CN111461555A - 一种生产线质量监测方法、装置及系统 - Google Patents

一种生产线质量监测方法、装置及系统 Download PDF

Info

Publication number
CN111461555A
CN111461555A CN202010257387.4A CN202010257387A CN111461555A CN 111461555 A CN111461555 A CN 111461555A CN 202010257387 A CN202010257387 A CN 202010257387A CN 111461555 A CN111461555 A CN 111461555A
Authority
CN
China
Prior art keywords
network model
neural network
equipment unit
fault
production line
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.)
Granted
Application number
CN202010257387.4A
Other languages
English (en)
Other versions
CN111461555B (zh
Inventor
聂国健
李泉洲
陈冰泉
胡宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Saibao Industrial Technology Research Institute Co ltd
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
Xi'an Saibao Industrial Technology Research Institute Co ltd
China Electronic Product Reliability and Environmental Testing Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Saibao Industrial Technology Research Institute Co ltd, China Electronic Product Reliability and Environmental Testing Research Institute filed Critical Xi'an Saibao Industrial Technology Research Institute Co ltd
Priority to CN202010257387.4A priority Critical patent/CN111461555B/zh
Publication of CN111461555A publication Critical patent/CN111461555A/zh
Application granted granted Critical
Publication of CN111461555B publication Critical patent/CN111461555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种生产线质量监测方法、装置及系统，其中方法包括：获取生产线中各设备单元的目标监测参数；将目标监测参数输入经过训练的第一神经网络模型，通过第一神经网络模型，确定各设备单元的故障状态信息；将各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过第二神经网络模型，确定生产线的整体故障状态。本发明采用人工智能算法的方式对生产线质量进行监测和判定，能够采用自动化的方式实现，大大提高了对生产线质量进行监测的效率，能够实现对生产线各设备单元故障状态及生产线整体故障状态的实时判定。

Description

一种生产线质量监测方法、装置及系统
技术领域
本发明涉及工业监测技术领域，特别是涉及一种生产线质量监测方法、装置及系统。
背景技术
我国工业产品门类齐全，产能居世界第一，但产品质量与欧美发达国家尚存在较大差距，质量不高的问题在一定程度上并没有得到有效解决。
在产品生产制造过程中，影响产品质量的因素很多，覆盖研发设计、原材料、加工工艺、使用和维护等多个阶段，其中生产过程的质量稳定性和一致性是我国制造业面临的一个重大难题之一，影响这个难题的关键环节之一就是生产线整体是否有序、稳定地运行。即生产线整体是否有序、稳定地运行所表示出的生产线整体故障情况，即可反映生产线质量是否可靠。
生产线质量可以理解为生产线中各个设备单元自身的故障所导致对整个生产线的运行的影响。例如，当生产线中一个或多个设备出现故障时，如何及时监测到故障的发生，并根据故障的类型判断出对整体生产线的影响情况。
在实际生产过程中，对生产线质量的监测需要通过对生产线中各个设备单元的运行参数进行监测来实现。随着数字化、自动化技术手段逐步成熟，我国制造业的生产方式正向“智能制造模式”转变。大量工业企业已具备了记录制造过程中人、机、料、法、环、测等方面的海量数据的能力。然而针对大量工业监测数据进行挖掘数据价值，支撑制造质量的提升方面存在不足，尤其是考虑生产线的复杂结构，多因素的关联影响等方面，企业面临“数据爆炸、知识匮乏”的困境。并且智能生产线是一个复杂的生产系统，不同设备单元存在耦合，涉及的监测参数种类繁多，其关联关系分析难度较高。同一个监测参数的变化，可能导致多个设备单元受到影响，使生产线同时出现多种问题。如果不能及时预警，可能出现设备单元报废等情况，造成巨大损失。从而对生产线进行质量监测对提高生产过程的可靠性、降低生产风险具有重要作用。
传统的生产线质量监测主要包括通过人工巡查的方式进行设备点检、统计过程控制、测量系统分析等等。但由于工业实际环境影响因素众多、变化难以判断，因此这些人工方法不仅效率较低，并且准确度不高，同时无法满足对生产线质量的实时监测以保证生产线本身的质量。所以，如何采用更加高效且准确的方式对生产线进行及时的质量判定，就成为了行业内亟待解决的问题。
发明内容
本发明的目的在于提供一种生产线质量监测方法、装置及系统，以实现对生产线质量的自动化监测及判定。具体技术方案如下：
本发明实施例提供了一种生产线质量监测方法，包括：
获取生产线中各设备单元的目标监测参数；
将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息；
将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态。
本发明实施例还提供了一种生产线质量监测装置，包括：
采集模块，用于获取生产线中各设备单元的目标监测参数；
第一计算模块，用于将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息；
第二计算模块，用于将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态。
本发明实施例还提供了一种生产线质量监测系统，包括：传感器、处理器、通信接口、存储器和通信总线，其中，传感器、处理器，通信接口，存储器通过通信总线完成相互间的通信；
传感器，安装于生产线的各设备单元，用于采集所述各设备单元的目标监测参数；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述生产线质量监测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述生产线质量监测方法的步骤。
本发明实施例提供的一种生产线质量监测方法、装置及系统，可以基于人工智能的方式，通过获取生产线中各个设备单元的目标监测参数，并且结合人工智能算法，基于所获取的目标监测参数，及时确定出各个设备单元所发生的故障状态，再基于各个设备单元的故障状态，确定出生产线整体的故障状态。该生产线整体的故障状态即可以作为当前生产线的质量情况。能够采用自动化的方式进行实现，大大提高了对生产线质量进行监测的效率，能够实现对生产线各设备单元故障状态及生产线整体故障状态的实时判定。并且由于结合了人工智能算法，能够实现针对复杂的生产线的质量检测，解决了传统方式只能对简单生产线进行监测的问题。同时，本发明实施例中能够通过计算分析可监测参数对故障状态的影响权值，过滤无关影响因素，可以有效降低无关参数的影响，提升故障状态评估过程准确性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种生产线质量监测方法的流程图；
