智能车间质量数据集成及可视化分析平台设计

陈 亮，吴梦婷

(西安工程大学 计算机科学学院，陕西 西安 710600)

0 引言

随着新一轮科技革命和产业变革的兴起，以数字化、网络化和智能化为主要特征的智能制造已经成为企业发展的必然趋势[1-2]。在此背景下，德国提出“工业4.0”，美国提出“工业互联网”，我国提出“中国制造2025”，三大战略都将数据作为推动传统制造业向智能化转型的核心[3]。通过数据分析技术解决实际生产运营中的质量、效率、物流、供应链的问题才是数据的核心目的[3]。其中质量是现代企业生存和发展的决定性因素之一，质量数据反映了产品的质量情况，是现代企业精益质量管控的前提和基础。如何将离散、多源的质量数据融合汇总，形成一体化的数据服务平台，是开展精细化质量管控的核心。制造型企业的价值最终表现在产品与服务上，而车间是决定生产效率与产品质量的重要环节，因此智能车间是企业走向智能制造的起点。由此，以数据为核心，从智能车间生产过程产生的海量数据中挖掘有价值的信息来指导车间运行优化，已经引起学术界和工业界的极大关注[4]。现如今工业数据成为智能化发展的重要方向，而数据可视化可以提供较短的路线，帮助指导决策，成为通过数据分析传递信息的一种重要工具。但是专业质量数据分析算法和分析工具应用难度大，易形成知识应用障碍，难以理解质量数据中蕴含的决策知识，因此采用“精益看板”、“数图联动”等手段助力车间质量数据实现智能决策和管理已成为迫切的业务需求。

近年来，国内外众多学者对数据驱动的智能制造进行了大量探索与研究，例如2013年6月20日，通用电气(GE)在美国旧金山宣布推出第一个大数据分析平台，管理云中运行的由大型工业机器产生的数据[4]；李西兴等[5]针对制造企业产品加工制造生命周期的数据管理问题，设计和开发了针对制造企业的数字化、智能化管理平台；Wei等[6]为了深入挖掘大数据的隐藏价值，提高复杂产品制造企业的流程改进和决策水平，研究了复杂产品制造业大数据分析服务平台的构建；KALAMARAS等[7]介绍了一个交互式可视化分析平台，该平台可以通过统一的交互界面对历史数据进行探索，并对未来的业务进行预测。这些方法的研究和应用为智能车间的应用提供了有力参考，但当今大多数平台都采取表达形式单一的可视化图表展示数据隐藏的信息。因此，本文在数据统一管理与分发、数据分析建模以及数据可视化探索与展示一体化的基础上，提出文本与可视化图表交互技术，帮助用户进行数据的可视化探索。

通过上述分析，本文以制造业智能车间为背景，引入自然语言生成[8]、基于模版的自然语言生成[9-10]以及图文交互[11]等关键技术，研究和开发了面向智能车间的质量数据集成与可视化分析平台，实现以车间质量数据采集、算法整合和数据可视化呈现为核心的质量管理平台。

1 平台整体设计

1.1 平台总体建设目标

质量数据集成与可视化分析平台的建设目标是构建产品生命周期全过程的质量数据集成和可视化服务体系，帮助车间实现数据驱动的智能制造。其主要任务是通过车间质量数据的提取、整理、分析和展示，将大量质量数据转换为真正的知识，从而为企业管理者提供高效、准确的决策。质量数据集成与可视化分析平台构建产品全生命周期全过程质量管理体系，从质量数据采集、质量数据分析、质量业务管理以及质量数据应用等方面，贯穿从设计、制造、检测、分析控制的产品全生命周期，覆盖从设计质量、供应商质量、来料检验、制造过程检验、产品检验、售后检验全过程的质量管理。通过车间产品质量跟踪与分析，实现产品加工过程管理“从前向后”以及“从后向前”的双向质量追溯。以设计信息为源头，打通产品设计、工艺、制造和检测检验，设计质量正向检测数据链，实现在线质量校核；以售后质量信息为源头，打通售后、制造、采购、设计，实现服务质量逆向追溯证据链。同时，以精益质量看板为基础，实现智能制造质量可视化管控突破。其系统整体建设目标如图1所示。

