CN112765768B - 基于物联网的离散型车间数字溯源方法 - Google Patents

基于物联网的离散型车间数字溯源方法 Download PDF

Info

Publication number
CN112765768B
CN112765768B CN202011532590.4A CN202011532590A CN112765768B CN 112765768 B CN112765768 B CN 112765768B CN 202011532590 A CN202011532590 A CN 202011532590A CN 112765768 B CN112765768 B CN 112765768B
Authority
CN
China
Prior art keywords
data
production
workpiece
quality
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011532590.4A
Other languages
English (en)
Other versions
CN112765768A (zh
Inventor
祁宇明
冯玉飞
王文
谢兵
薛强
权利红
邓茜
王帅
邓三鹏
周旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Bo Wan Robot Co ltd
Hubei Bono Robot Co ltd
Tianjin Bonuo Intelligent Creative Robotics Technology Co ltd
Original Assignee
Anhui Bo Wan Robot Co ltd
Hubei Bono Robot Co ltd
Tianjin Bonuo Intelligent Creative Robotics Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Bo Wan Robot Co ltd, Hubei Bono Robot Co ltd, Tianjin Bonuo Intelligent Creative Robotics Technology Co ltd filed Critical Anhui Bo Wan Robot Co ltd
Priority to CN202011532590.4A priority Critical patent/CN112765768B/zh
Publication of CN112765768A publication Critical patent/CN112765768A/zh
Application granted granted Critical
Publication of CN112765768B publication Critical patent/CN112765768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于物联网的离散型车间数字溯源方法，将实时采集的成品的生产数据、人员数据、质量检测数据通过4G/5G网络上传到云平台数据库中，通过主成分分析找到影响成品质量的主要因素，利用高斯过程完成数据在空间、时间以及空时点的预测，通过空时场重构，还原缺失的时空数据，在空间中进行网格化搜索，找到事件发生位置，进而找到生产异常时空数据；改进异常生产工序，在IRobotSIM仿真环境下模拟仿真，模拟异常时间段生产过程，通过观察生产单元加工制造的实时生产数据与提取的历史数据对比结果，对工艺路线、工艺参数进行闭环整定、修正，利用工业大数据的挖掘技术，从海量时间序列生产制造数据中寻找质量传递的规律，工业大数据价值被充分利用。