图2为本发明实施例提供的一种生产线的结构树示意图；
图3为本发明实施例提供的设备单元Si的故障状态示意图；
图4为本发明实施例提供的自组织特征映射网络模型的一般结构图；
图5为本发明实施例提供的对自组织特征映射网络模型进行训练的流程图；
图6为本发明实施例提供的对BP神经网络模型进行训练的流程图；
图7为本发明实施例提供的决策分析树的结构示意图；
图8为本发明实施例提供的生产线质量监测装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1为本发明实施例提供的一种生产线质量监测方法的流程图，包括：
步骤110，获取生产线中各设备单元的目标监测参数。
本发明实施例提供的生产线质量监测方法可以在生产线的控制系统，或者单独的监测系统中执行。例如，用于监测分析生产线的计算机或服务器等等。本发明实施例可以应用于各种类别的生产线，例如，电子产品生产线、汽车生产线等等。不同的生产线需要根据具体的设备单元情况，安装相应的能够监测设备运行参数的传感器或者直接从设备单元获取相应的运行参数。其中设备单元是指构成生产线的各种设备及各个设备上的各个模块，例如，生产线上的传送带、冲压机、机械手、电控模块等等都可以作为设备单元，监测参数是指设备单元在运行过程中各种可以监测到的运行及工艺参数，例如设备电压、功率、转速、震动幅度、进给量、温度等等。
应用本发明实施例提供的生产线质量监测方法时，首先需要对生产线的组成结构及可能发生的各种故障进行分析。具体的，需要确定出生产线设备单元的层次结构及构成关系。例如，如图2所示，图2为本发明实施例提供的一种生产线的结构树示意图，生产线上的设备，可以记为S1，S2，...，Sk，每一个设备由多个模块构成，记为Sk+1，Si，等等。为了更加细致的分析生产线的质量，本发明实施例中，一般将底层的细分模块作为设备单元进行监测，或者也可以根据实际情况，将整体设备或设备中的模块作为设备单元。
确定了生产线的层次结构后，还需要针对每个设备单元，确定出该设备单元可能发生的故障状态，故障状态是指该设备单元有可能发生的故障的模式，例如，针对一个设备单元有可能的故障状态包括：过载、转速异常、温度过高等等。
如图3所示，图3所表示的是设备单元Si有可能发生的各种故障状态的集合，设备单元Si的故障状态可以记为Hi1，Hi2，...，Hik。并且，每一种故障模式还有可能分为细分的故障模式，例如，如图3所示，故障模式Hi1还可以细分为Hm2，Hm4等更细分的故障状态，例如，一个设备单元温度过高，可细分为线圈温度过高，转动件温度过高等等更具体的故障状态，在实际应用时，可以根据实际需要设定采用不同级别的故障状态，构成该设备单元的故障状态的集合。
在本发明实施例中，为了能够更好的进行说明，生产线中的设备单元的集合，记为S＝{S1，S2，...，Sn}。各设备单元的状态，可以记为F＝{f1，f2，...，fn}，例如，该设备单元是否运行，待检修等等。其中一个设备单元Si的故障状态的集合，记为Hi＝{Hi1，Hi2，...，Hik}，用于表示该节点可能发生的各个故障状态。
当确定了每一个设备单元可能会发生的各个故障状态后，就可以根据该设备单元的故障状态集合，确定出需要监测的目标监测参数，例如，Hi1表示线圈温度过高，则相应的可以确定出目标监测参数至少需要包括线圈温度这一参数。所以，本发明实施例中，设备单元Si的目标监测参数的集合，可以记为Gi＝{Gi1，Gi2，...，Gim}。
具体的，在一个实际的应用中，生产线的设备单元、各设备单元的故障状态以及设备单元的目标监测参数可以如表1所示。
表1
Figure BDA0002437072100000051
确定出生产线的设备单元和目标监测参数后，就可以通过传感器或者从设备单元本身获取相应的目标监测参数。具体的，计算机或服务器等设备可以实时的获取生产线中各个设备单元的目标监测参数，也可以按设定的周期，采集各个设备单元的目标监测参数。具体的参数采集或者获取参数方式，可以采用现有技术中的各种方法，例如，传感器或设备单元将相应的电信号直接或者经由其他数据处理装置传输至计算机或者服务器。
步骤120，将目标监测参数输入经过训练的第一神经网络模型，通过第一神经网络模型，确定各设备单元的故障状态信息。
本发明实施例中，获取了各设备单元的目标监测参数后，需要将目标监测参数输入第一神经网络模型。第一神经网络模型可以是保存在本地的神经网络模型，也可以是保存在云平台中的神经网络模型，本地计算机或服务器通过与云平台之间通过网络进行信息交互，从而实现利用第一神经网络模型，确定各设备单元的故障状态信息。其中，故障状态信息是指该设备单元是否发生故障，以及当发生故障时具体的故障状态。当发生故障时，可以是一种故障状态也可以是多种故障状态的叠加，例如设备单元Si的故障状态为Hi2，或者为Hi1，Hi2同时发生。
为了能够更清楚的描述每一个设备单元的故障状态信息，并且为了能够便于后续步骤的实施，在本发明实施例中，可以采用经过该设备单元对应的归一化的故障状态的集合来描述故障状态信息，设备单元Si故障状态的集合为Hi＝{Hi1，Hi2，…，Hik}，集合中的元素仅取0或1，0表示该故障模式未发生，1表示该故障模式发生，从而可以准确的描述出该设备单元的故障状态信息。例如，设备单元Si故障状态的集合为Hi＝{Hi1，Hi2，Hi3}，若设备单元Si发生了故障Hi2，则设备单元Si的故障状态信息可以表示为Hi＝{0，1，0}。当采用上述方式表示故障状态信息时，则设备单元Si的故障状态信息也可以称为设备单元Si故障向量。
第一神经网络模型可以采用多种形式的神经网络模型，在本发明实施例中，第一神经网络模型可以采用自组织特征映射网络模型。
相应的，步骤120，将目标监测参数输入经过训练的第一神经网络模型，通过第一神经网络模型，确定各设备单元的故障状态信息，包括：
步骤121，将各设备单元的每一个设备单元的目标监测参数的集合，作为输入向量，输入经过训练的自组织特征映射网络模型。
步骤122，通过计算输入向量与自组织特征映射网络模型中竞争层权值向量之间的欧氏距离，确定出各设备单元的故障状态信息。
如图4所示，图4为本发明实施例提供的自组织特征映射网络模型的一般结构图，其中，x1，x2，xm表示输入层神经元，上层节点表示竞争层或输出层的神经元。在自组织特征映射网络模型中，神经元一般以向量的形式建立。竞争层的神经元也可以称为竞争层权值向量，输入层的神经元可以称为输入向量。经过训练后的自组织特征映射网络模型，能够通过判断输入向量与竞争层权值向量之间的欧氏距离来确定出各设备单元的故障状态信息。
在使用自组织特征映射网络模型之前，首先需要对自组织特征映射网络模型进行训练，通过训练才能使得自组织特征映射网络模型具有能够判断各设备单元的故障状态信息的能力。所以在本发明实施例中提供的生产线质量监测方法中，还可以包括：
通过第一历史故障信息，对第一神经网络模型进行训练，第一历史故障信息包括：已知的各设备单元的每一个设备单元，在不同故障状态下，目标监测参数的历史数据信息。
参见图5，图5为本发明实施例提供的对自组织特征映射网络模型进行训练的流程图。其中包括：
步骤51，网络初始化。
网络初始化，用随机数设定输入层与竞争层之间权值的初始值。
步骤52，导入输入向量。
导入的输入向量可以表示为Gi＝(Gi1，Gi2，...，Gim)T。
输入向量可以来源于第一历史故障信息，即已知的一个设备单元，曾经发生故障时，各个目标监测参数的具体数值。具体的，可以如表2所示。
表2
Figure BDA0002437072100000071
表2中的第一历史故障信息转换为数学模型可表示为：
Figure BDA0002437072100000072
其中
Figure BDA0002437072100000081
是表征映射关系的函数。从表2中可以看出，第一历史故障信息为大量的历史样本。其涵盖了在发生各种故障模式的情况下，各个目标监测参数的具体值。
