集成主成分分析與隨機森林模型的關(guān)鍵工裝壽命預(yù)測方法

朱曉峰，徐曼菲，劉治紅，冷杰武

(1.廣東工業(yè)大學 省部共建精密電子制造技術(shù)與裝備國家重點實驗室，廣東 廣州 510006；2.中國兵器裝備集團自動化研究所有限公司 智能制造事業(yè)部，四川 綿陽 621000)

火工品是指一類用于引燃火藥、引爆炸藥的元器件和裝置的總稱，被廣泛應(yīng)用于工程爆破、武器彈藥等領(lǐng)域。為了保證火工品的裝配質(zhì)量以及生產(chǎn)現(xiàn)場的人身財產(chǎn)安全，其生產(chǎn)過程需要有精密的工裝以及安全可靠的生產(chǎn)工藝保證，工裝是火工品質(zhì)量與安全保證的關(guān)鍵資源。隨著火工品裝配線自動化程度的加深，關(guān)鍵易損工裝的置換成為限制產(chǎn)線產(chǎn)能的瓶頸。因此，確保失效工裝能夠及時更換，不僅能夠降低產(chǎn)品生產(chǎn)成本，減少返工品、次品、廢品的出現(xiàn)，提高生產(chǎn)企業(yè)經(jīng)濟效益，還能保證生產(chǎn)現(xiàn)場的人身財產(chǎn)安全，從而提高火工品生產(chǎn)質(zhì)量精益高效管控水平，為裝配工藝的優(yōu)化、工裝的改進以及企業(yè)改進產(chǎn)品生產(chǎn)維護計劃提供參考。

設(shè)備預(yù)測與健康管理 (prognostics and health management, PHM) 是保障系統(tǒng)安全運行的重要部分[1]，剩余使用壽命 (remaining life span, RLS) 預(yù)測是PHM 的基礎(chǔ)和核心部分[2]。剩余使用壽命預(yù)測主要是通過系統(tǒng)中監(jiān)測傳感器收集的數(shù)據(jù)來預(yù)測系統(tǒng)或系統(tǒng)要素的剩余使用壽命，預(yù)測的主要方法有基于物理模型、數(shù)據(jù)驅(qū)動以及混合模型的方法[3]。

隨著各種機械設(shè)備精密化、復(fù)雜化程度越來越高，建立物理模型的難度越來越大甚至不能建立，而基于數(shù)據(jù)驅(qū)動的方法有不需要設(shè)備或產(chǎn)品的先驗知識[4]的優(yōu)點，因此基于數(shù)據(jù)驅(qū)動的方法越來越得到重視，主要包括統(tǒng)計模型方法、機器學習方法和深度學習方法[5]。其中，機器學習和深度學習的方法因其具有強大的數(shù)據(jù)處理能力，近年來在各領(lǐng)域已成為最流行的趨勢之一[6]。李志剛等[7]運用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測繼電器的壽命，通過實例驗證此模型具有較高的精度。Zhang 等[8]運用GA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測刀具壽命，實驗結(jié)果表明GA-BP 模型的預(yù)測精度要優(yōu)于標準的BP 模型。Liu 等[9]運用極限學習機、Ren 等[10]提出一種CNN-RNN 的方法、Chang等[11]運用基于多層網(wǎng)格搜索優(yōu)化的LSTM 算法、Que等[12]運用GRU 算法對軸承的剩余使用壽命進行預(yù)測，通過實驗證明上述預(yù)測模型均具有較高的預(yù)測精度。Wang 等[13]使用隨機森林、Islam 等[14]提出一種改進CNN 模型對軸承故障進行診斷，判斷準確率均能達到88%以上。Li 等[15]提出一種Elman-LSTM混合方法來預(yù)測電池的剩余使用壽命，最終的預(yù)測結(jié)果優(yōu)于其他模型。Yao 等[16]提出一種基于支持向量機的鋰離子電池故障診斷方法，能夠高效地識別鋰離子電池故障狀態(tài)和程度。

