数字孪生在智能制造中的工程实践 课件 数据聚合、分析提供洞见和行动

数字孪生目录0123导论数字孪生概述46技术图谱平台及工艺机器视觉5运动控制构建空间模型、行为模型7传输接口8数字孪生系统调试9数据聚合、分析，提供洞见和行动①平台及工艺数字孪生平台技术图谱物理世界物理实体虚拟世界数字孪生体数字孪生③运动控制②机器视觉形状颜色偏移角度坐标机器视觉软件侧重于应用可以开放部分库函数TCP/IP通讯振动传感器声波传感器视觉传感器④构建零件三维模型

↓设置基本机电对象

↓运动副

↓传感器

↓设置传输面↓设置位置控制

↓设置电子凸轮

↓设置运行时参数

↓设置运行时表达式

↓序列编辑运行空间模型行为模型⑦聚合

↓分析

↓洞见

↓行动⑥数字孪生系统调试通过对物理实体配备的多种传感器的数据进行采集，建立物理实体与数字孪生体实时、无缝的传输，通过对数据的聚合、分析，依据模型、算法，提供洞见，根据洞见，对物理实体即将发生的偏离，实施预先的控制！控制系统构成惯量和转矩折算传动机构PLC系统程序设计⑤

OPC传输接口APreface前言创建传输聚合分析数据与互联标准及安全行动洞见背景信息(社会、天气、温度等）ERP系统MES软件CAD模型边缘处理边缘安全集中中间件数据获取数据湖遗留数据服务总线BAM软件人工智能认知引擎混合模型通知推送可视化仪表板传输接口A接入设备数字孪生体系架构数字孪生现实流程

传感器（温度、流量、压力等）

促动器（电动、液压、热力等）传输：物理实体或过程与数字孪生体之间进行数据的无缝、实时传输、互联。传输包含了三大技术，边缘处理、传输接口和边缘安全。创建：物理实体或过程中配备多种传感器，用以采集、获取物理过程及其环境的数据。这些数据也可以来自于MES、ERP以及CAD模型等。行动：洞见经过解码，进入物理实体或流程负责移动或控制机制的促动器，或者在管控供应链和订单后端系统中进行更新。在这种干预下，完成物理实体或流程与其数字孪生体闭环连接。聚合：将获得的数据存入数据存储库中，进行处理以用于分析。数据聚合、处理可以在现场也可以在云端。分析：利用先进的数据处理技术、平台，对数据进行分析和可视化处理，发掘洞见，提出建议，并引导决策。洞见：利用仪表板中可视化图表列示通过分析工具发掘的洞见，用一个或多维度显示物理实体或流程与其数字孪生体类比中不可以接受的差异（各层级的偏离）。Preface前言物理世界虚拟世界物理实体数字孪生体Preface前言OPC连接数据库（聚合）机器学习（分析）（洞见）（行动）010101010101010101解析数字孪生体系架构任务—系统工程案例Preface前言决策管理技术计划技术评估需求管理风险管理构型管理技术数据管理接口管理作战需要能力交付需求解决方案产品系统工程分解实现设计技术流程利益攸关者

需求定义系统需求定义架构设计技术流程转移确认验证集成实现技术管理流程向战斗交付能力提供一种平衡的使能方法数字工程包括系统工程的技术流程和技术管理流程数字线程包括制造，提供跨流程、跨领域的连接性/追溯性数字系统模型为利益攸关者提供生命周期内应考虑的数据类型的结构。数字孪生将概率工程模型与测试、运行和维护数据相连接，在特定的序列号的基础上模拟系统性能和可靠的要素。IOC/OT&EDT&EIOC，生产与部署FOC，运行与支持OT&E，作战实验与鉴定DT&E，发展测试与评价系统工程：是运用系统思维来设计、生产、运维复杂系统一大堆技术的总称，是跨学科的。系统工程将一个复杂的系统看成是由互相关联、互相制约、互相作用的若干子系统构成，是一个有机整体。著名学者钱学森：系统工程是组织管理系统的规划、研究、设计、制造、实验和使用的科学方法，是一种对所有系统都具有普遍意义的方法。FOC第1章应用场景第3章数据库第4章算法、数据分析及可视处理化第5章洞见的发掘、行动与闭环连接第6章课程体系回顾与总结第2章数据采集

前言Contents目录Chapter1第1章应用场景—概述数字孪生技术的应用场景预测性维护缺陷检测质量检测智能决策...数字孪生技术的应用场景较多，包括预测性维护、缺陷检测、智能决策、质量检测等。其中预测性维护是数字孪生的一个重要的应用场景，也是本次课程所要讲述的重点；预测性维护针对设备、设施的故障诊断，由被动故障维护到定期检修（人工巡检）再到主动预防，最终到事先预测和综合规划管理的演进中，不断提升、发展。预测性维护的主要价值意义:

