摘? 要：在分析智能工廠國(guó)內(nèi)外研究現(xiàn)狀基礎(chǔ)上，對(duì)基于大數(shù)據(jù)的智能工廠數(shù)據(jù)平臺(tái)架構(gòu)技術(shù)展開研究，為智能生產(chǎn)的運(yùn)行分析、預(yù)測(cè)、決策調(diào)控以及數(shù)字孿生信息物理融合提供技術(shù)參考。探討了智能工廠定義與內(nèi)涵，以及智能工廠大數(shù)據(jù)來(lái)源和特征，采用Hadoop、Spark、Storm熱門開源大數(shù)據(jù)計(jì)算引擎，提出了數(shù)據(jù)來(lái)源層、數(shù)據(jù)傳輸層、數(shù)據(jù)存儲(chǔ)層、資源管理層、處理分析層以及業(yè)務(wù)應(yīng)用層構(gòu)成的智能工廠大數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)，有效解決智能工廠大數(shù)據(jù)多源復(fù)雜性和實(shí)時(shí)性的要求和難點(diǎn)。所提數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)將對(duì)智能制造和智能工廠的實(shí)現(xiàn)具有重要的借鑒價(jià)值。

關(guān)鍵詞：大數(shù)據(jù);智能工廠;數(shù)字孿生

中圖分類號(hào)：TP311.5? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Design and Research of Data Platform Architecture for Intelligent

Factories Based on Big Data

CHANG Jingru

（Department of Software Engineering，Dalian Neusoft University of Information，Dalian 116023，China）

Abstract：Based on the analysis of the existing research status of intelligent factories at home and abroad，this paper studies the data platform architecture technology for intelligent factories based on big data，providing technical reference for the operation analysis，prediction，decision control and the fusion of information and physics of digital twins of intelligent production.The paper not only discusses the definition and connotation of intelligent factory，intelligent factory big data source and characteristics，but also puts forward by using Hadoop+Spark+Storm the big data platform technology architecture of intelligent factory which includes the data source layer，the data transfer layer，the data storage layer，the resource management layer，the processing and analysis layer，and the business application layer.The technology architecture of the data platform will have important reference value for the realization of intelligent manufacture and intelligent factories.

Keywords：big data;intelligent factory;Digital Twin

1? ?引言（Introduction）

隨著物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等新興技術(shù)快速發(fā)展，制造業(yè)掀起了信息化、自動(dòng)化、智能化為發(fā)展方向的新一輪革命浪潮，近年來(lái)引起了世界各國(guó)的極大關(guān)注。

以美國(guó)和德國(guó)為首的歐美發(fā)達(dá)國(guó)家在新形勢(shì)下制定了一系列制造業(yè)規(guī)劃。美國(guó)自2009年陸續(xù)推出一系列工業(yè)戰(zhàn)略規(guī)劃和工業(yè)互聯(lián)網(wǎng)概念，以通用（GE）公司為代表，并于2012年發(fā)布了《工業(yè)互聯(lián)網(wǎng)：打破智慧與機(jī)器》產(chǎn)業(yè)政策報(bào)告;2013年漢諾威工業(yè)博覽會(huì)上德國(guó)政府提出為了“工業(yè)4.0”戰(zhàn)略落地，西門子公司已將工業(yè)4.0概念引入其生產(chǎn)控制系統(tǒng)和工業(yè)軟件開發(fā)中。

針對(duì)以上挑戰(zhàn)，中國(guó)政府于2015年提出“中國(guó)制造2025規(guī)劃”，促進(jìn)以云計(jì)算、大數(shù)據(jù)等新一代信息化技術(shù)與現(xiàn)代制造業(yè)的深度融合與創(chuàng)新。學(xué)術(shù)研究方面，吉旭等提出高分子材料行業(yè)云計(jì)算與大數(shù)據(jù)云制造架構(gòu)和關(guān)鍵技術(shù)[1];張潔等提出大數(shù)據(jù)驅(qū)動(dòng)的“關(guān)聯(lián)+預(yù)測(cè)+調(diào)控”的智能車間分析、決策新模式[2];王建民分析工業(yè)大數(shù)據(jù)來(lái)源并歸納大數(shù)據(jù)管理分析關(guān)鍵技術(shù)[3];陶飛等提出基于大數(shù)據(jù)傳輸與連接的數(shù)字孿生五維模型及其10大應(yīng)用領(lǐng)域[4]。

