电机全生命周期质量大数据管控系统研究

张 兵 苗琪琪 张株瑞 刘晓冰

1(湘电集团技术中心信息化室 湖南 湘潭 411100)2(大连理工大学经济管理学院 辽宁 大连 116024)3(大连华信计算机技术股份有限公司 辽宁 大连 116085)

0 引 言

电机作为电能转换或传递的核心装备，保证其质量具有重要的意义。从产品质量形成机理来看，产品质量是通过市场调研进行策划，由设计确定，由制造来保证和实现，通过检验来证实，在用户使用过程中显示出来，因此电机产品的质量保证是贯穿其全生命周期。同时，新一代信息技术与制造业深度融合，随着互联网、物联网、云计算、大数据等信息技术的高速发展，电机在需求、设计、制造、运行、维修保养等阶段的质量数据爆发式增长，并呈现大容量、多样性、实时性、价值性、真实性的大数据典型特点[1]。如何采集、存储和利用电机需求与设计质量数据、制造质量数据与运行服役质量数据，形成电机全生命周期质量数据链，进而运用统计分析、数据挖掘分析等大数据分析手段，挖掘质量知识，控制和提升产品质量品质是当前迫切需要解决的问题，而构建电机全生命周期质量大数据管控系统是电机质量管理信息系统的创新方法。

大数据能够对多种大量的数据进行实时分析和处理，从而获取更多的附加值[2]。近几年，大数据正在快速融入制造业，成为智能制造的核心要素。产品质量是制造业普遍关注的突出问题，也成为大数据技术重要应用方向之一，引起国内外学者的广泛关注和研究。产品质量是在产品生命周期中形成的[3]，但现有研究主要是对设计、制造、维修等单一阶段的质量大数据进行研究。在产品需求设计阶段，Geiger等[4]利用用户使用数据和测量数据进行关联分析，以改进汽车设计参数，提升产品可靠性。在产品制造阶段，很多学者依据产品制造过程和质检大数据，设计深度学习、决策树、随机森林、人工神经网络、支持向量机、贝叶斯网络等机器学习算法和数据挖掘算法研究质量预测[5-6]、制造过程质量状态实时监控与控制[7-10]以及制造过程中故障与不合格品的分析与追溯[11-15]。另外，一些学者研究了质量管理信息系统的设计与实现，例如Wei等[16]从汽车零部件制造质量数据出发，开发了质量管理信息系统，帮助企业提高质量管理水平。温明川等[17]研究了基于制造执行系统的拖拉机装配质量管理信息系统，大幅度提升了质量数据采集效率及其准确度，提高了质量管理协同工作效率。白瑞国等[18]介绍了大数据过程质量控制系统在钢铁生产中的应用。在产品运行维护阶段，产品的健康状况监测与诊断是研究的重点，特别是运用大数据分析技术提高对机械设备的监测诊断精度，实现对多种故障模式的分类与诊断[19-20]。

综上所述，大数据技术已经渗透到产品全生命周期的每个阶段，但缺少对全生命周期质量大数据的整体性研究，且鲜有关于产品全生命周期质量大数据控制系统的研究。电机产品需求类型多样，制造工艺复杂，保养维护周期长，对全生命周期质量大数据要求较高。基于此，本文以电机全生命周期为主线，首先定义电机全生命周期质量大数据，接着归纳其特点，然后构建电机全生命周期质量大数据管控系统，包括系统的组成与架构，并采用统计分析、数据挖掘分析等大数据分析手段，对子系统的系统架构进行了详细的设计。在实践中，湘潭电机股份有限公司实现了电机全生命周期质量大数据管控系统的开发和运行，运行结果证明，所构建的系统能有效管控电机全生命周期的质量。