降低设备的故障率及停机时间

提高设备利用率

保证设备持续使用

避免意外停工

提高企业生产效率

减少维修费用及设备整个生命周期成本

消除在不必要的维护上所花费的时间和资源

降低由设备的故障所带来的安全隐患。Chapter1第1章应用场景—概述1.通过传感器及PLC采集实时生产数据传感器数据自动化设备数据（PLC数据）5a维修完毕、重启生产后恢复正常数据采集作业5b安排维修计划2.本地传输实时传输4.故障预警，如与Mes系统连动3.使用人工智能算法实施故障预测预测性维护流程故障维护当故障发生后，由技术人员紧急赶往现场进行维修恢复。A预测性维护在对设备和系统无损的前提下进行保养，通过一系列的测试和分析来实现维护。C预防性维护通过了解系统或某一部件的平均使用寿命，从而预期该部件即将出现故障，根据这一信息对系统做提前干预，进行检查和提前更换。BChapter1第1章应用场景—预测性维护理论的发展历程Chapter1第1章应用场景—预测性维护理论的发展历程—故障维护这种模式实质上没有采取任何提前保养的措施，因此也被称为急修。它存在诸多缺陷：1）故障的发生非常具有偶然性，而且往往是发生在使用高峰这类易于导致严重后果和不方便进行维修的时间。2）在一个原本正常运转的系统中，一个部件的突发故障很容易导致系统的其他部分遭到伤害甚至损毁，从而增加了诊断难度和费用成本。3）故障急修通常需要比常规保养更长的时间，还要包括备件的等待时间。Chapter1第1章应用场景—预测性维护理论的发展历程—预防性维护预防性维护就是根据技术参数或历史经验，判断拐点P的出现时间，从而对该部件进行提前更换或调整以避免损耗故障期带来的损失。采用这种方式，保养的工作变得可以提前规划，人员的工作也可以提前安排。预防性保养丰富了保养工作的功能，增大了覆盖范围。预防性维护是基于经验值，可以非常容易地根据周期计算来提前安排修理/更换事宜，但也正是由于这种提前更换完全基于理论计算而无视部件或系统的实际运行状态，使得预防性保养在实际应用中存在着保养过剩和保养不足这两大突出矛盾。偶发故障期耗损故障期有效寿命经维修故障率下降拐点P故障率规定的故障率早期故障期时间Chapter1第1章应用场景—预测性维护理论的发展历程—预测性维护偶发故障期耗损故障期有效寿命经维修故障率下降拐点P故障率规定的故障率早期故障期时间基于设备和系统的实际状态来寻找浴盆曲线中的拐点，从而采取维护行动。这种理念的实现方式被称为预测性维护。预测性维护是基于设备和系统状态来决定的，那么参数就成为了关键性因素。首先必须要有获取各项参数的途径，并且这些获取途径要满足“无损”的原则。根据这些动态的指标，监测设备或系统中各个部件的衰退和损耗情况。其次，需要定义一些特征指标，也就是阈值或参考值。当监测到的参数到达该阈值或参考值时就意味着该部件需要被维修或者更换，也就是维护行动的介入以避免其出现故障。Chapter1第1章应用场景—预测性维护理论的发展历程—预测性维护预测性维护理念的优势有以下几点：1）安全2）提升保养有效性从而降低成本3）提升生产效率和质量4）改善设计和制造5）提高客户满意度6）提升员工满意度预测性维护采用的是针对所监测参数的运行趋势，而不是基于可能性的判断方法来防止可能发生的潜在故障。有计划无目标预防性维护遵从操作手册最昂贵的维护故障维护故障发生后最经济的维护预测性维护评估预测设备状态按需维护Chapter2第2章数据采集—概述数据分析框架以数据为中心，将相关工作分成业务理解、数据理解、数据准备、建模、验证与评估、实施与运行等六个基本的步骤，模型如右图所示。模型CRISP-DM在该模型中，相关步骤不是顺次完成，而是存在多处循环和反复。在业务理解和数据理解之间、数据准备和建模之间，都存在反复的过程。将工业互联网中各组件、各层级的数据汇聚在一起，是数据分析的前提。要实现数据从底层向上层的汇集，以及在同层不同系统间传递，需要完善的数据采集技术支持。Chapter2第2章数据采集—数据之间的关联属性之间关联数据关联流程、因果之间关联对象之间关联静态对象属性之间的关联。数据之间的关联关系，本质上要反应客观物理世界的关联关系。数据的关联包括：特定属性变化的关联。对象之间存在关联。特定流程之间的关联。因果关系链导致的关联。Chapter2第2章数据采集—业务与数据的关系业务流程伴随着数据，流程即是数据的消费者，也是数据的生产者。数据跟着业务流程走，流程和数据是对偶关系。业务策略数据业务落地执行业务闭环业务闭环逻辑闭环在理想情况下，数据可以在赛博空间刻画出工业系统及其运行轨迹的完整映像。但是，在现实条件下，数据的种类、精度、频度、数量、对应的准确性等方面往往存在很多不理想的地方。这时，数据只能部分地刻画工业对象、也只能记录工业对象运行的部分痕迹。实际工作中，不能单纯通过数据，理解工业对象及相关业务，而是要结合一定的专业领域知识，才能理解数据的含义。理解业务是理解数据的基础、是理解数据的起点。