Description

基于物联网的离散型车间数字溯源方法
技术领域
本发明涉及数字溯源技术领域，尤其涉及基于物联网的离散型车间数字溯源方法。
背景技术
当前我国制造服务的智能化需求日益扩大，在《关于促进制造业成品和服务质量提升的实施意见》中明确提出要大力促进智能制造与服务业的有机融合与互动发展，李伯虎等国内学者提出了融合了云计算、物联网、大数据等技术的“新互联网+大数据+人工智能”的云制造系统。
离散型车间实现数字溯源必须依赖于数据实时采集，然而离散型车间设备众多、种类繁杂、设备间及设备内部通信协议众多，同时部分车间设备自动化程度不高，进行生产加工数据采集异常困难；大多数离散型车间处于扩大数据来源与增加数量的初级阶段，缺少有效的工业大数据分析工具，仅提取到少量有用的生产数据信息，工业大数据价值还未被充分利用。如何实现离散型车间生产过程全面信息化监管，如何利用工业大数据的挖掘技术，从海量时间序列生产制造数据中寻找质量传递的规律，是离散型企业面临的新难题。
发明内容
根据以上技术问题，本发明提供基于物联网的离散型车间数字溯源方法，将实时采集的机械工件、部件和成品的相关数据通过4G/5G网络上传到云平台数据库中，通过主成分分析找到影响成品质量的主要因素，提取生产异常时空数据特征，以异常时空数据特征为溯源线索，锁定缺陷件的序列号和当前位置；通过提取生产异常时间段的历史数据，在IRobotSIM仿真环境下还原仿真，对工艺路线、工艺参数进行闭环整定，具体步骤如下：
一、离散型车间生产线数字建模：该数字建模包括工业机器人三维几何模型、数控加工设备三维几何模型、物流传输设备三维几何模型、生产线组件三维几何模型、IRobotSIM仿真软件API函数和图形元素，根据离散型车间工艺布局要求，按照1：1比例构建工业机器人三维几何模型、数控加工设备三维几何模型、物流传输设备三维几何模型、生产线组件三维几何模型，进行三维几何模型物理位置定位；在工业机器人和数控加工设备采用树形结构建立运动模型与运动关节关联关系，并设置关节运动正向、负向范围和当前位置，为了确保关节的物理运动精度，可对运动模型的运动中心进行位置提取，通过调用IRobotSIM仿真软件API函数和图形元素实现生产过程动作信号指示、加工节拍分析、设备状态指示，实现物理空间到虚拟空间真实映射；
二、进行离散型车间数据采集：在离散型车间内进行数据采集操作，离散型车间内部设置有智能化设备、非智能化车床、人工工位，数据采集包括工件生产数据采集、参与生产人员数据采集、成品质量检测，还在离散型车间内部加装传感器，并使用智能化设备通过现场总线直接进行数据采集；因现场设备接口协议不统一，需要一种支持多网络、多协议的多源数据采集方式；小波物联数据采集方式主要分2种：终端直接接入和工业网关接入，并支持多网络、多协议数据采集，通过对工件全流程生产数据、人员数据、质量检测数据的采集，为离散型车间数字溯源提供大量历史数据；为了提高溯源效率，定义了一种工件虚拟标签编码规则；
工件虚拟标签由数字和字母组合构成，前6位表示工件的序列号，中间6 位表示工件加工数据信息，后5位表示参与加工人员数据信息，工件的序列号是根据装配的任务单进行预编码，工件加工数据包括工件规格标识符、关键工艺参数、温度参数、湿度参数和两位冗余参数，工件规格标识符采用大写字母A～Z表示；关键工序参数、温度参数和湿度参数根据允许的相对偏差划分为10个等级，用0～9数字表示，后两位冗余参数用于新增影响工件质量的主要因数信息，默认为00；参与加工人员数据前3位表示人员工号信息，后2位用于员工体温检测；
所述工件生产数据采集方法：根据上述虚拟标签编码规则对工件序列号进行预编码，并在云平台存储区建立对应工件的生产信息存储区，利用工件数据采集系统进行数据采集，并在工件数据采集系统装有多个光电传感器，用于对工件进行计数，确保将工件加工信息准确记录到对应工件的生产信息存储区；
普通机床自动化程度不髙，需加装光电传感器、振动传感器、电流和电压等传感器，采用串口通信方式将传感器接入小波物联的数据采集器；智能化设备可直接通过以太网口端口将车间设备加工的数据、关键工艺参数以及加工环境参数传输到小波物联的数据采集器，采用4G/5G网络无线网卡通信方式将实时生产数据上传至云平台数据存储区；
所述参与生产人员数据采集方法：
当工件序列号完成预编码以后，操作员在设备读写器上输入员工身份ID和身份验证码，系统会自动匹配操作员身份信息，并将操作员身份信息、参与工件开工时间和结束时间、工件标识、员工体温信息记录到对应工件的生产信息存储区，依据生产的工件数量和质量统计数据，对员工出勤状态、工作状态和绩效数据进行动态评估，为追踪操作员信息提供大量数据支持；
所述成品质量检测方法：
生产过程中的质量检测主要包括工件质量检测和成品质量检测，工件质量检测分布于各个工序环节，标记不合格工件序列号，防止不合格工件进入到下一个工序环节，造成生产资源的浪费；成品质量检测包括表面质量检查、外形尺寸检查和内部质量检查，将相应的检测数据上传至云平台数据存储区；
三、根据上述步骤采集到的数据进行数字溯源，该数据溯源包括提取影响成品质量的变量、获取生产异常时空分布两个步骤：
所述提取影响成品质量的变量分析方法：
