基于双关节网络的离散制造系统异常监测方法研究

《Reliability Engineering & System Safety》：Research on Anomaly Monitoring Method for Discrete Manufacturing System Based on Dual Joint Network

异常监测在离散制造系统中的应用研究提出基于双重联合网络（DJN）的方法，整合物理网络拓扑与数据驱动模型，通过代表图（RG）对比检测实时异常。仿真验证表明该方法能有效识别多种系统异常，为复杂制造系统的监测提供新范式。

　　

李毅|张帆|刘敬正|张发平|刘天池|周凡月

华北航空航天工业学院机械与电气工程学院，廊坊，065000，中国

摘要

为了解决由于离散制造系统（DMS）的复杂性和规模不断增加而带来的异常监测挑战，本研究提出了一种基于双联合网络（DJN）的异常监测方法，该方法将复杂网络理论与操作数据相结合。该模型由两部分组成：一部分是通过物理建模建立的真实图，另一部分是通过数据驱动建模构建的虚拟图。在真实图中，通过识别网络拓扑结构相对于代表图（RG）的突然变化来检测异常，代表图描述了系统的正常运行状态。在虚拟图中，采用改进的SpotLight算法来检测相对于RG的异常子图。通过联合分析真实图和虚拟图，该方法能够准确识别系统异常发生的时间点。以典型的航空产品作为案例研究，使用Plant Simulation软件验证了所提出的方法。结果表明，该方法能够有效检测多种类型的系统异常，为DMS中的异常监测研究提供了新的见解和创新解决方案，特别是在将实时网络拓扑变化与数据驱动的异常检测技术相结合方面。

引言

过程监控和故障诊断技术对于确保制造系统的稳定可靠运行至关重要。它们的主要目标是在尽可能早的阶段检测到故障或异常，从而最大限度地保障人员安全、维持生产效率、确保产品质量并减少经济损失[1]。离散制造系统（DMS）具有非连续和灵活的生产过程，其中离散部件通过一系列独立和动态的操作转化为最终产品。尽管这类系统能够适应不同的生产需求，但任何单个步骤中发生的异常都可能在整个流程中传播，从而降低生产力和产品质量。因此，DMS需要更加细粒度、可解释且灵活的监控方法。现有的制造系统异常监测研究主要集中在基于机制的故障诊断、信号处理和智能算法等方法上。然而，随着产品复杂性和系统规模的增加，这些方法面临一些局限性，如难以构建机制模型、可解释性差以及无法捕捉制造单元之间的相互作用。目前，复杂网络主要应用于计算机和通信技术领域。它们为大规模、相互连接的系统提供了强大的建模工具，能够表示结构模式和交互机制。这些特性非常适合离散制造系统（DMS），因为在DMS中，各个单元通过物料流动、信息交换和工作负载转换进行交互。将复杂网络方法应用于DMS异常监测可以同时捕捉全局系统结构和局部偏差，从而提高异常行为的检测能力。受复杂网络模型优势的启发，本文提出了一种用于离散制造系统（DMS）异常监测的新型双联合网络（DJN）方法。与传统方法主要关注系统拓扑或操作数据中的某一方面不同，DJN方法独特地整合了真实图和虚拟图，同时捕捉物理网络结构和数据驱动的系统行为。在该模型中，制造单元表示为节点，它们之间的交互（如物料流动和信息交换）表示为边。通过提取代表正常运行状态的代表图（RG），DJN方法通过识别RG与实时系统行为之间的偏差来检测异常，从而提供更全面和准确的系统故障检测。实验结果验证了DJN方法在检测更广泛异常方面的优越性，为DMS的异常检测带来了显著进步。受传统异常监测方法局限性的启发，本文引入了双联合网络（DJN）方法，这是一种用于离散制造系统（DMS）异常检测的新范式。与传统方法仅关注拓扑结构或操作数据中的某一方面不同，DJN方法将实时系统拓扑和数据驱动的洞察力整合到一个统一的框架中。通过引入真实图和虚拟图，该方法能够捕捉系统的物理交互及其操作动态，克服了现有方法的固有缺点，如可解释性有限和无法完全捕捉复杂系统行为的问题。DJN方法通过代表正常运行状态的代表图（RG）与实时系统变化之间的偏差来识别异常。这种双图集成提供了更全面、更准确的异常检测能力，弥补了现有技术的不足。实验验证表明，与传统方法相比，DJN框架显著提高了异常检测的准确性，为DMS异常监测提供了一种新颖有效的解决方案。本文的其余部分组织如下：第2节回顾了基于复杂网络的现有异常监测方法；第3节介绍了所提出的方法：3.1节介绍了真实图模型的构建、RG的选择以及相关的异常监测策略；3.2节描述了虚拟图的构建和异常监测机制；第4节提供了基于Plant Simulation的仿真实验，以验证和比较所提出的方法与现有方法。

相关研究

相关工作

关于基于复杂网络的异常检测的现有研究涵盖了多种方法论家族。尽管许多早期研究集中在通信和计算机网络上，但复杂网络建模现在已被广泛认可，用于分析不同领域（包括制造系统）的系统结构和演变中的交互[2]。

在这项工作中，我们将现有的异常检测方法分为四个经典的基于图的家族——社区划分型、张量型等

基于DJN的异常监测方法

在DMS中，系统的运行状态通常涉及多个层次和视角，这使得单一网络模型难以全面捕捉所有关键信息。为了更准确地监测系统异常，本研究从不同角度描述了DMS。利用复杂网络的物理建模方法，描述了工作站之间的直接连接，形成了反映系统内部结构关系的真实图网络模型。

方法验证

我们使用Plant Simulation软件对位置轮廓模板的制造过程进行了建模，并通过运行模型获得了系统运行数据。随后，在特定时间向系统中注入了一个异常，以验证所提出的监测方法，然后将其与现有的典型方法进行了比较。构建了位置轮廓模板制造过程的仿真模型。介绍了异常注入和数据收集的过程

结论

本文将复杂网络方法引入DMS的异常监测领域，提出了一种DJN建模方法。通过分析DJN模型与RG在时间域内的差异，确定了系统的异常状态。然后，使用Plant Simulation软件建立了一个示例系统，并利用系统运行生成的数据来验证所提出的方法。还将该方法与两种广泛使用的复杂网络异常检测算法进行了比较

CRediT作者贡献声明

李毅：方法论。张帆：撰写——原始草稿，软件开发。刘敬正：数据整理。张发平：概念构思。刘天池：验证。周凡月：可视化。

利益冲突声明

研究团队在此声明，在撰写和提交本手稿时，不存在可能影响其公平性或客观性的利益冲突。具体来说，我们没有收到任何可能引入研究结果偏差的资助、物质支持或其他关联。

如果在手稿发表后发现任何未公开的利益冲突，我们将承担全部责任，并与期刊合作采取必要的措施