電機全生命周期質量大數據管控系統研究

張 兵 苗琪琪 張株瑞 劉曉冰

1(湘電集團技術中心信息化室 湖南 湘潭 411100)2(大連理工大學經濟管理學院 遼寧 大連 116024)3(大連華信計算機技術股份有限公司 遼寧 大連 116085)

0 引 言

電機作為電能轉換或傳遞的核心裝備，保證其質量具有重要的意義。從產品質量形成機理來看，產品質量是通過市場調研進行策劃，由設計確定，由制造來保證和實現，通過檢驗來證實，在用戶使用過程中顯示出來，因此電機產品的質量保證是貫穿其全生命周期。同時，新一代信息技術與制造業深度融合，隨著互聯網、物聯網、云計算、大數據等信息技術的高速發展，電機在需求、設計、制造、運行、維修保養等階段的質量數據爆發式增長，并呈現大容量、多樣性、實時性、價值性、真實性的大數據典型特點[1]。如何采集、存儲和利用電機需求與設計質量數據、制造質量數據與運行服役質量數據，形成電機全生命周期質量數據鏈，進而運用統計分析、數據挖掘分析等大數據分析手段，挖掘質量知識，控制和提升產品質量品質是當前迫切需要解決的問題，而構建電機全生命周期質量大數據管控系統是電機質量管理信息系統的創新方法。

大數據能夠對多種大量的數據進行實時分析和處理，從而獲取更多的附加值[2]。近幾年，大數據正在快速融入制造業，成為智能制造的核心要素。產品質量是制造業普遍關注的突出問題，也成為大數據技術重要應用方向之一，引起國內外學者的廣泛關注和研究。產品質量是在產品生命周期中形成的[3]，但現有研究主要是對設計、制造、維修等單一階段的質量大數據進行研究。在產品需求設計階段，Geiger等[4]利用用戶使用數據和測量數據進行關聯分析，以改進汽車設計參數，提升產品可靠性。在產品制造階段，很多學者依據產品制造過程和質檢大數據，設計深度學習、決策樹、隨機森林、人工神經網絡、支持向量機、貝葉斯網絡等機器學習算法和數據挖掘算法研究質量預測[5-6]、制造過程質量狀態實時監控與控制[7-10]以及制造過程中故障與不合格品的分析與追溯[11-15]。另外，一些學者研究了質量管理信息系統的設計與實現，例如Wei等[16]從汽車零部件制造質量數據出發，開發了質量管理信息系統，幫助企業提高質量管理水平。溫明川等[17]研究了基于制造執行系統的拖拉機裝配質量管理信息系統，大幅度提升了質量數據采集效率及其準確度，提高了質量管理協同工作效率。白瑞國等[18]介紹了大數據過程質量控制系統在鋼鐵生產中的應用。在產品運行維護階段，產品的健康狀況監測與診斷是研究的重點，特別是運用大數據分析技術提高對機械設備的監測診斷精度，實現對多種故障模式的分類與診斷[19-20]。

綜上所述，大數據技術已經滲透到產品全生命周期的每個階段，但缺少對全生命周期質量大數據的整體性研究，且鮮有關于產品全生命周期質量大數據控制系統的研究。電機產品需求類型多樣，制造工藝復雜，保養維護周期長，對全生命周期質量大數據要求較高。基于此，本文以電機全生命周期為主線，首先定義電機全生命周期質量大數據，接著歸納其特點，然后構建電機全生命周期質量大數據管控系統，包括系統的組成與架構，并采用統計分析、數據挖掘分析等大數據分析手段，對子系統的系統架構進行了詳細的設計。在實踐中，湘潭電機股份有限公司實現了電機全生命周期質量大數據管控系統的開發和運行，運行結果證明，所構建的系統能有效管控電機全生命周期的質量。

