CN116703245B - 流程化生产过程监测预警系统及方法 - Google Patents
流程化生产过程监测预警系统及方法 Download PDFInfo
- Publication number
- CN116703245B CN116703245B CN202310961172.4A CN202310961172A CN116703245B CN 116703245 B CN116703245 B CN 116703245B CN 202310961172 A CN202310961172 A CN 202310961172A CN 116703245 B CN116703245 B CN 116703245B
- Authority
- CN
- China
- Prior art keywords
- quality
- detection
- early warning
- quality detection
- section
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 225
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 324
- 230000008569 process Effects 0.000 claims abstract description 193
- 230000002950 deficient Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 73
- 238000005259 measurement Methods 0.000 claims description 70
- 238000003066 decision tree Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 20
- 238000000105 evaporative light scattering detection Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims 3
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 239000011151 fibre-reinforced plastic Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—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
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- General Factory Administration (AREA)
Abstract
本发明提出了一种流程化生产过程监测预警系统及方法,基于流程化生产过程当前以及历史工段质量检测指标数据,以及多维度指标数据分布特点,实现后续检测工段的过程产品质量一步或两步预测,形成产品后续工段生产质量的提前预警。流程化生产过程质量监测预警系统具有成长性,能够依据后续工段实际生产产品质量检测结果实时修正预警系统的参数,以不断提高该监测预警系统预测精度。同时,该质量监测预警系统能够自动设置预警阈值,实现预警阈值的自适应自动调整。本发明能够在产品生产过程中对潜在不良品的产生做出提前预警,这有助于后续生产工段对此类潜在不良品重点关注,以及时矫正其潜在质量问题,降低最终不良品率。
Description
技术领域
本发明涉及信息采集、数据统计分析、机器学习以及预测等技术领域,具体的说是一种流程化生产过程质量监测的预警系统。本发明适用于触摸屏流程生产等一类流程化生产过程。
背景技术
在生产过程中,由于人、机、料、法、环、测等多种因素的影响,产品的质量特性会发生波动,因此在流程化生产的各个工序之间设置若干个质量检测工段有利于产品在生产过程中的质量跟踪,以保证生产系统处于良好的运行状态从而生产出高质量的产品。
当前,流程化生产过程质量管理多停留在检测层面,即在产品生产的中间工序对过程产品进行中间质量检测已获得当前工序下过程产品的质量评价。依据此中间过程质量评价做出对过程产品报废处理或进入到下一工序继续后续加工等决策。但多维度的过程质量检测指标本质是连续模拟量,依据连续模拟量做出0或1的离散决策对于决策阈值的合理设定提出了极大的挑战。阈值设定的不合理会造成生产原材料的浪费、生产成本提高或不良品率的增大等问题。因此合理设定流程化生产中过程产品质量检测阈值对于生产成本,产品质量等至关重要。
