多源数据融合与协同管控方法的研究与应用

闫媛媛 张博 冯志祥

（山东山大华天软件有限公司 山东省济南市 250101）

汽车制造行业生产现场生产设备多类型、接口形式多样性，各设备数据之间信息交互难；生产业务涵盖工艺流程、物流流程、质量流程等多形态，各业务间横向数据孤立、关联性差；数据链路从底层制造到上层应用呈多层级管理模式，数据链路断崖式管理，集中管控难。在激烈的竞争环境下，汽车行业面临着打破传统生产管理模式的禁锢，建立敏捷性、高时效性、高效率的管理新生态的迫切需求，本文提出基于数据融合与业务协同管理算法，构建具有推广意义的协同制造管控平台，将是解决业当前生产管理问题的关键。

生产现场具有海量的感知/运行/测量等数据，存在接口及协议不统一、生产设备互联难、数据采集与集成困难等问题，华天软件从异构数据的统一描述出发，构建基于数据融合策略的数据采集平台，完成对汽车制造行业生产数据的多层次、多方面、多级别的融合处理，能够很好地解决大量制造数据同时涌入网络所导致的数据丢失、数据延时以及数据丢包等问题。汽车制造过程业务复杂、工艺过程复杂，为有效解决制造过程业务流程复杂、孤岛式管理的问题，通过数据融合模型中的业务描述映射实际业务表达，与协同制造管控平台互联，可实现制造过程业务流的贯通，打通工艺、生产、物流、质量等环节，实现状态感知、实时分析、自主决策、精准执行的智能管控模式。

1 数据融合模型

面向汽车制造行业信息化管控过程中存在的设备多源化、业务多样性等需求，本文将基于多源感知技术构建海量数据采集、汇聚、分析的数字化服务体系[2]；针对构建精准、实时、高效的数据采集需求，以多源异构数据的融合、利用作为关键技术研究推动数据互联；用来支撑制造资源泛在连接、弹性供给、高效配置的数据采集平台。

数据融合作为构建数据采集平台的关键技术，包括多源数据的同源性、数据ID/轨迹的未来预测以及数据使用情况评估和预测等重点模块，多源感知数据融合技术作为系统概念，是一个多层次、多剖面的多元综合体[4]。通常，在汽车行业应用中，由于使用方对数据融合的输入、等级、通信带宽、计算负荷等要求不同，设计者无法得出与实际生产相匹配的数据聚合模型，造成生产过程中数据聚合难、关联性差。本文针对汽车制造行业中数据的制造属性，提出数据融合模型，重点关注数据状态和属性的融合，通过分析数据融合功能模块之间的关联性，比较不同的融合算法，构建典型的数据融合模型。

1.1 数据融合模型

图1：数据融合功能模块

图2：数据融合算法对油液加注动态曲线的优化

图3：基于数据融合驱动的多源业务协同平台架构图

车间物联网及多源感知技术的应用能够获取目标的高似然率特征矢量信息，从数学描述角度将矢量信息转化为标量信息进行控制，但是汽车制造存在多源业务数据的交叉、匹配问题，任何零件失效带来的错误信息或者是单一传感干扰信息都将导致目标数据的偏离[5]。所以在数据融合模型设计中，需要充分考虑配准、态势/威胁评估、任务管理和现场数据协同管理等这些新的功能需求，建立基于业务数据的模块关联性。如图1所示。

数据融合的系统结构分为中心式、分布式、分级式和混合式等，根据数据传输量、数据融合的算法、级别层次的特点，不同业务场景下可选择不同的结构。本文将根据汽车制造行业的数据特点介绍数据融合功能模块的通用性构建：

图4：协同制造管控平台功能图

（1）确定数据库中的备选实体，备选实体分为稳定目标、运动目标、身份目标，确定备选实体校对到观测时间，进行点迹过滤、合并、去野值的数据预处理，根据数据特征、物理属性以及系统选择进行航迹关联。

（2）根据数据预处理形成局部态势图，通过多节点的局部态势信息共享，全局性判断目标态势，评估目标状态，最终得到态势评估与威胁评估。

（3）数据融合模型计算结果与任务模块相关联，将评估结果反馈至实际进行误差校正，同时结合业务数据进行协同管理。

1.2 数据融合算法分析

基于数据融合模型的功能性构建，根据数据的不同层级、不同来源、不同采集方式将制造数据进行重新组合定义[1]，汽车制造环境涉及多厂区、多车间、多工位，通过部署多传感器将不同坐标轴上的数据进行汇总，在业务流频繁交叉、数据高频次动态交互的场景下，如何准确的匹配数据与动态点迹将是此次项目的难点。图2列举了汽车制造车间油液加注设备参数运用数据融合算法前后的数据动态优化。通过几何分析与数据匹配，以时间轴为基准建立统一坐标、统一投影，本文将采用矢量算法对不同维度的数据融合进行详细解析。

