面向数控加工工时预测的智能车间制造
大数据分析技术体系研究

（中国工程物理研究院 机械制造工艺研究所，绵阳621900）

摘　要：加工工时的准确度对数控车间的计算机辅助排产、工人绩效考核等具有重要作用。针对目前数控加工工时制定准确性不高、难以有效指导实际生产、主要依赖人的经验且制定效率低的问题，提出了智能制造环境下基于制造大数据的数控加工车间工序工时预测技术体系及实现步骤，并以 Hadoop 平台作为工序工时大数据分析与预测的应用平台，给出了其具体的应用方法，从而为数控加工工时的制定与预测提供了一种新的实现途径和 技术手段。 

关键词：数控加工 工序工时 大数据分析 工时预测 智能车间 

DOI:10.16107/j.cnki.mmte.2020.0333

加工工时的预测对数控车间的生产组织和效率提升具有至关重要的作用。数控车间可以利用加工工时确定和评估零件制造周期、交货期，制定生产计划，核算成本，计算产能与负荷 ^[1]。传统的数控加工工时计算和评估方法如经验估工法 ^[2] 过于依赖个人经验，且对之前从未加工过的零件预测的准确性低、效率低。针对工时定额的制定和预测问题，国内外学者进行了大量的研究工作。例如：刘淑红等^[3]采用数学模型法，以CAPP系统中的工艺数据为依据， 以标准工时定额表中的计算公式为基础建立数学模型，然 后通过模型计算工时定额，实现了工时制定与 CAPP 系统的紧密结合；瞿世鹏等 ^[4] 采用神经网络法，在人工神经网络的基础上，利用神经网络自有的学习能力提出智能计算方法，并运用这种方法计算出船舶分段装配工时；祁国宁 等 ^[5] 采用案件推理法，通过事物特性表的构建、事物特性数值来计算相似系数，以检索相似零件工案例，提出一种基于案例推理和事物特性表的零件工时计算方法，即用相似案例零件的典型工时来推算产品族中新零件的工时；SH  Sharafev 等 ^[6] 采用计算机辅助方法，在分析工时计算特点 的基础上，利用计算机辅助系统开发了工时定额测算模型， 提高了工时制定效率；陈友玲等开展了大规模定制环境下 基于零件复杂度模型 ^[7]、工序难度系数 ^[8] 以及产品结构复 杂度 ^[9] 等不同情况下的工时定额研究。 

上述研究方法在实际工程应用中有其不足之处。例如： 数学模型法对人的经验依赖性大；案例推理法在确定实例 检索规则和相似性系数方面，对人的经验依赖性大；神经 网络法则对样本数据的数量要求较多。随着信息技术与物 联网网技术的发展，制造业也在朝着信息化、智能化方向 发展，物联网技术和传感器技术得到了广泛应用。数控加 工设备、底层传感器、PLC 等每时每刻可以采集大量的数 据，由此形成数控车间制造大数据。制造大数据不仅具有 传统大数据的 4V 特征，即 Volume（数据量大）、Variety（数 据类型多样）、Value（数据价值比较大但是有价值的信息 密度比较低）、Velocity（数据时效性高）特征，还具有数 据间的强关联性，具有对数据采集、存储、处理实时性要求高等特征 ^[10]。制造大数据中蕴含着丰富的语义信息和巨 大的利用价值，利用大数据分析技术对数控车间制造大数据进行分析、处理和挖掘，可以对数控加工工时进行更加 精确的预测和进化。 

本文提出了一种面向工序工时的制造大数据预测框架， 从而提升了加工工时预测的准确度和精准性。基于制造大数据的预测，会更加明确工时的影响因素，提高工时预测的效率以及精准度，从而为智能车间的建设打下坚实的基础。需要说明的是，针对部分加工零件的形状，加工工艺比较复杂，如果直接对这部分零件加工工时进行预测，很难得到一个准确的数值。为了提高预测的精准度，降低工时预测的难度，本文选择零件的工序工时进行预测。因为不论零件加工过程多么复杂，它都是由一道道工序组成， 通过对零件的每一道工序工时进行预测，会在一定程度上 降低数控加工工时预测的难度。 

1　面向加工工时预测的制造大数据分析技术体系 

面向工序工时预测的制造大数据技术体系主要包括制造大数据获取以及存储、制造大数据挖掘分析分析以及分析结果可视化。面向工时预测的制造大数据技术体系如图 1 所示。 

1.1　数控车间制造大数据的采集 

面向工序工时预测的制造大数据主要是指和工序工时 相关的制造大数据，即对工序工时产生影响的制造大数据。 工序工时的影响因素主要包括零件信息、加工信息、表面质量要求以及其他因素，具体影响因素如图 2 所示。