基于機器學習的方法在刀具、軸承、電池等的壽命預(yù)測中得到廣泛運用，但對于火工品裝配關(guān)鍵工裝的研究還較少。本文針對火工品裝配過程中關(guān)鍵工裝壽命預(yù)測困難、單一預(yù)測模型預(yù)測精度與效率不足和傳統(tǒng)壽命預(yù)測模型易受噪聲干擾等問題，提出一種基于主成分分析和隨機森林的關(guān)鍵工裝壽命預(yù)測模型。首先通過主成分分析，對工裝環(huán)境、裝配對象的特征和裝配過程的工藝參數(shù)等多源數(shù)據(jù)進行特征提取，基于隨機森林構(gòu)建并訓練關(guān)鍵易損工裝的壽命預(yù)測模型，最后運用實際生產(chǎn)過程中產(chǎn)線的實時多源數(shù)據(jù)，監(jiān)測并預(yù)測關(guān)鍵易損工裝的健康狀態(tài)，在生產(chǎn)中提前預(yù)測工裝的剩余使用壽命，實現(xiàn)工裝狀態(tài)的精準管控。

1 關(guān)鍵工裝數(shù)據(jù)及模型處理

火工品裝配關(guān)鍵易損工裝的壽命受到炸藥藥劑屬性、裝配工作環(huán)境、裝配的工藝流程和工裝的種類、形狀、材料、工作溫度、工作壓力等因素的影響，使得工裝壽命難以預(yù)測。目前很多企業(yè)僅僅從后序火工品裝配質(zhì)量檢查中的外觀檢查來人工判斷工裝的更換時間，無法事先自動監(jiān)測工裝壽命。一方面，若工裝更換過于頻繁會造成企業(yè)資源的浪費，生產(chǎn)成本增加；另一方面，若沒有及時更換工裝則可能影響產(chǎn)品的質(zhì)量及可靠性，增加返工品、次品、廢品的數(shù)量，還可能會增加裝配現(xiàn)場安全隱患。

如圖1 所示，針對某火工品裝配車間引信裝配過程中關(guān)鍵易損工裝壽命難以預(yù)測的問題，研究如何運用工裝的各項參數(shù)、工裝的裝配對象特征、設(shè)備的各項參數(shù)以及產(chǎn)品裝配過程中設(shè)備運行數(shù)據(jù)，如轉(zhuǎn)速、擰緊力矩、壓力、擰緊時間等多源生產(chǎn)數(shù)據(jù)預(yù)測工裝剩余使用壽命?；鸸て费b配關(guān)鍵工裝壽命預(yù)測系統(tǒng)則對這些多源生產(chǎn)數(shù)據(jù)以及其他基礎(chǔ)參數(shù)配置信息等進行分類儲存。通過調(diào)用系統(tǒng)中的各項數(shù)據(jù)進行特征提取與模型訓練，得到關(guān)鍵工裝在不同使用環(huán)境、裝配不同產(chǎn)品情況下的關(guān)鍵工裝壽命預(yù)測模型。

圖1 火工品裝配關(guān)鍵工裝壽命預(yù)測模型框架Figure 1 The framework of the life span prediction model for key fixtures in initiating explosive product assembly

1.1 關(guān)鍵工裝壽命預(yù)測數(shù)據(jù)集

本文以某火工品裝配車間的引信裝配關(guān)鍵易損工裝作為研究對象。在裝配引信過程中，引信預(yù)擰機通過預(yù)擰工裝夾持引信，將引信對準產(chǎn)品的待裝配部位，保證兩者間的同軸度要求后，旋轉(zhuǎn)引信使產(chǎn)品與引信的內(nèi)外螺紋相結(jié)合。引信擰緊機則使用擰緊工裝夾持引信將引信擰緊到位。在引信裝配過程中，要求工裝提供恒定的夾持力，若工裝夾持力過大將會使螺紋或引信表面受損；若夾持力過小則容易打滑，擰緊不到位的同時還會損傷引信表面。此外，引信與產(chǎn)品安裝引信處還有同軸度精度要求，工裝磨損后會導(dǎo)致同軸度精度超出許用范圍，將可能導(dǎo)致引信偏心或螺紋燒死。為了滿足防爆、不損傷零件表面、引信與產(chǎn)品的同軸度要求的同時提供足夠摩擦力，引信裝配工裝采用橡膠與皮質(zhì)材料定制而成，相比于金屬工裝，有著易磨損的特性，因此，每一個工裝磨損到一定程度后都要停機并更換工裝。