基于以上背景，本文針對(duì)智能工廠數(shù)據(jù)平臺(tái)問題展開研究，深入探討基于大數(shù)據(jù)的智能工廠數(shù)據(jù)平臺(tái)技術(shù)框架體系，以求從海量數(shù)據(jù)中挖掘有價(jià)值的信息來(lái)指導(dǎo)智能工廠的運(yùn)行和優(yōu)化。

2? ?智能工廠（Intelligent factory）

2.1? ?智能工廠的定義

相對(duì)于傳統(tǒng)制造業(yè)而言，智能制造是其轉(zhuǎn)型和升級(jí)，即在制造過程中進(jìn)行分析、推理、判斷和決策等智能化活動(dòng)，以人為核心地位的同時(shí)實(shí)現(xiàn)人機(jī)一體化;實(shí)現(xiàn)智能制造的關(guān)鍵是智能工廠的建立和實(shí)施。智能工廠的定義最早在德國(guó)“工業(yè)4.0”中提出，即利用物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等新興技術(shù)，通過傳感器、網(wǎng)絡(luò)等將機(jī)器、設(shè)備、人員和軟件程序連接起來(lái)并逐漸融合，以高效監(jiān)控、采集、處理和分析數(shù)據(jù)，實(shí)現(xiàn)加工過程、信息管理以及服務(wù)的智能化，構(gòu)建高效、節(jié)能、綠色的人性化工廠。

2.2? ?智能工廠的實(shí)施

實(shí)現(xiàn)智能工廠的第一要點(diǎn)是使用物聯(lián)網(wǎng)將“黑暗數(shù)據(jù)”即未使用的數(shù)據(jù)關(guān)聯(lián)起來(lái)，并將其轉(zhuǎn)化為有用信息系統(tǒng)，從而快速響應(yīng)消費(fèi)者需求變化和市場(chǎng)的突變，實(shí)現(xiàn)敏捷式需求驅(qū)動(dòng)型制造模式。

智能工廠實(shí)施的第一步是將車間的系統(tǒng)連接起來(lái);由于在物聯(lián)網(wǎng)技術(shù)出現(xiàn)之前，企業(yè)的多數(shù)現(xiàn)有設(shè)備已部署完畢，且無(wú)內(nèi)置連接功能，目前缺乏通用的通信標(biāo)準(zhǔn)支持傳統(tǒng)設(shè)備與物聯(lián)網(wǎng)進(jìn)行互操作，但是在物聯(lián)網(wǎng)開放平臺(tái)上將傳統(tǒng)設(shè)備與中間件連接的生態(tài)系統(tǒng)方案已成功上市，且OPAF、IIC等組織和英特爾等IT巨頭廠商正在加緊制定開放的物聯(lián)網(wǎng)標(biāo)準(zhǔn)。

為了應(yīng)用高級(jí)分析發(fā)掘數(shù)據(jù)的巨大價(jià)值，智能工廠實(shí)施的第二步為采集、存儲(chǔ)、預(yù)處理、分析數(shù)據(jù);多數(shù)現(xiàn)有設(shè)備可生成海量數(shù)據(jù)，但由于數(shù)量過多，這些數(shù)據(jù)無(wú)法發(fā)回?cái)?shù)據(jù)中心進(jìn)行快速分析;為了提取最重要的信息，在終端分析或霧計(jì)算策略中，在流數(shù)據(jù)采集點(diǎn)、網(wǎng)關(guān)、云端或它們之間的任何位置部署算法來(lái)實(shí)施高性能計(jì)算，從而評(píng)估需要的數(shù)據(jù)和不需要的數(shù)據(jù)。

