CN117193222A - 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 - Google Patents
一种基于工业物联网和大数据的智能质量控制系统及其控制方法 Download PDFInfo
- Publication number
- CN117193222A CN117193222A CN202311382370.1A CN202311382370A CN117193222A CN 117193222 A CN117193222 A CN 117193222A CN 202311382370 A CN202311382370 A CN 202311382370A CN 117193222 A CN117193222 A CN 117193222A
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- production process
- industrial internet
- quality control
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000007405 data analysis Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 5
- 230000014509 gene expression Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 28
- 238000005516 engineering process Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 21
- 230000007547 defect Effects 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000003070 Statistical process control Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
一种基于工业物联网和大数据的智能质量控制系统及其控制方法,属于物联网大数据技术领域。为了提升质量监控和分析的效率和准确性,本发明包括数据采集设备、工业互联网平台、数据分析模块、质量控制系统;数据采集设备连接工业互联网平台,工业互联网平台连接数据分析模块,数据分析模块连接质量控制系统。通过大数据技术进行存储、处理和分析,以提取潜在的质量信息和趋势。通过实时监控和分析,可以及时发现生产过程中的异常情况和潜在的质量问题,同时,工业物联网和大数据的应用还可以实现质量数据的实时共享和协同处理,为企业的质量控制工作提供有力支持。本发明有效提升质量监控和分析的效率和准确性,为企业提供更可靠的质量控制手段。
Description
技术领域
本发明属于物联网大数据技术领域,具体涉及一种基于工业物联网和大数据的智能质量控制系统及其控制方法。
背景技术
在质量控制领域,传统的质量管理方法通常依赖于人工操作和离线数据分析,存在以下几个问题:
首先,传统的质量控制方法通常依赖于离线数据分析,无法实时监测和及时响应生产过程中的质量异常。这导致企业难以迅速发现和解决质量问题,增加了生产成本和质量风险。
其次,由于传统质量控制方法缺乏实时数据采集和分析能力,企业对于生产过程中的异常情况和潜在问题往往无法及时发现和识别。这使得企业无法进行及时的调整和改进,导致质量问题的积累和生产效率的下降。
此外,传统的质量控制方法往往依赖于人工操作和主观判断,容易受到人为因素的影响。这种主观性和不确定性会影响质量控制的准确性和一致性,降低了质量管理的效果和可靠性。
因此,现有技术需要一种新的智能质量控制方法,能够实时采集和分析生产过程中的数据,并能够自动识别和响应质量异常,提高质量控制的准确性和效率。
发明内容
本发明要解决的问题是有效提升质量监控和分析的效率和准确性,提出一种基于工业物联网和大数据的智能质量控制系统及其控制方法。
为实现上述目的,本发明通过以下技术方案实现:
一种基于工业物联网和大数据的智能质量控制系统,包括数据采集设备、工业互联网平台、数据分析模块、质量控制系统;
