CN109947072B - 用于在生产过程期间自动检测异常工件的数据驱动方法 - Google Patents
用于在生产过程期间自动检测异常工件的数据驱动方法 Download PDFInfo
- Publication number
- CN109947072B CN109947072B CN201811524434.6A CN201811524434A CN109947072B CN 109947072 B CN109947072 B CN 109947072B CN 201811524434 A CN201811524434 A CN 201811524434A CN 109947072 B CN109947072 B CN 109947072B
- Authority
- CN
- China
- Prior art keywords
- production process
- data
- path length
- process step
- data signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000013499 data model Methods 0.000 claims abstract description 30
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003908 quality control method Methods 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 26
- 230000002547 anomalous effect Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000003754 machining Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- General Factory Administration (AREA)
Abstract
用于在生产过程期间检测异常工件的方法和系统，包括：针对生产过程的每个生产过程步骤计算目标工件的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本；使用经训练的异常检测数据模型通过对至少一个计算的偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理来实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p；和基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类（S3）为异常或非异常，其中如果目标工件和/或生产过程步骤被分类为异常，则针对用户的警告信号和/或针对生产机器的控制信号可以被自动生成。
Description
技术领域
本发明涉及一种用于在生产过程期间自动检测异常工件的数据驱动方法，并且具体涉及一种用于由生产设施的质量控制系统自动检测异常工件的数据驱动方法。
背景技术
监控生产设施中运行中的生产的质量对于交付制造产品和保证制造产品的稳定质量是必不可少的。在大批量生产过程中，几乎不可能对交付给客户的每一个制造产品实施广泛的质量控制。在大多数情况下，实施双层级质量控制。在第一质量控制层级中，通常由机器操作员实施浅显质量控制，以得到高覆盖率，但是缺乏精度。在第二质量控制层级中，可以实施由专职人员进行的预定深度质量控制，以在较低覆盖率情况下得到高精度控制。触发第二层级控制的时间区间通常来自关于制造的产品、制造机器以及制造过程中涉及的材料的所学到的经验和教训。尽管这种常规方法几十年来是最佳实践，但它并非没有缺陷。首先，根据第二层级控制，仅存在关于受控工件的少量样本的知识。因此，必须假设，自上次预定的质量控制以来，在受控工件的少量样本上测量到的任何缺陷也可以在整个生产输出上被测量到。在这种情况下，必须获取额外的人员来搜索和控制数小时生产的工件，以找到具有观察到的缺陷的第一个制造的工件，或者如果不可行的话，被怀疑的生产过程的整个生产输出必须作为废品被丢弃。其次，深度质量控制被配备成测量预期缺陷并且是反应性的，这意味着它响应于客户反馈而进行适配。第三，常规的现有质量控制系统依赖于以下假设：工件上的非明显缺陷连续出现而不是唯一出现。第四，常规的质量控制方法是完全人为驱动的过程，其中控制的质量自然地随着个体的人的经验和热情以及其当天的情绪而变化。
发明内容
因此，本发明的目的是提供一种用于在生产过程期间自动检测异常工件的方法，该方法克服了上述缺点并提供了有效和可靠的质量控制。
根据本发明的第一方面，该目的由包括权利要求1的特征的方法实现。
根据本发明的第一方面，本发明提供了一种用于在生产过程期间自动检测异常工件的数据驱动方法，该方法包括：
针对生产过程的每个生产过程步骤计算目标工件的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，
其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本；
使用经训练的异常检测数据模型通过对至少一个计算的偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p；和
基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类为异常或非异常。
