论文部分内容阅读
[摘 要]本文探索建立生产管理信息化和利用大数据分析技术对生产管理相关信息进行分析，从而在信息管理进行统一、规范管理，使各个部门能共享数据，减少数据中转环节，做到信息高度共享，高效利用。本文还将探索如何利用大数据分析技术进行介绍，同时探索对生产相关的各种信息进行分析，从而对设备管理、设备质量管理，预警信息以及设备故障进行预测。
[关键词]生产管理 信息化建设 大数据分析技术
中图分类号：F274；F426.472 文献标识码：A 文章编号：1009-914X（2018）11-0254-02
1、生产管理信息化概念与作用
1.1 生产管理信息化概念
生产管理信息化是指生产管理过程中利用现代信息技术，充分开发和利用各种与生产管理活动有关的信息，以便及时把握机会，做出决策，保证生产安全，增进生产效率，从而提高生产管理水平和效益的过程。
1.2 生产管理信息化的作用
（1）信息资源得到有效的利用
在大数据时代的经营环境下，信息资源有着极其重要的作用，作为企业的三大资源之一（人力资源、物质资源和信息资源），信息资源的利用关系到企业的发展。以生产管理系统中的设备故障为例，信息资源可以在设备管理中应用也可以在设备质量管理中引用等（图1）。
（2）辅助进行管理控制
管理控制作为生产管理信息化建设最重要的功能之一，对运营生产管理起着重要的作用，最初尚未出现决策功能时，控制功能就已经作为它的重要功能帮助完成各种生產管理工作，现在随着决策功能的日益突出，管理控制也变得越来越重要。
管理控制，顾名思义是对日常生产活动总的执行情况进行观察管理和控制调整。是指管理者在实施一项计划时对其过程中产生的信息流进行分析处理，并在此基础上对该计划执行情况进行监控、管理。
（3）促进组织结构扁平化改造
扁平化组织是现代化企业共同追求的目标。传统企业多实行层级化管理，管理框架如同金字塔型，层层递增，这种管理机构有着很大的弊端，由于管理层级过多导致信息传递速度慢、效率低、信息的真实度可信度降低，信息得不到及时反馈、问题得不到及时解决等等。这些都会导致管理人员的决策把偏差。长期下去，就会造工作人员缺乏效率、缺少积极性、缺少活力。生产管理信息化将有效的解决这种问题，信息系统以信息为主，大部分岗位也将会实行人工智能，减少了一部分不必要的人工岗位，减少了一些不必要的程序，使得管理机构更加清晰明了，方便信息的传递（图2）。
（4）推动生产管理相关业务流程再造
传统的生产管理主要局限现有的相关业务生产现状的管理，而在实行生产管理信息化后，这种局限性被打破，融合其他专业的资源，不再局限于传统的闭关锁国的状态，更加注重于专业与专业之间沟通交流以及合作
（5）降低人力和信息成本
生产管理信息化的运用将以信息为主，大部分工作也将会实行人工智能，减少了一部分不必要的人力投入，将节约的人力用于其他生产活动中，同时加大了工作效率。
2、大数据概念与大数据分析
2.1 大数据概念
人们将大数据的特征总结为5个V，即体量大（volume）、速度快（velocity）、模态多（variety）、难辨识（veracity）和价值大密度低（value）。但大数据的主要难点并不在于数据量大，因为通过对计算机系统的扩展可以在一定程度上缓解数据量大带来的挑战。为了应对大数据带来的上述困难和挑战，以Google，Facebook，Linkedin，Microsoft等为代表的互联网企业近几年推出了各种不同类型的大数据处理系统。借助于新型的处理系统，深度学习、知识计算、可视化等大数据分析技术也得已迅速发展，已逐渐被广泛应用于不同的行业和领域。
2.2 大数据分析方式与特征
Google于2010年推出了Dremel，引领业界向实时数据处理迈进。实时数据处理是针对批量数据处理的性能问题提出的，可分为流式数据处理和交互式数据处理两种模式。在大数据背景下，流式数据处理源于服务器日志的实时采集，交互式数据处理的目标是将PB级数据的处理时间缩短到秒级。
（1）流式数据的特征
