基于Anaconda平臺的專項技術數據分析系統在生產線中的應用

李光宙

摘 ?要：目前，某大型汽車制造企業的生產線相關設備并未按照其所屬的專項技術對數據進行分類分析，存在數據資源浪費的問題。該企業動力總成區域生產線設備眾多，所使用的尖端專項技術種類繁雜。基于專項技術的角度，對日常數據資源進行篩選與分析，從而更有針對性地做好生產線維護工作。該研究使用Python這一跨平臺、面向對象編程的計算機程序設計語言，基于Anaconda這一開源的數據處理平臺進行數據處理。將原始數據導入Pandas數據包中的DataFrame框架之中，進行數據清洗工作。該研究所述數據挖掘工作以A軸技術的“報警信息”及“報警號”為關鍵字段，使用網絡爬蟲技術獲取專項技術數據，以專項技術數據獲取停機時間和設備可用率這兩個生產線關鍵指標，并進行相應的數學計算。并對關鍵指標作數據可視化處理，將其以可視化報表的形式呈現。本文以該大型汽車制造企業動力總成區域的某條生產線為例，介紹專項技術數據分析在生產線設備中的應用。

關鍵詞：數據分析 ?編程 ?專項技術 ?生產線 ?應用

中圖分類號：TB497 ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A文章編號：1674-098X（2021）04（b）-0131-07

Application of Specialized Technical Data Analysis System Based on Anaconda Platform in Production Line

LI Guangzhou

（Planning & Technology， Beijing Benz Automotive Co.， Ltd.， Beijing， 100176 China）

Abstract： At present， the production line related equipment of a large automobile manufacturing enterprise does not classify and analyze the data according to its special technology， which leads to the waste of data resources. There are a lot of equipment in the power assembly area of the enterprise， and the kinds of advanced special technologies used are complex. Based on the perspective of special technology， daily data resources are screened and analyzed， so as to do a better job of production line maintenance. This research uses python， a cross platform， object-oriented programming language， to process data based on anaconda， an open source data processing platform. The original data is imported into the DataFrame framework of pandas data package for data cleaning. The data mining work described in this study takes the "alarm information" and "alarm number" of a-axis technology as the key fields， uses the web crawler technology to obtain the special technical data， and uses the special technical data to obtain the downtime and equipment availability， two key indicators of the production line， and carries out the corresponding mathematical calculation. The key indicators are visualized and presented in the form of visual report. This paper introduces the application of special technical data analysis in the production line equipment by taking a production line in the powertrain area of the large automobile manufacturing enterprise as an example.

Key Words： Data analysis; Coding; Specialized technology; Production line; Application

隨著智能制造、制造物聯網技術的發展，制造企業可以從加工設備中采集和獲取制造過程中產生的具有典型大數據特征的海量數據[1]。數控加工設備、底層傳感器、PLC等每時每刻可以采集大量的數據，由此形成數控車間制造大數據[2]。這些海量的數據為后續的數據分析工作提供了數據基礎。制造大數據不僅具有傳統大數據的4V特征，即Volume（數據量大）、Variety（數據類型多樣）、Value（數據價值比較大但是有價值的信息密度比較低）、Velocity（數據時效性高）特征，還具有數據間的強關聯性，具有對數據采集、存儲、處理實時性要求高等特征[3]。

數據分析是用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解并消化，以求最大化地開發數據的功能，發揮數據的作用。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程[4]。

生產線上不斷提高的產量會給生產線管理帶來諸多問題[5]，生產線數據處理就是其中之一。在日常生產中，某大型汽車制造企業的生產設備產生了海量的生產數據，其中包含眾多故障報警信息，但目前這些數據信息并未按照其所屬的專項技術進行分類分析，從而造成了對現有數據資源的巨大浪費。

對于類似問題，周尋[6]認為應該對設備綜合效率進行發掘和優化，并主要通過精益生產理論以及約束理論等方法研究提高生產線的資源優化方案，分析出可能改進的機會和方法和方案。孫偉峰[7]認為通過對機械部件所產生的信號進行處理和分析，可以有效判斷出故障狀況，從而提高故障檢測的效率，并強調了對數據進行科學的管理的重要性。Panagiotis Tsarouhas[8]做了數據趨勢與序列相關性測試，他認為應該使用統計學方法分析生產線的故障數據并計算出生產線的可靠性有效性與可維護性，從而提升生產線性能。Naser Habibifar等人[9]使用仿真模擬以及數據環境分析的方法研究藥品生產線的優化問題，為此他們仿真出藥品生產線并搭建數據分析環境來驗證自己的設想。

