CN116244651A - 用于检测制造异常的系统和方法 - Google Patents
用于检测制造异常的系统和方法 Download PDFInfo
- Publication number
- CN116244651A CN116244651A CN202211526387.5A CN202211526387A CN116244651A CN 116244651 A CN116244651 A CN 116244651A CN 202211526387 A CN202211526387 A CN 202211526387A CN 116244651 A CN116244651 A CN 116244651A
- Authority
- CN
- China
- Prior art keywords
- waveforms
- component
- model
- waveform
- data points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 87
- 230000004044 response Effects 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 150000002148 esters Chemical class 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 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
- 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
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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]
- G05B19/4183—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 data acquisition, e.g. workpiece identification
-
- 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]
- G05B19/4188—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 CIM planning or realisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本公开提供了“用于检测制造异常的系统和方法”。本文描述了用于训练用于检测制造异常的模型的系统和方法。在计算装置处识别测试响应参数,并且与所述测试响应参数相关联的第一多个部件波形是在所述计算装置处接收到的。所述多个波形中的每个波形包括多个数据点。在所述计算装置处生成模型,并且在所述计算装置处并在所述第一多个部件波形上训练所述模型,由此生成与所述模型相关联的一个或多个参数。接收与所述测试响应参数相关联的第二多个部件波形,并且访问训练后的模型。使用所述训练后的模型指示所述第二多个部件波形中的任一者是否包括异常。对于每个所指示波形,审查所指示波形,并且对于不包括异常的每个所审查波形,对所述波形做标记。
Description
技术领域
本公开涉及用于检测制造异常的系统和方法。
背景技术
本公开涉及提供一种利用无监督机器学习来检测机器测试数据中的异常行为以便检测制造异常的系统。
发明内容
当在例如工厂中制造物品(或部件)时,通常将遵循制造过程。制造过程可能涉及从原材料形成物品并将物品呈现为复杂物品。例如,如果正在制造车轮轴承,则可以形成单独的滚珠轴承,也可以形成用于容纳滚珠轴承的金属环。可以组装滚珠轴承和金属环以形成车轮轴承。在一些示例中,所有步骤都可以在同一工厂中进行。在其他示例中,步骤中的每一者(或子集)可以在一个或多个不同的工厂中进行。制造过程的重要部分是识别在制造过程期间出现的任何异常,例如缺陷。这可能涉及例如测试在制造过程期间形成和/或组装的物品。例如,前述车轮轴承可以附接到测试点以确保其在附接到车辆之前以预期方式操作。测试有助于确保制造过程的最终产品具有预期质量。