所述数据采集设备连接工业互联网平台,所述工业互联网平台连接数据分析模块,所述数据分析模块连接质量控制系统;
所述数据采集设备包括传感器、监测设备,所述数据采集设备用于实时采集生产过程中的温度、压力、湿度、振动数据;
所述工业互联网平台用于接收、存储和传输数据,所述工业互联网平台接收数据采集设备采集的数据,存储到数据库中,将存储的数据传输到数据分析模块进行数据分析,所述工业互联网平台具备实时监控和远程访问功能;
所述数据分析模块用于对工业互联网平台传输的数据进行处理和分析,利用大数据技术对数据进行存储、处理和分析,输出生产过程中的质量信息数据和质量趋势数据结果;
所述质量控制系统基于数据分析模块输出的质量信息数据和质量趋势数据结果进行质量控制和管理,通过实时质量监控界面展示生产过程中的质量状态和趋势,并对质量异常进行自动报警,进行质量缺陷检测和质量分析。
进一步的,所述传感器包括温度传感器、压力传感器、湿度传感器、振动传感器。
进一步的,传感器产生的电信号经过模数转换,转换为数字信号,然后通过通信网络传输到工业互联网平台。
一种基于工业物联网和大数据的智能质量控制方法,依托于所述的一种基于工业物联网和大数据的智能质量控制系统实现,包括如下步骤:
S1.采集生产过程中的数据,包括温度、压力、湿度、振动数据;
S2.对步骤S1采集的生产过程中的数据上传到工业互联网平台,进行数据预处理和数据存储,得到预处理后的生产过程中的数据;
S3.将步骤S2得到的预处理后的生产过程中的数据输入到数据分析模块中,进行数据分析和挖掘,输出生产过程中的质量信息数据和质量趋势数据结果;
S4.将步骤S3得到的生产过程中的质量信息数据和质量趋势数据结果输入到质量控制系统,进行实施生产过程的质量监控,提取异常数据;
S5.基于步骤S4得到的异常数据,利用异常检测算法,进行生产过程中的缺陷检测,得到缺陷检测数据,并进行异常报警;
S6.基于步骤S5得到的缺陷检测数据进行生产过程中的质量分析。
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1.数据预处理:对步骤S1采集的生产过程中的数据进行数据清洗、数据归一化、异常值处理,数据归一化处理的计算表达式为:
其中,xnormalized为归一化处理后的生产过程中的数据,x为原始生产过程中的数据,μ为生产过程中的数据的均值,σ为生产过程中的数据的标准差;
S2.2.数据集成:采用数据转换和合并的数据集成技术,将步骤S2.1数据归一化处理后的生产过程中的数据进行合并;
S2.3.数据存储:将步骤S2.2合并后的生产过程中的数据存储到工业互联网平台的数据库中,使用基于云的存储系统或本地服务器来实现。
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1.采用EDA方法进行数据分析,使用统计技术和可视化方法分析数据,计算汇总统计量、创建直方图或生成散点图,计算均值μ、方差σ2和协方差cov(X,Y),计算表达式分别为:
S3.2.利用主成分分析方法进行数据特征提取,从数据集中提取主成分,计算主成分的公式如下:
其中,wij表示特征xj在主成分PCi上的权重或载荷;
S3.3.根据问题的性质采用线性回归建模技术进行模型建立,计算表达式为:
y=β0+β1x1+β2x2+…+βnxn
其中,y为因变量,(x1,x2,…,xn)为自变量,(β0,β1,…,βn)为待估计的系数;
S3.4.对步骤S3.3构建的模型进行训练,利用输入特征和对应的输出值学习潜在的模式和关系,通过迭代调整模型参数来最小化预测误差,训练神经网络使用反向传播算法,计算表达式为:
Δwij=η·δj·xi
其中,wij为输入的第i个神经元和第j个隐藏层/输出层神经元之间的权重,η为学习率,δj为第j个神经元的误差项,xi为第i个输入值;
S3.5.对步骤S3.5训练的模型进行评估,将模型的预测结果与来自独立验证或测试数据集的实际输出值进行比较,计算准确率、精确率、召回率或均方误差,计算均方误差MSE的计算表达式为:
计算准确率Accuracy的计算表达式为:
计算精确率Precision的计算表达式为:
计算召回率Recall的计算表达式为:
其中,TP为被模型预测为正类的正样本,TN为被模型预测为负类的负样本,FP为被模型预测为正类的负样本,FN为被模型预测为负类的正样本;
