基于云边协同计算的工业品制造质量主动预测控制方法技术

本发明专利技术公开了基于云边协同计算的工业品制造质量主动预测控制方法，包括以下步骤：通过设备感知层收集大量复杂工业品制造过程中与其质量相关的数据；将所述的重要质量关联参数选择规则和质量主动预测模型可靠部署到边缘计算层；边缘计算层利用所述的重要质量关联参数选择规则对传输来的工业品实时生产数据进行筛选，计算实际产出品的合格率与含预测结果的工业品合格率之差；对检测得到的工业品质量数据进行记录。本发明专利技术与现有技术相比的优点在于：实时反馈工业品制造质量预测结果和下发相应的加工工艺调整控制指令，很好的应对了质量预测结果的偏离的情况。量预测结果的偏离的情况。量预测结果的偏离的情况。

【技术实现步骤摘要】
基于云边协同计算的工业品制造质量主动预测控制方法


[0001]本专利技术涉及工业大数据与质量控制领域
，具体是指基于云边协同计算的工业品制造质量主动预测控制方法。

技术介绍

[0002]复杂工业品主要是一类具有较高技术含量、较大零件集成度的重要生产中间件，如高铁轮毂、转向架等。随着大数据、物联网、云计算、边缘计算等新一代信息技术的快速发展，智能监测工业品制造过程、实时预测工业品质量状态、主动控制工业品加工工艺成为可能。对于现代制造业，可靠的工业品质量一直是企业制造过程管控的关键，提升工业品制造质量具有重要价值。并且，伴随现代制造工厂智能化水平的增强，大量制造过程数据得以被即时采集和利用。通常，这些工业数据规模巨大，如何集成处理这些工业大数据，进而协助工厂管理者主动预测与控制工业品制造质量，已经成为制造业发展急需突破的一项关键技术。
[0003]一直以来，由于加工过程涉及因素较多，复杂工业品制造质量长期只能依靠统计监测等被动的分析手段，缺乏有效地主动预测控制方法。在数据驱动质量主动管控的理念引导下，现代制造企业可以采集海量这些复杂工业品的制造过程数据，并利用先进的人工智能学习技术，在云端训练获得高效的质量预测模型，再将训练好的模型部署到生产边缘端。
[0004]然而，为了满足实际生产需要，这些模型的处理速度必须足够快。在这种情况下，边缘计算作为一种新型的分布式计算技术，已广泛应用于智慧城市、智能驾驶等领域。与传统的云计算技术相比，边缘计算可以保证更短的响应时间和更高的可靠性。
[0005]由此，结合工业场景的真实需求，本专利技术在云边协同计算技术的基础上，利用先进的人工智能学习模型，最终形成切实可行的复杂工业品制造质量主动预测控制方法。

