CN113421264B - 轮毂质量检测方法、设备、介质及计算机程序产品 - Google Patents

轮毂质量检测方法、设备、介质及计算机程序产品 Download PDF

Info

Publication number
CN113421264B
CN113421264B CN202110971322.0A CN202110971322A CN113421264B CN 113421264 B CN113421264 B CN 113421264B CN 202110971322 A CN202110971322 A CN 202110971322A CN 113421264 B CN113421264 B CN 113421264B
Authority
CN
China
Prior art keywords
hub
quality
detected
abnormal
target
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
Application number
CN202110971322.0A
Other languages
English (en)
Other versions
CN113421264A (zh
Inventor
陈彪
黄雪峰
熊海飞
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.)
Citic Corp Of China
CITIC Dicastal Co Ltd
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital Technology Co Ltd
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 Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202110971322.0A priority Critical patent/CN113421264B/zh
Publication of CN113421264A publication Critical patent/CN113421264A/zh
Application granted granted Critical
Publication of CN113421264B publication Critical patent/CN113421264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本申请公开了一种轮毂质量检测方法、设备、介质及计算机程序产品，获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。本申请可以快速、准确地确定待检测轮毂的质量是否存在质量异常，并在待检测轮毂存在质量异常时，快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。

Description

轮毂质量检测方法、设备、介质及计算机程序产品
技术领域
本申请涉及人工智能技术领域，尤其涉及一种轮毂质量检测方法、设备、介质及计算机程序产品。
背景技术
随着经济技术的快速发展，汽车已经成为了人们出行时必不可少的代步工具。轮毂是汽车最重要的安全零件，它承受着汽车和载物质量作用的荷载，在汽车行驶行为（如：启动、制动、动态扭矩、障碍物冲击等）中承受来自不同方向动态荷载产生的不规则交变受力。其质量和可靠性与车辆平稳性、舒适性、操纵性以及和车上人员、物资等息息相关。但是，当前轮毂的生产工艺中加工流程复杂，涉及车间的多样元素，如设备、人员、环境、物料规格、加工时长等元素均会影响轮毂的生产质量，而当前依靠人工对轮毂进行质量检测并确定异常轮毂的处理方案的确定，使得轮毂质量检测与异常处理的准确性及效率较低。
发明内容
本申请的主要目的在于提供一种轮毂质量检测方法、设备、介质及计算机程序产品，旨在解决当前轮毂质量检测与异常处理的准确性及效率较低的技术问题。
为实现上述目的，本申请实施例提供一种轮毂质量检测方法，所述轮毂质量检测方法包括：
获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；
若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。
优选地，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤包括：
基于训练后的轮毂质量预测模型对所述轮毂生产数据进行处理，输出所述待检测轮毂的轮毂质量预测值；
将所述轮毂质量预测值与预设轮毂质量阈值进行对比，得到对比结果；
基于所述对比结果生成所述待检测轮毂的质量检测的检测结果。
优选地，所述基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息的步骤包括：
基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的各三元组；
基于预设损失函数分别计算各所述三元组的损失值；
基于各所述损失值对各所述三元组进行剔除，得到由剩余的第一目标三元组形成的三元组信息。
优选地，所述基于所述三元组信息确定所述待检测轮毂的异常处理方案的步骤包括：
基于预设距离计算公式分别计算所述三元组信息中各所述第一目标三元组的距离值；
基于各所述距离值分别计算各所述第一目标三元组的影响性参数；
基于各所述影响性参数确定所述待检测轮毂的异常处理方案。
优选地，所述基于各所述影响性参数确定所述待检测轮毂的异常处理方案的步骤包括：
基于预设排序方式对各所述影响性参数进行排序；
将排序后位于预设排序范围内的影响性参数对应的第一目标三元组确定为第二目标三元组；
基于所述轮毂知识图谱获取所述第二目标三元组的异常处理相关知识，并将所述异常处理相关知识作为所述待检测轮毂的异常处理方案。
优选地，所述获取待检测轮毂的轮毂生产数据的步骤包括：
获取待检测轮毂在各节点的轮毂生产数据，其中，所述轮毂生产数据包括物料规格满意度、机器状况评级、环境状况评级、人员状况评级、工艺流程评估；
