面向智能车间的脑-机交互理论、方法及其在风险预警中的应用研究

The risk monitoring and active control of the production workshop are the main problems faced by manufacturing enterprises, under the smart production environment of Industrial Internet. Under complex operation processes, the operation behaviors of workshop workers have the high uncertainties which bring great risks for the product quality and personnel safety. Therefore, personnel work state management is the core of ‘intelligent workshop’, which need objective, scientific technical means for real-time, on-line monitoring of staff working state. The project puts forward the theories and methods of brain-computer interaction, for the state management of operation workers by providing intuitive and accurate monitoring data. The technology and application innovation of this project is the automatic identification of the potential risk and safety monitoring in the workshop. The main research contents of this project include the establishing of brain-computer interface model by evaluating the mental load; the establishing of relationship model between electroencephalogram(EEG) and operating behavior through algorithm analysis of brain wave spectrum. Then, the quantified risk assessment theory will be set up, which could help to find out the potential risks existing in the operation process and automatically identify individuals and groups in danger. In finally, the wearable EEG monitoring equipment will be developed, which could provide hardware support for risk early-warning in of intelligent workshop.

以工业互联网为特征的智能生产环境下，生产车间的风险监测与主动控制，已成为制造企业所面临的主要问题。车间工人的操作行为在复杂流程作业下具有极高的不确定性，操作行为的不确定性给安全生产带来了极大的风险隐患。因此，以人员工作状态管理为核心的“智能车间”，需要客观、科学的技术手段对人员工作状态进行实时、在线监测。本项目提出的脑-机交互理论和方法为人员工作状态管理提供直观、准确的监测数据，并为智能车间潜在风险的自动识别与安全监测带来技术创新和应用创新。本项目主要研究内容包括：对脑力负荷进行评估，建立脑-机交互模型；通过脑电波谱的算法分析，建立脑电信号与车间人员操作行为的关联；提出可量化的风险评估理论体系，找出生产操作过程中存在的潜在风险，并自动识别出处于危险状态的个人和群体；开发可穿戴脑电监测设备，为智能车间风险预警提供硬件支持。

本项目围绕面向智能车间的脑-机交互理论、方法及其在风险预警中的应用研究，开展了（1）基于主观评测法的数控车床操作人员脑力负荷量表选择研究；（2）基于时频相关性深度学习的制造车间脑电信号信息提取与补充方法。（1）现如今的制造业中，车间工人的绩效问题与多种因素挂钩。车间工人因压力过大、睡眠不足、工作时间过长等因素引起的脑力负荷过重，会引发工人的疲倦状态，使得工作失误增加，影响进程效率。脑力负荷评测方法的研究势必将减少车间工人的安全隐患，降低工伤风险，提升车间工人操作的正确性与准确率。本文通过数控车床编程模拟软件，来模拟数控车床编程员的工作内容，对PAAS量表与WP量表运用于制造业中的数控车床领域的有效性进行研究。得出结论，PAAS量表更适用于数控车床编程员的脑力负荷评测；WP量表的多维度特性可清晰地指出被实验对象脑力负荷的影响因素。（2）脑电信号质量对脑机接口系统极为重要，但是制造车间中的脑电信号采集系统受外界干扰，通常不能完整采集脑电信号。因此，提出了时频相关性分析结合深度学习的TFCMI-CNN-LSTM的混合模型，来预测脑电信号的缺失数据。同时，设计了一个噪声环境下的脑力疲劳实验用于验证模型性能。我们在公开脑电数据集和噪声环境下的脑力疲劳实验数据集上验证了模型性能。首先通过TFCMI计算脑电通道间的时频相关性，再将有数据缺失的通道以及与其相关性高的通道输入CNN-LSTM网络，对缺失的数据进行预测。对数据集的预测结果表明，预测结果与真实值的平均RMSE为3.512，MAE为2.787，Spearman Rank为0.828。我们对比了TFCMI-CNN-LSTM的混合架构模型与没有CNN模块的TFCMI-LSTM的混合架构模型的性能，结果表明，两者预测准确性差距很小，但是TFCMI-CNN-LSTM模型能大幅减少模型训练所用时间，更适合于实时脑电信号采集系统。（3）发表SCI/EI论文10篇，申请发明专利9项，出版专著2部。