3? ?大數(shù)據(jù)（Big data）

3.1? ?大數(shù)據(jù)概念

在舍恩伯格編寫的《大數(shù)據(jù)時(shí)代》中，大數(shù)據(jù)指不用隨機(jī)分析法（抽樣調(diào)查）這樣捷徑，而采用所有數(shù)據(jù)進(jìn)行分析處理;具有大量化、高速化、多樣化、價(jià)值化等多重屬性。

大數(shù)據(jù)在不同層面需要不同技術(shù);數(shù)據(jù)采集層需要利用ETL工具將分布、異構(gòu)數(shù)據(jù)源中數(shù)據(jù)抽取到臨時(shí)中間層，完成清洗、轉(zhuǎn)換等數(shù)據(jù)預(yù)處理工作后加載入數(shù)據(jù)倉(cāng)庫(kù)或集市中;數(shù)據(jù)存儲(chǔ)層需利用分布式文件系統(tǒng)、數(shù)據(jù)倉(cāng)庫(kù)、關(guān)系/非關(guān)系數(shù)據(jù)庫(kù)等，實(shí)現(xiàn)各種數(shù)據(jù)的存儲(chǔ)、管理;數(shù)據(jù)處理和分析層需結(jié)合機(jī)器學(xué)習(xí)和挖掘算法，利用計(jì)算框架引擎實(shí)現(xiàn)對(duì)大規(guī)模數(shù)據(jù)的分析和處理，并可視化呈現(xiàn)分析結(jié)果。其兩大核心關(guān)鍵技術(shù)包括分布式存儲(chǔ)和分布式處理，從而容忍時(shí)間內(nèi)有效地處理大規(guī)模數(shù)據(jù)。

3.2? ?智能工廠的大數(shù)據(jù)來(lái)源

智能工廠的大數(shù)據(jù)來(lái)源主要包括：企業(yè)信息化數(shù)據(jù)、工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)、“跨界”數(shù)據(jù)[5]，具體如圖1所示。

作為傳統(tǒng)的工業(yè)數(shù)據(jù)資產(chǎn)庫(kù)，企業(yè)信息化數(shù)據(jù)主要來(lái)自PLM（產(chǎn)品全生命周期管理系統(tǒng)）、MES（制造執(zhí)行系統(tǒng)）、ERM（企業(yè)資源管理系統(tǒng)）、PQM（產(chǎn)品質(zhì)量管理系統(tǒng)）、CRM（客戶關(guān)系管理系統(tǒng)）等，這部分?jǐn)?shù)據(jù)從原材料入庫(kù)、加工、檢驗(yàn)到出廠流通，貫穿產(chǎn)品全生命周期和整個(gè)價(jià)值鏈，往往具有高價(jià)值密度。

隨著數(shù)控機(jī)床、工業(yè)機(jī)器人、傳感器、RFID等智能設(shè)備和感知網(wǎng)絡(luò)的廣泛使用，工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)不僅包括物料參數(shù)、刀具狀態(tài)、工況負(fù)載等生產(chǎn)實(shí)時(shí)數(shù)據(jù)，還包括污染物、有害氣體等作業(yè)環(huán)境實(shí)時(shí)數(shù)據(jù)，實(shí)現(xiàn)所有生產(chǎn)數(shù)據(jù)和過程數(shù)據(jù)的統(tǒng)一管理。

隨著互聯(lián)網(wǎng)與工業(yè)制造的不斷融合，除了來(lái)自制造業(yè)的內(nèi)部大數(shù)據(jù)之外，還包括影響企業(yè)生產(chǎn)和運(yùn)營(yíng)的外部“跨界”數(shù)據(jù)，比如氣象數(shù)據(jù)、地理信息數(shù)據(jù)、政策數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、法律法規(guī)數(shù)據(jù)等。