对所述轮毂生产数据进行均方差处理，得到处理后的轮毂生产数据。
优选地，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤之前，还包括：
获取历史轮毂的轮毂生产数据及所述历史轮毂的轮毂质量值作为训练数据集；
基于平均绝对百分比误差和均方根误差构建损失函数，并基于所述损失函数、长短期记忆网络与BP神经网络构建初始轮毂质量预测模型；
基于所述训练数据集对所述初始轮毂质量预测模型进行模型训练，得到训练后的轮毂质量预测模型。
进一步地，为实现上述目的，本申请还提供一种轮毂质量检测设备，所述轮毂质量检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的轮毂质量检测程序，所述轮毂质量检测程序被所述处理器执行时实现上述的轮毂质量检测方法的步骤。
进一步地，为实现上述目的，本申请还提供一种介质，所述介质为计算机可读存储介质，其上存储有轮毂质量检测程序，所述轮毂质量检测程序被处理器执行时实现上述的轮毂质量检测方法的步骤。
进一步地，为实现上述目的，本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的轮毂质量检测方法的步骤。
本申请实施例提供一种轮毂质量检测方法、设备、介质及计算机程序产品，获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。本申请通过训练后的轮毂质量预测模型与获取的待检测轮毂的轮毂生产数据对待检测轮毂进行质量检测，以快速、准确地确定待检测轮毂的质量是否存在质量异常，并在待检测轮毂存在质量异常时，根据预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并根据目标节点的三元组信息快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
附图说明
图1为本申请轮毂质量检测方法实施例方案涉及的硬件运行环境的结构示意图；
图2为本申请轮毂质量检测方法第一实施例的流程示意图；
图3为本申请轮毂质量检测方法第二实施例的流程示意图；
图4为本申请轮毂质量检测方法第三实施例的流程示意图
图5为本申请轮毂质量检测方法第四实施例的流程示意图
图6为本申请轮毂质量检测方法第五实施例的流程示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种轮毂质量检测方法、设备、介质及计算机程序产品，获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。本申请通过训练后的轮毂质量预测模型与获取的待检测轮毂的轮毂生产数据对待检测轮毂进行质量检测，以快速、准确地确定待检测轮毂的质量是否存在质量异常，并在待检测轮毂存在质量异常时，根据预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并根据目标节点的三元组信息快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
如图1所示，图1是本申请实施例方案涉及的硬件运行环境的轮毂质量检测设备结构示意图。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
本申请实施例轮毂质量检测设备可以是PC，也可以是平板电脑、便携计算机等可移动式终端设备。
如图1所示，该轮毂质量检测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的轮毂质量检测设备结构并不构成对轮毂质量检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及轮毂质量检测程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的轮毂质量检测程序，并执行以下操作：
获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；
若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。
进一步地，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤包括：
基于训练后的轮毂质量预测模型对所述轮毂生产数据进行处理，输出所述待检测轮毂的轮毂质量预测值；
将所述轮毂质量预测值与预设轮毂质量阈值进行对比，得到对比结果；
基于所述对比结果生成所述待检测轮毂的质量检测的检测结果。
进一步地，所述基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息的步骤包括：
基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的各三元组；
基于预设损失函数分别计算各所述三元组的损失值；
基于各所述损失值对各所述三元组进行剔除，得到由剩余的第一目标三元组形成的三元组信息。
进一步地，所述基于所述三元组信息确定所述待检测轮毂的异常处理方案的步骤包括：
基于预设距离计算公式分别计算所述三元组信息中各所述第一目标三元组的距离值；
基于各所述距离值分别计算各所述第一目标三元组的影响性参数；
基于各所述影响性参数确定所述待检测轮毂的异常处理方案。
进一步地，所述基于各所述影响性参数确定所述待检测轮毂的异常处理方案的步骤包括：
基于预设排序方式对各所述影响性参数进行排序；
将排序后位于预设排序范围内的影响性参数对应的第一目标三元组确定为第二目标三元组；
基于所述轮毂知识图谱获取所述第二目标三元组的异常处理相关知识，并将所述异常处理相关知识作为所述待检测轮毂的异常处理方案。
进一步地，所述获取待检测轮毂的轮毂生产数据的步骤包括：
获取待检测轮毂在各节点的轮毂生产数据，其中，所述轮毂生产数据包括物料规格满意度、机器状况评级、环境状况评级、人员状况评级、工艺流程评估；
对所述轮毂生产数据进行均方差处理，得到处理后的轮毂生产数据。
进一步地，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤之前，处理器1001可以用于调用存储器1005中存储的轮毂质量检测程序，并执行以下操作：