1 電機全生命周期質量大數據

在德國“工業4.0”、美國“工業互聯網”和“中國制造2025”背景下，制造業向智能化發展。電機作為制造業關鍵動力設備，對其質量要求越來越高。按現代質量概念，質量是在產品全生命周期各個階段的質量管理活動中逐漸形成的。從客戶關系角度來看，需要正確分析和評價客戶的質量需求；從設計角度來看，需要將客戶的質量需求正確轉換為設計質量；從制造角度來看，需要通過質量控制來保證制造質量[21]；從服務角度來看，需要通過維修維護來保證服務質量，因此只有多視角的面向產品全生命周期的質量管理，才能保證產品質量。與此同時，工業互聯網、物聯網、云計算、大數據等技術快速發展，電機產品從獲取市場的用戶需求開始到產品的設計、加工、裝配、檢測、使用和維護的全過程中的質量數據，在種類和數量上激增，產生了電機全生命周期質量大數據。產品質量大數據管理主要針對產品全生命周期過程質量數據進行采集、處理、傳輸、存儲和挖掘分析等管理[22]。將電機全生命周期各個階段的質量數據收集與儲存，進而采用傳統統計分析方法與現在的數據挖掘、機器學習等大數據分析手段對數據分析與利用，完成電機全生命周期質量活動的計劃、組織、指揮、控制和協調，推動產品質量的持續改進，即電機全生命周期質量大數據管理。

根據管理的業務和內容，電機全生命周期質量大數據大致可劃分為前期質量大數據、中期質量大數據和后期質量大數據三大部分，如圖1所示。在電機生命周期前期，即電機開始制造之前的市場需求和設計開發階段產生的質量數據，包括國家與行業標準質量數據、競爭者產品質量數據、消費者質量需求數據、客戶質量需求數據和由此產生的產品設計結構與參數質量數據與工藝設計參數質量數據。在電機生命周期中期，即電機制造過程中產生的質量數據，包括供應商質量數據、外協商質量數據、工藝質量數據、加工質量數據、裝配質量數據、檢測質量數據。在電機生命周期后期，即電機使用與維護階段產生的數據，包括電機運行狀態質量數據、運行反饋質量數據、質量評估、故障質量數據、維修質量數據等。

圖1 電機全生命周期的質量大數據

由以上分析可知，電機全生命周期質量數據中存在大量異構多源的數據，具備量(volume)、類(variety)、速(velocity)、值(value)的大數據4V特征：

1) 數據量龐大。電機全生命周期質量數據涵蓋了需求、設計、加工、裝配、檢測和使用的全生命周期階段數據，且隨物聯網、云計算、移動App信息技術的發展，這些數據量呈指數爆炸增長。

2) 數據類型多樣。電機全生命周期質量數據具有廣泛的數據來源，包括ERP、MES、PDM、CRM、CAD、CAPP、OA等系統，且涉及消費者、供應商、制造企業、客戶等多主體，其數據類型存在結構化與非結構化，主要有數字、圖像、表格、文字、聲音等。

3) 數據具有高速性。電機全生命周期數據高速性主要體現在兩個方面：一是數據增長的速度；二是數據處理的響應速度。電子商務、條形碼、RFID、移動App等技術促使電機全生命周期各個階段數據快速增加，而在短期特別是超短期的預測，調度決策經常需要秒級甚至毫秒級反應。

4) 數據價值性。電機全生命周期數據規模龐大，需要通過數據的清洗、挖掘、分析、提取等技術手段，以獲得對質量有重要價值的知識規則，而通常采用的方法有關聯分析、聚類分析、分類分析、回歸分析、決策樹分析、文本挖掘等數字挖掘和機器學習方法。

另一方面，電機全生命周期各個階段并不是相互獨立的，而是相互關聯、相互影響、互為制約，旨在作為一個整體進行科學智能決策，保障電機質量。例如：對電機運行質量狀態特征參數與各部件制造參數進行數據挖掘分析(分類、關聯、聚類、異常等分析)，探索各部件參數與產品質量各特征參數間關系，形成部件參數與產品質量狀態關系鏈，進而為新產品設計提供產品質量參數，也為運維服務中快速識別異常狀態，定位故障部件，提升維修能力，提供支持。

