CN116402181A - 一种基于标识解析的产品质量预测方法及系统 - Google Patents
一种基于标识解析的产品质量预测方法及系统 Download PDFInfo
- Publication number
- CN116402181A CN116402181A CN202211729803.1A CN202211729803A CN116402181A CN 116402181 A CN116402181 A CN 116402181A CN 202211729803 A CN202211729803 A CN 202211729803A CN 116402181 A CN116402181 A CN 116402181A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- product quality
- product
- raw material
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 71
- 239000002994 raw material Substances 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 130
- 230000008569 process Effects 0.000 description 12
- 239000000463 material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000002872 Statistical quality control Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于标识解析的产品质量预测方法及系统，包括：从标识解析二级平台获取第一基础数据；以物联网平台或录入方式获取包括生产环境基础数据和订单基础数据中的一种或多种第二基础数据；基于第一基础数据和/或第二基础数据对相应的预设模型进行训练以获取产品质量因子预测模型；利用产品质量因子预测模型获取产品质量预测数据并分析，以对产品的质量进行预测。本发明中的方法和系统从标识解析二级平台上选择性获取包括上游原料全要素数据、产品历史经验数据等数据，并且通过其它的数据采集方式对原料、环境和生产等全要素全链条数据采集，并开展分环节建模以及多因素的关联综合建模，能够把握影响产品质量的因素，提高产品质量。
Description
技术领域
本发明属于产品质量控制技术领域，具体是涉及一种基于标识解析的产品质量预测方法及系统。
背景技术
传统的质量检验无论是样品抽检还是全面的检验都是在成品中挑出废品，以保证出厂产品的质量。但此时产品已经完成了生产，可能的废品已被生产出来，这种无法在生产过程中起到预防、把控的事后检验方式容易造成严重浪费甚至发生难以挽回的损失。后来发展到统计质量控制阶段，但是数据的来源基本都是基于工厂内部的数据，随着工业生产的发展和科技的进步，人们对质量的要求越来越高。更是由于智能制造的应用，产品生产工序的复杂，导致有关质量预测的问题就显得特别突出，传统统计质量分析就不能满足目前生产的要求。
近年来，随着数据采集技术和计算机技术的快速发展，已经能够在制造过程中获取关于质量参数的特征的采集，并且对上述数据借助质量预测方法如人工神经网络和贝叶斯方法等对产品质量进行分析预测。但是，上述方法并不能实时并且精确预测产品当前的质量，制造过程作为一种复杂的生产过程，除了数据涵盖的范围广，受到多种因素的影响，并且具有工艺参数众多、非线性显著和动态变化等特点，难以获取精确的产品质量预测效果。
发明内容
针对以上提到的现有技术中面临的技术问题，本发明提出了一种基于标识解析的产品质量预测方法及系统，用以克服现有技术中的问题，从标识解析二级平台中选择性获取包括原料、环境和生产等全要素全链条数据为基础，建立多渠道的产品信息获取方式，并且通过系统平台的设计整合利用上述数据进行分析建模从而实现对产品质量的精准化预测及分析。
本发明公开了一种基于标识解析的产品质量预测方法，包括步骤：
与平台交互获取基于标识解析的第一基础数据；以物联网平台或录入方式获取第二基础数据；所述平台上所述第一基础数据与映射的标识码关联；
基于所述第一基础数据和/或所述第二基础数据中的至少一种执行分析以获取产品质量预测因子；基于所述第一基础数据和所述第二基础数据中的多种执行分析以获取产品质量预测结论。
进一步地，所述第二基础数据包括原料数据：
所述上游原料全要素数据包括原料加工环境数据、原料设备数据、原料生产工艺数据、原料出厂质检数据、原料运输数据、原料存储环境数据和原料入库质检数据中的一种或多种。
进一步地，所述第一基础数据包括产品历史经验数据和同行业产品质量数据：
所述产品历史经验数据包括工厂内部生产的历史产品的历史产品数据、历史产品质检数据和历史客诉数据中的一种或多种。
