资讯

质量大数据驱动的xpj制造

igoseo.net   2021年09月27日

  未来,可以在大数据收集技术的支撑下,将原先单纯通过主观评价的方式拓展到主客观评价相结合的方法,而且通过大数据的手段可以更好地解决统计调查中存在的精度和系统性误差问题,真实全面反映产品质量水平。

  生产流程的xpj化实质是在设计,研发,生产等过程中,通过数据驱动来提高整个过程的针对性,准确性,灵活性及高效性,最终实现对质量的实时管理和精准控制,生产出高质量的产品,提供高质量的服务。质量大数据驱动的制造可以被视为xpj制造的必要条件和必然趋势。

质量大数据的内涵

  质量大数据是质量相关数据集的总称,是在工业领域,从客户需求到研发,设计,工艺,制造,售后服务,运维等全生命周期各个环节所产生的各类数据及相关质量工程技术和应用的总称。质量大数据针对工业质量设计,分析评价,xpj管控,运维服务等特定工业场景,将贯穿于产品全生命周期的多源,多种类,多模态的数据有效集成,通过分析挖掘,建立有效的质量分析评价,管理控制,运维服务等模型,实现工业装备的质量追溯与优化提升。

  质量大数据发展历程

  质量大数据主要经历了以下发展阶段。

  基于数理统计的质量管控阶段。从20世纪30年代起,以统计过程控制(SPC)为代表的数理统计的质量管控(统计分析,正交设计,统计过程等)开始在各类制造型企业中获广泛应用。通过对生产过程产生的数据进行数理统计分析评价,及时发现系统性异常因素,并采取措施消除其影响,降低波动,稳定质量。

  质量特性数据资源建设起始阶段。从20世纪50年代起,以美国为首的世界技术先进国家就已充分认识到质量数据的重要性。美国陆续建立了具有自动进行数据的存取,处理,检索功能的质量与可靠性数据系统。

  质量数据xpj化应用阶段。数据xpj化基本思想是寻求并记录不同工程,设计和产品配置的知识,并且对它加以理解,抽象,描述,使用和维护。质量数据xpj化应用的发展大体经历了三个时期:实验性系统时期,从1965年至1974年;MYCIN系统时期,从1975年至1980年;知识工程在产业部门开始应用的时期,时间从1980年至今。

  大数据阶段。随着制造业数字化转型,高档数控机床的配置应用和自动化采集设备的广泛应用,工业装备生产产生的质量数据,逐渐被全方位采集和多形式记录,数据量,数据类型,数据传输均得到大幅提升和扩展,不断采集和积累的质量数据将质量管理推进到大数据时代。

  质量大数据的特征

  质量大数据具有工业大数据的一般特征,即规模性,高速性和多样性。此外,质量大数据由于其来源和应用的特点,与其他工业大数据相比,还具有其它特点,田春华,李闯,刘家扬等所著的《工业大数据分析实践》对这些特点做了归纳。

  理论工具等基础较好。质量大数据在管理上,有6-sigma,TQM(Total Quality Management),Lean Management等管理理念支撑,也有ISO 9000,ISO 9001,ISO 13053等流程标准;在技术上,有SPC (Statistical Process Control),ANOVA等数理统计方法;在组织上,有工艺,质量管理,设备运维等固有部门支撑;在信息基础上,有EAP(Equipment Automation Program),DCS (Distributed Control System),SCADA (Supervisory Control And Data Acquisition),LIMS (Laboratory Information System)等软件系统支撑。

  影响因素多,数据不完备。影响质量的因素众多,不少关键过程量数据没有被采集或难以采集,关键质量指标缺乏全样本数据。关键参数稳定并不等于生产过程稳定,仅靠数据无法完美勾勒出质量物理空间。

  存在大量分割的先验知识。大数据分析与先验知识的有机融合在质量大数据中非常重要,但不同人员的知识或经验经常不对称(数据分析人员对工艺与生产管理了解得不够充分,工艺人员和行业咨询师常常对大数据分析技术的能力拿捏不准),需要一种可以使不同领域专家有效协同的机制,通过数据驱动方式,提高现有质量管控的时效性,预见性和自适应性,从而实现对更大范围要素的优化。

