CN112183919A - 质量预测系统和质量预测方法 - Google Patents

Abstract

质量预测系统和质量预测方法。质量预测系统包括：传感器，包括安装在机器上的本机传感器和安装在机器的周围环境中的环境传感器，本机传感器采集机器本身的数据，环境传感器采集周围环境的数据；智能计算单元，其与传感器和机器通信连接，控制传感器进行数据采集，接收传感器采集的数据，并且对数据进行预处理；存储和处理设备，其与智能处理单元通信连接，接收来自智能计算单元的预处理数据，存储所述数据，对预处理数据进行数据处理，在训练模式中，存储和处理设备将预处理数据存储在训练数据集中，将训练数据集输入所述质量预测模型进行训练以得到预测模型参数，在预测模式中，存储和处理设备将预处理的数据输入质量预测模型以给出质量概率。

Description

质量预测系统和质量预测方法

技术领域

本发明涉及制造领域中的产品质量检测。更具体地，本发明涉及基于深度学习的实时质量预测方法。

背景技术

传统上，在制造过程中，经过“制造-检查-判断”流程后，零件被评估为“合格”或“不合格”，这仍然是当今制造业确保质量的工作流程。该流程规定：在进行检查之前，零件必须“完全完成”加工的每一个步骤。为了尽可能减少等待时间以提高生产效率，零件的制造过程是一个接一个进行的。这意味着，不清楚刚刚制造出的零件是否是“合格的”。这会导致以下两种情况。在第一种情况下，为了进行判断，需要停止流水线并且对制造出的零件进行质量检查。此时，在质量检查完成之前，不能继续后续零件的生产。由于每生产完一个零件都必须暂停以等待检查结果，这将导致生产率降低。在第二种情况下，如果选择继续生产，并且被质量检查的零件被判定为“不合格”，并且是由损坏的切割工具引起的，则在这个零件的检测过程中，机器会继续生产不合格的零件。这会导致原材料和机器时间的浪费。因此，如果零件刚生产完成，就知道是否合格，是非常有价值的。

此外，产品的可追溯性通常与实际生产过程脱节，也就是说，零件的质量并没有与实际制造该零件的机器关联起来。因为在制造过程中存在需要跟踪的非常多的变量和元素，因此在实践中很难实现这种关联。而且，到目前为止，即使实现了可追溯，仍然需要协调大量监测数据、机器数据、零件序列号和零件质量之间的时间关系，通常也是非常困难和费力的。

发明内容

针对现有技术存在的问题，本发明提出了一种全新的质量预测方法，此方法基于连续的环境监测数据、加工过程序列和设备健康指标，通过深度学习的方式，实时预测产品的质量，使用概率而不是对标准的偏差来预测质量，能够实现对产品的快速全检，克服了传统意义上抽检易漏检瑕疵品的不足。同时，根据预测质量的高低，可以方便的发现、解决问题。

本发明的一个方面提供一种质量预测方法，该方法基于连续的环境监测数据、加工过程序列和设备健康指标，通过深度学习的方式，预测产品的质量。该方法适用满足下列条件的量化尺寸质量的预测，但不局限于此。

1、机加工零件。

2、较大的部件，如发动机机体、涡轮叶片等。

3、体积小、价值高的零件。

4、成本较高的原材料。

本发明还引入了“质量”的概念，通过使用概率而不是对标准的偏差来表示。传统上，优质产品是指该产品的关键尺寸，非常接近设计时定义的理论值。而本发明对“合格质量”的定义是指合格产品与相应标准样本之间的“制造环境”有多接近，这种接近是通过分析大量相关的环境数据和设备内部数据来实现的。

本发明会给出一个概率值，表示被加工零件是“好”的可能性，这个概率值，表示零件的特征处于其理论尺寸范围内的可能性。

使用本发明提供的方法，将根据零件的加工机器、制造过程和加工环境，实时判断零件的质量，而非传统意义上的测量。这种“按过程计算”的概念，要求跟踪和关联多个探测设备数据和机器内部数据。每个探测设备都提供了零件加工过程中的时间序列数据，这种时间序列值被称为产品DNA。产品DNA是从一组由智能计算单元(SCU)控制的探测设备或其它控制设备中采集的。采用这种方法，可以为每一个被制造的物理实体关联一个DNA。如果两个零件或产品是相同的，则它们的产品DNA应是相同的。如果产品DNA不相同，那么差异或相同就成为它们之间的产品质量差异或相同。如果对标准产品和目标产品进行比较，则可以确定目标产品的缺陷或不足。

就这种方法而言，如果正在生产的一组零件的DNA值为“X”，当遇到一个零件，它的DNA值为“Y”(X和Y位于不同的置信区间)，那么就存在异常。当异常发生时，必须警告操作员。“相同”的阈值是由操作员或最终用户指定的。应注意，这不同于传统意义上的参数阈值，这是从以前的实例和条件中积累，并指定的一个值，当出现新的证据时，可以动态地改变这个值。术语“动态”是指“实时自动”或“过程手动”，即在生产过程中进行手动改变。

具有复制质量的能力，是本发明额外的一个好处。对于大中型制造企业来说，如何确保产品在多个工厂生产，并且质量一致？为了保证一致性，企业选择购买相同的设备，以减少因机器因素带来的影响。然而，该方法没有考虑环境的变化和辅助工具的变化带来的影响。而本发明提供的方法，已经充分考虑到环境和辅助工具的变化带来的影响，因此，可以将某个工厂的质量标准复制到其它工厂。

