崔世婷，郭 宇，汪偉麗，梁睿君

（南京航空航天大學(xué)機(jī)電學(xué)院，江蘇南京 210016）

1 引言

在面向訂單生產(chǎn)的多品種、變批量離散制造車間中，生產(chǎn)異常時(shí)有發(fā)生，影響著訂單產(chǎn)品的質(zhì)量和完成時(shí)間。準(zhǔn)確的生產(chǎn)異常檢測(cè)為生產(chǎn)計(jì)劃的及時(shí)調(diào)整提供依據(jù)，對(duì)提高產(chǎn)品質(zhì)量和生產(chǎn)效率具有重要的指導(dǎo)意義。制造物聯(lián)感知技術(shù)實(shí)時(shí)采集車間制造要素的狀態(tài)數(shù)據(jù)［1］，為生產(chǎn)異常檢測(cè)提供了全面的制造數(shù)據(jù)，保證從全局特征挖掘車間狀態(tài)信息，例如入緩存區(qū)缺料事件不僅與當(dāng)前入緩存區(qū)狀態(tài)有關(guān)，設(shè)備加工狀態(tài)和物料轉(zhuǎn)運(yùn)狀態(tài)也直接影響生產(chǎn)是否按計(jì)劃進(jìn)行，所以基于強(qiáng)關(guān)聯(lián)性的多維度數(shù)據(jù)集，能實(shí)現(xiàn)生產(chǎn)異常的精準(zhǔn)檢測(cè)。同時(shí)離散制造車間存在訂單計(jì)劃難以預(yù)測(cè)、產(chǎn)品工藝流程復(fù)雜等特點(diǎn)，增加了生產(chǎn)過(guò)程的不確定性和動(dòng)態(tài)性，使生產(chǎn)數(shù)據(jù)的分布規(guī)律隨時(shí)間推移發(fā)生變化，導(dǎo)致離線模型的準(zhǔn)確率降低。因此有必要提出一種數(shù)據(jù)驅(qū)動(dòng)的增量式異常檢測(cè)方法，在檢測(cè)異常的同時(shí)學(xué)習(xí)新數(shù)據(jù)并更新模型，以適應(yīng)當(dāng)前數(shù)據(jù)分布，保證異常檢測(cè)的速度和準(zhǔn)確度。

在車間生產(chǎn)過(guò)程中，異常事件的發(fā)生伴隨著制造數(shù)據(jù)中某些特征的變化，通過(guò)挖掘數(shù)據(jù)間的關(guān)聯(lián)關(guān)系，能夠?qū)崿F(xiàn)生產(chǎn)異常的精準(zhǔn)檢測(cè)。文獻(xiàn)［2］總結(jié)飛機(jī)裝配車間異常事件的類別與原因，使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)車間異常的分類預(yù)警；文獻(xiàn)［3］針對(duì)質(zhì)量異常和交付期異常，分析量化車間異常影響因素，提出基于時(shí)序型的多深度神經(jīng)網(wǎng)絡(luò)模型；文獻(xiàn)［4］為檢測(cè)粉末床激光熔化時(shí)的產(chǎn)品異?；蛟O(shè)備異常，建立多尺度卷積神經(jīng)網(wǎng)絡(luò)，對(duì)粉末床圖像進(jìn)行分類。上述有監(jiān)督學(xué)習(xí)方法通過(guò)標(biāo)簽數(shù)據(jù)與預(yù)測(cè)值之間的差值迭代優(yōu)化模型參數(shù)，獲得高準(zhǔn)確率的異常檢測(cè)結(jié)果，但標(biāo)簽數(shù)據(jù)需要專業(yè)人員進(jìn)行標(biāo)記，對(duì)于海量制造數(shù)據(jù)而言，標(biāo)記困難，成本較高。而無(wú)監(jiān)督學(xué)習(xí)模型不依賴標(biāo)簽信息，直接挖掘特征數(shù)據(jù)間的內(nèi)在關(guān)聯(lián)，發(fā)現(xiàn)車間生產(chǎn)異常。文獻(xiàn)［5］使用基于聚類的無(wú)監(jiān)督學(xué)習(xí)方法，分析熱軋帶鋼的生產(chǎn)工藝過(guò)程數(shù)據(jù)，發(fā)現(xiàn)離群樣本，提高質(zhì)量檢測(cè)的針對(duì)性。文獻(xiàn)［6］選擇K?Means算法對(duì)車間的工序制造過(guò)程數(shù)據(jù)進(jìn)行聚類，標(biāo)記離群點(diǎn)為制造系統(tǒng)的可靠性分析提供依據(jù)。文獻(xiàn)［7］針對(duì)離散制造中未經(jīng)標(biāo)記的高維時(shí)間序列數(shù)據(jù)，結(jié)合K?Means聚類與滑動(dòng)窗口技術(shù)，發(fā)現(xiàn)異常數(shù)據(jù)。上述異常檢測(cè)方法通過(guò)無(wú)標(biāo)簽數(shù)據(jù)發(fā)現(xiàn)制造過(guò)程中的異常事件，但研究對(duì)象是靜態(tài)數(shù)據(jù)集，當(dāng)新數(shù)據(jù)抵達(dá)時(shí)，為保證檢測(cè)精度需重新訓(xùn)練模型，對(duì)全部數(shù)據(jù)進(jìn)行批處理操作，未利用原模型獲得的知識(shí)，導(dǎo)致訓(xùn)練時(shí)間長(zhǎng)，檢測(cè)效率低。