2 電機全生命周期質量大數據管控系統設計

2.1 系統組成

系統是由相互作用相互依賴的若干組成部分結合而成的，具有特定功能的有機整體。電機全生命周期質量大數據系統是以系統方式組織和開展質量管理工作，通過集成化思想綜合技術和管理的方法和手段，綜合優化電機質量管理。根據電機全生命周期的主要環節和業務，即需求與設計，生產制造和售后服役，將電機全生命周期質量管控系統分為電機需求與設計質量管控子系統、電機制造質量管控子系統、電機服役質量管控子系統和電機質量大數據應用中心四部分，如圖2所示。電機需求與設計質量管控子系統完成設計過程中需求質量信息采集，將顧客需求信息合理而有效地轉換為產品開發各階段的工藝步驟和工藝控制參數的技術質量目標。電機制造質量管控子系統完成制造過程中質量數據采集、質量預測、質量過程控制、質量追溯等功能。電機服役質量管控子系統完成電機使用過程中狀態數據采集、故障監控、健康分析等功能。電機質量大數據應用中心的本質是將子系統中的數據集成、關聯和存儲，利用數據挖掘、機器學習等大數據技術，對關聯數據進行深入分析，形成質量數據知識庫，進而向企業內部管理、設計、工藝、生產、質量、銷售等部門提供質量數據查詢、追溯、統計分析、質量建模等服務，向電機用戶提供電機故障診斷、故障預警、健康分析等服務。

圖2 電機全生命周期質量管控系統組成

2.2 系統架構

電機全生命周期質量大數據管控系統旨在及時收集電機在需求與設計、制造、運行服務全生命周期階段產生的數據，利用相關分析、聚類分析、深度學習等大數據方法挖掘電機質量知識，為質量管理提供技術支持。電機全生命周期質量大數據管控系統架構如圖3所示，由下至上分為五個層次：數據層、網絡層、儲存層、計算層、應用層。最底層是數據層，主要收集子系統的數據，為深入分析數據做準備。第二層是網絡層，包括互聯網、工業以太網、工業無線局域網、企業內部局域網、物聯網，通過網絡達到數據快速及時的傳遞。第三層是儲存層，收集的數據經過清洗、整理、轉化，進而儲存至分布式文件系統HDFS和關系數據庫。第四層是計算層，該層使用實時流式計算Storm、并行計算Spark、分布式計算MapReduce工具進行大數據分析算法的并行計算，系統中將傳統統計方法和大數據技術方法相結合進行數據分析和模型構建，實現質量規則挖掘與知識挖掘。最頂層是應用層，將計算層提煉出的深層知識付諸于應用，主要面向企業管理、設計、工藝、生產、質量、銷售等部門的質量管理人員，促進電機質量管理優化。

圖3 電機全生命周期質量管控系統架構

基于以上系統介紹，所建立的電機全生命周期質量大數據管控系統具有如下特點：

1) 集成性。基于電機全生命周期階段構建了電機需求與設計質量管控子系統、電機制造質量管控子系統、電機服役質量管控子系統，以及具有集成各子系統的電機大數據應用中心，從多視角與全面的角度分析了電機質量，從而反饋給各個系統，及時優化和管控了電機質量。

2) 技術性。傳統的數據分析技術已經不足以滿足大數據應用的需要，除使用傳統的統計方法外，引入機器學習和數據挖掘的大數據智能分析方法對質量數據進行深入分析，挖掘質量關聯規則和知識，形成質量知識庫，進行科學合理的質量預測和管控。

3) 實時性。從用戶和市場的需求到設計、制造、使用這一全過程都是實時動態變化的，通過物聯網、工業互聯網等網絡的傳遞也是實時的，因此電機全生命周期質量大數據收集是實時動態變化的，并且實時動態的質量大數據必須在短時間內進行計算和分析，實現產品質量的實時性判定和控制。

3 子系統分析

3.1 電機質量需求與設計管控子系統

制造需求與設計質量管控子系統反映了電機生命周期早期階段的質量管理，其系統部署結構如圖4所示。其管理主要是通過云平臺及電子商務平臺收集商業環境中消費者、競爭者、社交媒體、行業媒體、國家標準、行業標準等數據以及客戶訂購與定制的功能描述、性能描述、配置描述等數據，為快速準確地分析和預測電機質量需求提供有力支持。收集的數據通過互聯網和無線網絡傳到制造需求與設計質量管控系統中心數據庫并進行清理、整理、轉化、儲存，即特征信息預處理。

