《离散制造产品质量智能管控技术规范》征求意见稿

3离散制造产品质量智能管控技术规范本文件提供了面对离散制造的产品质量智能管控技术规范及应用的术语和定义、数据处理、设备及人员异常检测、追溯及溯源方案等关键技术的指南。本文件适用于面对离散制造的产品质量智能管控的研究、设计、技术路线，可作为离散产品制造管控设计与研究的技术依据。2规范性引用文件本文件没有规范性引用文件。3术语和定义下列术语和定义适用于本文件。3.1传输控制协议/网际协议（TransmissionControlProtocol/InternetProtocol）能够在多个不同网络间实现信息传输的协议簇，核心协议为传输控制协议和网际协议。3.2超文本传输协议（HypertextTransferProtocol）超文本传输协议是一种用于分布式、协作式和超媒体信息系统的应用层协议。3.3可扩展标记语言（eXtensibleMarkupLanguage）标准通用标记语言的子集，具有通用性、灵活性和可扩展性的用于标记电子文件使其具有结构性的标记语言。3.4射频识别技术（RadioFrequencyIdentification）在频谱的射频部分，利用电磁耦合或感应耦合，通过各种调制和编码方案，与电子标签交互通信唯一读取电子标签身份的技术。43.5电子标签（electronictag）用于物体或物品标识、具有信息存储功能、能接收阅读器/读写器的电磁场调制信号，并返回响应信号的数据载体。注：电子标签又称为射频标签、应答器，简称标签3.6推荐标准232（RecommendedStandard232）推荐标准232是一种用于在计算机和外部设备之间进行数据传输的串行通信接口标准。3.7紫蜂协议（ZigBee）紫蜂协议是为低数据速率、短距离无线网络通信定义的一系列通信协议标准。3.8异常检测（AbnormalDetection）异常检测是一种识别和捕捉数据中不寻常或不典型模式的技术，它可以应用于许多领域，例如金融、制造业、医疗保健等，以帮助识别潜在的问题或异常情况。3.9分类模型（ClassificationModel）分类模型是指一类基于已有的异常样本和正常样本进行训练，通过学习样本中的特征和规律来判断新的数据点是否为异常。常见的模型包括基于统计学的模型、基于机器学习的模型和基于深度学习的模型。3.10回归模型（RegressionModel）回归模型是指一类使用回归模型来进行异常检测的技术，它通过学习输入特征和输出之间的关系来预测新的数据点是否为异常。常见的异常检测回归模型包括基于线性回归、局部异常因子（LOF）回归、支持向量回归（SVR）等模型。4总体设计4.1离散制造生产过程数据采集方案4.1.1设备数据采集方案（1）工业设备数据采集方案5离散制造车间中存在大量的工业设备，制定设备数据采集方案可以帮助企业实现数据驱动的生产与管理。本文件所提供的工业设备数据采集方案如图1所示。其具体流程如下：图1工业设备数据采集方案a）利用网络通信协议（如TCP/IP）将设备层与协议转换模块相连接，给每个工业设备均配备独立的协议转换模块。b）将从各个工业设备中采集到的私有协议数据输入到相应的协议转换模块，建立数学模型并统一语义规范，然后将处理过的数据输入到工业设备通信服务器并存储，为后续应用服务器的调用提供支持。c）通过应用层协议（如HTTP）客户与应用服务器进行通信，并经过交互界面向应用服务器发送指令；应用服务器寻址到对应的工业设备通信服务器，调用相应的数据并返回给客户。（2）检测设备数据采集方案除了工业设备，检测设备在离散制造车间中也占据了重要地位。本文件提供的检测设备数据采集方案如图2所示。其具体流程如下：a）根据检测设备的特点采用网络通信协议（如TCP/IP）或串行通信接口（如USB）将数据传输到检测数据采集端。6b）通过格式转换模块将其转换为统一的格式数据，使其能被标记语言（如XML）同一框架处理，为后续应用服务器的调用提供支持。c）通过应用层协议（如HTTP）客户层与应用服务器进行交互，实现与工业设备数据采集方案接口的统一。图2检测设备数据采集方案4.1.2物料数据采集方案在新信息技术的发展过程中，射频识别（RFID）技术因具有良好的性能被广泛应用到车间数据采集中。本文件提供的物料数据采集方案如图3所示。其具体流程如下：（1）设备层包括仓储货架、AGV小车、各门类物料、自动堆垛机以及RFID标签等物料资源相关设备。