以智能制造為目標的設備智能預測管理體系建設與應用-建立壓機軸溫預測模型-重慶長安.pptx

1、以智能制造為目標的設備智能預測管理體系建設與應用-建立壓機軸溫預測模型 長安汽車兩江工廠兩江工廠沖壓二車間|2024.3目錄4項目效果驗證3壓機軸溫預測探索2沖壓數字化背景1工廠及車間概況Contents一、工廠及車間概況 打造綠色、精益、高品質的一流智能打造綠色、精益、高品質的一流智能沖壓沖壓車間車間4/54朝氣蓬勃的兩江工廠Young Factory工廠介紹兩江工廠成立于20202020年年4 4月月位于重慶兩江新區魚復工業園區重慶兩江新區魚復工業園區N Overview of Liangjiang Factory兩江工廠概況兩江工廠一廠區兩江工廠一廠區 兩江工廠二廠區兩江工廠二廠區兩江工

2、廠三廠區兩江工廠三廠區兩江工廠現有員工8000余人，平均30歲。資產規模103103億億元，占地面積21122112畝，產能100100萬萬輛。全球第二、國內最大的整車制造工廠，長安汽車智能制造核心戰略工廠。戰略共享平臺兩江工廠承制阿維塔、深藍汽車、長安引力和長安啟源四大品牌系列產品。長安引力長安啟源阿維塔12G318阿維塔11SL03戰略共享平臺工廠在產長安自主品牌產品。E16（試制）歐尚X5 PLUS歐尚X7 PLUS啟源Q05第二代UNI-TUNI-V長安啟源長安引力第三代CS55PLUSUNIKC798（試制）Smart Manufacturing Benchmarking Facto

3、ry智能制造標桿工廠長安體系內先進先進的整車生產線，工業機器人運用超超17001700臺。擁有工業互聯網方案開發的長安智慧工廠平臺長安智慧工廠平臺。600600項指標、1100011000個運行參數實時監控，設備聯網率達95%95%?！爸袊囆袠I標桿智能工廠”“中國智能制造試點示范單位”個性化定制個性化選車智能排產柔性敏捷生產訂單透明Integrating 5G technology with intelligent manufacturing to achieve new manufacturing scenarios5G+智造新場景 數字運營工廠+車間運營全覆蓋一站式管理，供應鏈全鏈條輻

4、射追蹤已布局 133 個場景點，年節創價值達1000余萬元。14個5G視覺應用場景，27個應用點位。實現視覺引導、視覺定位、視覺識別智能檢測設備智能運維50個預測性維護自研模型核心數據100%自采集預測10/14Keep Improving and Trustworthy Quality精益求精，值得信賴的品質匠心制造，對每一個細節都傾注100%的努力。千余個 質量控制點，百余個 質量門，堅持“正向控制與逆向檢驗”結合大量運用視覺系統、在線精度檢測、超聲波、激光雷達 等先進檢測手段“不制造、不傳遞缺陷”，J.D.Power客戶服務滿意度連續5年上升Uphold the Concept of G

5、reen And Low-Carbon Manufacturing秉持綠色低碳制造理念工廠深入落實“碳達峰”“碳中和”目標，以“綠色低碳”為理念，積極履行社會責任，連續 3 3 年獲評重慶市重慶市“環保誠信企業環保誠信企業”。推進循環風改造、余熱利用等項目，持續推進綠色制造“物化+生化”廢水處理技術“沸石吸附濃縮+脫附燃燒”+排煙除塵過濾系統推進涂料低VOCs化Utilizing photovoltaic power generation to achieve green and low-carbon production科技光伏，綠色生產兩江工廠積極響應國家政策，率先實施 34.3MW MW

6、 分布式光伏項目?？偘l電量2020.17萬度減排粉塵0.65噸節約標準煤6159.5噸減排二氧化硫3.23噸減排二氧化碳1.82萬噸減排氮氧化物1.62噸沖壓車間Press workshop 長安汽車股份有限公司兩江工廠沖壓二車間始建于2015年，2016年9月30日通過SOP節點，2017年3月正式量產?？傉嫉孛娣e約24304平方米，庫房面積約8464平方米。主要生產CS55PLUS、UNI-V、長安啟源Q05等車型大型沖壓覆蓋件，車間合計生產共計70沖次零件。規劃有2條多連桿機械壓機+雙臂橫桿封閉式高速生產線，最高線速可達15沖次/分鐘。形象用語一流汽車，從沖壓開始價值觀以人為本、團結擔當

