CN113848821A - 基于工业神经网络的质量检测方法、装置、设备及介质 - Google Patents
基于工业神经网络的质量检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113848821A CN113848821A CN202011164313.2A CN202011164313A CN113848821A CN 113848821 A CN113848821 A CN 113848821A CN 202011164313 A CN202011164313 A CN 202011164313A CN 113848821 A CN113848821 A CN 113848821A
- Authority
- CN
- China
- Prior art keywords
- quality
- production
- industrial
- neural network
- determining
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000004519 manufacturing process Methods 0.000 claims abstract description 242
- 238000000034 method Methods 0.000 claims abstract description 114
- 230000008569 process Effects 0.000 claims abstract description 83
- 238000003860 storage Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000009960 carding Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 72
- 239000000463 material Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于工业神经网络的质量检测方法、装置、设备及介质。该方法包括：基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。上述方案能够在生产的产品出现质量问题时，对导致质量问题的生产要素进行快速锁定和深层追溯，确定导致质量问题的最根本的原因。
Description
技术领域
本申请实施例涉及质量检测技术领域，尤其涉及一种基于工业神经网络的质量检测方法、装置、设备及介质。
背景技术
飞机制造是一个涉及众多环节的复杂过程，从零件生产到部装，再到总装任何一个环节出了问题都有可能影响飞机的产品质量和飞行安全。因此，在飞机制造过程中质量检测就显得尤其重要。随着科学技术的发展，飞机产品结构日益复杂，研制周期较长。从飞机产品从设计到生产制造领域进行重组的过程中，生产制造过程的产品质量特性与设计有较大差异，同时制造工艺零件多，流程复杂，导致质量数据滞后，质量问题追溯难等问题。
目前，对飞机的质量检测只是在出现问题时进行浅层的追溯，查明导致问题出现的浅层原因，而无法确定导致问题的根源，无法实现深层追溯。
发明内容
本发明实施例提供一种基于工业神经网络的质量检测方法、装置、设备及介质，以在生产的产品出现质量问题时，快速确定导致质量问题的生产要素。
在一个实施例中，本申请实施例提供了一种基于工业神经网络的质量检测方法，该方法包括：
基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
在另一个实施例中，本申请实施例还提供了一种基于工业神经网络的质量检测装置，该装置包括：
目标工序确定模块，用于基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
候选生产要素确定模块，用于确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
目标生产要素确定模块，用于从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
在又一个实施例中，本申请实施例还提供了一种质量检测设备，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请实施例任一项所述的基于工业神经网络的质量检测方法。
在再一个实施例中，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例中任一项所述的基于工业神经网络的质量检测方法。
本申请实施例中，基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序，从而明确导致产品存在质量问题的目标工序，通过确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素，从而确定导致产品质量产生问题的生产要素，将导致产品质量问题的原因追溯到生产要素层级，明确根本原因。
附图说明
图1为本发明一种实施例提供的基于工业神经网络的质量检测方法的流程图；
图2为本发明一种实施例提供的工业神经网络的关联图谱示意图；
图3为本发明一种实施例提供的故障报告与工序关联示意图；
图4为本发明另一实施例提供的基于工业神经网络的质量检测方法的流程图；
图5为本发明另一实施例提供的基于工业神经网络的质量检测流程图；
图6为本发明另一实施例提供的环境检测示意图；
图7为本发明一种实施例提供的质量检测装置的结构示意图；
