能源化工企业智慧工厂数据集成应用和数据标准化建设思路

Original 张卫数据工匠俱乐部

兔子红箭头引导关注

前言

我国制造企业以中国制造2025为宗旨，以两化融合为突破口，参考德国工业4.0中的智慧工厂模式及美国GE工业互联网等先进理念，结合企业自身实际情况，建设具有全面感知、预测预警、优化协同、科学决策能力的中国特色的智慧工厂，其核心在于三项集成及横向集成、纵向集成和端到端集成。

企业信息化建设必然经历初始、推广、控制、集成、数据管理、成熟等六个不可跨越的发展阶段；一个组织单位在不断推进信息化建设的时候,都会经历从单独业务系统建设转入集成建设阶段，大多数企业已经完成初始、推广和控制阶段信息化建设的发展过程，在完成业务电子化向信息化管理转变的集成阶段进行系统间数据共享和数据挖掘分析时，发现基础信息编码不统一，集成难度较大；数量众多的业务信息系统缺乏集成应用统一规划，没有横向集成打通，存在信息系统之间的“孤岛”现象，在信息共享、专业协同、数据价值、决策支持等方面价值体现不足；公共数据共享和采用数据管理功能实现公共数据管理已成为企业信息建设中迫切需要解决的问题，也是智慧工厂建设落地的关键。

一

传统能源化工企业数据管理现状

传统能源化工企业在推进智慧工厂建设中仍存在诸多问题和误区，基础设施层工艺仪表、计量仪表不健全，车间之间未实现网络互连，智能传感单元缺失；控制层生产控制系统的自控率较低自整定能力不够，缺乏优化控制单元；业务操作层应用软件模型化较差，业务覆盖范围不够全面，缺少质量在线分析和设备健康状态在线监测系统，应用深度不够；运营指挥层缺少专业的业务知识库、缺乏业务的优化能力等。

企业在过去的十多年里，为了支持某项应用建设大量的信息系统，但由于没有进行顶层设计和数据标准，数据在集成过程中无法实现从各系统中提取完整的关键数据，数据质量差，可信度不高等问题，很难实现智慧工厂预期效果。造成这些问题的主要原因是企业缺乏数据治理理念和建设思路，在许多企业中，数据分布在众多彼此隔离的系统中，这些系统包含对业务至关重要的数据，但通常情况下无法与其他系统共享这些信息，使得企业几乎不可能创建和维护数据的“单一”视图；产生部门责任不清晰、数据定义不清晰、数据记录不及时、数据交互不及时、数据概念不统一等问题，决策层无法及时了解各部门的生产运行情况，影响决策效率。以下是笔者四点分析：

1）烟囱式信息系统多，数据共享集成不深，专业协同效率低，缺少统一数据管理责任主体

企业建立了大量的信息化系统，在不同阶段、不同时期、不同的实施厂家建设，服务于不同专业应用，以业务为导向，各主要业务（采购、生产、环保、销售、物流、财务、检验等）均建立了相应的信息化系统，但是绝大部分的专业系统间没有进行互联互通、集中集成、信息共享，集团内存在较多的“信息孤岛”，导致数据不真实、不准确、数据不透明、不共享。不同业务查询信息使用成本高，专业协同效率有待提升。没有明确各项主数据相应的管理责任主体，各成员企业各自为政，自行维护，主数据管理职责缺失，导致各类主数据存在多个系统中管理，数据重复维护等情况。

2）信息化标准体系建设滞后，缺少统一的数据标准

企业在信息系统建设时，没有统一数据标准、技术标准和应用标准，增加了信息系统集成技术难度和成本。各类主数据信息在跨工厂、跨职能线的数据标准及口径不一致，各项主数据标准缺乏统一性，数据管理的重点是主数据，主数据是业务规范、综合分析、决策支持的基石，企业数据标准化工作急待提升。

3）没有全生命周期跨组织的协同管理流程、缺少统一的权威数据管理平台

各项基础数据存在审批环节与数据维护环节脱节，导致重复维护，增加工作量的同时，存在数据质量问题风险；缺少统一的数据管理平台，相关各类主数据分散在不同的信息系统中自行管理，数据流向不清晰，无法固化数据标准，且信息获取时效性得不到保障。