7、、求真務實、高效執行愿景打造安全、高效、創新的一流智能化沖壓車間車間介紹15/54八連桿傳動技術的數控壓機高速雙臂橫桿全自動化傳輸鋼鋁混線系統l 提升效能壓機無需循環啟停，壓機的能耗可降低30%。l 質量提升 全序采用多連桿機械壓機，生產質量穩定可靠。l 應用情況 國外企業90%以上采用此項技術，國際先進水平。生產線采用八連桿傳動技術數控壓機，壓機速度達20次/分鐘，壓機運行與整線自動化集成同步。配備智能同步控制的高速傳輸設備（雙臂橫桿送料系統），生產節拍達到15沖次/分鐘l 提升效能 效率提升60%以上，生產能力提升70%。l 安全提升 所有自動化傳輸的伺服動作都連接在2個平行操作的編碼器上

8、，無論何時都能實現與壓機信號同步。l 可編程性柔性最大化，所有軸都完全可編程。l 應用情況 國外企業90%以上采用此項技術。l 技術領先 滿足汽車輕量化鋁合金材質產業化生產，提升技術領先和品牌美譽度l 應用情況 一流合資企業新建線較多采用此項技術，其他自主品牌企業暫未使用在板料分張、傳送帶、廢料線等位置增加鋁板生產裝置，滿足鋼鋁混線生產需要。車間介紹16/54快速換模系統智能物流倉庫智能制造系統模具單次切換時間在3分鐘內全部完成端拾器與檢具由傳統的存放方式轉變為立體庫存放通過零件和板料庫存，結合模具狀態、質量問題等信息，實現管理透明化、排產自動化。l 提升效能 模具切換時間縮短，換模時間由原2

9、5分鐘提升至3分鐘以內l 多品種支持 模具切換時間短，可支持更頻繁品種切換，多車型生產l 應用情況 國外企業新建生產線90%采用。l 便捷高速90秒內完成自動化存取l 技術領先 自動化、智能化的存取方式，不僅縮短了更換端拾器所需時間，更減少了操作人員的勞動量l 應用情況 一流合資企業新建線采用此項技術。l 提升效能 盤存不占用生產時間，減少原有每班盤存一小時和每月盤存1天的停產時間l 提升效率信息線上傳輸，整理、分析，實現科學化決策，無紙化辦公。，l 應用情況 國內外主流合資企業采用。車間介紹二、沖壓數字化背景 打造綠色、精益、高品質的一流智能打造綠色、精益、高品質的一流智能沖壓沖壓車間車間1

10、8/541、數據采集2、硬件布點3、底層邏輯設置4、基礎指標展示5、智能過程監控6、自動物流管理1、IOT網絡構建2、鏡像車間3、信息互聯共享4、數據重新配置5、管理流程再造6、分析模型探索1、分析模型確定、大數據分析2、自動排產模型3、瓶頸識別，任務自動生成、管理4、模具、設備智能PM計劃管理5、通用盛具、精益制造批次6、會議準備精簡1、自主學習、知識庫完善、異常反應建議2、智能質檢、自動裝箱/運輸技術引入3、5G、無紙化、移動辦公4、大數據預判，預測性維護5、安全、人力、制造系統全打通，車間效益、成本自動分析6、自動監測、智能+遠程診斷第一階段(2017-2018)第三階段(2020-20

11、22)智能沖壓車間整體規劃及進展第二階段(2019-2020)第四階段(2023-2028)沖壓數字化背景19/54 基于沖壓智能制造業務場景構架，從提升車間CPS業務流與智能制造系統融合度、設備RCM提升預測性維護準確度、搭建模具智能管理平臺三大方面著手，實現異常反應由工程師主導向系統知識平臺主導轉變?？傮w目標：1、智能引導：通過建立知識數據庫將經驗轉變為診斷模型和決策模型，系統直接指導工人異常響應的操作；2、業務增效：通過車間數據診斷和報表規范，提升工程師分析管理效率，助理業務開展。3、自主運營：結構化業務系統化運營，由人工任務模式向智能任務模式轉變；沖壓數字化背景20/54使用情況：目前