實驗所用數(shù)據(jù)由某火工品裝配車間4 臺預(yù)擰機與4 臺擰緊機共計消耗100 個關(guān)鍵易損工裝的裝配過程中，設(shè)備記錄的歷史健康數(shù)據(jù)以及人工測量并記錄的工裝、設(shè)備、產(chǎn)品和環(huán)境參數(shù)組成，如表1所示，包括設(shè)備、工裝、產(chǎn)品和環(huán)境4 類影響因素共24 個特征。設(shè)備運行過程中每10 s 儲存一組數(shù)據(jù)，實驗所用的原始數(shù)據(jù)集包含13 090 組數(shù)據(jù)。

表1 關(guān)鍵工裝數(shù)據(jù)集特征及特征意義Table 1 Features and their meanings of a key fixtures data set

1.2 數(shù)據(jù)預(yù)處理

關(guān)鍵工裝壽命預(yù)測數(shù)據(jù)集對預(yù)測模型的構(gòu)建有決定性的影響。在實際生產(chǎn)環(huán)境中，由于設(shè)備的一些偶然因素和人為因素等主客觀因素的存在，關(guān)鍵工裝壽命預(yù)測數(shù)據(jù)集可能會存在一些異常值。為了能讓壽命預(yù)測模型更好地識別數(shù)據(jù)，提高預(yù)測的精度與效率，需要將數(shù)據(jù)集中包含的字符型數(shù)據(jù)轉(zhuǎn)化成數(shù)值型數(shù)據(jù)，并統(tǒng)一數(shù)值型數(shù)據(jù)的量綱。因此，在構(gòu)建壽命預(yù)測模型前需要對數(shù)據(jù)集進行預(yù)處理，主要包括異常值處理、字符型數(shù)據(jù)獨熱編碼處理和特征標準化。

1.2.1 異常值處理

數(shù)據(jù)集中的異常值包括數(shù)據(jù)缺失和數(shù)值異常兩種情況，這些異常數(shù)據(jù)不僅會導(dǎo)致數(shù)據(jù)集存在較大噪聲，而且還會影響關(guān)鍵工裝壽命預(yù)測模型的構(gòu)建。處理異常值主要有刪除異常值所在的數(shù)據(jù)條目和使用平均值、眾數(shù)等數(shù)值替代兩種方法，需要根據(jù)數(shù)據(jù)集特征的含義選擇不同的方法，以提高數(shù)據(jù)質(zhì)量。

在關(guān)鍵工裝壽命預(yù)測數(shù)據(jù)集中，字符型數(shù)據(jù)一般為提前設(shè)定的各項固定參數(shù)，而數(shù)值型數(shù)據(jù)既有固定參數(shù)，又有監(jiān)測生產(chǎn)狀況的變化數(shù)據(jù)。為了盡可能保留原數(shù)據(jù)集所包含的信息，對于字符型數(shù)據(jù)的缺失，使用設(shè)備在一個生產(chǎn)周期內(nèi)，對缺失值所屬特征中眾數(shù)最大的數(shù)據(jù)進行填充，使其與特征的主體保持一致；對于數(shù)值型數(shù)據(jù)的缺失或異常，首先刪除異常值，然后使用設(shè)備在一個生產(chǎn)周期內(nèi)，對缺失值所屬特征的平均值進行填充或替換，使得填充或替換的數(shù)據(jù)能夠盡可能接近真實值，減少異常值對壽命預(yù)測模型的影響。

1.2.2 獨熱編碼

字符型數(shù)據(jù)存在不能被隨機森林模型處理的問題，見表1 中“設(shè)備型號”特征為字符型數(shù)據(jù)。為了將字符型數(shù)據(jù)轉(zhuǎn)化為數(shù)值型數(shù)據(jù)，采用獨熱編碼的方式對“設(shè)備型號”列的數(shù)據(jù)進行處理，使用n位的狀態(tài)寄存器對n類設(shè)備進行編碼，編碼完成后替換原數(shù)據(jù)列并直接接入原數(shù)據(jù)表，如圖2 所示。

圖2 字符型數(shù)據(jù)獨熱編碼處理Figure 2 One-hot encoding processing of character data

1.2.3 標準化

為了防止數(shù)據(jù)樣本中各項數(shù)據(jù)的大小差異性對預(yù)測結(jié)果產(chǎn)生影響，使用Z-Score 標準化將樣本中不同量級的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一量度的數(shù)據(jù)進行處理。根據(jù)初始數(shù)據(jù)集構(gòu)建包含n行m列數(shù)據(jù)的初始矩陣Xn×m，通過式 (1) 對矩陣Xn×m的元素進行標準化處理，得到標準化矩陣。

