□ 袁國韜 □ 倪受東

南京工業(yè)大學 機械與動力工程學院 南京 211800

1 研究背景

數(shù)字化工廠是以產(chǎn)品全生命周期相關(guān)數(shù)據(jù)為基礎(chǔ),在計算機虛擬環(huán)境中對整個生產(chǎn)過程進行仿真、評估和優(yōu)化,并進一步擴展到整個產(chǎn)品生命周期的新型生產(chǎn)組織方式[1],其總體框架如圖1所示。

建立數(shù)字化虛擬工廠,包含從合同訂單到倉庫、下料、制造、檢測、包裝、發(fā)貨交付全過程,圍繞人、機、料、法、環(huán)、測進行狀態(tài)跟蹤及數(shù)據(jù)采集[2],從而形成完整的數(shù)據(jù)鏈,達到訂單及產(chǎn)品狀態(tài)實時掌控、制造過程全透明、質(zhì)量信息完整可追溯、產(chǎn)品合格率最大化、機器設(shè)備及人力資源投資回報率最大化的目標。

▲圖1 數(shù)字化工廠總體框架

2 數(shù)據(jù)采集

在數(shù)字化工廠的一個生產(chǎn)周期過程中,數(shù)據(jù)的采集主要分為三大類:設(shè)備數(shù)據(jù)采集、人員數(shù)據(jù)采集及安全環(huán)境數(shù)據(jù)采集。

2.1 設(shè)備數(shù)據(jù)

設(shè)備數(shù)據(jù)采集處于首要地位,數(shù)字化工廠運行的本質(zhì)就在于機械設(shè)備能否正常運行以創(chuàng)造效益。設(shè)備數(shù)據(jù)包括:① 生產(chǎn)計劃,包括產(chǎn)品交付日期、產(chǎn)品數(shù)量、工廠作業(yè)計劃、工單執(zhí)行情況等；② 物料信息,包括物料批次、物料數(shù)量、物料消耗使用情況等；③ 設(shè)備狀態(tài),包括設(shè)備運行、閑置、保養(yǎng)、故障時間及設(shè)備綜合效率等。

設(shè)備數(shù)據(jù)是數(shù)字化工廠重要的根本數(shù)據(jù),處于主體地位[3],一般采用可編程序控制器與用于過程控制的對象連接與嵌入(OPC)技術(shù)相結(jié)合的方式進行采集,用串口與RJ45連接器進行數(shù)據(jù)傳輸。

針對不同生產(chǎn)設(shè)備的數(shù)據(jù)進行采集,需要關(guān)注設(shè)備的數(shù)字化程度及其接口類型,部分老舊設(shè)備需要額外添加傳感器。串口設(shè)備需要通過轉(zhuǎn)換器進行數(shù)據(jù)傳輸,數(shù)控設(shè)備則可以直接進行數(shù)據(jù)采集[4]。隨著GB/T 33863—2017《OPC統(tǒng)一架構(gòu)》作為智能制造基礎(chǔ)核心國家標準發(fā)布,OPC數(shù)據(jù)采集成為趨勢。

設(shè)備數(shù)據(jù)采集如圖2所示。

▲圖2 設(shè)備數(shù)據(jù)采集示意圖

2.2 人員數(shù)據(jù)

人員數(shù)據(jù)采集一般分為三部分:① 員工出勤人數(shù)、員工出勤率；② 員工技能情況；③ 員工工作狀態(tài)及產(chǎn)出情況、員工平均工作效率。

人員數(shù)據(jù)采集一般可采用條碼掃描、鍵盤錄入、射頻識別等人工錄入方式進行[5]。

2.3 安全環(huán)境數(shù)據(jù)

安全環(huán)境數(shù)據(jù)一般包括:① 質(zhì)檢信息,包括質(zhì)檢工序、良品率;② 環(huán)境信息,包括溫度、濕度、現(xiàn)場5S及警報信息等;③ 倉儲物流信息,包括倉儲儲位、出入庫、料號、批次、車載數(shù)據(jù)等;④ 工廠投資回報率,包括機械設(shè)備投資回報率、人力資源投資回報率。

安全環(huán)境數(shù)據(jù)采集與設(shè)備數(shù)據(jù)采集方式類似,并增加采用傳感器、信息系統(tǒng)集成等方式[6]。

數(shù)據(jù)采集完成之后,由于數(shù)據(jù)的多樣性,為了便于進行數(shù)據(jù)處理,需要對各種數(shù)據(jù)進行清洗，并轉(zhuǎn)換為數(shù)據(jù)處理可以識別的格式[7]。為了避免數(shù)據(jù)清洗及轉(zhuǎn)換過程中導致數(shù)據(jù)損壞或漏提取參數(shù)等情況,原始文件和處理后的文件都需要存儲在數(shù)據(jù)池中。數(shù)據(jù)清洗流程如圖3所示。