3.3? ?智能工廠的大數(shù)據(jù)特征

智能工廠數(shù)據(jù)多樣化、多元化、異構(gòu)化，且處理場(chǎng)景復(fù)雜多變，因此其數(shù)據(jù)呈現(xiàn)典型的大數(shù)據(jù)3V特征：大量化、多樣性、高速性;具體體現(xiàn)如下：（1）大量化，以乳制品質(zhì)檢為例，依據(jù)質(zhì)檢信息管理系統(tǒng)中1400種質(zhì)檢方法的電子記錄和計(jì)算，一包牛奶從原料入庫(kù)到消費(fèi)者手中，經(jīng)過35個(gè)工序和105個(gè)檢測(cè)環(huán)節(jié)，每天有超過1GB的數(shù)據(jù)潮涌般在質(zhì)檢系統(tǒng)中流轉(zhuǎn);（2）多樣性，以乳制品生產(chǎn)為例，既存在灌裝機(jī)、殺菌機(jī)等設(shè)備的運(yùn)行時(shí)間、轉(zhuǎn)速等運(yùn)行參數(shù)和乳品液體流量、壓力、溫度等結(jié)構(gòu)化數(shù)據(jù)，也包括像乳制品特殊材料結(jié)構(gòu)表、可編輯邏輯控制器（PLC）控制程序等半結(jié)構(gòu)化數(shù)據(jù)，還有像碼垛機(jī)器人的三維立體模型、乳品質(zhì)檢圖表、物流運(yùn)貨小車監(jiān)控視頻等非結(jié)構(gòu)化數(shù)據(jù);（3）高速性，智能工廠中PLC、傳感器等設(shè)備在極短時(shí)間窗口內(nèi)對(duì)生產(chǎn)過程進(jìn)行不間斷采樣，產(chǎn)生的數(shù)據(jù)流按時(shí)間序列如潮水般涌入數(shù)據(jù)庫(kù)中，以乳制品灌裝生產(chǎn)線為例，PLC按照1S的采樣間隔不斷產(chǎn)生灌裝盒定位、液體流量和罐裝容量等監(jiān)控?cái)?shù)據(jù)。

4 智能工廠數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)（Technology architecture of intelligent factory data platform）

大數(shù)據(jù)處理包括復(fù)雜批數(shù)據(jù)處理、基于歷史數(shù)據(jù)的交互查詢和挖掘、實(shí)時(shí)數(shù)據(jù)流處理、圖結(jié)構(gòu)數(shù)據(jù)處理，智能工廠實(shí)際應(yīng)用同時(shí)存在以上幾種場(chǎng)景，因此采用當(dāng)前熱門Hadoop、Spark、Storm開源計(jì)算引擎，也是Apache軟件基金會(huì)最重要三大分布式框架。

基于以上內(nèi)容，形成如圖2所示（Ambari和Zookeeper管理涵蓋的范圍）的智能工廠數(shù)據(jù)平臺(tái)架構(gòu)。自底向上分為數(shù)據(jù)來(lái)源層、數(shù)據(jù)傳輸層、數(shù)據(jù)存儲(chǔ)層、資源管理層、處理分析層和業(yè)務(wù)應(yīng)用層，數(shù)據(jù)從下到上流動(dòng);下面就每層分別展開詳細(xì)介紹。

data platform

4.1 數(shù)據(jù)來(lái)源層

數(shù)據(jù)來(lái)源層即數(shù)據(jù)提供者，主要負(fù)責(zé)實(shí)時(shí)可靠的產(chǎn)生、采集、獲取智能工廠范圍內(nèi)的多源異構(gòu)數(shù)據(jù);由于工業(yè)生產(chǎn)線處于高速運(yùn)轉(zhuǎn)，工業(yè)設(shè)備產(chǎn)生數(shù)據(jù)類型多是非結(jié)構(gòu)化數(shù)據(jù)，且對(duì)數(shù)據(jù)的實(shí)時(shí)性要求也更高。該層面向工廠物理制造資源，主要包括智能機(jī)床、工業(yè)機(jī)器人、計(jì)算機(jī)軟件、智能終端等，通過在制造資源上安裝和配置工業(yè)傳感器、RFID標(biāo)簽、二維碼、條形碼采集數(shù)據(jù)，并通過有線互聯(lián)網(wǎng)、無(wú)線互聯(lián)網(wǎng)、GSM網(wǎng)、紅外、藍(lán)牙等基礎(chǔ)網(wǎng)絡(luò)設(shè)施連接這些生產(chǎn)制造資源，按照物聯(lián)網(wǎng)協(xié)議進(jìn)行數(shù)據(jù)傳輸和交換。

