制造大数据的特点分析

通常所说的大数据3V特性包括大规模、多样性和高速度，制造大数据除了同样具备明显的大数据3V特性之外，还具备制造领域所特有的特征。

1）制造大数据具备的明显的大数据3V特性

（1）数据规模大。以半导体制造为例，单片晶圆质量检测时每个站点能生成数MB数据，一台快速自动检测设备每年就可以收集将近2 TB的数据。据麦肯锡统计，2009年美国员工数量超过1 000人的制造企业平均产生了至少200 TB的数据，而这个数量每隔1.2年就将递增一倍。GE报告显示，未来10年工业数据增速将是其他大数据领域的两倍。

（2）数据结构多样。制造过程中涉及的产品BOM结构表、工艺文档、数控程序、三维模型、设备运行参数等制造数据往往来自不同的系统，具有完全不同的数据结构。随着图像处理设备和声学传感器等检测装置已逐步适应恶劣的生产环境，记录大量生产过程中重要的图像、声音等资料更是具备典型的非结构化数据特征。

（3）数据增长快速。以国内某知名晶圆制造企业的单个生产区域为例，2014年4月增加了控制图约137 000幅、晶圆move记录次数约19 780 000次，参数数据约为361 579 000条，OO报警参数约为7 500 000条，数据增量达0.17 TB。

2）制造大数据所具备的制造领域特有的一些特征(www.xing528.com)

（1）时许特性。制造企业产生的大量数据来自PLC控制器、传感器和其他智能感知设备对制造过程的不断采样，这些数据通常都是时间序列，具有典型的时许特性。

（2）高维特性。以零件加工为例，由于智能感知设备的广泛应用，加工过程中涉及的刀具进给量、切削速率、加工区域温度、加工时间、装备健康状态等数据都能被实时采集，可从多个不同维度来更精确地加以描述。

（3）多尺度特性。制造过程往往需要不同尺度数据的相互配合描述，例如，晶圆刻蚀过程中反应腔温度会影响最终的腔槽刻蚀深度，现有的温度传感器通常数秒采集一次，而刻蚀深度则只有在一批晶圆加工完成后才能通过检测获取到，这个时间尺度通常为数小时。

（4）高噪特性。工业生产中的电磁干扰和恶劣生产环境使测量结果不可避免地带有噪声，低信噪比的测量信号会严重影响数据分析的准确性，在某些环境中甚至会使得数据完全失效。