图8为本发明一种实施例提供的质量检测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一种实施例提供的基于工业神经网络的质量检测方法的流程图。本实施例提供的基于工业神经网络的质量检测方法可适用于进行质量检测的情况。典型的，该方法可以适用于基于构建的工业神经网络对产品生产的全生命周期进行质量检测以及问题追溯的情况。该方法具体可以由质量检测装置执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在电子设备中。参见图1，本申请实施例的方法具体包括：
S110、基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序。
其中，工业神经网络的关联图谱可以为由产品制造过程所需的生产要素、工序以及约束条件构建的关联图谱，生产要素、工序和约束条件作为节点，根据各节点的关系进行连接，构建得到工业神经网络的关联图谱。在本申请实施例中，产品可以为飞机产品，包括飞机整机、飞机零部件等。对飞机质量的检测可以贯穿于飞机制造的整个过程，即在飞机制造过程中的任意阶段，都可以对飞机质量进行检测。当产品的质量未满足预设条件时，则生成故障报告。在产品制造的过程中检测到质量未满足预设条件时，可以确定导致产品质量未满足预设条件的目标工序，从而作为与故障报告关联的目标工序。故障报告可以有至少一个，可以为一个或多个，即在不同的工序生产阶段都有可能造成产品质量未满足预设条件。当故障报告存在多个时，则与其关联的目标工序也为多个。
S120、确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素。
其中，生产要素包括产品制造所需要的人员、物料、设备、规则以及环境等要素。在工业神经网络的关联图谱中，各工序节点与该工序所需的各生产要素节点、约束条件节点相连接，形成关联关系。与各生产要素节点相连的还可以有下一级节点，例如为生产要素的具体质量数据值等对生产要素的细化描述。如图2所示。
在本申请实施例中，与一个目标工序关联的生产要素可以为至少一个，将目标工序关联的所有生产要素，均作为候选生产要素。当目标工序为至少两个时，不同目标工序关联的候选生产要素可以相同或者为相同类型。例如，对于目标工序1，关联的候选生产要素包括人员1、设备1和物料1，对于目标工序2，关联的候选生产要素包括设备1、物料2和环境1，则目标工序1和目标工序2均关联设备1。
S130、从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
示例性的，由于目标工序为导致产品质量未满足预设条件的直接因素，则目标工序中所使用的生产要素则为导致产品质量未满足预设条件的较为深层的根本因素，因此，通过目标工序关联的候选生产要素，确定导致产品质量未满足预设条件的目标生产要素。
在上述举例的基础上进一步说明，对于目标工序1，关联的候选生产要素包括人员1、设备1和物料1，对于目标工序2，关联的候选生产要素包括设备1、物料2和环境1。其中，导致产品质量未满足预设条件的目标工序1和目标工序2中，都包括了设备1，则可以确定设备1为导致产品质量未满足预设条件的根本因素。
如果只存在一个故障报告，对应一个目标工序，则将该目标工序所关联的全部候选生产要素确定为目标生产要素。
在本申请实施例中，从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素，包括：根据所述候选生产要素的出现次数，从各类候选生产要素中确定目标生产要素。
示例性的，对于至少一个目标工序，关联的候选生产要素中，可能存在相同的候选生产要素，如果候选生产要素即为目标工序1的候选生产要素，也为目标工序2的候选生产要素，则该类候选生产要素的出现次数为2，同理，如果该候选生产要素还为目标工序3的候选生产要素，则该类候选生产要素的出现次数为3。以此类推。不同的候选生产要素出现的次数可能不同，因此，可以根据不同候选生产要素的出现次数，选取目标生产要素。
在本申请实施例中，根据所述候选生产要素的出现次数，从各类候选生产要素中确定目标生产要素，包括：将出现次数最多的候选生产要素，作为导致产品的质量未满足预设条件的目标生产要素。
示例性的，如果在候选生产要素中，存在一个候选生产要素或一类生产要素出现的次数最多，则将该候选生产因素作为导致产品质量未满足预设条件的目标生产因素，即导致产品质量未满足预设条件的根本因素。
示例性的，如果在候选生产要素中，存在一类或多类候选生产要素出现多次，即对多个目标工序中都对产品质量产生影响，则认为该一类或多类候选生产要素为导致产品质量未达到预设条件的根本原因，即确定为目标生产因素。如图3所示，其中FRR为故障报告，FRR关联的目标工序1，与候选生产要素人员、物料和设备关联，FRR关联的目标工序2，与候选生产要素人员、物料和设备关联，此时，候选生产要素人员出现两次，候选产要素物料出现两次，候选生产要素设备出现两次，次数相同，则将两次作为最多次数，将人员、物料和设备确定为目标生产要素。
本申请实施例中，通过基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序，从而明确导致产品存在质量问题的目标工序，通过确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素，从而确定导致产品质量产生问题的生产要素，将导致产品质量问题的原因追溯到生产要素层级，明确根本原因。
图4为本发明另一实施例提供的基于工业神经网络的质量检测方法的流程图。本申请实施例为对上述实施例基础上，对技术方案的进一步优化。参见图4，本实施例提供的基于工业神经网络的质量检测方法可以包括：
S210、梳理产品生产的工序、生产要素、生产要素的质量数据以及约束条件。
