大數據環境下離散制造車間異常事件發現方法

馬 超 徐迭石 張淑麗 劉勝輝

(哈爾濱理工大學軟件學院 黑龍江 哈爾濱 150080)

大數據環境下離散制造車間異常事件發現方法

馬 超 徐迭石 張淑麗 劉勝輝

(哈爾濱理工大學軟件學院 黑龍江 哈爾濱 150080)

針對大數據環境下離散制造企業車間生產過程中生產異常難以有效管控的問題，先從理論上研究建立車間異常事件預警模型的合理性和實用性。然后從技術實現角度給出異常觸發事件的數據來源及其計算方法。接著綜合時間序列和因果關系兩個維度，建立基于時序序列上多決策樹的車間異常事件預警模型，保證了預測結果的準確性和可靠性。最后采用某型號燃氣輪機轉子的生產過程數據驗證模型的有效性。

異常事件發現 時間序列 決策樹 預警

0 引 言

隨著物聯網、云計算、大數據等新一代信息技術與制造業的逐步融合，傳統的制造執行系統MES已開始向云制造執行系統轉化，為企業提供按需使用的、質量可控的、高滿意度、低成本的制造全生命周期服務[1]。毋庸置疑，云環境下的制造生產過程將產生海量的車間生產數據，而車間生產數據的不斷增長使得人們更注重對數據的分析和挖掘。由此可見，大數據環境作為MES變革的契機，為MES發展提供了全新的思路。

在離散制造企業的車間生產過程中，不可避免地會出現各類車間生產異常(例如，物料未能按時送達、設備故障、工件工序拖期等)，這不僅會對在制品的質量造成影響，甚至會影響訂單的按期交付[2]。一旦無法及時發現并處理車間生產異常，將直接影響車間生產流程的正常運行，甚至產生大量直接經濟損失。因此，對離散制造企業車間生產過程中的生產異常進行有效預警，將有助于生產異常的處理與規避。高效的系統化車間生產異常預警方案缺失已成為當今制造型企業亟待解決的重要問題之一。

目前，針對制造車間中生產異常預警問題，一些研究主要關注如何實現高效的生產異常預警方法。例如，文獻[3]將灰色理論與BP神經網絡相結合，建立了工序質量(即工序的軸徑尺寸)預測模型。文獻[4]將遺傳算法與BP神經網絡相結合，建立了物料質量損失預警模型(例如，直接經濟損失、質量問題處理成本等方面)。文獻[5]采用徑向基函數神經網絡建立了生產異常損失預警模型(例如，產品質量損失、異常事件處理成本等方面)。

文獻[6]采用BP神經網絡建立了異常事件預警模型，該模型預測了設備故障率、物料短缺率等異常事件所導致的結果的嚴重程度。文獻[7]采用BP神經網絡建立了工序工時預測模型，該模型依據零件幾何特征、零件材料等工時影響因素來預測工序的加工時間。

在上述預警模型中, 一類是從時間序列上，依據某一屬性的歷史和當前取值預測該屬性在未來取值的變化趨勢；另一類是從因果關系上，依據某一屬性的影響因素取值預測該屬性所屬類別。此外，也有一些研究關注如何建立高效的預警系統，從系統實現層面來解決生產異常預警問題。例如，文獻[8]針對生產車間普遍面臨的因設備、質量、物料、人員等異常事件不能及時反饋和處理而影響生產進度的問題，構建了可支持異常事件預警的車間生產異常事件實時管理系統。

從上述內容可以看出，在當前的研究中尚缺乏解決制造車間中生產異常預警問題的整體技術框架。文獻[9]對生產異常的監控、發現和處理這一完整過程進行了初步探索，給出了基于云MES的體系結構解決方案。本文則進一步重點關注生產異常發現階段中異常事件預警模型方面的研究。通過車間異常事件、異常觸發事件、預測提前期等概念的闡述，本文首先論述了車間異常事件預警模型的合理性和實用性。接著給出了異常觸發事件相關取值的來源和計算方法，論述了預警模型的可實現性。最后，綜合時間序列和因果關系兩個角度，建立了基于時序序列上多決策樹的車間異常事件預警模型，保證了該模型的準確性和可靠性。

