CN113268486A - 智能工厂的一体化数据应用系统 - Google Patents
智能工厂的一体化数据应用系统 Download PDFInfo
- Publication number
- CN113268486A CN113268486A CN202110634426.2A CN202110634426A CN113268486A CN 113268486 A CN113268486 A CN 113268486A CN 202110634426 A CN202110634426 A CN 202110634426A CN 113268486 A CN113268486 A CN 113268486A
- Authority
- CN
- China
- Prior art keywords
- data
- source heterogeneous
- real time
- module
- enterprise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000872 buffer Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供了一种智能工厂的一体化数据应用系统,包括:数据采集模块,用于实时采集企业的多源异构数据,数据处理模块,用于对实时采集到的该多源异构数据进行存储,并对存储的多源异构数据进行数据分析,数据应用模块,用于根据该企业的业务需求和/或应用需求,从该数据处理模块中获取相应的多源异构数据,并根据该相应的多源异构数据用于实现该企业的业务需求和/或应用需求。
Description
技术领域
本公开涉及智能制造技术领域,更具体地,涉及一种智能工厂的一体化数据应用系统。
背景技术
高度自动化/数字化设备的大范围应用、工业互联网的快速普及、先进传感器的应用是智能工厂的重要特征,与工业1.0、工业2.0时代的工厂相比,当下的智能工厂每时每刻获取的数据量越来越大。数据量的剧增对工厂的数据采集、存储、应用都带来前所未有的挑战。同时,数据作为新兴生产资料,大量工厂并未有效应用数据,没有形成数据对工厂运行优化、系统运行、业务需求和优化的支撑应用能力。
企业业务能级的提升、工厂智能化建设需要高价值的数据应用,高价值的数据应用能够加快企业:工业App的开发,工业机理的建模,工厂工艺与流程的优化,特定场景工况的调整与响应,机器设备与业务需求的系统,系统中多机器之间的工作协同,数据高价值的应用。当前智能工厂能够产生海量数据,但缺乏有效的工具与方式,依据动态变化的工厂内外部环境、生产任务和工况,为实现高质量生产、高品质产品、快速创新研发、高效运营的多方面需求,针对性的将智能工厂的多源异构数据应用起来。
发明内容
有鉴于此,本公开提供了一种智能工厂的一体化数据应用系统,以至少部分解决以上所提出的技术问题。
本公开的一个方面提供了一种智能工厂的一体化数据应用系统,包括:
数据采集模块,用于实时采集企业的多源异构数据;
数据处理模块,用于对实时采集到的所述多源异构数据进行存储,并对存储的多源异构数据进行数据分析;
数据应用模块,用于根据所述企业的业务需求和/或应用需求,从所述数据处理模块中获取相应的多源异构数据,并根据所述相应的多源异构数据用于实现所述企业的业务需求和/或应用需求。
在本公开一实施例中,所述业务需求包括订单系统与生产排程、生产制造控制、用户服务、智能物流、生产资料使用情况、产业链信息系统对接中的至少一种;
所述应用需求包括工厂生产资源、APP开发、工业机理模型沉淀与优化、企业内数据搜索中的至少一种。
在本公开一实施例中,所述企业内数据搜索具体通过采用Elasticsearch搜索引擎,同步存储所述数据处理模块中存储的多源异构数据,创建对所述多源异构数据的索引实现。
在本公开一实施例中,所述数据处理模块包括:
第一数据处理子模块,用于对实时采集到的所述多源异构数据进行处理并分类存储;
第二数据处理子模块,用于对实时采集到的多源异构数据和/或历史存储的多源异构数据进行分析。
在本公开一实施例中,所述第一数据处理子模块包括:
kafka集群,用于将实时采集到的多源异构数据进行分类缓存;
Flink集群,用于对来自所述kafka集群的多源异构数据进行流处理;
多个非关系型数据库,用于对经过所述Flink集群处理后的多源异构数据进行存储。
在本公开一实施例中,所述多个非关系型数据库包括MongoDB数据库和Hbasa数据库;
所述MongoDB数据库用于分布式存储所述多源异构数据中的企业内部运营数据;
所述Hbasa数据库,用于存储所述多源异构数据中的企业外部数据和业务系统历史数据。
在本公开一实施例中,所述MongoDB数据库的架构为分片+复制的分布式架构。
在本公开一实施例中,所述第二数据处理子模块,还包括:
数据对比单元,用于将实时采集到的指定数据与历史采集到的所述指定数据进行对比,所述指定数据包括来自传感器数据、产线设备数据、工艺数据、App应用系统数据中至少一种;
