基于大数据的汽配生产过程制造物联网系统设计与研究

1、基于大数据的汽配生产过程制造物联网 系统设计与研究广东工业大学摘要：汽车零配件生产制造过程，具有多品种、工序繁多、现场实时信息反馈要求高以 及质量控制严格等特点，为提高制造过程实时可视化监控、生产过程产品质量监 管和全程追溯定位，构建大数据环境下的汽配生产过程制造物联网系统，并对 系统架构设计、实现与分析。该系统实现对海量数据采集与管理，以质量预测为 关注点，对海量多源异构的工业大数据进行处理分析，利用广义冋归神经网络 算法对产品质量数据直接建模、进行回归预测研究。实验表明:其预测值与实测 值相接近，该系统在生产过程中具有实际应用意义。关键词：大数据;制造物联网;广义冋归神经网络;预测模型;收

2、稿日期：2017. 8.1基金：智能制造物联网的数据感知、传输和海量数据处理，国家基金广东省联合 基金重点项目(u1201251)m-iot system for auto partsproduction process based on big dataabstract：in order to improve the real-time visualization of the manufacturing process, the product quality supervision and the whole process retrospectively locate the larg

3、e data environment. under the production process of eiuto parts net work sys tem, and the sys tem arch itccturc design, implementation and analysis. the system realizes the collection and management of massive data, takes the quality forecast as the point of v i ew, analyzes the massive large and he

4、terogeneous in dustrial large data, and uses the general i zed regression n eural net work al gori thm to model the product quality data directly and carry out the regression prediction research.keyword：big data; manu fac ture in ter net of t hings; gen eralwed regression neural network (grnn) ; for

5、ccast model;received： 2017. 8. 1对于汽车零配件离散制造生产过程来说，其工艺复杂、工序繁多、对生产过程各 个工序环节难以精确控制与管理，各牛产工序之间通常有较大脱节，这些造成 生产效率较低，劳动力成本较高，产品合格率偏低等问题。而日益增长的海量、 多源、异构复杂的产品质量数据中往往隐藏着重要的知识和信息。以产品质量状 态为关注点，构建一个能够存储和管理制造过程中的海量异构数据，并以此基 于大数据挖掘分析平台，对生产全流程进行监控追踪、数据分析处理，预测产品 质量，发现产品质量异常，调节制造过程控制，改进牛产环节1。本文针对整个气门制造过程具有多品种变批量混线生产、

6、工装种类繁多、生产工 艺过程复杂、现场实时信息反馈要求高以及质量控制严格的特点，构建基于大数 据的汽车零配件生产全流程制造物联网系统，该系统可以通过rf1d、传感器等 采集产品制造过程中实时产品工艺参数、质量数据等及1；并存储于数据仓库中， 采用分布式计算框架对这些海量数据进行处理分析，预测产品质量。1系统设计某汽车零配件生产的产甜种类繁多、工序复杂、设备多样化、首次质检（首检）要 求不一，在系统中建立与工艺要求所对应的首检标准库，其中质检要求可能随 时根据订单需求进行修改;再根据首检标准库对实际首检结果进行相关信息统计 分析，包括首检合格率，首检项目完成率等。但由于首检结果数据数据量大，容

7、易影响相关事务的处理。因此需要对首检标准进行维护，并采用行z有效的方法 进行相关信息的统计分析。该系统完成后的优势有:可以在不影响与首检相关业务的情况下，建立首检结果 数据仓库并根据用户需求产生所需统计报表，便于管理人员对生产过程进行监 控。1.1系统总体架构构建基于大数据的汽车零配件生产全流程制造物联网系统，可准确获取生产全 流程监控情况，为大数据分析平台提供可靠数据来源。该系统通过一种在线实 时、数据自动采集的方式，实现对牛产过程监管、跟踪及定位，可为其产品质量 预测提供的数据支撑。汽配生产过程制造物联网系统包含三个层次:数据的感知、传输以及处理，具体为信息感知层、网络传输层及应用服务层固