所述同行业产品质量数据包括行业质量信息和关键质量参数信息中的一种或多种。
进一步地，所述产品质量预测因子包括基于所述第一基础数据和/或所述第二基础数据所获取的模型，为：
以包括上游原料全要素数据训练原料预设模型以获取原料模型；
以包括生产环境基础数据训练生产环境预设模型以获取生产模型；
以包括订单基础数据训练特定需求预设模型以获取订单模型；
以包括产品历史经验数据训练历史经验预设模型以获取经验模型；
以包括同行业产品质量数据训练行业产品预设模型以获取行业模型；
所述产品质量预测结论为：基于包括所述原料模型、生产模型、订单模型、经验模型和行业模型中的一种或多种的输出数据训练产品质量预测预设模型以获取所述产品质量预测模型以获取产品质量预测结论。
进一步地，所述第一基础数据与所述第二基础数据由不同的服务器管理。
本发明公开了一种基于标识解析的产品质量预测系统，该系统包括：
包括数据采集层，用于以多种方式获取第一基础数据及第二基础数据以生成共享资源池，所述共享资源池在云服务层端管理；
所述数据采集层包括有标识解析设备，所述标识解析设备对所述第一基础数据的上传执行标识码的映射，并对下发所述应用层的所述第一基础数据执行标识解析；
应用层，通过网络传输层获取所述云服务端的资源；
所述应用层，基于所述第一基础数据和/或所述第二基础数据中的至少一种执行分析以获取产品质量预测因子；基于所述第一基础数据和所述第二基础数据中的多种执行分析以获取产品质量预测结论。
进一步地，所述产品质量预测因子包括基于所述第一基础数据和/或所述第二基础数据所获取的模型，为：
以包括上游原料全要素数据训练原料预设模型以获取原料模型；
以包括生产环境基础数据训练生产环境预设模型以获取生产模型；
以包括订单基础数据训练特定需求预设模型以获取订单模型；
以包括产品历史经验数据训练历史经验预设模型以获取经验模型；
以包括同行业产品质量数据训练行业产品预设模型以获取行业模型；
所述产品质量预测结论为：基于包括所述原料模型、生产模型、订单模型、经验模型和行业模型中的一种或多种的输出数据训练产品质量预测预设模型以获取所述产品质量预测模型以获取产品质量预测结论。
进一步地，所述第一基础数据与所述第二基础数据由不同的服务器管理。
进一步地，所述数据采集层包括物联网平台，用于获取第二基础数据。
总体而言，通过本发明构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明基于工业互联网标识解析二级平台，从中选择性地获取包括上游原料、环境和生产等全要素全链条数据执行单因素或多因素的质量影响数据进行采集并执行分析建模，进行全面质量管理，实现了对产品当前的质量进行预测，从而提高了生产效益。
(2)本发明立足制造业企业生产过程复杂、产线长、设计部门众多、跨部门跨车间、数据庞大又不集中和企业数据分析处理能力不足等现实困境，基于标识解析二级平台，通过对数据的有效收集，包括但不限于ERP和MES等数据，基于历史数据和当前实时数据，制定产品质量分析需求，搭建数据模型来对未来时刻的质量波动趋势进行预测。本方法在极大地降低了企业数据收集和整理时间的同时，能够通过分析找到影响产品质量的关键因素，从而可提前发现和修正生产过程中潜在的影响产品质量的因素，大幅地降低了次品率，尽可能地避免了可能产生的严重浪费或者难以挽回的损失。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，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他的附图。
图1为本发明实施例提供的一种基于标识解析的产品质量预测方法的流程示意图；
图2为本发明实施例提供的一种基于标识解析的产品质量预测系统的组成架构示意图；
图3为本发明实施例提供的实现一种基于标识解析的产品质量预测方法中的具体服务器组成的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请的说明书、权利要求书或上述附图中的术语“第一”、“第二”或“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”或“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备并没有限定于已列出的步骤或单元，而是可选地还可以包括没有列出的步骤或单元，或可选地还可以包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
如图1中所示，本发明首先公开了一种基于标识解析的产品质量预测方法，包括步骤：
与平台交互获取基于标识解析的第一基础数据；以物联网平台或录入方式获取第二基础数据；平台上第一基础数据与映射的标识码关联；
基于第一基础数据和/或第二基础数据中的至少一种执行分析以获取产品质量预测因子；基于第一基础数据和第二基础数据中的多种执行分析以获取产品质量预测结论。