数据学习单元,用于根据实时采集的多源异构数据调整设备的相关参数;
数据分析单元,用于根据历史采集到的多源异构数据进行机器学习,优化数据模型。
在本公开一实施例中,所述数据采集模块,具体用于采集业务数据、物料数据、产线设备数据、工艺数据、传感器数据、用户数据及企业外部数据中的至少一种。
在本公开一实施例中,所述系统通过API、webservice对接与智能工厂关联的外部系统。
本公开可至少实现以下有益效果:
(1)在推进数据在企业内部价值链实现汇集、应用与价值创造的基础上,进一步让数据在产业链、产业生态系统层面得到流通与应用。
(2)有助于数据的垂直一体化打通,从底层设备、生产系统控制、管理决策的多层打通和垂直贯通。
(3)实现底层数据与企业IT资源和业务的对接,实现从底层传感器、自动化设备、工艺流程、生产运营、市场营销、供应链等企业内部垂直打通和企业外部的横向打通,有助于快速开发轻量级企业应用App。
(4)数据的采集、处理、展示模块运行相互隔离,某一模块宕机不影响系统运行其他的程序模块依然可以正常运行。
(5)促进智能机器之间的协同,有效分配与应用计算和存储资源,提升硬件资产应用率。
(6)破除数据孤岛,提升孤岛数据的协同应用。以业务需求为牵引,优化系统任务的快速分解,系统应对更加复杂性、环境动态变化性工作任务的适应性增强,提升系统的整体效能。
(7)工业4.0重要的特征是柔性制造,多个制造工序里的机器设备可以根据订单的需求和当下运行状态智能化重新组成柔性化、满足当下订单需求的生产线,通过实时数据、历史数据与智能工厂现场的订单需求与生产任务安排充分结合,增加工艺与流程的弹性与质量优化。
(8)数据的全面管理与充分流动,充分的将“OT-IT-DT-业务”融合起来,实现企业数字化资产、APP、业务之间松耦合、但高效融合和快速创新,简化了现场感知、数据获取、存储与分析、运营洞察与决策的流程。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1为本公开实施例智能工厂的一体化数据应用系统的结构示意图;
图2为本公开实施例智能工厂的一体化数据应用系统中第一数据处理子模块的结构示意图;
图3为本公开实施例智能工厂的一体化数据应用系统中第二数据模块的结构示意图;
图4为本公开实施例智能工厂的一体化数据应用系统中数据应用模块的结构示意图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
图1为本公开实施例智能工厂的一体化数据应用系统的结构示意图。
如图1所示,本公开智能工厂的一体化数据应用系统包括数据采集模块、数据处理模块和数据应用模块。
数据采集模块,用于实时采集企业的多源异构数据;
数据处理模块,用于对实时采集到的该多源异构数据进行存储,并对存储的多源异构数据进行数据分析;
数据应用模块,用于根据该企业的业务需求和/或应用需求,从该数据处理模块中获取相应的多源异构数据,并根据该相应的多源异构数据用于实现该企业的业务需求和/或应用需求。
在本公开一实施例中,数据采集模块,具体用于采集业务数据(订单、销售、服务等)、物料数据(物料参数、生命周期)、产线设备数据(运行数据、属性数据)、工艺数据、传感器数据、用户数据及企业外部数据中的至少一种。其中,智能工厂通过工业以太网、无线网络、抓取工具(例如Sqoop、Scrapy),使用Profinet/Modbus/Ethercat、OPC UA、TCP/IP、MQTT等通讯协议,实现数据的采集与传输。
在本公开一实施例中,数据处理模块具体包括第一数据处理子模块和第二数据处理子模块,第一数据处理子模块,用于对实时采集到的该多源异构数据进行处理并分类存储;第二数据处理子模块,用于对实时采集到的多源异构数据和/或历史存储的多源异构数据进行分析。
在本公开一实施例中,数据应用模块中的的业务需求(技术系统)和/或应用需求(应用场景业务需求)两者之间相互联系。智能工厂的一体化数据应用系统通过API、webservice对接与智能工厂关联的外部系统。外部系统例如工业电商、地方政府数据/产业信息平台、产业链/供应链平台、金融服务系统等,提升智能工厂对产业链变动的响应能力。
根据本公开实施例,智能工厂的一体化数据应用系统包括数据采集模块、据处理模块和数据应用模块,数据采集模块,用于实时采集企业的多源异构数据,数据处理模块,用于对实时采集到的该多源异构数据进行存储,并对存储的多源异构数据进行数据分析,数据应用模块,用于根据该企业的业务需求和/或应用需求,从该数据处理模块中获取相应的多源异构数据,并根据该相应的多源异构数据用于实现该企业的业务需求和/或应用需求,通过智能工厂的一体化数据应用系统,将智能工厂的海量数据针对工厂运营高效应用起来,提供对工厂运行优化、系统运行、业务需求和优化的支撑应用能力。
图2为本公开实施例智能工厂的一体化数据应用系统中第一数据处理子模块的结构示意图。