获取历史轮毂的轮毂生产数据及所述历史轮毂的轮毂质量值作为训练数据集；
基于平均绝对百分比误差和均方根误差构建损失函数，并基于所述损失函数、长短期记忆网络与BP神经网络构建初始轮毂质量预测模型；
基于所述训练数据集对所述初始轮毂质量预测模型进行模型训练，得到训练后的轮毂质量预测模型。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图2，本申请第一实施例提供一种轮毂质量检测方法的流程示意图。该实施例中，所述轮毂质量检测方法包括以下步骤：
步骤S10，获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；
本实施例中轮毂质量检测方法可以应用于轮毂生产预测处理网络系统，即WFPN（Wheel hub production forecasting and processing net）系统，轮毂生产预测处理网络系统用于轮毂生产过程中对轮毂质量异常的预测、异常处理的相关工作，提高轮毂质量检测与异常处理的准确性及效率，保障轮毂生产车间轮毂加工过程中的轮毂质量，以提高轮毂生产的合格率，并且，轮毂生产预测处理网络系统中包括轮毂车间生产异常预测网络与轮毂生产车间异常处理网络，轮毂车间生产异常预测网络用于根据轮毂的轮毂生产数据预测生产的轮毂是否存在质量异常，轮毂生产车间异常处理网络用于确定存在质量异常的轮毂的异常处理方案。为方便描述，后续将轮毂生产预测处理网络系统简称为系统，即后续过程中无特殊说明的“系统”均为“轮毂生产预测处理网络系统”。
进一步地，系统中还可以包含轮毂数据系统，轮毂数据系统用于对轮毂生产过程产生的数据进行采集并生成轮毂生产数据，其中轮毂生产数据在本实施例中可以包括基于4M1E法（人、机、料、法、环）的生产质量影响因素，如：物料规格满意度(MaterialSpecification Satisfaction，MSS)、机器状况评级（Machine condition rating，MCR）、环境状况评级（Environmental status rating，ESR)、人员状况评级（Personnel statusrating，PSR）、工艺流程评估（Process evaluation，PE）等，其中，4M1E法中“4M”指Man（人），Machine（机器），Material（物），Method（方法），简称人、机、物、法，告诉我们工作中要充分考虑人、机、物、法这四个方面因素，通常还要包含“1E”：Environments（环境），故合称4M1E法。进一步地，系统先将未经质量检测的轮毂确定为待检测轮毂，再分别对各个待检测轮毂进行质量检测，具体地，针对每一待检测轮毂，系统从轮毂数据系统中获取待检测轮毂在各节点的轮毂生产数据。再通过轮毂车间生产异常预测网络根据轮毂生产数据预测待检测轮毂的质量值，并根据预测的质量值确定该轮毂是否存在质量异常。具体地，系统将获取的轮毂生产数据输入至轮毂车间生产异常预测网络中训练后的轮毂质量预测模型，由训练后的轮毂质量预测模型根据输入的轮毂生产数据对待检测轮毂进行质量预测，再根据预测得到的轮毂质量预测值与预设轮毂质量阈值的对比，可以快速、准确地确定待检测轮毂是否存在质量异常，其中在检测到待检测轮毂存在质量异常时，可以根据预测的轮毂质量预测值确定造成待检测轮毂存在质量异常的节点作为目标节点，本实施例中各节点即为生产轮毂的各道工序，也可以将各工序看做是轮毂生产工艺中各流程对应的时间，预设轮毂质量阈值为根据实际需求设置的用于判断轮毂的质量是否达标的值，例如可以包括达到合格的值、达到良品的值等，本实施例中轮毂质量预测模型为基于长短期记忆网络LSTM（LongShort-Term Memory）、BP等网络结构以及损失函数构建并经训练的网络模型。并且，便于在待检测轮毂存在质量异常时，根据预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并根据目标节点的三元组信息快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率，其中知识图谱是现代信息系统基础建设的常用技术方法，它将应用数学、图像图形等学科融合为一体，利用语义特征结构来进一步提升数据的质量以及数据的关联度。知识图谱是语义网络、知识表示、本体论、自然语言处理相互作用产生的结果，它通过图的形式对数据进行表述，将数据中的事件、物品、人等进行建模。使用节点（可以是实体，如：人、事、物）、弧等符号进行数据信息联系的描述，本实施例中预先将轮毂车间生产异常过程中的加工人员、加工设备或者类似于加工工艺和加工流程等其他抽象的概念作为节点，以及实体的属性或各实体之间的关系作为弧线，如轮毂生产过程中的设备温度、环境湿度、加工、制造等，并由各节点与弧线构建出轮毂知识图谱，得到预置的轮毂知识图谱，以在轮毂存在质量异常时通过轮毂知识图谱中各节点与弧线组成的三元组确定存在质量异常的轮毂的异常处理方案。在本实施例的轮毂知识图谱中，任意两个节点的实体表示成（实体1，关系，实体2）的三元组形式，各个实体可以通过关系形成一个强大的有向的网络，节点是由实体组成的，关系构成了边，体间通过各种关系相互连接，形成网络结构图。通过建立基于轮毂车间生产轮毂质量异常的轮毂知识图谱，对轮毂生产质量异常及其异常影响因素的原因进行刻画，并利用算法提供科学全面的异常解决方法推荐。
进一步地，所述获取待检测轮毂的轮毂生产数据的步骤包括：
步骤S111，获取待检测轮毂在各节点的轮毂生产数据，其中，所述轮毂生产数据包括物料规格满意度、机器状况评级、环境状况评级、人员状况评级、工艺流程评估；
步骤S112，对所述轮毂生产数据进行均方差处理，得到处理后的轮毂生产数据。
在获取待检测轮毂的轮毂生产数据时，系统从轮毂数据系统中获取待检测轮毂在生产过程的各节点的轮毂生产数据，本实施例中生产过程的节点可以包括融化、精炼、材料检验、低压铸造、X射线探伤、热处理、机械加工、动平衡检验、气密性检验、涂装等节点，但也可以根据需求有更多或更少的节点。进一步地，每一节点中均包含MSS、MCR、ESR、PSR、PE等轮毂生产数据，并且，MSS在本实施例中可以包括可加工性、精度状况、金相组织、机械性能等数据，MCR在本实施例中可包含维修保养状况评级、设备负荷率、设备转速偏差、设备温度偏差、设备振动幅度偏差等数据，ESR在本实施例中可以包括车间温度偏差、车间湿度偏差等数据、PSR在本实施例中可以包括技术熟练程度评级的数据、PE在本实施例中可以包括设备加工工艺评估的数据。