1 大數據環境下云MES的體系結構

云MES是一個從作業計劃靜態制定，到作業執行情況實時監控與主動感知，再到異常事件智能發現與處理，最后到作業調度動態調節的閉環系統[9]。目前，針對離散制造企業車間生產數據呈現出的多源、海量這一特征，物聯網技術常被用來實現對車間生產數據的實時采集與傳輸[10]。文獻[9]采用RFID、傳感器、串口通信、無線傳感網絡等物聯網技術實現了云MES中的實時監控與主動感知組件。如圖1所示，該組件負責實時監控和主動感知來自SFC的異常信息，并將這些信息統一交由異常信息挖掘與分析組件處理(即對與異常觸發事件相關的車間生產數據進行采集與傳輸)。

圖1 云MES的體系結構

異常信息挖掘與分析組件依據異常信息，并利用數據挖掘算法來預測異常事件的發生情況，并將異常事件輸入到支持異常處理的智能驅動機制組件。智能驅動機制組件在作業計劃與調度組件和算法云服務子平臺的支持下，實現對異常事件的處理。從云MES的執行過程中可以看出，異常信息挖掘與分析組件是云MES核心軟構件，異常事件發現的準確程度和可靠程度將直接影響云MES的執行效率。因此，有必要進一步研究高效的車間異常事件發現方法。為此，本文后續重點關注離散制造企業中車間異常事件發現問題的定義與求解。

2 車間異常事件發現問題的定義

車間異常事件的發現問題可以描述為預測在不久的將來異常事件是否會發生。在時間序列數據中，通常異常事件不是孤立存在的，在異常事件發生之前，時間序列數據的演變會呈現出一定的規律。具體而言，在時間序列上，會有一組異常觸發事件呈現出一定的特征模式。因此，可以通過研究異常事件發生之前，這組異常觸發事件在時間序列上的變化情況，發現與異常事件相關的特征模式，進而達到預測異常事件是否會發生的目的。

定義1車間異常事件Ee在MES中，車間異常事件被用來描述訂單拖期和產品不合格情況。訂單拖期是指加工工件的完成時間超出了訂單上要求的需向顧客交付的時間，而產品不合格是指加工工件的質檢合格率無法滿足制造企業的質檢要求，導致無法向顧客進行交付。這兩種情況均會給制造企業帶來經濟損失，因此，需要極力加以避免，即在二者真實發生之前，就需要進行預測并及時進行處理。

定義2預測提前期L，預測往往需要提前一段時間做出，因為在這段時間內車間調度員可以采取相關的處理行動，使得預測結果具有實際意義，稱這段時間為預測提前期。預測提前期需要由經驗豐富的車間調度員根據具體車間加工情況具體設置。

定義3異常觸發事件TEe，指可能導致車間異常事件發生的事件，在MES中，一般指工件加工狀態、設備運行狀態以及資源使用情況等超出了作業計劃的正常范圍。在車間的實際加工過程中，車間異常事件的發生一般是多個異常觸發事件共同作用的結果。本文依據IEC/ISO 62264 KPI指標[11]以及哈電車間實際生產數據來具體刻畫異常觸發事件。

定義4異常觸發事件模式P(TEe)，指在一段時間內，一組異常觸發事件在時間序列上呈現出的特征行為，可以依據它來預測異常事件的發生情況。

定義5預測階段Y，用來發現模式進行預測的時間段。假定從Y時間段中發現某一模式，那么就認為其對應的異常事件發生。

上述關鍵概念的定義如圖2所示。對于車間異常事件的預測是發生在一次工件加工任務過程中的。工件加工過程主要包括加工準備階段和加工執行階段。如圖2所示，預測提前期L=[tL,t2]，tL的取值范圍是[t1,t2]。tL越接近t1，預測階段越短，異常觸發事件的時間序列就越短，預測的準確度就越低，但是提前期會更長，車間調度員處理異常情況的時間會更充分，更利于異常事件的避免；而tL越接近t2，預測階段越長，異常觸發事件的時間序列就越長，預測的準確度就越高，但是提前期會變短，車間調度員處理異常情況的時間會變少，避免異常事件的難度變大。因此，在數據挖掘算法中參數tL的合理設置尤為重要。

