1、 工业大数据分析案例剖析工业大数据分析案例剖析 工业互联网产业联盟（AII） 2021 年 12 月 目 录 一、案例 1：挖掘机液压泵故障预测天远科技 . 1 （一）案例背景 . 1 （二）解决方案 . 3 1、业务理解 . 3 2、数据理解 . 5 3、数据准备 . 8 4、数据建模 . 9 5、模型验证 . 12 （三）实施效果 . 13 1、模型部署 . 13 2、应用效果 . 15 二、案例 2：数控加工工艺参数优化华中数控 . 16 （一）案例背景 . 16 （二）解决方案 . 17 1、业务理解 . 17 2、数据理解 . 19 3、数据准备 . 22 4、数据建模 . 27 5

2、、模型验证 . 30 （三）实施效果 . 35 1、基于指令域“心电图”的加工工艺参数优化 . 35 2、基于加工过程主轴功率模型的加工工艺参数优化 . 42 3、总结 . 44 三、案例 3：热轧带钢性能预报清华大学、上海优也 . 45 （一）案例背景 . 45 （二）解决方案 . 48 1、业务理解 . 48 2、数据理解 . 51 3、数据准备 . 52 4、数据建模 . 53 5、模型验证 . 63 （三）实施效果 . 67 1、精准选样系统 . 67 2、钢种优化 . 67 3、集约化生产 . 67 4、新钢种设计 . 68 四、案例 4：智能化橡胶浆液浓度控制京博石化 . 69 （

3、一）案例背景 . 69 （二）解决方案 . 71 1、业务理解 . 71 2、数据理解 . 75 3、数据准备 . 77 4、数据建模 . 82 5、模型验证 . 86 （三）实施效果 . 87 五、结语与展望 . 89 1 绪 论 工业大数据分析作为工业智能化发展的核心之一， 是实践性 非常强的工作，现实中的失败比例非常高。在工业大数据分析 指南 中虽然已对通用的工业大数据分析方法和分析流程进行了 归纳和总结，但其更加关注于具有普遍指导意义的方法论，为能 更好的指导企业开展工业大数据分析实践， 我们选取了四个不同 行业中已经落地应用的典型案例， 并依照 工业大数据分析指南 的方法体系进行了较

4、为深度的剖析，形成了本案例集。 人们用工业大数据分析的办法来发现知识并指导行动。 如果 错误的认识误导了行动， 可能会给工业企业带来非常严重的后果。 所以， 工业界在实际应用中， 对数据分析结果的可靠性要求很高， 这对于工业大数据分析应用的落地带来了极大的挑战。 传统概率统计方法是从基本的理论假设开始展开研究， 分析 结果的可靠性是由理论前提和假设保证的。 科学家从事科研工作 时，可以根据分析工作的需求去采集和配置数据，从而得到可靠 的结果。 工业大数据分析则是通过数据本身表现出来的特点来发 现规律。从事工业大数据分析时，人们往往只能根据工业现场已 有的数据进行分析， 而这些数据往往不是为特定

5、数据分析工作而 准备的。在某些场景下，数据可能从根本上就无法支撑分析的目 标。 从这种意义上说， 特别是数据量无法达到一定规模的情况下， 基于统计方法的数据分析建模不能够准确捕捉到工业现场问题 与征兆之间的因果性， 因而单纯依靠数据分析模型做出决策存在 2 相当程度的不确定性。 在追求确定性的过程中，有两种常见的挑战：一种是模型混 淆了相关与因果， 一种是把特殊条件下的因果关系扩大到一般情 况。要应对这两种挑战，人们都必须借助对工业机理的认识。实 践证明：如果仅仅以精度为标准衡量模型和结果的好坏，就很难 保证成果的可用性，必须善于利用工业机理来选择数据、分析结 论。 从这种意义上说， 工业大数