1 电机全生命周期质量大数据

在德国“工业4.0”、美国“工业互联网”和“中国制造2025”背景下，制造业向智能化发展。电机作为制造业关键动力设备，对其质量要求越来越高。按现代质量概念，质量是在产品全生命周期各个阶段的质量管理活动中逐渐形成的。从客户关系角度来看，需要正确分析和评价客户的质量需求；从设计角度来看，需要将客户的质量需求正确转换为设计质量；从制造角度来看，需要通过质量控制来保证制造质量[21]；从服务角度来看，需要通过维修维护来保证服务质量，因此只有多视角的面向产品全生命周期的质量管理，才能保证产品质量。与此同时，工业互联网、物联网、云计算、大数据等技术快速发展，电机产品从获取市场的用户需求开始到产品的设计、加工、装配、检测、使用和维护的全过程中的质量数据，在种类和数量上激增，产生了电机全生命周期质量大数据。产品质量大数据管理主要针对产品全生命周期过程质量数据进行采集、处理、传输、存储和挖掘分析等管理[22]。将电机全生命周期各个阶段的质量数据收集与储存，进而采用传统统计分析方法与现在的数据挖掘、机器学习等大数据分析手段对数据分析与利用，完成电机全生命周期质量活动的计划、组织、指挥、控制和协调，推动产品质量的持续改进，即电机全生命周期质量大数据管理。

根据管理的业务和内容，电机全生命周期质量大数据大致可划分为前期质量大数据、中期质量大数据和后期质量大数据三大部分，如图1所示。在电机生命周期前期，即电机开始制造之前的市场需求和设计开发阶段产生的质量数据，包括国家与行业标准质量数据、竞争者产品质量数据、消费者质量需求数据、客户质量需求数据和由此产生的产品设计结构与参数质量数据与工艺设计参数质量数据。在电机生命周期中期，即电机制造过程中产生的质量数据，包括供应商质量数据、外协商质量数据、工艺质量数据、加工质量数据、装配质量数据、检测质量数据。在电机生命周期后期，即电机使用与维护阶段产生的数据，包括电机运行状态质量数据、运行反馈质量数据、质量评估、故障质量数据、维修质量数据等。

图1 电机全生命周期的质量大数据

由以上分析可知，电机全生命周期质量数据中存在大量异构多源的数据，具备量(volume)、类(variety)、速(velocity)、值(value)的大数据4V特征：

1) 数据量庞大。电机全生命周期质量数据涵盖了需求、设计、加工、装配、检测和使用的全生命周期阶段数据，且随物联网、云计算、移动App信息技术的发展，这些数据量呈指数爆炸增长。

2) 数据类型多样。电机全生命周期质量数据具有广泛的数据来源，包括ERP、MES、PDM、CRM、CAD、CAPP、OA等系统，且涉及消费者、供应商、制造企业、客户等多主体，其数据类型存在结构化与非结构化，主要有数字、图像、表格、文字、声音等。

3) 数据具有高速性。电机全生命周期数据高速性主要体现在两个方面：一是数据增长的速度；二是数据处理的响应速度。电子商务、条形码、RFID、移动App等技术促使电机全生命周期各个阶段数据快速增加，而在短期特别是超短期的预测，调度决策经常需要秒级甚至毫秒级反应。

4) 数据价值性。电机全生命周期数据规模庞大，需要通过数据的清洗、挖掘、分析、提取等技术手段，以获得对质量有重要价值的知识规则，而通常采用的方法有关联分析、聚类分析、分类分析、回归分析、决策树分析、文本挖掘等数字挖掘和机器学习方法。

另一方面，电机全生命周期各个阶段并不是相互独立的，而是相互关联、相互影响、互为制约，旨在作为一个整体进行科学智能决策，保障电机质量。例如：对电机运行质量状态特征参数与各部件制造参数进行数据挖掘分析(分类、关联、聚类、异常等分析)，探索各部件参数与产品质量各特征参数间关系，形成部件参数与产品质量状态关系链，进而为新产品设计提供产品质量参数，也为运维服务中快速识别异常状态，定位故障部件，提升维修能力，提供支持。

