基于大数据的船体结构制造品质分析

姜丽雁，张 东，唐 凯，李晶欣，胡琮玮

（大连船舶重工集团有限公司，辽宁大连 116000）

0 引 言

近年来，我国的船舶工业得到了迅猛发展，行业面貌发生了根本性变化，已能建造质量优良的满足各船级社规范要求的船舶，年造船总量居世界第一。虽然我国已成为船舶制造大国，但仍不是船舶制造强国。打造中国制造新优势，实现由制造大国向制造强国转变，对于我国新时期的经济发展而言尤为重要和迫切。近年来，我国船舶产品的制造水平和质量有了显著提升，但整体上看，与其他造船强国相比仍有差距，其中之一就是制造过程中信息化的应用存在差距，尤其是先行阶段的车间制造方面，差距更为明显，目前国内大多数船厂的质量信息仍以人工记录和整理为主，综合分析统计工作比较粗放，准确率低，管理人员在遇到质量问题时，基本上依靠经验进行总结，而不是通过数据统计进行总结，做出的决策难免出现偏差。

焊接质量管理是船舶企业信息化、数字化与焊接业务水平相结合的体现，特别是质量数据可追溯。在焊接领域，无论是焊接过程还是质量检验，都需要数据的支持，焊接作为重要的工艺流程，其质量是影响产品质量的关键因素，利用软件系统对焊接质量进行溯源有助于精确和高效地定位影响因素的源头。本文主要以船体结构制造焊接品质分析为研究对象，重点研究基于大数据的船体结构制造品质。相比传统模式，本文的研究能有效降低品质报验差错率。

随着国家新基建的提出，企业信息化技术不断发展、深化。特别是近年来随着大数据、人工智能等新一代信息技术的不断发展，企业管理进一步走向了信息化、智能化。大数据技术是新一代信息技术的基础和核心，大数据是各种类型小数据的集合，通过对各种类型小数据进行整合、集成处理，从中挖掘出潜在的价值。目前，大数据技术已进入应用发展阶段。在大数据时代，数据已不是企业生产中无价值的“副产物”，而是一种可再生、价值巨大的生产信息资源。尤其是船舶行业，其海量的数据中蕴含有大量信息，通过对数据进行挖掘和分析，不仅能准确描述和解释现有的现象，而且能预测未来。大数据已深入到实际生产运营中的各个环节，赋予企业更多可能性。大数据技术是实现船舶现代化生产，指导船舶行业向智能化转变的核心技术之一。

1 相关工作

近年来，随着我国制造企业逐步向数字化、智能化方向转型，企业的内外部环境发生了很大变化，尤其船舶行业，面临着各种挑战。从外部环境看，市场对产品研发生产过程的质量监管越来越严格，对产品的检验指标提出了更严苛的要求。在市场全球化、技术与产业不断升级的背景下，国内外船舶企业之间围绕产品技术指标、质量、成本和交期的竞争越来越激烈。在内部经营管理方面，随着新生劳动力减少、人力成本上升、管理形式互联网化，以及智能终端和数字化设备逐渐普及，传统的企业管理模式和方法迎来了全新的挑战，需采取新的管理模式、方法和手段应对，以实现企业内部的高效协同和人性化管理。

在船体结构制造中，焊接质量检验主要包括外观检验和探伤检验。根据质量检验标准，焊接质量优劣的判断依据是：根据既定的验收标准和船体结构焊接工艺规程，对不合格的产品进行质量追溯和修复。随着焊接技术的发展和信息化管理水平的提升，焊接质量的追溯管理备受关注。焊接质量是结构制造中“人、机、料、法、环”等要素共同作用的结果，是分段产品的固有特性。当有不合格产品出现时，要求可追溯导致问题出现的钢材、焊材材质和加工人员等各方面的因素。因此，若要实现分段质量可追溯，必须精确地完成对上述各项数据的追踪和溯源。应用大数据技术，可帮助企业进行质量追溯，发现产品制造过程中的关联环节和潜在问题，精确定位问题的源头，改善生产制造流程，降低品质报验差错率，最终提高生产效益。