1.2.1 制定数据融合规则

数据源的提取方式关系着融合规则的定义，汽车制造行业多场景部署传感器对数据进行单一采集，数据在相同场景的重复采集、不同时间的范围波动、不同业务的频次交叉都将导致数据融合算法的误差，因此几何数据精准匹配将是融合规则建立的重点[3]。采用矢量法确定制造实体执行的长度、频次交叉点，以此作为几何分布依据，设定阈值标准，当制造实体的数据出现连续变化并趋近于阈值范围时，进行数据筛选、匹配，确定为制造实体的数据统一。

1.2.2 制定统一的数据模型

针对数据的时间多变性、数据随机性，采用不同方式、方法考虑数据要素差异，对同一目标多次数字化所产生的几何差异进行筛选，新数据与原始数据之间根据时间要素、几何属性进行转换兼容，构建基于时间轴的数据算法模型。

1.2.3 几何数据融合方法

经过多源预处理的数据进行最大程度的数据融合，保留最原始数据精度，采用代数法、HIS 变换等数据级融合方法。本文选用小波变换，利用它在时间域和频域的良好局部化表现方法，通过采集空间多源数据，进行时域和频域的离散化表示，找到正交集实现无冗余数据融合。

2 多源业务过程数据协同构建技术

多类订单、多种制造等业务场景以及生产断点、订单变更、物料重复等突发情况，将造成库存浪费与过量生产浪费，增大协同制造精益生产的难度。本文基于数据融合模型构建业务协同平台，从BOM 转换、物流调度、断点切换、供需协同等角度，建立按需供给、按需生产的协同生产模式。多源业务协同构建技术主要从三个层面考虑：

（1）构建柔性可调整的业务过程模型，基于多源业务数据的获取和数据融合技术，建立产品的BOM、工艺、物料等多维度业务关联关系，通过业务场景的匹配优化数据融合模型。

（2）构建基于生产、物流、质量等过程的协同管控方法，建立产品的结构化BOM，将为生产部门解决BOM 的准确性和可用性问题；生产断点模型建立，解决因断点而导致的物料浪费情况；从生产拉动体系，确保库存降到最低限度，以质量追溯贯穿生产全过程，增加多业务模块之间的配合度，本部分是协同制造模式的核心[6]。

（3）构建业务协同管控云平台，通过构建云（企业内外部价值链协同）-企（企业内部业务协同）-端（设备物联、异构系统数据融合）的三层统一架构，支持多云模式（私有云/公有云/混合云）部署策略，提供分布式管理、集群化部署、负载均衡、云服务机制等云架构基础支撑组件，支持大用户量、大并发、组件化。如图3所示。

3 协同制造管控平台的应用

本文基于多源数据统一管控的数据融合模型、汽车制造生产线实时精准控制和协同优化管控关键技术，构建协同制造管控平台。从不同维度智能感知对海量工业数据进行获取与融合[6]，针对生产过程中业务的复杂性和多变性，打通工艺、生产、物流、质量等多业务环节，构建柔性可调整的多业务过程模型及管控方式，基于组件化云平台推动企业上云。协同制造管控平台为汽车制造企业提供工艺优化、智慧物流、供需协同、数字化仓储等管理模块，通过大数据算法辅助管理决策。本平台在广州某汽车制造企业落地实施，运用数据融合、协同制造等先进技术，提升了生产过程管控的智能性和决策的精准性。通过对离散制造业生产共性特征的提取，协同制造管控平台已经应用于汽车零部件行业、白色家电行业、装备制造行业、门业等不同的领域，为离散制造业新旧动能转换提供强有力的技术支撑。如图4所示。

4 结束语

目前，车间信息化技术已经趋向成熟，能够为实现智能制造提供充分的数据基础。本研究于2019年在广州某汽车制造企业智能制造项目中投入应用，实践证明，该研究实现了制造过程中多源异构数据的高效采集、存储和管理，能够帮助制造企业快速构建满足自身需求的制造业大数据集，有效支撑企业加强对数据资源的管理，对制造企业离散型制造模式下的数据整合以及业务智能协同具有较好的理论和实践研究价值。通过构建智能制造协同管控平台，提高制造企业创新能力，实现长期稳定的经济效益，促进制造企业以及我省经济结构的成功转型。