基于ISA95的装配过程数据分析方法

宋 敏，王社伟，2

（1.河南工业大学 信息科学与工程学院，河南 郑州450001；2.西北工业大学 现代设计与集成制造技术教育部重点实验室，陕西 西安710072）

0 引 言

随着制造信息化的发展，各类制造系统运行中累积了越来越多的业务数据，数据和信息的利用率越来越低。分析数据中隐含的信息和规律，辅助业务处理和管理改善，成为信息化深入发展亟待解决的问题。数据仓库以数据库为基础，能够实现大量结构化数据的有效统计和分析，近年来已逐渐成为研究的热点。文献 ［1－3］对数据仓库的查询优化机制进行了研究。文献 ［4］提出并设计了基于用户的数据仓库模型。文献 ［5－7］分别对票务、警务、车辆监控等领域的数据分析应用进行了研究；文献 ［8－9］分别对设备故障诊断、企业质量控制数据的数据仓库分析进行了研究。目前数据仓库技术的研究多集中在查询优化机制或数据关系相对简单的事务处理数据、故障及质量控制等特定主题数据的分析应用等方面，对离散制造过程的数据分析应用进行系统研究的还比较少。装配是一种典型的离散制造过程，装配过程也是企业多种数据的一个汇集中心，数据结构和关系复杂，为数据处理与分析带来了新的挑战。本文以ISA95制造运行系统模型为基础，研究装配过程数据的分类和内在逻辑，设计了装配数据的数据分析模式和数据仓库分析方法。

1 ISA95的数据对象模型

对于数据分析应用而言，应用数据仓库的关键在于建立明确的数据分析主题。根据文献 ［4］，确定数据分析主题，即建立数据分析参考模型，有基于数据、基于客户目标和基于用户需求3种思路。其中，基于数据的内在逻辑分析，明确了数据分析的方向，是从整体上进行数据分析的重要方法。装配过程数据是一类复杂的制造数据，要实现装配过程数据整体分析，首先要建立合理完善的装配数据模型。

ISA95数据模型是一种系统的制造过程数据模型。它是美国仪器、系统和自动化协会 （ISA）为了规范制造企业信息系统集成，而在ISA95系列标准中对制造运行系统功能结构和数据流进行的建模。按照ISA95标准，制造过程中的主要活动可以平行地分成生产、质检、库存、设备维护4种类型。每种制造活动中的数据都可以分成物料、设备、人员和过程段4种资源数据与活动能力信息、活动定义信息、活动计划信息、活动响应信息4种信息流数据。依据不同的数据类型，定义了人力资源，设备资源，物料资源，过程段资源，过程段能力，活动能力，活动定义，活动计划，活动绩效等9种不同的数据模型。ISA95数据模型描述了制造过程中数据分类和关系，为建立制造过程数据分析模型提供了参考依据。

2 装配过程数据建模和分析

2.1 装配过程及装配数据特点分析

定义1 装配过程：是按照产品和质量的定义规范，根据生产预测和订单生产要求，结合生产产能，制定详细生产计划；调度根据生产资源状态，进行动态生产任务派发；各执行单元根据产品和质量的定义规范，响应生产计划，形成信息的闭环。

定义2 装配数据：是装配过程中各种生产要求、生产状态、生产性能的描述和记录。

装配数据具有面向过程的特点。从制造执行的角度而言，装配过程是生产活动、质检活动、设备维护活动、库存管理活动的一个综合作用过程，装配数据反映了制造活动中各类信息的采集、传递和处理状态。装配过程数据是一种时序或逻辑上相关的一种数据，过程中各环节之间的数据关系是数据分析的重点。

装配数据具有异构性特点。装配工艺、质检和任务执行过程数据包括几何尺寸、拓扑形状、位置、时间、人员、物理化学特性等多种类型。装配过程的数据维度，除了传统数据描述中的时间维和空间维之外，还具有很强的产品结构相关性，产品BOM也是数据分析的重要维度。

2.2 数据分类

结合装配数据的特点，参考ISA95的数据模型，可以将装配数据分成：定义数据、能力数据、生产数据，其中生产数据又包括计划数据和性能数据。

定义数据给出产品和质量的定义信息，描述制造活动的内容和规范。定义数据是装配过程的基础数据，为生产计划和装配活动执行提供规范，如产品设计系统的BOM信息、工艺设计系统的装配工艺、质量系统的质检工艺等。能力数据是描述制造活动涉及的各种资源的可用性信息。能力数据是进行生产计划、调度、制造活动执行的重要依据，如物料、工装、设施设备、人员等。计划数据描述了制造活动指令。计划数据是制造活动的预期执行状态，在装配过程中，计划以装配任务进行派发，由调度进行统一协调，控制装配进度。性能数据反映了装配活动的实际执行状态，是执行单元根据定义数据，在生产计划的约束下进行装配而产生的各种结果。性能数据与定义数据和计划数据的符合状况，揭示了装配系统运行中的问题，是改善装配系统的重要依据。