此外,流程化生产过程中,往往存在一些潜在不良品,即此类过程产品在当前质量检测工段虽被决策为合格,可进入后续生产工序继续流转,但在后续生产工序中如不特殊关注或采取必要手段加以修正,其极易在后续质量检测工段中被判定为不良品而做报废处理。此类潜在不良品如能被及早发现,并在后续工序加工中加以关注以及时修正,将扭转为合格产品而成功下线,这将大大降低最终的不良品率。可见,流程化生产过程质量的提前预警对于提高流程化产品质量同样非常重要。
发明内容
本发明解决的技术问题:提供一种在生产过程质量监测预警系统能够在产品生产过程中对潜在不良品的产生做出提前预警,及时矫正其潜在质量问题,降低最终不良品率的流程化生产过程监测预警系统及方法。
技术方案:为了解决上述技术问题,本发明采用的技术方案如下:
一种流程化生产过程监测预警系统,基于流程化生产过程当前以及历史工段质量检测指标数据,以及多维度指标数据分布,实现后续检测工段的过程产品质量一步或两步预测,形成产品后续工段生产质量的提前预警;依据后续工段实际生产产品质量检测结果实时修正预警系统的参数,不断提高该监测预警系统预测精度;且质量监测预警系统自动设置预警阈值,并实现预警阈值的自适应自动调整。
进一步地,在每一个质量检测工段设置一个质量检测预警系统,每个质量检测预警系统包括一步过程质量检测预警子系统、两步过程质量预警子系统以及质量检测工段检测指标采集模块;
所述一步过程质量检测预警子系统包括检测指标分布计算模块、一步过程质量预警计算模块和质量检测计算模块;所述两步过程质量预警子系统包括检测指标分布计算模块以及两步过程质量预警计算模块。
进一步地,所述检测指标分布计算模块实现的功能为:该质量检测工段检测的各项指标测量值Fi(k)服从基于该质量检测工段标准指标Ξi而建立高斯分布的概率;
所述一步过程质量预警计算模块实现的功能为:依据检测指标分布计算模块得到的第i个质量检测工段的第k个过程产品的指标测量值Fi(k)服从依据标准指标Ξi而建立的高斯分布概率向量Pi对第i+1个质量检测工段的第k个过程产品的质量进行一步质量预测;
所述质量检测计算模块实现的功能为:依据检测指标分布计算模块得到的第i个质量检测工段的第k个过程产品的指标测量值Fi(k)服从依据标准指标Ξi而建立的高斯分布概率向量计算第k个过程产品是否通过该质量检测工段的质量检测。
进一步地,一步过程质量预警计算模块中,基于决策树算法得到的第i+1个质量检测工段的第k个过程产品的质量一步预测结果为基于此一步预测结果以及两步过程质量检测预警子系统中两步过程质量预警计算模块的两步预测结果对潜在不良品加以特殊关注,在后续加工过程中给予及时矫正。
进一步地,所述检测指标分布计算模块实现的功能为:依据第i个质量检测工段检测的各项指标测量值及第i-1个质量检测工段检测的各项指标测量值的融合向量Fi,i-1(k),计算两个质量检测工段各个检测指标测量值的融合向量Fi,i-1(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率;并计算得到两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准指标Ξi,i-1的概率分布向量Pi,i-1。
进一步地,所述两步过程质量预警计算模块实现的功能为:依据两步过程质量检测预警子系统中检测指标分布计算模块得到的在两个质量检测工段,第i及第i-1个中质量检测工段质量检测工段,第k个过程产品的m+n检测指标测量值服从依据标准指标Ξi,i-1而建立的高斯分布的概率向量Pi,i-1,对第i+1个质量检测工段以及第i+2个质量检测工段中,第k个过程产品的质量检测结果进行两步预测。
进一步地,两步质量预测决策树算法,基于此决策树算法得到的第i+1个质量检测工段以及第i+2个质量检测工段的第k个过程产品的质量预测结果为利用Pi,i-1与第i+1以及第i+2个质量检测工段中一步过程检测预警子系统中质量检测计算模块得到的检测结果一起形成标签数据,以此标签数据进行决策树参数修正。
一种流程化生产过程监测预警方法,利用上述流程化生产过程监测预警系统实现,其特征在于,包括以下步骤:
S1:依据该工段过程产品特征,采集质量检测指标测量值Fi(k);
S2:计算第i个质量检测工段检测的各项指标测量值Fi(k)服从基于该质量检测工段标准指标Ξi而建立的高斯分布的概率,以及第i个质量检测工段中第k个过程产品的指标测量值Fi(k)服从标准指标Ξi的高斯分布概率向量Pi;并计算得到第i个质量检测工段中第k个过程产品的指标测量值Fi(k)服从标准指标Ξi的高斯分布概率向量Pi;
S3:依据步骤S2中得到高斯分布概率向量Pi,对第i+1个质量检测工段的第k个过程产品的质量进行一步质量预测,得到第i+1个质量检测工段的第k个过程产品的质量一步预测结果
S4:依据步骤S2中得到高斯分布概率向量Pi,计算第k个过程产品是否通过该质量检测工段的质量检测;