具体来说，平台为标识解析平台，标识解析平台全称为工业互联网标识解析体系，是支撑工业互联网互联互通的神经中枢，所起的作用类似于互联网领域的域名解析系统，其包括根节点、国家级的5个顶级节点、多个二级节点(平台)、企业节点和公共递归节点等层级。其中，标识解析二级平台针对行业提供标识注册和解析服务的节点，通过对数据进行关联标识码地赋码，从而能联通异构标识体系，为工业互联网平台的信息定位和资源共享提供支撑，实现信息的备案、监测、认证等，并且在平台上存储的数据录入云资源池，可供后续应用平台上的程序执行进一步的数据利用。企业节点是基于具体企业内部实际需求提供标识注册和解析服务的节点。二级节点向上与国家顶级节点对接，向下为企业节点分配标识编码及提供标识注册、标识数据、标识解析等。
工业互联网标识解析体系的核心包括标识编码、标识解析系统和标识数据服务。其中：
标识解析系统：利用标识码，对机器和物品进行唯一性的定位和信息查询，实现全球供应链系统和企业生产系统的精准对接、产品的全生命周期管理和智能化服务的前提和基础。标识数据服务：助标识编码资源和标识解析系统开展工业标识数据管理和跨企业、跨行业、跨地区、跨国家的数据共享共用。
标识解析技术是指将对象标识映射至实际信息服务所需的信息的过程，如地址、物品、空间位置等。在其中一种实施方式中，通过对某物品的标识码进行解析，可获得存储其关联信息的服务器地址。标识解析技术通过建立统一的标识体系将工业中的设备、机器和物料等一切生产要素都可以连接起来，通过解析体系连接割裂的数据和应用，实现对数据的来源、流动过程、用途等信息的掌握。其从纵向，可以打通产品、机器、车间和工厂，实现底层标识数据采集成规模、信息系统间数据共享，以及标识数据得到分析应用；从横向，可以横向连接自身的上下游企业，利用标识解析按需地查询数据；中小型企业可以横向连接成平台，利用标识解析按需地共享数据；从端到端，可以打通设计、制造、物流、使用的全生命周期，实现真正的全生命周期管理。
图2为本发明的一个实施例提供的实现一种基于标识解析的产品质量预测系统的架构示意图，包括数据采集层，用于以多种方式获取第一基础数据及第二基础数据以生成共享资源池，共享资源池在云服务层端管理；
数据采集层包括有标识解析设备，标识解析设备对第一基础数据的上传执行标识码的映射，并对下发应用层的第一基础数据执行标识解析；
应用层，通过网络传输层获取云服务端的资源；
应用层，基于第一基础数据和/或第二基础数据中的至少一种执行分析以获取产品质量预测因子；基于第一基础数据和第二基础数据中的多种执行分析以获取产品质量预测结论。
系统包括数据采集层、网络传输层、云基础服务及设施(服务器、存储、网络等)，实现云操作的硬件载体、共享资源池实现协同开发、数据共享、业务协同、其中saas部署应用层通过对共享资源池内的数据实现监控、标准链、目标链、质量分析、质量预测、方案改进优化、云生产、云采购等。其中数据采集层包括有标识解析网关、标识解析一体机、工业智能设备等，完成环境数据、供应商数据、原料数据、生产数据、流同数据、业务数据(ERP/MES/DCS等)、网络数据、图像/视频数据、主动标识数据等其他数据各类。
作为本发明的其中一种实施方式，第一基础数据包括：
将原料仓库、生产车间、成品仓库、运输信息等全链条环境数据采集并上传至标识解析二级平台。即利用工厂物联网平台采集生产车间、成品仓库等全链条环境数据并上传至标识解析二级平台，以供其他生产单位调取利用。
将供应商信息、原料信息、加工的半成品数据等数据实时同步到标识解析二级平台。数据还是以工厂内的系统录入或从物联网平台获取为主；对原料信息数据进场后的检验存储信息为工厂内部数据，也是依靠系统录入或物联网平台获取，如果原料有标识则可以根据标识在标识解析二级平台去获取原料进场前的详细信息；获取到信息后按照规则编码并通过标识解析二级平台对外接口注册到标识解析二级平台。
将设备参数信息、能耗数据、工序参数等加工数据实时同步至标识解析二级平台。设备参数信息、能耗数据、工序参数等加工数据是从物联网平台获取的，按照规则编码调用标识解析二级平台对外开放接口并注册到标识解析二级平台中。
生产数据、业务数据[包括ERP(Enterprise Resource Planning，即企业资源计划)数据、MES(Manufacturing Execution System，即生产执行系统)数据等]随生产环节实时同步至标识解析二级平台。即将ERP中的客户订单、原料供应商信息以及MES系统中的生产计划等业务数据通过按规则编码后注册到标识解析二级平台。
基于标识解析二级平台，获取同行业同类型企业注册的相同产品的质量数据信息。本厂的产品质量预测系统根据企业编号在标识解析二级平台去获取同行业同类型企业注册的相同产品的质量数据信息。标识解析二级平台标识注册规则代码包括国家代码、行业代码、企业代码、品类代码、基础分类代码和顺序代码等；根据行业代码后的企业代码在标识解析二级平台解析对应企业的产品的质量数据信息。
作为本发明的其中一种实施方式，第二基础数据包括：