质量大数据驱动xpj制造的典型模式

  质量大数据的管理模式和应用方法正深刻影响xpj制造质量提升的研究与实践,数据思维开始对质量管理机制和执行方式产生显著影响,其典型模式如下。

  以产品质量为导向的设计优化

  产品复杂度的增加不仅对产品的功能特性提出更高要求,同时强调产品的质量特性。传统的质量工作是根据产品研制工作计划,由产品专业技术人员分阶段进行系统功能架构,逻辑架构,物理结构等功能特性设计,由质量工作人员逐项开展可靠性建模,FMECA(Failure Mode Effects and Criticality Analysis),FTA(Fault Tree Analysis),测试性分析等质量特性工作,工作项目众多,数据采集效率低下且数据集成能力薄弱,不同设计分析工作的过程数据与结果数据互不流通,形成信息孤岛,导致工作效果难以保证,工作效率难以提高。

  随着产品数字化和xpj化的发展趋势,产品研制模式也在逐渐向数字化和xpj化转变,传统的基于文档的系统工程研制模式越来越难以满足产品研制及质量特性工作需求;大数据等新一代信息技术的蓬勃发展,不断推动着系统研制向基于大数据分析和应用基础上的xpj化转型升级。在此背景下,数据驱动的质量特性协同设计应运而生。其实现的关键是构建产品质量特性协同设计数据库和质量特性知识图谱,结合产品研制过程中质量特性协同设计分析工作流程,提出质量特性知识xpj推送方法,实现质量特性协同设计知识在产品研制过程中的xpj应用,从而有效提升产品质量特性工作效率和知识应用水平。

  数据驱动的质量特性协同设计包含步骤实施:

  特性数据规范化处理。借助元数据管理的思想,分析质量信息指标相关的技术文档,同时结合行业普遍认可的定义和描述,建立工业产品质量特性及数据规范,规范各质量信息,实现工业产品质量信息准确化,规范化,唯一化管控。

  质量特性数据库建立。根据工业产品研制过程中质量特性数据的差异,分类建立工业产品质量特性数据库,以通过支撑数据结构化及有效复用来提升质量特性协同设计工作的顺利开展。

  质量特性知识图谱构建。采用一系列技术手段,从原始数据库和第三方数据库中提取知识事实,将其存入知识库的数据层和模式层,并不断更新迭代,以利用工业产品全寿命周期产生的数据指导产品的质量特性协同设计。

  典型场景下的质量特性知识xpj化应用。识别设计人员所进行的设计业务流程,应用的具体背景和环境,基于业务流引擎和知识引擎双驱动,实现知识推送;采用基于推理的语义检索技术,实现数据的快速检索匹配。

  以生产质量为导向的工艺优化

  提高xpj制造水平,达到降低工艺人员和管理人员的劳动强度,降低不良品率的目的,必须将目前主要靠人工完成的模型参数和控制参数优化工作转化为自动完成,才能适应不断变化的生产状况和日益多样的用户需求。通过对产品生产过程工艺数据和质量数据的关联分析,实现工艺模型优化和工艺控制优化,从而使产品质量,性能得到有效控制,提高工厂柔性化生产水平。

  如某公司采用基于机器视觉的冲压件缺陷xpj识别检测,立足生产线现有条件,设计图像采集系统,通过图像实时采集与xpj分析,快速识别冲压件是否存在表面缺陷,并自动将所有检测图像及过程处理数据存储至大数据平台。通过质检数据,生产过程工艺参数,产品设计参数间的关联,借助大数据分析技术,形成冲压产品质量问题分析管理的闭环连接,实现冲压产品质量的精确控制和优化提升。

  以设备质量为导向的预测性维护

  数据驱动的故障预测与健康管理(Prognostic and Health Management, PHM)是典型的以设备质量为导向的预测性维护,也是xpj制造的应有之意。PHM技术实现了两个关键性的转变:第一个转变是从传统的基于单个传感器的诊断转变到基于xpj系统的预测;第二个是从传统的基于事件的或者基于时间的维修转化到基于状态的维修,这些需要质量大数据分析来实现。PHM通过大数据实现对设备管理的状态感知,数据监控与分析,监控设备健康状况,故障频发区域与周期,预测故障的发生,从而大幅度提高运维效率。