在根据本发明第一方面的方法的可能实施例中，生产过程步骤的测量数据被记录为基于时间步长t和/或路径长度步长l的测量数据，该测量数据具有每个目标工件和/或过程步骤不同数量的数据样本。
在根据本发明第一方面的方法的可能实施例中，通过以下方式把记录的基于时间步长的测量数据转换成基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在生产过程步骤期间所有工件的共有轨迹的路径长度L上。
在根据本发明第一方面的方法的另一可能实施例中，基于三维路径长度的数据由数据滤波器平滑，以提供目标工件的目标数据信号和参考工件的参考数据信号。
在根据本发明第一方面的方法的另一可能实施例中，通过以下方式来计算偏差数据信号：计算由数据滤波器输出的目标工件的平滑目标数据信号与信号均值之间的归一化欧几里德距离以及针对具有预定窗口尺寸的移动窗口记录的参考数据信号的标准偏差。
在根据本发明第一方面的方法的另一可能实施例中，通过使用计算的二元交叉熵损失优化异常检测数据模型的网络参数来最小化计算的异常概率的误差。
在根据本发明第一方面的方法的又一可能实施例中，在包括所述过程步骤的运行中的生产过程期间实时实施异常工件和/或异常生产过程步骤的自动检测。
在根据本发明第一方面的方法的又一可能实施例中，所述异常检测数据模型包括基于扩张卷积的数据模型。
在根据本发明第一方面的方法的又一可能实施例中，所述异常检测数据模型包括递归神经网络，特别是长期短期LSTM网络或门控递归单元GRU网络。
在根据本发明第一方面的方法的另一可能实施例中，如果目标工件和/或生产过程步骤被分类为异常，则针对用户的警告信号和/或针对生产机器的控制信号被自动生成。
根据第二方面，本发明还提供了一种质量控制系统，该质量控制系统包括权利要求11的特征。
根据第二方面，本发明提供了一种质量控制系统，包括：
输入接口，被适配为接收由生产机器在生产过程中处理的目标工件的目标数据信号，
数据预处理单元，被适配为：针对生产过程的每个生产过程步骤计算接收的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，
其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本，
异常检测单元，被适配为：使用经训练的异常检测数据模型通过对所述至少一个偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理实施逐步异常检测，以便针对生产过程步骤的每个时间步长t和/或路径长度步长l计算相应时间步长t和/或路径长度步长l是异常的异常概率p，
分类单元，被适配为：基于计算的生产过程步骤的时间步长t和/或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类为异常或非异常，和
输出接口，被适配为：如果目标工件和/或生产过程步骤被分类单元分类为异常，则发出生成的警告信号和/或生成的控制信号。
在根据本发明第二方面的质量控制系统的可能实施例中，针对一组参考工件的对应生产过程步骤记录的参考数据信号被存储在存储器中，所述存储器由数据预处理单元读取以便针对生产过程的每个生产过程步骤计算至少一个偏差数据信号，该偏差数据信号供应给异常检测单元。
在根据本发明第二方面的质量控制系统的又一可能实施例中，在生产过程中处理的目标工件的目标数据信号包括由生产机器的传感器生成的测量数据。
在根据本发明第二方面的质量控制系统的另一可能实施例中，所述测量数据由生产机器的数据提取流水线提供，并且基于每个工件和每个生产过程的过程步骤的时基尺度被记录。
在根据本发明第二方面的质量控制系统的又一可能实施例中，数据预处理单元被适配为：通过以下方式把记录的基于时间步长的测量数据转换成基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在生产过程的生产过程步骤期间所有工件的共有轨迹的路径长度L上。
附图说明
在下文中，参考附图更详细地描述了本发明的不同方面的可能实施例。
图1示出了用于图示根据本发明的一个方面的质量控制系统的可能示例性实施例的框图；
图2示出了用于图示根据本发明的方法和系统的可能示例性实施例的信号图；
图3示出了用于图示根据本发明的方法和系统的可能示例性实施例的另一信号图；
图4示出了用于图示根据本发明的方法和系统的可能的示例性实施例的图；
图5示出了用于图示根据本发明的一个方面的用于在生产过程期间自动检测异常工件的数据驱动方法的可能示例性实施例的流程图。
具体实施方式
如在图1中可以看到的，根据本发明的一个方面的质量控制系统1在所示的示例性实施例中包括数据预处理单元2，数据预处理单元2具有用于接收目标数据信号的输入接口。输入接口可以例如连接到生产机器M的控制器，该生产机器M被适配为在包括几个生产过程步骤的生产过程中处理工件。生产或制造机器M可以经由信号线或信号总线连接到数据预处理单元2的输入接口。生产机器M可以在当前生产过程步骤中处理一个或多个工件，所述当前生产过程步骤形成由相应的制造机器M实施的生产过程的一部分。例如，工件可以由铣床和镗床处理。制造机器M可以实施制造或生产过程，该过程包括一系列过程步骤，诸如粗加工或精加工或抛光工件。数据预处理单元2至少包括输入接口，该输入接口被适配为接收由生产机器M在生产过程中处理的目标工件的目标数据信号。目标数据信号包括关于经历当前生产过程步骤的工件的数据。目标数据信号可以包括测量或传感器数据，该测量或传感器数据由制造机器M的传感器生成并且被供应给质量控制系统1的数据预处理单元2的数据输入接口。