搭载物联网数据采集平台汇聚设备运行参数、生产环境、视屏等数据。设备运行参数数据(例如电压，设备压强等参数)，生产环境数据(例如车间湿度，温度等参数)会作为质量预测模型的输入，当产品质量与设备运行参数数据或生产环境数据相关时，设备运行参数、生产环境、视屏等数据就可以作为判定质量的指标。使用WiFi、4G/5G、GPRS网络或Internet网络实现数据传输。
汇集当前订单、客户个性化需求和客诉等订单基础数据(即有关客户订单的基础性数据，包括但不限于订单中产品特殊质量要求、工序特定需求、订单参数数据和打样质检参数数据)。
如图3中所示，本发明中优选的实施方式中，云服务端通过多个不同的服务器执行不同的信息管理，第一方面，可以通过对单个服务器中的数据执行分析，获取质量关联因子中的部分因子，也可以将多个不同服务器中的数据执行关联的分析以获取质量结论的整体分析模型。
第一服务器1，用于以不同的渠道方式获取关于物料的不同信息，其中以录入的方式获取原料存储信息、原料入库质检信息、物料质量标信息；从二级平台获取的方式包括二级平台物料信息，包括原料生产、运输的全过程信息；以录入/互联网平台协议的方式获取实时物性参数；
基于上述所获取的数据，通过服务器获取物料质量预测值、影响产品质量的关键物料参数指标值、以及原料模型。
将利用从标识解析二级平台得到的原料出厂检测信息、运输信息、入库前的检测信息、存储环境信息等数据(根据原料标识从标识解析二级平台对外接口查询获取)对原料预设模型进行训练，得到原料模型。
该原料预设模型的输入即为原料出厂检测信息、运输信息、入库前的检测信息、存储环境信息等上游原料全要素数据，输出即为反映上游原料全要素数据与产品质量的对应关系的原料模型，可以获得物料质量预测值，以及影响产品质量的关键物料参数指标。
第二服务器2将利用从物联网采集平台通过设备采集或智能设备接口获取的机台设备状态数据(例如：电压、电流、温度和时间等数据)、工序生产数据(例如：操作数据、弹性、速度、张力和重量等数据)、生产环境数据(例如：工厂湿度、温度、光线和粉尘等数据)等生产环境基础数据对生产环境预设模型进行训练，得到生产模型。
该生产环境预设模型的输入即为机台设备状态数据、工序生产数据、生产环境数据等生产环境基础数据，输出即为反映生产环境基础数据与产品质量的对应关系的生产模型，并且输出影响产品质量的关键环境参数指标。
第三服务器3将利用录入/ERP导入的订单参数信息、客户定制需求数据、特定关键工序数据、关键指标参数以及打样质检参数数据对特定需求预设模型进行训练，得到订单模型。该特定需求预设模型的输入即为订单参数信息、客户定制需求数据、特定关键工序数据、关键指标参数以及打样质检参数数据等订单基础数据，输出即为反映订单基础数据与产品质量的对应关系的订单模型。
并且从上述信息中可获取影响产品质量的关键需求参数指标。
第四服务器4将利用基于标识解析二级平台获取的工厂内部生产的历史产品的历史产品质量预测数据(模型预测出来的数据)、历史产品质检数据(品质监测的实际产品质量数据)、历史客诉数据等产品历史经验数据对历史经验预设模型进行训练。该历史经验预设模型的输入即为上述的产品历史经验数据，输出即为反映产品历史经验数据与产品质量的对应关系的经验模型。
第五服务器5将利用基于标识解析二级平台获取的行业质量信息、关键质量参数信息等同行业产品质量数据对行业产品预设模型进行训练，得到行业模型。该行业产品预设模型的输入即为同行业产品质量数据，输出即为反映同行业产品质量数据与产品质量的对应关系的行业模型。
第六服务器6将基于第一服务器1—第五服务器5通过网络动态自由配置(例如：线缆依赖原材料质量，而原材料质量不受或很少受车间环境的影响，那么就可以配置原料模型而不配置车间环境模型)前面的5个服务(5个服务分别对应的是前述的5个模型，用于质量预测模型的服务承载)中的一个或多个的输出数据(即模型相应的输入数据与产品质量的对应关系)作为基础服务器6的输入并对产品质量预测预设模型进行训练，得到产品质量预测模型。
需要说明的是，以上通过相应数据训练预设模型以得到最终模型的具体训练和建模的技术手段可利用现有的人工智能、机器学习类的技术，通过各类深度学习的模型算法，以获得训练后的数据和结论，此处不对原料模型、订单模型、生产模型、质量预测模型等做具体的限定。
作为本发明中的其中一种优选的实施方式，质量预测包括如下步骤：
预测步骤一：基于对基础服务器1、基础服务器2以及基础服务器3得到的原料模型、生产模型及订单模型的有关上游原料全要素数据与产品质量的对应关系、生产环境基础数据与产品质量的对应关系和订单基础数据与产品质量的对应关系的统计分析，计算得出相应的影响产品质量的关键参数指标(包括影响产品质量的关键原料参数指标、影响产品质量的关键环境参数指标和影响产品质量的关键需求参数指标等)，将预测出的影响产品质量的关键参数指标与对应的质检部门样检检验参数做对比分析，动态学习调整相应参数及对相应模型进行训练学习(即动态学习调整相应参数并对相应的原料模型、生产模型或订单模型进行训练学习，以获取更优的原料模型、生产模型或订单模型)。