通过序列号找到质量不合格成品的生产加工数据、环境信息、人员信息、质量检测信息，采用单因素和多因数关联分析方法，从“人、机、法、环”4个方面找到影响工件质量的变量x，单因素分析是使用数理统计方法提取影响工件质量关键变量x，对提取到的关键变量进行标准化、归一化处理，通过线性相关分析，获取影响工件质量的单变量影响因子；多因素分析就是使用FPGrowth关联分析作为成品质量分析的算法，把成品生产过程中的装配工序工艺参数特征值、操作人员编号、各生产设备编号、生产车间编号、生产批次编号等多个变量属性作为FPGrowth算法的输入，获取影响成品质量的多变量影响因子；
所述获取生产异常时空分布方法：
1)从“人、机、法、环”4个方面找到影响成品质量的p维变量 X＝(x1，x2，...,xp)T，采用主成分分析找到影响成品质量的主要变量，建立影响率F数学模型如下：
输入：影响成品质量的n个p维变量样本；
输出：获取影响成品质量的主要变量X*＝(x1 *，x2 *，...,x* m)T，m<p；
2)选取p维随机向量X＝(x1，x2，...,xp)Tn个样品Xi＝(xi1，xi2，...,xip)T， i＝1,2,…,n(n>p)，构造样本阵，对样本阵进行标准化处变换，标准变换如公式 (1)；
Figure RE-GDA0003008123080000041
式中：
Figure RE-GDA0003008123080000051
对标准化阵Z求相关系数矩阵，如式(2)；
Figure RE-GDA0003008123080000052
(2)式中：
Figure RE-GDA0003008123080000053
3)求解本相关矩阵R的特征方程|R-λIp|＝0，得到p个特征值，按照(3) 式确定m；
Figure RE-GDA0003008123080000054
4)将特征值按照从大到小的顺序排序，选择对应前m个特征值变量，成品质量的主要变量X*＝(x1 *，x2 *，...,x* m)T，m<p；
5)设这些特征变量对成品的影响率为F，假定影响因子K几乎不变，影响率F的计算公式为：
F＝k1x1+k2x2+...+kmxm (4)
(4)式中：K(i)表示变量x(i)的影响因子，t(i)表示变量x(i)的奇异时间；
根据缺陷程度筛选出10m个p维x变量样本，将p维x变量样本代入到公式(4)，获取影响率F的最大值Fmax、最小值Fmin，将影响率F划分为5个缺陷等级，得到各个等级影响率F的边界值分别是Fmin、F1、F2、F3、F4、Fmax，按照响率F的边界值分别选取m组p维变量样本，求解x1 *，x2 *，…,xm *:
求解响率F为F1的主要变量值：
输入：F1＝F(xn1,xn2,...,xnm)T,n＝m；
输出：X*＝(x1 *，x2 *，...,x* m)T；
1建立x1 *，x2 *，…,xm *的多项式,如式(5)；
Figure RE-GDA0003008123080000061
2求解X*＝(x1 *，x2 *，...,x* m)T；
由于环境的不可控、数据传输效率不稳定，采集设备有限等，导致生产数据信息相对离散，存在数据缺失区域，增加了事件的空时位置回溯难度；通过掌握数据的空时相关性实现场重构，根据检测结果在空间中进行网格化搜索，找到事件发生位置，定位事件发生时间；
3假设，现有观测值y＝[y1,y2,...,yN]T，观测点为x＝[x1,x2,...,xN]T，使用高斯过程f(x)～GP(m,k)去模拟该数据，设新的观测点x*，预测新的函数值f*；
通常观测值y与函数值f(x)之间存在加性噪声ε，得到：
y＝f(x)+ε (6)
假设ε是一个均值为零，方差为δn2的独立高斯分布
ε～N(0,δn 2) (7)
预测分布
p(y*|y)＝∫p(y*|f(x))p(f(x)|y*)df(x) (8)
为了便于讨论，在这里假设m(x)＝0，得到训练输出集合与测试输出集合的联合分布为：
Figure RE-GDA0003008123080000062
(9)式中：矩阵K(x,x)，K(x,x*)，K(x*,x*)分别为n x n，n x n*与n*x n*， K(x,x*)与K(x*,x)互为转置；
根据贝叶斯理论得到预测数据的分布：
f*|x*,x,y,θ～N(f*,cov(f*)) (10)
(10)式中，cov(f*)＝k(x*,x*)(k(x,x)+δ2I)-1k(x,x*)。
4仿真实验
定位到成品加工过程中具体的生产异常时间段，提取生产异常时间段的历史数据，在IRobotSIM虚拟生产线仿真环境，通过历史数据驱动虚拟生产线还原异常时间段加工过程，对工序路线、生产工序、工序参数等的进一步观察之后，找到研发设计缺陷、生产制造缺陷，根据已有的生产历史数据，提出工艺路线和结构单元的改进方案，完成对工艺路线和工艺参数的重新整定；沿着成品生产制造改进后的正向工序模拟异常时间段生产过程，通过观察生产单元加工制造的实时生产数据与提取的历史数据对比结果，验证新的工艺路线和工艺参数的可行性，提高生产线改进效率。