4.2? ?數(shù)據(jù)傳輸層

數(shù)據(jù)傳輸層位于數(shù)據(jù)來(lái)源層與數(shù)據(jù)存儲(chǔ)層之間，是智能工廠各種數(shù)據(jù)源的數(shù)據(jù)進(jìn)入大數(shù)據(jù)系統(tǒng)的第一步，負(fù)責(zé)將外部數(shù)據(jù)源的數(shù)據(jù)導(dǎo)入像HDFS、HBase的持久層中;常用的技術(shù)包括：Flume、Sqoop、Kafka等。

Flume和Sqoop主要負(fù)責(zé)各種靜態(tài)數(shù)據(jù)的采集與傳輸，允許用戶將數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫(kù)抽取到Hadoop中，一旦生成最終的分析結(jié)果，Sqoop便可以將這些結(jié)果導(dǎo)回?cái)?shù)據(jù)存儲(chǔ)器。例如數(shù)控機(jī)床加工車間管理系統(tǒng)負(fù)責(zé)生產(chǎn)制造單元一個(gè)階段的動(dòng)作規(guī)劃并分配資源，通常是一至幾個(gè)小時(shí)，從而處理批量生產(chǎn);其信息數(shù)據(jù)包括制造單元的位置、其間路由、批量制造所需的工具、材料清單、零件庫(kù)存量以及單元操作狀態(tài)等。

由于制造實(shí)時(shí)數(shù)據(jù)流傳輸需要很強(qiáng)的高可用性的輸入管道，優(yōu)先使用Kafka負(fù)責(zé)實(shí)時(shí)流數(shù)據(jù)的傳輸和導(dǎo)入。例如智能機(jī)床內(nèi)置的傳感器傳感監(jiān)測(cè)刀具的運(yùn)動(dòng)速度、加速度、軌跡坐標(biāo)、溫度等實(shí)時(shí)數(shù)據(jù)的傳輸;智能車間的網(wǎng)絡(luò)監(jiān)控實(shí)時(shí)數(shù)據(jù)，快速持續(xù)到達(dá)，必須采用實(shí)時(shí)采集和計(jì)算，且響應(yīng)時(shí)間為秒級(jí)甚至毫秒級(jí)。

4.3? ?數(shù)據(jù)存儲(chǔ)層

數(shù)據(jù)存儲(chǔ)層負(fù)責(zé)存儲(chǔ)海量的非結(jié)構(gòu)化和半結(jié)構(gòu)化的松散數(shù)據(jù)，對(duì)大型數(shù)據(jù)實(shí)現(xiàn)隨機(jī)和實(shí)時(shí)的讀寫訪問。該層包括Hadoop的核心組件分布式文件存儲(chǔ)系統(tǒng)HDFS，以及Spark生態(tài)系統(tǒng)的分布式內(nèi)存文件存儲(chǔ)Tachyon、Hadoop的實(shí)時(shí)查詢框架HBase。

HDFS作為Hadoop生態(tài)圈的基礎(chǔ)，適合運(yùn)行于廉價(jià)計(jì)算機(jī)集群上，以一次寫入、多次讀取的流數(shù)據(jù)形式存儲(chǔ)超大文件。

Tachyon是一個(gè)高性能、高容錯(cuò)、基于內(nèi)存的開源分布式存儲(chǔ)系統(tǒng)，能夠?yàn)榧嚎蚣躍park提供內(nèi)存級(jí)速度的跨集群文件共享服務(wù);被部署在計(jì)算平臺(tái)Spark之下和文件存儲(chǔ)系統(tǒng)HDFS之上。