通俗而言，流式数据是一个无穷的数据序列，序列中的每一个元素来源各异，格式复杂，序列往往包含时序特性，或者有其他的有序标签（如IP报文中的序号）。从数据库的角度而言，每一个元素可以看作是一个元组，而元素的特性则类比于元组的属性。流式数据在不同的场景下往往体现出不同的特征，如流速大小、元素特性数量、数据格式等，但大部分流式数据都含有共同的特征，这些特征便可用来设计通用的流式数据处理系统。下面简要介绍流式数据共有的特征。首先，流式数据的元组通常带有时间标签或其余含序属性。因此，同一流式数据往往是被按序处理的。然而数据的到达顺序是不可预知的，由于时间和环境的动态变化，无法保证重放数据流与之前数据流中数据元素顺序的一致性。这就导致了数据的物理顺序与逻辑顺序不一致。而且，数据源不受接收系统的控制，数据的产生是实时的、不可预知的。此外，数据的流速往往有较大的波动，因此需要系统具有很好的可伸缩性，能够动态适应不确定流入的数据流，具有很强的系统计算能力和大数据流量动态匹配的能力。其次，数据流中的数据格式可以是结构化的、半结构化的甚至是无结构化的。数据流中往往含有错误元素、垃圾信息等。因此流式数据的处理系统要有很好的容错性与异构数据分析能力，能够完成数据的动态清洗、格式处理等。最后，流式数据是活动的（用完即弃），随着时间的推移不断增长，这与传统的数据处理模型（存储查询）不同，要求系统能够根据局部数据进行计算，保存数据流的动态属性。流式处理系统针对该特性，应当提供流式查询接口，即提交动态的SQL语句，实时地返回当前结果。 （2）交互式数据处理的特征
交互式数据处理灵活、直观、便于控制。系统与操作人员以人机对话的方式一问一答——操作人员提出请求，数据以对话的方式输入，系统便提供相应的数据或提示信息，引导操作人员逐步完成所需的操作，直至获得最后处理结果。采用这种方式，存储在系统中的数据文件能够被及时处理修改，同时处理结果可以立刻被使用。交互式数据处理具备的这些特征能够保证输入的信息得到及时处理，使交互方式继续进行下去。
2.3 大数据分析方法
（1）深度学习
大数据分析的一个核心问题是如何对数据进行有效表达、解释和学习，无论是对图像、声音还是文本数据。传统的研究也有很多数据表达的模型和方法，但通常都是较为简单或浅层的模型，模型的能力有限，而且依赖于数据的表达，不能获得很好的学习效果。大数据的出现提供了使用更加复杂的模型来更有效地表征数据、解释数据的机会。深度学习就是利用层次化的架构学习出对象在不同层次上的表达，这种层次化的表达可以帮助解决更加复杂抽象的问题。在层次化中，高层的概念通常是通过低层的概念来定义的。深度学习通常使用人工神经网络，常见的具有多个隐层的多层感知机（MLP）就是典型的深度架构。深度学习的起源要追溯到神经网络，20世纪80年代，后向传播（BP）算法的提出使得人们开始尝试训练深层次的神经网络。然而，BP算法在训练深层网络的时候表现不够好，以至于深层感知机的效果还不如浅层感知机。
（2）知识计算
基于大数据的知识计算是大数据分析的基础。知识计算是国内外工业界开发和学术界研究的一个热点。要对数据进行高端分析，就需要从大数据中先抽取出有价值的知识，并把它构建成可支持查询、分析和计算知识库。目前，世界各国各个组织建立的知识库多达50余种，相关的应用系统更是达到了上百种。
2.4 大数据可视化
大数据引领着新一波的技术革命，对大数据查询和分析的实用性和实效性对于人们能否及时获得决策信息非常重要，决定着大数据应用的成败。但产业界面对大数据常常显得束手无策。一是因为数据容量巨大，类型多样，数据分析工具面临性能瓶颈。另一原因在于，数据分析工具通常僅为IT部门熟练使用，缺少简单易用、让业务人员也能轻松上手实现自助自主分析即时获取商业洞察的工具。因此，数据可视化技术正逐步成为大数据时代的显学。大数据可视化，不同于传统的信息可视化，面临最大的一个挑战就是规模，如何提出新的可视化方法能够帮助人们分析大规模、高维度、多来源、动态演化的信息，并辅助作出实时的决策，成为了这个领域最大的挑战。为了解决这个问题，我们可以依赖的主要手段是两种，即数据转换和视觉转换。现有研究工作主要聚焦在4个方面：（1）通过对信息流进行压缩或者删除数据中的冗余信息对数据进行简化。其中很多工作主解决曲面的可视化，使用基本的数据转换方法来对数据进行简化。（2）通过设计多尺度、多层次的方法实现信息在不同的解析度上的展示，从而使用户可自主控制展示解析度。