数据预处理单元2被适配为针对生产过程的每个生产过程步骤计算接收的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号。在可能的实施例中，可以从质量控制系统1的存储器5读取记录的参考数据信号。从存储器5或数据库读取的参考数据信号是所存储的针对显示出高质量的先前处理的参考工件的预处理数据。由数据预处理单元2计算的偏差数据信号包括针对由生产机器M实施的相应生产过程步骤的不同生产时间步长t和/或路径长度步长l的多个偏差数据样本。质量控制系统1进一步包括连接到数据预处理单元2的异常检测单元3。异常检测单元3被适配为：使用经训练的异常检测数据模型通过对由数据预处理单元2输出的至少一个偏差数据信号和指示生产过程步骤的类型的过程类型指示符PTI的数据处理来实施逐步异常检测，以便针对生产过程步骤的每个时间步长t和/或路径长度步长l计算相应时间步长t和/或路径长度步长l是异常的异常概率p。
质量控制系统1还包括分类单元4，分类单元4被适配为基于计算的相应生产过程步骤的时间步长t和/或路径长度步长l的异常概率p将目标工件和/或由制造机器M实施的生产过程步骤分类为异常或非异常。在可能的实施例中，分类单元4包括输出接口，该输出接口被适配为：如果目标工件和/或当前生产过程步骤被分类单元4分类为异常，则发出所生成的警告信号和/或所生成的控制信号。在可能的实施例中，如果工件和/或生产过程步骤已被分类为异常，则分类单元4可以生成应用到制造机器M的控制信号。在可能的实施例中，包括数据预处理单元2、异常检测单元3和分类单元4的质量控制系统1经由信号总线连接到生产设施的一个或多个生产制造机器M，用于包括数据信号和/或控制信号的双向通信。因此，如果分类单元4将目标工件和/或生产过程的生产过程步骤分类为异常，则质量控制系统1可以立即采取对策来提高工件的质量或者至少警告用户当前目标工件和/或当前生产过程步骤是异常的。
如图1的实施例中所示，数据预处理单元2可访问数据存储器或数据库5，数据存储器或数据库5存储一组参考工件的预处理参考数据。存储器5可以是本地存储器或经由网络连接到例如数据预处理单元2的远程存储器。针对一组参考工件的对应生产过程步骤记录的参考数据信号存储在存储器5中，并且可以在生产过程期间由数据预处理单元2读取以针对生产过程的每个生产过程步骤计算至少一个偏差数据信号，该偏差数据信号被供应给控制系统1的异常检测单元3。在生产过程中由生产机器M处理的目标工件的目标数据信号可以包括由生产机器M的传感器生成的测量数据。该测量数据可以由生产机器M的数据提取流水线提供，并且基于每个目标工件和生产过程的每个过程步骤的时基尺度被记录。质量控制系统1的数据预处理单元2被适配为通过以下方式把记录的基于时间步长的测量数据转换成基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在生产过程的生产过程步骤期间所有工件的共有轨迹的路径长度L上。
如图1的框图中所示，在第一级2A中数据预处理单元2可以实施把所接收的目标数据投影在沿着在生产过程的生产过程步骤期间所有工件的共有轨迹的三维路径长度L上。在可能的实施例中，通过如下方式把记录的基于时间步长的测量数据转换为基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在由生产机器M实施的生产过程步骤期间工件的共有轨迹的路径长度L上。在数据预处理单元2的另一级2B中，由数据滤波器对基于三维路径长度的数据进行平滑，以提供目标工件的目标数据信号。而且，参考工件的参考数据信号在被存储在数据存储器5中之前由数据滤波器2B平滑。数据预处理单元2还包括另一计算级2C，该另一计算级2C被适配为计算供应给异常检测单元3的偏差数据信号。在可能的实施例中，数据预处理单元2的偏差数据信号计算级2C被适配为计算或运算由数据滤波器2B输出的目标工件的平滑目标数据信号与信号均值之间的归一化欧几里德距离以及针对具有预定窗口尺寸的移动窗口的所记录的参考数据信号的标准偏差。在另一个可能的实施例中，质量控制系统1的数据预处理单元2包括编码过程类型单元2D，编码过程类型单元2D将过程类型指示符PTI供应给异常检测单元3，如图1中所示。过程类型指示符PTI可以指示由制造机器M实施的生产过程的过程步骤序列中的生产过程步骤的过程类型。例如，如果制造机器M是铣床，则生产过程可以包括作为生产过程步骤的工件的粗加工或工件的精加工。过程类型指示符PTI指示当前生产过程步骤的类型，例如，指示当前生产过程步骤是粗加工生产过程步骤还是精加工生产过程步骤。异常检测单元4使用经训练的异常检测数据模型通过处理接收的偏差数据信号和接收的过程类型指示符PTI来实施逐步异常检测，以便针对当前生产过程步骤的每个时间步长t和/或路径长度步长l计算相应时间步长t和/或路径长度步长l是异常的异常概率p。异常检测单元3可以使用不同种类的异常检测数据模型。在可能的实施例中，异常检测单元3所使用的异常检测数据模型包括基于扩张卷积的数据模型。在替代实施例中，异常检测单元3所使用的异常检测数据模型可包括递归神经网络RNN。在可能的实施例中，递归神经网络RNN可以包括长期短期LSTM网络（也如图4中所示）或者门控递归单元GRU网络。分类单元4基于从异常检测单元3接收的所计算的异常概率p将当前目标工件和/或当前生产过程步骤分类为异常或非异常。异常工件和/或异常生产过程步骤的自动检测在包括该过程步骤的运行中的生产过程期间由质量控制系统1实时实施。生产或制造机器M可包括一个或多个机床，该机床用于实施不同种类的生产过程步骤，诸如工件的抛光、精加工或粗加工。相同的机床可用于不同的生产过程步骤。机床也可以在生产过程的不同生产过程步骤之间进行交换。生产机器或制造机器M可以配备有大量传感器，该传感器可以用于在生产过程期间监控机器和加工状态。此外，测量的数据可以被存储和预处理并临时存储。根据本发明的方法和系统1可以用于在生产过程期间使用机器学习（深度学习）使异常工件检测自动化，该机器学习非专用于目标过程或目标工件并且适于开箱即用。根据本发明的方法和系统1是数据驱动的并且可以用于自动质量控制。