一种解决方案是测量已制造物品的测试响应参数,并将测试响应参数与静态极限进行比较,例如,测量相对于例如时间的关键点处的高点和低点。在另一个示例中,假设已经制造了油泵。测试油泵可以包括测量处于上限的初始油压,以及测量下降到下限所需的时间。为了通过测试,例如基于物理学和流体动力学,可能需要在预定时间内发生压力降。如果已制造物品的响应(即,压力降)确实在预定时间内发生,则测试可能未通过。未通过的物品可以返回到制造过程的较早部分使得可以解决任何制造问题。对于复杂物品,诸如车辆发动机,可能会执行多达7000次测试,以帮助确保发动机已按预期质量构造。鉴于大量测试,这些测试通常是自动化的;然而,由于大量测试,对于给定物品,设计捕获每个异常的合适的通过和/或未通过条件在技术上具有挑战性。
本文提供了用于训练用于检测制造异常的模型的系统和方法。例如,本文提供的系统和方法使得能够例如以无监督方式在训练数据集上训练模型,并且使得能够基于反馈回路来细化模型输出。
根据本文提供的系统和方法的一些示例,提供了一种训练用于检测制造异常的模型的方法。在计算装置处识别测试响应参数,并且在计算装置处接收与测试响应参数相关联的第一多个部件波形。所述多个波形中的每个波形包括多个数据点。在计算装置处生成模型,并且在第一多个部件波形上训练模型。训练模型生成与模型相关联的一个或多个参数。接收与测试响应参数相关联的第二多个部件波形,并且访问训练后的模型。使用训练后的模型,指示第二多个部件波形中的波形中的任一者是否包括异常。审查每个所指示波形。对于不包括异常的每个所审查波形,对所述波形做标记。在一些示例中,所有的所指示波形都被标记,其中标签反映所指示波形的状态。在一些示例中,然后将所有后续多个异常波形与不包括异常的这些所标记波形进行比较,并且基于该比较,可以调整(例如,校正、改变和/或覆写)应用于后续多个波形的模型的输出。在示例性系统中,可以识别测试响应参数,例如油压。可以接收多个部件波形,例如,指示油泵的油压如何随时间下降的多个波形。可以生成模型并基于这些波形训练所述模型,包括生成与模型相关联的一个或多个参数。可以使用训练后的模型来接收和处理指示油泵的油压如何随时间下降的第二多个波形。训练后的模型指示为异常的任何波形都可以被标记以供主题专家审查。在审查时,主题专家可以指示波形是否异常,或者训练后的模型是否已指示误报。对于误报,可以标记波形并使用所述波形来覆写未来异常分类的输出。
在一些示例中,第一多个部件波形可以是预定数量的波形,并且第一多个部件波形可以是从较大的多个部件波形中随机选择的子集。
在一些示例中,训练模型还可以包括生成与第一多个部件波形相关联的约化特征空间。生成约化特征空间还可以包括将Z标准化应用于第一多个部件波形,由此产生结果,并将结果传递到线性主分量分析。主分量的数量可以基于设置由第一主分量解释的总方差百分比的下界,和/或累积解释的方差曲线图中的拐点。可以基于约化特征空间来生成并存储变换矩阵。指示第二多个部件波形中的波形中的任一者是否包括异常还可以包括经由变换矩阵将第二多个部件波形映射到相同的约化特征空间。
在一些示例中,可以经由具有噪声算法的应用的基于密度的空间聚类来对约化特征空间中的数据点进行聚类。所述聚类可以包括识别一个或多个核心点,以及将一个或多个数据点分配给集群,其中集群是基于核心点。噪声点可以是不可分配给集群的任何数据点。指示波形中的任一者是否包括异常还可以基于识别一个或多个噪声点。一个或多个核心点的特征可以在于在邻域半径内包含最小数量的数据点。如果数据点是从同一核心点密度可达的,则可以将它们分配给集群,其中密度可达点是如下点:存在从核心点到所述点的点链。
在一些示例中,生成模型参数还可以包括确定最小数量的数据点并确定邻域半径。训练模型还可以包括为每个集群生成集群标签并存储所生成的集群标签。数据点的最小数量可以是主分量数量的两倍,并且邻域半径可以是k距离图中的肘点,其中k是数据点的最小数量减去一。
在一些示例中,在计算装置处识别测试响应参数,与测试响应参数相关联的部件波形是在计算装置处接收到的。部件波形可以包括多个数据点。可以在计算装置处并基于测试响应参数来访问训练后的模型。可以使用训练后的模型来确定部件波形是否指示异常。在一些示例中,接收部件波形可以包括接收与测试响应参数相关联的多个波形。确定部件波形是否指示异常可以包括确定多个波形中的每个波形是否指示异常。可以确定多个波形中的阈值数量的连续波形是否指示异常和/或可以确定多个波形的数据点的阈值子集是否已经从波形中的每一者中的预期位置漂移。
在一些示例中,在计算装置处识别测试响应参数,与测试响应参数相关联的部件波形是在计算装置处接收到的。部件波形可以包括多个数据点。可以在计算装置处并基于测试响应参数来访问训练后的模型。如果数据点在集群的邻域半径内,则可以使用训练后的模型来将数据点分配给集群。可以使用训练后的模型来确定数据点是否是噪声点。如果数据点中的任一者是噪声点,则可以指示部件波形指示异常。
在一些示例中,可以提供用于制造车辆部件的设备,其中与所述设备相关联的过程包括如本文所述测试车辆部件的异常。
附图说明
