数据驱动的航空武器装备智慧生产管控 

【企业简介】

成都飞机工业（集团）有限责任公司（以下简称成飞公司）创建于1958年，是我国航空武器装备研制生产主要基地，民机零部件重要制造商，国家和省市的重点优势企业。成飞公司以“航空报国，航空强国”为宗旨，先后研制生产歼5、歼7、枭龙、歼十等各系列飞机数千架。其中，枭龙飞机荣获国防科技工业武器装备型号研制银奖，歼十飞机工程荣获国家科学技术进步奖特等奖、国防科技工业武器装备型号研制金奖。成飞公司成立以来获得国家、省部级科技进步奖400余项；获得管理创新奖332项，其中省部级累计264项，国家级累计16项。

【案例内容】

成飞公司为解决航空武器装备生产制造过程中整体生产产能负荷分配、生产计划排程及执行、生产配套、关键生产设备维护维修保障等问题，在信息化建设过程中建立了产品数据管理（PDM）、企业资源管理（ERP）、制造执行管理（MES）等支撑生产管理业务运行的主干应用系统。在应用过程中产生了大量如飞机制造物料清单（MBOM）信息、生产计划信息、采购信息、物流信息、库存信息、质量信息、设备信息等飞机生产过程信息，这些信息分散在各个业务系统中，以往对这些信息的统计分析由各部门及专业厂逐层汇报至生产管理部门，统计信息严重滞后，无法及时决策，部分信息经人工加工后失真，影响生产安排和调度。此外，对数据的低效能应用同样制约了飞机制造质量的提升，无法将生产制造中的问题充分暴露出来，亟需通过数据分析、数据挖掘等新一代数据应用技术，在飞机生产制造全链条中对数据进行高效的采集、存储、分析，优化生产决策，实现智能化管控。

面对生产数据分析应用的迫切需求，成飞公司基于大数据技术构建了一套支撑生产全过程的生产管控中心，在企业数据平台的基础上，通过对成飞公司生产业务领域生产管控需求的系统梳理，依托成飞公司数字化生产管理业务系统-ERP3平台、MES平台实现业务数据的集成可视化应用。从项目、专业、进展、物流、资源、问题六个业务维度，为相关生产项目提供大数据可视化展示，逐步打开生产过程的“黑箱”，依靠可视化管控模型，将计划、计划执行进度、计划考核、缺件情况、质量问题、现场问题、保留单清理等管控要点串联，依靠ERP3.0系统采集数据并进行数据挖掘分析，形成可供各级生产管控人员决策、执行的标准信息呈报与传递模型，最终达到“问题提前暴露，状态优先感知，管控靠前解决，成效预先研判”的目的，促进了生产管理过程可视化、透明化、高效化，提升生产管控水平。

一、预测零件生产产量

零件生产是成飞公司飞机生产的基础，零件生产的均衡性决定了装配的效率和质量，生产管理部门如果能够精准掌握零件未来生产能力，就能够更合理安排生产和装配的节奏。在历史条件下，成飞公司很难预计各零件专业厂生产能力，零件整体年度计划一般按照年度任务进行分派，有些专业厂产能没有很好释放，有些专业厂又处于超负荷生产，因此基于大数据支撑平台的生产管控中心着手基于历史数据的数据挖掘分析，尝试准确预测未来产量，支撑生产管理部合理调整和下达零件生产计划。

1.建设思路：

通过统计专业厂历史每日生产量，利用“线性回归算法”，同时以年度计划、工作日历为影响因子，去预估未来每日产量。具体实现过程主要包括业务数据采集、数据清洗与预处理、数据统计、数据建模、风险管控措施五个关键过程。

业务数据采集：抽取方法为使用大数据平台的数据采集模块，采集MES零件交接记录表数据，采集方式为增量抽取。由于零件产量具有周期性，如后半年生产量多于前半年，工作日多于节假日，每年的节假日时间相对固定。因此采用分层抽样方法进行样本抽样。为了保证样本能反映总体的更多特征，可按照节假日、产量按日期分布趋势等因素对总体数据进行分层，再根据零件产量的业务特点对每一层进行简单随机抽样，将每一层的抽样结果合并即为分层抽样结果，以此作为训练数据的原始样本。