步骤53，计算欧氏距离。
当导入输入向量后，自组织特征映射网络模型能够开始计算竞争层权值向量和输入向量之间的欧氏距离。
步骤54，利用第一历史故障信息进行训练，并判断输出是否达到要求。
利用第一历史故障信息训练自组织特征映射网络模型，修正神经元及邻近神经元权值。并且判断输出层的输出结果是否达到预先设定的要求，即判断自组织特征映射网络模型输出层得到的结果，是否接近或等同于第一历史故障信息中的真实结果。
由于生产线在生产过程中，随时都可能有不同的故障发生，因此要实现故障状态的实时诊断，必须要求自组织特征映射网络模型在不同时刻对目标监测参数变化高度敏感，同时保证每一类故障模式均有充足数量的目标监测参数作为历史数据供网络模型训练。对每一组目标监测参数来说，都可以表示为不同故障模式的状态叠加。
经过步骤54后，若输出结果满足预先设定的要求，则表示该模型已经训练完成，能够用于通过目标监测参数，判断设备单元的故障状态信息。
若不满足，则重复步骤54，不断修正输入层与竞争层之间权值，使得最终得到准确的结果。利用第一历史故障信息对自组织特征映射网络模型进行学习训练，逐步降低各故障模式的区分识别误差，最终达到故障模式准确诊断的效果。
在现有技术中，对自组织特征映射网络模型进行训练属于较为成熟的方法，在实际应用中，可以结合实际情况采用现有技术中的方法进行训练，在此不再赘述。
经过训练后，可以将各设备单元的目标监测参数的集合，例如设备单元Si的目标监测参数的集合Gi＝{Gi1，Gi2，...，Gim}输入第一神经网络模型，则第一神经网络模型可以根据所输入的目标参数的集合，确定出该设备单元的是否发生故障以及发生故障的状态，例如可以确定出设备单元Si发生了故障Hi2。则相应的，若该设备单元Si的故障向量为Hi＝{Hi1，Hi2，Hi3}时，则设备单元Si的故障状态信息即为Hi＝{0，1，0}。
在本发明实施例中，根据不同的情况，可以采用不同的方式对第一神经网络模型进行构建。可以针对生产线整体构建一个第一神经网络模型，或者也可以对应每一个设备单元构建多个第一神经网络模型。当针对生产线整体构建一个第一神经网络模型时，则将各个设备单元的目标监测参数输入经过训练的第一神经网络模型，可以直接得到相应的设备单元的故障状态信息。但构建的第一神经网络模型较为复杂，使用和训练的过程较为繁琐。所以在本发明实施例的另一种实现方式中，可以针对每一个设备单元构建对应的第一神经网络模型。具体的，步骤120，将目标监测参数输入经过训练的第一神经网络模型，通过第一神经网络模型，确定各设备单元的故障状态信息，可以包括：
将各设备单元的目标监测参数，分别输入对应每一个设备单元的且经过训练的第一神经网络模型，通过第一神经网络模型，分别确定各设备单元的故障状态信息。
采用多个第一神经网络模型的形式，能够降低每一个第一神经网络模型构建难度。针对每一个设备单元的具体情况，采用该设备单元的第一历史故障信息训练与之对应的第一神经网络模型，同时也降低了训练难度且提高了准确性。对整体而言相当于采用了并行算法，能够提高对各设备单元的进行故障判断的运行效率。
步骤130，将各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过第二神经网络模型，确定生产线的整体故障状态。
当通过第一神经网络模型确定出各设备单元的故障状态信息之后，就可以将该故障状态信息，输入经过训练的第二神经网络模型。训练第二神经网络模型时，需要使用大量的历史样本数据，即各设备单元不同故障状态下，生产线所呈现的整体故障状态。由于第二神经网络模型通过大量的历史样本进行了训练，所以能够基于各设备单元的故障状态信息，匹配出最准确的生产线的整体故障状态。生产线的整体故障状态是指，由于不同的设备单元所具有的不同故障状态，所导致的生产线整体的故障等级或结果，该生产线整体故障状态即可以作为当前生产线质量的反映。例如，可以将整体故障状态分为严重、较严重、一般、轻微、无影响五个级别，当各个设备单元处于不同故障状态时，最终所得到生产线的整体故障状态，则为上述五个级别中的一个。或者，生产线的整体故障状态，也可以根据实际需要进行确定，例如可以为具体的数值或者其他表示方式，但相应的，训练时采用的历史样本数据中的生产线整体故障状态需要为同样的数据结构或形式。生产线不同整体故障状态即反应了生产线自身当前的质量情况。
在实际应用中，第二神经网络模型同样可以采用多种形式的神经网络模型，在本发明实施例中，为了能够更加便捷地构建模型，同时提高故障判断的准确性，可选的，第二神经网络模型，包括：BP(Back Propagation，反向传播)神经网络模型。BP神经网络模型是目前应用较为广泛的神经网络模型，具有任意复杂的模式分类能力和优良的多维函数映射能力。
相应的，步骤130，将各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过第二神经网络模型，确定生产线的整体故障状态，包括：
将各设备单元的故障状态信息，作为故障状态矩阵，输入经过训练的BP神经网络模型。通过BP神经网络模型，确定出生产线的整体故障状态。
各设备单元的故障状态信息，可以认为是每一个设备单元当前所处于的故障状态的集合，从而多个设备单元的故障状态信息，能够构成故障状态矩阵。将故障状态矩阵作为经过训练的BP神经网络模型的输入，从而得到生产线的整体故障状态。
具体的，在本发明实施例中，为了能够更准确的确定出生产线的整体故障状态，在本发明实施例中，步骤130，将各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过第二神经网络模型，确定生产线的整体故障状态，可以包括：
步骤131，将各设备单元的故障状态信息，输入经过训练的第二神经网络模型，确定出各设备单元的故障等级。
设备单元处于不同故障状态下时，可以具有不同的故障等级，故障等级用来描述设备单元故障的严重程度。一般而言，可以根据行业专家对生产线设备、生产工艺的经验知识，结合行业设备管理相关标准规范，拟定各设备单元对生产线整体质量及故障影响的权重。例如可以将各设备单元故障按严重程度分为0-9共10个故障等级。当然，在实际应用中也可以采用其他类似的故障等级划分方式。
通过利用大量样本数据对第二神经网络模型的训练，能够使得第二神经网络确定出，各设备单元在不同故障状态的情况下对应的故障等级。例如，采用已知的故障状态的信息作为输入，将该已知的故障状态的信息对应的0-9中的某个故障等级作为目标输出，进行第二神经网络模型的训练。通过训练后，将上述步骤中所得到的故障状态信息作为输入，则第二神经网络能够根据其训练结果，迅速确定出对应的故障等级。例如，结合上面的例子，设备单元Si的故障状态信息为Hi＝{0，1，0}，输入第二神经网络模型后，通过第二神经网络模型确定出设备单元Si为9，表示其故障等级为最高级。多个设备单元的故障状态信息则可以构成故障状态矩阵。将各个设备单元的故障状态信息构成的故障状态矩阵输入第二神经网络模型后，可以得到各个设备单元对应的故障等级。
步骤132，将各设备单元的故障等级输入第二神经网络模型，确定生产线的整体故障状态。
通过步骤131，能够确定出各设备单元的故障等级。例如，针对多个设备单元，可以得到每一个设备单元对应的故障等级，形成故障等级的集合。然后将该故障等级的集合输入经过训练的第二神经网络模型。
同样的，需要采用大量的已知样本信息对第二神经网络模型进行训练，例如，采用多组各个设备单元处于不同故障等级的样本作为训练时的输入，将已知的各设备单元在不同故障等级下所对应的生产线整体故障状态作为训练时的目标输出，经过反复训练及参数调整，能够使得第二神经网络模型根据所输入的各设备单元的故障等级，准确确定出对应的生产线的整体故障状态。
更进一步的，为了能够更加准确的确定出生产线的整体故障状态，在本发明实施例中，步骤132，将所述各设备单元的故障等级输入所述第二神经网络模型，确定所述生产线的整体故障状态，具体可以包括：
步骤132a，根据各设备单元对生产线质量影响的权值，对各设备单元的故障等级进行调整。
