楊慧麗，郭輝

(軟控股份有限公司，山東 青島 266042)

輪胎質(zhì)量的提升一直是輪胎企業(yè)關心的核心問題，但是現(xiàn)階段傳統(tǒng)的管理手段已經(jīng)遇到瓶頸。隨著新一代信息技術與工業(yè)場景融合進程的不斷深入，越來越多的輪胎企業(yè)已經(jīng)完成了自動化、信息化建設，如自動化備料、生產(chǎn)過程監(jiān)控、產(chǎn)品質(zhì)量檢測等。隨著生產(chǎn)過程和質(zhì)量數(shù)據(jù)的不斷積累及探索，輪胎生產(chǎn)企業(yè)看到了另一條不同于傳統(tǒng)方法的提升途徑，即通過大數(shù)據(jù)分析技術實現(xiàn)一體化生產(chǎn)過程管理、工藝優(yōu)化及質(zhì)量控制與提升。

對于輪胎行業(yè)重大型生產(chǎn)設備制造商而言，在信息技術與產(chǎn)業(yè)大融合時代，主要面臨的是如何解決設備類產(chǎn)品同質(zhì)化的問題，即如何提供出比市場上其它產(chǎn)品更為穩(wěn)定的性能或更為豐富的增值服務。設備制造商迫切希望通過大數(shù)據(jù)、工業(yè)互聯(lián)、人工智能等技術，為企業(yè)提供智能化改造后的設備類產(chǎn)品，從設備售賣式盈利向持續(xù)服務式高附加值盈利模式轉(zhuǎn)變。

在此背景下，軟控研究院聯(lián)合輪胎制造企業(yè)，發(fā)揮各自優(yōu)勢推動模式轉(zhuǎn)變。一方面，通過將輪胎制造企業(yè)的生產(chǎn)及質(zhì)量檢測類數(shù)據(jù)資產(chǎn)有效融合，結合輪胎成型制造工藝機理特點，借助大數(shù)據(jù)分析挖掘技術，分析影響輪胎質(zhì)量的影響因素及其影響程度，挖掘影響因素與輪胎質(zhì)量之間的關聯(lián)關系，從而構建可用于監(jiān)控生產(chǎn)過程、預測對應輪胎質(zhì)量的智能評判模型，為生產(chǎn)過程精細化管理、工藝過程優(yōu)化和質(zhì)量提升提供服務。另一方面，通過在輪胎成型設備中增加智能化應用模塊來提升輪胎生產(chǎn)設備的市場綜合競爭力和產(chǎn)品的利潤空間。

1 輪胎質(zhì)量行業(yè)分析

隨著人們對于乘車安全、舒適性追求的提升，均勻性、動平衡（以下簡稱均動）參數(shù)成為輪胎質(zhì)量的重要參考指標。很多全鋼胎生產(chǎn)企業(yè)將作為抽檢項的均動檢查，更改為必檢項。配套廠家對于均動的要求也不斷提高，逆向促動輪胎制造企業(yè)通過新技術、新工藝優(yōu)化均動檢驗的相關參數(shù)。

輪胎均動的影響因素很多，成型過程將多種半制品部件進行貼合，工藝復雜，也是對輪胎均動指標產(chǎn)生影響程度最深的工序之一。同時，成型工序也是輪胎生產(chǎn)制造最核心工序之一，具有典型的離散制造的特點，其生產(chǎn)過程屬于連續(xù)型生產(chǎn)。當前少有提前測量胎胚質(zhì)量的設備，輪胎質(zhì)量的預檢也是企業(yè)關注的重點。

生產(chǎn)過程中的數(shù)據(jù)雖然已經(jīng)在機器中采集存儲，但是還沒有有效的利用。我們迫切需要從機器中提取這些數(shù)據(jù)，在生產(chǎn)環(huán)境中將其關聯(lián)起來，形成有關生產(chǎn)隱患、質(zhì)量問題、浪費或者可能出現(xiàn)的瓶頸的數(shù)據(jù)分析[1]。

