工业互联网迅速崛起
湖南长沙，工程机械之都
如何有效地向制造业转型升级
更大程度地满足各种业务场景的需求
作者
于成铭-智能研究所副所长
褚凤天-大数据工程师
工业设备互联采集是数字工厂建设的基础。设备在运行过程中会产生大量有价值的数据，如新泵车运行状态、搅拌压力、总泵送量、异常报警信息等，为后续数据分析和挖掘提供最可靠的数据源。
MatrixDB 专门为工业互联网、物联网、车联网等场景设计，专门优化设备多、指标多、数据量大的场景，支持数据的快速写入、查询和计算。工业领域设备采集的实时数据不仅用于设备状态监控和预警，还能满足批量数据复杂分析的要求，指导生产决策，提高效率和质量，大大降低数据存储和存储系统的运维成本，实现高吞吐量、低延迟、实时处理流量数据和大量历史数据。
三一重工专注于以工程为装备的制造业，
通过工业大数据挖掘，实现混凝土机械设备智能检查的主要性能指标，形成设备肖像，实现设备预测维护，通过工厂数据和业务数据，实现设备生命周期管理，构建设备生命周期最佳模型，优化资源利用和配置效率，提高设备可用性。
通过对抖、堵、高、转、效五大关键性能的量化分析，提供单个设备的综合体检报告和故障预警，并对智能操作和维护提出建议。同时，基于历史的多设备、多维统计和比较分析，为研发产品的定义、优化和跟踪提供数据决策支持；全面支持数据决策、新产品跟踪、技术改革验证和精确故障排除。
泵诵云大数据平台应运而生，以支撑上述功能和业务。，实现了每天每台车的指标计算、智能巡检、模型训练和时序数据的展示。
我们使用早期版本Hadoop Spark 架构，
传统的 Hadoop Spark 需要建造架构 CDH 全家桶等大数据，包括 Hadoop(负责存储原始数据)，Spark(负责日常任务)，Hive(临时离线任务)，HBase(负责数据显示)，形成复杂的技术栈。
为了满足不同服务的需求，我们的数据以不同的形式存在于不同的组件中，浪费资源也给运营和维护带来了极大的不便。太多的技术堆栈不利于团队成员的配置和培训。
。在设备工作过程中，由于各种不可预测的情况，数据无法整齐上传，大量数据在行维上不对齐。
该平台是数据的被动接收器。只有在数据下降后才能清理数据。集群每天都有大量的空数据，数据清理繁琐，准确性低。
数据分析师有必要对数据进行反复测试。在此前提下，分析工具需要快速得到结果，，使数据分析师持续思考，有利于算法的输出。
传统架构中的数据计算引擎 Spark 计算需要存在 HDFS 的数据移动出来，归集的过程中非常消耗资源和时间，严重影响我们的计算速度。
类似于工业场景 Python 过程语言是数据分析师必要的分析方法之一。在传统的架构中，采用 Spark 在计算引擎中 pandasUDF 批量运行的功能 python 代码本身代码中有大量的胶水，延缓了算法开发的周期。
为了改善当前的业务挑战，我们将泵背云平台的底层架构切换成 MatrixDB 在主体架构上，
MatrixDB 将不同的场景需求集成到数据库中，满足数据存储、实时计算、离线计算和数据显示的功能，避免 Hadoop 全家桶式的尴尬。MatrixDB 界面安装与 Grafana 监控大大降低了运维难度，
这对我们机械设备上传的时间序列数据非常友好。同时，我们可以将部分清洗数据放在仓库前，简化数据清洗过程。
MatrixDB 是一款 OLAP OLTP 数据本身存储在性数据库中 MatrixDB 计算时不需要移动数据。，使算法人员在查看原始数据的时候更加方便。
在每台物理机配置相同的情况下，两代集群性能的整体对比表如下图所示：
可以看出 MatrixDB 机器数量只有一半，算法运行时间从2开始.5小时减少到1小时。
，在集群中存储所有接口的定义和调用，Python 代码的迁移、调用与管理更加方便，这是只有程序员才懂的优点，非常有利于我们后续数据的分析与算法结构化迭代工作。
从从日常工作场景出发，不断深化用户服务体系，有效支持工作和决策。
分析各地区市场的开工率和泵送量，判断整体市场情况和客户盈利能力，协助分析各级国家市场盈利能力和建设需求类型（如地铁、高架桥、高层建筑等），进一步挖掘重点市场。
不同地区设备的用户使用习惯和性能维度，找出各地区关键设备的需求。通过对臂长、底盘类型、设备型号、出厂时间等多维分析，帮助营销更有针对性的指定市场策略。
根据设备技术改造工作进度，对技术改造前后设备数据性能进行实时分析比较，量化技术改造前后指标性能，直观展示技术改造效果。从原线下电话跟踪反馈到在线数据统计分析，大大提高了工作效率和结果可靠性。
远程快速定位故障原因，提高故障排除效率，通过实时检查(或回顾)故障发生时的设备工况数据表现，。
通过对臂架长度、底盘类型、设备型号、出厂时间等多维度的分析，帮助研发更详细的比较，了解产品性能，掌握市场的真实需求。
全区域设备健康情况扫描，明确全区域设备的整体表现，找到表现好的设备用来做技术分享；找到表现差的设备，做重点跟进。对26项预测故障和297项故障自诊断问题的跟进闭环。
将泵诵云平台和服务小助手集成，以微服务的方式助力服务效率提升，最终
当前各类业务对“海量、实时”数据需求变得更加迫切，实时推荐、精准营销、实时决策成为数字化场景的关键能力，更为敏锐地识别和引导用户需求、提升用户的产品体验将为企业带来持续的竞争优势。，一站式数据平台同时解决海量数据和实时分析难题，使得数据价值的变现更高效、简单。
原文链接
本文为 yMatrix 原创内容，未经允许不得转载。
欲了解更多超融合时序数据库相关信息，请访问 “yMatrix” 官方网站