)質(zhì)量要求高。數(shù)據(jù)的質(zhì)量，會(huì)直接影響到分析結(jié)果的質(zhì)量。而制造業(yè)對(duì)大數(shù)據(jù)分析結(jié)果的容錯(cuò)能力較低。在工業(yè)環(huán)境中，一次失誤可能造成嚴(yán)重后果。因此，必須保證制造業(yè)大數(shù)據(jù)的質(zhì)量。

（3）分析實(shí)時(shí)性要求高。制造業(yè)大數(shù)據(jù)的一些場(chǎng)景，如電子芯片自動(dòng)化生產(chǎn)線的實(shí)時(shí)監(jiān)控和故障預(yù)警等，對(duì)數(shù)據(jù)處理的實(shí)時(shí)性要求很高，這些場(chǎng)景需要監(jiān)控?cái)?shù)據(jù)的獲取及處理時(shí)間在秒級(jí)甚至毫秒級(jí)。

綜上所述，目前大數(shù)據(jù)分析在制造業(yè)中的應(yīng)用面臨著如下挑戰(zhàn)：

（1）如何提高數(shù)據(jù)質(zhì)量；

（2）如何根據(jù)具體領(lǐng)域和應(yīng)用場(chǎng)景設(shè)計(jì)合適的分析模型；

（3）如何設(shè)計(jì)滿足實(shí)時(shí)性要求的行之有效的分析算法；

（4）如何用大數(shù)據(jù)分析結(jié)果指導(dǎo)企業(yè)優(yōu)化管理和生產(chǎn)。

本文主要關(guān)注上述挑戰(zhàn)（2）和（3），即制造業(yè)具體領(lǐng)域和業(yè)務(wù)場(chǎng)景下的大數(shù)據(jù)分析模型和算法的應(yīng)用方面的研究進(jìn)展。制造業(yè)涉及行業(yè)眾多，實(shí)際工作場(chǎng)景千差萬(wàn)別，但廣義上講，所有產(chǎn)品的制造流程都可劃分為設(shè)計(jì)、生產(chǎn)、采購(gòu)、銷(xiāo)售和售后五個(gè)階段。因此，本文從上述五個(gè)階段出發(fā)，分別闡述每個(gè)階段的主要任務(wù)場(chǎng)景和需要，以及大數(shù)據(jù)分析模型在各個(gè)場(chǎng)景中的應(yīng)用方面的研究情況。

1 設(shè)計(jì)階段

制造業(yè)流程中的設(shè)計(jì)階段在廣義上不僅包括產(chǎn)品本身的功能和外觀設(shè)計(jì)，還包括加工產(chǎn)品所需的工藝流程設(shè)計(jì)等。目前，大數(shù)據(jù)分析在設(shè)計(jì)階段的應(yīng)用主要體現(xiàn)在工藝流程的參數(shù)優(yōu)化上。此外，在能效優(yōu)化、成本優(yōu)化、工藝標(biāo)準(zhǔn)優(yōu)化及智能設(shè)計(jì)等方面，大數(shù)據(jù)分析也能起到作用。

1.1 參數(shù)優(yōu)化

在冶金、化工、醫(yī)藥、食品加工等涉及復(fù)雜物理化學(xué)變化的工藝過(guò)程中，產(chǎn)品的質(zhì)量和產(chǎn)率通常由多個(gè)參數(shù)確定，且各個(gè)參數(shù)彼此存在耦合關(guān)系，確定使產(chǎn)品質(zhì)量、產(chǎn)率和能耗最優(yōu)化的輸入?yún)?shù)較為困難。傳統(tǒng)上，各個(gè)參數(shù)的設(shè)置一般都是依據(jù)經(jīng)驗(yàn)，或是經(jīng)過(guò)大量的實(shí)驗(yàn)得來(lái)，不僅費(fèi)時(shí)費(fèi)力，且難以找到優(yōu)化參數(shù)。而大數(shù)據(jù)分析方法，如關(guān)聯(lián)規(guī)則分析、回歸分析、決策樹(shù)、聚類(lèi)、神經(jīng)網(wǎng)絡(luò)等，可以從大量數(shù)據(jù)中提取出復(fù)雜過(guò)程隱含的規(guī)則。采用這些方法，建立模型對(duì)歷史生產(chǎn)數(shù)據(jù)進(jìn)行分析，可以幫助找到最優(yōu)化的生產(chǎn)參數(shù)，對(duì)生產(chǎn)參數(shù)的設(shè)計(jì)具有重要的參考價(jià)值。

文獻(xiàn)[7]中采用關(guān)聯(lián)規(guī)則分析并找出了制造過(guò)程中化學(xué)成分（如碳、錳、磷、硫）含量、出鋼溫度和軋制速度對(duì)最后產(chǎn)品的機(jī)械性能的影響；文獻(xiàn)[8]運(yùn)用聚類(lèi)分析算法對(duì)煉鋼廠脫硫數(shù)據(jù)進(jìn)行分析，得到不同鐵水條件下的脫硫劑消耗情況，以此找到不同鐵水條件下脫硫效果最好的脫硫劑。文獻(xiàn)[9]運(yùn)用前饋神經(jīng)網(wǎng)絡(luò)和分類(lèi)決策樹(shù)對(duì)玻璃鍍膜工藝進(jìn)行建模，訓(xùn)練好的模型可以根據(jù)給定參數(shù)預(yù)測(cè)產(chǎn)品質(zhì)量，從而幫助企業(yè)快速確定符合預(yù)期質(zhì)量產(chǎn)品的工藝參數(shù)。文獻(xiàn)[10]提出用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，從數(shù)據(jù)中提取發(fā)動(dòng)機(jī)缸蓋機(jī)加工參數(shù)、模具狀態(tài)和成品缸蓋燃燒室容積間的關(guān)系，指導(dǎo)機(jī)加工參數(shù)的選取，以控制燃燒室容積的制造誤差。文獻(xiàn)[11]對(duì)批退火工序進(jìn)行建模，用同一訓(xùn)練數(shù)據(jù)對(duì)線性回歸、回歸分類(lèi)樹(shù)、前饋反向傳播神經(jīng)網(wǎng)絡(luò)三種模型分別進(jìn)行訓(xùn)練，驗(yàn)證可知無(wú)需相關(guān)冶金和機(jī)械方面知識(shí)的前饋反向傳播神經(jīng)網(wǎng)絡(luò)反而得出了最為精準(zhǔn)的退火工序模型，該模型可根據(jù)當(dāng)前數(shù)據(jù)預(yù)測(cè)退火工序的運(yùn)行情況，專(zhuān)家也可針對(duì)該模型找到各參數(shù)的最優(yōu)值，進(jìn)而改善退火工序。文獻(xiàn)[12]采用前饋人工神經(jīng)網(wǎng)絡(luò)對(duì)樹(shù)脂中間體生產(chǎn)流程和印刷電路板制造流程中各因素間非線性的因果關(guān)系進(jìn)行建模，模型使相關(guān)工作人員更好地認(rèn)識(shí)了流程的運(yùn)行情況，將明確的因果關(guān)系進(jìn)行量化，進(jìn)而可以運(yùn)用這些關(guān)系優(yōu)化制造工藝，提升產(chǎn)品質(zhì)量。

1.2 能耗優(yōu)化

在能耗巨大的工業(yè)，如冶金工業(yè)中，節(jié)能減耗可以在很大程度上提高企業(yè)的經(jīng)濟(jì)效益，具有重大的現(xiàn)實(shí)意義。

文獻(xiàn)[13]利用關(guān)聯(lián)規(guī)則、K聚類(lèi)和改進(jìn)的門(mén)限法聚類(lèi)等方法，從大量的煉鋼歷史能耗數(shù)據(jù)中獲取隱含的規(guī)則，指導(dǎo)企業(yè)改進(jìn)生產(chǎn)參數(shù)，降低生產(chǎn)能耗。文獻(xiàn)[14]提出了一種基于車(chē)間歷史數(shù)據(jù)的數(shù)控加工工藝參數(shù)自適應(yīng)能效優(yōu)化方法，用多元統(tǒng)計(jì)技術(shù)和聚類(lèi)分析方法對(duì)車(chē)間歷史數(shù)據(jù)進(jìn)行分析，得到了工藝參數(shù)與能耗間的影響規(guī)律，再用模糊關(guān)聯(lián)規(guī)則算法得到高能效工藝參數(shù)優(yōu)化規(guī)則。

1.3 成本優(yōu)化

成本分析是設(shè)計(jì)階段的一項(xiàng)重要內(nèi)容，在鋼鐵企業(yè)的成本分析中，對(duì)其工藝路線中各工序的成本消耗進(jìn)行分析和控制是企業(yè)成本控制的首要任務(wù)。文獻(xiàn)[15]基于抽樣的C4.5決策樹(shù)算法從工藝路線中選出對(duì)制造成本影響最大的工序，通過(guò)對(duì)選出的工序進(jìn)行控制和改進(jìn)來(lái)優(yōu)化整個(gè)工藝路線的成本。

