數控機床產業集聚區域網絡協同制造大數據平臺架構研究

石 碩，郭保琪，冷君閣，林喜軍

（中國海洋大學 信息科學與工程學部，青島 266100）

0 引言

數控機床產業具有產業鏈長、技術要求高的特點，屬于資金技術密集型產業。數控機床是云南省的傳統優勢產業和重要支柱產業，經過近90年的發展，高效精密數控機床產業作為云南省重點發展的產業集群已形成規模集聚、生態鏈完整的產業體系，擁有加工中心、鏜床、銑床、車床、磨床等金屬切削機床完整系列的產品體系[1]，形成了研究、設計、開發、制造、服務、教育等較為完整的產業能力，已成為知名的高效精密機床制造基地。數控機床產業關聯度高，區域產業集群效應對經濟發展的支撐和帶動作用大，大力發展中高端數控機床產業，對加快培育云南省新的經濟增長點，促進產業結構調整，建設工業強省具有重要意義。

目前，在集聚區域實現產業集群的協同發展已成為云南制造行業的典型發展模式，加強中高端數控機床產業鏈協同制造，促進大中小型企業協同發展已成當務之急。區域發展中高端數控機床產業集群，需要率先引進規模大、實力強、帶動作用明顯的龍頭企業，再通過產業鏈條延伸，帶動區域中小配套企業發展，從而有效地促進數控機床產業的集聚發展[2]。在發展過程中，面向機床產業鏈及關聯產業的企業，充分考慮設計、生產、質量、物流、銷售、服務等多種因素，圍繞企業在生產制造、供應鏈、企業管理的核心需求，構建面向數控機床產業集聚區域的網絡協同制造服務平臺，開展區域數控機床產業鏈制造技術、資源能力和服務的協同，形成敏捷、精益、高效的經營、設計和生產的數控機床產業集聚區域，實現區域的高效統籌、優化、調度、品控和高效率協作，帶動區域數控機床產業高質量發展。

數控機床產業集聚區域網絡協同制造大數據平臺是網絡協同制造服務平臺的重要支撐，主要用于提供數據匯集、數據協同、數據處理、數據分析等大數據服務。本文在研究剖析數控機床產業集聚區域網絡協同制造過程中大數據分析現狀及需求的基礎上，重點開展區域網絡協同制造大數據平臺開發及部署基礎研究工作，設計平臺的總體架構及架構中工程管理、樣本管理、建模管理、應用管理和知識管理所涉及的關鍵點，建立面向多種應用的大數據中心，實現區域數控機床產業鏈上企業間研發、管理、應用的數據協同和業務協同。

1 數控機床產業集聚區域網絡協同制造大數據平臺需求

當前，全球主要國家掀起了新一輪以“信息技術與制造業融合”為共同特征的工業革命，加速發展大數據、人工智能等新一代信息技術，并推動其與全球工業系統的深入融合，以期搶占新一輪產業競爭的制高點。無論是歐美發達國家制造業的重振，還是我國制造業的轉型提升，工業大數據都發揮了不可替代的作用。工業大數據的創新發展，成為未來提升制造業生產力和競爭力的關鍵要素，是目前全球工業轉型面臨的重大課題[3]。

網絡協同制造是工業大數據的載體和產生來源，其各環節信息化、自動化系統所產生的數據構成了工業大數據的主體，網絡協同制造又是工業大數據形成數據產品的最終應用場景和目標。在數控機床產業集聚區域網絡協同制造過程中，從向制造商下訂單到生產制造并交付給客戶，整個產品生命周期產生海量數據，包括：上游的數控系統、核心零部件、功能部件以及電子元件等運作所需設備及部件的數據；中游數控機床主機廠的金屬切削機床、金屬成型機床、特種加工機床等機床和數控系統產生的數據[4]，這是網絡協同制造過程中數據的重要來源；下游數控機床應用方面，主要是汽車、航空航天、模具和工程機械等行業的應用數據。

