智能制造-工业大数据应用及探索

智能制造

工业大数据应用及探索02

平台介绍03

工业大数据-治理与应用04

案例分享-制造知识图谱05

案例分享-不良根因分析06

案例分享-不良图像分类07

BOE智慧工厂目

录平台介绍02

数据接入直连设备风力发电大屏展示边缘网关智能抄表智能照明工业网关智能网关环境监测智能智造定位系统监控系统 NB-IoT设备第三方系统网关子系统消息列队

工业

Pa

aS

：

物联

网平台物联网平台上行数据下行数据数据网关OpenApi平台服务调用应用场景智能制造边缘网关智能监控设备维护人员定位设备层KS48K边缘层MQTT5/RS232上位机

Zedge

Link

SDCOAP/HTTP/HSMS/RBLEZigBeeModbusLORA私有协议

Zedge

Link

SDMQTT数据存储节点画关系数据库时序数据库KV数据库数据计算平台离线计算实时计算标准模型映射函数计算认证鉴权协议转换NB-IOT设

备数据转换脚本标准Api身份认证设备管理第三方系统/物

联网操作系统函数计算数据加密连接管理本地存储数据分发协议转换直

连

设

备边缘网关Zedge

SDKQ规则引擎孤岛设备路由分发服务订阅管理数

字

化工厂外景人员、车辆、设备、安全、能耗宕机监管状态监控、宕机预警、问题追踪宿舍、班车宿舍管理、班车管

理、行车轨迹企业运营财务、人事、行政、办公软件定制服务人员定位姓名、工号、部门、联系方式车辆定位车牌号、车主、备注信息访客管理姓名、证件号、体温监测、事由能耗管理能耗可视、异常告警、远程填表车辆识别车牌号、违章信

息、异常告警巡检维护线上巡检、维护、记录、导出电子围栏硬件定位、虚拟围栏、禁区告警平台架构基于工业PaaS，

打

造

互

联网

平

台

产品，

为

客

户

提

供

智

能

工

厂、园区

物

联

、

企

业

运

营

三

大

解

决

方

案

。工业S

a

a

S工业P

a

a

S云资源数据接入项目管理

需求管理

代码管理

持续部署

自动化测试

配置管理

日志管理

应用监控

计算

存储人员设备物料工具环境物流动能

…人工智能平台模型开发模型训练模型部署超参数自动调优深度学习框架应用中台

大数据产业发展试点示范

工业互联网二级节点标识解析大数据平台智能工厂工控

安全安全

态势

感知主机

安全调试

设备

管控数据

交互

安全HSMS

Mod-BusMQTT…公有云私有云企业运营园区物联接入方式

ZigbeeNB-IotUWB5G...统一开发平台

计算

存储数据导入实时分析数据可视化批量分析数据建模工业AI缺陷分析…能耗分析批次跟踪预防维护办公服务统计过程实时通信仓储管理工艺流程人事服务用户服务物料管理自动搬送人员分析数据总线财务服务营销服务设备分析消息总线工厂建模绿色产品

管理供应链协同

计算通勤车

管理网络网络生产管理质量控制计划排产搬送排程异常监控仓库管理设备管理车辆管理会务

管理分析

预测物流

管理档案

管理差旅

管理人员

定位能耗

管理宿舍

管理门禁

视频调查

问卷产品EOL通讯协议工厂资源混合云驾驶舱存储网络工业大数据

-

治理与应用03

数据是精

益

管

理

与

业

务

创

新

的

强

力

支

撑统计数据

运营管理数据移动互联数据物联网设备数据产品及交易数据

支付数据评价反馈数据外部数据12Q

P

o-$-0

数

据

问

题数据需求数据管理员数据需求数据源IT人员数据结果13企业管理者数据不可知数据不可取数据不可控数据不可联业务人员这个数据

有什么用？业务含义

是什么？数据平台业务人员14

B

O

E

数

据

问

题从“市场规划、设计、制造、销售、维护”这一整个全生命周期过程都会产生大量的结构化和非结构化数据，形成最初的原始的制造业大数据。对企业价值链的影响产品运营精细化管理风险管理数据问题长期存在导致数据分析比较简单