圖2 異常事件預測問題

3 車間異常事件預警模型

為了求解車間異常事件發現問題，本節給出了基于時序序列上多決策樹的車間異常事件預警模型。

3.1 異常觸發事件的分類與計算

異常觸發事件是預警模型的輸入，其可細分為兩類：加工準備階段的觸發事件PTE和加工執行階段的觸發事件ETE。加工準備階段的觸發事件包括：工藝準備就緒程度pte1、物料準備就緒程度pte2、人員準備就緒程度pte3、設備準備就緒程度pte4，因此，PTE={pte1,pte2,pte3,pte4}。加工執行階段的觸發事件包括：生產員工的技術熟練程度ete1、設備故障程度ete2、工序偏離計劃程度ete3、工藝更新程度ete4、車間噪音程度ete5，因此，ETE={ete1,ete2,ete3,ete4,ete5}。

針對準備階段的4種觸發事件，本文統一采用“時間偏離程度”這一概念來度量其準備就緒程度。具體地說“時間偏離”是指實際就緒時間與計劃就緒時間的差值。根據差值的大小，可以將“準備就緒程度”劃分成5個階段：好、較好、差、較差、很差(預警模型運算時分別標識為{R1,R2,R3,R4,R5})。而工藝、物料、人員、設備的實際就緒時間可以通過物聯網技術(傳感器、RFID技術等)實時獲取。

針對執行階段的5種觸發事件，本文依據其不同的物理含義，給出相應的計算方法。生產員工的技術熟練程度對是否產生異常事件有很大影響[6]。本文利用“一段時間內員工的平均相對技術熟練程度”來度量生產員工的技術熟練程度ete1，具體公式如下：

(1)

式中，N表示在時間段P內，此次車間加工任務中的員工總數；Tmax表示當前車間中員工累計工時的最大值，其對應的員工代表著當前車間中最佳的技術成熟度；Ti(P)表示在進入時間段P時，第i個員工的累計工時。

設備故障程度直接影響著異常事件的產生。本文利用“一段時間內設備故障持續時間總數與加工任務時間總數的比值”來度量設備故障程度ete2，具體表示為：

(2)

式中，M表示在時間段P內，此次車間加工任務中的設備總數；PTi(P)表示在時間段P內，第i臺設備的計劃加工時間；BTi(P)表示在時間段P內，第i臺設備處于故障狀態的持續時間，其實際值可以通過傳感器技術進行采集。

與設備故障程度類似，工序偏離計劃程度也直接影響著異常事件的產生。本文利用“一段時間內工序的實際執行情況與工序的計劃執行情況的偏差程度”來度量工序偏離計劃程度，具體表示為：

(3)

式中，Q表示在時間段P內，此次車間加工任務中的工序總數；STi(P)表示在時間段P內，第i道工序的實際加工開始時間，PSTi(P)表示第i道工序的計劃加工開始時間；類似地，ETi(P)和PSTi(P)分別表示在時間段P內，第i道工序的實際加工結束時間和計劃加工結束時間。

工藝更新也在一定程度上會影響異常事件的發生。本文利用“一段時間內更新的工序占工序總數的百分比”來度量工藝更新程度ete4，即ete4=UQ(P)/Q。其中UQ(P)表示在時間段P內，屬于更新的工序的總數。

車間噪音會對生產員工的心理和生理造成一定的損害，進而影響車間加工任務的正常進行，導致異常事件的發生。車間噪音的實際值是指在一段時間內車間噪音的平均值。依據噪聲等級的5個級差{(0,30],(30,50],(50,80],(80,100],(100,∞]}，對車間噪音程度進行了劃分，等級反映了車間噪音程度對異常事件產生的影響程度，等級越高，越易于導致異常事件的產生。通過比對車間噪音的實際值隸屬于哪一等級的級差，即可獲得對應的噪音程度。