S5:进行两步过程质量检测,依据第i个质量检测工段检测的各项指标测量值及前一质量检测工段检测的各项指标测量值的融合向量Fi,i-1(k),计算两个质量检测工段各个检测指标测量值的融合向量Fi,i-1(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率;以及计算两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准指标Ξi,i-1的概率分布向量Pi,i-1;
S6:依据步骤S4中得到的概率分布向量Pi,i-1,对第i+1个质量检测工段以及第i+2个质量检测工段中,第k个过程产品的质量检测结果进行两步预测。
进一步地,步骤S4中,如果第i个质量检测工段的第k个过程产品通过该质量检测工段的质量检测,可以流转到下一工序继续加工;否则,该过程产品被视为不良品,不在继续流转,进行报废处理;
当第i个质量检测工段的第k个过程产品检测结果得出后,此检测结果与在前一个质量检测工段中,基于第k个过程产品各个检测指标测量值Fi-1(k)得到的其服从标准指标Ξi的概率分布向量Pi-1一起形成标签数据,此标签数据用于修正前一个质量检测工段中的决策树模型参数。
进一步地,步骤S6中,基于决策树算法得到的第i+1个质量检测工段以及第i+2个质量检测工段的第k个过程产品的质量预测结果为利用Pi,i-1与第i+1以及第i+2个质量检测工段中一步过程检测预警子系统中质量检测计算模块得到的检测结果一起形成标签数据,以此标签数据进行决策树参数修正。
有益效果:与现有技术相比,本发明具有以下优点:
本发明提出一种能够实现流程化生产过程质量监测的预警系统,能够基于流程化生产过程当前以及历史工段质量检测指标数据,以及多维度指标数据分布特点,实现后续检测工段的过程产品质量一步或两步预测,旨在形成产品后续工段生产质量的提前预警。
该流程化生产过程质量监测预警系统具有成长性,能够依据后续工段实际生产产品质量检测结果实时修正预警系统的参数,以不断提高该监测预警系统预测精度。同时,该质量监测预警系统能够自动设置预警阈值,实现预警阈值的自适应自动调整。这种生产过程质量监测预警系统能够在产品生产过程中对潜在不良品的产生做出提前预警,这有助于后续生产工段对此类潜在不良品重点关注,以及时矫正其潜在质量问题,降低最终不良品率。
附图说明
图1为本发明的流程化生产过程监测预警系统结构原理框图。
图2为本发明的一个应用场景。
具体实施方式
下面将结合附图通过实例,对本发明作进一步详细阐述说明,但下述实例仅仅为本发明的例子而已,并不代表本发明所限定的权利保护范围,本发明的权利保护范围以权利要求书为准。
本发明一种能够实现流程化生产过程质量监测的预警系统,它在一个流程化生产过程中布置的数量与流程化生产过程中设置的质量检测工段数量相一致。即如图1所示,每一个质量检测工段设置一个质量检测预警系统。每个质量检测预警系统包括一步过程质量检测预警子系统、两步过程质量预警子系统以及该质量检测工段检测指标采集模块等三部分。其中一步过程质量预警子系统包括三个计算模块,分别是检测指标分布计算模块、一步过程质量预警计算模块以及质量检测计算模块等。二步过程质量预警子系统包括检测指标分布计算模块以及两步过程质量预警计算模块等两个计算模块。
结合图1,详细各个子系统以及计算模块之间的内部功能、运行机制如下:
质量检测工段检测指标采集模块(第i个(或第i-1个))其实现功能为:依据此工段过程产品特征,采集质量检测指标测量值。以第i个质量检测工段检测指标采集模块为例,质量检测指标格式如下:
其中,Fi(k)表示第i个质量检测工段的第k个过程产品的指标测量值,其为1*m维向量,m表示此质量检测工段质量检测指标的个数。
一步过程质量检测预警子系统中包括检测指标分布计算模块、一步过程质量预警计算模块和质量检测计算模块,各模块的功能和具体实现方式如下:
(1)检测指标分布计算模块:其功能为计算该质量检测工段检测的各项指标测量值Fi(k)服从基于该质量检测工段标准指标而建立的高斯分布的概率。其中概率密度计算公式如下:
其中,表示第i个质量检测工段的第k个过程产品的第j个检测指标的检测测量值为x(k)时,该检测测量值服从依据该质量检测工段标准指标而建立的高斯分布的概率密度值,j=1,2,…,m,x(k)∈Fi(k)。那么该质量检测工段检测的第k个过程产品的第j个检测指标测量值x服从依据标准指标而建立的高斯分布的概率计算如下:
据此,可以得到第i个质量检测工段中第k个过程产品的指标测量值Fi(k)服从标准指标Ξi的高斯分布概率向量为:
(2)一步过程质量预警计算模块:其功能在于依据检测指标分布计算模块得到的第i个质量检测工段的第k个过程产品的指标测量值Fi(k)服从依据标准指标Ξi而建立的高斯分布概率向量对第i+1个质量检测工段的第k个过程产品的质量进行一步质量预测。一步质量预测基于决策树算法,决策树算法中的不纯度基于信息熵计算,信息熵公式如下:
