铸造车间信息化管理是推动智能制造发展的重要内容，也是加强企业对生产现场管控的关键［1］。随着我国铸件结构的优化，产品品质稳步提高，智能铸造产业也得到了较快发展。铸造企业发展的目的主要集中在减少成本、提高产品品质、减少能耗等方面［2］，这就需要提高对铸造车间的数据采集和智能管控。当前，依托MES系统、OPC技术等方法实现企业车间数据采集已经得到广泛应用［3］。烟台冰轮智能机械科技公司提出的铸造3D打印全流程智能工厂，通过建设物联网实现设备数据采集、存储、上传至云信息系统，打通人、设备、系统之间的数据通道，实现数字化管理工作。共享铸钢有限公司搭建大型铸钢制造数字化工厂，通过在设备层利用OPC技术和以太网接口联网，为各生产设备平台的数据采集提供技术支持，并通过控制器模块进行实时采集和分析计算。新兴铸管公司搭建球墨铸铁绿色智能制造生产线，针对铸造加工过程的数据采集，依托MES系统，在车间各个配电室设置接入点，生产系统 PLC、工业摄像视频采集等通过接入点接入，并将数据上传至数据中心进行分析处理。安钢集团打造铸管智能车间，采用 PLC 控制技术，PLC 与人工智能温控仪表、人机界面系统、变频器等连接进行实时通讯，完成车间数据采集管理工作。MES系统、OPC等技术方法可以完成数据的采集和管理，但面对车间设备多协议、多接口的复杂现状，数据的采集和转存处理效率较低，具有诸多局限性。KingIOServer作为国内应用较多的数据通讯平台，其支持主流PLC、智能模块、串口、以太网等标准协议和通信方式，能够为车间异构数据的采集和处理提供便利条件［4］。目前，许多铸造企业对车间进行了现代化改造，但当前信息化基础总体仍偏弱，铸造行业设备数控化率和联网率普遍较低［5］，车间数据采集和数据管理的解决方案较少。目前，由于铸造车间多设备协同运作，同时复杂的车间结构、落后的数据采集方式，使得车间数据采集困难，且往往存在滞后性。在数据处理和管理方面，传统车间数据采集主要通过人工记录，将采集的数据再通过手工存储到计算机中［6］。但这种方法操作频繁，无法保证数据的实时有效性。基于此，本研究提出一种针对铸造车间生产和设备资源的数据采集与管理框架，依托KingIOServer服务软件，完成异构数据的采集和转存工作，同时基于PCA（主成分分析法）和LSTM神经网络预测算法，完成车间数据处理和分析预测，为实现车间信息化，推动工业数字化发展提供参考。1车间数据采集分析由于铸造车间设备较多、通信协议复杂，车间数据采集既要实时捕捉生产线数据，也要对车间设备、工程等信息进行采集存储，采集到的数据往往存在缺失、杂乱等问题［7］。铸造车间生产数据可以分为3部分：静态基础数据、中间状态转换数据、动态过程数据。静态基础数据，包括基础设备信息、工程数据、产品数据等变化不大的数据。中间状态数据，如配置数据等，结合静态基础数据和动态过程数据处理后的信息。动态过程数据，如生产状态数据、环境数据等随着工艺进度和时间发生改变的数据。车间生产采集的数据内容及其类型见表1。10.15980/j.tzzz.2024.01.027.T001表1车间生产数据采集表Tab.1Data acquisition for workshop production序号车间生产数据类型数据信息1基础数据设备信息、交互信息2工程数据订单信息、工程信息3配置数据通信协议、参数配置4生产状态数据保压压力、黏度值、焙烧温度5环境数据环境温度、环境湿度、风速6产品数据工件信息、图像信息、产量信息2数据采集与智能管理的网络架构2.1车间数据采集总体架构设计根据铸造车间数据采集的信息化需求，结合工业互联网和通信技术，将车间数据采集与智能管理架构设计分为物理层、转换层、应用层，其总体技术架构见图1。10.15980/j.tzzz.2024.01.027.F001图1车间数据采集总体技术架构Fig.1Overall technical architecture of workshop data acquisition（1）物理层完成车间生产线的数据采集和传输过程，对焙烧炉、射蜡机等加工设备进行部署和数据采集，同时采用温、湿度监测仪、RFID设备、黏度计、风力测试仪等感知硬件装置对车间设备状态、工业参数进行监测，并上传到数据转换层，完成数据的集成和转换。