其中，产品生产的工序、生产要素、生产要素的质量数据以及约束条件可以为从互联网、数据库等检索到的资料等，例如生产大纲。其中，生产要素可以包括人员、物料、设备、规则以及环境等要素。人员信息可以为可分为操作人员、工艺人员、质量人员等、员工的标识、工作时长、职称、工种、在岗信息、所持有的证书等信息，设备信息可以为工装、工具刀具、量具、设备标识、设备的工作状态、设备的寿命等信息。物料信息可以为物料的成分、比例、硬度等信息。规则信息可以为操作规程、图纸等。操作规程可以为产品生产的步骤、流程、方法等。图纸可以为产品生产的零件位置、生产顺序、连接关系等。环境信息可以为操作空间、温度、湿度、人数限制等。
在本申请实施例中，为了在产品生产的全生命周期中能够对产品质量进行实时检测，因此，将生产要素的质量数据作为节点，从而在产品生产的过程中既能够对各个工序中的产品要素的质量数据进行分析，确定各工序关联的生产要素的质量是否满足要求。其中，质量数据可以为人员的证书、资质、职称、等级等数据，设备的合格证书、生产日期、零件的质量检测结果等，物料的成分、比例、硬度等，环境的温度、湿度等。
S220、根据所述工序、所述生产要素、生产要素的质量数据以及约束条件，构建工业神经网络的关联图谱。
产品生产过程中工序步骤多，工序离散。在本申请实施例中，如图5所示，为了使产品生产过程中的实体、工序等之间建立联系，更有效地整合产品生产过程中的数据以及关系，并针对制造数据进行结构化智能化分析，根据工序、生产要素、生产要素的质量数据以及约束条件，构建工业神经网络的产品生产关联图谱，使产品生产过程中涉及的数据、关系、工业经验和机理数据化、结构化。每个产品生产工序包含不同的多项人员、设备、物料等生产要素，同时这些人员、设备、物料等要素间存在多种关联关系，这些关系可能是重复的，或者多种同时存在。将所有整理的相关数据要素导入图数据库中，并完成节点、关系的名称和属性定义，最后以关系图谱的方式呈现。
S230、基于工业神经网络的关联图谱以及算法库，构建工业神经网络。
具体的，工业神经网络是基于图数据库技术和算法相结合得到的一种可用于工业设计、生产、制造等应用的工业网络形式。在工业神经网络的关联图谱中，可以选取至少一个节点作为算法节点，为其配置可以调用算法库的第一接口，以使算法节点能够调用算法库中的算法对数据进行计算，利用质量工业神经网络可调取其他平台机理模型函数或复杂算法模块，可实现复杂业务的数据分析以及对于质量潜在问题的预测。基于关联图谱以及算法库构建工业神经网络，以整合工业生产流程、生产要素、工业机理研究算法以及人工经验判断等，解决了当前工业生产制造领域中数据和相关知识碎片化的问题，有效促进智能化生产效率。
S240、根据工业神经网络的关联图谱中的约束条件，确定所述关联图谱中的生产要素的质量数据是否满足预设标准。
示例性的，遍历关联图谱中的生产要素节点，针对每一生产要素，根据与其关联的约束条件，确定与该生产要素关联的质量数据是否满足预设标准。例如，约束条件中记载工序1的开工条件为环境温度达到20摄氏度以上，则根据此约束条件判断生产要素环境关联的温度数据是否达到20摄氏度以上，从而实现对各生产要素质量数据的判断。
在本申请实施例中，确定所述关联图谱中的生产要素的质量数据是否满足预设标准之后，所述方法还包括：若所述关联图谱中的生产要素的质量数据满足预设标准，则将所述生产要素的节点属性设置为第一预设数值；否则，在将所述生产要素的节点属性设置为第二预设数值。
示例性的，如图6所示，如果对生产要素的质量数据检测确定满足预设标准，则可以将该生产要素的节点属性设置为1，如果不满足预设标准，则可以将该生产要素的节点属性设置为0，从而对生产要素的质量是否满足预设标准进行标注，以直观展示生产要素是否满足预设标准。此处的0和1并不是对第一预设数值和第二预设数值的限制，也可以为其他数值。
S250、根据判断结果确定所述关联图谱中的工序是否满足预设生产条件。
对各工序关联的生产要素进行遍历，如果各生产要素的质量数据均满足预设标准，则确定该工序满足预设生产条件，可以开工进行产品的生产。如果工序关联的生产要素中，存在至少一个生产要素不满足预设标准，则确定该工序不满足预设生产条件。如图6所示。对于工序关联的环境生产要素，与其关联的质量数据包括温度和洁净度，当温度和洁净度都满足预设标准时，则确定环境生产要素满足预设标准。如果与工序关联的生产要素仅有环境生产要素，当环境生产要素满足预设标准时，则确定该工序满足预设生产条件。如果与工序关联的生产要素除环境生产要素之外还包括其他生产要素，则需要环境生产要素和其他生产要素均满足预设标准时，才能够确定该工序满足预设生产条件。
上述方案通过对产品生产全过程中的质量数据进行检测，从而准确快速地判定当前的生产要素是否使工序满足生产条件，从而指导进行产品生产进程。
S260、基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序。
在本申请实施例中，确定与所述故障报告关联的目标工序之前，所述方法还包括：若检测出产品的质量未满足预设条件，则生成故障报告；在工业神经网络的关联图谱中，建立所述故障报告与目标工序的关联。
示例性的，将故障报告作为关联图谱中的节点，与关联图谱中导致产品质量为满足预设条件的目标工序进行连接，从而建立故障报告与目标工序的关联，便于基于关联追溯导致产品质量为满足预设条件的生产要素。
S270、确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素。
S280、根据所述候选生产要素的出现次数，从各类候选生产要素中确定目标生产要素。
本申请实施例的技术方案，业务人员可根据业务需求，提取质量工业神经网络的部分节点。利用质量工业神经网络构建的复杂关系网络，对于节点、关系以及约束可进行单点实时计算和传递计算，结合复杂函数和机理模型的调取，实现质量数据实时检测，业务流程实时动态规划。利用神经网络算法和知识图谱构建质量工业神经网络，整合质量检测与生产要素数据，打破质量数据和生产数据的数据壁垒，让质量管理贯穿与产品生产周期全过程，实现质量问题可追溯的目的。