进一步地，系统对获取的轮毂生产数据进行预处理，本实施例中的预处理为均方差处理，具体地，系统通过以下的均方差计算公式对轮毂生产数据进行均方差处理：
Figure 513958DEST_PATH_IMAGE001
；
其中，X为均方差处理后的指标值，N为衡量指标个数，
Figure 8262DEST_PATH_IMAGE002
为指标实际值，
Figure 787999DEST_PATH_IMAGE003
为指标参数标准值。
由于本实施例中一级指标如MSS、MCR、ESR、PSR、PE中分别包含Y一个或多个二级指标，例如一级指标MSS可以包括可加工性、精度状况、金相组织、机械性能等二级指标，MCR可包含维修保养状况评级、设备负荷率、设备转速偏差、设备温度偏差、设备振动幅度偏差等，ESR可以包括车间温度偏差、车间湿度偏差等、PSR可以包括技术熟练程度评级、PE可以包括设备加工工艺评估等指标，并且各二级指标中又包含多个三级指标，例如作为二级指标的可加工性又可以包含多个级别，每一级别即为一个三级指标，因此系统通过均方差公式可以先计算出各三级指标的均方差，根据三级指标的均方差计算二级指标的均方差，最后根据二级指标的均方差计算出一级指标的均方差，即可得到MSS、MCR、ESR、PSR、PE等多个指标的均方差，形成处理后的轮毂生产数据。以此避免对对大量的指标数据逐一进行计算与预测，可以节省工作量以及系统资源，提高数据处理效率。
步骤S20，若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。
在通过训练后的轮毂质量预测模型与轮毂生产数据对待检测轮毂进行质量检测后，若得到的检测结果为待检测轮毂存在质量异常，系统则先确定造成待检测轮毂出现质量异常的节点并确定为目标节点，具体可以根据轮毂质量预测模型通过轮毂生产数据进行预测得到的轮毂质量预测值与预设轮毂质量阈值的对比得到；再通过轮毂生产车间异常处理网络从预置的轮毂知识图谱中获取目标节点的三元组信息，在获取目标节点的三元组信息时先在预置的轮毂知识图谱中获取多个实体形成的所有三元组，再基于预设的损失函数剔除部分三元组，将剩余的三元组确定为第一目标三元组，并由剩余的第一目标三元组形成三元组信息，其中，本实施例中预设的损失函数优选为合页损失函数。最后，系统通过三元组信息先分别计算三元组信息中各第一目标三元组的距离值，再基于各距离值分别计算各第一目标三元组的影响性参数，最后基于各影响性参数确定待检测轮毂的异常处理方案，以对存在质量异常的轮毂进行处理，使得该轮毂在经处理后质量达标，提高轮毂的达标率，其中，影响性参数在本实施例中以影响度数值表示。
可以理解地，在通过训练后的轮毂质量预测模型与轮毂生产数据对待检测轮毂进行质量检测后，若得到的检测结果为待检测轮毂不存在质量异常，系统确定该待检测轮毂质量合格，即待检测轮毂通过了质量检测，则可以判定对于该待检测轮毂的质量检测流程完成，还可以继续对待检测轮毂进行后续的工艺或者将待检测轮毂进行存放以供后续使用，例如基于通过质量检测的轮毂制作车轮等。
本申请总体采用自上向下的纵向设计思想，局部采用链条环扣的横向思想。总体上对轮毂车间数据进行分析，自上而下的纵向构建基于4M1E的模式层与数据层的轮毂质量异常影响因素，并基于实体之间的联系，链条环抠的横向搭建知识图谱。知识图谱建立完成后，通过将新发生的轮毂质量异常的影响因素与知识图谱之间的实体进行距离度分析，基于皮尔逊算法计算距离，最终对轮毂质量异常解决方法进行推荐，从而实现科学全面的车间异常处理。
本实施例提供一种轮毂质量检测方法、设备、介质及计算机程序产品，获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案。本申请通过训练后的轮毂质量预测模型与获取的待检测轮毂的轮毂生产数据对待检测轮毂进行质量检测，以快速、准确地确定待检测轮毂的质量是否存在质量异常，并在待检测轮毂存在质量异常时，根据预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并根据目标节点的三元组信息快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
进一步地，基于本申请轮毂质量检测方法的第一实施例，提出本申请轮毂质量检测方法的第二实施例，在第二实施例中，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤包括：
步骤S121，基于训练后的轮毂质量预测模型对所述轮毂生产数据进行处理，输出所述待检测轮毂的轮毂质量预测值；
在获取到待检测轮毂的轮毂生产数据并进行均方差处理后，系统应用轮毂车间生产异常预测网络，通过轮毂车间生产异常预测网络中训练后的轮毂质量预测模型对轮毂生产数据进行处理，具体地，由于本实施例中的轮毂质量预测模型基于长短期记忆网络LSTM和BP网络神经元搭建，因此该预测模型中包括输入向量、BP层、LSTM隐藏层、以及输出的预测值。因此，轮毂质量预测模型先根据输入的轮毂生产数据生成输入向量，将输入向量从输入层开始，经过BP层、输出处理后的向量，作为LSTM层的输入向量；在LSTM层中先依据当前层输入向量计算出权重向量，然后将权重向量和当前层输入向量合并，得到新的向量，最后根据新的向量计算出预测值并输出，得到待检测轮毂的轮毂质量预测值。可以理解地，由于轮毂生产数据包含各节点的轮毂生产数据，因此经过轮毂质量预测模型处理并输出的轮毂质量预测值也包含各节点对应的轮毂质量预测值。以便于将所述轮毂质量预测值与预设轮毂质量阈值进行对比，得到对比结果。
步骤S122，将所述轮毂质量预测值与预设轮毂质量阈值进行对比，得到对比结果；