如图2所示,第一数据处理子模块包括:kafka集群,用于将实时采集到的多源异构数据进行分类缓存;Flink集群,用于对来自该kafka集群的多源异构数据进行流处理;多个非关系型数据库,用于对经过该Flink集群处理后的多源异构数据进行存储。
在本公开中,Kafka集群是一个分布式消息队列,采用分区提供负载均衡的能力,实现系统的高伸缩性。Kafka具有高性能、持久化、多副本备份、横向扩展能力,在企业数据流通过程中起到解耦、削峰、异步处理的作用。Kafka集群接收实时采集到的多源异构数据(该多源异构数据可以是来自工厂设备数据、环境检测和能源监测等的传感器数据),作为消息代理转发这些数据给Flink集群。Kafka作为实时数据的缓存模块,通消息队列中的消息生产者接口,将实时数据缓存到消息队列的不同主题分区当中。
在本公开中,Flink是分布式系统,将连续时间中的流数据分割成一系列微小的批量作业进行数据处理,能够同时实现批处理和流处理,用于对无界和有界数据流进行有状态的计算。Flink集群实时读取Kafka集群中的数据进行处理,实现Kafka集群的消费者,将处理的结果发送给Hbase、MongoDB。具体的,Flink集群作为消息的消费者,数据读取接口从Kafka集群的主题分区中拉取缓存数据,用于流计算,Flink集群对连续性实时数据进行实时摄取、分析和处理,具有吞吐量、高性能、低延迟的特性。Flink集群对来自Kafka集群的数据执行转换,进行过滤,映射,加入,分组和聚合等数据转换操作,Flink集群在保持状态的同时能快速从故障中恢复。针对产线设备繁杂、生产环境复杂,难以对全部的产线设备情况进行监控,不能适应现代制造高效、实时和快速响应的需求问题,利用现场总线、工业以太网、无线传感器网络技术和物联网技术使企业的每一个设备的运行数据自动、实时、准确。
在本公开一个实施例中,多个非关系型数据库包括MongoDB数据库和Hbasa数据库,该MongoDB数据库用于存储该多源异构数据中的企业内部运营数据,该Hbasa数据库,用于存储该多源异构数据中的企业外部数据和业务系统历史数据。
具体的,通过Kafka集群和Flink集群处理后的数据写入Hbase数据库和MongoDB数据库中。MongoDB数据库构建分片+副本集数据集群,存储从智能工厂采集的多源异构数据,把所有数据进行整理和分析,根据集合的创建原则创建MongoDB数据库集合,依据索引的创建原则完成MongoDB数据库索引的创建。智能工厂实时采集到的多源异构数据和历史采集到的多源异构数据相互叠加,产生海量数据,MongoDB数据库采用分片+复制的分布式架构来解决单机服务器的瓶颈。
在本公开一个实施例中,MongoDB数据库分布式存储企业内部运营数据,该企业内部运营数据可以是传感器、PLC、工控设备、工艺参数、产线装备智能设备运营、以及设备汇报的日志信息,并对这些信息进行多维度的分析。Hbasa数据库存储该多源异构数据中的企业外部数据和业务系统历史数据。企业外部数据可以是市场需求数据、原材料价格数据、供应链数据。MongoDB数据库具有高性能和高度伸缩性,支持多种功能和查询语言。基于分布式的MongoDB数据库支持海量数据,MongoDB数据库对IoT、边缘数据无缝对接,同时数据分析增加了新的维度,通过从数据中获取新的见解,有助于提高其数据分析的质量,深度和灵活性。
图3为本公开实施例智能工厂的一体化数据应用系统中第二数据模块的结构示意图。
如图3所示,第二数据处理子模块,还包括:
数据对比单元,用于将实时采集到的指定数据与历史采集到的该指定数据进行对比,该指定数据包括来自传感器数据、产线设备数据、工艺数据、App应用系统数据中至少一种。
数据学习单元,用于根据实时采集的多源异构数据调整设备的相关参数。
数据分析单元,用于根据历史采集到的多源异构数据进行机器学习,优化数据模型。
在本公开中,基于模型的数据分析,用于业务预警、优化、预测。支撑数据预测分析、跨领域分析、主动分析、实时分析以及多元化结构化数据分析,可以加速从数据到价值的过程,工业机理分析、模型优化,推进AI落地。将实时采集到的指定数据与历史采集到的该指定数据进行对比,指定数据包括来自传感器数据、产线设备数据、工艺数据、App应用系统数据中至少一种,进行问题发现、业务关键点洞察和工业机理模型优化。通过机器学习、强化学习计算框架,根据实时采集的多源异构数据调整设备控制参数,挖掘知识、工艺理论和经验,开展基于大数据和知识相融合的协同驱动建模。根据采集到的多源异构数据展开机器学习,优化专家系统数据模型,实现模型工艺参数的在线辨识和自适应调整,达到工艺参数的最优化控制,提升工厂工艺过程控制水平,使产品质量、性能得到有效控制,提高工厂柔性化生产水平。设备/制造工艺优化场景中,采用深度学习方法对设备运行、工艺参数等数据进行综合分析并找出最优参数,能够大幅提升运行效率与制造品质。
图4为本公开实施例智能工厂的一体化数据应用系统中数据应用模块的结构示意图。