與面向靜態(tài)數(shù)據(jù)集的批處理模式相比，增量式學(xué)習(xí)算法處理新數(shù)據(jù)時(shí)無(wú)需重建模型，僅更新原模型使其適應(yīng)當(dāng)前數(shù)據(jù)分布。目前增量學(xué)習(xí)在車間異常檢測(cè)的應(yīng)用并不多，但在其他領(lǐng)域上已有相關(guān)研究。文獻(xiàn)［8］針對(duì)因配電網(wǎng)運(yùn)行條件變化導(dǎo)致的概念漂移現(xiàn)象，提出一種基于優(yōu)選樣本集的增量聚類方法，提高了孤島檢測(cè)的準(zhǔn)確性和自適應(yīng)性。文獻(xiàn)［9］為了快速檢測(cè)網(wǎng)絡(luò)入侵事件，提出一種增量SVM算法，保留有可能成為支持向量的樣本，減輕學(xué)習(xí)過(guò)程中的波動(dòng)，節(jié)省訓(xùn)練和預(yù)測(cè)時(shí)間。文獻(xiàn)［10］提出了一種基于增量聚類的晶圓故障在線檢測(cè)算法，快速識(shí)別晶圓的工藝漂移并修正模型。在檢測(cè)事件中引入增量機(jī)制使模型的精準(zhǔn)度更高、適應(yīng)性更強(qiáng)，但增量學(xué)習(xí)算法面臨“穩(wěn)定性?可塑性困境”，需避免模型在自適應(yīng)學(xué)習(xí)新數(shù)據(jù)的同時(shí)遺忘已學(xué)習(xí)到的知識(shí)。

增強(qiáng)自組織增量神經(jīng)網(wǎng)絡(luò)（Enhanced Self?Organizing Incre?mental Neural Network，ESOINN）是一種增量式聚類算法，通過(guò)神經(jīng)元對(duì)輸入數(shù)據(jù)進(jìn)行競(jìng)爭(zhēng)，獲得調(diào)整神經(jīng)元權(quán)值的機(jī)會(huì)，拉近獲勝神經(jīng)元與輸入數(shù)據(jù)間的距離，保證下次出現(xiàn)同類數(shù)據(jù)時(shí)擁有更高的勝率。該過(guò)程每次學(xué)習(xí)只更新模型局部區(qū)域，滿足了模型增量學(xué)習(xí)新知識(shí)的要求，也保留了歷史學(xué)習(xí)結(jié)果，從而實(shí)現(xiàn)拓?fù)浣Y(jié)構(gòu)對(duì)輸入數(shù)據(jù)的精確表征?；谝陨戏治觯褂迷隽渴剿惴‥SOINN檢測(cè)離散制造車間中的生產(chǎn)異常，在保存歷史學(xué)習(xí)結(jié)果的基礎(chǔ)上使用當(dāng)前數(shù)據(jù)修正模型，分離不同類別的簇，實(shí)現(xiàn)異常事件的實(shí)時(shí)檢測(cè)。最后結(jié)合某航天離散制造車間提供的11487條具有102 個(gè)特征的生產(chǎn)數(shù)據(jù)，進(jìn)行算法的實(shí)例驗(yàn)證和對(duì)比分析，并在離散制造車間生產(chǎn)異常檢測(cè)系統(tǒng)中搭建基于ESOINN的生產(chǎn)異常檢測(cè)環(huán)境對(duì)車間狀態(tài)進(jìn)行監(jiān)控，證明了所提方法在離散制造車間生產(chǎn)異常實(shí)時(shí)檢測(cè)上的有效性。