2.3 装配数据分析主题

数据分析主题确定了分析的角度，是海量数据分析的基础。装配过程数据的分类关系体现了装配活动的潜在执行逻辑：从产品生命周期来看，装配过程是在工艺定义的活动规范下完成产品的执行过程；从企业经营活动来看，装配过程是在现有产能条件下，按照生产计划完成装配任务，形成产品的执行过程。可以通过图1中的两种模型来表示装配数据之间的这种内在的逻辑关系。

图1 装配过程数据逻辑模型

图1中的质量数据模型描述了定义数据和性能数据之间的逻辑关系。定义数据给出了装配操作规范，性能数据可以看作是实际操作过程是否符合装配操作规范的记录。性能数据的分析和挖掘能够促进定义数据的优化和改善。定义数据和性能数据之间的关系形成一个完整的信息闭环。计划数据模型描述了计划数据和性能数据之间的逻辑关系。计划数据给出了装配进度和资源分配，性能数据可以看作是实际操作过程是否符合计划的记录。性能数据的分析为优化调度和计划提供有效的支持。能力数据描述的制造资源可用状态是计划和调度的重要依据，也是性能分析中的一个重要因素。

根据装配数据逻辑模型，可以建立质量数据主题模型和计划数据主题模型。在数据仓库的多维数据模型中，各个主题数据模型由事实数据和维度数据组成。①质量数据主题模型。以复杂产品装配为例，质量数据的事实数据由装配工序的质量等级描述。影响工序质量的主要属性有工艺、工装、物料、产品结构、装配员、时间、检验员，可以从这些属性维度来分析装配工序质量。因此，确定质量主题数据的维度为工艺、物料、产品结构、装配员、检验员、时间。②计划数据主题模型。以复杂产品装配为例，计划数据的事实数据由装配任务的计划开始时间、计划完成时间、实际开始时间、实际完成时间描述。影响装配任务按计划完成的主要因素有工艺、零部件、工装、产品结构、班组、调度、时间。由此确定计划主题数据的维度为：工艺、零部件、工装、产品结构、班组、调度、时间。

根据ISA95的功能和数据模型，制造执行过程还包括库存管理与设备维护活动，也存在对应的数据分析主题。本文主要以质量数据和计划数据为研究对象。

2.4 装配数据的数据仓库模型和分析方法

2.4.1 事实数据模型

事实数据是对主题数据的度量。在质量主题数据中，质量用装配实际状态和工艺要求状态的偏差来描述。在装配过程精细化模型中，每道工序的质量由多个质量特性进行度量。不同工序的质量特性、同一工序的不同质量特性，其质量度量标准是不同的，为了进行数据的分析统计，需要建立一致的质量度量标准［10］。一般通过质量等级划分，实现质量数据的一致度量。数据分析挖掘方法本质上是一种统计方法，过细的质量等级划分会加大数据宏观分析的难度。可以根据实际应用需求确定质量等级划分，本文将质量等级用 （好，较好，一般，差）4个指标表示。

在装配计划主题数据中，任务完成情况用计划开始时间、计划完成时间、实际开始时间、实际完成时间描述。在装配执行系统中，装配进度控制一般以工序为粒度，可以实时获取每道工序的实际执行时间。建立以工序为粒度的计划数据模型，通过工序时间定额、计划时间、实际完成时间描述装配计划。

2.4.2 维度数据模型

维度数据表示影响主题数据的主要因素，从不同的角度对主题数据进行分析和统计，显示数据之间的逻辑关系，挖掘维度数据和主题数据之间的作用规律。建立质量主题数据的维度数据模型：

质量维度∶∶＝ （工序维，物料维，部件维，检验项维，装配员维，检验员维，时间维）

工序维∶∶＝ （工序，工艺，版本）

BOM维∶∶＝ （部件名称，图号，产品号，型号）

检验项维∶∶＝ （检验项，检验表）

装配员维∶∶＝ （装配员，班组）

检验员维∶∶＝ （检验员，检验室）

时间维∶∶＝ （日，周，月，季度，年）

物料维∶∶＝ （零件名称，图号，批次，供货商）

建立以工序为粒度的计划数据模型：

计划维度∶∶＝ （工序维，部件维，装配员维，调度员维，时间维）

工序维∶∶＝ （工序，工艺，版本）

SpringMVC它是一个典型的教科书式的MVC构架，框架高度可配置，且包含多种视图技术，目的是无需使用JSP技术，在源码中实现功能视图。

BOM维∶∶＝ （部件名称，图号，型号，产品编号）

装配员维∶∶＝ （装配员，班组）

调度员维∶∶＝ （调度员）

时间维∶∶＝ （日，周，月，季度，年）

2.4.3 数据仓库分析方法

以主题数据模型为基础，可以进行数据仓库分析。分析方法主要有宏观分析和微观分析两种。宏观分析以宏观视图和整体视图的形式来展示数据。常用的宏观分析是上卷操作，沿着维度数据的概念分层向上进行数据规约，以较大粒度的坐标尺度对事实数据进行度量，展现数据的宏观规律。

