CN117114506A - 一种智慧工厂质量检测与分析方法 - Google Patents

Abstract

本发明涉及数据处理领域，尤其涉及一种智慧工厂质量检测与分析方法。首先，采集产品的基础数据，综合考虑数据的完整性、准确性和实时性，对数据进行综合评估；然后，对数据分片后并行处理，构建损失函数和自适应学习率，通过异常检测模型分析检测数据并识别出不合格产品；最后，对数据进行加密，从各个数据源获取数据，并进行整合。解决了现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率的问题；检测结果的准确性不高，造成漏检或误检不合格产品的问题；以及只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况的问题。

Description

一种智慧工厂质量检测与分析方法

技术领域

本发明涉及数据处理领域，尤其涉及一种智慧工厂质量检测与分析方法。

背景技术

随着工业自动化和数字化的发展，工厂生产线的管理和运营已经从传统的手工操作转变为基于数据的智能决策。智慧工厂作为工业4.0的核心概念，旨在通过先进的信息技术和制造技术的融合，实现生产过程的智能化、网络化和系统化。在这一背景下，质量检测与分析在智慧工厂中扮演了至关重要的角色。

随着计算机技术的发展，工厂开始采用更先进的传感器和数据采集设备，这使得实时数据分析成为可能。随着工业设备和传感器的普及，工厂开始产生大量的数据。这促使工厂寻找更高效的数据处理和分析方法。工业物联网技术使得工厂设备能够实时地与其他系统通信，为实时监控和远程控制提供了可能。但是，初步的IoT应用往往缺乏安全性和稳定性，容易受到外部攻击。

我国专利申请号：CN202111496826.8，公开日：2022.03.08，公开了基于MES的智能工厂产品质量监控方法及系统。该方法包括：获取生产向量及其对应产品的质检结果；根据生产向量获取每种目标缺陷的关注特征以及关注度；获取每两种目标缺陷的区分特征对，并将关注度更小的关注特征在对应的关注特征集合中去除，得到更新特征集合；根据关注特征集合以及更新特征集合的熵差获取两种目标缺陷之间的修正合理性；以所有不同种类的目标缺陷为节点、以修正合理性作为对应的边权值获取图数据；根据图数据得到每种目标缺陷的准确关注特征；获取每种目标缺陷对应的每个准确关注特征的取值范围，判断新产品是否会出现该目标缺陷。该发明实施例能够提高质量监控系统的工作效率。

但上述技术至少存在如下技术问题：现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况。

发明内容

本申请实施例通过提供一种智慧工厂质量检测与分析方法，解决了现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况，实现智慧工厂高效的质量检测与分析，为工厂带来显著的经济和技术效益。

本申请提供了一种智慧工厂质量检测与分析方法，具体包括以下技术方案：

一种智慧工厂质量检测与分析系统，包括以下部分：

实时数据采集模块、数据完整性校验模块、分布式数据处理模块、深度学习分析模块、数据加密模块和数据源整合接口；

所述数据完整性校验模块，用于通过计算数据块的信息熵来得到数据块的校验值，从数据块中读取每个字节，并对每个字节计算其在数据块中的频率；通过计算数据块的方差来评估数据的稳定性和可靠性；通过计算数据传输的指数衰减值来评估数据传输的效率；综合考虑数据的完整性、准确性和实时性，对数据进行综合评估，数据完整性校验模块通过数据传输的方式与分布式数据处理模块相连；

所述分布式数据处理模块，用于对数据进行分片，并行地在一个以上服务器节点上处理数据；各个节点处理完数据后，结果被汇总并提供给深度学习分析模块进行进一步分析；分布式数据处理模块通过数据传输的方式与深度学习分析模块相连；

所述深度学习分析模块，用于使用历史数据对神经网络模型进行预先训练；根据实时数据持续优化和调整模型；模型自动识别出不合格产品，并生成详细的报告供生产线参考；深度学习分析模块通过数据传输的方式与数据加密模块相连。