1.3 關(guān)鍵工裝壽命預(yù)測模型構(gòu)建

關(guān)鍵工裝壽命預(yù)測模型構(gòu)建流程如圖3 所示，主要概括為以下幾個步驟。1) 利用生產(chǎn)過程中的多源 數(shù) 據(jù)的PCA 處理，得到 數(shù)據(jù) 集 特征 矩陣Xn×q；2) 構(gòu)建關(guān)鍵工裝壽命預(yù)測的模型并進行參數(shù)優(yōu)化；3) 運用多源生產(chǎn)數(shù)據(jù)對工裝剩余使用壽命進行預(yù)測。

圖3 關(guān)鍵工裝壽命預(yù)測模型構(gòu)建流程Figure 3 Construction processes of the life span prediction model for key fixtures

1.3.1 KMO 檢驗

KMO 檢驗主要應(yīng)用于多源統(tǒng)計的因子分析，計算公式見式 (2)。KMO 統(tǒng)計量取值在0 和1 之間，當KMO ＞ 0.5 就可以進行主成分分析，且取值越靠近1 越適合做主成分分析。

其中，rij和 αij分別表示變量i和j之間的簡單相關(guān)系數(shù)和偏相關(guān)系數(shù)。計算關(guān)鍵工裝數(shù)據(jù)集標準化矩陣24 種特征的KMO 統(tǒng)計量為0.833，說明樣本適合進行主成分分析。

1.3.2 PCA 特征提取

主成分分析 (principal component analysis, PCA)是一種多變量分析技術(shù)，它的目標是從數(shù)據(jù)集中提取最重要的信息，并通過只保留這些重要信息來壓縮數(shù)據(jù)集的大小[17]，使問題得到簡化，提高分析效率。對關(guān)鍵工裝壽命預(yù)測數(shù)據(jù)集進行主成分分析的實現(xiàn)步驟如下所示。

1) 計算相關(guān)系數(shù)矩陣R。

其 中，rij為 列 向 量與 列 向 量之 間 的 協(xié)方差。由相關(guān)系數(shù)的定義式可知，數(shù)據(jù)集初始矩陣Xn×m的相關(guān)系數(shù)矩陣Rm×m即為。

2) 計算R的特征值和特征值向量。

求解特征值方程式 (5)，計算得R的特征值λ1,λ2,···,λm( λ1≥λ2≥···≥λm) 和對應(yīng)的特征值向量(ξ1,ξ2,···,ξm)。

3) 計算各特征的貢獻率 ρ 。

根據(jù)式 (6) 計算出各個特征的貢獻率 ρ 。

數(shù)據(jù)集中某一特征的貢獻率 ρ 越大，表明該特征包含原始變量信息越多。在本文中，取累計特征量，確定前j個特征值對應(yīng)的特征為數(shù)據(jù)集的主成分。

表2 數(shù)據(jù)集特征貢獻率及累計貢獻率Table 2 Contribution rates and cumulative contribution rates of features in a data set

1.3.3 隨機森林模型構(gòu)建

隨機森林模型是基于決策樹的一種集成學習算法[18]。相比于單決策樹和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，隨機森林模型擁有可解釋性強、計算效率高和分類與回歸性能強等優(yōu)點。隨機森林模型是一種計算復(fù)雜度較低的模型[19]，因此更適用于例如關(guān)鍵工裝壽命實時預(yù)測等需要快速得到預(yù)測結(jié)果的場景。

在關(guān)鍵工裝壽命預(yù)測數(shù)據(jù)集完成數(shù)據(jù)預(yù)處理及特征提取后，以數(shù)據(jù)集特征矩陣Xn×q作為輸入數(shù)據(jù)開始構(gòu)建隨機森林模型。

步驟1 選擇Python 作為關(guān)鍵工裝壽命預(yù)測模型的開發(fā)編程語言，基于Keras 庫構(gòu)建。

步驟2 確定本文的隨機森林模型中，以各個子節(jié)點的不純度加權(quán)和G(xi,vij) 來衡量，評價切分特征與切分點的好壞，計算公式如式 (7) 所示。隨機森林模型的決策樹訓練過程實際上是最小化G(xi,vij)的過程。

