基于物联网的工业制造分析研究.docx

?

?

基于物联网的工业制造分析研究

?

?

常广炎杨彬

摘要：物联网与工业制造深度融合，物联信息系统将生产中的供应、制造、销售等信息数据化、智慧化，最后达到快速、有效、个性化的产品供应。文中描述了制造业中使用数据分析的挑战，根据应用程序中的经验，提出了操作建议，并分享了首选的技术堆栈。

关键词：物联网;大数据;制造分析;工业制造;信息系统;智慧化

：TP274：A：2095-1302（2019）03-0-03

0引言

德国“工业4.0”和美国的“工业互联网”将重构世界工业布局和经济格局，给世界各国带来不同的挑战和机遇。我国国务院印发“中国制造2025”，作为实施制造强国战略第一个十年的行动纲领，将加快推动物联网技术与制造技术融合发展[1]。物联网收集有关机器操作、材料使用、设施物流等数据，带来了操作人员的透明度。这种透明性是由数据分析应用所带来的，它指的是使用统计和机器学习方法来发现不同的数据特征和模式。机器学习技术越来越多地用于各种制造应用中，如预测性维护，测试时间缩短，供应链优化和流程优化等[2-4]。企业的制造过程已由传统的“黑箱”模式逐渐向“多维度、透明化和泛在感知”模式发展[5]。

1制造分析面临的挑战

制造分析的目标是通过降低成本而不影响质量来提高生产力：

（1）减少测试时间和校准，包括预测测试结果和校准参数;

（2）提高质量，通过确定废品的根本原因和自行优化生产线来降低生产废品（坏件）的成本;

（3）降低保修成本，使用质量测试和过程数据来预测现场故障，以及跨价值流分析;

（4）提高产量，跨生产线和工厂的基准分析，提高第一次通过率，提高首过产量，并找出总体设备效率（OEE）或周期时间等性能瓶颈的原因;

（5）执行预测性维护，分析机器运行状况，确定故障的主要原因，预测部件故障以避免计划外停机。

传统的质量改进计划包括六西格玛、戴明循环、全面质量管理（TQM）和多里安·谢宁的统计工程（SE）[6]。在20世纪80年代和90年代开发的方法通常应用于少量的数据，并找到参与因素之间的单变量关系。使用MapReduce范式简化大型数据集中的数据处理及其进一步发展导致大数据分析的主流扩散[7]。随着机器学习技术的发展，大数据分析的发展提供了一系列新的工具，可应用于制造分析。这些功能包括能够在批处理和流模式下分析千兆字节的数据，能够在许多变量之间找到复杂的多元非线性关系，以及将因果关系与相关性区分开来的机器学习算法。

在生产线上生产数以百万计的零件，并为他们收集了数千个工序和质量测量的数据，这对提高质量和降低成本非常重要。实验设计（DoE），通过控制实验，反复探索数千个原因，往往太耗时，成本高昂。制造专家依靠其领域知识来检测可能影响质量的关键因素，再根据这些因素运行DoE。大数据分析和机器学习的进步使得检测关键因素能够有效地影响质量和产量。这与领域知识相结合，能够快速检测故障的根本原因。然而，在制造业中有一些独特的数据科学挑战。

（1）虚警和假阴性的不相等成本，在计算准确率时，必须认识到虚警和假阴性可能产生不相等的成本。假设一个假阴性是一个坏的部分/实例，被错误地预测为好的。另外，假设一个错误的警报是一个好的部分，被错误地预测为坏的。进一步假设所生产的部件是安全关键部件，错误地预测坏的部分是好的（假阴性），会使人的生命处于危险之中。因此，假阴性的代价可能比假警报高得多。在将业务目标转化为技术目标和候选评估方法时，需要考虑这种权衡。

（2）数据收集和可追溯性问题，数据收集问题经常发生，许多装配线缺乏“端到端的可追溯性”。换句话说，通常没有与正在生产部件和处理步骤相关联的唯一标识符。一种解决方法是使用时间戳来代替标识符。另一种情况涉及不完整的数据集。这种情况下，在预测和分析中省略不完整信息部分或实例，或者使用一些估算方法（在咨询了制造专家之后）。

（3）大量的特性，与传统的数据挖掘中的数据集不同的是在制造分析中观察到的特征可能数以千计。因此必须注意避免机器学习算法只能使用精简数据集（即具有少量特征的数据集）。

（4）多重共线性，当产品通过装配线时，在生产流程的不同站点上采取不同的测量方法。这些测量中的一些可以是高度相关的，然而许多机器学习和数据挖掘算法特性相互独立，对于提出的分析方法，应该仔细研究多重共线性问题。

（5）分类失衡问题，好的和坏的部分（或废品，即不通过质量控制测试的部分）之间存在極大的不平衡。比例范围可能从9∶1到甚至低于99000000∶1。应用标准分类技术区分好的零件和废料是困难的，因此提出了几种处理类不平衡方法，并应用于制造分析[8]。

（6）非平稳数据，由于各种因素，如供应商或运营商的变化以及机器中的校准偏差，基础制造过程可能会发生变化。因此需要应用更稳健的数据非稳态性质的方法。

（