一种智慧工厂质量检测与分析方法，包括以下步骤：

S100：采集产品的基础数据，综合考虑数据的完整性、准确性和实时性，对数据进行综合评估；

S200：对数据分片后并行处理，构建损失函数和自适应学习率，通过异常检测模型分析检测数据并识别出不合格产品；

S300：对数据进行加密，从各个数据源获取数据，并进行整合。

优选的，所述S100，具体包括：

通过计算数据块的信息熵来得到数据块的校验值，从所述数据块中读取每个字节，并对所述每个字节计算其在数据块中的频率；计算所述数据块的方差和延迟值。

优选的，所述S100，还包括：

基于所述数据块的信息熵、方差和延迟值对数据进行综合评估。

优选的，所述S200，具体包括：

计算各节点的预期负载，对数据进行分片，并行地在一个以上服务器节点上处理数据。

优选的，所述S200，还包括：

针对不同的节点以不同的速度处理数据的情况，设立节点的同步指标。

优选的，所述S200，还包括：

所述损失函数的计算公式为：

，

其中，表示损失函数，/>是真实标签，表示产品是否合格；/>是模型的预测值，表示模型预测的产品质量；/>表示第/>个标签，/>，/>是样本的总数；/>表示第/>个预测值；通过交叉熵损失函数区分合格与不合格的产品。

优选的，所述S200，还包括：

随着生产环境的变化，模型需要进行实时的优化和调整；为此，采用了自适应学习率调整方法。

优选的，所述S200，还包括：

构建异常检测模型，计算异常度量值；所述异常检测模型自动识别出不合格产品，并生成详细的报告供生产线参考。

有益效果：

本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：

1、通过实时数据采集和深度学习分析，工厂可以实时监控生产线的状态，及时发现和解决问题，从而减少停机时间和提高生产效率；自动化的质量检测可以在生产过程中及时发现不合格产品，从而减少返工和报废，降低生产成本；

2、通过对生产数据的实时分析，工厂管理层可以更快地做出决策，如调整生产计划、优化资源分配等；通过对生产数据的深入分析，工厂可以更好地理解生产过程中的关键因素，从而持续改进生产工艺，提高产品质量；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份额和盈利能力；

3、通过先进的数据加密技术，确保数据在传输和存储过程中的安全性，防止数据泄露和非法访问；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份额和盈利能力。

4、本申请的技术方案能够有效解决现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况，最终能够实现智慧工厂高效的质量检测与分析，为工厂带来显著的经济和技术效益。

附图说明

图1为本申请所述的一种智慧工厂质量检测与分析系统结构图；

图2为本申请所述的一种智慧工厂质量检测与分析方法流程图；

具体实施方式

本申请实施例通过提供一种智慧工厂质量检测与分析方法，解决了现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况。

本申请实施例中的技术方案为解决上述问题，总体思路如下：

通过实时数据采集和深度学习分析，工厂可以实时监控生产线的状态，及时发现和解决问题，从而减少停机时间和提高生产效率；自动化的质量检测可以在生产过程中及时发现不合格产品，从而减少返工和报废，降低生产成本；通过对生产数据的实时分析，工厂管理层可以更快地做出决策，如调整生产计划、优化资源分配等；通过对生产数据的深入分析，工厂可以更好地理解生产过程中的关键因素，从而持续改进生产工艺，提高产品质量；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份额和盈利能力；通过先进的数据加密技术，确保数据在传输和存储过程中的安全性，防止数据泄露和非法访问；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份额和盈利能力。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照附图1，本申请所述的一种智慧工厂质量检测与分析系统包括以下部分：

实时数据采集模块10、数据完整性校验模块20、分布式数据处理模块30、深度学习分析模块40、数据加密模块50和数据源整合接口60；

所述实时数据采集模块10，用于根据不同的产品类型和生产速度，制定了不同的数据采集策略，并通过分析历史数据，系统能够自动调整数据采集策略，采集产品的基础数据，实时数据采集模块10通过数据传输的方式与数据完整性校验模块20相连；

所述数据完整性校验模块20，用于计算数据块的信息熵来快速得到一个数据块的校验值，从数据块中读取每个字节，并对每个字节计算其在数据块中的频率；通过计算数据块的方差来评估数据的稳定性和可靠性；通过计算数据传输的指数衰减值来评估数据传输的效率；综合考虑数据的完整性、准确性和实时性，对数据进行综合评估，数据完整性校验模块20通过数据传输的方式与分布式数据处理模块30相连；

所述分布式数据处理模块30，用于对数据进行分片，将大数据集分解成更小、更易于管理的数据片，并行地在多个服务器节点上处理数据，确保数据处理的高效性；各个节点处理完数据后，结果会被汇总并提供给深度学习分析模块40进行进一步分析；分布式数据处理模块30通过数据传输的方式与深度学习分析模块40相连；