1.4 工藝標(biāo)準(zhǔn)優(yōu)化

在工藝標(biāo)準(zhǔn)優(yōu)化方面，有文獻(xiàn)嘗試用數(shù)據(jù)挖掘的方法優(yōu)化服裝企業(yè)標(biāo)準(zhǔn)工時(shí)制定方案，以此提高企業(yè)成本核算和生產(chǎn)加工能力。文獻(xiàn)[16]對(duì)服裝企業(yè)標(biāo)準(zhǔn)工時(shí)系統(tǒng)的數(shù)據(jù)用決策樹(shù)方法進(jìn)行分類(lèi)，再用關(guān)聯(lián)規(guī)則對(duì)每一類(lèi)數(shù)據(jù)進(jìn)行分析，得到款式、材料、年齡對(duì)實(shí)際工時(shí)與標(biāo)準(zhǔn)工時(shí)差異的影響程度，并以此為依據(jù)對(duì)原有標(biāo)準(zhǔn)工時(shí)進(jìn)行優(yōu)化。類(lèi)似地，文獻(xiàn)[17]基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)生產(chǎn)工時(shí)，找出影響因素并排序，再用關(guān)聯(lián)規(guī)則模型評(píng)估導(dǎo)致標(biāo)準(zhǔn)工時(shí)不合理的影響因素并進(jìn)行修正。此外，文獻(xiàn)[18]運(yùn)用關(guān)聯(lián)規(guī)則中的Apriori算法對(duì)模具企業(yè)CAPP改模知識(shí)庫(kù)進(jìn)行挖掘，較好的解決了模具企業(yè)改模工藝知識(shí)的獲取和積累問(wèn)題。該方法進(jìn)行工藝設(shè)計(jì)可提高CAPP智能化程度，提高改模工藝?yán)^承性與重用性、促進(jìn)改模工藝標(biāo)準(zhǔn)化。

1.5 智能設(shè)計(jì)

在智能設(shè)計(jì)方面，文獻(xiàn)[19]用ART1神經(jīng)網(wǎng)絡(luò)對(duì)摩托車(chē)總體設(shè)計(jì)方案實(shí)例庫(kù)進(jìn)行聚類(lèi)，再用BP神經(jīng)網(wǎng)絡(luò)記憶聚類(lèi)結(jié)果并根據(jù)設(shè)計(jì)要求檢索設(shè)計(jì)方案，提高了摩托車(chē)總體方案設(shè)計(jì)的效率。文獻(xiàn)[20]運(yùn)用模糊物元的方法將客戶(hù)的多維度需求問(wèn)題進(jìn)行優(yōu)化，對(duì)基本粒子群算法稍作變化，提出了混合式算法，并將其運(yùn)用在某型號(hào)轎車(chē)的整體外觀造型設(shè)計(jì)的客戶(hù)需求知識(shí)挖掘中。

2 生產(chǎn)階段

隨著自動(dòng)化生產(chǎn)線的廣泛應(yīng)用，生產(chǎn)過(guò)程產(chǎn)生的數(shù)據(jù)都可以被采集和存儲(chǔ)。對(duì)這些數(shù)據(jù)進(jìn)行分析，可以幫助人們對(duì)生產(chǎn)過(guò)程進(jìn)行監(jiān)控，以?xún)?yōu)化生產(chǎn)過(guò)程、檢測(cè)和診斷故障，達(dá)到提高效率和產(chǎn)率、降低成本和能耗的目的。

2.1 質(zhì)量監(jiān)控

實(shí)際生產(chǎn)過(guò)程是一個(gè)動(dòng)態(tài)過(guò)程，生產(chǎn)線上工藝、設(shè)備和環(huán)境都極其復(fù)雜，許多未知因素往往都會(huì)影響最終產(chǎn)品的質(zhì)量。為了達(dá)到生產(chǎn)任務(wù)的要求，常常需要對(duì)產(chǎn)品質(zhì)量進(jìn)行快速檢測(cè)和提前預(yù)測(cè)，以便及時(shí)做出調(diào)整。然而，由于生產(chǎn)線的復(fù)雜性，檢測(cè)或預(yù)測(cè)產(chǎn)品質(zhì)量并不容易。許多現(xiàn)有方法，或是準(zhǔn)確率較低，或是成本高昂。而諸如回歸、分類(lèi)、聚類(lèi)、決策樹(shù)、粗糙集、神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法，由于能夠從大量數(shù)據(jù)中發(fā)現(xiàn)規(guī)則，因此能夠在一定程度上提高產(chǎn)品質(zhì)量的檢測(cè)或預(yù)測(cè)準(zhǔn)確率，且實(shí)施成本較低。

伸縮探針被用于檢測(cè)半導(dǎo)體產(chǎn)品的質(zhì)量。但由于伸縮探針本身存在使用壽命，若探針老化，則會(huì)影響產(chǎn)品檢測(cè)結(jié)果，帶來(lái)經(jīng)濟(jì)損失。文獻(xiàn)[21]基于線性回歸和分類(lèi)模型對(duì)伸縮探針的狀態(tài)進(jìn)行建模，從而掌握探針的老化程度，減少由于探針自身壽命問(wèn)題帶來(lái)的產(chǎn)品質(zhì)量檢測(cè)錯(cuò)誤，提高準(zhǔn)確率。

傳統(tǒng)的冷軋產(chǎn)品缺陷檢測(cè)方法，檢測(cè)標(biāo)準(zhǔn)不一，且存在大量漏洞和誤判。文獻(xiàn)[22]使用實(shí)際的生產(chǎn)數(shù)據(jù)訓(xùn)練二分決策樹(shù)和多分決策樹(shù)，得到了找到產(chǎn)品缺陷的眾多規(guī)則，使企業(yè)可以根據(jù)所得規(guī)則快速準(zhǔn)確的檢測(cè)生產(chǎn)出的冷軋產(chǎn)品的缺陷，提高了檢測(cè)的準(zhǔn)確率。

文獻(xiàn)[23]針對(duì)印刷電路板中焊錫球缺陷這一質(zhì)量問(wèn)題，采用能夠識(shí)別個(gè)體區(qū)別的粗糙集對(duì)其進(jìn)行數(shù)據(jù)挖掘并得到三個(gè)規(guī)則集，分別是存在焊錫球缺陷時(shí)的規(guī)則集、不存在焊錫球缺陷時(shí)的規(guī)則集和兩種情況皆可能的規(guī)則集，這三個(gè)規(guī)則集對(duì)不存在焊錫球缺陷的印刷電路板的預(yù)測(cè)正確率接近100%，對(duì)存在焊錫球缺陷的印刷電路板的預(yù)測(cè)正確率接近50%，整體預(yù)測(cè)正確率達(dá)到97.66%。根據(jù)這些規(guī)則，焊錫球工藝可得到相應(yīng)的改進(jìn)，其缺陷也可以及早發(fā)現(xiàn)，極大地降低了電路板由于焊錫球缺陷而帶來(lái)的損失。

現(xiàn)有的釀酒工序中并沒(méi)有什么工具能夠提前檢測(cè)出預(yù)示著釀酒中存在瑕疵的早期征兆，因此也沒(méi)有辦法針對(duì)釀酒中出現(xiàn)的征兆進(jìn)行改進(jìn)。且釀酒工序環(huán)境復(fù)雜，相關(guān)數(shù)據(jù)繁多，如某關(guān)于釀酒的數(shù)據(jù)庫(kù)中即保存有29種數(shù)據(jù)記錄值，包括糖、醇類(lèi)、有機(jī)酸、富氮化合物等。文獻(xiàn)[24]針對(duì)上述釀酒數(shù)據(jù)庫(kù)采用數(shù)據(jù)挖掘方法，分出訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，先采用主成分分析法選出關(guān)鍵屬性對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行降維，然后采用K-means聚類(lèi)進(jìn)行數(shù)據(jù)挖掘，獲取模式。利用聚類(lèi)結(jié)果，研究人員得以在釀酒過(guò)程中就檢測(cè)出其產(chǎn)品質(zhì)量是否合格，大大減少了由于釀酒出錯(cuò)帶來(lái)的損失。

發(fā)酵是一種生物化學(xué)反應(yīng)，在食品工業(yè)、生物和化學(xué)工業(yè)中均有廣泛應(yīng)用。進(jìn)行一次發(fā)酵通常需要不短的時(shí)間，傳統(tǒng)上發(fā)酵過(guò)程經(jīng)常采用許多高科技手段諸如流動(dòng)注射分析法、液相色譜法、紅外光譜法、氣相色譜法、質(zhì)譜分析法等來(lái)實(shí)時(shí)監(jiān)測(cè)發(fā)酵過(guò)程的情況，以使其發(fā)酵過(guò)程始終處于正常范圍。但這些設(shè)備對(duì)于小型企業(yè)來(lái)說(shuō)都比較昂貴。文獻(xiàn)[25]提出了另一種監(jiān)測(cè)發(fā)酵過(guò)程的方法，該方法只需用少許廉價(jià)的傳感器，獲得發(fā)酵過(guò)程中的各相關(guān)數(shù)據(jù)諸如PH值、溫度、溶解氧含量等，并對(duì)其進(jìn)行數(shù)據(jù)挖掘，即可實(shí)現(xiàn)發(fā)酵過(guò)程的實(shí)時(shí)異常監(jiān)測(cè)。數(shù)據(jù)挖掘過(guò)程采用文獻(xiàn)[24]中提到的方法，得到具體發(fā)酵過(guò)程的模式，以此為依據(jù)實(shí)時(shí)監(jiān)測(cè)發(fā)酵過(guò)程的異常，并可根據(jù)特定的異常制定相應(yīng)解決方案。

2.2 故障檢測(cè)和診斷

在實(shí)際生產(chǎn)線上，任何一個(gè)小的故障不及時(shí)解決，都可能會(huì)影響到整個(gè)生產(chǎn)系統(tǒng)的正常運(yùn)行，帶來(lái)巨大的經(jīng)濟(jì)損失。因此，快速、準(zhǔn)確地進(jìn)行故障檢測(cè)、診斷和預(yù)警，一直是制造業(yè)企業(yè)迫切需求。然而，如上所述，生產(chǎn)線是一個(gè)復(fù)雜的系統(tǒng)，整個(gè)生產(chǎn)線有數(shù)十道甚至上百道工序，每個(gè)工序有多級(jí)操作，每步操作又對(duì)應(yīng)不同的機(jī)器和設(shè)備。對(duì)于這樣的復(fù)雜系統(tǒng)，用傳統(tǒng)方法去定量分析建模，找到異常狀況的影響因素是十分困難的。因此，即使經(jīng)驗(yàn)豐富的工程師，在面對(duì)一個(gè)原因未知的系統(tǒng)或工序故障時(shí)，也不能短時(shí)間低開(kāi)銷(xiāo)解決問(wèn)題。而基于大數(shù)據(jù)的方法，有助于從多種復(fù)雜因素中找到造成異常的因素以及相應(yīng)的規(guī)則，因而對(duì)于故障檢測(cè)和診斷問(wèn)題有很好的效果。