網絡協同制造大數據平臺是建設和實施大數據應用所必需的基礎設施，也是突破當前技術瓶頸的有效突破口。建設網絡協同制造大數據平臺有助于不斷匯聚大數據技術創新成果，積淀豐富的數字資產，形成大數據技術產品和行業解決方案，加速我國大數據產業生態構建，提升我國數字化發展水平。本章節重點開展數控機床產業集聚區域網絡協同制造大數據平臺的需求分析研究。

1.1 數據/信息/知識協同方面

數控機床的屬性、加工和測量數據通過各種傳感器和測量裝置來采集，屬性數據是機床、刀具和工件的物理數據，包括切削刀具的制造商、制造日期和工具類型，機床的制造商和機器類型等；加工數據是機床在加工過程中實時產生的數據，如切削力、應變場和溫度場，可反映加工過程的實際狀態；測量數據可以反映加工性能的測量結果，如工件的幾何精度和表面粗糙度、刀具的磨損數據等[5]。在數控機床上游企業及主機廠和外協廠的跨企業、跨區域、跨組織協同制造過程中，大部分機器運行在隔離環境中，且機床的制造商、品牌和類型各不相同，從生產現場到管理端的所有生產、交換和集成數據存在信息孤島，缺乏統一的數據接入與訪問規范。此外，面向企業級應用的ERP、PDM等軟件，主要用于對靜態數據進行管理，缺乏動態及實時的數據處理，難以實現數控機床產品全生命周期的數據協同、信息協同和知識協同[6]。

亟需開展網絡協同制造大數據平臺的協同應用研究，通過傳感器和標準通信接口，感知和獲取機床狀態和加工過程數據[7]，通過數據協同，有效保存機床數據，形成機床數據庫；通過信息協同，實時動態獲取機床加工狀態，初步調整機床參數；通過知識協同，建立機床模型，研究機床參數間的相關性，實現機床運行參數的精準調整。

1.2 數據預處理方面

數控機床制造大數據來自于機床不同的功能部件（如控制器、伺服系統、絲杠等）[8]，由于數控機床制造車間、機器性能指標多樣、生產方式多變、隨機擾動頻繁、生產環境開放等特點，除進料、溫度、速度等簡單物理量外，其他原始數據均具有高維、異構、多尺度、低密度、不確定、高噪聲等特點，無法直接提供給終端用戶或系統使用，此外，數控車間系統數據庫也存在數據缺失、重復、錯誤等問題。因此，需對機床工業大數據進行數據去噪、數據清洗、數據集成等預處理操作。

從機器收集的運行數據是實時和海量的，通用關系數據庫和傳統方法無法有效處理數據。如何進行有效的數據縮減、提取、分析和變換處理，是將繁雜數據轉化為有用制造信息的必要步驟[9]。亟需開展網絡協同制造大數據平臺的數據處理技術研究，為后續數據分析工作提供高質量數據。

1.3 數據分析方面

為動態了解機床的結構、運行狀態及加工信息（如機器狀態、主軸狀態、刀具狀態、表面質量等），提高機床生產效率，需對預處理后的機床數據進行大數據分析，以獲取幾何約束、切削力、切削層、刀具強度、高溫材料、摩擦學及化學過程等相關加工元素之間的關系[10-11]。

亟需開展網絡協同制造大數據平臺的數據分析研究，根據大數據分析需求，設計分析模型，通過建模分析和數據挖掘對加工過程進行學習，不斷修正和調整數據和模型，訓練出精準的優化模型和算法來動態獲取機床的切削深度、進給速度和主軸速度，預測精密車削中與振動和表面粗糙度有關的潤滑狀態等信息。算法輸出的決策信息通過邏輯控制模塊控制機床的CNC控制器，CNC控制器調整機器參數以實現機床的快速響應和閉環反饋控制。數據分析可以形成支持最優決策的信息和指令，實時掌握機床加工狀態，動態調整機床的運行和加工參數，實現對機床及加工過程的監測、預測、決策和控制，滿足高效、柔性、自適應、智能化的加工需求[5]。

