面向智能工厂智能能源管理的可解释生产感知基于规则的决策支持系统

《Applied Sciences》:An Interpretable Production-Aware Rule-Based Decision-Support System for Intelligent Energy Management in Smart Factories

【字体: 大 中 小 】 时间:2026年08月30日 来源:Applied Sciences 2.5

编辑推荐:

  智能工厂需要透明的方法来区分由生产引起的高能源需求与低劣的能源性能。本研究提出一种可解释的基于规则的决策支持框架,基于日总能耗(total energy consumption,记为EN_TOT)与三种匿名产品的产品参照特定能耗(specific energy

  
智能工厂需要透明的方法来区分由生产引起的高能源需求与低劣的能源性能。本研究提出一种可解释的基于规则的决策支持框架,基于日总能耗(total energy consumption,记为EN_TOT)与三种匿名产品的产品参照特定能耗(specific energy consumption,SEC,单位kWh/吨)展开分析。分析采用某单一制造工厂2019至2026年间收集的436条日记录,经数据质量审计后保留401条有效能源记录。八个年度数据集中有七个拒绝正态性假设。因此采用按时间顺序的Q90与Q95分位数阈值作为主方法,并与基于均值—标准差(Mean–SD)及中位数—中位绝对偏差(Median–MAD)的限值进行比较。完整规则矩阵赋予四级推荐等级,独立鲁棒评分识别异常运行日。在907次评估中,规则激活率为16.96%至26.95%,Level 3推荐占1.77%至2.60%,异常率为6.65%至8.48%。置信区间与敏感性分析表明主要结论在不同分析选择下保持稳定。该框架支持监测、巡检、排程与操作员优先审查。
研究背景方面,制造业能源消耗直接影响成本与环境绩效,工业4.0虽提供互联测量与数据平台,但日能耗若无生产上下文难以解释,高产出日常常被误判为低效。现有数字孪生与机器学习方法常需高频传感器、物理模型或故障标签,而多数老旧或保密工业现场仅存日级匿名记录。同时均值—标准差阈值不适用于非对称分布,用全年数据算限会引入未来信息,且若用同一阈值既定义推荐又定义异常将造成循环定义。为此,研究人员以某单体工厂2019–2026年日级档案为对象,提出一种不假设正态性、不泄露未来数据、将运营阈值与异常判定解耦的透明规则框架,论文发表于《Applied Sciences》。
关键技术方法上,研究人员从单体工厂内部信息系统提取日原料投入、三产品吨级产量及六类匿名能耗分量(求和得EN_TOT),经五类数据质量审计(不完整、总量不符、全停机、时序错位、有能无产)后保留401条能源记录与分产品SEC序列;分布诊断采用Jarque–Bera检验;主阈值为仅用当日之前观测的扩展窗口经验分位Q90/Q95,对照Mean–SD与Median–MAD;将EN_TOT状态与分产品SEC状态交叉成3×3矩阵映射为Level 0–3推荐;独立异常层对对数变换后的EN_TOT与SEC计算时序鲁棒z分数(基于历史中位数与MAD),取两者最大值得日间异常分,以固定界值flag;统计上用Wilson区间、McNemar检验、Cohen’s κ、Spearman相关与1000次bootstrap及清洗敏感性分析评估稳定性。
研究结果部分,4.1节数据质量与分布诊断表明436原始日记录清洗后401条有效,八年中七年Jarque–Bera拒正态,2020偏度1.81、2023峰度16.05,证实非正态主导。4.2节三种时序阈值比对显示自适应分位Q90/Q95总体触发率17.95%,与Mean–SD(13.92%)、Median–MAD(16.12%)Wilson区间重叠,McNemar无显著差异(p>0.05),κ为0.632–0.742,但Q95临界触发率自适应分位9.52%远高于另两者,选其为主因解释力与可解释性俱佳。4.3节907次产品-日评估中Level 0占比73.05%–83.04%,总激活率产品间16.96%–26.95%,Level 3仅1.77%–2.60%,证明框架少报critical而多标Level1/2供巡检。4.4节独立异常率6.65%–8.48%,与规则激活重叠仅29.17%–68.18%,证实两图层解耦。4.5节鲁棒界值3.0升至4.5异常率单调降,选3.5为主;SEC阈值对低产敏感(最大变44.41%)故保留正产日,EN_TOT的Q95阈值最大仅变1.61%;Spearman(EN_TOT,产量)为0.129–0.244,印证总能耗不能单代产品能效。
讨论部分指出,非正态与重尾使Mean–SD易受极值拖拽,时序Q分位免未来泄露且贴合车间递进监控;SEC补回产量上下文后,(高EN_TOT,常SEC)判高产、(常EN_TOT,高SEC)判低效得以分离;四级推荐给操作员可追踪路径而非黑箱;异常层不借运营阈值故可捕“历史少见但未必超Q95”之日,须由人判因而非自动认故障;敏感性证明结论不赖清洗苛严度。结论节翻译如下:本研究提出一种考虑生产的智能工厂工业能源管理可解释框架,结合日总能耗与三匿名产品SEC;审计证清洗必要,七/八年拒正态故采时序Q90/Q95为主、Mean–SD与Median–MAD对照,配对检验无显著差而κ强一致;规则矩阵出四级推荐,多留Level0,激活率16.96%–26.95%、Level3为1.77%–2.60%,独立异常率6.65%–8.48%;能耗与产量弱相关证总能耗不能单表产品性能;主线贡献为免正态假设、免未来泄露、免循环异常定义的透明法,可嵌入工厂既有环境将新日记录转为能态、SEC态、推荐级与异常旗,助操作员定监测巡检排程优先序而终责在人;前瞻部署须量化其运行与能效收益,未来应跨厂与细时间粒度验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号