6、据的分析在实际应用的落地过程， 也是工业机理与数据分析的融合过程。 本案例集选取的四个典型案例各有特色， 案例 1是工程机械 行业中利用机器学习技术开展的故障诊断实践， 首先对液压泵的 故障形成机理进行了完善的分析，将问题转换为预测泵压，并建 立了多个变量与泵压之间的关联分析，然后建立机器学习模型， 这是一种典型的利用领域知识完成问题建模和特征抽取， 然后辅 以数据分析方法建模的思路。 工艺参数优化是工业大数据分析一类特别典型的问题。 案例 2 选择在数控加工领域，关注效率、质量与加工成本的多目标优 化问题，如何通过工艺参数有效地实现多个目标的同时优化。方 案一针对粗加工场景关注单次切削时间而

7、非质量， 通过试切操作 收集一系列数据，建立了单目标优化求解模型。方案二以日常加 工任务数据生成样本数据，以进给速度、主轴转速、切宽及切深 建立能够表征加工过程物理状态的主轴功率（代替铣削力）预测 模型，进而针对该模型进行工艺参数优化。在这个案例中我们既 可以看到如何直接利用优化模型进行较为粗颗粒度的控制调整， 3 也可以参考对控制过程建立拟合的机器学习模型， 进而实现对过 程感知的白盒调整方法。 案例 3 是面向材料微观结构性能规律的研究， 是较为少见的 探索如何在研发过程利用数据方法建模的例子。 案例 3 针对钢铁 材料的强度、塑性、韧性、硬度等力学性能预测问题，通过数据 分析方法，既减少

8、标准试验的代价，也试图建立面向研发过程的 相对准确、可靠的规律性结论。钢铁晶体组织的形成是一个动态 的过程， 由于大量研究结果是在特定成分和工艺条件下数据拟合 的结果，没有统一的理论公式，因而，如何通过数据方法实现对 规律性知识的总结是这个案例带给我们的重要启示。 案例 4 针对橡胶行业中胶粒水溶液的浓度测量问题， 基于工 艺流程设计、生产过程数据、设备运行机理等多维信息，建立胶 粒水溶液的软测量方法预测模型， 进而对卤化反应阶段的胶浆浓 度进行有效控制，提升装置的综合运行效能。这是流程制造业中 一类非常典型的问题，大型罐体内部非常难以实现在线测量，当 前多依靠人工经验进行控制，如何充分利用操

9、作经验、运行机理 与数据科学融合的建模方法，实现对目标物理量的软测量方法， 仍是业内的难题之一。 本案例另一个非常有启发的点是区分了稳 定和非稳定工况， 分别采取了深度学习预测与机器视觉识别的方 法， 这种复合式方法对于实际落地应用效果会有较大的提升作用。 在本文的四个各具特点案例中， 我们可以看到工业大数据的 实践者们，如何将行业知识、机理与数据分析方法结合起来，通 过从业务理解一直到模型落地的闭环过程解决实际业务问题。 我 4 们希望通过对这些案例的深度剖析， 把其中的成功经验分享给大 家，帮助读者少走弯路并带动这一领域的技术发展。目前，人们 对工业大数据分析的认识还需要不断深入，但我们相

10、信，随着数 据技术的不断发展，数据条件会越来越好，成功的应用也会越来 越多。 1 一、一、案例案例 1：挖掘机液压泵故障预测：挖掘机液压泵故障预测天远科技天远科技 （一）案例背景（一）案例背景 挖掘机又称挖掘机械， 是用铲斗挖掘高于或低于承机面的物 料，并装入运输车辆或卸至堆料场的土方机械。挖掘机挖掘的物 料主要是土壤、煤、泥沙以及经过预松后的土壤和岩石。从近几 年工程机械的发展来看，挖掘机的发展相对较快，挖掘机已经成 为工程建设中最主要的工程机械之一。 由于挖掘机常常处于恶劣 的工作环境下， 故障率持续上升， 一旦出现重大故障， 造成停机， 轻则造成延误工期等经济损失，重则危害车上人员的生命

11、安全。 因此通过机器学习手段提前预测挖掘机零部件故障具有至关重 要的意义。 发动机，液压泵，分配阀是人们常说的挖掘机三大件，挖掘 机不像汽车一样由发动机提供动力，经过变速箱、传动轴驱动整 车前进，而是通过发动机带动液压泵转动，由高压液压油通过液 压马达、液压油缸等液压执行元件带动整车动作。 图 1 挖掘机工作示意图 2 液压泵是为液压传动提供加压液体的一种液压元件， 是泵的 一种。它的功能是把动力机（如电动机和内燃机等）的机械能转 换成液体的压力能。影响液压泵的使用寿命因素很多，除了泵自 身设计、制造因素外和一些与泵使用相关元件（如联轴器、滤油 器等）的选用、试车运行过程中的操作等也有关系。