本发明的有益效果为：本申请在数字孪生和物联网等新一代信息技术的大力发展的情况下，针对离散型车间生产数据缺失而无法直接进行数字溯源提出了一种基于物联网的离散型车间数字溯源方法，将实时采集的成品的生产数据、人员数据、质量检测数据通过4G/5G网络上传到云平台数据库中，通过主成分分析找到影响成品质量的主要因素，利用高斯过程完成数据在空间、时间以及空时点的预测，通过空时场重构，还原缺失的时空数据，在空间中进行网格化搜索，找到事件发生位置，进而找到生产异常时空数据；改进异常生产工序，在IRobotSIM仿真环境下模拟仿真，模拟异常时间段生产过程，通过观察生产单元加工制造的实时生产数据与提取的历史数据对比结果，对工艺路线、工艺参数进行闭环整定、修正，利用工业大数据的挖掘技术，从海量时间序列生产制造数据中寻找质量传递的规律，工业大数据价值被充分利用，实现了离散型车间生产过程全面信息化监管。
附图说明
图1为本申请的离散型车间生产线数字建模流程图；
图2为本申请的虚拟标签编码规则参照图；
图3为本申请的工件规格标识符参照图；
图4为本申请的生产加工过程数据采集流程图；
图5为本申请的提取影响成品质量的变量流程图；
图6为本申请的工艺路线改进流程图。
具体实施方式
实施例1
本发明提供基于物联网的离散型车间数字溯源方法，将实时采集的机械工件、部件和成品的相关数据通过4G/5G网络上传到云平台数据库中，通过主成分分析找到影响成品质量的主要因素，提取生产异常时空数据特征，以异常时空数据特征为溯源线索，锁定缺陷件的序列号和当前位置；通过提取生产异常时间段的历史数据，在IRobotSIM仿真环境下还原仿真，对工艺路线、工艺参数进行闭环整定，具体步骤如下：
一、离散型车间生产线数字建模：该数字建模包括工业机器人三维几何模型、数控加工设备三维几何模型、物流传输设备三维几何模型、生产线组件三维几何模型、IRobotSIM仿真软件API函数和图形元素，根据离散型车间工艺布局要求，按照1：1比例构建工业机器人三维几何模型、数控加工设备三维几何模型、物流传输设备三维几何模型、生产线组件三维几何模型，进行三维几何模型物理位置定位；在工业机器人和数控加工设备采用树形结构建立运动模型与运动关节关联关系，并设置关节运动正向、负向范围和当前位置，为了确保关节的物理运动精度，可对运动模型的运动中心进行位置提取，通过调用IRobotSIM仿真软件API函数和图形元素实现生产过程动作信号指示、加工节拍分析、设备状态指示，实现物理空间到虚拟空间真实映射；
二、进行离散型车间数据采集：在离散型车间内进行数据采集操作，离散型车间内部设置有智能化设备、非智能化车床、人工工位，数据采集包括工件生产数据采集、参与生产人员数据采集、成品质量检测，还在离散型车间内部加装传感器，并使用智能化设备通过现场总线直接进行数据采集；因现场设备接口协议不统一，需要一种支持多网络、多协议的多源数据采集方式；小波物联数据采集方式主要分2种：终端直接接入和工业网关接入，并支持多网络、多协议数据采集，通过对工件全流程生产数据、人员数据、质量检测数据的采集，为离散型车间数字溯源提供大量历史数据；为了提高溯源效率，定义了一种工件虚拟标签编码规则；
工件虚拟标签由数字和字母组合构成，前6位表示工件的序列号，中间6 位表示工件加工数据信息，后5位表示参与加工人员数据信息，工件的序列号是根据装配的任务单进行预编码，工件加工数据包括工件规格标识符、关键工艺参数、温度参数、湿度参数和两位冗余参数，工件规格标识符采用大写字母A～ Z表示；关键工序参数、温度参数和湿度参数根据允许的相对偏差划分为10个等级，用0～9数字表示，后两位冗余参数用于新增影响工件质量的主要因数信息，默认为00；参与加工人员数据前3位表示人员工号信息，后2位用于员工体温检测；
所述工件生产数据采集方法：根据上述虚拟标签编码规则对工件序列号进行预编码，并在云平台存储区建立对应工件的生产信息存储区，利用工件数据采集系统进行数据采集，并在工件数据采集系统装有多个光电传感器，用于对工件进行计数，确保将工件加工信息准确记录到对应工件的生产信息存储区；
普通机床自动化程度不髙，需加装光电传感器、振动传感器、电流和电压等传感器，采用串口通信方式将传感器接入小波物联的数据采集器；智能化设备可直接通过以太网口端口将车间设备加工的数据、关键工艺参数以及加工环境参数传输到小波物联的数据采集器，采用4G/5G网络无线网卡通信方式将实时生产数据上传至云平台数据存储区；
所述参与生产人员数据采集方法：
当工件序列号完成预编码以后，操作员在设备读写器上输入员工身份ID和身份验证码，系统会自动匹配操作员身份信息，并将操作员身份信息、参与工件开工时间和结束时间、工件标识、员工体温信息记录到对应工件的生产信息存储区，依据生产的工件数量和质量统计数据，对员工出勤状态、工作状态和绩效数据进行动态评估，为追踪操作员信息提供大量数据支持；
所述成品质量检测方法：
生产过程中的质量检测主要包括工件质量检测和成品质量检测，工件质量检测分布于各个工序环节，标记不合格工件序列号，防止不合格工件进入到下一个工序环节，造成生产资源的浪费；成品质量检测包括表面质量检查、外形尺寸检查和内部质量检查，将相应的检测数据上传至云平台数据存储区；
三、根据上述步骤采集到的数据进行数字溯源，该数据溯源包括提取影响成品质量的变量、获取生产异常时空分布两个步骤：
