基于模型的装备制造企业数智化应用.pdf

数据库系统设计Database System Design电子技术与软件工程Electronic Technology&Software Engineering235我国装备制造行业的规模已居于世界第一，硬件设备智能化不断改善，但整体的管控能力依然还有很大的成长空间。2020 年中国工程院战略咨询中心等机构发布的2020 中国制造强国发展指数报告指明中国的“制造业全员劳动生产率”仅相当于美国同期水平的20.46%，充分说明仍需提质增效、转型升级驱动高质量发展。装备制造的数字化发展水平差异较大，中小企业基本处于数字转型的初级阶段，先进的大型企业的数字化应用基本处在数字化 5 级成熟度的中等偏上一点的水平1，这表明数智化整体应用尚处于起步阶段，非常有必要推动数智化应用，支撑装备制造企业的跨越式发展。1 数智化概述数智化是在数字化的基础上，基于新一代信息技术（工业大数据、AI 等）与工业技术融合应用的创新架构，是数据资产与企业生产管理的有机结合，融合人工经验和数据智慧解决装备制造复杂生产管控中的实时优化决策等关键问题，形成“自学习、自感知、自适应、自控制”的智能化生产系统：发现工艺质量瓶颈、预警作业失控趋势、优化设备控制参数、寻优最佳操作模式等，充分发挥数据洞察、数据驱动生产、数据优化作业，实现高品质、高效率、安全环保、节能低碳的创新发展2。目前大多数专业系统供应商的套件产品还没有原生提供充分的数智化能力，即使是面向企业定制的数字化系统、包括很大一部分工业互联网平台应用，往往聚焦在设备数据上云、实现各类数字可视化业务报表，更好一些的是开展设备运行监控预警、预测性维护或少数单机模型的工艺参数动态控制等，很少能从体系上针对生产作业、工艺质量、物流控制、能源管理、设备运维等全作业链进行数智化应用。因此，有必要研究探讨在目前的基础环境状态下，如何构建及实施推进装备制造企业的全面数智化应用，从数据中发现价值、基于数据定量决策3，持续改善优化生产管控。2 基于模型的数智应用架构设计2.1 关键因素目前，大多数装备制造企业即使设备数采完备，数据也没有在诊断、预测、决策和控制中全面应用，依然严重依赖人工经验，这既有思想的问题、也有技术难度的问题。新数智化应用架构作用于采集、诊断、预测、决策和控制的全部数据流程，数据加模型构成数智化应用的核心。本文从应用的角度定义了装备制造数智化的主要模型，涵盖生产、工艺、质量、物流、设备、服务等全作业链。实现生产工艺改善、管控方案推荐、实时调度调控、运行参数优化等重要的生产智能化管控。2.2 架构设计传统历史应用系统基本在稳态模式下构建，一般较难升级迭代，数智模型插入困难；新一代企业敏态应用往往采用云计算微服务等新技术构建，数智模型应用就是其中的重要组成。本文提出了融合传统应用的数智化应用架构，传统应用一是作为数据源被集成，二是通过能力集成适配引用数智模型，如图 1 所示。基于模型的装备制造企业数智化应用邢晓龙（上海宝信软件股份有限公司 上海市 200940）摘要：本文针对装备制造企业数据智能化应用面临的问题，提出融合传统应用的深度集成数智化应用架构，研究关键构成因素，以一切皆可模型化为核心构建数智应用平台，以能力服务为传统应用系统赋予数据洞察。探讨模型构建策略、统一标准规范管控模型，引入集成应用与模式寻优、提高数智应用的效能。通过二个主要应用场景分析，推动数智化深入应用，提高企业管控的核心能力。关键词：数据管控平台；数智化；数智模型；架构设计数据库系统设计Database System Design电子技术与软件工程Electronic Technology&Software Engineering236IOT 数据采集与传统应用数据集成融合，覆盖全作业链，实现统一的数据治理，构建统一模型库，全场景发挥数智化作用。