在本发明的一个方面，提供了一种质量预测系统，所述质量预测系统包括：多个传感器，所述多个传感器包括安装在制造产品的机器上的本机传感器和安装在所述机器的周围环境中的环境传感器，所述本机传感器直接采集所述机器本身的多种数据，并且所述环境传感器采集所述周围环境中的多种数据；智能计算单元，所述智能计算单元与所述多个传感器和所述机器的控制部通信连接，控制所述多个传感器进行数据采集，接收所述多个传感器所采集的数据，并且对接收到的数据进行预处理；存储和处理设备，所述存储和处理设备与所述智能处理单元通信联接，接收来自智能计算单元的预处理数据，存储所述预处理数据，并且对所述预处理数据进行数据处理，其中，在训练模式中，所述存储和处理设备将所述预处理的数据存储在训练数据集中，将所述训练数据集输入所述质量预测模型进行训练以得到预测模型参数，并且其中，在预测模式中，所述存储和处理设备将所述预处理的数据输入所述质量预测模型以给出质量概率。

所述质量预测系统还包括显示设备，所述显示设备与所述存储和处理设备连接，显示从所述存储和处理设备接收到的质量概率。

所述存储和处理设备周期性地进入所述训练模式以迭代地进行质量训练。

所述训练是针对多个产品批量进行的。

所述存储和处理设备能够在所述预测模式中对产品的质量进行预测的同时利用所述产品的所述预处理数据对所述质量预测模型进行实时训练。

所述智能计算单元所执行的预处理包括数据格式化处理。

所述数据格式化处理包括将从所述多个传感器接收到的数据按照预定格式连接在一起。

所述数据格式化处理包括将从所述多个传感器接收到的数据与从所述机器的所述控制部接收到的标识数据和运行数据连接在一起。

所述多个传感器是在所述智能计算单元的控制下按照预定的采样间隔周期性地进行数据采集的。

所述采样间隔是根据所训练的质量预测模型的训练度确定的，其中，如果所述训练度不符合要求，则将所述采样间隔调整为更小以获得更多的数据。

在所述训练模式中，所述预处理数据在存储在所述训练数据集中之前被人工地或通过专用测量机器判定为是否合格。

在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为合格，则将与该产品关联的预处理数据标记为合格并输入所述训练数据集中，以作为合格产品来训练所述质量预测模型。

在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为不合格，则将与该产品关联的预处理数据标记为不合格并输入所述训练数据集中，以作为不合格产品来训练所述质量预测模型。

在对一产品进行质量预测时，如果所述质量预测系统给出的质量概率是不令人满意的，则所述质量预测系统的操作员拒绝所述质量概率，并且指示所述质量预测系统利用该产出的预处理数据对所述指令预测模型进行重新训练。

所述存储和处理设备将所述产品和生产所述产品的所述机器关联起来，以建立所述产品的可追溯性。

所述多个传感器包括以下传感器中的至少一个：温度传感器、湿度传感器、噪声传感器、振荡传感器、电压传感器、电流传感器、气敏传感器、二氧化碳传感器、光敏传感器、力敏传感器、位置传感器、速度传感器、加速度传感器、红外传感器。

所述本机传感器和/或所述环境传感器根据所述机器的类型和/或用途包括不同类型的多个传感器。

本发明的另一个方面提供了一种质量预测方法，所述质量预测方法包括以下步骤：由安装在制造产品的机器上的本机传感器直接采集所述机器本身的多种数据，并且由安装在所述机器的周围环境中的环境传感器采集所述周围环境中的多种数据；将采集的数据发送至智能计算单元以进行数据预处理；将经过预处理的数据发送至存储和处理设备，存储经过预处理的数据，对所述预处理的数据进行数据处理，其中，在训练模式中，所述预处理数据存储在训练数据集中，并且将所述训练数据集输入所述质量预测模型进行训练以得到预测模型参数，并且其中，在预测模式中，将所述预处理数据输入所述质量预测模型以给出质量概率。

所述训练模式被周期性地执行以迭代地进行质量训练。

所述训练是针对多个产品批量进行的。

能够在所述预测模式中对产品的质量进行预测的同时利用该产品的所述预处理数据对所述质量预测模型进行实时训练。

所述数据预处理包括数据格式化处理。

所述数据格式化处理包括将从所述多个传感器接收到的数据按照预定格式连接在一起。

所述数据格式化处理包括将从所述多个传感器接收到的数据与从所述机器的所述控制部接收到的标识数据和运行数据连接在一起。

所述多个传感器是按照预定的采样间隔周期性地进行数据采集的。

进行数据采集的所述采样间隔是根据所训练的质量预测模型的训练度确定的，其中，如果所述训练度不符合要求，则将所述采样间隔调整为更小以获得更多的数据。

在所述训练模式中，所述预处理数据在存储在所述训练数据集中之前被人工地或通过专用测量机器判定为是否合格。

在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为合格，则将与该产品关联的预处理数据标记为合格并输入所述训练数据集中以作为合格产品来训练所述质量预测模型。

在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为不合格，则将与该产品关联的预处理数据标记为不合格并输入所述训练数据集中，以作为不合格产品来训练所述质量预测模型。

在对一产品进行质量预测时，如果所述质量预测系统给出的质量概率是不令人满意的，则所述质量预测系统的操作员拒绝所述质量概率，并且指示所述质量预测系统利用该产品的预处理数据对所述质量预测模型进行重新训练。

所述产品和生产所述产品的所述机器被关联起来，以建立所述产品的可追溯性。

所述多个传感器包括以下传感器中的至少一个：温度传感器、湿度传感器、噪声传感器、振荡传感器、电压传感器、电流传感器、气敏传感器、二氧化碳传感器、光敏传感器、力敏传感器、位置传感器、速度传感器、加速度传感器、红外传感器。

