CN115409131A - 基于spc过程管控系统的生产线异常检测方法 - Google Patents

Abstract

本发明涉及生产线异常检测技术领域，具体涉及一种基于SPC过程管控系统的生产线异常检测方法，该方法包括：获取生产线对应的各个关键质量特征实时数据，构成时序序列，对该序列进行重构得到重构数据；利用设定尺寸的高斯核对重构数据对应的高斯窗口内的数据进行卷积得到卷积值；进而计算相似程度，确定突变噪声点数据，并对其进行替换得到待检测数据库；获取待检测数据库中每行对于的待检测序列，获得分布状况，进而确定待检测异常序列，基于待检测异常序列内的数据值拟合高斯混合模型，根据高斯混合模型对应的参数向量获取异常程度，根据所述异常程度得到生产线异常检测结果，本发明能够提高异常检测准确性。

Description

基于SPC过程管控系统的生产线异常检测方法

技术领域

本发明涉及生产线异常检测技术领域，具体涉及一种基于SPC过程管控系统的生产线异常检测方法。

背景技术

生产线生产状况对于产品的生产质量等有着极其重要的影响，通过生产线上的各种数据进行异常检测一直是研究应用的重要方向，对于生产线运行状况的检测分析目前多通过技术人员对各个环节进行巡检监测，或者是通过各种传感器采集的数据来实现生产线的异常情况的检测。人为巡检具有较低的实时性，同时具有滞后性，不能实时的对生产情况进行检测；传感器等数据各种故障检测和预测方法大都基于通过物联网技术在产品生产设备上采集到的数据，而如何利用这些数据提高异常检测准确性成为重要研究课题。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于SPC过程管控系统的生产线异常检测方法，所采用的技术方案具体如下：

获取生产线生产过程中各个关键质量特征不同时刻的实时数据，并对不同时刻的实时数据进行归一化处理；将归一化后的各个关键质量特征不同时刻的实时数据构成时序序列；根据时序序列中元素得到重构数据，构成重构序列；

将各个关键质量特征对应的重构序列构成重构数据库；获取设定尺寸的高斯核，利用高斯核对重构数据对应的设定的高斯窗口内的数据进行卷积，得到卷积值；根据该卷积值和高斯核以及重构数据得到重构数据对应的相似程度；根据相似程度确定突变噪声点数据，利用重构数据对突变噪声点数据进行替换，得到待检测数据库；

获取待检测数据库中每行对应的数据构成待检测序列，对待检测序列进行分类，根据各类别中元素得到分布状况；根据分布状况确定待检测异常序列，基于待检测异常序列内的数据值拟合高斯混合模型，根据高斯混合模型对应的参数向量获取异常程度，根据所述异常程度得到生产线异常检测结果。

优选地，所述根据时序序列中元素得到重构数据具体为：

式中，

为重构序列中第c个重构数据值，

为原序列中的第v个数据值，

为时序序列中第v个数据的权值参数，

为时序序列中的数据均值，n为时序序列中元素的总数量，l为设定的重构序列中元素的总数量。

优选地，所述相似程度的获取方法具体为：

式中，

为相似程度，

为重构序列中第c个重构数据值，

为重构数据

对应的卷积值，

为高斯核数值，

为重构序列中第j个重构数据值，c为自设常数。

优选地，所述根据相似程度确定突变噪声点数据具体为：设置相似程度阈值，将相似程度小于或等于相似程度阈值的重构数据记为突变噪声点数据。

优选地，所述分布状况的获取方法具体为：

式中，

为待检测数据库中第z行数据对应的待检测序列的分布状况，

为第m种类别所包含的数据数量在第z行待检测序列数据总数中的占比，

为第z行待检测序列中的类别数量。

优选地，所述根据分布状况确定待检测异常序列具体为：将大于或等于分布状况阈值的分布状况对应的待检测序列记为待检测异常序列。

本发明实施例至少具有如下有益效果：

本发明通过对生产线过程中的各个关键质量特征进行实时数据采集，得到SPC数据库，SPC过程管控系统主要用于收集关键质量特征的原始数据，经过一系列的数据分析，以最简单、直观、明了的方式表现，提取异常数据，能够利用异常数据提高异常检测准确性，便于深入分析生产线生产状况，实现生产线生产状况的检测，并进行相应的预警提示。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1是本发明的一种基于SPC过程管控系统的生产线异常检测方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于SPC过程管控系统的生产线异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于SPC过程管控系统的生产线异常检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于SPC过程管控系统的生产线异常检测方法的方法流程图，该方法包括以下步骤：

