基于分布式传感器网络因果关系分析的复杂制造系统过程监控与诊断

Process monitoring, diagnosis and control play an important role for product quality and process safety in manufacturing systems. Distributed sensing network (DSN), a system-wide deployment of different sensing devices embedded in manufacturing systems, has resulted in both temporally and spatially dense data-rich environment, which provide unprecedented opportunities for process and quality improvement. However, because of data errors and uncertainties in the existed in DSN, it is difficult to efficiently monitor the process and find the root causes, which greatly deteriorates the quality and productivity, and even causes equipment damages. Aiming at the complex manufacturing processes, we will systematically study the theory of causation-based process monitoring, diagnosis and control, by incorporating the engineering domain knowledge and the natures of DSNs. Our research targets are to establish the mathematical models, design the monitoring and control strategies under uncertainties, and evaluate the performance of our proposed methods by a real-world manufacturing example, and finally establish theoretical basis and provide key technologies.

生产过程的监测与诊断在生产稳定运行与产品质量保障方面发挥着极其重要的作用。通过分布式传感器网络技术，复杂制造系统能够采集制造过程中各个工序的过程数据，从而形成时间和空间维度上的信息富集环境，这为复杂制造系统的生产过程监控与诊断水平的提升提供了前所未有的机遇。然而，由于传感器网络结构的复杂性和各种不确定性因素的影响，现有的监测与诊断系统普遍存在"无法有效溯源和诊断"的问题。这不仅严重影响了产品的质量和生产效益，甚至会造成生产设备的损害。本课题以复杂制造系统的生产过程为研究对象，结合分布式传感器网络的特点和工程背景知识，研究基于因果关系分析的过程监控与诊断方法，并开展复杂制造系统过程监控与诊断的验证研究，解决不确定性条件下的因果关系数学建模、过程监控与诊断性能指标评估、实时过程监控与诊断等关键科学问题，为解决目前复杂制造系统监测与诊断的突出问题提供理论依据与关键技术。

本项目以生产制造过程的监测与诊断作为研究主体，通过对制造过程中各个工序进行剖析和因果逻辑分析，并对采集的多源传感数据开展了系统的建模工作，最终形成了一套在数据富集环境下复杂制造系统的自动监测与诊断技术。研究解决了目前无法直接利用传感数据形成有效诊断和溯源的技术难题，在利用分布式传感网络建模过程中有效融入了制造过程中的背景知识，提升了复杂制造系统工况的实时监测与诊断水平。在工况实时监测方面，研究团队重点攻克了基于多源传感数据的实时变点检测问题，在各种数据不确定性的条件下，形成了基于传感数据融合技术的自适应系统状态的检测方法。研究方法在传统的钢铁加工领域、半导体制造领域和发动机运行工况监测领域都进行了很好的验证。研究成果在工业工程领域和制造工程领域的国际知名期刊发表了多篇高水平论文。