12、图 2 液压泵系统组成元件 液压泵是液压挖掘机中发生故障最多的元件， 而液压泵一旦 发生故障就会立即影响挖掘机液压系统的正常工作， 甚至不能工 作。液压泵对于挖掘机的重要性不言而喻，因此预测挖掘机液压 泵的故障也是一个相当重要的课题。 液压泵主要有叶片泵、齿轮泵、柱塞泵三种类型，其常见故 障主要包括： 第一， 齿轮泵的常见故障大部分是由其内部摩擦副的磨损引 起。其正常磨损使径向间隙和轴向间隙(即断面间隙)增大，齿轮 泵内泄漏现象加重，严重时泵体内孔或两侧板无法修复。此外， 轴的密封也是经常损坏的部件。 3 第二，叶片泵的正常磨损量很小，零部件使用寿命较长。造 成叶片泵故障的主要原因是油液污染，

13、 这是因为叶片泵的运动副 配合较精密， 当污染物进入摩擦副后， 容易产生异常卡滞或磨损。 另外，叶片泵的自吸性能不如齿轮泵，特别是小排量的叶片泵更 是如此，所以油液是否清洁和吸油是否畅通，是叶片泵运行中需 要特别注意的两个问题。 第三， 柱塞泵中的径向柱塞泵在结构和运动性能上的弱点是 径向力较大、自吸能力较差以及柱塞与柱塞孔的配合精度高；轴 向柱塞泵的零件加工精度要求高。 所以柱塞泵对油液的清洁度要 求高，亦即柱塞泵对油液的过滤精度要求比齿轮泵的高。 目前针对液压泵的故障维修，采用的多是事后维修。与之不 同的是， 预测检修可通过对液压泵之前的状态进行故障预测来安 排检修活动，具有自动化、高效率

14、等显著优势。液压泵的故障预 测利用传感器来采集挖掘机的数据信息， 借助合适的算法来评估 液压泵的健康状态，在故障发生前对其进行预测。 （二）解决方案（二）解决方案 1、业务理解业务理解 （1）认识工业对象认识工业对象 液压泵常见的故障原因主要可归纳为油品质低或油污染程 度高、零件磨损两方面。 液压泵常见的故障表现有以下几点： 1）液压泵磨损严重，液压泵的转动会不均衡，产生异响； 2）液压泵磨损，内泄量增大，液压泵的出油量会减少，流 4 量低到一定程度时会导致压力低（流量低会导致压力低，但是不 是唯一的原因）； 3）液压泵磨损后，壳体的泄漏量会增大，因为壳体泄漏的 液压油直接返回油箱，没有经过散

15、热器的散热，所以可能导致液 压油温高。 （2）理解数据分析需求理解数据分析需求 数据分析需求：判定挖掘机液压泵是否故障。 需求理解：液压泵故障常与液压泵磨损或油液污染有关，且 它的动力来源于发动机， 因此特征选取方面需选取发动机的参数 以及油液的相关参数。 若液压泵产生故障， 根据故障的三个表现， 结合目前传感器的数据，可采用预测泵压的方式进行分析：若液 压泵故障， 则会导致产生的泵压 （P） 会与正常情况时的泵压 （P） 产生偏差（P），若当天偏离度（P/P）超过某个值（w）的 占比超过某个阈值（threshold）时，则判定为液压泵故障。 假设每天的泵压为 yreal，对应的预测值为 y，

16、即当： ( ) =0 其中： N 为当天采集的数据量 w 为高偏离度的设定值 threshold 为设定阈值 则当计算结果大于设定阈值时，预测为故障；否则，预测为 正常。 5 （3）数据分析目标数据分析目标及评估及评估 数据分析目标： 1）根据传感器每天传入数据，选择合适的特征及模型，计 算得到预测泵压值； 2）根据预测值和实际值，计算得到每条数据偏离度； 3）计算每天不同偏离度的占比； 4）根据不同偏离度占比随时间的变化图结合故障信息，得 到 w 和 threshold； 5）将所得到的模型和阈值保存； 6）根据每日数据，得到当日故障预测结果，并将预测为故 障的结果保存。 图 3 数据分析目