2 船舶行业大数据

在船舶行业，数据产生的数量、速度、种类和准确性等带来的问题无处不在，企业若要更好地利用这些数据，对其进行准确描述和全局共享是关键。

2.1 大数据定义

大数据的大小是一个相对概念，没有严格标准，与使用目标有关。应用大数据的目的是发现新的关联规则，而不是追求数据量。大数据增长的动力源于实际应用。

船舶行业的大数据是指从生产现场到企业顶层运营所有生成、交换和集成的数据，包含所有与制造有关的业务数据和衍生的附加数据，且随着制造过程的高速推进，大数据能体现出极强的实时性；同时，大数据是具有海量、高增长率和多样化特征的信息资产，广泛存在于企业各类应用系统中。相对于其他行业的大数据，船舶行业的大数据存在具体物理含义，优化决策结果能在企业中得到实施验证，是企业信息系统与物理系统彼此交互的桥梁。

2.2 大数据来源

根据船舶企业的体系结构，其大数据来源主要包括产品大数据、管理大数据、产业链大数据和外部大数据，其中：产品大数据指设计、工艺、生产、制造、检验和维修等数据；管理大数据指组织结构和管理制度，包括人力、财务、生产、质量和物资等数据；产业链大数据指船东、供应商、合同、汇款和满意度等数据；外部大数据指市场信息、政策信息和竞争对手信息等数据。

3 大数据在品质分析中的应用

大数据技术是智能制造核心支撑技术之一。大数据既是企业智能化的必然结果，又是企业智能化的必要条件和基础。大数据技术的优势之一是预见性，利用大数据技术可提前查出制造过程中存在的零件问题和生产上下道工序之间可能产生的因果关系等。

3.1 品质报验差错率

本文对品质报验差错率的定义是以同车间和同类型分段载体为验证对象，对报验各环节出现的错误信息进行量化统计分析，计算报验差错率，计算公式为

式（1）中：Δ为品质报验差错率；T为船体分段车间分段报验从申请、审核、检验、结果查询到返修的流程中出现的错误信息数量之和；T′为船体分段车间分段报验从申请、审核、检验、结果查询到返修的流程中信息数量之和；为统计范围内的分段样本数量。

3.2 品质分析

在质量管理中，品质分析是非常重要的部分。加强对不合格产品的管理，不仅能更有效地保证产品的质量，而且能帮助企业降低生产成本，提高经济效益。

由于质量特性波动是客观存在的，现实生产中每道工序的产品都为合格品是很难实现的。船舶生产制造是一个非常复杂的过程，人、机、料、法、环等要素中的任意一个出现异常都有可能导致最终的产品存在质量问题。同时，由于生产过程数据和质量检验数据具有多样性，很多不合格品影响因素存在一定的关联属性。

3.2.1 大数据分析技术

基于系统的功能结构和实现流程，本文中的大数据平台选用Hadoop平台。Hadoop是分布式系统的基础架构。借助Hadoop架构的大数据分析平台，采集不同结构数据并接入，研究大数据相关算法，发掘数据间的关联关系，探查数据内容、结构和异常情况，设计并实施数据质量业务规则，将数据质量规则构建到数据集成过程中，按设定的算法重新组织，检查异常情况并完善规则。本文建立的大数据系统总体架构见图1。

图1 大数据系统总体架构图

根据当前船舶企业质量管理流程，品质分析中大数据技术的应用场景是以建造计划为核心的船舶分段制造过程分析和优化。本文主要以船体结构制造中的焊接品质分析为例进行分析。

在进行质量检验过程中会出现分段验收不合格的情况，为保证船体分段的质量满足要求，实行分段质量控制和管理尤为关键。船舶行业属于离散制造业，在生产过程中会产生海量数据。船体分段作为由多个船体零件和部件组成的局部结构，其质量问题涉及制造过程中多个环节的人、机、料、法、环等5 个影响产品质量的主要因素，质量问题成因难以定位。因此，利用分段制造过程中的大数据分析制造过程中的质量数据关联规则，当有不合格产品出现时，利用推理机制溯源到导致产品不合格的环节，并给出改进建议，这对于改进不合格产品而言具有重要意义。

针对质量检验环节产生的不合格产品数据搭建不合格产品质量分析模型，对影响产品质量的因素进行溯源，给出不合格程度和返修建议。

3.2.2 质量溯源模型

本文搭建的质量溯源模型通过输入不合格产品的生产批次，由后台程序自动抽取出与该不合格产品相关的影响因素数据，输入后台算法中，最终得到质量问题溯源结果并显示在看板上。溯源结果包括各质量成因的影响程度排序图表和各影响因素的偏差，从而为现场质量问题排查提供参考。本文的质量溯源流程见图2。