3.2 預警模型的建立方法

預警模型的建立需要采用數據挖掘預測方法，而與聚類分析、神經網絡等其他數據挖掘分析方法相比，決策樹方法在解決分類與預測上有著極強的能力[12]。因此，本文以決策樹學習算法(C4.5)[13]作為理論基礎構建車間異常事件預警模型。

為了提升車間異常事件預警結果的準確率，本文提出了時間序列上的多決策樹預警模型。通過對預測階段Y內的多個時段內的生產狀況進行決策分析處理，每個決策樹對應一個生產時段內的異常事件發現處理。通過多決策樹預警模型的建立，向車間管理人員提供了一系列具有不同時效價值的預測結果。例如，處于預測階段早期的決策樹的預測精確度相對較低，但為管理人員保證了足夠的預測提前期，方便對異常事件進行早期的預防處理。隨著生產進度的推移，處于預測階段末端的決策樹的預測精確度相對較高，卻由于預測提前期的縮短會產生異常事件處理不及時的情況。因此，通過多決策樹預警模型的使用，可以在時間序列的發生路徑上有效地提供及時、合適的異常預測建議。最終通過綜合多決策樹預警模型中的各決策樹的預警結果，在恰當的生產時刻得到最為準確的異常事件預測結果。

決策樹算法應用的前提是具有大量的訓練數據，同時訓練數據的屬性集必須同時包含條件屬性和決策屬性。通過3.1節對異常觸發事件的分類與計算的相關敘述，可以獲得條件屬性部分的訓練數據。在本文中決策屬性對應的概念是車間異常事件，將其值域定義為{11,10,01,00}，其中11表示訂單拖期且產品不合格，10表示訂單拖期但產品合格，01表示訂單按期交付但產品不合格，00表示異常事件未發生。這樣就獲得了決策屬性部分的數據，從而為決策樹算法準備了完整的訓練數據。接下來，就可以快速構建用于預測制造車間異常事件的決策樹，并建立時間序列上的多決策樹預警模型。時間序列上多決策樹預警算法偽代碼如下所示：

輸入：預測時間段總數N、預測提前期L、車間任務生產過程數據集DS、屬性集A

輸出：多決策樹預警模型MDT

步驟：

1. For (j=1,j≤|DS|, j++)

2. 計算第j項車間任務的預測時間段長度ΔPj=(tj2-tj1-L)/N

3. 初始化預測時間段序列PSj=，且i∈N,Pji+1=Pji+ΔPj，Pj1=tj1+ΔPj

4. 依據PSj對DSj進行劃分，得到DSj(PSj)={DSj(P0), DSj(Pj1), DSj(Pj2) ,…, DSj(PjN)}

5. For (h=1,h≤|PTE|, h++)

6. CI(pteh)=Search(pteh, DSj(P0))

7. pteh=fpte(CI(pteh))

8. 將pteh填入TS0j

9. End For

10. For (i=1,i≤N, i++)

11. 初始化訓練集TSi：填入決策屬性dj的取值

12. For (k=1,k≤|ETE|, k++)

13. CI(etek)=Search(etek, DSj(Pji))

14. If (CI(etek) ≠?) Then

15. etek=fete(CI(etek))

16. Else

17. etek=NULL

18. End If

19. 將etek填入TSij

20. End For

21. TSij= TSij∪TS0j

22. 將TSij插入訓練集TSi

23. End For

24. End For

25. For (i=1,i≤N, i++)

26. DTi= DTAlgorithm_C4.5 (A, TSi);

27. End For

28. MDT=g(DT1, DT2, …, DTn)

屬性集A=C∪g0gggggg，其中，條件屬性集C=PTE∪ETE，決策屬性d表示車間異常事件。數據集DS中的一條記錄DSj描述了一項車間任務的生產過程信息，DSj中不僅含有用于計算條件屬性的各類相關指標的取值，還包括決策屬性d的取值；|DS|表示數據集DS中車間任務的總數。tj1和tj2分別表示第j項車間任務的加工執行開始時間和加工執行結束時間。

DSj(P0)中含有用于計算加工準備階段條件屬性pte的相關指標的取值。而方法Search(pteh,DSj(P0))的功能是從DSj(P0)中遍歷得到與條件屬性pteh計算相關的指標取值集合，并存入CI(pteh)。函數fpte用于依據計算指標的取值CI(pteh)計算條件屬性pte的取值。