1.2 平台总体功能架构

智能车间质量数据集成及可视化分析平台是集数据接入、数据处理、数据挖掘、数据可视化、数据应用于一体的质量数据分析工具。平台功能架构如图2所示。

平台功能架构的主要功能模块如下：

(1)主数据管理 对数据模型进行统一管理，支持结构化、非结构化数据建模，为开展企业数据资产各项管理奠定基础。通过对企业的数据进行分类、快速构建可视化的数据模型，为数据应用提供多样化的配置选项。

(2)集成物料清单(Bill of Material, BOM) 管理构造产品各阶段BOM相关数据，包括自制件、外购件等。与产品数据管理(Product Data Management, PDM)、企业资源规划(Enterprise Resource Planning, ERP)、制造执行系统(Manufacturing Execution System, MES)等产品系统集成，解决各系统对BOM定义不一致导致信息不能共享的问题。

(3)数据资源管理 在主数据管理创建的数据模型基础上，实现数据资源全生命周期管理。支持数据维护、审核、修改和停用，支持结构化数据和非结构化数据的统一管理，支持第三方业务系统的数据采集和分发。

(4)算法管理 包含数据处理、特征工程、机器学习、统计分析、集成学习、深度学习等多种算法，并提供嵌入自定义算法的功能，为用户提供全面的算法选择。

(5)数据分析 提供统计分析、挖掘分析等大量分析方法及相关模型，也可针对不同行业的业务需求，嵌入行业专用的指标分析和预测等业务模型，对产品质量的关键特性参数进行实时监测和预测。

(6)数据可视化模块 提供丰富的可视化图形展示和灵动的图形交互，支持常用的统计图表、图形和组件，支持钻取、联动、链接等交互操作，通过企业大屏、PC屏等多种“可视看板”帮助用户洞察数据背后的知识。

智能车间质量数据集成分析平台通过以上功能模块支持产品生命周期全过程的质量数据集成和可视化服务体系。将质量数据、生产过程数据等各方面数据集成在一起，通过数据挖掘和数据可视化分析，获得有利于改进设计、实现平台质量持续提升的决策依据。

在质量追溯应用方面，将数据分析技术与自然语言生成和交互式可视化相结合，生成质量追溯的交互式报告。以关键零件生产为例，一个生产周期包括多个工序，每个工序都会产生过程数据。首先，通过RFID技术标识零件生产工序的过程数据，选择合适的算法模型进行数据分析并通过可视化图表展示。其次，利用基于模板的自然语言生成技术为可视化图表添加相应的语言描述，并在生成的自然语言中嵌入迷你图来提供隐藏信息。最后，通过文本、迷你图和可视化图表之间的交互链接，将产品质量追溯至生产质量的具体工序，实现质量逆向追溯链，并为此产生交互式报告。

2 关键技术

2.1 基于模板的自然语言生成技术

智能车间质量数据集成与可视化分析平台在解决质量管理等问题时，由于传统的可视化表达方式单一，不能完全表达质量数据背后潜在信息的问题，本文采用基于模板的自然语言生成方法为可视化添加文本描述，帮助用户丰富视觉表示，并发现数据规律。

自然语言生成(Natural Language Generation, NLG)是自然语言处理两大领域之一[12]，研究如何从数据和抽象信息中用一些语义和语法规则生成自然语言文本[13]。本文采用决策图和参数化的句子模板来生成自然语言文本，为传统可视化添加文本叙述以提供详细信息，允许用户进一步探索数据。与基于语法模型或机器学习的高级文本生成方法相比[13]，基于模板的自然语言生成技术不需要构建语言和语法模型，具有良好的适用性和足够的灵活性。该方法通过有向无环决策图[13]来控制生成流程,并从参数化的模板中生成文本，如图3所示为负责生成追溯报告主要部分的决策图。该过程从“开始”节点开始，遵循确定性路径，直到“停止”为止。其中决策节点(圆角矩形)根据决策变量的条件确定遍历的路径。文本节点(矩形)被访问时，添加一个新的句子或短语的叙述。从“开始”到“停止”节点的任何遍历都会产生有意义的叙述。决策图由下列顶点和边组成：