结合附图考虑以下具体实施方式,本公开的上述和其他目的和优点将变得显而易见,在附图中:
图1示出了根据本公开的一些示例的提供用于制造和测试车辆部件的设备的示例性环境。
图2示出了根据本公开的一些示例的多个示例性波形。
图3示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的示例性环境。
图4示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的过程流的示意图。
图5示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的过程流的另一个示意图。
图6示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的过程流的另一个示意图。
具体实施方式
图1出了根据本公开的一些示例的提供用于制造和测试车辆部件的设备的示例性环境。工厂100包括用于制造部件104(例如,车辆部件)的制造装备102。在测试点106处测试部件104,其中测试结果被传输到计算装置。在计算装置处,使用训练后的模型来分析108在测试点106处运行的测试的结果,并且生成对是否存在与部件104相关联的异常的指示。
图2示出了根据本公开的一些示例的多个示例性波形。图形200示出了多个示例性波形202。波形202中的每一者包括多个数据点,其指示测试响应参数(在该示例中为油压)在测试期间如何随时间变化。在该测试中,油压从第一高值下降到第二低值。随着时间推移,油压从低值增加回到高值。波形通过窗口,这通常将指示所有波形都与测试的通过结果相关联。然而,多个波形的第一子集204是异常的,因为它们以比多个波形的第二子集206更高的值通过窗口。如本文所述训练的模型可以将波形的第一子集204识别为异常,尽管它们通过通常与通过结果相关联的窗口。
图3示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的示例性环境。制造过程300生成与所制造部件相关联的测试结果(例如,波形)。在计算装置302处,这些测试结果被接收、处理并用于训练机器学习模型。模型在后续测试结果上运行,并且由模型指示为异常的测试结果经由网络304传输到数据库306。异常结果可任选地通过网页表单308(或仪表板)获得,并且由审查者310(例如,主题专家)访问。任何误报(即,被模型错误地识别为异常的测试结果)由审查者标记并经由网络304传输到计算装置302,以使得训练数据(即,测试结果)能够被更新以减少误报次数。
所述系统由将波形集转换为量化每个波形与数据集中的其他波形的相似性的度量组成。在示例性系统中,低值对应于被认为非常相似的波形对,而高值对应于不同的波形对。这些度量可以通过各种不同的方法获得,例如,通过由主分量分析(PCA)或t分布随机邻域嵌入(t-SNE)获得的约化分量的欧几里德距离、动态时间规整距离或自动编码器的潜在空间而获得。
基于这些相似性值,可以使用聚类算法来检测异常,例如,通过具有噪声的应用中的基于密度的聚类(DBSCAN)来检查异常。在后期处理步骤中,可以将检测到的异常与先前已经被分类为非异常的参考波形集进行比较。在一些示例中,主题专家可以评估一组先前检测到的异常并对其进行重新分类。可以在检测到的异常与参考集之间建立相似性度量。基于相似性的阈值,可以决定避免将检测到的异常分类为异常。
可以针对要在一个或多个部件上运行的每个特定测试来训练模型。在每次测试部件时,生成与该部件相关联的新波形(即,关于时间的一系列数据点)和部件上的测试运行。为了训练检测特定部件测试的各个波形的异常的模型,第一步骤可以包括随机选择与该测试相关联的预设数量“n”的历史波形。可以将Z标准化应用于波形,并且可以将结果传递到线性PCA以执行降维(或约化特征空间)。波形的时间序列中的每个时间步长对应于“m”个特征中的一者。基于不同的启发法自动选择PCA的主分量的数量,其中主分量的数量小于或等于特征的数量。所述启发法可以包括使用例如在特此通过引用并入本文的DOI:10.1109/ICDCSW.2011.20中描述的方法来设置由第一主分量解释的总方差百分比的下界和/或累积解释方差图中的拐点。生成变换矩阵,并且可以存储所得的变换矩阵并将其用于将新的测试运行的时间序列数据(即,当使用训练后的模型来检测所制造部件的测试结果的异常时)映射到相同的约化特征空间。