▲圖3 數(shù)據(jù)清洗流程

3 反向傳播神經(jīng)網(wǎng)絡(luò)

3.1 人工神經(jīng)網(wǎng)絡(luò)

相比于現(xiàn)代計算機,生物大腦存儲空間小,運行速度較慢,但是生物大腦可以執(zhí)行復雜的任務(wù),如飛行、尋找食物、學習語言、躲避天敵等。

相比于傳統(tǒng)的計算機系統(tǒng),生物大腦對損壞和不完善信號具有更強的適應(yīng)性及識別能力。

人工神經(jīng)網(wǎng)絡(luò)如圖4所示，是一種模擬生物神經(jīng)網(wǎng)絡(luò)，由簡單的處理單元，即神經(jīng)元組成的大規(guī)模并行分布式處理器。

▲圖4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)利用神經(jīng)元的連接來存儲知識,學習能力強,魯棒性、容錯性好,采用分布式存儲與分布式信息處理,屬于并行非線性動力學系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用范圍極廣,幾乎可以囊括所有的計算領(lǐng)域[8]。

3.2 建模

筆者采用三層神經(jīng)網(wǎng)絡(luò)架構(gòu),將所采集并經(jīng)過處理的數(shù)據(jù)作為輸入數(shù)據(jù)集。人工神經(jīng)網(wǎng)絡(luò)中的單個神經(jīng)元結(jié)構(gòu)如圖5所示。

▲圖5 人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元結(jié)構(gòu)

筆者采用Sigmoid激活函數(shù),其具體形式為:

(1)

采用Sigmoid函數(shù)時,為提高訓練速度和靈敏性，以及有效避開Sigmoid函數(shù)的飽和區(qū),一般要求輸入數(shù)據(jù)的值在0～1之間。因此,需對輸入數(shù)據(jù)進行預(yù)處理。為保證建立的模型具有一定的外推能力,最好使數(shù)據(jù)預(yù)處理后的值在0.2～0.8之間[9]。

筆者選用三層反向傳播神經(jīng)網(wǎng)絡(luò)模型,如圖6所示。

▲圖6 三層反向傳播神經(jīng)網(wǎng)絡(luò)模型

3.3 梯度下降的應(yīng)用

神經(jīng)網(wǎng)絡(luò)模型進行訓練時,一開始的輸出結(jié)果總是會和搜集到的數(shù)據(jù)有所差異,對這個誤差進行分析,是訓練網(wǎng)絡(luò)更新權(quán)重的關(guān)鍵。一個模型中，只有損失函數(shù)收斂到一定的值,才有可能會有好的結(jié)果。一般情況下,對這個誤差采用梯度下降法進行分析處理。

在數(shù)學上,對于一個可微分的函數(shù)f(x,y,z),向量grad稱為f(x,y,z)的梯度。

(2)

在沿梯度方向,方向?qū)?shù)取最大值時,神經(jīng)網(wǎng)絡(luò)模型的計算速度最快。因此,在求損失函數(shù)的最小值時,可以通過沿梯度方向一步步迭代求解,得到最小化的損失函數(shù)和模型參數(shù)值。梯度下降法的計算過程就是沿梯度下降的方向求解極小值。當梯度向量為零時,說明到達一個極值點,這也是梯度下降算法迭代計算的終止條件。簡單而言,在一個非常復雜、有波峰波谷的群山中,需要到達坡底,只能一步一個腳印緩慢下行,這個過程在數(shù)學上便被稱為梯度下降[10]。

梯度下降如圖7所示,其中A點、C點為需要采用梯度下降法時的隨機所在位置,B點、D點為需要尋找的相應(yīng)最低點,也就是誤差最小點。B點為全局最低點,D點為局部最低點,從A點、C點逐步下降走到B點、D點的位置,采用梯度下降法可以快速準確地找到相應(yīng)路徑。

3.4 反向傳播的應(yīng)用

反向傳播算法利用輸出后的誤差來估計輸出層相鄰前導層的誤差,再用這個誤差估計更前一層的誤差,如此一層一層反傳,獲得所有其它各層的誤差估計。這一誤差可以用于調(diào)整、修正各層單元的權(quán)值[11]。