(1)启动顶点 决策图的唯一入口，单个输出边将启动顶点与下一个顶点相连。

(2)文本顶点(矩形节点) 访问时会添加、参数化文本片段，一条边将其连接到下一个顶点。

(3)决策顶点(圆角矩形节点) 具有多个输出边的条件顶点，每一条边代表一种特定的情况。

(4)停止顶点 决策图的唯一出口点，没有输出边。

智能车间质量数据集成与可视化分析平台包含丰富的分析模型，利用拟合回归模型进行变量间关联显著性的分析，分析结果中部分文本的生成过程如图3所示。

文本顶点利用结构化文本文件(如XML)构建生成自然语言句子的模板，这些模板包含静态文本、变量和自然语言标签集。标签集包含用于填充变量元素的自然语言词汇表和表达式。当模板文档被加载时，NLG模块解析其对应的代码，在模板中填充与代码相对应的自然语言标签。最后，通过连接NLG模板结构每个元素的文本值，将其转换为自然语言文本。模板文档的部分代码如图4所示。

(1)

2.2 基于迷你图的图文交互技术

如上所述，文本虽然能补充可视化未呈现的内容，但还是要求用户在两者之间频繁跳转，这会分散用户注意力，增加工作记忆负荷，因此本文提出将文本与可视化图表集成，以避免注意力分散效应[15-16]，通过两者之间的交互链接帮助用户进行数据的可视化探索。

图文交互技术描述了一个框架，将包含标记的文本、相关数据集和配置文件作为输入并生成交互式文档。文档提供了视觉突出显示、视觉比较、内容切换和链接等交互。除了常规大小的图形外，使用迷你图突出显示细节内容。该框架提供一种通过使用标记将文本链接到可视化效果的抽象方法，利用HTML、CSS、JavaScript、Chartist.js、D3.js等技术来实现。

2.2.1 实体

将实体定义为一个独立的交互元素，在输入文件中使用特定的标记指定每个实体，即静态文本、链接文本、迷你图和可视化图形。如图5所示，链接文本是充当交互链接的文本片段，以黑色粗体显示。迷你图是交互式字形图形，使用jQuery Sparklines创建交互式迷你图。可视化图形是带有轴、标签、和标题的大规模可视化，使用开源的JavaScript图表库D3.js可视化数据，交互式可视化可以通过声明性语法编辑HTML文件。

2.2.2 数据和可视化

Tufte将“数据密集，设计简单，像字大小的图形”称为迷你图[17-18]。迷你图以声明的方式生成，视觉外观和文本(纵横比、颜色和字体)可以通过css样式进行管理，样式表中定义迷你图的默认高度略大于字符的高度。迷你图和图表使用数据表和数据行的唯一标识符，将特定数据序列绑定到相应的迷你图和可视化图表。

例如，以下代码段绘制了表1“某零件机械性能相关变量系数”中数据标识为“P”的迷你图，图表类型为条形图并为其分配ID为“Probability”。

表1 某零件机械性能相关变量系数表(coefficient)

2.2.3 链接

链接是利用图形的ID在文本和可视化(迷你图和图形)之间建立交互关联，使用过滤函数来选择在视觉上突出显示的可视化元素，如表2所示为过滤函数的语法描述。将链接定义为一个元组L=(T,V,f,I)，其中V={v1,v2,…,vn}是所有生成图形的集合，vi是迷你图或图形类型，T是与v的任何子集相关联的链接文本，过滤函数f应用于数据序列sij∈Si=(si1,si2,…,sim)，其中Si是由标签I标识的第i行中的数据值序列。如链接：

L=(“粗糙度”,{Probability,Machine},index(1),P)

