在智能制造场景中，产线往往同时存在设备状态、传感器数据、工单进度、物料流转和人员操作等多类信息。传统做法是把这些信息分散在 MES、SCADA、PLC、数据库和 Excel 报表里，现场人员很难及时发现异常。

因此，本项目围绕“鬼点子计划”黑客松提出一个轻量级原型：SmartLine Guard。它不追求一开始就替代完整 MES，而是用 Python 快速搭建一个“可运行、可演示、可扩展”的智能制造小系统，覆盖设备监控、异常检测、调度提示和可视化展示。

项目面向的黑客松场景可以理解为：在 24—48 小时内，围绕智能制造真实痛点，快速做出一个能跑通的最小可行产品。

二、问题定义

本项目要解决三个问题：

1. 产线状态不透明
   设备温度、振动、产量、良率等数据分散，难以实时判断是否正常。

2. 异常发现滞后
   很多工厂仍然依赖人工巡检或事后报表，发现异常时已经产生不良品或停机。

3. 调度决策缺少数据支撑
   当某台设备出现异常时，系统往往不能自动给出“降速、切换产线、通知维护”等建议。

所以，SmartLine Guard 的目标不是做一个大而全的平台，而是先验证一条产线能否被 Python 程序持续监控、自动报警，并给出简单调度建议。

三、系统架构设计

系统采用四层结构：

在真实工厂中，数据层可以替换为 OPC UA、Modbus TCP、MQTT 或 MES 接口。黑客松阶段先用模拟数据，可以更快验证核心逻辑。

四、核心代码实现

下面给出一个可运行的简化原型。

importrandomimporttimeimportpandasaspdimportnumpyasnpfromdatetimeimportdatetime# =====================# 1. 模拟产线数据# =====================classProductionLineSimulator:"""模拟一条智能制造产线的数据生成器"""def__init__(self,line_id="LINE-A"):self.line_id=line_id self.records=[]defgenerate_record(self):now=datetime.now().strftime("%Y-%m-%d %H:%M:%S")temperature=round(random.gauss(72,3),2)vibration=round(random.gauss(0.6,0.15),3)output=random.randint(90,120)defect_rate=round(random.uniform(0.5,3.5),2)# 偶尔注入异常数据，用于测试告警ifrandom.random()<0.1:temperature=round(random.uniform(85,95),2)ifrandom.random()<0.1:vibration=round(random.uniform(1.2,1.8),3)record={"timestamp":now,"line_id":self.line_id,"temperature":temperature,"vibration":vibration,"output":output,"defect_rate":defect_rate,}self.records.append(record)returnrecord# =====================# 2. 异常检测模块# =====================classAnomalyDetector:"""基于阈值和滑动窗口的异常检测"""def__init__(self,temp_high=82,vib_high=1.0,defect_high=3.0,window=10):self.temp_high=temp_high self.vib_high=vib_high self.defect_high=defect_high self.window=windowdefdetect(self,df:pd.DataFrame):alerts=[]latest=df.iloc[-1]iflatest["temperature"]>self.temp_high:alerts.append({"type":"HIGH_TEMP","level":"warning","message":f"温度异常:{latest['temperature']}°C",})iflatest["vibration"]>self.vib_high:alerts.append({"type":"HIGH_VIBRATION","level":"critical","message":f"振动异常:{latest['vibration']}",})iflatest["defect_rate"]>self.defect_high:alerts.append({"type":"HIGH_DEFECT","level":"warning","message":f"不良率偏高:{latest['defect_rate']}%",})# 滑动窗口检测连续异常iflen(df)>=self.window:recent_temp=df["temperature"].tail(self.window)if(recent_temp>self.temp_high).sum()>=3:alerts.append({"type":"CONTINUOUS_HIGH_TEMP","level":"critical","message":"近10次采样中温度多次超标",})returnalerts# =====================# 3. 调度建议模块# =====================classSchedulerAdvisor:"""根据异常类型给出简单调度建议"""defadvise(self,alerts):suggestions=[]foralertinalerts:ifalert["type"]=="HIGH_TEMP":suggestions.append("建议降低当前产线速度，并通知维护人员检查散热系统。")elifalert["type"]=="HIGH_VIBRATION":suggestions.append("振动异常可能预示轴承故障，建议暂停该工位并安排点检。")elifalert["type"]=="HIGH_DEFECT":suggestions.append("不良率上升，建议复核来料质量与工艺参数。")elifalert["type"]=="CONTINUOUS_HIGH_TEMP":suggestions.append("温度持续异常，建议切换备用产线并启动预防性维护。")ifnotsuggestions:suggestions.append("当前产线运行正常，继续保持监控。")returnsuggestions# =====================# 4. 主运行流程# =====================defrun_smartline_guard(cycles=20,interval=1):simulator=ProductionLineSimulator("LINE-A")detector=AnomalyDetector()advisor=SchedulerAdvisor()print("="*60)print("SmartLine Guard 启动中...")print("="*60)foriinrange(cycles):record=simulator.generate_record()df=pd.DataFrame(simulator.records)alerts=detector.detect(df)suggestions=advisor.advise(alerts)print(f"\n第{i+1}次采样")print(f"时间:{record['timestamp']}")print(f"温度:{record['temperature']}°C")print(f"振动:{record['vibration']}")print(f"产量:{record['output']}")print(f"不良率:{record['defect_rate']}%")ifalerts:print("\n[告警]")forainalerts:print(f" [{a['level'].upper()}]{a['message']}")print("\n[调度建议]")forsinsuggestions:print(f" -{s}")else:print("\n状态: 正常")time.sleep(interval)if__name__=="__main__":run_smartline_guard()