所述本机传感器和/或所述环境传感器根据所述机器的类型和/或用途包括不同类型的多个传感器。

根据本发明的又一个方面，提供了一种机器可读存储介质，所述机器可读存储介质存储计算机程序，所述计算机程序包括程序代码，当在根据本发明的质量预测系统的控制器上运行所述程序代码时，所述控制器执行根据上面描述的质量预测方法的步骤。

有益效果

根据本发明，在任何给定的时间点，如果系统检测到“不良”的零件，系统会给出报警，操作员就可以先暂停生产，解决问题。拥有这种能力的好处是显而易见的，因为知道存在异常，所以在问题被解决之前，不会继续生产下一个零件，若没有异常，机床会连续生产。

而且，通过本发明，简单地建立了产品的可追溯性。借助于可追溯性，产品的质量与制造或加工该产品的机器关联起来。如果一个机器制造处理的一个产品在质量上出现瑕疵，则可以快速地确定该产品的来源。

本发明提供了一种实时质量预测的方法，产品生产完成，即可实时给出质量预测值，并可以通过自身模型的迭代，不断提高质量预测的准确性。使用新式的“制造-预测”模式，代替传统上的“制造-检验-判断”模式，可以实现对产品的快速全检，不但提高了生产效率和设备利用率，降低了原材料浪费，还削减了企业的人力成本和设备采购成本。

附图说明

图1示出了根据现有技术的产品质量检测方法。

图2示意性示出了根据本发明的第一实施方式的质量预测系统的框图。

图3示意性示出了图2中示出的传感器的分类；

图4示出了根据本发明的第一实施方式的数控机床的G代码的例子。

图5示意性示出了根据本发明的第一实施方式的格式化后的拼接数据的例子。

图6示出了简要例示智能计算单元的迭代处理的流程图

图7示出了。例示根据本发明的第一实施方式的质量预测方法的流程图。

具体实施方式

图1示出了现有技术的产品质量检测方法。图1示出了在计算机数控(CNC)机床加工零件的场景下现有技术的产品质量检测方法。尽管图1中示出了详细的场景，但是本文将聚集在对现有技术的两种质量检测方法的描述，其他部分的描述将被省略。如图1所示，在对零件进行加工时，要加工的零件被固定在机床工作台上。数控机床的控制部根据操作员输入的控制数据和运行数据(例如，包括G代码和M代码)，控制数控机床对胚件进行切削，以制造出目标零件。通常，在制造完成后，需要对零件的质量进行检查，以确定零件的质量是否符合预定的要求。根据图1示出的质量检测方法，根据现有技术，存在离线检查和在线检查在内的两种质量检查方法。根据离线检查方法，在每个零件完成之后，依次对每个零件进行质量检查。通常，这种离线检查方法需要利用专门的质量检查系统来进行质量检查。所述质量检查系统可以包括质量检测机或量具，例如，GLOBAL mini 03.04.03。操作员根据零件的工艺要求对质量检测机进行编程，利用质量检测机对制造好的零件进行质量检测，以确定所制造的零件是否符合质量要求，即，是否是合格的产品。根据这种离线检查方法，在对每一个完成的零件进行检查的情况下，需要大量的时间。这严重影响了生产率。显然，在现代的大规模生产的环境中，这种离线质量检查方法是不太可行的。因此，作为替代，通常对完成的零件进行随机抽检。虽然这种抽检减少了要检查的零件的数量，在一定程度上缩短了检查时间，提高了生产率，但是这种抽检同样需要消耗时间。并且更重要的是，无法确定被抽检零件以外的零件的质量是否符合要求。

现有技术的在线检查方法旨在克服离线检查方法的缺陷。根据在线检查方法，需要将在线测头布置在加工机床上，以对制造中的零件进行在线检测。显然，这种在线检查方法在一定程度上克服了离线检查方法的缺陷，例如，减少了人力资源，缩短了时间，并且提高了生产率。但是，与离线检测相比，在线检查方法的问题是质量检测精度降低。由于在线检测本身硬件和结构的限制，无法提供如离线产品质量检测方法那样高的精度。

而且，不管是现有技术的在线检测方法还是离线检测方法，都还存在着一个不可忽视的问题，即，产品的可追溯性。在现有技术中，产品的可追溯性通常与实际生产过程脱节，也就是说，零件的质量并没有与实际制造该零件的机器关联起来。因为在制造过程中存在需要跟踪的非常多的变量和元素，因此在实践中很难实现这种关联。产品的可追溯性的意义在于，产品的质量与制造或加工该产品的机器关联起来。生产或制造出来的产品的质量因此也与该机器关联起来。如果一个机器制造处理的一个产品在质量上出现瑕疵，例如，某个参数与预定规格不一致，则可以快速地确定该产品的来源，即，制造该产品的机器，并且相应地检查与该机器相关联的其他产品的状态。进一步地，单个机器的状况可以扩展至该机器所属的同一型号或系列的其他机器。

图2示意性地示出了根据本发明的质量预测系统100。该质量预测系统100与数控机床200相连接，以对数控机床200所制造的零件的质量进行预测。数控机床200按照存储在数控机床200的控制部210中的控制数据和运行数据对要加工成预定零件的胚件进行切削加工。数控机床200的控制部210所存储的控制数据例如包括控制机床操作的各种参数，并且控制部210所存储的运行数据例如包括G代码和M代码。图4中示出了G代码的示例。此外，控制部210中还存储机器ID。所述机器ID用于与零件的产品ID相组合以能够在零件的整个寿命周期内进行跟踪，从而提供该零件的可追溯性。质量预测系统100包括多个传感器120、多个智能计算单元(SCU)150、存储和处理设备160以及显示设备170。在此，为了清楚起见，仅示出了一个数控机床200和一个对应的智能计算单元150。但是，智能计算单元的数量和布置可以根据所使用的数控机床的数量调整。

