案例简介：
   随着《中国制造2025》成为国策，大数据技术与现代制造业的融合发展势在必行。制造业企业为加强产品服务能力，从产品全生命周期服务为切入点，提升自身综合竞争力。明略数据大数据故障诊断和预测方案帮助制造业企业及时处理海量设备传感器状态数据，通过基于特征提取和神经网络方法构建的诊断和预测模型，利用可视化技术实现对设备运行状态和故障信息的快速直观显示，有效降低设备全生命周期维修成本，实现预测性维修，使设备始终处于可靠受控状态，在提升经营效率的同时保障关键制造业的产品安全。

案例背景：
    随着我国社会经济的发展，制造业在整个产业结构中占有重要地位，在2015年各行业整体固定资产投资中，制造业占到了32.7%。而以智能制造为代表的第四次产业革命正在蓬勃发展，其中从信息物理系统（CPS）、物联网、移动互联网等领域产生了海量的数据，面对TB级甚至PB级数据，传统的数据处理方式和数据库已经无力处理。大数据技术支持分布式并行计算，能够进行高效海量数据采集和存储，通过支持并行计算的数据模型，在数据挖掘等方面显示了超强的能力，这些特点为制造业提升服务能力奠定了数据和信息基础。
    放眼全球，为了能够抓住机遇更快地提高制造业的发展水平，各工业强国纷纷提出了自己的产业政策，美国提出了“工业互联网”，制定了IISA(1.0)；德国提出了“工业4.0”，制定了参考架构RAMI4.0。通过对美德两国参考架构的分析，可以看出以上两个架构都以大数据为核心，通过大数据分析来促进产业整体能力的提升。反观国内，我国工业规模庞大，在2010年就已经超过美国，成为制造业的第一大强国，但是面临着劳动力成本上升（根据牛津经济研究院的报告，2016年中国的劳动力成本预计只会比美国便宜4%）、自主创新能力不足、产业结构欠合理、成果转化渠道不畅、品牌信誉度还不够高等问题束缚着制造业能力的释放。据此国情，我国制定了“互联网＋”和“中国制造2025”的产业政策，主要是以数据为基础，通过大数据分析，将制造业从单一的产品制造者提升为全方位服务的提供者，制造企业也不再仅仅是单一的产品供给者，还能提供产品全生命周期的服务，企业的关注点也从过去的只注重产品生产，转变为从用户的角度出发考虑如何生产出美誉度高的产品，实现供给侧的改革。
   制造业采用大数据技术，可以帮助企业在生产、销售、供应链、创新等方面都得到质的提升。基于产品的生命周期曲线（参见下图）。对整个产品生命周期一系列数据的分析挖掘，制造业能够为客户提供更有价值的服务。

图1 设备生命周期示意图

   基于研究，我们知道在产品生产出来以后，整个产品的生命周期可以分为磨合期、正常使用期和耗损期，我们都期待产品的正常使用期尽量长，所以对产品施以维护，用以保障产品长期可用。但是从上图的曲线中不难看出，导致同一种故障的原因并不相同，如果采取同样的方法来应对，难免形成不同程度的“过修”或“失修”，经常会造成很大的浪费。过去，由于产品故障诊断和预测的技术手段限制，在产品的维修和保养上主要依赖定期维修和故障后维修。根据美国联邦能源管理计划 (FEMP) 所进行的最新研究估计，一个正常发挥作用的预测性维护计划与定期维护相比，在维护成本方面可以实现 30 % 到 40 % 的节约，这是一个相当可观的数字。其他独立调查也表明，开展一项工业预测性维修计划可以带来如下效果：
　　● 维护成本降低：25 % 至 30 %
　　● 故障消除：70 % 至 75 %
　　● 停产时间缩短：35 % 至 45 %
　　● 产量增加：20 % 至 25 %
    可见预测性维修给企业带来的价值远大于其他两种方式。由于预测性维修是构建在数据基础上，需要构建合理的数据模型，而不同种类故障，需要不同数据模型，需要进行大量数据计算工作，这些工作在大数据技术没有出现之前一直困扰着维修保养一线技术人员。今天大数据技术获得长足发展，数据的采集、存储、计算等问题都迎刃而解，大数据科学家能够充分发挥大数据技术分布式并行处理的架构优势，最大限度发挥数据模型的计算能力，实现对维护业务的分析和预测，真正实现预测性维修。
明略数据的解决方案主要解决故障诊断和预测这两个问题，其中故障诊断包括了状态监测、部位分析、类型分析、严重程度分析、批次分析、相关性分析和外部因素分析等方面；故障预测包含了类型预测、结果预测、时间预测、严重程度预测、外部事件预测、批次预测、生命周期预测等方面。
在制造业大数据解决方案的实施上，根据不同业务场景特点，大数据项目不仅需要处理业务相关的多样性数据，也要兼顾业务本身逻辑，整体项目实施的难度较高，在综合了类似项目经验的基础上，明略数据总结了完善的项目流程，通过业务和数据理解、数据采集与治理、构建并评估模型最后实现业务部署，扎扎实实地解决故障诊断和预测的实际问题。

案例介绍：
   明略数据针对故障诊断和预测这两个问题，分析拆解问题，将大数据技术落地解决业务问题，实施明略大数据制造业解决方案。
问题思考：
为了能够快速提升产品竞争力，加强产品服务能力，企业对于产品的全生命周期服务愈加重视，同时迫切降低产品全生命周期的维护成本以提升经营效率。以前对于产品设备的维护主要基于既有的保养制度、基于运营中发生的各种故障、基于操作和检测人员的行业经验，但是根据这些措施实施的维修工作，往往由于设备保养制度赶不上产品的升级改进进度，设备又常有新故障的呈现，加上人员经验欠缺，容易对需要维修的设备造成“过修”或“失修”，其结果是维护费用的使用效率低，也无法杜绝故障的发生。如何能够进行高效的“状态修”，也就是预测性维修，做到既不过修也不失修，避免维修保养中的盲目性，使设备始终处于可靠受控状态，大大降低维护保养费用，从而在保证安全的大前提下提高经营效益。