在得到待检测轮毂各节点的轮毂质量预测值后，系统获取用于判断待检测轮毂是否存在质量异常的预设轮毂质量阈值，然后将各节点的轮毂质量预测值分别与预设轮毂质量阈值进行对比，得到包含多个对比结果，其中每一节点对应的对比结果均包含轮毂质量预测值大于或等于预设轮毂质量阈值或轮毂质量预测值小于预设轮毂质量阈值的结果。例如：将低压铸造节点的轮毂质量预测值与预设轮毂质量阈值进行对比，得到低压铸造节点的轮毂质量预测值大于或等于预设轮毂质量阈值，或轮毂质量预测值小于预设轮毂质量阈值的结果，将该结果作为低压铸造节点的对比结果。以及，将精炼节点的轮毂质量预测值与预设轮毂质量阈值进行对比，得到精炼节点的轮毂质量预测值大于或等于预设轮毂质量阈值，或轮毂质量预测值小于预设轮毂质量阈值的结果，将该结果作为精炼节点的对比结果。多次执行上述的对比过程，直至得到所有节点的对比结果。以基于对比结果生成待检测轮毂的质量检测的检测结果。
步骤S123，基于所述对比结果生成所述待检测轮毂的质量检测的检测结果。
在得到待检测轮毂各节点的对比结果后，系统识别多个对比结果中是否存在任一对比结果为轮毂质量预测值小于预设轮毂质量阈值，若经识别不存在轮毂质量预测值小于预设轮毂质量阈值的对比结果，则确定待检测轮毂不存在质量异常，生成待检测轮毂不存在质量异常的检测结果；相反地，若经识别存在任一对比结果为轮毂质量预测值小于预设轮毂质量阈值，则确定待检测轮毂存在质量异常，生成待检测轮毂存在质量异常的检测结果，并将该对比结果对应的节点确定为目标节点，以基于预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并基于三元组信息确定待检测轮毂的异常处理方案。
本实施例基于训练后的轮毂质量预测模型对所述轮毂生产数据进行处理，输出所述待检测轮毂的轮毂质量预测值；将所述轮毂质量预测值与预设轮毂质量阈值进行对比，得到对比结果；基于所述对比结果生成所述待检测轮毂的质量检测的检测结果。可以快速、准确地确定待检测轮毂的质量是否存在质量异常，以在待检测轮毂存在质量异常时，根据预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并根据目标节点的三元组信息快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
进一步地，基于本申请轮毂质量检测方法的第一实施例，提出本申请轮毂质量检测方法的第三实施例，在第三实施例中，所述基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息的步骤包括：
步骤S211，基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的各三元组；
步骤S212，基于预设损失函数分别计算各所述三元组的损失值；
步骤S213，基于各所述损失值对各所述三元组进行剔除，得到由剩余的第一目标三元组形成的三元组信息。
在确定检测结果为待检测轮毂存在质量异常时，系统则通过轮毂生产车间异常处理网络，在预置的轮毂知识图谱中获取造成待检测轮毂质量异常的目标节点的各三元组，具体地，在目标节点的各实体中，根据任意两实体形成（实体１，关系，实体2）的三元组，例如根据设备实体、人员实体以及两实体之间的设备操作关系形成三元组（设备，设备操作，人员），根据人员实体、工艺实体以及两实体之间的技术方法关系形成三元组（人员，技术方法，工艺），并且，本实施例中还可以根据两三元组形成新的三元组，例如将三元组（A，B，C）与三元组（C，E，F）经过处理算法计算得到新的三元组（A，BE，F），可以理解地，为了避免路径太长，造成重复数据太多，限制随机游走的长度控制在4跳以内。由此得到目标节点的各实体间两两实体及其关系形成的多个三元组。本实施例引入三元组的实体路径计算方法，实现了显式特征和隐式特征的互补。
进一步地，系统通过预设的合页损失函数，对各三元组进行损失值计算，具体地，先分别计算各三元组的欧式距离值，再分别将各三元组的欧式距离值输入至预设的合页损失函数，通过合页损失函数计算出各三元组的损失值，其中，本实施例中的合页损失函数如下公式所示：
Figure 183209DEST_PATH_IMAGE004
其中，[X]＋表示当X大于0时保持原始值，当小于0时取0。dis(A，BE，F)表示实体A与实体F之间的欧式距离，γ为边际参数，取值为1。Loss即为损失值。
进一步地，系统分别确定各三元组的损失值是否为0，将不为0的损失值对应的三元组进行剔除，得到剩余的三元组，并将剩余的三元组确定为第一目标三元组，由第一目标三元组形成三元组信息。以基于三元组信息确定待检测轮毂的异常处理方案，再根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
本实施例通过预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的各三元组，然后基于预设的合页损失函数分别计算各三元组的损失值，最后基于各损失值对各三元组进行剔除，得到由剩余的第一目标三元组形成的三元组信息，以此将最大化正例与负例分开，有利于提高三元组信息的准确度，使得基于三元组信息确定的异常处理方案更加准确。
进一步地，基于本申请轮毂质量检测方法的第一实施例，提出本申请轮毂质量检测方法的第四实施例，在第四实施例中，所述基于所述三元组信息确定所述待检测轮毂的异常处理方案的步骤包括：
步骤S221，基于预设距离计算公式分别计算所述三元组信息中各所述第一目标三元组的距离值；
步骤S222，基于各所述距离值分别计算各所述第一目标三元组的影响性参数；
步骤S223，基于各所述影响性参数确定所述待检测轮毂的异常处理方案。
在基于预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息后，系统首先基于预设的欧式距离计算公式分别计算出三元组信息中各第一目标三元组的距离值，具体地，分别将各第一目标三元组输入至欧式距离计算公式中进行计算，得到各第一目标三元组对应的距离值。进一步地，系统再将各第一目标三元组对应的距离值分别输入至预设的另一距离计算公式中，通过另一距离计算公式对各距离值进行计算，得到各第一目标三元组的目标距离值，其中另一距离计算公式如下公式所示：
dis(A，BE，F)=P(BE)*d(A，BE，F)
其中，dis(A，BE，F)表示两个实体通过关系形成的三元组的头实体在关系BE下与尾实体的相似性度量，dis为欧氏距离。P表示两个实体多路径关系的集合的路径对应的概率，d(A，BE，F)即为各第一目标三元组的距离值。