图7为本发明一种实施例提供的质量检测装置的结构示意图。该装置可适用于进行质量检测的情况。典型的，该方法可以适用于基于构建的工业神经网络对产品生产的全生命周期进行质量检测以及问题追溯的情况。该装置可以由软件和/或硬件的方式实现，该装置可以集成在质量检测设备中。参见图7，该装置具体包括：
目标工序确定模块310，用于基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
候选生产要素确定模块320，用于确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
目标生产要素确定模块330，用于从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
在本申请实施例中，所述装置还包括：
故障报告生成模块，用于若检测出产品的质量未满足预设条件，则生成故障报告。
关联模块，用于在工业神经网络的关联图谱中，建立所述故障报告与目标工序的关联。
在本申请实施例中，目标生产要素确定模块330，具体用于：
根据所述候选生产要素的出现次数，从各类候选生产要素中确定目标生产要素。
在本申请实施例中，所述目标生产要素确定模块330，包括：
次数判断单元，用于将出现次数最多的候选生产要素，作为导致产品的质量未满足预设条件的目标生产要素。
在本申请实施例中，所述方法还包括：
梳理模块，用于梳理产品生产的工序、生产要素、生产要素的质量数据以及约束条件。
关联图谱构建模块，用于根据所述工序、所述生产要素、生产要素的质量数据以及约束条件，构建工业神经网络的关联图谱。
工业神经网络构建模块，用于基于工业神经网络的关联图谱以及算法库，构建工业神经网络。
所述装置还包括：
质量数据判断模块，用于根据工业神经网络的关联图谱中的约束条件，确定所述关联图谱中的生产要素的质量数据是否满足预设标准。
生产条件判断模块，用于根据判断结果确定所述关联图谱中的工序是否满足预设生产条件。
在本申请实施例中，所述装置还包括：
第一预设数值设置模块，用于若所述关联图谱中的生产要素的质量数据满足预设标准，则将所述生产要素的节点属性设置为第一预设数值；
第二预设数值设置模块，用于否则，在将所述生产要素的节点属性设置为第二预设数值。
本申请实施例所提供的质量检测装置可执行本申请任意实施例所提供的基于工业神经网络的质量检测方法，具备执行方法相应的功能模块和有益效果。
图8为本发明一种实施例提供的质量检测设备的结构示意图。图8示出了适于用来实现本申请实施例的示例性质量检测设备412的框图。图8显示的质量检测设备412仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，质量检测设备412可以包括：一个或多个处理器416；存储器428，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器416执行，使得所述一个或多个处理器416实现本申请实施例所提供的基于工业神经网络的质量检测方法，包括：
基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
质量检测设备412的组件可以包括但不限于：一个或者多个处理器或者处理器416，存储器428，连接不同设备组件(包括存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
质量检测设备412典型地包括多种计算机设备可读存储介质。这些存储介质可以是任何能够被质量检测设备412访问的可用存储介质，包括易失性和非易失性存储介质，可移动的和不可移动的存储介质。
存储器428可以包括易失性存储器形式的计算机设备可读存储介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。质量检测设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机设备存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁存储介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光存储介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据存储介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
质量检测设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该质量检测设备412交互的设备通信，和/或与使得该质量检测设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，质量检测设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器420通过总线418与质量检测设备412的其它模块通信。应当明白，尽管图8中未示出，可以结合质量检测设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID设备、磁带驱动器以及数据备份存储设备等。
处理器416通过运行存储在存储器428中的多个程序中其他程序的至少一个，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种基于工业神经网络的质量检测方法。
本发明一种实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行基于工业神经网络的质量检测方法，包括：
