尺寸數據報警的創新設計

李正平

（上汽通用汽車有限公司整車制造工程部，上海201201）

0 引 言

白車身尺寸數據的監控報警是汽車行業一直致力探索的領域，國內外學者通過研究單點或多點測量數據的趨勢與波動來判斷生產過程中的狀態。其中，控制圖被認為是生產過程監控的重要手段，基于控制圖的研究已有眾多理論算法與實踐成果，這些研究工作從數據監控的“深度”方面做了較多的探索[1-4]。本文嘗試從生產現場需求和實際操作出發，從數據監控的“廣度”進行一系列創新性的思考和探索，從而給尺寸質量監控領域提供有價值的新思路和方法。本文將分別從報警維度、報警算法設計、多源數據整合規則、IT系統實施，以及未來報警發展5個層面進行闡述。

1 報警原理分類

1.1 傳統報警規則示例

傳統的監控報警研究中，通常對單一測點的測量數據進行建模，繼而判斷其精度和穩定性表現是否符合報警條件，這種報警算法在眾多報警工具中得到了廣泛的應用。具體報警應用諸如：

1）測點偏差報警。根據圖樣設計公差或者生產現場經驗，對測點數據設置一個報警線，如通常按公差的75%設置超差預警線等。根據單個測量樣本的采樣值判斷是否超出報警限以確認是否報警。

2）測點控制圖報警[5-9]。基于統計過程控制算法，使用Xbar-R或者I-MR圖確定控制線，并應用于報警計算。

3）測點突變報警。監控樣本單點測量數據與整體樣本均值的偏離程度，判斷是否超出設定的閥值界限，通常閾值設定為樣本總量的3 sigma。

4）測點穩定性報警。監控尺寸樣本中一段范圍內的波動表現，判斷是否超出設定的穩定性界限，通常使用樣本的6 sigma值作為報警判斷的閾值。在汽車行業中，該閾值通常設定為2 mm，或根據企業能力設置一個更高的要求界限。

1.2 企業報警需求分類

縱觀企業內現場尺寸監控的需求，監控報警評價類型可以分為：1)偏差控制；2)穩定性控制；3)相關性控制；4)企業評價指標控制；5)測量計劃控制。

尺寸監控的報警類型和要求與企業自身的質量規范、管理方式、尺寸控制方法等都有直接關聯。對于上述分類而言，1)、2)兩類屬于尺寸的常規指標，3)、4)、5)三類屬于具有企業特色的質量監控要求。以下列舉幾個具有代表性的企業監控要求。

1) 偏差控制中的多總成功能尺寸控制是面向跨零件、跨數據源建立的。它是根據同一尺寸鏈中不同屬總成測量特征之間的匹配關系邏輯，建立功能尺寸特征組，進而依據該對象報警限進行監控的創新性報警規則。

2)相關性控制是面向過程控制的理念，根據制造環節上下游產品尺寸數據變化表現的一致性對工藝問題進行監控。例如：監控供應商零件的在線測量數據，以及對應的上一級的廠內總成在線測量數據，如果這兩組對應數據列的數據波動變化表現形式不一致，則說明廠內的工藝存在問題，從而導致了產品尺寸發生了改變，此時應當觸發報警。

3)企業評價指標控制是基于企業對尺寸的主要指標進行監控跟蹤。例如：通過CMM測量數據計算總成的合格率，一旦低于閾值指標邊際即觸發報警。所謂總成合格率，即計算總成內尺寸偏差處于公差線內的測點特征數占全體評價特征數的比值，用以評價該總成的整體尺寸精度水平。

4)測量計劃控制已經超出了尺寸本身的范疇，向尺寸系統上游延展。通過對尺寸數據的測量實施過程進行監控，從而確保該系統輸出測量結果的可靠性和完整性。在本例中，測量計劃的監控包括測量位置名義值監控、測量特征數量與測量計劃要求數量的覆蓋度監控、測量頻次監控等，這其實也是從另一個角度體現企業對于尺寸質量管理的思路。