（2）转换层主要实现采集数据的处理、转换、存储等内容。对物理层的设备、参数、人员和工艺等信息进行读取转存，同时处理物理传输介质与数字信号之间的转换，提供流控制和解决传输冲突的方法，包括利用多接口完成多协议异构数据的通信传输、采用亚控软件进行数据的转存等操作。（3）应用层是针对生产过程和实时数据进行科学的分析管理，提供车间数据、综合管理的系统平台和电子看板，对动态数据源实时管理和可视化展示，指导车间的实际生产。2.2车间多源异构数据感知处理策略针对铸造车间生产线需求，确定车间设备及数据感知装置的种类数量，按照数据属性可以将异构数据源分为：车间设备状态数据、车间环境监测数据、工艺及配置数据。对异构数据进行批量化处理，采用的数据感知处理策略见图2。通过工业互联网协议对异构设备和感知装置所得到的数据进行转换，将接入的协议数据进行数据库存储优化，建立统一的语义规范，传到服务器栈［8］。同时，对多源异构数据进行优化，可以从数据采集的效率和品质两个方面展开研究：10.15980/j.tzzz.2024.01.027.F002图2多源异构数据感知处理策略Fig.2Perceptual processing strategy for multi-source heterogeneous data（1）数据采集效率优化方法数据库结构优化、硬件环境优化、通信协议优化等，提高多设备、多协议的数据采集和存储效率。（2）数据采集品质优化方法数据预处理技术、数据标准化判定、接口处理、数据变换等，为车间生产优化和工件品质管控提供支撑。2.3生产车间数据传输路线铸造车间采集的现场数据具有多类型、多重特征等特点，结合数据特点提出车间数据传输路线设计，见图3。根据车间状况实现各类设备和采集装置的布局和数量优化，采用通信接口采集数据，完成数据网络转换，同时将不同协议的设备与不同装备IP地址和数据端口建立连接，得到所需数据［9］。在工业计算机得到采集数据后，采用上位机KingIOServer服务软件协助完成数据采集过程［10］。通过对各个寄存器感知装置的温度、湿度、风速等信息进行采集，根据已采集数据内容，将现场采集的中间状态转换数据、动态过程数据分类统称为工艺数据，将采集的车间静态基础数据归类为车间现场数据。最终，实现了20项工艺数据和8项车间现场数据的采集，最小采集间隔时间可达1 000 ms，单日采集数据可达5×105条，铸造车间各设备采集数据见表2。将底层各协议数据进行汇总，同时将采集数据转存为统一的MySQL格式，构建车间采集数据的数据库表关系图见图4。10.15980/j.tzzz.2024.01.027.F003图3面向生产车间的数据传输路线Fig.3Data transmission route for production workshop10.15980/j.tzzz.2024.01.027.T002表2铸造车间各设备采集数据表（部分）Tab.2Data acquisition of various equipment in the casting workshop设备名称数据1数据2数据3数据4射蜡机电压射蜡温度射蜡时间保压时间黏度计电压黏度采集时间采集间隔风力测试仪电压风速采集时间采集间隔蒸气脱蜡釜电压蒸气压力升压时间温度焙烧炉电压焙烧温度采集时间采集间隔熔炼炉电压精炼温度采集时间采集间隔热处理设备电压电流热处理温度采集时间温湿度仪表电压环境温度环境湿度采集时间10.15980/j.tzzz.2024.01.027.F004图4车间数据库表关系图Fig.4Relationship of workshop database3数据处理与分析3.1数据处理技术采集的车间数据传输到计算机后，由于存在数据缺失、数值异常等问题，需要进行必要清洗［11］。采用机器学习算法对数据进行清洗处理，其处理流程见图5。10.15980/j.tzzz.2024.01.027.F005图5数据处理过程Fig.5Data processing以某公司车间数据采集为例，通过数据采集，得到18 650条车间信息，其中存在数据缺失的信息245条、异常值68条和无效信息50条。