S3.6.对步骤S3.5评估后的模型进行调优,采用正则化技术提取模型超参数的最佳值,以改善模型的泛化能力并避免过拟合,正则化技术的计算表达式为:
其中,Loss为原始的损失函数,λ为正则化参数,βi为模型的系数;
S3.7.将步骤S3.6调优后的模型集成到数据分析模块中,用于接收新的输入数据并根据学习到的模式和关系生成预测或决策。
进一步的,步骤S4的质量控制系统统计过程控制,检测数据中的偏差或异常,提取异常数据的表达式为:
其中,为样本均值,m为样本大小。
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1.收集实时数据并进行预处理,构建由N个样本组成的数据集X={x1,x2,…,xN},其中每个样本的维度为D;
S5.2.基于预处理后的数据,构建GMM异常检测模型,GMM异常检测模型的概率密度函数p(x),计算表达式为:
其中,πk为第k个高斯分布的权重,满足μk和Σk分别为第k个高斯分布的均值和协方差矩阵;
S5.3.根据GMM异常检测模型,计算每个样本属于各个高斯分布的概率,计算表达式为:
S5.4.基于步骤S5.3计算的每个样本属于各个高斯分布的概率计算所有高斯分布中的最大概率k*,计算表达式为:
当对应的概率p(x|k*)低于预先定义的阈值,对应样本x将被标记为异常;
S5.5.基于步骤S5.4标记的异常样本生成异常报警或警报,通过最大期望算法,估计GMM异常检测模型的参数π,μ和Σ,质量控制系统触发报警发送报警通知。
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1.识别步骤S5测到的异常样本;
S6.2.基于异常样本与正常样本行为之间的偏差,计算每个异常样本的异常分数,计算表达式为:
异常分数=f(x)
S6.3.分析异常分数的分布,得到异常分数的特征;
S6.4.基于异常分数特征,将异常分数特征分类为高严重性阈值、中严重性阈值、低严重性阈值;
S6.5.进行生产过程中的质量分析,包括基于步骤S6.4得到的高严重性阈值、中严重性阈值、低严重性阈值评估数据集中异常样本的百分比、空间或时间分布以及变量的相关性,检查与高严重性阈值异常相关的数据点,调查异常原因。
本发明的有益效果:
本发明所述的一种基于工业物联网和大数据的智能质量控制方法,采用工业物联网和大数据技术的结合,实现了实时的质量监控和分析。通过实时采集和传输生产过程中的数据,结合大数据技术的处理和分析能力,能够及时掌握生产过程中的质量状态和趋势。相较于传统的离线数据分析方法,本发明可以实现更快速、准确的质量监控,有助于企业及时发现和解决质量问题。
本发明所述的一种基于工业物联网和大数据的智能质量控制方法,利用机器学习和人工智能技术,能够自动检测和识别生产过程中的质量缺陷和异常情况。通过建立质量模型和算法,能够对大量的质量数据进行分析和模式识别,从而减少了人工判断的主观性和不确定性,提高了质量检测的准确性和一致性。这有助于企业避免不合格产品的生产和流入市场,提高产品质量和客户满意度;
本发明所述的一种基于工业物联网和大数据的智能质量控制方法,结合了实时数据分析和可视化技术,能够以直观的方式展示生产过程中的质量状态和趋势。通过实时监控和预警机制,企业能够在质量异常发生时及时采取纠正措施,避免质量问题扩大和影响生产效率;
本发明所述的一种基于工业物联网和大数据的智能质量控制方法,利用大数据技术对历史质量数据进行深入分析,挖掘质量问题的根本原因和影响因素。通过分析质量数据的相关性和趋势,可以为企业提供针对性的改进措施和决策支持,帮助企业优化生产流程、提高质量控制效率和降低质量风险。
综上所述,本发明所述的一种基于工业物联网和大数据的智能质量控制方法,智能质量控制方法结合了工业物联网和大数据技术,具有实时监控、自动检测、数据可视化和深度分析的优势。通过提高质量监控的准确性和效率,本发明有助于企业提高产品质量、降低质量风险、提升生产效率和客户满意度,具有广泛的应用前景和经济效益。
附图说明
图1为本发明所述的一种基于工业物联网和大数据的智能质量控制系统的结构示意图;
图2为本发明所述的一种基于工业物联网和大数据的智能质量控制方法的流程图;
图3为本发明具体实施方式二的质量监控曲线图;
图4为本发明具体实施方式二的温度变化趋势曲线图。