然后使用DBSCAN算法在约化空间中对数据点进行聚类。基于给定的度量“d”和两个参数“eps”(即,点周围的邻域半径)和“min_pts”(即,“eps”半径内的最小邻域数),所述算法找到特征在于在关于“d”的“eps-邻域”中至少包含“min_pts”的“核心点”。然后,将任何两个给定的点“a、b”分配给同一集群,当且仅当它们都是“密度可达的”(即,存在从“b”通向“a”的一组核心点),则使用例如Martin Ester、Hans-Peter Kriegel、Joerg Sander、Xiaowei Xu(1996年)的如下文献中所描述的方法从同一核心点开始。用于在具有噪声的大型空间数据库中发现集群的基于密度的算法。慕尼黑大学计算机科学研究所。第2届知识发现和数据挖掘国际会议论文集(KDD-96),第226页至第231页(Ester),其在此通过引用并入本文。不能以这种方式分配给集群的任何数据点都可以称为噪声点(即,指示异常测试结果的数据点)。
训练模型可以包括检测和存储参数,诸如“eps”和“min_pts”,在约化特征空间中的训练波形集上应用DBSCAN聚类算法,以及存储每个训练记录的所得集群标签。
基于在Ester的第4.2节中描述的启发法,再次使用在特此以引用方式并入本文的DOI:10.1109/ICDCSW.2011.20中描述的方法,可以将参数“min_pts”选择为主分量数量的两倍,并且可以将参数“eps”选择为k距离图中的肘点,其中k=“min_pts”减去一。
当使用训练后的模型来分析新波形时,将新的不可见数据点“a”分配给与来自训练集中的“d(a,c)”小于或等于“eps”的最接近集群点“c”相同的集群,并且如果不存在这种训练点c,则可以将新的不可见数据点视为噪声点。
一种反馈机制可以包括主题专家审查通过上述无监督方法检测到的异常。如果波形已经被错误地识别为异常(即,误报),则主题专家可以为波形或波形的数据点分配标签。该标签可以用于防止将未来的相似测试运行分类为异常。相似可以被定义为接近特征空间中的所标记物品。在一个示例中,没有将标记的数据添加到训练集,而是标记的数据覆盖与任何标记的数据点的距离小于“eps”的那些点的无监督分类。
图4示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的过程流的示意图。过程400可以在任何计算装置上运行。在402处,识别测试响应参数。在404处,识别与测试响应参数相关联的波形。在406处,从与测试响应参数相关联的波形中读取波形数据。在408处,创建模型。在410处,基于波形数据训练模型。在412处,保存训练后的模型。
图5示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的过程流的另一个示意图。过程500可以在任何计算装置上运行。在502处,识别测试响应参数。在504处,接收与测试响应参数的最后结果相关联的时间戳。在506处,识别与测试响应参数相关联的波形。在508处,读取来自时间戳之后的波形数据,其中波形数据来自与测试响应参数相关联的波形。在510处,加载与测试响应参数相关联的模型。在512处,模型用于识别异常波形数据。在514处,计算所识别的异常与重新分类的误报/先前检测到的异常的参考集的相似性。在516处,将不存在相似参考波形的所识别的异常输出/保存为异常。在518处,审查和/或评估检测到的异常。在一些示例中,该步骤可以由计算装置执行。在其他示例中,所述步骤可以由主题专家执行。在520处,更新重新分类的误报的参考集。
图6示出了根据本公开的一些示例的用于训练用于检测制造异常的模型的过程流的另一个示意图。过程600可以在任何计算装置上运行。在602处,识别测试响应参数。在604处,接收第一多个部件波形。在606处,生成并训练模型。在608处,将Z标准化应用于第一多个波形,并且将结果传递到线性主分量分析以生成约化特征空间。在610处,存储所得变换矩阵。在612处,将部件波形的数据点聚类在约化特征空间中。在614处,生成模型参数。在616处,存储训练后的模型和模型参数。在618处,接收第二多个部件波形。在620处,访问训练后的模型。在622处,用训练后的模型访问第二多个波形中的波形。在624处,确定训练后的模型是否指示波形包括异常。如果不是,则在622处访问多个波形中的下一个波形。如果波形被指示为包括异常,则在626处,使用模型来识别异常波形数据。在628处,计算所识别的异常与重新分类的误报/先前检测到的异常的参考集的相似性。在630处,将不存在相似参考波形的所识别的异常输出/保存为异常。在632处,审查和/或评估检测到的异常。在一些示例中,该步骤可以由计算装置执行。在其他示例中,所述步骤可以由主题专家执行。在534处,更新重新分类的误报的参考集。
在一些示例中,如果多个连续波形被识别为异常,则可以指示测试装备本身存在问题。可以设置连续异常波形的阈值数量,并且如果达到阈值,则可以发送自动警报触发以中断生产和/或警告生产人员。
在另一个示例中,如果识别出多个波形的数据点的漂移,则可以指示组装和/或测试装备的磨损。同样,如果识别出阈值数量的漂移数据点,则可以发送自动警报触发以中断生产和/或警告生产人员。