决策缺乏可靠依据产品全生命周期市场规划设计制造销售维护数据问题缺内部数据定义缺失；数据不完整；外部数据无暇顾及；重数据在多个系统中，

重复采集、重复存储；散系统数据无法关联、共享，数据整合困难；

系统林立，数出多门；慢数据时效性差，使用者无法及时获得所需信

息繁数据使用不方便，方法繁琐；手工报表多；差数据的质量差，数据不完整，数据不一致；产品全生命周期没有准确数据支撑

难以进行深度分析系统

运营决策

报告业务

支持营销

支持制约阻碍15

数

据

治

理元数据

元数据数据质量数据安全数据标准

B

O

E

数据

治

理

平

台

架

构数据资产库(元数据库)资产目录主题域/主题信息系统数据库数据结构设计模型ETL过程报表业务模型技术标准…数据地图

系统地图

系统地图

过程地图数据发布共享元数据检索元数据检索元数据接口外部数据结构数据物理结构数据逻辑模型业务模型算法KPI…业务逻辑规则业务属性规则…数据结构标准集成标准…质量检查

度量规则

检核方法

调度执行数据质量报告数据质量分析问题追踪知识库管理元数据分析影响分析影响分析过程地图元数据管控元数据变更元数据变更不同态环境对比版本/历史管理版本管理版本管理版本/历史比对质量监控告警规则监控检核方法告警结果元数据汇集自动化采集人工维护模板导入业务数据标准技术数据标准元数据应用元数据采集数据质量数据标准数

据

中

台u

数据的联合化，标准化，自动化

iu集中共享、分层开发、灵活可拓展应用N应用层数据层资源层基础层未来现状资源池能力（基于云计算架构的按需供给）IT基础设施数据管理能力（统一的数据管理和分析服务）竖井分散、封闭耦合数据能力应用能力基础能力资源能力资源能力应用能力基础能力数据能力应用

能力应用

能力应用

能力应用A系统N系统A………………

B

O

E

数

据

中

台数据应用数据中台数据体系专题数据领域根据业务需求、业务指标构建主题数据空间根据业务板块、业务过程及分析维度构建内部基础数据资源数据研

发管理数仓规则模型构建

指标规范

数据开发

任务调度

监控警告……管

理平

台计算与存储平台分析计算离线计算实时计算统一的数据服务外部营销无创血糖仪智能数据产能内部运营生产制造数据资

产管理元数据

管理数据资

产治理数据资

产应用数据资

产运营数据资

产分析人员绩效

费用分析显示面板

人员良率分析

资产管理传感器

设备业务管理系统（ERP

、PLM

、MES等）现场信息（设备、能源、环境等）外部互联网采集企业文档（图纸、视频等）客户服务

保密安全库存水平

供应商绿色节能

教育培训生产能力

用户行为环境监测

专利植物工厂

测试设备维护

消费者工艺技术

员工社区车联网

环境加工、处理整机

物料画屏

成本健康

能源创客

产能零售

工艺数据萃取数据储存市场研究产品研发现场管理显示面板业务中台iGallery医院整机故障良率……………………

数

据

应

用用快速的数据平台基础设施，为使用者提供任何想要的数据数据获取

数据准备

数据服务开发

数据共享发布找到数据

提供数据

使用数据

治理数据自助化自动化规范化可视化业务元数据与技术元数据对接；自助化数据申请和订阅。基于数据目录的数据服务开发；在线编辑数据模型，生成作业。

数据服务标准应用方式；数据通道提供平台支撑。基于数据地图运行态全链路监控；事前、事中、事后的数据质量检查。

B

O

E

工

业

大

数

据

应

用基于数据中台，打造生产过程全覆盖的智能工厂解决方案

分析&可视化

智能看板/不良根因分析MES/WMSPMS/SPCEAP/PCCECP/ADCPaaS数据中台IaaS云资源SaaS设备工程设备Edge搬送控制作业指示APS/RTD执

