資訊

質量大數據驅動的智能制造

2025China.cn   2021年09月27日

  未來,可以在大數據收集技術的支撐下,將原先單純通過主觀評價的方式拓展到主客觀評價相結合的方法,而且通過大數據的手段可以更好地解決統計調查中存在的精度和系統性誤差問題,真實全面反映產品質量水平。

  生產流程的智能化實質是在設計、研發、生產等過程中,通過數據驅動來提高整個過程的針對性、準確性、靈活性及高效性,最終實現對質量的實時管理和精準控制,生產出高質量的產品,提供高質量的服務。質量大數據驅動的制造可以被視為智能制造的必要條件和必然趨勢。

質量大數據的內涵

  質量大數據是質量相關數據集的總稱,是在工業領域,從客戶需求到研發、設計、工藝、制造、售后服務、運維等全生命周期各個環節所產生的各類數據及相關質量工程技術和應用的總稱。質量大數據針對工業質量設計、分析評價、智能管控、運維服務等特定工業場景,將貫穿于產品全生命周期的多源、多種類、多模態的數據有效集成,通過分析挖掘,建立有效的質量分析評價、管理控制、運維服務等模型,實現工業裝備的質量追溯與優化提升。

  質量大數據發展歷程

  質量大數據主要經歷了以下發展階段。

  基于數理統計的質量管控階段。從20世紀30年代起,以統計過程控制(SPC)為代表的數理統計的質量管控(統計分析、正交設計、統計過程等)開始在各類制造型企業中獲廣泛應用。通過對生產過程產生的數據進行數理統計分析評價,及時發現系統性異常因素,并采取措施消除其影響,降低波動、穩定質量。

  質量特性數據資源建設起始階段。從20世紀50年代起,以美國為首的世界技術先進國家就已充分認識到質量數據的重要性。美國陸續建立了具有自動進行數據的存取、處理、檢索功能的質量與可靠性數據系統。

  質量數據智能化應用階段。數據智能化基本思想是尋求并記錄不同工程、設計和產品配置的知識,并且對它加以理解、抽象、描述、使用和維護。質量數據智能化應用的發展大體經歷了三個時期:實驗性系統時期,從1965年至1974年;MYCIN系統時期,從1975年至1980年;知識工程在產業部門開始應用的時期,時間從1980年至今。

  大數據階段。隨著制造業數字化轉型、高檔數控機床的配置應用和自動化采集設備的廣泛應用,工業裝備生產產生的質量數據,逐漸被全方位采集和多形式記錄,數據量、數據類型、數據傳輸均得到大幅提升和擴展,不斷采集和積累的質量數據將質量管理推進到大數據時代。

  質量大數據的特征

  質量大數據具有工業大數據的一般特征,即規模性、高速性和多樣性。此外,質量大數據由于其來源和應用的特點,與其他工業大數據相比,還具有其它特點,田春華、李闖、劉家揚等所著的《工業大數據分析實踐》對這些特點做了歸納。

  理論工具等基礎較好。質量大數據在管理上,有6-sigma、TQM(Total Quality Management)、Lean Management等管理理念支撐,也有ISO 9000、ISO 9001、ISO 13053等流程標準;在技術上,有SPC (Statistical Process Control)、ANOVA等數理統計方法;在組織上,有工藝、質量管理、設備運維等固有部門支撐;在信息基礎上,有EAP(Equipment Automation Program)、DCS (Distributed Control System)、SCADA (Supervisory Control And Data Acquisition)、LIMS (Laboratory Information System)等軟件系統支撐。

  影響因素多,數據不完備。影響質量的因素眾多,不少關鍵過程量數據沒有被采集或難以采集,關鍵質量指標缺乏全樣本數據。關鍵參數穩定并不等于生產過程穩定,僅靠數據無法完美勾勒出質量物理空間。

  存在大量分割的先驗知識。大數據分析與先驗知識的有機融合在質量大數據中非常重要,但不同人員的知識或經驗經常不對稱(數據分析人員對工藝與生產管理了解得不夠充分,工藝人員和行業咨詢師常常對大數據分析技術的能力拿捏不準),需要一種可以使不同領域專家有效協同的機制,通過數據驅動方式,提高現有質量管控的時效性、預見性和自適應性,從而實現對更大范圍要素的優化。

