【技术实现步骤摘要】
工业大数据环境下的产品质量端-边-云协同预报方法
本专利技术涉及工业大数据处理与复杂工业智能建模
，尤其涉及一种工业大数据环境下的产品质量端-边-云协同预报方法。
技术介绍
近些年来，随着人工智能在理论与技术方面发展的越来越成熟，大数据的应用也越来越广泛，并且在医学，电子信息，图像识别等领域取得了相对较成熟的结果。在复杂工业智能建模领域，工业大数据的应用也显得尤为重要，产品的质量是描述工业生产过程是否合格的一项重要指标。尽管目前的智能建模算法能够有效的处理工业大数据中的高维数据，自动挖掘隐含在生产过程数据中的潜在特征，但是，传统的智能建模算法大多主要用于处理静态数据集，而难以应用到实时系统中，所建立的智能预报模型只能反映隐含在历史数据中的规律，无法随生产过程的微小变化而进行修正。在实际的工业现场中，产品的生产数据会随生产的进行而不断的增多，如果能够随着生产过程的进行有效的利用实时产生的样本数据，挖掘生产过程中数据产生的微小变化，就可以不断的改善预报模型，进而提高模型精度。然而传统的智能建模方法在每次训练...
【技术保护点】
1.一种工业大数据环境下的产品质量端-边-云协同预报方法，其特征在于：包括以下步骤：/n步骤1：利用实际工业现场中的传感器，采集该工业现场中产品的实际生产过程数据；/n步骤2：将采集到的所有生产过程数据利用数据清洗算法去除数据中的异常数据样本以及含有缺失值的数据样本，形成初始样本数据集；利用数据补齐算法对初始样本数据集内的数据进行数据预处理，使所有的数据维度相同，并将预处理后的样本数据存放至边缘端数据库中；在云端服务器上建立云端数据库，边缘端数据库中样本个数大于n个时，将边缘端数据库中的样本数据同步到云端数据库中，同时清空边缘端数据库中的数据样本；/n步骤3：判断云端数据库...
【技术特征摘要】
1.一种工业大数据环境下的产品质量端-边-云协同预报方法，其特征在于：包括以下步骤：
步骤1：利用实际工业现场中的传感器，采集该工业现场中产品的实际生产过程数据；
步骤2：将采集到的所有生产过程数据利用数据清洗算法去除数据中的异常数据样本以及含有缺失值的数据样本，形成初始样本数据集；利用数据补齐算法对初始样本数据集内的数据进行数据预处理，使所有的数据维度相同，并将预处理后的样本数据存放至边缘端数据库中；在云端服务器上建立云端数据库，边缘端数据库中样本个数大于n个时，将边缘端数据库中的样本数据同步到云端数据库中，同时清空边缘端数据库中的数据样本；
步骤3：判断云端数据库中数据总数是否大于H个，若否，则执行步骤1，若是，则在云端服务器上，针对产品生产工艺过程以及生产过程数据的特征选择智能建模方法，建立产品质量的预报模型；
根据产品的w种质量指标在云端服务器上分别建立w个预报模型，组成模型库；其中针对第i种质量指标建立预报模型如下所示：
其中，I表示预报模型输入的预处理后的样本数据，表示第i种质量指标的预报值，fi(·)表示所建立的预报模型的结构，θi表示所建立的预报模型的参数集合；
根据工业生产工艺过程、模型输入数据的数据特征以及对预报模型的输入数据与质量指标之间相关性的分析，进而将θi分为三个参数集合，即
步骤4：按照产品的实际生产顺序，从云端数据库中提取最近的K个样本数据组成训练集D，同时记此时云端数据库中的数据样本总数为S个；利用训练集D中的样本数据分别训练模型库中每一种预报模型中的所有参数，将训练后的预报模型库记作其中Fic代表第i种质量指标的预报模型；
将样本的生产过程数据作为输入数据，将样本的第i种质量指标数据作为标签数据，在云端服务器上，训练第i种质量指标的预报模型，得到Fic；即训练步骤3中的参数集中的所有参数；
步骤5：将预报模型库Fc从云端服务器传输到边缘端服务器上，并由边缘端服务器将不同的预报模型分别下放到不同的终端服务器上运行，用户通过终端服务器中的预报模型对产品的不同质量指标分别进行预报；
步骤6：从工业现场的传感器中采集的实际生产过程数据经过数据清洗与数据预处理后得到预报模型的输入数据，将输入数据传输到所有终端服务器上，在每一个终端服务器上利用预报模...
【专利技术属性】
技术研发人员：丁进良，马宇飞，刘长鑫，柴天佑，曾诚，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。