行分

析控

制设备控制生产执行MCS案例分享

-

制造知识图谱04目标

-

智能化转型目标问题知识散乱通过知识数据互联互通，数据驱动企业活动的各个环节，提高效率、降低成本，提升质量•

业务系统孤立，信息关联

关系复杂•

发现问题后，难以追溯根

因，处理方法不治本•问题发现不及时，被动响

应，无法形成有效的预警•

决策依据经验，缺乏数据

做辅助决策•当前知识数据多源异构，没有统一的组织管理•

有些宝贵的专家经验都没

有形成文档决策原始信息孤立

知识

图

谱

的

优

势知识图谱03知识学习不断沉淀知识逻辑和模型，提高系统智能性04高速反馈图式的数据存储方式，实现人机互动的实时响应01关系表达能力强通过图的方式表达复杂的关系，可扩展性更好05可解释性推理通过图的方式表达复杂的关系，可扩展性更好02深度关联分析基于图论和概率图模型，可以处理复杂多样的关联分析传统知识库智能制造知识图谱构建方法行业知识数据算法制造知识图谱

应用

-

基于知识图谱的

Fa

b

YE

看板查询通过知识图谱，将数据和知识充分共享给企业的各部门以及用户

，达到降低成本、增加效率、同时提高工程师劳动价值并且提升企业核心竞争力。业务流程Unit知识图谱构建步骤1.建立station-equipment-unit和不良code的schema2.

panel增量插入并关联到glass3.Panel不良点信息，根据不良code聚合，存入不良code连接关系的属性中4.输入Product

ID和date过滤，匹配productID-glass-panel-date，得到不符合到达率的glass，查询glass-equipment-station计算IV值Panel数到达率阀值过滤GlassEquipment不良Code有不良

的Panel(EAC2站点)Code&Station选中的PanelGlass到达率时间范围Product

Panel数、

r

CodeStation聚合WOEGlassIV

效果查询天数1天3天5天传统方法>

1min（不稳定）>

5min（基本不可用）不可用基于知识图谱<2sec

（1.55s）<4sec(3.58s)<6sec(5.67s)查询时间对比（测量选取的产品数量约30000片/天）案例分享

-不良根因分析05

目标

-

解决顽固性不良通过大数据数据挖掘能力，为业务部门提供顽固性不良的改善建议（异物及DGS）

异物不良背景：

DGS不良背景：

不良Type：MPS03/MPS04/MPF01

不良Type：57种Code•

团状Zara

，宏观现象为团聚的细碎小亮点•散状Zara

，宏观现象为分散的细碎小亮点•圆形/线形异物

，宏观现象为圆形或线性的D>n个pixel的小亮点•

Particle或者腐蚀等不良

，导致Data和Gate

Short

改善方向：

改善方向：•异物是在TFT生产过程中

，

大气和洁净室中会吸附于Glass表面的微观粒子

，

因影响TFT的导光

，致使产品产生影响品质的微观不良•UD产品自量产以来

，

MDL异物发生率（M5-M8月平均4.3%）

一直较其他TV产品

平均水平高（<1.0%），最高达11%•Cu工艺目前主流

，但Cu工艺DGS不良（Particle和腐蚀等相关不良）

降低困难•

目前DGS改善为集团重点改善对标项目（B4/B5/B8

）•目前DGS为B8Cu产品Array

Top1不良

，经过近2年改善

，发生率：

15%（首次量

产2016/03）3.3%

（2017/12）

,仍需持续改善•

目前TV及UHD产品

，客返品DGS占比30%以上•目前方向主要是Rub湿度变更、

PI膜外扩、ARC参数调整；需要完善参数组合•目前方向主要是工艺优化（含主工序参数、

清洗参数优化）

，检出优化

，

设备段改

造；后续希望借助大数据分析

，完善参数组合

分析方法采用IV&WOE评分方法，定位不良相关设备采用基于XGBoost的机器学习方法，分析不良相关设备的参数影响数据整合定位不良相关设备IV&WOE模型训练XGBoost模型验证分析结果提供改善方向，业务部门需要对结果进行确认并调整设备参数，达到不良改善的目的Rawdata分析参数影响不良相关设备参数影响glass