基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形存储介质，该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。
计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于工业神经网络的质量检测方法，其特征在于，所述方法包括：
基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
2.根据权利要求1所述的方法，其特征在于，确定与所述故障报告关联的目标工序之前，所述方法还包括：
若检测出产品的质量未满足预设条件，则生成故障报告；
在工业神经网络的关联图谱中，建立所述故障报告与目标工序的关联。
3.根据权利要求1所述的方法，其特征在于，从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素，包括：
根据所述候选生产要素的出现次数，从各类候选生产要素中确定目标生产要素。
4.根据权利要求3所述的方法，其特征在于，根据所述候选生产要素的出现次数，从各类候选生产要素中确定目标生产要素，包括：
将出现次数最多的候选生产要素，作为导致产品的质量未满足预设条件的目标生产要素。
5.根据权利要求1所述的方法，其特征在于，基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序之前，所述方法还包括：
梳理产品生产的工序、生产要素、生产要素的质量数据以及约束条件；
根据所述工序、所述生产要素、生产要素的质量数据以及约束条件，构建工业神经网络的关联图谱；
基于工业神经网络的关联图谱以及算法库，构建工业神经网络。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：
根据工业神经网络的关联图谱中的约束条件，确定所述关联图谱中的生产要素的质量数据是否满足预设标准；
根据判断结果确定所述关联图谱中的工序是否满足预设生产条件。
7.根据权利要求6所述的方法，确定所述关联图谱中的生产要素的质量数据是否满足预设标准之后，所述方法还包括：
若所述关联图谱中的生产要素的质量数据满足预设标准，则将所述生产要素的节点属性设置为第一预设数值；
否则，在将所述生产要素的节点属性设置为第二预设数值。
8.一种基于工业神经网络的质量检测装置，其特征在于，所述装置包括：
目标工序确定模块，用于基于工业神经网络的关联图谱，根据在检测出产品的质量未满足预设条件时生成的故障报告，确定与所述故障报告关联的目标工序；
候选生产要素确定模块，用于确定工业神经网络的关联图谱中与所述目标工序关联的候选生产要素；
目标生产要素确定模块，用于从所述候选生产要素中，确定导致产品的质量未满足预设条件的目标生产要素。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的基于工业神经网络的质量检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于工业神经网络的质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011164313.2A CN113848821A (zh) | 2020-10-27 | 2020-10-27 | 基于工业神经网络的质量检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011164313.2A CN113848821A (zh) | 2020-10-27 | 2020-10-27 | 基于工业神经网络的质量检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113848821A true CN113848821A (zh) | 2021-12-28 |
Family
ID=78972916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011164313.2A Pending CN113848821A (zh) | 2020-10-27 | 2020-10-27 | 基于工业神经网络的质量检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113848821A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0399082A1 (de) * | 1989-05-26 | 1990-11-28 | Franz-Peter Dr. Liebel | Verfahren zur Ermittlung der wahrscheinlichsten Ursache eines Leitsymptoms durch die Propagierung von Wissen in einem Kausalnetz |
| CN105975797A (zh) * | 2016-05-27 | 2016-09-28 | 北京航空航天大学 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
| CN109063829A (zh) * | 2018-06-22 | 2018-12-21 | 泰康保险集团股份有限公司 | 神经网络构建方法、装置、计算机设备和存储介质 |
| CN110415832A (zh) * | 2019-07-31 | 2019-11-05 | 江苏省人民医院 | 基于人工智能的感染控制管理系统和方法 |