在反向傳播神經(jīng)網(wǎng)絡(luò)中,假設(shè)由隱含層神經(jīng)元J到輸出層神經(jīng)元K,K的輸出值為tK,實際輸出值為

▲圖7 梯度下降示意圖

oK,則此次輸出結(jié)果的節(jié)點誤差eK為tK-oK。

依次類推,展開誤差函數(shù),對目標值和實際值之差的二次方進行求和,得到針對所有M個輸出節(jié)點的和。其中wJ,K為隱含層神經(jīng)元J到輸出層神經(jīng)元K的權(quán)重,wI,J為輸入層神經(jīng)元I到隱含層神經(jīng)元J的權(quán)重,tM為輸出層所有節(jié)點的預(yù)期輸出值之和,oM為輸出層所有節(jié)點的實際輸出值之和,e為相應(yīng)神經(jīng)元對應(yīng)的節(jié)點誤差。

(3)

因神經(jīng)元K的輸出僅依賴于隱含層對輸出層的權(quán)重,則相對神經(jīng)元K而言,tK為輸出層神經(jīng)元K的預(yù)期輸出值,oK為輸出層神經(jīng)元K的實際輸出值。

(4)

根據(jù)鏈式求導法則及Sigmoid函數(shù)作為激活函數(shù)的定義,可以推導得:

(5)

式中：oJ為前一個隱含層節(jié)點的輸出。

繼續(xù)向前類推后,可以得到兩個最終表達式,這是反向傳播神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。

{1-Sigmoid[∑(wJ,KoJ)]}oJ

(6)

{1-Sigmoid[∑(wI,JoI)]}oI

(7)

式中：oI為神經(jīng)元I的實際輸出值。

(8)

采用反向傳播神經(jīng)網(wǎng)絡(luò)進行訓練的首要前提條件是，有足夠多的典型性好和精度高的樣本。

為使訓練過程不發(fā)生過擬合，必須將收集到的數(shù)據(jù)隨機分成訓練樣本、檢驗樣本和測試樣本三部分。此外,數(shù)據(jù)分組時還應(yīng)盡可能考慮樣本模式間的平衡。

4 程序運行展示

Python是一種跨平臺的計算機程序設(shè)計語言，是一種面向?qū)ο蟮膭討B(tài)類型語言,最初被用于編寫自動化腳本,隨著版本的不斷更新和語言新功能的增加,越來越多被應(yīng)用于獨立、大型項目的開發(fā)。

4.1 Python編程

筆者采用Python語言在Pycharm集成開發(fā)環(huán)境中進行編程,調(diào)用了numpy數(shù)值計算擴展庫、matplotlib繪圖庫等Pycharm自帶的標準庫,部分代碼截圖如圖8所示。

▲圖8 Python編程代碼

4.2 數(shù)據(jù)代入

某數(shù)字化工廠2015年至2017年內(nèi)部采集的部分數(shù)據(jù)集如圖9所示。經(jīng)過脫密處理,將其保存為.CSV文件,代入已有的反向傳播神經(jīng)網(wǎng)絡(luò)模型中進行訓練與測試。

▲圖9 某數(shù)字化工廠內(nèi)部采集數(shù)據(jù)集

4.3 結(jié)果

當選取其中50條數(shù)據(jù)作為小型測試集時,測試結(jié)果的準確率為60%左右,如圖10所示。這是由于樣本數(shù)量太少,無法達到較高的準確率,但是這也說明了預(yù)測是可行的,神經(jīng)網(wǎng)絡(luò)模型是正確的。為了達到較高的準確率,需要采用更多的樣本去訓練反向傳播神經(jīng)網(wǎng)絡(luò)。

▲圖10 小型測試集準確率

筆者將該數(shù)字化工廠2015年的所有數(shù)據(jù)集作為訓練集,將2015年至2017年的所有數(shù)據(jù)集作為測試集,經(jīng)過訓練之后,反向傳播神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準確率達到95%左右,如圖11所示。

▲圖11 完整測試集準確率

5 結(jié)束語

數(shù)字化工廠是未來工廠的重要發(fā)展趨勢之一,筆者對數(shù)字化工廠的數(shù)據(jù)進行采集、清洗后,輸入搭建好的反向傳播神經(jīng)網(wǎng)絡(luò)模型進行訓練,將訓練好的反向傳播神經(jīng)網(wǎng)絡(luò)模型用于相關(guān)數(shù)據(jù)集測試,得到了較高的準確率。筆者對數(shù)據(jù)分析的發(fā)展方向進行了初步探討,相信在以后的發(fā)展中,數(shù)字化工廠的數(shù)據(jù)分析還會有更細致的算法及更優(yōu)化的模型,這些算法和模型在未來的工業(yè)生產(chǎn)中會起到更大的作用。