履历glass

不良DV

效

果良率提升•

针对49/55

产品，通过大数据数据挖掘的分析

，产品的

良率提升1.4%•

年增加效益460万

左右分析效率提升•

通过大数据平台的

计算能力

，分析效

率从原有3小时提

升到分钟内

，效率

提升99%•

通过大数据平台

，分析人员可以由原来的

6

人缩减至

3

人

，可节省100万数据挖掘•

利用机器学习平台的分析能力

，从数据角度着手

，分析数据之间的关联性，为业务人员提供了分析解决复杂困难问题的能力案例分享

-不良图像分类06目标

-

不良图像自动分类在液晶面板（含OLED）生产过程中，由于设备、参数、操作、环境干扰等环节存在的问题，会导致产出的产品不符合工艺要求甚至导致不良出现，所以需要在每道

工序后及时把不符合要求的不良产品的不良种类、不良大小、位置等信息计算出来，对一些干扰因素进行及时的修正和改善，避免不良的继续产生，同时也为后续的

Repair、Rework等工艺操作提供指导，提高效率，同时降低整个系统不良品的概率以及及时减少Rework和Repair的工作量。DefectCode1DefectCode3DefectCode2

视觉检测技术现状各种视觉技术实现对比现地实时产线产线系统部署工人缺陷检测的知识培训专业算法工程师开发算法软件收集待检测物的图像数据样本•检测主观性强，结果波动性大•效率相对低，工作时间长•检测结果数据不能充分利用•需要专业培训，工艺变动时，需要较长时间适应•自动学习和提取特征，不需要人工过多参与•当工艺变更时，只需准备标注样本，标注过程简单•适应性和通用性好•实现过程相对简单•需要专业有经验的算法工程师设计算法•产品和工艺变化时，需要重新设计，适应性差•实现过程复杂，周期较长

基于深度学习的视觉检测机器视觉缺陷检测软件视觉检测算法网络模型训练神经网络

模型传统机器视觉检测人工视觉检测动手练习

检测合格的

质检工人算法调试优化边缘端任务管理器1#推理GPU（低配置）2#推理GPU（低配置）系

统

架

构检

测

结

果任务请求模型部署 管理服务器

图像走向云端

不良图像自动分类应用场景人工智能平台OLED通用模型

交互接口

设备端ACT/Gate1/Gate2/SD…Repair/

ReworkTMS/

DFS通用专用

服务3#推理GPU（低配置）AOIOLED精确模型LCD精确模型深度学习通用技术图像通用算法其他场景应用工厂场景应用人工智能计算资源平台（GPU+存储）LCD通用模型

分

析

方

法训练（学习）推理（识别）深度学习不良自动识别算法MESCIMYMS

Repair

……GT010GT010POP790POP790DFS系统TMS缺陷特征图像特征数据库图片标签化待识别的图像输入深度神经网络模型检测结果输出ORG110SD010GT010效

果编号人工判定痛点人工判定现状ADC1人工判定效率低单张Glass判定需80s，效率低ADC系统自动判定，单张Glass判定约20s左右2判定准确率低目前人工判定准确率仅91.2%ADC算法不断迭代更新，准确率可保证在96%以上3判定工作量大8个全检站点每天待判图片约104万张ADC系统图片处理速度30ms/张，

满足产能要求4图片抽检抽检会造成不良漏检，存在良率损失ADC高速处理能力可对应全检，从而降低漏检率5OP人员流动性高出现Miss和事故，造成良率损失/人员招聘、培训等工作日益加重ADC系统能够降低用工数量，缓解人员流动性问题其他

应

用

场

景

介

绍（

V

R

）B9CF工艺技术部：Coater

PRJobChange作业流程1、

Coater下胶流程

2、

Nozzle清洁3、

Coater上胶流程说明在Coater存在PR胶型号不同的情况下，对CF分厂Photo

Line

PR

Job

Ch