一种基于大数据的轴承设备综合效能影响因素分析方法

本发明涉及轴承生产，具体涉及一种基于大数据的轴承设备综合效能影响因素分析方法。

背景技术：

1、轴承是机械设备中的重要基础零部件，也是当前制约我国装备制造业创新发展和质量提升的核心基础件。21世纪以来，由于客户需求逐步增多，轴承制造企业的产品种类从原有的单一品类、大批量逐步转变为多品种、小批量、个性化，且随着客户个性化的发展，要求精准、个性、定制产品的需求增多，客户需求的变化给企业带来极大的挑战——使用周期缩短、替代产品增多及更换频率加快。企业为不断满足市场需求，并在行业竞争中确立竞争优势，降低生产成本并减少资源浪费的同时，必须考虑到生产效率的提高。

2、轴承生产设备是生产系统的重要组成要素，设备的水平和状态直接影响着轴承产品的生产效率、质量和成本。设备综合效能(overall equipment effectiveness)，即oee，是用来表现实际的生产能力相对于理论产能的比率，是现代设备管理制度中评估企业管理水平的重要指标，可以较全面地反映生产现场设备管理对设备效率的影响。

3、oee是由nakajima最早提出，作为全员生产保全(total productivemaintenance，tpm)的关键度量值被应用。半导体设备和材料国际协会(semi)于2000年对oee的定义和测量进行了书面制定，并于2001公布了相关计算方法semie10-0701。而后，经过小川久雄、konopka等的不断深入研究，oee的概念及计算方法更加科学完善。作为设备工作效率衡量指标，oee近年来在汽车制造行业、半导体行业、轻工业等都有所应用，为企业智能化改造做辅助决策。例如，andersson等以汽车制造企业为研究对象，通过交互式研究，认为系统地推行oee及相关管理改善能够推动整个车间生产改进；杨露霞等以订单驱动型的离散制造企业f流量仪表分公司为研究背景，在现有设备资产且只增添监测设备的情况下，为精确测量设备综合效率达到挖掘影响生产的六大损失，提出基于工业物联网的设备综合效率监测系统；

4、随着oee理论的研究愈发成熟，利用oee原理进行设备效率分析，实现生产管理改善的研究也越来越多。侯志成等针对持续下滑的煤炭行情，通过设备综合利用率指标和价值流分析，找到了影响全矿oee提升的主要因素，进而优化生产组织，建立了“数据指导生产”的精益化生产管理模式。王红英等以oee饲料加工企业生产线为例，对关键生产设备的oee进行了系统分析，诊断了制约生产设备产能的因素。黄鹏鹏等基于oee理论及工业工程方法，分析oee损失及造成各项损失的主要影响因素，针对各影响因素进行了oee提升方案的设计。

5、但现有技术中并未公开针对轴承生产设备oee的研究，而且，在其他领域oee的研究中，数据的采集大部分采用人工统计的方法进行，如秒表计时法，该方法存在很大的主观性和潜在失误率，且需要投入大量的人工成本。除此之外，对于数据的处理也多是应用excel等线下方法，少数建设有数字化工厂系统的企业也仅仅是将线下处理结果上传至系统看板，缺少实时检测分析的算法。

技术实现思路

1、针对上述存在的问题，本发明提出一种基于大数据的轴承设备综合效能影响因素分析方法，其核心思路为：以工业大数据为驱动，以实现oee影响因素智能分析为目标，借助数字化工厂系统，以系统数据库作为数据来源，利用聚类分析及apriori算法进行数据挖掘，构建oee影响因素识别模型，通过识别模型对设备生产过程进行识别，为智能车间优化与实施提供一套可行方案。

2、实现本发明目的的技术解决方案为：

3、一种基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，包括以下步骤：

4、步骤1：获取轴承数字化生产系统的数据库中记录的设备运行数据以及检验数据，按照oee计算公式计算设备oee；

5、步骤2：对设备运行数据以及检验数据进行预处理，得到同设备oee相关度最高的若干个特征；

6、步骤3：利用k-means算法，对步骤1得到的设备oee及步骤2得到的特征分别进行类别划分，将设备oee及各项特征数据分别划分为高、较高、一般、较低、低五大类；

7、步骤4：利用apriori算法挖掘步骤3划分后的每一类特征数据与设备oee之间的关联关系频繁项集，输出轴承设备oee不同类别下的影响因素特征数据频繁项集；

8、步骤5：根据步骤4输出的数据频繁项集，得到该类情况下设备oee的主要影响因素。

9、进一步地，步骤2采用互信息法对设备运行数据以及检验数据进行特征筛选，通过相关系数公式判定两个变量之间的相关性大小，从而从原始多维数据中筛选出主要特征数据，所述相关系数公式为：

10、

11、其中，i(x；y)为x与y的广义相关系数，p(x)、p(y)为变量x、y的边缘分布概率，p(x,y)为其联合分布概率。

12、进一步地，步骤3的具体操作步骤为：

13、步骤31：对于筛选后的主要特征数据，随机选择k个初始化聚类中心；

14、步骤32：计算每个数据对象到k个初始化聚类中心的距离，将数据对象分到距离聚类中心最近的那个数据集中，最终形成k个数据集；

15、步骤33：重新计算每个簇的数据对象的均值，将均值作为新的聚类中心；

16、步骤34：计算每个数据对象到新的k个初始化聚类中心的距离，重新划分；

17、步骤35：重复步骤33-34直至所有的数据对象无法再划分到其他数据集中；

18、步骤36：最终将设备oee和各项特征数据划分为高、较高、一般、较低、低五大类，目标函数为：

19、

20、其中，xi为数据集合中的第i个数据；n为数据集合中数据的个数；k1-k5分别为五个聚类簇的五个聚类中心。

21、进一步地，步骤4的具体操作步骤包括：。

22、步骤41：扫描步骤3分类后的各项特征数据，设置一个最小支持度smin，根据最小支持度产生第一个频繁项集l1。

23、步骤42：根据l1进行剪枝操作，剔除非频繁项集，产生候选项集的集合，并根据smin产生第二个频繁项集l2。

24、步骤43：由l2产生l3，依次逐层搜索，并用lk来探索lk+1，直至lk成为空集时结束，最终得到轴承设备oee高、较高、一般、较低、低时的影响因素特征数据频繁项集。

25、进一步地，所述最小支持度应满足式(3)：

26、

27、其中，an为第n类oee的事务集；为该事务集频繁项集的最小支持度。

28、进一步地，步骤1所述的设备运行数据以及检验数据为轴承生产设备的运行状态参数及其产品的质量参数，具体包括开机时间、停机时间、停机原因、故障时间、故障类型、状态信息、加工数量、加工周期、不合格数量、不合格原因。

29、有益效果：

30、本发明以工业大数据为驱动，借助数字化工厂系统，以系统数据库作为数据来源，利用聚类分析能够进行类别划分，实现设备oee的评价；利用apriori算法能够挖掘各项影响因素与设备oee之间的关联关系频繁项集，从而得出设备oee结果的主要影响因素；最终通过构建出的oee影响因素识别模型，实现数字化工厂环境下设备综合效能影响因素的智能判断。