| CN110570011A (zh) * | 2019-08-02 | 2019-12-13 | 中国船舶工业系统工程研究院 | 一种多约束条件下的复杂系统资源优化调度方法及系统 |
-
2020
- 2020-10-27 CN CN202011164313.2A patent/CN113848821A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0399082A1 (de) * | 1989-05-26 | 1990-11-28 | Franz-Peter Dr. Liebel | Verfahren zur Ermittlung der wahrscheinlichsten Ursache eines Leitsymptoms durch die Propagierung von Wissen in einem Kausalnetz |
| CN105975797A (zh) * | 2016-05-27 | 2016-09-28 | 北京航空航天大学 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
| CN109063829A (zh) * | 2018-06-22 | 2018-12-21 | 泰康保险集团股份有限公司 | 神经网络构建方法、装置、计算机设备和存储介质 |
| CN110415832A (zh) * | 2019-07-31 | 2019-11-05 | 江苏省人民医院 | 基于人工智能的感染控制管理系统和方法 |
| CN110570011A (zh) * | 2019-08-02 | 2019-12-13 | 中国船舶工业系统工程研究院 | 一种多约束条件下的复杂系统资源优化调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| KR20200093441A (ko) | 지식 그래프 중의 데이터 모델을 획득하는 방법, 장치, 기기 및 저장 매체 | |
| CN111427974A (zh) | 数据质量评估管理方法和装置 | |
| KR102509748B1 (ko) | 메타데이터 및 딥러닝 보안제어를 이용한 가명처리 서비스 제공 시스템 | |
| CN114924990A (zh) | 一种异常场景测试方法及电子设备 | |
| CN115422028A (zh) | 标签画像体系的可信度评估方法、装置、电子设备及介质 | |
| CN115657890A (zh) | 一种pra机器人可定制方法 | |
| CN113592017B (zh) | 一种深度学习模型标准化训练方法、管理系统、处理终端 | |
| CN110209589B (zh) | 知识库系统测试方法、装置、设备和介质 | |
| CN111143432A (zh) | 一种事件处理结果的数据分析预警系统及方法 | |
| CN113848821A (zh) | 基于工业神经网络的质量检测方法、装置、设备及介质 | |
| US9852466B2 (en) | Approving group purchase requests | |
| Haktanır et al. | Interval-valued neutrosophic failure mode and effect analysis | |
| US20220292426A1 (en) | Systems and methods for creating, training, and evaluating models, scenarios, lexicons, and policies | |
| US11928047B2 (en) | Contextual data generation for application testing in mixed reality simulations | |
| US20150242786A1 (en) | Integrating process context from heterogeneous workflow containers to optimize workflow performance | |
| CN113850454A (zh) | 基于工业神经网络的零件制造方法、装置、设备及介质 | |
| CN113688120A (zh) | 数据仓库的质量检测方法、装置和电子设备 | |
| KR102217092B1 (ko) | 애플리케이션의 품질 정보 제공 방법 및 장치 | |
| Herencia-Zapana et al. | Towards compliance to safety objectives using data curation | |
| Awadid et al. | AI Systems Trustworthiness Assessment: State of the Art | |
| Pospisil et al. | Business process simulation for predictions | |
| Schubert | Enhancing Operational Accuracy of Plant Simulations through a Validation Framework: A case study for medical device manufacturing | |
| CN117150439B (zh) | 基于多源异构数据融合的汽车制造参数检测方法及系统 | |
| CN113850452A (zh) | 基于工业神经网络的产品装配方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211228 |