一、主要内容
大数据，简单来说，就是指不能在短期内分析、处理以及捕捉的数据组合，采用创新的数据处理模式和简单的计算方法，通过良好的观察能力获得有用的资产信息。通常，大数据技术的特点主要包括以下几个方面：第一，多样性。大数据涉及到很多方面的数据，数据来源渠道也是各种各样的，数据形式是不同的，主要包括图片、视频以及文本等等，在带宽的背景下都能够完成网上传输，与当前大数据发展需求是相符合的。第二，计算和存储能力较强。在大数据技术中云技术是重要的组成部分，其在计算以及存储方面都占据优势。利用云平台能够存储很多数据，这样可以充分体现出云技术的特征。云计算属于虚拟计算，利用云环境能够对较为复杂的问题进行准确的计算。其计算能力远远高于人为计算，这是大数据将来主要发展方向。第三，发展迅速。大数据技术是一种新兴的技术，其发展迅速，当前全球各个国家都对大数据技术进行积极研究，在应用大数据技术中，必须要进一步完善，这与现代化其他领域实际发展需求是相符合的，需要努力创新大数据技术，以此真正满足现代化社会发展的实际需求。
随着生产要素成本的不断提高，中国制造业正经历着从低附加值、劳动密集型向高附加值、高技术含量转变。生产制造和装备制造业作为供给侧改革的重点领域，正处于升级换代过程中，需引入智能化和信息化技术，在融合工艺知识的基础上，推动生产、管理的转型，实现“降成本、补短板”和跨越式发展。
本文将结合国内外研究工作，深入探讨石化行业工厂的内涵及特征，分析工厂的技术体系及大数据关键技术，提出通过构建工业生产大数据分析平台，分析海量原始数据，让生产制造和装备制造行业生产从被动的工业运营模式转向主动预测模式，不断调控工厂运行过程实现工厂的制造优化。
未来制造行业的发展可能会经历如下三个步骤:
- 产业互联，整合行业大数据，协调生产经营各环节，提高行业生产效率；
- 工厂建模，采用信息技术模拟生产实际，实现“制造智能”，通过优化生产组织，最终实现柔性制造，定制生产；
- 产业变革，制造智能水平的不断提高推动产品功能和生产工艺的不断创新，改变产业格局，促进商业模式和消费习惯的变革。
以上三个步骤，通过生产大数据的应用，从制造智能到智能制造，实现工厂的三个基本要素，即制造透明化、管控智能化和协同智慧化。
首先在工厂内部建立工业物联网，实现生产相关数据的自动采集和数据集成，达到现场与中控、现场与现场的物物互联和数据共享的目标，实现工厂制造过程的透明化。第二步通过生产数据自动采集与分析处理，实现工厂生产过程的实时监控、生产智能调度、设备维护和质量过程控制等工厂智能化服务，提升工厂智能化水平。第三步通过引入服务互联网，借助云计算等服务平台，将工厂智能化服务资源虚拟化到云端，丰富智能工厂的功能; 通过人际网络互联互动，实现客户参与生产，按需动态构建全球化工厂的协同智能制造，形成大规模、可定制的商业新模式。
在传统的工厂信息化改造过程中，不可避免地用到了大量传感器网络、无线感应设备，以及工业互联网技术，工厂生产数据具有大规模性( Volume) 、多样性( Variety) 和高速性( Velocity )，即工业大数据的“3V”特性。由于现场数据采集设备种类多、通信协议标准多，生产设备干扰因素大，智慧工厂的工业大数据还具有高噪声、多维度、多尺度和不确定性等特点。工业大数据覆盖面十分广泛，下到现场生产数据，上到供应链、设计、制造、服务数据，实现了客户需求、产品设计、协调制造、售后服务等全过程的全面描述，从而支持生产调度优化、质量过程控制、资源优化调配等功能。
综上所述，工厂包含制造物联、制造执行和制造协同三个重要组成部分，贯穿数据采集处理、决策分析和基于云平台的客户个性定制新模式。因此，建立工业大数据平台，有效整合制造执行系统、智能决策系统、协同生产系统，利用数据融合、处理、存储、分析等技术使大数据为制造优化、服务敏捷、经营智慧提供决策支持，是能否成功实施智慧工厂的关键因素。
基于大数据的智慧工厂运行分析与决策新模式数字化制造技术的发展依托于生产过程、生产工艺数据建模，专家优化控制等基础技术的研究，随着大数据处理技术的发展，未来智慧工厂制造技术可以通过数据挖掘方式实现工厂运行决策支持，而无需建立复杂、精确的数学模型。
以工厂设备运转率优化为例，影响设备运转率的既有结构化的生产计划数据、原燃材料质检数据、生产执行数据，也有图标化的缺陷分布、检验检测、机械结构等非结构化数据。传统的设备运转率优化，以生产工艺、设备运转等关键数据为基础，建立设备运转率预测模型，最后由设备管理工程师人工规划优化措施。