进一步地，在得到得到各第一目标三元组的目标距离值后，系统将各第一目标三元组的目标距离值分别输入至影响性参数计算公式中，通过影响性参数计算公式分别计算出各第一目标三元组的影响性参数，其中影响性参数计算公式如下所示：
Figure 997581DEST_PATH_IMAGE005
其中，dis(A，BE，F)为第一目标三元组的目标距离值，inf为第一目标三元组的影响性参数。
进一步地，在计算出各第一目标三元组的影响性参数后，系统再基于各所述影响性参数确定所述待检测轮毂的异常处理方案。
具体地，所述基于各所述影响性参数确定所述待检测轮毂的异常处理方案的步骤包括：
步骤S2231，基于预设排序方式对各所述影响性参数进行排序；
步骤S2232，将排序后位于预设排序范围内的影响性参数对应的第一目标三元组确定为第二目标三元组；
步骤S2233，基于所述轮毂知识图谱获取所述第二目标三元组的异常处理相关知识，并将所述异常处理相关知识作为所述待检测轮毂的异常处理方案。
在计算出各第一目标三元组的影响性参数后，系统首先基于预设的排序方式对以影响度数值表示的各影响性参数进行排序，本实施例中的预设排序方式可以为从大到小或从小到大的排序方式，并可以优选为从大到小的排序方式。进一步地，系统识别排序后位于预设排序范围内的影响性参数，并将排序后位于预设排序范围内的影响性参数对应的第一目标三元组确定为第二目标三元组，其中预设排序范围可以根据实际环境需求设置，例如可以设置为排在前5、前10、前15等排序范围。进一步地，系统从预先构建的轮毂知识图谱中获取确定的第二目标三元组的异常处理相关知识，具体可以为获取第二目标三元组中各实体对应的异常处理相关知识，并将各实体对应的异常处理相关知识作为存在质量异常的待检测轮毂的异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率，其中异常处理相关知识可以包含轮毂质量缺陷描述、轮毂质量异常解决经验、轮毂加工过程中涉及的车间因素等。
本实施例基于预设距离计算公式分别计算三元组信息中各第一目标三元组的距离值；基于各距离值分别计算各第一目标三元组的影响性参数；基于各影响性参数快速、准确地确定待检测轮毂的异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
进一步地，基于本申请轮毂质量检测方法的第一实施例，提出本申请轮毂质量检测方法的第五实施例，在第五实施例中，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤之前，还包括：
步骤A1，获取历史轮毂的轮毂生产数据及所述历史轮毂的轮毂质量值作为训练数据集；
步骤A2，基于平均绝对百分比误差和均方根误差构建损失函数，并基于所述损失函数、长短期记忆网络与BP神经网络构建初始轮毂质量预测模型；
步骤A3，基于所述训练数据集对所述初始轮毂质量预测模型进行模型训练，得到训练后的轮毂质量预测模型。
可以理解地，在基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果之前，系统还需要构建轮毂质量预测模型并对其进行训练，以使训练后的轮毂质量预测模型能够具备较优的预测能力，使得基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到的检测结果的准确度及可信度较高。具体地，系统首先获取历史轮毂的轮毂生产数据，其中历史轮毂的轮毂生产数据包括该轮毂在生产过程中各节点基于4M1E法的生产质量影响因素，如：物料规格满意度、机器状况评级、环境状况评级、人员状况评级、工艺流程评估等，即获取历史轮毂在T1…TN时刻的质量异常影响因素MSS、MCR、ESR、PSR、PE。同时获取各历史轮毂的各节点的轮毂质量值PQV，由各历史轮毂的轮毂生产数据及其对应的轮毂质量值形成训练数据集，并且，将训练数据集划分为训练集，测试集与验证集，其中训练集、测试集、验证集的分配比例在本实施例中可以为8:1:1，或6:2:2等。
同时，为了避免由于离差被绝对值化，出现正负相抵消的情况，本实施例引入平均绝对百分比误差，以更好地反映预测值误差的实际情况，并基于平均绝对百分比误差和均方根误差构建损失函数；并且，由于当前基于BP神经网络的车间异常处理技术虽然提高了时效性、准确性，且网络结构简单，但网络参数大、权重多、层数加深容易导致参数爆炸，不利于训练。并且，由于本实施例将轮毂质量异常值所涉及质量质量值影响因素体系看作为时序数据，而质量异常值会受到时间影响，因此本申请在继承该方法的优势上进一步发明改进、创新，引入LSTM算法，综合考虑搭建WFPN系统。因此，本实施例中基于长短期记忆网络LSTM与BP神经网络以及由平均绝对百分比误差和均方根误差组成的损失函数构建初始轮毂质量预测模型。基本实施例基于LSTM、BP等网络结构构建初始轮毂质量预测模型，通过LSTM的遗忘门、记忆门、输出门等网络结构特点，弥补BP网络结构训练难、难以收敛和参数爆炸的问题，弥补了BP等网络在车间生产异常预测与处理应用中的缺陷，使得提高轮毂质量预测模型的构建与训练效率。
在完成初始轮毂质量预测模型的构建后，系统将获取并划分为训练集、测试集、验证集的训练数据集输入至初始轮毂质量预测模型中，通过训练数据集对初始轮毂质量预测模型进行训练，具体地，通过训练数据集中的训练集对初始轮毂质量预测模型进行训练，并通过测试集对训练后的初始轮毂质量预测模型进行优化，使得损失函数收敛或达到训练次数，最后通过验证集对优化后的初始轮毂质量预测模型进行验证，以确定优化后的初始轮毂质量预测模型的预测性能，若初始轮毂质量预测模型通过验证，则判定初始轮毂质量预测模型训练完成，得到训练后的轮毂质量预测模型。以通过训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果，并在待检测轮毂存在质量异常时，根据预置的轮毂知识图谱获取造成待检测轮毂质量异常的目标节点的三元组信息，并根据目标节点的三元组信息快速、准确地确定异常处理方案，以根据异常处理方案对待检测轮毂进行异常处理，由此提高轮毂质量检测与异常处理的准确性及效率。
本实施例搭建的网络中含有多个隐藏层，每个隐藏层通过不同神经网络区分，通过网络计算轮毂生产车间生产异常影响因素特征，对特征进行数学计算、变换，整体网络更具有表达力，网络结构更加紧凑、简洁。