数据清洗与预处理：使用数据预处理模块，清洗掉交接失败的数据。为了避免异常值对训练结果产生影响，采用四分位方法去除样本中的异常值，具体如下：设Q₃代表上四分位数，Q₁代表下四分数,IQR=Q₃-Q₁。则正常值范围为Q₁-1.5*IQR~Q₃+1.5*IQR。在此范围之外的异常值可直接删除。

数据统计：在算法中心使用数据库分组统计基础构件编排为零件产量统计算法，按照零件专业厂和日期就行分组统计，统计每个专业厂每日产出量，使用算法引擎调度中心自动调度运算，运算结果保存至数据中心

数据建模：采用spark进行线性回归模型训练，采用处理后的自变量进行模型训练，直到RSE与R₂满足RSE尽量小，R₂大于0.7。用测试集对模型进行验证，以检验训练模型的泛化能力，若其准确度不满足85%的准确率，即继续调整模型，对自变量进行再次处理或做非线性变换，直至模型满足准确率要求。将每次预测正确的结果继续纳入模型训练，持续进行权值优化。

风险管控措施：如果实际零件产量A_1与预测零件产量A_2相差10%及以上，则判定当天零件产量存在生产风险，即风险值P=(|A_1-A_2 |)/A_2 ×100%≥10%。如图所示。

图1 零件产量预测效果图

2.实施效果：

本方案实施后，通过对产量影响因子优化，不断完善算法程序，在程序未定后已完成所有专业厂共计103天产量预测，通过同实际产量对比，预测准确率高于85%（回归模型可决系数R^2大于0.6），具备十分优良的使用价值，方案上线后，通过准确预知零件产量，不断优化装配计划排程，零件平均周转天数不断降低，同时装配缺件比率也逐步降低，提高了生产效率，降低了库存成本。

随着零件预测在生产管控中心的应用，增强了生产管理部门掌握零件生产趋势的能力，使零件生产节奏得到合理安排，提高了零件生产的均衡性，解决了部分专业厂产能没有很好释放，生产节奏不合理的问题。

二、基于历史决策进行生产调控辅助决策建议

飞机生产中发生最多、解决最困难的在于供应链的管理，其重点又在于零件和成品的配套管理，在实际生产中，经常发生因零件缺件导致的生产进度延后，因此当发生此类问题时，需立刻进行生产调控决策，常用生产调控决策手段根据实际情况有两种方式：a）不影响飞机整体装配进度，进行开保留单处理，或者调整零件成品交付周期；b）影响本架次飞机整体装配进度，但其他飞机架次有备用或者其他机型有可跨型号装配零件，则直接调用；如无备用零件，则派生产管理人员进驻现场，调配零件生产计划，优先保障缺件零件生产；

1.建设思路

成飞公司自生产管控中心系统上线以来，以上所有调控手段在系统中均有历史记录，并且关联的生产信息也有信息记录，这些数据可通过大数据关联分析，计算历史决策关联度，并通过和当下条件进行对比，给出相应建议。如图2所示。

图2 决策建议平台实现过程

业务数据采集：对数据进行收集和存储，收集主要数据包含零件计划执行数据、装配执行数据、保留单执行数据、计划调整历史记录、生产部人员工作日志、零件历史装配记录。

数据清洗转换：对数据进行统计清洗转换，主要清洗对象包含未实现无纸化前的历史数据，保留单未关联AO数据，生产部人员工作记录中不包含“现场调度”类型数据等。

数据组装：将零件所有搜集数据进行数据组装，形成以下数据格式，如图3所示。

图3 数据组装格式

数据分析：使用算法中心进行业务算法编排，主要使用的基础算法构件为关联分析，并对算法进行自动调度执行，执行结果保存至数据中心形成历史经验库。

调控决策：编排决策算法，当新的零件缺件时，进行零件图号、机型、部位等模糊匹配，寻找经验库中的历史数据，同时查询当前架次交付计划，计算当前决策推荐结果，结果如图4所示：

