2024“泰迪杯”数据挖掘挑战赛特等奖.docx

生产线的故障自动识别与人员配置的选题研究

摘要

本文针对生产线的故障自动识别与人员配置问题展开分析。基于集成机器学习模型、因子分析、Stacking融合和多目标线性规划模型等方法；借助MATLAB、SPSS等软件客观分析了生产线中各装置故障的数据特征，同时探究了产品质量、合格率、生产线与操作人员等因素之间的关联性；然后计算了每条生产线中各装置每月的故障总次数，故障发生持续时长的最值以及人员配置等问题。并据此为生产线制定最佳的操作人员排班方案，从而为企业的可持续发展提供有力支持。

针对问题1，基于生产线各装置故障信号识别的问题。首先对生产线各装置运行记录数据集进行预处理，然后对装置故障信号的识别建立集成机器学习模型（XGBoost、GBDT和RUSBoost），在多分类模型评估指标中引入了Micro-F1、Macro-F1，之后对训练完成的三个基学习器进行Stacking融合，得到模型对生产线装置故障信号的识别程度见REF_Ref165018366\h表6，其中训练集F1分数均大于0.96，效果呈现显著性；Micro-F1与Macro-F1均超过了0.90，表明此模型对测试集数据识别程度较好。另外，stacking融合模型得分情况如REF_Ref165018722\h表7所示，数据表明stacking融合模型的F1预测值在四个分类器中最高，均达到0.98以上，而且对装置故障识别预测方面具有较高的泛化能力，学习效果更好。

针对问题2，基于生产线装置故障信号报警的应用问题。首先应用问题1所建模型，通过分析附件2中数据给出故障报警的日期、开始时间与持续时长，筛选出影响生产线故障在故障报警模型主要特征因素见REF_Ref165018785\h图6。结果表明加盖定位数的特征贡献率显著突出，超过了9.00%，揭示了加盖定位数在生产线故障自动识别过程中的核心作用。最后借助MATLAB计算每条生产线中各装置每月的故障总次数，以及故障发生持续时长的最值，并在表8~9列举了生产线M101和M102的计算结果。

针对问题3，基于生产线各因素关系探究问题。首先整合附件3数据，采用因子分析法对影响产品合格率的主要因素进行数据降维，因子权重见REF_Ref165019224\h表12。其次，对采样数据采用Spearman相关系数和Kendall相关系数进行相关性分析，结果见REF_Ref165018785\h图6，其结果显示P值均小于0.05，得出加盖定位数、推盖数与产品合格率之间具有显著的正相关性。最后，本文采用Kendall’sW检验对生产线各因素之间进行一致性分析，结果显示Kendall协调系数??值为0.625，数据的相关性程度呈现高度的一致性。

针对问题4，基于生产线人员配置问题。首先参考问题3生产线与操作人员等因素分析结果，并考虑生产线与操作人员的搭配建立多目标线性规划排班模型，通过引入罚函数，扩大最优解搜索范围。然后以安排的操作员工数量最少、每天的实际人效尽量均衡和添加设定的软约束条件个数之和最少作为决策变量构建目标函数，同时以工作调休、持续时长、班次时间等因素为约束条件。最后通过LINGO求解计算，得到最佳人员排班方案见表15-16。

关键词：故障识别；集成机器学习；Stacking融合；因子分析；多目标线性规划

目录

TOC\o1-2\h\z\u1问题重述 1

1.1研究背景 1

1.2文献综述 1

1.3研究选题 1

2研究思路 2

3模型假设 3

4符号说明 3

5数据的预处理 4

5.1样本数据的处理 4

5.2样本数据的结构优化 7

6问题1：基于集成机器学习模型的装置故障识别方法研究 11

6.1模型识别指标体系 11

6.2基于特征融合网络的故障识别模型 12

6.3Stacking融合技术 15

6.4结果分析 16

7问题2：故障报警模型在生产线故障的应用 17

7.1故障报警模型对生产线故障特征筛选 17

7.2生产线装置故障统计 18

8问题3：产品合格率与生产线之间的相关性 18

8.1生产线各因素相关性探究 18

8.2结果分析 22

8.3Kendall’sW检验 23

9问题4：多目标线性规划对生产线操作人员排班的优化 24

9.1生产线人员配置模型的构建 24

9.2生产线排班模型的求解 25

9.3结果分析 26

9.4生产线操作人员排班的灵敏度检验 27

10模型的检验 27

10.1装置故障识别的灵敏度 27