HBase是一個(gè)高可靠、高性能、面向列的NoSQL分布式數(shù)據(jù)庫(kù);利用HDFS作為其文件存儲(chǔ)系統(tǒng)，利用Zookeeper作為協(xié)同服務(wù)。由于智能工廠的數(shù)據(jù)復(fù)雜性、來(lái)源的多樣性，在數(shù)據(jù)庫(kù)表的設(shè)計(jì)上，不同的數(shù)據(jù)源產(chǎn)生的數(shù)據(jù)，存放在不同的數(shù)據(jù)表中;同時(shí)為了提高數(shù)據(jù)訪問性能并實(shí)現(xiàn)毫秒級(jí)響應(yīng)，根據(jù)業(yè)務(wù)需求和存儲(chǔ)要求設(shè)計(jì)每張表行鍵。

4.4? ?資源管理層

為了實(shí)現(xiàn)計(jì)算框架統(tǒng)一部署和運(yùn)行，它們都部署在Hadoop 2.0的資源管理框架YARN上;YARN作為一種通用資源管理系統(tǒng)，為數(shù)據(jù)處理層提供資源的統(tǒng)一管理和調(diào)度;從而實(shí)現(xiàn)計(jì)算資源的按需彈性伸縮（支持一萬(wàn)個(gè)計(jì)算節(jié)點(diǎn)和二十萬(wàn)個(gè)內(nèi)核集群）、不用負(fù)載應(yīng)用混搭、通過共享底層存儲(chǔ)而避免數(shù)據(jù)跨集群遷移等。

4.5? ?處理分析層

處理分析層負(fù)責(zé)大數(shù)據(jù)的處理工作，利用各種計(jì)算框架編寫代碼模型實(shí)現(xiàn)智能工廠大數(shù)據(jù)預(yù)處理、數(shù)據(jù)關(guān)聯(lián)分析、數(shù)據(jù)挖掘等，從而揭示和實(shí)現(xiàn)制造數(shù)據(jù)時(shí)序演化規(guī)律、制造設(shè)備性能預(yù)測(cè)、任務(wù)決策調(diào)控等;分布式并行計(jì)算框架包括內(nèi)存計(jì)算框架Spark、流計(jì)算框架Storm。

Spark負(fù)責(zé)智能工廠中企業(yè)信息化數(shù)據(jù)離線批量處理工作，任務(wù)時(shí)間跨度一般為月/天/時(shí)級(jí);Spark SQ負(fù)責(zé)智能工廠中企業(yè)信息化數(shù)據(jù)和互聯(lián)網(wǎng)“跨界”數(shù)據(jù)中基于歷史數(shù)據(jù)的交互式查詢，組件GraphX負(fù)責(zé)圖結(jié)構(gòu)數(shù)據(jù)的處理工作;MLib負(fù)責(zé)數(shù)據(jù)挖掘且提供各種算法模型，例如分類中邏輯回歸、貝葉斯等算法，聚類中K-Means、模糊K均值等算法，機(jī)器學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)、最小二乘法、深度學(xué)習(xí)等算法，任務(wù)時(shí)間跨度一般為分鐘/秒級(jí);Spark Streaming庫(kù)負(fù)責(zé)秒級(jí)數(shù)據(jù)流的處理與分析。

Storm是一個(gè)免費(fèi)、開源的分布式實(shí)時(shí)計(jì)算系統(tǒng)，可以簡(jiǎn)單、高效、可靠地處理流數(shù)據(jù);由于其毫秒級(jí)實(shí)時(shí)響應(yīng)速度，Storm主要負(fù)責(zé)智能工廠中工業(yè)物聯(lián)網(wǎng)流數(shù)據(jù)的并行計(jì)算工作，例如機(jī)床刀具運(yùn)行狀態(tài)的實(shí)時(shí)分析、車間管理系統(tǒng)的實(shí)時(shí)報(bào)警等任務(wù)。