4）跨组织信息共享程度低、资源难于整合，数据应用价值不高，辅助决策支持少

企业的信息化主要是以信息系统的建设、业务的信息化为主，还处于数据收集、简单信息展示、报表汇总统计，跨组织信息共享程度低、资源难于整合，而基于数据分析、数据挖掘、数据建模等应用较少，数据资产价值难于体现，对集团决策支持力度明显不足。

二

能源化工企业智慧工厂定义

1）业务维度

能源化工企业智慧工厂是面向化工生产的全产业链环节，将新一代信息技术与现有化工生产过程的工艺和设备运行技术以及人进行深度融合，实现工厂横向、纵向和端对端的高度集成，提升全面感知、预测预警、协同优化、科学决策的四项关键能力，以更加精细和动态的方式提升工厂运营管理水平，并推动形成新的制造和商业模式创新。

2）技术维度

智慧工厂是构建一个以泛在感知和泛在智能服务为特征的新一代化工生产环境，将无处不在的传感器、智能硬件、控制系统、计算设施、信息终端通过CPS连接成一个智能网络，实现企业、人、设备、服务之间互联互通，最大限度的开发、整合和利用各类企业信息资源、知识、智慧。

三

能源化工企业智慧工厂核心是数据集成、集中存储

1）纵向集成：在生产企业内部按照国际模型，一个工厂的纵向系统由三层结构组成：过程控制系统、生产执行系统、资源计划系统；纵向集成就是这三层的上下贯通，每一层模块化，共同组成一个智能平台；同时，建构生产数据中心。这样生产管理过程就可以实现经营管理层、生产运行层以及过程控制层的数据流动，从而实现数据自动采集、数据自动传输、数据自动决策、自动操作运行、自主故障处理等等；纵向集成对横向集成、以及端到端的价值链集成提供支持；

2）横向集成：横向集成是指将各种不同的制造阶段的智能系统集成在一起，既包括一个公司内部的材料、能源和信息的配置(如原材料、生产过程、产品外出物料、市场营销等等)，也包括不同公司之间的价值网络的配置。横向集成通过互联网、物联网、云计算、大数据、移动通信等等全新技术手段，对分布式的智能生产资源进行高度的整合，从而构建起在网络基础上的智慧工厂间的集成。横向集成也是实现价值链集成的基础，没有横向集成，也就没有价值链集成；横向集成与纵向集成、价值链集成整合起来构成了智能制造网络。

3）端到端集成：一个产品的生产过程可能包括产品需求确定、产品设计、产品规划、产品工程、生产、销售服务等等多个价值链环节，每个环节可能有不同的企业完成。所谓的端到端集成就是要把这种在一个企业之中或者多个企业之间的产品从需求分析开始直到销售服务全价值链集成起来，确保个性化的产品能够实现。端到端集成是客户价值的实现途径，横向集成和纵向集成则是保障了这种价值的最大化实现。

四

智慧工厂数据平台建设原则

1）顶层设计，试点先行。从营运组织架构、业务管理需求、大数据管理需求等角度开展顶层设计，充分体现重构营运体系、提升专业治理、增值数据价值的要求，为争创一流企业夯实基础。

2）基础落实，循序渐进。数据是业务规范、综合分析、决策支持的基础，落实数据基础梳理，提升数据质量，提升数据管理规范性，逐步实现数据标准化、数据分析挖掘及工业大数据应用。