2 報警算法設計

報警算法是基于已有的企業數據系統及具體的報警需求進行設計的，本文中所涉及的算法都是依托企業內部已有數據系統進行設計。該數據系統集成了車身尺寸制造鏈的所有尺寸相關數據，覆蓋供應商零件、沖壓件、白車身總成CMM數據及在線測量數據、白車身覆蓋件的匹配數據，以及成品車的外觀匹配數據等。基于高度集成化的系統數據庫可以實現最優化、最高效的報警運算方式。本文將分享一些算法設計思路，所有算法都已在數據系統中實現并運用。

2.1 多總成功能尺寸報警

多總成功能尺寸報警算法具有高度的自由化，用戶選定若干個不同的總成/零件對象，并自由定義以四則運算和MAX/MIN邏輯為基礎的任意計算公式。報警規則本身并不復雜，只需要判斷公式計算結果是否超出報警線，其核心則是自定義公式的自由度實現上。公式編制的過程可拆分為特征對象和計算符號兩部分。首先，用戶定義計算公式，參與計算的各總成測量特征以抽象的變量名稱代替；其次，再針對公式中出現的每一個變量進行對應的總成及特征的選擇定義；最終獲得一個完整的公式定義。該算法在系統中是以一種字符的方式存在，后臺進行報警運算的時候，還需通過一個對應的編譯器進行算法解讀才能最終實現計算過程。公式定義方式如圖2所示，以某車型前后門間隙配合一致性為一個報警監控點，建立了從上至下三處間隙配合計算值，并計算三處門匹配的特征理論計算間隙的最大間隙值，對該最大間隙值設置一個報警線以監控尺寸間隙表現。該報警涉及前后門2個總成數據、3對測量特征，公式中運用到了MAX邏輯及減法運算。

2.2 Vision均值偏移報警

傳統報警算法主要針對數據突變和數據波動大小進行監控。對于實際生產中常見的數據緩慢單方向偏移卻無有效的監控手段。針對此類生產過程監控需求，本文提出了均值偏移報警算法，該算法不僅可以監控數據均值的跳變，也可監測此類緩慢趨勢性變化。該算法計算步驟如圖3所示。

其中，窗口參數m可由用戶設定，也可通過數據樣本后臺計算獲得。算法中存在一定的自動化計算，可根據當前日產量、測點設計公差要求及數據波動表現動態調整窗口樣本大小，即m=k×Q×6σ/T。式中:k為窗口控制系數；Q為當日生產量；6σ 為當日的波動指標；T為測點公差帶寬。算法提供了用戶設定固定窗口寬度和系統自動計算窗口寬度兩種模式切換。在自動計算模式下，用戶需要設置k系數，默認設置為0.2（經驗值）。

報警線也有用戶設置和系統后臺計算兩種模式。后臺計算公式為L=w×T。式中：L為報警線；w為用戶調整系數；T仍為測點公差寬度，體現了基于測點設計要求進行報警監控的理念。w默認設置為0.25（經驗值，即當趨勢變化超出1/4公差寬度時判斷為均值趨勢出現明顯差異）。

算法中采用滑動窗口計算中位值的方式來實現數據降噪，并能清晰體現數據的實際系統均值趨勢，同時達到平滑數據曲線，方便算法判斷識別的目的。

3 多源數據整合

在報警需求清單中，存在報警算法涉及不同源總成測量數據的集成計算和判斷。在這種背景下，必須提供嚴密且有靈活適應性的多源數據匹配規則，整合出具有完備數據的新樣本，從而確保報警系統匹配正確的過程數據并進行計算判斷，進而保證報警結果的準確性。

3.1 按序配對

各總成數據樣本按時間排序后，從末尾倒序依次配對直到樣本最少的總成配對完畢則結束整合。該配對規則屬于邏輯最簡單，且最易實現的整合方式，確保多源數據間最新的數據可以成功組合計算，見整合示例表1（深色部分為整合數據部分）。

