锂电池数字化车间集成

锂电池制造工业互联网是链接工业全系统、全产业链、全价值链，支撑工业智能化发展的关键基础设施。新一代信息技术与制造业的深度融合推动了智能化制造、网络化协同、个性化定制、以及服务化延伸等新模式的形成发展。数字化管理等新兴业态和新模式，有利于促进产业向数字化、信息化、智能化转型。

工业互联网平台是面向制造业数字化、网络化、智能化需求，构建基于海量数据采集、汇聚、分析的服务体系，支撑制造资源泛在连接、弹性供给、高效配置的工业云平台，包括边缘、平台(工业PaaS)、应用三大核心层级，工业互联网平台架构如图所示：

 锂电池制造工业互联网的架构

企业开展大数据分析，首先应开展业务调研和数据调研工作，明确分析需求，其次应开展数据准备工作，再进行数据处理工作，最后开展数据分析建模及展现工作。大数据分析建模需要进行以下5个步骤：

① 选择分析模型

基于收集到的业务需求、数据需求等信息，研究决定选择具体的模型，如行为事件分析、漏斗分析、留存分析、分布分析、点击分析、用户行为分析、分群分析、属性分析等模型，以便更好地切合具体的应用场景和分析需求。

② 训练分析模型

每个数据分析模型的模式基本是固定的，但存在一些不确定的参数变量或要素，通过其中的变量或要素去适应变化多端的应用需求，这样模型才会有通用性。企业需要通过训练模型找到最合适的参数或变量要素，并基于真实的业务数据来确定最合适的模型参数。

③ 评估分析模型

需要将具体的数据分析模型放在其特定的业务应用场景下（如物资采购、产品销售、生产制造等）对数据分析模型进行评估，评价模型质量的常用指标包括平均误差率、判定系数，评估分类预测模型质量的常用指标包括正确率、查全率、查准率、ROC曲线和AUC值等。

④ 应用分析模型

对数据分析模型评估测量完成后，需要将此模型应用至业务基础的实践，从分布式数据仓库中加载主数据、主题数据等，通过数据展现等方式将各类结构化和非结构化数据中隐含的信息显示出来，用于解决工作中的业务问题，比如预测客户行为、科学划分客户群等。

⑤ 优化分析模型

企业在评估数据分析模型中，如果发现模型欠拟合或过拟合，说明这个模型有待优化；在真实应用场景中，定期进行优化，或者当发现模型在真实的业务场景中效果不好时，也要启动优化，具体优化的措施可考虑重新选择模型、调整模型参数、增加变量因子等。

⑴ 数字化车间现场网络架构

锂电池数字化车间网络架构的设计、软/硬件系统的配置要求应根据动力电池数字化车间的特点和功能需求确定，动力电池数字化车间网络架构如下图所示：

储能制造数字化车间现场网络架构

⑵ 数据集成架构

数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中组合成可信的，有意义，有价值的信息，从而为用户提供全面的数据共享。它是技术和业务流程的组合。数字化车间集成架构图如下图所示:

先进储能数据集成架构

先进锂电池智能制造需要建立起体系化的生产执行制造及应用服务平台，上图描述了该平台的架构，平台分为L1~L5五层架构。

L1现场设备层：主要包括锂电池生产设备，通过建立规范的数据字典对设备对象进行抽象描述，实现设备数据采集与集成，利用智能硬件和软件算法实现边缘计算及工序闭环。

L2产线控制层：按锂电池制造过程分工段实现产线生产过程管控，同时实现本地数据处理及数据向上层系统分发，使用私有云及雾计算的方式实现产线闭环。

L3生产执行层：实现车间级的生产过程管控，同时与企业运营管理，决策系统集成，利用云计算等技术手段实现数字化车间全闭环。

L4运营管理层：包括PLM，ERP等工厂信息化系统，实现工厂级的资源调度，包括设计、生产、物流、库存、订单、财务等资源的优化整合。

L5战略决策层：主要是构建科学的企业级经营决策体系，利用全面准确的数据分析，形成一系列应用服务系统，给企业运营，战略决策提供有力的支持。

⑶ 数据集成信息流

锂电池数字化车间制造过程数据集成主要信息流如图：

储能制造过程数据集成

⑷ 数据采集方式及数据集成要求

动力电池数字化车间各组成单元之间的数据采集层次如图：

车间数据采集主要包括基础层、车间层、管理层三个层次，其中较为重要的设备数据采集方式如下：

• 传感器数据应通过输入输出或通讯（如现场总线或工业以太网）等方式进行数据采集；

• 文档数据包括设备运行过程记录信息、CCD检测图片、设备在线测试记录数据等，应通过直接从设备拷贝或通讯等方式进行数据采集；

• 数据库数据应通过数据库同步的方式进行数据采集；

• 接口数据应通过设备开放的特定接口（如WEB API或WEB SERVICE）进行数据采集。

• 能源数据应通过人工记录或从水、电、气等计量仪器自动读取的方式进行数据采集。

（一）设备健康管理

设备健康管理和维修的理论、模式、制度是人-机(主动与被动)结合的前瞻性管理。它以设备的健康管理为核心，重点锁定设备的“健康和亚健康”阶段，以保持健康状态的持久性和稳定性为评价标准。研究设备动态损伤规律，设计和实施预防保健、健康监测、平衡调整、动态养护维修对策和健康保健制度。其目的是设备全寿命周期保持健康、高效、低成本的运用，创造显著的能源、备件、人力时间的节约效益，安全和环保事半功倍，生产效率倍增。

（二）设备预测性维护

设备健康管理有一个非常重要的技术手段就是设备故障预测。故障预测基础是设备运行历史数据或运行时设备状态参数，其预测目的是预知设备未来的运行状态，以便于维保人员有准备性的进行设备维护，尽可能的保障生产的持续性，杜绝非计划性的停机、重大故障等事件的发生。

故障预测根据是否预测出具体的渐变故障可以分为渐变故障类型预测、健康状态预测。在综合考虑设备维护方案经济性、时效性、可行性、高精度、低复杂度等现实要求基础之上，定位在整体设备、子系统级别的健康状态预测是复杂装备开启预测性维护的最佳切入方式。

企业中各信息化系统通过边缘层将数据进行采集，过滤，计算后将数据集成到工业互联网平台中, 共享工业生产全流程的各种要素资源，为数字化、智能化生产管理提供了最宝贵的数据支撑。数据采集系统的实施改变了传统设备中的数据传输和管理的方式，为智能制造在制造装备行业内推广打下了坚实的基础。