所述深度学习分析模块40，用于使用历史数据对神经网络模型进行预先训练，确保模型的准确性；根据实时数据持续优化和调整模型，以适应生产环境的变化；模型会自动识别出不合格产品，并生成详细的报告供生产线参考，帮助工厂快速做出决策；深度学习分析模块40通过数据传输的方式与数据加密模块50相连；

所述数据加密模块50，用于使用AES、RSA等先进的加密算法对数据进行加密；确保数据在传输过程中的安全性，防止数据被非法窃取或篡改；在数据存储时，也会进行加密处理，确保数据在存储过程中的安全性；数据加密模块50通过数据传输的方式与数据源整合接口60相连；

所述数据源整合接口60，用于设计统一的API接口，允许其他数据源如其他生产线、仓库、供应链等接入；整合来自不同数据源的信息，提供更全面的质量分析；与数据完整性校验模块20和数据加密模块50配合，确保整合后的数据的完整性和安全性；数据源整合接口60通过数据传输的方式与数据完整性校验模块20、数据加密模块50相连。

参照附图2，本申请所述的一种智慧工厂质量检测与分析方法包括以下步骤：

S100：采集产品的基础数据，综合考虑数据的完整性、准确性和实时性，对数据进行综合评估；

在智慧工厂的环境中，实时监测产品质量是至关重要的。为了实现这一目标，提出了一个实时数据采集模块10，它能够准确、高效地采集生产线上的各种数据。

首先，选择了一系列高精度传感器，如光学传感器、温度传感器、压力传感器和声音传感器，并将这些传感器精确地部署在关键生产节点，如装配线、焊接站等。为了实现数据的实时传输，集成了IoT设备，这些设备能够将传感器采集的数据实时传输到中央处理系统。

根据不同的产品类型和生产速度，制定了不同的数据采集策略。例如，对于高精度产品，设置了更高的采集频率，确保能够捕捉到任何可能的生产偏差。此外，系统具备自我学习和调整的能力。通过分析历史数据，系统能够自动调整数据采集策略，以适应生产环境的变化。

系统默认会采集产品的基础数据，如尺寸、颜色和温度。除此之外，还增加了对振动、声音等可能影响质量的因素的监测。例如，通过监测机器的振动数据，可以预测机器是否即将出现故障；通过监测声音数据，可以判断生产线上是否存在异常噪音，这可能是工厂设备出现问题的信号。

在智慧工厂的质量检测与分析过程中，数据完整性和准确性是至关重要的。为了确保这些数据的完整性，数据完整性校验模块20与实时数据采集模块10配合工作，采用了基于信息熵和积分的方法，确保每一份数据都是完整无误的。通过计算数据块的信息熵来快速得到一个数据块的校验值，从数据块中读取每个字节，并对每个字节计算其在数据块中的频率。使用以下公式计算数据块的信息熵：

，

其中，是数据块/>的信息熵，/>是数据块/>中的第/>个字节，/>是一个非常小的常数，用于防止分母为零。

为了进一步确保数据的准确性，采用了基于方差和对数的方法。通过计算数据块的方差来评估数据的稳定性和可靠性。首先，计算数据块的平均值。然后，对每个字节计算其与平均值的差值的平方。使用以下公式计算数据块的方差：

，

其中，是数据块的方差，/>是数据块的平均值。

在智慧工厂中，数据的实时性也是非常重要的。为了确保数据的实时性，通过计算数据传输的指数衰减值来评估数据传输的效率。使用以下公式计算数据块的延迟值：

，

其中，表示数据块的延迟值，/>是数据传输的总时间，/>是表示数据传输过程中的时间点，它的范围是从0到T，/>是单位时间内数据传输的速率，/>是振荡频率。

为了综合考虑数据的完整性、准确性和实时性，使用以下公式进行综合评估：

，

其中，、/>和/>是权重系数，用于平衡高效性、准确性和延迟。这种综合评估方法确保了在智慧工厂质量检测与分析场景下的高效、准确和低延迟数据校验。

S200：对数据分片后并行处理，构建损失函数和自适应学习率，通过异常检测模型分析检测数据并识别出不合格产品；

在智慧工厂中，由于生产数据量巨大，传统的数据处理方法可能无法满足实时性和准确性的要求。因此，采用分布式数据处理模块30，结合复杂的算法，确保数据处理的高效性和准确性。

为了高效地处理这些数据，首先需要将其分片，将大数据集分解成更小、更易于管理的数据片，这样可以并行地在多个服务器节点上处理数据。

，

其中，代表第/>个节点的预期负载，/>为第j个数据片的权重，权重基于数据的大小、复杂性或处理需求；/>是一个决策变量，当第j个数据片被分配给第/>个节点时/>为1，否则为0。

