[发明专利]基于物联网的离散型车间数字溯源方法

权利要求书

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，...,x_p)^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，mp；

2)选取p维随机向量X＝(x₁，x₂，...,x_p)^Tn个样品X_i＝(x_i1，x_i2，...,x_ip)^T，i＝1,2,…,n(np)，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)；

式中：

对标准化阵Z求相关系数矩阵，如式(2)；

(2)式中：

3)求解本相关矩阵R的特征方程|R-λI_p|＝0，得到p个特征值，按照(3)式确定m；

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，mp；

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+...+k_mx_m (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F_min、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^*，…,x_m^*:

求解响率F为F1的主要变量值：

输入：F₁＝F(x_n1,x_n2,...,x_nm)^T,n＝m；

输出：X^*＝(x₁^*，x₂^*，...,x^*_m)^T；

1建立x₁^*，x₂^*，…,x_m^*的多项式,如式(5)；

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,...,y_N]^T，观测点为x＝[x₁,x₂,...,x_N]^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,δ_n²) (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：

(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。