技术实现思路

[0006]本专利技术要解决的技术问题是克服上述问题，提供基于云边协同计算的工业品制造质量主动预测控制方法。
[0007]为解决上述技术问题，本专利技术提供的技术方案为：基于云边协同计算的工业品制造质量主动预测控制方法，包括以下步骤：
[0008](1)通过设备感知层收集大量复杂工业品制造过程中与其质量相关的数据，包括质量检测结果和对应的质量关联参数，传输至云计算中心层；在云计算中心层，以质量检测结果和对应的质量关联参数为基础，建立重要质量关联参数选择规则，约简上述数据的参数列，获得模型数据集，同时，在此基础上，云计算中心层生成SMOTE
‑
CatBoost预测模型，并利用上述模型数据集进行训练，得到复杂工业品制造质量主动预测模型；
[0009](2)将所述的重要质量关联参数选择规则和质量主动预测模型可靠部署到边缘计算层；
[0010](3)边缘计算层利用所述的重要质量关联参数选择规则对传输来的工业品实时生产数据进行筛选，并采用所述的质量主动预测模型对筛选后的生产数据进行预测，输出后续工业品的质量预测结果；
[0011](4)计算实际产出品的合格率与含预测结果的工业品合格率之差，若该值大于一定阈值，边缘计算层将生成相应的工艺调整控制指令，并下发到相关加工设备；
[0012](5)对检测得到的工业品质量数据进行记录，并连同模型预测结果暂时存储在边缘计算层中，当网络空闲时传输至云计算中心；
[0013](6)云计算中心通过增量学习对质量主动预测模型进行更新，并及时将更新后的质量主动预测模型下发边缘计算层。
[0014]作为改进，所述的重要质量关联参数选择规则主要指，通过互信息计算工业品制造质量检测结果和质量关联参数的相关系数，筛选出相关系数大于设定阈值的关键质量关联参数。
[0015]作为改进，工业品制造质量检测结果和质量关联参数的相关系数I(Xi)计算公式为：
[0016]I(X
i
)＝ω
o
I0(X
i
，Y0)+ω1I1(X
i
，Y1)
[0017][0018][0019]其中：X
i
为第i个质量关联参数，Y0表示不合格的工业品制造质量检测结果，Y1表示不合格的工业品制造质量检测结果，p(x，Y0)表示v
i
与Y0的联合分布，p(x，Y1)表示X
i
与Y1的联合分布，p(x)、p(Y0)、
p
(Y1)分别为变量X
i
、Y0、Y1的概率分布。ω0和ω1为数据不平衡调整系数，和为1，一般根据获取的数据样品质量确定。
[0020]作为改进，所述的SMOTE
‑
CatBoost预测模型表示为：
[0021]M＝SMOTE
‑
CatBoost(k，m，v}
[0022]其中：k表示SMOTE中所选样本的最近邻数；m表示CatBoost中决策树个数；v表示CatBoost中的正则化系数。
[0023]作为改进，所述的SMOTE
‑
CatBoost预测模型的训练过程包括：以获取最大AUC(Area Under Curve)评分为目标，共同优化SMOTE
‑
CatBoost预测模型中的超参数，公式描述为：
[0024][0025]式中：yi表示真实的质量结果；表示预测的质量结果；[y
i
，SMOTE
‑
CATBoost(k，m，v|D
1：t)
]表示质量预测函数；G(k，m，v|D
1：t
)为决策变量为k，m，v的非解析函数；L为AUC评分
公式；D1：
t
为测试集中从第一个到第t个数据。
[0026]作为改进，AUC评分公式为：
[0027][0028]式中r(i)表示数据集中正样本i的排序编号，M表示数据集中正样本个数，N为数据集中总样本个数。
[0029]作为改进，所述的实际产出品的合格率与含预测结果的工业品合格率之差ΔQ计算公式如下：
[0030][0031]式中，q1和q2分别表示实际产出品中的合格品数量、含预测结果的合格品数量，Q和Q2分别表示实际产出品中的产品总数量、含预测结果的产品总数量。
[0032]本专利技术与现有技术相比的优点在于：(1)本专利技术有效结合了云计算和边缘计算的优点，针对复杂工业品生产质量预测控制问题，在云中心层训练数据，在边缘层部署模型，并低延迟地响应生产需要，实时反馈工业品制造质量预测结果和下发相应的加工工艺调整控制指令；
[0033](2)针对传统的预测模型，本专利技术提出SMOTE
‑
CatBoost主动预测模型，并根据计算实际产出品的合格率与含预测结果的工业品合格率之差，若该值大于一定阈值，边缘计算层将生成相应的工艺调整控制指令，并下发到相关加工设备；很好的应对了质量预测结果的偏离的情况；
[0034](3)现有技术中，复杂工业品制造质量检测设备通常需要专门定制，价格不菲，测试过程也比较繁琐，且无法从源头主动减少不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于云边协同计算的工业品制造质量主动预测控制方法，其特征在于，包括以下步骤：(1)通过设备感知层收集大量复杂工业品制造过程中与其质量相关的数据，包括质量检测结果和对应的质量关联参数，传输至云计算中心层；在云计算中心层，以质量检测结果和对应的质量关联参数为基础，建立重要质量关联参数选择规则，约简上述数据的参数列，获得模型数据集，同时，在此基础上，云计算中心层生成SMOTE
‑
CatBoost预测模型，并利用上述模型数据集进行训练，得到复杂工业品制造质量主动预测模型；(2)将所述的重要质量关联参数选择规则和质量主动预测模型可靠部署到边缘计算层；(3)边缘计算层利用所述的重要质量关联参数选择规则对传输来的工业品实时生产数据进行筛选，并采用所述的质量主动预测模型对筛选后的生产数据进行预测，输出后续工业品的质量预测结果；(4)计算实际产出品的合格率与含预测结果的工业品合格率之差，若该值大于一定阈值，边缘计算层将生成相应的工艺调整控制指令，并下发到相关加工设备；(5)对检测得到的工业品质量数据进行记录，并连同模型预测结果暂时存储在边缘计算层中，当网络空闲时传输至云计算中心；(6)云计算中心通过增量学习对质量主动预测模型进行更新，并及时将更新后的质量主动预测模型下发边缘计算层。2.根据权利要求1所述的基于云边协同计算的工业品制造质量主动预测控制方法，其特征在于：所述的重要质量关联参数选择规则主要指，通过互信息计算工业品制造质量检测结果和质量关联参数的相关系数，筛选出相关系数大于设定阈值的关键质量关联参数。3.根据权利要求1所述的基于云边协同计算的工业品制造质量主动预测控制方法，其特征在于：工业品制造质量检测结果和质量关联参数的相关系数I(X
i
)计算公式为：I(X
i
)＝ω0I0(X
i
,Y0)+ω1I1(X
i
,Y1))其中：X
i
为第i个质量关联参数，Y0表示不合格的工业品制造质量检测结果，Y1表示不合格的工业品制造质量检测结果，p(x,Y0)表示X
i...

【专利技术属性】
技术研发人员：魏喆，陈墨，王雷，李丽，赵芳，于学斌，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：