各设备单元对生产线质量影响的权值是指不同设备单元对生产线整体质量的影响程度。在生产线中，各个设备单元的重要程度并不完全相同，例如，个别设备单元可以是生产线中的核心设备，一旦出现故障则会对生产线的质量产生重要影响。然而另一些设备单元则可以为生产线上的辅助设备，当出现故障时，其对整个生产线的质量影响较小。所以在本发明实施例中，可以预先确定出各个设备单元对生产线质量影响的权值，例如可以结合行业设备管理相关标准、规范等技术文档以及专家经验，针对生产线中的各个设备单元确定其对生产线质量影响的权值。具体的，权值可以是系数、百分比等各种形式。可以预先设置于执行本方法的电子设备或系统中。
当确定出各设备单元的故障等级后，可以根据预先设置的各设备单元对生产线质量影响的权值，对故障等级进行调整及修正。具体的调整方式可以根据需要进行选择。例如，可以采用系数的方式对故障等级进行修正，使得个别设备单元的故障等级提高或者降低。
步骤132b，将调整后的各设备单元的故障等级输入第二神经网络模型，确定生产线的整体故障状态。
对设备单元的故障等级调整后，将其输入第二神经网络模型，则可以得到更加接近真实情况的结果。在本发明实施例的另一种实现方式中，可以将各设备单元对生产线质量影响的权值，与之前所确定的各设备单元的故障等级一起输入第二神经网络模型。直接通过第二神经网络模型，得到最终的生产线的整体故障状态。当然，采用该方式，在对第二神经网络模型进行训练时，则需要在样本数据中，增加相应的各设备单元对生产线质量影响的权值。
在本发明实施例中，根据各设备单元对生产线整体质量影响的权值，将得到的各设备单元的故障等级作为模型输入计算得到生产线最终的故障状态，完成生产系统整体质量评估。能够对生产线的整体故障状态做出更加准确的评估。
结合上述的各个实施例，在应用本发明实施例提供的生产线质量监测方法之前，需要对第二神经神经网络模型进行训练，所以在本发明实施例提供的生产线质量监测方法中还可以包括：
通过第二历史故障信息，对第二神经网络模型进行训练，第二历史故障信息包括：已知的各设备单元，在不同故障状态下，生产线的整体故障状态。
在上述实施例中对第二神经网络模型的训练方法进行了简单介绍，为了能够使得本领域技术人员能够更容易的实施本发明实施例提供的生产线质量监测方法，在此以BP神经网络模型为例，对第二神经网络模型的训练方法进行进一步的说明。
参见图6，图6为本发明实施例提供的对BP神经网络模型进行训练的流程图，包括：
步骤61，构建网络模型。
根据第一神经网络模型所确定出的各设备单元的故障状态信息，例如，故障状态信息中所包含的数据个数，数据维度等等，设定初始BP神经网络模型的输入向量维数、隐含层节点个数和输出层节点个数。确定隐含层和输出层的传递函数。并且可以将工作变量的阈值合并到上述实施例中提到的各设备单元对所述生产线质量影响的权值。
步骤62，基于第二历史故障信息，确定目标输出。
第二历史故障信息可以基于专家知识经验库等各类历史经验数据得到。将第二历史故障信息作为训练样本数据，在第二历史故障信息中包括有大量的各设备单元处于不同的故障状态下时，生产线整体的故障状态。具体的，由于首先可以判定各个设备的故障等级，所以在第二历史故障信息中，可以包括大量的各设备单元处于不同的故障状态下，该设备单元对应的故障等级的信息，以及各个设备单元处于不同故障等级下时，所对应的生产线整体的故障状态。从而可以将已知的各个设备的故障等级和生产线整体的故障状态作为目标输出。确定不同故障模式向量所对应的当前故障等级，形成训练模型的目标输出。
步骤63，训练模型。
将样本数据导入BP神经网络模型进行训练，基于所设定的目标输出，进行反复训练。
例如将各设备单元处于不同的故障状态的历史数据，以及设备单元不同故障等级的历史数据，导入BP神经网络模型进行训练，设定训练次数和误差阈值。待训练完成后，输入一定量的测试数据进行准确度验证，例如，可以认为准确率高于80％，则代表该模型的分析结果具有较高的参考价值；若准确率低于80％，则需要重新构建网络，调整隐含层层数和节点个数，以增加模型预测的准确度。所导入的数据可以进行归一化的处理，例如上述实施例中所提到的，导入BP神经网络模型的设备单元Si故障状态信息为Hi＝{Hi1，Hi2，…，Hik}，集合中的元素仅取0或1，0表示该故障模式未发生，1表示该故障模式发生，例如Hi＝{0，1，0}。
在本发明实施例中，可以依次对BP神经网络模型进行训练，也可以针对多个BP神经网络模型进行训练，例如，其中一个BP神经网络模型针对各设备单元的故障等级进行训练，另一个针对生产线整体的故障状态进行训练。
具体的，针对BP神经网络模型的训练方法属于现有技术，且目前已经较为成熟，本领域技术人员可以基于本发明实施例提供的基本思路完成对BP神经网络模型的训练过程，在此不再进行深入介绍。
完成第二神经网络模型的训练后，就可以应用第二神经网络模型判定生产线整体的故障状态，从而完成生产系统整体质量评估。
结合上述的各个实施例，在本发明实施例中，为了能够更加准确的确定出生产线的整体故障状态，在步骤110，获取生产线中各设备单元的目标监测参数的步骤之前，本发明实施例提供的生产线质量监测方法还包括：
步骤101，针对各设备单元中的每一个设备单元，确定该设备单元的每一个可监测参数对故障状态的影响权值。
步骤102，将影响权值高于预设阈值的可监测参数，作为目标监测参数。
每一个设备单元中的可监测参数是指在实际中能够监测得到的全部的参数。但是其中部分监测参数对设备单元的正常运行或者故障的发生影响并不明显。如果对全部的可监测参数都进行获取并导入后续的步骤进行处理，则会造成资源的浪费，并且引入过多的干扰参数，导致后续的神经网络模型训练和应用都会较为复杂。所以，可以通过每一个可监测参数对故障状态的影响权值，去除部分对设备单元影响不大的监测参数。将剩余的对设备单元影响较大的监测参数作为目标监测参数。
可监测参数对故障状态的影响权值，可以采用多种方式进行计算或者评估，例如，可以通过专家经验库、预设的对应表等方式，确定每个可监测参数对故障状态的影响权值，影响权值可以是具体的数值，如不同可监测参数的影响权值可以为0至100内，按历史经验或预设的对应表进行确定。
预设阈值可以结合具体的可监测参数对故障状态的影响权值的数据形式以及实际需要进行选择，例如上述例子中，预设阈值可以确定为30，则影响权值大于30的可监测参数作为目标监测参数。
在本发明实施例中，为了能够更加准确的确定出各个可监测参数对故障状态的影响权值，本发明实施例提供了一种量化算法来确定影响权值。
具体的，步骤101，针对所述各设备单元中的每一个设备单元，确定该设备单元的每一个可监测参数对所述故障状态的影响权值，包括：
针对所述各设备单元中的每一个设备单元，通过预设公式计算该设备单元的每一个可监测参数的针对不同故障状态的信息增益；
相应的步骤102，将影响权值高于预设阈值的可监测参数，作为目标监测参数，包括：
将信息增益大于预设阈值的可监测参数，作为目标监测参数，
其中，所述预设公式包括：
Figure BDA0002437072100000151
其中，Gain(Gim，His)表示处于故障状态His时，可监测参数Gim的信息增益，Ent(Dis，His)表示处于故障状态His时，所有样本种类Dis的信息熵，计算公式为：
Figure BDA0002437072100000152
其中，k＝0表示未发生故障状态His，k＝1表示发生故障状态His，pk表示故障状态His发生或不发生的概率。
v从1至3分别表示可监测参数Gim处于偏小、正常和偏大三种状态，
Figure BDA0002437072100000153
表示在采集的可监测参数Gim的总样本数目中Gim在状态v下的次数，|Gim|表示采集可监测参数Gim的总样本数目，
Figure BDA0002437072100000161
表示处于故障状态His时，可监测参数Gim处于状态v的信息熵，计算公式为：
Figure BDA0002437072100000162
其中，
Figure BDA0002437072100000163
表示可监测参数Gim处于状态v时，故障状态His发生或不发生的概率。
在本发明实施例中，根据生产线中各个设备单元的可监测参数的分布和不同故障状态下的特征。针对每一个可监测参数，可以根据历史经验将具体的参数数值划分为偏大、正常、偏小三个类别区域。例如，针对可监测参数Gim，其正常的数值范围为50至60。则当该可监测参数小于50时，则认定其属于偏小的状态，即状态V＝1；大于60时则认为处于偏大的状态，即状态V＝3。针对不同的故障状态，