图4 计算结果格式

数据推送：将分析的决策结果推送至生产管控中心系统，管理人员根据推荐意见和实际情况作出决策，并将决策结果再次推送至算法中心，重新计算历史决策经验；

决策选择：当分析结果的某一种决定推荐比例高于90%时，系统自动进入后续流程，不做人工决策。

发送指令：根据系统配置的决策执行方式（邮件、接口调用、人工处理），进行自动决策分发，并等待处理，如果处理方式为接口调用，则在处理完成后自动更新决策执行状态。

2.实施效果

基于历史决策的生产调控辅助决策建议完成了数据挖掘的全部流程，根据系统运行情况，当下已完成决策推荐231次，其中自动决策36次。通过生产调控辅助决策建议的实施，成飞公司验证了大数据支撑平台和生产管控中心的有效性和实用性，通过系统自动处理，减少了人工分析时间。

三、大数据驱动关键设备智能故障预测及健康管理

针对高档数控机床维护保障难，过于依赖维修人员经验的维修模式，现有维修专家知识数据库不适用于智能化故障预警和诊断的问题，成飞公司开展了基于设备运行状态监测技术的故障预警与诊断技术的理论与应用技术研究。

1.建设思路

通过突破基于信号特征及可视化的维修专家库、基于多传感器融合的故障诊断技术、基于HMM的故障预警技术、性能退化建模及寿命预测技术等多项关键技术，成飞公司建立了高档数控机床关键核心部件的故障特征及故障预示的高敏感度信号数据库，并建立了高档数控机床维修专家知识数据库，开发了对数控机床底层运行和现场生产线环境的在线和远程监控系统，最终开发出具有自主知识产权和高技术附加值的集生产现场监控和设备维护保障于一体的高档数控机床智能化故障预警和诊断系统，实现高档数控机床的在线和远程故障预警和自动诊断功能。如图5、图6所示。

图5 维修专家知识库

图6 数控机床故障诊断预警系统

2.实施效果

数控机床智能化故障预警和诊断系统的应用提高故障诊断的准确性70%以上，降低设备故障率30%以上，每年减少因为设备故障原因停工的时间20000小时以上。有效降低了设备故障率，设备故障判别及因故停工的成本，改善了高档数控机床维护保障难的问题。

四、大数据驱动数控加工过程智能监控技术

在未应用数控机床实时数据采集及监控系统之前，在复杂航空结构件数控加工过程中，由于工艺文件或工艺参数不合理，设备精度或状态问题，NC程序错误导致的大型结构件数控加工质量问题时有发生，而且一旦出现实物质量问题，由于缺乏有效的数控加工过程监控手段，难以对发生故障时数控加工现场的真实状态进行过程回溯和真实还原，往往难以准确判断出现故障的症结，对后续质量隐患的排除、改进措施的正确制定带来重要的不确定性。

在实施数控机床联网和实时监控之后，成飞公司数控加工过程的各类工况信息、机床状态信息、机床设置参数信息及故障报警信息等均进行全面记录。数控加工过程一旦出现异常或实物故障，相关部门可以通过实时采集的数据对发生故障前及故障时数控机床的实际加工现场信息进行准确还原，以此为基础，实现故障的准确定位。通过该系统的应用，近年来多次实现了大型结构件现场加工过程的还原和故障处置。如图7所示。

图7 机床加工过程三维复现

1.建设思路

通过搭建起动态感知、实时分析、自主决策、精准控制的智能制造技术闭环体系，即实现了以单台机床为物理空间载体的CPS系统。成飞公司通过大数据分析与机器学习，实现故障预测、产能评估等决策支持，从而实现从数据到知识对制造本质的提升。如图8、图9所示。

图8 机床CPS系统

图9 机床CPS应用情况

2.实施效果

工艺和设备部门利用数控加工过程智能监控系统的加工过程实时监控功能，在数控加工过程中多次提前监控和排除了由于工艺隐患或设备故障可能带来的大型数控结构件，据统计，通过该系统对高风险类数控结构件（高价值、高加工难度、大型关键结构件等）开展加工过程的实时监控，先后十余次排除故障症候，防患于未然，减少了数百万元的产品报废损失。