潘 偉

(安徽海螺信息技術工程有限責任公司，安徽 蕪湖 241000)

0 引 言

隨著生產要素成本的不斷提高，中國制造業(yè)正經歷著從低附加值、勞動密集型向高附加值、高技術含量轉變。生產制造和裝備制造業(yè)作為供給側改革的重點領域，正處于升級換代過程中，需引入智能化和信息化技術，在融合工藝知識的基礎上，推動生產、管理的轉型，實現(xiàn)“降成本、補短板”和跨越式發(fā)展。

智慧工廠不同于傳統(tǒng)的基于MES或智能設備管理的智能工廠模式，其應對工廠的制造執(zhí)行進行智慧升華，在制造物聯(lián)的基礎上，發(fā)現(xiàn)規(guī)律并提供智能服務的協(xié)同[1-2]。隨著智慧工廠業(yè)務需求的擴展與細分，傳統(tǒng)的“數學建模+算法優(yōu)化”模式的應用已顯得捉襟見肘[3-5]，如何從工業(yè)大數據中挖掘知識來指導生產的優(yōu)化，便成為學術界研究的重點。第一個大數據分析平臺于2013年投入運行[6]，該平臺通過流處理模式實時分析海量數據，并提供分析結果，讓工業(yè)生產由被動執(zhí)行轉為主動預測模式。

文中將結合國內外研究工作，深入探討生產制造和裝備制造行業(yè)智慧工廠的內涵及特征，分析智慧工廠的技術體系及大數據關鍵技術，提出通過構建工業(yè)生產大數據分析平臺，分析海量原始數據，讓生產制造和裝備制造行業(yè)生產從被動的工業(yè)運營模式轉向主動預測模式，不斷調控工廠運行過程實現(xiàn)智慧工廠的制造優(yōu)化。

1 智慧工廠的內涵

未來制造行業(yè)的發(fā)展可能會經歷如下三個步驟：①產業(yè)互聯(lián)，整合行業(yè)大數據，協(xié)調生產經營各環(huán)節(jié)，提高行業(yè)生產效率；②工廠建模，采用信息技術模擬生產實際，實現(xiàn)“制造智能”，通過優(yōu)化生產組織，最終實現(xiàn)柔性制造，定制生產；③產業(yè)變革，制造智能水平的不斷提高推動產品功能和生產工藝的不斷創(chuàng)新，改變產業(yè)格局，促進商業(yè)模式和消費習慣的變革。以上三個步驟，通過生產大數據的應用，從制造智能到智能制造，實現(xiàn)智慧工廠的三個基本要素，即制造透明化、管控智能化和協(xié)同智慧化。

首先在工廠內部建立工業(yè)物聯(lián)網，實現(xiàn)生產相關數據的自動采集和數據集成，達到現(xiàn)場與中控、現(xiàn)場與現(xiàn)場的物物互聯(lián)和數據共享的目標，實現(xiàn)工廠制造過程的透明化。第二步通過生產數據自動采集與分析處理，實現(xiàn)工廠生產過程的實時監(jiān)控、生產智能調度、設備維護和質量過程控制等工廠智能化服務，提升工廠智能化水平。第三步通過引入服務互聯(lián)網，借助云計算等服務平臺，將工廠智能化服務資源虛擬化到云端，豐富智能工廠的功能；通過人際網絡互聯(lián)互動，實現(xiàn)客戶參與生產，按需動態(tài)構建全球化工廠的協(xié)同智能制造，形成大規(guī)模、可定制的商業(yè)新模式。

在傳統(tǒng)的工廠信息化改造過程中，不可避免地用到了大量傳感器網絡、無線感應設備，以及工業(yè)互聯(lián)網技術，工廠生產數據具有大規(guī)模性(Volume)、多樣性(Variety)和高速性(Velocity)[7]，即工業(yè)大數據的“3V”特性。由于現(xiàn)場數據采集設備種類多、通信協(xié)議標準多，生產設備干擾因素大，智慧工廠的工業(yè)大數據還具有高噪聲、多維度、多尺度和不確定性等特點。工業(yè)大數據覆蓋面十分廣泛，下到現(xiàn)場生產數據，上到供應鏈、設計、制造、服務數據，實現(xiàn)了客戶需求、產品設計、協(xié)調制造、售后服務等全過程的全面描述，從而支持生產調度優(yōu)化、質量過程控制、資源優(yōu)化調配等功能。