微观分析以微观视图和局部视图的形式来展示数据。常用的微观分析方法有下钻和切片操作。下钻操作是沿维度数据的概念分层向下展示数据细节，以较小粒度的坐标尺度对事实数据进行度量，展现数据的微观规律。切片是针对维度数据的具体取值，从横向选择数据方的一个断面进行考查。一般对宏观分析中发现的问题，采用下钻和切片进行深入分析。

3 实例应用

某航空发动机生产企业装配车间实施了装配执行系统，减少了装试次数，提高了装配质量。但对装配系统日常产生的大量数据却缺乏有效的分析手段，造成了信息资源的浪费，同时也制约了装配过程的进一步改善。应用数据仓库分析技术对航空发动机数据进行了组织和分析，本文仅以质量数据的分析为例。

3.1 数据仓库构建

对航空发动机装配过程质量数据进行建模，建立星型架构的数据仓库。质量数据仓库由一个中心表和7个维度表组成，分别是质量数据事实表和工序维表、物料维表、BOM维表、检验项维表、装配员维表、检验员维表、时间维表。质量数据仓库模型如图2所示。

3.2 质量数据规范化

图2 质量数据仓库模型

航空发动机装配质量体现为与工序对应的多个检验项的实际值与规定值的差异。规定值是对某一工序多种质量特性的度量，不同质量特性其质量度量描述有几何、物理、化学等多种形式，为了实现数据的一致分析，需要对装配质量特性进行规范化。分析航空发动机工序质量检验记录，主要存在几种形式的质量评价方式：①以质量特性的双向变化范围的形式表示，如间隙值大于0.1mm，小于0.2mm；②以质量特性的单向变化范围的形式表示，如表面缺陷个数不大于3个，叶片质量差不大于0.1g等等；③以自然语言描述，如在航空发动机滑油泵装配过程中的某工序的检查：用手检查齿轮旋转的匀滑性，不允许有滞住现象。对于方式①，以变化范围中心作为参考，从中间值到最大值和最小值的变化范围三等分，分别对应好、较好和一般3个质量等级。对于方式②，将质量特性变化范围三等分，分别对应好、较好和一般3个质量等级。情况①和②，质量等级和度量值的大小之间的关系可能是不确定的，如在同样的间隙要求下，有时候可能间隙越小质量越好，有时候可能相反。具体应用时可结合专家经验确定范围划分和质量等级的对应关系。对于方式③，根据质量特性一般描述为是否合格。如果合格，质量等级为较好。对于上述几种情况，质量特性在规定范围之外或者不合格，定义相应的质量等级为差。但航空发动机的装配采用手工小批量生产和全工序检验的方式，要求不合格的工序要返工，直至满足要求为止。返工的工序对整体质量和进度会产生不良影响，因此不论其返工后的质量等级，都将其最终质量标识为差。质量数据的规范化描述示例见表1。表中工序的质量特性对应具体的检验项。

表1 质量数据的规范化

3.3 数据分析

3.3.1 宏观分析

通过上卷操作对质量数据进行宏观分析，发现数据之间的潜在联系。可以对装配操作进行质量统计，如统计每一台发动机工序检验质量为差的数目，对每台发动机的装配质量进行综合比较；统计不同批次物料对应的装配工序质量为差的数目，比较不同批次物料对装配的影响；统计每一年度、每个班组装配工序质量为差的数目，对装配班组的年度工作质量进行比较；等等。其中，班组的年度装配工序质量可以用SQL语言进行描述：

select年，班组，count（＊）as问题数量from 质量事实表as q，装配员维表as a，时间维表as t where q.装配员ID＝a.装配员ID and q.时间ID＝t.时间ID and q.实际值＝’差’

group by年，班组

产生的结果集见表2。表中显示了装配各班组年度装配工序返工数目。从年度维度来看，2009年和2010年，数据基本持平；2011年开始实施装配数字化项目，装配质量有较大改善。从班组维来看，附件班组与压气机班组、燃烧室班组相比，在数字化项目实施之前，装配质量年度有小幅改善，项目实施之后，改善非常明显。而压气机班组的质量改善结果不是很显著。