（2）感知层内含有RFID读写器、条码扫描仪等智能感知设备，负责识别设备层的物料资源、传输射频识别数据到通信层并将通信层指令数据写入RFID卡内；其中感知层通过串行通信接口（如RS-232）与通信层相连接。主副模块分别完成对数据的读写操作以及对RFID的识别。7（4）服务层包括数据库服务器、RFID中间件服务器、企业物料管理系统、交换机等组件，其中数据库服务器负责存储和管理物料资源的相关数据，RFID中间件服务器负责处理RFID数据，交换机则用于将各个组件进行互联并形成车间局域网。图3物料数据采集方案4.1.3产品数据采集方案离散制造车间加工过程关键工艺（装调）人工加工方式居多，质量的控制保证更依赖于质量体系的贯彻保证，制定产品质量数据采集方案可以帮助企业实现质量的持续改进、优化生产流程、降低质量风险。本文件提供的产品质量数据采集方案如图4所示。其具体流程如下1）采用条码扫描、RFID、机器视觉等技术获取工序零部件信息。（2）利用数字化检测设备获取零部件的生产过程数据和质量检验数据。实时监测零部件生产过程中各个工序节点的质量控制状态并进行在线统计分析。（3）将质量数据与工序零部件信息进行关联，之后通过工业网络将生产过程质量信息传输至质量数据库中，为后续产品质量优化和溯源提供数据支撑。8图4产品质量数据采集方案4.1.4人员数据采集方案离散制造车间内人员复杂、工序与工种繁多、行为不规范、操作流程错乱等都易引发安全事故，降低生产效率，给实际生产带来巨大损失。制定人员数据采集方案，可以提高企业生产效率、优化企业管理、确保企业生产安全。本文件提供的人员数据采集方案如图5所示。其具体流程如下：（1）前端视频数据采集部分：通过网络摄像机实现对各个监控区域的图像采集。（2）视频数据传输部分：通过VGA线、光纤、网线、网络交换机等设备组成转发视频图像数据的传输网络，并通过传输网络将图像数据从前端监控设备传送到后端监控中心进行视频显示和存储。（3）后端视频监控中心部分：视频监控中心是将前端采集的视频图像信息通过软件解码，转化为图像信号传送到监视器上，形成直观图像信息并且显示出来，同时对视频信息按照存储策略进行存储。9图5人员数据采集方案4.2离散制造生产过程数据分析与可视化方案4.2.1离散制造车间数据分析方案离散制造车间中，产品型号众多，工艺路线灵活多变，各类生产要素繁多，通过对离散制造车间内生产要素产生的多源异构数据进行整合存储、融合分析和可视化展示，可以为车间管理者做出科学决策提供数据支撑。（1）离散制造车间数据离散制造车间数据具有实时性与海量性、强时空关联性、多源异构性、不完备性等特点。离散制造车间主要数据如图6所示。（2）离散制造车间数据分析方案a）数据建模针对离散制造车间数据所具有的时空特性，采用数据时空建模的方法，从不同维度描述数据中的对象属性、时间和空间信息等，如表1所示。图6离散制造车间主要数据表1维度属性维度空间维度信息功能描述在车间中的空间位置时间维度信息反应生产要素发生变化的先后顺序属性维度信息描述基本信息和状态变化b）数据分析首先，对数据进行预处理，即采用数据过滤、噪声清洗等方法将容量大、价值密度低的制造过程数据转化为生产过程分析可用的数据集。然后，为解决数据的不同量纲问题，采用归一化的方式将数据统一区间缩放，以满足后续数据分析任务的要求。最后，利用特征提取、时序挖掘、回归预测、强化学习等方法从制造大数据中学习有价值的信息，获取生产过程中的潜在规律，实现智能化的生产过程管控。4.2.2离散制造车间数据可视化方案（1）采用时空数据模型切片的方法，在统一时间维度下统计空间中不同制造单元的制造要素状态；在不同时间维度下统计空间中相同制造单元的制造要素状态。实现对制造要素状态在时间和空间维度上的灵活统计和分析。（2）在车间数据可视化界面中，使用折线图、直方图、环形图等可视化方式来展示不同制造要素的状态变化情况。表2列出了几种常见情形生产数据的可视化方式，其可使车间生产人员可以直观地了解车间中不同制造要素状态的变化趋势，实现车间生产状态的实时监测和有效管控。