2 數控機床產業集聚區域網絡協同制造大數據平臺架構設計方案

數控機床產業集聚區域網絡協同制造大數據平臺在現有工業大數據平臺基礎上進行延伸發展，覆蓋供應鏈管理、質量管控、物流管理、設備智能管控等數控機床行業業務需求，匯聚制造小數據而形成的工業大數據，支持跨域制造資源與需求高效對接、全過程一體化組織生產模式、多企業協同優化控制、全生產鏈信息追溯服務等協同場景。

2.1 設計思路

本文在分析數控機床產業集聚區域網絡協同制造平臺在數據/信息/知識協同、數據處理和數據分析等需求的基礎上，提出以網絡協同制造智能應用研發為重點，以大數據分析建模為核心，“統一管理、優化迭代、整合資源、協同共享”的設計思路，構建功能模塊包括工程管理、樣本管理、建模管理、應用管理和知識管理的網絡協同制造大數據平臺架構，支持大數據平臺的低代碼快速開發，全面提升區域數控機床產業在網絡協同制造項目管理、研發、應用方面的能力。

2.2 總體架構

參考業界主流[12-13]及鋼鐵、紡織等行業[14-15]的網絡協同制造大數據平臺體系架構，本文研究了具有數據管理、數據交換優化、統一模塊接口規范的數控機床產業集聚區域網絡協同制造大數據平臺架構，依托大數據、人工智能等新興技術，支持構建高效、精準、實時的區域網絡協同制造大數據平臺，通過可視化操作界面、具象化算法結果、拖拽式任務流、可靈活自定義特性，及內置豐富模型算法與案例，實現對各種數據源、組件、算法、模型和評估模塊的組合應用，使缺乏數控機床行業模型構建能力的人員能在其之上通過簡單的學習進行模型訓練、評估和預測，解決各種跨時空跨領域生產、跨企業跨價值鏈高效協同、資源優化配置等場景問題。平臺總體架構設計方案如下圖所示，包括工程管理、樣本管理、建模管理、應用管理和知識管理五大功能模塊。

圖1 數控機床產業集聚區域網絡協同制造大數據平臺總體架構

3 數控機床產業集聚區域網絡協同制造大數據平臺架構功能模塊

3.1 工程和樣本管理

針對數控機床協同制造過程多源異構復雜環境中的數據樣本、建模流程管理與模型追溯等問題，設計平臺項目的運維管理和樣本資源管理，提供數據的業務管理功能和樣本處理工具集，對工程整體的橫向流程和縱向概況有全方位的詮釋和管理；對樣本資源的結構、分布等進行分析和詮釋，通過可視化界面使用工具集對其進行數據處理，從而實現平臺工程全生命周期管理。工程和樣本管理功能主要由工程管理和樣本管理模塊組成。

3.1.1 工程管理模塊

工程管理模塊對平臺上深度學習、機器學習任務進程進行監控和管理，對項目的數據接入、通用hub接口、數據處理、模型訓練、包裝應用的整個生命周期進行管理，支持實時可視化展示任務狀態和資源狀態，并記錄建模過程各環節詳細日志，包括接口管理、流程管理、迭代管理、權限管理、可視化展示、分析統計、安全管理7個子模塊。

1）接口管理

平臺通過統一的通用hub接口接入數控機床協同制造過程源數據，用文件傳輸或消息中間件實現來自不同數據源的傳輸異步操作。數據采集過程的吞吐量遠遠高于大數據平臺的處理能力，異步數據傳輸可以在大數據平臺和不同的數據源之間進行解耦。平臺架構支持其進行動態伸縮，如果數據是直接從外部數據庫中抽取，拉取數據使用批量方式，如果數據是從文件解析，則使用相應的解析器。

2）流程管理

流程管理具備完整的工程管理流程和建模管理流程，一個典型流程共包含“將工程數據從本地上傳到服務器、對工程數據做預處理、將預處理后的數據切分成訓練集和測試集、訓練預測模型、將驗證數據從本地上傳到服務器、對驗證數據做預處理、在驗證數據集上驗證預測模型、生成模型評估結果”8個環節。