17、标架构图 评估：预测准确度。最终预测结果的混淆矩阵查准率和查全 率。 2、数据理解数据理解 6 （1）数据来源数据来源 传感器是一种检测装置，能感受到被测量的信息，并能将感 受到的信息， 按一定规律变换成为电信号或其他所需形式的信息 输出，以满足信息的传输、处理、存储、显示、记录和控制等要 求。 本案例采用的数据均来源于某台挖掘机传感器从 2020 年 6 月 1 日至 2020 年 10 月 7 日传入的每分钟实时数据， 共计 101359 行数据，有 47 列参数值。 （2）数据分类及相互关系数据分类及相互关系 所采集数据按数据取值范围分为离散型变量和连续型变量。 连续型变量的值代表数值含

18、义， 但是离散型变量的值虽然也可能 是数值型，但是并没有数值意义，需要经过处理后使用，常见的 处理方式是将其转变成哑变量。 表 1 数据集主要变量描述 变量名 描述 类型 转速 发动机每分钟回转数 数值（0-2500） 扭矩百分比 实际发动机输出扭矩与发动机最大 输出扭矩的比值 数值（0-100） 泵压 液压泵提供的压力 数值 模式 当前发动机工作模式 字符串 共轨燃油压力 燃油压力 数值 扭矩 当前实际扭矩值 数值 动作 挖掘机动作编码 数值 动作类型 动作类型 二进制字符串 （3）数据质量数据质量 1）完整性：采用数据采集率热力图来查看数据采集的完整 7 性。 2）规范性：查看每个字段数据

19、类型及取值范围是否合理， 不合理的取值当作异常值。 3）一致性：检查每个字段的数据类型。数据读入后，对应 的每个字段的数据类型也会有变化，需要调整成正确的 数据类型。 4）准确性：观察变量的分布图，结合挖掘机技术知识，观 察数据是否符合实际。 图 4 参数分布直方图 5）唯一性：数据每分钟传入的数据有且只有一个。 6）关联性：结合挖掘机工程技术知识，根据变量之间的相 8 互关联、约束等条件，检查数据的规范性。 3、数据准备数据准备 建模数据需选取挖掘机正常状态下的实时数据。 根据正常状 态下的数据建立一个预测模型， 由这个模型去预测状态未知情况 下的泵压数据。 （1）数据）数据预处理预处理 该

20、阶段主要将采集到的原始数据经过校验、 处理转变成可以 用于建模的干净、完整的数据。首先需要校验每个字段的数据类 型是否符合逻辑。再看其取值范围是否符合实际，再经过一系列 处理将原始数据转换成我们所需要的数据。 表 2 数据的描述性统计 mean std Min 25% 50% 75% max 转速 1697.89 476.75 113.50 1002.6 1997.4 2042.0 2144.80 扭矩百分比 44.15 35.61 0.00 4.50 44.50 78.50 100.00 水温 77.56 13.59 8.08 68.58 77.18 89.84 103.21 扭矩 345.

21、76 308.72 0.00 38.97 289.54 620.58 1038.84 输出功 2.73 3.12 0.00 0.02 1.35 5.06 10.82 动作 0.22 0.41 0.00 0.00 0.00 0.00 1.00 动作类型 96.31 308.55 0.00 0.00 70.00 89.00 65535.0 工作模式 22.00 0.07 22.00 22.00 22.00 22.00 34.00 泵压 131.87 89.58 10.00 34.00 127.00 208.00 378.00 在进行异常值、缺失值处理前，先将数据根据机号按采集时 间升序排序。 （2