2 大數(shù)據(jù)預測可行性分析

自省性的生產(chǎn)系統(tǒng)對生產(chǎn)效率帶來了巨大提示，從控制器中采集了每一個工序的控制信號和狀態(tài)監(jiān)控參數(shù)，從這些信號中尋找出現(xiàn)生產(chǎn)偏差時的數(shù)據(jù)特征，并利用數(shù)據(jù)挖掘的分析方法找到正常生產(chǎn)狀態(tài)和偏差生產(chǎn)狀態(tài)下的序列特征。隨后用機器學習的方法記錄下這些特征，建立判斷生產(chǎn)狀態(tài)正常和異常的健康評估模型[2]。

大數(shù)據(jù)預測可行性分析具備兩個關鍵條件：

（1）關鍵參數(shù)的大量、準確采集；

（2）預測評估模型的建立及優(yōu)化。

表1～表3為某輪胎企業(yè)成型生產(chǎn)過程的數(shù)據(jù)總體情況：

本次建模數(shù)據(jù)使用2020年10月4日到2020年12月24日“12R22.5-18PR M01”型號數(shù)據(jù)，如表1。

本次驗證數(shù)據(jù)使用2020年12月25日到2021年3月16日“12R22.5-18PR M01”型號數(shù)據(jù)，如表2。

表2 數(shù)據(jù)驗證表

表3展示部分數(shù)據(jù)稽查結果，通過數(shù)據(jù)稽核發(fā)現(xiàn)了部分指標值是唯一的，對于這些指標需要剔除。

表3 部分數(shù)據(jù)稽查結果表

2.1 單指標探索分析

根據(jù)探索分析指標的分布情況，對指標分布不均勻的異常指標進行剔除，主要監(jiān)測數(shù)據(jù)符合正態(tài)分布，具備進行數(shù)據(jù)分析的基本條件，見圖1。

2.2 檢測指標分布分析

通常通過增強數(shù)據(jù)訪問權限的規(guī)則細節(jié)能更好的保護敏感數(shù)據(jù)（隱私保護），如設定過濾規(guī)則，將特定數(shù)據(jù)或字段刪除、加密、混淆或修改，以避免暴露給第三方[3]。軟控大數(shù)據(jù)團隊在項目進行中，合理運用加密、混淆、修改等手段，對獲取到的過程數(shù)據(jù)進行了脫敏處理，最大程度的保護客戶數(shù)據(jù)的安全。

檢測指標上下不平衡量、錐度效應力、靜平衡量、徑向力正轉(zhuǎn)波動、側向力正轉(zhuǎn)波動、徑向力正轉(zhuǎn)一次諧波等，均符合正態(tài)分布，見圖2。

3 大數(shù)據(jù)綜合評價方案

根據(jù)成型過程和質(zhì)量檢測結果數(shù)據(jù)之間的關聯(lián)關系，構建形成工藝加工過程參數(shù)實時分析與檢測系統(tǒng)。采用機理理論與機器學習相結合的方法，根據(jù)不同規(guī)格型號輪胎不同指標參數(shù)的理論值，結合數(shù)據(jù)統(tǒng)計分析、數(shù)據(jù)挖掘方法，構建胎胚質(zhì)量評估模型，從成型階段的膠料控制、成型壓力控制、裁切控制、成型時間控制、送料時間控制、貼合時間控制等幾個方面對胎胚加工過程及質(zhì)量進行預測，并根據(jù)胎胚質(zhì)量評估模型的結果構建預警系統(tǒng)，通過打包模型在輪胎生產(chǎn)車間的成型設備上予以安裝部署，實現(xiàn)輪胎質(zhì)量實時預測、輪胎質(zhì)量異常監(jiān)控、質(zhì)量綜合分析、異常胎胚原因追溯等功能，詳見圖3所示。

