CN110879820A - 工业数据处理方法、装置 - Google Patents

Abstract

本发明实施例提供一种工业数据处理方法、装置，通过采集至少一部分生产工序产生的工业数据；根据采集的各个工业数据的工序时间关联各个工业数据；对时间关联后的各个工业数据进行异常检测，通过有效的数据处理技术，将离散的生产流程拼接，通过生产全链路的分析，达到快速定位问题。

Description

工业数据处理方法、装置

技术领域

本发明涉及大数据挖掘技术领域，尤其涉及一种工业数据处理方法、装置。

背景技术

目前，工业数据普遍存在数据缺失、离散生产的问题，给生产全流程分析造成了很大的困难，一旦出现工业产品的品质异常，排查异常耗时较久。例如，太阳能电池片生产属于典型的流程制造，生产工艺复杂，主要生产环节包括制绒、扩散、后清洗、PECVD、丝网印刷、烧结、测试和分选。整个流程对温度、湿度、浓度、压力、速度、电压等变化异常敏感。过程贯穿化学腐蚀、充斥着各种化学变化与物理变化，任意一个变量以及变量间关系的微妙变化，都会对生产结果造成很大影响。因此，在电池片的生产制造过程中，由于实际生产中状况复杂，离散生产导致数据不连续，对生产全流程分析造成了很大的困难。

发明内容

为了解决上述问题，本发明提供一种工业数据处理方法、装置，通过有效的数据处理技术，将离散的生产流程拼接，通过生产全链路的分析，达到快速定位问题。

本发明实施例提供一种工业数据处理方法，包括：

采集至少一部分生产工序产生的工业数据；

根据所述采集的各工业数据的工序时间关联各工业数据；

对时间关联后的各工业数据进行异常检测。

可选地，所述根据所述采集的各工业数据的工序时间关联各工业数据之后还包括：

根据数据特征模型，分析所述时间关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数。

可选地，所述的方法还包括：

根据用户配置选项，选取与所述用户配置选项对应的生产工序；

根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；

根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；

对调整工艺参数后的所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控。

可选地，所述的方法还包括：

根据预设的评价标准结合专家经验，对所述跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

可选地，所述采集的工业数据包括但不限于设备参数日志数据、工艺抽检数据以及质量检测数据。

可选地，所述数据特征模型包括为了优化生产而设置的各个生产工序的工序特征、设备参数特征、生产因素特征、工艺参数特征以及工业数据特征。

可选地，对时间关联后的各个工业数据进行异常检测，包括：

根据上述数据特征模型中的各工业数据特征，对上述时间关联后的各个工业数据进行特征分析，将特征分析结果与数据特征模型中的工业数据特征进行匹配，若确定不匹配，则将该不匹配的工业数据确定为异常的工业数据。

本申请还提供一种工业数据处理装置，包括：

采集模块，用于采集所述采集的各生产工序产生的工业数据；

关联模块，用于根据所述采集的各工业数据的工序时间关联各工业数据；

检测模块，用于对时间关联后的各工业数据进行异常检测。

可选地，所述的装置还包括：

分析模块，用于根据数据特征模型，分析所述关联模块关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数。

可选地，所述的装置还包括：

配置模块，用于根据用户配置选项，选取与所述用户配置选项对应的生产工序；

监控模块，用于根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；根据调整后工艺参数对所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控。

可选地，所述的装置还包括：

评价模块，用于根据预设的评价标准结合专家经验，对所述监控模块跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

本申请实施例通过采集至少一部分的生产工序产生的工业数据；根据各个工业数据的工序时间关联各个工业数据；对时间关联后的各个工业数据进行异常检测，通过有效的数据处理技术，将离散的生产流程拼接，通过生产全链路的分析，达到快速定位问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的工业数据处理方法的流程示意图；

图2为本发明另一实施例提供的工业数据处理方法的流程示意图；

图3为本发明实施例电池片大数据分析系统的架构图；

图4为本发明实施例电池片大数据分析系统的流程架构图；

图5所示为本发明实施例采用的一种工艺提升平台推荐工艺参数的示意图；

图6为本发明实施例采用的一种时间关联示意图；

图7所示本发明实施例采用的一种生产监控平台重点监控指标的示意图；

图8为本发明一实施例提供的工业数据处理装置的结构示意图；

图9为本发明一实施例提供的服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

现有技术的缺点：影响电池片生产质量的变量达上千个，无法逐一进行变量验证，无法同时进行多变量分析，周期久，而生产环境可能随时间迅速改变，难以形成稳定有效的工艺方案。