表2不同制造要素统计结果可视化方式功能使用图表类型人员缺勤情况、加工质量统计折线图各工位加工数量、机床主轴转速直方图加工合格率、设备加工合格率、零件质量问题分布、设备状态分布环形图故障统计分析、各工位加工时间统计表设备运行效率、设备加工状态柱形图在制品走势、设备加工零件状况带平滑线的散点图4.3设备故障检测与预测性维护4.3.1设备异常检测方法及处理方案如果能在工业过程运行的可控范围内及时发现故障，尤其是尽早检测出早期、微小故障，进行故障辨识和溯源，从而通过控制手段进行调控，降低异常事件的发生。本文件所提供的设备异常检测流程如图7所示，具体流程如下：A）数据收集：收集设备的实时运行数据，如传感器数据、状态数据、日志数据等信息，具体方法可参见4.1节。图7设备异常故障检测流程B）数据预处理：对收集到的数据进行预处理，如数据清洗、数据转换、数据可视化等操作，其有助于减少数据噪声、提高数据质量和降低计算成本。具体方法可参见4.2节。C）模型训练：利用支持向量机、卷积神经网络、最近邻等机器学习方法，对预处理后的数据进行训练与分析，建立设备异常检测模型。D）故障检测：利用设备异常检测模型，对生产设备的运行数据进行实时分析，监测设备的运行状态，识别出现的异常。在离散制造车间中，存在多种异常检测技术可供选择，具体的选择应根据场景和设备而定。截止目前，面对离散制造车间生产过程中出现的设备异常问题，针对检测模型构建方法的不同，可分为基于距离度量、基于密度估计、基于聚类等不同类型的检测方案。本文件所提供的部分设备异常检测方案具体如表3所示，具体方案如下：表3部分设备异常检测方案检测方案代表性检测方法检测标准基于距离度量的检测方案K近邻规则分类K近邻平均距离>阈值K均值聚类距离簇中心点距离>阈值基于密度估计的检测方案局部离群因子局部离群因子值>阈值基于聚类的检测方案噪点空间聚类与任何核心对象的距离>阈值基于决策树的检测方案孤立森林异常得分>阈值基于线性模型的检测方案主成分分析空间在所有方向上偏差程一类支持向量机评分函数的值>阈值基于神经网络的检测方案重建样本和原始样本的误生成对抗网络数据点的相似度或距离>阈值由于不同的设备故障具有不同的形成原因和表现形式，因此可针对具体的故障情况采用相应的解决方案。本文件所提供的设备异常情况与解决方案如表4所示，具体方案如下：表4设备异常解决方案常见设备异常情况解决方案设备过载可以通过升级设备、优化工作流程、调整工作负载等措施来避免设备过载；可以使用传感器监测设备负载情况，并根据负载情况调整设备的工作状态等等。机械故障可以通过定期保养、更换易损件、使用高质量的机械部件等措施来避免机械故障；可以使用传感器监测机械部件的磨损情况，并及时进行维护等等。电气故障可以通过定期检修、更换老化电线、使用高质量的电气部件等措施来避免故障；可以使用传感器监测电气部件的电流电压情况，并及时进行维护等等。传感器故障可以通过定期校准传感器、使用高质量的传感器部件、及时更换失效的传感器等措施来避免传感器故障；可以使用多个传感器对同一参数进行监测，以提高监测的准确性和可靠性等控制系统故障可以通过定期更新软件、备份程序、使用高质量的控制系统部件等措施来避免控制系统故障；可以使用传感器监测控制系统的状态，并及时进行维护等等。环境因素故障可以通过优化车间环境、加装环境监测设备等措施来避免环境因素故障；可以使用传感器监测环境条件，并根据监测结果进行调整等等。4.3.2人员行为异常检测方法及处理方案对于离散制造车间场所，人员行为异常操作问题至关重要，不仅会导致生产过程异常及生产产品瑕疵等问题，还会引起危险活动的发生，进行异常辨识和溯源，从而通过控制手段进行调控，降低异常事件的发生，保障区域安全。本文件所提供的人员行为异常检测流程如图8所示，具体流程如下：图8人员行为异常检测流程A）数据收集：收集人员视频的实时行为数据，如传感器数据、摄像头数据等信息，具体方法可参见4.1节。B）数据预处理：对收集到的数据进行预处理，如数据清洗、数据转换、数据可视化等操作，其有助于减少数据噪声、提高数据质量和降低计算成本。具体方法可参见4.2节。C）模型训练：利用自编码器、生成对抗网络等机器学习方法，对预处理后的数据进行训练与分析，建立人员行为异常检测模型。D）行为异常检测：利用人员行为异常检测模型，对操作人员的行为数据进行实时分析，监测人员的行为状态，识别出现的异常。在离散制造生产过程中，人员行为异常是导致生产异常的主要原因之一。针对不同的人员行为异常，可采取相应的解决方案。