質量大數據驅動智能制造的典型模式

  質量大數據的管理模式和應用方法正深刻影響智能制造質量提升的研究與實踐,數據思維開始對質量管理機制和執行方式產生顯著影響,其典型模式如下。

  以產品質量為導向的設計優化

  產品復雜度的增加不僅對產品的功能特性提出更高要求,同時強調產品的質量特性。傳統的質量工作是根據產品研制工作計劃,由產品專業技術人員分階段進行系統功能架構、邏輯架構、物理結構等功能特性設計,由質量工作人員逐項開展可靠性建模、FMECA(Failure Mode Effects and Criticality Analysis)、FTA(Fault Tree Analysis)、測試性分析等質量特性工作,工作項目眾多,數據采集效率低下且數據集成能力薄弱,不同設計分析工作的過程數據與結果數據互不流通,形成信息孤島,導致工作效果難以保證,工作效率難以提高。

  隨著產品數字化和智能化的發展趨勢,產品研制模式也在逐漸向數字化和智能化轉變,傳統的基于文檔的系統工程研制模式越來越難以滿足產品研制及質量特性工作需求;大數據等新一代信息技術的蓬勃發展,不斷推動著系統研制向基于大數據分析和應用基礎上的智能化轉型升級。在此背景下,數據驅動的質量特性協同設計應運而生。其實現的關鍵是構建產品質量特性協同設計數據庫和質量特性知識圖譜,結合產品研制過程中質量特性協同設計分析工作流程,提出質量特性知識智能推送方法,實現質量特性協同設計知識在產品研制過程中的智能應用,從而有效提升產品質量特性工作效率和知識應用水平。

  數據驅動的質量特性協同設計包含步驟實施:

  特性數據規范化處理。借助元數據管理的思想,分析質量信息指標相關的技術文檔,同時結合行業普遍認可的定義和描述,建立工業產品質量特性及數據規范,規范各質量信息,實現工業產品質量信息準確化、規范化、唯一化管控。

  質量特性數據庫建立。根據工業產品研制過程中質量特性數據的差異,分類建立工業產品質量特性數據庫,以通過支撐數據結構化及有效復用來提升質量特性協同設計工作的順利開展。

  質量特性知識圖譜構建。采用一系列技術手段,從原始數據庫和第三方數據庫中提取知識事實,將其存入知識庫的數據層和模式層,并不斷更新迭代,以利用工業產品全壽命周期產生的數據指導產品的質量特性協同設計。

  典型場景下的質量特性知識智能化應用。識別設計人員所進行的設計業務流程、應用的具體背景和環境,基于業務流引擎和知識引擎雙驅動,實現知識推送;采用基于推理的語義檢索技術,實現數據的快速檢索匹配。

  以生產質量為導向的工藝優化

  提高智能制造水平,達到降低工藝人員和管理人員的勞動強度,降低不良品率的目的,必須將目前主要靠人工完成的模型參數和控制參數優化工作轉化為自動完成,才能適應不斷變化的生產狀況和日益多樣的用戶需求。通過對產品生產過程工藝數據和質量數據的關聯分析,實現工藝模型優化和工藝控制優化,從而使產品質量、性能得到有效控制,提高工廠柔性化生產水平。

  如某公司采用基于機器視覺的沖壓件缺陷智能識別檢測,立足生產線現有條件,設計圖像采集系統,通過圖像實時采集與智能分析,快速識別沖壓件是否存在表面缺陷,并自動將所有檢測圖像及過程處理數據存儲至大數據平臺。通過質檢數據、生產過程工藝參數、產品設計參數間的關聯,借助大數據分析技術,形成沖壓產品質量問題分析管理的閉環連接,實現沖壓產品質量的精確控制和優化提升。

  以設備質量為導向的預測性維護

  數據驅動的故障預測與健康管理(Prognostic and Health Management, PHM)是典型的以設備質量為導向的預測性維護,也是智能制造的應有之意。PHM技術實現了兩個關鍵性的轉變:第一個轉變是從傳統的基于單個傳感器的診斷轉變到基于智能系統的預測;第二個是從傳統的基于事件的或者基于時間的維修轉化到基于狀態的維修,這些需要質量大數據分析來實現。PHM通過大數據實現對設備管理的狀態感知、數據監控與分析,監控設備健康狀況、故障頻發區域與周期,預測故障的發生,從而大幅度提高運維效率。