  罗尔斯·罗伊斯,通用电气等公司通过装在产品上的传感器实时进行远程监控,掌握其工作状态并获得大量数据,且基于这些数据对可能出现的检修维护做准确预测,减少用户停产检修的次数,通过这种后续服务增强了不可替代性,赢得了客户的高质量评价与认可,同时也获得不菲的经济效益。通过质量大数据,帮助企业预测和管理装备的健康退化,剩余可用时间,精度的缺失以及各类因素对安全和成本的影响,实现与装备的使用,维修维护,供应链,安全监管,应急处置等过程的高度融合。这样制造商从卖产品向卖“产品+服务”转变,实现价值链的延伸。

  以质量预警为中心的供应链协同

  通过打通供应商,研发,制造,市场返还等供应链全流程关键质量数据,应用大数据分析及数学建模技术,构建数据驱动的大数据质量预警体系,实现供应商来料质量预警,制造过程质量预警及网上返还质量预警,质量预警从制造向上游研发,产业链及用户的覆盖,驱动xpj制造质量管控从事后拦截向事前预测,预防方向转变。

  特别对于离散型xpj制造,将数据采集系统云化部署,可以与上下游供应商系统进行对接,通用数据标准格式实现数据交换;内置工业领域预警模型算法,有效识别来料,设计,制程,工艺等方面隐性质量问题,识别改善机会点,驱动逆向改进,在设计前端构筑高质量。

质量大数据驱动xpj制造的发展趋势

  质量大数据驱动xpj制造的技术发展趋势主要从数据采集,质量分析,质量应用等方面展开。

  数据采集

  从数据采集方面看,数据供给方面,数据采集时间,频率,范围都将变化。

  数据采集时间从定时到实时。当前由于系统本身以及企业没有选择最适合自己的数据采集系统等原因,难以全面实现数据采集的实时性;未来随着传输带宽增大及传感器的普及,质量大数据采集将变得普及和透明化,实现全周期实时采集。

  数据采集频率从间断性监测到全面监测。目前质量大数据采集由于经济成本等原因一般是按照一定的概率进行随机抽检,难以全面实现数据采集的完整性;未来,质量大数据采集将实现全面监测。

  数据采集范围从单一环节到全环节。目前由于质量分析方向等原因,质量大数据采集往往聚焦于研发设计,生产制造,经营管理,运维服务等环节中的一个环节;未来随着以质量为中心的全维数据关联模型的应用,将实现全环节数据采集,并且不同环节的数据将形成关联。发生质量问题时,不需要人工来回翻阅不同系统的资料进行排查。

  质量分析

  从质量分析方面看,分析深度,广度和复杂度随着数据量增加而增大。

  多领域整合分析。质量大数据具有领域特征,工业场景的边界由专业领域的机理进行约束,因此,分析过程注重数据模型和机理模型的融合(如关键工艺指标,经验公式等)。同时,质量大数据具有数据来源差异性,高维性及稀疏性等特点,如何挖掘数据集间的异质性和共同性并降维去噪是质量大数据分析的目标与挑战之一。随着数据采集的维度,环节,频率增加,数据来源领域的差异性和异构性将越来越大,需要能同时分析多个独立数据集,避免因地域,时间等因素造成的样本差异而引起模型不稳定。

  多物理场耦合分析。当前的质量分析主要关注于某个专业领域,比如应力或疲劳,但是,一般来说,物理现象都不是单独存在的。例如,只要运动就会产生热,而热反过来又影响一些材料属性,如电导率,化学反应速率,流体的黏性等。物理场间传递的物理量或物理现象,构成了耦合的多物理场。未来的质量大数据分析将实现多物理场耦合分析,使得单个物理场的载荷由于输入合理,使得求解结果更为精确;物理场间传递的物理量更为清晰;质量设计优化的空间加大。当然,对各种耦合问题进行分析,必须推导出相对应的耦合方程,其难度将是巨大的。