3）迭代管理

迭代管理反映了整個的建模過程與追溯、建模方案的比較和建模方案的多種選擇等，用于管理建模周期內的源數據、模型和應用等對象產生和變化的整個過程。從開始導入樣本數據到最后形成應用，每個版本會經歷若干個階段，因此，在工作流程管理中，每一個版本都會分別對應某一個工作狀態、不同狀態的版本具有不同的使用控制權限。在區域網絡協同制造大數據平臺中，無需人工干預這些狀態標識，開發人員在開發新模型過程中，上傳新的樣本集、保存新的模型時，都會自動記錄操作信息。工作版本的權限可根據需要進行修改，每個工作版本都保存在工作區中，工作版本記錄了設計人員對產品的每次修改，便于開發人員隨時跟蹤任何一次修改的狀態。

4）權限管理

權限管理提供了項目管理員、編輯者、閱覽者3種默認角色，以方便管理員進行快速設置。項目管理員擁有對該項目中所有資源的編輯權限，并且可以修改項目名稱和描述，添加或刪除項目管理員，創建、修改、刪除角色，添加、刪除用戶及賦予用戶角色等；編輯者擁有對該項目中所有資源的編輯權限；閱覽者擁有對該項目中所有資源的查看權限。

5）可視化展示

將結構化或非結構化數據轉換成適當的可視化圖表，將隱藏在數據中的信息直觀地展現給用戶。數據可視化模塊底層與區域網絡協同制造大數據平臺對接，上層與數控機床的業務模型算法對接，通過拖拽的形式將數據與圖表進行綁定，快速實現數據可視化。圖表類型包括柱狀圖、折線圖、柱線圖、區域圖、散點圖、餅圖、地圖、甘特圖、卡片圖、氣泡圖、樹形圖、透視表、突出顯示表、多透視表、多度量圖、區域地圖、帕累托圖、熱力圖、儀表圖、漏斗圖、雷達圖等。

6）分析統計

大數據平臺支持多種數據庫、數據文件的集成解決方案，提供在線數據篩選、統計、分析功能，基于圖表數據進行自動分析，生成分析結論。

7）安全管理

大數據平臺具有安全性和穩定性。一方面，在架構設計中考慮平臺中模型、算法、數據的安全控制方案，有效防止模型、算法、數據的非法訪問和下載，防止數據泄露。另一方面，系統可對后臺異常按嚴重程度分級，不嚴重的異常后臺自動重新運行，嚴重的異常及時拋出到前臺告知用戶，對于一些常見的拋出異常（如空間不足、路徑不存在等），在拋出時會轉換成用戶易理解的錯誤信息。此外，用戶還可通過可視化控制臺查看任務日志。

3.1.2 樣本管理模塊

樣本管理模塊包括樣本分析和樣本處理。樣本分析是通過平臺可視化圖表和分析功能，對項目所有樣本源數據從樣本來源、樣本類型、樣本屬性、樣本質量、樣本結構5個角度進行分析，對樣本進行多維解析呈現和深度理解；樣本處理是通過統一的通用hub接口接入源數據，利用大數據平臺提供的一系列樣本處理工具集，進行樣本去噪、標定、增廣、優化、格式轉換等初步操作，對特定樣本數據進行篩選、幀提取等處理，形成標準化的平臺規范樣本數據。

3.2 大數據分析功能

大數據分析功能是大數據平臺架構的核心功能，對接入平臺的樣本數據進行建模分析，輸出分析結果與模型，對數控機床加工過程進行監測、預測和控制；提供算法庫、知識庫、可視化建模等一系列工具集，為分析建模提供輔助與支持；制定包括接口、數據格式、模塊組合等標準規范，增強大數據平臺的可擴展性；采用知識管理技術，積累算法和模型，形成數控機床知識空間，實現知識的發現、集成、協同與應用。大數據分析功能主要由建模管理、知識空間和應用管理模塊組成。