步骤一，获取生产线生产过程中各个关键质量特征不同时刻的实时数据，并对不同时刻的实时数据进行归一化处理；将归一化后的各个关键质量特征不同时刻的实时数据构成时序序列；根据时序序列中元素得到重构数据，构成重构序列。

首先，通过SPC过程管控系统获取生产线生产过程中各个关键质量特征的实时数据，得到对应的SPC数据库，用于对生产线运行状况进行检测。

生产线运行过程中影响其生产情况的关键质量特征有很多，包括但不限于不良率、料费率、工废率、生产设备振动频率、设备运行功率等，在实际的生产线异常检测过程中，实施者可根据实际情况进行关键质量特征的设定，以实现对生产线的生产过程状况进行准确检测。本发明中将有限个生产线运行状况相关的关键质量特征数量记为∅。SPC过程管控系统可获取每个关键质量特征的实时数据，作为后续分析生产线生产状况的基础数据。在此需要说明，所述SPC过程管控系统对于数据的采集获取为现有公知方法，可通过对应传感器采集对应关键质量特征的实时数据来进行传输到SPC过程管控系统中，将其作为生产线异常检测的数据。

至此，即可根据本发明所述方法获取生产线运行过程中各个关键质量特征的实时运行数据，作为生产线运行状况综合检测的基础数据。

然后，建立数据库分析模型，对数据库中的数据进行分析，提取生产线运行过程中的综合特征指标，用于对生产线运行状况进行分析。

对于SPC过程管控系统的数据集，为保证检测的精度，避免检测结果的偶然性，每个关键质量特征每次采集大量的数据用于分析，本发明中设置每次采集数据量n=500，同时每隔15min进行一次数据采集，在此需要说明间隔时段（15min）实施者也可自行定义，至此，根据上述方法即可得到SPC过程管控系统的输入数据，作为生产线异常检测的基础数据。

基于SPC过程管控系统的输入数据，本发明将建立相应的数据库K：

式中，数据库中

代表

个关键质量特征，

为关键质量特征

在n时刻所对应的数据，为避免各个关键质量特征不同量纲之间的影响，对数据分析数据库进行归一化处理：

其中，

为数据

所对应的归一化数据值，对数据库中的每个数据均进行归一化处理，归一化后的数据库不存在量纲不同的问题，便于后续分析。

最后，考虑到生产过程中大多关键质量特征的数据都是连续性的，且时序数据在短时间内数据的变化范围不大，因此，为便于后续分析，降低系统计算量，实现准确快速的对生产线状况进行异常检测，对归一化之后的数据库进行数据重构。

具体地，将各归一化后的各个关键质量特征不同时刻的实时数据构成时序序列，对于每个为n的关键质量特征时序序列，以关键质量特征

为例，其对应的时序序列为

，记为原序列。本实施例设置尺寸为

的一维子窗口对时序序列进行划分，得到重构序列

，其中

且为保证数据的完整设置n为

的整倍数，本实施例将其对应设置为

，实施者可根据实际情况进行设置。

进而根据时序序列中元素得到重构数据，用公式表示为：

式中，

为重构序列中第c个重构数据值，

为原序列中的第v个数据值，

为时序序列中第v个数据的权值参数，

为时序序列中的数据均值，n为时序序列中元素的总数量，l为设定的重构序列中元素的总数量。

步骤二，将各个关键质量特征对应的重构序列构成重构数据库；获取设定尺寸的高斯核，利用高斯核对重构数据对应的设定的高斯窗口内的数据进行卷积，得到卷积值；根据该卷积值和高斯核以及重构数据得到重构数据对应的相似程度；根据相似程度确定突变噪声点数据，利用重构数据对突变噪声点数据进行替换，得到待检测数据库。

首先，基于各个重构序列可得到重构数据库，对重构数据库进行数据分析，以实现对生产线生产过程中的异常状况进行精确检测。对于重构数据库中的数据而言，本实施例将基于每个重构序列内数据之间的关联性初步对重构序列中的噪声数据进行提取，以避免重构序列中噪声数据对于生产线异常检测精度的影响，以重构序列