綜上所述，智慧工廠包含制造物聯(lián)、制造執(zhí)行和制造協(xié)同三個重要組成部分，貫穿數據采集處理、決策分析和基于云平臺的客戶個性定制新模式。因此，建立工業(yè)大數據平臺，有效整合制造執(zhí)行系統(tǒng)、智能決策系統(tǒng)、協(xié)同生產系統(tǒng)，利用數據融合、處理、存儲、分析等技術使大數據為制造優(yōu)化、服務敏捷、經營智慧提供決策支持，是能否成功實施智慧工廠的關鍵因素。

2 基于大數據的智慧工廠運行分析與決策新模式

數字化制造技術的發(fā)展依托于生產過程、生產工藝數據建模，專家優(yōu)化控制等基礎技術的研究[8-10]，隨著大數據處理技術的發(fā)展，未來智慧工廠制造技術可以通過數據挖掘方式實現(xiàn)工廠運行決策支持，而無需建立復雜、精確的數學模型。

以工廠設備運轉率優(yōu)化為例，影響設備運轉率的既有結構化的生產計劃數據、原燃材料質檢數據、生產執(zhí)行數據，也有圖標化的缺陷分布、檢驗檢測、機械結構等非結構化數據。傳統(tǒng)的設備運轉率優(yōu)化，以生產工藝、設備運轉等關鍵數據為基礎，建立設備運轉率預測模型，最后由設備管理工程師人工規(guī)劃優(yōu)化措施[11]。基于工業(yè)大數據平臺的應用，可以從海量數據中抽取、聚類設備運行非關系型數據倉庫，通過數據挖掘分析設備運行數據之間的關聯(lián)關系。例如通過發(fā)現(xiàn)生產工藝數據、電氣負荷數據對設備缺陷分布數據的影響之間的關系，可以認知工廠生產運行的內在規(guī)律。然后利用深度神經網絡等機器學習方法，基于海量歷史數據，構建以生產計劃、生產工藝數據為輸入層，設備缺陷分布數據、電氣負荷數據和質量數據為隱藏層，設備運轉率數據為輸出層的復雜結構深度神經網絡，實現(xiàn)工廠運行規(guī)律知識的描述與表達，從而對設備運轉率進行準確預測，使工廠整體生產性能向優(yōu)化方向發(fā)展[12]。

在基于大數據優(yōu)化工藝生產過程的研究中，形成了“關聯(lián)，預測，調控”的決策分析新模式[13]，如圖1所示。

圖1 利用大數據解決智慧工廠運行

首先通過聚類、序列模式挖掘等算法，分析設備狀態(tài)、生產工藝、物料質量等數據之間的關聯(lián)關系[14-15]；然后利用數據挖掘手段分析、建立工廠制造演化規(guī)律和綜合性能預測模型；最后基于預測模型優(yōu)化控制參數，以保證設備運轉率等指標達到要求。

3 大數據驅動的智慧工廠制造優(yōu)化技術

針對提高設備故障診斷的知識重用效率問題，文中提出一種基于序列模式挖掘技術的既能支持非文本知識數據又無需建立復雜數據模型的設備故障診斷知識推送方法[16-17]。該方法通過對大量故障診斷知識所使用的檢測數據頻率進行分析，提取故障模型中的頻繁知識序列，然后結合設備工程師的故障診斷知識使用行為和頻繁知識序列對故障診斷的支持度，實現(xiàn)設備故障知識的推送，從而達到設備故障智能診斷功能。

頻繁知識序列表示眾多設備工程師對設備故障分析時參考的共同知識項，是進行知識需求判斷的重要依據?；谛蛄心Ｊ酵诰蚣夹g的頻繁知識序列挖掘，能夠從大量的序列中找到滿足最低支持度的頻繁序列。支持度表示為：

(1)

其中，count(s)為以s為子序列的序列數量；size(D)為數據庫中序列的總數量。

將GSP(generalized sequential pattern)算法應用于頻繁知識序列的挖掘[18-19]，可識別出故障模型中所有葉節(jié)點的頻繁知識序列。設備故障模型節(jié)點ti的頻繁知識序列集為FMSi={fmsi1,fmsi2,…,fmsin}，其中fmsij=是第j個頻繁知識序列。頻繁知識序列的支持度記作st(fmsij)

在設備故障診斷知識項推送時，要考慮當前設備故障所產生的振動頻率、工藝參數、電流電壓、質量檢測等知識與頻繁知識序列之間的相似度。在生產實際過程中，故障知識序列通常較長，與頻繁知識序列完全匹配的可能性較小。文中提出按照最近、最高頻的原則，抽取故障診斷知識項集合組成故障活動窗口[20]，并假設活動窗口的長度為3進行分析和知識推送。

