一种智慧工厂质量检测与分析方法技术

本发明专利技术涉及数据处理领域，尤其涉及一种智慧工厂质量检测与分析方法

【技术实现步骤摘要】
一种智慧工厂质量检测与分析方法


[0001]本专利技术涉及数据处理领域，尤其涉及一种智慧工厂质量检测与分析方法
。

技术介绍

[0002]随着工业自动化和数字化的发展，工厂生产线的管理和运营已经从传统的手工操作转变为基于数据的智能决策
。
智慧工厂作为工业
4.0
的核心概念，旨在通过先进的信息技术和制造技术的融合，实现生产过程的智能化
、
网络化和系统化
。
在这一背景下，质量检测与分析在智慧工厂中扮演了至关重要的角色
。
[0003]随着计算机技术的发展，工厂开始采用更先进的传感器和数据采集设备，这使得实时数据分析成为可能
。
随着工业设备和传感器的普及，工厂开始产生大量的数据
。
这促使工厂寻找更高效的数据处理和分析方法
。
工业物联网技术使得工厂设备能够实时地与其他系统通信，为实时监控和远程控制提供了可能
。
但是，初步的
IoT
应用往往缺乏安全性和稳定性，容易受到外部攻击
。
[0004]我国专利申请号：
CN202111496826.8
，公开日：
2022.03.08
，公开了基于
MES
的智能工厂产品质量监控方法及系统
。
该方法包括：获取生产向量及其对应产品的质检结果；根据生产向量获取每种目标缺陷的关注特征以及关注度；获取每两种目标缺陷的区分特征对，并将关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；根据关注特征集合以及更新特征集合的熵差获取两种目标缺陷之间的修正合理性；以所有不同种类的目标缺陷为节点
、
以修正合理性作为对应的边权值获取图数据；根据图数据得到每种目标缺陷的准确关注特征；获取每种目标缺陷对应的每个准确关注特征的取值范围，判断新产品是否会出现该目标缺陷
。
该专利技术实施例能够提高质量监控系统的工作效率
。
[0005]但上述技术至少存在如下技术问题：现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况
。