2 面向離散制造車間的生產(chǎn)異常檢測(cè)框架

2.1 生產(chǎn)異常問(wèn)題描述

以某擁有12臺(tái)設(shè)備的航天產(chǎn)品機(jī)加車間為例，對(duì)生產(chǎn)異常檢測(cè)問(wèn)題進(jìn)行研究，車間中每個(gè)工位包括一臺(tái)機(jī)床、一個(gè)入緩存區(qū)和一個(gè)出緩存區(qū)，在制品或物料通過(guò)AGV從上個(gè)工位或倉(cāng)庫(kù)轉(zhuǎn)運(yùn)到本工位進(jìn)入緩存區(qū)等待加工，其加工順序遵循先進(jìn)先出規(guī)則。在制品在某工位的生產(chǎn)過(guò)程分為以下4個(gè)步驟：（1）在制品或物料通過(guò)AGV轉(zhuǎn)運(yùn)到該工位入緩存區(qū)等待加工；（2）在設(shè)備上進(jìn)行加工；（3）加工完進(jìn)入出緩存區(qū)等待轉(zhuǎn)運(yùn)；（4）轉(zhuǎn)運(yùn)至下個(gè)工位等待加工。因此，基于在制品在車間的生產(chǎn)流轉(zhuǎn)過(guò)程，將制造車間中的生產(chǎn)異常事件概括為以下五種：入緩存區(qū)在制品堆積、入緩存區(qū)物料短缺、出緩存區(qū)在制品堆積、在制品加工時(shí)間延時(shí)、物料轉(zhuǎn)運(yùn)狀態(tài)異常。

基于制造車間加工流程，將描述上述五類異常的制造數(shù)據(jù)分為入緩存區(qū)狀態(tài)、出緩存區(qū)狀態(tài)、機(jī)器狀態(tài)、轉(zhuǎn)運(yùn)狀態(tài)數(shù)據(jù)。入緩存區(qū)狀態(tài)數(shù)據(jù)包括入緩存區(qū)的在制品排隊(duì)隊(duì)列、在制品等待加工時(shí)間，為保證每一時(shí)刻的特征數(shù)量一致，空缺位置用0填充；出緩存區(qū)狀態(tài)數(shù)據(jù)包括在制品排隊(duì)隊(duì)列、在制品等待轉(zhuǎn)運(yùn)時(shí)間；機(jī)器狀態(tài)包括機(jī)器的工作狀態(tài)（“正在加工”，“等待”，“故障”）、加工在制品種類、設(shè)備持續(xù)運(yùn)行時(shí)間、上次故障至今的時(shí)間；轉(zhuǎn)運(yùn)狀態(tài)包括配送的在制品種類、在制品數(shù)量、AGV位置與持續(xù)配送時(shí)間。

2.2 車間生產(chǎn)異常監(jiān)測(cè)系統(tǒng)框架

基于2.1節(jié)定義的五種車間生產(chǎn)異常事件，提出一個(gè)多模塊的生產(chǎn)異常檢測(cè)體系架構(gòu)，包括車間數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和基于ESOINN模型的離線訓(xùn)練和在線檢測(cè)，總體架構(gòu)，如圖1所示。

圖1 離散制造車間生產(chǎn)異常檢測(cè)框架Fig.1 A framework for Production Anomaly Detection in Discrete Manufacturing Workshops

RFID、UWB 等物聯(lián)感知設(shè)備在離散制造車間的部署，采集到各類制造要素的實(shí)時(shí)狀態(tài)信息，為生產(chǎn)異常分析提供了數(shù)據(jù)基礎(chǔ)，由于數(shù)據(jù)來(lái)源眾多，不同特征之間的數(shù)量級(jí)差別大，為消除因量綱不同帶來(lái)的影響，使用式（1）的z?score標(biāo)準(zhǔn)化方法，實(shí)現(xiàn)將所有特征轉(zhuǎn)換為均值為0，方差為1的縮放。

式中：μ—特征的平均值；σ—特征的方差。

數(shù)據(jù)預(yù)處理為異常檢測(cè)模型提供高質(zhì)量數(shù)據(jù)集，異常檢測(cè)分為離線訓(xùn)練和在線檢測(cè)兩個(gè)階段：離線階段訓(xùn)練歷史生產(chǎn)數(shù)據(jù)獲得初始檢測(cè)模型；在線階段實(shí)現(xiàn)生產(chǎn)數(shù)據(jù)的實(shí)時(shí)檢測(cè)，同時(shí)學(xué)習(xí)新數(shù)據(jù)更新模型的拓?fù)浣Y(jié)構(gòu)，保證模型隨數(shù)據(jù)分布而更新。

3 基于增量學(xué)習(xí)的異常發(fā)現(xiàn)