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,以下结合附图及具体实施方式,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方式仅用以解释本发明,并不用于限定本发明,即所描述的具体实施方式仅仅是本发明一部分实施方式,而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计,本发明还可以具有其他实施方式。
因此,以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效,兹例举以下具体实施方式,并配合附图1-附图4详细说明如下:
具体实施方式一:
一种基于工业物联网和大数据的智能质量控制系统,包括数据采集设备、工业互联网平台、数据分析模块、质量控制系统;
所述数据采集设备连接工业互联网平台,所述工业互联网平台连接数据分析模块,所述数据分析模块连接质量控制系统;
所述数据采集设备包括传感器、监测设备,所述数据采集设备用于实时采集生产过程中的温度、压力、湿度、振动数据;
所述工业互联网平台用于接收、存储和传输数据,所述工业互联网平台接收数据采集设备采集的数据,存储到数据库中,将存储的数据传输到数据分析模块进行数据分析,所述工业互联网平台具备实时监控和远程访问功能;
所述数据分析模块用于对工业互联网平台传输的数据进行处理和分析,利用大数据技术对数据进行存储、处理和分析,输出生产过程中的质量信息数据和质量趋势数据结果;
所述质量控制系统基于数据分析模块输出的质量信息数据和质量趋势数据结果进行质量控制和管理,通过实时质量监控界面展示生产过程中的质量状态和趋势,并对质量异常进行自动报警,进行质量缺陷检测和质量分析。
进一步的,所述传感器包括温度传感器、压力传感器、湿度传感器、振动传感器。
进一步的,传感器产生的电信号经过模数转换,转换为数字信号,然后通过通信网络传输到工业互联网平台。
进一步的,质量监控界面展示生产过程中的质量状态和趋势包括质量状态图表、质量趋势图表。质量状态图表显示了实时的质量状态,以便企业能够快速了解生产过程中的质量状况。通过图表的可视化展示,可以直观地看到质量正常或异常的情况,有助于及时发现和解决质量问题;质量趋势图表展示了生产过程中的质量趋势,可以帮助企业了解质量的变化和趋势。通过图表的动态展示,可以观察到质量的变化趋势,有助于预测质量的发展趋势和提前采取相应的调整措施。
具体实施方式二:
一种基于工业物联网和大数据的智能质量控制方法,依托于具体实施方式一所述的一种基于工业物联网和大数据的智能质量控制系统实现,包括如下步骤:
S1.采集生产过程中的数据,包括温度、压力、湿度、振动数据;
S2.对步骤S1采集的生产过程中的数据上传到工业互联网平台,进行数据预处理和数据存储,得到预处理后的生产过程中的数据;
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1.数据预处理:对步骤S1采集的生产过程中的数据进行数据清洗、数据归一化、异常值处理,数据归一化处理的计算表达式为:
其中,xnormalized为归一化处理后的生产过程中的数据,x为原始生产过程中的数据,μ为生产过程中的数据的均值,σ为生产过程中的数据的标准差;
S2.2.数据集成:采用数据转换和合并的数据集成技术,将步骤S2.1数据归一化处理后的生产过程中的数据进行合并;
S2.3.数据存储:将步骤S2.2合并后的生产过程中的数据存储到工业互联网平台的数据库中,使用基于云的存储系统或本地服务器来实现;
S3.将步骤S2得到的预处理后的生产过程中的数据输入到数据分析模块中,进行数据分析和挖掘,输出生产过程中的质量信息数据和质量趋势数据结果;
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1.采用EDA方法进行数据分析,使用统计技术和可视化方法分析数据,计算汇总统计量、创建直方图或生成散点图,计算均值、方差σ2和协方差cov(X,Y),计算表达式分别为:
S3.2.利用主成分分析方法进行数据特征提取,从数据集中提取主成分,计算主成分的公式如下:
其中,wij表示特征xj在主成分PCi上的权重或载荷;
S3.3.根据问题的性质采用线性回归建模技术进行模型建立,计算表达式为:
y=β0+β1x1+β2x2+…+βnxn
其中,y为因变量,(x1,x2,…,xn)为自变量,(β0,β1,…,βn)为待估计的系数;