12、車間制造運營、質量、工藝、設備、物流五個版塊系統界面已開發完成，投入使用；2、現場智能制造過程管理邏輯開發完成，實現零件全過程監控、自動庫存管理、系統排產、異常信息推送等功能；1、車間各版塊日/周報界面開發完成；早會電子看板安裝調試完成，車間日/周例會全面實現去表格化、系統化；3、系統整體實現數據采集、指標趨勢報表、TOP問題智能識別等支撐工藝、設備、質量版塊工程師業務開展的輔助分析功能；問題分析及QTM跟蹤管理功能優化完成，智能系統替代表格功能基本實現；系統主要應用場景介紹沖壓數字化背景21/54結合自動化設備升級和數據庫填充，全面打造升級智能工廠和無人車間，實現計劃、生產、配貨全流程自動化

13、設備保障。擴大信息自動收集布點，基于數字孿生車間及大數據分析推進全面預測性維護工作，提前主動規避生產異常。全自動立體成品庫AGV小車轉運自動上料叉車遠程參數監控自動吊模沖壓數字化背景三、壓機軸溫預測探索 打造綠色、精益、高品質的一流智能打造綠色、精益、高品質的一流智能沖壓沖壓車間車間23/54p政策持續引導護航數字化高速發展：中共中央總書記習近平高度重視數字化發展。僅僅在2021年8-10月的三個月間，習近平總書記就三次談到數字化。其中，在2021年10月19日中共中央政治局第三十四次集體學習時，他強調指出：數字經濟是把握新一輪科技革命和產業變革新機遇的戰略選擇，事關國家發展大局，做好數字經濟

14、發展頂層設計和體制機制建設，加強形勢研判，抓住機遇，贏得主動，提高數字技術基礎研發能力，打好關鍵核心技術攻堅戰p制造業進入到全新的數字化時代：建設新型數字化、智能化工廠以助力傳統產業智能制造升級，將新一代信息技術貫穿到研發設計、工藝、生產、質量管理、物流、運營管理等各個環節，進而完善創新體系、提升產品質量、推行綠色制造、提高生產管理效率、增強核心競爭力。因此，數字化轉型是汽車制造企業的必然選擇，確保核心競爭優勢的重要保障。踐行制造企業向數字化轉型，快速響應客戶個性化需求、是適應行業發展和變革并確保企業競爭優勢的客觀需要。壓機軸溫預測探索24/54p生產制造業的業務情況：1、第一階段：數據連接、

15、采集、整數據是數字化的基礎，數字化轉型的第一步往往都是先進行數據連接 2、第二階段：數據連接完成后，下一步是基于業務需求分析和可視化展示。分析分為歷史和當下數據按指標、業務歸類展示，生成報表、可視化報告。3、第三階段：進入數字化轉型的第三階段精益分析 4、第四階段：通過機器學習等技術對最佳歷史實踐進行提煉并預測，通過APS等技術為企業的計劃排程提供智能決策，通過知識圖譜等技術構建企業 的知識庫，通過計算機視覺聽覺等技術替代現場枯燥無聊的重復勞動工位等 5、第五階段：全面轉型，當企業推進內部的智能高階分析至一定階段之后，必然需要與全供應鏈的其他智能企業進行連接，實現智能化的全面轉型。壓機軸溫預測

16、探索25/54p可行性分析：沖壓二車間壓機設備采用濟南二機床多連桿機械壓機，采用ABPLC進行自動化運行控制，可直接通過連接PLC來獲取壓機運行數據，同時車間SIMS、Thingworx系統具有數據收集功能，可以通過收集相關數據進行壓機軸溫的數字化分析及預測模型的搭建。通過ABPLC直連現場傳感器進行數據收集通過SIMS系統記錄生產數據通過ThingWorx平臺進行數據整合通過Alteryx平臺構建模型壓機軸溫預測探索26/54p對標結果：通過對標兩江工廠兩個沖壓車間及渝北工廠沖壓車間，可以發現除兩江工廠沖壓三車間由于建廠剛剛達到5年，未發生過軸承損壞外，其它兩個基地都有軸承高溫磨損問題發生，

17、且最短的時間間隔為建廠后5年左右就發生了軸承高溫問題，沖壓二車間建廠已達7年以上，迫切需要針對此類故障進行預測分析。p目標分析：根據經驗對標其他基地的結果分析，壓機軸承類問題會造成造成重大設備停線，屬于關重部位。因此需要對壓機高速軸、低速軸、中間軸、飛輪支撐軸、皮帶輪支撐軸、惰輪支撐軸等部位的軸承溫度進行動態監測。并以現有的壓機數據為基礎建立軸溫預測模型，提前識別壓機軸溫異常數據，以便于提前做好維護，避免可能出現的設備重大停線情況。由于沒有相關的參考數據，最終憑借Alteryx模型預測結果，設置壓機軸溫預測精度在5攝氏度以內。序號序號基地基地生產線生產線建設年份建設年份最近故障最近故障故障時間