预测步骤二：基于预测步骤一再加入基础服务器4的经验模型的输出信息(即产品历史经验数据与产品质量的对应关系)作为输入来输入到产品质量预测模型，与预测步骤一的数据同时进行统计分析，将计算输出的质量预测指标信息与质检部门样检检验参数做对比分析，动态学习调整相应参数及对相应模型进行训练学习和优化。
预测步骤三：基于预测步骤二再加入基础服务器5的行业模型的输出信息(即同行业产品质量数据与产品质量的对应关系)作为输入来输入到产品质量预测模型，再经过基础服务器6对预测的计算与对比分析并实时根据录入的抽检的质量参数计算产品质量预测数据，对产品质量预测数据进行分析以实时地对产品的质量进行预测。
预测步骤四：对产品质量预测模型预测出的产品质量与检验质量参数进行分析对照，录入偏差信息到产品质量预测模型中，产品质量预测模型将动态修正与调整并实时输出预测质量参数信息。
步骤五：对从标识解析二级平台获取的产品历史经验数据和同行业产品质量数据进行查询分析，通过数据计算与建模分析以获取行业产品质量预测数据，并基于对行业产品质量预测数据的分析以得到行业产品整体质量情况并实现对行业的产品质量进行预测。如果同行企业或行业领军企业接入了标识解析二级平台，那就可以在该平台中获取到行业产品质量信息，并预测未来的行业产品质量。
作为进一步优选的，当产品质量预测模型输出的质量指标信息与检测质量不相符时，将偏差信息录入产品质量预测模型，产品质量预测模型读取到偏差信息并动态学习调整相关模型的参数。
质检人员提交质检信息到标识解析二级平台后，系统从标识解析二级平台读取质检信息，动态学习调整相关模型的参数。
对于特定质量需求的关键信息或关键算法数据进行手动录入，系统模型按照录入信息动态学习调整相关模型的参数。
本发明基于标识解析二级平台实现产业链、供应链的产品质量的持续性提高，从标识解析二级平台选择性地获取包括上游原料、环境和生产等全要素全链条数据并分析建模，可以从上游原料源头对全链条成品/半成品的质量进行全面把控，从而可以提升市场竞争力。同时，本发明能尽早地及时发现产品产业链、供应链环节中的异常，在生产之前找到影响产品质量的关键因素(包括影响产品质量的关键原料参数指标、影响产品质量的关键环境参数指标和影响产品质量的关键需求参数指标等)，从而可提前发现和修正生产过程中潜在的影响产品质量的因素，大幅地降低了次品率，尽可能地避免了可能产生的严重浪费或者难以挽回的损失，提前实时预测判断产品的质量，从而可减少产品质量客诉等安全问题。
需要说明的是，附图中的流程图或框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。还要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本说明书中所描述的内容仅仅是对本发明所作的举例说明，本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (9)
1.一种基于标识解析的产品质量预测方法，其特征在于，包括步骤：
与平台交互获取基于标识解析的第一基础数据；以物联网平台或录入方式获取第二基础数据；所述平台上所述第一基础数据与映射的标识码关联；
基于所述第一基础数据和/或所述第二基础数据中的至少一种执行分析以获取产品质量预测因子；基于所述第一基础数据和所述第二基础数据中的多种执行分析以获取产品质量预测结论。
2.如权利要求1所述的基于标识解析的产品质量预测方法，其特征在于，所述第二基础数据包括原料数据；
所述上游原料全要素数据包括原料加工环境数据、原料设备数据、原料生产工艺数据、原料出厂质检数据、原料运输数据、原料存储环境数据和原料入库质检数据中的一种或多种。
3.如权利要求2所述的基于标识解析的产品质量预测方法，其特征在于，所述第一基础数据包括产品历史经验数据和同行业产品质量数据；
所述产品历史经验数据包括工厂内部生产的历史产品的历史产品数据、历史产品质检数据和历史客诉数据中的一种或多种；
所述同行业产品质量数据包括行业质量信息和关键质量参数信息中的一种或多种。
4.如权利要求3所述的基于标识解析的产品质量预测方法，其特征在于，所述产品质量预测因子包括基于所述第一基础数据和/或所述第二基础数据所获取的模型，为：
以包括上游原料全要素数据训练原料预设模型以获取原料模型；
以包括生产环境基础数据训练生产环境预设模型以获取生产模型；
以包括订单基础数据训练特定需求预设模型以获取订单模型；
以包括产品历史经验数据训练历史经验预设模型以获取经验模型；
以包括同行业产品质量数据训练行业产品预设模型以获取行业模型；
所述产品质量预测结论为：基于包括所述原料模型、生产模型、订单模型、经验模型和行业模型中的一种或多种的输出数据训练产品质量预测预设模型以获取所述产品质量预测模型以获取产品质量预测结论。
5.如权利要求4所述的基于标识解析的产品质量预测方法，其特征在于，所述第一基础数据与所述第二基础数据由不同的服务器管理。