本文的研究從某大型汽車制造企業入手，該企業動力總成區域坐擁諸多種尖端專項技術，例如，電主軸技術、A軸技術、機器人技術、珩磨技術、試漏技術、壓裝技術、測量技術、激光打碼技術等。技術種類繁雜，涉及到的生產線及設備種類及數量眾多。

基于專項技術的角度，運用數據科學的相關方法對日常海量的數據資源進行篩選與分析，可以及時調整生產設備的維護計劃并對設備問題進行提前預測，從而最大限度地減少停機次數與時長，更有針對性地做好生產線維護工作。

1 ?專項技術數據分析

Anaconda是一個開源的數據處理平臺，易于使用并且具有強大的數據處理能力。Python是一種跨平臺、面向對象編程的計算機程序設計語言，它包含多個數據處理包，如Numpy、Pandas、Scipy、Matplotlib、Scikit-learn等。Pandas是Python的一個數據分析庫，它含有諸如DataFrame、Series等數據結構模塊。python具有很強的可移植性，由于其開源的本質，已經被移植在許多平臺上，按照開源的理論，Python幾乎適應各種平臺;Python是解釋執行的，即Python語言寫的程序可以直接從源代碼運行，無需先通過編譯生成可執行文件[10]。本文使用Python編程語言，基于Anaconda平臺進行數據處理。

1.1 數據采集

數據采集是指將傳感器安裝在待測設備合適的位置或配置在設備的周圍，進而將待測設備的運行情況、工作環境等信息映射成相應的光、電、磁等信號，通過信號放大器與相匹配的數據采集系統將信號傳輸至上位機進行存儲、顯示或打印的過程[11]。某大型汽車制造企業使用相關軟硬件系統采集所有生產線設備的實時數據。

設備相關數據信息由設備上的硬件傳感器以及工廠工 業網絡統一傳遞到該系統采集數據。

1.2 數據清洗

數據清洗是一種提高數據質量的可行有效的技術方法，它主要用于處理在數據質量問題中，出現在實例層的臟數據，從而充分提高數據的質量[12]。

某大型汽車制造企業動力總成區域的設備每天會產生海量的數據。需要使用大數據技術對這些數量巨大的數據進行處理，篩選出所需的有效數據，從而對有效數據進行分析與處理。使用Pandas數據包中的DataFrame框架，DataFrame是一種表格型數據結構，它含有一組有序的列，每列可以是不同的值。DataFrame既有行索引，也有列索引，DataFrame的行索引是index，列索引是column。將原始數據導入該數據處理框架中處理原始數據，進行數據清洗工作。

為上述數據集合建立起對應的DataFrame框架，將雜亂無章的原始數據統一地轉換為DataFrame數據類型。選取并設置相應的column name，使用DataFrame框架去直接獲取該框架column中所一一對應的value，該返回值為Series數據類型，對該返回值進行過濾處理，其中，Series可以理解為由一列索引和一列值組成的結構，而DataFrame就是由一列索引和多列值組成的結構，DataFrame中的每一列都是一個Series對象。

使用isnull（）、dropna（）等編程指令篩選出原始數據中的NaN值，再使用fillna（）編程指令修補數據。其中，isnull （）指令可以判斷所有的空值，dropna（）指令可以刪除缺失數據所在的行，NaN值是Python指令在做計算時無法返回的一個符號，NaN值需要被處理，fillna（）指令用于填補缺失值。

另外，如圖1，需要使用判斷編程指令找出異常值并進行處理，從而保證數據的連貫性。使用index編程指令對初篩過的數據重新設定數據索引目錄（index項），使得篩選出的每個有效數據都對應有其專屬的索引目錄（index項）。編制好新的索引目錄（index項）的相關數據就組成了一個全新的DataFrame框架，該框架中的數據全部是完成數據清洗后的有效數據。

