大鍛件大數據系統架構的研究（下）

文/齊作玉，許樹森·上海重型機器廠有限公司

大鍛件大數據系統架構的研究（下）

文/齊作玉，許樹森·上海重型機器廠有限公司

《大鍛件大數據系統架構的研究（上）》見2016年第1期

數據采集途徑

開發應用工藝質量信息系統

⑴目的和意義。

研究者曾對國內主要大鍛件企業的工藝和質量信息化情況進行過調研。注意到，國內大鍛件企業工藝和質量信息化方面還存在空白。要想有大鍛件工藝和質量數據的積累，要想能科學分析工藝和質量問題，必須盡快開發、建立和應用先進的大鍛件工藝、質量信息系統。為此，研究者開發了一種系統雛形。

⑵原理和特點。

根據鍛壓工藝原理、大鍛件生產質量影響因素、質量檢驗和質量記錄過程、大鍛件鍛壓工藝和質量的參數化方法、管理信息系統開發原理和經驗，利用微軟免費關系型數據庫ACCESS、服務表單InfoPath及VBA編程語言等，研究開發出了鍛壓工藝及質量信息集成管理信息系統的雛形。圖3為該系統主菜單，包含鍛壓工藝數據、熱送鋼錠信息、鍛壓記錄、檢驗記錄和查看其他信息共五個信息輸入部分及1個預覽查詢各種自動報告的功能。

鍛壓工藝界面輸入數據后可自動生成安排生產的鍛件明細表；可通過網絡授權快速查詢所有輸入的工藝信息及圖形附件；進一步開發后，還可根據參數自動生成動態的鍛壓工藝卡。當某時期的生產數據輸入后，可自動關聯；檢驗記錄輸入后，則可生成智能的鍛壓工藝質量自動分析報告。

該系統借鑒了著名歐美跨國公司應用信息技術的成功經驗，結合大鍛件企業實際情況和需要，形成了鍛壓工藝和質量集成管理信息系統雛形。系統能將小樣本統計學、工藝參數化方法、設備工藝質量數據集成方案等再次集成，形成智能的記錄和自動分析系統，利于不斷改進，可成為穩定和提高大鍛件質量的基礎平臺。

圖3 鍛壓工藝質量記錄信息系統主菜單

設備數據提取

⑴生產設備數據提取。

隨著我國大鍛件生產設備的飛速發展，新的萬噸壓機和操作機都有了測量數據的計算機屏顯。國內部分企業還實現了數據自動存儲。但是，這些設備上的測量數據還是離散的和不完整的，實際仍無法有效應用。

通過集成鍛壓工藝技術、設備測量技術和現代信息化技術，利用工業組態軟件，研究開發一個智能的生產工藝自動記錄和質量分析系統，讓離散的壓機等設備數據成為有效的大鍛件鍛壓工藝和質量相關數據。

⑵在線尺寸檢測設備數據提取。

大鍛件企業無論是購買、改造還是開發大鍛件在線檢測設備和裝置，都應加強可行性研究，聘請既懂生產工藝又懂信息系統集成的專家參加決策和制訂方案，以便充分考慮實現大鍛件大數據的價值，能根據大數據的知識和理念，完善項目的需求和目標，實現大數據的有效集成和利用。

⑶檢查試驗設備數據提取。

傳統上，檢查試驗設備測得的大鍛件產品或試件數據還是打印出來獨立使用的。進一步有效利用檢查試驗設備中得到的數據至少考慮以下幾個層次：第一層次是將檢測設備生成的電子檢測報告通過網絡安全連接傳遞到局域網中的服務器上，用附件形式自動集成到工藝和質量信息系統中，實現有效利用；第二層次是將檢測報告上的主要數據用手工輸入到新開發的工藝和質量信息系統中，開發出對應的自動檢測報告，實現有效利用；第三層次是找到檢查檢測設備在生成電子檢測報告時的數據，存成符合標準格式的文件，與工藝和質量信息系統相集成，直接傳入數據庫、直接可生成動態的并可在線打印的檢測報告，實現有效利用。

集成數據提取

通過系統集成，將其他系統的數據提取到本系統之中或將本系統數據傳遞到其他系統之中，這不僅減少了數據的重復輸入，還可大大發揮出數據的價值。因此，集成數據既有數據價值設計的作用，又有數據提取的特征。例如，在鍛壓生產設備數據提取中，如果可以從ERP（Enterprise Resource Planning 企業資源計劃）系統中提取鋼錠物料信息數據，從工藝質量控制系統中提取工藝數據，則可大大發揮鍛壓生產設備數據提取系統的實用價值和效率。

數據分析決策

統計學分析

⑴統計學應用的挑戰。

統計學廣泛應用于許多領域，但在大鍛件生產科研領域里的應用幾乎是空白，很少能見到和找到其他研究者和作者關于大鍛件統計學應用實例的研究報告、論文和理論書籍。這并非統計學方法在大鍛件領域里不重要，而是因為缺乏數據和參數無法應用統計分析。此外，概率論統計學本身不太容易被理解和掌握，在大鍛件領域里，成功應用的方法和實例也非常少，缺少能直接借鑒和引用的實例和方法。萬事開頭難，大數據的發展必須經過小數據階段，因此大鍛件小樣本統計學的研究應運而生。

