01 行业趋势和背景
1.1 数据作为生产要素驱动质量管理
随着新能源汽车、储能系统、消费电子产品等领域的快速发展，锂电池作为关键零部件，其市场需求呈现出大幅增长的态势。
锂电池技术的不断进步，包括能量密度、充电速度、循环寿命等方面的提升，使得电池性能更加优越，消费者对产品的要求也越来越高。然而，这些技术的实现和稳定发挥都依赖于高质量的电池制造过程，提升锂电池质量成为推动技术进步的重要保障。
而数据作为生产要素在其中发挥着关键作用，通过对生产过程中各类数据的精准分析和有效利用，能够优化生产流程、提高生产质量。
1.2 海量异构多源数据的采集
制造过程的生产质量提升除了监控产品的一次直通率、综合直通率外，SPC分析保证制程工艺的稳定性也显得越发重要。
受限于设备和技术，传统制造过程的数据采集、储存成本较高，但随着IoT技术的发展，智能工厂/IoT的建设越来越多，使得制造过程的数据可以实现实时采集与传输，以及精准捕捉生产各环节产生的信息。
工业生产上的各类传感器每秒都会产生大量关于设备运行状态、设备环境、工艺参数检验值等数据。这些IoT数据通过工业互联网的协议采集、分发，如监控某个工艺参数的设备，每秒会产生几千条检测数据存入时序数据库、文本服务器和关系型数据库等。
1.3 高频数据实时计算及业务响应
传统SPC的分析和统计是基于天或者班次进行的，能够衡量制程的稳定性，但这样的分析往往都是事后的数据分析。另外，从大量的工艺检验项数据中去发现问题，也需要耗费大量人力进行统计。
因此，企业希望实现通过实时计算去识别问题并通知到具体责任人，问题一旦发生就可以得到及时处理。在事中对问题进行监控，有助于促进提升管理水平和生产质量。
02 遇到的挑战
1. 异构多源数据来源广泛多样，包括不同业务系统、生产设备、传感器和外部数据源等。多种业务系统的结构化数据、生产设备的日志数据、工艺参数检验的非结构化数据等差异较大。
2. 实时计算海量数据呈指数级增长，其实时处理对计算和存储能力要求极高。数据从采集、传输、处理各个方面如果算力不足都会因数据消费堵塞，导致分析结果缺乏时效性。
3. 数据质量数据来源广泛且分散，数据质量良莠不齐，存在诸多问题，比如设备多次重复产生相同的数据，或是由于网络等原因导致先生成的数据晚于后生成的数据到达接收点等，严重影响分析结果的准确性和可靠性。
03 基于统一底座，建立质量分析模型和闭环管理机制
3.1 建立统一的数据平台底座，支持海量IoT数据集成处理
基于 Kafka + Flink的流式采集数据方案，支持多种数据格式和数据源，能够轻松应对不同的数据源及不同格式的数据。经测试，该方案可以每秒处理5万+条数据，保证数据可以低延迟消费。
Flink内部的高效实时算子，可以针对不同格式的数据，做不同逻辑的处理，实现对数据的高效计算，支持业务需求秒级响应。Flink的水位线机制恰好可以处理迟到数据，保证数据计算的准确。
以数据云平台DataSimba为平台底座的整体架构，同时实现了组件高可用及各组件的高效协作，保证了平台的稳定和高效。
3.2 搭建生产过程的质量分析模型
利用DataSimba平台处理海量、复杂逻辑的优势，搭建生产过程质量分析模型，将常见的SPC分析场景如 xbar-r、xbar-s 化为通用模型。依据其原理算法，如 xbar-r 控制图的均值、极差计算及控制限设定等构建模型，反复验证优化，建立评估指标衡量性能，实现实时监控分析，支持生产质量管理。
在模型中需要将八大预警规则解读并转化为数字化规则，融入模型逻辑，如明确“1个点，距离中心限大于3个标准差”的计算和判断。然后在数据处理流程中嵌入判断逻辑，在数据进入时实时计算判断，触达阈值将进行异常预警。
3.3 异常情况实时预警，实现闭环响应
结合现场生产指挥大屏，以及邮件、短信、OA、钉钉等方式的预警通知，实现对生产异常的实时监控、告警和处理，大大减少从发现异常到纠正措施执行的时长，方便操作人员及时采取措施，保障生产质量。
04 产品带来价值
在平台中以实时计算实现生产质量预警分析场景，带来从“人找事”到“事找人”的转变。以往人在大量数据中费力找问题，易疏漏延误。
如今，在生产制造过程中指标异常、工艺参数异常等，系统会自动触发警报并推送给责任人，及时解决。这种转变能够大幅度提高工作效率，降低风险损失，保障企业运营发展。在SPC模型数据处理过程中，同时监控了上百台设备的一千多个核心工艺，每秒实际处理数据达到两万条，高吞吐的情况下保证了指标稳定运行。
某锂电池客户的数据团队表示：“原本在重点参数监控管理上需要花费80%的时间去收集和处理数据，只剩20%时间来进行问题分析和定位，现在数据处理的耗时至少缩减了75%，有更多的时间来聚焦数据分析，优化场景应用。后期计划基于平台此架构实现供应链管理的精准库存和高效的物流配送场景。”
热门跟贴