1.3 數據挖掘：獲取專項技術數據

數據挖掘是從大型數據庫中抽取出未知的、有意義的關系、趨勢和模式的過程，是數據庫研究中具有重要價值的研究領域，其廣泛應用在金融、醫療、電信、人工智能等領域[13]。

A軸單元作為五軸數控機床的關鍵功能部件，其控制精度直接影響工件的加工精度和表面質量[14]。A軸技術作為設備關鍵技術，被廣泛地使用于汽車發動機生產線設備之中。A軸伴有大量相關故障報警信息。 其“報警信息”文本及“報警號”數字信息是數據處理的關鍵信息，使用網絡爬蟲原理識別“報警信息”關鍵字段并抓取“報警號”。將獲取到的Series數據類型裝載到相應的DataFrame框架中得到專項技術數據，如圖2。

1.4 基于專項技術的生產線關鍵指標計算

某大型汽車制造企業生產線的核心指標是設備綜合效率，該指標反映的是每日/月生產線除設備故障外正常運行的時間占比。從設備技術角度考慮，影響設備綜合效率的關鍵指標是停機時間（DT）和設備可用率（TA， Technology availability），如圖3、圖4。

基于該理念，以上述專項技術數據獲取生產線核心指標。使用計算機底層時間，來統一數據處理的時間設置，即為使用統一的時間度量衡。使用數學公式計算出基于專項技術的生產線關鍵指標：停機時間（DT）和設備可用率（TA）。相關指標的數學計算需要用到以下這些參數：生產線設備生產時間，PTi=PT;生產線設備總數，DN;DT單元（單個計量單元的DT數值），DTi。

單個計量單元的設備可用率計算：

（1）

停機時間（DT）的計算：

（2）

設備可用率（TA）的計算：

（3）

1.5 專項技術數據可視化

數據可視化是關于數據視覺表現形式的科學和技術研究，實現可視化是為了證實我們對數據的認識[15]。數據可視分析旨在利用計算機自動化分析能力的同時，充分挖掘人對于可視化信息的認知能力優勢，將人、機的各自強項進行有機融合，借助人機交互式分析方法和交互技術，輔助人們更為直觀和高效地洞悉大數據背后的信息、知識與智慧[16]。

對基于專項技術的設備關鍵指標做數據可視化處理，將其以可視化報表的形式呈現出來。打印出該可視化報表的打印時間、某區域某專項技術的設備關鍵指標：停機時間（DT）和設備可用率（TA）。下面以某大型汽車制造企業動力總成區域的某條生產線為例，以A軸技術（A Axis）作為切入點，展示基于專項技術的設備關鍵指標可視化報表，如圖5。

2 ?專項技術數據分析在生產線設備中的應用

做好生產線設備的維護保養工作，可有效延長生產線的使用壽命并有效提高設備的使用率和完好率[17]。下面以某大型汽車制造企業動力總成區域的某條生產線為例，介紹該專項技術數據分析在獨立的生產線維護體系中的應用。該區域與其他區域生產線在設備投產時間、設備備件型號、所生產的產品型號、設備數量與所應用的專項技術種類等諸多方面存在著較大的不同。針對設備的老化、維護保養以及所使用的專項技術等問題，需要使用不同的維護策略。依托專項技術數據分析系統所生成的專項技術相關關鍵指標，有針對性地制定出基于專項技術的生產線維護體系，如圖6。

2.1 某區域生產線維護體系總攬

依托專項技術數據分析系統，為某大型汽車制造企業動力總成區域某生產線的所有設備建立起獨立的生產線維護體系。

在實際工作中，為了更加有針對性地保障生產線的正常運轉，需要提前做好預防性維護工作，做好計劃并組織好工作內容。在某大型汽車制造企業動力總成區域某生產線維護體系的建立過程中，為每一臺設備添加了諸如“任務清單描述”“維護策略”“工序描述”“時間間隔組”“系統條件”“工序號”“總工時”“工時單位”“參與人數”“每人工作持續時間”“數量”等條目。生產線維護工作是復雜繁重的，而以上的這些條目則正好有力地分解了維護工作，將繁雜的工作劃分到具體的條目之中，從而使得實際維護工作進行得更為細致與準確。