圖4 電機需求與設計質量管控系統部署結構

在數據分析階段，以知識數據庫(包括實例庫、規則庫、特征庫、設計約束庫、模塊庫、參數庫)為基礎，進而運用傳統的質量功能配置(QFD)分析方法和現在的大數據技術分析電機質量需求。QFD的核心思想是通過增加客戶滿意度來提高市場占有率，以用戶為出發點，將目標客戶的主觀需求信息轉化為產品設計質量要求[23]。基于大數據技術的質量需求分析是根據顧客需求描述，利用文本挖掘技術分析[24]和智能算法評價當前質量需求和潛在質量需求[25-26]，進而將產品質量特征融入產品設計過程中。通過參數映射確定屬性，計算屬性相似度，利用聚類分析與關聯分析，設計實體相似度計算模型，結合知識庫中已有的設計知識，促進電機原理設計、概念設計、模塊設計、變型設計、配置設計、功能設計、結構設計、快速建立工藝模型，并在CAD、PDM與PLM集成平臺完成產品質量設計和工藝質量設計。

3.2 電機制造質量管控子系統

電機制造質量管控子系統主要對影響質量的人、機、料、法、環數據采集、儲存和利用，完成電機制造過程質量的控制，包括部件與原材料的采購、產品制造、產品檢驗環節中的質量數據和ERP、MES、WMS等系統中的質量數據，實現對電機制造全過程的高效質量管理和控制，見圖5。為實現電機制造質量數據的采集，需要在電機生產制造車間根據生產流程的布局，在各個工序部署質量數據采集設備。數據采集設備一般包括條碼掃描槍、RFID、傳感器、數據采集計算機、數據采集平板等，分為人工錄入與自動采集方式。采集的數據通過企業內部網絡(有線或無線)傳輸到企業內網數據中心的服務器上，并進行數據的集成、清洗、整理和存儲。

圖5 電機制造質量管控子系統部署結構

在數據處理分析階段，由于電機制造過程是動態、實時、多因素、復雜的，傳統的統計方法不能很好滿足質量分析需求，必須引進數據挖掘和機器學習的大數據方法。采用貝葉斯網絡、決策樹、隨機森林、人工神經網絡、支持向量機等機器學習算法進行質量預測與故障診斷[27]。依據產品制造過程數據及質檢數據實現產品質量追溯，通過關聯分析識別影響質量的主要因素(原材料性能參數、設備狀態參數、工藝參數或車間環境參數)[28-29]。針對制造企業質量異常數據，采用ADTree決策樹與FP-Growth算法[15]對質量數據集進行挖掘，快速發現制造過程中質量異常、不合格產品及其影響因素。通過對表征質量特性的動態數據進行實時檢測，基于聚類分析，實現動態質量的監控和診斷。電機制造質量大數據管控子系統保障了生產過程的在制品質量，控制和優化了電機制造質量的結果，最終保障了采購管理、生產過程質量管理和成品質量管理。

3.3 電機服役質量管控子系統

為了完成電機的最后生命周期管理，提高售后服務，設計電機服役質量管控系統，其主要由遠程智能感知設備、企業互聯網數據服務器和應用服務部分構成，如圖6所示。遠程智能感知設備負責采集電機的運行數據，分析電機的運行狀態，并向用戶現場控制系統和公司互聯網數據服務器發送這些狀態數據。傳感器負責實時采集和儲存電機的電壓、電流、溫度、轉速、振動等運行數據。企業互聯網數據中心服務器接收和存儲電機運行狀態數據，并實現實時計算、能效與振動分析、健康分析、報警保護等功能。工業總線接口與電機用戶現場控制系統(DCS)的PLC直接進行通信，能夠為用戶DCS系統提供所關心的所有數據和分析結果，幫助用戶掌握電機當前運行質量狀態及其發展趨勢，制定維護計劃，節約維護維修成本，提高運營效率。互聯網接口與電機制造企業中心進行通信，能夠為電機制造企業實時監控運行狀態，預測電機運行質量，快速發現設備和系統的故障原因進行維修策略的制定，同時為需求、設計、制造提供支持。

圖6 電機服役質量管控子系統

電機服役質量數據分析的傳統統計方法包括故障樹、累計分割壽命推定、威布爾函數分析、多元統計等，但這些方法存在精度低、計算速度慢、難以適應大數據特征等缺點，因而需要引入大數據分析方法。通過實時監測電機運行過程中性能參數等時間序列數據，運用支持向量機、神經網絡等方法對電機狀態趨勢進行預測，采用深度學習方法[30]對電機健康狀態進行檢測診斷。運用基于Spark的RW-CLOPE算法方法對故障類型進行分類[31]，從而快速診斷出故障類型。對質量分析數據集進行關聯分析，及時發現質量異常的影響因素。