为例，对其内的重构数据进行分析。

具体地，基于待分析重构数据

的局部范围内的重构数据的分布状况，对其是否是噪声数据进行判定，在本实施例中，设置5×5的高斯核，所述高斯核内前两行和后两行的值均设置为0，具体为：

其中，

为高斯核数值，在本实施例中，设置为

，

，对高斯核数值进行归一化处理保证高斯核内数值之和为1，其中本实施例中高斯核参数

设置为1，实施者可自行设定。

然后，得到对应高斯核之后，本发明将通过该高斯核对重构数据

对应的高斯窗口内的数据进行卷积处理，得到卷积值

，其中重构数据对应的高斯窗口具体为以重构数据

为中心左右两边相邻的各两个重构数据组成的局部窗口。

并设置关联性初步分析模型，以获取待分析重构数据

相对局部范围内重构数据的相似程度，用公式表示为：

式中，

为相似程度，表示待分析重构数据

相对局部范围内重构数据之间的关联性，

为重构序列中第c个重构数据值，

为重构数据

对应的卷积值，

为高斯核数值，

为重构序列中第j个重构数据值。对关联性模型进行归一化处理，保证

的取值处于（0,1）。

并设定相似程度阈值，在本实施例中的取值为0.5，当相似程度高于相似程度阈值时，认为该重构数据

为非噪点数据，否则将其作为突变噪点数据。

最后，根据上述方法对重构序列中的每个重构数据均进行上述分析，对突变噪点数据进行识别，本发明为保证生产线异常检测精度，保证数据分析的完整性，将对突变噪点数据进行替换，得到对应的替换值：

，也即通过其局部范围内的重构数据均值作为该突变噪点数据的替换值，最终间替换后的各个数据与原始重构数据构成待检测数据库，将其作为生产线异常检测的最终数据库。

需要说明的是，对于待检测数据库，可避免噪点等无关数据对于生产线异常检测的影响，基于待检测数据库，本发明将对各个关键质量特征的运行数据进行异常分析，提取数据特征，识别异常数据，实现对生产线异常的精确检测。

步骤三，获取待检测数据库中每行对应的数据构成待检测序列，对待检测序列进行分类，根据各类别中元素得到分布状况；根据分布状况确定待检测异常序列，基于待检测异常序列内的数据值拟合高斯混合模型，根据高斯混合模型对应的参数向量获取异常程度，根据所述异常程度得到生产线异常检测结果。

首先，对每个关键质量特征的数据进行分析，将待检测数据库中的每行均记为待检测序列，对于每个待检测序列，对其内异常数据进行初步提取，以第z行待检测序列为例，通过其内的数据值对其是否存在异常状况进行分析，首先，将第z行待检测序列内的数据值相同的作为一个类别，对待检测序列中元素进行分类，则可得到第z行待检测序列所对应的

个类别，本实施例将基于熵的思想对第z行待检测序列内的数据分布状况进行初步分析，所述分布状况用公式表示为：

式中，

为待检测数据库中第z行数据对应的待检测序列的分布状况，

为第m种类别所包含的数据数量在第z行待检测序列数据总数中的占比，

为第z行待检测序列中的类别数量。

值越大，则认为第z行待检测序列内的数据分布越杂乱，数据之间的均匀性越差，越有可能出现异常情况，对所述分布状况模型进行归一化处理，保证函数值处于（0,1）。

当待检测序列所对应的分布状况值低于分布状况阈值时，将认为该待检测序列内的数据正常，也即对应的关键质量特征的运行数据没有出现异常状况；否则，将认为该待检测序列内的数据分布较为散乱，其内存在异常数据，将对其进行进一步的分析，将该类型的待检测序列记为待检测异常序列。其中，在本实施例中，分布状况阈值的取值为0.65。根据上述所述方法对每个待检测序列进行分析，可实现对每个待检测序列的异常状况进行初步判定。

然后，对于初步判定存在异常的待检测异常序列，将对其进行高斯混合模型的构建，基于待检测异常序列内的数据值拟合一个高斯混合模型，高斯混合模型的拟合过程为现有公知技术，不在本发明保护范围内，不做详细阐述。高斯混合模型中所包含的单高斯模型的个数记为Q，也即将待检测异常序列内的数据分为Q个类别，进一步获取每个单高斯模型的模型参数，构建模型参数向量：

,q=1,2,…,Q，

分别为单高斯模型的权值、均值以及方差参数，其计算过程为现有公知技术，不在本发明保护范围内不做详细阐述。

基于每个高斯模型的参数向量，本发明将对其内所包含的数据的异常状况进行精确判定，同时还需获取关键质量特征在正常情况下对应的数据作为标准值进行比较。具体地，通过大量的历史数据获取待检测异常序列对应的关键质量特征在正常情况下所对应的数据序列，记为标准数据序列，并基于标准数据序列构建一个标准高斯模型，同理得到标准高斯模型参数向量

