基于數據生命周期的鋁電解生產過程質量控制研究

黎書文

(貴州理工學院 機械工程學院，貴州 貴陽 550003)

0 引言

鋁是消費量第二大的有色金屬，作為僅次于鋼鐵的基礎原材料，在制造、交通、建筑等領域應用十分廣泛，鋁電解工業對國民經濟的支撐具有戰略意義[1]。伴隨著物聯網、云計算、大數據等網絡信息技術在制造業中的廣泛應用，鋁電解行業也朝著智能化、系統化、信息化的方向發展，企業的數據采集、存儲、決策和管理水平得到極大提高，整個鋁電解行業積累了相當可觀的生產數據，這些數據從側面反映了企業生產的運行狀況和產品質量信息。針對鋁電解生產過程復雜難以建立數學模型、傳統的人工控制決策方式難以適應當前的生產需求等問題，數據驅動的方法應運而生，如數據挖掘技術在故障診斷、生產調度和決策控制方面的應用[2]。本文通過挖掘歷史數據中的有用信息并與實時數據進行深度融合，在質量數據采集、存儲、決策和管理的基礎上，從數據生命周期的角度出發，構建了一種鋁電解生產過程質量控制的優化方法。

1 基于數據生命周期的過程質量控制亟待解決的問題

實際鋁電解生產過程中，由于受生產現場數據采集及分析的精度和效率影響，無法為提高生產質量和優化能效提供及時幫助[3]。鑒于“人、機、料、法、環、測”等影響質量特性的因素存在，使得產品的質量波動不可避免。因此，生產過程質量控制對產品全生命周期內的質量和成本影響甚大。

基于數據驅動的質量控制方法在理論方面的研究越來越深入，在企業的實際應用也日趨完善。隨著產業信息化的日益提高，更多的企業開始重視生產數據的利用。與此同時，計算機信息技術的發展也為質量數據的采集、存儲、處理和分析提供了強大的技術支持。傳統的多元統計監控方法已很難滿足企業的生產需求，現已逐步過渡到基于人工智能的質量智能診斷方法，而以時間序列法、統計回歸法為代表的傳統的質量預測方法也逐步向智能預測方法轉化，其中較為主流的技術包括神經網絡和模糊理論控制方法[4]。數據驅動的智能方法與人工經驗為主的過程優化方法相互融合，以先進的質量管理方法和技術作為質量管理的重要工具已成為質量控制研究的重要內容。盡管以數據分析為核心的過程質量控制取得了重大突破，但在實際應用中還有很多問題亟待解決，具體問題如下：

(1) 生產流程的高度耦合。對于鋁電解而言，由于原材料的物理化學反應過程較難實現數字化，而工序又具有連續性，容易導致前工序的影響傳導到后工序[5]。現有工業系統中的控制技術無法解決高度耦合及非線性關系，當前建模、優化與控制理論已難以滿足其綠色、高效和精細化生產的需求，導致質量優化提升困難，成本居高不下。

(2) 數據的多源異構與不確定性。鋁電解生產過程涉及大量反映生產運行規律并以圖像、聲音、文本等格式存儲的多源數據，受現有技術條件限制，多源異構數據較難感知融合。而生產車間環境復雜，電、磁、噪聲干擾較強，以及工業系統自身存在的不確定性，導致傳感器采集到的數據易受污染，無法精準實現數據實時有效傳輸[6]。

(3) 質量數據的重復利用。目前，對于鋁電解過程質量控制的研究大多集中在對主要影響參數方面的分析，數據分析人員憑借以往的人工經驗對質量數據分析建模，這就表明在深度和廣度上質量數據的應用仍有較大的提升空間，數據系統的管理和應用在質量控制方面大有可為，從而為數據的重復利用提供可能[7]。另外，數據挖掘作為知識獲取的重要渠道，在數據驅動的質量控制應用中產生海量的過程性知識，這對后續的生產具有十分重要的現實指導意義。

2 鋁電解生產過程質量控制

2.1 生產過程質量預測

鋁電解的生產過程監控和診斷主要用于排查生產過程中存在的異常突發狀況并及時診斷產生的原因，從而有效地提高產品合格率。但這種監控方法具有一定的局限性，只會在異常發生時即刻報警，并不能提前預測可能出現的異常狀況，具有時間滯后性。質量預測技術則較好地彌補了過程質量控制的缺陷，可使生產人員在質量控制中由被動防御轉為主動預防，提前掌握質量變化趨勢。

構建精準高效的預測模型是實現生產過程質量預測控制的關鍵所在。傳統的預測建模方法主要依賴人工選取過程參數及數據特征[8]。隨著現代生產過程的復雜化，影響質量特性的因素增多，且出現了相關性、非線性等特點，加劇了過程作用機理，解決這類問題可采用神經網絡、貝葉斯網絡、支持向量機等人工智能方法來獲得合適的預測模型，進而提高預測的精度[9]。除此之外，在一些更為復雜的生產過程質量預測中，通過融合多種智能算法的預測建模研究也引起了更多的關注。