3.4 電機質量大數據應用中心

產品全生命周期是一個完整的系統，各個階段具有相互關聯、相互影響和相互制約的關系，且必須實現信息的互通共享和反饋，因而電機質量大數據應用中心將制造需求與設計質量管控系統、電機制造質量管控系統與電機服役質量管控系統集成，如圖7所示。電機質量大數據應用中心通過WEBSERVICE、JDBC等經典數據交互技術和Flume、Sqoop、Kafka等大數據技術，實現了與各個分系統的無縫銜接，利用互聯網、物聯網、工業以太網、工業無線局域網確保數據傳輸的實時性。在此基礎上，建立集成數據庫，對數據進行清洗、轉化、融合、分類，建立知識庫和歷史庫，從而用于電機質量數據統一管理、聯合分析和數據挖掘。

圖7 電機質量大數據應用中心

在大數據分析階段，為了識別不同階段復雜的耦合特性，充分挖掘各個階段數據集中的關聯規則，常采用Apriori算法及其改進AprioriTid算法、AprioriList算法和FP-gerowth算法。如利用電機現場制造測量數據與電機用戶使用狀態數據進行關聯分析，快速識別以改進設計參數，識別影響質量的主要因素，提升產品可靠性；將電機用戶使用狀態數據與電機制造需求與設計階段的市場、行業、地理等多方面數據進行關聯分析，可以較精確預測不同市場的質量需求情況，更好地描繪客戶畫像，實行差異化的設計，提高企業競爭力；將實時數據與歷史診斷數據相關聯，對潛在異常進行診斷并進行預防性維護，從而在重大異常發生之前消除隱患。此外，利用隨機矩陣理論分析質量時空關聯特性，并對關聯異常情況進行辨識。由于影響質量特性的過程因素很多，并出現隨機性、模糊性、非線性、綜合性等特點，過程作用機理復雜，針對此類問題，采用神經網絡、貝葉斯網絡、支持向量機、深度學習等機器學習方法進行預測和過程建模。運用多元統計方法、聚類分析、分類分析等數字挖掘方法挖掘電機全生命周期數據中隱含的質量相關信息。通過實時監測電機在不同階段的時間序列數據，實現產品質量追溯，揭示影響電機質量的主要因素，在運維服務中快速定位，提升服務水平。綜上，運用大數據技術對電機全生命周期質量大數據進行分析，為質量知識庫不斷增加有價值的知識。總之，電機質量數據應用中心通過信息集成電機各個生命階段的質量數據，并運用數字挖掘、機器學習等大數據技術，解決電機質量集成共享、隱性關聯、復雜建模、實時監測、精確預測、優化與控制等問題，為公司內部管理、設計、工藝、生產、質量、銷售等部門提供質量大數據應用服務，為公司內外部的電機用戶提供電機運行狀態監測、運行能效分析、健康分析和巡檢、運維等增值服務。

4 系統應用實施

湘潭電機股份有限公司是我國電機制造行業的重要企業之一，主要生產和銷售發電機、交直流電動機、特種電機、軌道交通和新能源汽車車輛牽引控制系統等。公司十分重視電機全生命周期的質量管理，為了提高電機質量管理信息化、實時化、可視化、高效化、智能化水平，充分利用當前物聯網、工業互聯網、大數據等先進技術，構建了電機全生命周期質量大數據管控系統。

針對數據采集，在需求設計階段，公司收集云平臺和電子商務平臺的客戶下單言論信息；在制造階段，在湘電股份特種電氣事業部所屬的5個車間，構建55個信息采集點，在每個數據采集點，系統將配備一組數據采集設備，包括條碼打印機、條碼掃描槍、PC數據采集設備、平板數據采集設備等；在服役階段，通過在湘電風能有限公司、株洲自來水廠、湖南華菱湘潭鋼鐵有限公司等主要用戶的電機運營現場安裝遠程智能感知設備，采集電機運行參數以及維護維修等質量相關數據。