2 电机全生命周期质量大数据管控系统设计

2.1 系统组成

系统是由相互作用相互依赖的若干组成部分结合而成的，具有特定功能的有机整体。电机全生命周期质量大数据系统是以系统方式组织和开展质量管理工作，通过集成化思想综合技术和管理的方法和手段，综合优化电机质量管理。根据电机全生命周期的主要环节和业务，即需求与设计，生产制造和售后服役，将电机全生命周期质量管控系统分为电机需求与设计质量管控子系统、电机制造质量管控子系统、电机服役质量管控子系统和电机质量大数据应用中心四部分，如图2所示。电机需求与设计质量管控子系统完成设计过程中需求质量信息采集，将顾客需求信息合理而有效地转换为产品开发各阶段的工艺步骤和工艺控制参数的技术质量目标。电机制造质量管控子系统完成制造过程中质量数据采集、质量预测、质量过程控制、质量追溯等功能。电机服役质量管控子系统完成电机使用过程中状态数据采集、故障监控、健康分析等功能。电机质量大数据应用中心的本质是将子系统中的数据集成、关联和存储，利用数据挖掘、机器学习等大数据技术，对关联数据进行深入分析，形成质量数据知识库，进而向企业内部管理、设计、工艺、生产、质量、销售等部门提供质量数据查询、追溯、统计分析、质量建模等服务，向电机用户提供电机故障诊断、故障预警、健康分析等服务。

图2 电机全生命周期质量管控系统组成

2.2 系统架构

电机全生命周期质量大数据管控系统旨在及时收集电机在需求与设计、制造、运行服务全生命周期阶段产生的数据，利用相关分析、聚类分析、深度学习等大数据方法挖掘电机质量知识，为质量管理提供技术支持。电机全生命周期质量大数据管控系统架构如图3所示，由下至上分为五个层次：数据层、网络层、储存层、计算层、应用层。最底层是数据层，主要收集子系统的数据，为深入分析数据做准备。第二层是网络层，包括互联网、工业以太网、工业无线局域网、企业内部局域网、物联网，通过网络达到数据快速及时的传递。第三层是储存层，收集的数据经过清洗、整理、转化，进而储存至分布式文件系统HDFS和关系数据库。第四层是计算层，该层使用实时流式计算Storm、并行计算Spark、分布式计算MapReduce工具进行大数据分析算法的并行计算，系统中将传统统计方法和大数据技术方法相结合进行数据分析和模型构建，实现质量规则挖掘与知识挖掘。最顶层是应用层，将计算层提炼出的深层知识付诸于应用，主要面向企业管理、设计、工艺、生产、质量、销售等部门的质量管理人员，促进电机质量管理优化。

图3 电机全生命周期质量管控系统架构

基于以上系统介绍，所建立的电机全生命周期质量大数据管控系统具有如下特点：

1) 集成性。基于电机全生命周期阶段构建了电机需求与设计质量管控子系统、电机制造质量管控子系统、电机服役质量管控子系统，以及具有集成各子系统的电机大数据应用中心，从多视角与全面的角度分析了电机质量，从而反馈给各个系统，及时优化和管控了电机质量。

2) 技术性。传统的数据分析技术已经不足以满足大数据应用的需要，除使用传统的统计方法外，引入机器学习和数据挖掘的大数据智能分析方法对质量数据进行深入分析，挖掘质量关联规则和知识，形成质量知识库，进行科学合理的质量预测和管控。

3) 实时性。从用户和市场的需求到设计、制造、使用这一全过程都是实时动态变化的，通过物联网、工业互联网等网络的传递也是实时的，因此电机全生命周期质量大数据收集是实时动态变化的，并且实时动态的质量大数据必须在短时间内进行计算和分析，实现产品质量的实时性判定和控制。

3 子系统分析

3.1 电机质量需求与设计管控子系统

制造需求与设计质量管控子系统反映了电机生命周期早期阶段的质量管理，其系统部署结构如图4所示。其管理主要是通过云平台及电子商务平台收集商业环境中消费者、竞争者、社交媒体、行业媒体、国家标准、行业标准等数据以及客户订购与定制的功能描述、性能描述、配置描述等数据，为快速准确地分析和预测电机质量需求提供有力支持。收集的数据通过互联网和无线网络传到制造需求与设计质量管控系统中心数据库并进行清理、整理、转化、储存，即特征信息预处理。