Chapter2第2章数据采集—数据源数据源数据采集的目标是为数据的建模分析提供干净、有效的输入数据源。对数据进行归约、集成变换等，输出建模可用的数据源。数据预处理质量检查对数据的质量进行检查和处理，处理数据的缺失情况、异常情况等；ERPIOTMES数据采集基于业务目标采集和筛选有效数据，筛选的数据能够表征业务问题的关键影响因素；工业数据即工业数据的总和，分成三类。即企业信息化数据、工业物联网数据和外部跨界数据。Chapter2第2章数据采集—数据准备运行数据在进行生产、维护等任务时所产生的数据各轴当前位置各轴当前速度各轴累计里程限位传感器信号生产数据执行生产工艺任务后产生的数据产品产量数据生产速度数据产品品类数据工艺数据执行生产工艺任务时产生的数据区域扫描数据工件识别数据分拣中的产品待分拣的产品环境数据设备周边环境及本身产生的环境数据振动传感器数据声音传感器数据网络状态数据Chapter2第2章数据采集—数据准备本次项目的任务目标是实现智能分拣系统的预测性维护功能。预测性维护功能可以分解为故障诊断和数据可视化两部分。维护人员可以依据故障诊断结果和可视化结果进行分析，进而做出对设备的维修、维护等的综合规划管理。实现预测性维护所依赖的数据要围绕着故障诊断和数据可视化两部分进行开展。针对所采集的各种类数据的目的和用途，解释如下：各轴的累计里程用于运动工艺轴的预测维护指标。故障预测的数据为振动传感器数据、声音传感器数据、各轴当前速度；由这些参数组成多维度向量作为输入参数，选择相应的机器学习算法来构造数字孪生平台运行状态决策函数。依据决策函数对设备的实时运行参数进行决策判断得出预测结果，最终实现在设备运行时的状态预测。用于网络故障诊断的数据为环境数据中的网络状态数据。其他数据用于可视化功能中的结果参数或过程参数。采集数据流程控制器OPC传感器数据库Chapter2第2章数据采集—数据准备传感器发出的信号传输到控制器后，经计算与转化后，将电信号转换成数据的形式进行输出。由于采集的数据较多以下只列出一部分数据的采集和转化的程序进行说明，其余部分程序见“智能分拣系统PLC程序源代码”。右图为“设备振动”信号的采集程序：Chapter2第2章数据采集—数据准备以下为运行里程的采集与转换：续下一页Chapter2第2章数据采集—数据准备接上一页：序号数据名称数据在程序段中位置序号数据名称数据在程序段中位置序号数据名称数据在程序段中位置1X轴剩余数据分析[FC2]-程序段623Z轴里程数据分析[FC2]-程序段644评估Y轴声音预留2Y轴剩余数据分析[FC2]-程序段624Z轴上限位数据分析[FC2]-程序段945评估Z轴速度数据分析[FC2]-程序段113Z轴剩余数据分析[FC2]-程序段625Z轴参考点数据分析[FC2]-程序段946评估Z轴精度数据分析[FC2]-程序段114R轴剩余数据分析[FC2]-程序段626Z轴下限位数据分析[FC2]-程序段947评估Z轴负载数据分析[FC2]-程序段115A产品产量数据分析[FC2]-程序段827R轴当前位置数据分析[FC2]-程序段748评估Z轴温度数据分析[FC2]-程序段116B产品产量数据分析[FC2]-程序段828R轴当前速度数据分析[FC2]-程序段749评估Z轴振动预留7C产品产量数据分析[FC2]-程序段829R轴里程数据分析[FC2]-程序段650评估Z轴声音预留8D产品产量数据分析[FC2]-程序段830R轴上限位数据分析[FC2]-程序段951评估R轴速度数据分析[FC2]-程序段119X轴当前位置数据分析[FC2]-程序段731R轴参考点数据分析[FC2]-程序段952评估R轴精度数据分析[FC2]-程序段1110X轴当前速度数据分析[FC2]-程序段732R轴下限位数据分析[FC2]-程序段953评估R轴负载数据分析[FC2]-程序段1111X轴里程数据分析[FC2]-程序段633评估X轴速度数据分析[FC2]-程序段1154评估R轴温度数据分析[FC2]-程序段1112X轴上限位数据分析[FC2]-程序段934评估X轴精度数据分析[FC2]-程序段1155评估R轴振动预留13X轴参考点数据分析[FC2]-程序段935评估X轴负载数据分析[FC2]-程序段1156评估R轴声音预留14X轴下限位数据分析[FC2]-程序段936评估X轴温度数据分析[FC2]-程序段1157网络A状态数据分析[FC2]-程序段1215Y轴当前位置数据分析[FC2]-程序段737评估X轴振动数据分析[FC2]-程序段1158网络B状态数据分析[FC2]-程序段1216Y轴当前速度数据分析[FC2]-程序段738评估X轴声音数据分析[FC2]-程序段1159网络C状态数据分析[FC2]-程序段1217Y轴里程数据分析[FC2]-程序段639评估Y轴速度数据分析[FC2]-程序段1160网络D状态数据分析[FC2]-程序段1218Y轴上限