作为一个具体实施例，考虑一个生产线，其中每个产品都有一个质量得分。这些得分被分成多个数据片，每个数据片包含1000个得分。现在，目标是将这些数据片分配给10个服务器节点，以便每个节点处理大致相同数量的得分。

数据分片后，每个节点开始并行处理其数据。但是，由于硬件差异、数据复杂性等因素，不同的节点可能会以不同的速度处理数据。因此通过下述方法来同步这些节点，确保所有数据都被及时和准确地处理，具体公式为：

，

其中，是第/>个节点的同步指标，/>是第/>个节点在时间t已处理的数据量，是分配给第/>个节点的总数据量。在智慧工厂中，每个节点都有一个处理速度，这取决于其硬件配置、网络速度等。通过上述计算可以确保所有节点都能及时完成数据处理并同步，这可以帮助系统管理员识别并解决任何潜在的性能瓶颈。

所有节点完成数据处理后，结果需要汇总，并提供给深度学习分析模块40进行进一步分析。

为了准确地分析检测数据并识别出不合格产品，引入深度学习分析模块40。通过对模型的训练，该模块能够对检测数据进行深入且准确的分析。

为了确保模型的准确性，首先需要使用大量的历史数据对神经网络模型进行预先训练。采用了损失函数来优化模型，可以更好地捕捉数据中的细微变化，所述损失函数的计算公式为：

，

其中，表示损失函数，/>是真实标签，表示产品是否合格，/>是模型的预测值，表示模型预测的产品质量，/>表示第/>个标签，/>，/>是样本的总数，/>表示第/>个预测值。通过交叉熵损失函数区分合格与不合格的产品，模型可以更准确地预测产品的质量类别。

随着生产环境的变化，模型需要进行实时的优化和调整。为此，采用了自适应学习率调整方法，确保模型在面对新数据时仍然保持高效和准确。具体公式为：

，

其中，表示自适应学习率，/>表示初始学习率，/>表示训练的迭代次数。随着模型的训练，学习率需要逐渐减小以确保模型的收敛。此公式提供了一种自适应的方法来调整学习率，使其随着训练的进行而逐渐减小，以适应生产环境的变化。

在智慧工厂中，生产数据的细微变化可能预示着重大的生产问题。因此，需要捕捉这些微妙的变化，并及时识别出潜在的异常。构建一个异常检测模型，计算异常度量值，准确地识别出数据中的异常模式，这些异常可能指示生产过程中的问题。具体公式为：

，

其中，表示数据块/>在时间段T内的异常度量值，/>表示数据的正常振荡频率，/>是异常阈值，表示允许的最大偏差，/>表示数据在时间t的变化率，/>表示差分。异常检测模型会自动识别出不合格产品，并生成详细的报告供生产线参考，帮助工厂快速做出决策。

S300：对数据进行加密，确保数据的安全性，从各个数据源获取数据，并进行整合。

为确保数据的安全性，引入了数据加密模块50。无论数据在传输还是存储过程中，该模块都能确保数据的安全性，防止数据被非法窃取或篡改。为了确保数据的机密性，首先采用AES（高级加密标准）和RSA（公钥加密算法）进行数据加密。在数据收集阶段，当工厂的传感器收集数据时，这些数据首先通过AES算法进行加密，然后再进行进一步的处理或传输。在数据需要与外部系统共享或跨网络传输时，使用RSA加密可以确保只有持有相应私钥的实体才能解密数据。

随后，为了确保数据在传输过程中的安全性，所有的数据传输都通过TLS（传输层安全）或SSL（安全套接层）进行加密，确保数据在传输过程中不被窃取或篡改。为了验证数据的完整性和来源，所有传输的数据都附带一个数字签名。接收方可以使用这个签名验证数据是否被篡改，以及数据是否确实来自声称的发送方。

最后，当数据需要存储时，为了防止未经授权的访问或窃取，所有存储数据的磁盘都进行全盘加密，确保即使磁盘被物理访问，数据也不能被读取。此外，为了进一步加强数据安全性，数据库中的敏感数据也进行列级加密，确保即使数据库被访问，数据也是安全的。

为了提供更全面的质量分析，增加了数据源整合接口60。该接口能够与其他模块组合，整合来自不同数据源的信息，从而提供更全面的质量分析。同时，通过与数据完整性校验模块20和数据加密模块50的配合，确保整合后的数据的完整性和安全性。

