一種智能化元器件檢測系統的研究

徐文勝，候正全，張運洪，馬 超，武 博，汪偉嵐

(上海精密計量測試研究所，上海 201109)

0 引言

航天產品具有品種多、批量小、產品構型和工藝復雜、研制更改頻繁、產品質量要求高、研制全過程必須可追溯等特點，目前大多數航天研制單位都已實施企業資源管理系統(ERP)，但其核心模塊計劃管理、生產過程中的質量管理、指揮控制系統等存在計劃不合理、過程管控不透明、靈活性不夠、責任不到位、人工參與過多等問題。航天元器件的二次補充篩選業務因其工藝流程的復雜、嚴格，尤其面臨這樣的難題。

傳統的電子元器件檢測方法效率不高，自動化程度低、信息化程度不高，更難達到智能化檢測的要求。國際上以美國國家儀器(NI)為代表的測試儀器公司率先推出計算機虛擬儀器進行測量的方式[1]。FLUK公司推出了無線測試儀器，代表了電子測量設備信息化發展趨勢[2]。目前尚未明確提出智能化檢測概念和生產模式，只是出現了許多智能制造的前沿思想和技術體系，以GE的工業互聯網、思科公司的物聯網(internet of things)、IBM的智慧地球等企業界的研究成果，和美國的NNMI、德國工業4.0戰略和架構為典型代表[3-6]。本文參照以上智慧工廠或智能制造的參考模型，提出一種基于物聯網、機器視覺、大數據分析及ERP系統的智能檢測系統架構，定義了技術架構組成及內在各組件的邏輯關系，并以航天某元器件可靠性中心的檢測業務為原型進行了技術實現、驗證，可供該領域的技術研究人員和專家參考借鑒。

1 智能檢測系統的業務需求分析

航天某元器件可靠性中心的檢測業務主要是面向航天、軍用裝備領域提供覆蓋元器件選用、評價、采購、到貨檢驗/篩選、使用、失效分析全周期的可靠性保證技術服務；面向元器件制造方、使用方提供結構分析、應用驗證等高附加值服務；面向國內元器件保證市場提供元器件檢測與分析服務。

元器件檢測流程主要由補充篩選(包括測試、環境試驗、電老煉等)和DPA相關元器件檢測工序組成。完成產品中的元器件選用、元器件補充篩選和試驗驗證等工作，保證元器件的可靠性。檢測業務流程如圖1所示，通過委托單完成委托用戶檢測樣品交接、分揀，同時完成在產品檢測信息管理子系統中的錄入、任務確定和樣品入庫。當計劃任務下達后，完成未檢樣品出庫和檢測任務，最后出具元器件DPA試驗報告，補充篩選處理報告或計量測試報告等檢測報告，檢測任務完成。任務完成后，完成已檢樣品入庫和樣品交接。

圖1 檢測業務流程Fig.1 Detection business process

近年來，通過任務管理信息系統的建設，任務管理模式有了一定的改善，但并沒有從根本上改變傳統的檢測管理模式，與現代信息化、智能化、自動化管理模式相比仍有不少的差距。因此，迫切需要構建智能化檢測生產管理系統，利用感知設備和高效的網絡傳輸，將元器件檢測業務流程、設備、環境、數據和安全各要素及其系統互聯互通，利用現代化智能化設備、科學有效的分析方式和高效的網絡傳輸，構建一個統一的信息共享、智能感知、科學分析和決策、多服務綜合集成、互聯互通的智能化檢測生產線，改變傳統檢測的管理模式，實現檢測業務的全方位智能化管理。

元器件智能化檢測生產線的設計規劃需要充分考慮其檢測技術、檢測線管理以及實際應用的現狀和發展，保證整個檢測系統的擴展性，并充分考慮環境、工程、建筑等方面的可持續性發展，配合嚴格的監控和糾偏措施，建設可持續發展的智能檢測生產線。實現任務管理由被動應付型向主動保障型、傳統經驗型向現代高智能型的戰略轉變。構建集通信、指揮和調度于一體的高智能化信息系統，使管理層全面系統的了解整個檢測任務、資源、物流等信息。 打造聚合型指揮調度中心，一站式全面、動態展現多資源與任務現場運行狀態，為調度指揮提供全方位控制，并按需顯示相應評價、統計分析和管理信息。構建具備信息危機判斷、決策分析、命令部署、實時溝通、聯動指揮、現場支持等功能的指揮神經網絡，形成智能檢測決策網絡。檢測任務可按型號、及時率、資源使用情況、在檢任務數、逾期任務數等維度進行檢索和統計，使得調度工作可通過全局的資源與任務運行情況，對相關資源及任務進行合理調配，實現檢測任務的全局管控。