位数据分析[FC2]-程序段940评估Y轴精度数据分析[FC2]-程序段1161网络E状态数据分析[FC2]-程序段1219Y轴参考点数据分析[FC2]-程序段941评估Y轴负载数据分析[FC2]-程序段1162网络F状态数据分析[FC2]-程序段1220Y轴下限位数据分析[FC2]-程序段942评估Y轴温度数据分析[FC2]-程序段1163PLCtoNX数据分析[FC2]-程序段1221Z轴当前位置数据分析[FC2]-程序段743评估Y轴振动预留64NXtoPLC数据分析[FC2]-程序段1222Z轴当前速度数据分析[FC2]-程序段744评估Y轴声音预留附件Ⅰ：数据在控制器程序中的位置—待清洗数据在程序中位置附件Ⅰ：数据在控制器程序中的位置—待清洗数据在程序中位置序号数据名称数据在程序段中位置序号数据名称数据在程序段中位置1X轴剩余百分比数据分析[FC2]-程序段2、程序段3、程序段5、程序段621Z变化值数据分析[FC2]-程序段4、程序段52Y轴剩余百分比数据分析[FC2]-程序段2、程序段3、程序段5、程序段622R起始位置数据分析[FC2]-程序段43Z轴剩余百分比数据分析[FC2]-程序段2、程序段3、程序段5、程序段623R下次位置数据分析[FC2]-程序段44R轴剩余百分比数据分析[FC2]-程序段2、程序段3、程序段5、程序段624R变化值数据分析[FC2]-程序段4、程序段55X轴剩余里程数据分析[FC2]-程序段525X轴里程数据分析[FC2]-程序段2、程序段5、程序段66Y轴剩余里程数据分析[FC2]-程序段526Y轴里程数据分析[FC2]-程序段2、程序段5、程序段67Z轴剩余里程数据分析[FC2]-程序段527Z轴里程数据分析[FC2]-程序段2、程序段5、程序段68R轴剩余里程数据分析[FC2]-程序段528R轴里程数据分析[FC2]-程序段2、程序段5、程序段69A产品产量数据分析[FC2]-程序段2、程序段829X轴速度绝对值数据分析[FC2]-程序段10、程序段1110B产品产量数据分析[FC2]-程序段2、程序段830Y轴速度绝对值数据分析[FC2]-程序段10、程序段1111C产品产量数据分析[FC2]-程序段2、程序段831Z轴速度绝对值数据分析[FC2]-程序段10、程序段1112D产品产量数据分析[FC2]-程序段2、程序段832R轴速度绝对值数据分析[FC2]-程序段10、程序段1113X起始位置数据分析[FC2]-程序段433X轴总里程数据分析[FC2]-程序段1、程序段514X下次位置数据分析[FC2]-程序段434Y轴总里程数据分析[FC2]-程序段1、程序段515X变化值数据分析[FC2]-程序段4、程序段535Z轴总里程数据分析[FC2]-程序段1、程序段516Y起始位置数据分析[FC2]-程序段436R轴总里程数据分析[FC2]-程序段1、程序段517Y下次位置数据分析[FC2]-程序段437X轴变化绝对值数据分析[FC2]-程序段518Y变化值数据分析[FC2]-程序段4、程序段538Y轴变化绝对值数据分析[FC2]-程序段519Z起始位置数据分析[FC2]-程序段439Z轴变化绝对值数据分析[FC2]-程序段520Z下次位置数据分析[FC2]-程序段4附件Ⅰ：数据在控制器程序中的位置—待清洗数据在程序中位置序号数据名称数据在程序段中位置序号数据名称数据在程序段中位置40R轴变化绝对值数据分析[FC2]-程序段544R轴剩余百分比整数数据分析[FC2]-程序段641X轴剩余百分比整数数据分析[FC2]-程序段645手动初始化数据分析[FC2]-程序段242Y轴剩余百分比整数数据分析[FC2]-程序段646视觉通信状态值数据分析[FC2]-程序段12，视觉通信[FC24]-程序段143Z轴剩余百分比整数数据分析[FC2]-程序段647网络通断数据分析[FC2]-程序段1244R轴剩余百分比整数数据分析[FC2]-程序段648定时器数据分析[FC2]-程序段1245手动初始化数据分析[FC2]-程序段249X轴_分贝值传感器[FC1]-程序段1，FC2-程序段1146视觉通信状态值数据分析[FC2]-程序段12，视觉通信[FC24]-程序段150X轴_振动值传感器[FC1]-程序段2，FC2-程序段1147网络通断数据分析[FC2]-程序段1251X轴_噪声转换传感器[FC1]-程序段148定时器数据分析[FC2]-程序段1252X轴_振动转换传感器[FC1]-程序段240R轴变化绝对值数据分析[FC2]-程序段553X轴_分贝值传感器[FC1]-程序段1，FC2-程序段1141X轴剩余百分比整数数据分析[FC2]-程序段654X轴_振动值传感器[FC1]-程序段2，FC2-程序段1142Y轴剩余百分比整数数据分析[FC2]-程序段655X轴_噪声转换传感器[FC1]-程序段143Z轴剩余百分比整数数据分析[FC2]-程序段6Chapter2第2章数据采集—数据质量数据质量的本质是满足特定分析任务需求的程度。