22、）异常处理异常处理 异常值判定方法： 超出每个字段的实际取值范围的数据均看 作异常值。 9 异常值处理方法：删除。 （3）缺失处理缺失处理 1）删除空值占比70%的列； 2）删除除空值外，只有一个值的列； 3）删除空值占比70%的行； 4）连续型变量、离散型变量均使用向上填充方法填充缺失 值。 （4）归约处理归约处理 连续型变量：采用 Zscore 标准化方法； 离散型变量：独热编码。 4、数据建模数据建模 （1）特征工程特征工程 1）数据初步筛选 选择跟液压系统相关的参数，且在工作状态中（即满足发动 机转速0 且扭矩百分比0 等限定条件）的数据，这样一来所选 数据均是有效的，能够反映挖掘机工

23、作状态。经过处理后，仅剩 98777 行数据。 2）特征变换 在很多机器学习任务中， 数据集中的特征取值并不都是连续 数值，而有可能会是类别值。由于部分模型只支持数值型的数据 作为输入，因此，我们需要提前将数据集中的类别型变量通过独 热编码进行预处理。 独热编码即 One-Hot 编码，又被称作“一位有效编码”，它 10 将一个有 m 个可能取值的特征变成 m 个二元特征，并且这 m 个 二元特征每次只有一个被激活。 3）特征组合 独热编码后，再结合挖掘机相关模式（P，E 等）信息将变 量重组。 对于连续型变量，其内在也存在着一些关联关系，可以通过 一些运算得到新的重要的参数，如扭矩、输出功等

24、。 4）特征筛选 首先根据专业知识可知， 与泵压关联度较高的参数有液压油 温、液压泵流量、液压泵内泄量、发动机转速、扭矩、扭矩百分 比等（其中液压油温、液压泵流量、液压泵内泄量等数据目前无 法获得），剔除掉跟研究变量无关的干扰参数。 再根据特征的相关系数， 对相关系数超过 85%的变量只保留 一个。 图 5 特征相关系数热力图 11 最终我们选用的参数有：发动机转速、扭矩百分比、扭矩、 输出功、模式 P、模式 E、动作、动作类型等共八个特征。 （2）算法介绍：算法介绍：XGBOOST XGBOOST 是在 GBDT 基础上发展起来的，全名叫 Extreme Gradient Boosting，

25、与 GBDT 相比有一定的改进。传统的 GBDT 算法在优化时只用到了损失函数的一阶导数信息， XGBOOST 则 对随时函数进行了二阶泰勒展开， 同时使用了一阶和二阶导数的 信息。 此外， XGBOOST 借助 OpenMP， 能自动利用单机 CPU 的 多核并行计算，大大提高了运行速度。其次，与 GBDT 算法不 同，XGBOOST 支持稀疏矩阵的输入，并且，XGBOOST 集成学 习框架自定义了一个数据矩阵类 DMatrix，会在训练开始时对训 练集进行一遍预处理，从而提高之后训练过程每次迭代的效率， 减少训练时间。 本案例采用 XGBOOST， 训练数据为 2020 年 8 月 7 日

26、2020 年 8 月 31 日没有任何故障时的数据， 80%作为训练集， 20%作为 测试集，采用交叉验证方法进行参数优化。 经过优化后，模型 R2=0.79。同时得到了特征重要度： 12 图 6 XGBOOST 特征重要度分布 5、模型验证、模型验证 （1）验证逻辑验证逻辑 1） 根据上述模型获得泵压预测值； 2） 根据实际值与预测值计算每条数据的偏离度：P/P； 3） 计算不同偏离度（ 5%，+10%等）每日占比； 4） 结合故障时间与偏离度占比趋势图分析； 图 7 泵压偏离度趋势图 13 5） 由 上 图 可 以 得 到 一 组 模 型 设 定 值 ： w=20% ， threshold

27、=20%； 6） 根据模型设定值，验证其他机号的预测精度； 7） 调整模型参数，使其具有一定的泛化能力。 （2）方法评估方法评估 该项目最终的分析目标是预测液压泵是否故障， 这是一个二 分类问题。混淆矩阵是评价分类问题精度的一种方法，对于二分 类问题， 根据真实类别与预测类别的组合划分为真正例、 假正例、 真反例、假反例四种情况，令 TP、FP、TN、FN 分别表示对应的 样例数。 在该案例中，我们假设故障报修时间前 5 天已经发生故障， 这样我们得到的混淆矩阵如下表所示： 表 3 预测结果混淆矩阵 真实情况 预测结果 正例 反例 正例 12 6 反例 23 74 查准率 P=TP/(TP+F

