基于数据中台的智能工厂信息化平台设计

关键词：智能工厂；数据中台；信息化

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2023）03-0057-03

随着全球市场竞争的日益激烈，制造业在提高质量、降低成本、减少消耗和增加效益等方面产生了强烈的需求，由此引发新一轮工业革命，智能工厂和智能制造成为国内外产业变革的核心驱动和战略焦点。德国提出工业4.0计划，基于先进的工业制造和自动化技术，重点研究智能化生产控制系统和过程管理，应用信息物理系统（CPS） 技术提升智能制造水平；美国提出工业互联网概念，发挥信息技术优势，利用新一代信息通信技术与工业经济深度融合，构建覆盖全产业链的全新制造和服务体系；中国提出“中国制造2025”，以信息化与工业化深度融合为主线，促进以云计算、物联网、大数据为代表的新一代信息技术与现代制造业、生产性服务业等的融合创新，从而提升中国制造水平，实现从制造大国向制造强国的转变[1]。烟草行业内各个企业也开始大力发展智能工厂建设，积极推进改革创新，以提高企业在市场上的竞争力。智能工厂是工业化和信息化的深入融合，而信息化是智能工厂的灵魂所在，需以信息化为支撑，推进智能工厂建设的探索和实践。

1 智能工厂信息化建设分析

1.1 智能工厂信息化建设范围

通过对国内外智能工厂建设模式的研究，以及智能工厂相关标准、指导意见和试点工厂的分析，确定智能工厂信息化建设范围，如图1所示。

智能工厂建设主要包括先进工业制造技术和工业互联网两大部分。其中，先进工业制造技术，泛指智能机器设备、先进工艺材料等，主要是车间生产设备和生产线的智能化；工业互联网，泛指信息技术在智能制造方面的深化应用，包括工业应用层、工业平台层、基础设施层、边缘层和安全防护[2]。智能工厂信息化建设涵盖工业互联网大部分内容，从智能应用建设、平台建设、基础设施到网络安全防护。

1.2 智能工厂信息化建设问题

智能工厂建设是一个从数字化、网络化再到智能化的过程。数字化是基础，实现对数据的汇聚、梳理、建模和数据资产管理；网络化是采用信息物理系统（CPS） 技术建立信息世界和物理世界的关联，并通过物联网技术建立物理实体间的泛在连接；智能化是通过新一代人工智能等技术，实现智能化生产的自学习、自适应、自主控制和人机协同。目前卷烟工厂都建设了生产制造执行系统（MES） 、制丝集控系统、卷包数采系统和能管系统等，实现生产过程中部分设备的自动化控制和生产过程的信息化管理，随着信息化与生产管理的不断融合，生产过程中产生的大量数据如何有效应用和管理，从而打造智能工厂建设的基础，成为亟待解决的问题。

1） 数据有效管理的问题

生产过程数据是一个庞大复杂的集合，具有数据量大、数据类型多和高速性等特征[3]。如MES系统、制丝集控、卷包数采等系统每天均产生大量数据，且数据类型繁多，包括质量数据、产量数据、消耗数据等，同时对数据处理速度有较高要求。

生产数据分散存储于各信息系统或底层设备，历史数据存储时长不一，数据存储空间各异，数据存储安全性值得担忧。对大规模历史数据进行集中存储，不仅要求服务器拥有足够的存储空间，而且对数据的安全存储、高效检索性能等提出了挑战。

对生产历史数据进行存储后，需要对数据进行梳理和评估形成企业“数据资产”，现在已利用的数据仅占现有可采集数据的一部分，在现有可采集数据不能满足业务需求的情况下，还需要考虑通过改造设备或增加传感器等方式获取更多数据。由于缺乏对“数据资产”的盘点和价值评估，数据之间缺乏关联关系，数据得不到最大化利用，形成了新型数据孤岛。

2） 创新应用的问题

在智能工厂创新应用建设探索过程中，业务部门更加深刻认识到数据的价值，形成了数据分析众创氛围。随着数据分析工作的不断深入，缺乏数据平台支撑的矛盾日益凸显。智能工厂的创新应用需要坚实的数据基础，对各业务维度数据进行系统梳理、建立关联、有效存储等。传统信息系统（如MES、ERP等）的技术架构难以应对大规模数据的分析，并且利用生产数据库进行大数据分析，会给生产系统带来性能和稳定性风险。