虽然参考特定示例性应用描述了本公开,但是应理解,本公开不限于此,并且可以独立地实现和/或提供和/或使用在任何方面中描述和限定的各种特征的特定组合。对于本领域技术人员来说显而易见的是,在不脱离本公开的范围和精神的情况下,可以进行各种修改和改进。本领域技术人员应理解,在不脱离本公开的范围的情况下,可以省略、修改、组合和/或重新布置本文讨论的过程的动作,并且可以执行任何附加动作。
也可以提供如本文所述的任何系统特征作为方法特征,并且反之亦然。如本文所使用的,手段加功能特征可以替代地根据它们的对应结构来表示。还应理解,上述系统和/或方法可以应用于其他系统和/或方法或根据其他系统和/或方法来使用。
一个方面中的任何特征可以任何适当的组合应用于其他方面。具体地,方法方面可应用于系统方面,且反之亦然。此外,一个方面中的任何、一些和/或所有特征可以任何适当的组合应用于任何其他方面中的任何、一些和/或所有特征。
根据本发明,一种训练用于检测制造异常的模型的方法包括:在计算装置处识别测试响应参数;在所述计算装置处接收与所述测试响应参数相关联的第一多个部件波形,其中所述多个波形中的每个波形包括多个数据点;在所述计算装置处生成模型;在所述计算装置处并在所述第一多个部件波形上训练所述模型,由此生成与所述模型相关联的一个或多个参数;接收与所述测试响应参数相关联的第二多个部件波形;访问所述训练后的模型;使用所述训练后的模型指示所述第二多个部件波形中的所述波形中的任一者是否包括异常;以及对于每个所指示波形:审查所述所指示波形;以及对于不包括异常的每个所审查波形:对所述波形做标记。
在本发明的一个方面,所述第一多个部件波形是预定数量的波形;并且所述第一多个部件波形是从较大的多个部件波形中随机选择的子集。
在本发明的一个方面,训练所述模型还包括生成与所述第一多个部件波形相关联的约化特征空间。
在本发明的一个方面,生成所述约化特征空间还包括:将Z标准化应用于所述第一多个部件波形,由此产生结果;以及将所述结果传递到线性主分量分析。
在本发明的一个方面,所述线性主分量分析的主分量的数量是基于:设置由第一主分量解释的总方差百分比的下界;和/或累积解释的方差曲线图中的拐点。
在本发明的一个方面,所述方法包括:基于所述约化特征空间生成变换矩阵;存储所述变换矩阵;并且其中:指示所述第二多个部件波形中的所述波形中的任一者是否包括异常还包括经由所述变换矩阵将所述第二多个部件波形映射到相同的约化特征空间。
在本发明的一个方面,所述方法包括经由具有噪声算法的应用的基于密度的空间聚类来对所述约化特征空间中的所述数据点进行聚类。
在本发明的一个方面,所述聚类包括识别一个或多个核心点;以及将一个或多个数据点分配给集群,其中集群是基于核心点。
在本发明的一个方面,噪声点是不可分配给集群的任何数据点;并且指示所述波形中的任一者是否包括异常还基于识别一个或多个噪声点。
在本发明的一个方面,所述一个或多个核心点的特征在于在邻域半径内包含最小数量的数据点。
在本发明的一个方面,如果所述数据点是从同一核心点密度可达的,则将它们分配给集群,其中密度可达点是如下点:存在从核心点到所述点的点链。
在本发明的一个方面,生成所述模型参数还包括:确定所述最小数量的数据点;以及确定所述邻域半径;并且其中:训练所述模型还包括:为每个集群生成集群标签;以及存储所生成的集群标签。
在本发明的一个方面,生成所述约化特征空间还包括:将Z标准化应用于所述第一多个部件波形,由此产生结果;以及将所述结果传递到线性主分量分析;并且生成所述模型参数还包括:将所述数据点的最小数量确定为所述线性主分量分析的主分量数量的两倍;以及将所述邻域半径确定为k距离图中的所述肘点,其中k是所述数据点的最小数量减去一。
根据本发明,一种用于检测制造异常的方法包括:在计算装置处接收第三多个波形;用根据权利要求1所述的模型来分析所述第三多个波形,其中所述分析包括将所述第三多个波形与所述所标记波形进行比较;以及基于所述比较来将调整应用于所述模型的输出。
根据本发明,一种测试所制造部件的异常的方法包括:在计算装置处识别测试响应参数;在所述计算装置处接收与所述测试响应参数相关联的部件波形,其中所述部件波形包括多个数据点;在所述计算装置处并基于所述测试响应参数来访问训练后的模型;以及使用所述训练后的模型来确定所述部件波形是否指示异常。
根据本发明,一种测试所制造部件的异常的方法包括:在计算装置处识别测试响应参数;在所述计算装置处接收与所述测试响应参数相关联的部件波形,其中所述部件波形包括多个数据点;在所述计算装置处并基于所述测试响应参数来访问根据权利要求1所述的方法训练的模型;以及使用所述训练后的模型来确定所述部件波形是否指示异常。