。

进而分别计算待检测异常序列中每个类别对应的高斯模型参数向量与标准高斯模型参数向量之间的余弦相似度，并对其进行归一化，使得余弦相似度数值处于（0,1），当所述余弦相似度低于余弦相似度阈值（0.6实施者也可自行设定）时，本实施例将认为该高斯模型所对应的数据均为异常数据，实现对待检测异常序列中异常数据的提取。

根据本发明上述方法，对于每个待检测异常序列，均通过上述异常数据提取过程实现对异常数据的检测识别，并记录每个待检测异常序列内所包含异常数据的数量，将待检测数据库中所包含的异常数据的总数量记为U。

即可通过本实施例的方法基于SPC过程管控系统对生产线生产过程中各个关键质量特征的数据进行处理，并分别对其进行分析以及异常数据的提取，用于后续对生产线异常状况进行预警提示。

最后，根据上述步骤即可得到生产线工作过程中出现异常的关键质量特征，并对出现异常的关键质量特征的异常数据进行提取识别，基于此本实施例将构建生产线异常检测指标，用于对生产线工作过程中的综合运行状况进行检测。

所述生产线异常检测指标

为：所有异常数据的异常程度之和

，异常数据的异常程度为：

，

也即异常数据对应的高斯模型参数向量与标准高斯模型参数向量之间的预先相似度。

对所述生产线异常检测指标进行归一化处理，生产线异常检测指标函数值越大，则对应生产线异常情况越严重，设置生产线异常检测阈值，在本实施例中生产线异常检测阈值的取值为0.3，当所述生产线异常检测指标高于0.3时，系统将认为生产线出现异常，SPC过程管控系统将做出对应的预警提示，及时提示相关人员进行生产线的检修，避免重大问题的发生。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于SPC过程管控系统的生产线异常检测方法，其特征在于，该方法包括以下步骤：

获取生产线生产过程中各个关键质量特征不同时刻的实时数据，并对不同时刻的实时数据进行归一化处理；将归一化后的各个关键质量特征不同时刻的实时数据构成时序序列；根据时序序列中元素得到重构数据，构成重构序列；

将各个关键质量特征对应的重构序列构成重构数据库；获取设定尺寸的高斯核，利用高斯核对重构数据对应的设定的高斯窗口内的数据进行卷积，得到卷积值；根据该卷积值和高斯核以及重构数据得到重构数据对应的相似程度；根据相似程度确定突变噪声点数据，利用重构数据对突变噪声点数据进行替换，得到待检测数据库；

获取待检测数据库中每行对应的数据构成待检测序列，对待检测序列进行分类，根据各类别中元素得到分布状况；根据分布状况确定待检测异常序列，基于待检测异常序列内的数据值拟合高斯混合模型，根据高斯混合模型对应的参数向量获取异常程度，根据所述异常程度得到生产线异常检测结果。

2.根据权利要求1所述的一种基于SPC过程管控系统的生产线异常检测方法，其特征在于，所述根据时序序列中元素得到重构数据具体为：

式中，

为重构序列中第c个重构数据值，

为原序列中的第v个数据值，

为时序序列中第v个数据的权值参数，

为时序序列中的数据均值，n为时序序列中元素的总数量，l为设定的重构序列中元素的总数量。

3.根据权利要求1所述的一种基于SPC过程管控系统的生产线异常检测方法，其特征在于，所述相似程度的获取方法具体为：

式中，

为相似程度，

为重构序列中第c个重构数据值，

为重构数据

对应的卷积值，

为高斯核数值，

为重构序列中第j个重构数据值，c为自设常数。

4.根据权利要求1所述的一种基于SPC过程管控系统的生产线异常检测方法，其特征在于，所述根据相似程度确定突变噪声点数据具体为：设置相似程度阈值，将相似程度小于或等于相似程度阈值的重构数据记为突变噪声点数据。

5.根据权利要求1所述的一种基于SPC过程管控系统的生产线异常检测方法，其特征在于，所述分布状况的获取方法具体为：

式中，

为待检测数据库中第z行数据对应的待检测序列的分布状况，

为第m种类别所包含的数据数量在第z行待检测序列数据总数中的占比，

为第z行待检测序列中的类别数量。

6.根据权利要求1所述的一种基于SPC过程管控系统的生产线异常检测方法，其特征在于，所述根据分布状况确定待检测异常序列具体为：将大于或等于分布状况阈值的分布状况对应的待检测序列记为待检测异常序列。

Images