搜索
DigitalBusinessTransformationPatternsforaMobile-First,Cloud-FirstWorldMicrosoftInternal–12/19/2014基于物联网和机器学习的智能化质量管理智能制造的核心能力在工厂OTD环境下智能工厂的横向与纵向整合4|传感器、机器设备、产品和IT系统将跨越单一企业在整条价值链上融合到一起。借助物联网不间断地收集生产数据，利用大数据和机器学习分析数据,可以让生产的速度更快、灵活性更强且效率更高,从而提升产品质量并降低生产成本准备阶段•电池片外观•激光划片、•涂锡带•玻璃组件制造阶段•压带•串带•排版•层压封装阶段•装配•测试•包装光伏生产工艺流程及质量控制点5硅料单晶/多晶硅棒切片电池片组件层压、测试、包装焊接、清洗、装框清洗、制绒、扩散、蚀刻分类测试、检验包装切片、去胶线开方清洗烘干包装分选配料、化料、抽真空放间、引颈、挥发、转颈预清洗浸泡、打磨、烘干分选分档光伏组件制造中的质量控制点拆炉、捡漏、清炉我们面临的问题…1.为什么同样的工艺，这批次的产品质量不过关？2.我能说得清导致产品缺陷的原因吗？3.我能根据现有的状况判断出下次是否会出现类似的缺陷情况？4.如果判断出错，我能说清楚是这次的判断错在哪里？5.我能否根据缺陷分析来持续改进生产工艺或其它生产要素？67质量管理与决策需求——三个说得清How如何改进质量What现状监测Why溯源WhatNext预测说得清潜在的质量风险8智能化质量管理的目标质量分析价值难度发生了什么?为什么发生?将来会发生什么?怎样让我希望的发生?描述性分析诊断性分析预测性分析运筹性分析智能化质量管理原材料1工艺2生产过程控制和运营39将现有的生产设施和后端的应用无缝地连接到起来，在云端形成真正的基于价值链的融合对不同数据源(生产设备、产品以及制造执行系统等)进行收集和分析将成为企业进行实时质量控制的标准配备改变原有基于抽样检验的质量管控模式，实现互联化的质量分析预测和改进措施,对环境变化进行实时反应连接生产设施(IOT)不间断的处理数据智能化的质量分析典型场景之一：设备预防性维护123123维护技术人员现场确定和解决问题需要几天或几周来重新路由和配置设备搜索执行根源分析所需的数据远程访问设备，诊断和解决问题在几小时内纠正问题，包括重新路由流程和重新配置机器立即访问全面的数据，以执行根源分析或或连接全球的电梯使用预测性维护大大降低成本和缩短响应时间12|场景二：设备状态预测合格缺陷生产处理QC•实时设备状态监控•精准诊断•减少宕机时间•维护时间可预测汽车部件通用设备或者CNCMachineTools•合格品率预测•零部件缺陷预测•减少浪费应用场景之三：质量和工艺持续改进富士通是日本领先的信息通讯科技公司，在100多个国家提供全方位的科技产品、解决方案服务.”LeveragingtheFujitsuEco-ManagementDashboardsolutionalongsideMicrosoftAzureandtheFujitsuIoT/M2Mplatform,weareabletodeliverreal-timevisualizationoftheengineeringprocessforbigdataanalyticstoimprovetheentireproductionprocessandinformdecision-making”–HiroyukiSakaiCorporateExecutiveOfficer,ExecutiveVicePresident,HeadofGlobalMarketingatFujitsuLimited业务需求富士通需要优化其生产制造过程，以便帮助管理人员、工程师乃至研发科学家在降低成本的同时，持续改进产品质量、提升产品性能，并改进其流水线工艺.带来的收益•生产运营的优化•降低能耗和原材料成本•提升产品质量•增强研发和生产之间的协作，提升闭环效率和持续改进的途径解决方案富士通从人和机器两个方面来进行制造过程改进：对于人，通过整合其现有的IOT/M2M平台和质量管理看板，对工艺参数、环境参数、产品质量数据进行持续收集和分析，并用可视化的方式帮助研发人员和产线操作人员一起寻找质量提升方案；对于机器，收集测试中的单片机数据,与生产流程早期晶片成型阶段的数据进行关联分析,从而降低了生产过程中的失误。