是将ID为Probability,Machine的迷你图和图表中参数P的第2个值与文本片段“粗糙度”关联起来，函数index(1)返回标识符为“P”数据序列的第2个值(如表1)。链接在输入文件中指定为：

与同一链接文本关联的所有迷你图和图表都应具有相同的数据序列，因为当产生交互操作时，链接指定的数据序列被覆盖并显示在所有关联的图表中。

表2 过滤函数语法描述表

2.2.4 触发与交互

文本与可视化图表之间的交互是通过用户操作(如鼠标进入、鼠标离开、单击鼠标等)触发产生的，而同一触发操作应用于不同实体将导致不同的交互。例如，将鼠标悬停在链接文本上会加载图形中数据序列，而应用于迷你图或图形上会根据需要显示详细信息。

文本和可视化图表结合提供本地交互和全局交互[16]，本地交互其本质就是按需提供详细信息，通过简单的交互技术链接文本和图表，但这些交互技术产生的效果是局部的，仅在图表的局部环境中添加或突出显示信息。例如，带有说明的工具提示对话框等情况，GOFFIN等[19]所述从文档到可视化的过渡，就是应用于单个图形局部交互的示例。全局交互则是涉及链接多个迷你图和图表的交互，全局交互(视觉突出显示、视觉比较和内容切换)需要指定为链接实现。文本与图表具体的交互模式如下：

(1)按需提供详细信息 提高文档可读性的简单交互。作为一个覆盖的工具提示，显示数据的更多详细信息，该交互由鼠标输入激活，只要鼠标悬停在实体上就一直保持。

(2)视觉突出显示 该交互对应于在视觉上突出显示且与链接文本关联的图形元素。将鼠标悬停在链接文本上时，与之关联的迷你图和图形会突出显示相应的视觉元素，突出显示的视觉元素是通过过滤函数实现的。

(3)视觉比较和内容切换 视觉比较对应于在同一个图表中显示两个数据集，并提供修饰来吸引用户注意。例如，显示两个变量的比较视图，只要鼠标悬停在相应的链接文本上，第2个变量数据就以绿色显示直至鼠标离开。相反，内容切换是在鼠标单击链接文本时，图表内的数据将更改为与链接文本相关联的数据。

3 应用案例

某企业根据零件工艺路线、工序信息、工序质量规范等信息进行零件加工质量控制，实施车间的质量管理、质量跟踪。企业的质量数据可以分为产品定义质量数据、生产计划管理数据、采购质量数据、售后质量数据、生产质量数据5类，目前分别由产品数据管理(Product Data Management, PDM)、企业资源规划(Enterprise Resource Planning, ERP)、制造执行系统(Manufacturing Exeution System, MES)3大业务系统管理和维护。在上述关键技术和功能框架的基础上，设计和开发了面向智能车间的质量数据集成及可视化分析平台，并在某企业进行应用。

3.1 质量数据集成分析

由于企业质量信息来源碎片化，缺乏统一的管理，导致质量控制的粗放与不精准，为了加强企业的全面质量管理，需要建立统一的质量数据集成平台，实现企业各异构信息系统中质量数据的有效交换和共享，保证质量数据的完整性和一致性。

质量数据集成及可视化分析平台从数字化检测系统以及各种质量管理信息系统中获取产品质量数据，或者采用RFID技术采集车间实时数据，制造车间中RFID标签粘贴在制造资源上，当物体进入RFID读写器的探测空间，读写器就可以读取标签中的信息，自动识别物体并采集信息。采用webservice的方式进行数据集成，使不同的系统可以轻松地通信和共享数据。数据接入后，依据预先定义的规则负责从各种分布的数据源中如结构化数据、文本数据等抽取需要的数据进行转换、清洗、过滤以及融合后，实现数据的统一存储和管理，成为数据分析建模的基础。然后通过细粒度的分析算法集成、可视化步骤引导，利用数据流式算法链技术，进行半自动机器学习建模，实现数据分析过程的自动化、规范化和可视化。