所述提取影响成品质量的变量分析方法：
通过序列号找到质量不合格成品的生产加工数据、环境信息、人员信息、质量检测信息，采用单因素和多因数关联分析方法，从“人、机、法、环”4个方面找到影响工件质量的变量x，单因素分析是使用数理统计方法提取影响工件质量关键变量x，对提取到的关键变量进行标准化、归一化处理，通过线性相关分析，获取影响工件质量的单变量影响因子；多因素分析就是使用FPGrowth关联分析作为成品质量分析的算法，把成品生产过程中的装配工序工艺参数特征值、操作人员编号、各生产设备编号、生产车间编号、生产批次编号等多个变量属性作为FPGrowth算法的输入，获取影响成品质量的多变量影响因子；
所述获取生产异常时空分布方法：
1)从“人、机、法、环”4个方面找到影响成品质量的p维变量 X＝(x1，x2，...,xp)T，采用主成分分析找到影响成品质量的主要变量，建立影响率F数学模型如下：
输入：影响成品质量的n个p维变量样本；
输出：获取影响成品质量的主要变量X*＝(x1 *，x2 *，...,x* m)T，m<p；
2)选取p维随机向量X＝(x1，x2，...,xp)Tn个样品Xi＝(xi1，xi2，...,xip)T， i＝1,2,…,n(n>p)，构造样本阵，对样本阵进行标准化处变换，标准变换如公式 (1)；
Figure RE-GDA0003008123080000111
式中：
Figure RE-GDA0003008123080000112
对标准化阵Z求相关系数矩阵，如式(2)；
Figure RE-GDA0003008123080000113
(2)式中：
Figure RE-GDA0003008123080000114
3)求解本相关矩阵R的特征方程|R-λIp|＝0，得到p个特征值，按照(3) 式确定m；
Figure RE-GDA0003008123080000115
4)将特征值按照从大到小的顺序排序，选择对应前m个特征值变量，成品质量的主要变量X*＝(x1 *，x2 *，...,x* m)T，m<p；
5)设这些特征变量对成品的影响率为F，假定影响因子K几乎不变，影响率F的计算公式为：
F＝k1x1+k2x2+...+kmxm (4)
(4)式中：K(i)表示变量x(i)的影响因子，t(i)表示变量x(i)的奇异时间；
根据缺陷程度筛选出10m个p维x变量样本，将p维x变量样本代入到公式(4)，获取影响率F的最大值Fmax、最小值Fmin，将影响率F划分为5个缺陷等级，得到各个等级影响率F的边界值分别是Fmin、F1、F2、F3、F4、Fmax，按照响率F的边界值分别选取m组p维变量样本，求解x1 *，x2 *，…,xm *:
求解响率F为F1的主要变量值：
输入：F1＝F(xn1,xn2,...,xnm)T,n＝m；
输出：X*＝(x1 *，x2 *，...,x* m)T；
1建立x1 *，x2 *，…,xm *的多项式,如式(5)；
Figure RE-GDA0003008123080000121
2求解X*＝(x1 *，x2 *，...,x* m)T；
由于环境的不可控、数据传输效率不稳定，采集设备有限等，导致生产数据信息相对离散，存在数据缺失区域，增加了事件的空时位置回溯难度；通过掌握数据的空时相关性实现场重构，根据检测结果在空间中进行网格化搜索，
找到事件发生位置，定位事件发生时间；
3假设，现有观测值y＝[y1,y2,...,yN]T，观测点为x＝[x1,x2,...,xN]T，使用高斯过程f(x)～GP(m,k)去模拟该数据，设新的观测点x*，预测新的函数值f*；
通常观测值y与函数值f(x)之间存在加性噪声ε，得到：
y＝f(x)+ε (6)
假设ε是一个均值为零，方差为δn2的独立高斯分布
ε～N(0,δn 2) (7)
预测分布
p(y*|y)＝∫p(y*|f(x))p(f(x)|y*)df(x) (8)
为了便于讨论，在这里假设m(x)＝0，得到训练输出集合与测试输出集合的联合分布为：
Figure RE-GDA0003008123080000131
(9)式中：矩阵K(x,x)，K(x,x*)，K(x*,x*)分别为n x n，n x n*与n*x n*， K(x,x*)与K(x*,x)互为转置；
根据贝叶斯理论得到预测数据的分布：
f*|x*,x,y,θ～N(f*,cov(f*)) (10)
(10)式中，cov(f*)＝k(x*,x*)(k(x,x)+δ2I)-1k(x,x*)。
4仿真实验
定位到成品加工过程中具体的生产异常时间段，提取生产异常时间段的历史数据，在IRobotSIM虚拟生产线仿真环境，通过历史数据驱动虚拟生产线还原异常时间段加工过程，对工序路线、生产工序、工序参数等的进一步观察之后，找到研发设计缺陷、生产制造缺陷，根据已有的生产历史数据，提出工艺路线和结构单元的改进方案，完成对工艺路线和工艺参数的重新整定；沿着成品生产制造改进后的正向工序模拟异常时间段生产过程，通过观察生产单元加工制造的实时生产数据与提取的历史数据对比结果，验证新的工艺路线和工艺参数的可行性，提高生产线改进效率。
实施例2