文獻(xiàn)[26]提出將聚類(lèi)分析模型（自組織映射神經(jīng)網(wǎng)絡(luò)和模糊C均值）應(yīng)用到鋼鐵等冶金行業(yè)，分析并找出生產(chǎn)數(shù)據(jù)中的異常點(diǎn)，為進(jìn)一步發(fā)現(xiàn)生產(chǎn)過(guò)程的異常狀況或根據(jù)正確數(shù)據(jù)進(jìn)行更深層次的分析奠定基礎(chǔ)。文獻(xiàn)[27]通過(guò)記錄6個(gè)屬性數(shù)據(jù)來(lái)描述電機(jī)設(shè)備的狀態(tài)信息，基于粗糙集思想提取其故障診斷規(guī)則，使得系統(tǒng)能夠通過(guò)設(shè)備的運(yùn)行狀態(tài)來(lái)實(shí)時(shí)監(jiān)測(cè)其生產(chǎn)狀況，及時(shí)檢測(cè)出設(shè)備故障，保證生產(chǎn)系統(tǒng)的正常運(yùn)行。文獻(xiàn)[28]就半導(dǎo)體制造業(yè)中的缺陷檢測(cè)提出了RMI（Root Cause Machine Identifier）綜合處理程序，其采用關(guān)聯(lián)規(guī)則得到預(yù)處理后數(shù)據(jù)庫(kù)的候選集。由于制造工序中許多間歇出現(xiàn)的問(wèn)題都是多因素引起的，且因素間非線性的相互作用十分常見(jiàn)，因此RMI將計(jì)算出每個(gè)候選集的興趣度，并對(duì)其進(jìn)行排序，根據(jù)興趣度高低找到問(wèn)題根源。憑借RMI，制造過(guò)程中出現(xiàn)多種問(wèn)題都將被立即識(shí)別并定位出根源，相關(guān)人員得以高效解決相關(guān)的機(jī)器缺陷，從而極大地提高了產(chǎn)品產(chǎn)量和高質(zhì)量產(chǎn)品比例。文獻(xiàn)[29]提出了FDC（Fault Detection and Classification）方法，首先采用主成分分析法整理訓(xùn)練數(shù)據(jù)，建立模塊化的神經(jīng)網(wǎng)絡(luò)以進(jìn)行故障識(shí)別；D-S理論則是用于在存在不確定性的情況下（例如多故障產(chǎn)生或故障傳遞）進(jìn)行故障分類(lèi)。采用模塊化神經(jīng)網(wǎng)絡(luò)和D-S理論的FDC方法具有在異常出現(xiàn)時(shí)快速識(shí)別異常，并定位該異常產(chǎn)生的根源部件的能力，使得相關(guān)人員能夠快速定位故障部件并采取相應(yīng)措施解決。文獻(xiàn)[30]就土耳其一家毛毯制造公司的數(shù)據(jù)，提出了基于C4.5決策樹(shù)算法的數(shù)據(jù)挖掘方案來(lái)快速識(shí)別定位毛毯制造流程中出現(xiàn)的故障原因，使得相關(guān)人員能夠快速精確解決故障，大大提高了毛毯的生產(chǎn)效率。其采用預(yù)處理技術(shù)提高所收集數(shù)據(jù)的質(zhì)量，使用關(guān)聯(lián)分析找到關(guān)鍵屬性集以減少訓(xùn)練數(shù)據(jù)的維度，最后采用C4.5決策樹(shù)算法，共得到101條規(guī)則，其識(shí)別故障原因的精準(zhǔn)度達(dá)到72.811%。

2.3 智能調(diào)度

提高生產(chǎn)效率在制造業(yè)生產(chǎn)過(guò)程中至關(guān)重要。在制造業(yè)中，生產(chǎn)調(diào)度是車(chē)間管理的核心，合理有效的車(chē)間調(diào)度是高效率生產(chǎn)的保障。文獻(xiàn)[31]研究了基于大數(shù)據(jù)分析的車(chē)間調(diào)度問(wèn)題。對(duì)于離散工業(yè)，針對(duì)靜態(tài)Job Shop調(diào)度問(wèn)題，提出了用決策樹(shù)模型提取調(diào)度知識(shí)的方法，優(yōu)化了調(diào)度方案；針對(duì)動(dòng)態(tài)Job Shop調(diào)度問(wèn)題，提出采用遺傳算法獲取優(yōu)化調(diào)度方案，再用極限學(xué)習(xí)機(jī)從優(yōu)化調(diào)度數(shù)據(jù)中提取新的調(diào)度規(guī)則，指導(dǎo)車(chē)間調(diào)度。對(duì)于流程工業(yè)中的單階段多產(chǎn)品批處理調(diào)度問(wèn)題，提出采用遺傳算法結(jié)合啟發(fā)式規(guī)則優(yōu)化加工設(shè)備分配方案，并用極限學(xué)習(xí)機(jī)預(yù)測(cè)訂單加工分配序列，實(shí)現(xiàn)訂單加工序列的快速確定。

在生產(chǎn)調(diào)度方面，決策樹(shù)模型受到了廣泛關(guān)注。文獻(xiàn)[32]將生產(chǎn)計(jì)劃中不同交工期的工單加工順序、不同類(lèi)型工件分配在同一機(jī)器時(shí)的加工順序等記錄存儲(chǔ)起來(lái)，作為歷史數(shù)據(jù)訓(xùn)練決策樹(shù)模型，模型可根據(jù)實(shí)時(shí)數(shù)據(jù)為工件安排合適的機(jī)器進(jìn)行加工，使得車(chē)間能夠根據(jù)生產(chǎn)狀態(tài)進(jìn)行實(shí)時(shí)優(yōu)化調(diào)度，充分利用加工資源，達(dá)到效率最大化。文獻(xiàn)[33]中也提到這一思想。文獻(xiàn)[34]用決策樹(shù)模型對(duì)紡紗廠數(shù)據(jù)進(jìn)行分析，得到了機(jī)器細(xì)小位置移動(dòng)次數(shù)和機(jī)器效率對(duì)停止次數(shù)的影響，以此為依據(jù)調(diào)整、檢測(cè)機(jī)器，提高車(chē)間生產(chǎn)效率、加強(qiáng)人員、機(jī)器的調(diào)配。文獻(xiàn)[35]對(duì)于典型機(jī)械制造企業(yè)業(yè)務(wù)流程中存在的問(wèn)題，運(yùn)用ID3決策樹(shù)算法，對(duì)企業(yè)質(zhì)量管理信息進(jìn)行挖掘，建立了處理部門(mén)歸屬?zèng)Q策模型，規(guī)范了管理流程，提高了管理效率。

2.4 能耗管理

除了保證產(chǎn)品質(zhì)量、排除設(shè)備故障和提高生產(chǎn)效率，對(duì)生產(chǎn)過(guò)程中的能耗進(jìn)行實(shí)時(shí)監(jiān)控，對(duì)于制造業(yè)企業(yè)來(lái)說(shuō)也是不可或缺的。如今的企業(yè)能源管理模式較為傳統(tǒng)，主要依靠人工管理，系統(tǒng)集成化程度不高，缺少?zèng)Q策支持，能源利用率低。文獻(xiàn)[36]針對(duì)煙草企業(yè)，建立了企業(yè)能源管理系統(tǒng)，集中監(jiān)控了企業(yè)生產(chǎn)中的供水系統(tǒng)、壓縮空氣系統(tǒng)、供配電系統(tǒng)和鍋爐系統(tǒng)，并采用線性回歸、殘差灰色和附加動(dòng)量的前饋神經(jīng)網(wǎng)絡(luò)模型，對(duì)企業(yè)的能效進(jìn)行了監(jiān)控和預(yù)測(cè)，保證了企業(yè)的用能安全和效率；文獻(xiàn)[37]針對(duì)造紙業(yè)，將其制造過(guò)程中的電耗、氣耗分為四類(lèi)能耗，對(duì)每類(lèi)能耗先使用偏最小二乘法（PLS）從眾多能源影響因素中選出具有重要影響的因素，然后利用這些因素建立神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對(duì)造紙過(guò)程各工序能耗的有效預(yù)測(cè)，為企業(yè)的能源管理控制提供了重要的決策依據(jù)。

3 采購(gòu)階段

采購(gòu)階段主要涉及的問(wèn)題是優(yōu)化庫(kù)存和節(jié)約成本。

3.1 庫(kù)存優(yōu)化

庫(kù)存量適當(dāng)是確保企業(yè)正常連續(xù)生產(chǎn)的必要條件，庫(kù)存量過(guò)多或多少都會(huì)造成不必要的經(jīng)濟(jì)損失。為了減少貨物的積存，省去不必要的庫(kù)存開(kāi)銷(xiāo)，制造業(yè)中產(chǎn)生了按訂單裝配的策略，該策略將產(chǎn)品的裝配操作推遲，直到客戶(hù)下了訂單。這樣一來(lái)，庫(kù)存中的都是產(chǎn)品的組件，可根據(jù)客戶(hù)要求進(jìn)行裝配；而不是已裝配好了的成品，等有需求的客戶(hù)購(gòu)買(mǎi)。該策略從根本上解決了貨物的積存情況，也省去了大量的庫(kù)存開(kāi)銷(xiāo)。但由于按訂單裝配的策略，工廠在得到訂單后才開(kāi)始進(jìn)行產(chǎn)品的裝配，因此裝配的時(shí)間將直接影響到工廠交貨到客戶(hù)的時(shí)間。這意味著裝配過(guò)程中出現(xiàn)任何耽誤時(shí)間的情況（如返工等），都將影響交貨的時(shí)間。