图 1　面向工时预测的数控车间制造大数据分析技术体系

图2　工序工时的影响因素

工序加工开始以及工序结束时间、加工数量、操作 人员、加工设备、加工刀具等信息，可以通过制造执行系 统（Manufacturing Execution System，MES） 获 得； 零 件 信息包括了零件尺寸、零件材料以及零件形状，可以通过 计 算 机 辅 助 设 计（Computer Aided Design，CAD）系统 获得；工种、加工面的结构特征、刀具材料、加工余量、 加工精度以及表面粗糙度，通过计算机辅助工艺设计系统 （Computer Aided Process Programming System，CAPP）获得； 机床主轴转速、进给速度、工人的熟练程度、设备工艺的 装备的先进适用程度以及工件的加工信息，可以从数控加 工车间的底层物联网设备采集获得。其中，数控加工车间 采集到的数据类型如图 3 所示。

图 3　数控加工车间数据类型

上述数据中，CAD、CAPP、MES 系统中的数据都保存在各自应用系统的数据库中。数控加工车间数据中的工人信息、设备信息、物料信息以及工件加工信息等，通过无线数据传感器在车间移动采集，然后通过无线网络发送到车间数据服务器中。数控加工设备运行过程产生的数据、 数控机床开停状态信息、零件加工状态信息以及机床运行 状态信息，通过数控机床的分布式数控系统采集，并通过系统与车间物联网数据库的连接 , 将采集到的信息实时写入物联网数据库。

1.2　数控车间制造大数据预处理 

在获取制造大数据后，需要对数据进行预处理，才能进行后续的挖掘分析。数据预处理包括数据清洗和数据集成。对于面向工序工时的制造大数据来说，保存在CAD、 CAPP、MES 系统数据库中的数据可能存在数据缺失、重 复数据和错误数据。通过数据库相关工具筛选出其中的重 复数据和缺失数据，然后去除重复数据和缺失数据。针对车间服务器中的数据，并不是所有的数据都会对工序工时产生影响。根据工序工时的影响因素，筛选其中对工序工时产生影响的数据，去除缺失值、重复数值以及错误数据。 通过数据清理技术能够对这些问题数据进行处理，提高数 据质量。

数据集成是将来自不同数据库、数据立方体或数据文件的数据相结合，从而一起存储的过程。面向工序工时的制造大数据来自于 CAPP 系统、MES 系统、CAD 系统以及车间数据服务器，可能存在数据结构和数据形式的不一致。 对于工时的影响因素来说，每一个工种和加工面的几何特征的影响因素都不同，加工余量的计算方式也不同。为了提高预测的精度和效率，可以以加工工种和加工面的几何特征为导向，对制造大数据进行集成。针对某一道具体的工序，从 MES 系统得到工序的开始时间、结束时间和加工 数量，得到单个零件的某道工序加工时间；从 CAD 系统得 到零件的尺寸、形状以及材料信息；从 CAPP 系统得到工种、 加工面的几何特征以及其他的工艺参数；从数控车间的数 据服务器得到工人、设备、零件加工信息以及机床的运行数据。将上述影响因素按照零件信息、加工信息以及其他 信息集成为工序信息，如图 4 所示。 

通过数据集成，可以将不同系统数据库中的数据进行 进一步整合和关联，从而提高结果数据的一致性，降低数据冗余度，提高存储效率。

图 4　工序信息的集成

1.3　面向工时预测的制造大数据分析与挖掘 

制造大数据分析是要利用机器学习算法，从训练数据 集里学习未知的模型。这个模型是一个基于数据集（X，Y）求 Y=F(X) 计算式中 F 函数的过程 ^[11]。对于面向工序工时的制造大数据来说，制造大数据的挖掘分析就是利用机器学习算法，学习得到一个已经预处理的训练数据集与数控加工预测工时之间的非线性映射关系，即工序工时的影响因素与工时之间的非线性映射关系。 

由图 2 可知，工序工时的影响因素很多，如果将所有的影响因素作为输入变量，会增加模型训练的难度，降低工时预测的效率。此外，在上述的影响因素中，有一部分因素对工时产生的影响是重复的，存在特征冗余。例如， 切削速度影响工时，而切削速度又受到零件材料、刀具类型的影响，同时零件材料和刀具类型也影响工时。因此，需要提取特征，进行特征降维，提高计算效率。 