技术实现思路

[0006]本申请实施例通过提供一种智慧工厂质量检测与分析方法，解决了现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况，实现智慧工厂高效的质量检测与分析，为工厂带来显著的经济和技术效益
。
[0007]本申请提供了一种智慧工厂质量检测与分析方法，具体包括以下技术方案：一种智慧工厂质量检测与分析系统，包括以下部分：实时数据采集模块
、
数据完整性校验模块
、
分布式数据处理模块
、
深度学习分析模块
、
数据加密模块和数据源整合接口；
所述数据完整性校验模块，用于通过计算数据块的信息熵来得到数据块的校验值，从数据块中读取每个字节，并对每个字节计算其在数据块中的频率；通过计算数据块的方差来评估数据的稳定性和可靠性；通过计算数据传输的指数衰减值来评估数据传输的效率；综合考虑数据的完整性
、
准确性和实时性，对数据进行综合评估，数据完整性校验模块通过数据传输的方式与分布式数据处理模块相连；所述分布式数据处理模块，用于对数据进行分片，并行地在一个以上服务器节点上处理数据；各个节点处理完数据后，结果被汇总并提供给深度学习分析模块进行进一步分析；分布式数据处理模块通过数据传输的方式与深度学习分析模块相连；所述深度学习分析模块，用于使用历史数据对神经网络模型进行预先训练；根据实时数据持续优化和调整模型；模型自动识别出不合格产品，并生成详细的报告供生产线参考；深度学习分析模块通过数据传输的方式与数据加密模块相连
。
[0008]一种智慧工厂质量检测与分析方法，包括以下步骤：
S100
：采集产品的基础数据，综合考虑数据的完整性
、
准确性和实时性，对数据进行综合评估；
S200
：对数据分片后并行处理，构建损失函数和自适应学习率，通过异常检测模型分析检测数据并识别出不合格产品；
S300
：对数据进行加密，从各个数据源获取数据，并进行整合
。
[0009]优选的，所述
S100
，具体包括：通过计算数据块的信息熵来得到数据块的校验值，从所述数据块中读取每个字节，并对所述每个字节计算其在数据块中的频率；计算所述数据块的方差和延迟值
。
[0010]优选的，所述
S100
，还包括：基于所述数据块的信息熵
、
方差和延迟值对数据进行综合评估
。
[0011]优选的，所述
S200
，具体包括：计算各节点的预期负载，对数据进行分片，并行地在一个以上服务器节点上处理数据
。
[0012]优选的，所述
S200
，还包括：针对不同的节点以不同的速度处理数据的情况，设立节点的同步指标
。
[0013]优选的，所述
S200
，还包括：所述损失函数的计算公式为：，其中，表示损失函数，是真实标签，表示产品是否合格；是模型的预测值，表示模型预测的产品质量；表示第个标签，，是样本的总数；表示第个预测值；通过交叉熵损失函数区分合格与不合格的产品
。
[0014]优选的，所述
S200
，还包括：随着生产环境的变化，模型需要进行实时的优化和调整；为此，采用了自适应学习率调整方法
。
[0015]优选的，所述
S200
，还包括：
构建异常检测模型，计算异常度量值；所述异常检测模型自动识别出不合格产品，并生成详细的报告供生产线参考
。
[0016]有益效果：本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、
通过实时数据采集和深度学习分析，工厂可以实时监控生产线的状态，及时发现和解决问题，从而减少停机时间和提高生产效率；自动化的质量检测可以在生产过程中及时发现不合格产品，从而减少返工和报废，降低生产成本；
2、
通过对生产数据的实时分析，工厂管理层可以更快地做出决策，如调整生产计划
、
优化资源分配等；通过对生产数据的深入分析，工厂可以更好地理解生产过程中的关键因素，从而持续改进生产工艺，提高产品质量；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智慧工厂质量检测与分析系统，其特征在于，包括以下部分：实时数据采集模块
、
数据完整性校验模块
、
分布式数据处理模块
、
深度学习分析模块
、
数据加密模块和数据源整合接口；所述数据完整性校验模块，用于通过计算数据块的信息熵来得到数据块的校验值，从数据块中读取每个字节，并对每个字节计算其在数据块中的频率；通过计算数据块的方差来评估数据的稳定性和可靠性；通过计算数据传输的指数衰减值来评估数据传输的效率；综合考虑数据的完整性
、
准确性和实时性，对数据进行综合评估，数据完整性校验模块通过数据传输的方式与分布式数据处理模块相连；所述分布式数据处理模块，用于对数据进行分片，并行地在一个以上服务器节点上处理数据；各个节点处理完数据后，结果被汇总并提供给深度学习分析模块进行进一步分析；分布式数据处理模块通过数据传输的方式与深度学习分析模块相连；所述深度学习分析模块，用于使用历史数据对神经网络模型进行预先训练；根据实时数据持续优化和调整模型；模型自动识别出不合格产品，并生成详细的报告供生产线参考；深度学习分析模块通过数据传输的方式与数据加密模块相连
。2.
一种智慧工厂质量检测与分析方法，其特征在于，包括以下步骤：
S100
：采集产品的基础数据，综合考虑数据的完整性
、
准确性和实时性，对数据进行综合评估；
S200
：对数据分片后并行处理，构建损失函数和自适应学习率，通过异常检测模型分析检测数据并识别出不合格产品；
S300
：对数据进行加密，从各个数据源获取数据，并进行整合
。3.
根据权利要求2所述的一种智慧工厂质量检测与分析方法，其特征在于，所述
S100
...

【专利技术属性】
技术研发人员：李云龙，王岩，
申请(专利权)人：长春易加科技有限公司，
类型：发明
国别省市：