从这种意义上说，需求和目标不同，对数据质量要求就不一样。为了避免数据分析工作功亏一篑，应该尽量在进行分析之前，根据需求对数据质量进行评估。数据质量组成要素完整性关联性一致性规范性唯一性准确行数据质量包括几个方面的内容：1)完整性：用来衡量数据是否因各种原因采集失败，有丢失现象。2)关联性：用于度量数据之间的关联关系是否是完整、正确的。5)唯一性：用于度量哪些数据或者属性是否是重复的。3)一致性：用于度量数据产生的过程是否有含义上的冲突。4)规范性：用于衡量数据在不同场景下的格式和名称是否一致。6)准确性：用来衡量数据的精度和正确性。Chapter2第2章数据采集—数据准备右侧程序为剩余里程数据类型转换与传递程序：附件Ⅱ：数据在控制器程序中的位置—转换后的数据序列名称数据类型偏移量起始值保持API可访问从HMI/OPCUA/Web从HMI/OPCUA/WebAPI可写在HMI工程组态中可见设定值1X轴剩余DInt0.0100FalseTrueTrueTrueFalse2Y轴剩余DInt4.0100FalseTrueTrueTrueFalse3Z轴剩余DInt8.0100FalseTrueTrueTrueFalse4R轴剩余DInt12.0100FalseTrueTrueTrueFalse5A产品产量DInt16.00FalseTrueTrueTrueFalse6B产品产量DInt20.00FalseTrueTrueTrueFalse7C产品产量DInt24.00FalseTrueTrueTrueFalse8D产品产量DInt28.00FalseTrueTrueTrueFalse9X轴当前位置Real32.00.0FalseTrueTrueTrueFalse10X轴当前速度Real36.00.0FalseTrueTrueTrueFalse11X轴里程Real40.0126929.2FalseTrueTrueTrueFalse12X轴上限位Bool44.0falseFalseTrueTrueTrueFalse13X轴参考点Bool44.1falseFalseTrueTrueTrueFalse14X轴下限位Bool44.2falseFalseTrueTrueTrueFalse15Y轴当前位置Real46.00.0FalseTrueTrueTrueFalse16Y轴当前速度Real50.00.0FalseTrueTrueTrueFalse17Y轴里程Real54.051173.16FalseTrueTrueTrueFalse18Y轴上限位Bool58.0falseFalseTrueTrueTrueFalse19Y轴参考点Bool58.1falseFalseTrueTrueTrueFalse20Y轴下限位Bool58.2falseFalseTrueTrueTrueFalse21Z轴当前位置Real60.00.0FalseTrueTrueTrueFalse22Z轴当前速度Real64.00.0FalseTrueTrueTrueFalse23Z轴里程Real68.034243.47FalseTrueTrueTrueFalse序列名称数据类型偏移量起始值保持API可访问从HMI/OPCUA/Web从HMI/OPCUA/WebAPI可写在HMI工程组态中可见设定值24Z轴上限位Bool72.0falseFalseTrueTrueTrueFalse25Z轴参考点Bool72.1falseFalseTrueTrueTrueFalse26Z轴下限位Bool72.2falseFalseTrueTrueTrueFalse27R轴当前位置Real74.00.0FalseTrueTrueTrueFalse28R轴当前速度Real78.00.0FalseTrueTrueTrueFalse29R轴里程Real82.04001.66FalseTrueTrueTrueFalse30R轴上限位Bool86.0falseFalseTrueTrueTrueFalse31R轴参考点Bool86.1falseFalseTrueTrueTrueFalse32R轴下限位Bool86.2falseFalseTrueTrueTrueFalse33评估X轴速度Real88.040.0FalseTrueTrueTrueFalse34评估X轴精度Real92.090.0FalseTrueTrueTrueFalse35评估X轴负载Real96.030.0FalseTrueTrueTrueFalse36评估X轴温度Real100.050.0FalseTrueTrueTrueFalse37评估X轴振动Real104.010.0FalseTrueTrueTrueFalse38评估X轴声音Real108.010.0FalseTrueTrueTrueFalse39评估Y轴