其中,al=|kl/k|,l=1,2,k表示当前经过该决策树决策的过程产品的总数量;l表示决策结果,1表示通过检查,2表示检测为不良品,因此kl表示目前被该决策树决策过的全部k个过程产品中,决策结果为l的过程产品的数量。
基于上述决策树算法得到的第i+1个质量检测工段的第k个过程产品的质量一步预测结果为本发明即基于此一步预测结果以及两步过程质量检测预警子系统中两步过程质量预警计算模块的两步预测结果对潜在不良品加以特殊关注,并希望在后续加工过程中给予及时矫正,以降低不良品率。
(3)质量检测计算模块:其功能在于依据检测指标分布计算模块得到的第i个质量检测工段的第k个过程产品的指标测量值Fi(k)服从依据标准指标Ξi而建立的高斯分布概率向量计算第k个过程产品是否通过该质量检测工段的质量检测。即,首先依据先验知识设定该质量检测工段的过程产品检测通过阈值那么如果:
则第i个质量检测工段的第k个过程产品通过该质量检测工段的质量检测,可以流转到下一工序继续加工。否则,该过程产品被视为不良品,不在继续流转,进行报废处理。
当第i个质量检测工段的第k个过程产品检测结果得出后。此检测结果与在前一个(第i-1个)质量检测工段中,基于第k个过程产品各个检测指标测量值Fi-1(k)得到的其服从标准指标Ξi的概率分布向量Pi-1一起形成标签数据,此标签数据用于修正前一个(第i-1个)质量检测工段中的决策树模型参数。
两步过程质量检测预警子系统中:包括检测指标分布计算模块和两步过程质量预警计算模块。
(1)检测指标分布计算模块:其功能为依据该(第i个)质量检测工段检测的各项指标测量值及前一(第i-1个)质量检测工段检测的各项指标测量值的融合向量计算两个质量检测工段各个检测指标测量值Fi,i-1(k)服从依据标准指标而建立的高斯分布的概率,n表示前一(第i-1个)质量检测工段检测的指标测量值的数量。概率密度计算公式如下:
其中表示在第i或第i-1个质量检测工段中,第k个过程产品的第j个检测指标测量值x(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率密度,j=1,2,…,m+n,x(k)∈Fi,i-1(k)。那么,两个质量检测工段(第i及第i-1个)对第k个过程产品进行检测,其第j个检测指标测量值x(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率计算如下:
据此,可以得到两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准指标Ξi,i-1的概率分布向量为:
(2)两步过程质量预警计算模块:其功能在于依据两步过程质量检测预警子系统中检测指标分布计算模块得到的在两个质量检测工段(第i及第i-1个)中,第k个过程产品的m+n检测指标测量值服从依据标准指标Ξi,i-1而建立的高斯分布的概率向量对第i+1个质量检测工段以及第i+2个质量检测工段中,第k个过程产品的质量检测结果进行两步预测。
两步质量预测同样基于决策树算法,决策树算法中的不纯度函数依然采用信息熵函数。基于此决策树算法得到的第i+1个质量检测工段以及第i+2个质量检测工段的第k个过程产品的质量预测结果为此决策树模型参数的修正方法同一步过程预警计算模块,即利用Pi,i-1与第i+1以及第i+2个质量检测工段中一步过程检测预警子系统中质量检测计算模块得到的检测结果一起形成标签数据,以此标签数据进行决策树参数修正。
本发明还公开一种流程化生产过程检测预警方法,该方法基于上述流程化生产过程检测预警系统实现,该方法包括以下步骤S1-S6。
本实施例以图2所示的一个具体的实例应用场景为例,说明该方法,图2所示触摸屏贴合生产工艺流程,其完整生产流程设计多个工序,完整生产流程在工序间插入中间过程产品质量检测工段,如FPC检测、CC检测、外观检测,CCD检测等。以CC检测工段为第i个质量检测工段,FPC检测为第i-1个质量检测工段。
S1:依据该工段过程产品特征,采集质量检测指标测量值Fi(k);该步骤通过质量检测工段检测指标采集模块实现。
第i-1个质量检测工段(IFPC检测)以及第i个质量检测工段(cc检测)中的检测指标采集模块采集第k个过程产品的检测指标测量值分别为Fi-1(k)和Fi(k)。
质量检测指标测量值Fi(k)的格式如下:
其中,Fi(k)表示第i个质量检测工段的第k个过程产品的指标测量值,其为1*m维向量,m表示此质量检测工段质量检测指标的个数。
S2:计算第i个质量检测工段检测的各项指标测量Fi(k)值服从基于该质量检测工段标准指标Ξi而建立的高斯分布的概率,以及第i个质量检测工段中第k个过程产品的指标测量值Fi(k)服从标准指标的高斯分布概率向量Pi。该步骤通过一步过程质量检测预警子系统的检测指标分布计算模块实现。
