混凝土生产过程数据采集和配料行为分析方法

何晓东 杜红涛 黄鸿达

技术应用

混凝土生产过程数据采集和配料行为分析方法

何晓东1杜红涛1黄鸿达2

（1.珠海市长陆工业自动控制系统股份有限公司，广东 珠海 5190902. 中国电信股份有限公司厦门分公司，福建 厦门 361000）

针对传统的混凝土生产过程监控系统无法进行实时数据采集和监控，且在发生故障时缺乏有效分析方法等问题，利用微信小程序对混凝土生产过程中的仪表和传感数据进行实时采集；对混凝土生产过程中配料超重、配料不足和配料超速3种异常配料行为进行研究，并使用关联规则算法对混凝土配料行为中出现的故障进行分析，为实际生产过程提供指导，提高生产效率。

数据采集；远程监控；小程序；关联分析

0　引言

传统的混凝土生产过程监控方式主要有B/S和C/S结构[1-2]。B/S结构的监测系统具有信息采集灵活和开发简单易维护等特点，但其难以实现对仪器仪表和底层传感数据的实时采集。C/S结构可实现对仪器仪表和底层传感数据的实时采集，但需要部署和安装相关的客户端程序。而微信小程序具有开发简单、开发周期短、兼容性强等特点，能较好地满足混凝土生产过程实时数据采集和监控相关需求。

另外，混凝土生产过程中的各个环节是相互关联的，任何环节出现问题都可能降低混凝土生产的效率和质量。其中，生产配料是非常重要的一环。生产配料的配比、用量的准确度均影响混凝土的质量。单纯根据专家经验进行故障诊断相对困难，且容易出现偏差，可采用机器学习和数据挖掘等方法提高故障诊断的智能化水平[3-4]。

本文通过开发微信小程序对混凝土生产过程中的仪表和传感数据进行实时采集；并使用关联规则算法对混凝土生产过程的异常配料行为进行分析，以提高生产效率。

1　基于微信小程序的远程传感数据采集系统

混凝土生产过程远程数据采集系统整体架构如图1所示。

图1　混凝土生产过程远程数据采集系统架构

混凝土生产过程远程数据采集系统主要由数据采集、中心服务和微信小程序3大模块组成。其中，数据采集模块采用标准数据终端设备（data terminal unit, DTU）[5]；中心服务模块部署了数据库服务器和Web服务器；微信小程序通过微信服务器获得界面代码，从中心服务模块请求数据绑定在界面上，并以此提供数据展示界面，显示仪表数据。微信小程序数据采集系统功能如图2所示。

1） DTU数据获取：中心服务作为DTU采集和微信小程序的后台服务器，负责处理DTU的采集数据并将数据开放给微信小程序客户端。DTU采集模块需设置相应的服务器IP和端口，再将采集的数据发送至中心服务模块。中心服务模块接收DTU采集数据需服务器端使用Socket编程与DTU连接。

图2　微信小程序远程数据采集系统功能

2）通信方案：根据微信小程序所请求的数据实时性要求不同，中心服务模块提供短连接的Http Request请求和长连接的WebSocket请求2种通信方式[6-7]。WebSocket协议可实现微信小程序与服务器的全双工通信[8-9]，即服务端也能主动向客户端发送数据，拓展了微信小程序客户端与服务端的通信功能。根据不同需求，在微信小程序对Http Request请求接口方法和WebSocket请求接口方法进行实现，并采用轻量级的数据交换格式JSON[10]，易于机器解析和生成，有效地提升网络传输效率。

3）数据获取：Http Request请求主要应用于微信小程序客户端无需实时更新数据，而需要主动请求或发送数据到中心服务模块服务器的场景，如，登录验证、历史状态查询等。WebSocket请求主要应用于中心服务模块的服务器主动发送数据到微信小程序客户端，如，仪表实时数据更新使用WebSoket请求，使数据中心能够自主发送仪表实时数据到小程序，小程序客户端可及时主动地更新数据，而不必每次更新数据都建立Http Request连接。因此，小程序与中心服务模块服务器建立连接后会一直保持通信。