所述多个传感器120用于探测数控机床200本身以及数控机床200的周围环境，以获得包括例如温度、湿度、压力、噪声、磁通量、振荡、电压、电流、位置、速度、加速度等的数据。如图3所示，所述多个传感器120包括安装在数控机床200主体上的多个本机传感器130以及布置在数控机床200周围的多个环境传感器140。其中，多个本机传感器130被布置在数控机床200的需要采集数据的各个位置处，并且多个环境传感器140被布置在数控机床200的周围，以对数控机床的周围工作环境的情况和变化进行实时探测。根据本发明，所述多个传感器可以包括不同数量和不同类型的传感器。传感器的数量和类型可以根据用于制造的机器的类型和产品的类型来确定。例如，在本实施方式中，使用数控机床200来加工零件。因此，在这种情况下，使用了本机传感器130和环境传感器140。如图3所示，在此实施方式中，本机传感器130可以包括本机温度传感器1301、本机振荡传感器1302、本机噪声传感器1303、本机电压传感器1304以及本机电流传感器1305等，并且环境传感器140可以包括环境温度传感器1401和环境噪声传感器1402等。在另一不同的使用情境中，如上所述，不同数量和不同类型的传感器可以应用于在该使用情境中负责生产的机器。例如，可以使用的传感器还可以包括气敏传感器、二氧化碳传感器、光敏传感器、力敏传感器、位置传感器、速度传感器、加速度传感器、红外传感器等。

智能计算单元150与数控机床200连接。更具体地，智能计算单元150与数控机床的控制部210连接，以从控制部210获取数控机床200的标识数据、控制数据和运行数据并进行数据处理。数控机床的标识数据的作用在于标明完成零件的加工的数控机床的身份标识(机器ID)，以用于将完成加工的零件与该数控机床关联起来，以实现产品的可追溯性。智能计算单元还与多个传感器120相连接，以控制各个传感器按照预定采样间隔对数控机床200本身和/或周围环境进行测量/采样，并且将所获得的测量数据发送至智能计算单元150。也就是说，在一个零件的制造周期内，相应的传感器按照预定的测量间隔或者采样间隔将所测量到或采样的数据实时地发送到智能计算单元150。所述间隔并不是固定的，并且能够根据不同情况进行调整。例如，所述间隔能够根据稍后描述的在训练模式中进行训练的质量预测模型的训练度来调整。术语“训练度”是指所训练的质量预测模型的准确度。或者，所述指令预测系统的操作员可以根据实际需要对所述间隔进行调整。对间隔的调整可以包括将所述间隔增大以减少数据量和缩短所述间隔以得到更多的数据。也就是说，所述间隔决定着质量预测系统的需要处理的数据量的大小。

在接收到多个传感器发送的测量数据后，智能计算单元150对数据进行预处理。具体地，智能计算单元所执行的数据处理可以包括数据格式化处理以及边缘计算等。格式化处理是指智能计算单元在接收到多个传感器的数据后，按照预定格式将在对应采样间隔测量到的传感器数据拼接在一起的处理。另选地，所述格式化处理还可以包括按照预定格式，将接收到的多个传感器的数据与从数控机床200的控制部210接收到的数据(例如，G代码)拼接在一起。在执行拼接处理时，智能计算单元150为每个传感器的数据添加专用标签以与来自其他传感器的数据区分开。图5示出了将来自相应的本机探测器和环境探测器的采集数据以及来自数据机床的G代码格式后得到的拼接数据。例如，如果在当前零件的制造周期内，智能计算单元150从传感器接收到不同时间测量到的多组数据，则智能计算单元150可以根据与各组数据同时接收到的数控机床200的运行数据，即，G代码，拼接成一个数据组，而多个拼接成的数据组形成一个数据集。该数据集将被发送到存储和处理设备160以进行进一步处理。此外，智能计算单元150中还存储零件的产品ID，所述产品ID用于与从机器200的控制部210接收到的机器ID相组合以能够在零件的整个寿命周期内进行跟踪，从而提供该零件的可追溯性。此外，智能处理单元150还可以执行边缘计算，所述边缘计算可以包括对预定时间段内的测量数据进行的统计分析。智能处理单元150所执行的上述预处理在一定程度上实现了分布式处理，因此可以减轻存储和处理设备160的负担。

在数据预处理完成之后，智能计算单元150将处理后的数据发送至存储和处理设备160。通常，存储和处理设备160可以在训练模式和/或预测模式中工作。当然，存储和处理设备160必须先执行训练模式以对质量预测模型进行训练。具体地，在训练模式中，存储和处理设备160接收经过智能计算单元150格式化并发送的预处理数据，并存储在数据存储部1610中。然后，存储和处理设备160的数据处理部1620开始针对所存储的预处理数据执行数据处理。具体地，数据处理部1620利用深度学习对数据进行训练。首先，数据处理部1620创建了一个空的训练数据集。通常，在训练模式中，训练是利用多个零件批量进行的。因此，所述训练需要预定数量的零件。针对每个零件，通过人工或者离线质量检查来判定零件的质量是否符合规格的要求。根据检查结果，将此零件关联的数据打上合格或者不合格的标签。数据处理部1620将与该零件相关联的传感器数据输入所创建的空训练数据集中，这些被输入的传感器数据包含从安装在数控机床200上和安装在数控机床200的周围环境中的各种传感器所测量的各种数据，诸如环境中的温度、噪声以及数控机床本机的温度、噪声、振动、电压和电流等。在利用一定数量的零件(所述零件的产品DNA)对质量预测模型进行了训练之后，数据处理部1610可以转换至预测模式。在此预测模式中，多个传感器采集到的数据在经过智能计算单元150预处理后发送至存储和处理设备160。在进行存储后，所述预处理数据被馈入训练好的质量预测模型中。质量预测模型根据所输入的数据给出质量概率。所述质量概率可以是一个数值，表示正在检测的零件的质量合格的概率。质量预测系统可以在训练模式和预测模式之间转换。但是，如上所述，训练是一个迭代的过程。也就是说，在经过一定数量的数据训练之后，可以将所训练的质量预测模型用于实际预测。在进行预测的同时，质量预测模型可以利用所馈入的数据进行实时训练。因此，训练模式和预测模式可以并行地实现。