根据本发明,一种测试所制造部件的异常的方法包括:在计算装置处识别测试响应参数;在所述计算装置处接收与所述测试响应参数相关联的部件波形,其中所述部件波形包括多个数据点;在所述计算装置处并基于所述测试响应参数来访问根据权利要求9所述的方法训练的模型;如果数据点在集群的邻域半径内,则利用所述训练后的模型将所述数据点分配给所述集群;使用所述训练后的模型来确定数据点是否为噪声点;如果所述数据点中的任一者是噪声点,则指示所述部件波形指示异常。
在本发明的一个方面,接收所述部件波形包括接收与所述测试响应参数相关联的多个波形;确定所述部件波形是否指示异常包括确定所述多个波形中的每个波形是否指示异常;并且所述方法还包括:确定所述多个波形中的阈值数量的连续波形是否指示异常。
在本发明的一个方面,一种波形包括多个数据点:接收部件波形包括接收与测试响应参数相关联的多个波形;确定所述部件波形是否指示异常包括确定所述多个波形中的每个波形是否指示异常;并且所述方法还包括:确定所述多个波形的数据点的阈值子集是否已经从所述波形中的每一者中的预期位置漂移。
根据本发明,一种用于制造车辆部件的设备,其中与所述设备相关联的过程包括根据如上所述的方法测试车辆部件的异常。
Claims (15)
1.一种训练用于检测制造异常的模型的方法,所述方法包括:
在计算装置处识别测试响应参数;
在所述计算装置处接收与所述测试响应参数相关联的第一多个部件波形,其中所述多个波形中的每个波形包括多个数据点;
在所述计算装置处生成模型;
在所述计算装置处并在所述第一多个部件波形上训练所述模型,由此生成与所述模型相关联的一个或多个参数;
接收与所述测试响应参数相关联的第二多个部件波形;
访问所述训练后的模型;
使用所述训练后的模型指示所述第二多个部件波形中的所述波形中的任一者是否包括异常;以及对于每个所指示波形:
审查所述所指示波形;以及对于不包括异常的每个所审查波形:
对所述波形做标记。
2.根据权利要求1所述的方法,其中:
所述第一多个部件波形是预定数量的波形;并且
所述第一多个部件波形是从较大的多个部件波形中随机选择的子集。
3.根据权利要求1或2所述的方法,其中训练所述模型还包括生成与所述第一多个部件波形相关联的约化特征空间。
4.根据权利要求3所述的方法,其中:
生成所述约化特征空间还包括:
将Z标准化应用于所述第一多个部件波形,由此产生结果;以及
将所述结果传递到线性主分量分析;并且任选地
所述线性主分量分析的主分量的数量是基于:
设置由第一主分量解释的总方差百分比的下界;和/或
累积解释的方差曲线图中的拐点。
5.根据权利要求3所述的方法,其还包括:
基于所述约化特征空间生成变换矩阵;
存储所述变换矩阵;并且其中:
指示所述第二多个部件波形中的所述波形中的任一者是否包括异常还包括经由所述变换矩阵将所述第二多个部件波形映射到相同的约化特征空间。
6.根据权利要求3所述的方法,其还包括经由具有噪声算法的应用的基于密度的空间聚类来对所述约化特征空间中的所述数据点进行聚类。
7.根据权利要求6所述的方法,其中所述聚类包括:
识别一个或多个核心点;以及
将一个或多个数据点分配给集群,其中集群是基于核心点。
8.根据权利要求7所述的方法,其中:
噪声点是不能够分配给集群的任何数据点;并且
指示所述波形中的任一者是否包括异常还基于识别一个或多个噪声点;和/或
如果所述数据点是从同一核心点密度可达的,则将它们分配给集群,其中密度可达点是如下点:存在从核心点到所述点的点链。
9.根据权利要求7所述的方法,其中:
所述一个或多个核心点的特征在于在邻域半径内包含最小数量的数据点;并且任选地
生成所述模型参数还包括:
确定所述数据点的最小数量;以及
确定所述邻域半径;并且其中:
训练所述模型还包括:
为每个集群生成集群标签;以及
存储所述所生成的集群标签。
10.根据权利要求9所述的方法,其中:
生成所述约化特征空间还包括:
将Z标准化应用于所述第一多个部件波形,由此产生结果;以及
将所述结果传递到线性主分量分析;并且
生成所述模型参数还包括:
将所述数据点的最小数量确定为所述线性主分量分析的主分量数量的两倍;以及
将所述邻域半径确定为k距离图中的所述肘点,其中k是所述数据点的最小数量减去一。
11.一种用于检测制造异常的方法,所述方法包括:
在计算装置处接收第三多个波形;
用根据权利要求1所述的模型来分析所述第三多个波形,其中所述分析包括将所述第三多个波形与所述所标记波形进行比较;以及
基于所述比较来将调整应用于所述模型的输出。
12.一种测试所制造部件的异常的方法,所述方法包括:
在计算装置处识别测试响应参数;
在所述计算装置处接收与所述测试响应参数相关联的部件波形,其中所述部件波形包括多个数据点;