能力集成适配器可将数智模型应用的能力引入至传统应用系统、提升传统应用的智能化，可采用 Redis 发布订阅模式，传统应用系统发布数智模型应用的输入数据及参数，数智模型计算的结果发布回 Redis，传统应用系统订阅取回结果，触发钩子API执行相应管控功能，实现数智化应用。基于此架构开发的工业 APP，可直接得到数智模型的原生支持，并且通过能力开放平台提供灵活的编排、支持融合传统应用的全作业链智能应用。工业 APP 基于云计算及微服务等新技术建设，可快速迭代、支持敏捷的业务创新。2.3 模型管理策略目前已实施应用的一些数智化应用项目，往往脱离体系结构独立建设，其业务训练数据普遍缺乏治理，缺乏运行监控和效果评价，完全处于黑盒，因此很难长久坚持应用、更不具备推广的能力。本文架构中规划了模型管理平台，借鉴 MLOps(Machine Learning Operations)构建针对模型的统一管理、统一发布、统一优化（不包括构建和训练、以利于直接灵活使用开源框架），支持算法模型从登记注册、第三方模型接入、统管训练数据和测试数据、部署发布、运行服务监控、到性能评估的全生命周期管理，全面实现模型的标准化规范化管控。2.4 模型组合集成应用工业应用中的主要模型为：统计模型、分类模型、回归模型、聚类模型和关联规则模型等4，每类模型又对应着大量的算法。实践中往往采用模型组合集成应用来提高整体预测精度、预测稳定性、运行效率和泛化能力，降低过拟合，形成比单一模型（弱学习器）更强的组合学习器（强学习器）5。集成组合的策略有三种：2.4.1 Bagging在原始数据集上通过有放回的抽样方式，重新选择出若干个新数据集来分别训练对应分类器。分类问题一图 1：数智化应用架构数据库系统设计Database System Design电子技术与软件工程Electronic Technology&Software Engineering237般采用简单投票法，以最高票数类别作为模型输出；回归问题则使用简单平均法，对所有弱学习器的回归结果进行算术平均得到最终的模型输出。Bagging 每次训练都通过采样来训练模型，因此泛化能力更强，也有效降低了模型的方差，缺点是针对训练集的拟合精度会差一些。2.4.2 Boosting将弱学习器生成的弱预测模型(如决策树)加权累加到总模型中，不同的训练集通过调整每个样本对应权重实现，不同权重对应不同的样本分布，特别是加大错分数据的权重、强化错分数据在下一轮迭代中有更大的作用，迭代学习把一个弱分类器提升为一个强分类器。其缺点是要求预先知道弱分类器识别准确率的下限。2.4.3 Stacking先训练出多个不同的模型，再将这些模型的输出作为输入来训练组合新模型，得到最终的模型。通常使用单层的逻辑回归构成 2 层的组合模型，当然可更多层，但会造成庞大的模型结构、非常消耗数据和时间。二层 stacking 模型，第一层的基模型应是个数较多且较为精准的强模型，第二层用简单的分类器，可以防止过拟合。所以应根据实际应用场景考量和实验进行组合策略选择，总的来看，模型组合集成应用可提高装备制造复杂场景的智能应用水平。2.5 基于大数据的模式寻优装备制造管控问题普遍具有多工艺参数且兼具耦合和相关性，对应的数智模型建构是比较困难的。寻优模式是一种轻量化建模方式，无需复杂的参数模型，以历史数据分析构建优秀作业模式库，针对当前生产，从作业模式库中搜索匹配出优秀作业模式，将其对应的运行参数作为控制目标，使生产作业稳定受控6。核心的流程为：2.5.1 最佳作业模式库构建从历史数据中依据最佳产品提取对应运行参数和相应指标绩效，构成最佳作业模式库。2.5.2 作业模式匹配针对目前生产，采用相似度法或欧氏距离法，在作业模式库中匹配出相似的作业模式。2.5.3 作业模式优选针对已匹配的作业模式，通过评价函数确定选择相似度最高且结果优秀的作业模式，将此作业模式对应的运行参数和指标绩效用来指导调控生产作业。2.5.4 演化处理针对上述（2）、（3）未匹配出结果的情况，扩大实际新输入条件的匹配相似度范围，获得有一定相似度的作业模式集，采用局部建模方式，增加约束条件、实现降维处理，计算出相对理想模式来指导生产，但应经常验证其精度效果、调整演化。