针对异常数据采用K-近邻算法（KNN），在样本空间中依据k个近邻样本的类别和数据值来决定异常值的取舍。将处理后的数据采用主成分分析法进行降维操作，对预处理完成后的数据进行存储备份，同时基于LSTM神经网络算法，对车间的生产变化规律进行分析预测，挖掘数据的潜在价值。3.2基于PCA-LSTM的车间生产变化规律预测分析为加快接口和服务端读取、处理数据的效率，采用无监督学习的主成分分析（PCA）法对数据进行降维处理，用较少的数据主成分代替原始数据集，同时尽可能保留原数据属性。建立数学模型，筛选车间生产变化具有相关性的数据指标，将多指标数据转化为几个综合指标（又称为主成分）［12］，研究主成分因子对车间生产的影响。以蜡模车间为例，以某工作日8∶00到18∶00车间采集数据（每分钟采集１次）为研究对象，共得到1 200条数据，原始数据见表3。将采集的数据集建立n×m数据矩阵X。10.15980/j.tzzz.2024.01.027.T003表3原始数据信息表（部分）Tab.3Raw data information时刻射蜡温度/℃射蜡时间/s保压时间/s环境温度/℃环境湿度/%风速/(m·s－1)8∶0055.86520.15113.48∶0157.56521.75814.68∶0258.26523.55017.38∶0355.16523.16014.8︙︙︙︙︙︙︙18∶0055.66521.35115.6基于PCA算法的主要步骤如下：对预处理后的数据矩阵X进行标准化处理，得到矩阵Y。计算系数矩阵R，即：R=r11Kr1pMOMrp1Lrpp （1）计算特征值与特征向量。计算贡献率ωi和累计贡献率ρ：ωi=λi/∑i=1nλi （2）ρ=∑i=1mλi/∑j=1nλj （3）式中，n、m分别为数据矩阵行、列值；λi 和λj均表示方差特征值。一般选取累计贡献率超过90%的主成分作为涵盖车间数据信息的主要指标［13］。该车间采集数据包括x1（射蜡温度）、x2（射蜡时间）、x3（保压时间）、x4（环境温度）、x5（环境湿度）、x6（风速），采用PCA法分析车间采集到的各项数据对车间铸件生产的影响，用更少的主因子表达车间生产变化情况。各个指标的特征值、主要贡献率和累计贡献率见表4。10.15980/j.tzzz.2024.01.027.T004表4主成分分析结果Tab.4Analysis results of principal component主成分特征值贡献率/%累积贡献率/%PC12.418940.31540.315PC21.457824.29664.612PC31.110818.51383.125PC40.56589.42992.554PC50.32305.38497.938PC60.12372.062100由表4可以看出，主成分PC1、PC2、PC3、PC4、PC5和PC6贡献率别为40.315%、24.296%、18.513%、9.429%、5.384%及2.062%，前4个主成分累计贡献率为92.554%，已经涵盖车间主要数据信息。为此，提取主成分个数为4，F1～F4为降维后的4个新变量，通过特征值向量表示为：F1=-0.445 64x1-0.279 25x2-0.370 56x3-0.52245x4-0.076 95x5-0.554 28x6F2=-0.399 69x1+0.012 78x2+0.171 63x3+0.38655x4-0.811 51x5-0.051 52x6F3=0.071 46x1-0.915 51x2+0.229 08x3+0.28863x4+0.138 9x5-0.040 7x6F4=0.480 96x1-0.118 15x2-0.780 56x3+0.25888x4-0.279 85x5-0.010 48x6由主成分因子可以得到在6个影响因素中，射蜡温度、环境温度、环境湿度、射蜡时间对车间铸件生产的影响较大，与实际生产中的结论一致。因此，选取射蜡温度、环境温度、环境湿度、射蜡时间为车间生产变化规律的主要影响因子，并作为预测模型的输入，预测车间铸件生产状况，分析车间生产规律。