3.1 ESOINN算法

ESOINN 是一種對(duì)輸入數(shù)據(jù)進(jìn)行拓?fù)浔硎镜母?jìng)爭(zhēng)性神經(jīng)網(wǎng)絡(luò)［11］，其中每個(gè)神經(jīng)元節(jié)點(diǎn)代表與輸入數(shù)據(jù)同緯度的向量，節(jié)點(diǎn)之間的連接構(gòu)成了多個(gè)子圖，每個(gè)子圖可近似地表達(dá)同類型數(shù)據(jù)的分布情況。ESOINN的實(shí)現(xiàn)主要包括新節(jié)點(diǎn)的建立、節(jié)點(diǎn)權(quán)值的更新、重疊類的分離、同類的合并等步驟。

ESOINN 算法開始時(shí)隨機(jī)選擇兩條輸入數(shù)據(jù)建立初始神經(jīng)元節(jié)點(diǎn)，在后續(xù)數(shù)據(jù)的輸入中，選擇增加新節(jié)點(diǎn)或改變獲勝節(jié)點(diǎn)權(quán)值兩種更新方法，更新規(guī)則如下：新數(shù)據(jù)x到達(dá)時(shí)尋找歐式距離最近的兩個(gè)節(jié)點(diǎn)n1和n2，若x與n1之間的距離大于相似度閾值Tn1或者x與n2之間的距離大于相似度閾值Tn2，則將x作為新節(jié)點(diǎn)插入網(wǎng)絡(luò)中，反之說(shuō)明已存在能夠表達(dá)x的拓?fù)渥訄D，無(wú)需建立新節(jié)點(diǎn)，更新獲勝節(jié)點(diǎn)權(quán)值即可。其中，相似度閾值Tn1和Tn2使用式（2）或式（3）計(jì)算獲得：若節(jié)點(diǎn)n擁有鄰居節(jié)點(diǎn)，使用式（2）計(jì)算它與鄰居節(jié)點(diǎn)的最大距離作為相似度閾值，若節(jié)點(diǎn)n無(wú)鄰居節(jié)點(diǎn)，使用式（3）計(jì)算它與其他所有節(jié)點(diǎn)的最小距離作為相似度閾值。

式中：Vn—節(jié)點(diǎn)n的鄰居節(jié)點(diǎn)集合；Wn—節(jié)點(diǎn)n的權(quán)值；V—所有節(jié)點(diǎn)集合。

可以看出，式（2）和式（3）的計(jì)算與節(jié)點(diǎn)分布有關(guān)，相似度閾值會(huì)隨著數(shù)據(jù)分布的變化自適應(yīng)改變。

若新數(shù)據(jù)根據(jù)相似度閾值判斷屬于獲勝節(jié)點(diǎn)，ESOINN使用式（4）和式（5）更新第一優(yōu)勝節(jié)點(diǎn)n1和其鄰居節(jié)點(diǎn)的權(quán)值，并將n1與所有鄰居節(jié)點(diǎn)之間的連接邊次數(shù)加1，實(shí)現(xiàn)新數(shù)據(jù)的學(xué)習(xí)過(guò)程。

式中：Mn1—節(jié)點(diǎn)n1成為第一優(yōu)勝節(jié)點(diǎn)的次數(shù)；

Wi—節(jié)點(diǎn)n1鄰居節(jié)點(diǎn)的權(quán)值。

ESOINN 在學(xué)習(xí)過(guò)程中可能出現(xiàn)類別重疊現(xiàn)象，即處于重疊區(qū)域的節(jié)點(diǎn)與多個(gè)類別的節(jié)點(diǎn)有連接。重疊區(qū)的節(jié)點(diǎn)密度明顯低于聚類中心的節(jié)點(diǎn)密度，所以ESOINN 在分離重疊區(qū)域時(shí)，首先找到局部最高密度的節(jié)點(diǎn)們給與不同標(biāo)簽，再分別標(biāo)記與這些節(jié)點(diǎn)相連接的其他節(jié)點(diǎn)，若一個(gè)節(jié)點(diǎn)具有多個(gè)標(biāo)記說(shuō)明該節(jié)點(diǎn)位于重疊區(qū)域內(nèi)。ESOINN 使用平均累計(jì)密度hn描述節(jié)點(diǎn)密度，hn的計(jì)算如式（6）~式（8）所示，使用節(jié)點(diǎn)與鄰居節(jié)點(diǎn)的距離衡量密度值。