4）微信小程序开发：微信小程序主要功能是向数据采集模块请求数据，并为用户提供实时数据查询和分析功能。其开发过程主要包括3个步骤：搭建小程序开发环境、小程序数据获取以及小程序界面设计。小程序核心功能是主界面的在线监测，用户可以在主界面查询设备实时数据和历史状态。小程序运行界面如图3所示，其中18 kg为当前时刻称重仪表的称重数据，其余数据为历史数据。

图3 小程序运行界面

2　基于关联规则的混凝土配料行为分析

混凝土配料行为中出现的故障与生产状态具有关联，因此，本文采用Apriori关联规则算法分析混凝土配料行为中出现的故障：

1）收集混凝土生产数据，并将生产数据整理成原始数据；

2）对原始数据进行数据预处理，形成建模数据；

3）采用Apriori关联规则算法，得到各生产状态与故障原因之间的关联规则；

4）输出关联规则结果。

2.1　数据预处理

从生产记录文件中获取生产数据，并将生产数据整理为标准的数据格式，统一数据的量纲和单位。

2.2　特征构造

本文主要研究配料超重、配料不足、配料超速3种异常配料行为。Apriori关联规则算法具有处理连续性数值变量的缺陷，因此，本文构造能够反应配料超重、配料不足、配料超速3种异常配料行为的离散化特征。

表1 配料超重数据

表2 配料不足数据

2.2.1 正常配料行为

配料初期，配料仓阀门由关闭到完全打开状态需要一定时间，初始配料增量较小；当配料仓阀门全开一段时间后，配料增量趋于稳定；当料称数值接近目标量时，配料仓阀门关闭，配料增量减小，并趋于稳定，停止配料。正常配料料称折线图如图4所示。

图4　正常配料料称折线图

由图4可知：正常配料行为的料称折线先是缓慢增大，然后进入快速增长阶段，最后趋于平稳达到最大值。

2.2.2 配料不足与配料超重

配料超重料称折线图如图5所示。

2.2.3 配料超速行为

配料超速料称折线图如图6所示。由图6可知：配料超速料称折线呈现高速增长的趋势。

采用皮尔逊相关系数描述配料料称折线增长趋势，分析认为配料超速主要有2个特点：

1）配料曲线整体增速大；

2）具有较大的皮尔逊相关系数。

图6　配料超速料称折线图

2.3 模型构建

本文选取配料超重、配料不足、配料超速3种异常配料行为作为挖掘数据，并将筛选后的数据结合故障原因以及故障时刻的配料仓阀门状态建模数据，如表3所示。

表3 故障行为建模数据

1）异常配料行为：配料超重（标识为A）、配料不足（标识为B）、配料超速（标识为C）；

2）配料仓阀门状态：开（标识为D）、关（标识为E）；

3）故障原因：传感器故障（标识为F）、仪表故障（标识为G）、接线异常（标识为H）、配料异常（标识为I）、其他（标识为J）。

模型由输入、算法处理和输出3部分组成。输入部分包括建模数据和建模参数；采用Apriori关联规则算法；输出结果为故障原因与配料状态和配料仓阀门状态之间关联规则。

实现步骤：

1）设置模型的支持度阈值和置信度阈值；

2）输入建模样本数据；

3）采用Apriori关联规则算法进行分析；

4）当得到的所有规则都不满足支持度阈值和置信度阈值时，重新调整模型的支持度阈值和置信度阈值，否则输出关联规则结果。

3　实验验证及模型分析

采用Apriori关联规则算法（如图7所示）得到关联规则106条，如，规则C-E-G（support = 0.063636，confidence = 0.25）表示该规则的支持度为6.4%，置信度为25%（在C、E同时发生的情况下，G发生的概率为25%）。从106条规则中选取16条规则进行研究，如表4所示。