图4 电机需求与设计质量管控系统部署结构

在数据分析阶段，以知识数据库(包括实例库、规则库、特征库、设计约束库、模块库、参数库)为基础，进而运用传统的质量功能配置(QFD)分析方法和现在的大数据技术分析电机质量需求。QFD的核心思想是通过增加客户满意度来提高市场占有率，以用户为出发点，将目标客户的主观需求信息转化为产品设计质量要求[23]。基于大数据技术的质量需求分析是根据顾客需求描述，利用文本挖掘技术分析[24]和智能算法评价当前质量需求和潜在质量需求[25-26]，进而将产品质量特征融入产品设计过程中。通过参数映射确定属性，计算属性相似度，利用聚类分析与关联分析，设计实体相似度计算模型，结合知识库中已有的设计知识，促进电机原理设计、概念设计、模块设计、变型设计、配置设计、功能设计、结构设计、快速建立工艺模型，并在CAD、PDM与PLM集成平台完成产品质量设计和工艺质量设计。

3.2 电机制造质量管控子系统

电机制造质量管控子系统主要对影响质量的人、机、料、法、环数据采集、储存和利用，完成电机制造过程质量的控制，包括部件与原材料的采购、产品制造、产品检验环节中的质量数据和ERP、MES、WMS等系统中的质量数据，实现对电机制造全过程的高效质量管理和控制，见图5。为实现电机制造质量数据的采集，需要在电机生产制造车间根据生产流程的布局，在各个工序部署质量数据采集设备。数据采集设备一般包括条码扫描枪、RFID、传感器、数据采集计算机、数据采集平板等，分为人工录入与自动采集方式。采集的数据通过企业内部网络(有线或无线)传输到企业内网数据中心的服务器上，并进行数据的集成、清洗、整理和存储。

图5 电机制造质量管控子系统部署结构

在数据处理分析阶段，由于电机制造过程是动态、实时、多因素、复杂的，传统的统计方法不能很好满足质量分析需求，必须引进数据挖掘和机器学习的大数据方法。采用贝叶斯网络、决策树、随机森林、人工神经网络、支持向量机等机器学习算法进行质量预测与故障诊断[27]。依据产品制造过程数据及质检数据实现产品质量追溯，通过关联分析识别影响质量的主要因素(原材料性能参数、设备状态参数、工艺参数或车间环境参数)[28-29]。针对制造企业质量异常数据，采用ADTree决策树与FP-Growth算法[15]对质量数据集进行挖掘，快速发现制造过程中质量异常、不合格产品及其影响因素。通过对表征质量特性的动态数据进行实时检测，基于聚类分析，实现动态质量的监控和诊断。电机制造质量大数据管控子系统保障了生产过程的在制品质量，控制和优化了电机制造质量的结果，最终保障了采购管理、生产过程质量管理和成品质量管理。

3.3 电机服役质量管控子系统

为了完成电机的最后生命周期管理，提高售后服务，设计电机服役质量管控系统，其主要由远程智能感知设备、企业互联网数据服务器和应用服务部分构成，如图6所示。远程智能感知设备负责采集电机的运行数据，分析电机的运行状态，并向用户现场控制系统和公司互联网数据服务器发送这些状态数据。传感器负责实时采集和储存电机的电压、电流、温度、转速、振动等运行数据。企业互联网数据中心服务器接收和存储电机运行状态数据，并实现实时计算、能效与振动分析、健康分析、报警保护等功能。工业总线接口与电机用户现场控制系统(DCS)的PLC直接进行通信，能够为用户DCS系统提供所关心的所有数据和分析结果，帮助用户掌握电机当前运行质量状态及其发展趋势，制定维护计划，节约维护维修成本，提高运营效率。互联网接口与电机制造企业中心进行通信，能够为电机制造企业实时监控运行状态，预测电机运行质量，快速发现设备和系统的故障原因进行维修策略的制定，同时为需求、设计、制造提供支持。

图6 电机服役质量管控子系统

电机服役质量数据分析的传统统计方法包括故障树、累计分割寿命推定、威布尔函数分析、多元统计等，但这些方法存在精度低、计算速度慢、难以适应大数据特征等缺点，因而需要引入大数据分析方法。通过实时监测电机运行过程中性能参数等时间序列数据，运用支持向量机、神经网络等方法对电机状态趋势进行预测，采用深度学习方法[30]对电机健康状态进行检测诊断。运用基于Spark的RW-CLOPE算法方法对故障类型进行分类[31]，从而快速诊断出故障类型。对质量分析数据集进行关联分析，及时发现质量异常的影响因素。

