[发明专利]面向车间制造过程的实时生成性能主动感知与异常分析方法

摘要

本发明公开了一种面向车间制造过程的实时生成性能主动感知与异常分析方法，用于解决现有方法实用性差的技术问题。技术方案是通过应用物联技术于关键制造资源，形成多源制造信息的实时感知，并建立关键生产性能与各分散实时制造数据之间的关系；针对生产过程的异常建立异常评价规则库，进而当感知到制造过程的关键生产性能时，基于决策树方法进行增值处理，以更好地辅助生产管理者及时、精确地获取生产异常信息并快速地做出最优的决策，缩短优化时间。该方法在生产异常来临时，快速地获取生产异常状态及异常原因，及时将异常信息发布给生产管理者，节省了异常排查时间，减少异常发生对生产过程的影响，保障生产过程稳定可靠地运行，实用性好。

主权项

一种面向车间制造过程的实时生成性能主动感知与异常分析方法，其特征在于包括以下步骤：步骤1：基于现有的物联传感技术，构建可感知其周围环境变化和自身运行状态的智能制造资源，并向上层管理系统传递制造资源的实时状态，具体包括：步骤1.1：依据关键生产性能信息，选择要采集信息的关键制造资源，包括生产人员、关键物料和关键零部件，托盘、制造设备；步骤1.2：为制造资源配置所需的物联传感设备，使得制造资源具有逻辑行为能力，能主动感知周围环境的变化，同时，能够基于传感网向信息系统传递自身的实时运行状态和环境变化数据；步骤1.3：依据XML的信息描述方法，构建信息描述模板，根据实时采集的制造资源动态信息种类及时更新XML信息节点的属性，实现数据的高效传递；步骤2：对步骤1采集而来的原始离散数据进行分析，主动获取制造过程关键生产性能，具体包括：步骤2.1：依据生产管理关心的关键生产性能和产品的加工工艺信息，对产品生产性能的组成进行建模，建立针对关键生产性能的多层次事件模型，并分析事件之间的层级、时序及逻辑约束关系；步骤2.2：依据多层次事件模型和Petri网技术，建立与多层次事件模型相对应的分层Petri网模型；步骤2.3：基于多层次事件模型和Petri网模型，调用当前传感器采集事件，捕获产品的关键生产性能：步骤2.3.1：通过数据预处理的技术，对传感器采集的实时信息中零碎、重复和多余的数据进行组合、筛选和过滤处理，提供可供上层应用的高质量的原始事件，进而基于Petri网分析模型获取制造资源的基本事件；步骤2.3.2：依据基本事件间约束关系，基于实时生产情况和Petri网分析模型，进行复杂事件处理，获取生产线级或单元级的生产复杂事件；步骤2.3.3：基于Petri网分析模型，依据复杂事件之间的约束关系，获取反映车间制造过程实时性能的关键事件状态；步骤3：针对步骤2采集的实时关键生产性能信息，运用决策树分析方法进行评估，及时诊断出生产异常状态，并获取可能导致该异常的原因：步骤3.1：利用历史生产性能信息库中的样本信息，基于连续值属性决策树归纳学习算法，得到生产异常提取决策树，进而构建生产性能异常提取规则库，具体包括：步骤3.1.1：选择扩展属性，分为以下两步：a.对每个属性A，根据Gini增益最大的标准度量它的所有割点，选择该属性上最好的割点加入侯选割点集合；设样例集S＝{e₁,e₂,...,e_N}，N个样例分为m类，第i类C_i样例所占比例为$p_i=\frac{\left|C_i\right|}{\left|S\right|}(1\≤i\≤m,|S|=N),$显然$\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i=1,$集合S的Gini指数定义为$\mathrm{Gini}\left(S\right)=1-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P_i}^2$设属性A的割点T将样例集合S分割为S₁和S₂两个子集，那么用割点T划分S的Gini指数定义为$\mathrm{Gini}(A,T,S)=\frac{\left|S_1\right|}{\left|S\right|}\mathrm{Gini}\left(S_1\right)+\frac{\left|S_2\right|}{\left|S\right|}\mathrm{Gini