6.一种基于标识解析的产品质量预测系统，其特征在于，该系统包括：
包括数据采集层，用于以多种方式获取第一基础数据及第二基础数据以生成共享资源池，所述共享资源池在云服务层端管理；
所述数据采集层包括有标识解析设备，所述标识解析设备对所述第一基础数据的上传执行标识码的映射，并对下发所述应用层的所述第一基础数据执行标识解析；
应用层，通过网络传输层获取所述云服务端的资源；
所述应用层，基于所述第一基础数据和/或所述第二基础数据中的至少一种执行分析以获取产品质量预测因子；基于所述第一基础数据和所述第二基础数据中的多种执行分析以获取产品质量预测结论。
7.根据权利要求6中所述的基于标识解析的产品质量预测系统，其特征在于，所述产品质量预测因子包括基于所述第一基础数据和/或所述第二基础数据所获取的模型，为：
以包括上游原料全要素数据训练原料预设模型以获取原料模型；
以包括生产环境基础数据训练生产环境预设模型以获取生产模型；
以包括订单基础数据训练特定需求预设模型以获取订单模型；
以包括产品历史经验数据训练历史经验预设模型以获取经验模型；
以包括同行业产品质量数据训练行业产品预设模型以获取行业模型；
所述产品质量预测结论为：基于包括所述原料模型、生产模型、订单模型、经验模型和行业模型中的一种或多种的输出数据训练产品质量预测预设模型以获取所述产品质量预测模型以获取产品质量预测结论。
8.根据权利要求7中所述的基于标识解析的产品质量预测系统，其特征在于，所述第一基础数据与所述第二基础数据由不同的服务器管理。
9.根据权利要求8中所述的基于标识解析的能源信息管理系统，其特征在于，所述数据采集层包括物联网平台，用于获取第二基础数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211729803.1A CN116402181A (zh) | 2022-12-30 | 2022-12-30 | 一种基于标识解析的产品质量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211729803.1A CN116402181A (zh) | 2022-12-30 | 2022-12-30 | 一种基于标识解析的产品质量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116402181A true CN116402181A (zh) | 2023-07-07 |
Family
ID=87014840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211729803.1A Pending CN116402181A (zh) | 2022-12-30 | 2022-12-30 | 一种基于标识解析的产品质量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116402181A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
-
2022
- 2022-12-30 CN CN202211729803.1A patent/CN116402181A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252447A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
| CN117252447B (zh) * | 2023-11-17 | 2024-02-06 | 山东海晟盐业有限公司 | 一种工业盐生产统计方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Samaranayake et al. | Implementing industry 4.0—A technological readiness perspective | |
| Park | Development of innovative strategies for the Korean manufacturing industry by use of the Connected Smart Factory (CSF) | |
| Throne et al. | Internet of Things-enabled sustainability, industrial big data analytics, and deep learning-assisted smart process planning in cyber-physical manufacturing systems | |
| Cemernek et al. | Big data as a promoter of industry 4.0: Lessons of the semiconductor industry | |