3）融合推进，统一标准。构建制式标准体系，集团形成统一的数据标准、技术标准、应用标准、安全标准、服务标准。

4）管理提升，创造价值。以大数据为手段和工具，通过智慧营运管理服务，提升数据价值，促进企业数字经济发展。

五

智慧工厂数据资源中心实现目标

建设数据资源中心，支撑分析应用，支持数据共享应用，实现生产经营全过程优化、生产经营管理精细化、保障生产长周期运行、持续推进节能减排、实现企业降本增效。

集中管理数据资源，实现内部、外部数据“语义”统一；

获取宏观数据、行业上下游数据、互联网数据等外部数据，建设企业级大数据应用平台；

支撑业务系统（OLTP）和分析系统（OLAP）优化；

把数据推送到各级管理者和一线业务人员，更有效推进业务流程管理（BPM）,实现“厚平台、薄应用”；

实现用数据说话、用数据管理、用数据决策、用数据创新，以数据重构企业智慧，造就一个数字化的企业，使数据的管理、数据的分析成为企业价值链的一部分实现卓越运营。；

通过收集各业务系统的数据，统一存储、管理各个部门的有关业务数据，建立数据共享机制，在部门之间共享业务数据，同时对外部其他系统提供数据支持服务。

六

基于数据资源中心设计思路

能源化工企业在智慧工厂建设过程中要解决信息集成的痛点、难点；需要借助数据资源中心设计思路进行工厂数据资源中心规划和设计：

构建企业自身的数据应用环境，是实现智能应用的关键，通过数据集成，建立集中、统一的企业数据环境，整合目前分散在企业各个层面不同系统中的分散数据源，充分发挥现有系统的作用，增强信息共享，为智能应用和辅助决策提供支持，实现对数据资产进行统一集中的管理。

1）通过主数据管理，规范数据格式、建立编码规范和主数据治理，解决“一物多码、一码多物”的难点，让数据有效、准确；

2）利用互联总线，实现企业内部系统数据互联互通，打破“信息孤岛”和“数据孤岛”，让企业系统数据实时同步并形成企业生产数据存储中心；

3）利用大数据平台技术，基于指多维度主题指标进行大数据分析，并积累大量有效数据形成知识库，为企业管理预测、决策提供可视化管理；

4）借助物联网、云计算、API技术，实现和供应链上下游企业融合的产业互联网，从而构建起在网络基础上的智能工厂间的集成。

能源化工企业数据资源中心框架图

6.1

智慧工厂数据标准建设思路

在智慧工厂规划蓝图中涉及的所有业务系统中进行分析，整合最核心的、需要共享并保持一致的数据（主数据和数据指标）；对需要整合的主数据集中进行清洗和丰富；以服务方式把统一、完整、准确的主数据分发给企业范围内需要使用这些数据的业务系统、业务流程和决策支持系统。

智慧工厂数据标准体系

能源化工企业智慧工厂数据标准化涉及主数据和数据指标清单如下表：

MES工厂模型标准

主数据代码体系示例

数据指标清单示例

6.2

智慧工厂数据集成和存储

通过建设统一的数据门户,将企业各类系统集成

智慧工厂数据资源中心存储架构图

建设基于SOA架构的开放式业务集成平台，建设流程、规则和事件引擎，实现企业级的基于业务驱动的和基于事件触发的流程整合和业务协同，选择基于SOA架构的成熟的中间件产品，与实时数据总线（OPC)、数据集成总线配合支撑企业应用集成和业务集成。
建设能源化工行业模型驱动的业务集成平台，从而构建企业应用系统的集成架构。
通过多业务集成与整合，支持大业务流程的整合优化，即以大业务流程整合优化为主线，对具有整体增值价值的核心业务流程和相关业务流程进行优化、整合，实现业务一体化和协同，支持企业进行管理创新，支持企业升级转型。

智慧工厂数据集成示意图

6.3

智慧工厂数据分析与共享服务中心

（1）数据分析服务中心

数据分析服务：满足统计、经济预测、市场等各业务职能部门的数据加工处理和业务定制分析的需求，主要有实时分析、常规统计报表、主题分析、专项分析、领导决策等功能。

统一数据分析服务中心

一体化生产与应急指挥：通过五项核心业务合一的数据信息的集成，形成高效的企业运行监控、资源调度配置、应急联动指挥等。

多维度主题分析：根据各专业的业务管理需求，建立生产、安全、环保、营销、能源、设备等不同主题的关键指标监控与分析溯源体系。例如建立设备预知维修体系和分析，可以实现设备管理和资产管理的集成联动，企业资产全生命周期管理，并以可靠性为目标，实现设备故障自动诊断及预知性维修与管理。

多维度报表查询：对“五项核心业务”集成信息进行数据提炼，形成以专业治理、价值评价为导向的综合分析报表和各类标准报表。

绩效指标：建立集团关键指标库、行业标杆指标库、国资委业绩评价指标库等，动态掌握绩效指标完成情况。

决策模型：以业务场景为导向，不断完善建立集团绩效评价和决策支持模型，如产业链成本分析模型等。

（2）数据共享服务中心

管理驾驶舱：包括关键预警指标（生产、环保、应收、授信、库存等各类超标警示）、关键进度指标（产量、交货、工程进度等）、关键业绩展示（计划对比、同期对比、趋势对比、收入排名、利润排名等）、竞争情报分析等。