DSj(Pji)中含有在時間段Pi中用于計算加工執行階段條件屬性ete的相關指標的取值。例如，當etek表示條件屬性“生產員工的技術成熟度”時，CI(etek)中不僅包含具有最佳技術成熟度的員工在進入時間段Pi時的累計工時Tmax，還包括在時間段Pi中執行車間任務j的全部員工在進入時間段Pi時的累計工時，此時函數fete的計算公式為式(1)。子算法DTAlgorithm_C4.5表示經典的決策樹算法C4.5[12]。

預警模型的N個決策樹算法針對不同的生產進程發展趨勢提供具有不同實效價值的預警結果。但對于N個決策樹，越接近tL時刻的決策樹，預測準確程度相對越高，因此采用時間加權平均方式來綜合n個決策樹的預警結果，函數g表示為：

P(ETe)=Max(∑w11,∑w10,∑w01,∑w00)

(4)

式中，∑w11表示n個決策樹中預測結果為11的多個決策樹的權重之和。其中，第i個時間段對應的決策樹的權重計算公式為：

(5)

由此，最大權重對應的預警結果即為當前時段最有可能發生的異常事件，旨在為車間決策人員提供特定生產時刻下的最準確的預警結果。

4 案例驗證

本文使用的制造數據來源于哈爾濱電機廠某型號燃氣輪機轉子生產任務，包括從2010年-2014年間生產的某型號燃氣輪機轉子的共627組生產加工數據。由于本文篇幅有限，故取其中五個生產任務的第一個加工時段作為示例進行數據展示。設定預測提前期L=621.4天(即預測提前期為生產結束前91.2天)，通過分析多決策樹預警模型的預測精確度的評估結果，取評估精度峰值時的決策樹數量取值N=30。如表1所示。

表1 時段訓練數據舉例

為了使構建的多決策樹預警模型具有更高的實用價值，本文采用SPSS數據統計分析軟件分別針對“預測提前期L”和“決策樹數量”對“預測精度”產生的影響進行了統計分析。在設置決策樹數量初始值為N=20的情況下，分析預測提前期L的變更對預警模型的預測精度影響。分析結果如圖3所示。從圖3中可以看出，隨著預測提前期不斷趨近于生產任務結束時間，多決策樹預警模型的預測精度呈上升趨勢，這與本文闡述的生產預測提前期越短，預測值越精確的結論保持一致。然而過短的預測提前期勢必對生產異常的處理產生影響，間接導致預警效果的降低。因此，在權衡兩者利弊的基礎上，選擇預測提前期L=621.4天，該點預測精確達到64.2%且后續發展趨于穩定。與此同時，預警模型中整合的決策樹數量也將導致模型預測精度的改變，在設定預測提前期最優的情況下，決策樹數量對預測精度的變化影響如圖4所示。分析圖4可知，預警模型的預測精度在一定范圍內隨著決策樹數量的增加而增加，但決策樹數量過大時，預測精度穩定性出現了較大幅度的下降。因此，在實際應用中，可根據不同生產任務的實際狀況進行設定，從而保證預警模型在特定的生產環境下提供最恰當的預警信息。

圖3 預測提前期L對預測精度的影響趨勢圖

圖4 決策樹數量對預測精度的影響趨勢圖

可以看出，為了分析制造車間生產過程中多源、海量的實時數據，本文以C4.5決策樹為理論基礎，在不增加決策樹算法復雜性的前提下，通過對生產過程在時間序列的分割，減少了單一算法的數據樣本容量。與此同時，時間加權的計算方式強化了對預測結果的趨勢性分析，采用簡單的漸進學習來規避冗余數據特征造成的影響，使預測值更趨近于實測值。同時，本文提出的預測模型在時間維度上將異常事件發現問題映射為多個相互獨立的子問題，接著利用時間權值法將它們規約在一起，符合MapReduce映射與規約的思想。在實際的云MES開發中可以基于分布式并行計算框架Hadoop予以實現。

