制造业
《中国制造2025》提出“必须把质量作为建设制造强国的生命线”，走以质取胜的发展道路，从中国制造升级为“中国智造”。在电力装备制造领域，采用产品订单驱动的生产模式，存在标准化、系列化、多样化、批量小的情况，市场竞争已逐渐变为产品质量及其管理水平的竞争，但制造业质量的把控仍是一道难题。近年来，随着大数据技术的迅速发展，大数据在制造领域深入应用并取得显著效果。
制造业面临问题
1. 影响产品质量的工序及影响因素多，质量问题分析主要依靠专家经验。
2. 产品排故时间长且依赖老工人经验，经验知识传承仍以师傅带徒弟的方式进行，未形成体系化。
3. 产品检测环节采用自动化设备检测，但整个产品制造过程关键工序缺少数字化检测设备和质量数据输出。
解决方案
1. 针对制造业的生产过程特点和产品质量问题，利用Coovally Tabular大数据分析平台设计并构建产品生产过程质量问题分析系统，实现产品质量问题分析可视化、模型化和定量化。
针对产品检验环节发现的质量问题和措施数据利用Coovally Tabular大数据分析平台着重进行关联挖掘分析，实现产品质量问题的准确性和措施精准匹配。
3. 利用产品生产过程各工序工作质量数据、设备质量数据、检测装置数据、测量工具数据等，通过Coovally Tabular大数据分析平台构建产品质量影响因素分析模型，通过数据训练使模型精准实现质量问题影响因素追溯。
4. 利用Coovally Tabular大数据分析平台构建企业产品质量指标体系，实现质量体系指标分析业务的可视化。
5. 利用大数据架构技术整合并集成产品生命周期各阶段的质量关键数据，通过Coovally Tabular大数据分析平台实现过程数据采集、存储、计算、模型构建和高维分析应用。
Coovally Tabular模型训练回归曲线图
亮点
1. 采用大数据存储技术和分布式计算，解决了传统质量分析计算和处理能力不足的问题。
2. 通过优化的算法和模型对影响产品质量的因素进行处理，解决了传统数据管理系统抽样不足、精度不够、低维度因果关系的问题。
3. 通过高维可视化技术和自定义分析技术，实现了质量分析结果的高可用性、高灵活性展现。
成果
1. 对装配过程中发现问题最多的检验工序过程数据进行采集分析，将分析结果及时反馈给设计和装配人员，促进制造过程质量的针对性改进。
2. 减少产品返工次数，降低返工率，提高产品一次合格率。
| 留言与评论（共有 0 条评论） “” |