在减速器的生产过程中，对各个生产工件进行预编号，建立工件的生产工艺数据、质量检测数据与工件预编码的一一对应关系，通过对残缺工件进行多因数和单因素分析，找到影响工件质量的工艺环节和工艺参数的数字特征，对已经加工完成的工进行数字溯源，及时发现不合格的工件，数字溯源关键词包括生产加工环节、加工参数和加工环境等参数；同时，根据实时生产加工数据，对减速器生产过程进出场重构，对下一个工件的加工质量进行评估，避免不合格的工件流入下一生产工艺环节，造成更大的资源浪费，提高了减速器成品的合格率，降低了减速器的生产成本。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本发明提到的各个部件为现有领域常见技术，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.基于物联网的离散型车间数字溯源方法，具体步骤如下：
一、离散型车间生产线数字建模：该数字建模包括工业机器人三维几何模型、数控加工设备三维几何模型、物流传输设备三维几何模型、生产线组件三维几何模型、IRobotSIM仿真软件API函数和图形元素，根据离散型车间工艺布局要求，按照1：1比例构建工业机器人三维几何模型、数控加工设备三维几何模型、物流传输设备三维几何模型、生产线组件三维几何模型，进行三维几何模型物理位置定位；在工业机器人和数控加工设备采用树形结构建立运动模型与运动关节关联关系，并设置关节运动正向、负向范围和当前位置，为了确保关节的物理运动精度，可对运动模型的运动中心进行位置提取，通过调用IRobotSIM仿真软件API函数和图形元素实现生产过程动作信号指示、加工节拍分析、设备状态指示，实现物理空间到虚拟空间真实映射；
二、进行离散型车间数据采集：在离散型车间内进行数据采集操作，离散型车间内部设置有智能化设备、非智能化车床、人工工位，数据采集包括工件生产数据采集、参与生产人员数据采集、成品质量检测，还在离散型车间内部加装传感器，并使用智能化设备通过现场总线直接进行数据采集；因现场设备接口协议不统一，需要一种支持多网络、多协议的多源数据采集方式；小波物联数据采集方式主要分2种：终端直接接入和工业网关接入，并支持多网络、多协议数据采集，通过对工件全流程生产数据、人员数据、质量检测数据的采集，为离散型车间数字溯源提供大量历史数据；
为了提高溯源效率，定义了一种工件虚拟标签编码规则：工件虚拟标签由数字和字母组合构成，前6位表示工件的序列号，中间6位表示工件加工数据信息，后5位表示参与加工人员数据信息，工件的序列号是根据装配的任务单进行预编码，工件加工数据包括工件规格标识符、关键工艺参数、温度参数、湿度参数和两位冗余参数，工件规格标识符采用大写字母A～Z表示；关键工序参数、温度参数和湿度参数根据允许的相对偏差划分为10个等级，用0～9数字表示，后两位冗余参数用于新增影响工件质量的主要因数信息，默认为00；参与加工人员数据前3位表示人员工号信息，后2位用于员工体温检测；
所述工件生产数据采集方法：根据上述虚拟标签编码规则对工件序列号进行预编码，并在云平台存储区建立对应工件的生产信息存储区，利用工件数据采集系统进行数据采集，并在工件数据采集系统装有多个光电传感器，用于对工件进行计数，确保将工件加工信息准确记录到对应工件的生产信息存储区；
普通机床自动化程度不髙，需加装光电传感器、振动传感器、电流和电压传感器，采用串口通信方式将传感器接入小波物联的数据采集器；智能化设备可直接通过以太网口端口将车间设备加工的数据、关键工艺参数以及加工环境参数传输到小波物联的数据采集器，采用4G/5G网络无线网卡通信方式将实时生产数据上传至云平台数据存储区；
所述参与生产人员数据采集方法：
当工件序列号完成预编码以后，操作员在设备读写器上输入员工身份ID和身份验证码，系统会自动匹配操作员身份信息，并将操作员身份信息、参与工件开工时间和结束时间、工件标识、员工体温信息记录到对应工件的生产信息存储区，依据生产的工件数量和质量统计数据，对员工出勤状态、工作状态和绩效数据进行动态评估，为追踪操作员信息提供大量数据支持；
所述成品质量检测方法：
生产过程中的质量检测主要包括工件质量检测和成品质量检测，工件质量检测分布于各个工序环节，标记不合格工件序列号，防止不合格工件进入到下一个工序环节，造成生产资源的浪费；成品质量检测包括表面质量检查、外形尺寸检查和内部质量检查，将相应的检测数据上传至云平台数据存储区；
三、根据上述步骤采集到的数据进行数字溯源，该数据溯源包括提取影响成品质量的变量、获取生产异常时空分布两个步骤：
所述提取影响成品质量的变量分析方法：
通过序列号找到质量不合格成品的生产加工数据、环境信息、人员信息、质量检测信息，采用单因素和多因数关联分析方法，从“人、机、法、环”4个方面找到影响工件质量的变量x，单因素分析是使用数理统计方法提取影响工件质量关键变量x，对提取到的关键变量进行标准化、归一化处理，通过线性相关分析，获取影响工件质量的单变量影响因子；多因素分析就是使用FPGrowth关联分析作为成品质量分析的算法，把成品生产过程中的装配工序工艺参数特征值、操作人员编号、各生产设备编号、生产车间编号、生产批次编号多个变量属性作为FPGrowth算法的输入，获取影响成品质量的多变量影响因子；