式中，xi為第i個切分變量；vij為切分變量xi的切分值；nleft、nright、Ns分別代表左子節(jié)點、右子節(jié)點、當前節(jié)點的訓練樣本個數(shù)；Xleft、Xright分別代表左子節(jié)點、右子節(jié)點訓練樣本的集合；yi表示當前節(jié)點樣本變量；yˉleft、yˉright分別表示左子節(jié)點、右子節(jié)點樣本目標變量的平均值；H(X) 代表不純度函數(shù)計算公式，本模型的預(yù)測目標為回歸預(yù)測，H(X) 使用均方誤差表示。

步驟3 對數(shù)據(jù)集特征矩陣Xn×q的行向量進行隨機且有放回的重復(fù)抽樣，生成樣本矩陣Xp×q，而Xn×q中的行向量會有63.3%的概率被選中，其余未被選擇的數(shù)據(jù)將作為袋外數(shù)據(jù)，以增加模型的魯棒性與穩(wěn)定性。

步驟4 在樣本矩陣Xp×q的Q個列向量中，隨機抽取q個列向量作為最優(yōu)分裂節(jié)點候選 (q＜Q)。對這q個列向量求解最小化不純度加權(quán)和 m inG(x,v) ，選擇最優(yōu)切分變量x與切分點v，用選定的解(x,v)劃分樣本矩陣Xp×q為兩個子集，生成兩個子節(jié)點，并確定相應(yīng)的輸出值。

步驟5 以子節(jié)點中的數(shù)據(jù)集子集作為新的樣本矩陣，對子節(jié)點遞歸執(zhí)行步驟3，重復(fù)進行特征抽樣以及節(jié)點分裂，直到樣本集合樣本矩陣Xp×q中的特征全部劃分完畢，輸出訓練完成的單決策樹模型。

步驟6 重復(fù)執(zhí)行步驟2 ～ 4 生成多個單決策樹模型，直至到達設(shè)定的最大決策樹個數(shù)后，集成所有已生成的單決策樹模型生成隨機森林模型。

步驟7 關(guān)鍵工裝壽命預(yù)測問題屬于回歸問題的一種，最終輸出結(jié)果時，模型對m棵決策樹的預(yù)測結(jié)果進行平均加權(quán)后，將得到的值作為模型預(yù)測結(jié)果并輸出。

1.3.4 模型參數(shù)調(diào)優(yōu)

為了進一步降低模型預(yù)測的泛化誤差，避免模型過于簡單或復(fù)雜，還需要進行參數(shù)調(diào)優(yōu)。本文使用網(wǎng)格搜索的方式對隨機森林模型決策樹個數(shù)、最大樹深度等關(guān)鍵參數(shù)進行調(diào)優(yōu)，最終的調(diào)優(yōu)結(jié)果如表3 所示。

表3 隨機森林模型參數(shù)設(shè)置Table 3 Parameter settings of random forest model

2 模型預(yù)測結(jié)果與分析

2.1 十折交叉驗證法

在一次隨機森林模型訓練的過程中，往往只使用一個訓練集訓練模型，定義一個損失函數(shù)計算模型偏離實際值的損失，用測試集測試模型的預(yù)測效果。然而模型在該測試集中取得最優(yōu)不代表模型能在其他測試集中也能取得同樣的效果。為了檢驗本文構(gòu)建的關(guān)鍵工裝壽命預(yù)測模型是否具有應(yīng)用的普適性，采用十折交叉驗證的方式對模型進行檢驗。將原始數(shù)據(jù)集隨機地分為10 組，編號1 ～ 10，每組含有1 309 條數(shù)據(jù)，輪流選取其中的1 組作為測試集，其余9 組為訓練集。查看模型在10 次實驗中預(yù)測的準確性，求出10 次實驗的平均準確率，以平均準確率評價模型預(yù)測的精準程度。

十折交叉驗證實驗結(jié)果如表4 所示。壽命預(yù)測模型在測試集中的準確率最高為93.81%，最低為93.1%，平均準確率為93.53%，在10 組實驗中均有較高的預(yù)測準確性，驗證了該模型在本次工裝壽命預(yù)測實驗中具有普適性。