概率密度计算公式如下:
其中,表示第i个质量检测工段的第k个过程产品的第j个检测指标的检测测量值为x(k)时,该检测测量值服从依据该质量检测工段标准指标而建立的高斯分布的概率密度值,j=1,2,…,m,x(k)∈Fi(k)。那么该质量检测工段检测的第k个过程产品的第j个检测指标测量值x服从依据标准指标而建立的高斯分布的概率计算如下:
据此,可以得到第i个质量检测工段中第k个过程产品的指标测量值Fi(k)服从标准指标Ξi的高斯分布概率向量为:
S3:依据步骤S2中得到高斯分布概率向量Pi,对第i+1个质量检测工段的第k个过程产品的质量进行一步质量预测,得到的第i+1个质量检测工段的第k个过程产品的质量一步预测结果为该步骤通过一步过程质量检测预警子系统的一步过程质量预警计算模块实现。
一步质量预测基于决策树算法,决策树算法中的不纯度基于信息熵计算,信息熵公式如下:
其中,al=|kl/k|,l=1,2,k表示当前经过该决策树决策的过程产品的总数量;l表示决策结果,1表示通过检查,2表示检测为不良品,因此kl表示目前被该决策树决策过的全部k个过程产品中,决策结果为l的过程产品的数量。
基于上述决策树算法得到的第i+1个质量检测工段的第k个过程产品的质量一步预测结果为
本发明即基于此一步预测结果以及两步过程质量检测预警子系统中两步过程质量预警计算模块的两步预测结果对潜在不良品加以特殊关注,并希望在后续加工过程中给予及时矫正,以降低不良品率。
S4:依据步骤S2中得到高斯分布概率向量Pi,计算第k个过程产品是否通过该质量检测工段的质量检测。该步骤通过一步过程质量检测预警子系统的质量检测计算模块实现。
首先依据先验知识设定该质量检测工段的过程产品检测通过阈值那么如果:
则第i个质量检测工段的第k个过程产品通过该质量检测工段的质量检测,可以流转到下一工序继续加工。否则,该过程产品被视为不良品,不在继续流转,进行报废处理。当第i个质量检测工段的第k个过程产品检测结果得出后。此检测结果与在前一个(第i-1个)质量检测工段中,基于第k个过程产品各个检测指标测量值Fi-1(k)得到的其服从标准指标Ξi的概率分布向量Pi-1一起形成标签数据,此标签数据用于修正前一个(第i-1个)质量检测工段中的决策树模型参数。
S5:进行两步过程质量检测,依据第i个质量检测工段(CC检测)检测的各项指标测量值及前一(第i-1个,FPC检测)质量检测工段检测的各项指标测量值的融合向量Fi,i-1(k),计算两个质量检测工段各个检测指标测量值Fi,i-1(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率;n表示前一(第i-1个)质量检测工段检测的指标测量值的数量。以及计算两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准Ξi,i-1的概率分布向量Pi,i-1。该步骤的方法通过两步过程质量检测预警子系统的检测指标分布计算模块实现。
测指标测量值Fi,i-1(k)表示为:
标准指标Ξi,i-1表示为:
概率密度计算公式如下:
其中表示在第i或第i-1个质量检测工段中,第k个过程产品的第j个检测指标测量值x(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率密度,j=1,2,…,m+n,x(k)∈Fi,i-1(k)。那么,两个质量检测工段(第i及第i-1个,-CC检测及FPC检测)对第k个过程产品进行检测,其第j个检测指标测量值x(k)服从依据标准指标Ξi,i-1而建立的高斯分布的概率计算如下:
据此,可以得到两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准指标Ξi,i-1的概率分布向量为:
S6:依据步骤S4中得到的概率分布向量Pi,i-1,对第i+1个质量检测工段以及第i+2个质量检测工段中,第k个过程产品的质量检测结果进行两步预测。该步骤通过两步过程质量检测预警子系统的两步过程质量预警计算模块实现。
依据步骤S5利用检测指标分布计算模块得到的在两个质量检测工段(第i及第i-1个-CC检测及FPC检测)中,第k个过程产品的m+n检测指标测量值服从依据标准指标Ξi,i-1而建立的高斯分布的概率向量Pi,i-1,
对第i+1个质量检测工段(外观检测)以及第i+2个质量检测工段(CCD检测)中,第k个过程产品的质量检测结果进行两步预测。
两步质量预测同样基于决策树算法,决策树算法中的不纯度函数依然采用信息熵函数。基于此决策树算法得到的第i+1个质量检测工段以及第i+2个质量检测工段的第k个过程产品的质量预测结果为此决策树模型参数的修正方法同一步过程预警计算模块,即利用Pi,i-1与第i+1以及第i+2个质量检测工段中一步过程检测预警子系统中质量检测计算模块得到的检测结果一起形成标签数据,以此标签数据进行决策树参数修正。