如图4所示,数据应用模块包括应用场景业务需求(业务需求)和/或技术系统(应用需求),业务需求包括订单系统与生产排程、生产制造控制、用户服务、智能物流、生产资料使用情况、产业链信息系统对接中的至少一种。数据应用模块中的应用需求包括工厂生产资源、APP开发、工业机理模型沉淀与优化、企业内数据搜索中的至少一种。
在本公开中,基于工业机理模型,针对业务需求,数据灵活调用开发轻量级App应用。通过不断丰富和更新的数据构建工业机理模型或者优化既有工业机理模型,针对业务需求:订单系统与生产排程结合、物料调配、生产计划全自动化、订单自动转化为场内的生产需求、分解成具体产线的生产任务、生产和运营数据的实时全局可视化、全流程的质量可监控和可追溯,用数据开发与业务结合的轻量级App。针对技术系统。
在本公开一实施例中,企业内数据搜索具体通过采用Elasticsearch搜索引擎,同步存储该数据处理模块中存储的多源异构数据,创建对该多源异构数据的索引实现。具体的,Elasticsearch同步存储于MongoDB中数据,使用的mongo-connector工具创建数据的索引,其中,mongo-connector同步数据首先需要确保mongodb为副本集。Elasticsearch通过MongoDB的Oplog建立索引,mongo-connector通过监听Oplog,实时对数据进行采集并直接同步到Elasticsearch中。采用Elasticsearch索引数据,可降低对原材料数据、生产装备数据、工艺数据、产品数据、环境数据、用户数据等数据关联的查询时间,从而提升系统的整体响应速度,把数据用在不同的智能工厂业务当中,提升数据使用的灵活性、实时性和针对性,达到业务需求导向的有数据可查、有数据可用。
在本公开一实施例中,业务需求包括订单系统与生产排程、生产制造控制、用户服务、智能物流、生产资料使用情况、产业链信息系统对接中的至少一种。该应用需求包括工厂生产资源、APP开发、工业机理模型沉淀与优化、企业内数据搜索中的至少一种。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种智能工厂的一体化数据应用系统,包括:
数据采集模块,用于实时采集企业的多源异构数据;
数据处理模块,用于对实时采集到的所述多源异构数据进行存储,并对存储的多源异构数据进行数据分析;
数据应用模块,用于根据所述企业的业务需求和/或应用需求,从所述数据处理模块中获取相应的多源异构数据,并根据所述相应的多源异构数据用于实现所述企业的业务需求和/或应用需求。
2.根据权利要求1所述的系统,所述业务需求包括订单系统与生产排程、生产制造控制、用户服务、智能物流、生产资料使用情况、产业链信息系统对接中的至少一种;
所述应用需求包括工厂生产资源、APP开发、工业机理模型沉淀与优化、企业内数据搜索中的至少一种。
3.根据权利要求2所述的系统,所述企业内数据搜索具体通过采用Elasticsearch搜索引擎,同步存储所述数据处理模块中存储的多源异构数据,创建对所述多源异构数据的索引实现。
4.根据权利要求1所述的系统,所述数据处理模块包括:
第一数据处理子模块,用于对实时采集到的所述多源异构数据进行处理并分类存储;
第二数据处理子模块,用于对实时采集到的多源异构数据和/或历史存储的多源异构数据进行分析。
5.根据权利要求4所述的系统,所述第一数据处理子模块包括:
kafka集群,用于将实时采集到的多源异构数据进行分类缓存;
Flink集群,用于对来自所述kafka集群的多源异构数据进行流处理;
多个非关系型数据库,用于对经过所述Flink集群处理后的多源异构数据进行存储。
6.根据权利要求5所述的系统,所述多个非关系型数据库包括MongoDB数据库和Hbasa数据库;
所述MongoDB数据库用于分布式存储所述多源异构数据中的企业内部运营数据;
所述Hbasa数据库,用于存储所述多源异构数据中的企业外部数据和业务系统历史数据。
7.根据权利要求6所述的系统,所述MongoDB数据库的架构为分片+复制的分布式架构。
8.根据权利要求4所述的系统,所述第二数据处理子模块,还包括:
数据对比单元,用于将实时采集到的指定数据与历史采集到的所述指定数据进行对比,所述指定数据包括来自传感器数据、产线设备数据、工艺数据、App应用系统数据中至少一种;
数据学习单元,用于根据实时采集的多源异构数据调整设备的相关参数;
数据分析单元,用于根据历史采集到的多源异构数据进行机器学习,优化数据模型。
9.根据权利要求1所述的系统,其中,所述数据采集模块,具体用于采集业务数据、物料数据、产线设备数据、工艺数据、传感器数据、用户数据及企业外部数据中的至少一种。