}\left(S_2\right)$因此，使用割点T划分样例集合S的Gini增益为$\mathrm{Gain}(S,T,A)=\mathrm{Gini}\left(S\right)-\mathrm{Gini}(A,T,S)=\mathrm{Gini}\left(S\right)-\frac{\left|S_1\right|}{\left|S\right|}\mathrm{Gini}\left(S_1\right)-\frac{\left|S_2\right|}{\left|S\right|}\mathrm{Gini}\left(S_2\right)$b.选择侯选割点集合中Gini增益最大的割点对应的属性作为扩展属性；步骤3.1.2：分割样例集；使用步骤3.1.1中选择的扩展属性来分割样例集；对划分得到的各个样例子集递归选择扩展属性进行划分，直到满足停止条件，最终生成决策树；步骤3.1.3：由决策树生成规则；由树的根节点到叶节点的每条路径对应一条规则；步骤3.2：采用模糊决策树的方法获取异常精确溯源规则库，采用Fuzzy‑ID3算法，具体包括：步骤3.2.1：将制造资源的状态数据用模糊集表示，模糊集描述方法如下：考虑一个生产关键性能分析样例集合X＝{e₁,e₂,...,e_N}，X表示为{1,2,…,N}；设A⁽¹⁾,…,A⁽ⁿ⁾和A⁽ⁿ⁺¹⁾是描述样例的模糊属性，其中A⁽¹⁾,…,A⁽ⁿ⁾为制造资源的状态，A⁽ⁿ⁺¹⁾表示生产异常事件状态，即分类属性；每个模糊属性A^(k)的模糊语言值为所有的模糊语言值定义在相同的论域X上；u_ik是定义在T(A^(k)),i＝1,2,...,N,k＝1,2,...,n上的模糊集合，即模糊集合u_ik表示为的形式，其中表示相应的隶属度；步骤3.2.2：选择扩展属性，分为以下三步：a.对每个属性A^(k),1≤k≤n；①.对A^(k)的每一个属性值T_i^(k),i＝1,2,...,m_k，计算它相对于类别的相对频率②.对A^(k)的每一个属性值T_i^(k),i＝1,2,...,m_k，计算它的模糊分类熵b.对每个属性A^(k),1≤k≤n，计算它的平均模糊分类熵；$E_k=\underset{i=1}{\overset{m_k}{\mathrm{\Σ}}}\left(\frac{M\left({T_i}^{\left(k\right)}\right)}{\underset{j=1}{\overset{m_k}{\mathrm{\Σ}}}M\left(T_j^{\left(k\right)}\right)}\right){\mathrm{Entri}}_i^{\left(k\right)}$c.选择E_k取最小值的属性作为扩展属性，即选取k₀，使得$E_{k_0}=\underset{1\≤k\≤n}{\min }\left\{E_k\right\}$步骤3.2.3：分割模糊样例集；当节点的真实度小于给定阈值β₀时，分割模糊样例集；其中，一个节点的真实度是该节点中的样例隶属于各个类的可能性中的最大可能性；模糊分割中的元素依然是模糊集，递归地计算他们的平均模糊分类熵，选择扩展节点，最终生成模糊决策树；步骤3.2.4：由模糊决策树生成模糊规则；同步骤3.1.3，决策树中每一条从根节点到叶节点的路径都能转化为一条模糊规则；步骤3.3：针对实时获取的关键生产性能事件，调出生产性能分析规则库中与之相应的异常提取规则，从而依据实时生产性能的属性信息，通过规则匹配提取出生产异常，并对检测到的异常事件，标识异常标签；步骤3.4：对标识了异常标签的异常事件，依据异常精确溯源规则库中的原因定位模糊规则，获取不同异常原因规则下的隶属度与真实度；然后依据各规则的隶属度与真实度分析出异常原因，具体步骤如下：步骤3.4.1：对每一条分类规则，计算实例与条件部分匹配的隶属度，作为实例属于某类的隶属度；步骤3.4.2：如果针对分类属性，有多个规则以不同的隶属度将此实例分为几个不同的类，则取最高隶属度的规则；步骤3.4.3：如果有多个规则以相同的隶属度将此实例分为同一类，则取最高真实度的规则；步骤4：针对不同生产管理者的信息需求，基于订阅/发布机制的实时信息主动推送方法，为生产管理者提供其所关心的量化信息。