（3）利用创新的方法把数据存储在外存，并让用户可以通过交互手段方便地获取相关数据，这类研究也成为核外算法（out-of-corealgorithm）。（4）提出新的视觉隐喻方法以全新的方式展示数据。其中，一类典型的方法是“焦点+上下文”方法，它重点对焦点数据进行细节展示，对不重要数据的则简化表示，一种树形浏览器通过动态调整树枝的尺寸来使其最好地适配显示区域。分层平行坐标方法，作为平行坐标方法的多尺度版本，通过在不同的细节层次使用多的视图来对大规模数据进行表达。对大数据进行探索和可视化仍然还处在初始阶段，特别是对于动态多维度大数据流的可视化技术还非常匮乏，非常需要扩展现有的可视化算法，研究新的数据转换方法以便能够应对复杂的信息流数据。也需要设计创新的交互方式来对大数据进行可视化交互和辅助决策。
3、大数据与人工智能在生产管理中的运用
3.1 生产管理信息化模式研究
根据现在的生产管理模式，开展信息化建设，形成生产管理系统，对日常的生产信息进行统一管理，并运用大数据分析方法进行处理数据形成
3.2 大数据分析方法
（1）大数据分析方法步骤
大数据分析方法大多是采用计算机人工智能相关算法进行计算。大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。具体的大数据处理方法其实有很多，但是根据长时间的实践，整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。
①数据采集
大数据的采集是指利用多个数据库来接收发自客户端的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。现在中心建立的生产管理系统已经有效地记录了日常生产过程中设备故障以及运营情况的相关数据，可以在生产管理系统中进行进一步的扩展，以满足日常生产管理数据的需要。
②统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
③导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。
④挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测的效果，从而实现一些高级别数据分析的需求。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，还有，常用数据挖掘算法都以单线程为主。
（2）机器学习伪代码
机器学习算法一般流程伪代码
STEP1：数据的准备；
STEP2：数据预处理：格式、是否要归一化等；
STEP3：分析数据：为了便于算法的实践，可以对原始数据集或预处理后的数据集进行一些实验性的统计和图示；
STEP4：训练算法：（根据不同的算法进行参数训练，knn算法没有参数需要训练，但需要设置k值以及相似度计算方法；神经网络算法和深度学习算法等需要进行参数训练）；
STEP5：测试算法：（针对STEP4中参数训练进行测试并进行收敛性检查，如不能收敛则返回STEP4重新训练直至算法收敛）；
STEP6：真实算法部署：可能需要进行语言转换或平台部署。
3.3 可视化设计
针对大数据分析结果，通过程序可视化设计形成相应的结果，如设备质量管理，设备故障预测等，管理员可以通过自己的需要设计相应的输出结果用于日常的生产管理和应急处理。后期发展可以和总部现有的平台进行对接（如GLINK），自动发布预警信息、生产指令信息等关于生产管理或应急处理相关信息。
4、结束语
本文提出生产管理信息化概念，探索生产管理信息化在日常生产管理中的作用，形成生产信息的统一管理，共享使用和分析。阐述大数据的概念和分析方法，通过探索大数据分析方法在生产管理数据分析上的运用对生产管理信息进行聚类分析，对日常设备管理和维修，设备故障进行预测。
参考文献
[1] 李国杰，程学旗.大数据研究：未来科技及经济社会发展的重大战略领域.中国科学院院刊，2012，27（6）：647-657.
[2] 孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013（50）.