式中：λ—一個(gè)學(xué)習(xí)周期中樣本個(gè)數(shù)；k—學(xué)習(xí)周期個(gè)數(shù)；T—在所有k個(gè)學(xué)習(xí)周期中節(jié)點(diǎn)n獲勝過(guò)的次數(shù)；pn—節(jié)點(diǎn)n在每一次樣本學(xué)習(xí)中的單次密度值；dˉn—節(jié)點(diǎn)n與其所有鄰居節(jié)點(diǎn)的平均距離；m—節(jié)點(diǎn)n的鄰居節(jié)點(diǎn)個(gè)數(shù)，若n是獲勝節(jié)點(diǎn)，與n相鄰節(jié)點(diǎn)越多，平均距離越小，節(jié)點(diǎn)密度越大。

若某類數(shù)據(jù)被誤分為多個(gè)子類，ESOINN 在分離重疊區(qū)時(shí)，局部最高密度節(jié)點(diǎn)增多，會(huì)檢測(cè)到許多重疊區(qū)。所以ESOINN為不同子類提供了合并的機(jī)會(huì)：若兩個(gè)獲勝節(jié)點(diǎn)屬于同一子類或存在新節(jié)點(diǎn)的情況下，連接兩個(gè)節(jié)點(diǎn)并設(shè)置連接邊的數(shù)量為0；若兩個(gè)節(jié)點(diǎn)分屬不同子類，但滿足式（9）或式（10），連接兩個(gè)獲勝節(jié)點(diǎn)，合并兩個(gè)子類。

式中，hn1、hn2—第一和第二優(yōu)勝節(jié)點(diǎn)的密度；Amax、Bmax—A類和B類的頂點(diǎn)密度，其中，αA使用式（11）中的閾值函數(shù)自動(dòng)計(jì)算，meansA代表A類中所有節(jié)點(diǎn)的平均密度。

隨著輸入樣本的增多，若兩個(gè)連接節(jié)點(diǎn)長(zhǎng)時(shí)間未被同一樣本激活，連接邊次數(shù)逐漸增大到預(yù)定值agemax，則刪除節(jié)點(diǎn)間的連接。針對(duì)噪聲引起的節(jié)點(diǎn)，ESOINN根據(jù)以下規(guī)則進(jìn)行周期性刪除：（1）節(jié)點(diǎn)沒有鄰居節(jié)點(diǎn)；（2）節(jié)點(diǎn)擁有一個(gè)鄰居節(jié)點(diǎn)滿足公式（12）；（3）節(jié)點(diǎn)擁有兩個(gè)鄰居節(jié)點(diǎn)滿足式（13）。

其中，由自定義參數(shù)c1和c2的設(shè)定值控制刪除節(jié)點(diǎn)的頻率，一般情況下c1取0.001，c2取1［11］。算法結(jié)束時(shí)，將所有能通過(guò)一系列邊連接的節(jié)點(diǎn)標(biāo)記為同一類別，劃分出多個(gè)子圖構(gòu)成的拓?fù)浣Y(jié)構(gòu)，得到最后的聚類結(jié)果。

3.2 基于ESOINN的異常發(fā)現(xiàn)

選擇某航天機(jī)加車間中為研究對(duì)象，當(dāng)前車間從事8種工件加工，采集連續(xù)生產(chǎn)過(guò)程中的制造數(shù)據(jù)，每條數(shù)據(jù)具有102個(gè)特征描述生產(chǎn)狀態(tài)。ESOINN算法增量式的學(xué)習(xí)新數(shù)據(jù)，以滿足模型對(duì)實(shí)時(shí)生產(chǎn)狀態(tài)的準(zhǔn)確表達(dá)，本實(shí)驗(yàn)的驗(yàn)證過(guò)程分為兩階段：（1）第一階段選擇8847條連續(xù)生產(chǎn)過(guò)程中的無(wú)標(biāo)簽數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集1，篩選和標(biāo)注600條數(shù)據(jù)作為測(cè)試集1，其中正常生產(chǎn)狀態(tài)數(shù)據(jù)、入緩存區(qū)在制品堆積數(shù)據(jù)、入緩存區(qū)物料短缺數(shù)據(jù)、出緩存區(qū)在制品堆積數(shù)據(jù)、在制品加工時(shí)間延時(shí)數(shù)據(jù)、物料轉(zhuǎn)運(yùn)狀態(tài)異常數(shù)據(jù)各100 條，且每條數(shù)據(jù)只屬于一種異常類型。使用ESOINN算法對(duì)訓(xùn)練集1進(jìn)行聚類獲得穩(wěn)定的初始拓?fù)浣Y(jié)構(gòu)后，輸入測(cè)試集1 中有標(biāo)簽數(shù)據(jù)進(jìn)行在線檢測(cè)，得到每條數(shù)據(jù)的檢測(cè)類別；（2）第二階段繼續(xù)按實(shí)際生產(chǎn)順序選擇1440 條無(wú)標(biāo)簽數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集2，再次篩選和標(biāo)注600條數(shù)據(jù)作為測(cè)試集2，其中各類別數(shù)據(jù)各100 條。在第一階段獲得的模型基礎(chǔ)上，對(duì)訓(xùn)練集2繼續(xù)進(jìn)行增量式的學(xué)習(xí)，動(dòng)態(tài)更新模型后，輸入測(cè)試數(shù)據(jù)集2進(jìn)行在線檢測(cè)。分別記錄訓(xùn)練集和測(cè)試集的聚類結(jié)果，如表1所示。