在所述计算装置处并基于所述测试响应参数来访问训练后的模型,其中所述训练后的模型任选地是根据权利要求1和/或9所述的方法训练的模型;以及
使用所述训练后的模型来确定所述部件波形是否指示异常,其中如果所述模型是根据权利要求9所述的方法训练的,则所述确定包括:
如果数据点在集群的邻域半径内,则使用所述训练后的模型来将所述数据点分配给所述集群;
使用所述训练后的模型来确定数据点是否是噪声点;以及
如果所述数据点中的任一者是噪声点,则指示所述部件波形指示异常。
13.根据权利要求12所述的方法,其中:
接收所述部件波形包括接收与所述测试响应参数相关联的多个波形;
确定所述部件波形是否指示异常包括确定所述多个波形中的每个波形是否指示异常;并且所述方法还包括:
确定所述多个波形中的阈值数量的连续波形是否指示异常。
14.根据权利要求12所述的方法,其中波形包括多个数据点:
接收所述部件波形包括接收与所述测试响应参数相关联的多个波形;
确定所述部件波形是否指示异常包括确定所述多个波形中的每个波形是否指示异常;并且所述方法还包括:
确定所述多个波形的数据点的阈值子集是否已经从所述波形中的每一者中的预期位置漂移。
15.一种用于制造车辆部件的设备,其中与所述设备相关联的过程包括根据权利要求12所述的方法测试车辆部件的异常。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/545,529 | 2021-12-08 | ||
US17/545,529 US20230176556A1 (en) | 2021-12-08 | 2021-12-08 | Systems and methods for detecting manufacturing anomalies |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244651A true CN116244651A (zh) | 2023-06-09 |
Family
ID=84926589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211526387.5A Pending CN116244651A (zh) | 2021-12-08 | 2022-12-01 | 用于检测制造异常的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230176556A1 (zh) |
CN (1) | CN116244651A (zh) |
DE (1) | DE102022132047A1 (zh) |
GB (1) | GB2615180A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117997652B (zh) * | 2024-04-03 | 2024-06-07 | 江西师范大学 | 一种基于集成学习的车辆入侵检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5946573B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
KR102344464B1 (ko) * | 2019-12-05 | 2021-12-29 | (주)아이티공간 | 인공지능을 통한 기기의 이상 부위 학습 검출방법 |
JP2023020770A (ja) * | 2021-07-30 | 2023-02-09 | オムロン株式会社 | 異常検知装置、異常検知方法、及び異常検知プログラム |
-
2021
- 2021-12-08 US US17/545,529 patent/US20230176556A1/en active Pending
-
2022
- 2022-12-01 CN CN202211526387.5A patent/CN116244651A/zh active Pending
- 2022-12-02 GB GB2218191.1A patent/GB2615180A/en active Pending
- 2022-12-02 DE DE102022132047.2A patent/DE102022132047A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
GB202218191D0 (en) | 2023-01-18 |
GB2615180A (en) | 2023-08-02 |
DE102022132047A1 (de) | 2023-06-15 |