28、P)=12/(12+23)=0.34 查全率 R=TP/(TP+FN)=12/(12+6)=0.67 结论：结果显示，样例中的 3 次液压泵系统故障均被预测 到，但是误报情况也时有发生，因此今后需要在判定方法上进行 优化，减少误报。 （三）实施效果（三）实施效果 1、模型部署模型部署 （1）模型部署的自动化模型部署的自动化 14 考虑到实际中机器的型号不同，其参数、性能也有一定的差 别，在模型存储方面，我们将不同型号的车辆单独存储，在运行 中，会自动调用对应的模型去运行结果。在自动化部署方面，我 们实现了批处理程序的自动化，减少了人的干预，节省了人力时 间成本。 （2）实施和运行中的问题实施和

29、运行中的问题 在实施和运行中普遍面临一个问题就是： 建立分析模型所用 的数据和运行中所用的数据存在差异。导致差异的原因包括：数 据质量问题、精度劣化问题、范围变化问题等。针对这些问题我 们将会在数据提取阶段检查数据质量， 后续会根据预测结果对模 型做持续的优化。 （3）问题的解决方法）问题的解决方法 针对数据质量问题，根据实际情况采取限制应用范围的方 法，即当某机器某天的采集数量过少时，停止计算当天的模型并 备注。 针对精度劣化问题，我们采用不定期地重新修正模型的方 法，实现模型的自动修正。 （4）部署后的持续优化）部署后的持续优化 要想技术有生命力，模型运行过程中就要进行持续优化。优 化的内

30、容包括精度的提高、适用范围的扩大、知识的增加等。 模型精度很大程度上取决于数据的质量。 特定数据的质量往 往取决于基础的维护和管理水平， 而在某些特定项目中的使用到 的数据其质量往往很差。因此，对于模型所用到的原始数据、故 15 障数据等的规范化、标准化是我们优化过程之中的重中之重。 2、应用效果、应用效果 模型部署后，我们重点监控了 6 台模型预测为故障的挖掘 机，并进行了现场派工检查。经过调查发现：其中 3 台挖掘机液 压泵无任何异常，且用户也没有其他问题反馈，另外 3 台挖掘机 液压泵虽无异常， 但调查发现一些不影响挖掘机正常使用但跟液 压泵有关联的一些异常表现，如憋车、动作慢等。总体来

31、说，目 前的实际应用效果还有待进一步提高，具体原因可能有以下几 点： 一是目前数据缺少与泵压相关的一些重要参数， 尤其是液压 油的一些参数，如油黏度指数； 二是实际问题往往不是一个单一的算法可以解决的， 需要多 个相关算法合理的搭配组合，再结合机理模型进行综合考虑； 三是液压泵故障是一个复杂的问题， 液压泵故障会导致泵压 降低， 但是反过来泵压降低也有可能是其他零部件故障或操作异 常等导致的。 由于上述客观问题的存在， 我们只能在现有数据条件的基础 上进行有限的优化，比如：扩大样本量、试验不同的模型组合、 优化异常判定模型等，以此来减少预测结果误报率，提升预测结 果准确率。 16 二、案例二、

32、案例 2：数控加工工艺参数优化数控加工工艺参数优化华中数控华中数控 （一）（一）案例背景案例背景 数控机床被称为“工业母机”， 是传统机床与数字控制技术相 结合形成的机械电子一体化产品。数控机床具有稳定、高效、灵 活等各种优异性能， 开创了传统机械向机械电子一体化发展的先 河。 数控机床等数控装备是生产高新科技装备和尖端产品的必要 工具，可以有效地提高生产效率、减少工人数量，实现自动化、 智能化生产，在很大程度上减少了人员和成本投入。在当今以产 品更新迭代快速、大批量生产、人员成本逐渐升高为特点的工业 时代，各类数控装备是实现先进制造技术的关键。因此数控机床 成为了国民经济和国防建设发展的重要