  羅爾斯·羅伊斯、通用電氣等公司通過裝在產品上的傳感器實時進行遠程監控,掌握其工作狀態并獲得大量數據,且基于這些數據對可能出現的檢修維護做準確預測,減少用戶停產檢修的次數,通過這種后續服務增強了不可替代性,贏得了客戶的高質量評價與認可,同時也獲得不菲的經濟效益。通過質量大數據,幫助企業預測和管理裝備的健康退化、剩余可用時間、精度的缺失以及各類因素對安全和成本的影響,實現與裝備的使用、維修維護、供應鏈、安全監管、應急處置等過程的高度融合。這樣制造商從賣產品向賣“產品+服務”轉變,實現價值鏈的延伸。

  以質量預警為中心的供應鏈協同

  通過打通供應商、研發、制造、市場返還等供應鏈全流程關鍵質量數據,應用大數據分析及數學建模技術,構建數據驅動的大數據質量預警體系,實現供應商來料質量預警、制造過程質量預警及網上返還質量預警,質量預警從制造向上游研發、產業鏈及用戶的覆蓋,驅動智能制造質量管控從事后攔截向事前預測、預防方向轉變。

  特別對于離散型智能制造,將數據采集系統云化部署,可以與上下游供應商系統進行對接,通用數據標準格式實現數據交換;內置工業領域預警模型算法,有效識別來料、設計、制程、工藝等方面隱性質量問題,識別改善機會點,驅動逆向改進,在設計前端構筑高質量。

質量大數據驅動智能制造的發展趨勢

  質量大數據驅動智能制造的技術發展趨勢主要從數據采集、質量分析、質量應用等方面展開。

  數據采集

  從數據采集方面看,數據供給方面,數據采集時間、頻率、范圍都將變化。

  數據采集時間從定時到實時。當前由于系統本身以及企業沒有選擇最適合自己的數據采集系統等原因,難以全面實現數據采集的實時性;未來隨著傳輸帶寬增大及傳感器的普及,質量大數據采集將變得普及和透明化,實現全周期實時采集。

  數據采集頻率從間斷性監測到全面監測。目前質量大數據采集由于經濟成本等原因一般是按照一定的概率進行隨機抽檢,難以全面實現數據采集的完整性;未來,質量大數據采集將實現全面監測。

  數據采集范圍從單一環節到全環節。目前由于質量分析方向等原因,質量大數據采集往往聚焦于研發設計、生產制造、經營管理、運維服務等環節中的一個環節;未來隨著以質量為中心的全維數據關聯模型的應用,將實現全環節數據采集,并且不同環節的數據將形成關聯。發生質量問題時,不需要人工來回翻閱不同系統的資料進行排查。

  質量分析

  從質量分析方面看,分析深度、廣度和復雜度隨著數據量增加而增大。

  多領域整合分析。質量大數據具有領域特征,工業場景的邊界由專業領域的機理進行約束,因此,分析過程注重數據模型和機理模型的融合(如關鍵工藝指標、經驗公式等)。同時,質量大數據具有數據來源差異性、高維性及稀疏性等特點,如何挖掘數據集間的異質性和共同性并降維去噪是質量大數據分析的目標與挑戰之一。隨著數據采集的維度、環節、頻率增加,數據來源領域的差異性和異構性將越來越大,需要能同時分析多個獨立數據集,避免因地域、時間等因素造成的樣本差異而引起模型不穩定。

  多物理場耦合分析。當前的質量分析主要關注于某個專業領域,比如應力或疲勞,但是,一般來說,物理現象都不是單獨存在的。例如,只要運動就會產生熱,而熱反過來又影響一些材料屬性,如電導率、化學反應速率、流體的黏性等。物理場間傳遞的物理量或物理現象,構成了耦合的多物理場。未來的質量大數據分析將實現多物理場耦合分析,使得單個物理場的載荷由于輸入合理,使得求解結果更為精確;物理場間傳遞的物理量更為清晰;質量設計優化的空間加大。當然,對各種耦合問題進行分析,必須推導出相對應的耦合方程,其難度將是巨大的。