檢測任務的各個操作實現無紙化，從過去通過紙質文件和檢測樣品的方式改為通過系統獲知任務信息，并逐步將紙質證書及紙質資料電子化。

整個智能檢測系統中的設備需要做到智能互聯，狀態感知、自動控制，實現自動檢測設備運行數據的自動采集、自動傳輸，將檢測過程中人、機、料、法、環的實時工況提供給管理系統，并進行智能調度，合理安排作業計劃，實現對整個物流體系中庫房管理、自動檢測、分揀、送料任務。

檢測線的擴展性要求檢測設備、檢測系統做到參數化配置，盡可能滿足電阻、電感、電容等不同類型不同規格的產品檢測。

檢測大數據分析系統通過抽取、分析任務管理與動態監控系統中的數據，對檢測業務飽和度、關鍵設備使用情況、及時率指標等進行分析并做出預測，為中高層管理提供決策支持。

2 智能檢測系統的架構設計

智能檢測系統是以計算機為核心的系統，由硬件和軟件兩部分組成。智能檢測系統應該充分利用計算機資源，在人工最少參與的條件下盡量以軟硬件實現系統功能。因此，智能檢測系統具有以下特點：1)測量過程軟件控制；2)智能化數據處理；3)高度的靈活性；4)實現多參數檢測與信息融合；5)測量速度快；6)智能化功能強；7)系統可靠性高、一致性強。

按照工業4.0智慧工廠架構體系RAMI4.0(工業4.0的參考架構模型)的核心理念，即裝備橫向集成、信息縱向集成、產品生命周期和企業價值鏈集成，從4個側面進行概念設計，即檢測流程、檢測設備、管理軟件和檢測工程工藝(流程工藝)，并將這4個側面歸納為3個維度，即檢測工藝鏈、檢測周期鏈和企業管理鏈，形成一個三維的工業4.0參考架構模型。按照這個模型，用基于檢測任務、檢測周期、自適應檢測自動化系統和局域網的工廠管理系統來構造智能化檢測生產管理系統的基本特性及方法。

智能檢測系統架構體系主要包括4個層次，分別為：物物互聯層、對象感知層、數據分析層、業務應用層，分別對應物聯網、數據采集、數據分析、ERP四大技術體系，逐步實現檢測過程的互聯化、數字化、信息化、智能化“四化”目標。其系統架構如圖2所示。

圖2 智能檢測系統架構Fig.2 AI detection system architecture

3 智能檢測系統主要模塊設計與實現

智能檢測系統主要由指揮調度子系統、產品檢測信息管理子系統、物聯與數據交互子系統、智能倉儲與物流子系統、智能檢測設備、大數據分析子系統和數據可視化展示子系統七大模塊組成，系統組成結構如圖3所示。

圖3 智能檢測系統組成結構Fig.3 AI detection system function structure

3.1 產品檢測信息管理子系統

產品檢測信息管理子系統的業務模式如圖4所示，主要由計劃調度管理、任務執行管理、動態物流管理、資源管理四大模塊組成。系統資源管理模塊實現智能檢測生產示范線人、機、料、法、環、測等基礎數據的管理，使其他模塊可以對基礎數據進行重復利用，提高數據的復用率與可靠性。檢測與物流管理模塊和物聯與數據交換系統進行集成，使產品檢測信息管理子系統的任務執行管理模塊可以通過任務唯一性編號為索引集成所有任務執行過程中的物流狀態信息與檢測數據信息，讓用戶可以在任務進行的過程中一站式查詢到物流與信息流的所有數據。計劃調度模塊保障著整個任務按計劃進行，通過任務每一個環節的實施，任務執行管理模塊不斷迭代著每一個任務的執行信息，最終形成產品檢測信息的集合。

圖4 產品檢測信息管理子系統框圖Fig.4 Information management sub-system for product inspection architecture

3.2 大數據分析子系統

在元器件檢測設備與資源物聯網的基礎上，集成元器件業務領域的檢測數據、質量信息、使用信息等，對各檢測試驗項目試驗設備所產生的結構化數據與非結構化數據進行采集與利用，對于非結構化數據進行數據結構化轉化處理。對于可產生結構化數據的設備，則通過數據接口、結構化數據文件利用，圖像識別等方式將結構化數據逐步納入到數據分析子系統，構建元器件全生命周期的數據倉庫，滿足元器件質保業務應用需求。