18、故障時間間隔間隔備注備注1工廠沖壓車間一A線B線C線2011年2012年2012年2017年B1壓機飛輪支撐軸承高溫，保持架損壞，壓機停止運行，停產3天進行修復5年2工廠沖壓車間二A線B線2016年2016年2022年B1壓機齒輪損點蝕、崩裂，春節期間耗費約6天時間進行修復6年3工廠沖壓車間三A線B線2018年2018年新裝設備暫無故障發生/4某工廠沖壓車間A線B線2006年2011年2021年B1壓機高速軸軸承磨損，2022年A5壓機高速軸軸承磨損，壓機運行異響，后續修復累計耗費時間約10天10年暫無三年以上的故障記錄壓機軸溫預測探索27/54u數據收集：軸溫影響因素分析p軸溫影響因素分析：

19、使用因果圖，從人、機、料、法、環五個角度分析壓機軸溫與各影響因素之間的關系料料壓機軸溫板料尺寸生產沖次SPM環境溫度潤滑點數安全規范班組差異人員技能差異操作流程錯誤法法人人機機環環潤滑油溫板料厚度灰塵過多潤滑油雜質過多操作習慣差異模具重量運行時間潤滑油油量生產完成數量環境濕度28/54u數據收集：軸溫影響因素分析p軸溫影響因素分析：經過頭腦風暴篩選出主要影響壓機軸溫的因子，并對這些因子進行皮爾森積差相關系數分析（判斷數據集中的哪些列彼此具有雙變量關聯關系），分析結果如下圖：p軸溫數據調查結果：在皮爾森積差相關系數分析結果中，油溫、潤滑點數，相關系數從0.7依次遞減至0.23，且在數據調查結果中

20、都屬于三顆星重要程度，因此通過魚骨頭及頭腦風暴找到的這個，后續可以繼續開展數據分析及模型構建。29/54u數據處理：壓機數據p潤滑系統的分類：p關于潤滑：機械中的可動零、部件，在壓力下接觸而作相對運動時，其接觸表面間就會產生摩擦，造成能量損耗和機械磨損，影響機械運動精度和使用壽命。因此，在機械設計中，考慮降低摩擦，減輕磨損，是非常重要的問題，其措施之一就是采用潤滑。p作用潤滑：減少摩擦，減輕磨損、降溫冷卻、清洗作用、防止腐蝕、緩沖減振作用、密封作用p脂潤滑：油膜強度高，粘附性好，不易流失，密封簡單，使用時間長，受溫度的影響小，對載荷性質、運動速度的變化等有較大的適應范圍。缺點是內摩擦大，起動阻

21、力大，流動性和散熱性差，更換、清洗時需停機拆開機器。常應用在：不允許潤滑油滴落或漏出引起污染的地方；加、換油不方便的地方、不清潔而又不易密封的地方特別；低速、重載或間歇、搖擺運動的機械等。p稀油潤滑：流動性好，內摩擦因數小，冷卻作用較好，可用于高速機械，更換潤滑油時可不拆開機器。但它容易從箱體內流出，故常需采用結構比較復雜的密封裝置，且需經常加油。在壓力機中，采用集中循環潤滑方式。集中循環潤滑分為自動潤滑和間歇潤滑兩種方式，在壓力機中采用間歇潤滑的有：氣墊氣缸密封圈、氣墊軸導向套、氣墊活塞導向環、氣墊導軌等。30/54u數據處理：壓機數據p采用壓機稀油自動循環潤滑系統：主傳動各軸套：偏心軸套、

22、中間軸套、連桿瓦等；主傳動各滾動軸承：飛輪支承軸承、高速軸軸承、微調軸承、小皮帶輪軸支撐軸承、中間軸軸承、惰輪軸承等；主傳動各齒輪副：高速級齒輪副、低速級齒輪副等；滑塊上各相互運動部位：連接器調節螺桿螺母、滑塊導軌、減速箱蝸輪、軸承等。p壓機潤滑系統組成：稀油循環自動潤滑系統持續向潤滑點提供潤滑油；主要由油箱、吸油過濾器、電機和齒輪泵、溢流閥、壓力過濾器、壓力繼電器、流量控制閥、分油器和油管等組成。潤滑分油器布置在橫梁側面的情況潤滑分油器布置在橫梁前后的情況橫梁體內潤滑布置情況潤滑系統組31/54u數據處理：壓機數據p遞進式分油器：遞進式分油器動作檢測：每組主分油器和潤滑重要部位的分油器都要有

