一、
方案定位
（1）产品设计与优化
基于互联网舆情分析、客户反馈、竞争对手分析、客户使用习惯、维修记录、售后历史等指导新产品的设计与开发，提升产品竞争力；
（2）供应链优化
通过分析产品生产上下游企业信息，为制造企业选择更好的供货商提供指导意见，提升产品整体质量，降低成本；
（3）产品生产优化
在产品生产环节基于工业数据的大数据分析，实现生产参数的优化，潜在故障的提前预测以及故障的诊断，降低维修成本，提升生产力；
（4）产品精准营销
基于客户特征数据分析，精准把握客户需求，将产品推送给合适的客户；
（5）客户需求与舆情分析
分析客户的反馈数据，及互联网公开渠道的舆情数据，分析产品的质量、优劣势等，获取客户需求，为产品设计、公司公关提供依据。
工业生产流程中的大数据应用
二、
生产过程参数优化
生产参数主要基于工人工作经验不断调整，往往不能达到最优状态。不但浪费人力，同时使生产效率降低提高了生产成本。因此能通过计算机自动、实时、准确的对生产参数进行调优是工业智能制造的必由之路。
模型原理
利用最优化模型，在短时间能求解当前环境下的近似最优解，使生产设备达到最佳状态，确保生产指标（如良品率等）达到标准。
模型流程
（1）使用生产历史数据，训练可靠的参数初始值；
（2）使用初始值开始生产并实时监测良品率；
（3）若次品率超过设定的阈值，则使用最优化算法（如蚁群、遗传算法等）搜索最优参数；
（4）若多次参数优化后仍没有将次品率调试到可容忍范围则提出警报，需要对设备进行维护。
预期效果
利用模型自动适应参数最优值，减少需要的工作人员，针对设备监控部分降低至少一半的人力成本。
三、
生产设备健康管理
模型原理
故障预测根据系统过去和现在的状态，采用时间序列预测、神经网路预测和模糊预测等预测推理方法，预测系统将来是否会发生故障，何时发生故障，发生类型故障，以便采取有效的维修和保障，有计划的安排维修和维护。
模型流程
（1）特征提取，对传感器产生的数据进行融合、预处理，并选择能够准确反映设备现状的特征；
（2）对设备的状态进行监控，并基于特征数据实现设备的健康度管理；
（3）基于历史监测数据、设备参数、当前状态等特征构建故障预测模型，对预测出的可能问题制定保障策略，提供维护指导意见，防患于未然。
预期效果
降低故障发生率，实现预测性维护，降低维修保养费用，提升企业生产效率。
四、
智慧刀具检测
模型原理
智慧刀具通过在机床或者加工中心采集电流、电压、功率等信号，找到与刀具磨损比较相关的信号特征，进一步预测刀具的剩余寿命，从而降低刀具使用成本，提升生产加工质量。
解决方案前景
CNC领域刀具市场非常广泛，如富士康有1万台机床、常州瑞声有1000台机床、台湾光宝有960台机床，按照机床收费，预计未来三年覆盖机床数量1000台、5000台、10000台机床，智慧刀具直接收益非常可观。
五、
自动缺陷检测
模型原理
在成品检测环节，很多是通过设置高清摄像头多角度拍摄成品，由人眼观察产品质量是否有缺陷，这种方法的问题是观 测效率低，另外在工人疲劳状态下，经常会有误报或者漏报问题。因此通过深度学习技术，自动化地对成品图像进行缺陷检测，可以 大大降低质检人员的劳动消耗，提升缺陷检测的准确率。
预期效果
自动化地对成品图像进行缺陷检测，可以大大降低质检人员的劳动消耗，提升结果的准确率。
工业大数据实践案例
案例1
CNC铣削刀具寿命预测
XX科技：
近千台机床铣削制造手机壳，每台机床每年消耗5000把铣削刀具。
企业痛点：
刀具寿命太短，制造200个手机壳即丢弃，但相当部分刀具上可以制造300个手机壳以上，造成大量浪费。
应用效果：
通过检测铣削电流和手机表面粗糙度数据的稀疏贝叶斯学习，对每把铣刀的寿命进行预测，可平均提高寿命超过25%,创造可观经济效益。
通过对铣刀寿命的稀疏学习预测，大幅降低手机壳制造成本。
案例2
面板生产缺陷分析
TFT-LCD典型工艺流程
目标：
全过程缺陷、质量跟踪预警优化管理
问题：
由于TFT-LCD生产工艺复杂，涉及到300多个工序，上千万个参数，每个环节都有可能产生缺陷。且主要为各种各样的表面缺陷，使面板的生产效率受到了严重影响。
成果：
通过分析数亿条生产设备的参数日志和缺陷相关性数据，提取出影响特定缺陷的参数建议，降低缺陷率30%。
数据准备：
基于3张数据表进行数据关联，结合业务需求构建分析数据，并用于验证评估模型的准确性。
设备拓扑映射：
面板生产缺陷分析：
单个设备缺陷分析
多设备组合路径缺陷分析
分析过程的敏捷化路径：
ICM不良根因分析的第一阶段为定位可能造成不良的生产阶段。采用IV算子来计算各个阶段和不良DGS之间的关联性，该阶段的整体工作流程如下图所示：
案例3
自动缺陷检测与分类
TFT-LCD面板生产数据缺陷识别
难点：
缺陷类别多，同种缺陷的图像特征多样，没有显著特征，部分缺陷的图像表现不明显
分析：
很难用特征工程的方式，设计一种数学模型表述所有缺陷特征
解决方式：
采用深度学习方法，构建深度卷积神经网络模型，通过end2end方式让机器学习到TFT-LCD不良图像中缺陷因素之间的深层逻辑关系、局部与局部、局部与整体的缺陷关系。
TFT-LCD缺陷检测算法流程
采用基于深度学习的像素级目标检测算法，优点：精度高分类准确，对小目标的检测效果更好。基于机器学习的检测方法可以通过模型迭代训练方式，优化检测精度，减少漏检；通过替换模型或模型重训练的方式，识别新code的需求同时采用基于图像处理的模板比对算法，验证检测算法的准确性和漏检情况，将有问题的数据标记为difficult case用于后面模型的迭代升级。
TFT-LCD缺陷检测算法框架
基于TFT-LCD不良图像具有周期性，提出一种采用模板匹配的方法进行缺陷定位的算法。算法主要包括以下步骤：
1. 模板定位，查找输入图片中的最大周期性子图。首先对图片进行特征点(sift,，surf，hog等)检测，然后对特征点进行分析，将具有类似特征的特征点进行分组，通过分析组内特征点的拓扑关系，获得图像中的周期性子图。图中AB为定位到的两个模板。
2. 模板比对。通过分析图片中所有模板的一致性，确定图片是否为缺陷图片。由于定位误差的存在，设定一个阈值，该阈值需要通过批量数据实验获得。