文獻(xiàn)[38]針對(duì)某有色冶金企業(yè)，采用改進(jìn)的遺傳算法、神經(jīng)網(wǎng)絡(luò)和模糊控制方式完善庫(kù)存優(yōu)化系統(tǒng)。文獻(xiàn)[39]采用進(jìn)化規(guī)劃算法對(duì)庫(kù)存模型進(jìn)行優(yōu)化，以提高企業(yè)的經(jīng)濟(jì)效益。文獻(xiàn)[40]關(guān)注在后期裝配過(guò)程中，裝配順序?qū)Ξa(chǎn)品質(zhì)量的影響，并采用關(guān)聯(lián)規(guī)則方法從歷史數(shù)據(jù)中抽取出11條規(guī)則，經(jīng)專(zhuān)家整理分析，獲得更加清晰簡(jiǎn)潔的規(guī)則和知識(shí)。根據(jù)這些規(guī)則，產(chǎn)品在組裝前即可對(duì)裝配序列進(jìn)行優(yōu)化，其成品出現(xiàn)瑕疵品的幾率大大減少。文獻(xiàn)[41]用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）模型對(duì)大型制造業(yè)企業(yè)庫(kù)存安全水平進(jìn)行預(yù)測(cè)，用灰色聚類(lèi)法對(duì)庫(kù)存中產(chǎn)品和原材料進(jìn)行重要性劃分，以幫助企業(yè)控制和優(yōu)化庫(kù)存。

備件管理是制造業(yè)設(shè)備管理中的重要環(huán)節(jié)。如何運(yùn)用最少的資金來(lái)保證最優(yōu)的備件供應(yīng)與管理，并不斷提高設(shè)備的可靠性、維修性和經(jīng)濟(jì)性是一個(gè)重要的課題。周期補(bǔ)充是目前很多企業(yè)普遍采用的備品備件管理模式，訂購(gòu)量和訂購(gòu)點(diǎn)是周期補(bǔ)充控制法的兩個(gè)基本控制參數(shù)。文獻(xiàn)[42]基于（,）的故障持續(xù)時(shí)間分布和生命周期分布模型，提出了一個(gè)基于效用的庫(kù)存管理模型（,），該模型考慮了技術(shù)折舊和資金擠壓所帶來(lái)的影響，也克服了供貨周期隨機(jī)性導(dǎo)致的缺貨損失、故障率過(guò)低導(dǎo)致的庫(kù)存冗余維護(hù)損失等問(wèn)題。在機(jī)械制造業(yè)中，許多大數(shù)據(jù)分析挖掘模型都有很好的應(yīng)用。文獻(xiàn)[43]提出了基于主成分分析和支持向量機(jī)的模型進(jìn)行備件需求的預(yù)測(cè)，獲得了較好的預(yù)測(cè)精度，預(yù)測(cè)結(jié)果可以作為管理者的決策依據(jù)。文獻(xiàn)[44]用關(guān)聯(lián)規(guī)則分析機(jī)械制造企業(yè)外購(gòu)件間的隱含關(guān)系，有助于企業(yè)合理制定采購(gòu)計(jì)劃，有效控制采購(gòu)資金。

成品的庫(kù)存量關(guān)聯(lián)著產(chǎn)品的生產(chǎn)、銷(xiāo)售等過(guò)程。文獻(xiàn)[45]針對(duì)服裝企業(yè)庫(kù)存管理，通過(guò)庫(kù)存周轉(zhuǎn)率、商品保本儲(chǔ)存期、動(dòng)銷(xiāo)率、高中低檔商品消費(fèi)能力等數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，企業(yè)可以依據(jù)訓(xùn)練完成的模型預(yù)測(cè)產(chǎn)品的庫(kù)存量，并依據(jù)預(yù)測(cè)結(jié)果安排生產(chǎn)，進(jìn)而減輕了商品庫(kù)存堆積的情況，緩解企業(yè)訂貨瓶頸。

此外，庫(kù)存作為供應(yīng)鏈的一個(gè)重要組成，其優(yōu)化過(guò)程常常與整個(gè)供應(yīng)鏈密不可分。例如，生產(chǎn)、庫(kù)存與配送聯(lián)合優(yōu)化調(diào)度問(wèn)題是供應(yīng)鏈中的一個(gè)復(fù)合問(wèn)題，該問(wèn)題要涉及供應(yīng)鏈中制造商以及零售商的生產(chǎn)、庫(kù)存、配送及缺貨成本等。文獻(xiàn)[46]提出可以基于大數(shù)據(jù)分析方法，綜合分析生產(chǎn)消耗、采購(gòu)及銷(xiāo)售情況，找出保證企業(yè)正常生產(chǎn)的原材料合理庫(kù)存量，以?xún)?yōu)化原材料庫(kù)存；根據(jù)設(shè)備使用、維修和保養(yǎng)原始記錄找出關(guān)鍵備件磨損規(guī)律，從而預(yù)測(cè)其壽命，為備件庫(kù)存控制提供依據(jù)。在具體的應(yīng)用中，文獻(xiàn)[47]基于禁忌搜索算法、模擬退火算法優(yōu)化了生產(chǎn)、庫(kù)存與配送的聯(lián)合調(diào)度問(wèn)題。文獻(xiàn)[48]提出建立制造業(yè)企業(yè)采購(gòu)決策支持系統(tǒng)，通過(guò)關(guān)聯(lián)規(guī)則分析產(chǎn)品價(jià)格、供應(yīng)商評(píng)價(jià)、退貨原因等問(wèn)題間的關(guān)聯(lián)關(guān)系，幫助企業(yè)進(jìn)行采購(gòu)方案的制定。文獻(xiàn)[49]以汽車(chē)產(chǎn)品一個(gè)季度的銷(xiāo)量作為數(shù)據(jù)挖掘?qū)ο?，在建立采?gòu)業(yè)務(wù)數(shù)據(jù)集市的基礎(chǔ)上，運(yùn)用ID3決策樹(shù)模型進(jìn)行數(shù)據(jù)挖掘，為采購(gòu)業(yè)務(wù)的管理者在制定采購(gòu)計(jì)劃時(shí)提供重要的參考依據(jù)。

3.2 成本優(yōu)化

制造業(yè)中大量依賴(lài)原材料和生產(chǎn)設(shè)備，因此制造業(yè)中采購(gòu)成本在企業(yè)總運(yùn)行成本中占比很大。例如，煤礦企業(yè)在原煤開(kāi)采過(guò)程中所消耗的材料種類(lèi)繁多、數(shù)量巨大，材料成本占總成本的20%、直接成本的35%。同時(shí)，煤礦材料投入也是最具可控性的項(xiàng)目，通過(guò)準(zhǔn)確預(yù)測(cè)材料成本，有效控制材料消耗，可以降低原煤生產(chǎn)成本、提高煤礦企業(yè)的競(jìng)爭(zhēng)力。文獻(xiàn)[50]運(yùn)用粒子群（PSO）優(yōu)化算法對(duì)支持向量機(jī)模型的參數(shù)進(jìn)行優(yōu)化，構(gòu)建基于粒子群優(yōu)化的支持向量回歸機(jī)（PSO-SVR）煤礦材料成本預(yù)測(cè)模型對(duì)相關(guān)煤礦材料的成本進(jìn)行預(yù)測(cè)，進(jìn)而從材料需求計(jì)劃和采購(gòu)計(jì)劃的制定、材料成本控制、材料成本管理信息化等方面提出了煤礦材料成本管理的政策建議。文獻(xiàn)[51]提到運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)學(xué)習(xí)制造業(yè)采購(gòu)數(shù)據(jù)倉(cāng)庫(kù)中的采購(gòu)歷史數(shù)據(jù)，對(duì)采購(gòu)價(jià)格進(jìn)行時(shí)間序列的預(yù)測(cè)，預(yù)測(cè)結(jié)果能夠滿足企業(yè)決策的需要。

降低采購(gòu)成本、優(yōu)化采購(gòu)方案的一項(xiàng)重要舉措是合理選擇供應(yīng)商。文獻(xiàn)[52]提出用關(guān)聯(lián)規(guī)則（改進(jìn)的Apriori算法）方法來(lái)解決離散制造企業(yè)零部件供應(yīng)商選擇問(wèn)題。文獻(xiàn)[53]建立基于關(guān)聯(lián)規(guī)則的裝備制造業(yè)供應(yīng)商質(zhì)量評(píng)價(jià)模型，指導(dǎo)企業(yè)采購(gòu)時(shí)評(píng)價(jià)和選擇供應(yīng)商。

4 銷(xiāo)售階段

在銷(xiāo)售階段，大數(shù)據(jù)分析的應(yīng)用主要體現(xiàn)在預(yù)測(cè)產(chǎn)量、銷(xiāo)量、發(fā)現(xiàn)需求和優(yōu)化配送方案上。

4.1 產(chǎn)銷(xiāo)量預(yù)測(cè)

制造業(yè)的銷(xiāo)售主體是其制造的產(chǎn)品，產(chǎn)品的產(chǎn)量和銷(xiāo)量影響著整個(gè)供應(yīng)鏈。因此，銷(xiāo)售階段的重要任務(wù)之一就是準(zhǔn)確、合理地預(yù)測(cè)產(chǎn)品的產(chǎn)量和銷(xiāo)量。