23、次數檢測接近開關，用于檢測分油器動作次數。p流量調節閥：功能：調節主管道為分油器供油量；流量調節：松開鎖緊螺母，順時針轉動調節表盤，流量加大；逆時針轉動調節表盤，流量減小。遞進式分油器的動作原理遞進式分油器動作檢測及流量調節32/54u數據處理：壓機數據序號軸承分油器 備注1中間軸左前軸主分油器-右前-22中間軸左后軸主分油器-右后-13中間軸右前軸主分油器-右前-24中間軸右后軸主分油器-右后-15皮帶輪前軸主分油器-右前-26皮帶輪后軸主分油器-右前-27高速軸遠端主分油器-右前-28高速軸前飛輪主分油器-右前-29飛輪支撐前軸主分油器-右后-110飛輪支撐后軸主分油器-右后-111惰輪前

24、軸主分油器-右后-112惰輪后軸主分油器-右后-113低速軸左前軸次分油器-左前角架14低速軸左后軸次分油器-左后角架15低速軸右前軸次分油器-右前角架16低速軸右后軸次分油器-右后角架33/54u數據處理：壓機數據p潤滑油溫度傳感器功能：可定義所提供的設定測量范圍為 4-20 mA 信號；模擬輸出起點 ASP 可定義輸出信號為 4 mA/0 V 時的測量值；模擬輸出終點 AEP 可定義輸出信號為 20 mA/10 V 時的測量值。p潤滑油溫度傳感器設置：更新速率：每 200 ms 更新一次測量值；溫度測量范圍：-40 至 300 攝氏度；溫度測量數量：每臺壓機一個油箱，對應有一個溫度傳感器。

25、溫度傳感器工作原理技術資料溫度傳感器視圖34/54u數據處理：壓機數據p壓機潤滑點數、油溫、軸溫數據收集：通過KEPServerEX 6 軟件連接沖壓生產線壓機PLC讀取數據；使用KEPServerEX 6 軟件以10分鐘采集一次的頻率；10臺壓機PLC中的潤滑點數、油溫數據存儲到PostgreSQL數據庫中；通過Alteryx中的輸入模塊將數據輸入到Alteryx項目中進行數據分析與處理，生成預測模型。檢測開關PostgreSQL模塊交換機PLCKEPServerAlteryx輸入潤滑數據收集路徑潤滑數據收集結果軸溫數據收集結果Alteryx輸入35/54u數據處理：壓機數據p壓機潤滑點數、

26、油溫數據清洗：通過使用Alteryx輸入、準備、連接、解析模塊，對壓機潤滑數據進行清洗，去除無效數據，重新分配字段數據提取設備字段去除無效數據去除0值拆分數據段去除無效數據去除無效數據潤滑數據清洗路徑潤滑數據清洗數據清洗輸出篩選點數、油溫合并數據表篩選重命名刪除除滑塊數據刪除備注數據處理時間數據處理時間數據篩選排序刪除除滑塊數據36/54u數據處理：壓機數據p壓機軸溫數據清洗：通過使用Alteryx輸入、準備、連接、解析模塊，對壓機軸溫數據進行清洗，去除無效數據，重新分配字段數據提取設備字段去除無效數據篩選0值拆分數據段去除無效數據提取軸位置信息軸溫數據清洗路徑軸溫數據清洗數據清洗輸出數據轉換

27、為實際溫度值生成數據匹配字段處理時間數據篩選排序篩選無效值37/54u數據處理：壓機軸溫模型構建p邏輯回歸：Logistic Regression 雖然被稱為回歸，但其實際上是分類模型，并常用于二分類。Logistic Regression 因其簡單、可并行化、可解釋強深受工業界喜愛。Logistic 回歸的本質是：假設數據服從這個分布，然后使用極大似然估計做參數的估計。其中，表示位置參數，0為形狀參數。我們可以看下其圖像特征：通過線性回歸中，通常用均方誤差評價模型的準確性38/54u數據處理：壓機軸溫模型構建p線性回歸：線性回歸就是能夠用一個直線較為精確地描述數據之間的關系，這樣當出現新的數

