[發明專利]基于物聯網的離散型車間數字溯源方法

有效

• 申請號: 202011532590.4
• 申請日: 2020-12-22
• 公開（公告）號: CN112765768B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 祁宇明;馮玉飛;王文;謝兵;薛強;權利紅;鄧茜;王帥;鄧三鵬;周旺
• 申請（專利權）人: 天津博諾智創機器人技術有限公司;安徽博皖機器人有限公司;湖北博諾機器人有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F30/15;G06F16/27;G06F16/2458
• 代理公司: 天津英揚昊睿專利代理事務所(普通合伙) 12227
• 代理人: 吳揚

1.基于物聯網的離散型車間數字溯源方法，具體步驟如下：

一、離散型車間生產線數字建模：該數字建模包括工業機器人三維幾何模型、數控加工設備三維幾何模型、物流傳輸設備三維幾何模型、生產線組件三維幾何模型、IRobotSIM仿真軟件API函數和圖形元素，根據離散型車間工藝布局要求，按照1：1比例構建工業機器人三維幾何模型、數控加工設備三維幾何模型、物流傳輸設備三維幾何模型、生產線組件三維幾何模型，進行三維幾何模型物理位置定位；在工業機器人和數控加工設備采用樹形結構建立運動模型與運動關節關聯關系，并設置關節運動正向、負向范圍和當前位置，為了確保關節的物理運動精度，可對運動模型的運動中心進行位置提取，通過調用IRobotSIM仿真軟件API函數和圖形元素實現生產過程動作信號指示、加工節拍分析、設備狀態指示，實現物理空間到虛擬空間真實映射；

二、進行離散型車間數據采集：在離散型車間內進行數據采集操作，離散型車間內部設置有智能化設備、非智能化車床、人工工位，數據采集包括工件生產數據采集、參與生產人員數據采集、成品質量檢測，還在離散型車間內部加裝傳感器，并使用智能化設備通過現場總線直接進行數據采集；因現場設備接口協議不統一，需要一種支持多網絡、多協議的多源數據采集方式；小波物聯數據采集方式主要分2種：終端直接接入和工業網關接入，并支持多網絡、多協議數據采集，通過對工件全流程生產數據、人員數據、質量檢測數據的采集，為離散型車間數字溯源提供大量歷史數據；

為了提高溯源效率，定義了一種工件虛擬標簽編碼規則：工件虛擬標簽由數字和字母組合構成，前6位表示工件的序列號，中間6位表示工件加工數據信息，后5位表示參與加工人員數據信息，工件的序列號是根據裝配的任務單進行預編碼，工件加工數據包括工件規格標識符、關鍵工藝參數、溫度參數、濕度參數和兩位冗余參數，工件規格標識符采用大寫字母A～Z表示；關鍵工序參數、溫度參數和濕度參數根據允許的相對偏差劃分為10個等級，用0～9數字表示，后兩位冗余參數用于新增影響工件質量的主要因數信息，默認為00；參與加工人員數據前3位表示人員工號信息，后2位用于員工體溫檢測；

所述工件生產數據采集方法：根據上述虛擬標簽編碼規則對工件序列號進行預編碼，并在云平臺存儲區建立對應工件的生產信息存儲區，利用工件數據采集系統進行數據采集，并在工件數據采集系統裝有多個光電傳感器，用于對工件進行計數，確保將工件加工信息準確記錄到對應工件的生產信息存儲區；

普通機床自動化程度不髙，需加裝光電傳感器、振動傳感器、電流和電壓傳感器，采用串口通信方式將傳感器接入小波物聯的數據采集器；智能化設備可直接通過以太網口端口將車間設備加工的數據、關鍵工藝參數以及加工環境參數傳輸到小波物聯的數據采集器，采用4G/5G網絡無線網卡通信方式將實時生產數據上傳至云平臺數據存儲區；

所述參與生產人員數據采集方法：

當工件序列號完成預編碼以后，操作員在設備讀寫器上輸入員工身份ID和身份驗證碼，系統會自動匹配操作員身份信息，并將操作員身份信息、參與工件開工時間和結束時間、工件標識、員工體溫信息記錄到對應工件的生產信息存儲區，依據生產的工件數量和質量統計數據，對員工出勤狀態、工作狀態和績效數據進行動態評估，為追蹤操作員信息提供大量數據支持；

所述成品質量檢測方法：

生產過程中的質量檢測主要包括工件質量檢測和成品質量檢測，工件質量檢測分布于各個工序環節，標記不合格工件序列號，防止不合格工件進入到下一個工序環節，造成生產資源的浪費；成品質量檢測包括表面質量檢查、外形尺寸檢查和內部質量檢查，將相應的檢測數據上傳至云平臺數據存儲區；