本发明即基于一步预测结果以及两步过程质量检测预警子系统中两步过程质量预警计算模块的两步预测结果对潜在不良品加以特殊关注,并在后续加工过程中给予及时矫正,以降低不良品率。
当然,本发明还可能有其他多种实施实例,在不背离本发明精神以及实质的情况下,熟悉本领域的技术人员当可根据本发明作为各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求和保护范围。
Claims (8)
1.一种流程化生产过程监测预警系统,其特征在于:基于流程化生产过程当前以及历史工段质量检测指标数据,以及多维度指标数据分布,实现后续检测工段的过程产品质量一步或两步预测,形成产品后续工段生产质量的提前预警;依据后续工段实际生产产品质量检测结果实时修正预警系统的参数,不断提高该监测预警系统预测精度;且质量监测预警系统自动设置预警阈值,并实现预警阈值的自适应自动调整;
在每一个质量检测工段设置一个质量检测预警系统,每个质量检测预警系统包括一步过程质量检测预警子系统、两步过程质量预警子系统以及质量检测工段检测指标采集模块;
所述一步过程质量检测预警子系统包括检测指标分布计算模块、一步过程质量预警计算模块和质量检测计算模块;所述两步过程质量预警子系统包括检测指标分布计算模块以及两步过程质量预警计算模块;
所述检测指标分布计算模块实现的功能为:该质量检测工段检测的各项指标测量值服从基于该质量检测工段标准指标而建立高斯分布的概率;
所述一步过程质量预警计算模块实现的功能为:依据检测指标分布计算模块得到的第i个质量检测工段的第k个过程产品的指标测量值服从依据标准指标而建立的高斯分布概率向量对第i+1个质量检测工段的第k个过程产品的质量进行一步质量预测;
所述质量检测计算模块实现的功能为:依据检测指标分布计算模块得到的第i个质量检测工段的第k个过程产品的指标测量值服从依据标准指标而建立的高斯分布概率向量计算第k个过程产品是否通过该质量检测工段的质量检测。
2.根据权利要求1所述的流程化生产过程监测预警系统,其特征在于:一步过程质量预警计算模块中,基于决策树算法得到的第i+1个质量检测工段的第k个过程产品的质量一步预测结果为,基于此一步预测结果以及两步过程质量检测预警子系统中两步过程质量预警计算模块的两步预测结果对潜在不良品加以特殊关注,在后续加工过程中给予及时矫正。
3.根据权利要求1所述的流程化生产过程监测预警系统,其特征在于:所述检测指标分布计算模块实现的功能为:依据第i个质量检测工段检测的各项指标测量值及第i-1个质量检测工段检测的各项指标测量值的融合向量,计算两个质量检测工段各个检测指标测量值的融合向量服从依据标准指标而建立的高斯分布的概率;并计算得到两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准指标的概率分布向量。
4.根据权利要求1所述的流程化生产过程监测预警系统,其特征在于:所述两步过程质量预警计算模块实现的功能为:依据两步过程质量检测预警子系统中检测指标分布计算模块得到的在两个质量检测工段,第i及第i-1个中质量检测工段质量检测工段,第k个过程产品的m+n检测指标测量值服从依据标准指标而建立的高斯分布的概率向量,对第i+1个质量检测工段以及第i+2个质量检测工段中,第k个过程产品的质量检测结果进行两步预测。
5.根据权利要求4所述的流程化生产过程监测预警系统,其特征在于:两步质量预测决策树算法,基于此决策树算法得到的第i+1个质量检测工段以及第i+2个质量检测工段的第k个过程产品的质量预测结果为;利用与第i+1以及第i+2个质量检测工段中一步过程检测预警子系统中质量检测计算模块得到的检测结果一起形成标签数据,以此标签数据进行决策树参数修正。
6.一种流程化生产过程监测预警方法,利用权利要求1-5任一权利要求所述的流程化生产过程监测预警系统实现,其特征在于,包括以下步骤:
S1:依据该工段过程产品特征,采集质量检测指标测量值;
S2:计算第i个质量检测工段检测的各项指标测量值服从基于该质量检测工段标准指标而建立的高斯分布的概率,以及第i个质量检测工段中第k个过程产品的指标测量值服从标准指标的高斯分布概率向量;并计算得到第i个质量检测工段中第k个过程产品的指标测量值服从标准指标的高斯分布概率向量;
S3:依据步骤S2中得到高斯分布概率向量,对第i+1个质量检测工段的第k个过程产品的质量进行一步质量预测,得到第i+1个质量检测工段的第k个过程产品的质量一步预测结果;
S4:依据步骤S2中得到高斯分布概率向量,计算第k个过程产品是否通过该质量检测工段的质量检测;