数据分析众创，还需要解决问题是从哪里可以获取哪些数据？用哪些工具进行有效分析？目前数据获取数据的主要方式是从各信息系统中人工导出数据，在跨系统获取数据时，往往不知道有哪些数据，不知道数据之间有何关联等，同时缺少系统专业的分析模型和方便易用的数据分析工具。

通过对智能工厂建设范围和智能工厂信息化建设问题的分析，智能工厂是建立在数字化工厂基础上的，是信息技术与工业技术的深度融合，大数据技术、虚拟仿真和人工智能等先进技术都是数据的深化应用，数据的管理和应用是智能工厂建设的基础[4]。

2 智能工厂信息化平台设计

2.1 数据中台技术

数据中台是指通过数据技术，以统一的标准和口径对海量数据进行采集、计算、存储、加工，形成标准数据进行存储，形成大数据资产，进而为用户提供高效服务。这些服务跟企业业务有较强的关联性，是企业独有且能复用的，是企业业务和数据的沉淀。数据中台的核心是一个数据管理体系，包括数据仓库规划、数据规范定义、数据建模研发、数据连接萃取、数据运维监控、数据资产管理工具等。同时，数据中台是一个数据集成平台，它不仅仅是数据分析挖掘，还作为数据源为业务应用提供数据和计算服务。

传统信息系统架构是类似“前台+后台”的构建模式，如图2所示。

但是随着面向各种业务的信息系统纷纷上线，系统之间对历史数据的共用现象越来越普遍。如果在每个信息系统分别建设大数据管理平台，则会造成重复投资且不易于管理。因此在前台和后台之间，逐渐抽象形成了“数据中台”，如图3所示。

“数据中台”与传统“大数据平台”的区别在于，具有全局的数据资产管理和数据治理能力，其更强调对外服务。数据即服务，服务于各个信息系统，服务于众创团队，为业务部门赋能，进行数据能力共享管理，真正让数据用起来。数据的管理和应用是智能工厂建设的基础，通过工业互联网平台架构结合数据中台技术，可有效解决工业大数据的管理和深化应用问题。

2.1 整体架构设计

参考工业互联网平台应用层、平台层、基础设施层和边缘层等四层架构设计，结合数据中台思想，提出了以下智能工厂信息化平台设计架构，包括边缘层、基础设施层、平台层、应用层和网络安全防护五个部分。

1） 边缘层

边缘层是基础。边缘层对底层设备产生的工业数据进行采集，并对不同来源的工业数据进行协议解析和边缘处理。一是工业数据接入，实现对各类工业数据的大范围、深层次采集和连接；二是协议解析与数据预处理，将采集的各类多源异构数据进行格式统一和语义解析，并进行数据剔除、压缩、缓存等处理；三是边缘分析应用，面向实时应用场景，开展实时分析与反馈控制，并提供边缘应用开发所需的资源调度、运行维护等功能。

2） 基础设施层

基础设施层（IaaS） 是支撑。基础设施层主要提供计算资源、网络资源、存储资源等基础设施，通过虚拟化技术将计算、存储、网络等资源池化，构建具有大存储量、高计算性能、高稳定性的硬件基础架构，提供可计量、弹性化的资源服务，实现资源服务的动态管理，提升资源服务有效利用率，确保资源服务的安全，构建5G无线网络支撑移动应用和物联网应用。基础设施层为平台层的功能运行和应用层的应用服务提供完整的底层基础设施服务。

3） 平台层

平台层（PaaS） 是核心。平台层提供资源管理、数据与模型管理、数据建模分析和微服务管理等功能。以数据中台为核心，对系统资源进行调度和管理，集成大数据、微服务等技术，为智能应用提供支撑；对工业大数据进行数据预处理、数据关联、数据建模等处理，为数据分析提供高质量数据源；通过工业建模分析、应用仿真分析、作业流程分析等工业机理建模方法和统计分析、大数据、人工智能等数据分析建模方法，实现数据价值的深度挖掘分析；对微服务进行管理，包括权限管理、服务订阅、服务授权、消息推送、资源监控和日志分析等。