业务需求：
为了达到预测性维修的目的，快速故障诊断和高效故障预测系统就成为主要的需求。利用设备传感器产生的不同粒度的状态数据，通过数据采集、数据治理，数据存储、数据挖掘和数据分析等过程就能洞察整个产品生命周期中各个时刻的状态和性能，从而根据不同的业务特征即可制定相应的动态维修计划，在故障出现之前就能够做出故障诊断或预测故障的发生可能性，进而适时地采取维修措施，避免故障实际发生，最终能够保证设备的安全运行，全面提升产品竞争力。
项目挑战：
实现产品故障的快速诊断和高效预测，其主要的挑战在于“提前”，就是要在故障真正发生之前，做到对于故障的早发现、早预知和适时行动。要实现这样的目的，就需要从数据采集、数据治理，数据存储、数据分析和挖掘等方面出发进行系统性研究。深入探查产品的整个生命周期，从中挖掘出故障的关联因素并进行建模预测就成为重要诉求。
制造业正在向智能化方向发展，机械设备上安装了温度、电流、电压等多种多样的传感器。从数据量上来看，设备每天产生出TB级别的数据，从数据结构上看，日志、视频等类型的数据都是非结构化数据，传统的数据处理方式已经难以处理，需要建设大数据平台来解决这个问题。
其次，要想在如此大量的非结构化数据中获得对设备状态的洞察，“提前”预测故障，还需要系统性的数学方法（例如基于特征的算法，基于神经网络的算法）和模型。
解决方案：
明略数据故障监测与预测解决方案主要包括了数据源层、数据采集和存储层、数据挖掘层和数据应用层，在数据源层中，包含传感器数据、存储在数据库中的设备历史数据和事件历史数据等结构化数据，也包含事件日志数据、传感器日志数据和视频数据等非结构化数据；在数据采集和存储层中，将完成数据的采集、治理和存储；在数据挖掘层中，针对故障诊断和故障预测分别有不同的建模平台；在数据应用层中，设备的运营状态数据将以可视化的方式进行展示，并将故障诊断和预测结果直接呈现出来，便于甄别和维修，方案整体架构见下图：

图2 大数据整体架构

   大数据故障诊断主要基于人工智能技术、专家系统理论，已有故障案例标注基础上，进行故障提取、模型训练和模型评估，最终形成能够进行并行计算的数据模型。
    在实际环境中部署完成，多维传感器数据送达后，通过数据模型能够自动地进行快速故障诊断、甄别故障类型。大数据故障诊断具备了及时、灵敏、误报和漏报率低、故障分离能力强、故障识别度高、鲁棒性强、自适应能力强等特点。
大数据故障预测主要基于数据驱动的故障预测技术，在获取大量各类传感器数据基础上，采用神经网络数据建模流程，通过深度学习的方法完成数据模型构建。
   在应用到实际环境中后，传感器数据通过故障预测模型能够给出各种故障状态发生的概率，从而确定故障类型，维修人员可以根据故障类型采取相应措施，保证设备的安全平稳运行，避免因为故障导致的损失，提升企业整体效益。

案例价值：
    通过采用大数据故障诊断和故障预测系统，创造了如下价值：
    1)    从设备运行海量状态数据中实时发现和排除故障隐患，避免引发安全生产事故。
采用了分布式并行处理的大数据平台，能够快速处理海量的传感器数据，通过可视化界面能够实时直观地看到设备运行状态及其关键组件工作情况，及时发现故障或故障隐患，快速定位，迅速采取措施排除故障或故障隐患。最大限度地减少设备停用或安全生产事故。
    2)    通过故障建模实现故障预测、变坏后修理为按状态维护，实现预测性维护，大大降低维修保养费用，提升企业运营效率。
在数据建模过程中，由于对各个相关传感器数据做了全面考虑，以往一些不被注意但会产生实际影响的传感器数据将在特征提取建模和神经网络建模过程中被囊括进来，结合历史数据对实时全量数据进行挖掘分析，得出故障发生的概率，从而实现故障预测，指导预测性维修，一方面将安全隐患防范于未然，一方面通过“按状态维护”大大节省设备维护费用，降低事故风险，延长设备使用寿命，提升服务水平，提升企业社会效益。
    3)    易于扩展、成本可控、降低固定资产投入。
随着数据量增加，大数据系统支持在线增加节点扩容，保持服务的连续性。支持在线增加存储，以提高计算性能，并采用了独立的功能模块和标准硬件，可根据需求灵活选配，项目成本容易控制，从而可以有效降低企业固定资产投入，提高投入产出比，扩大整体营收。

   新一轮工业革命在全世界同时发生。无论是发达国家，还是发展中国家，都想搭乘这趟高铁，挤进第一集团。未来将以技术导向的智能制造、人工智能化制造为方向，实现制造业跨越式发展。《中国制造2025》部署全面推进实施制造强国战略，以促进制造业创新发展为主题，以提质增效为中心，以加快新一代信息技术与制造业融合为主线，以推进智能制造为主攻方向，实现制造业由大变强的历史跨越。明略数据作为中国技术力量代表，将发挥自身技术优势，将世界技术前沿发展为基准，不断深入行业，连接业务发展需求与技术应用实践，助力中国制造业实现切实发展。