Ent(Dis，His)表示处于故障状态His时，所有样本种类Dis的信息熵。所有样本可以为已知的全部样本数据或历史数据。通过计算总样本中障状态His发生或不发生的概率pk，则可以计算出Ent(Dis，His)。
然后可以根据可监测参数Gim处于状态v时，故障状态His发生或不发生的概率qk，计算出
Figure BDA0002437072100000164
从而可以根据预设公式，计算出可监测参数Gim处于故障状态His时信息增益。针对故障状态His，对全部的可监测参数进行计算后，可以将信息增益大于预设阈值的可监测参数，作为目标监测参数。从而形成针对故障状态His的目标监测参数的集合。其中预设阈值可以根据需要进行设定，例如可以设定为0，即信息增益大于0的可监测参数，作为目标监测参数。
在本发明实施例中，还可以构建如图7所示的决策分析树，即根据计算得到的各可监测参数的信息增益，按信息增益由大到小的顺序依次将各可监测参数放置在决策树的顶端到底端的部分，将信息增益过小以及为0的可监测参数种类从树结构中剔除，从而得到最终的目标监测参数集合。
在实际应用中，针对一个设备单元，需要计算出可能发生的各个故障状态下的目标监测参数，从而形成针对该设备单元最终的可检测参数的集合。例如，针对其中一个故障状态，可监测参数Gim的信息增益很小，但对于另一个故障状态，可监测参数Gim的信息增益可能很大，需要作为目标监测参数。所以，最终的目标监测参数的集合中需要包括Gim。
随着质量分析技术的快速发展，实时的生产线质量监测分析系统已经成为汽车工业、电子装配、模具制造等具有自动化生产线的复杂生产系统不可或缺的一部分。但生产系统装备的综合集成化、功能多样化，使整个系统形成故障模式多样化的特点，导致目前关于生产线系统的质量分析难度大，且存在严重的滞后性，延长了生产系统的维护时间。而由于缺乏智能算法、数据向量化、结构化以及故障等级制定等方法的应用，导致很难实现对这种智能化复杂生产系统的实时质量分析评估工作。
本发明实施例中，建立了基于人工智能，适用于智能化复杂生产线系统的质量分析评估方法，可针对拥有多设备模块的汽车制造生产系统、电子装配生产系统、模具生产系统等大型复杂系统进行质量分析评估，促进复杂系统的智能化运维。基于人工智能的方式，通过获取生产线中各个设备单元的目标监测参数，并且基于结合人工智能算法，基于所获取的目标监测参数，及时确定出各个设备单元所发生的故障状态，再基于各个设备单元的故障状态，确定出生产线整体的故障状态。该生产线整体的故障状态即可以作为当前生产线的质量情况。能够采用自动化的方式进行实现，大大提高了对生产线质量进行监测的效率，能够实现对生产线各设备单元故障状态及生产线整体故障状态的实时判定。并且由于结合了人工智能算法，能够实现针对复杂的生产线的质量检测，解决了传统方式只能对简单生产线进行监测的问题。能够及时识别发生故障的设备单元，帮助质检或维修部门人员对智能制造生产线系统进行快速精准维护，为生产线系统维修性和保障性的提升提供技术支持。同时，本发明实施例中能够通过计算分析可监测参数对故障状态的影响权值，过滤无关影响因素，可以有效降低无关参数的影响，提升故障状态评估过程准确性。
本发明实施例还公开了一种生产线质量监测装置，参见图8，图8为本发明实施例提供的生产线质量监测装置的结构图，包括：
采集模块801，用于获取生产线中各设备单元的目标监测参数；
第一计算模块802，用于将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息；
第二计算模块803，用于将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态。
可选的，在本发明实施例提供的生产线质量监测装置中，还包括：
过滤模块，用于针对所述各设备单元中的每一个设备单元，确定该设备单元的每一个可监测参数对所述故障状态的影响权值；将所述影响权值高于预设阈值的可监测参数，作为所述目标监测参数。
可选的，在本发明实施例提供的生产线质量监测装置中，所述过滤模块具体用于：
针对所述各设备单元中的每一个设备单元，通过预设公式计算该设备单元的每一个可监测参数的针对不同所述故障状态的信息增益；
将所述信息增益大于所述预设阈值的可监测参数，作为所述目标监测参数，
其中，所述预设公式包括：
Figure BDA0002437072100000181
其中，Gain(Gim，His)表示处于故障状态His时，可监测参数Gim的信息增益，Ent(Dis，His)表示处于故障状态His时，所有样本种类Dis的信息熵，计算公式为：
Figure BDA0002437072100000182
其中，k＝0表示未发生故障状态His，k＝1表示发生故障状态His，pk表示故障状态His发生或不发生的概率。
v从1至3分别表示可监测参数Gim处于偏小、正常和偏大三种状态，
Figure BDA0002437072100000191
表示在采集的可监测参数Gim的总样本数目中Gim在状态v下的次数，|Gim|表示采集可监测参数Gim的总样本数目，
Figure BDA0002437072100000192
表示处于故障状态His时，可监测参数Gim处于状态v的信息熵，计算公式为：
Figure BDA0002437072100000193
其中，
Figure BDA0002437072100000194
表示可监测参数Gim处于状态v时，故障状态His发生或不发生的概率。
可选的，在本发明实施例提供的生产线质量监测装置中，所述第一神经网络模型，包括：自组织特征映射网络模型；
所述第一计算模块802，具体用于：
将所述各设备单元的每一个设备单元的目标监测参数的集合，作为输入向量，输入经过训练的所述自组织特征映射网络模型；通过计算所述输入向量与所述自组织特征映射网络模型中竞争层权值向量之间的欧氏距离，确定出所述各设备单元的故障状态信息。
可选的，在本发明实施例提供的生产线质量监测装置中，所述第一计算模块802，具体用于：
将所述各设备单元的目标监测参数，分别输入对应每一个所述设备单元的且经过训练的所述第一神经网络模型，通过所述第一神经网络模型，分别确定所述各设备单元的故障状态信息。
可选的，在本发明实施例提供的生产线质量监测装置中，还包括：
第一训练模块，用于通过第一历史故障信息，对所述第一神经网络模型进行训练，所述第一历史故障信息包括：已知的所述各设备单元的每一个设备单元，在不同故障状态下，所述目标监测参数的历史数据信息。
可选的，在本发明实施例提供的生产线质量监测装置中，所述第二计算模块803，具体用于：
将所述各设备单元的故障状态信息，输入经过训练的所述第二神经网络模型，确定出所述各设备单元的故障等级；将所述各设备单元的故障等级输入所述第二神经网络模型，确定所述生产线的整体故障状态。
可选的，在本发明实施例提供的生产线质量监测装置中，所述第二计算模块803，具体用于：
根据所述各设备单元对所述生产线质量影响的权值，对所述各设备单元的故障等级进行调整；将调整后的所述各设备单元的故障等级输入所述第二神经网络模型，确定所述生产线的整体故障状态。
可选的，在本发明实施例提供的生产线质量监测装置中，所述第二神经网络模型包括：BP神经网络模型；
所述第二计算模块803，具体用于：
将所述各设备单元的故障状态信息，作为故障状态矩阵，输入经过训练的所述BP神经网络模型；通过所述BP神经网络模型，确定出所述生产线的整体故障状态。
可选的，在本发明实施例提供的生产线质量监测装置中还包括：
第二训练模块，具体用于通过第二历史故障信息，对所述第二神经网络模型进行训练，所述第二历史故障信息包括：已知的所述各设备单元，在不同故障状态下，所述生产线的整体故障状态。
本发明实施例还提供了一种生产线质量监测系统，传感器、处理器、通信接口、存储器和通信总线，其中，传感器、处理器，通信接口，存储器通过通信总线完成相互间的通信；
传感器，安装于生产线的各设备单元，用于采集所述各设备单元的目标监测参数；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如下步骤：
获取生产线中各设备单元的目标监测参数；
将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息；
将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态。