S3.4.对步骤S3.3构建的模型进行训练,利用输入特征和对应的输出值学习潜在的模式和关系,通过迭代调整模型参数来最小化预测误差,训练神经网络使用反向传播算法,计算表达式为:
Δwij=η·δj·xi
其中,wij为输入的第i个神经元和第j个隐藏层/输出层神经元之间的权重,η为学习率,δj为第j个神经元的误差项,xi为第i个输入值;
S3.5.对步骤S3.5训练的模型进行评估,将模型的预测结果与来自独立验证或测试数据集的实际输出值进行比较,计算准确率、精确率、召回率或均方误差,计算均方误差MSE的计算表达式为:
计算准确率Accuracy的计算表达式为:
计算精确率Precision的计算表达式为:
计算召回率Recall的计算表达式为:
其中,TP为被模型预测为正类的正样本,TN为被模型预测为负类的负样本,FP为被模型预测为正类的负样本,FN为被模型预测为负类的正样本;
S3.6.对步骤S3.5评估后的模型进行调优,采用正则化技术提取模型超参数的最佳值,以改善模型的泛化能力并避免过拟合,正则化技术的计算表达式为:
其中,Loss为原始的损失函数,λ为正则化参数,βi为模型的系数;
S3.7.将步骤S3.6调优后的模型集成到数据分析模块中,用于接收新的输入数据并根据学习到的模式和关系生成预测或决策。
S4.将步骤S3得到的生产过程中的质量信息数据和质量趋势数据结果输入到质量控制系统,进行实施生产过程的质量监控,提取异常数据;
进一步的,步骤S4的质量控制系统统计过程控制,检测数据中的偏差或异常,提取异常数据的表达式为:
其中,为样本均值,m为样本大小。
S5.基于步骤S4得到的异常数据,利用异常检测算法,进行生产过程中的缺陷检测,得到缺陷检测数据,并进行异常报警;
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1.收集实时数据并进行预处理,构建由N个样本组成的数据集X={x1,x2,…,xN},其中每个样本的维度为D;
S5.2.基于预处理后的数据,构建GMM异常检测模型,GMM异常检测模型的概率密度函数p(x),计算表达式为:
其中,πk为第k个高斯分布的权重,满足μk和Σk分别为第k个高斯分布的均值和协方差矩阵;
S5.3.根据GMM异常检测模型,计算每个样本属于各个高斯分布的概率,计算表达式为:
S5.4.基于步骤S5.3计算的每个样本属于各个高斯分布的概率计算所有高斯分布中的最大概率k*,计算表达式为:
当对应的概率p(x|k*)低于预先定义的阈值,对应样本x将被标记为异常;
S5.5.基于步骤S5.4标记的异常样本生成异常报警或警报,通过最大期望算法,估计GMM异常检测模型的参数π,μ和Σ,质量控制系统触发报警发送报警通知;
S6.基于步骤S5得到的缺陷检测数据进行生产过程中的质量分析。
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1.识别步骤S5测到的异常样本;
S6.2.基于异常样本与正常样本行为之间的偏差,计算每个异常样本的异常分数,计算表达式为:
异常分数=f(x)
S6.3.分析异常分数的分布,得到异常分数的特征;
S6.4.基于异常分数特征,将异常分数特征分类为高严重性阈值、中严重性阈值、低严重性阈值;
S6.5.进行生产过程中的质量分析,包括基于步骤S6.4得到的高严重性阈值、中严重性阈值、低严重性阈值评估数据集中异常样本的百分比、空间或时间分布以及变量的相关性,检查与高严重性阈值异常相关的数据点,调查异常的根本原因。
本实施方式所述的一种基于工业物联网和大数据的智能质量控制方法,首先,通过工业物联网的传感器和设备,实时采集生产过程中的各种数据,如温度、压力、湿度、振动等。这些数据被传输到中央数据平台进行存储和处理;接下来,利用大数据技术对采集到的数据进行分析和挖掘。通过应用数据分析算法和模型,能够识别出潜在的质量异常和趋势,以及与质量相关的关键因素;在质量监控方面,本发明利用实时数据分析和可视化技术,能够即时展示生产过程中的质量状态和趋势。通过设定预设的质量指标和阈值,当质量异常发生时,系统能够自动发出警报并触发相应的预警机制,以便迅速采取纠正措施;在缺陷检测方面,本发明利用机器学习和人工智能技术,对质量数据进行分析和模式识别,能够自动检测和识别出生产过程中的缺陷和异常情况。这样,企业可以及时发现和解决质量问题,避免不合格产品的生产和流入市场;在质量分析方面,本发明利用大数据技术对历史质量数据进行深入分析,挖掘质量问题的根本原因和影响因素。通过分析质量数据的相关性和趋势,可以为企业提供有针对性的改进措施和决策支持,以提高生产质量和效率。