8、。该体系结构 如图1所示。应用层传输层感知层制進过程监控/协同耳联网生产任务动态调度匸业以太网i业现场总线©员工托徵 *rf1d标签 ）传感器物图1大数据下的汽配牛产过程制造物联网系统体系结构 下载原图1. 2系统功能对于本系统的实际业务需求，系统功能主要分为三大管理功能屮包含五个子模 块:单个添加工艺需求、批量添加工艺需求、处理工艺添加错课、查询或修改工 艺需求、质检数据统计分析，其功能模块如图2所示。首检标准管理:单个添加工艺需求，工艺室将市场部的工艺需求逐一入库，包括 工装种类、工序信息、设备信息、首检项目、首检标准值、首检测量频次，如果 有些首检不存在的情况，通过首检录入界面

9、单独录入;批量添加工艺需求，工艺室将市场部的工艺需求按事前标准化格式整理为excel等类型的文件，上传至 系统，系统自动将文件所有的工艺需求逐个入库；处理工艺添加错误，在进行批 量添加工艺需求吋，由于首检标准中缺乏首检信息，可能会存在一-些工艺需求 无法添加入库的情况，这些错误是少部分的情况，进行手动处理。检测时间生产机器、 首检人员)w始检测ffil首检项目管理:涉及查询或修改工艺需求，系统允许用户对先前入库的工艺要求 进行查询和修改。质量管理:质检数据统计和分析，根据用户订单需求（如某个时间段范围内的质 检数据、某个产品的质检数据）对指定质检数据进行统计分析，生产质检数据统 计报告和明细信

10、息。2关键技术研究2.1大数据在汽配生产过程制造物联网中的应用目前，通过以往制造经验的积累、工业物联网的布置、智能设备的连接、云计算 的串联构建制造物联网生态体系初步成型。以某汽车零配件生产全流程制造过程 的应用为例，通过车间配套的rfid等在线实时、数据自动采集的方式，其中包 括工序、工艺状态、产品实时质量指标等。对产品数据的积累分析形成有用的小 数据，以产品质量为关注点，进行生产产品的质量预测分析研究。将转变从定制 生产到订单生产的新形态转变，大幅度增加精准制造，提升整个制造生产车间 全链条，使产品生命周期往网络化、数字化、智慧化方向发展4。大数据在汽配生产过程制造物联网中的应用将会与传统

11、的制造业有很大的不同, 主要体现出大数据特有的属性：实时传输性:在汽配生产制造全流程中，利用大数据技术进行在线实时计算处理 海量多源异构数据；）工序1厂工序2 j工序3 ）工序n ）dm a sou rep临时ihvpqi生产笏数 -h杵模型生产设备参数物料参数生产工艺参圾ha<loop 平台s（|0o|）导入hi'j映射v昌数据清洗 <map图3总体研究路线图下载原图 高效存储性:搭建高效处理海量数据的存储架构平台，实现存储、备份、归档和 分析的所有功能，完成对数据的管理，并提供开放的分析接口； 挖掘预测性:对产品的生产工序、检验项口和工艺需求进行基于关联规则的数据 挖掘

12、分析，研究生产工序组合、检验项目等指标与工艺需求之间的关系。并依据数据类型和产品指标等特征进行产品质量分析，可以快速高效从海量数据中挖 掘生产工序中内在关联规则。总体研究路线如图3所示。2.2大数据平台设计与实现系统的开发环境:系统硬件：4台服务器;系统软件:cdi15.7 （iladoop. ilivc等组 件）；系统操作系统:cent os 6.8、windows 7以上;数据库:hbase、my sql;后 台：spring boot;前端：boot strap。木系统采用b/s架构，针对生产制造过程的评审业务流程使用spring boot框架 进行服务器端开发，在用户的操作交互界面采用

13、boot strap前端框架进行开发, 通过用于与前端的系统交互接收用户操作数据，在后台进行处理后完成对首检 标准库的维护以及数据统计分析，并导出报表。其中，在数据采集层采用rfid终端进行数据采集，将数据传输到数据仓库层， 并采用hive等etl工具进行数据清洗，在操作完成后进行持久化存储，其数据 分别保存至非关系型数据库hbase和hdfs文件中。随后数据分析处理层中数据 分析处理模块会从数据仓库中进行数据获取，并采用以hadoop为核心的数据处 理计算框架map reduce进行首检结果数据的统计分析，在完成数据的处理分析 后会将处理结果保存到中间结果存储层中的my sql数据库和非关系