[3] 孙大为，张广艳，郑纬民.大数据流式计算：关键技术及系统实例.软件学报，2014，25（4）：839-862.
[4] 杨治，潘俊.管理信息系统实现模式的比较[J].中国管理信息化，2005.
[关键词]生产管理 信息化建设 大数据分析技术
中图分类号：F274；F426.472 文献标识码：A 文章编号：1009-914X（2018）11-0254-02
1、生产管理信息化概念与作用
1.1 生产管理信息化概念
生产管理信息化是指生产管理过程中利用现代信息技术，充分开发和利用各种与生产管理活动有关的信息，以便及时把握机会，做出决策，保证生产安全，增进生产效率，从而提高生产管理水平和效益的过程。
1.2 生产管理信息化的作用
（1）信息资源得到有效的利用
在大数据时代的经营环境下，信息资源有着极其重要的作用，作为企业的三大资源之一（人力资源、物质资源和信息资源），信息资源的利用关系到企业的发展。以生产管理系统中的设备故障为例，信息资源可以在设备管理中应用也可以在设备质量管理中引用等（图1）。
（2）辅助进行管理控制
管理控制作为生产管理信息化建设最重要的功能之一，对运营生产管理起着重要的作用，最初尚未出现决策功能时，控制功能就已经作为它的重要功能帮助完成各种生產管理工作，现在随着决策功能的日益突出，管理控制也变得越来越重要。
管理控制，顾名思义是对日常生产活动总的执行情况进行观察管理和控制调整。是指管理者在实施一项计划时对其过程中产生的信息流进行分析处理，并在此基础上对该计划执行情况进行监控、管理。
（3）促进组织结构扁平化改造
扁平化组织是现代化企业共同追求的目标。传统企业多实行层级化管理，管理框架如同金字塔型，层层递增，这种管理机构有着很大的弊端，由于管理层级过多导致信息传递速度慢、效率低、信息的真实度可信度降低，信息得不到及时反馈、问题得不到及时解决等等。这些都会导致管理人员的决策把偏差。长期下去，就会造工作人员缺乏效率、缺少积极性、缺少活力。生产管理信息化将有效的解决这种问题，信息系统以信息为主，大部分岗位也将会实行人工智能，减少了一部分不必要的人工岗位，减少了一些不必要的程序，使得管理机构更加清晰明了，方便信息的传递（图2）。
（4）推动生产管理相关业务流程再造
传统的生产管理主要局限现有的相关业务生产现状的管理，而在实行生产管理信息化后，这种局限性被打破，融合其他专业的资源，不再局限于传统的闭关锁国的状态，更加注重于专业与专业之间沟通交流以及合作
（5）降低人力和信息成本
生产管理信息化的运用将以信息为主，大部分工作也将会实行人工智能，减少了一部分不必要的人力投入，将节约的人力用于其他生产活动中，同时加大了工作效率。
2、大数据概念与大数据分析
2.1 大数据概念
人们将大数据的特征总结为5个V，即体量大（volume）、速度快（velocity）、模态多（variety）、难辨识（veracity）和价值大密度低（value）。但大数据的主要难点并不在于数据量大，因为通过对计算机系统的扩展可以在一定程度上缓解数据量大带来的挑战。为了应对大数据带来的上述困难和挑战，以Google，Facebook，Linkedin，Microsoft等为代表的互联网企业近几年推出了各种不同类型的大数据处理系统。借助于新型的处理系统，深度学习、知识计算、可视化等大数据分析技术也得已迅速发展，已逐渐被广泛应用于不同的行业和领域。
2.2 大数据分析方式与特征
Google于2010年推出了Dremel，引领业界向实时数据处理迈进。实时数据处理是针对批量数据处理的性能问题提出的，可分为流式数据处理和交互式数据处理两种模式。在大数据背景下，流式数据处理源于服务器日志的实时采集，交互式数据处理的目标是将PB级数据的处理时间缩短到秒级。
（1）流式数据的特征