表4 十折交叉驗證實驗結(jié)果Table 4 Experimental results of ten-fold cross-validation

2.2 不同模型預(yù)測結(jié)果比較

為了進一步評估本文模型預(yù)測結(jié)果的準確性和有效性，分別采用本文模型、隨機森林模型、BP神經(jīng)網(wǎng)絡(luò)模型、LSTM 模型和GRU 模型在實驗1 條件下進行關(guān)鍵工裝剩余使用壽命預(yù)測，所用的5 種模型均使用Python 編程語言實現(xiàn)，并基于Keras 庫構(gòu)建。預(yù)測結(jié)果比較如表5 所示，平均絕對百分比誤差最小為本文模型的6.39%，最大為BP 神經(jīng)網(wǎng)絡(luò)模型14.02%；均方誤差與均方根誤差最小為本文模型的4.05 和146.50，最大為GRU 模型的10.30和372.51；預(yù)測時間最短為本文模型的9.80 s，最長為LSTM 模型的211.19 s。本文提出的關(guān)鍵工裝壽命預(yù)測模型較單純隨機森林模型準確率提升了0.89%，均方誤差、均方根誤差和預(yù)測用時分別降低22.3%、22.3%和24.8%。

表5 本文模型與其他模型預(yù)測效果評價Table 5 Evaluation of effectiveness among the proposed model and other models

選取測試集中7 個工裝的110 組數(shù)據(jù)，為了能更好地體現(xiàn)不同模型對數(shù)據(jù)集的擬合情況，將這110組數(shù)據(jù)分別按工裝順序與剩余使用壽命從大到小的順序進行排序，5 種模型對這110 組數(shù)據(jù)的預(yù)測結(jié)果比較如圖4 所示。工裝剩余使用壽命大于2 000 s時，本文模型和隨機森林模型預(yù)測結(jié)果偏??；工裝剩余使用壽命小于2 000 s 時，與真實值的擬合效果較好。BP 神經(jīng)網(wǎng)絡(luò)模型與GRU 模型預(yù)測結(jié)果不穩(wěn)定，預(yù)測值圍繞真實值波動相比其他模型較大。LSTM 模型預(yù)測結(jié)果比較穩(wěn)定，但預(yù)測結(jié)果較真實值偏大。綜上分析，本文模型與隨機森林模型對工裝實際剩余壽命擬合效果更好且更穩(wěn)定。

圖4 本文模型與其他模型的預(yù)測結(jié)果Figure 4 Prediction results using the proposd model and other models

通過表5 與圖4 的比較可以證明，本文模型較其他傳統(tǒng)預(yù)測模型，在關(guān)鍵工裝壽命預(yù)測中具有較高的剩余使用壽命預(yù)測速度、精確度與穩(wěn)定性，能夠更好地契合實際生產(chǎn)情況中，需要響應(yīng)速度快、預(yù)測精度與穩(wěn)定性好的要求。這進一步證明了本文提出的關(guān)鍵工裝壽命預(yù)測模型的準確性與有效性。

3 關(guān)鍵工裝壽命預(yù)測系統(tǒng)

3.1 系統(tǒng)體系架構(gòu)

針對當前火工品裝配車間關(guān)鍵工裝狀態(tài)掌控難、引信裝配綜合效率低、信息記錄、查看工裝效率低下等影響質(zhì)量問題，開發(fā)了火工品裝配關(guān)鍵工裝壽命預(yù)測系統(tǒng)，體系架構(gòu)如圖5 所示。將現(xiàn)場多源數(shù)據(jù)管理模塊、數(shù)據(jù)顯示模塊、用戶操作請求模塊、關(guān)鍵工裝壽命預(yù)測參數(shù)配置模塊以及關(guān)鍵工裝壽命預(yù)測模塊進行集成，以滿足不同使用者的需求。

圖5 火工品裝配關(guān)鍵工裝壽命預(yù)測系統(tǒng)體系架構(gòu)Figure 5 Architecture of a life span prediction system for key fixtures in initiating explosive product assembly

3.2 系統(tǒng)總體運行流程

如圖6 所示，在火工品裝配過程中會產(chǎn)生設(shè)備、工裝、產(chǎn)品的多源數(shù)據(jù)，多源數(shù)據(jù)經(jīng)過處理后儲存至服務(wù)器中，關(guān)鍵工裝壽命預(yù)測模型則調(diào)用生產(chǎn)過程中的多源歷史數(shù)據(jù)進行訓練，模型訓練完成后儲存至數(shù)據(jù)庫中。

圖6 關(guān)鍵工裝壽命預(yù)測系統(tǒng)運行流程Figure 6 Operation processes of a life span prediction system for key fixtures