图1为本发明一实施例提供的工业数据处理方法的流程示意图，如图1所示：

101、采集至少一部分生产工序产生的工业数据；

可选地，可以采集核心生产工序产生的工业数据，其中，工业数据具体包括但是不限于下述数据：设备参数日志数据、工艺抽检数据以及质量检测数据。

102、根据采集的各工业数据的工序时间关联各工业数据；

为了将离散的生产流程拼接，通过生产全链路的分析，达到快速定位问题的目的，本申请需要将采集的各个生产工序产生的工业数据按照工序时间关联各个工业数据。

103、对时间关联后的各工业数据进行异常检测。

为了提高并保证工业产品的质量，优化工业生产的工艺，本发明实施例采用大数据挖掘技术，对工业生产中产生的大量的工业数据进行数据挖掘和分析，根据分析结果构建数据特征模型，其中，数据特征模型包括但不限于各个生产工序的工序特征、设备参数特征、生产因素特征、工艺参数特征以及工业数据特征。

在一种可选的实施方式中，对时间关联后的各个工业数据进行异常检测，包括：

根据上述数据特征模型中的各工业数据特征，对上述时间关联后的各个工业数据进行特征分析，将特征分析结果与数据特征模型中的工业数据特征进行匹配，若确定不匹配，则将该不匹配的工业数据确定为异常的工业数据。举例来说，通过对采集的设备参数日志数据进行分析得到实际生产中的设备参数为30，而数据特征模型中的设备参数特征为大于20小于25之间的数值，显然，实际生产中的设备参数与数据特征模型中的设备参数特征不匹配，则可以将该实际生产中的设备参数确定为异常数据。

因此，本申请实施例可以通过采集至少一部分生产工序(如重要的生产工序)产生的工业数据；根据各个工业数据的工序时间关联各个工业数据；对时间关联后的各个工业数据进行异常检测，从而实现可以通过有效的数据处理技术，将离散的生产流程拼接，通过生产全链路的分析，达到快速定位问题。

图2为本发明另一实施例提供的工业数据处理方法的流程示意图，如图2所示：

201、采集至少一部分生产工序产生的工业数据；

202、根据采集的各个工业数据的工序时间关联各个工业数据；

203、根据数据特征模型，分析所述时间关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数；

由于本发明实施例构建的数据特征模型包括但不限于各个生产工序的工序特征、设备参数特征、生产因素特征、工艺参数特征以及工业数据特征。因此，可以分析上述时间关联后的各个工业数据，通过与数据特征模型中的个数据特征进行匹配，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素(可以是关键生产因素)，并推荐各个生产工序对应的工艺参数。

需要说明的是，数据特征模型中的工艺参数特征是为了提高并保证工业产品的质量和优化工业生产的工艺的目的，通过大数据挖掘技术而得到的最佳工艺参数，因此，可以根据数据特征模型中的工艺参数特征，推荐与各个生产工序对应的工艺参数。

204、根据用户配置选项，选取与所述用户配置选项对应的生产工序；

例如，用户可以选取生产制造工序或选取数据分析展示的范围或者选取特定的车间产线等配置选项选择自身关注的生产工序。

205、根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；

由于本发明实施例构建的数据特征模型包括但不限于各个生产工序的工序特征、设备参数特征、生产因素特征、工艺参数特征以及工业数据特征。因此，可以根据选取的生产工序，确定步骤203中与该选取的生产工序对应的生产因素和推荐的工艺参数。

206、根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；

本发明实施例中，将生产监控平台与工艺提升平台打通，工艺提升平台挖掘的关键生产因素和推荐的工艺参数加入生产监控平台进行重点跟踪，实时跟进重点指标变化趋势。

207、根据调整后工艺参数对所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控。

208、根据预设的评价标准结合专家经验，对所述跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

其中，评价标准例如可以包括命中率、准确率等分析指标；专家经验例如可以包括工艺专家、生产专家的经验；其中，评价结果可以通过数据可视化方法进行呈现。

本发明实施例通过有效的时间关联方法，实现了离散生产过程的连接，可以跳出局部而从全局分析影响生产的各种因素；同时将生产监控平台与工艺提升平台打通，工艺提升平台挖掘的关键因素加入生产监控平台进行重点跟踪，实时跟进重点指标变化趋势；同时在评价层，除了传统模型的评判标准(如准确率等)，加入工艺生产专家的经验判断，对数据挖掘结果进一步可行性判断。