图3是质量监控的可视化,展示了实时的温度、压力和湿度数据。时间(Time)位于x轴上,温度(Temperature)、压力(Pressure)和湿度(Humidity)的值位于y轴上。通过不同的线条和颜色表示了各个参数的变化趋势。这个子图实时地监控生产过程中的质量状态和趋势。图4展示了温度数据,并标记了超过28度的缺陷数据点。温度(Temperature)位于y轴上,时间(Time)位于x轴上。温度数据用蓝色线条表示,超过28度的缺陷数据点用红色圆圈标记。这个子图检测和识别生产过程中的缺陷和异常情况。通过这些图表实时监控质量参数的变化趋势,并根据设定的阈值进行缺陷检测,有助于及时发现和解决质量问题,提高生产质量和效率。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述,然而在不脱离本申请的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本申请并不局限于文中公开的特定具体实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.一种基于工业物联网和大数据的智能质量控制系统,其特征在于,包括数据采集设备、工业互联网平台、数据分析模块、质量控制系统;
所述数据采集设备连接工业互联网平台,所述工业互联网平台连接数据分析模块,所述数据分析模块连接质量控制系统;
所述数据采集设备包括传感器、监测设备,所述数据采集设备用于实时采集生产过程中的温度、压力、湿度、振动数据;
所述工业互联网平台用于接收、存储和传输数据,所述工业互联网平台接收数据采集设备采集的数据,存储到数据库中,将存储的数据传输到数据分析模块进行数据分析,所述工业互联网平台具备实时监控和远程访问功能;
所述数据分析模块用于对工业互联网平台传输的数据进行处理和分析,利用大数据技术对数据进行存储、处理和分析,输出生产过程中的质量信息数据和质量趋势数据结果;
所述质量控制系统基于数据分析模块输出的质量信息数据和质量趋势数据结果进行质量控制和管理,通过实时质量监控界面展示生产过程中的质量状态和趋势,并对质量异常进行自动报警,进行质量缺陷检测和质量分析。
2.根据权利要求1所述的一种基于工业物联网和大数据的智能质量控制系统,其特征在于,所述传感器包括温度传感器、压力传感器、湿度传感器、振动传感器。
3.根据权利要求1或2所述的一种基于工业物联网和大数据的智能质量控制系统,其特征在于,传感器产生的电信号经过模数转换,转换为数字信号,然后通过通信网络传输到工业互联网平台。
4.一种基于工业物联网和大数据的智能质量控制方法,依托于权利要求1-3之一所述的一种基于工业物联网和大数据的智能质量控制系统实现,其特征在于,包括如下步骤:
S1.采集生产过程中的数据,包括温度、压力、湿度、振动数据;
S2.对步骤S1采集的生产过程中的数据上传到工业互联网平台,进行数据预处理和数据存储,得到预处理后的生产过程中的数据;
S3.将步骤S2得到的预处理后的生产过程中的数据输入到数据分析模块中,进行数据分析和挖掘,输出生产过程中的质量信息数据和质量趋势数据结果;
S4.将步骤S3得到的生产过程中的质量信息数据和质量趋势数据结果输入到质量控制系统,进行实施生产过程的质量监控,提取异常数据;
S5.基于步骤S4得到的异常数据,利用异常检测算法,进行生产过程中的缺陷检测,得到缺陷检测数据,并进行异常报警;
S6.基于步骤S5得到的缺陷检测数据进行生产过程中的质量分析。
5.根据权利要求4所述的一种基于工业物联网和大数据的智能质量控制方法,其特征在于,步骤S2的具体实现方法包括如下步骤:
S2.1.数据预处理:对步骤S1采集的生产过程中的数据进行数据清洗、数据归一化、异常值处理,数据归一化处理的计算表达式为:
其中,xnormalized为归一化处理后的生产过程中的数据,x为原始生产过程中的数据,μ为生产过程中的数据的均值,σ为生产过程中的数据的标准差;
S2.2.数据集成:采用数据转换和合并的数据集成技术,将步骤S2.1数据归一化处理后的生产过程中的数据进行合并;