3.2 按標簽配對

在整合的多源數據對象中，可能存在一些工藝上或者產品關聯性上的相關標簽，以確保數據有較強的關聯性。比如商品編號、零件序號、跟蹤碼等，可以通過該規則基于標簽的一致性將相關樣本配對。事先定義不同總成中的一個標桿總成，并確定不同總成間需要匹配的標簽項，當關聯的標簽項出現相同值時，相關的兩個總成的對應樣本即實現配對。該規則可以同時作用于2個以上的總成對象。示例表2中，對象1為標桿對象，不同對象的相同顏色區域代表有關聯的標簽對，不同的對象組可以匹配不同的標簽對。實際應用場景，如發動機倉總成、底板總成、整車總成等，可以通過總成的統一VIN碼標簽進行整合配對。

表1 按序配對示例表

3.3 按時間配對

有些場景下，多源數據間沒有很強的標簽關聯，主要基于時間近似性進行數據組合。事先定義一個標桿對象，同時設定時間匹配的搜索方向，即選擇基于標桿對象樣本時間向前/向后搜索最近的其他總成樣本。將可以匹配到的樣本提取并配對，無法匹配的樣本則濾除。規則中還可以根據用戶要求設定為重復匹配或獨占匹配。重復匹配即樣本可以被重復搜索并配對到多個其他總成樣本；獨占匹配即樣本一旦配對成功，則不得再次配對于其他樣本。見整合示例表3（該例以A為標桿對象，時間向后搜索方向，且重復匹配）。

表2 按標簽配對示例表

4 IT系統實施以及未來報警發展

報警監控最終一定是通過IT系統開發實現，通過自動化來提升效率和優化管理。在報警項目的實施中，IT系統開發不僅完成了各類報警規則算法的實現，還基于流程管理、報警記錄的跟蹤追溯、問題的閉環管理理念，加入流程管理模式，即當報警發生時，尺寸負責人需要對報警問題負責并跟蹤問題分析。工程師在問題分析解決過程中及時填寫故障原因分析及采取的措施，當現場問題解決后，則需要在系統中提交關閉申請，由上級主管審核關閉。否則系統中的報警始終處于激活狀態。

基于汽車企業的常見問題和措施分類，在記錄中加入了“設計、工藝、設備、工裝、零件、人員、環境、其他”總計8種分類，方便工程師可以快速選擇定義分類。通過過程跟蹤記錄的方式將工程師對報警問題進行分析和解決的寶貴經驗記錄下來。從目前系統實施短期來說，該系統需要通過大量人工方式對現有的尺寸報警問題進行人工分析、記錄和更新匯總。當數據庫中的經驗記錄累計到一定數量標準后，將可以基于該經驗知識庫，進行后續的開發。目前規劃的有數據挖掘和AI預警兩類應用[5-6]。

表3 按時間配對示例表

4.1 數據挖掘

報警信息發出后，系統可針對報警的測點特征信息，比如測點名稱（名稱包含了測點所在的車身區域，測點的類型如面、孔、槽、柱等，以及測點控制方向等信息）獲得相關報警信息，在數據庫中進行近似度匹配搜索。根據上述的特性信息，按近似度查找到最相似的報警記錄。當工程師點擊某條感興趣的相似記錄后，系統基于該記錄深入挖掘相關的所有問題診斷原因和采取的措施，可按照之前的分類標簽，按發生頻次的高低進行羅列并供工程師選擇，以幫助工程師快速確定故障原因并提供措施方案。通過此類數據挖掘，可以極大地提高工程師的工作效率，將企業不同區域的離散經驗集中起來作用到最新的工作案例中[7-8]。

4.2 AI預警

開發模型算法，積累報警階段的原始數據。通過系統后臺自動對當前頻繁發生的同類報警信息進行大數據機器學習完成模型建立，并與原因、措施形成關聯，后期則可基于模型自動識別新的報警信息模式，并自動推送原因診斷和措施方案，進而實現尺寸問題報警監控的自動化。這是未來工業數據發展的必然趨勢。

5 結 語

本文針對汽車制造過程尺寸數據監控報警的算法設計和IT系統實現，介紹了一些創新思路和實踐方案。結合企業現場實際難題和監控需求，收集整理了較完整的報警規則清單及算法模型。并且面向未來的數據挖掘和大數據應用提出了自己的一些設計思路。對于其他行業有類似報警監控需求的工作具有借鑒意義。