速度Real112.025.0FalseTrueTrueTrueFalse40评估Y轴精度Real116.085.0FalseTrueTrueTrueFalse41评估Y轴负载Real120.061.0FalseTrueTrueTrueFalse42评估Y轴温度Real124.045.0FalseTrueTrueTrueFalse43评估Y轴振动Real128.010.0FalseTrueTrueTrueFalse44评估Y轴声音Real132.010.0FalseTrueTrueTrueFalse45评估Z轴速度Real136.045.0FalseTrueTrueTrueFalse46评估Z轴精度Real140.088.0FalseTrueTrueTrueFalse附件Ⅱ：数据在控制器程序中的位置—转换后的数据序列名称数据类型偏移量起始值保持API可访问从HMI/OPCUA/Web从HMI/OPCUA/WebAPI可写在HMI工程组态中可见设定值47评估Z轴负载Real144.060.0FalseTrueTrueTrueFalse48评估Z轴温度Real148.045.0FalseTrueTrueTrueFalse49评估Z轴振动Real152.010.0FalseTrueTrueTrueFalse50评估Z轴声音Real156.010.0FalseTrueTrueTrueFalse51评估R轴速度Real160.040.0FalseTrueTrueTrueFalse52评估R轴精度Real164.096.0FalseTrueTrueTrueFalse53评估R轴负载Real168.020.0FalseTrueTrueTrueFalse54评估R轴温度Real172.030.0FalseTrueTrueTrueFalse55评估R轴振动Real176.010.0FalseTrueTrueTrueFalse56评估R轴声音Real180.010.0FalseTrueTrueTrueFalse57网络A状态Bool184.0falseFalseTrueTrueTrueFalse58网络B状态Bool184.1falseFalseTrueTrueTrueFalse59网络C状态Bool184.2falseFalseTrueTrueTrueFalse60网络D状态Bool184.3falseFalseTrueTrueTrueFalse61网络E状态Bool184.4falseFalseTrueTrueTrueFalse62网络F状态Bool184.5falseFalseTrueTrueTrueFalse63PLCtoNXDInt186.00FalseTrueTrueTrueFalse64NXtoPLCDInt190.00FalseTrueTrueTrueFalse附件Ⅱ：数据在控制器程序中的位置—转换后的数据Chapter3第3章数据库数据服务数据查询/计算数据存储/管理数据处理工业数据源Java/C/Python/RRESR/SOAP/RPCSQL/JDBC/ODBCSQL查询引擎批处理流处理机器学习实时数据库关系型数据库NoSQL数据库数据抽取数据转换数据加载中间件（AMPQ,CoAP,MQTT,JMI）数据安全管理数据质量管理总线（DDS,REST,XMPP）工业数据集成处理框架数据服务层的主要作用是提供数据服务的接口，以实现工业数据的访问、更新等基本功能。数据查询与计算主要采用SQL查询引擎、批处理、流处理、机器学习等方法。其中，SQL查询引擎将用户输入的SQL语句序列转换为一个可执行的操作序列，并返回查询结果集；批处理主要操作大容量静态数据集，并返回计算结果；流处理则对实时进入系统的数据进行计算，处理结果即时可用，并将随新数据的到达持续更新。通过数据库实现包含结构化、半结构化和非结构化的大量工业数据的存储与管理，将工业数据集合中的大量的、杂乱无章的、难以理解的数据进行分析和加工，形成有价值、有意义的数据。数据分析之前要进行数据集成，数据集成是将工业产品全生命周期形成的许多个分散的数据源中的数据，逻辑地或物理地集成到统一的工业数据集合中。Chapter3第3章数据库工业数据集成处理的关键在数据，相互关联的数据表组成数据库，数据库的表中包含若干的不同列。这些列主要用来存储数据表中的相同数据类型的一系列值。这就是数据库的存在形式。本次项目使用的数据库服务器是SQLServer2017，它是单进程、多线程、高性能的关系型数据库管理系统。用于对存储在计算机中的数据进行组织、管理和检索。使用SQL语言在服务器和客户机之间传送请求。接下来开始对数据库服务器（SQLServer2017）进行学习。数据数据表数据库Chapter3第3章数据库现实世界中，个体间总存在着某些联系。反映到信息世界中，就是实体的联系，由此构成实体模型。实体模型数据化设计数据库记录间联系本次项目所需要的关键技能包括：