自助服务分析：通过平台提供的自助服务分析工具，业务人员可以按照权限，自主确定分析维度、自助实现业务数据分析。

统一数据服务服务中心

工业大数据分析：对各主题数据信息集成、积累，结合业务应用场景、决策模型展开工业大数据的挖掘，为企业提供决策支持。采集面向本企业本装置的稳态业务样本数据、各个层面专家的经验业务规则及企业长期积累的文本文件等，建立公共的工业分析模型开发环境，为各业务系统提供共享的模型开发服务。用于企业的操作指导、指标监控、运行分析、指标预测等。

工业大数据分析平台架构

6.4

数据资源中心的业务效益

1）提升数据质量，着力提高企业集中共享、业务协同、预测预警、科学决策能力，降低生产管理成本。

2）提高各类型数据在生产管控、供应链管理、设备管理、能源管理、 HSE管理等业务环节的敏捷度。

3）提升数据分析业务洞察力。支撑能源化工企业智能工厂建设，集成人、技术、流程，支撑企业一体化战略，实现卓越运营；同时支撑企业下一步专业系统的建设，实现大数据分析，通过复杂事件处理、规则建模、流程建模，实现预测、预警、预案推送、操作执行、分析提升。实时业务操作实时智能滚动优化机制。

七

智慧工厂数据管理平台实施策略

按照“顶层设计搭建架构、管理先行试点跟进、标准引领先易后难、完善条件全面覆盖”；

平台搭建试点实施阶段

此阶段主要是完成数据标准的梳理集成，以业务为线，点面结合，实现业务单元数据合并共享、系统集成、上线试运行。具体：

1）以数据架构规划和综合数据服务门户搭建为主，全面开展数据标准化工作，配合业务部门开展未来应用场景研究，发布信息标准化体系，配套建设信息安全体系。

搭建公司主数据管理平台，包含元数据、数据质量模块；

完成企业经营管理（组织、单位等）类、生产类、HSE类、设备类、物料等主数据建设；
初步建立运维管理组织。

2）搭建数据资源中心，提供数据共享服务和数据分析服务，完善数据服务门户。

基于云计算、大数据技术将已有的数据仓库/BI系统进行升级改造；
搭建公司数据资源中心，集成数据治理平台，并纳入统一管理；
在数据资源中心上提供试点性的数据共享应用和深度分析产品。

3）管理提升各主题数据源的数据质量，实现1~2个试点职能主题BI应用展示，如安全、调度主题等。

集中集成、共享服务提升阶段

此阶段主要是不断健全制式标准体系，提升完善数据质量，深化挖掘数据价值。完善数据质量、数据安全和元数据建设，全面落实数据标准化工作。具体：

1）完成集团内各信息系统的综合集成应用，初步形成以市场为导向、资源配置型的营运指挥中心。

2）完善数据质量，完成全部主题数据分析应用，进行营运KPI综合应用开发，初步形成“移动总部”应用。

完善优化阶段

此阶段主要是不断完善扩充数据应用，实现数据在企业内的全面共享，并通过大数据分析为打造一流企业提供决策支持，提高企业精确化管理水平和效益化服务能力。具体：

1）专项引进或自主研发智慧营运应用模型，进行工业大数据深度挖掘应用，初步形成企业特色的智慧营运模式。

2）以企业特色的智慧营运模式为引领，深化组织、管理模式变革。

革。

总结

这种情况下，企业智慧工厂不能搞“大跃进”，需要借鉴同行业成功案例，选择具有实战经验的智能制造咨询服务机构，结合企业IT部门、自动化部门、精益业务团队，根据企业的发展战略、生产工艺、产品等方面，进行深度剖析和需求分析并进行整体规划，规划适宜于本企业的智慧工厂蓝图和实施线路图，重点做好统一数据资源规划与管理和数据标准化体系建设，在此基础上稳妥推进，智慧工厂数据中心建设才能取得实效,实现生产管控精细化、产能用能最优化、应急指挥协同化、设备故障预知化、技术平台集成化、基础设施共享化。

END