一种产品质量生产在线监控方法技术

本发明专利技术公开了一种产品质量生产在线监控方法，获取各工序的质量六要素数据集，采集正在生产中的信息，此数据集以工单维度区分；将数据集按时间序列和生产特点抽取样本并计算置信区间，使用置信区间设置成控制图的控制线，以及将工艺中的合格线设置成控制图的报警线，工艺中的合格线指各工序的制造工艺参数、环境参数合格线的上限值和下限值；将数据集按时间序列选取模型数据集，采用XGBoost构建预测模型，并对模型进行ROC评估；若触发预警，利用RRCF算法对异常变量检测，根据设定的异常阈值进行异常提取。本发明专利技术提供了一种产品质量生产在线监控方法，将机器学习与统计过程控制相结合，分级预警的同时对异常点进行检测提取，有效辅助生产管理。有效辅助生产管理。有效辅助生产管理。

【技术实现步骤摘要】
一种产品质量生产在线监控方法


[0001]本专利技术涉及生产监控
，尤其涉及一种产品质量生产在线监控方法。

技术介绍

[0002]在产品的生产制造过程中，针对产品质量的把控尤为重要，通过产品质量管控降低不良率，也能够有效减低生产成本，同时也是对消费者的负责，因此，遵守不合格品的不制造不流出原则。常用针对产品质量监控的做法有两种：1.通过首检、巡检/抽检等方式收集生产过程数据并控制过程质量，工作量大的同时实时性较差；2.采用信息化手段，通过安灯系统和看板系统，根据数据采集或人工触发异常并进行管理，相较做法1可提升管理效率，但仍然是事后型管理。随着智能制造和数字化发展，自动化数据采集方式大量增加，具备大量数据条件下机器学习算法模型开始发挥实际预测作用，具备一定的辅助管理作用，而预测结果的同时，异常点的发现并及时精准干预更具有实际意义。
[0003]真实生产环境下，常规机器学习算法易表现出预测准确性不高、或过拟合问题，而提升预测效果一般做法是把模型变得更复杂，占用系统资源的同时预测速率降低。传统质量控制方法经过多年实践证明了其有效性，如统计过程控制方法，但是如何融合机器学习和数理统计方法，减少复杂模型构建必要性且提升实用性值得研究。