下面以电池片大数据分析平台为例对本发明的工业数据处理方法的具体实现进行详细的说明。

图3为本发明实施例电池片大数据分析系统的架构图，如图3所示，电池片大数据生产系统主要包含以下两个模块：

1.生产监控模块：

通过时序分析、异常点检测，用于实时进行设备利用率、稳定性分析，通过BI报表对重要指标进行实时监控预警(重要指标，一方面来源于生产工艺重点关注指标(工艺抽检指标、效率指标)，另一方面来源于算法产出的关键因素)。

2.工艺提升模块：

提出了一种有效的基于时间的离散生产过程数据处理技术，实现了生产链路的多源数据关联，在此基础上，应用算法模型实现工艺参数推荐，同时加入工艺专家的经验，对推荐参数进行判别和反馈。

图4为本发明实施例电池片大数据分析系统的流程架构图，如图4所示：

电池片大数据分析平台主要包含数据层，预处理层，模型特征层，配置层，评价层和应用层。各层功能介绍：

(1)数据层采集设备参数日志数据、工艺抽检数据以及质量检测数据。考虑设备日志数据采集成本，优先采集核心生产环节设备数据。

(2)预处理层对数据进行去噪声、降维处理，按照时间关联各个工序的工业产数据，重点按照时间关联各个工序的设备参数信息。

(3)模型特征层针对生产过程的时序数据，基于时序数据的聚类、异常检测，以及使用XGBOOST，随机森林等模型进行关键因素识别、工艺参数推荐等。其中，图5所示为本发明实施例采用的一种工艺提升平台推荐工艺参数的示意图。

(4)配置层提供给用户配置选项，可配置自身关注的生产制造工序，选取数据分析展示的范围，以及选取特定的车间产线。

(5)评价层对模型输出结果进行评价，一方面基于模型的命中率、准确率等分析指标，另一方面，引入工艺专家、生产专家经验辅助判别筛选。

(6)应用层基于已有设备智能检测分析以及生产工艺优化结果，通过数据可视化方法进行呈现。

其中，上述预处理层对离散的工业数据关联：

本发明对工业数据分析不依赖于MES系统记录的批次过站信息进行数据关联，因为MES系统依赖于工人手工记录，从而存在大量的数据缺失与异常，数据质量较差。图6为本发明实施例采用的一种时间关联示意图，其中，Δt₁＞Δt₂＞Δt₃＞Δt₄＞Δt₅＞Δt₆，选择使用设备时间进行关联，同时考虑生产的各个工序衔接过程有时间延迟，所以依工序从后到前选择更大的时间粒度来保证数据可靠性。

其中，上述生产监控模块与工艺提升模块联动：

将工艺提升模块中算法输出的重要生产因素与工艺专家经验相结合，加入重点监控的指标，例如，图7所示本发明实施例采用的一种生产监控平台重点监控指标的示意图；通过数据可视化方式实时呈现并可以设置阈值的提醒功能，从而可以实时监控整个生产过程中。例如，设置某个工业数据的阈值而实际采集的该工业数据超过阈值时提醒该工业数据为异常数据。

图8为本发明一实施例提供的工业数据处理装置的结构示意图，如图8所示：

采集模块，用于采集至少一部分生产工序产生的工业数据；

关联模块，用于根据采集的各个工业数据的工序时间关联各个工业数据；

检测模块，用于对时间关联后的各个工业数据进行异常检测。

可选地，所述的装置还包括：

分析模块，用于根据数据特征模型，分析所述关联模块关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数。

可选地，所述的装置还包括：

配置模块，用于根据用户配置选项，选取与所述用户配置选项对应的生产工序；

监控模块，用于根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；对调整工艺参数后的所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控。

可选地，所述的装置还包括：

评价模块，用于根据预设的评价标准结合专家经验，对所述监控模块跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

可选地，采集的各个工业数据包括但不限于设备参数日志数据、工艺抽检数据以及质量检测数据。

可选地，所述数据特征模型包括为了优化生产而设置的各个生产工序的工序特征、设备参数特征、生产因素特征、工艺参数特征以及工业数据特征。

可选地，所述检测模块具体用于：根据上述数据特征模型中的各工业数据特征，对上述时间关联后的各个工业数据进行特征分析，将特征分析结果与数据特征模型中的工业数据特征进行匹配，若确定不匹配，则将该不匹配的工业数据确定为异常的工业数据。