本实施例基于LSTM、BP等网络结构构建初始轮毂质量预测模型，通过LSTM的遗忘门、记忆门、输出门等网络结构特点，弥补BP网络结构训练难、难以收敛和参数爆炸的问题，弥补了BP等网络在车间生产异常预测与处理应用中的缺陷，使得提高轮毂质量预测模型的构建与训练效率。并为了避免由于离差被绝对值化，出现正负相抵消的情况，引入平均绝对百分比误差，以更好地反映预测值误差的实际情况，基于平均绝对百分比误差和均方根误差构建损失函数，以提高基于该损失函数构建并训练的轮毂质量预测模型的预测准确度。
此外，本申请还提供一种介质，所述介质优选为计算机可读存储介质，其上存储有轮毂质量检测程序，所述轮毂质量检测程序被处理器执行时实现上述轮毂质量检测方法各实施例的步骤。
此外，本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述轮毂质量检测方法各实施例的步骤。
在本申请轮毂质量检测设备、计算机可读介质和计算机程序产品的实施例中，包含了上述轮毂质量检测方法各实施例的全部技术特征，说明和解释内容与上述轮毂质量检测方法各实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是固定终端，如物联网智能设备，包括智能空调、智能电灯、智能电源、智能路由器等智能家居；也可以是移动终端，包括智能手机、可穿戴的联网AR/VR装置、智能音箱、自动驾驶汽车等诸多联网设备）执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种轮毂质量检测方法，其特征在于，所述轮毂质量检测方法包括：获取待检测轮毂的轮毂生产数据，基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果；
若所述检测结果为所述待检测轮毂存在质量异常，则基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息，并基于所述三元组信息确定所述待检测轮毂的异常处理方案；
所述基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的三元组信息的步骤包括：
基于预置的轮毂知识图谱获取造成所述待检测轮毂质量异常的目标节点的各三元组；
基于预设损失函数分别计算各所述三元组的损失值；
基于各所述损失值对各所述三元组进行剔除，得到由剩余的第一目标三元组形成的三元组信息；
所述基于所述三元组信息确定所述待检测轮毂的异常处理方案的步骤包括：
基于预设欧式距离计算公式分别计算所述三元组信息中各所述第一目标三元组的欧式距离值；
基于各所述欧式距离值分别计算各所述第一目标三元组的影响性参数；
基于各所述影响性参数确定所述待检测轮毂的异常处理方案；
其中，所述影响性参数基于影响性参数计算公式计算，所述影响性参数计算公式为：
Figure 856793DEST_PATH_IMAGE001
其中，（A，BE，F）为第一目标三元组，A与F为实体，BE为A与F之间的关系，dis(A，BE，F)为第一目标三元组的目标距离值，所述目标距离值为欧式距离值，inf为第一目标三元组的影响性参数。
2.如权利要求1所述的轮毂质量检测方法，其特征在于，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤包括：
基于训练后的轮毂质量预测模型对所述轮毂生产数据进行处理，输出所述待检测轮毂的轮毂质量预测值；
将所述轮毂质量预测值与预设轮毂质量阈值进行对比，得到对比结果；
基于所述对比结果生成所述待检测轮毂的质量检测的检测结果。
3.如权利要求1所述的轮毂质量检测方法，其特征在于，所述基于各所述影响性参数确定所述待检测轮毂的异常处理方案的步骤包括：
基于预设排序方式对各所述影响性参数进行排序；
将排序后位于预设排序范围内的影响性参数对应的第一目标三元组确定为第二目标三元组；
基于所述轮毂知识图谱获取所述第二目标三元组的异常处理相关知识，并将所述异常处理相关知识作为所述待检测轮毂的异常处理方案。
4.如权利要求1所述的轮毂质量检测方法，其特征在于，所述获取待检测轮毂的轮毂生产数据的步骤包括：
获取待检测轮毂在各节点的轮毂生产数据，其中，所述轮毂生产数据包括物料规格满意度、机器状况评级、环境状况评级、人员状况评级、工艺流程评估；
对所述轮毂生产数据进行均方差处理，得到处理后的轮毂生产数据。
5.如权利要求1所述的轮毂质量检测方法，其特征在于，所述基于训练后的轮毂质量预测模型与所述轮毂生产数据对所述待检测轮毂进行质量检测，得到检测结果的步骤之前，还包括：
获取历史轮毂的轮毂生产数据及所述历史轮毂的轮毂质量值作为训练数据集；
基于平均绝对百分比误差和均方根误差构建损失函数，并基于所述损失函数、长短期记忆网络与BP神经网络构建初始轮毂质量预测模型；
基于所述训练数据集对所述初始轮毂质量预测模型进行模型训练，得到训练后的轮毂质量预测模型。
6.一种轮毂质量检测设备，其特征在于，所述轮毂质量检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的轮毂质量检测程序，所述轮毂质量检测程序被所述处理器执行时实现如权利要求1-5中任一项所述的轮毂质量检测方法的步骤。
7.一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上存储有轮毂质量检测程序，所述轮毂质量检测程序被处理器执行时实现如权利要求1-5中任一项所述的轮毂质量检测方法的步骤。
CN202110971322.0A 2021-08-24 2021-08-24 轮毂质量检测方法、设备、介质及计算机程序产品 Active CN113421264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110971322.0A CN113421264B (zh) 2021-08-24 2021-08-24 轮毂质量检测方法、设备、介质及计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110971322.0A CN113421264B (zh) 2021-08-24 2021-08-24 轮毂质量检测方法、设备、介质及计算机程序产品