3.2 质量看板应用

为方便各层管理者及时了解产品整体质量概况，促进对产品生命周期中各种质量问题及质量信息的闭环管理，平台通过综合质量看板让企业决策者掌握制造质量、供应质量、产品质量和售后服务质量的总体态势，对质量问题进行分析和追溯，并快速作出决策。

质量管理涵盖产品设计质量、供应商质量、来料质量、生产质量、产品质量及售后质量的管理。其中产品质量管理的指标有优等品、产品合格率、废品率和返修率。产品追溯管理通过批次管理的方式实现质量追溯。本案例以某制造企业的生产车间为背景，采用产品合格率验证智能车间数据集成与可视化分析平台，将产品检验数据经过上述过程构建模型，分析订单合格率、完成数量以及订单子批次的检验结果。其分析结果如图6所示。

为确定公司零部件在生产加工过程中不同阶段工序对零部件属性和性能产生的影响，帮助车间更加高效地追溯零部件的质量问题，本文通过拟合回归模型来分析不同工序的过程数据对产品性能影响的关联度，以便产品在出现质量问题时，能够更加快速地追溯到具体的加工工序。

公司自制件包括活塞杆、储能缸、阀体、大阀套、小阀套、阀芯、合闸限位套、泄压阀阀芯、泄压阀阀套、工作缸、分闸限位座、分闸缓冲环、合闸缓冲环13种关键零部件。其中：工作缸的生产过程有热处理、精加工、硬质阳极氧化、研磨4个工序阶段，检测数据为固溶时效、硬度、氧化比率和粗糙度。以工作缸的机械性能与硬度、固溶时效、氧化比率、粗糙度的关系为例，机械性能作为响应变量，硬度、固溶时效、氧化比率、粗糙度作为预测变量。选取工作缸某月检测的过程数据进行关联显著性分析，要确定性能与模型中每个变量之间的关联是否显著，需将分析结果中该变量的P值与显著性水平进行比较，并生成交互式报告。生成报告的响应时间为0.05 s，经过车间的质检人员对本月生产的工作缸进行检验，由于粗糙度引起性能不佳的零件有9个，硬度引起的有6个，氧化比率3个，固溶时效0个，与交互式报告分析的变量关联度相符。如图5所示为通过评估相关性产生的静态交互式报告示例图。图7所示为该报告中文本和可视化图表交互链接的方式。

该示例中链接文本用黑色粗体表示区分与其他文本，迷你图放置在有关文本旁边，通过将鼠标悬停在链接文本“显著”上，如图7a所示相关的数据以绿色加载在之前的数据上提供比较视图。图7b显示了点击链接文本“系数”的效果，图中的数据切换为拟合回归分析结果中各个预测变量系数的数据。此外，图7c显示了鼠标悬停在链接文本“粗糙度”上的效果，迷你图和图表中与该文本相关联的图形元素被突出显示。最后,当鼠标悬停在迷你图的某个元素上时，会以工具框提示该部分的详细信息，如图7d所示工具框显示了该图表中变量的准确值。通过以上的交互链接，表明文本、迷你图和图形可作为一个完整的单元，彼此丰富帮助用户进行数据的可视化探索。

4 结束语

本文围绕集数据采集、算法整合、数据分析建模、可视化呈现为一体的质量数据分析平台，将数据分析结果结合自然语言生成和可视化技术，使用基于模板的自然语言生成来自动从数据中生成文本，以交互的方式将可视化与文本叙述链接并生成交互式报告，提供数据分析的解释性和探索性。同时，文本和可视化相结合可以显著提高用户理解数据的能力。其中迷你图作为文本的图形补充，实现数据的可视化比较、突出显示文本中的值、传达文本元素之间的复杂关系。基于以上技术，该方法适用于各种应用领域，包括城市生活，交通环境和天气情况等，可为各个应用领域构建示例系统，使用户和决策者接受数据丰富的交互式报告。

但是，对于图文交互技术仍然存在很多有待解决和优化的问题。未来的工作将从迷你图的类型、过滤函数以及文本与可视化图表交互方式方面扩展本文的研究，实现一个更加丰富的交互式文档。