传感器可以安装至各个设备单元，例如生产线中的设备的各个模块上。具体的传感器形式可以根据所采集的目标参数来确定，例如，当需要采集线圈温度时，则需要使用温度传感器。
传感器通过数据总线、电缆等方式与存储器，和/或处理器想连接，从而将所采集的目标监测参数传输至存储器或处理器进行处理。
上述通信总线可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或扩展工业标准结构总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
处理器可以是各类通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processor，数字信号处理器)、或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的生产线质量监测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程设备。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来。并且本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同或相似的部分互相参见即可。

Claims (13)

1.一种生产线质量监测方法，其特征在于，包括：
获取生产线中各设备单元的目标监测参数；
将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息；
将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态。
2.根据权利要求1所述的方法，其特征在于，在所述获取生产线中各设备单元的目标监测参数的步骤之前，所述方法还包括：
针对所述各设备单元中的每一个设备单元，确定该设备单元的每一个可监测参数对所述故障状态的影响权值；
将所述影响权值高于预设阈值的可监测参数，作为所述目标监测参数。
3.根据权利要求2所述的方法，其特征在于，所述针对所述各设备单元中的每一个设备单元，确定该设备单元的每一个可监测参数对所述故障状态的影响权值，包括：
针对所述各设备单元中的每一个设备单元，通过预设公式计算该设备单元的每一个可监测参数的针对不同所述故障状态的信息增益；
所述将所述影响权值高于预设阈值的可监测参数，作为所述目标监测参数，包括：
将所述信息增益大于所述预设阈值的可监测参数，作为所述目标监测参数，
其中，所述预设公式包括：
Figure FDA0002437072090000011
其中，Gain(Gim，His)表示处于故障状态His时，可监测参数Gim的信息增益，Ent(Dis，His)表示处于故障状态His时，所有样本种类Dis的信息熵，计算公式为：
Figure FDA0002437072090000021
其中，k＝0表示未发生故障状态His，k＝1表示发生故障状态His，pk表示故障状态His发生或不发生的概率，
v从1至3分别表示可监测参数Gim处于偏小、正常和偏大三种状态，
Figure FDA0002437072090000022
表示在采集的可监测参数Gim的总样本数目中Gim在状态v下的次数，|Gim|表示采集可监测参数Gim的总样本数目，
Figure FDA0002437072090000023
表示处于故障状态His时，可监测参数Gim处于状态v的信息熵，计算公式为：
Figure FDA0002437072090000024
其中，
Figure FDA0002437072090000025
表示可监测参数Gim处于状态v时，故障状态His发生或不发生的概率。
4.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型包括：自组织特征映射网络模型；
所述将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息，包括：
将所述各设备单元的每一个设备单元的目标监测参数的集合，作为输入向量，输入经过训练的所述自组织特征映射网络模型；
通过计算所述输入向量与所述自组织特征映射网络模型中竞争层权值向量之间的欧氏距离，确定出所述各设备单元的故障状态信息。
5.根据权利要求1或4所述的方法，其特征在于，所述将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息，包括：
将所述各设备单元的目标监测参数，分别输入对应每一个所述设备单元的且经过训练的所述第一神经网络模型，通过所述第一神经网络模型，分别确定所述各设备单元的故障状态信息。
6.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：
通过第一历史故障信息，对所述第一神经网络模型进行训练，所述第一历史故障信息包括：已知的所述各设备单元的每一个设备单元，在不同故障状态下，所述目标监测参数的历史数据信息。
7.根据权利要求1所述的方法，其特征在于，所述将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态，包括：
将所述各设备单元的故障状态信息，输入经过训练的所述第二神经网络模型，确定出所述各设备单元的故障等级；
将所述各设备单元的故障等级输入所述第二神经网络模型，确定所述生产线的整体故障状态。
8.根据权利要求7所述的方法，其特征在于，所述将所述各设备单元的故障等级输入所述第二神经网络模型，确定所述生产线的整体故障状态，包括：
根据所述各设备单元对所述生产线质量影响的权值，对所述各设备单元的故障等级进行调整；
将调整后的所述各设备单元的故障等级输入所述第二神经网络模型，确定所述生产线的整体故障状态。
9.根据权利要求1或7所述的方法，其特征在于，所述第二神经网络模型包括：BP神经网络模型；
所述将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态，包括：
将所述各设备单元的故障状态信息，作为故障状态矩阵，输入经过训练的所述BP神经网络模型；
通过所述BP神经网络模型，确定出所述生产线的整体故障状态。
10.根据权利要求1或7所述的方法，其特征在于，所述方法还包括：
通过第二历史故障信息，对所述第二神经网络模型进行训练，所述第二历史故障信息包括：已知的所述各设备单元，在不同故障状态下，所述生产线的整体故障状态。
11.一种生产线质量监测装置，其特征在于，包括：
采集模块，用于获取生产线中各设备单元的目标监测参数；
第一计算模块，用于将所述目标监测参数输入经过训练的第一神经网络模型，通过所述第一神经网络模型，确定所述各设备单元的故障状态信息；
第二计算模块，用于将所述各设备单元的故障状态信息，输入经过训练的第二神经网络模型，通过所述第二神经网络模型，确定所述生产线的整体故障状态。
12.一种生产线质量监测系统，其特征在于，包括：传感器、处理器、通信接口、存储器和通信总线，其中，传感器、处理器，通信接口，存储器通过通信总线完成相互间的通信；
传感器，安装于生产线的各设备单元，用于采集所述各设备单元的目标监测参数；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-10任一所述的方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10任一所述的方法的步骤。
CN202010257387.4A 2020-04-02 2020-04-02 一种生产线质量监测方法、装置及系统 Active CN111461555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010257387.4A CN111461555B (zh) 2020-04-02 2020-04-02 一种生产线质量监测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010257387.4A CN111461555B (zh) 2020-04-02 2020-04-02 一种生产线质量监测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111461555A true CN111461555A (zh) 2020-07-28
