基于WRF 算法的制造装备质量缺陷分析系统开发

蒋凌云，马小燕

（扬州工业职业技术学院，江苏 扬州 225127）

0 引 言

任何设备在设计、制造、安装过程中，无论如何追求完美，仍然无法完全避免质量问题的出现。由于现场事件的复杂程度较高，涉及的工况、流程较多，操作人员很难直接运用个人知识、经验解决问题。因此，如何利用历史经验反馈信息，挖掘制造装备质量缺陷根本原因，并利用智能化系统有效辅助工作人员分析和解决问题[1]是十分重要的。当前，针对出现的质量缺陷问题，是通过见证点人为追溯，实现缺陷的分析和管理。其中，相关部门对于质量缺陷分析以人工经验分析为主，出现某个缺陷问题时，以工程师个人经验和专业知识或者通过查阅电子表格对相关历史数据进行分析，智能化程度较低，未对存储的数据合理利用，已无法满足装备高质保的要求。

至今为止，研究人员提出了大量基于设备质量缺陷分析的方法，王江宇等[2]提出了一种基于主成分分析-决策树（PCA-Decision Tree, PCA-DT）算法的制冷剂充注量故障诊断方法，基于PCA 方法对原始数据进行降维并建立决策树模型对故障进行分类，分类效果整体上优于决策树模型。田园等[3]将电网设备故障案例中的问题、原因和其他信息抽取出来，利用双向长短期记忆网络模型提取电力缺陷文本特征，采用因果关系将语句转换为三分类问题。Park 等[4]提出了一种基于随机森林的方法，对设备的质量状况进行分析。Ahmad 等[5]提出了电缆系统的缺陷诊断方法，并利用随机森林、分类回归树等进行对比分析。文献[6-7]中利用数据挖掘算法对风电机组进行故障诊断，并依据严重性将机组故障程度区分为三个类别，通过算法有效识别机组的实际运行状况。针对缺陷分析系统，我国的发展起步要晚于国外，历经30 多年的发展，从引进技术，到与实际结合改进，再到目前走向自主创新[8]。通过不断探索并吸收国外的先进经验，我国大型核电企业自主开发了核电设备质量监管分析系统，实现核电机组业务数据的共享与反馈，并将信息化数据化管理融入EPCS 全流程，实现功能与数据的流转与集成，但当前企业内上线使用的质量监管系统还未与数据挖掘等智能分析方法较好融合。因此，结合制造设备质量管理流程，引入先进的人工智能技术，快速准确分析质量缺陷的现象与原因，构建质量缺陷分析系统是未来大型制造装备行业发展的目标。

本文在现有分析基础上，采取智能随机森林缺陷分析技术，并设计缺陷分析系统，有效地对设备质量缺陷进行智能化分析，管控设备的质量，减少人工流程，为设备的良好运转提供有力支持。

1 算法的设计与实现

1.1 算法的设计

根据缺陷现象和造成缺陷的原因信息，分析缺陷原因与现象的链路关系，本文提出了基于加权随机森林的核电设备质量缺陷分类模型。树模型中的每个叶节点代表质量缺陷的原因，根节点代表质量缺陷的现象，根节点与各个叶节点之间的链接路径表明缺陷分类路径，并以根节点作为最终的缺陷分类类别。

与普通的随机森林分类方法相比，加权随机森林即生成多棵决策树后依据一定的方法赋予每棵决策树不同的权值，按照不同权值参与投票过程。为了确保权重的客观性，采用分类正确率作为决策树的权重，计算公式为：

式中：Xcorrect(i)为正确分类样本数；X为测试总样本。

因此，得到加权随机森林模型对核电设备缺陷现象类别Y的加权值为：

式中，pY(i)为森林中各个决策树分类准确率。

由上述过程可得加权随机森林实现核电设备质量缺陷分析模型过程如图1 所示。首先，利用训练集对随机森林模型进行训练，得到集成模型中各棵决策树的分类精度，以分类精度作为测试集测试模型中各棵决策树的权值，并完成后续的分类过程。与传统随机森林模型相比，赋予决策树不同权值的加权模型可以解决均分权值导致的分类精度不佳的问题。实现底层更加精确的缺陷分类模型，可以更好地为缺陷分析系统提供算法支撑。