5 結 語

本文針對制造車間生產過程中生產異常的預警問題，首先從系統實現層面給出了綜合采用云計算、物聯網、大數據分析等技術的制造執行系統的軟件體系架構，闡述了在MES中獲取生產異常影響因素相關數據的方法。接著給出了車間異常事件、異常觸發事件和預測提前期等一系列概念的具體含義，建立了概念化的車間異常事件預警模型。最后，利用時間序列上的多決策樹算法建立車間異常預警模型，并將其在哈爾濱電機廠某型號燃氣輪機轉子生產過程中進行應用驗證，表明該車間異常預警模型可以有效地對生產過程中的生產異常進行預警，為車間生產管理者提供預防控制生產異常的決策支持。

[1] 李伯虎,張霖,任磊,等.云制造典型特征、關鍵技術與應用[J].計算機集成制造系統,2012,18(7):1345-1356.

[2] 張芬,杜朋,楊亞非.離散制造企業MES中的生產數據采集實踐[J].機械設計與制造,2011(3):245-247.

[3] 王秋明,劉科成,高慧穎.基于灰色理論與BP神經網絡的工序質量預測研究[J].北京理工大學學報,2011,31(2):249-252.

[4] 尹超,甘德文,梁忠權,等.復雜機電產品關鍵裝配工序物料質量損失評估及預警方法[J].計算機集成制造系統,2014,20(6):1432-1441.

[5] 尹超,郭晨,趙旭.微車后橋關鍵工序生產異常損失評估及預警方法[J].計算機集成制造系統,2014,20(10):2532-2540.

[6] 閃四清,毛中慧,辛騰龍.基于BP神經網絡的飛機裝配車間異常事件預警[J].裝配技術,2014(8):42-47.

[7] 李亞杰,何衛平,董蓉,等.基于制造執行系統數據采集的工時預測與進化[J].計算機集成制造系統,2013,19(11):2810-2817.

[8] 尹超,馬春斌,劉飛,等.車間生產異常事件實時管理系統研究[J].計算機集成制造系統,2009,15(4):719-725.

[9] 徐迭石,劉勝輝,馬超,等.大數據環境下MES作業計劃與調度能力云服務化研究[J].計算機工程與科學,2016,38(4):624-633.

[10] 張映鋒,趙曦濱,孫樹棟,等.一種基于物聯技術的制造執行系統實現方法與關鍵技術[J].計算機集成制造系統,2012,18(12):2634-2641.

[11] IEC/ISO 62264.Enterprise-control system integration[EB/OL].[2016-11-01].http://www.iso.org/iso/home/store/catalogue_tc/catalogue_detail.htm?csnumber=56847.

[12] 栗然,劉宇,黎靜華,等.基于改進決策樹算法的日特征負荷預測研究[J].中國電機工程學報,2005,25(23):36-41.

[13] Quinlan J R.Induction of Decision Trees[J].Machine Learning,1986,1(1):81-106.

ABNORMALEVENTDISCOVERYMETHODOFDISCRETEMANUFACTUREWORKSHOPINBIGDATA

Ma Chao Xu Dieshi Zhang Shuli Liu Shenghui

(SchoolofSoftware,HarbinUniversityofScienceandTechnology,Harbin150080,Heilongjiang,China)

To deal with the problems of effectively controlling abnormal events happened during the production process of the discrete manufacture enterprise in big data, this paper firstly studied the rationality and utility of building the early warning model of abnormal events in workshop in theory. Then the paper gave the data source and its calculation method of the abnormal triggering event from the technical realization aspect, combined the time series and the causal relationship, and established the early warning model of the workshop anomaly based on the multi-decision tree on the time series, which ensures the accuracy and reliability of the forecast. Finally, the validity of the model was verified by the production process data of a gas turbine rotor.

Abnormal event discovery Time series Decision tree Early warning

TP3

A

10.3969/j.issn.1000-386x.2017.09.056

2016-10-12。國家自然科學基金項目(51375128)；黑龍江省教育廳科學技術研究項目(12541159)。馬超，講師，主研領域：云制造與智能制造，服務計算與價值計算。徐迭石，碩士生。張淑麗，教授。劉勝輝，教授。