大數據分析子系統存儲、管理檢測資源基本配置數據、傳感器采集數據和用戶，操作事務數據、全局統一格式數據、數據關聯規則信息、業務應用優化知識等。系統采用大數據分析技術，針對這些數據存在的高噪聲、多樣性、多尺度的特點，采用合適的數據清洗與數據集成方法提高數據質量與數據可用性，還可根據數據存在的規模性和高速性采用高效并行的數據查詢、存儲、讀取算法以提高效率。針對智能檢測多維度業務的高維度特性構建面向主題的數據倉庫，以提高業務相關數據的集聚程度。該子系統為產品檢測信息管理子系統提供數據支撐，提供數據采集、數據融合、數據分析、數據應用、數據交易等諸多數據管理功能[7-9]。其系統架構如圖5所示。待分析檢測源數據導入平臺后，可根據參數的標稱值和公差值對源數據進行數據清洗，形成干凈數據。基于決策樹對數據真實性進行檢查、判偽、防誤操作等處理。根據預先設置的質量等級百分比，對批次電容元器件按照A、B、C等級進行分類，得到各等級組合的數量分布。

圖5 數據分析系統架構Fig.5 Data analysis system architecture

基于深度神經網絡對通過電性參數分類統計及參數間兩兩相關性分析，按照歸一化原理(Max-min)進行處理，便于后續聚類算法的分析，其中Max-min歸一化處理原理為

(1)

聚類原理采用K-means聚類算法及深度學習算法對分類參數進行相關性分析，利用分維數算法計算每次K-means聚類出各簇的數值D。對聚類的每簇按D值大小及每簇所在位置進行。分維樹算法具體處理方法是以邊長為R=1的正方形作為最小單元網格覆蓋上述聚類出點所在的區域圖之上，可以得出聚類出的點經過網格數位，此時記為N(r)，再取R=0.05，方法同理所上，此時得出聚類出的點經過網格數位，此時記為N(r2)，計算出N(r)、N(r2)之后，計算聚類出的每簇分維樹數值。

(2)

對上述計算出聚類的每簇分維樹數值按照每簇D值大小及每簇所在位置進行合并。將D值合并為5種并進行標簽定義。標簽定義即計算這5簇D值中每簇3個電性能參數的均值、方差。根據每簇輸出的均值、方差、最大值、最小值，來判斷批次電容元器件中精品級別，能有效提升判別的準確性。最終以此為依據生成質量分析報告。

3.3 物聯網與數據交互子系統

物聯網平臺是整個智能檢測系統的感知元，如圖6所示。該系統通過系統接口實現對物流子系統中物流信息的整合及自動檢測設備數據、環境數據、測試數據的采集。

圖6 物聯網平臺業務模式Fig.6 Business pattern of internet of things platform

1) REST API自動標準接口集成

REST API規范定義了資源的通用訪問格式。第三方系統可通過REST APIs和ThingWorx平臺進行交互和集成，能通過ThingWorx服務器的命名空間查詢平臺內模型和模型的功能。REST接口有一套完整定義的方法來羅列事物、數據和服務列表，每個列表都包含如何執行這些接口方法的詳細信息，相關資源如圖7所示。

圖7 RestAPI標準接口資源框圖Fig.7 Resource diagram of REST API standard interface

2) 檢測數據自動采集

物聯網平臺通過KEPServerEX及SDK工具包進行數據采集，KEPServerEX集成了2萬余類符合國際標準接口協議，如圖8所示。因此，符合KEPServerEX標準的設備可以通過配置直接進行數據采集，對于非標準的設備自動檢測與數據交互系統也可以通過SDK工具包，根據第三方公司提供的通信協議進行定制開發。

圖8 KEPServerEX接口協議示意框圖Fig.8 Interface protocol diagram of KEPServerEx

3)數據總線層

物聯與數據交互系統構建了異構系統的總線(CPS HUB)，從而實現檢測設備、檢測數據、管理數據的垂直集成，重點解決異構設備互聯、設備/系統的互聯、大數據管理等關鍵問題。該數據總線可以分為兩個層次：設備資源互聯及實時控制；設備與系統互聯。前者解決設備運營管理，后者將設備運營與業務系統融合，實現企業的運營管控。

