1.2.4 大数据驱动的智能制造科学范式

在“大数据”概念出现之前，制造系统的运行分析与决策非常依赖模型和算法。以生产调度决策过程为例，要得到良好的调度方案，首先需要分析调度参数与调度目标之间的因果关系，建立合适的数学模型来描述调度问题，包括约束、目标等。然后针对该模型设计相应的算法求解。当问题规模较小时，通常可以用数学方法求得精确解；但当问题规模较大时，往往需要针对问题特性，设计精妙的算法来得到近似优化解（如各种智能算法在车间生产调度中的广泛应用）。因此，复杂、系统的调度问题能否得到更好的解决，很大程度上取决于建模是否更加精确和算法是否更加高效。随着产品需求和工艺越来越多样，制造系统变得越来越复杂，传统的“因果+建模+算法”模式已经举步维艰。

事实上，因果关系只是事物联系的一种形态，在大数据背景下，运用关联性可以比以前更容易、快捷、清楚地分析事物之间的内在联系。关联关系的核心是量化数据值之间的数理关系，通过大数据挖掘发现不同数据之间的关联关系，成为人们观察并分析事物的最新视角。同时，大数据时代的到来也彻底改变了人们对建模和算法的依赖，当数据越来越大时，数据本身（而不是研究数据所使用的算法和模型）保证了数据分析结果的有效性。即便缺乏精准的模型和精妙的算法，只要拥有足够多的数据，也能得到接近事实的结论，数据因此被誉为“新的生产力”。当数据足够多时，不需要了解具体的因果关系也能够得出问题的结论[5]。

2009年，微软从科学研究范式的角度指出数据密集型科学将成为继实验科学、理论推导、模拟仿真之后的第四范式[6]。传统的科研范式通过实验科学、理论推导与模拟仿真来拟合系统运行的因果机理，并对系统进行分析与优化，大数据则是通过数据之间的关联关系来刻画系统运行的机理。第四范式认为，大数据处理和分析技术不是对数据的简单统计和分析，而是在系统规模越来越大、结构更加复杂的情况下，通过海量数据之间的关联分析，具备更强的洞察能力、分析与决策能力。这种基于大数据的处理和分析的预测和控制模式，在公共卫生、金融、医疗等社会领域已有不少先驱应用。

在数据科学范式下，制造系统的运行分析与决策方法也将发生变革。围绕制造系统的效率、质量与稳定性等性能指标，“关联+预测+调控”的决策新模式正在形成[7]。其中，关联是指通过数据的关联分析，量化数据之间的影响机理，从数据的角度探索制造系统运行中的关系；预测是指在关联分析的基础上，进一步描述数据与系统性能指标之间的内在关系，揭示系统性能指标的演化机理；调控是指在预测的基础上，针对具体的业务进行优化调控，从而使系统性能满足要求。

大数据驱动的智能制造方法与使能技术如图1-1所示。

图1-1 大数据驱动的智能制造方法与使能技术