⑵小樣本的概念。

樣本按其容量有大小之分。一般情況下，樣本量小，則統計學估計的誤差大；樣本量大，則統計學估計的誤差小。然而，提高一點精度，統計量則需急劇大幅增加。大鍛件的生產特點是單件小批量，除非是長期積累才能獲得較大樣本，否則其應用只有從小樣本量著手。

關于統計學所需要的最小樣本量，目前并沒有確切的要求。從統計學書籍后面附帶的常用統計學統計量分布表來看，列出的最小樣本量是2。本研究認為，最小樣本量可根據實際確定。只要能進行統計分析并能得到科學結論就可。

⑶小樣本統計學成果。

顯著性檢驗就是事先對總體的參數或總體分布形式做出一個假設，然后利用樣本信息來判斷這個假設（原假設）是否合理，即判斷總體的真實情況與原假設是否有顯著性差異。顯著性檢驗是針對我們對總體所做的假設做檢驗，其原理就是“小概率事件實際不可能性原理”來接受或否定假設。

顯著性檢驗用概率P來表示由抽樣誤差引起的可能性有多大。統計學上習慣規定P＞0.05 相差不顯著，可能性大；0.05≥P＞0.01 相差顯著，可能性小；P≤0.01相差非常顯著，可能性極小。小樣本檢驗方法包括：

1）計量資料的顯著性檢驗。

對于計量資料的顯著性檢驗，當樣本含量較小，比如200例以下，應該選用t檢驗（student test）；當樣本含量較大，比如200例以上，則應該選用u檢驗（u test）。t檢驗和u檢驗是根據分布（標準正態分布）原理建立起來的顯著性檢驗方法。

例如，長軸類鍛件的軸端機械性能在拔長比達到一定數值后容易出現各向異性。縱向與橫向性能之間的比值，稱為異性系數。為了解決40A船用電機軸的各向異性問題，太原重工股份有限公司（簡稱太重）曾采用不同的鋼錠生產船用電機軸。太重的研究中給出了堿性電爐鋼和電渣重熔煉鋼的各向異性系數，但未能開展科學的統計學分析。研究者經過對太重統計數據的處理，然后用t檢驗進行分析，給出科學分析結果和結論：電爐鋼延伸率異向系數、截面收縮率異向系數、沖擊值異向系數的總體均數與電渣鋼延伸率異向系數、截面收縮率異向系數、沖擊值異向系數差異均顯著。并由此得出科學推論，采用電渣鋼的煉鋼方法，的確解決了長軸類鍛件的各向異性問題。

2）計數資料的顯著性檢驗。

對于計數資料的顯著性檢驗，其樣本含量大小的檢驗方法選擇與計量資料的顯著性檢驗有類似之處。當樣本含量較小，200例以下，選用卡方檢驗（Chi-square test）；當樣本含量較大，200例以上，則選用u檢驗。

例如，上海重型機器廠有限公司的工藝人員為了解決管板大鍛件的探傷超標問題，研究提出了一種宏觀控制鍛造法，給出用拔長保證壓力容器管板大鍛件中心壓實的拔長比宏觀條件。為了驗證該條件，統計了一個時期連續生產的21份工藝、144只鍛件的工藝記錄及探傷檢查結果。對統計數據分成滿足拔長比宏觀條件和不滿足拔長比宏觀條件的兩組，然后用卡方檢驗進行對比分析，給出科學分析結果和結論：兩組不合格率有顯著差別。并由此推論，鍛壓拔長條件對大鍛件探傷有顯著影響，滿足拔長比宏觀條件的工藝能顯著提高超聲波探傷的合格率。并根據該推論，解決了大批管板鍛件的探傷問題，使產品質量得以顯著穩定提高。

數據智能報告

統計分析只是數據分析方法中的一種方法，根據研究的問題，還有許多分析方法可選擇應用，如數值方法、最優化方法和運籌學等。另外，還有一些BI（Business Intelligence）商業智能軟件。但BI軟件通常價格昂貴，開發分析報告需要由外部咨詢師、內部IT人員和內部業務人員共同完成。微軟免費的ACCESS數據庫軟件有相當不錯的數據智能分析報告功能。它在世界第一大鋁業公司ALCOA和著名的電力及自動化公司ABB在中國的企業中都曾得到低成本高實效的應用，值得中國大鍛件企業行業借鑒。

決策支持

決策支持系統能夠為決策者提供所需的數據、信息和背景資料，幫助明確決策目標和進行問題的識別，建立或修改決策模型，提供各種備選方案。并且對各種方案進行評價和優選，通過人機交互功能進行分析、比較和判斷，為正確的決策提供必要的支持。決策支持系統強調的是對管理決策的支持，而不是決策的自動化。因此，統計學分析報告和BI報告都是決策支持的基礎，在此基礎上根據實際需要選擇商業軟件或訂制開發。

結束語

本文給出以下主要結論：①大數據是根本性解決大鍛件質量不穩定問題的一種必要選擇，是實現大鍛件智能制造的必由出路；②大鍛件工藝參數化方法和工藝細化軟件是增加有價值的大鍛件數據實現大數據目標的源頭，本文給出了基本方法和軟件雛形；③給出了采集存儲工藝數據、設備中數據和質量數據并加以集成應用的建議方法和數據庫雛形；④給出了創新的大鍛件統計分析方法，智能報告方法和大數據系統架構。

本研究對穩定我國大鍛件的產品質量、支持大鍛件企業管理決策、實現大鍛件大數據目標、智能制造以及企業的轉型升級有一定的參考價值。

（本文獲得《鍛造與沖壓》2015年有獎征文第一名）