本文件所提供的人员行为异常解决方案如表5所示，具体方案如下：表5人员行为异常解决方案常见异常问题解决方案操作失误定期对操作人员进行技能培训和安全教育，提高其操作技能和安全意识，制定操作规程和安全操作程序，加强对操作人员的管理，确保其遵守规章制度和操作程序等等。违规操作采用监控设备对操作人员的操作行为进行监控，并及时反馈给操作人员，发现违规操作及时进行纠正和处理。忽略安全操作为操作人员提供必要的安全设备和防护措施，例如安全带、安全帽、防护眼镜等，提高工作场所的安全性。违反生产计划制定明确的生产计划和生产任务，规范生产顺序和生产流程，确保生产任务的按时完成和质量保证。舞弊行为建立生产数据监控和反馈机制，加强对生产数据的审计和检查，防范舞弊行为的发生。4.3.3设备预测性维护方法及处理方案设备运行时，对设备进行周期性、连续性的状态检测和故障诊断活动，判断设备当前的运行状态，并预测设备的未来状态，制定预测性维护计划，确定设备的维护时间、内容、方式、方法、技术和物资，通过上述预测性维护方法，可以提高设备的可靠性和安全性，减少设备故障和停机时间，提高生产效率和产品质量。预测性维护流程包括数据采集和处理、健康度预测、维护管理与执行阶段。本文件所提供的预测性维护流程如图9所示，其具体流程如下：图9预测性维护流程图对于设备健康度的预测，通常包括训练和预测两个阶段。本文件所提供的健康度预测流程如图10所示。其具体流程如下：图10健康度预测流程图A）模型训练：利用数据进行训练与分析，建立预测模型。B）健康度预测：利用预测模型，对生产设备的特征数据进行实时分析，监测设备的运行状态，判断设备未来的变化趋势，提前预测故障可能发生的趋势和未来设备的健康度。在维护管理与执行阶段，需要根据设备的健康度预测结果，制定维护计划并执行维护操作。本文件所提供的设备维护流程如图11所示，其具体流程如下：图11设备维护流程图A）制定维护计划：根据健康度预测结果，将预测结果与离散制造车间设备执行管理进行结合，制定维护的策略。B）实施维护操作：根据维护计划，监控计划的操作执行。C）记录维护过程：根据维护操作，记录维护的实施过程。D）评估维护效果：根据维护记录，如果维护效果不理想，通过维护记录数据的累加不断地迭代升级维护策略，以提高维护效果。预测性维护流程是一个长期的过程，需要不断监测设备的运行情况和趋势，并进行数据分析和模型调整。此外，还需要与设备运维团队和维护供应商紧密合作，以确保维护计划的有效性和执行效果，并不断优化预测性维护流程。4.4产品质量分析与处理4.4.1产品质量分析与优化方案在离散制造生产过程中，如何从大量的生产数据中发现各个环节的有效组合模式、筛选出最佳的生产工艺标准，是提高生产效率和产品质量方面面临的关键挑战之一。通过对影响产品质量的相关数据分析，能够实现对生产全过程的监控和优化，并发现和解决潜在的问题和隐患。本文件所提供的方案从四个方面对影响产品质量的相关数据进行分析，具体如下：（1）原材料的成分数据分析：对原材料进行采样检测，获得物理性质检测和化学性质等，利用检测数据建立一个数据分析模型，从而获得影响产品质量的原材料成分因素。（2）设备的状态数据分析：利用传感器或维修记录等收集设备的状态数据，从而建立一个数据分析模型，通过模型对数据进行分析找到影响产品质量的设备状态因素。（3）生产过程的环境数据分析：通过监测环境传感器获得生产过程的环境数据，建立对应的数据分析模型，利用模型得到影响产品质量的生产过程环境因素。（4）操作人员的技术数据分析：对操作人员进行技术评估从而获取操作人员的技术数据，根据技术数据建立一个数据分析模型，得出影响产品质量的操作人员技术因素。通过上述数据分析找到影响产品质量和生产效率的关键因素，具体的数据分析方法可参见4.2节。由于不同的影响因素具有不同的形成原因和表现形式，因此可针对具体的影响因素采用相应的优化方案。本文件所提供的优化方案如表6所示，具体方案如下：表6优化方案常见关键影响因素优化方案材料质量制定严格的原材料采购标准，如原材料的检测标准、供应商的资质要求等，以确保原材料的质量符合要求，建立完善的原材料检测机制，对进货的原材料进行全面的检测，包括物理性质、化学成分等方面的检测。生产设备制定维护保养计划，定期对设备进行检查、清洁和维护保养，及时发现并修复设备故障，预防设备故障的发生，降低维修成本和设备故障率。生产过程找出可能导致缺陷产生的因素，采取相应的措施，如优化工艺流程、改进生产设备等，降低缺陷产生率，提高产品质量。