S2.3.数据存储:将步骤S2.2合并后的生产过程中的数据存储到工业互联网平台的数据库中,使用基于云的存储系统或本地服务器来实现。
6.根据权利要求5所述的一种基于工业物联网和大数据的智能质量控制方法,其特征在于,步骤S3的具体实现方法包括如下步骤:
S3.1.采用EDA方法进行数据分析,使用统计技术和可视化方法分析数据,计算汇总统计量、创建直方图或生成散点图,计算均值μ、方差σ2和协方差cov(X,Y),计算表达式分别为:
S3.2.利用主成分分析方法进行数据特征提取,从数据集中提取主成分,计算主成分的公式如下:
其中,wij表示特征xj在主成分PCi上的权重或载荷;
S3.3.根据问题的性质采用线性回归建模技术进行模型建立,计算表达式为:
y=β0+β1x1+β2x2+…+βnxn
其中,y为因变量,(x1,x2,…,xn)为自变量,(β0,β1,…,βn)为待估计的系数;
S3.4.对步骤S3.3构建的模型进行训练,利用输入特征和对应的输出值学习潜在的模式和关系,通过迭代调整模型参数来最小化预测误差,训练神经网络使用反向传播算法,计算表达式为:
Δwij=η·δj·xi
其中,wij为输入的第i个神经元和第j个隐藏层/输出层神经元之间的权重,η为学习率,δj为第j个神经元的误差项,xi为第i个输入值;
S3.5.对步骤S3.5训练的模型进行评估,将模型的预测结果与来自独立验证或测试数据集的实际输出值进行比较,计算准确率、精确率、召回率或均方误差,计算均方误差MSE的计算表达式为:
计算准确率Accuracy的计算表达式为:
计算精确率Precision的计算表达式为:
计算召回率Recall的计算表达式为:
其中,TP为被模型预测为正类的正样本,TN为被模型预测为负类的负样本,FP为被模型预测为正类的负样本,FN为被模型预测为负类的正样本;
S3.6.对步骤S3.5评估后的模型进行调优,采用正则化技术提取模型超参数的最佳值,以改善模型的泛化能力并避免过拟合,正则化技术的计算表达式为:
其中,Loss为原始的损失函数,λ为正则化参数,βi为模型的系数;
S3.7.将步骤S3.6调优后的模型集成到数据分析模块中,用于接收新的输入数据并根据学习到的模式和关系生成预测或决策。
7.根据权利要求6所述的一种基于工业物联网和大数据的智能质量控制方法,其特征在于,步骤S4的质量控制系统统计过程控制,检测数据中的偏差或异常,提取异常数据的表达式为:
其中,为样本均值,m为样本大小。
8.根据权利要求7所述的一种基于工业物联网和大数据的智能质量控制方法,其特征在于,步骤S5的具体实现方法包括如下步骤:
S5.1.收集实时数据并进行预处理,构建由N个样本组成的数据集X={x1,x2,…,xN},其中每个样本的维度为D;
S5.2.基于预处理后的数据,构建GMM异常检测模型,GMM异常检测模型的概率密度函数p(x),计算表达式为:
其中,πk为第k个高斯分布的权重,满足μk和Σk分别为第k个高斯分布的均值和协方差矩阵;
S5.3.根据GMM异常检测模型,计算每个样本属于各个高斯分布的概率,计算表达式为:
S5.4.基于步骤S5.3计算的每个样本属于各个高斯分布的概率计算所有高斯分布中的最大概率k*,计算表达式为:
当对应的概率p(x|k*)低于预先定义的阈值,对应样本x将被标记为异常;
S5.5.基于步骤S5.4标记的异常样本生成异常报警或警报,通过最大期望算法,估计GMM异常检测模型的参数π,μ和Σ,质量控制系统触发报警发送报警通知。
9.根据权利要求8所述的一种基于工业物联网和大数据的智能质量控制方法,其特征在于,步骤S6的具体实现方法包括如下步骤:
S6.1.识别步骤S5测到的异常样本;
S6.2.基于异常样本与正常样本行为之间的偏差,计算每个异常样本的异常分数,计算表达式为:
异常分数=f(x)
S6.3.分析异常分数的分布,得到异常分数的特征;
S6.4.基于异常分数特征,将异常分数特征分类为高严重性阈值、中严重性阈值、低严重性阈值;