此外,系统还能辨认出一些典型模式,能在前期将残次品的芯片排除,从而改进了生产质量13应用场景之四：质量一致性和业务连续性保障KUKA是第一个工业机器人的设计者，也是全球领先的工业机器人生产商”Wedon’thavetimetoadjustsourcecode,andwecan’tintroducesomethingthatisn’ttrustedandproven.OurintelligentsystembuiltwithMicrosofttechnologyenablesustoreactveryquickly.”–JakeLadouceurManagingDirector,KUKASystemsGroupToledoFacility业务需求KUKA需要在一条生产线上同时生产8种不同的Jeep牧马人车身，在确保产品质量一致性的同时，一旦出现质量问题，要能确保在不中断生产线的情况下改进质量问题。业务收益•确保了每77秒下线一个合格车身构架•连续8年24x7•质量水平持续提升解决方案KUKA使用IOT技术，将产线上259个机器人，超过60000个传感器与后台的MES平台以及相关业务系统整合起来。通过不间断的数据采集和产线上的质量门检测，将数据传送到后台，同步构建虚拟的生产环境,在不中断生产线的同时,虚拟生产环境可以对这些产品制造进行测试和优化,并将改进的工艺实时调整到生产线上，从而在保证业务连续性的基础上并确保质量一致性和优化1415质量分析的核心问题定义目标数据提取和预处理特征和目标构建训练和测试特征选择模型训练评估模型评分反复迭代直到测试结果满足要求17核心算法ROpenSourcePackagesMathematicalProgrammingOnlineanalyticalprocessingGraphanalyticsTextanalyticsSupportVectorMachinesBoostedDecisionTreesTimeseriesprocessing关键问题：针对不同的业务场景选择合适的算法AssociativeruleminingNeuralnetworksRegressionanalysisClusteringNearest-neighbor18特征提取环境特征和产品质量的关系矩阵设备运行和产品质量的关系矩阵工序和产品质量的关系矩阵工艺特征和产品质量的关系矩阵19结果验证模型是基于联合训练和常规思想而构建，我们能够理解，产品质量具有时间相关性，即现在的状态和以前的状态有紧密的关联性，例如，如果一个小时前某个产线的产品质量比较好，那么当前的质量也会比较好。同理产品质量也具有原材料批次和工艺的相关性。结果验证是一个半监督的学习技术，需要两个维度的数据，假设每一个样本有两个不同的特征集表示，两个特征集提供不同且互补的信息。根据联合训练框架，我们提出空间分类器和时序分类器，这两个模型会集成到一个联合训练的学习框架中。首先我们会用不同的特征集训练这两个分类器，然后再使用这两个训练好的分类器分析未加标签的网格，再把最有效的样本加入到标签集作为下一轮的训练使用。当算法结束，空间分类器和时序分类器返回结果。然后结合两个结果集确定每一个网格的产品质量分析值。总结：微软物联网大数据平台基于主流云平台的基础组件，根据不同行业的行业特征，定制建立基于云端的集数据存储、分析和应用与一体的物联网大数据平台，帮助行业客户构建新的业务能力。业务层面：帮助企业解决在设备（人）互联情况下数据的互联互通及深度学习，结合行业特征，建立数据运营的新的业务模式平台层面:保证设备（人）互联情况下的数据安全、高性能和高可用性端到端数据流管理组件（SDP平台）行业数据分析产品（驾驶风险、维修预测等）其他平台支持组件，例如安全等物联网设备联接架构组件的功能和集成，确定规格和集成说明，建立数据服务调用、分配、集成的数据标准数据产品/引擎建立初步的数据模型建立机器学习的预测模型平台服务进行数据存储和安全服务提供基于物联网大数据的增值服务，见下行业分类车联网：UBI，维修预测，二手车等业务养老可穿戴：体征检测，日常关怀，异常预警新能源（风机/光伏）：运营监测、故障维修预警智慧城市：公共设施的维修预测、空气/水源的污染检验和预测等技术组件业务目标服务内容参考案例21完整的技术栈PowerBI数据抽取Azure数据平台Azure机器学习数据挖掘SCADA数据整合和处理数据建模数据源传感器LOB应用质量预测和分析模型数据整合(ETL)数据仓库数据科学家其它数据数据可视化和洞察FieldWorkforceMaintenanceTeamOperationsTeam