3.4 电机质量大数据应用中心

产品全生命周期是一个完整的系统，各个阶段具有相互关联、相互影响和相互制约的关系，且必须实现信息的互通共享和反馈，因而电机质量大数据应用中心将制造需求与设计质量管控系统、电机制造质量管控系统与电机服役质量管控系统集成，如图7所示。电机质量大数据应用中心通过WEBSERVICE、JDBC等经典数据交互技术和Flume、Sqoop、Kafka等大数据技术，实现了与各个分系统的无缝衔接，利用互联网、物联网、工业以太网、工业无线局域网确保数据传输的实时性。在此基础上，建立集成数据库，对数据进行清洗、转化、融合、分类，建立知识库和历史库，从而用于电机质量数据统一管理、联合分析和数据挖掘。

图7 电机质量大数据应用中心

在大数据分析阶段，为了识别不同阶段复杂的耦合特性，充分挖掘各个阶段数据集中的关联规则，常采用Apriori算法及其改进AprioriTid算法、AprioriList算法和FP-gerowth算法。如利用电机现场制造测量数据与电机用户使用状态数据进行关联分析，快速识别以改进设计参数，识别影响质量的主要因素，提升产品可靠性；将电机用户使用状态数据与电机制造需求与设计阶段的市场、行业、地理等多方面数据进行关联分析，可以较精确预测不同市场的质量需求情况，更好地描绘客户画像，实行差异化的设计，提高企业竞争力；将实时数据与历史诊断数据相关联，对潜在异常进行诊断并进行预防性维护，从而在重大异常发生之前消除隐患。此外，利用随机矩阵理论分析质量时空关联特性，并对关联异常情况进行辨识。由于影响质量特性的过程因素很多，并出现随机性、模糊性、非线性、综合性等特点，过程作用机理复杂，针对此类问题，采用神经网络、贝叶斯网络、支持向量机、深度学习等机器学习方法进行预测和过程建模。运用多元统计方法、聚类分析、分类分析等数字挖掘方法挖掘电机全生命周期数据中隐含的质量相关信息。通过实时监测电机在不同阶段的时间序列数据，实现产品质量追溯，揭示影响电机质量的主要因素，在运维服务中快速定位，提升服务水平。综上，运用大数据技术对电机全生命周期质量大数据进行分析，为质量知识库不断增加有价值的知识。总之，电机质量数据应用中心通过信息集成电机各个生命阶段的质量数据，并运用数字挖掘、机器学习等大数据技术，解决电机质量集成共享、隐性关联、复杂建模、实时监测、精确预测、优化与控制等问题，为公司内部管理、设计、工艺、生产、质量、销售等部门提供质量大数据应用服务，为公司内外部的电机用户提供电机运行状态监测、运行能效分析、健康分析和巡检、运维等增值服务。

4 系统应用实施

湘潭电机股份有限公司是我国电机制造行业的重要企业之一，主要生产和销售发电机、交直流电动机、特种电机、轨道交通和新能源汽车车辆牵引控制系统等。公司十分重视电机全生命周期的质量管理，为了提高电机质量管理信息化、实时化、可视化、高效化、智能化水平，充分利用当前物联网、工业互联网、大数据等先进技术，构建了电机全生命周期质量大数据管控系统。

针对数据采集，在需求设计阶段，公司收集云平台和电子商务平台的客户下单言论信息；在制造阶段，在湘电股份特种电气事业部所属的5个车间，构建55个信息采集点，在每个数据采集点，系统将配备一组数据采集设备，包括条码打印机、条码扫描枪、PC数据采集设备、平板数据采集设备等；在服役阶段，通过在湘电风能有限公司、株洲自来水厂、湖南华菱湘潭钢铁有限公司等主要用户的电机运营现场安装远程智能感知设备，采集电机运行参数以及维护维修等质量相关数据。