28、據的時候，就能夠預測出一個簡單的值。線性回歸的模型形如：p線性回歸得出的模型不一定是一條直線：（1）在只有一個變量的時候，模型是平面中的一條直線；（2）有兩個變量的時候，模型是空間中的一個平面；（3）有更多變量時，模型將是更高維的。p線性回歸中通常使用殘差平方和：即點到直線的平行于y軸的距離而不用垂線距離，殘差平方和除以樣本量n就是均方誤差。均方誤差作為線性回歸模型的損失函數(cost function)。使所有點到直線的距離之和最小，就是使均方誤差最小化，這個方法叫做最小二乘法。損失函數公式：p最后通過求解，得到w及b的計算公式分別如下：p算法優點：（1）思想簡單，實現容易。建模迅速，對于小

29、數據量、簡單的關系很有效；（2）是許多強大的非線性模型的基礎。（3）線性回歸模型十分容易理解，結果具有很好的可解釋性，有利于決策分析。（4）蘊含機器學習中的很多重要思想。（5）能解決回歸問題。p算法缺點：（1）對于非線性數據或者數據特征間具有相關性多項式回歸難以建模；（2）難以很好地表達高度復雜的數據。39/54u數據處理：壓機軸溫模型構建p逐步回歸：逐步回歸的基本思想是將變量逐個引入模型，每引入一個預測變量（解釋變量）后都要進行F檢驗，并對已經選入的預測變量逐個進行t檢驗，當原來引入的預測變量由于后面預測變量的引入變得不再顯著時，則將其刪除。以確保每次引入新的變量之前回歸方程中只包含顯著性變

30、量。這是一個反復的過程，直到既沒有顯著的預測變量選入回歸方程，也沒有不顯著的預測變量從回歸方程中剔除為止。以保證最后所得到的預測變量集是最優的。p逐步回歸有三種實現策略，我們一般指的逐步回歸為第三種：正向（Forward）選擇，從模型中沒有預測因素開始，反復添加最有幫助的預測因素，直到沒有顯著的預測變量選入回歸方程。向后（Backward）選擇（也稱向后消除），從完整模型（即包含所有可能預測變量的模型）中的所有預測變量開始，以迭代方式刪除貢獻最小的預測變量，直到沒有不顯著的預測變量從回歸方程刪除。逐步（stepwise）選擇（也稱順序替換），這是向前和向后選擇的組合。您從沒有預測變量開始，然后

31、順序添加最有貢獻的預測變量（例如正向選擇）。添加每個新變量后，刪除所有不再改善模型擬合的變量（例如向后選擇），直到既沒有顯著的預測變量選入回歸方程，也沒有不顯著的預測變量從回歸方程中剔除為止。40/54p神經網絡：神經網絡（neural network)是通過數學算法來模擬人得思維,是數據挖掘中機器學習得典型代表。神經網絡是人腦的抽象計算模型。簡單來說，神經網絡就是通過輸入多個非線性模型以及不同模型之間的加權互聯（加權的過程在隱蔽層中完成),最終得出一個輸出模型。其中隱蔽層包含的就是一個非線性函數。p原理與核心要素：神經元(neuron)是神經網絡的基本計算單元，也被稱作節點(node)或者單

32、元(unit)。它可以接受來自其他神經元的輸入或者是外部的數據，然后計算一個輸出。每個輸入值都有一個權重(weight),權重的大小取決于這個輸入相比于其他輸入值的重要性。然后在神經元上執行一個特定的函數 f,定義如下圖所示，這個函數會該神經元的所有輸入值以及其權重進行一個操作。神經網絡分為3個網絡層，分別是輸入層，隱藏層和輸出層，每個網絡層都包含有多個神經元，每個神經元都會跟相鄰的前一個層的神經元有連接，這些連接其實也是該神經元的輸入。p應用：神經網絡”工具使用單個隱藏層創建前饋感知器神經網絡模型。隱藏層中的神經元使用邏輯激活函數，輸出激活函數則取決于目標的性質。從宏觀上來理解:根據歷史數據