对经过预处理、特征提取与降维的制造大数据进行挖掘分析，可以建立工时预测的模型。数据集成时，按照加工工种和加工面的几何特征对工序进行分类集成。通过对每一类工序进行挖掘分析，分别建立起对应的预测模型， 如车外圆工时预测模型和车端面工时预测模型，模型的输入为工序工时的影响因素，模型的输出为预测工时。采用机器学习算法，从工时大数据训练数据集里学习未知的模型，完成工时预测。 

1.4　工时预测的可视化与输出

通过对制造大数据挖掘分析后，建立得到工时预测模型。工时定额员、工艺设计人员、产品设计人员以及其他人员，可以对某零件的某道工序进行预测，具体流程如图 5 所示。 

2　面向加工工时预测的制造大数据分析与应用平台 

Hadoop 是现在较为流行的功能齐全且性能稳定的开源大数据平台框架，为处理海量数据、充分发挥集群的处理 能力以及存储能力提供了方案。它由 3 大核心组件组成， 分别是 HDFS、Hbase 和 MapReduce。 其 中，MapReduce 是其分布式处理架构，HDFS 是分布式文件系统，Hbase 是 非关系型数据库。在其架构下，可以通过廉价的机组成集群， 满足各种应用需求。基于 Hadoop 框架，可以搭建制造大数据的应用平台，其中包括制造大数据的存储、制造大数据 挖掘分析等关键技术。

图 5　工时预测流程图

参考文献 

[1] 刘滨，蒋祖华 . 船舶装配作业工时智能估算技术 [J]. 上海交通 大学学报，2009，（12）：1979-1983. 

[2] 付斌，张金 . 基于知识库的定额测算原理及应用 [J]. 组合机床 与自动化加工技术，2000，（4）：12-13. 

[3] 刘淑红，陈进 . 应用神经网络辅助计算工时定额的方法研究 [J]. 机床与液压，2007，（1）：81-83. 

[4] 瞿世鹏，蒋祖华 . 船舶分段装配工时定额计算方法 [J]. 哈尔滨 工程大学学报，2012，（5）：16-21. 

[5] 杨青海，祁国宁，黄哲人，等 . 基于案例推理和事物特性表的 零件工时估算方法 [J]. 机械工程学报，2007，（5）：103-109. 

[6]Sharafeev I S.Structure of Technological-purpose Automation Models  by the Example of a Computer-aided Design System of Labor  Standards[J].Russian Aeronautics，2008，（1）：105-108. 

[7] 陈友玲，王尧，谢淑红 . 大规模定制环境下基于零件复杂度模型 的工时估算 [J]. 计算机集成制造系统，2015，（2）：477-484. 

[8] 陈友玲，任晓杰，唐娟，等 . 大规模定制环境下基于工序难度系 数的工时估算 [J]. 计算机集成制造系统，2014，（2）：202-207. 

[9] 陈友玲，阮键，王尧 . 大规模定制环境下基于产品结构复杂度的 工时定额制定研究 [J]. 计算机应用研究，2015，（6）：109-112. 

[10] 李敏波，王海鹏，陈松奎，等 . 工业大数据分析技术与轮胎销 售数据预测 [J]. 计算机工程与应用，2017，（11）：100-109. 

[11] 王建民 . 工业大数据技术综述 [J]. 大数据，2017，（6）： 113-114.

Manufacturing Big Data Analysis Architecture  for Working Hours Prediction of NC Machining  Process in Intelligent Shop Floor

WANG Mengzhuo, SHANG Jun, BAI Ao 

(Institute of Mechanical Manufacturing Technology, China  Academy of Engineering Physics, Mianyang 621900)

Abstract: The accuracy of machining hours plays an  important role in the computer-aided production scheduling of  CNC workshop and the performance evaluation of workers. Aiming  at the problems of low accuracy, difficult to effectively guide actual  production, mainly relying on human experience and low efficiency  in the formulation of NC machining hours, this paper puts forward  the technical system and implementation steps of NC machining  workshop working hours prediction based on manufacturing big  data in the intelligent manufacturing environment, and takes  Hadoop platform as the application platform for the analysis and  prediction of working hours big data Its specific application method  provides a new way and technical means for the formulation and  prediction of NC machining hours.

Key words: NC machining, working hours, big data  analysis, working hours prediction, intelligent workshop