所述获取生产异常时空分布方法：
1)从“人、机、法、环”4个方面找到影响成品质量的p维变量X＝(x1，x2，...,xp)T，采用主成分分析找到影响成品质量的主要变量，建立影响率F数学模型如下：
输入：影响成品质量的n个p维变量样本；
输出：获取影响成品质量的主要变量X*＝(x1 *，x2 *，...,x* m)T，m<p；
2)选取p维随机向量X＝(x1，x2，...,xp)Tn个样品Xi＝(xi1，xi2，...,xip)T，i＝1,2,…,n(n>p)，构造样本阵，对样本阵进行标准化处变换，标准变换如公式(1)；
Figure RE-FDA0003008123070000031
式中：
Figure RE-FDA0003008123070000041
对标准化阵Z求相关系数矩阵，如式(2)；
Figure RE-FDA0003008123070000042
(2)式中：
Figure RE-FDA0003008123070000043
3)求解本相关矩阵R的特征方程|R-λIp|＝0，得到p个特征值，按照(3)式确定m；
Figure RE-FDA0003008123070000044
4)将特征值按照从大到小的顺序排序，选择对应前m个特征值变量，成品质量的主要变量X*＝(x1 *，x2 *，...,x* m)T，m<p；
5)设这些特征变量对成品的影响率为F，假定影响因子K几乎不变，影响率F的计算公式为：
F＝k1x1+k2x2+...+kmxm (4)
(4)式中：K(i)表示变量x(i)的影响因子，t(i)表示变量x(i)的奇异时间；
根据缺陷程度筛选出10m个p维x变量样本，将p维x变量样本代入到公式(4)，获取影响率F的最大值Fmax、最小值Fmin，将影响率F划分为5个缺陷等级，得到各个等级影响率F的边界值分别是Fmin、F1、F2、F3、F4、Fmax，按照响率F的边界值分别选取m组p维变量样本，求解x1 *，x2 *，…,xm *:
求解响率F为F1的主要变量值：
输入：F1＝F(xn1,xn2,...,xnm)T,n＝m；
输出：X*＝(x1 *，x2 *，...,x* m)T；
1建立x1 *，x2 *，…,xm *的多项式,如式(5)；
Figure RE-FDA0003008123070000051
2求解X*＝(x1 *，x2 *，...,x* m)T；
由于环境的不可控、数据传输效率不稳定，采集设备有限，导致生产数据信息相对离散，存在数据缺失区域，增加了事件的空时位置回溯难度；通过掌握数据的空时相关性实现场重构，根据检测结果在空间中进行网格化搜索，找到事件发生位置，定位事件发生时间；
3假设，现有观测值y＝[y1,y2,...,yN]T，观测点为x＝[x1,x2,...,xN]T，使用高斯过程f(x)～GP(m,k)去模拟该数据，设新的观测点x*，预测新的函数值f*；
通常观测值y与函数值f(x)之间存在加性噪声ε，得到：
y＝f(x)+ε (6)
假设ε是一个均值为零，方差为δn2的独立高斯分布
ε～N(0,δn 2) (7)
预测分布
p(y*|y)＝∫p(y*|f(x))p(f(x)|y*)df(x) (8)
为了便于讨论，在这里假设m(x)＝0，得到训练输出集合与测试输出集合的联合分布为：
Figure RE-FDA0003008123070000052
(9)式中：矩阵K(x,x)，K(x,x*)，K(x*,x*)分别为n x n，n x n*与n*x n*，K(x,x*)与K(x*,x)互为转置；
根据贝叶斯理论得到预测数据的分布：
f*|x*,x,y,θ～N(f*,cov(f*)) (10)
(10)式中，cov(f*)＝k(x*,x*)(k(x,x)+δ2I)-1k(x,x*)；
4仿真实验
定位到成品加工过程中具体的生产异常时间段，提取生产异常时间段的历史数据，在IRobotSIM虚拟生产线仿真环境，通过历史数据驱动虚拟生产线还原异常时间段加工过程，对工序路线、生产工序、工序参数等的进一步观察之后，找到研发设计缺陷、生产制造缺陷，根据已有的生产历史数据，提出工艺路线和结构单元的改进方案，完成对工艺路线和工艺参数的重新整定；沿着成品生产制造改进后的正向工序模拟异常时间段生产过程，通过观察生产单元加工制造的实时生产数据与提取的历史数据对比结果，验证新的工艺路线和工艺参数的可行性，提高生产线改进效率。
CN202011532590.4A 2020-12-22 2020-12-22 基于物联网的离散型车间数字溯源方法 Active CN112765768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011532590.4A CN112765768B (zh) 2020-12-22 2020-12-22 基于物联网的离散型车间数字溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011532590.4A CN112765768B (zh) 2020-12-22 2020-12-22 基于物联网的离散型车间数字溯源方法