14、型数据库 hbase。该系统主要核心功能有:首检标准库的建立与维护、首检结果数据统计分析等。 其对应系统功能分别为：（1）单个工艺要求添加入库:单个首检标准的添加，在 首检项目不存在的情况下允许添加首检项目；（2）工艺要求批量添加入库：多个 工艺要求文件上传到系统中自动添加入库；（3）质检结果分析:根据需求向服务 器定制之间结果统计要求；（4）质检结果报表导岀：查询并获取质检分析结果报 表。2.3基于广义回归神经网络算法的产品质量预测 1991年，美国学者specht固提出广义回归神经网络（grnn）,结合数量统计理 论，建立在非线性回归基础上，采用parzcn非参数估计，求岀输入和输出变量

15、之间的概率密度函数，得到响应变量的预测值回。通过现有牛产产品质量数据木身进行建模来实现对产品质量数据的预测分析。木 文采用基于grnn算法进行产品质量预测，直接依据现有的产品质量相关数据样 本进行神经网络模型的训练，并将当前的产品质量数据作为输入模型，对正在 进行生产中的产品或将要产出的产品进行质量的回归预测6-7 o编号预测输出实际数据预测误差1115. 32115. 30-0. 022115. 34115. 32-0. 023115. 29115. 300.014115.31115. 30-0.015115. 34115. 32-0. 026115. 35115.350. 007115.

16、28115. 280. 008115. 34115. 33-0.019115.31115.310. 0010115. 32115.31-0.01为验证上述的grnn模型有效性，以“盘外圆直径”为一质量指标作分析，其屮 半径端而、精车盘部、粗车盘端、精车盘端为这一指标的主要工序。用matlab 2013a编写程序，输入层为工序中产品质量检测样本数据，经过光滑因子优化 等网络训练后，并将预测值与真实值对比，计算误差值，并对结果进一步研究。115.4115.35115.3卫曲4tlts.32 32rrs.3十覇115.35j 甘5 32、尼 153tvrflasrs- c115.3mb.29-ed1

17、5.2e115.25图4 grnn算法回归预测与实际数据对比示意图 下载原图 以上分析可以得岀，本文以生产工序误差角度为岀发点，基于grnn的产品质量 预测值基木接近于实际值。其中，直接利用样木质量数据进行grnn方法进行模 型训练吋，不会受到多步骤的处理过程中产生相应的系统处理误差等因素干扰, 只受grnn本身影响。另外，其预测结果与模型的训练样本数据相关，当样本数 据较少时仍能进行产品质量预测，对于不稳定数据，仍可进行处理。并且，随着 样木数据的增多，其预测精度会得到提高。3结束语根据生产流程中所涉及的功能逐个测试，系统运行稳定，口后期业务可维护、易 扩展。制造物联网、大数据技术有效地解决

18、了海量数据的收集、存储、计算、分 析，以及汽配生产制造过程中监管、产品质量回溯、定位跟踪等问题，并通过气 门制造全过程整体优化进行全面信息化提升，实现气门制造过程实时可视化监 控、信息化管理、全流程优化调度控制、牛产过程产品质量信息监控和全程追溯 以及汽车零配件供应链管理。同吋也为制造业信息化建设提供了良好的技术支 撑。参考文献1 h yang, m park, i cho, et al. a system architecture for manufacturing process analysis based on big data and process mining techniquesc 2014 ieee in ter nati onal conf ere nee on big data (big data) , washington, dc, 2014:1024-10292 曹伟，江平宇，江开勇，等基于rfid技术的离散制造车间实时数据采集与 可视化监控方法j 计算机集成制造系统，2017 (2) : 273-2843 张映锋，赵曦滨，孙树栋，等一种基于物联技术的制造执行系统实现方法 与关键技术j 计算机集成制造系统，2012 (12