4 大數(shù)據(jù)分析算法模型

4.1 輪胎成型指標探索

觀察胎胚成型過程中各個指標的取值分布，針對不同分布情況的指標，設置如下規(guī)則定義其設定值見圖4：

（1）如果系統(tǒng)中存在指標的工藝參數(shù)值，則取系統(tǒng)中的工藝參數(shù)作為指標的設定值；

（2）如果系統(tǒng)中不存在工藝參數(shù)值，則取該指標的眾數(shù)作為指標的設定值；

（3）對于指標分布中存在多個波峰的情況，根據(jù)實際的業(yè)務理解，對指標的設定值進行相應的調(diào)整。

4.2 胎胚質(zhì)量預警模型構建

根據(jù)業(yè)務調(diào)研結果及數(shù)據(jù)分析結果，確定綜合評價的評價體系。胎胚質(zhì)量綜合得分從膠部件規(guī)格、貼合過程、輥壓過程、傳遞過程、成型過程5個方面對成型過程進行評價，其中膠部件規(guī)格又分為BT1規(guī)格、BT2規(guī)格、BT3規(guī)格、BT4規(guī)格及胎面規(guī)格。每個評估維度下又由若干個評估指標組成。如圖5：

通過對層次分析法、熵值法、主成分分析法的對比，最終選用熵值法確定指標的權重。

熵值法是指“熵”應用在系統(tǒng)論中的信息管理方法。熵越大說明系統(tǒng)越混亂，攜帶的信息越少，熵越小系統(tǒng)越有序，攜帶的信息越多。在信息論中，熵是對不確定性的一種度量。信息量越大，不確定性就越小，熵也就越小；信息量越小，不確定性越大，熵也越大[4]。

算法實現(xiàn)過程：

（1）數(shù)據(jù)矩陣

（2）數(shù)據(jù)的非負數(shù)化處理

由于熵值法計算采用的是各個方案某一指標占同一指標值總和的比值，因此不存在量綱的影響，不需要進行標準化處理，若數(shù)據(jù)中有負數(shù)，就需要對數(shù)據(jù)進行非負化處理。此外，為了避免求熵值時對數(shù)的無意義，需要進行數(shù)據(jù)平移：

對于越大越好的指標：

對于越小越好的指標：

為了方便起見，仍記非負化處理后的數(shù)據(jù)為Xij

（3）計算第j項指標下第i個方案占該指標的比重

（4）計算第j項指標的熵值

（5）計算第j項指標的差異系數(shù)。

對于第j項指標，指標值Xij的差異越大，對方案評價的作用越大，熵值就越小。

（6）求權數(shù)

（7）計算各方案的綜合得分

在獲取到輪胎成型過程相關數(shù)據(jù)以及質(zhì)量檢驗結果數(shù)據(jù)之后，首先需要對數(shù)據(jù)質(zhì)量校驗，開展數(shù)據(jù)治理工作，對不合格、不規(guī)范的數(shù)據(jù)進而進行剔除和替換，確保后續(xù)分析數(shù)據(jù)的質(zhì)量。

其次通過胎胚號等指標將輪胎成型過程與質(zhì)量檢驗結果數(shù)據(jù)進行關聯(lián)，保障輪胎成型過程與質(zhì)檢結果的對應。

再次進行數(shù)據(jù)探索與特征工程的構建，一方面通過數(shù)據(jù)探索發(fā)現(xiàn)成型過程指標質(zhì)檢以及成型過程指標與質(zhì)檢結果指標質(zhì)檢的相關性，另一方面通過數(shù)據(jù)探索確定指標的范圍及標準，并且在原始指標的基礎上，結合業(yè)務理解通過特征工程構造新的特征。

最后進行模型構建，通過相關性分析、方差分析等方法進行重點指標的篩選，對篩選后的指標進行歸一化、標準化處理，之后再利用機器學習算法構建輪胎胎胚質(zhì)量綜合評價模型。

4.3 模型評估與驗證

輪胎胎胚質(zhì)量評估模型試運行過程中，導出模型運行結果、胎胚實際檢測結果進行驗證，如圖6所示：

隨著模型對胎胚評價分數(shù)的降低，胎胚實際A品率呈現(xiàn)下降趨勢，非A品率呈現(xiàn)上升趨勢，此趨勢驗證預警模型可用性高。

4.4 模型部署及應用

由于輪胎生產(chǎn)過程及現(xiàn)場環(huán)境的特殊性，一方面對輪胎質(zhì)量預測系統(tǒng)的運行時間要求較高，按照輪胎生產(chǎn)節(jié)拍需要及時給出評測結果；另一方面需要現(xiàn)場工作人員能夠及時查看不同胎胚的預測結果。因此該系統(tǒng)采用邊緣端部署的應用方案，將建立好的胎胚質(zhì)量預測系統(tǒng)進行打包，并在現(xiàn)場上位機上安裝系統(tǒng)運行所需要的環(huán)境，并將胎胚質(zhì)量預警系統(tǒng)部署到現(xiàn)場成型設備上進行胎胚質(zhì)量的實時預測，見圖7。