在產(chǎn)量預(yù)測(cè)方面，文獻(xiàn)[54]提出了一種基于動(dòng)態(tài)改進(jìn)多元線性回歸模型的次年產(chǎn)量預(yù)測(cè)方法，運(yùn)用到某航空制造企業(yè)的次年產(chǎn)量預(yù)測(cè)中，證明了該模型的預(yù)測(cè)實(shí)用性；文獻(xiàn)[55]提出了基于有動(dòng)量的自適應(yīng)梯度下降法BP神經(jīng)網(wǎng)絡(luò)模型，并用它對(duì)攀枝花市的鋼產(chǎn)量進(jìn)行預(yù)測(cè)，實(shí)例表明該系統(tǒng)具有使用價(jià)值；文獻(xiàn)[56]基于Rough集理論實(shí)現(xiàn)了薄膜蒸發(fā)器的產(chǎn)量預(yù)測(cè)，研究結(jié)果找出了對(duì)產(chǎn)量影響較大的因素，對(duì)產(chǎn)量的預(yù)測(cè)基本符合實(shí)際。

在銷(xiāo)量預(yù)測(cè)方面，文獻(xiàn)[57]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型，以月份因子（根據(jù)經(jīng)驗(yàn)對(duì)產(chǎn)品淡旺季的描述）和歷史月銷(xiāo)售量為輸入量對(duì)某電機(jī)企業(yè)五種產(chǎn)品進(jìn)行銷(xiāo)量預(yù)測(cè)，得到了較好的預(yù)測(cè)結(jié)果。文獻(xiàn)[58]采用了滑動(dòng)平均和指數(shù)平滑法對(duì)PVC主型材銷(xiāo)量進(jìn)行預(yù)測(cè)，為生產(chǎn)計(jì)劃制定、作業(yè)控制、庫(kù)存控制等生產(chǎn)管理環(huán)節(jié)提供決策基礎(chǔ)。文獻(xiàn)[59]提出了改進(jìn)遺傳算法結(jié)合Holt-winters的銷(xiāo)售預(yù)測(cè)模型，并對(duì)實(shí)際卷煙銷(xiāo)售量進(jìn)行了預(yù)測(cè)，預(yù)測(cè)結(jié)果準(zhǔn)確率90%以上。文獻(xiàn)[60]用時(shí)間序列分析預(yù)測(cè)流行飾品在不同區(qū)域的未來(lái)直銷(xiāo)趨勢(shì)，幫助管理人員制定銷(xiāo)售策略，并合理安排生產(chǎn)、采購(gòu)計(jì)劃，提高利潤(rùn)。

4.2 需求發(fā)現(xiàn)

隨著市場(chǎng)經(jīng)濟(jì)的逐漸完善，客戶(hù)需求知識(shí)的作用越來(lái)越大，其中隱藏著消費(fèi)者對(duì)產(chǎn)品的個(gè)性化需求以及產(chǎn)品未來(lái)的發(fā)展趨勢(shì)等信息。客戶(hù)需求的日漸多樣化和個(gè)性化，要求企業(yè)能夠快速響應(yīng)市場(chǎng)，在高質(zhì)量低成本前提下以最短時(shí)間開(kāi)發(fā)客戶(hù)需要的產(chǎn)品，制定符合客戶(hù)需求的銷(xiāo)售策略?；诖髷?shù)據(jù)分析的方法，對(duì)海量銷(xiāo)售歷史數(shù)據(jù)進(jìn)行建模，能夠準(zhǔn)確地幫助企業(yè)發(fā)現(xiàn)需求。文獻(xiàn)[61]從卡車(chē)制造商的視角出發(fā)，將大數(shù)據(jù)分析方法綜合應(yīng)用到經(jīng)銷(xiāo)商的客戶(hù)價(jià)值分析中：用聚類(lèi)模型進(jìn)行經(jīng)銷(xiāo)商細(xì)分；用決策樹(shù)模型分析經(jīng)銷(xiāo)商的重要程度；用關(guān)聯(lián)規(guī)則分析經(jīng)銷(xiāo)商訂購(gòu)車(chē)型間的關(guān)系以進(jìn)行品牌推廣；用異常檢測(cè)方法分析經(jīng)銷(xiāo)商流失；用神經(jīng)網(wǎng)絡(luò)模型綜合分析經(jīng)銷(xiāo)商價(jià)值。上述模型在相應(yīng)場(chǎng)景中的也應(yīng)用具有一定的通用性。文獻(xiàn)[62]將關(guān)聯(lián)規(guī)則算法運(yùn)用到筆記本電腦BTO（Build to Order）生產(chǎn)計(jì)劃中，基于BTO制造的特點(diǎn)，采用了分類(lèi)、多最小支持和增量挖掘的改進(jìn)算法，挖掘PC用戶(hù)配置選擇的關(guān)聯(lián)關(guān)系，以此制定生產(chǎn)計(jì)劃。文獻(xiàn)[63]提出用關(guān)聯(lián)規(guī)則模型挖掘鐘表企業(yè)物料清單（BOM）中的歷史數(shù)據(jù)，分析不同零部件組合的產(chǎn)品的客戶(hù)認(rèn)可度和盈利能力，以此為基礎(chǔ)制定營(yíng)銷(xiāo)策略。文獻(xiàn)[64]以機(jī)械制造企業(yè)為背景，運(yùn)用決策樹(shù)技術(shù)中的CART算法對(duì)企業(yè)已有客戶(hù)群數(shù)據(jù)進(jìn)行分析，得到了企業(yè)忠誠(chéng)客戶(hù)預(yù)測(cè)模型。該模型可以幫助企業(yè)發(fā)現(xiàn)和培養(yǎng)忠誠(chéng)客戶(hù)。文獻(xiàn)[65]對(duì)煙草企業(yè)客戶(hù)忠誠(chéng)度指標(biāo)構(gòu)造分類(lèi)決策樹(shù)模型，通過(guò)改進(jìn)的K-means算法，按客戶(hù)的價(jià)值貢獻(xiàn)度對(duì)客戶(hù)進(jìn)行聚類(lèi)分析，以此劃分了客戶(hù)營(yíng)銷(xiāo)等級(jí)。對(duì)不同等級(jí)客戶(hù)制定相應(yīng)的營(yíng)銷(xiāo)策略，實(shí)現(xiàn)精細(xì)化營(yíng)銷(xiāo)。采用馬爾柯夫預(yù)測(cè)法實(shí)現(xiàn)客戶(hù)等級(jí)變化預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果調(diào)整營(yíng)銷(xiāo)策略。文獻(xiàn)[66]提出基于企業(yè)的客戶(hù)盈利能力數(shù)據(jù)，用聚類(lèi)方法預(yù)測(cè)企業(yè)未來(lái)的盈利能力，并將企業(yè)資源有效投入到能為公司帶來(lái)更大利潤(rùn)的客戶(hù)上。文獻(xiàn)[67]使用市場(chǎng)值函數(shù)的方法，建立了紅塔集團(tuán)促銷(xiāo)活動(dòng)相應(yīng)模型，預(yù)測(cè)客戶(hù)的市場(chǎng)值并以此為依據(jù)將客戶(hù)排序，從而幫助促銷(xiāo)活動(dòng)策劃人員制定有針對(duì)性的促銷(xiāo)方案。

中國(guó)的制造業(yè)主要是以產(chǎn)業(yè)集群的形式存在，文獻(xiàn)[68]針對(duì)傳統(tǒng)制造業(yè)集群，引入行業(yè)作為控制變量對(duì)全部樣本進(jìn)行回歸分析，發(fā)現(xiàn)集群企業(yè)規(guī)模和創(chuàng)新能力與服務(wù)需求之間的關(guān)系。

4.3 配送優(yōu)化

配送是銷(xiāo)售階段乃至整個(gè)供應(yīng)鏈中至關(guān)重要的環(huán)節(jié)，是企業(yè)競(jìng)爭(zhēng)中不可或缺的一環(huán)。制造業(yè)的物流系統(tǒng)以射頻識(shí)別（ratio frequency identification，RFID）技術(shù)為核心。文獻(xiàn)[69]給出配送優(yōu)化的思路：通過(guò)路由算法，對(duì)一系列特定位置和需求量的客戶(hù)點(diǎn)，安排一定數(shù)量的運(yùn)輸車(chē)輛，在特定約束條件下達(dá)到配送速度最快、配送成本最低。文獻(xiàn)[70]提出針對(duì)RFID產(chǎn)生的海量數(shù)據(jù)，基于深度優(yōu)先搜索（DFS）挖掘頻繁路徑，并以此為基礎(chǔ)根據(jù)物品路徑歷史數(shù)據(jù)預(yù)測(cè)物品達(dá)到的下一位置及時(shí)間，以輔助企業(yè)進(jìn)行物流配送管理和優(yōu)化。文獻(xiàn)[71]基于遺傳算法和免疫算法，分析了配送中心選址和配送路徑優(yōu)化的問(wèn)題，設(shè)計(jì)了以最小化成本為目的的數(shù)學(xué)模型，并以某漁業(yè)企業(yè)的配送優(yōu)化問(wèn)題證實(shí)了研究結(jié)果的可用性；文獻(xiàn)[72]針對(duì)物流配送優(yōu)化中聚類(lèi)分析，旅行商問(wèn)題和車(chē)輛路徑問(wèn)題這三個(gè)最基本的子問(wèn)題，在顧客需求存在性隨機(jī)和需求量隨機(jī)的背景下，給出各子問(wèn)題的數(shù)學(xué)模型和相應(yīng)算法，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性；文獻(xiàn)[73]對(duì)供應(yīng)鏈中分銷(xiāo)配送優(yōu)化模型及其求解算法展開(kāi)研究，重點(diǎn)進(jìn)行了供應(yīng)鏈多級(jí)分銷(xiāo)系統(tǒng)優(yōu)化模型及其多目標(biāo)混合遺傳算法和物流配送優(yōu)化模型及其多目標(biāo)遺傳算法兩方面的研究。

5 售后階段

售后階段主要為已售商品提供配套的服務(wù)，其內(nèi)容有服務(wù)類(lèi)型識(shí)別和產(chǎn)品運(yùn)行狀態(tài)監(jiān)控等。