4.6? ?業(yè)務(wù)應(yīng)用層

大數(shù)據(jù)已經(jīng)應(yīng)用于人類社會(huì)的各行各業(yè)，擁有大數(shù)據(jù)不是目的，應(yīng)用高級(jí)分析發(fā)掘數(shù)據(jù)的巨大價(jià)值才是關(guān)鍵。由企業(yè)信息化數(shù)據(jù)、工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)和跨界數(shù)據(jù)匯聚成的工業(yè)大數(shù)據(jù)蘊(yùn)含著許多工業(yè)生產(chǎn)規(guī)律，猶如一塊“金礦”蘊(yùn)藏著無(wú)限財(cái)富價(jià)值;工業(yè)大數(shù)據(jù)在工業(yè)生產(chǎn)過程監(jiān)控、生產(chǎn)任務(wù)調(diào)度、工業(yè)生產(chǎn)設(shè)備故障診斷及預(yù)測(cè)、網(wǎng)絡(luò)協(xié)同制造等方面具有廣泛應(yīng)用。

例如作為“工業(yè)之母”的高端數(shù)控機(jī)床，通過傳感器感知的溫度、運(yùn)動(dòng)坐標(biāo)、速度、加速度、聲發(fā)射信號(hào)等實(shí)時(shí)數(shù)據(jù)可動(dòng)態(tài)控制和優(yōu)化下一步切/削/銑進(jìn)刀參數(shù)、預(yù)測(cè)刀具破損和磨損狀態(tài)、分析能耗情況等。

5? ?結(jié)論（Conclusion）

本文在分析智能工廠大數(shù)據(jù)來(lái)源、特征，以及各種復(fù)雜處理場(chǎng)景基礎(chǔ)上，基于目前流行的Hadoop、Spark、Storm三大分布式開源計(jì)算框架設(shè)計(jì)和研究了智能工廠大數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)，并提出了數(shù)據(jù)來(lái)源層、數(shù)據(jù)傳輸層、數(shù)據(jù)存儲(chǔ)層、資源管理層、處理分析層以及業(yè)務(wù)應(yīng)用層。后續(xù)將立足于提高企業(yè)生產(chǎn)率、提高產(chǎn)品質(zhì)量和設(shè)備可靠性，以智能化程度較高高端數(shù)控機(jī)床加工工廠為背景，逐步搭建、實(shí)現(xiàn)以及優(yōu)化以上大數(shù)據(jù)技術(shù)平臺(tái)，從而高效采集、處理和分析數(shù)控機(jī)床的主軸震動(dòng)、溫度、噪聲、轉(zhuǎn)速、進(jìn)給量、信號(hào)量[5]等，以診斷故障發(fā)生部位、判斷故障性質(zhì)和類型、分析故障原因，并預(yù)測(cè)故障風(fēng)險(xiǎn)概率和不良產(chǎn)品概率，為數(shù)控機(jī)床的可靠性和設(shè)備維修提供重要借鑒價(jià)值。

參考文獻(xiàn)（References）

[1] 吉旭，鐘淦基，于洋，等.高分子材料行業(yè)云制造的關(guān)鍵技術(shù)及應(yīng)用[J].計(jì)算機(jī)集成制造系統(tǒng)，2015，21（11）：3072-3078.

[2] 張潔，高亮，秦威，等.大數(shù)據(jù)驅(qū)動(dòng)的智能車間運(yùn)行分析與決策方法體系[J].計(jì)算機(jī)集成制造系統(tǒng)，2016，22（5）：1220-1228.

[3] 王建民.工業(yè)大數(shù)據(jù)技術(shù)[J].電信網(wǎng)技術(shù)，2016，8（8）：1-5.

[4] 陶飛，劉蔚燃，劉檢華，等.數(shù)字孿生及其應(yīng)用探索[J].計(jì)算機(jī)集成制造系統(tǒng)，2018，24（1）：1-17.

[5] 郭安，于東，胡毅.信息物理融合技術(shù)在機(jī)床故障診斷系統(tǒng)的應(yīng)用研究[J].小型微型計(jì)算機(jī)系統(tǒng)，2017，4（4）：896-900.

作者簡(jiǎn)介：

常鏡洳（1983-），女，博士，講師.研究領(lǐng)域：智能工廠生產(chǎn)調(diào)度，大數(shù)據(jù).