工业互联网中的“根因分析”如何通过“贝叶斯模型”提高准确性？

随着新基建政策的不断开花落地，工业互联网及智能制造技术的升级变革也在不断推陈出新，故障“根因分析”是所有智能制造企业都绕不开的一项解决难题，今天小编来带大家了解一下如何实现在智能制造中实现根因分析来提高设备的综合生产效率！

质量根因分析是确定导致产品出现质量缺陷或偏差的主要因素的过程。所谓“根因”就是要透过中间或间接因素，找出真正导致生产线质量下降或资产的OEE(设备综合效率，Overall EquipmentEffectiveness）下降的根本原因。

传统的解决方法主要是依靠现场专家的知识和经验，然而生产现场如此复杂，人往往无法全面考量生产过程中的每个环节和影响因子。而且，即使找到了问题的根因，由于缺乏有效的数据和平台支撑，也无法准确、完整地定义问题，难以形成有效的纠正措施，避免问题再次发生。

贝叶斯网络（Bayesian Network）是一种典型的概率图模型，通过图中的节点表示影响因子，节点之间的连线表示两者因果关系的发生概率，从而模拟推理过程中因果关系的不确定性处理模型。

贝叶斯网络是质量根因分析最常用的一种算法模型，以前在生产制造过程中难以应用的关键在于生产过程中产品质量的影响因子及发生概率很难人工统计，即使依靠专家经验也无法保证概率的准确性，导致最终计算结果与实际情况发生偏离。

工业互联网平台通过采集生产过程中所有环节的各种数据，为贝叶斯网络提供全面而丰富的质量影响因子。同时，其机器学习能力可基于生产过程中的历史和实时数据实现根因分析过程的自动化，从而减少对专家知识和经验的依赖。

当然，这并不意味着不需要专家了，在模型训练和建立的过程中需要依赖专家来修正和完善影响因子，从而将专家经验和知识固化到分析模型中，以便共享和重用。我们举例说明如何利用贝叶斯网络来分析制造过程中造成质量问题和偏差的根本原因。如图所示，假设生产过程包括从原材料输入，经历6道工序，最后输出成品。

图中六角形节点表示产品质量问题类型，圆形节点表示每道工序中的质量影响因子，通过虚线表示前后因子之间的因果关系。这个网络的建立过程就是机器学习模型的训练过程，需要专家基于经验或者已知的因果关系鉴别各阶段的影响因子。然后基于工业互联网平台收集的历史数据进行模型训练，进一步完善和优化网络模型。

模型训练完成后，就可以部署到工业互联网平台中，基于实时的生产过程数据，通过关联分析发现新的影响因子，持续迭代和优化网络模型，提升根因分析的准确性。同时，还可以为新发现的质量问题添加新的问题节点，通过关联分析找到相应的影响因子。重复前述过程，实现自动化的质量根因分析。