5.1 服務(wù)類(lèi)型識(shí)別

服務(wù)類(lèi)型識(shí)別在以汽車(chē)行業(yè)為代表的消費(fèi)型產(chǎn)品制造業(yè)中具有舉足輕重的地位。在汽車(chē)行業(yè)中，40%～60%的利潤(rùn)在服務(wù)、維修等售后服務(wù)領(lǐng)域。傳統(tǒng)的售后服務(wù)模式是在客戶(hù)遇到問(wèn)題時(shí)主動(dòng)聯(lián)系企業(yè)，企業(yè)被動(dòng)提供服務(wù)，這種模式會(huì)使企業(yè)損失許多潛在客戶(hù)價(jià)值。隨著信息技術(shù)的發(fā)展，許多企業(yè)嘗試將信息技術(shù)運(yùn)用到客戶(hù)服務(wù)中，由此出現(xiàn)了客戶(hù)關(guān)系管理（CRM）的概念。在CRM中引入大數(shù)據(jù)分析，能夠幫助企業(yè)進(jìn)行客戶(hù)群分析，發(fā)掘潛在客戶(hù)，預(yù)測(cè)流失客戶(hù)，細(xì)分客戶(hù)群，使企業(yè)能夠主動(dòng)地、有針對(duì)性的制定客戶(hù)服務(wù)策略。文獻(xiàn)[74]提出圍繞客戶(hù)細(xì)分、客戶(hù)支持、交叉營(yíng)銷(xiāo)、客戶(hù)流失預(yù)警等方面，采用關(guān)聯(lián)規(guī)則、聚類(lèi)、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等模型，挖掘客戶(hù)潛在服務(wù)需求，主動(dòng)為客戶(hù)提供相應(yīng)服務(wù)，以創(chuàng)造更大的客戶(hù)價(jià)值。文獻(xiàn)[75]提出用序列模式挖掘的方法分析汽車(chē)用戶(hù)的使用、保養(yǎng)與維修情況，找到其中的特殊規(guī)律，實(shí)現(xiàn)為汽車(chē)用戶(hù)提供個(gè)性化的服務(wù)。文獻(xiàn)[76]提出在制造業(yè)售后服務(wù)中用ID3決策樹(shù)算法分析客戶(hù)評(píng)價(jià)信息，得到產(chǎn)品指標(biāo)綜合滿意度結(jié)果，為企業(yè)質(zhì)量功能展開(kāi)（QFD）的實(shí)現(xiàn)奠定基礎(chǔ)。文獻(xiàn)[77]提出在CRM中應(yīng)用關(guān)聯(lián)規(guī)則和序列分析等方法預(yù)測(cè)客戶(hù)行為，用分類(lèi)和聚類(lèi)方法進(jìn)行客戶(hù)細(xì)分。文獻(xiàn)[78]提出用聚類(lèi)分析對(duì)企業(yè)的客戶(hù)群進(jìn)行細(xì)分，以針對(duì)不同客戶(hù)群制定相應(yīng)的管理策略。文獻(xiàn)[79]提出在制造業(yè)客戶(hù)關(guān)系管理（CRM）中引入聚類(lèi)分析和ID3決策樹(shù)算法，對(duì)客戶(hù)歷史數(shù)據(jù)進(jìn)行分析，預(yù)測(cè)潛在流失客戶(hù)，以幫助企業(yè)提早采取措施挽留客戶(hù)。文獻(xiàn)[80]針對(duì)通信設(shè)備制造業(yè)，用關(guān)聯(lián)規(guī)則（FP-growth）分析不同地區(qū)的銷(xiāo)售特征，以預(yù)測(cè)流失客戶(hù)；針對(duì)C4.5算法處理大量數(shù)據(jù)時(shí)耗時(shí)長(zhǎng)的問(wèn)題，提出自適應(yīng)匹配和交叉驗(yàn)證的改進(jìn)方法，并用改進(jìn)算法判斷會(huì)購(gòu)買(mǎi)增值服務(wù)的客戶(hù)，以發(fā)掘潛在客戶(hù)。

隨著用戶(hù)生成內(nèi)容的大量增長(zhǎng)，在線評(píng)論成為挖掘客戶(hù)對(duì)產(chǎn)品和服務(wù)的意見(jiàn)的極有價(jià)值的來(lái)源。然而，大多數(shù)傳統(tǒng)的意見(jiàn)挖掘方法是粗粒度的，不能理解自然語(yǔ)言。文獻(xiàn)[81]提出一種無(wú)監(jiān)督的方法，從評(píng)論中提取評(píng)價(jià)表達(dá)模式（AEP），它代表了人們對(duì)產(chǎn)品或服務(wù)表達(dá)意見(jiàn)的方式，并且可以被視為方面和情感詞之間的句法關(guān)系的精簡(jiǎn)表示。設(shè)計(jì)基于AEP的潛在狄利克雷分配模型（AEP-LDA），用于層面和情緒詞的識(shí)別。

如今與Web交互的主要方式是通過(guò)瀏覽器通過(guò)以人類(lèi)可讀的方式呈現(xiàn)信息來(lái)操縱信息。然而，向Web上的許多進(jìn)程的自動(dòng)化的演進(jìn)可能導(dǎo)致計(jì)算機(jī)到計(jì)算機(jī)的交互在當(dāng)前的人到計(jì)算機(jī)交互中變得占優(yōu)勢(shì)。文獻(xiàn)[82]提出基于規(guī)劃的服務(wù)組合算法，其與潛在的大規(guī)模服務(wù)廣告目錄動(dòng)態(tài)交互，以便用戶(hù)按需檢索匹配的服務(wù)廣告。

5.2 運(yùn)行狀態(tài)監(jiān)控

對(duì)產(chǎn)品的運(yùn)行狀態(tài)進(jìn)行監(jiān)控，可以幫助企業(yè)掌握產(chǎn)品的運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)問(wèn)題，以便快速制定有針對(duì)性的服務(wù)策略。文獻(xiàn)[83]將聚類(lèi)算法和關(guān)聯(lián)規(guī)則算法相結(jié)合，實(shí)現(xiàn)依據(jù)大量數(shù)據(jù)對(duì)挖掘機(jī)故障關(guān)聯(lián)關(guān)系的概率預(yù)測(cè)，從而進(jìn)行有效地預(yù)防，并為生產(chǎn)商提供數(shù)據(jù)支持；文獻(xiàn)[84]采用基于邏輯數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)挖掘模式，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、K-means聚類(lèi)分析算法和FP-Growth關(guān)聯(lián)規(guī)則算法對(duì)汽車(chē)售后的潛在故障進(jìn)行分析；文獻(xiàn)[85]將維護(hù)工人在進(jìn)行提升機(jī)各個(gè)系統(tǒng)維護(hù)行為之前的監(jiān)控?cái)?shù)據(jù)進(jìn)行刪減和去噪，用所得數(shù)據(jù)訓(xùn)練C4.5決策樹(shù)模型，表征故障隱患；文獻(xiàn)[86]基于模糊神經(jīng)網(wǎng)絡(luò)的智能診斷算法，根據(jù)實(shí)時(shí)獲取的工程起重車(chē)運(yùn)行參數(shù)，實(shí)現(xiàn)對(duì)起重車(chē)遠(yuǎn)程實(shí)時(shí)故障診斷。

隨著設(shè)備故障復(fù)雜程度的不斷加深，具有隱蔽性、突發(fā)性、誘因多、復(fù)雜性和不確定性等特征的隱形故障成為復(fù)雜設(shè)備突發(fā)故障的主要誘因。文獻(xiàn)[87]采用增量更新算法使Ariori關(guān)聯(lián)規(guī)則算法能夠?qū)崟r(shí)快速隨故障數(shù)據(jù)庫(kù)的更新而更新，以更好地對(duì)設(shè)備故障進(jìn)行在線預(yù)警和診斷，然后引入BP神經(jīng)網(wǎng)絡(luò)的方法解決隱形故障這類(lèi)不確定性因素較多的非線性問(wèn)題。

6 結(jié)束語(yǔ)

本文介紹了制造業(yè)大數(shù)據(jù)的概念，討論了制造業(yè)大數(shù)據(jù)的特點(diǎn)、制造業(yè)大數(shù)據(jù)分析的特點(diǎn)與挑戰(zhàn)。本文按制造業(yè)的通用流程將制造業(yè)劃分為設(shè)計(jì)、生產(chǎn)、采購(gòu)、銷(xiāo)售和售后五個(gè)環(huán)節(jié)，闡述了各個(gè)環(huán)節(jié)中主要業(yè)務(wù)場(chǎng)景的任務(wù)需求，并總結(jié)了大數(shù)據(jù)分析模型在這些場(chǎng)景中的應(yīng)用的研究進(jìn)展?？梢钥吹?，在制造業(yè)的諸多業(yè)務(wù)場(chǎng)景中均面臨著復(fù)雜的預(yù)測(cè)、優(yōu)化問(wèn)題，傳統(tǒng)的人工經(jīng)驗(yàn)和統(tǒng)計(jì)分析方法解決這些問(wèn)題的效果有待提高。而大數(shù)據(jù)分析為這些問(wèn)題的解決提供了新的思路，并取得了較為滿意的實(shí)驗(yàn)結(jié)果。

然而，大數(shù)據(jù)技術(shù)在制造業(yè)中的應(yīng)用，還面臨著諸多挑戰(zhàn)。在技術(shù)方面，文中涉及的研究成果多處于實(shí)驗(yàn)階段，其實(shí)驗(yàn)數(shù)據(jù)多為人工篩選和審查的高質(zhì)量數(shù)據(jù)，而實(shí)際生產(chǎn)環(huán)境中面臨著許多數(shù)據(jù)質(zhì)量問(wèn)題。此外，將上述模型和算法部署于實(shí)際場(chǎng)景，還需考慮諸多因素，如模型的通用性、靈活性和魯棒性，以及算法的實(shí)際性能等；在管理方面，研究者和企業(yè)管理人員還需考慮如何將大數(shù)據(jù)分析方案合理整合到企業(yè)的業(yè)務(wù)邏輯中，以使其真正發(fā)揮作用。

[1]Zheng L，Zeng C，Li L，et al. Applying data mining techniques to address critical process optimization needs in advanced manufacturing[C]. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2014：1739-1748.