Publications (2)

Publication Number Publication Date
CN113421264A CN113421264A (zh) 2021-09-21
CN113421264B true CN113421264B (zh) 2021-11-30

Family

ID=77719771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110971322.0A Active CN113421264B (zh) 2021-08-24 2021-08-24 轮毂质量检测方法、设备、介质及计算机程序产品

Country Status (1)

Country Link
CN (1) CN113421264B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628211B (zh) * 2021-10-08 2022-02-15 深圳市信润富联数字科技有限公司 参数预测推荐方法、设备及计算机可读存储介质
CN115082425A (zh) * 2022-07-19 2022-09-20 深圳市信润富联数字科技有限公司 轮毂尺寸测量方法、装置、电子装置及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053085A (zh) * 2018-01-19 2018-05-18 山东大陆计量科技有限公司 生产质量控制方法及装置
CN110705807A (zh) * 2019-10-23 2020-01-17 哈工大机器人（合肥）国际创新研究院 基于现场数据的半导体生产质量预测方法及系统
CN111105082A (zh) * 2019-12-05 2020-05-05 山东浪潮人工智能研究院有限公司 基于机器学习的工件质量预测模型构建方法及预测方法
CN111177655A (zh) * 2019-12-30 2020-05-19 联想(北京)有限公司 一种数据处理方法、装置及电子设备
CN112926760A (zh) * 2019-12-05 2021-06-08 财团法人资讯工业策进会 预测模型的建立装置、建立方法与产品品质监控系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124497A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction
US20170365022A1 (en) * 2016-06-17 2017-12-21 Accenture Global Solutions Limited Liquid workforce platform
CN110991495B (zh) * 2019-11-14 2023-03-28 国机智能技术研究院有限公司 生产制造过程中产品质量预测方法、系统、介质及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053085A (zh) * 2018-01-19 2018-05-18 山东大陆计量科技有限公司 生产质量控制方法及装置
CN110705807A (zh) * 2019-10-23 2020-01-17 哈工大机器人（合肥）国际创新研究院 基于现场数据的半导体生产质量预测方法及系统
CN111105082A (zh) * 2019-12-05 2020-05-05 山东浪潮人工智能研究院有限公司 基于机器学习的工件质量预测模型构建方法及预测方法
CN112926760A (zh) * 2019-12-05 2021-06-08 财团法人资讯工业策进会 预测模型的建立装置、建立方法与产品品质监控系统
CN111177655A (zh) * 2019-12-30 2020-05-19 联想(北京)有限公司 一种数据处理方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向复杂工业过程的故障诊断方法研究;王琦;《中国优秀博硕士学位论文全文数据库 信息科技辑》;20210215(第2期);正文第20-55页 *

Also Published As

Publication number Publication date
CN113421264A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113421264B (zh) 轮毂质量检测方法、设备、介质及计算机程序产品
Liu et al. Improving risk evaluation in FMEA with a hybrid multiple criteria decision making method
CN109117380B (zh) 一种软件质量评价方法、装置、设备及可读存储介质
Salmeron et al. Fuzzy grey cognitive maps in reliability engineering
US9934470B2 (en) Production equipment including machine learning system and assembly and test unit
Jiang et al. Rough set and PSO-based ANFIS approaches to modeling customer satisfaction for affective product design
Sharma et al. Comparison of AHP-TOPSIS and AHP-AHP methods in multi-criteria decision-making problems
CN113177746A (zh) 一种针对生命周期评价领域的软件质量综合评估方法
Villeneuve et al. Decision-support methodology to assess risk in end-of-life management of complex systems
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
Das et al. An approach for decision making using intuitionistic trapezoidal fuzzy soft set
Attarzadeh et al. Improving the accuracy of software cost estimation model based on a new fuzzy logic model
Mylrea et al. AI trust framework and maturity model: improving security, ethics and trust in AI
Dammak et al. Crisp multi-criteria decision making methods: State of the art
Rago et al. Explaining classifiers’ outputs with causal models and argumentation
CN111753998A (zh) 多数据源的模型训练方法、装置、设备及存储介质
CN113393023B (zh) 模具质量评估方法、装置、设备及存储介质
CN111611353A (zh) 筛选方法、装置、电子设备及计算机可读存储介质
Li et al. Feature ranking-guided fuzzy rule interpolation
CN114881136A (zh) 基于剪枝卷积神经网络的分类方法及相关设备
EP2909687B1 (en) System testing algorithm and apparatus
Mdallal et al. AI-Powered Conceptual Model for Scrum Framework
CN115396161B (zh) 车辆网络安全的评估方法、装置以及云服务器
Rawashdeh et al. A hybrid AHP-VIKOR methodology to evaluate for adoption COTS database components based on usability
Caloğlu et al. Software Quality Measurement Modelling Using AHP and Promethee Methods

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231226

Address after: 518000 block a, Jingji 100 building, Caiwuwei, No. 5016, Shennan East Road, laowei community, Guiyuan street, Luohu District, Shenzhen, Guangdong, 2001-06

Patentee after: Shenzhen Xinrun Fulian Digital Technology Co.,Ltd.

Patentee after: CITIC Corporation of China

Patentee after: CITIC Dicastal Co.,Ltd.

Address before: 518000 block a, Jingji 100 building, Caiwuwei, No. 5016, Shennan East Road, laowei community, Guiyuan street, Luohu District, Shenzhen, Guangdong, 2001-06

Patentee before: Shenzhen Xinrun Fulian Digital Technology Co.,Ltd.