該數據總線層支持大數據管理及分析。大數據包括結構化數據、非結構化數據、時序數據等。大數據管理內容可從應用需求出發進行定義，以減少冗余數據的管理成本。此外，該層次的應用可以部署至云端，形成云端IT/OT資源聚集，以支撐云制造等新模式。

3.4 智能檢測設備

智能檢測設備包括外觀檢測及綜合參數檢測設備，其中外觀檢測設備進行元器件的篩前初測和篩后終測檢測，綜合參數自動檢測子模塊實現對元器件容量精度、損耗、絕緣電阻和介質耐壓等參數的檢測。外觀缺陷自動檢測子模塊通過機器視覺技術，實現元器件的識別和分類、缺陷檢測等功能。通過對分割后圖像特征分析，序列圖像運動分析和模式匹配等方法實現。識別目標表現為灰度或紋理均勻的閉合區域，利用檢測對象輪廓等不變性特征和形狀、面積、灰度、紋理等先驗信息，對分割后圖像進行特征分析，模式可以用點集、輪廓、骨架來表示[10]，匹配過程采用動態規劃、最大化、最優化、最大似然、圖匹配方法、Patmax方法[11]等，如圖9所示。

圖9 圖像相似度判別Fig.9 Image similarity matching discriminative sketch

通過物聯網平臺及數據接口，智能檢測設備的狀態數據、測試環境數據、測試數據等數據形成測試數據包，并上傳至大數據分析子系統進行分析處理，形成測試分析報告。

4 設計驗證及建設成效分析

航天某元器件可靠性中心目前的日常測試工作主要靠檢測人員完成，未采用智能化管理手段，智能倉儲子系統與智能配送子系統也未建立，無法做到物流自動化。通過元器件智能化檢測生產管理系統的建設，完成指揮調度子系統、產品檢測信息管理子系統、物聯與數據交互子系統、智能倉儲與物流子系統、智能檢測設備、大數據分析子系統和數據可視化展示子系統，勞動生產率提高了50%，生產成本降低了30%。完成了以下目標：

1)實現基于產品檢測指揮調度中心的管理模式，可提供智能化決策；

2)通過產品檢測信息管理子系統構建完整的檢測管理過程神經網絡，對檢測環節信息流與物流的運轉情況進行管控；

3)通過物聯網平臺實現檢測設備自動化、互聯化、智能化，大幅提高測試效率，測試數據自動記錄和網絡化實時監控；

4)實現檢測過程柔性化，通過設計不同工裝接口提高不同設備的適配度，滿足不同型號元器件檢測的需要，提高了設備等資源利用率；

5)實現流程管控透明化、信息化，具備全過程數據采集手段，實現倉儲、計劃、生產、質量信息化管理，通過大數據分析，提升產品質量和一致性；

6)實現檢測流程可視化，采用虛實結合的方式展現檢測信息、管理數據，提高檢測過程的可視化和質量可追溯性。

5 結束語

我國工業現代化的發展是多元化的，如工業2.0的水平、工業3.0的水平，目前正在邁向工業4.0的水平。智慧工廠是繼數字化、精益化之后的發展模式，是智能制造的基礎與關鍵技術之一。在向智慧工廠邁進的過程中，學習工業發達國家的發展規劃、策略和路線，固然是很好的借鑒，但更為重要的是審視國內工業現狀全局，找到符合實際情況的突破口。航天某元器件可靠性中心的信息化水平較高，未來將重點在以下幾方面取得突破：

1)利用人工智能、物聯網、大數據技術，加強智慧化改造，深入研究一整套智能化的元器件檢測方案，提高在線自檢的可靠性、一致性，為航天產品研制的元器件選型提供有力支撐。

2)加強生產、檢驗和試驗設備的自動化、智能化、網絡化改造力度，全面推進生產現場設備聯網，構造泛在感知數據鏈路，建設智能化生產單元，構建柔性檢測線和數字化實驗室。

3)實施生產現場精細化管理；基于統一平臺實現企業資源計劃管理，構建產品生產過程數據全集，支持生產狀態監控、全過程質量控制、智能決策，實現檢測過程的科學管理與精細化管控。

4)通過數據統計與分析，建立滿足不同數據分析、質量控制、預警需要的元器件數據分析模型，提供智能報表、預警、預測等元器件保證數據管控能力，形成基于物聯網和大數據分析的企業管理優化機制。

本文總結提出的智慧工廠架構模式，從不同角度給出一個智慧工廠的現實描述，對元器件檢測業的智能化生產具有現實意義。