Publications (2)

Publication Number Publication Date
CN112765768A CN112765768A (zh) 2021-05-07
CN112765768B true CN112765768B (zh) 2022-04-01

Family

ID=75695208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011532590.4A Active CN112765768B (zh) 2020-12-22 2020-12-22 基于物联网的离散型车间数字溯源方法

Country Status (1)

Country Link
CN (1) CN112765768B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341928B (zh) * 2021-06-15 2023-08-29 珠海格力电器股份有限公司 一种设备机组故障判定方法、装置、存储介质及控制终端
CN113779086B (zh) * 2021-08-27 2024-04-30 深圳百斯特控制技术有限公司 发电站设备数据采集方法、装置、设备及存储介质
CN114578770A (zh) * 2022-02-28 2022-06-03 安徽工程大学 一种数字孪生式智能产线系统
CN116191827B (zh) * 2023-02-24 2023-11-24 深圳市振欢电子有限公司 一种基于物联网的多功能电源适配器
CN116243623B (zh) * 2023-05-10 2023-08-04 深圳墨影科技有限公司 应用于数字化机器人产业链的机器人场景仿真方法
CN116664021B (zh) * 2023-08-01 2023-10-27 应急管理部天津消防研究所 一种基于移动端的工厂检查辅助决策系统及方法
CN116957612B (zh) * 2023-09-21 2023-12-22 江苏州际数码印花有限公司 一种纺织品出货的检验系统
CN117236138B (zh) * 2023-11-08 2024-01-30 无锡学院 基于数字孪生的机器人运动控制与状态监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726234A (zh) * 2018-09-14 2019-05-07 上海华岭集成电路技术股份有限公司 基于工业互联网的集成电路测试信息化管理系统
CN110161975A (zh) * 2019-05-28 2019-08-23 瑞鹄汽车模具股份有限公司 一种加工参数溯源方法
CN111461746A (zh) * 2020-03-27 2020-07-28 中国航天系统科学与工程研究院 一种面向装配的质量智能追溯方法
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
CN112070279A (zh) * 2020-08-19 2020-12-11 浙江工业大学 一种基于数字孪生技术的产品加工控制方法
CN112085510A (zh) * 2020-09-08 2020-12-15 湖南创信伟立科技有限公司 一种基于区块链的互联网信息溯源系统
CN112085261A (zh) * 2020-08-19 2020-12-15 浙江工业大学 基于云端融合和数字孪生技术的企业生产现状诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726234A (zh) * 2018-09-14 2019-05-07 上海华岭集成电路技术股份有限公司 基于工业互联网的集成电路测试信息化管理系统
CN110161975A (zh) * 2019-05-28 2019-08-23 瑞鹄汽车模具股份有限公司 一种加工参数溯源方法
CN111461746A (zh) * 2020-03-27 2020-07-28 中国航天系统科学与工程研究院 一种面向装配的质量智能追溯方法
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
CN112070279A (zh) * 2020-08-19 2020-12-11 浙江工业大学 一种基于数字孪生技术的产品加工控制方法
CN112085261A (zh) * 2020-08-19 2020-12-15 浙江工业大学 基于云端融合和数字孪生技术的企业生产现状诊断方法
CN112085510A (zh) * 2020-09-08 2020-12-15 湖南创信伟立科技有限公司 一种基于区块链的互联网信息溯源系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于数字挛生的柔性单元式生产线优化方法研究》;赵丹丹等;《技术应用》;20200630;全文 *
《基于物联网的在线信息溯源方法研究》;张强;《万方数据》;20200828;全文 *

Also Published As

Publication number Publication date
CN112765768A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112765768B (zh) 基于物联网的离散型车间数字溯源方法
Ding et al. State of AI-based monitoring in smart manufacturing and introduction to focused section
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN112085261B (zh) 基于云端融合和数字孪生技术的企业生产现状诊断方法
Cemernek et al. Big data as a promoter of industry 4.0: Lessons of the semiconductor industry
CN116599857B (zh) 一种适用于物联网多场景的数字孪生应用系统
CN114429153A (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
CN111026060A (zh) 一种高性能机械基础部件数字化智能制造系统
CN116822353A (zh) 一种制造工艺过程的数字孪生模型快速构建方法
CN113516285A (zh) 自动化装配检测生产线在生产中产品质量分析预测方法
CN115098278B (zh) 一种基于微服务的数字孪生车间多场景交互方法
CN111967519A (zh) 基于多源压缩感知的故障诊断方法
Liu et al. An adaptive evolutionary framework for the decision-making models of digital twin machining system
CN117010666B (zh) 一种汽修工具生产工作站智能管理方法及系统
CN112763215B (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
CN113657023A (zh) 基于机器学习和深度学习结合的近地面臭氧浓度反演方法
Wei et al. Manufacturing data-driven process adaptive design method
CN117216640A (zh) 一种电力时序数据异常检测方法
CN116150253A (zh) 一种基于多模态信号的生产设备预测性维护方法和系统
Gao et al. Analysis and application of manufacturing data driven by digital twins
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN112364088A (zh) 基于工厂数字化制造资源的可视化配置系统
CN117171591B (zh) 一种数控机床故障相关关系动态变化分析方法
Wang et al. Optimizing the Uncertainty of PPM on Small Batch of Quality Data
Abukwaik et al. Context-Enriching Feature Selection Method for Industrial Machine Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Deng Sanpeng

Inventor after: Deng Qian

Inventor after: Qi Yuming

Inventor after: Xue Qiang

Inventor after: Quan Lihong

Inventor after: Zhou Wangfa

Inventor after: Feng Yufei

Inventor after: Wang Shuai

Inventor after: Wang Wen

Inventor after: Xie Bing

Inventor before: Qi Yuming

Inventor before: Zhou Wang

Inventor before: Feng Yufei

Inventor before: Wang Wen

Inventor before: Xie Bing

Inventor before: Xue Qiang

Inventor before: Quan Lihong

Inventor before: Deng Qian

Inventor before: Wang Shuai

Inventor before: Deng Sanpeng