如上所述，训练是按照预定的间隔周期性地进行的。所述间隔并不是固定的，并且能够根据不同情况进行调整。例如，所述间隔能够根据稍后描述的在训练模式中进行训练的质量预测模型的训练度来调整。术语“训练度”是指所训练的质量预测模型的准确度。或者，所述指令预测系统的操作员可以根据实际需要对所述间隔进行调整。对间隔的调整可以包括将所述间隔增大以减少数据量和缩短所述间隔以得到更多的数据。也就是说，所述间隔决定着质量预测系统的需要处理的数据量的大小。因此，所述间隔可以根据需要进行调整，以例如必须消除“无用”数据，从而避免系统负担过大，尤其是在云端。举例来说，如果振动的变化很低，则无需进行太频繁的采样。这可以由算法来决定。

此外，如上所述，在训练完成后，训练模式转换为预测模式。根据一个示例，在对一产品进行质量预测时，如果质量预测模型给出的质量概率不令人满意，则质量预测系统的操作员可以拒绝该质量概率，并且操作质量预测系统利用该产品的预处理数据对质量预测模型进行实时的重新训练。在这种情况下，训练不是批量进行的。相反，训练是利用单个零件进行的。

此外，如果一个零件被质量预测模型判断为不合格，即，质量概率低于预定阈值，则该零件将被放在一个专门“容器”中。此处，术语“容器”可以是逻辑的或物理的。质量预测系统的操作员或用户必须对判断为不合格的零件执行标准质量控制检查。对于并不准确的判断结果，可以将相关零件的数据手动输入质量预测模型中进行训练。这样做的原因是在某些情况下，特别是在训练量不足的情况下，质量预测模型可能产生误判。此时，必须通过传统的检查来确认。确认结果必须反馈到质量预测模型中，以避免这种误判。

图6示出了进行上述处理的简要流程图。可以看到，该过程是一个周期性地迭代的过程。

在第一周期(周期0)期间，训练数据集TD0是空集，在向该空的训练数据集添加了实时采集的数据后，训练数据集TD0变为训练数据集TD1。利用该训练数据集TD1来训练空的质量预测模型PM0，得到了训练完成的质量预测模型PM1。此后，在第二周期(周期1)期间向训练数据集TD1添加新的实时数据，得到训练数据集TD2，并且相应地利用训练数据集TD2来训练质量预测模型PM1并得到新的质量预测模型PM2。以此类推，直至训练结束(TDN)。在此过程中，不断用新得到的训练数据集TD1-TDN来训练质量预测模型PM，使得该质量训练模型不断迭代，直至得到最终的质量训练模型PMN。此后，在训练阶段之后的预测阶段，在制造各个零件时，各个零件的相应传感器数据在智能计算单元150的控制下发送到智能计算单元150，并且在经过预处理之后发送到随后的存储和处理设备160。在相应的数据被存储在数据存储部1610并且经过数据处理部1620馈入所训练的质量预测模型进行质量预测。质量预测模型会给出此产品合格的概率。

附加地和/或另选地，处理部1620还可以训练不合格产品DNA。具体地，在训练阶段，接收并存储了从智能计算单元150发送来的关于在数控机床200上制造完成的各个零件的传感器数据以后，数据处理部1620利用深度学习针对预定数量的零件对质量预测模型进行训练。如果人工判定一个零件质量不合格，则将与该零件相关联的数据输入所述训练数据集中，以此来训练质量预测模型对不合格产品的判断。随后，在预测阶段，可以实时地判断馈送的产品是合格还是不合格。与仅能够判断合格产品的质量预测模型相比，还经过不合格产品训练的质量预测模型可以更加灵活、高效和准确地判定产品的质量。而且，如果产品被判定为质量不合格，则可以更加细化地判定产品质量不合格的原因。

因此，在实际生产阶段，当数控机床200生产一零件时，在智能计算单元150的控制下，质量预测系统100的本机传感器130和环境传感器140对正在制造的零件进行探测，产生相应的传感器数据。所述传感器数据连同数控机床的运行数据被一起发送至智能计算单元150。在智能计算单元进行预处理以进行格式化(例如，拼接)以形成产品DNA后被发送至存储和处理设备160。存储和处理设备160的数据存储部1610按照格式存储所接收到的产品DNA，并且存储和处理设备160的数据处理部1620将所存储的产品DNA馈入预先训练好的质量预测模型中。质量预测模型给出质量概率(质量概率允许范围)。将质量概率发送至显示设备170。除了显示质量概率以外，显示设备170还可以显示在测量过程中触发的各种提醒和/或警告消息。

图7示出了例示根据本发明的第一实施方式的质量预测方法700的流程图。图7中示出的流程图例示了根据本发明的质量预测方法的训练阶段。

在步骤701，该方法开始。

在步骤702，智能计算单元150控制安装在数控机床200上的多个本机传感器130和/或安装在数控机床200周围的本机传感器140对在数控机床200上制造的零件进行探测，以获得本机探测数据和周围环境数据。