  多時空耦合分析。質量大數據往往具有時序特征,生產過程指標多為時序數據,典型的序列數據特征包括單序列原始值、單序列單值特征等。未來的質量分析將實現多時空耦合分析,充分考慮不同時間序列、不同空間的數據,通過模型進行耦合分析,從而在更大范圍、更廣空間、更長時間對質量進行分析,推導出原來依賴人的知識與機理模型等推導不出來的結果。

  質量應用

  從質量應用方面看,越來越強調與質量改進、風險預防和質量評價的業務閉環。

  質量改進應用。應用質量數據,分析工業裝備研制生產狀況,發掘、預防和改進薄弱環節,是質量大數據在提升質量管理能力方面的典型應用。如綜合分析產品研制生產過程中的故障數據,結合產品研制生產特點,改進不合理環節,促進研制生產管理水平的提升。如何高效利用已有的定制設計進行質量管控,如何從檢測角度處理海量數據,如何對挖掘、滿足客戶潛在的設計需求進行定制化檢測,將是質量大數據所需要解決的問題。

  當前質量管理著力點應用于質量自動檢測、提高工藝認識等。未來質量大數據將更加著力于控制參數優化、質量根因分析,質量要求反映在設計與生產等前端環節,自適應、自反饋,實現工藝設計優化、在線控制、實時化數據計算、個性化的數據預測和異構化的數據集成的任務目標等。同時,未來基于質量大數據的質量管理體系朝著智能化、精確的質量控制能力方向發展。全面運用大數據分析技術指揮質量要素的管控,能夠實現在線細微操控。從微笑曲線的上游去提高質量,質量大數據產生的效益將大大增加。

  風險預防應用。制造業企業在數字化轉型過程中,生產運營過程中將面臨較多生產及質量管控的不確定因素。而在這個過程中,不僅要防止或減少產品缺陷,提高加工實效、設備效率、可靠性和安全性等,還要考慮到加工工藝、生產環節、設備性能、零部件磨損、運行風險等因素。未來通過質量大數據分析,就可以對各種不確定因素進行實時監控,應用質量數據,通過對比分析、仿真分析等技術,分析產品研制生產過程的質量狀況,發掘風險源,消除潛在隱患,盡可能地為企業的生產運行規避風險,將檢測實時數據反饋智能工廠,提升研制過程產品質量。

  質量評價應用。現階段質量評價主要是運用用戶滿意度和基于標準規范測評的方法,是基于主觀角度的用來發現和解決質量問題的質量管理工具,不能全面反映包括服務組織的提供過程和提供能力在內的客觀全面的產品質量水平。未來,可以在大數據收集技術的支撐下,將原先單純通過主觀評價的方式拓展到主客觀評價相結合的方法,而且通過大數據的手段可以更好的解決統計調查中存在的精度和系統性誤差問題,真實全面的反映產品質量水平。

  按照產品性能、使用要求等,構建產品質量評價指標,應用質量大數據,開展產品的質量評價,提高產品交付率,是質量大數據在保證成功方面的典型應用。綜合應用產品形成過程的質量數據,分析產品質量狀況和性能水平,將成為掌握系統級產品質量的有效途徑。

  (鳴謝:本文得到北京工業大數據創新中心首席數據科學家田春華博士幫助)

  作者:

  謝克強 聶國健 胡寧 工業和信息化部電子第五研究所 工業裝備質量大數據工信部重點實驗室

  本文發表于《中國工業和信息化》雜志2021年9月刊總第38期

標簽:大數據 我要反饋 
施耐德電氣線上工博會
世強
專題報道
2021施耐德電氣線上工博來襲!
2021施耐德電氣線上工博來襲!

12月1日起,施耐德電氣線上工博將為您呈現一場以 “綠色智能制造,共塑可持續未來”為主題的云端盛宴。 憑借在綠色智

2021 OEM機械設計技術研討會-云會議
2021 OEM機械設計技術研討會-云會議

“2021OEM機械設計技術研討會”以“縱深推進?多維賦能 數字化重塑設備制造”為主題, 邀請多家知名企業與來自紡織機械

帶訪問授權管理的安全門解決方案
帶訪問授權管理的安全門解決方案

對于制造型的企業來說,生產環境中總有需要保護的區域,來避免造成傷害事故。我們知道,當設備運行時,保護人員免受機器的傷害很

加勒比hezyo无码专区