在火工品產(chǎn)線實際生產(chǎn)時，生產(chǎn)設(shè)備將會向服務(wù)器端發(fā)送實時數(shù)據(jù)，服務(wù)器端根據(jù)當前生產(chǎn)信息調(diào)用已進行訓練的模型對輸入數(shù)據(jù)進行計算，并輸出工裝預(yù)測剩余使用壽命，儲存至數(shù)據(jù)庫中。同時服務(wù)器端也將實時監(jiān)控各個工裝的剩余使用壽命，當工裝剩余使用壽命到達臨界值后向用戶發(fā)出預(yù)警并生成工裝更換指導(dǎo)，待工裝達到廢棄標準后，用戶停機更換工裝并更新設(shè)備和工裝數(shù)據(jù)。

此外，用戶還可以對設(shè)備、工裝、產(chǎn)品的各類信息進行查詢、增加、刪除、修改操作，服務(wù)器端識別用戶身份后處理用戶請求，并返回更新數(shù)據(jù)和用戶的操作結(jié)果。

3.3 系統(tǒng)實現(xiàn)

根據(jù)關(guān)鍵工裝壽命預(yù)測的需求，基于圖5 所示的體系架構(gòu)，本文設(shè)計了火工品裝配關(guān)鍵工裝壽命預(yù)測系統(tǒng)。該系統(tǒng)采用B/S 架構(gòu)，可分為展示層、業(yè)務(wù)邏輯層和數(shù)據(jù)交互層，便于用戶進行各項操作，同時便于系統(tǒng)后續(xù)維護和擴展。系統(tǒng)中的展示層使用JavaScript 語言基于Vue 框架實現(xiàn)，業(yè)務(wù)邏輯層使用Java 語言基于SpringBoot 框架實現(xiàn)，數(shù)據(jù)庫使用Mysql 數(shù)據(jù)庫。

如圖7 所示，關(guān)鍵工裝壽命預(yù)測系統(tǒng)主界面由看板系統(tǒng)、工裝信息管理、設(shè)備信息管理和產(chǎn)品信息管理4 個界面構(gòu)成。其中，看板系統(tǒng)將調(diào)用關(guān)鍵工裝壽命預(yù)測模型對工裝的剩余使用壽命進行預(yù)測，根據(jù)其預(yù)測結(jié)果來判斷設(shè)備的狀態(tài)，并根據(jù)工裝狀態(tài)使用綠、橙、紅色標簽表示并統(tǒng)計設(shè)備健康、預(yù)警、警告狀態(tài)。其余信息管理模塊實現(xiàn)在火工品裝配過程中動態(tài)信息與靜態(tài)信息分類儲存管理的功能。

圖7 關(guān)鍵工裝壽命預(yù)測系統(tǒng)界面Figure 7 The interface of a life span prediction system for key fixtures

通過基于火工品關(guān)鍵工裝壽命預(yù)測模型的系統(tǒng)原型，實現(xiàn)了在不同工況下各個工裝壽命的實時預(yù)測與監(jiān)控，為現(xiàn)場人員更換工裝提供決策依據(jù)，能有效減少返工品、次品乃至廢品的出現(xiàn)，提高車間效能。

4 結(jié)論

通過構(gòu)建結(jié)合主成分分析和隨機森林的關(guān)鍵工裝壽命預(yù)測模型及系統(tǒng)原型，可得出以下結(jié)論。

1) 本文模型通過結(jié)合主成分分析和隨機森林，對多維的關(guān)鍵工裝歷史健康數(shù)據(jù)進行分析并提取數(shù)據(jù)的主成分，降低了數(shù)據(jù)噪聲對預(yù)測模型構(gòu)建和預(yù)測結(jié)果精度的影響，降低了壽命預(yù)測過程中數(shù)據(jù)計算的復(fù)雜程度，提高壽命預(yù)測的準確率與效率。

2) 通過實驗證明，相較于其他常用的預(yù)測模型，本文模型不僅提高預(yù)測精度，還提高了預(yù)測數(shù)據(jù)輸出的穩(wěn)定性，減少了預(yù)測時間。

3) 基于本文提出的火工品裝配關(guān)鍵工裝壽命預(yù)測系統(tǒng)體系架構(gòu)，開發(fā)了火工品裝配關(guān)鍵工裝壽命預(yù)測系統(tǒng)原型，實現(xiàn)對壽命預(yù)測相關(guān)的工裝、設(shè)備、產(chǎn)品參數(shù)的管理，以及產(chǎn)線中各個工裝剩余使用壽命的實時監(jiān)控，為現(xiàn)場人員更換工裝提供決策依據(jù)。