在根据本发明的质量控制系统1中，在过程层级上处理每个目标工件的数据。质量控制系统1使用具有代表性良好质量的一组参考工件的数据。可以获取这种数据，因为在任何合理的生产中，良好质量产品的数量一定大大超过废品产品的数量。如果质量要求发生改变，用户只需更新针对其生产过程的该组参考或参考数据。
在可能的实施例中，由制造机器M的数据提取流水线提供的原始传感器数据可以基于时基尺度被记录，这导致每个工件和每个过程步骤的记录的不同长度（和不同数据点的数量）。由于这一事实，在常规系统中，测量结果通常未对准，这损害了可比性。出于这个原因，在可能的实施例中，质量控制系统1的预处理单元2包括投影级2A，其中路径长度的所有测量结果沿着一轨迹被投影，该轨迹是数据中所有工件/过程步骤共有的。在时间步长t处的路径长度L可以定义为：
其中X描述了过程步骤的轨迹上的所有三维坐标并且xi,A描述轴A上的时间步长i上的所有三维坐标。给定路径长度L，可以通过在各个值之间进行线性内插并按照例如0.05的步长计算线性内插值来生成针对每个测量通道的固定长度序列，0.05的步长可以对应于例如2mm的路径长度L。在可能的实现中，由于过程步骤也可能具有略微不同的总路径长度L，所以使用来自参考组中的具有最短总路径长度L的过程步骤，并且该路径长度L的数据生成导致所有序列具有完全相同的长度。
在可能的实施例中，预处理单元2内的滤波器2B用于平滑每个信号。在可能的实施例中，该滤波器可以由中值滤波器形成，该中值滤波器具有例如11的窗口尺寸。
所计算的偏差数据信号或偏差特征形成了根据本发明的质量控制系统1所采用的方法的核心组成部分。偏差数据信号的使用实现了跨不同过程和/或不同工件进行一般化所需的某种重要提升。给定此特征，学习问题可以简化为找到适当的（可能非线性的）阈值用于判定目标工件和/或生产过程步骤在时间步长t是否异常，因为可以假设评估异常将需要的大量过程专有知识已经被所述偏差从过程专有参考的分布中吸收。
图2示出了路径长度L的目标数据信号和参考数据信号的信号图。在所示的示例性信号图中，信号是用于粗加工过程步骤的制造机器M的主轴的扭矩。参考数据信号表示在对应生产过程步骤期间来自参考工件的所记录的信号，所述对应生产过程步骤先前在制造相应参考工件时被实施。如在图2的示例中可以看到的，当前工件的目标数据信号tds可以包括相对于参考数据信号的凹口，导致偏差数据信号dds的高振幅，如图3的信号图中所示。
在可能的实施例中，通过针对目标数据信号的每个步长计算与所述一组参考工件的局部归一化欧几里德距离，可以从目标数据信号得出偏差数据信号，例如通过如下公式：
其中xw,c,t描述按照步长（路径长度）t，l针对传感器信号通道c的工件w的过程步骤中的信号。
是局部信号均值，并且
是仅来自相同过程步骤的所有参考工件的传感器信号通道c的区间[t-k，t+k]内的局部信号标准偏差。例如，k可以是k = 25，对应于2×25 + 1 = 51的窗口尺寸。
由于局部信号标准偏差在一些区域中可能几乎为零或非常小，这意味着遍及所有参考观察到的信号变化非常窄，因此在可能的实现中可以将其消减到遍及整个序列观察到的局部标准偏差的10％以实现数值稳定性。
对于异常检测器，针对所有可用信号或可用信号的合适子集计算偏差数据信号。可以计算指示观察到的数据属于哪类过程（例如，粗加工或精加工）的特征。
异常检测单元3可以使用基于机器学习的模型，该模型基于所接收的输入数据进行训练，该模型的任务是针对加工的3D轨迹的每个步长评估其是否异常。
异常检测数据模型是经训练的数据模型。由于使用全局逐个工件/过程标记对异常工件的直接检测在使用监督学习情况下是不可行的，人们可以利用辅助任务，当该辅助任务被正确解决时该辅助任务也解决了检测异常工件的实际目标任务。可以将异常信号与一组参考数据信号进行比较。可以针对完整信号得到单个标签，该标签将该完整信号标记为坏，从而产生一个单一训练示例。但是，如果标记每个步骤，则人们可能生成大量（例如500个）训练示例。如果将一个步长标记为异常，则可以将整个工件和/或过程步骤视为异常。使用该策略，可以增加用于训练异常检测数据模型的示例的量，数量级从数百到数百万。这需要对每个工件更严格的标记。该标记可以由针对一组训练过程和/或工件编写的特定软件自动提供。
在可能的实施例中，异常检测单元3的异常检测数据模型可以包括基于扩张卷积的模型。扩张卷积（也称为带孔的卷积）是利用稀疏滤波器的卷积，当按顺序被应用时，所述卷积在相应的野（field）方面呈现指数增长。通过保持较低的自由参数数量，这些运算符在处理具有空间或时间依赖性的大量输入时特别有用。
在替代实施例中，异常检测数据模型还可以包括长期短期LSTM网络，其是一种能够记住任意区间的模式的递归神经网络RNN。因此，它特别适用于高分辨率时间系列数据，其中数据模式可能在大量的时间步长内演进。