CN111461555B CN111461555B (zh) 2023-06-09

Family

ID=71684390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010257387.4A Active CN111461555B (zh) 2020-04-02 2020-04-02 一种生产线质量监测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111461555B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184031A (zh) * 2020-09-30 2021-01-05 江苏金卫机械设备有限公司 一种用于生产控制的设备自动选择系统及方法
CN112232370A (zh) * 2020-09-16 2021-01-15 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 发动机的故障分析预测方法
CN112684766A (zh) * 2020-12-04 2021-04-20 西安交通大学 一种基于负熵增加的多机协同控制方法及系统
CN112712289A (zh) * 2021-01-18 2021-04-27 上海交通大学 基于时间信息熵的自适应方法、系统及介质
CN113393211A (zh) * 2021-06-22 2021-09-14 柳州市太启机电工程有限公司 一种智能化提高自动化生产效率的方法及系统
CN113393143A (zh) * 2021-06-24 2021-09-14 重庆大学 基于信息融合的翅片机加工状态监测方法
CN113887861A (zh) * 2021-08-23 2022-01-04 广西电网有限责任公司电力科学研究院 一种输变电主设备准实时数据监测系统
CN114091779A (zh) * 2021-11-30 2022-02-25 扬州三星塑胶有限公司 一种pet生产设备的自动在线检测的方法及系统
CN114265390A (zh) * 2021-12-22 2022-04-01 苏州华星光电技术有限公司 设备数据采集诊断方法、装置、服务器及存储介质
CN114527721A (zh) * 2022-04-25 2022-05-24 广东祥利科技有限公司 聚pvc改性电缆粒料在线生产监控方法、系统及云平台
CN114637270A (zh) * 2022-05-17 2022-06-17 成都秦川物联网科技股份有限公司 基于集散控制的智能制造工业物联网及控制方法
CN114819636A (zh) * 2022-04-26 2022-07-29 无锡日升量仪有限公司 一种基于spc检测的工业生产数据处理方法及系统
WO2022237105A1 (zh) * 2021-05-12 2022-11-17 中船重工鹏力（南京）智能装备系统有限公司 自动化装配检测生产线在生产中产品质量分析预测方法
CN116339267A (zh) * 2023-05-25 2023-06-27 深圳市星火数控技术有限公司 基于物联网的自动化生产线控制系统
CN116627093A (zh) * 2023-04-19 2023-08-22 济南海马机械设计有限公司 一种丁腈手套加工控制方法、系统、设备及存储介质
CN116681272A (zh) * 2023-06-02 2023-09-01 苏州索力伊智能科技有限公司 一种自动装配生产线状态监测系统及其方法
CN116739617A (zh) * 2023-06-08 2023-09-12 中国标准化研究院 一种基于数据分析的食品相关产品风险管理系统及方法
EP4254430A4 (en) * 2020-11-25 2025-02-19 Korea Hydro & Nuclear Power Co DEVICE AND METHOD FOR TRACKING THE BASIS OF ABNORMAL STATE DETERMINATION USING A NEURAL NETWORK MODEL

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070288409A1 (en) * 2005-05-31 2007-12-13 Honeywell International, Inc. Nonlinear neural network fault detection system and method
US20080059839A1 (en) * 2003-10-31 2008-03-06 Imclone Systems Incorporation Intelligent Integrated Diagnostics
CN101819411A (zh) * 2010-03-17 2010-09-01 燕山大学 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法
CN106523393A (zh) * 2016-11-18 2017-03-22 山东科技大学 一种用于井下排水系统的故障诊断方法
CN109670584A (zh) * 2018-12-27 2019-04-23 张婧 一种基于大数据的故障诊断方法及系统
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
CN110766143A (zh) * 2019-10-31 2020-02-07 上海埃威航空电子有限公司 基于人工神经网络的设备故障智能诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080059839A1 (en) * 2003-10-31 2008-03-06 Imclone Systems Incorporation Intelligent Integrated Diagnostics
US20070288409A1 (en) * 2005-05-31 2007-12-13 Honeywell International, Inc. Nonlinear neural network fault detection system and method
CN101819411A (zh) * 2010-03-17 2010-09-01 燕山大学 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法
CN106523393A (zh) * 2016-11-18 2017-03-22 山东科技大学 一种用于井下排水系统的故障诊断方法
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
CN109670584A (zh) * 2018-12-27 2019-04-23 张婧 一种基于大数据的故障诊断方法及系统
CN110766143A (zh) * 2019-10-31 2020-02-07 上海埃威航空电子有限公司 基于人工神经网络的设备故障智能诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李梦宇等: "基于CART算法的电能表故障概率决策树分析", 《电网技术》, vol. 20, no. 10, pages 7 - 10 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232370A (zh) * 2020-09-16 2021-01-15 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 发动机的故障分析预测方法
CN112184031A (zh) * 2020-09-30 2021-01-05 江苏金卫机械设备有限公司 一种用于生产控制的设备自动选择系统及方法