三、根據上述步驟采集到的數據進行數字溯源，該數據溯源包括提取影響成品質量的變量、獲取生產異常時空分布兩個步驟：

所述提取影響成品質量的變量分析方法：

通過序列號找到質量不合格成品的生產加工數據、環境信息、人員信息、質量檢測信息，采用單因素和多因數關聯分析方法，從“人、機、法、環”4個方面找到影響工件質量的變量x，單因素分析是使用數理統計方法提取影響工件質量關鍵變量x，對提取到的關鍵變量進行標準化、歸一化處理，通過線性相關分析，獲取影響工件質量的單變量影響因子；多因素分析就是使用FPGrowth關聯分析作為成品質量分析的算法，把成品生產過程中的裝配工序工藝參數特征值、操作人員編號、各生產設備編號、生產車間編號、生產批次編號多個變量屬性作為FPGrowth算法的輸入，獲取影響成品質量的多變量影響因子；

所述獲取生產異常時空分布方法：

1)從“人、機、法、環”4個方面找到影響成品質量的p維變量X＝(x₁，x₂，...,x_p)^T，采用主成分分析找到影響成品質量的主要變量，建立影響率F數學模型如下：

輸入：影響成品質量的n個p維變量樣本；

輸出：獲取影響成品質量的主要變量X^*＝(x₁^*，x₂^*，...,x^*_m)^T，mp；

2)選取p維隨機向量X＝(x₁，x₂，...,x_p)^Tn個樣品X_i＝(x_i1，x_i2，...,x_ip)^T，i＝1,2,…,n(np)，構造樣本陣，對樣本陣進行標準化處變換，標準變換如公式(1)；

式中：

對標準化陣Z求相關系數矩陣，如式(2)；

(2)式中：

3)求解本相關矩陣R的特征方程|R-λI_p|＝0，得到p個特征值，按照(3)式確定m；

4)將特征值按照從大到小的順序排序，選擇對應前m個特征值變量，成品質量的主要變量X^*＝(x₁^*，x₂^*，...,x^*_m)^T，mp；

5)設這些特征變量對成品的影響率為F，假定影響因子K幾乎不變，影響率F的計算公式為：

F＝k₁x₁+k₂x₂+...+k_mx_m (4)

(4)式中：K(i)表示變量x(i)的影響因子，t(i)表示變量x(i)的奇異時間；

根據缺陷程度篩選出10m個p維x變量樣本，將p維x變量樣本代入到公式(4)，獲取影響率F的最大值Fmax、最小值Fmin，將影響率F劃分為5個缺陷等級，得到各個等級影響率F的邊界值分別是F_min、F₁、F2、F3、F4、Fmax，按照響率F的邊界值分別選取m組p維變量樣本，求解x₁^*，x₂^*，…,x_m^*:

求解響率F為F1的主要變量值：

輸入：F₁＝F(x_n1,x_n2,...,x_nm)^T,n＝m；

輸出：X^*＝(x₁^*，x₂^*，...,x^*_m)^T；

1建立x₁^*，x₂^*，…,x_m^*的多項式,如式(5)；

2求解X^*＝(x₁^*，x₂^*，...,x^*_m)^T；

由于環境的不可控、數據傳輸效率不穩定，采集設備有限，導致生產數據信息相對離散，存在數據缺失區域，增加了事件的空時位置回溯難度；通過掌握數據的空時相關性實現場重構，根據檢測結果在空間中進行網格化搜索，找到事件發生位置，定位事件發生時間；

3假設，現有觀測值y＝[y₁,y₂,...,y_N]^T，觀測點為x＝[x₁,x₂,...,x_N]^T，使用高斯過程f(x)～GP(m,k)去模擬該數據，設新的觀測點x^*，預測新的函數值f^*；

通常觀測值y與函數值f(x)之間存在加性噪聲ε，得到：

y＝f(x)+ε (6)

假設ε是一個均值為零，方差為δn2的獨立高斯分布

ε～N(0,δ_n²) (7)

預測分布

p(y*|y)＝∫p(y*|f(x))p(f(x)|y*)df(x) (8)

為了便于討論，在這里假設m(x)＝0，得到訓練輸出集合與測試輸出集合的聯合分布為：

(9)式中：矩陣K(x,x)，K(x,x_*)，K(x_*,x_*)分別為n x n，n x n*與n*x n*，K(x,x_*)與K(x_*,x)互為轉置；

根據貝葉斯理論得到預測數據的分布：

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仿真實驗

定位到成品加工過程中具體的生產異常時間段，提取生產異常時間段的歷史數據，在IRobotSIM虛擬生產線仿真環境，通過歷史數據驅動虛擬生產線還原異常時間段加工過程，對工序路線、生產工序、工序參數等的進一步觀察之后，找到研發設計缺陷、生產制造缺陷，根據已有的生產歷史數據，提出工藝路線和結構單元的改進方案，完成對工藝路線和工藝參數的重新整定；沿著成品生產制造改進后的正向工序模擬異常時間段生產過程，通過觀察生產單元加工制造的實時生產數據與提取的歷史數據對比結果，驗證新的工藝路線和工藝參數的可行性，提高生產線改進效率。