33、(即訓練集)，利用神經網絡，建立從輸入到輸出之間的映射關系。并且假定該映射關系在未知的預測集上也同樣成立，從而在給定預測集輸入的基礎上給出輸出，實現預測。具體到上圖的神經元模型就是利用三個已知屬性的值a1，a2，a3，通過神經元計算公式，計算出未知屬性的值z。這里，已知的屬性稱之為特征，未知的屬性稱之為目標。假設特征與目標之間確實是線性關系，并且我們已經得到表示這個關系的權值w1，w2，w3(訓練集訓練得到的)。那么，在遇到未知數據集時，我們就可以輸入未知數據集的特征(已知屬性a1,a2,a3)，通過神經元模型預測新樣本的目標(未知屬性z)。u數據處理：壓機軸溫模型構建41/54u數據處理：壓

34、機軸溫模型構建p樣條模型：“樣條模型”工具提供弗里德曼多變量適應性回歸樣條算法。此方法是一種現代統計學習模型，它可自行判斷哪個列子集最能預測目標，并且能夠捕獲列之間的高度非線性關系和交互效應。p原理：多元自適應回歸樣條(Multivariate Adaptive Reqression Splines.MARS)是由美國的統計學家Jerome Friedman于1991年提出的一種數據分析方法。該方法以樣條函數的張量積作為基函數,分為前向過程、后向剪枝過程與模型選取三個步驟。其優勢在于能夠處理數據量大、維度高的數據,而且計算快捷、模型精確。在一般回歸分析理論和樣條理論的基礎上,系統地研究了MAR

35、S的建模過程,提出引入Bernstein基函數建模的思想,并針對冶金工業領域一類數據分析其成分優化問題,應用該方法進行建模和預測。p應用分析：在前向過程中,通過自適應的選取節點對數據進行分割,每選取一個節點就生成兩個新的基函數,前向過程結束后生成一個過擬合的模型。后向剪枝過程中在保證模型準確度的前提下,刪除過擬合模型中對模型貢獻度小的基函數.最后選取一個最優的模型作為 回歸模型Q。研究過程中對采集的原始數據進行了消除負差、剔除異常數據、數據標準化等預處理工作,選取精華樣本,分別建立了線性模型、非線性模型、神經網絡模型等.并與MARS方法做比較。得到如下結論:由于模型的限制,線性回歸模型精度較低

36、,與實際經驗不符:神經網絡對部分元素的描述優于線性回歸模型,但不能得出相應的顯式表達式,回時線性回歸與神經網絡都未能考慮變量間的交互作用;MARS模型對問題的描述比較符合實際經驗,同時能夠反映元素間的交互作用，能夠對兩個變量做可視化處理，并能夠給出顯式表達式。pMARS 中使用的是形式為(x-t)+和(t-x)+的分段線性基函數的展開。加號“+”表示了正部：p每個函數都是分段線性，在t值處有一個結點，將這兩個函數稱為鏡像對（reflected pair）。這個方法的思路是為每個輸入變量Xj構建以該輸入變量每個觀測值xij為結點的鏡像對。因此，基函數的集合為：p模型的生成策略類似于一個前向逐步線

37、性回歸，但不局限于原始的輸入變量，可以加入集合C中的函數及它們的乘積。因此模型的形式為：42/54u數據處理：壓機軸溫模型構建p模型建立：通過Alteryx構建模型Alteryx模型概覽43/54u數據處理：壓機軸溫模型構建p模型建立：通過比較線性回歸、逐步回歸、樣條模型、神經網絡建立模型的均方根誤差（RMSE）值，樣條模型值1.4483最小，預測效果最好，因此選用樣條模型建立壓機軸溫Alteryx預測模型。44/54u數據處理：壓機軸溫模型構建p模型驗證：通過連接數據運行測試，模型預測效果不理想，預測誤差達到5攝氏度以上，未達到預期效果，需要進行優化。45/54u模型優化：預測結果偏差分析p

38、預測結果偏差分析：通過再次對模型進行數據分析，發現以下幾個問題：1、時間間隔偏大：前期收集數據時，考慮到數據存儲量問題，采用的時間間隔為10分鐘每次；2、時間錯位問題：壓機軸溫與潤滑點數、油溫數據采用不同的DATALOGGER，兩組數據采集時存在一定的時間偏差,導致數據無法完整的進行對其，存在數據錯位；3、軸承未分類建模：前期模型建立一次性對所有壓機、所有軸承同時進行建模，導致預測誤差普遍過大，不夠精確；4、變量不足：前期采用兩組變量進行預測，無法有效的預測壓機的整個運行周期。時間間隔為10分鐘每次46/54u模型優化：預測結果偏差分析p預測結果偏差分析：通過再次對模型進行數據分析，發現以下幾