综上所述，便完成了本申请所述的一种智慧工厂质量检测与分析方法。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

1、通过实时数据采集和深度学习分析，工厂可以实时监控生产线的状态，及时发现和解决问题，从而减少停机时间和提高生产效率；自动化的质量检测可以在生产过程中及时发现不合格产品，从而减少返工和报废，降低生产成本；

2、通过对生产数据的实时分析，工厂管理层可以更快地做出决策，如调整生产计划、优化资源分配等；通过对生产数据的深入分析，工厂可以更好地理解生产过程中的关键因素，从而持续改进生产工艺，提高产品质量；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份额和盈利能力；

3、通过先进的数据加密技术，确保数据在传输和存储过程中的安全性，防止数据泄露和非法访问；高质量的产品和高效的生产过程可以增强工厂的市场竞争力，吸引更多的客户，从而提高市场份额和盈利能力。

效果调研：

本申请的技术方案能够有效解决现有技术在监控生产线时可能存在数据延迟，导致不能及时发现和解决问题，从而影响生产效率；检测结果的准确性不高，造成漏检或误检不合格产品；只进行表面的数据分析，没有深入到生产过程的各个环节，导致不能全面了解产品的质量状况，并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够实现智慧工厂高效的质量检测与分析，为工厂带来显著的经济和技术效益。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种智慧工厂质量检测与分析系统，其特征在于，包括以下部分：

实时数据采集模块、数据完整性校验模块、分布式数据处理模块、深度学习分析模块、数据加密模块和数据源整合接口；

所述数据完整性校验模块，用于通过计算数据块的信息熵来得到数据块的校验值，从数据块中读取每个字节，并对每个字节计算其在数据块中的频率；通过计算数据块的方差来评估数据的稳定性和可靠性；通过计算数据传输的指数衰减值来评估数据传输的效率；综合考虑数据的完整性、准确性和实时性，对数据进行综合评估，数据完整性校验模块通过数据传输的方式与分布式数据处理模块相连；

所述分布式数据处理模块，用于对数据进行分片，并行地在一个以上服务器节点上处理数据；各个节点处理完数据后，结果被汇总并提供给深度学习分析模块进行进一步分析；分布式数据处理模块通过数据传输的方式与深度学习分析模块相连；

所述深度学习分析模块，用于使用历史数据对神经网络模型进行预先训练；根据实时数据持续优化和调整模型；模型自动识别出不合格产品，并生成详细的报告供生产线参考；深度学习分析模块通过数据传输的方式与数据加密模块相连。

2.一种智慧工厂质量检测与分析方法，其特征在于，包括以下步骤：

S100：采集产品的基础数据，综合考虑数据的完整性、准确性和实时性，对数据进行综合评估；

S200：对数据分片后并行处理，构建损失函数和自适应学习率，通过异常检测模型分析检测数据并识别出不合格产品；

S300：对数据进行加密，从各个数据源获取数据，并进行整合。

3.根据权利要求2所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S100，具体包括：

通过计算数据块的信息熵来得到数据块的校验值，从所述数据块中读取每个字节，并对所述每个字节计算其在数据块中的频率；计算所述数据块的方差和延迟值。

4.根据权利要求3所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S100，还包括：

基于所述数据块的信息熵、方差和延迟值对数据进行综合评估。

5.根据权利要求2所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S200，具体包括：

计算各节点的预期负载，对数据进行分片，并行地在一个以上服务器节点上处理数据。

6.根据权利要求5所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S200，还包括：

针对不同的节点以不同的速度处理数据的情况，设立节点的同步指标。

7.根据权利要求2所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S200，还包括：

所述损失函数的计算公式为：

，

其中，表示损失函数，/>是真实标签，表示产品是否合格；/>是模型的预测值，表示模型预测的产品质量；/>表示第/>个标签，/>，/>是样本的总数；/>表示第/>个预测值；通过交叉熵损失函数区分合格与不合格的产品。

8.根据权利要求2所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S200，还包括：

随着生产环境的变化，模型需要进行实时的优化和调整；为此，采用了自适应学习率调整方法。

9.根据权利要求2所述的一种智慧工厂质量检测与分析方法，其特征在于，所述S200，还包括：

构建异常检测模型，计算异常度量值；所述异常检测模型自动识别出不合格产品，并生成详细的报告供生产线参考。