表1 ESOINN聚類結(jié)果Tab.1 Clustering Results of ESOINN

對(duì)上述實(shí)驗(yàn)獲得的聚類結(jié)果進(jìn)行統(tǒng)計(jì)，兩個(gè)測(cè)試集中各600條有標(biāo)簽數(shù)據(jù)的分布結(jié)果，如表2所示。

表2 有標(biāo)簽數(shù)據(jù)在各類簇中的分布Tab.2 Distribution of Labeled Data in Clusters

分別定義入緩存區(qū)在制品堆積、入緩存區(qū)物料短缺、出緩存區(qū)在制品堆積、在制品加工時(shí)間延時(shí)、物料轉(zhuǎn)運(yùn)狀態(tài)異常為異常1?5，通過(guò)分析階段1和階段2中測(cè)試集數(shù)據(jù)的分布結(jié)果可以總結(jié)如下：（1）正常數(shù)據(jù)主要分布在簇1，4，5，將此三類定義為正常數(shù)據(jù)；（2）異常1主要分布在簇8，將該類定義為入緩存區(qū)在制品堆積；（3）異常2主要分布在簇3，將該類定義為入緩存區(qū)物料短缺；（4）異常3主要分布在簇2，將該類定義為出緩存區(qū)在制品堆積；（5）異常4主要分布在簇6，將該類定義為在制品加工時(shí)間延時(shí)；（6）異常5主要分布在簇7，將該類定義為物料轉(zhuǎn)運(yùn)狀態(tài)異常。

基于以上分析，計(jì)算兩個(gè)測(cè)試集的聚類準(zhǔn)確率，得到以下結(jié)論：測(cè)試集1的聚類準(zhǔn)確率為97.17%，測(cè)試集2的聚類準(zhǔn)確率為98.33%，模型的檢測(cè)精度隨生產(chǎn)狀態(tài)改變并未降低，且提高了1.16個(gè)百分點(diǎn)，可知ESOINN 能學(xué)習(xí)實(shí)時(shí)數(shù)據(jù)修正模型，提高模型對(duì)車間生產(chǎn)規(guī)律變化的適應(yīng)性。

使用T?SNE［12］算法對(duì)測(cè)試集2 中5 種異常數(shù)據(jù)的檢測(cè)結(jié)果進(jìn)行可視化展示，將500條異常數(shù)據(jù)映射到三維空間，異常1和異常2在三維空間的分布，如圖2（a）所示。異常3、異常4和異常5在三維空間的分布，如圖2（b）所示?？梢钥闯鐾愋彤惓１粍澐值酵痪垲愔行闹車?，五種生產(chǎn)異常數(shù)據(jù)具有明顯邊界，僅存在少部分?jǐn)?shù)據(jù)遠(yuǎn)離簇中心的情況，原因可能是T?SNE算法傾向于保存局部特征，難以完整地映射高維數(shù)據(jù)到三維空間，或是部分異常數(shù)據(jù)未能準(zhǔn)確劃分類別。但從整體結(jié)果看，ESOINN算法具有較好的生產(chǎn)異常檢測(cè)效果。

圖2 異常1與異常2聚類結(jié)果、異常3、異常4與異常5聚類結(jié)果示意圖Fig.2 Schematic Diagram of Clustering Results of Anomaly 1 and Anomaly 2，and Clustering Results of Anomaly 3，Anomaly 4 and Anomaly 5

