工业大数据在铅粉机的应用（二）

        上一篇介绍了LSTM在铅粉工艺场景的实现过程，此项目最后是“失败”了；现在总结一下失败的原因，为以后的成功铺一层垫脚石

，        一、数据真伪： 在项目前半段期间，我一直认为数据是真实无误的，因为是直接从PLC中取数据，但是我还是天真了。从第一批数据开始建模，持续了三个月，发现模型精度始终不高，一直没有达到我要的效果；我反复检查了模型参数，数据清洗过程，代码bug等等，就是找不到问题。我最后猜测是不是输入数据中少了一些变量，于是又去了工厂，在工厂呆了三天，最后一天我把数据库的值和设备触摸屏上的值做对比，发现【进口风压】这个参数两边不一致，数据库中的值比设备上的要大。观察了好几轮后，我向现场工人问了这个问题，他给出的答复是这样：进口管道有时候会堵，堵了之后使风压降低，工艺文件要求这个值在35-45之间，为了“符合”工艺条件，人为在传感器上调整数值。 整了半天原来是改过的数据进了数据库，深度学习网络对数据很敏感，如果是这种较大的偏差，跑出来的结果肯定不准。我评估了两天之后，决定停掉这个项目。

        二、数据质量:除了上面的这个原因，还有一些问题值得注意。产量数据是没有直接的参数可取，是通过计算两条时间点数据-滚筒质量之差算出的。这个其实很不准：

        1、滚筒质量（KG）；这个参数是设备自带的计量设备称出来的，现场工人说这个误差比较大，有100公斤左右；因为滚筒重量决定了产量值，在模型中作为“y”，这也不准的话，很难建模。

        2、滚筒是边生产边进料；而且进料时刻没有规律，是PLC自动控制。这个问题在做数据清洗的时候给我带来了很大的困扰，如果是边进料边出粉，到底出了多少粉很难计算，为了这个问题写了一大段代码来筛选出没有进料的数据

        3、备件故障； 铅粉机有个环节是过滤粉尘，过滤网用久了会堵，堵了要换，换了之后其实原来的数据就不能用了（相当于是生产环境发生了变化）

        4、生产连续性；由于客户订单不饱满，生产线开开停停，不能连续的采集数据

        三、设备老化：客户的设备用了十几年了，很多传感器其实不准（工人原话），比如温度传感器，刚开始我觉得没啥，认为只要数据量足够大，总能逼近真实值，但是实际情况显然不是这样，随着后期数据量变大，模型还是效果不好

        四、设备参数少：客户的铅粉工艺设备其实非常多，但是控制参数却不到20个，参数过少可能也会影响模型的精度；从工艺来说，环境的温湿度对铅粉生产也有影响，但是设备中并没有此类传感器，因此在本项目中我们团队在现场安装了无线温湿度传感器进行采集

        五、建模调参优化：虽然说数据的问题占大部分，但是建模过程并非完美，LSTM的参数我并未全部理解，超参数调优过程其实可以更科学，下一步需要专门研究调优。

        从三和四来说，并不是所有的制造企业适合做大数据，工业大数据建模对数据要求很高，一般来说设备自动化程度低导致数据量和质量也大概率低。

        这个项目中可以看出，工业大数据想要落地，困难重重，不仅需要有合适的场景、问题，还得有设备条件支持，生产环境支持，数据工程师对数据清洗、模型调优水平的好坏等等；工业大数据对结果要求非常高，比如这个项目，在进口风压参数有问题的情况下，跑出的模型偏离真实值10%就无法应用，从这一点来看，互联网数据挖掘相对简单一些，分析结果只有证明两者有相关性即可。但是如果能够落地，每天提升1%的产量，这个经济价值其实是巨大的（这也是流程行业对工业大数据接受度更高的原因之一）