US20230176556A1 (en) | 2023-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8433472B2 (en) | Event-driven data mining method for improving fault code settings and isolating faults | |
EP3460611B1 (en) | System and method for aircraft fault detection | |
US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
US9824060B2 (en) | Tool and method for fault detection of devices by condition based maintenance | |
JP6216242B2 (ja) | 異常検知方法およびその装置 | |
CN102870057B (zh) | 机械设备的诊断装置、诊断方法及诊断程序 | |
CN102112933B (zh) | 异常检测方法及系统 | |
JP2008186472A (ja) | 予測的状態監視のための診断システムおよび方法 | |
Calvo-Bascones et al. | A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept | |
US20180313721A1 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
Steurtewagen et al. | Adding interpretability to predictive maintenance by machine learning on sensor data | |
CN116244651A (zh) | 用于检测制造异常的系统和方法 | |
Saucedo-Espinosa et al. | Detection of defective embedded bearings by sound analysis: a machine learning approach | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
Wang et al. | Three‐stage feature selection approach for deep learning‐based RUL prediction methods | |
US11853052B2 (en) | Cluster based classification for time series data | |
Purarjomandlangrudi et al. | Application of anomaly technique in wind turbine bearing fault detection | |
Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies | |
Valeev et al. | Application of clustering algorithms to detect abnormal state of pumping equipment | |
Dobry et al. | Two-Step Data Mining Method to Identify Failure Related Driving Patterns | |
US11783233B1 (en) | Detection and visualization of novel data instances for self-healing AI/ML model-based solution deployment | |
Gálvez et al. | Feature assessment for a hybrid model | |
Li et al. | Knowledge discovery and anomaly identification for low correlation industry data | |
Bond et al. | A Hybrid Approach for Rapid Predictive and Prognostic Model Development Leveraging Time-Series and Maintenance Event Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |