王建民：工业大数据技术综述（7）

王建民：工业大数据技术综述（七）

（2018年12月4日）

8、工业大数据典型应用举例

图9是一个服务器主板生产流程。上料之后，第一个业务环节是锡膏印刷，然后是贴装电子元组件，之后是回流焊，看起来是一个比较简短的流程，但生产过程中会出现器件偏移、立碑、覆盖件漏印、爬锡短路等故障。电子器件因此将会出现质量问题，会给生产厂商造成严重的经济和声誉损失。

为了解决这个问题，在生产线流程中增加了两个自动化质量检测环节，如图10所示。

相比于图9，图10增加了锡膏印刷检测（solder paste inspection,SPI）和自动光学检测（automatic optic inspection,AOI）环节。增加这两个检测环节后，需增加人工复判环节，而由于人工复判存在不稳定的问题，质量检测成功率并未达到预期要求，企业为此付出了较大的人力成本，甚至经济损失。

图9 电子元器件表面贴装生产流程

图10 加入检测环节后的电子器件表面贴装生产流程

基于积累的主板焊点SPI质量检测数据和主板AOI质量数据，采用基于机器学习的智能复判算法，判定焊点质量合格率。由于这些不同类型故障的数据是相互交织在一起的，需要用机器学习的办法进行复杂的数据集分类，然后采用随机森林的办法形成了一个基于人工智能的电子器件表面贴装“故障复判机器人”。该算法只需要把5个参数输入，就可以判断服务器主板每个焊点是否合格，极大提升了服务器主板制造的品质稳定性与合格率。

9、结束语

工业大数据创造价值的过程才刚刚开始，工业大数据的价值不仅在于对现有业务的优化，更在于支撑企业、行业乃至全社会的创新、转型和发展。伴随着工业互联网的不断普及，工业大数据应用价值将逐步释放，智能制造也将得到长足发展。当前，工业大数据仍处在高速发展的历史阶段，其概念内涵、技术方法、价值创造模式还在不断创新演化之中，需要努力和大胆地创新实践。应该针对智能制造和工业互联网的创新需求，把工业大数据的应用与工业自身提高质量、降低成本、提升管理水平的需求结合起来，特别要与中国工业的发展阶段和结构特点结合起来，走出有中国特色的工业大数据技术与产业创新路线，助力中国工业弯道取直与加速腾飞。

致谢

感谢清华大学软件学院、大数据系统软件国家工程实验室、北京工业大数据创新中心和工业大数据系统与应用北京市重点实验室的同事们。

（续完）

王建民（1968?），男，博士，教授、博士生导师、清华大学信息科学技术学院（一级院系）副院长，清华大学软件学院院长，数据科学研究院副院长、管理委员会副主任，大数据系统软件国家工程实验室执行主任，工业大数据系统与应用北京市重点实验室主任。主要研究方向为大数据系统软件、工业大数据、产品全生命周期管理、业务过程管理等。

（摘编自 公共微信号 BDR 大数据期刊）