图7　搜索频繁集算法

表4　部分三项关联规则

提升度反应了关联规则中A与B的相关性，本文用作为衡量关联规则是否有效的指标，计算公式为

三项关联规则提升度如图8所示，强关联规则的提升度都大于1，为有效关联规则。

图8　三项关联规则提升度

强关联规则如表5所示。

表5　强关联规则

由表5可知：

1）A、D=>I的支持度达17.3%，置信度最大，达82.6%，说明在配料过多且配料仓阀门状态为开启时，由配料仓状态异常引起故障的可能性为82.6%；

2）B、E=>I的支持度为11.8%，置信度为81.3%，说明在配料不足且配料仓阀门关闭时，由配料仓状态异常引起故障的可能性为81.3%；

3）B、D=>I的支持度为15.5%，置信度为56.7%，说明在配料不足且配料仓阀门开启时，由配料仓状态异常引起故障的可能性为56.7%；

4）C、E=>F的支持度为13.6%，置信度为53.6%，说明在配料超速且配料仓阀门关闭时，仪表故障产生的可能性为53.6%。

综合以上分析，结合其他弱关联规则可得到：仪表、传感器、配料仓等出现异常都可能引起配料行为异常。

4　结语

本文对混凝土生产过程数据采集和异常配料行为进行研究，实现了基于微信小程序的实时仪表和传输数据采集；并重点分析混凝土生产中故障原因置信度较高的几种情况。本文设计的小程序和故障分析方法具有可行性，对于混凝土生产过程中的故障监测具有一定的参考价值。

[1] 刘媛,张伟,王知学.基于B/S和C/S架构的嵌入式远程监控系统[J].仪表技术与传感器,2008(10):39-41.

[2] 牛强,陈金宝,华钢.基于Browser/Server模式的工业实时监测系统[C].第十二届全国煤矿自动化学术年会论文专辑, 2002:55-56.

[3] 刘景雷.水泥混凝土搅拌站故障诊断与分析[J].交通世界（建养.机械）,2010(9):78-79.

[4] 司佳.面向工业大数据的智能故障诊断方法研究[D].济南:山东大学,2018.

[5] 刘教瑜,吴美玲,谭杰.GPRS DTU的设计及研究[J].电力自动化设备,2006(3):89-91.

[6] 李兴华.基于WebSocket的移动即时通信系统[D].重庆:重庆大学,2013.

[7] 谭剑.基于WebService的手机APP消息推送机制研究[J].通讯世界,2019,26(12):140-141.

[8] 包文祥,胡广朋.基于WebSocket的实时通信机制的设计与实现[J].计算机与数字工程,2019,47(7):1836-1840.

[9] 胡洋洋.基于WebSocket的服务器推送技术的研究与实现[D].南京:南京邮电大学,2018.

[10] 高静,段会川.基于移动设备的JSON数据传输效率研究[J].信息技术与信息化,2011(1):13-16.

Data Collection and Batching Behavior Analysis Method of Concrete Production Process

He Xiaodong1Du Hongtao1Huang Hongda2

(1.Zhuhai Longtec Corp., Ltd. Zhuhai 519090, China 2.China Telecommunications Xiamen Branch, Xiamen 361000, China)

In view of the problems that the traditional concrete production process monitoring system cannot meet the real-time data collection and monitoring functions, and lack of effective analysis methods when failures occur, the article proposes a new detection method and analysis method. The WeChat applet is used to collect real-time instrumentation and sensor data in the concrete production process, and we study the three faults of overweight, insufficient and overspeed in the concrete production process and analyze the abnormal batching behavior of concrete production by using the association rule algorithm, which can provide guidance for the actual production process and improve the production efficiency greatly.

data collection; remote monitoring; webchat applet; correlation analysis

何晓东，男，1970年生，本科，高级工程师，主要研究方向：工业自动化和信息化。E-mail: hexiaodong@@longtec.com

杜红涛，男，1977年生，本科，工程师，主要研究方向：工业自动化和信息化。E-mail:duhongtao@longtec.com

黄鸿达，男，1995年生，硕士，助理工程师，主要研究方向：数据挖掘。E-mail:1006645138@qq.com

TP274.2

A

1674-2605(2020)05-0009-06

10.3969/j.issn.1674-2605.2020.05.009