3 数智化典型场景应用3.1 关重瓶颈资源生产计划排程在大型锻造厂中加热炉作为关键工序，锻坯装炉的约束因素如图 2 所示。装炉计划的科学性和合理性决定了锻造厂的整体生产效率、设备利用率和能耗成本。装炉问题期望用最少数量的加热炉、但面临全部坯件要入炉的约束，各炉装炉量最大、但面临装炉重量及尺寸约束，各炉炉温尽可能小、但面临要覆盖入炉全部坯件温度约束，各炉保温时间尽可能最少、但也要面临覆盖入炉全部坯件工艺约束。装炉问题既是生产调度问题、又是装箱及多背包问题，是复杂的生产应用问题（也是 NP 复杂问题）。可考虑采用分组遗传算法、分组粒子群算法和决策图 2：装炉策略约束数据库系统设计Database System Design电子技术与软件工程Electronic Technology&Software Engineering238树（lightGBM 或 XGBoost）集成组合应用，寻求较好的解决方案，计算出较优的多约束多目标的装炉计划。还可采用寻优模式从历史装炉计划数据中找出优秀模式，为编制新装炉计划提供推荐方案，其构建应用方式相对简单方便。3.2 重型制造基于数据驱动的质量持续改善企业产品复杂度高、单件或小批量，生产工艺质量的延续性低，容易产生质量问题，缺乏系统的工具和科学的模型7，往往无法找到问题的本质原因，经常牺牲效率和成本来保障质量。因此，很有必要通过数智化应用持续提高质量管控能力。数智化应用结合机理模型，从检验驱动转变为过程控制与检验双驱动，融合应用克服数据不够完备问题，数据驱动持续实现工艺质量改善。3.2.1 异常预警针对风机转速及保温温度等工况数据，通过统计控制模型、分类和回归模型预测趋势性异常，及时报警，防止真正缺陷发生，预防批量性不良造成的重大浪费。3.2.2 运行参数寻优控制应用聚类模型从采集的电量耗用、气体流量等历史数据中总结出理想批次、归纳出推荐控制参数区间。通过构建质检与电量耗用、气体流量等运行参数的回归决策树模型也可获得高质量作业对应的优秀运行参数，主动调控运行参数、实现热工作业最佳工况，既保证产品质量、又节约能源耗用。3.2.3 故障树和根因分析质量问题的根因分析常采用回归模型与机理模型的融合应用，但难度依然较大，可考虑与故障树模型结合推动根因分析。针生产质量或设备故障问题，可选择合理的顶事件（问题）构造故障树，通过故障树：（1）定性分析：求最小割集、最小割集比较；（2）定量分析：求顶事件发生的概率、重要度分析，获得质量或故障问题的主要原因，为改进产品工艺设计、设备部件维护和冗余安全设计提供依据，提高质量、可靠性和安全性。3.2.4 边缘控制智能模型可部署在边缘端，在线检测和 AI 视觉模型融合，可实时采集工况数据、快速检验、异常预警和参数动态控制，提高复杂危险生产场景的管控能力，保证生产质量稳定一致。4 结论本文提出了针对装备制造企业的数智化应用体系架构及现实的可行构建方法，传统和数智融合，建立统一的模型、算法和数据管控平台，为全作业链提供智能监控、失控预测、动态调优和持续改进等智慧化应用。未来还将开展结合模型的数字孪生仿真应用，在作业前评估及掌控优化方案，真正形成数据驱动、数据决策和数据创新的装备制造数智化企业，提高核心竞争力、实现高质量发展。参考文献1 AMT、西北工业大学、美云智数.装备制造企业数字化转型白皮书 R.10-11.2 周济,李培根,周艳红,等.走向新一代智能制造J.北京：Engineering,2018:6-7.3 淘宝教育、阿里云、智篆商业.数智化转型“钻石模型”白皮书 R.12.4 王宏志,梁志宇，李建中，等.工业大数据分析综述：模型与算法 J.大数据,2018,4(5):2-10.5 田春华.工业大数据分析算法实战 M.北京：机械工业出版社,2022:141-156.6 李跃锋,李善莲,王道铨.卷烟制丝生产大数据分析与应用 M.武汉:华中科技大学出