图2 质量溯源流程

3.2.3 模型算法及其应用

由于船体结构制造的主要特点是大型单件小批量生产，各项目之间的差异性大、个体化强，传统追溯方法很难满足该类型产品的质量追溯要求。因此，本文选用贝叶斯网络模型对焊接质量进行追溯，模型建立过程包括数据选择、数据处理、模型建立和结果输出。

贝叶斯网络参数主要是节点概率的获取过程，采用报验单质量评价意见或通过对历史数据进行分析给出先验数据，并对各影响因素进行简化。在实际建模过程中，由于已知缺陷焊缝的缺陷类型，可将缺陷类型作为中间层，建立完整的贝叶斯网络模型。即不同的影响因素对不同缺陷的影响程度不同，从而能提高溯源的准确性。贝叶斯网络模型示意图见图3。

图3 贝叶斯图形网络模型示意图

在贝叶斯网络中，网络的拓扑结构表达的是定性信息，节点的条件概率表达的是定量信息。在图3 所示的贝叶斯网络中，共有9 个随机变量，假设这些变量都具有2 种状态（正常/异常）。通过将所有随机变量的条件概率相乘，即可得到贝叶斯网络的联合概率分布，从而降低贝叶斯网络的推理复杂度。

在实际建模过程中，需给定所用网络模型的先验概率和影响因素与缺陷种类之间的条件概率。为提高结果的准确度，对于不同的材料和焊工等参数，应赋予不同的先验概率。因此，本文采用合格率作为先验概率的统一值，通过调用数据库中的焊缝检验数据确定不同参数下的焊缝合格率，将这些合格率作为模型的输入量。输入量为缺陷状态、当日温度和与焊缝有关的管理信息，通过调用建立的贝叶斯网络，即可得到各变量产生缺陷的概率。通过对这些变量进行排序，即可得到影响焊缝质量的主要因素。

为进一步优化溯源结果，选择在原有网络的基础上进行结构优化，采用K2 算法，应用贝叶斯评分和爬山法搜索的方法优化网络模型。该算法采用贪婪搜索处理模型选择问题：先定义一种用来评价网络结构优劣的评分函数，再从一个网络开始，根据事先确定的最大父节点数目和节点次序，选择分值最高的节点作为该节点的父节点。

图4为基于贝叶斯网络的质量溯源页面，该页面主要能实现对焊缝缺陷主要影响因素的追踪。当焊缝出现缺陷时，在质量溯源页面输入焊缝编号便可查询工艺信息，主要包括焊工、材料、环境、检测方法和加工方法等。应用前文提到的贝叶斯模型，即可判断导致焊缝出现缺陷的主要原因。利用饼状图可更加直观地表示导致焊缝出现缺陷的原因，除了最可能的影响因素以外，还能提供其他影响因素，便于对缺陷情况进行更加全面的分析。

图4 基于贝叶斯网络的质量溯源页面

在试验阶段，基于本文搭建的模型，采用厂内实际生产数据，输入不合格产品部件号和焊缝编号，4.9 s之后输出溯源结果，试验验证当前模型的精度和速度均满足基本应用要求。同时，通过对焊缝质量影响因素进行分析和记录，可避免以后的生产中出现同类问题。

4 结 语

企业要解决产品质量不合格的问题，降低品质报验差错率，合理处置不合格产品，防止不合格产品再次出现，需找出导致产品不合格的根本原因。品质分析是质量管理的关键，质量是企业生产和发展的基点和生命线。在船舶企业中，品质分析是产品质量过程控制的重要环节，不仅对不合格品处置意见的提出有很大帮助，而且对以后的预防工作有一定的作用。本文主要借助大数据技术对船体结构制造中的品质进行分析。通过实际车间应用验证，本文研究的质量溯源模型的均方误差为0.005 7，均方根误差为0.076，精度和速度均满足实际应用要求。

目前船舶行业面临转型问题，不仅有迫切的实际应用需求，而且有明确的技术需求和管理需求，大数据技术将在船舶行业转型中起到重要作用，如何更深入地扩大应用该技术是目前面临的最关键问题。未来，随着异常诊断模型逐渐成熟，设备的预防维修将是研究的重点。

大数据驱动和决策下的造船模式是可持续发展模式。应用大数据技术，能使企业在低成本运营的同时，有效实现按需生产、绿色生产，提高经济效益。