4） 应用层

应用层（SaaS） 是关键。应用层提供智能应用、应用众创、应用商店、应用二次开发集成等功能。一是智能应用，针对生产调度、工艺质量、能耗优化、设备管理等需求，构建各类工业App应用解决方案；二是应用众创，打造开放的数据分析应用开发环境，提供各类资源工具和技术文档，支撑业务人员开展创新应用，区别于智能生产、智能质量等工厂智能应用，独立于生产环境，是智能应用的孵化器；三是应用商店，提供工业App应用的应用管理、展示分发等服务，支撑实现工业App应用推广使用；四是应用二次开发集成，对原有工业App应用进行定制化改造，以适配特定应用场景或是满足用户个性化需求。

5） 网络安全防护

网络安全防护是保障。网络安全防护对边缘层、基础设施层、平台层、应用层等多层面进行综合性的安全防护，包括数据安全、应用安全、网络安全和工控安全。数据安全侧重数据加密传输、安全存储、分类分级、访问控制、敏感数据识别和保护等方面；应用安全侧重身份认证、权限控制、微服务组件安全、应用安全加固等方面；网络安全侧重网络访问控制、入侵检测、防火墙、工控网络安全、无线网络监控等方面；工控安全侧重设备可信验证、工控协议防护、工控系统防护等方面。

2.2 数据中台架构

数据中台通过对MES、制丝集控、卷包数采等多源多类型数据进行抽取和统一存储，建立数据关联，进行数据资产管理，提供可视化数据获取和数据服务接口，实现“让数据用起来”的原则和目的。包括数据源、数据抽取、数据资产管理和数据服务四个部分。

1） 数据源

数据中台需要采集的数据源包括MES、制丝集控、卷包数采、动力能管等系统。这些数据源中的数据形式主要包括OPC（OLE for Process Control） 协议、实时历史数据库、非结构化数据等。

2） 数据抽取

使用ETL（Extract-Transform-Load） 工具将OPC协议、实时历史数据库和非结构化数据进行抽取、传输、加载到数据仓库中。针对不同的数据源和数据形式，需要使用不同的ETL工具，例如通过OPC协议抽取数据的ETL工具、从实时历史数据库抽取数据的ETL工具等。

3） 数据资产管理

数据资产管理包括数据存储、数据质量、数据关联、数据共享、数据安全、元数据管理和价值评估等。

经过抽取的数据将根据数据性质，分别存储于Hadoop 等大数据平台或NoSQL等数据库中[5]；将计划、质量、设备、能源等不同业务领域数据进行关联；建立数据模型，对数据进行系统的数据资产管理；针对工业大数据“价值密度低”的特点，需要对数据价值进行评估，评估过程也是对数据再梳理再发掘的过程。

4） 数据服务

数据服务是“让数据用起来”的关键，是数据中台的向外输出。数据中台可提供可视化的数据获取界面，让用户可以直观地获取到数据中台中的数据；数据服务接口是数据中台为各类智能应用提供的数据服务接口；众创数据服务是为满足业务部门众创需求，为众创应用提供高效的数据服务和友好的开发环境；数据加工服务通过对数据分析工具进行封装，提供可视化的数据分析算法和工具。

3 结论

随着信息技术在生产制造和工业领域的不断深化应用，制造业正经历以信息化与工业化深度融合为标志的新一代产业革命，逐步向数字化、智能化、透明化和人机协同的智能制造方向发展。本文在对智能工厂信息化建设探讨和分析的基础上，提出基于数据中台的智能工厂信息化平台架构设计和适用于工业大数据管理的数据中台架构方案，对工业互联网、数据中台和大数据等技术在智能工厂建设中的应用具有一定借鉴作用，为传统制造工厂从数字化、网络化到智能化的发展奠定了基础。然而当前智能工厂建设尚处于初始阶段，对信息化如何推动智能工厂建设还需进一步探索。下一步将以智能工厂建设为应用场景，通过实施智能工厂数据中台项目，逐步开展基于数据中台的智能工厂信息化平台建设，可为智能工厂信息化建设提供有效的数据管理手段和高效的数据治理能力，为智能工厂创新应用提供可扩展高性能的系统平台以及对数据分析众创提供高质量的数据服务，在数字资产管理和数据深化应用等方面支撑智能工厂信息化建设。