3.2.1 建模管理模塊

建模管理模塊對平臺大數據分析建模進行管理，建立建模流程，對操作人員的模型建立流程進行規范與行為指導，保證模型快速、有效建立；建立開放式組件庫，對算法組件進行封裝，建立模型時可通過拖拽等方式實現模型的快速建立；提供并行分布式訓練引擎，支持有監督、無監督等多種模型訓練方式；制定相應標準規范，對接入平臺的數據、模型接口、組件接口等進行規范化設定，保證建模過程標準有效。

1）建模流程

制定數據分析建模流程，規范建模過程，將整個建模過程分為算法選擇、模型設計、系統仿真、模型訓練、模型預測五個步驟。

算法選擇：根據大數據分析需求選擇相應算法，算法來源主要包括開放式組件庫以及知識空間中的算法庫。當需要的算法不足以支撐分析需求時，可自行進行算法的導入或由提供商進行算法的生成。

模型設計：根據大數據分析需求進行分析模型的設計，系統提供可視化的工業模型裝配線，設計人員可根據需要進行算法組合。若分析案例與平臺前期分析過的案例相符合，設計人員可直接從開放式模型庫中選擇相應模型進行建模。

系統仿真：完成所有環節的模型設計后，建立動態仿真引擎，實現仿真運行、仿真分析等功能，通過系統仿真對系統模型進行動態驗證，計算所有模型的仿真輸出，并與實采數據比較。

模型訓練：從并行分布式訓練引擎中選擇相應訓練模式，由訓練引擎統一調度服務器資源，使用樣本空間中的訓練數據進行模型訓練。

模型預測：使用樣本空間中的驗證數據進行模型分析結果驗證，并對模型進行優化，使用樣本空間中的測試數據進行分析結果預測。

2）標準規范

在建模管理模塊中提出整個大數據分析活動的標準和規范，對大數據平臺內的模型接口、組件接口、數據交換、模塊加入等行為進行標準化的定義，并制定相應的標準規范。

模型接口規范：為大數據平臺生成數據分析模型制定標準，包括數據集輸入方式、分析結果輸出方式、參數調整、功能描述、發布標準等。

組件接口規范：為接入大數據平臺的相關組件（如算法組件）制定標準，明確輸入、輸出、參數設定以及功能描述等。

數據交換標準：為大數據分析過程中的數據交換制定標準，如樣本數據接入格式、中間過程數據展現形式、分析結果的輸出格式等。

模塊加入標準：面向工業模型裝配線，制定模塊加入標準，為模型裝配提供相應的標準和指導，避免在模型設計中出現不符合邏輯的情況，使模型設計快速、準確進行。

3）開放式組件庫

大數據平臺提供開放式組件庫，主要包括深度神經網絡算法組件以及特定的功能組件兩大類。其中深度神經網絡算法組件包括卷積器、池化器、激活函數等基礎算法組件，還包括Inception模型、Res模型等相應的算法模型。功能組件即算法組件能夠實現的相應功能，如神經元功能可視化、特征分布計算、圖像頻譜分析等。

4）并行分布式訓練引擎

并行分布式訓練引擎面向并行及分布式計算，為大數據分析提供多種訓練方式以及分布式服務器資源的統一調度，使分析模型能夠充分利用資源，提高大數據分析效率。

5）工業模型裝配線

針對數控機床產業上下游企業開展工業大數據應用時所面臨的智能技術壁壘、建模工具缺乏等問題，大數據平臺提供工業模型裝配線功能，可以根據大數據分析項目需要，進行場景驅動的工業大數據智能模型可視化建模，制定模型庫接口規范，通過工業模型裝配線進行模型的在線裝配設計，可以從平臺開放式組件庫選擇深度神經網絡算法組件或功能組件，也可以使用知識空間中的算法庫或從開放式模型庫中已有的算法模型中進行選擇，實現可視化拖拽及低代碼嵌入方式快速構建智能模型。