2.2 某區域生產線維護條目

對于生產線日常運營而言，一個主要的目標就是要最大化地減小成本，要同時減少生產和維護成本[18]。制定出合理的維護條目會較好地減少成本支出。

該維護體系中的每個維護條目是種類繁多并且在技術難度和人員要求等方面都存在著諸多的不同之處。為了使維護工作順利展開與有效實施，該體系中的不同條目一般使用不同的時間間隔組。時間間隔組的組成為1～60個月，不同的維護條目一般使用不同的時間間隔組來完成，如圖7。

3 結語

我們處在一個大數據技術與計算機編程技術日趨完善的時代，我們也正站在物聯網時代的門口。而這些技術在制造業的實現是需要有硬件、軟件接口的。而本文所述的專項技術數據分析系統及相應的生產線維護體系則正好起到了這樣的一個接口功能。

基于專項技術的設備關鍵指標可視化報表會顯示每天該生產線所擁專項技術所存在的問題，會將所有信息數據積累到一起，從而為每項專項技術形成專項故障信息數據庫。這就為數據分析工作提供了有效的數據樣本，在數據量積累到一定規模之后，即可使用機器學習的方法，將該數據樣本分為訓練集、驗證集和測試集，從而建立更為有效的數據模型用以生產線設備的可能專項技術故障作預測。

參考文獻

[1] 王孟卓.基于大數據分析的數控加工工時預測技術研究[D].北京：中國工程物理研究院，2020.

[2] 王孟卓，尚鋆，白翱.面向數控加工工時預測的智能車間制造大數據分析技術體系研究[J].現代制造技術與裝備，2020（4）：33-37.

[3] 李敏波，王海鵬，陳松奎.工業大數據分析技術與輪胎銷售數據預測[J].計算機工程與應用，2017（11）：100-109.

[4] 維克托·邁爾-舍恩伯格，肯尼斯·庫克耶.大數據時代：生活、工作與思維的大變革[M].杭州：浙江人民出版社，2013.

[5] Samihah Abdullah， Widad Ismail， Zaini Abdul Halim. Implementation of Wireless RFID for Production Line Management System in a Real Environment[J].Wireless Personal Communications，2015：3119–3132.

[6] 周尋.關于提高C公司噴漆生產線設備綜合效率（OEE）的研究[D].蘇州：蘇州大學，2016.

[7] 孫偉峰.滾動軸承振動信號分析與數據處理系統設計與實現[D].哈爾濱：哈爾濱工 業大學，2020.

[8] Panagiotis Tsarouhas. Statistical analysis of failure data for estimating reliability， availability and maintainability of an automated croissant production line[J].Journal of Quality in Maintenance Engineering， 2019（25）：452-475.

[9] Naser Habibifar， Mahdi Hamid， Mahdi Bastan， Ahmad Taher Azar. Performance optimisation of a pharmaceutical production line by integrated simulation and data envelopment analysis[J]. International Journal of Simulation and Process Modelling， 2019（14）.

[10] 嵩天，黃天羽，禮欣.程序設計基礎：PYTHON語言[M].北京：高等教育出版社，2014.

[11] PECHT M G，KANG M. Prognostics and Health Management of Electronics：Fundamentals，Machine Learning，and the Internet of Things[M]. New Jersey： John Wiley & Sons， 2018.

[12] 廖書妍.數據清洗研究綜述[J].電腦知識與技術，2020（20）：44-47.

[13] 朱宏列，戚欣.數據挖掘在智慧城市中的應用[J].計算機時代，2020（10）：40-42.

[14] 趙鵬兵，史耀耀.高效強力復合銑A軸的動力學建模與自適應滑模控制[J].航空學報，2014（2）：555-566.

[15] 左圓圓，王媛媛，蔣珊珊，等.數據可視化分析綜述[J].科技與創新，2019（11）：82-83.

[16] 任磊，杜一，馬帥，張小龍，等.大數據可視分析綜述[J].軟件學報，2014（9）：1909-1936.

[17] 劉志強，郝力輝，陳立維，等.進口汽車發動機生產線的維護與管理[J].設備管理與維修，2016（1）：11-13.

[18] Ait El Cadi Abdessamad， Gharbi Ali， Dhouib Karem， et al. Joint production and preventive maintenance controls for unreliable and imperfect manufacturing systems[J]. Journal of Manufacturing Systems，2021：263-279.