為了驗(yàn)證ESOINN在生產(chǎn)異常檢測(cè)上的有效性，選擇非增量式聚類算法Kmeans 和HC、增量式聚類算法InKmeans 和InDB?SCAN進(jìn)行聚類實(shí)驗(yàn)，與ESOINN算法進(jìn)行對(duì)比分析。兩種增量式聚類算法與ESOINN算法的驗(yàn)證過(guò)程相同，Kmeans和HC算法不具備增量學(xué)習(xí)能力，僅面向靜態(tài)數(shù)據(jù)集建立模型，為驗(yàn)證該靜態(tài)模型對(duì)動(dòng)態(tài)變化數(shù)據(jù)的適應(yīng)性，使用階段1獲得的模型對(duì)測(cè)試集1和測(cè)試集2中數(shù)據(jù)進(jìn)行檢測(cè)。聚類算法的評(píng)價(jià)指標(biāo)包括檢測(cè)準(zhǔn)確率、檢測(cè)時(shí)間、Calinski?Harabaz 指數(shù)（Calinski?Harabaz In?dex，CH）和輪廓系數(shù)（Silhouette?Coefficient，SC），CH指數(shù)和輪廓系數(shù)為聚類性能指標(biāo)。CH指數(shù)的表示，如式（14）~式（16）所示：

式中：y—樣本數(shù)；k—類別數(shù)；Bc—類別之間的協(xié)方差矩陣；Wc—類別內(nèi)部數(shù)據(jù)的協(xié)方差矩陣；tr—矩陣的跡；Xˉi—第i個(gè)簇的聚類中心；Xˉ—所有數(shù)據(jù)樣本的聚類中心；Fi—第i個(gè)簇的所有數(shù)據(jù)樣本集合。數(shù)據(jù)類內(nèi)的協(xié)方差越小，類間協(xié)方差越大，CH 指數(shù)越高，代表聚類效果越好。輪廓系數(shù)SC 的表示，如式（17）所示：

式中：y—樣本數(shù)；a(j)—樣本j到同類別其他樣本的平均距離，稱為樣本j的簇內(nèi)不相似度；b(j)—樣本j與不同類別中其他樣本的平均距離，稱為樣本j的簇間不相似度，SC分布在［?1，1］之間，數(shù)值越接近1，說(shuō)明同類樣本距離越近，不同類樣本距離越遠(yuǎn)，聚類效果越好。

ESOINN算法與四種對(duì)比算法InDBSCAN、InKmeans、Kmeans和HC的實(shí)驗(yàn)結(jié)果，包括測(cè)試集1和測(cè)試集2的檢測(cè)準(zhǔn)確率、兩個(gè)測(cè)試集共計(jì)1200條數(shù)據(jù)的累計(jì)耗時(shí)、兩個(gè)測(cè)試集的聚類性能度量值CH和SC，如表3所示。

表3 不同聚類方法的性能對(duì)比Tab.3 Performance Comparison of Cluster Methods

從本實(shí)驗(yàn)中可以得到以下幾個(gè)結(jié)論：（1）從聚類結(jié)果來(lái)看，兩種非增量式聚類Kmeans和HC在測(cè)試集2上的準(zhǔn)確率相較于測(cè)試集1 都有所下降，而三種增量式算法ESOINN、InDBSCAN 和InKmeans隨新增數(shù)據(jù)的流入準(zhǔn)確率有所提高，因?yàn)樵隽渴剿惴ㄔ谟?xùn)練集2上也保持對(duì)數(shù)據(jù)的學(xué)習(xí)能力，調(diào)整了模型以適應(yīng)新數(shù)據(jù)分布，其中ESOINN通過(guò)神經(jīng)元之間的持續(xù)競(jìng)爭(zhēng)提高拓?fù)浣Y(jié)構(gòu)對(duì)數(shù)據(jù)的表達(dá)能力，在所有增量式聚類算法中檢測(cè)準(zhǔn)確率最高；（2）通過(guò)比較五種算法對(duì)兩次在線階段共計(jì)1200條數(shù)據(jù)進(jìn)行檢測(cè)的累計(jì)耗時(shí)，可以發(fā)現(xiàn)三種增量式算法較兩種非增量式算法所需時(shí)間較長(zhǎng)，因?yàn)樵隽渴骄垲惒粌H需要判斷數(shù)據(jù)類別，還要根據(jù)新數(shù)據(jù)調(diào)整模型參數(shù)，其中InKmeans累計(jì)耗時(shí)最短，ESOINN次之，InDBSCAN最高；（3）根據(jù)測(cè)試集1和測(cè)試集2的聚類結(jié)果，對(duì)1200條有標(biāo)簽數(shù)據(jù)的檢測(cè)結(jié)果進(jìn)行計(jì)算，可知ESOINN在聚類的性能指標(biāo)CH和SC值上均優(yōu)于其他四種，因?yàn)镋SOINN重新定義了神經(jīng)元節(jié)點(diǎn)密度概念，為錯(cuò)分子類提供了合并或分離的機(jī)會(huì)，有效提高了聚類效果。以上分析可知，ESOINN算法的增量學(xué)習(xí)能力能夠適應(yīng)車間生產(chǎn)數(shù)據(jù)的分布變化，實(shí)現(xiàn)在線檢測(cè)過(guò)程中對(duì)模型的動(dòng)態(tài)更新，從而構(gòu)建精準(zhǔn)的生產(chǎn)異常檢測(cè)模型。