10.根据权利要求1所述的系统,所述系统通过API、webservice对接与智能工厂关联的外部系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634426.2A CN113268486A (zh) | 2021-06-07 | 2021-06-07 | 智能工厂的一体化数据应用系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634426.2A CN113268486A (zh) | 2021-06-07 | 2021-06-07 | 智能工厂的一体化数据应用系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113268486A true CN113268486A (zh) | 2021-08-17 |
Family
ID=77234475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110634426.2A Pending CN113268486A (zh) | 2021-06-07 | 2021-06-07 | 智能工厂的一体化数据应用系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268486A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742247A (zh) * | 2021-09-23 | 2021-12-03 | 四川新网银行股份有限公司 | 一种针对sqoop的数据采集测试优化方法 |
CN113868306A (zh) * | 2021-08-31 | 2021-12-31 | 云南昆钢电子信息科技有限公司 | 一种基于opc-ua规范的数据建模系统和方法 |
CN114415602A (zh) * | 2021-12-03 | 2022-04-29 | 珠海格力电器股份有限公司 | 工业设备的监控方法、装置、系统和存储介质 |
CN116132548A (zh) * | 2023-02-06 | 2023-05-16 | 北京思维实创科技有限公司 | 一种分布式多源异构数据的数据采集方法及其系统 |
CN117726080A (zh) * | 2024-02-05 | 2024-03-19 | 南京迅集科技有限公司 | 多源异构数据驱动的智能制造决策系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170053242A1 (en) * | 2015-08-18 | 2017-02-23 | Satish Ayyaswami | System and Method for a Big Data Analytics Enterprise Framework |
CN109492773A (zh) * | 2018-10-17 | 2019-03-19 | 南京昊瀛天成信息技术有限公司 | 一种基于工业大数据的智能决策系统 |
CN111932395A (zh) * | 2020-08-11 | 2020-11-13 | 清华大学 | 一种基于混合云架构的制造业数字化系统 |
CN111950927A (zh) * | 2020-08-24 | 2020-11-17 | 清华大学 | 一种智能工厂多源异构大数据的获取与管理系统 |
-
2021
- 2021-06-07 CN CN202110634426.2A patent/CN113268486A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170053242A1 (en) * | 2015-08-18 | 2017-02-23 | Satish Ayyaswami | System and Method for a Big Data Analytics Enterprise Framework |
CN109492773A (zh) * | 2018-10-17 | 2019-03-19 | 南京昊瀛天成信息技术有限公司 | 一种基于工业大数据的智能决策系统 |
CN111932395A (zh) * | 2020-08-11 | 2020-11-13 | 清华大学 | 一种基于混合云架构的制造业数字化系统 |
CN111950927A (zh) * | 2020-08-24 | 2020-11-17 | 清华大学 | 一种智能工厂多源异构大数据的获取与管理系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868306A (zh) * | 2021-08-31 | 2021-12-31 | 云南昆钢电子信息科技有限公司 | 一种基于opc-ua规范的数据建模系统和方法 |
CN113742247A (zh) * | 2021-09-23 | 2021-12-03 | 四川新网银行股份有限公司 | 一种针对sqoop的数据采集测试优化方法 |
CN113742247B (zh) * | 2021-09-23 | 2023-04-18 | 四川新网银行股份有限公司 | 一种针对sqoop的数据采集测试优化方法 |