本实施例所示装置可以执行上述图1-图2所示方法实施例，其实现原理和技术效果不再赘述。

图9为本发明一实施例提供的服务器的结构示意图，如图9所示，包括：

存储器71、处理器72以及通信组件73；

存储器72，用于存储计算机程序。存储器72可以由任何类型的易失性或非易失性存储介质或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

处理器71，与存储器72和通信组件73耦合，用于执行计算机程序，以用于：

根据采集的各工业数据的工序时间关联各个工业数据；对时间关联后的各个工业数据进行异常检测；和/或

根据数据特征模型，分析所述时间关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数；和/或

根据用户配置选项，选取与所述用户配置选项对应的生产工序；根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；根据调整后工艺参数对所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控；和/或

根据预设的评价标准结合专家经验，对所述跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

通信组件73用于：向处理器71传输采集的各个生产工序产生的工业数据；输出处理器71推荐的各个生产工序对应的工艺参数；输出处理器71的评价结果。

进一步，如图7所示，服务器还包括：显示器、电源组件、音频组件等其它组件。图7中仅示意性给出部分组件，并不意味着售后服务器只包括图7所示组件。

本实施例所示服务器可以执行上述图1-图2所示方法实施例，其实现原理和技术效果不再赘述。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被计算机执行时能够实现上述方法实施例中与服务器相关的步骤或操作，在此不再赘述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种工业数据处理方法，其特征在于，包括：

采集至少一部分生产工序产生的工业数据；

根据所述采集的各工业数据的工序时间关联所述各工业数据；

对时间关联后的各工业数据进行异常检测。

2.根据权利要求1所述的方法，其特征在于，所述根据所述采集的各工业数据的工序时间关联所述各工业数据之后还包括：

根据数据特征模型，分析所述时间关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数。

3.根据权利要求2所述的方法，其特征在于，还包括：

根据用户配置选项，选取与所述用户配置选项对应的生产工序；

根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；

根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；

根据调整后工艺参数对所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控。

4.根据权利要求3所述的方法，其特征在于，还包括：

根据预设的评价标准结合专家经验，对所述跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

5.根据权利要求1所述的方法，其特征在于，所述采集的工业数据包括但不限于设备参数日志数据、工艺抽检数据以及质量检测数据。

6.根据权利要求2所述的方法，其特征在于，所述数据特征模型包括为了优化生产而设置的各个生产工序的工序特征、设备参数特征、生产因素特征、工艺参数特征以及工业数据特征。

7.根据权利要求6所述的方法，其特征在于，对时间关联后的各工业数据进行异常检测，包括：

根据上述数据特征模型中的各工业数据特征，对上述时间关联后的各工业数据进行特征分析，将特征分析结果与数据特征模型中的工业数据特征进行匹配，若确定不匹配，则将该不匹配的工业数据确定为异常的工业数据。

8.一种工业数据处理装置，其特征在于，包括：

采集模块，用于采集至少一部分生产工序产生的工业数据；

关联模块，用于根据所述采集的各工业数据的工序时间关联各工业数据；

检测模块，用于对时间关联后的各工业数据进行异常检测。

9.根据权利要求8所述的装置，其特征在于，还包括：

分析模块，用于根据数据特征模型，分析所述关联模块关联后的各个工业数据，识别各个工业数据对应的生产工序，识别各个生产工序的生产因素，并推荐各个生产工序对应的工艺参数。

10.根据权利要求9所述的装置，其特征在于，还包括：

配置模块，用于根据用户配置选项，选取与所述用户配置选项对应的生产工序；

监控模块，用于根据所述选取的生产工序，确定与所述生产工序对应的生产因素和推荐的工艺参数；根据所述推荐的工艺参数，调整所述选取的生产工序的工艺参数；根据调整后工艺参数对所述选取的生产工序的生产因素及对应的工业数据进行跟踪监控。

11.根据权利要求10所述的装置，其特征在于，还包括：

评价模块，用于根据预设的评价标准结合专家经验，对所述监控模块跟踪监控的工业数据以及生产因素进行评价分析，并输出评价结果。

Images