大锻件大数据系统架构的研究（下）

文/齐作玉，许树森·上海重型机器厂有限公司

大锻件大数据系统架构的研究（下）

文/齐作玉，许树森·上海重型机器厂有限公司

《大锻件大数据系统架构的研究（上）》见2016年第1期

数据采集途径

开发应用工艺质量信息系统

⑴目的和意义。

研究者曾对国内主要大锻件企业的工艺和质量信息化情况进行过调研。注意到，国内大锻件企业工艺和质量信息化方面还存在空白。要想有大锻件工艺和质量数据的积累，要想能科学分析工艺和质量问题，必须尽快开发、建立和应用先进的大锻件工艺、质量信息系统。为此，研究者开发了一种系统雏形。

⑵原理和特点。

根据锻压工艺原理、大锻件生产质量影响因素、质量检验和质量记录过程、大锻件锻压工艺和质量的参数化方法、管理信息系统开发原理和经验，利用微软免费关系型数据库ACCESS、服务表单InfoPath及VBA编程语言等，研究开发出了锻压工艺及质量信息集成管理信息系统的雏形。图3为该系统主菜单，包含锻压工艺数据、热送钢锭信息、锻压记录、检验记录和查看其他信息共五个信息输入部分及1个预览查询各种自动报告的功能。

锻压工艺界面输入数据后可自动生成安排生产的锻件明细表；可通过网络授权快速查询所有输入的工艺信息及图形附件；进一步开发后，还可根据参数自动生成动态的锻压工艺卡。当某时期的生产数据输入后，可自动关联；检验记录输入后，则可生成智能的锻压工艺质量自动分析报告。

该系统借鉴了著名欧美跨国公司应用信息技术的成功经验，结合大锻件企业实际情况和需要，形成了锻压工艺和质量集成管理信息系统雏形。系统能将小样本统计学、工艺参数化方法、设备工艺质量数据集成方案等再次集成，形成智能的记录和自动分析系统，利于不断改进，可成为稳定和提高大锻件质量的基础平台。

图3 锻压工艺质量记录信息系统主菜单

设备数据提取

⑴生产设备数据提取。

随着我国大锻件生产设备的飞速发展，新的万吨压机和操作机都有了测量数据的计算机屏显。国内部分企业还实现了数据自动存储。但是，这些设备上的测量数据还是离散的和不完整的，实际仍无法有效应用。

通过集成锻压工艺技术、设备测量技术和现代信息化技术，利用工业组态软件，研究开发一个智能的生产工艺自动记录和质量分析系统，让离散的压机等设备数据成为有效的大锻件锻压工艺和质量相关数据。

⑵在线尺寸检测设备数据提取。

大锻件企业无论是购买、改造还是开发大锻件在线检测设备和装置，都应加强可行性研究，聘请既懂生产工艺又懂信息系统集成的专家参加决策和制订方案，以便充分考虑实现大锻件大数据的价值，能根据大数据的知识和理念，完善项目的需求和目标，实现大数据的有效集成和利用。

⑶检查试验设备数据提取。

传统上，检查试验设备测得的大锻件产品或试件数据还是打印出来独立使用的。进一步有效利用检查试验设备中得到的数据至少考虑以下几个层次：第一层次是将检测设备生成的电子检测报告通过网络安全连接传递到局域网中的服务器上，用附件形式自动集成到工艺和质量信息系统中，实现有效利用；第二层次是将检测报告上的主要数据用手工输入到新开发的工艺和质量信息系统中，开发出对应的自动检测报告，实现有效利用；第三层次是找到检查检测设备在生成电子检测报告时的数据，存成符合标准格式的文件，与工艺和质量信息系统相集成，直接传入数据库、直接可生成动态的并可在线打印的检测报告，实现有效利用。

集成数据提取

通过系统集成，将其他系统的数据提取到本系统之中或将本系统数据传递到其他系统之中，这不仅减少了数据的重复输入，还可大大发挥出数据的价值。因此，集成数据既有数据价值设计的作用，又有数据提取的特征。例如，在锻压生产设备数据提取中，如果可以从ERP（Enterprise Resource Planning 企业资源计划）系统中提取钢锭物料信息数据，从工艺质量控制系统中提取工艺数据，则可大大发挥锻压生产设备数据提取系统的实用价值和效率。

数据分析决策

统计学分析

⑴统计学应用的挑战。

统计学广泛应用于许多领域，但在大锻件生产科研领域里的应用几乎是空白，很少能见到和找到其他研究者和作者关于大锻件统计学应用实例的研究报告、论文和理论书籍。这并非统计学方法在大锻件领域里不重要，而是因为缺乏数据和参数无法应用统计分析。此外，概率论统计学本身不太容易被理解和掌握，在大锻件领域里，成功应用的方法和实例也非常少，缺少能直接借鉴和引用的实例和方法。万事开头难，大数据的发展必须经过小数据阶段，因此大锻件小样本统计学的研究应运而生。