对于数据网络传输，厂区和办公室通过千兆光纤组建局域网络，与质量管理相关的业务人员(包括检验员、技术人员、设计人员、工艺人员、财务审计人员、质量审理人员、质量部领导等)可通过公司内网系统在各自工作机器上处理所负责的质量业务。在信息中心提供Internet网关，使得质量管理人员可通过移动App客户端或Web客户端异地处理业务。此外，与外部连接通过千兆光纤连接，在线监测、售后运维服务过程中产生的质量信息也可通过Internet网关回传到数据中心，从而实现全寿命周期质量信息分析。

针对数据储存与利用阶段，信息中心建设质量大数据中心，配置、管理、分析计算机用于支撑质量管理业务和数据分析功能；向云服务提供商购买云计算服务；以电机全生命周期质量大数据为基础，通过将传统统计方法和支持向量机、文本挖掘、神经网络等机器学习和数据挖掘方法进行数据深入挖掘，向企业内部和电机用户提供制造工序能力分析(见图8)、制造参数直方图分析(见图9)、统计控制图(见图10)、不合格品分析(见图11)、质量档案查询(见图12)、设备详细状态信息(见图13)及监测信息(见图14)、统计分析结论(见图15)、电机健康分析(见图16)、质量状态预测(见图17)等服务。

图8 工序能力分析

图9 制造参数直方图分析

图10 统计控制图

图11 不合格品分析

图12 质量档案查询

图13 设备详细状态信息

图14 设备状态监测

图15 统计分析结论

图16 电机健康分析

图17 质量状态预测

该系统创新了公司质量管理模式，其正式运行以来效果显著，主要表现在：

(1) 质量信息数据实现及时共享与协同。系统集成了电机全生命周期各阶段的数据，并且运用物联网、互联网、无线网、大数据技术实时快速搜集数据、处理数据、共享数据，以便管理人员能够及时对质量问题做出迅速而准确的反应，同时便于企业各部门以及企业与客户、企业与供应商沟通与交流。

(2) 质量管理决策更加优化，提高电机质量，降低质量成本。系统能够利用统计方法、数据挖掘、机器学习的大数据方法，充分挖掘电机质量需求，影响质量相关的因素，不同参数的关联规则，以及预测、监控和诊断电机质量及其故障，提高了基于数据的管理决策能力和战略决策准确性，降低决策中的不确定性和风险，为管理决策提供了支持，提高了电机质量，降低质量成本。

(3) 提升企业对客户价值，促进客户满意度提升。系统可以向公司的销售、市场和客户服务的专业人员提供全面与个性化的客户需求资料，并强化跟踪服务和信息分析，使他们能够快速响应和引导客户需求，在最短的时间内为客户提供满意的产品和服务，协同建立和维护一系列与客户之间卓有成效的“一对一关系”，从而通过精准服务来提高客户黏性和客户忠诚度，提高客户满意度，吸引和保持更多的客户，最终达到销售额的大幅度增加。

(4) 提高售后服务质量，向制造加服务转型。公司可以依托系统为电机用户提供具有电机运行状态分析、健康分析等服务通信服务的智能化产品，实现包括状态监测、故障预警、维护计划生成、设备运行能效分析、健康分析、巡检服务和运维服务等增值服务，提升服务水平，并获得服务带来的收益，逐步实现从产品制造到制造+服务的升级。

5 结 语

在全生命周期阶段产生了大量的质量数据，具备量(volume)、类(variety)、速(velocity)、值(value)的大数据4V特征。利用文本挖掘、关联分析、聚类分析等大数据技术构建电机全生命周期质量大数据管控系统。系统架构由下至上分为五个层次：数据层、网络层、储存层、计算层、应用层，且由电机质量需求与设计管控子系统、电机制造质量管控子系统、电机服役质量管控子系统和电机质量大数据应用中心组成，其中核心为电机质量大数据应用中心。该系统由湘潭电机股份有限公司开发并运行，实践证明，所构建的系统解决了电机质量集成共享、隐性关联、复杂建模、实时监测、精确预测、优化与控制等问题，为公司管理、设计、工艺、生产、质量、销售等部门提供质量大数据应用服务，为电机用户提供电机运行状态监测、运行能效分析、健康分析和巡检、运维等增值服务。