在步骤703，所获得的探测数据与存储在数控机床200的控制部210中的运行数据(例如，G代码)一起被发送至智能计算单元150。

在步骤704，智能计算单元150接收到的数据进行预处理。所述预处理包括数据格式化处理和边缘计算等。格式化处理是指智能计算单元在接收到多个传感器和数控机床200的控制部210发送的数据后，按照预定格式，将接收到的G代码与在对应时间测量到的传感器数据拼接在一起的处理。在执行拼接处理时，智能计算单元150为每个传感器的数据添加专用标签以与来自其他传感器的数据区分开(如图3所示)。例如，如果在当前零件的制造周期内，智能计算单元150从传感器接收到不同时间测量到的多组数据，则智能计算单元150可以根据与各组数据同时接收到的数控机床200的运行数据，即，G代码，拼接成一个数据组。所形成的数据组被称为产品的产品DNA。多个拼接成的数据组形成一个数据集。该数据集将被发送到存储和处理设备160以进行进一步数据处理。此外，智能处理单元150还可以执行边缘计算，所述边缘计算可以包括对预定时间段内的测量数据进行的统计分析。

在步骤705，智能计算单元150将经过预处理的数据发送至存储和处理设备160。

在步骤706，存储和处理设备160接收从智能计算单元150发送的预处理数据并存储在数据存储部1610中。

在步骤707，数据处理部1620创建一个空的训练数据集以开始进行训练，并且将预处理数据输入该训练数据集中。如上所述，预处理数据是由智能计算单元150所提供的数据，包含从安装在数控机床200上和安装在数控机床200的周围环境中的各种传感器所测量的各种数据，诸如环境中的温度、噪声以及数控机床本机的温度、振荡、噪声、电压和电流等。这些数据智能计算单元150处理为产品(在本实施方式中，零件)的产品DNA。所述训练需要预定数量的零件。在被输入训练数据集之前，已经通过人工或机器执行离线质量检查判定该零件的质量是合格的。因此，在将所述预处理数据时输入训练数据并利用该训练数据集训练质量预测模型时，针对合格产品进行训练。附加地或另选地，在被输入训练数据集之前，已经通过人工或机器执行离线质量检查判定该零件的质量是不合格的。因此，在将所述预处理数据时输入训练数据并利用该训练数据集训练质量预测模型时，针对合格产品和不合格产品进行训练。

在步骤708，经过利用周期性地迭代的训练数据集对质量预测模型进行训练，最终训练形成可以用于预测质量的质量预测模型。具体地，由于训练需要一定数量的零件来进行，因此训练数据集周期性地被输入新采集并预处理的数据，以不断训练质量预测模型。用于训练的零件的越多，则质量预测模型的预测将越准确。

在步骤709，判定训练是否结束。换言之，如果已经利用预定数量的零件的数据训练了质量预测模型，则可以将该质量预测模型用于质量预测。如果训练结束，则该方法继续进行至步骤710。如果训练未结束，则该方法返回至步骤702。

在步骤710，该质量预测方法利用训练好的质量预测模型对实际生产的零件进行实时质量预测。具体地，智能计算单元150将通过多个传感器采集到的数据格式化为符合要求的预处理数据(产品DNA)，将将预处理数据发送至存储和处理设备160。存储和处理设备160的数据处理部1620将预处理数据输入训练好的质量预测模型中，并且质量预测模型返回质量概率。所述质量概率可以给出当前被预测的产品是合格产品的概率。当该概率处于预定的数值范围内时，该产品的质量是合格的。相反，如果超出预定的数值范围，则该产品的质量不合格。附加地或另选地，在针对不合格产品训练了质量预测模型的情况下，质量预测模型还可以给出不合格产品的具体指示。

在步骤711，该方法结束。

以上描述了本发明在使用数控机床对零件进行加工的场景中的应用。但是，本发明的能够应用于除数控机床以外的更多种生产和制造场景中，只要该场景中需要对制造出的产品的质量进行预测并将记录制造出的产品的可追溯性即可。

例如，本发明还可以应用于卷烟制造、制药、食品加工等众多领域。

下面简要地描述本发明的第二实施方式。在该实施方式中，根据本发明的质量预测技术被应用于卷烟制造。

与第一实施方式相似，卷烟制造系统的控制部存储用于控制卷烟制造系统的整体操作的控制数据。此外，所述控制部还包括机器ID。质量预测系统可以包括多个传感器、多个智能计算单元、存储和处理设备以及判定结果显示设备。在此，为了清楚起见，仅以卷烟制造系统和一个对应的智能计算单元为例。但是，智能计算单元的数量和布置可以根据所使用的卷烟制造系统的数量调整。

用于卷烟制造系统的质量预测系统总体上与应用于数控机床的质量预测系统是相同的，主要区别在于所使用的本机传感器和环境传感器的类型和数量。本实施方式的质量预测系统所包括的多个传感器的布置与上述第一实施方式中的多个传感器的布置相似，在此省略详细描述。根据本发明，所述多个传感器可以包括不同数量和不同类型的传感器。传感器的数量和类型可以根据用于制造的机器的类型来确定。例如，在本实施方式中，使用卷烟制造系统来生产卷烟。因此，在这种情况下，使用了本机传感器和环境传感器。在此实施方式中，诸如湿度、压力、化学反应、温度(干燥控制)、流速、振动等环境数据非常重要。因此，持续时间、绝对值和变化范围成为重要参数。因此，应用于本实施方式的情景中的所述多个传感器可以包括用于采集上述参数或其他参数的传感器。在另一不同的使用情境中，如上所述，不同数量和不同类型的传感器可以应用于在该使用情境中负责生产的机器。