通俗而言，流式数据是一个无穷的数据序列，序列中的每一个元素来源各异，格式复杂，序列往往包含时序特性，或者有其他的有序标签（如IP报文中的序号）。从数据库的角度而言，每一个元素可以看作是一个元组，而元素的特性则类比于元组的属性。流式数据在不同的场景下往往体现出不同的特征，如流速大小、元素特性数量、数据格式等，但大部分流式数据都含有共同的特征，这些特征便可用来设计通用的流式数据处理系统。下面简要介绍流式数据共有的特征。首先，流式数据的元组通常带有时间标签或其余含序属性。因此，同一流式数据往往是被按序处理的。然而数据的到达顺序是不可预知的，由于时间和环境的动态变化，无法保证重放数据流与之前数据流中数据元素顺序的一致性。这就导致了数据的物理顺序与逻辑顺序不一致。而且，数据源不受接收系统的控制，数据的产生是实时的、不可预知的。此外，数据的流速往往有较大的波动，因此需要系统具有很好的可伸缩性，能够动态适应不确定流入的数据流，具有很强的系统计算能力和大数据流量动态匹配的能力。其次，数据流中的数据格式可以是结构化的、半结构化的甚至是无结构化的。数据流中往往含有错误元素、垃圾信息等。因此流式数据的处理系统要有很好的容错性与异构数据分析能力，能够完成数据的动态清洗、格式处理等。最后，流式数据是活动的（用完即弃），随着时间的推移不断增长，这与传统的数据处理模型（存储查询）不同，要求系统能够根据局部数据进行计算，保存数据流的动态属性。流式处理系统针对该特性，应当提供流式查询接口，即提交动态的SQL语句，实时地返回当前结果。 （2）交互式数据处理的特征
交互式数据处理灵活、直观、便于控制。系统与操作人员以人机对话的方式一问一答——操作人员提出请求，数据以对话的方式输入，系统便提供相应的数据或提示信息，引导操作人员逐步完成所需的操作，直至获得最后处理结果。采用这种方式，存储在系统中的数据文件能够被及时处理修改，同时处理结果可以立刻被使用。交互式数据处理具备的这些特征能够保证输入的信息得到及时处理，使交互方式继续进行下去。
2.3 大数据分析方法
（1）深度学习
大数据分析的一个核心问题是如何对数据进行有效表达、解释和学习，无论是对图像、声音还是文本数据。传统的研究也有很多数据表达的模型和方法，但通常都是较为简单或浅层的模型，模型的能力有限，而且依赖于数据的表达，不能获得很好的学习效果。大数据的出现提供了使用更加复杂的模型来更有效地表征数据、解释数据的机会。深度学习就是利用层次化的架构学习出对象在不同层次上的表达，这种层次化的表达可以帮助解决更加复杂抽象的问题。在层次化中，高层的概念通常是通过低层的概念来定义的。深度学习通常使用人工神经网络，常见的具有多个隐层的多层感知机（MLP）就是典型的深度架构。深度学习的起源要追溯到神经网络，20世纪80年代，后向传播（BP）算法的提出使得人们开始尝试训练深层次的神经网络。然而，BP算法在训练深层网络的时候表现不够好，以至于深层感知机的效果还不如浅层感知机。
（2）知识计算
基于大数据的知识计算是大数据分析的基础。知识计算是国内外工业界开发和学术界研究的一个热点。要对数据进行高端分析，就需要从大数据中先抽取出有价值的知识，并把它构建成可支持查询、分析和计算知识库。目前，世界各国各个组织建立的知识库多达50余种，相关的应用系统更是达到了上百种。
2.4 大数据可视化
大数据引领着新一波的技术革命，对大数据查询和分析的实用性和实效性对于人们能否及时获得决策信息非常重要，决定着大数据应用的成败。但产业界面对大数据常常显得束手无策。一是因为数据容量巨大，类型多样，数据分析工具面临性能瓶颈。另一原因在于，数据分析工具通常僅为IT部门熟练使用，缺少简单易用、让业务人员也能轻松上手实现自助自主分析即时获取商业洞察的工具。因此，数据可视化技术正逐步成为大数据时代的显学。大数据可视化，不同于传统的信息可视化，面临最大的一个挑战就是规模，如何提出新的可视化方法能够帮助人们分析大规模、高维度、多来源、动态演化的信息，并辅助作出实时的决策，成为了这个领域最大的挑战。为了解决这个问题，我们可以依赖的主要手段是两种，即数据转换和视觉转换。现有研究工作主要聚焦在4个方面：（1）通过对信息流进行压缩或者删除数据中的冗余信息对数据进行简化。其中很多工作主解决曲面的可视化，使用基本的数据转换方法来对数据进行简化。（2）通过设计多尺度、多层次的方法实现信息在不同的解析度上的展示，从而使用户可自主控制展示解析度。（3）利用创新的方法把数据存储在外存，并让用户可以通过交互手段方便地获取相关数据，这类研究也成为核外算法（out-of-corealgorithm）。（4）提出新的视觉隐喻方法以全新的方式展示数据。其中，一类典型的方法是“焦点+上下文”方法，它重点对焦点数据进行细节展示，对不重要数据的则简化表示，一种树形浏览器通过动态调整树枝的尺寸来使其最好地适配显示区域。分层平行坐标方法，作为平行坐标方法的多尺度版本，通过在不同的细节层次使用多的视图来对大规模数据进行表达。对大数据进行探索和可视化仍然还处在初始阶段，特别是对于动态多维度大数据流的可视化技术还非常匮乏，非常需要扩展现有的可视化算法，研究新的数据转换方法以便能够应对复杂的信息流数据。也需要设计创新的交互方式来对大数据进行可视化交互和辅助决策。