S5:进行两步过程质量检测,依据第i个质量检测工段检测的各项指标测量值及前一质量检测工段检测的各项指标测量值的融合向量,计算两个质量检测工段各个检测指标测量值的融合向量服从依据标准指标而建立的高斯分布的概率;以及计算两个质量检测工段中,第k个过程产品的m+n个检测指标测量值服从标准指标的概率分布向量;
S6:依据步骤S4中得到的概率分布向量,对第i+1个质量检测工段以及第i+2个质量检测工段中,第k个过程产品的质量检测结果进行两步预测。
7.根据权利要求6所述的流程化生产过程监测预警方法,其特征在于:步骤S4中,如果第i个质量检测工段的第k个过程产品通过该质量检测工段的质量检测,则流转到下一工序继续加工;否则,该过程产品被视为不良品,不在继续流转,进行报废处理;当第i个质量检测工段的第k个过程产品检测结果得出后,此检测结果与在前一个质量检测工段中,基于第k个过程产品各个检测指标测量值得到的其服从标准指标的概率分布向量一起形成标签数据,此标签数据用于修正前一个质量检测工段中的决策树模型参数。
8.根据权利要求6所述的流程化生产过程监测预警方法,其特征在于:步骤S6中,基于决策树算法得到的第i+1个质量检测工段以及第i+2个质量检测工段的第k个过程产品的质量预测结果为,利用与第i+1以及第i+2个质量检测工段中一步过程检测预警子系统中质量检测计算模块得到的检测结果一起形成标签数据,以此标签数据进行决策树参数修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961172.4A CN116703245B (zh) | 2023-08-02 | 2023-08-02 | 流程化生产过程监测预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961172.4A CN116703245B (zh) | 2023-08-02 | 2023-08-02 | 流程化生产过程监测预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703245A CN116703245A (zh) | 2023-09-05 |
CN116703245B true CN116703245B (zh) | 2023-10-27 |
Family
ID=87831440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310961172.4A Active CN116703245B (zh) | 2023-08-02 | 2023-08-02 | 流程化生产过程监测预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703245B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928905A (zh) * | 2006-07-21 | 2007-03-14 | 北京航空航天大学 | 企业危机预警系统 |
CN103559551A (zh) * | 2013-09-23 | 2014-02-05 | 北京中安健科安全技术咨询有限公司 | 一种面向生产企业的安全隐患风险定量评估及预警系统 |
CN103903065A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于核学习技术的青霉素生产过程产品质量预测方法 |
CN110689324A (zh) * | 2019-09-29 | 2020-01-14 | 国网湖北省电力有限公司电力科学研究院 | 一种配电变压器检测结果的辅助评判方法 |
CN111445103A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
WO2021179572A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN115619158A (zh) * | 2022-10-20 | 2023-01-17 | 浙江链捷数字科技有限公司 | 一种服装产线进度智能化监测调控方法及系统 |
CN116415840A (zh) * | 2023-02-02 | 2023-07-11 | 北京三维天地科技股份有限公司 | 一种基于机器学习模型的指标自动预警方法及系统 |
-
2023
- 2023-08-02 CN CN202310961172.4A patent/CN116703245B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928905A (zh) * | 2006-07-21 | 2007-03-14 | 北京航空航天大学 | 企业危机预警系统 |