SQLServer2017的安装

设计和创建数据库

掌握数据库查询语言

创建和管理数据表实体的联系

将实体模型数据化，转化成数据模型，这个过程就是我们抽象实际数据和设计数据库的过程。

统中，是记录间的联系。

反映到数据库系Chapter3第3章数据库—SQLServer2017的安装硬件的安装要求:1．CPU最低要求：x64处理器：1.4GHz；建议：2.0GHz或更快2．内存最低要求：ExpressEditions：512MB；全部其余版本：1GB建议：ExpressEditions：1GB，全部其余版本：至少4GB而且应该随着数据库大小的增长而增长，以便确保最佳性能。3．硬盘SQLServer2017要求最少6GB的可用硬盘空间。软件的安装要求:1..NETFramework

SQLServer2017和更高版本需要.NETFramework4.6才能运行。SQLServer2017安装程序自动安装.NETFramework。还可以从.NETFramework（Web安装程序）中手动安装。2.网络软件

SQLServer支持的操作系统具有内置网络软件。独立安装的命名实例和默认实例支持以下网络协议：共享内存、命名管道、TCP/IP和VIA。3、操作系统Windows10Chapter3第3章数据库—SQLServer2017的安装安装分为：SQLServer2017Developer和SQLserverMamngementStudio两部分。2.打开安装软件，选择自定义第一部分：1.官网下载SQLServer2017Developer

/zh-cn/sql-server/sql-server-downloadsChapter3第3章数据库—SQLServer2017的安装3.选择语言，安装路径，后等待4.点击全新SQLServer独立安装或向现有安装添加功能Chapter3第3章数据库—SQLServer2017的安装5.不勾选6.关掉防火墙后，点击下一步7.默认下一步Chapter3第3章数据库—SQLServer2017的安装8.选择Developer9.勾选许可条款Chapter3第3章数据库—SQLServer2017的安装10.可以选择安装目录11.可以默认实例，如要命名，不可重复Chapter3第3章数据库—SQLServer2017的安装12.默认下一步13.管理员名字为sa注意要添加当前用户Chapter3第3章数据库—SQLServer2017的安装14.默认下一步15.等待安装Chapter3第3章数据库—SQLServer2017的安装16.安装完成第二部分：官网下载SQLServerManagementStudio