對于數據網絡傳輸，廠區和辦公室通過千兆光纖組建局域網絡，與質量管理相關的業務人員(包括檢驗員、技術人員、設計人員、工藝人員、財務審計人員、質量審理人員、質量部領導等)可通過公司內網系統在各自工作機器上處理所負責的質量業務。在信息中心提供Internet網關，使得質量管理人員可通過移動App客戶端或Web客戶端異地處理業務。此外，與外部連接通過千兆光纖連接，在線監測、售后運維服務過程中產生的質量信息也可通過Internet網關回傳到數據中心，從而實現全壽命周期質量信息分析。

針對數據儲存與利用階段，信息中心建設質量大數據中心，配置、管理、分析計算機用于支撐質量管理業務和數據分析功能；向云服務提供商購買云計算服務；以電機全生命周期質量大數據為基礎，通過將傳統統計方法和支持向量機、文本挖掘、神經網絡等機器學習和數據挖掘方法進行數據深入挖掘，向企業內部和電機用戶提供制造工序能力分析(見圖8)、制造參數直方圖分析(見圖9)、統計控制圖(見圖10)、不合格品分析(見圖11)、質量檔案查詢(見圖12)、設備詳細狀態信息(見圖13)及監測信息(見圖14)、統計分析結論(見圖15)、電機健康分析(見圖16)、質量狀態預測(見圖17)等服務。

圖8 工序能力分析

圖9 制造參數直方圖分析

圖10 統計控制圖

圖11 不合格品分析

圖12 質量檔案查詢

圖13 設備詳細狀態信息

圖14 設備狀態監測

圖15 統計分析結論

圖16 電機健康分析

圖17 質量狀態預測

該系統創新了公司質量管理模式，其正式運行以來效果顯著，主要表現在：

(1) 質量信息數據實現及時共享與協同。系統集成了電機全生命周期各階段的數據，并且運用物聯網、互聯網、無線網、大數據技術實時快速搜集數據、處理數據、共享數據，以便管理人員能夠及時對質量問題做出迅速而準確的反應，同時便于企業各部門以及企業與客戶、企業與供應商溝通與交流。

(2) 質量管理決策更加優化，提高電機質量，降低質量成本。系統能夠利用統計方法、數據挖掘、機器學習的大數據方法，充分挖掘電機質量需求，影響質量相關的因素，不同參數的關聯規則，以及預測、監控和診斷電機質量及其故障，提高了基于數據的管理決策能力和戰略決策準確性，降低決策中的不確定性和風險，為管理決策提供了支持，提高了電機質量，降低質量成本。

(3) 提升企業對客戶價值，促進客戶滿意度提升。系統可以向公司的銷售、市場和客戶服務的專業人員提供全面與個性化的客戶需求資料，并強化跟蹤服務和信息分析，使他們能夠快速響應和引導客戶需求，在最短的時間內為客戶提供滿意的產品和服務，協同建立和維護一系列與客戶之間卓有成效的“一對一關系”，從而通過精準服務來提高客戶黏性和客戶忠誠度，提高客戶滿意度，吸引和保持更多的客戶，最終達到銷售額的大幅度增加。

(4) 提高售后服務質量，向制造加服務轉型。公司可以依托系統為電機用戶提供具有電機運行狀態分析、健康分析等服務通信服務的智能化產品，實現包括狀態監測、故障預警、維護計劃生成、設備運行能效分析、健康分析、巡檢服務和運維服務等增值服務，提升服務水平，并獲得服務帶來的收益，逐步實現從產品制造到制造+服務的升級。

5 結 語

在全生命周期階段產生了大量的質量數據，具備量(volume)、類(variety)、速(velocity)、值(value)的大數據4V特征。利用文本挖掘、關聯分析、聚類分析等大數據技術構建電機全生命周期質量大數據管控系統。系統架構由下至上分為五個層次：數據層、網絡層、儲存層、計算層、應用層，且由電機質量需求與設計管控子系統、電機制造質量管控子系統、電機服役質量管控子系統和電機質量大數據應用中心組成，其中核心為電機質量大數據應用中心。該系統由湘潭電機股份有限公司開發并運行，實踐證明，所構建的系統解決了電機質量集成共享、隱性關聯、復雜建模、實時監測、精確預測、優化與控制等問題，為公司管理、設計、工藝、生產、質量、銷售等部門提供質量大數據應用服務，為電機用戶提供電機運行狀態監測、運行能效分析、健康分析和巡檢、運維等增值服務。