《微软物联网及机器学习方案》由会员分享，可在线阅读，更多相关《微软物联网及机器学习方案（22页珍藏版）》请在金锄头文库上搜索。
1、Digital Business Transformation Patterns for a Mobile-First, Cloud-First WorldMicrosoft Internal 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
2、 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
3、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What Next 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
4、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CNC Machine Tools 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
5、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.”Leveraging the Fujitsu Eco-Management Dashboard solution alongside Microsoft Azure and the Fujitsu IoT/M2M platform, we are able to deliver real-time visualization of the engineering process for big data analytics to improve the entire production pro
6、cess and inform decision-making” Hiroyuki Sakai Corporate Executive Officer, Executive Vice President, Head of Global Marketing at Fujitsu Limited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
7、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”We dont have time to adjust source code
8、, and we cant introduce something that isnt trusted and proven. Our intelligent system built with Microsoft technology enables us to react very quickly.” Jake Ladouceur Managing Director, KUKA Systems Group Toledo Facility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
9、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
10、足要求17核心算法R Open Source PackagesMathematical ProgrammingOnline analytical processingGraph analyticsText analyticsSupport Vector MachinesBoosted Decision TreesTime series processing关键问题：针对不同的业务场景选择合适的算法Associative rule miningNeural networksRegression analysisClusteringNearest- neighbor18特征提取环境特征和产品质量的
11、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
12、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
13、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Field WorkforceMaintenance TeamOperations Team