图1 加权随机森林分析过程

1.2 实验分析

在仿真和分析阶段，本文利用Python 对算法进行仿真实验，验证算法的有效性；并采用分类准确度评价指标对随机森林和加权随机森林进行对比分析。

采用随机森林算法和改进投票权重的加权随机森林算法，在核电文本数据集上进行对比实验和性能分析，得到不同算法在相同决策树数量下的分类准确度以及运行时间的对比结果。为了获得较为精确的结果，在不同决策树数量取值下分别运行10 次，取运行结果的平均值，其结果如图2、图3 所示。

图2 算法准确度对比

图3 不同算法运行时间对比

对比图2、图3 中数据可得，在不同树木数量取值下，虽然加权随机森林模型运行时间相对较长，但加权随机森林的分类精度有所提升。

2 系统需求分析

2.1 系统功能需求

系统功能需求总体目标可概述为：系统能够依据规范化模板存储事件文本信息，以及质量缺陷分类的功能，并进行相应功能的展示。根据模型设计流程以及相关系统开发过程，介绍系统的具体功能需求如下。

2.1.1 用户管理权限功能

用户管理权限功能主要包括操作用户和管理员权限。操作用户对账户的操作包括注册和登录，用户注册的字段包括用户名与密码，普通用户在注册成功后可通过设定的用户名与密码进行登录，进入系统主界面后可对系统内历史数据的查询、设备缺陷分析模型的使用分析等功能进行操作。管理员用户除了拥有普通用户的功能外，还可对存储的历史数据进行增删改查，以及对缺陷分析模型进行增删改查。具体用户权限如图4 所示。

图4 用户管理模块功能

2.1.2 质量事件历史数据管理功能

业务数据是存储在数据库中的制造设备质量缺陷事件，目前都以事件记录单的形式存储，在本功能块设定事件单模板，事件单信息包括：缺陷设备名称、涉及阶段、事件描述、采取措施、责任人等。系统支持普通用户对历史信息进行查询搜索，管理员针对新发生的设备质量问题按照模板表单进行上传，实现经验反馈，拥有业务数据管理功能操作权限的用户组可以对业务数据库中的数据进行新增、删除和修改操作。质量事件历史数据管理功能时序图如图5 所示。

图5 质量事件历史数据管理功能时序图

2.1.3 质量缺陷分析功能

质量缺陷分析功能块即通过上传模型，基于历史质量事件数据分析质量缺陷原因，上传质量相关数据，点击模型分析键自动生成模型分析，并将加权随机森林模型生成的树状图与模型分析结果进行可视化展示，主要是通过树状图分析展示。操作系统者可以得到产生某历史缺陷的原因的分析链路，并指导下一步的现场操作。质量缺陷分析功能时序图如图6 所示。

图6 质量缺陷分析功能时序图

2.1.4 个人事务管理功能

通过系统当前登录账号可以对本用户的个人待处理事件信息和消息信息进行管理操作。针对待处理事件用户可选择查看立即处理或稍后处理，消息中心会将系统相关信息向用户发送提醒。

3 系统设计

3.1 总体框架

基于上述对系统的功能需求分析，本文的设备缺陷分析系统采用目前Web 技术中常见的B/S（Browser-Server）架构进行软件平台搭建。B/S 结构将浏览器服务器结构划分为数据层、应用层与表示层。通过在数据层存储数据，在应用层处理数据交互，并在表示层显示用户功能页面，实现系统的Web 端应用，而无需下载软件，用户仅通过浏览器就可访问系统，服务器依据用户的操作请求进行业务处理与分析，并将结果呈现在浏览器展示页面。