CN103559551A (zh) * | 2013-09-23 | 2014-02-05 | 北京中安健科安全技术咨询有限公司 | 一种面向生产企业的安全隐患风险定量评估及预警系统 |
CN103903065A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于核学习技术的青霉素生产过程产品质量预测方法 |
CN110689324A (zh) * | 2019-09-29 | 2020-01-14 | 国网湖北省电力有限公司电力科学研究院 | 一种配电变压器检测结果的辅助评判方法 |
CN111445103A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
WO2021179572A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN115619158A (zh) * | 2022-10-20 | 2023-01-17 | 浙江链捷数字科技有限公司 | 一种服装产线进度智能化监测调控方法及系统 |
CN116415840A (zh) * | 2023-02-02 | 2023-07-11 | 北京三维天地科技股份有限公司 | 一种基于机器学习模型的指标自动预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于钢铁产品检验数据的预警系统设计;牛长胜;《金属世界》(第03期);第77、78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703245A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
Benyang et al. | Safety helmet detection method based on YOLO v4 | |
CN110667080B (zh) | 一种bopp薄膜厚度模糊控制系统 | |
CN108564563A (zh) | 一种基于Faster R-CNN的轮胎X光病疵检测方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN108389180A (zh) | 一种基于深度学习的织物疵点检测方法 | |
CN110667148B (zh) | 一种膜厚控制系统 | |
CN105373098B (zh) | 一种基于变量时段分解的间歇过程无模型在线滚动优化方法 | |
US20230168643A1 (en) | Industrial internet of things based on abnormal identification, control method, and storage media thereof | |
CN107748901B (zh) | 基于相似性局部样条回归的工业过程故障诊断方法 | |
CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理系统 | |
CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
CN112541427B (zh) | 一种优质重型废钢的识别和料量评估方法 | |
CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 | |
CN114897890A (zh) | 一种基于人工智能的改性塑料生产调控方法 | |
CN111709181B (zh) | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 | |
CN118278827B (zh) | 一种基于塑料管质量检测的管材生产设备管理方法及系统 | |
CN116703245B (zh) | 流程化生产过程监测预警系统及方法 | |
CN109324264B (zh) | 一种配电网线路阻抗数据异常值的辨识方法及装置 | |
CN107310133A (zh) | 基于图像处理的bopp薄膜厚度控制方法 | |
CN114663416B (zh) | 基于计算机视觉的铜排冷隔缺陷检测方法及系统 | |
CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN116921704A (zh) | 选区激光熔化过程的质量监测、缺陷定位方法及系统 | |
CN114782362B (zh) | 一种基于深度迁移学习的焊接智能检测系统 | |
CN113360838A (zh) | 一种基于图像处理的喷嘴铸造监测方法及系统 |
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 |