3.2.2 知識管理模塊

大數據平臺采用知識管理技術對平臺產生成果進行研究，通過知識發現、知識集成、知識協同、知識應用等一系列技術手段，生成知識空間。知識空間主要包含開放式模型庫、算法庫、算法框架、理論/標準/規范、標定數據庫、圖像儲備庫、分析與評價數據等。

1）開放式模型庫

開放式模型庫用于管理大數據平臺生成或導入的分析模型，可以為模型設計提供支持與輔助，提高建模效率。從功能劃分上看，主要分為兩類，一類是單一功能的分析模型，如回歸模型、分類模型、關聯分析、序列分析、概率決策、分布擬合等；另一類是完整功能的分析模型，如圖像識別模型庫、系統辨識模型庫、自動控制模型庫。

單一功能的分析模型一般由平臺系統導入，開發人員按照平臺標準規范要求，對已有的或來自互聯網的算法進行修改后，通過相應接口導入模型庫，同時也支持開發人員通過平臺生成相應模型。完整功能的分析模型支持導入互聯網上已有的較為成熟的專用分析模型，需按照標準對算法進行修改與完善。開發人員使用平臺建模功能，通過驗證發布的模型也是此類分析模型的重要來源。

2）算法庫

知識空間提供一個基礎的通用算法庫，集成已有的分析算法包括淺層學習和深度學習算法，開發人員不必進行基礎算法編程，專注于模型設計。算法庫中的算法符合平臺標準規范，提供標準接口可由開發人員或者系統研發人員進行算法的導入。

3）算法框架

按照平臺標準規范，集成已有的深度學習分析框架。系統默認支持google開源框架TensorFlow、facebook框架Torch、Caffe、paddle等，可以通過統一標準接口進行調用。

4）理論/標準/規范

大數據平臺提供高維狀態空間、自適應行為變化、連續動作空間等復雜環境下的深度學習理論方法，提供深度強化學習標準規范。

5）標定數據庫

大數據平臺對標定數據進行維護生成標定數據庫，主要包括專用標定數據和公共標定數據，通過平臺運行使用逐步豐富完善標定數據庫，為后續數據標定提供輔助與支持。

6）圖像儲備庫

大數據平臺對圖像及標簽進行存儲，對圖像分級類別進行描述，生成圖像儲備庫，便于后續進行圖像分類檢索。

3.2.3 應用管理模塊

應用管理模塊是大數據平臺的結果輸出接口，對數控機床協同制造、工業控制、狀態預測等方面應用的大數據分析結果進行輸出，包括數控機床模型的發布、分析算法的嵌入式移植、運行過程監控以及性能/根因/健康分析等。

1）發布管理

平臺大數據分析建模完成后，可以將模型進行發布，發布的模型存儲到知識空間的開放式模型庫中，結合平臺系統的工程管理模塊，對模型的功能、模型的組成結構、產生過程等進行描述，為后續相同或相近項目提供輔助支持。

2）運行監控

大數據平臺提供運行監控功能，對分析模型進行實時監控，提供可視化輸出接口，實時顯示數據分析的過程。運行監控支持對數控機床工業現場設備數據及分析過程的實時監控。

3）嵌入式移植

大數據平臺使用Python進行編程，具有較好的可以移植性。針對某些需要進行實時數據分析的場景，通過平臺建模生成相應模型，將模型進行壓縮并導入作業現場的設備中，對設備采集到的數據進行實時分析，并將數據及分析結果返回到平臺。

4）性能/根因/健康分析

執行性能/根因/健康分析操作，并對分析結果進行格式化輸出，生成分析報告。

4 結語

本文通過剖析數控機床網絡協同制造大數據平臺建設過程中，對于數據匯集、數據協同、數據處理、數據分析等大數據技術的應用需求，從工程管理、樣本管理、建模管理、應用管理和知識管理五個方面設計大數據平臺的具體功能實現，建立面向數控機床產業集聚區域的網絡協同制造大數據平臺整體架構，為網絡協同制造服務平臺提供大數據使能技術支撐，為學術界和數控機床產業界提供大數據平臺架構參考。