智能计算单元与卷烟制造系统连接。如以上参照图2至图7描述的，智能计算单元与卷烟制造系统的控制部连接，以从控制部获取卷烟制造系统的机器ID并进行数据处理。所述机器ID的作用在于标明完成卷烟制造的系统的身份标识，以利用存储在智能计算单元中的产品ID将完成加工的卷烟与该系统关联起来，以实现产品的可追溯性。智能计算单元还与多个传感器相连接，以控制各个传感器按照预定测量间隔对卷烟制造系统本身和/或周围环境进行测量，并且将所获得的测量数据发送至智能计算单元。在接收到多个传感器发送的测量数据后，智能计算单元对数据进行预处理，所述数据预处理可以包括数据格式化处理以及边缘计算等。

在数据预处理完成之后，智能计算单元将处理后的数据发送至存储和处理设备。在存储和处理设备处，经过相应智能计算单元处理的格式化数据被存储在数据存储部中。然后，存储和处理设备的数据处理部开始针对所存储的格式化数据执行数据处理。数据处理部利用深度学习对数据进行训练。所述训练过程如以上参照图6和图7所描述的那样，在此省略详细描述。

此后，在训练阶段之后的实际制造阶段，在制造卷烟时，相应传感器数据在智能计算单元的控制下发送到智能计算单元，并且在经过预处理之后发送到随后的存储和处理设备。在相应的数据被存储在存储部并且经过数据处理部处理后，被馈入所训练的质量预测模型进行质量预测。质量预测模型会给出此产品合格的概率。

因此，在实际生产阶段，质量预测系统的本机传感器和环境传感器对正在制造的卷烟进行探测，产生相应的传感器数据。所述传感器数据被发送至智能计算单元。在智能计算单元进行预处理以进行格式化(例如，拼接)以形成产品DNA后被发送至存储和处理设备。存储和处理设备按照格式存储所接收到的产品DNA，并且将所存储的产品DNA输入预先训练好的产品质量模型。产品质量模型返回质量合格概率。所述概率被发送至显示设备以显示给用户。显示设备还可以显示在测量过程中触发的各种提醒和/或警告消息。

以上的第一实施方式和第二实施方式描述了本发明在使用数控机床加工零部件和卷烟制造系统制造卷烟的场景中的应用。但是，本发明的能够应用于更多的制造场景中，只要该场景中需要对制造出的产品的质量进行预测并将记录制造出的产品的可追溯性即可。

例如，本发明还可以应用于药品制造领域。

下面简要地描述本发明的第三实施方式。在该实施方式中，根据本发明的质量预测技术被应用于药品制造。

用于药品制造系统的质量预测系统总体上与应用于数控机床和卷烟制造的质量预测系统是相同的，主要区别在于所使用的本机传感器和环境传感器的类型和数量。本实施方式的质量预测系统所包括的多个传感器的布置与上述第一实施方式中的多个传感器的布置相似，在此省略详细描述。根据本发明，所述多个传感器可以包括不同数量和不同类型的传感器。传感器的数量和类型可以根据用于制造的机器的类型来确定。例如，在本实施方式中，使用药品制造系统来生产卷烟。因此，在这种情况下，使用了本机传感器和环境传感器。在此实施方式中，本机传感器可以包括本机温度传感器、本机湿度传感器、本机振动传感器、本机电压传感器以及本机电流传感器等，并且环境传感器可以包括环境温度传感器和环境湿度传感器等。在另一不同的使用情境中，如上所述，不同数量和不同类型的传感器可以应用于在该使用情境中负责生产的机器。

本机传感器和环境传感器的数据采集完成后被发送至智能计算单元以进行后续处理。所述后续处理包括在智能计算单元以及存储和处理设备处执行的处理。因此，这些后续处理与在以上描述的第一实施方式和第二实施方式中描述的那些处理是相似的，这里省略了重复描述。

虽然以上部分地参照一些优选的实施方式例示了本发明，但是必须理解，可对实施方式的不同特征进行许多修改和组合。所有这些修改都在所附权利要求的范围之内。

Claims (32)

1.一种质量预测系统，所述质量预测系统包括：

多个传感器，所述多个传感器包括安装在制造产品的机器上的本机传感器和安装在所述机器的周围环境中的环境传感器，所述本机传感器直接采集所述机器本身的多种数据，并且所述环境传感器采集所述周围环境中的多种数据；

智能计算单元，所述智能计算单元与所述多个传感器和所述机器的控制部通信连接，控制所述多个传感器进行数据采集，接收所述多个传感器所采集的数据，并且对接收到的数据进行预处理；

存储和处理设备，所述存储和处理设备与所述智能处理单元通信联接，接收来自智能计算单元的预处理数据，存储所述预处理数据，并且对所述预处理数据进行数据处理，

其中，在训练模式中，所述存储和处理设备将所述预处理的数据存储在训练数据集中，将所述训练数据集输入质量预测模型进行训练以得到预测模型参数，并且其中，在预测模式中，所述存储和处理设备将所述预处理的数据输入所述质量预测模型以给出质量概率。

2.根据权利要求1所述的质量预测系统，其中，所述质量预测系统还包括显示设备，所述显示设备与所述存储和处理设备连接，显示从所述存储和处理设备接收到的质量概率。

3.根据权利要求1所述的质量预测系统，其中，所述存储和处理设备周期性地进入所述训练模式以迭代地进行质量训练。

4.根据权利要求3所述的质量预测系统，其中，所述训练是针对多个产品批量进行的。

5.根据权利要求3所述的质量预测系统，其中，所述存储和处理设备能够在所述预测模式中对产品的质量进行预测的同时利用所述产品的所述预处理数据对所述质量预测模型进行实时训练。