图4图示了异常检测单元3的可能实施例，该异常检测单元3将LSTM网络实现为异常检测数据模型。在所示的示例性实现中，异常检测数据模型被馈送有局部窗口，该局部窗口具有例如 100个步长的数据（即偏差特征+过程类型指示符PTI）。异常检测数据模型指定当前时间步长异常的概率。所供应的偏差数据信号可包括例如制造机器M的扭矩信号。实现异常检测数据模型（特别是图4中所示的LSTM神经网络）的异常检测单元3的输出是相应时间步长t（或路径长度步长l）为异常的概率p。在图4中所示的实施例中，异常检测数据模型被馈送有100个步长的数据，即偏差数据信号+过程类型指示符PTI特征，以估计当前时间步长t为异常的概率。在可能的实施例中，网络参数被优化以使用例如正则均值二元交叉熵损失来最小化该概率估计中的误差，正则均值二元交叉熵损失由下式给出：
其中X是输入数据，y是二元标签的矢量，fθ是通过θ参数化的模型函数，λ是正则化强度。在可能的实现中，λ可以设置为0.001。
由异常检测单元3生成的输出概率被供应给质量控制系统1的分类单元4。分类单元4被适配为基于接收到的时间步长t或路径长度步长l的异常概率将目标工件和/或生产过程步骤分类为异常或非异常。
在用于将整个过程和/或工件分类为异常的可能实施例中，可以应用简单的分类规则，诸如：
其中P(x)指示由分类模型生成的针对异常类的分类概率。P(xi)是针对轨迹上的步长i处的异常类的概率。换句话说，所应用的规则指出，如果逐步分类模型预测在任何步长处异常具有例如（> 0.95）的高置信度，则我们可以将整个工件分类为异常。或者，如果有足够的示例可用，则可以学习一函数以实施该分类。
根据本发明的质量控制系统1几乎是实时可用的并且可以估计例如420ms中的例如一半数据（以500Hz的采样率）的逐步概率。这意味着根据本发明的质量控制系统1几乎是数据记录的两倍快。时间包括偏差特征的计算，并且随着批尺寸的增加，质量控制系统的效率由于底层线性代数库的计算效率而进一步提高。
根据本发明的方法和系统1不需要关于即将到来的目标过程的任何知识，从而导致解决方案在其适用性方面非常普遍并且因此可以容易地扩展。
图5示出了根据本发明的一方面的用于在生产过程期间自动检测异常工件的数据驱动方法的可能示例性实施例的流程图。
在所示的示例性实施例中，数据驱动方法包括三个主要步骤，如图5中所示。
在第一步骤S1中，对于生产过程的每个生产过程步骤，计算针对目标工件的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号。计算出的偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t和/或路径长度步长l的多个偏差数据样本。
在另一主要步骤S2中，使用经训练的异常检测数据模型通过对至少一个计算的偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理来实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p。
在最后的主要步骤S3中，基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率，将目标工件和/或生产过程步骤分类为异常或非异常。根据在步骤S3中实施的分类，可以生成警告和/或控制信号。
根据本发明的数据驱动方法可以遍及所述一组参考工件自动地隐含地获取大量过程特有知识。这些参考可以提供关于过程如何运行的统计信息，并且可以将与这些参考的任何显著偏差视为异常。定义一组参考工件在通常的加工过程中相对容易。可以定义合适的辅助学习任务，辅助学习任务隐含地解决了检测异常工件的目标任务，但是对于辅助学习任务来说生成足够量的训练数据是相对容易的。此外，可以从不一定包括来自目标过程的任何数据的独立离线数据集中学习用于区分异常加工过程步骤与正常加工过程步骤的（非线性）判定边界。根据本发明的质量控制系统1不仅能够检测工件整体是否异常，而且还能够指出工件上观察到异常的区域。这样，在生产期间手动质量控制不仅可以被引导到异常工件，而且还可以被引导到所讨论的工件上的异常的热点。在也可以扩展的工业制造设施中，根据本发明的质量控制系统1可用于引导质量控制，与预定质量控制相对。根据本发明的质量控制系统1和方法可以显著减少运行中的生产过程对在生产过程期间发生的缺陷的反应时间。因此，也可以显著减少生产过程中产生的异常产品的量。特别是，对于大批量生产过程，由于可以基于高分辨率数据控制每个工件，因此该优点变得有吸引力。
在可能的实施例中，可以应用用于聚类的无监督学习方法。这不需要任何（手动）标记的数据来发现给定数据集中的结构。但是，这种方法需要仔细调整所使用的每个数据集。此外，在替代实施例中，可以在过程层级上适配完整监督学习方法，然而，在该实施例中，必须提供足够的标记数据。
Claims (15)
1.一种用于在生产过程期间自动检测异常工件的数据驱动方法，
所述方法包括：
（a）针对生产过程的每个生产过程步骤计算目标工件的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本；
（b）使用经训练的异常检测数据模型通过对至少一个计算的偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理来实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p；和
（c）基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类为异常或非异常。
2.根据权利要求1所述的方法，其中，所述生产过程步骤的测量数据被记录为基于时间步长t和/或路径长度步长l的测量数据，所述基于时间步长t和/或路径长度步长l的测量数据具有每个目标工件和/或过程步骤不同数量的数据样本。