33、制造装备。 在数控加工领域，对加工质量、加工效率与加工成本的控制 能力是衡量加工能力强弱的指标，而如何提升这种能力，亦即针 对于工艺参数优化的研究，在数控加工领域占据着重要地位。在 工艺参数优化问题中，往往需要同时关注多个优化目标，效率、 质量与加工成本的优化需要同时被解决。 而多个优化目标之间可 能彼此矛盾， 亦即在提升加工效率的同时可能会造成加工质量的 降低， 提升加工质量的同时又会造成加工效率的降低与加工成本 的提高，如何有效地实现多个目标的同时优化，是当前工艺参数 优化领域所面临的一项重要任务。 对加工过程进行优化，不可避免地要对加工过程进行建模。 加工过程模型一般包含有几何模型及物理

34、模型两种， 由于物理模 型往往能更直接地反映加工过程的力、热特性，因此加工过程物 17 理模型被广泛应用在工艺参数优化中。在大多数的研究中，常常 通过设计实验的手段来构建加工过程物理模型， 通过设计实验可 以在较短的时间内获得较为全面的特征数据以加快建模的进程。 但设计实验也融入了人为的主观因素与局限性， 因此必然无法涵 盖所有的加工工况。与设计实验不同的是，日常加工任务的加工 过程数据实际上涵盖了大量的工艺信息， 这部分信息中拥有设计 实验所无法涵盖的特征数据，是非常具有价值的工艺信息。加工 过程数据具有数据量大、 与工艺系统工艺特性强相关以及加工场 景日常等特点。 本案例以特定的工艺系统为

35、研究对象，以工艺参数提取、基 于指令域分析的数据融合策略、 优化后的神经网络模型以及多目 标优化算法， 实现了在特定工艺系统中的加工过程建模及铣削粗 加工进给速度优化。在满足生产需求的前提下，选择合理的加工 参数，充分发挥机床的性能，对于生产效率提升、改善刀具寿命 和降低工艺人员工作强度和产品的成本， 提升企业竞争力有重要 意义。 （二）（二）解决方案解决方案 1、业务理解、业务理解 在进行数控加工编程时，加工工艺参数（如切深，切宽，主 轴转速，进给速度等）的确定至关重要，它们影响着零件的加工 质量、效率、机床和刀具等制造资源的寿命等。当工艺参数选择 过于保守，机床和刀具等制造资源的效能会产生

36、严重浪费，影响 加工效率和经济性；相反，过于激进的工艺参数会使加工中产生 18 诸如机床颤振、刀具磨损、加工质量低下等异常情况，严重时甚 至会带来制造资源的损坏，产生重大生产事故和经济损失。 由于在传统的铣削加工过程中， 不同的指令行所对应的材料 去除率是不同的，如下图所示，在优化前，指令行 1、2、3 对应 于切削厚度为 h1、h2、h3，其中 h3h1 5600kg/h 采用机器视觉模型，机器视觉检测值 5600kg/h 通过该方案上线运行，能够 24 小时在不同给的情况下对下 料口的实时干胶量进行预测，指导现场生产。 87 （三）实施效果（三）实施效果 图 51 系统截取 （1）精度分析

37、）精度分析 选取京博橡胶 5 万吨/年丁基橡胶装置为应用实施对象，结 合现场操作工经验，建立 BP 神经网络回归预测模型，输出稳态 工况下的胶粒浓度、己烷添加量预测值；利用机器视觉方法辅助 来料工况判定，提升回归预测模型的鲁棒性，从而为操作工提供 24 小时实时在线配比建议。 橡胶浓度场景经过一年的优化， 基本消除以往化验室反馈调 整的工艺滞后性，并且由原先的单一人工经验转变为人工+预测 模型的生产指导方式。实现在不同工况下干胶流量、胶粒浓度的 预测达到预期精度（干胶流量误差在 50 公斤内，浓度误差在 5），进一步给出 502、503、506 罐的正己烷配比量推荐。橡 胶浓度 CPK 由原来