| CN115879664A (zh) | 一种基于工业互联网的智能运维系统及方法 | |
| Ramanathan et al. | Assessing Industry 4.0 readiness in manufacturing: a self-diagnostic framework and an illustrative case study | |
| Bakhtadze et al. | Industrial digital ecosystems: Predictive models and architecture development issues | |
| Saturno et al. | Evaluation of interoperability between automation systems using multi-criteria methods | |
| Raut et al. | Unlocking causal relations of barriers to big data analytics in manufacturing firms | |
| US20230108309A1 (en) | Methods and systems for gas meter replacement prompt based on a smart gas internet of things | |
| CN116402181A (zh) | 一种基于标识解析的产品质量预测方法及系统 | |
| Schlegel et al. | Developing and harnessing the potential of SMEs for eco-efficient flexible production | |
| Kabzhassarova et al. | Effect of Lean4. 0 on sustainability performance: a review | |
| Antosz et al. | Possibilities of maintenance service process analyses and improvement through six sigma, lean and industry 4.0 implementation | |
| Levina et al. | IIOT within the architecture of the manufacturing company | |
| Wang et al. | Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining | |
| Poonacha et al. | Towards a framework for assessing agility | |
| Behrendt et al. | Process analysis of a teaching and learning factory environment to demonstrate Industry 4.0 solutions by using the Smart Logistics Zone approach | |
| CN117172641A (zh) | 基于区块链与数字孪生的生产物流管理平台及实现方法 | |
| CN111932126A (zh) | 一种基于大数据的智能制造生产管理方法 | |
| Busch et al. | Short paper: Development of production planning and control through the empowerment of Artificial Intelligence | |
| Ahmad Amouei et al. | Proposing a conceptual model of the sustainable digital supply chain in manufacturing companies: a qualitative approach | |
| Bokrantz et al. | A methodology for continuous quality assurance of production data | |
| Czwick et al. | Data Pre-Processing Method for Industrie 4.0 Applications | |
| Strack et al. | Sociotechnical Implementation of Prescriptive Maintenance for Onshore Wind Turbines |
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 |