在PCA方法基础上，基于LSTM循环神经网络算法，对车间生产情况进行预测，以期指导未来生产计划。LSTM循环神经网络算法在RNN网络基础上进行了改进［14］，其网络结构见图6，图中xt为t时刻的输入数据；ht－1为t-1时刻隐藏层输出；ct－1为t-1时刻细胞单元的状态；ct为t时刻细胞单元的状态，ht为t时刻隐藏层的输出。其单元内部有特殊设计的3扇门（输入门、遗忘门、输出门）来控制内部状态。通过这种巧妙的内部联接将雅克比矩阵的相乘转化为相加，从而避免了梯度消失问题［15］。由于LSTM 网络考虑了数据点之间的时间记忆，在处理当前输入数据时还结合了上一时刻的反馈数据，长期预测性能比较好。因此，本研究采用LSTM网络对车间生产变化规律进行趋势预测。10.15980/j.tzzz.2024.01.027.F006图6LSTM网络结构Fig.6LSTM network structure长短期记忆网络每一时间步的状态更新公式如下：当前时刻的单元状态：ct=ftct-1+ittanhWc⋅ht-1,xt+bc （4）当前时刻的单元状态：ht=ottanhct （5）输入门：it=σWi⋅ht-1,xt+bi （6）遗忘门：ft=σWf⋅ht-1,xt+bf （7）输出门：ot=σWo⋅ht-1,xt+bo （8）式中，W为权重矩阵；b为偏置常数；下标c、i、f、o分别表示单元状态、输入门、遗忘门和输出门。将蜡模车间采集的1 200条数据按照8∶2∶2依次划分为训练集、验证集和测试集。基于PCA-LSTM神经网络预测模型，采取射蜡温度、环境温度、环境湿度和射蜡时间作为输入元，迭代次数设置为200次，学习率设置为0.01，对2021年的全年车间产量进行预测，其损失函数变化见图7。经过大量模型训练，损失函数呈下降趋势，且训练迭代次数达到200后趋于平稳，模型参数达到最优。利用训练好的模型完成生产预测，其预测结果见图8。可以看出，蜡模车间生产周期内的工件产量预测情况与实际生产量基本一致，模型效果较好。可以通过该模型方法，有效指导车间未来生产计划。10.15980/j.tzzz.2024.01.027.F007图7损失函数变化情况Fig.7Variation of loss function10.15980/j.tzzz.2024.01.027.F008图8车间产量预测结果Fig.8Forecast results of workshop production采用平均绝对百分比误差Mape和决策系数R2作为评价指标来评估该预测模型的预测效果，Mape越小表明模型预测效果越好，R2拟合值越近于1证明该模型的结果拟合越好［16］，其计算表达式如下：Mape=1ny-y'y （9）R2=1-∑i=0nyi-yi'2∑i=0nyi-y″2=1-∑i=0nyi'-y″2∑i=0nyi-y″2 （10）式中，y为真实数据；y'为预测结果；y″为均值。采用PCA-LSTM预测模型的R2和Mape分别为0.915 2和0.046 2，模型评价指标均优于原LSTM模型的0.865 3和0.066 3，验证了基于PCA-LSTM的预测模型算法具有更好的预测精度，对于研究车间生产变化规律具有良好的实用性。4结论（1）提出了一种针对铸造车间生产过程和设备资源的数据采集与管理框架，基于车间多源异构数据感知处理策略，设计了车间数据传输路线，实现了20项工艺数据和8项车间现场数据的采集，最小采集间隔时间可达1 000 ms，单日采集数据可达5×105条。（2）结合蜡模车间数据特点，为研究蜡模车间工艺参数、环境等因素对生产变化的影响，建立了基于PCA-LSTM神经网络的铸件产量预测模型，得出射蜡温度、环境温度、环境湿度和射蜡时间对蜡模车间生产的影响较大，贡献率分别为40.315%、24.296%、18.513%和9.429%。采用该模型实现了车间生产周期内的铸件产量的有效预测。同时，采用主成分分析法，降低了数据集的维度，提高了数据处理效率。（3）根据试验数据结果，PCA-LSTM预测模型的R2和Mape分别为0.915 2和0.046 2，模型评价指标均优于原LSTM模型的0.865 3和0.066 3，验证了基于PCA-LSTM的预测模型算法具有更好的预测精度。