38、的 0.95，上升至 1.02，最终产品质量稳定性 提升了 2.4%，带来上百万的经济效益，极大地提高了产品竞争 88 力。 （2）适应性分析）适应性分析 橡胶生产工艺相对成熟、趋于稳定，对于不同产线的复制与 推广来说，更多的变数存在于核心设备机械性能差异、原材料质 量以及整条产线的效能不同产线由于设备性能退化、工艺调整， 从而导致原有模型精度不再满足要求。通过 supOS 工业操作系 统对关键特征的长期监测采集， 实现大数据和机器视觉模型的自 学习，更加有效地促进回归预测模型进行持续优化，从而适应不 同的生产工况变化，建立中长期稳定模型，定期替换原有模型从 而保证原有模型精度。形成可复制、可

39、推广的工业智能场景应用 创新方法，也可以面向不同的卤化丁基橡胶工厂以及不同行业、 不同领域进行推广。 89 五、结语与展望五、结语与展望 工业大数据分析与应用中存在着场景多样、数据量大、业务 逻辑复杂、影响因素繁多、耦合关系紧密、技术难度大等诸多难 题， 虽然针对不同的业务需求及应用场景往往需要 “一事一议” ， 但是看似在不同行业企业中、面向不同业务域、采用了不同技术 手段的各个成功应用实践之中仍然是有相通之处的， 特别是其采 用的方法论。 我们曾在工业大数据分析指南中详尽的介绍过这种工业 大数据分析与应用方法论， 其分析过程包括业务理解、 数据理解、 数据准备、建模、验证与评估、实施与运行

40、等六个基本步骤。通 过对本白皮书遴选四个典型案例的深度剖析可见， 各个案例都不 约而同地遵循了该方法论，无一不是基于深刻的业务理解，进而 到数据理解，对数据进行各种预处理，再通过对于数据的组织和 建模凝练和固化知识，最终形成以为模型为核心的应用。这也反 复证明了该方法论对具体应用是有较强指导意义的， 值得在实践 中加以推广。 当然， 我们编写本白皮书并不是意在验证之前提出的方法论， 而更多的是向广大技术研究及工程实践人员介绍在工业大数据 分析与应用领域内的优秀做法， 所选取的四个典型案例也是从众 多应用案例中经过了仔细遴选， 每个案例都具有很强的典型性和 各自特色，通过对其成功经验分享，既可开

41、阔思路，形成启发， 亦可促进推广应用。 当前，随着大数据、云计算、物联网、人工智能等为代表的 90 新一代信息技术的不断成熟， 工业大数据作为制造业提升生产力、 竞争力和创新力的关键因素， 正在推进制造业发展向智能化新模 式的转变。在工业大数据技术未来的应用落地中，有两个问题尤 其值得关注。 首先， 我们必须要承认工业大数据整体的技术还在高速发展 中，数据体系建设不完善、数据驱动方法的因果性缺失等问题使 得分析的准确性、结果的泛化性、应用的确定性可能都无法达到 一个非常理想的水平， 那么我们应该如何在有限的技术水平下更 好的结合业务场景落地？这需要技术和业务两端发力， 一方面技 术不断发展并向

42、工业场景渗透应用，另一方面，业务问题也需要 不断拆解、细化，业务上的使用场景要不断地探索与磨合，作为 使用者的业务人员也需要不断的与算法磨合， 了解算法的应用优 势与缺陷。在人与算法、业务与技术的不断应用、适配与迭代发 展中，工业大数据分析才能得到长足的进步与持续的发展。 第二个问题是数据驱动的分析方法与机理驱动的正向设计 的深度融合。 伴随着我国制造业企业不断升级及基础研究取得突 破，我们对于各事物的了解不断深入，特别是对于物理世界的运 行机理将会有更加深刻的认识，掌握了生产制造的客观规律，将 有助于解决当前生产中仍存在的一些问题。 随着工业机理认知的 深入和技术手段的不断发展， 工业大数据分析不再仅关注于数据 本身的建模， 而是在挖掘数据特征背后的物理意义以及特征之间 关联性机理上会扮演越来越重的角色。我们可以这样总结，机理 是基础，数据是资源，而工业大数据技术正是不断通过对资源的 91 挖掘来持续夯实基础的手段。 可以预见到，在不久的将来，数据价值将会充分放大，数据 将成为企业宝贵的资源之一， 各类真正具备智能化特征的应用将 会不断涌现，工业大数据必将进入高速发展的快车道。