[2]GE Whitebook. The Case for an Industrial Big Data Platform: Laying the Groundwork for the New Industrial Age[EB/OL]. http://gesoftware.com/Industrial_Big_Data_Platform.pdf，2013.

[3]譚軍，余紹軍. 數(shù)據(jù)挖掘在制造業(yè)中的應(yīng)用[C]. 全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議，2011.

[4]Harding J A，Shahbaz M，Srinivas，et al. Data Mining in Manufacturing: A Review[M]. VDM Verlag Dr. Müller，2006：969-976.

[5]Wang K，Tong S，Eynard B，et al. Review on Application of Data Mining in Product Design and Manufacturing[C]. International Conference on Fuzzy Systems and Knowledge Discovery，2007：613-618.

[6]孟小峰，慈祥. 大數(shù)據(jù)管理:概念、技術(shù)與挑戰(zhàn)[J]. 計(jì)算機(jī)研究與發(fā)展，2013，50（1）：146-169.

[7]Cai-Yan L，You-Fa S. Application of Data Mining in Production Quality Management[J]. International Symposium on Intelligent Information Technology Application：2009：284-287.

[8]張玉東. PG煉鋼廠MES系統(tǒng)數(shù)據(jù)挖掘的設(shè)計(jì)與開(kāi)發(fā)[D]. 成都：電子科技大學(xué)，2011.

[9]Li M，F(xiàn)eng S，Sethi I K，et al. Mining Production Data with Neural Network & CART[C]. IEEE International Conference on Data Mining，2003：731.

[10]駱自超. 基于數(shù)據(jù)挖掘的發(fā)動(dòng)機(jī)缸蓋燃燒室容積制造誤差控制方法研究[D]. 上海：上海交通大學(xué)，2014.

[11]Moghimi M，Saraee M H，Bagheri A. Modeling of batch annealing process using data mining techniques for cold rolled steel sheets[C]. IEEE International Conference on Mechatronics，2011：18-22.

[12]Shi X，Schillings P，Boyd D. Applying artificial neural networks and virtual experimental design to quality improvement of two industrial processes[J]. International Journal of Production Research，2004，42（1）：101-118.

[13]婁小芳. 基于模式識(shí)別和數(shù)據(jù)挖掘的鋁工業(yè)生產(chǎn)節(jié)能降耗研究[D]. 長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2010.

[14]肖溱鴿. 基于數(shù)據(jù)分析的數(shù)控加工工藝參數(shù)能效優(yōu)化方法研究[D]. 重慶：重慶大學(xué)，2016.

[15]宋旭東，劉曉冰，程曉蘭，et al. 鋼鐵企業(yè)生產(chǎn)成本關(guān)鍵工序數(shù)據(jù)挖掘應(yīng)用研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2008（28）：184-186，195.

[16]張健. 服裝制造數(shù)據(jù)協(xié)同與輔助決策系統(tǒng)的研究與設(shè)計(jì)[D]. 蘇州：蘇州大學(xué)，2013.

[17]薛百里. 基于數(shù)據(jù)挖掘技術(shù)的服裝制造標(biāo)準(zhǔn)工時(shí)制定方法研究[D]. 蘇州：蘇州大學(xué)，2015.

[18]謝英星. Apriori算法在模具改模工藝信息處理中的應(yīng)用[J]. 組合機(jī)床與自動(dòng)化加工技術(shù)，2008（6）：80-83.

[19]李霄林. 面向摩托車(chē)智能設(shè)計(jì)的數(shù)據(jù)挖掘系統(tǒng)研究與應(yīng)用[D]. 重慶大學(xué)，2006.

[20]李冠卿. 基于模糊物元的客戶(hù)需求知識(shí)挖掘方法研究[D]. 合肥：合肥工業(yè)大學(xué)，2013.

[21]Aye T T，Yang F，Wang L，et al. Data driven framework for degraded pogo pin detection in semiconductor manufacturing[C]. Industrial Electronics and Applications，2015.

[22]郭龍波. 基于數(shù)據(jù)挖掘方法的冷軋表面質(zhì)量缺陷分析[D]. 馬鞍山：安徽工業(yè)大學(xué)，2012.

[23]Kusiak A，Kurasek C. Data mining of printed-circuit board defects[J]. IEEE Transactions on Robotics & Automation，2001，17（2）：191-196.

[24]Urtubia A，Pérez-Correa J R，Soto A，et al. Using data mining techniques to predict industrial wine problem fermentations[J]. Food Control，2007，18（12）：1512-1517.

[25]Fakharudin A S，Embong A，Hamid R A，et al. Optimisation of fermentation process using data mining techniques for small-medium industry[C]. International Conference on Intelligent and Advanced Systems，2007：273-275.

[26]宋輝. 聚類(lèi)分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)及在工業(yè)中的應(yīng)用[D]. 天津：天津科技大學(xué)，2004.

[27]辛旭明. 基于過(guò)程監(jiān)控的數(shù)據(jù)挖掘系統(tǒng)及其應(yīng)用[D]. 上海：東華大學(xué)，2004.

[28]Chen W C，Tseng S S，Wang C Y. A Novel Manufacturing Defect Detection Method Using Data Mining Approach[C]. Innovations in Applied Artificial Intelligence, International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems, Iea/aie 2004，Ottawa, Canada，May 17-20, 2004. Proceedings，2004：77-86.

[29]Hong S J，Lim W Y，Cheong T，et al. Fault Detection and Classification in Plasma Etch Equipment for Semiconductor Manufacturing $e$-Diagnostics[J]. IEEE Transactions on Semiconductor Manufacturing，2012，25（1）：83-93.

[30]Iflikli C Kahya，Zyirmidokuz E. Implementing a data mining solution for enhancing carpet manufacturing productivity[M]. Elsevier Science Publishers B. V.，2010：783-788.

[31]王成龍. 基于數(shù)據(jù)挖掘技術(shù)的生產(chǎn)調(diào)度問(wèn)題研究[D]. 杭州：浙江大學(xué)，2015.

[32]于藝浩. 基于數(shù)據(jù)的車(chē)間實(shí)時(shí)調(diào)度系統(tǒng)的研究與開(kāi)發(fā)[D]. 沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2013.

[33]徐玉婷. MES車(chē)間生產(chǎn)調(diào)度系統(tǒng)及其數(shù)據(jù)挖掘方法的研究[D]. 南京：南京航空航天大學(xué)，2007.

[34]劉娜. 紡織領(lǐng)域中數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究[D]. 大連海事大學(xué), 2004.

[35]魯釗，陳世平. 基于ID3算法的機(jī)械制造業(yè)決策應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2011（11）：3087-3090.

[36]劉立強(qiáng). 企業(yè)能源管理系統(tǒng)的數(shù)據(jù)整合與處理[D]. 北京交通大學(xué)，2014.

[37]吳波. 造紙過(guò)程能源管理系統(tǒng)中數(shù)據(jù)挖掘與能耗預(yù)測(cè)方法的研究[D]. 華南理工大學(xué)，2012.

[38]桂衛(wèi)華，黃泰松，朱爽. 智能綜合原料庫(kù)存優(yōu)化系統(tǒng)及應(yīng)用[J]. 中南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2001（5）：536-540.

[39]陳青，吳敏，金可音，等. 一種改進(jìn)的進(jìn)化規(guī)劃算法在原料庫(kù)存優(yōu)化中的應(yīng)用[J]. 株洲工學(xué)院學(xué)報(bào)，2005（1）：74-76.

[40]Agard B. Data mining for improvement of product quality[J]. International Journal of Production Research，2006，44（18-19）：4027-4041.

[41]孫宜然，趙嵩正，徐偉. 面向供應(yīng)鏈的制造業(yè)庫(kù)存決策支持系統(tǒng)的分析與設(shè)計(jì)[J]. 工業(yè)工程，2006（3）：75-79.

[42]張晉豫，楊維，張頂立. 基于效用的備品備件優(yōu)化庫(kù)存控制法[J]. 電子學(xué)報(bào)，2010（11）：2708-2712，2714.

[43]姚菲. 制造業(yè)備件庫(kù)存管理優(yōu)化體系研究與應(yīng)用[D]. 北京：北京郵電大學(xué)，2014.

[44]張亮. 數(shù)據(jù)挖掘在機(jī)械制造業(yè)外購(gòu)件供應(yīng)系統(tǒng)的應(yīng)用[D]. 重慶：重慶大學(xué)，2004.

[45]陳承貴. 基于數(shù)據(jù)挖掘技術(shù)倉(cāng)庫(kù)管理系統(tǒng)的應(yīng)用與研究[D]. 成都：電子科技大學(xué)，2009.

[46]鐘金宏，黃玲，李興國(guó)，等. 鋼鐵制造業(yè)信息化集成方案與優(yōu)化技術(shù)研究[J]. 計(jì)算機(jī)應(yīng)用研究，2008（8）：2305-2308.

[47]周超. 生產(chǎn)庫(kù)存配送聯(lián)合優(yōu)化調(diào)度方法[D]. 合肥：合肥工業(yè)大學(xué)，2015.

[48]周明. 基于數(shù)據(jù)挖掘的制造業(yè)采購(gòu)DSS理論及方法研究[D]. 天津：天津大學(xué)，2009.

[49]郭玲. 信息時(shí)代汽車(chē)制造業(yè)協(xié)同采購(gòu)策略研究[D]. 長(zhǎng)春：吉林大學(xué)，2006.