6.根据权利要求1所述的质量预测系统，其中，所述智能计算单元所执行的预处理包括数据格式化处理。

7.根据权利要求6所述的质量预测系统，其中，所述数据格式化处理包括将从所述多个传感器接收到的数据按照预定格式连接在一起。

8.根据权利要求6所述的质量预测系统，其中，所述数据格式化处理包括将从所述多个传感器接收到的数据与从所述机器的所述控制部接收到的标识数据和运行数据连接在一起。

9.根据权利要求1所述的质量预测系统，其中，所述多个传感器是在所述智能计算单元的控制下按照预定的采样间隔周期性地进行数据采集的。

10.根据权利要求9所述的质量预测系统，其中，所述采样间隔是根据所训练的质量预测模型的训练度确定的，其中，如果所述训练度不符合要求，则将所述采样间隔调整为更小以获得更多的数据。

11.根据权利要求1所述的质量预测系统，其中，在所述训练模式中，所述预处理数据在存储在所述训练数据集中之前被人工地或通过专用测量机器判定为是否合格。

12.根据权利要求11所述的质量预测系统，其中，在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为合格，则将与该产品关联的预处理数据标记为合格并输入所述训练数据集中以作为合格产品来训练所述质量预测模型。

13.根据权利要求11所述的质量预测系统，其中，在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为不合格，则将与该产品关联的预处理数据标记为不合格并输入所述训练数据集中以作为不合格产品来训练所述质量预测模型。

14.根据权利要求11所述的质量预测系统，其中，在对一产品进行质量预测时，如果所述质量预测系统给出的质量概率是不令人满意的，则所述质量预测系统的操作员拒绝所述质量概率，并且指示所述质量预测系统利用该产品的预处理数据对所述质量预测模型进行重新训练。

15.根据权利要求1所述的质量预测系统，其中，所述存储和处理设备将所述产品和生产所述产品的所述机器关联起来，以建立所述产品的可追溯性。

16.根据权利要求1所述的质量预测系统，其中，所述多个传感器包括以下传感器中的至少一个：温度传感器、湿度传感器、噪声传感器、振荡传感器、电压传感器、电流传感器、气敏传感器、二氧化碳传感器、光敏传感器、力敏传感器、位置传感器、速度传感器、加速度传感器、红外传感器。

17.根据权利要求16所述的质量预测系统，其中，所述本机传感器和/或所述环境传感器根据所述机器的类型和/或用途包括不同类型的多个传感器。

18.一种质量预测方法，所述质量预测方法包括以下步骤：

由安装在制造产品的机器上的本机传感器直接采集所述机器本身的多种数据，并且由安装在所述机器的周围环境中的环境传感器采集所述周围环境中的多种数据；

将采集的数据发送至智能计算单元以进行数据预处理；

将经过预处理的数据发送至存储和处理设备，存储经过预处理的数据，对所述预处理的数据进行数据处理，

其中，在训练模式中，所述预处理数据存储在训练数据集中，并且将所述训练数据集输入所述质量预测模型进行训练以得到预测模型参数，并且其中，在预测模式中，将所述预处理数据输入所述质量预测模型以给出质量概率。

19.根据权利要求18所述的质量预测方法，其中，所述训练模式被周期性地执行以迭代地进行质量训练。

20.根据权利要求19所述的质量预测方法，其中，所述训练是针对多个产品批量进行的。

21.根据权利要求19所述的质量预测方法，其中，能够在所述预测模式中对产品的质量进行预测的同时利用该产品的所述预处理数据对所述质量预测模型进行实时训练。

22.根据权利要求18所述的质量预测方法，其中，所述数据预处理包括数据格式化处理。

23.根据权利要求22所述的质量预测方法，其中，所述数据格式化处理包括将从所述多个传感器接收到的数据按照预定格式连接在一起。

24.根据权利要求22所述的质量预测方法，其中，所述数据格式化处理包括将从所述多个传感器接收到的数据与从所述机器的所述控制部接收到的标识数据和运行数据连接在一起。

25.根据权利要求18所述的质量预测方法，其中，所述多个传感器是按照预定的采样间隔周期性地进行数据采集的。

26.根据权利要求23所述的质量预测方法，其中，进行数据采集的所述采样间隔是根据所训练的质量预测模型的训练度确定的，其中，如果所述训练度不符合要求，则将所述采样间隔调整为更小以获得更多的数据。

27.根据权利要求18所述的质量预测方法，其中，在所述训练模式中，所述预处理数据在存储在所述训练数据集中之前被人工地或通过专用测量机器判定为是否合格。

28.根据权利要求27所述的质量预测方法，其中，在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为合格，则将与该产品关联的预处理数据标记为合格并输入所述训练数据集中以作为合格产品来训练所述质量预测模型。

29.根据权利要求27所述的质量预测方法，其中，在所述训练模式中，针对预定数量产品中的各个产品，判断该产品的所述预处理数据是否合格，如果判断为不合格，则将与该产品关联的预处理数据标记为不合格并输入所述训练数据集中，以作为不合格产品来训练所述质量预测模型。

30.根据权利要求27所述的质量预测系统，其中，在对一产品进行质量预测时，如果所述质量预测系统给出的质量概率是不令人满意的，则所述质量预测系统的操作员拒绝所述质量概率，并且指示所述质量预测系统利用该产品的预处理数据对所述质量预测模型进行重新训练。

31.根据权利要求18所述的质量预测方法，其中，所述产品和生产所述产品的所述机器被关联起来，以建立所述产品的可追溯性。

32.一种机器可读存储介质，所述机器可读存储介质存储计算机程序，所述计算机程序包括程序代码，当在根据本发明的质量预测系统的控制器上运行所述程序代码时，所述控制器执行根据权利要求18-31中任一项所述的方法。

Images