五、代码解析

1. ProductionLineSimulator
   负责模拟产线数据。真实项目中，这里可以替换为 MQTT 订阅、OPC UA 读取或数据库查询。为了演示异常检测效果，程序会随机注入高温和高振动数据。

2. AnomalyDetector
   使用阈值判断和滑动窗口判断两种方式。阈值判断适合快速发现明显异常，滑动窗口判断可以减少偶发数据造成的误报。

3. SchedulerAdvisor
   把检测结果转化为可执行建议。例如“降低产线速度”“切换备用产线”“安排点检”。这部分后续可以升级为基于规则引擎或机器学习模型。

4. run_smartline_guard
   作为主循环，不断采集数据、检测异常、输出建议。黑客松阶段可以先用控制台输出，后续再接入 Dash 仪表盘或消息通知。

六、项目亮点

1. 贴合智能制造真实场景
   项目不是单纯演示 Python 语法，而是围绕设备监控、质量检测、异常报警和调度建议展开，符合工业 AI 应用方向。

2. 代码结构清晰，适合黑客松快速迭代
   数据生成、检测、调度、展示分层设计，后续可以分别替换为真实数据源、机器学习模型和 Web 界面。

3. 具备可扩展性
   可以扩展为多产线监控、多设备接入、MQTT 实时推送、Dash 可视化、邮件告警，甚至接入 YOLO 视觉检测模块。

4. 演示效果好
   在黑客松现场，可以通过控制台实时输出采样数据、告警信息和调度建议，直观体现“从数据到决策”的闭环。

七、后续优化方向

• 接入真实 PLC、传感器或 MES 数据；
• 使用 Dash 或 Streamlit 搭建可视化仪表盘；
• 引入机器学习模型，实现故障预测；
• 增加用户权限、告警记录和数据导出功能；
• 支持多产线、多设备并行监控；
• 使用 Docker 或 PyInstaller 打包部署，方便现场演示。

八、总结

SmartLine Guard 是一个面向智能制造黑客赛的 Python 原型项目。它以轻量数据模拟为基础，结合异常检测规则和调度建议，展示了一条产线从“数据采集”到“智能告警”再到“辅助决策”的完整流程。对于“鬼点子计划”这类黑客松活动来说，它既有工程实现价值，也具备继续扩展为工业 AI 应用的潜力。