3.根据权利要求2所述的方法，其中，通过以下方式把记录的基于时间步长或路径长度的测量数据转换成基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在生产过程步骤期间所有工件的共有轨迹的路径长度L上。
4.根据权利要求3所述的方法，其中基于三维路径长度的数据由数据滤波器平滑，以提供目标工件的目标数据信号和参考工件的参考数据信号。
5.根据权利要求4所述的方法，其中通过以下方式来计算偏差数据信号：计算由数据滤波器输出的目标工件的平滑目标数据信号与信号均值之间的归一化欧几里德距离以及针对具有预定窗口尺寸的移动窗口记录的参考数据信号的标准偏差。
6.根据权利要求1至5中任一项所述的方法，其中通过使用计算的二元交叉熵损失优化异常检测数据模型的网络参数来最小化计算的异常概率的误差。
7.根据权利要求1至5中任一项所述的方法，其中，在包括所述过程步骤的运行中的生产过程期间实时实施异常工件和/或异常生产过程步骤的自动检测。
8.根据权利要求1至5中任一项所述的方法，其中，所述异常检测数据模型包括基于扩张卷积的数据模型。
9.根据权利要求1至5中任一项所述的方法，其中，所述异常检测数据模型包括递归神经网络RNN，特别是长期短期LSTM网络或门控递归单元GRU网络。
10.根据权利要求1至5中任一项所述的方法，
其中，如果目标工件和/或生产过程步骤被分类为异常，则针对用户的警告信号和/或针对生产机器的控制信号被自动生成。
11.一种质量控制系统（1），包括：
输入接口，被适配为接收由生产机器在生产过程中处理的目标工件的目标数据信号；
数据预处理单元（2），被适配为：针对生产过程的每个生产过程步骤计算接收的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本；
异常检测单元（3），被适配为：使用经训练的异常检测数据模型通过对所述至少一个偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p；
分类单元（4），被适配为：基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类为异常或非异常；和
输出接口，被适配为：如果目标工件和/或生产过程步骤被分类单元分类为异常，则发出生成的警告信号和/或生成的控制信号。
12.根据权利要求11所述的质量控制系统，其中针对一组参考工件的对应生产过程步骤记录的参考数据信号被存储在存储器中，所述存储器由数据预处理单元（2）读取以便针对生产过程的每个生产过程步骤计算至少一个偏差数据信号，所述偏差数据信号供应给异常检测单元（3）。
13.根据权利要求11或12所述的质量控制系统，其中在生产过程中处理的目标工件的目标数据信号包括由生产机器的传感器生成的测量数据。
14.根据权利要求13所述的质量控制系统，其中，所述测量数据由生产机器的数据提取流水线提供，并且基于每个工件和每个生产过程的过程步骤的时基尺度被记录。
15.根据权利要求11或12所述的质量控制系统，其中，所述数据预处理单元（2）被适配为：通过以下方式把记录的基于时间步长的测量数据转换成基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在生产过程的生产过程步骤期间所有工件的共有轨迹的路径长度L上。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17206972.6A EP3499329A1 (en) | 2017-12-13 | 2017-12-13 | A data driven method for automated detection of anomalous work pieces during a production process |
| EP17206972.6 | 2017-12-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109947072A CN109947072A (zh) | 2019-06-28 |
| CN109947072B true CN109947072B (zh) | 2023-01-24 |
Family
ID=60923197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811524434.6A Active CN109947072B (zh) | 2017-12-13 | 2018-12-13 | 用于在生产过程期间自动检测异常工件的数据驱动方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11468274B2 (zh) |
| EP (1) | EP3499329A1 (zh) |
| JP (1) | JP6832327B2 (zh) |
| CN (1) | CN109947072B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110320894B (zh) * | 2019-08-01 | 2022-04-15 | 陕西工业职业技术学院 | 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 |
| US20220206888A1 (en) * | 2019-08-28 | 2022-06-30 | Mitsubishi Electric Corporation | Abnormal portion detecting device, method of detecting abnormal portion, and recording medium |