  多时空耦合分析。质量大数据往往具有时序特征,生产过程指标多为时序数据,典型的序列数据特征包括单序列原始值,单序列单值特征等。未来的质量分析将实现多时空耦合分析,充分考虑不同时间序列,不同空间的数据,通过模型进行耦合分析,从而在更大范围,更广空间,更长时间对质量进行分析,推导出原来依赖人的知识与机理模型等推导不出来的结果。

  质量应用

  从质量应用方面看,越来越强调与质量改进,风险预防和质量评价的业务闭环。

  质量改进应用。应用质量数据,分析工业装备研制生产状况,发掘,预防和改进薄弱环节,是质量大数据在提升质量管理能力方面的典型应用。如综合分析产品研制生产过程中的故障数据,结合产品研制生产特点,改进不合理环节,促进研制生产管理水平的提升。如何高效利用已有的定制设计进行质量管控,如何从检测角度处理海量数据,如何对挖掘,满足客户潜在的设计需求进行定制化检测,将是质量大数据所需要解决的问题。

  当前质量管理着力点应用于质量自动检测,提高工艺认识等。未来质量大数据将更加着力于控制参数优化,质量根因分析,质量要求反映在设计与生产等前端环节,自适应,自反馈,实现工艺设计优化,在线控制,实时化数据计算,个性化的数据预测和异构化的数据集成的任务目标等。同时,未来基于质量大数据的质量管理体系朝着xpj化,精确的质量控制能力方向发展。全面运用大数据分析技术指挥质量要素的管控,能够实现在线细微操控。从微笑曲线的上游去提高质量,质量大数据产生的效益将大大增加。

  风险预防应用。制造业企业在数字化转型过程中,生产运营过程中将面临较多生产及质量管控的不确定因素。而在这个过程中,不仅要防止或减少产品缺陷,提高加工实效,设备效率,可靠性和安全性等,还要考虑到加工工艺,生产环节,设备性能,零部件磨损,运行风险等因素。未来通过质量大数据分析,就可以对各种不确定因素进行实时监控,应用质量数据,通过对比分析,仿真分析等技术,分析产品研制生产过程的质量状况,发掘风险源,消除潜在隐患,尽可能地为企业的生产运行规避风险,将检测实时数据反馈xpj工厂,提升研制过程产品质量。

  质量评价应用。现阶段质量评价主要是运用用户满意度和基于标准规范测评的方法,是基于主观角度的用来发现和解决质量问题的质量管理工具,不能全面反映包括服务组织的提供过程和提供能力在内的客观全面的产品质量水平。未来,可以在大数据收集技术的支撑下,将原先单纯通过主观评价的方式拓展到主客观评价相结合的方法,而且通过大数据的手段可以更好的解决统计调查中存在的精度和系统性误差问题,真实全面的反映产品质量水平。

  按照产品性能,使用要求等,构建产品质量评价指标,应用质量大数据,开展产品的质量评价,提高产品交付率,是质量大数据在保证成功方面的典型应用。综合应用产品形成过程的质量数据,分析产品质量状况和性能水平,将成为掌握系统级产品质量的有效途径。

  (鸣谢:本文得到北京工业大数据创新中心首席数据科学家田春华博士帮助)

  作者:

  谢克强 聂国健 胡宁 工业和信息化部电子第五研究所 工业装备质量大数据工信部重点实验室

  本文发表于《中国工业和信息化》杂志2021年9月刊总第38期

标签:大数据 我要反馈 
专题报道
魏德米勒物流行业解决方案

魏德米勒作为行业领先的电联接专家,进入中国市场26年,一直致力于为中国以及国际企业提供创新的xpj化解决方案。我国正处于仓

施耐德电气食品饮料行业能源管理数字化解决方案

随着制造业数字化转型时期的到来,工业企业能源管理也将从纸质,人工的方式,走向数字化采集和xpj分析的新未来。施耐德电气在工

施耐德电气食品饮料行业精益数字化工厂解决方案

施耐德电气在数字化转型领域的布局由来已久,多年前就提出了绿色xpj制造的理念,并提出了EcoStruxurexpj制造架构与

Baidu