3、大数据与人工智能在生产管理中的运用
3.1 生产管理信息化模式研究
根据现在的生产管理模式，开展信息化建设，形成生产管理系统，对日常的生产信息进行统一管理，并运用大数据分析方法进行处理数据形成
3.2 大数据分析方法
（1）大数据分析方法步骤
大数据分析方法大多是采用计算机人工智能相关算法进行计算。大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。具体的大数据处理方法其实有很多，但是根据长时间的实践，整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。
①数据采集
大数据的采集是指利用多个数据库来接收发自客户端的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。现在中心建立的生产管理系统已经有效地记录了日常生产过程中设备故障以及运营情况的相关数据，可以在生产管理系统中进行进一步的扩展，以满足日常生产管理数据的需要。
②统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
③导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。
④挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测的效果，从而实现一些高级别数据分析的需求。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，还有，常用数据挖掘算法都以单线程为主。
（2）机器学习伪代码
机器学习算法一般流程伪代码
STEP1：数据的准备；
STEP2：数据预处理：格式、是否要归一化等；
STEP3：分析数据：为了便于算法的实践，可以对原始数据集或预处理后的数据集进行一些实验性的统计和图示；
STEP4：训练算法：（根据不同的算法进行参数训练，knn算法没有参数需要训练，但需要设置k值以及相似度计算方法；神经网络算法和深度学习算法等需要进行参数训练）；
STEP5：测试算法：（针对STEP4中参数训练进行测试并进行收敛性检查，如不能收敛则返回STEP4重新训练直至算法收敛）；
STEP6：真实算法部署：可能需要进行语言转换或平台部署。
3.3 可视化设计
针对大数据分析结果，通过程序可视化设计形成相应的结果，如设备质量管理，设备故障预测等，管理员可以通过自己的需要设计相应的输出结果用于日常的生产管理和应急处理。后期发展可以和总部现有的平台进行对接（如GLINK），自动发布预警信息、生产指令信息等关于生产管理或应急处理相关信息。
4、结束语
本文提出生产管理信息化概念，探索生产管理信息化在日常生产管理中的作用，形成生产信息的统一管理，共享使用和分析。阐述大数据的概念和分析方法，通过探索大数据分析方法在生产管理数据分析上的运用对生产管理信息进行聚类分析，对日常设备管理和维修，设备故障进行预测。
参考文献
[1] 李国杰，程学旗.大数据研究：未来科技及经济社会发展的重大战略领域.中国科学院院刊，2012，27（6）：647-657.
[2] 孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013（50）.
[3] 孙大为，张广艳，郑纬民.大数据流式计算：关键技术及系统实例.软件学报，2014，25（4）：839-862.
[4] 杨治，潘俊.管理信息系统实现模式的比较[J].中国管理信息化，2005.