⑵小样本的概念。

样本按其容量有大小之分。一般情况下，样本量小，则统计学估计的误差大；样本量大，则统计学估计的误差小。然而，提高一点精度，统计量则需急剧大幅增加。大锻件的生产特点是单件小批量，除非是长期积累才能获得较大样本，否则其应用只有从小样本量着手。

关于统计学所需要的最小样本量，目前并没有确切的要求。从统计学书籍后面附带的常用统计学统计量分布表来看，列出的最小样本量是2。本研究认为，最小样本量可根据实际确定。只要能进行统计分析并能得到科学结论就可。

⑶小样本统计学成果。

显著性检验就是事先对总体的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（原假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。

显著性检验用概率P来表示由抽样误差引起的可能性有多大。统计学上习惯规定P＞0.05 相差不显著，可能性大；0.05≥P＞0.01 相差显著，可能性小；P≤0.01相差非常显著，可能性极小。小样本检验方法包括：

1）计量资料的显著性检验。

对于计量资料的显著性检验，当样本含量较小，比如200例以下，应该选用t检验（student test）；当样本含量较大，比如200例以上，则应该选用u检验（u test）。t检验和u检验是根据分布（标准正态分布）原理建立起来的显著性检验方法。

例如，长轴类锻件的轴端机械性能在拔长比达到一定数值后容易出现各向异性。纵向与横向性能之间的比值，称为异性系数。为了解决40A船用电机轴的各向异性问题，太原重工股份有限公司（简称太重）曾采用不同的钢锭生产船用电机轴。太重的研究中给出了碱性电炉钢和电渣重熔炼钢的各向异性系数，但未能开展科学的统计学分析。研究者经过对太重统计数据的处理，然后用t检验进行分析，给出科学分析结果和结论：电炉钢延伸率异向系数、截面收缩率异向系数、冲击值异向系数的总体均数与电渣钢延伸率异向系数、截面收缩率异向系数、冲击值异向系数差异均显著。并由此得出科学推论，采用电渣钢的炼钢方法，的确解决了长轴类锻件的各向异性问题。

2）计数资料的显著性检验。

对于计数资料的显著性检验，其样本含量大小的检验方法选择与计量资料的显著性检验有类似之处。当样本含量较小，200例以下，选用卡方检验（Chi-square test）；当样本含量较大，200例以上，则选用u检验。

例如，上海重型机器厂有限公司的工艺人员为了解决管板大锻件的探伤超标问题，研究提出了一种宏观控制锻造法，给出用拔长保证压力容器管板大锻件中心压实的拔长比宏观条件。为了验证该条件，统计了一个时期连续生产的21份工艺、144只锻件的工艺记录及探伤检查结果。对统计数据分成满足拔长比宏观条件和不满足拔长比宏观条件的两组，然后用卡方检验进行对比分析，给出科学分析结果和结论：两组不合格率有显著差别。并由此推论，锻压拔长条件对大锻件探伤有显著影响，满足拔长比宏观条件的工艺能显著提高超声波探伤的合格率。并根据该推论，解决了大批管板锻件的探伤问题，使产品质量得以显著稳定提高。

数据智能报告

统计分析只是数据分析方法中的一种方法，根据研究的问题，还有许多分析方法可选择应用，如数值方法、最优化方法和运筹学等。另外，还有一些BI（Business Intelligence）商业智能软件。但BI软件通常价格昂贵，开发分析报告需要由外部咨询师、内部IT人员和内部业务人员共同完成。微软免费的ACCESS数据库软件有相当不错的数据智能分析报告功能。它在世界第一大铝业公司ALCOA和著名的电力及自动化公司ABB在中国的企业中都曾得到低成本高实效的应用，值得中国大锻件企业行业借鉴。

决策支持

决策支持系统能够为决策者提供所需的数据、信息和背景资料，帮助明确决策目标和进行问题的识别，建立或修改决策模型，提供各种备选方案。并且对各种方案进行评价和优选，通过人机交互功能进行分析、比较和判断，为正确的决策提供必要的支持。决策支持系统强调的是对管理决策的支持，而不是决策的自动化。因此，统计学分析报告和BI报告都是决策支持的基础，在此基础上根据实际需要选择商业软件或订制开发。

结束语

本文给出以下主要结论：①大数据是根本性解决大锻件质量不稳定问题的一种必要选择，是实现大锻件智能制造的必由出路；②大锻件工艺参数化方法和工艺细化软件是增加有价值的大锻件数据实现大数据目标的源头，本文给出了基本方法和软件雏形；③给出了采集存储工艺数据、设备中数据和质量数据并加以集成应用的建议方法和数据库雏形；④给出了创新的大锻件统计分析方法，智能报告方法和大数据系统架构。

本研究对稳定我国大锻件的产品质量、支持大锻件企业管理决策、实现大锻件大数据目标、智能制造以及企业的转型升级有一定的参考价值。

（本文获得《锻造与冲压》2015年有奖征文第一名）