/en-us/sql/ssms/download-sql-server-management-studio-ssms?view=sql-server-2017下载后按照默认步骤安装。Chapter3第3章数据库—设计和创建数据库SQLServer包含两种类型的数据库：系统数据库，系统数据库存储有关SQLServer的信息，如master数据库、model数据库、msdb数据库和tempdb数据库等。Master数据库记录系统的质有系统级信息。Model数据库为用户新创建的数据库提供模板和原型Tempdb数据库是临时数据库，在每次启动时都重新创建，该数据库总是空的。Msdb数据库供SQLSewer代理程序调度警报作业以及记录操作时使用。用户数据库，用户数据库由用户来建立。SQLServer可以包含一个或多个用户数据库。如，图书管理信息数据库。SQLServer可以包含一个或多个用户数据库。Chapter3第3章数据库—设计和创建数据库常见创建用户数据库的三种方法：使用SQLServerManagementStudio对象资源管理器建立数据库；使用Transact-SQL命令创建数据库；利用系统提供的创建数据库向导也可以创建数据库。创建用户数据库之前，必须先确定数据库的名称、数据库所有者、初始大小、数据库文件增长方式、数据库文件的最大允许增长的大小，以及用于存储数据库的文件路径和属性等。下面主要介绍第一种创建数据库的方法。数据库名称数据库所有者初始大小文件增长方式最大增大小量...使用SQLServerManagementStudio对象资源管理器建立数据库包含如下步骤：1.在开始菜单中单击【所有程序】|【MicrosoftSQLServer2017】|【SQLServerManagementStudio】命令，打开SSMS。2.在SSMS左侧的【对象资源管理器】窗口中右击【数据库】分支，在弹出的快捷菜单中选择【新建数据库】命令，弹出【新建数据库】对话框。Chapter3第3章数据库—设计和创建数据库3.在【数据库名称】文本框中输入创建的数据库名称“database01”。此时，系统会以数据库名称作为前缀创建主数据库文件和事务日志文件，如database01。主数据库文件和事务日志文件的初始大小与model系统数据库指定的默认大小相同，选择默认值，其中数据库文件的增量为64MB，不限制增长的总量，日志文件每次增长10%，也不限制增长的总量。也可以进行自定义，单击【自动增长】旁的按钮。Chapter3第3章数据库—设计和创建数据库Chapter3第3章数据库—数据库查询语言创建用户数据库之后，接下来的重要工作就是创建、管理数据表以及完成各种查询工作，而所有查询的基础都是SQL语言代码。SQL语言是一种介于关系代数与关系演算之间的语言，它是一个通用的、功能极强的关系数据库语言。SQL语言的功能包括查询、操纵、定义和控制四个方面。本章将对SQL语言的基本构成、数据类型、控制流程进行详细讲解。T-SQL在标准SQL语言的基础上扩充了许多功能，包括数据定义语言、数据操作语言、存储过程、系统表、函数、数据类型和流程控制语句。通常所说的Transact-SQL，简写为T-SQL。它是对标准SQL程序语言的增强。是用于应用程序和SQLServer之间通信的主要语言。T-SQL语句数目、种类较多，其主体大约由40条语句组成.Chapter3第3章数据库—数据库查询语言在使用数据库时，用得最多的是数据操纵语言（DataManipulationLanguage）。DML包含了最常用的核心SQL语句，即SELECT、INSERT、UPDATE、DELETE。下面对以后章节中经常用到的SELECT语句作简单介绍。SELECT语句用于从表中选取数据。结果被存储在一个结果表中。SQLSELECT语法：SELECT列名称FROM表名称SELECT*FROM表名称SQLSELECT实例：如需从名为"Persons"的数据库表获取名为"LastName"和"FirstName"的列的内容，使用SELECT语句：SELECTLastName,FirstNameFROMPersons注：SQL语句对大小写不敏感。SELECT等效于select。“Persons”表：IdLastNameFirstNameAddressCity1AdamsJohnOxfordstreetLondon2BushGeorgeFifthAvenueNewYork3CarterThomasChanganStreetBeijing结果：LastNameFirstNameAdamsJohnBushGeorgeCarterThomasChapter3第3章数据库—数据库查询语言T-SQL中包含大量的数据类型，这里仅对常用的整数数据、浮点数据、字符数据进行说明。整数数据类型1．INT（INTEGER）数据类型2．SMALLINT数据类型3．TINYINT数据类型4．BIGINT数据类型字符数据类型1．CHAR数据类型2．NCHAR数据类型3．VARCHAR数据类型4．NVARCHAR数据类型浮点数据类型浮点数据类型用于存储十进制小数。浮点数值的数据在SQLServer2008中采用上舍入方式进行存储。Chapter3第3章数据库—创建和管理数据表用户数据库创建之后，接下来的工作就是创建和管理数据表。数据表是数据库的基本构成单元，它用来保存用户的各类数据。通过SQLServer2017创建数据表可以有几种不同的方式，本节我们介绍使用SQLServerManagementStudio创建表的方式。该方法操作简单，使用方便。在创建表时，首先要确定数据表中各列的数据格式是数值、字符、还是货币、图像等其他格式。只有设计好数据表的结构，系统才会在磁盘上分配物理空间，用户才能向表中填写数据。数据表创建以后，在使用过程中可能需要对原先定义的表的结构进行修改。具体的修改包括更改表名、增加列、删除列、修改已有列的属性等。按照下图从左到右的顺序新建数据表，参考数据库源代码构建。Chapter4第4章算法、数据分析及可视处理化—数据建模与分析数据分析方法可视化知识驱动数据驱动报表与可视化基于规则主成分分析因果故障案例推理神经网络分类树随机森林支持向量机逻辑回归统计方法知识库数据挖掘（机器学习）统计数据建模是根据工业实际元素与业务流程，在设备物联数据、生产经营过程数据、外部互联网等相关数据的基础上，构建供应商、用户、设备、产品、产线、工厂、工艺等数字模型，并结合数据分析提供诸如数据报表、可视化、知识库、数据分析工具及数据开放功能，为各类决策提供支持。数据分析建模技术，已经形成了比较成熟稳定的模型算法。从大的方面可以分为基于知识驱动的方法和基于数据驱动的方法。有时候数据可视化技术本身也被称为一种数据分析方法。工业大数据建模分析技术体系如图所示。本次项目的应用场景是预测性维护，常规解决方案是采用数据驱动建模的分析方法。Chapter4第4章算法、数据分析及可视处理化—数据建模与分析通过对系统采集的大量观测数据运用模式学习和统计学等理论进行充分分析，建立系统输入变量、可观察变量以及预期输出变量之间的模型，即以数据为基础去发现系统模型，这种方法就称为数据驱动建模。数据驱动方法以数据构建模型，包括统计分析方法、人工智能方法等。一方面历史数据的分析有助于了解产品、系统在历史运行中的特性，另一方面在线数据的分析有助于了解产品、系统实际的运行状态，支撑系统运行态势感知、评估和预测。仿真样本生成实际样本采集模型构建问题求解研究对象特征筛选数据驱动方法实施示意图主要理论工具统计分析...人工智能Chapter4第4章算法、数据分析及可视处理化—数据建模与分析常用的数据驱动方法有时序模型预测法、灰色模型预测法、神经网络预测法和支持向量机预测法、支持向量数据描述等方法。在预测性维护的过程中，并不是所有的预测都会提供充足有效的数据，根据数据提供的大小和强度，建立相应的数据挖掘模型。本次项目中获取的数据样本中的速度、振动和声音数据，绝大多数为正常数据样本，所以需要利用这些正常的数据预测和判断机器是否即将发生故障。对于这个问题，这里聚焦于其中的一种技术，即SVDD。基本思想是建立一个最小的超球体，利用这个超球体去尽可能地包含所有的数据，当要测试一个新的数据时，我们只需要判断数据是在超球体内还是超球体外就可以实现分类了。信息的力度数据需求的强度OLAP和其他报表模糊匹配关联分析、序列模式、LINK模式聚类分析决策树、回归、过滤器等神经网络、综合模型、支持向量机预测

支持向量数据描述（SVDD）是一种单分类方法，因其需要训练数据量较少，可实现离群点检测，得到了推广与应用。

对于高维数据来说，很难在空间中确定一个边界，将训练数据与其它数据区分开。SVDD通过将训练数据映射到一个高维空间，然后构建一个超球体，使训练样本尽可能多的包含在超球体中。以该超球体为边界，边界内的数据为训练数据，边界外的数据为其它类型数据