CN114415602A (zh) * | 2021-12-03 | 2022-04-29 | 珠海格力电器股份有限公司 | 工业设备的监控方法、装置、系统和存储介质 |
CN114415602B (zh) * | 2021-12-03 | 2023-09-26 | 珠海格力电器股份有限公司 | 工业设备的监控方法、装置、系统和存储介质 |
CN116132548A (zh) * | 2023-02-06 | 2023-05-16 | 北京思维实创科技有限公司 | 一种分布式多源异构数据的数据采集方法及其系统 |
CN116132548B (zh) * | 2023-02-06 | 2023-08-15 | 北京思维实创科技有限公司 | 一种分布式多源异构数据的数据采集方法及其系统 |
CN117726080A (zh) * | 2024-02-05 | 2024-03-19 | 南京迅集科技有限公司 | 多源异构数据驱动的智能制造决策系统及方法 |
CN117726080B (zh) * | 2024-02-05 | 2024-04-26 | 南京迅集科技有限公司 | 多源异构数据驱动的智能制造决策系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113268486A (zh) | 智能工厂的一体化数据应用系统 | |
ur Rehman et al. | Big data analytics in industrial IoT using a concentric computing model | |
CN108335075B (zh) | 一种面向物流大数据的处理系统及方法 | |
CN105608144B (zh) | 一种基于多层模型迭代的大数据分析平台装置及方法 | |
CN111950927A (zh) | 一种智能工厂多源异构大数据的获取与管理系统 | |
CN105279603A (zh) | 可动态配置的大数据分析系统及方法 | |
US20210081501A1 (en) | System and method for automated insight curation and alerting | |
US20160283610A1 (en) | Hybrid flows containing a continous flow | |
CN110581773A (zh) | 一种自动化服务监控与报警管理系统 | |
KR20150112357A (ko) | 센서 데이터 처리 시스템 및 방법 | |
KR20170089067A (ko) | 빅데이터 처리 시스템 및 처리 방법 | |
CN115097788A (zh) | 一种基于数字孪生工厂的智能管控平台 | |
Coito et al. | A novel framework for intelligent automation | |
Peres et al. | A highly flexible, distributed data analysis framework for industry 4.0 manufacturing systems | |
CN115081728A (zh) | 一种纺织工厂的多源异构纺织装备调度管理与优化系统 | |
CN114372777A (zh) | 一种智慧水务物联网在线监测系统 | |
CN110717664B (zh) | 基于移动边缘计算的面向服务生产过程的cps生产系统 | |
CN110502719A (zh) | 边缘计算模型管理系统及方法 | |
CN114372084A (zh) | 面向传感流数据的实时处理系统 | |
Ge et al. | Adaptive analytic service for real-time internet of things applications | |
CN112749153A (zh) | 一种工业网络数据管理系统 | |
CN115098278B (zh) | 一种基于微服务的数字孪生车间多场景交互方法 | |
CN116596234A (zh) | 一种基于区块链技术的汽车行业供应链协同平台 | |
CN117331996A (zh) | 大数据分析系统及方法 | |
Guerreiro et al. | A self-adapted swarm architecture to handle big data for “factories of the future” |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |
|
RJ01 | Rejection of invention patent application after publication |