數字化在浮法玻璃冷端生產線中的應用

鄒寧波，劉 銳，葛 淼，楊 坤

(中國建材國際工程有限公司，蚌埠 233010)

隨著新一輪科技革命和產業變革的迅猛發展，數字化成為驅動企業高質量發展的重要“原動力”[1]。浮法玻璃生產線存在數字化程度低、生產方式落后的問題。數據能夠真實地反映生產過程，包含著生產工藝之間的內在聯系。數據分析是智能制造的核心。對數據進行分析處理，根據處理結果進行相應的決策、執行，可以形成科學的冷端生產管理方式，為生產線提質增效提供有力支持。

1 冷端生產需求

近些年，浮法玻璃生產水平不斷提高，生產線上引入了很多信息化設備，比如缺陷檢測儀、優化切割系統、視覺檢測儀等。這些設備由不同工段的操作者使用，缺乏統一的管理，產生了數據孤島和數據斷層的問題。冷端切裁工段、質檢工段、堆垛工段相互獨立、缺乏數據共享；各單機設備或子系統之間沒有足夠的信息交互，將大量數據留存在自己的硬盤中。數據孤島造成了冷端生產在水平方向的阻斷，阻礙了整個生產線的協同生產，限制了生產線的產能提升潛力。公司級的業務無法及時準確的下發，也無法獲取實時精準的生產狀態。銷售部和生產部之間的數據依靠紙質文檔或電話微信傳遞，效率低下；生產部和倉庫缺乏數據交互，導致庫存積壓，生產與市場脫節。因此有必要為冷端引入數字化技術，為企業生產決策提供支持。

2 冷端數據的來源與特點

制造業企業的數據貫穿于企業采購、生產、銷售、服務全生命周期中，很多企業已經采購了很多運營系統，如企業資源管理計劃(Enterprise Resource Planning，ERP)、企業資產管理系統(Enterprise Asset Management，EAM)、能源管理系統(Energy Management System，EMS)、客戶關系系統(Customer Relationship Management，CRM)、制造執行系統(Manufacturing Execution System，MES)等[2]。冷端沒有相應的生產管理系統，各類數據存放于每臺單機設備之中。

冷端的數據來源有缺陷檢測儀、板擺檢測儀、優化切割系統、生產線控制系統、完整性檢測系統和機器人堆垛系統，各系統包含的數據如表1所示。缺陷檢測系統會獲取無限長玻璃帶上的缺陷信息，包括缺陷的大小、位置、種類等。板擺檢測儀獲取玻璃板在垂直于玻璃流向方向的坐標。優化切割系統根據缺陷和玻璃訂單信息進行優化決策，確定價值最大的切割方式，并指揮切割機進行切裁。生產線控制系統根據玻璃的目的地信息將玻璃輸送至指定的工位上。完整性檢測系統檢驗玻璃的長寬是否符合要求以及是否破損。機器人堆垛系統將玻璃抓取到工位上。

表1 冷端各系統數據

冷端分布有大量的可編程邏輯控制器PLC、工業計算機、視覺設備以及光電開關等傳感器。它們產生的數據已經具備了大數據的基本特點，即規模性、多樣性、高速性、價值密度低。同時制造業的數據還具有多來源、多維度和多噪聲等特點[3]。

3 冷端數字化管理系統內容

3.1 數據采集和處理

數據是提高生產線能力的核心手段，很多業務都需要數據來驅動。生產線上有大量的自動化設備，每天都會產生大量的數據。如何將有效數據從大量數據中篩選并采集起來，并進行實時的處理，是首先要解決的問題。

冷端數據采集的方式有多種。第一種是由生產線PLC將數據以TCP/IP的方式傳輸給數據采集軟件，第二種是由數據采集軟件根據PLC的地址通過西門子OPC協議直接讀取，第三種是通過射頻識別技術(RFID)進行讀寫[4]。

數據處理是數字化技術中最重要的一步，數據的處理過程包括數據清洗、數據分析和數據存儲。

制造業的數據經常存在很多的噪聲、異常和干擾，這些無效信息可能是由于設備異常或者人工輸入錯誤導致，而這些異常數據會導致采集到的原始數據雜亂無章，不可分析。數據清洗就是對數據的預處理，將大量無效信息和干擾過濾掉，獲取到真實需要的數據。通過填補缺失值、去噪、異常檢測、數據變換和規約等方式把數據變為可分析的高價值數據。

數據分析的過程是用適當的數據統計方法對數據進行分析匯總以及概括總結。傳統的數據分析方法有列表法、作圖法、時間序列分析法、聚類分析法和回歸分析法。近些年深度學習方法開始逐漸出現在制造業數據分析中。

數據存儲是將數據以某種形式存儲在硬盤或數據庫中的過程。為了保證高效的存儲或查詢，通常采用分布式存儲的方式。制造業數據量大，尤其是冷端生產線上存在多種視覺檢測系統，這些檢測系統獲取了大量圖像數據，數據通常以文本形式存儲于硬盤中或存儲于關系型數據庫中[5]。

3.2 智能生產控制

冷端生產是連續化的生產過程。智能生產控制主要體現在智能生產算法上，通過智能生產算法，保證冷端的優化切割。算法通過模仿自然界和生物界的規律，實現生產過程的自適應。

優化切割算法采用遺傳算法實現，根據玻璃表面缺陷和訂單建立問題模型，確定個體的編解碼方式和適應度函數。根據訂單的數量和優化長度確定種群規模、終止條件和搜索空間。根據玻璃排布的優先級大小確定個體的適應度。依據適應度進行選擇，適應度低的被淘汰，留下適應度高的個體。從父輩群體中隨機挑選兩個個體交換基因信息。依據概率將個體中某一位基因進行編譯運算形成新的種群，不斷迭代直至達到終止條件[6]。算法流程圖如圖1 所示。

智能算法的引入使切割機能夠最大化的將缺陷避開，切出需要的訂單，從而達到最大化價值生產的目的。

3.3 數據驅動決策

通過對冷端數據的分析處理可以實現信息資源共享，探索生產數據與生產工藝之間的潛在關系，實現跨工藝的生產協同能力。如獲取玻璃板面的缺陷后，可根據需要查詢不同種類、大小的缺陷在不同時段內在玻璃帶上的分布情況，可以反向推導出熱端工藝調節的優劣，從而針對性的改進生產工藝流程。

4 結 語

浮法玻璃冷端數字化管理系統在多條生產線上實施應用，以數據可視化的手段為生產操作人員提供了操作指導，為生產線管理提供了數據支持，有利于形成科學的生產管理體系。未來有更多的生產線需要做數字化轉型，具有廣闊的推廣價值。