假設設備工程師正在診斷的是設備ti的故障；序列cms=為當前設備運行所產生的知識序列，其中bv是最近故障或供電異常的知識項所組成的元素；w=為該知識序列的故障活動窗口。從設備ti的頻繁故障知識序列集合FMSi中選出與ω具有相同3元素的頻繁知識序列，組成集合FMSi={fmsv1,fmsv2,…,fmsvn}。截取fmsvj中與ω具有相同3元素序列的3元素子序列及其下一個元素，組成4元素的序列vj=,V={v1,v2,…,vn}為上述4元素序列的集合。

設rm={m1,m2,…,mn}為當前知識使用行為是“最近故障或供電異常”時，應被推送的知識項所組成的集合，其中mi∈{c13∪c23∪…∪cn3}，且ki?bv。集合rm中的知識項將按照推送系數I(mi)的降序進行推送，推送系統(tǒng)如下：

(2)

設rm={m1,m2,…,mn}為當前知識使用行為是“負荷異?！睍r，應被推送的知識項所組成的集合，其中mi∈{c13∪c23∪…∪cn4}。集合rm中的知識項將按照推送系數I(mi)的降序進行推送，推送系統(tǒng)如下：

(3)

下文舉例說明該推送方法的具體實現(xiàn)過程。假設當前設備故障所產生的知識序列為cms=<(E,F)(B,F)(C,D,G)(D)>，當前的設備故障診斷任務是任務節(jié)點ti的實例，任務節(jié)點ti的頻繁知識序列集合為FMSi=，其中fmsi1=<(B)(C,D,F)(B,D,E)(B,G)(C,D)>，其支持度st(fmsi1)=30%；fmsi2=<(B,D)(C,E)(D,E)(D,G)(B,F)(H,I)>，其支持度st(fmsi2)=40%；fmsi3=<(D,G)(B,C)(B)(B,E)>，其支持度st(fmsi3)=35%。

(1)捕捉當前故障知識序列的活動窗口ω=<(B,F)(C,D,G)(D)>。

(2)從集合FMSi中選出與ω具有相同3元素連續(xù)子序列的序列，組成集合FMSv=。其中，fmsv1=fmsi1=<(B)(C,D,F)(B,D,E)(B,G)(C,D)>，其支持度st(fmsv1)=st(fmsi1)=30%；fmsv2=fmsi2=<(B,D)(C,E)(D,E)(D,G)(B,D)(H,I)>，其支持度st(fmsv2)=st(fmsi2)=40%。

(3)截取序列fmsvj中與ω有3元連續(xù)子序列的子序列及其下一個元素，構成集合v1=<(B)(C,D,F)(B,D,E)(B,G)>，v2=<(B,D)(C,E)(D,E)(D,G)>，V={v1,v2}。

(4)若設備工程師當前的知識使用行為是“最近故障或供電異常”，設rm為應被推送的知識項所組成的集合，則rm={B,E}，知識項B與E的推送系數分別為：

因此，向設備工程師推送的知識項應符合<(E)(B)>的順序。

(5)若設備工程師當前的知識使用行為是“負荷異?！?，設rm為應被推送的知識項所組成的集合，則rm={B,D,G}，知識項B，D和G的推送系數分別為：

因此，向設備工程師推送的知識項應符合<(G)(D)(B)>的順序。

4 結束語

隨著以計算機和互聯(lián)網為代表的信息技術在生產制造和裝備制造行業(yè)的不斷深入應用，制造業(yè)在兩化融合浪潮的推動下正在經歷一場產業(yè)革命，向生產透明化、制造智能化、產業(yè)協(xié)同全球化的智慧工廠方向發(fā)展。文中在對智慧工廠內涵和工業(yè)大數據應用技術分析的基礎上，討論了基于大數據驅動的制造過程動態(tài)優(yōu)化技術方法體系。在制造優(yōu)化技術方面，提出一種基于序列模式挖掘的設備故障知識推送方法，重點討論了在設備故障診斷過程中，針對種類多異的故障信息，如何提高故障診斷知識推送的支持度，提高了設備故障診斷知識推送的可實現(xiàn)性。后續(xù)工作將以生產專家控制、能源優(yōu)化控制為應用背景，從提高生產效率、提升產品質量、降低產品能耗、提高設備利用率等角度出發(fā)，利用上述技術實現(xiàn)傳統(tǒng)生產制造和裝備制造工廠從數字化、信息化、智能化到智慧化發(fā)展的轉型。