系统为确保开发结构逻辑清晰，采用MVVM 框架进行设计，该框架是MVC 框架以及MVP 框架的改进版本[9]，即把B/S 结构的Web 系统应用划分为M（Model，模型层）、V（View，视图层）、VM（ViewModel，控制器）三个部分来实现前后端分离的设计模式[10]。其中模型层负责处理业务数据，视图层负责前端展示视图，控制层负责监听M 或者V 的修改变化，实现视图与模型的双向绑定，将Web 程序直观展示给用户[11]。缺陷分析系统B/S 结构示意图如图7 所示。其中，MVVM 模式最典型的框架为Vue.js，该框架是一套用于构造用户界面的渐进式Java Script 框架[12]，采用自底向上的增量开发[13]。基于上述技术分析，本次设计拟采用Web页面访问系统，通过前端UI 进行交互与数据展示。

图7 缺陷分析系统B/S 结构示意图

在交互层采用Axios 进行前后端的数据与页面交互。在服务端进行数据的处理与业务逻辑的管理，并对不同功能场景调用相关的接口。数据层支持系统对数据的各种操作和处理。其具体结构划分如图7 所示。

3.2 系统功能模块测试

设备质量缺陷分析系统功能模块主要包括：用户管理模块、质量事件历史数据管理功能、质量缺陷分析功能以及个人事务管理功能。各个功能模块之间协同管理完成复杂的设备质量缺陷分析功能，下面介绍各个功能模块的功能测试及操作步骤。

3.2.1 用户登录页面

通过浏览器打开缺陷分析系统，用户需先通过系统的登录界面正确输入用户名和密码方可进入系统，如图8 所示。

图8 用户登录页面

用户成功进入系统中，显示系统欢迎页面与功能模块，如图9 所示。整体UI 布局平台的用户界面可粗略地分为三个部分：第一部分是页面顶部，其中的内容是标题、事件中心等信息；第二部分是页面核心部分，从上至下是系统的各个功能模块；第三部分是页面中部，主要是用户操作按钮，点击进入不同功能页面后会有清空、保存、下一步等按钮。

图9 系统导航页面

用户登录系统时，根据前述的功能需求，设定了操作用户与管理员两种身份，以不同身份进入系统所涵盖的功能略有差异，具体用户管理模块的功能如图10 所示。

图10 用户管理模块的功能界面

3.2.2 质量数据管理页面

质量事件数据管理功能分为两种权限：历史数据查询功能面向所有用户提供对业务数据的查询服务，用户可以对业务数据库中的任意项进行查询和浏览；业务数据管理功能面向管理员，提供对业务数据库的操作服务，可以对业务数据库中的数据进行增删改查。

通过点击添加按钮，管理员对新的质量事件以问题编码、涉及版块、质量描述、质量分析、原因分类、经验教训为内容进行详细填写，并上传到后端平台，以便后续其他操作用户登录系统查看设备缺陷相关数据，其操作页面如图11所示。

图11 质量事件数据管理模块

3.2.3 质量缺陷分析页面

质量缺陷分析功能是本次系统设计的核心功能模块，通过上传模型数据以及已封装好的算法模型，在系统内可以生成最优的缺陷成因传播路径树状图并在缺陷分析界面显示，如图12 所示。

图12 质量缺陷分析加权随机森林模型分析结果

3.2.4 个人事务页面

如图13 所示，在系统个人事务处理中心可对本系统登录者的待办事件进行选择处理，同时对系统内的用户消息事件进行通知。

图13 个人事务中心功能界面

4 结 语

本文首先对WRF 算法与RF 算法进行对比分析，通过综合比较运行时间和运行精度得到WRF 算法更为精准，且更适用于缺陷分析。

为简化核电现场操作人员的分析流程，实现设备智能缺陷分析及结果可视化，采用Vue.js 等技术开发并设计了一套基于算法智能分析的监管系统。本系统利用现有的分析数据，基于人工智能算法融合系统开发技术，设计了系统登录页面、系统主页、数据管理页面、缺陷分析页面以及其他业务性功能页面，并详细展示了系统内各个模块的功能。本文方案设计易于实现、可广泛应用于制造业场景，具有可实施性与应用价值。