技术实现思路

[0004]本专利技术的目的在于提供一种产品质量生产在线监控方法，将机器学习与统计过程控制相结合，分级预警的同时对异常点进行检测提取，有效辅助生产管理。
[0005]本专利技术公开的一种产品质量生产在线监控方法所采用的技术方案是:
[0006]一种产品质量生产在线监控方法，包括以下步骤：
[0007]获取各工序的质量六要素数据集，采集正在生产中的信息，此数据集以工单维度区分；
[0008]将数据集按时间序列和生产特点抽取样本并计算置信区间，使用置信区间设置成控制图的控制线，以及将工艺中的合格线设置成控制图的报警线，工艺中的合格线指各工序的制造工艺参数、环境参数合格线的上限值和下限值；
[0009]将数据集按时间序列选取模型数据集，采用XGBoost构建预测模型，并对模型进行ROC评估，若评分小于预期，重新选取模型数据集并训练预测模型；若评分大于等于预期，则模型通过，可将正在生产中的信息输入预测模型预测结果；
[0010]再将预测结果输入控制图，判断是否触发预警，若没有触发预警，输出产品合格且无生产异常结果；若触发预警，利用RRCF算法对异常变量检测，根据设定的异常阈值进行异常提取
[0011]作为优选方案，所述质量六要素包括人、机、料、法、环、测，此数据集以工单维度区分，所述质量六要素数据集为通过扫码、以太网、蓝牙等方式对每道工序的人、机、料、法、环、测数据进行自动化采集，并使用Java和消息队列将各参数以产品二维码为唯一标识拼
接为符合追溯要求的数据集。
[0012]作为优选方案，所述数据集按时间序列和生产特点抽取样本并计算置信区间，置信区间设置成控制图的控制线，以及将工艺中的合格线设置成控制图的报警线，包括：
[0013]控制图满足有效性前提条件：过程稳定、数据正态性、数据独立性、样本容量足够大；
[0014]按时间序列和生产特点抽取样本：按最近的历史工单及产品生产时间序列，结合换班时间、投料频率等变化因素设置取样频率；
[0015]控制线和报警线分别对应控制图中的两级预警触发线，每个预测模型更新周期同时执行控制图的更新。
[0016]作为优选方案，将数据集按时间序列选取模型数据集，采用XGBoost构建预测模型，并对模型进行ROC评估，若评分小于预期，重新选取模型数据集并训练预测模型；若评分大于等于预期，则模型通过，可将正在生产中的信息输入预测模型预测结果，包括：
[0017]将数据集中最近的历史工单数据作为模型数据集，模型数据集大小选取原则兼顾模型效果和系统计算效率，其中数字特征采用众数和上一个值方式填充缺失值，而类别特征中的NaN值使用Unknown填充，并进行one
‑
hot编码；
[0018]根据各特征与结果的相关系数，结合系统运行速度选取重要特征；
[0019]对模型数据集再按照比例进行训练集及测试集拆分，利用网格搜索和交叉验证寻找XGBoost模型超参数；
[0020]ROC曲线以假正率为横轴、真正率为纵轴，曲线下的面积AUC即为ROC得分；
[0021]当生产现场发生变化时或到达定期更新时间点时更新预测模型，所述变化指设备停机、维修、保养，车间放假等。
[0022]作为优选方案，将预测结果输入控制图，判断是否触发预警；若没有触发预警，输出产品合格且无生产异常结果；若触发预警，利用RRCF算法对异常变量检测，根据设定的异常阈值进行异常提取，包括：
[0023]所述控制图触发预警条件包含Ⅱ级和Ⅰ级两种，Ⅱ级指连续7点位于均值一侧、连续7点呈单调上升或下降的趋势、结果出现在控制线外但在报警线内情况；Ⅰ级指结果出现在控制线外且是报警线外的预测结果；
[0024]当实时采集参数超过工艺要求时,直接触发异常Ⅰ级报警；
[0025]利用RRCF算法对异常变量检测，根据设定的异常阈值进行异常提取，若提取不到异常点，则认为误报；若提取到异常点，则系统对Ⅱ级和Ⅰ级采用不同标识及声光显示，异常数据显示包含时间、线体名称、工序名称、制造工艺和环境参数名称；
[0026]异常触发和解除结合现场安灯系统，异常数据显示打通现场看板系统，形成预防式的异常触发到关闭的闭环管理。
[0027]本专利技术公开的一种产品质量生产在线监控方法的有益效果是：对数据集中存在缺失值的情况，XGBoost算法可进行较好地处理,尤其在融合机器学习与统计过程控制方法，实现分级预警，提升预防作用；预警发生时对制造工艺和环境参数进行异常检测，进一步确认预测结果准确性，确有异常时可精准定位问题点，指导现场管理人员快速解决异常，提升实用性；采用上述组合使用，可保障实用性的同时避免单一机器学习预测模型构建的复杂性，减少系统服务器运行开销，采用结合主流信息化方式，与安灯和看板系统数据打通，从
传统的事后式变成预防式异常闭环管理，有效辅助生产管理。
附图说明
[0028]图1是本专利技术一种产品质量生产在线监控方法的流程框图。
[0029]图2是本专利技术一种产品质量生产在线监控方法的系统构成示意图。
[0030]图3是本专利技术一种产品质量生产在线监控方法的数据采集及处理程序示意图。
[0031]图4是本专利技术一种产品质量生产在线监控方法的实施例中质量六要素数据集的示意图。
[0032]图5是本专利技术一种产品质量生产在线监控方法的RRCF异常点检测测试样图。
具体实施方式
[0033]下面结合具体实施例和说明书附图对本专利技术做进一步阐述和说明:
[0034]请参考图1和图2，本专利技术提供的一种在线质量预测与预警、异常检测系统，包括从数据采集、追溯数据拼接、控制图和预测模型构建、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品质量生产在线监控方法，其特征在于，包括以下步骤：获取各工序的质量六要素数据集，采集正在生产中的信息，此数据集以工单维度区分；将数据集按时间序列和生产特点抽取样本并计算置信区间，使用置信区间设置成控制图的控制线，以及将工艺中的合格线设置成控制图的报警线，工艺中的合格线指各工序的制造工艺参数、环境参数合格线的上限值和下限值；将数据集按时间序列选取模型数据集，采用XGBoost构建预测模型，并对模型进行ROC评估，若评分小于预期，重新选取模型数据集并训练预测模型；若评分大于等于预期，则模型通过，可将正在生产中的信息输入预测模型预测结果；再将预测结果输入控制图，判断是否触发预警，若没有触发预警，输出产品合格且无生产异常结果；若触发预警，利用RRCF算法对异常变量检测，根据设定的异常阈值进行异常提取。2.如权利要求1所述的一种产品质量生产在线监控方法，其特征在于，所述质量六要素包括人、机、料、法、环、测，此数据集以工单维度区分，所述质量六要素数据集为通过扫码、以太网、蓝牙等方式对每道工序的人、机、料、法、环、测数据进行自动化采集，并使用Java和消息队列将各参数以产品二维码为唯一标识拼接为符合追溯要求的数据集。3.如权利要求1所述的一种产品质量生产在线监控方法，其特征在于，所述数据集按时间序列和生产特点抽取样本并计算置信区间，置信区间设置成控制图的控制线，以及将工艺中的合格线设置成控制图的报警线，包括：控制图满足有效性前提条件：过程稳定、数据正态性、数据独立性、样本容量足够大；按时间序列和生产特点抽取样本：按最近的历史工单及产品生产时间序列，结合换班时间、投料频率等变化因素设置取样频率；控制线和报警线分别对应控制图中的两级预警触发线，每个预测模型更新周期同时执行控制图的更新。4.如权利要求1所述的一种产品质量生产在线监控方法，其特征在于，将数据集按时间序列选...

【专利技术属性】
技术研发人员：施建盛，赵晶晶，
申请(专利权)人：施建盛，
类型：发明
国别省市：