| EP3805883A1 (de) * | 2019-10-08 | 2021-04-14 | Siemens Aktiengesellschaft | Verfahren und vorrichtungen zum bestimmen einer produktgüte |
| CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
| CN113191678B (zh) * | 2021-05-21 | 2023-01-10 | 联洋国融(北京)科技有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
| CN116630319B (zh) * | 2023-07-24 | 2023-10-10 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
| CN117148775B (zh) * | 2023-10-31 | 2024-01-23 | 中国电建集团山东电力管道工程有限公司 | 管道生产过程远程监控方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394405A (zh) * | 2014-11-19 | 2015-03-04 | 同济大学 | 一种基于全参考图像的客观质量评价方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
| JP2002324109A (ja) * | 2001-04-26 | 2002-11-08 | Semiconductor Leading Edge Technologies Inc | 装置稼働率向上システム、モニタ装置、部品供給装置、装置稼働率向上方法、記録媒体およびプログラム |
| JP4670455B2 (ja) * | 2005-04-22 | 2011-04-13 | オムロン株式会社 | 工程異常検知システム |
| JP4323475B2 (ja) * | 2005-09-26 | 2009-09-02 | アドバンスド・マスク・インスペクション・テクノロジー株式会社 | 試料検査装置、試料検査方法及びプログラム |
| JP4859941B2 (ja) | 2009-02-27 | 2012-01-25 | 三菱重工業株式会社 | 加工装置及び加工方法 |
| JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
| CN101943896B (zh) | 2010-07-16 | 2012-02-29 | 浙江大学 | 数控机床误差的轨迹再生补偿方法 |
| JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
| JP6053487B2 (ja) * | 2012-12-06 | 2016-12-27 | 三菱電機株式会社 | 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム |
| CN103810374B (zh) | 2013-12-09 | 2017-04-05 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| US9645095B2 (en) | 2014-10-06 | 2017-05-09 | The Boeing Company | System and method for inspecting a composite part during manufacture |
| JP6313730B2 (ja) * | 2015-04-10 | 2018-04-18 | タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ | 異常検出システムおよび方法 |
| US11347191B2 (en) * | 2015-07-29 | 2022-05-31 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
| US10130307B2 (en) * | 2016-01-06 | 2018-11-20 | Samsung Electronics Co., Ltd. | Electrocardiogram (ECG) authentication method and apparatus |
| US9753968B1 (en) * | 2016-03-06 | 2017-09-05 | SparkBeyond Ltd. | Systems and methods for detection of anomalous entities |
-
2017
- 2017-12-13 EP EP17206972.6A patent/EP3499329A1/en not_active Withdrawn
-
2018
- 2018-11-26 JP JP2018220292A patent/JP6832327B2/ja active Active
- 2018-12-06 US US16/211,370 patent/US11468274B2/en active Active