基于工业大数据平台的应用，可以从海量数据中抽取、聚类设备运行非关系型数据仓库，通过数据挖掘分析设备运行数据之间的关联关系。例如通过发现生产工艺数据、电气负荷数据对设备缺陷分布数据的影响之间的关系，可以认知工厂生产运行的内在规律。
然后利用深度神经网络等机器学习方法，基于海量历史数据，构建以生产计划、生产工艺数据为输入层，设备缺陷分布数据、电气负荷数据和质量数据为隐藏层，设备运转率数据为输出层的复杂结构深度神经网络，实现工厂运行规律知识的描述与表达，从而对设备运转率进行准确预测，使工厂整体生产性能向优化方向发展。
在基于大数据优化工艺生产过程的研究中，形成了“关联，预测，调控”的决策分析新模式，如图 1 所示。
二、实施策略
工艺技术管理是企业重要的基础管理，是稳定、提高产品质量，提高生产效率，保证安全生产，降低消耗，增加经济效益，发展生产的重要手段和保证。企业中每个产品、每次技术革新，都需要制定或修订相应的工艺参数。因此，为工艺技术管理人员提供有效的信息支持，对生产管理具有非常重要的意义。工艺技术管理系统可以辅助管理生产工艺方案的制定、修订和执行，并对执行情况进行考核，这将有助于企业保证安全和提高产品质量。
工艺技术管理因涉及面较广，在石化企业目前还是一个相对分散的管理模式，包括邮件、电子文档、电子表格、纸质文档和表格，还有些业务在其他的业务系统中。这种分散的管理导致大量的操作记录、生产运行台帐、工艺台帐等耗费技术人员大量的时间，为了满足现有管理要求，技术人员没有精力去对生产工艺技术作深入地研究，陷入日常重复的繁杂的数据中；同时由于没有专业的管理信息系统支撑，对于在工艺技术管理中不断积累与总结的丰富的历史经验和管理方法在人员发生变动的时候没有得到很好的继承和延续，使工艺技术管理工作受到很大的损失。结合国际和国内同行业先进的工艺技术管理模式方法和企业的实际情况，利用信息技术和网络环境建立一套工艺技术管理系统是很有意义的工作，解决现有的工艺技术管理中数据不能充分共享和数据无法综合应用及深入挖掘的问题。
在实施过程上，我们采取原型法和迭代法相结合的策略。重要控制点如下图所示。
需求调研
根据可研中明确的系统建设内容，和相关用户进一步沟通，确定系统需求的相关细节，形成完成的系统需求；在需求确认阶段，除了确定系统的功能需求外，更要关注支撑这些功能的数据源。
构造原型
根据需求调研的结果，构造目标系统的原型。可以采用相关的效果展现工具，目的是直观地呈现目标系统的功能，最终用户使用系统的方法，让用户直观地了解将来建设的目标系统，判断该系统将要具备的功能与其需求的匹配程度。
原型确认
开发实施方和企业的关键用户就原型进行确认，发现之前需求对接的偏差，进一步对用户的需求进行明确。如果在原型确认环节发现问题，可能退回到需求调研或原型构造阶段。
迭代周期
需求明确后，考虑时间、需求的迫切程度，合理划分开发任务，将需求分为多个周期予以实现。每个迭代周期包括系统设计、实现和测试等阶段。
三、实施效果
基于大数据优化工艺生产过程的研究中，形成了“关联，预测，调控”的决策分析,对于大数据技术来说，技术方面的发展要关注技术本身，同时还要关注操作人员的技术水平。要在实际的组织和管理工作中，将数据质量的检测技术融入到整个数据周期中。从大数据技术的实际应用来说，要充分挖掘大数据蕴含的价值，通过可视化分析和预测分析的方法，对数据预测的准确性与实效性提供重要的技术支持。
通过工艺管理系统的工艺技术资料信息化管理，不仅能减轻工艺技术人员的日常工作负担，避免重复人工劳动，还能实现工艺技术资料线上流转、实时查询、存档检索与资料共享，为企业技术资料存档提供信息化平台，推动工艺技术精细化管理。特别是针对工艺变更、工艺报警、工艺联锁等重要的工艺管理内容，工艺管理信息系统可实现变更申请、变更审批、变更实施与变更评价全过程管理；报警监控覆盖班组，可实现工艺操作报警、质量指标报警及联锁指标报警等；工艺联锁的变更、投用及台账查询等多项管理内容。
通过工艺管理信息化实现了生产管理多专业内容集成共享，将数采系统、质量检验系统数据分析，实现生产过程、产品质量监控，为装置安稳长满优运行提供有力保证，强化了生产过程安全管理，推动公司高质量发展。
部分应用效果展示：