（1）胎胚質(zhì)量情況實時評價功能

針對設備生產(chǎn)的每一條輪胎，通過分析該輪胎成型過程中的各個指標值，依據(jù)胎胚質(zhì)量預測模型對該條胎胚進行評價，給出該條胎胚的整體評分，并對膠料、成型壓力、輸料、裁切、貼合、成型等分項分別進行得分計算，以及對該條胎胚進行全面的評價，這些數(shù)據(jù)可實時地展示每條輪胎在加工過程中的各參數(shù)是否正常。

（2）胎胚質(zhì)量原因追溯功能

分析在加工過程中導致異常輪胎出現(xiàn)的各方面原因，幫助現(xiàn)場工作人員進行輪胎加工過程工藝參數(shù)的改進。

（3）胎胚質(zhì)量監(jiān)控功能

實現(xiàn)異常胎胚統(tǒng)計分析，通過對比一段時間內(nèi)異常胎胚的增長趨勢，幫助企業(yè)實現(xiàn)對輪胎加工過程的階段性質(zhì)量控制，避免輪胎質(zhì)量問題批量發(fā)生的現(xiàn)象。

5 創(chuàng)新點

該項目站在輪胎生成企業(yè)和輪胎生產(chǎn)成型設備制造商兩個視角，結合輪胎生產(chǎn)成型過程及質(zhì)量檢測環(huán)節(jié)面臨的評判及時性不足、無法精準調(diào)控優(yōu)化工藝加工參數(shù)等問題，將生產(chǎn)過程數(shù)據(jù)實時采集、大數(shù)據(jù)分析、智能模型構建與邊緣部署等技術有效串接應用，構建了全面實時數(shù)據(jù)驅(qū)動的工藝過程加工監(jiān)測與質(zhì)量問題智能發(fā)現(xiàn)系統(tǒng)，改變了傳統(tǒng)的生產(chǎn)鏈條末端質(zhì)檢、事后問題排查的生產(chǎn)質(zhì)量管理模式，為輪胎生產(chǎn)企業(yè)和輪胎生產(chǎn)成型設備制造商均帶來了基于自身痛點解決與商業(yè)市場競爭力的提升。

對于輪胎生產(chǎn)企業(yè)，解決方案全面打通了生產(chǎn)加工過程數(shù)據(jù)與質(zhì)量檢驗數(shù)據(jù)間的連接，形成了一體化的制造過程診斷與工藝優(yōu)化機制，將以往“質(zhì)量檢測、問題排查、下次改進”的管理模式改變?yōu)椤皩崟r告警、推送建議、立即調(diào)整”的智能模式，全面提升產(chǎn)線智能化水平，降低成品次品率。

6 結論

通過實際數(shù)據(jù)對大數(shù)據(jù)預測模型的驗證，證明了此模型的有效性。但是模型建立在一定前提條件下：第一，需要較為準確的采集數(shù)據(jù)為樣本，文中的成型數(shù)據(jù)均來自于軟控新一代智能成型機，有了準確及時的數(shù)據(jù)才能建立高質(zhì)量預測模型；第二，硫化機的影響因素不可忽視。在實際應用過程中，部分硫化機（模具）對于輪胎的均動參數(shù)有明顯的影響。

大數(shù)據(jù)預測胎胚質(zhì)量的難點在于，在進行模型迭代的過程中，需要大量的數(shù)據(jù)進行建模，由于上工序的原材料、半成品批次質(zhì)量影響，采集數(shù)據(jù)的時間跨度不宜太長，否則影響因素將擴展到上工序的半成品質(zhì)量。現(xiàn)在使用的綜合評價預測算法，取得一定的成果，當前針對指定輪胎規(guī)格進行分類建模及應用，尚未實現(xiàn)不同規(guī)格的自學習功能，需要持續(xù)進行算法優(yōu)化，并不斷進行業(yè)務實踐。