当前位置： 信息机 >> 信息机优势 >> 科技思考智能制造企业运行质量数据类型与特
科技思考：智能制造企业运行质量数据类型与特征分别有哪些？总的来说，智能制造企业通过投入大量数据采集设备和传感装置，结合自动化和网络化等多种现代前沿技术，采用智慧物联和人机交互等方式，获取大量企业运行质量数据，这些海量数据给企业生产调度、制造资源分配、性能预测分析等提供了数据基础。
一、灰信息数据特征随着信息化和数字化时代的到来，海量信息由于受环境急剧变化的影响，导致不能直接描述出系统的真实特点。系统中有价值的信息通常也非常有限，常常出现数据间关联效应在短期序列上明显，而随着时间序列的延长，关联效应逐渐弱化的特点，数据序列的发展也越来越复杂化。
因此，使用单一和长期的观测值去描述某一对象是越来越困难的，数据序列也朝着模糊化、多样化的方向发展。灰信息数据是灰色系统的基本单元，是表征在某个区间或数集内取值不确定的数，而这个区间或者数值被称为灰数的信息覆盖。
灰信息数据主要包括离散覆盖灰数、连续覆盖灰数、语言覆盖灰数和形态灰数等。离散覆盖灰数是指在某个离散数集内取值的灰数，它的信息覆盖通常为某个离散数集；连续覆盖灰数是指在某一区间内连续取值的灰数；语言覆盖灰数是指信息覆盖是语言模糊数的灰数；形态灰数是指信息覆盖为某个白化函数的灰数。
智能制造系统具有明显的灰信息特征。智能制造企业的现代运行过程复杂程度和智能化程度均较高，因此影响产品质量的过程因素往往有很多。有些因素是确定因素，例如设备利用率、工序良率、设备故障停几率、平均生产周期等；有些因素具有随机性和不稳定性，难以用单一实数值表达其运行特性，例如室内温度、湿度、每日生产数量、员工满意度等。
以半导体企业为例，每日产品生产数量可能在某一区间内随机取值，因此每日产品生产数量是离散覆盖灰数。在半导体企业生产环境中，生产的温度和湿度是影响产品质量的关键因素，要求温度在22~24℃，湿度在40%-50%之间，即取值为某范围，因此生产的温度和湿度是连续覆盖灰数。员工满意度通常用满意、中等、不满意之类的语言或者将此语言转化为三角模糊数去表达，因此属于语言覆盖灰数。
二、多源异构数据特征随着现代制造业向着自动化、信息化、智能化方向快速发展，企业在运行过程中会产生大量的多源异构数据。多源异构数据更加强调数据的种类多样和来源多样。多源异构数据主要也包含三种数据类型，分别是时序数据、业务数据、非结构化数据。
时序数据是指在智能制造企业在生产流程中，自动化生产设备、自动化控制设备、传感器等设备产生的数据，主要包括生产工艺参数、生产设备运行参数等数据。比如，在工业生产设备的电流、电压、功率等数据；在工业产品生产过程中的副产品二氧化硫、氮氧化物、烟尘废弃等浓度数据等。它们的主要特点是具有趋势性和周期性。
业务数据主要是由企业的生产过程执行管理系统、企业资源计划系统和能源管理系统所产生，是企业管理数据的重要来源。非结构化数据是指大量的产品表面图像、音视、视频等数据。以制造企业的生产管理流程和质量管理流程为例，为了保障企业生产的正常运行，需要连接与企业资源计划系统之间的接口，收集产品订单、工艺规格等数据信息，同时还需要与能源管理系统连接，获取原料数据。
而在质量管理流程中，质量管理系统需与企业生产过程执行管理系统通讯，收集生产相关数据，对全生产过程的多源异构质量数据进行集成。由于多源异构数据的多来源和多种类特性，因此常常包含了不同的数据结构，如实数、区间模糊数、三角模糊数和模糊语言等。
例如，在智能制造企业运行质量的决策矩阵中，会考虑劳动生产率、总资产周转率，专利数量、污染物排放程度、制造研发投入强度等评价指标。某些评价指标的可以通过实数表示，如劳动生产率、总资产周转率，专利数量等指标。而污染物排放程度、制造研发投入强度等指标可能很难用实数去进行准确表达，因此使用区间模糊数、三角模糊数或模糊语言进行度量会更加客观。
三、高维信息数据特征制造业的高维大数据被认为富含经济社会价值，是智能制造产业高速发展的动力来源。智能制造企业的高维大数据来源涉及到产品全生命周期管理的多个环节，如产品研发设计、生产制造、物流配送、市场销售、售后服务等。
同时也包含了众多相关的工业信息化应用，如传感设备、生产过程执行管理、企业资源计划系统、计算机辅助系统、产品数据管理系统、供应链管理系统、客户关系管理系统等，数据的来源和种类也丰富多样。智能制造背景下的大数据具有典型的大数据“4V”特点，主要表现为以下四个方面:
第一，数据量大。由于设备传感数据的广泛接入，部分制造企业的数据量会出现爆发性增长，可以达到EB级别；
第二，快速化。数据需要在一定的时间限度下得到及时处理，避免数据丢失或数据价值降低；
第三，模态多样。大数据的数据类型种类繁多，包括有各类业务信息系统中的结构化数据；经营文件、作业指导书、质检报告等半结构化数据；生产管理监控视频、测试音频等非结构化数据。
第四，价值密度低。大数据的价值密度分布不均匀，存在“二八法则”：80%价值密度由20%的结构化数据决定，而20%的价值密度由80%的非结构化数据决定。
虽然大数据的价值密度低，但其蕴含着巨大的价值信息。此外制造大数据还具有数据间相关性强，对数据的实时收集、存储和处理要求高等特征。高维大数据更加强调数据的高维度。
对于智能制造企业来讲，它的影响因素有很多，包含宏观政策因素、企业决策因素和市场环境因素等，因此产生的数据具有高维化和多量化的特点。高维大数据更加具有稀疏性和维度灾难的特点，它的维度虽然多，然而真正有价值的信息少。因此对高维大数据进行降维是数据处理中重要一步。
述（最多18字四、多参数监测数据特征多参数监测数据具有数据量大，可实时监控等特点。由于智能制造企业的运行过程中是将新一代信息技术结合，通过物理车间和车间信息系统的实时数据高度融合，实现车间中人、机、物、环境等要素全流程在网络环境下的集成融合，具有智能设备监控、智能故障诊断等多种功能。
因此在智能制造企业运行过程中会产生多参数监控数据。而对多参数监测数据的管理，主要是通过智能制造的实时监控系统。随着MES系统的逐步实施与推广，实时监控系统已经在智能制造企业中得到了充分的应用。智能制造实时监控系统作为MES系统中重要组成部分，能够储存企业生产制造过程中所产生的大量参数监测数据。
维持企业运行车间控制层和计划管理层之间的双向通讯能力，实现下层过程监控系统与上层计划管理系统之间的信息共享，将生产制造过程与计划管理融合在一起，有效帮助企业避免在信息化和数字化过程中出现的信息断层、信息孤岛等问题，从而对车间生产过程进行分析。
实时监控系统为了实时跟踪企业的实际生产制造过程和机器的运行情况，需要对多参数监测数据进行实时采集、加工、计算、分析，传输、及时解决实时事故并传达给企业的计划管理层。而对这些多参数监测数据进行监视和管理，可以实现企业提高生产效率、提升产品质量、降低生产成本的目的。