2.2 生產過程質量控制

基于企業電解鋁生產過程的主要監測數據，通過分析質量數據特征，建立質量數據模型，開展在線離線質量數據挖掘方法研究，深入挖掘歷史生產數據和實時生產數據。依據在線離線質量數據挖掘方法和質量成本模型實現生產過程質量成本的綜合評估，并將評估結果反饋到知識庫，具體生產過程控制方案如圖1所示。

圖1 鋁電解生產過程控制方案

3 鋁電解質量數據生命周期管理

數據驅動的質量控制是基于質量數據的采集、存儲、處理、分析、更新和管理，其中蘊含了數據生命周期的思想。通過全面深入挖掘數據潛藏價值，服務于生產過程質量的預測、監控、診斷及優化。質量數據生命周期管理框架如圖2所示。根據質量數據的不同形態可將其細分為動態實時數據、靜態歷史數據和知識數據，三者之間既相互關聯又具有一定的遞進轉化關系。實時數據在利用完后轉為歷史數據進行存儲，通過數據挖掘分析大量的靜態歷史數據有利于后續生產過程質量數據存入知識庫，隨著生產的持續運行，歷史數據逐步積累并被重復利用，知識數據庫不斷擴容更新，促進了整個生產系統的持續改進。

圖2 質量數據生命周期管理框架

4 鋁電解生產過程質量控制持續改進

在已有的生產過程控制基礎上，結合鋁電解對產品質量的需求分析，構建基于大數據生命周期思想的生產過程質量控制策略，其持續改進框架如圖3所示[10]。完整的生產過程應包括三個階段，即歷史生產過程、當前生產過程和后續生產過程。現從鋁電解生產過程的質量數據采集與存儲、數據實時應用及質量控制的持續改進等方面對該控制過程加以闡述。

4.1 質量數據采集與存儲

在鋁電解生產過程中，充分運用RFID、傳感器等信息技術對“人、機、料、法、環、測”等生產過程各要素實時監控，結合多源信息感知與融合技術對質量特性參數、動態加工、車間環境等信息進行實時監測、采集、分類、融合，形成穩定可靠的實時數據源。歷史數據庫包含檢測過程參數、設備運行參數、人員操作數據、原材料數據、工藝參數等數據，它能對以往生產過程中積累的質量數據進行有效地采集和存儲。知識數據不但包括工藝知識、加工方法、設備運行等相關顯性知識，也包括生產操作經驗、故障診斷經驗等隱性知識，而通過數據挖掘的方式是獲取隱性知識的重要渠道。

4.2 質量數據實時應用

鋁電解生產過程獲得的實時質量數據主要包括設備運行參數、傳感器檢測數據等，多以數據流的形式被不斷采集，此類數據具有多源異構、相關非線性、強噪聲干擾等特征，只有采取精準有效的實時數據流分析技術，才能對影響產品質量的相關參數進行實時監測和預測，并在發現突發異常情況下快速響應，從而為優化工藝流程和參數提供參考。在線質量控制的關鍵在于對實時數據流、歷史數據庫和知識庫進行深度融合及快速決策分析。通過生產過程的實時預測、監控、診斷和反饋以及對生產工藝流程的持續改進，將多種質量控制方法綜合運用于生產過程，才能有效降低廢品率。

4.3 質量控制持續改進

當前的生產過程一旦完成，所積累的新數據用于對歷史數據庫及時更新補充，所獲得的設備運行狀態、傳感器檢測數據以及生產工藝優化等新經驗知識，用于補充更新知識庫。而在歷史生產過程所積累的海量數據中，蘊含著大量反映生產過程狀態的各種正常和異常模式。通過全方位、多維度的深入挖掘歷史數據獲取對生產有用的信息資源，實現整個工藝流程的優化和生產系統的持續改進。數據驅動在質量跟蹤溯源方面得到廣泛應用，通過RFID、傳感器等技術實施數據的采集、存儲、分析、查詢及可視化，全過程跟蹤以便及時發現產品缺陷并從源頭上加以控制，為解決生產過程存在的問題提供決策參考。

圖3 生產過程質量控制持續改進框架

5 結束語

本文圍繞鋁電解生產過程的質量控制與改進問題，從生產過程數據生命周期的角度探討了數據驅動方法的應用。通過分析鋁電解存在的問題，在原有數據驅動的過程質量控制方法的基礎上，提出一種基于數據生命周期的鋁電解生產過程持續改進策略，以期達到提高企業生產效率和產品質量、降低生產成本的目

的。同時，通過融合信息技術提高鋁電解行業的智能化水平，提升企業協同創新和精益制造的能力，不斷優化流程，推動產業升級轉型，實現行業的可持續發展。