[50]郝立群. 基于數(shù)據(jù)挖掘的煤礦材料成本預(yù)測(cè)研究[D]. 徐州：中國(guó)礦業(yè)大學(xué)，2014.

[51]文小敏，袁清珂，羅小美. ERP決策支持系統(tǒng)中采購(gòu)數(shù)據(jù)倉(cāng)庫(kù)的構(gòu)建與應(yīng)用研究[J]. 現(xiàn)代機(jī)械，2005（2）：27-29.

[52]王建良，杜元?jiǎng)?，徐建? 面向離散制造業(yè)數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用[J]. 微計(jì)算機(jī)信息，2007（33）：10-11，21.

[53]宋建聰. 數(shù)據(jù)挖掘在裝備制造業(yè)質(zhì)量管理中的應(yīng)用研究[D]. 廣州：廣東工業(yè)大學(xué)，2013.

[54]常建濤，仇原鷹，李申，等. 生產(chǎn)計(jì)劃與調(diào)度中的次年產(chǎn)量預(yù)測(cè)方法[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2013（7）：1648-1654.

[55]周志剛. 灰色系統(tǒng)理論與人工神經(jīng)網(wǎng)絡(luò)融合的時(shí)序數(shù)據(jù)挖掘預(yù)測(cè)技術(shù)及應(yīng)用[D]. 成都：成都理工大學(xué)，2006.

[56]華潔，李慶生，尹俠，等. 基于Rough集理論的薄膜蒸發(fā)器產(chǎn)量預(yù)測(cè)[J]. 南京工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2006（3）：94-99.

[57]王鵬鵬，廖小平，鄧建新. ERP環(huán)境下銷(xiāo)售決策支持的研究與實(shí)現(xiàn)[J]. 機(jī)械設(shè)計(jì)與制造，2008（5）：219-221.

[58]邢海霞. 基于時(shí)間序列分析的PVC型材銷(xiāo)售預(yù)測(cè)研究[D]. 大連交通大學(xué)，2010.

[59]劉勝. 基于數(shù)據(jù)挖掘的企業(yè)銷(xiāo)售決策支撐平臺(tái)設(shè)計(jì)[D]. 浙江理工大學(xué)，2015.

[60]江小輝，趙建民，朱信忠. 商業(yè)智能在流行飾品制造業(yè)中的應(yīng)用研究[J]. 信息技術(shù)，2008（6）：33-35.

[61]李燁. 數(shù)據(jù)挖掘技術(shù)在卡車(chē)制造商的客戶(hù)價(jià)值分析應(yīng)用研究[D]. 柳州：廣西科技大學(xué)，2013.

[62]汪奇，黃洪，鄭曉群. 筆記本電腦BTO生產(chǎn)計(jì)劃中關(guān)聯(lián)規(guī)則挖掘的應(yīng)用研究[J]. 商場(chǎng)現(xiàn)代化，2007（36）：30-31.

[63]黃亦弢. 鐘表供應(yīng)鏈管理中智能物料表研究[D]. 廣東工業(yè)大學(xué)，2006.

[64]劉菲. 基于決策樹(shù)技術(shù)的忠誠(chéng)客戶(hù)挖掘研究[D]. 葫蘆島：遼寧工程技術(shù)大學(xué)，2009.

[65]陳力. 大數(shù)據(jù)環(huán)境下集團(tuán)企業(yè)的精細(xì)化營(yíng)銷(xiāo)體系設(shè)計(jì)方法與實(shí)現(xiàn)[D]. 杭州：浙江理工大學(xué)，2016.

[66]阮志林. 基于大批量定制模式的管理信息系統(tǒng)的研究及其應(yīng)用[D]. 長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2005.

[67]王海飛. 基于Hadoop云的數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)海量數(shù)據(jù)處理與挖掘的研究[D]. 杭州：浙江理工大學(xué)，2013.

[68]梁琦，陸劍寶. 傳統(tǒng)制造業(yè)集群的生產(chǎn)性服務(wù)需求——廣東、山西兩地4個(gè)制造業(yè)集群樣本的考察[J]. 管理評(píng)論，2014（11）：169-181.

[69]任榮. 企業(yè)第三方物流信息系統(tǒng)關(guān)鍵技術(shù)及數(shù)據(jù)挖掘關(guān)鍵算法研究[J]. 電子商務(wù)，2012（11）：52-53.

[70]趙利. 基于RFID中間件的海量數(shù)據(jù)集成技術(shù)及其在現(xiàn)代物流決策分析中應(yīng)用研究[D]. 揚(yáng)州：揚(yáng)州大學(xué)，2012.

[71]劉淼. 供應(yīng)鏈環(huán)境下配送優(yōu)化問(wèn)題研究[D]. 大連：大連海事大學(xué)，2013.

[72]曾華. 隨機(jī)顧客和需求的配送優(yōu)化[D]. 濟(jì)南：山東大學(xué)，2012.

[73]李勇. 供應(yīng)鏈中分銷(xiāo)配送優(yōu)化模型及算法研究[D]. 重慶：重慶大學(xué)，2005.

[74]石慧. 基于汽車(chē)服務(wù)業(yè)的服務(wù)挖掘[J]. 上海汽車(chē)，2007（7）：28-30.

[75]蔣渝. 基于XML的汽車(chē)售后服務(wù)信息的數(shù)據(jù)挖掘模型[D]. 重慶：重慶大學(xué)，2003.

[76]沈小淦. 制造業(yè)售后服務(wù)系統(tǒng)的研究與開(kāi)發(fā)[D]. 西安：西安電子科技大學(xué)，2012.

[77]賈玉鋒，胡迎新. 數(shù)據(jù)挖掘在客戶(hù)關(guān)系管理中的應(yīng)用研究[J]. 石家莊鐵道學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2009（2）：31-34.

[78]郭鵬. 數(shù)據(jù)挖掘在市場(chǎng)營(yíng)銷(xiāo)中的應(yīng)用研究[D]. 武漢：武漢理工大學(xué)，2004.

[79]陳思行，陳保鋼. 基于制造業(yè)的CRM的客戶(hù)流失分析[J]. 建設(shè)機(jī)械技術(shù)與管理，2008（3）：106-109.

[80]陳嵩. 通信設(shè)備制造業(yè)CRM中的數(shù)據(jù)挖掘研究[D]. 武漢：武漢理工大學(xué)，2008.

[81]Zheng X，Lin Z，Wang X，et al. Incorporating appraisal expression patterns into topic modeling for aspect and sentiment word identification[J]. Knowledge-Based Systems，2014，61（1）：29-47.

[82]Constantinescu I，Binder W，F(xiàn)altings B. Service Composition with Directories[M]. Springer Berlin Heidelberg，2006：163-177.

[83]武霞. Hadoop平臺(tái)下基于聚類(lèi)和關(guān)聯(lián)規(guī)則算法的工程車(chē)輛故障預(yù)測(cè)研究[D]. 太原：太原科技大學(xué)，2015.

[84]羅洪波. 汽車(chē)售后服務(wù)故障件管理及數(shù)據(jù)挖掘技術(shù)應(yīng)用研究[D]. 成都：西南交通大學(xué)，2008.

[85]王詩(shī). 基于數(shù)據(jù)挖掘技術(shù)的礦用提升機(jī)故障預(yù)警系統(tǒng)的研究[D]. 北京：北京郵電大學(xué)，2009.

[86]范卿. 工程機(jī)械遠(yuǎn)程監(jiān)控系統(tǒng)研究[D]. 長(zhǎng)沙：湖南大學(xué)，2011.

[87]于欣. 基于數(shù)據(jù)挖掘的物流設(shè)備隱性故障預(yù)警模型研究[D]. 秦皇島：燕山大學(xué)，2014.

A Review on the Application of Big Data Analysis in Manufacturing Industry

LIANG Zhiyu，WANG Hongzhi，LI Jianzhong，GAO Hong

( School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China )

The wide application of information technology has led to a rapid growth of data related to production, management and operation in manufacturing industry. Those data are valuable for manufacturing enterprises. The mine of information is conductive to optimizing the management workflow, improving production process, adjusting machining parameters and diagnosing equipment faults, which helps increasing efficiency, reducing costs, maximizing profit, and laying the foundation of intelligent manufacturing. However, there remains a contradiction between large quantity of data and low utilization of them. Consequently, more researchers nowadays focus on applying big data technology to manufacturing industry. The paper aims to review on those researches. Firstly, it explains the concept and characteristics of big data in manufacturing industry, and then discusses the features and challenges of big data analysis. Industrial process can be divided into five stages: design, production, purchase, sales and after-sales service. The researchers explain the typical work scenarios in different stages and summarize the recent researches on application of big data model in those scenarios. Finally, the paper analyzes and evaluates the current research results of industrial big data analysis and discuss the main limitations and deficiencies of those existing studies.

big data；manufacturing industry；data mining；industrial process；intelligent manufacturing

C37

A

10.3969/j.issn.1006-0316.2018.06.001

1006－0316 (2018) 06－0001－13

2018－04－17

國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目（U1509216）；國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016YFB1000703）；國(guó)家自然科學(xué)基金面上項(xiàng)目（61472099、61602129）

梁志宇（1994－），男，北京人，博士研究生，主要研究方向?yàn)楣I(yè)大數(shù)據(jù)；王宏志（1978－），男，遼寧丹東人，博士，教授、博士生導(dǎo)師，主要研究方向?yàn)榇髷?shù)據(jù)管理與分析；李建中（1950－），男，黑龍江哈爾濱人，教授、博士生導(dǎo)師，主要研究方向?yàn)榇髷?shù)據(jù)、物聯(lián)網(wǎng)；高宏（1966－），女，遼寧鐵嶺人，博士，教授、博士生導(dǎo)師，主要研究方向?yàn)榇髷?shù)據(jù)、物聯(lián)網(wǎng)。