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技术

本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及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。
技术介绍
工业生产过程规模的日益复杂与大型化和生产环境因素的随机多变，导致现代生产过程中的信息呈现多源且海量的特征，然而，由于缺乏对实时多源信息有效的获取方法和处理方法，导致制造信息在获取时存在采集费时而不增值、滞后严重、易出错等现象，使得企业上层管理系统难于及时把握制造场所的实时多源制造信息，难于及时、精确感知生产异常，进而导致制造企业经常面临生产订单频变、生产计划与制造执行脱节严重、实时响应生产异常慢等问题，致使制造执行系统的整体效率低下。随着物联网技术、传感器技术等的迅猛发展，实时采集制造资源的状态信息逐渐变的容易。物联网技术可实现物与物、物与人的泛在连接，达到对物品和过程的智能化感知、识别与管理，为多源制造信息的主动感知与传输，异常的快速预警及处理提供了技术支持。近年来，在制造过程实时生产性能的主动感知和异常诊断方面的研究主要有：香港大学制造系统及工程系George Huang教授等提出采用RFID技术实现对生产过程的实时物料信息的跟踪和监控的体系构架；西北工业大学机电学院的中国专利《嵌入式多源制造信息感知装置及方法》提出一种嵌入式多源制造信息感知装置及方法，对生产执行过程中多源信息进行采集、加工处理与标准化封装，实现对制造过程重要信息的主动感知；广东工业大学信息工程学院采用为传统制造设备安置无线阅读器的方式以获取发生在制造设备上的员工信息等；中国专利《生产辅助监控系统及其方法》公开了一种生产辅助监控系统及方法，通过配置呼叫装置、监控装置和应答装置，使得生产线异常得到及时解决，合理配置生产辅助人员，优化生产管理。上述研究和专利技术都对制造过程实时生产性能的主动感知和异常诊断系统的发展起到了巨大的推动作用，但是在实现高效率，高精度的生产性能评估方面，还存在以下问题：1)由于缺乏对采集信息的进一步处理，生产管理者不能直接获取其所关心的生产性能状态及异常情况，当异常来临时，不能直接获取导致该生产异常的原因，致使生产异常处理有一定的滞后。2)生产异常的提取过程使用人工发布/处理异常信息的机制，过于依赖工作人员的经验及反应速度，不能主动高效地获取制造过程的实时异常信息，致使生产异常诊断有一定的局限性与滞后性。
技术实现思路
为了克服现有方法实用性差的不足，本专利技术提供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。该方法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(如制造成本、生产进度、产品质量等)与各分散实时制造数据之间的关系；同时，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，实用性好。本专利技术解决其技术问题所采用的技术方案是：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，其特点是采用以下步骤：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候选割点集合；设样例集S＝{e1，e2，...，eN本文档来自技高网...

【技术保护点】
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,...,eN}，N个样例分为m类，第i类Ci样例所占比例为pi=|Ci||S|(1≤i≤m,|S|=N),]]>显然Σi=1mpi=1,]]>集合S的Gini指数定义为Gini(S)=1-Σi=1mPi2]]>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Gini(A,T,S)=|S1||S|Gini(S1)+|S2||S|Gini(S2)]]>因此，使用割点T划分样例集合S的Gini增益为Gain(S,T,A)=Gini(S)-Gini(A,T,S)=Gini(S)-|S1||S|Gini(S1)-|S2||S|Gini(S2)]]>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,...,eN}，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；uik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uik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Ti(k),i＝1,2,...,mk，计算它相对于类别的相对频率②.对A(k)的每一个属性值Ti(k),i＝1,2,...,mk，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；Ek=Σi=1mk(M(Ti(k))Σj=1mkM(Tj(k)))Entrii(k)]]>c.选择Ek取最小值的...

【技术特征摘要】
1.一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；<...

【专利技术属性】
技术研发人员：张映锋，王文波，刘思超，司书宾，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61