表2 班组年度质量比较

3.3.2 微观分析

通过下钻和切片对宏观分析中发现的问题进一步分析。如对压气机班组装配质量情况进行下钻，显示每个成员的质量装配情况，进行分析；对压气机BOM进行下钻和切片，显示2009、2010、2011年压气机转子、压气机静子、压气机部件质量装配情况，进行对比，等等。压气机BOM下钻和切片结果见表3。

由压气机组件装配数据情况可以看出，压气机部件装配中存在较大问题，应作为进一步分析和改善的重点环节。基于数据仓库技术对一种主题数据的建模和数据分析方法有很多，如对装配质量数据的处理方法、处理结果等都可以进行分析。在具体的应用中，可以根据领域专家的意见对主题数据的建模和分析方法进行扩展。

表3 压气机各组件装配数据分析

4 结束语

信息化是制造业发展的大势所趋。在两化融合的大环境下，组织分析制造系统的数据已经成为制约制造信息化深入发展的瓶颈。在研究ISA95对象模型的基础上，提出了基于数据仓库的复杂产品的装配过程数据的建模分析方法并对航空发动机装配数据进行了分析。装配数据分析技术为整体上对装配过程数据分析提供了合理的思路；为装配数据分析提供了有效的方法；促进了制造系统数据的有效利用和装配过程的改善。

［1］YAN Qiuling，SUN Li，WANG Mei，et al.Heuristic mechanism for query optimization in column－store data warehouse［J］.Chinese Journal of Computers，2011，34 （10）：2018－2026（in Chinese）.［严秋玲，孙莉，王梅，等.列存储数据仓库中启发式查询优化机制 ［J］.计算机学报，2011，34（10）：2018－2026.］

［2］MA Yingying，DAI Muhong.Coupling method of indexes and materialized views about data warehouse performance optimization ［J］.Application Research of Computers，2013，30 （3）：835－837 （in Chinese）. ［马莹莹，戴牡红.数据仓库性能优化之索引和物化视图耦合方法 ［J］.计算机应用研究，2013，30（3）：835－837.］

［3］ZHAO Peng，WANG Shoujun，GONG Yun.Multi－join query optimization of data warehouse based on improved ant colony algorithm ［J］.Computer Engineering，2012，38 （1）：168－173（in Chinese）.［赵鹏，王守军，龚云.基于改进蚁群算法的数据仓库多连接查询优化 ［J］.计算机工程，2012，38 （1）：168－173.］

［4］LI Yuanbang，WANG Liming.Research on user－driven reference model for data warehouse ［J］.Computer Engineering and Design，2012，33 （9）：3447－3450 （in Chinese）. ［栗元邦，王黎明.基于用户的数据仓库参考模型研究 ［J］.计算机工程与设计，2012，33 （9）：3447－3450.］

［5］SHAO Xianli.Design and implementation of data warehouse for railway tickets ［D］.Shanghai：Shanghai Jiaotong University，2012（in Chinese）.［邵显丽.铁路客票数据仓库的设计与实现 ［D］.上海：上海交通大学，2012.］

［6］YUAN Lina.Construction and practice of the data warehouse in the police comprehensive information system ［J］.Computer Science，2012，39 （6）：291－308 （in Chinese）. ［袁丽娜.警务综合信息系统数据仓库的建设与实践 ［J］.计算机科学，2012，39 （6）：291－308.］

［7］HU Jihua，CHENG Zhifeng，ZHAN Chengzhi，et al.A Gridtime－indexed cube model for spatiotemporal data warehouse of vehicle supervision ［J］.Geomatics and Information Science of Wuhan University，2013，38 （1）：78－81 （in Chinese）. ［胡继华，程智锋，詹承志，等.车辆监控数据仓库中时空立方体数据模型的设计与实现 ［J］.武汉大学学报 （信息科学版），2013，38 （1）：78－81.］

［8］QU Juan.Application of data warehouse technology and data mining method on failure diagnosis of hydraulic press ［D］.Dalian：Dalian Jiaotong University，2007 （in Chinese）. ［屈娟.数据仓库技术及挖掘方法在液压机故障诊断上的应用［D］.大连：大连交通大学，2007.］

［9］XUE Dongjuan，GAO Tianyi，PAN Ying，et al.Construction of ship enterprises quality control model and data warehouse［J］.Computer Engineering and Applications，2012，48 （6）：229－232 （in Chinese）. ［薛冬娟，高天一，潘颖，等.船舶企业质量控制模型及数据仓库的构建 ［J］.计算机工程与应用，2012，48 （6）：229－232.］

［10］Srinivas S，Harding J A.A data mining integrated architecture for shop floor control ［J］.Journal of Engineering Manufacture，2008，222 （5）：605－624.