EP4254430A4 (en) * 2020-11-25 2025-02-19 Korea Hydro & Nuclear Power Co DEVICE AND METHOD FOR TRACKING THE BASIS OF ABNORMAL STATE DETERMINATION USING A NEURAL NETWORK MODEL
CN112684766B (zh) * 2020-12-04 2022-03-08 西安交通大学 一种基于负熵增加的多机协同控制方法及系统
CN112684766A (zh) * 2020-12-04 2021-04-20 西安交通大学 一种基于负熵增加的多机协同控制方法及系统
CN112712289A (zh) * 2021-01-18 2021-04-27 上海交通大学 基于时间信息熵的自适应方法、系统及介质
CN112712289B (zh) * 2021-01-18 2022-11-22 上海交通大学 基于时间信息熵的自适应方法、系统及介质
WO2022237105A1 (zh) * 2021-05-12 2022-11-17 中船重工鹏力（南京）智能装备系统有限公司 自动化装配检测生产线在生产中产品质量分析预测方法
CN113393211A (zh) * 2021-06-22 2021-09-14 柳州市太启机电工程有限公司 一种智能化提高自动化生产效率的方法及系统
CN113393211B (zh) * 2021-06-22 2022-12-09 柳州市太启机电工程有限公司 一种智能化提高自动化生产效率的方法及系统
CN113393143B (zh) * 2021-06-24 2022-06-17 重庆大学 基于信息融合的翅片机加工状态监测方法
CN113393143A (zh) * 2021-06-24 2021-09-14 重庆大学 基于信息融合的翅片机加工状态监测方法
CN113887861A (zh) * 2021-08-23 2022-01-04 广西电网有限责任公司电力科学研究院 一种输变电主设备准实时数据监测系统
CN114091779A (zh) * 2021-11-30 2022-02-25 扬州三星塑胶有限公司 一种pet生产设备的自动在线检测的方法及系统
CN114265390A (zh) * 2021-12-22 2022-04-01 苏州华星光电技术有限公司 设备数据采集诊断方法、装置、服务器及存储介质
CN114265390B (zh) * 2021-12-22 2024-02-20 苏州华星光电技术有限公司 设备数据采集诊断方法、装置、服务器及存储介质
CN114527721A (zh) * 2022-04-25 2022-05-24 广东祥利科技有限公司 聚pvc改性电缆粒料在线生产监控方法、系统及云平台
CN114819636A (zh) * 2022-04-26 2022-07-29 无锡日升量仪有限公司 一种基于spc检测的工业生产数据处理方法及系统
CN114637270B (zh) * 2022-05-17 2022-08-23 成都秦川物联网科技股份有限公司 基于集散控制的智能制造工业物联网及控制方法
US11681283B1 (en) 2022-05-17 2023-06-20 Chengdu Qinchuan Iot Technology Co., Ltd. Intelligent manufacturing industrial Internet of Things based on distributed control, control methods and media thereof
CN114637270A (zh) * 2022-05-17 2022-06-17 成都秦川物联网科技股份有限公司 基于集散控制的智能制造工业物联网及控制方法
US12259721B2 (en) 2022-05-17 2025-03-25 Chengdu Qinchuan Iot Technology Co., Ltd. Industrial internet of things for intelligent control of filling production, control methods and media thereof
CN116627093A (zh) * 2023-04-19 2023-08-22 济南海马机械设计有限公司 一种丁腈手套加工控制方法、系统、设备及存储介质
CN116627093B (zh) * 2023-04-19 2024-02-27 济南海马机械设计有限公司 一种丁腈手套加工控制方法、系统、设备及存储介质
CN116339267A (zh) * 2023-05-25 2023-06-27 深圳市星火数控技术有限公司 基于物联网的自动化生产线控制系统
CN116339267B (zh) * 2023-05-25 2023-08-08 深圳市星火数控技术有限公司 基于物联网的自动化生产线控制系统
CN116681272A (zh) * 2023-06-02 2023-09-01 苏州索力伊智能科技有限公司 一种自动装配生产线状态监测系统及其方法
CN116681272B (zh) * 2023-06-02 2024-02-02 苏州索力伊智能科技有限公司 一种自动装配生产线状态监测系统及其方法
CN116739617A (zh) * 2023-06-08 2023-09-12 中国标准化研究院 一种基于数据分析的食品相关产品风险管理系统及方法

Also Published As

Publication number Publication date
CN111461555B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN111461555B (zh) 一种生产线质量监测方法、装置及系统
CN108375476B (zh) 一种水电机组健康评估方法
CN105204436B (zh) 基于分级预警的数控机床故障诊断方法
CN104794206B (zh) 一种变电站数据质量评价系统及方法
CN104573845B (zh) 信息系统设备状态检修辅助决策方法
CN117455242A (zh) 一种基于数字孪生的水利管理系统
CN111445103A (zh) 一种基于工业互联网的输电线缆生产质量管理反馈系统
CN111143438A (zh) 一种基于流处理的车间现场数据实时监测与异常检测方法
CN112906764B (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及系统
CN110297469A (zh) 基于重采样的集成特征选择算法的生产线故障判断方法
CN118396252A (zh) 基于云计算的mes客户端数据分析优化方法
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN103942251A (zh) 基于多种质控方法的高空气象资料入库方法和入库系统
CN118395358A (zh) 一种变电站智能防误拓扑分析方法
CN118467930A (zh) 一种应用于机器人的异常数据处理方法
CN118311352A (zh) 用于光伏储能系统的母线槽故障诊断方法及系统
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN114647951A (zh) 一种基于模糊运算的fms可靠性动态量化评价方法
CN119004303A (zh) 基于人工智能和自动化的电厂设备故障诊断方法及系统
CN118584366A (zh) 基于迁移学习算法的锂电池监测方法、系统、介质及设备
CN118611260A (zh) 基于数字孪生的变电设备监控方法、装置、设备及介质
CN117591949A (zh) 一种设备异常识别方法、设备及介质
CN117354168A (zh) 用于物联网预测建模的混合系综方法
CN117705178A (zh) 风电螺栓信息检测方法、装置、电子设备和存储介质
CN118965247B (zh) 一种基于多源数据的电厂数据管理方法及系统

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