39、個問題：1、時間間隔偏大：前期收集數據時，考慮到數據存儲量問題，采用的時間間隔為10分鐘每次；2、時間錯位問題：壓機軸溫與潤滑點數、油溫數據采用不同的DATALOGGER，兩組數據采集時存在一定的時間偏差，導致數據無法完整的進行對其，存在數據錯位；3、軸承未分類建模：前期模型建立一次性對所有壓機、所有軸承同時進行建模，導致預測誤差普遍過大，不夠精確；4、變量不足：前期采用兩組變量進行預測，無法有效的預測壓機的整個運行周期。采用不同的DATALOGGER47/54p軸溫影響因素分析：再次使用因果圖，從人、機、料、法、環五個角度分析壓機軸溫與各影響因素之間的關系料料壓機軸溫板料尺寸生產沖次SPM環

40、境溫度潤滑點數安全規范班組差異人員技能差異操作流程錯誤法法人人機機環環潤滑油溫板料厚度灰塵過多潤滑油雜質過多操作習慣差異模具重量運行時間潤滑油油量生產完成數量環境濕度u模型優化：預測結果偏差分析48/54p軸溫影響因素分析：經過頭腦風暴篩選出主要影響壓機軸溫的因子，并對這些因子進行皮爾森積差相關系數分析（判斷數據集中的哪些列彼此具有雙變量關聯關系），分析結果如下圖：p軸溫數據調查結果：在皮爾森積差相關系數分析結果中，oil_temp、completecount、ambient_humidity、spm、lube、ambient_temp分別對應魚骨圖中的潤滑油溫、生產完成數量、環境濕度、生產沖

41、次SPM（每分鐘生產完成數量）、潤滑點數、環境溫度，相關系數從0.58依次遞減至0.046，且在數據調查結果中都屬于三顆星重要程度，因此通過魚骨頭及頭腦風暴找到的這個，后續可以繼續開展數據分析及模型構建。Correlation矩陣be_tempoil_templubecompletecountspmambient_tempambient_humiditybe_temp10.5784580.0489490.2654130.0863930.036331-0.11688oil_temp0.57845810.5395970.5164910.4530490.266002-0.352566lube0.04

42、89490.53959710.3514540.771417-0.016923-0.05659completecount0.2654130.5164910.35145410.275218-0.3465830.245456spm0.0863930.4530490.7714170.2752181-0.048936-0.012906ambient_temp0.0363310.266002-0.016923-0.346583-0.0489361-0.958577ambient_humidity-0.11688-0.352566-0.056590.245456-0.012906-0.958571重點分析字

43、段 be_tempAssociation Measurep-valueoil_temp0.5784580*completecount0.2654130*ambient_humidity-0.116880*spm0.0863930*lube0.0489490*ambient_temp0.0363310*u模型優化：壓機軸溫模型優化四、項目效果驗證 打造綠色、精益、高品質的一流智能打造綠色、精益、高品質的一流智能沖壓沖壓車間車間50/54u模型驗證：壓機軸溫模型驗證p模型驗證：通過上述措施對模型參數修改，運行數據測試，從直方圖中可以看出優化后輸出結果偏差從20攝氏度變為5攝氏度以內，達到預期效果。

44、51/54u模型驗證：壓機軸溫模型驗證p模型驗證：通過再次對模型參數修改，運行數據測試，從直方圖中可以看出優化后輸出結果偏差從20攝氏度變為5攝氏度以內，達到預期效果。52/54Alteryx模型使用前，車間對壓機軸溫的監控手段為，設置壓機軸溫的預警線及報警，無法監控壓機軸溫變化趨勢。如圖所示，該軸溫在400-600之間波動，報警線為一條值為800的橫線，無法預測波動狀態。u效果展示53/54Alteryx模型應用后，車間可對壓機軸溫的變化趨勢進行精準預測。如圖所示，黃色折線為實際軸溫，藍色為預測軸溫，預測與實際軸溫基本保持一致，能有效預測軸溫波動情況。從技術上來講，沖壓Alteryx預測模型技術的實現，開創了沖壓軸溫Alteryx預測性模型零的突破，完整的開發方案及可復制的代碼，為其他基地導入軸溫Alteryx預測性模型提供了重要指導。u效果展示