4 系統(tǒng)開發(fā)與應(yīng)用

以某航天產(chǎn)品機(jī)加車間為案例，設(shè)計(jì)離散制造車間生產(chǎn)異常檢測(cè)原型系統(tǒng)，在系統(tǒng)中搭建基于ESOINN 的生產(chǎn)異常檢測(cè)環(huán)境，并開展應(yīng)用驗(yàn)證。首先完成車間物聯(lián)感知環(huán)境的硬件部署：在車間整體部署UWB基站和RFID天線，覆蓋車間所有加工工位，AGV與物料等制造要素帶有RFID和UWB標(biāo)簽，實(shí)時(shí)采集生產(chǎn)狀態(tài)數(shù)據(jù)。為減輕系統(tǒng)維護(hù)壓力、方便后期功能擴(kuò)展，生產(chǎn)異常檢測(cè)系統(tǒng)基于Eclipse 和Node.js開發(fā)平臺(tái)，采用B/S架構(gòu)搭建，以Java作為開發(fā)語(yǔ)言，后臺(tái)調(diào)用Python程序?qū)崿F(xiàn)生產(chǎn)異常檢測(cè)功能。

為驗(yàn)證生產(chǎn)異常檢測(cè)系統(tǒng)的可行性，以車間某時(shí)刻的生產(chǎn)狀態(tài)為例進(jìn)行分析，物聯(lián)設(shè)備采集到實(shí)時(shí)車間生產(chǎn)狀態(tài)數(shù)據(jù)，系統(tǒng)調(diào)用后臺(tái)ESOINN算法檢測(cè)異常事件是否發(fā)生，并將結(jié)果以彈窗形式推送給用戶，如圖3所示。再點(diǎn)擊查看，用戶可了解與當(dāng)前異常事件有關(guān)的各類制造要素狀態(tài)信息，如圖所示，為及時(shí)的生產(chǎn)調(diào)控提供依據(jù)。

圖3 生產(chǎn)異常消息推送Fig.3 Production Anomaly Message Push

圖4 生產(chǎn)異常實(shí)時(shí)狀態(tài)信息Fig.4 Production Anomaly Real?Time Status Information

在離散制造車間應(yīng)用生產(chǎn)異常檢測(cè)系統(tǒng)，解決了因車間生產(chǎn)要素管理混亂難以實(shí)時(shí)檢測(cè)生產(chǎn)異常問(wèn)題，在系統(tǒng)中實(shí)時(shí)監(jiān)控在制品加工狀態(tài)、設(shè)備運(yùn)行狀態(tài)、物料轉(zhuǎn)運(yùn)狀態(tài)等生產(chǎn)過(guò)程信息，通過(guò)搭建的增量式異常檢測(cè)環(huán)境實(shí)現(xiàn)車間生產(chǎn)數(shù)據(jù)的檢測(cè)和在線學(xué)習(xí)，準(zhǔn)確識(shí)別異常事件的發(fā)生，提高了車間制造過(guò)程的動(dòng)態(tài)響應(yīng)能力和異常檢測(cè)效率。

5 結(jié)論

針對(duì)離散制造車間存在的異常，基于制造物聯(lián)系統(tǒng)采集多維度生產(chǎn)數(shù)據(jù)，使用ESOINN增量聚類算法實(shí)現(xiàn)異常實(shí)時(shí)檢測(cè)的同時(shí)進(jìn)行增量式學(xué)習(xí)，保持模型隨數(shù)據(jù)分布動(dòng)態(tài)更新。通過(guò)分析5種聚類算法的檢測(cè)準(zhǔn)確率、數(shù)據(jù)處理耗時(shí)和聚類結(jié)果的評(píng)價(jià)指標(biāo)，驗(yàn)證了ESOINN在異常檢測(cè)問(wèn)題上的適用性，并在航天機(jī)加車間應(yīng)用生產(chǎn)異常檢測(cè)系統(tǒng)，實(shí)際解決離散車間環(huán)境下的異常事件。在后續(xù)研究中可以對(duì)車間采集數(shù)據(jù)進(jìn)行特征降維，篩選出重要特征集合，降低后續(xù)檢測(cè)模型的復(fù)雜度、提高模型精度。其次可研究異常發(fā)生時(shí)采用何種決策保證生產(chǎn)的正常進(jìn)行，降低因生產(chǎn)異常造成的影響。