- 2018-12-13 CN CN201811524434.6A patent/CN109947072B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394405A (zh) * | 2014-11-19 | 2015-03-04 | 同济大学 | 一种基于全参考图像的客观质量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11468274B2 (en) | 2022-10-11 |
| CN109947072A (zh) | 2019-06-28 |
| JP2019135638A (ja) | 2019-08-15 |
| EP3499329A1 (en) | 2019-06-19 |
| JP6832327B2 (ja) | 2021-02-24 |
| US20190180152A1 (en) | 2019-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947072B (zh) | 用于在生产过程期间自动检测异常工件的数据驱动方法 | |
| CN108500736B (zh) | 工具状态推定装置以及机床 | |
| CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN109562500B (zh) | 机床的工具的异常检测装置及方法 | |
| Li et al. | Similarity-measured isolation forest: anomaly detection method for machine monitoring data | |
| Silva et al. | Tool wear monitoring of turning operations by neural network and expert system classification of a feature set generated from multiple sensors | |
| Marei et al. | Cutting tool prognostics enabled by hybrid CNN-LSTM with transfer learning | |
| EP0509817A1 (en) | System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis | |
| Lutz et al. | Evaluation of deep learning for semantic image segmentation in tool condition monitoring | |
| CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| CN102473660A (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
| CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
| CN111898443B (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
| CN115639781B (zh) | 基于大数据的数控机床控制方法及系统 | |
| CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
| Beyerer et al. | Machine Learning for Cyber Physical Systems: Selected Papers from the International Conference ML4CPS 2018 | |
| CN114789364B (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
| CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
| Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
| CN112183919A (zh) | 质量预测系统和质量预测方法 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| Kim et al. | AnoGAN-based anomaly filtering for intelligent edge device in smart factory | |
| Schwenzer et al. | Machine learning for tool wear classification in milling based on force and current sensors | |
| Gittler et al. | International Conference on Advanced and Competitive Manufacturing Technologies milling tool wear prediction using unsupervised machine learning | |
| CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |