一种飞机装配生产线多源数据感知、融合与预测分析方法及系统

【】本发明涉及智能制造领域，尤其涉及一种飞机装配生产线多源数据感知、融合与预测分析方法及系统。

背景技术

0、背景技术：

1、随着发展，飞机制造过程正朝着智能化、信息化的模式不断转型。飞机装配生产线作为飞机制造系统的关键环节，是保证飞机制造高质量、高效率的重要因素。在飞机装配生产过程中，依据装配工艺流程以一定顺序通过各个工位，其间各类零部件逐步完成安装，通过全部工位后形成完整的产品，这一过程包含飞机各个大部件的姿态调整、对接、测量等一系列操作。在传统的飞机装配生产线中，大量使用了固定工装型架，这种方法在一定程度上保证了装配的稳定性和准确性。但是，随着市场对飞机需求的增大，企业面临提高装配生产效率的迫切需求。为满足市场需求，先进的飞机数字化装配生产线逐渐成为主流，大量采用数字化、柔性化的硬件工艺装备与数字控制系统，如工业机器人、数控定位器以及自动钻铆机等，大幅度提高了飞机的装配质量和效率。

2、飞机可用于多种任务，如运输、旅游观光、搜索救援以及军事作战等，为了满足不同任务的需求，适应不同型号和配置的飞机装配过程，在生产线中需配备不同类型的装配执行设备与检测设备，即在混线生产模式中，需要有快速调整和适应能力。同时，飞机的型号众多，难以形成线性制造模式，使装配生产现场的设备采集数据分布分散，亟需一套能集中管理数据的生产线管控系统。随着赛博-物理系统在制造业的广泛应用，可通过在虚拟空间中构建装配生产线的信息模型，模拟真实的生产线作业过程，为装配生产中的产线运行优化、设备状态管理和装配质量提升等方面提供有效的解决方案。在装配生产线虚拟运行过程中，存在着诸如生产管控数据、装配排产调度结果、物流配送信息、零部件质量参数、工装设备使用参数、质量检测结果等大量多源异构数据，存在产线数据结构多样、描述形式不统一、利用率低等问题，使得数据采集困难且不充分、数据融合效率低且难以形成符合统一描述语法的信息集合，无法对多装配阶段的产线状态分析与持续优化提供全面而有效的数据支持。

3、因此，有必要研究一种装配生产线多源数据感知、融合与预测分析方法及系统，实现产线运行过程中多源数据的采集、数据格式统一表征、数据训练预测处理分析等，从而为装配生产线的数字孪生构建与虚拟高效运行提供数据基础，应对现有技术的不足，以解决或减轻上述一个或多个问题。

技术实现思路

0、技术实现要素：

1、有鉴于此，本发明提供了一种飞机装配生产线多源数据感知、融合与预测分析方法及系统，结合产品装配生产线各采集设备的实测数据及装配过程特点，通过装配生产线多源数据采集系统、融合技术以及装配数据分析预测模型的构建，可实现装配生产线多源数据感知与融合在产线运行监测、设备状态检测和装配质量提升方面的应用，为飞机装配生产线的数字孪生构建与虚拟高效运行提供数据基础。

2、一方面，本发明提供一种飞机装配生产线多源数据感知、融合与预测分析方法，所述数据感知、融合与预测分析方法用于产线运行状态分析、设备使用状态监测和装配质量提升等方面的应用，所述数据感知、融合与预测分析方法包括以下步骤：

3、s1：分析飞机装配生产线的数据采集对象与信息采集需求；

4、s2：构建采用opc生产物联技术的飞机装配生产线多源数据采集系统；

5、s3：采用基于本体的语义描述方法对产线多源数据实体进行表征；

6、s4：构建飞机装配生产线的多源数据本体模型；

7、s5：采用json语言实例化描述产线多源数据实体；

8、s6：设计考虑装配数据时序性特征的长短期记忆网络模型；

9、s7：设计基于实测多源数据的分析预测模型训练方法；

10、s8：构建具有时序性特征的多源装配数据分析预测模型。

11、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s1具体包括：

12、s11：分析飞机装配生产线过程，其部件组装、机身铆装以及全机总装三个部分，在数据采集方面，其产线采集数据主要是来自产线上的装配设备使用过程监控数据和质量控制数据两类；

13、s12：分析飞机装配生产线中所涉及的装备执行设备、质量检测设备的具体类型，并对设备定义其相关数据的属性描述，结合生产实际，明确生产线运行过程中需要采集的设备信息。

14、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s12中生产线运行过程中需要采集的设备信息主要包括：设备运行状态类信息(如交点孔龙门精加工系统中的启停状态、各轴转速等)、生产工艺参数实际值(如机身总装数字化对接装配系统中的各运动轴调整量与调姿轨迹等)、报警类信息(如设备的故障和异常数据)、设备工作模式等。

15、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s2具体包括：

16、s21：设计产线中装配执行设备、装配检测单元上的数据接口，进行各设备的数据采集；

17、s22：针对采集层中待测设备进行通信并获取的相关数据，采用opc协议将数据传输到监控系统或其他应用程序中，实现数据在不同设备及系统间的传输；

18、s23：选用kep server ex作为数据采集opc服务器，连接各类设备，并将采集到的数据转换为标准的opc ua、opc client等通信协议，载入opc信息模型，以opc ua协议格式对外发布设备信息模型和数据。

19、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s3具体包括：

20、s31：分析产线上各设备的作用、采集数据以及装配工艺信息，采用本体的语义描述方法列举产线多源数据本体模型中重要概念，并定义概念类的层次关系；

21、s32：分析装配工艺信息中对象数据和数据属性，以装配工序信息的建模为主要研究对象，进行对象属性定义和数据属性定义，辅以装配任务和装配设备的各项描述属性建模及各概念类的关联关系。

22、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s31中装配产线多源数据主要分为装配设备和装配工艺两类；其中，装配设备主要包括装配执行设备、质量检测设备，装配工艺信息通常包括装配任务、装配工序。

23、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s4具体包括：

24、s41：在本体建模软件中创建一个新的本体项目，设置飞机装配生产线多源数据本体模型的标识，根据s3定义的飞机装配生产线多源数据本体模型中的概念类，创建概念类及概念类层次关系，并在概念类别下添加实例，填充每个类别下的具体对象。

25、s42：参考s3定义飞机装配生产线多源数据本体模型中的对象属性、飞机装配生产线多源数据本体模型中装配工序的数据属性，创建概念类、对象属性和数据属性，并利用本体建模软件的推理机制对本体进行逻辑推理，验证本体的逻辑结构无误，保存本体项目，完成本体模型的构建。

26、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s5具体包括：

27、s51：解析飞机装配生产线多源数据本体模型，包括实体、属性和关系等信息描述。

28、s52：采用json语言格式，对飞机装配生产线多源数据本体模型进行实例化阐述，并生成各执行设备和检测设备的json数据包。

29、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s6具体包括：

30、s61：明晰长短期记忆网络模型的架构，包括输入层、lstm层和输出层，并考虑到装配过程数据具有时序性的特征，确定模型架构的输入层和输出层。

31、s62：分析装配生产线过程和lstm层架构，从激活函数、损失函数、网络训练方法三个方面进行lstm层设计。

32、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s7具体包括：

33、s71：从采集得到的数据里面分析获取各工序执行时间下时序序列样本集，并分为训练集和测试集，从训练集中抽取不同的子集，其中每个子集都包含一部分训练集特征，且每个子集中的特征可以重复。

34、s72：采用l1正则化特征对每个子集进行选择，得到多个特征子集，并求出特征子集的交集即为最终选择出来输入层数据中关键影响因子；针对模型输出的装配质量问题预测，采用独热编码把质量问题按照其种类转换成计算机易于处理的二进制向量形式，用于预测模型训练。

35、s73：将处理之后的数据作为样本数据，使用adam算法对参数进行优化，并将时序序列样本数据分为训练集和测试集，用于构建的产线数据分析预测模型的训练。若该模型测试集与训练集的损失函数变化趋势相同，且均表现为初始阶段迅速降低并逐渐收敛至最低损失值，可以判定lstm预测模型构建较合理。

36、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s8具体包括：

37、s81：根据飞机装配过程数据具有时序性特征，收集飞机装配相关的数据，包括装配时间、装配工序、装配设备信息等；

38、s82：将数据按照一个时间窗口的大小，划分为多个序列样本，每个样本包含一段时间内的连续数据，并构建以长短期记忆网络为基础的飞机装配过程数据分析预测模型。

39、s83：确定预测模型的输入与输出，输入层是装配时间、装配工序、装配设备信息等实测数据，输出层是当前装配产线运行的装配合格率、工序执行率、设备利用率等性能指标预测结果，并采用网络训练方法对模型进行训练与优化，实现基于lstm的多源数据分析预测模型的构建。

40、如上所述的方面和任一可能的实现方式，进一步提供一种装配生产线多源数据感知、融合与预测分析系统，所述数据感知、融合与预测分析方法包括以下步骤：

41、对象和需求分析模块，用于分析飞机装配生产线的数据采集对象与信息采集需求；

42、系统构建模块，用于根据数据采集对象与信息采集需求构建采用opc生产物联技术的飞机装配生产线多源数据采集系统；

43、实体表征模块，用于采用基于本体的语义描述方法对产线多源数据系统中的实体进行表征；

44、本体模型构建模块，用于通过实体表征的结果构建飞机装配生产线的多源数据本体模型；

45、实例化描述模块，用于采用json语言实例化描述多源数据本体模型；

46、长短期记忆网络模型构建模块，用于根据实例化描述结果，构建考虑装配数据时序性特征的长短期记忆网络模型；

47、训练方法确定模块，用于根据长短期记忆网络模型设计基于实测多源数据的分析预测模型训练方法；

48、多源装配数据分析预测模型构建模块，用于设计多源装配数据分析预测模型并根据分析预测模型训练方法进行训练优化，获取具有时序性特征的多源装配数据分析预测模型。

49、与现有技术相比，本发明可以获得包括以下技术效果：

50、1)本发明的数据采集系统涵盖装配线全场景，以及针对飞机的结构特点所使用的特殊装配设备：比如机身总装对接设备、实心铆钉紧固件自动钻铆设备与抽铆设备、部件质量检测单元、水密性智能测试设备、多机身段对接交点孔龙门精加工设备等，采用统一的工业控制系统通信接口标准opc技术，对装配生产线关键装配步骤的实时数据进行更高效、充分采集；

51、2)本发明对飞机装配生产线中涉及的装配设备及装配工艺数据进行本体模型构建，从实体的位置信息类、状态信息类、时间信息类、行为信息类、事件信息类、历史信息类六个方面对飞机产线多源数据实体进行描述，然后采用protégé软件构建的飞机装配生产线多源数据本体模型，具有良好的层次结构和清晰的逻辑关系，可以弥补单一数据系统的不足，对不同来源的数据进行整合，形成一个全面、准确的信息集，为飞机装配生产线的数字孪生构建与虚拟运行提供充分的数据基础；

52、3)鉴于飞机装配站位所具备的时序性特征，构建综合各装配过程时间段的数据分析预测模型，可更精准预测得到下一阶段装配产能、装配合格率、工序执行率、设备利用率等性能指标。

53、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。