S6.5.进行生产过程中的质量分析,包括基于步骤S6.4得到的高严重性阈值、中严重性阈值、低严重性阈值评估数据集中异常样本的百分比、空间或时间分布以及变量的相关性,检查与高严重性阈值异常相关的数据点,调查异常的根本原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311382370.1A CN117193222A (zh) | 2023-10-24 | 2023-10-24 | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311382370.1A CN117193222A (zh) | 2023-10-24 | 2023-10-24 | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117193222A true CN117193222A (zh) | 2023-12-08 |
Family
ID=88992684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311382370.1A Pending CN117193222A (zh) | 2023-10-24 | 2023-10-24 | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117193222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117389236A (zh) * | 2023-12-11 | 2024-01-12 | 山东三岳化工有限公司 | 一种环氧丙烷生产过程优化方法及系统 |
CN117494955A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市华科精密组件有限公司 | 一种用于自动化生产的智能监测系统 |
CN117689270A (zh) * | 2024-01-30 | 2024-03-12 | 领军(辽宁)科技有限公司 | 电力设备生产过程质量管理改进方法、系统及存储介质 |
-
2023
- 2023-10-24 CN CN202311382370.1A patent/CN117193222A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117389236A (zh) * | 2023-12-11 | 2024-01-12 | 山东三岳化工有限公司 | 一种环氧丙烷生产过程优化方法及系统 |
CN117389236B (zh) * | 2023-12-11 | 2024-02-13 | 山东三岳化工有限公司 | 一种环氧丙烷生产过程优化方法及系统 |
CN117494955A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市华科精密组件有限公司 | 一种用于自动化生产的智能监测系统 |
CN117494955B (zh) * | 2024-01-03 | 2024-04-12 | 深圳市华科精密组件有限公司 | 一种用于自动化生产的智能监测系统 |
CN117689270A (zh) * | 2024-01-30 | 2024-03-12 | 领军(辽宁)科技有限公司 | 电力设备生产过程质量管理改进方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
US20200241514A1 (en) | Method and systems for fault detection and identification | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
CN116415127A (zh) | 用于造纸质量评估的方法、系统及介质 | |
EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
CN117708669A (zh) | 一种基于多源数据的自适应概率神经网络高压电缆状态评估方法 | |
CN117408519A (zh) | 基于深度学习算法的化工反应过程风险预警方法及装置 | |
Sarveswaran et al. | MilkSafe: A Hardware-Enabled Milk Quality Prediction using Machine Learning | |
CN118014115A (zh) | 一种基于长短时记忆网络的产线损耗监测方法 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
Lu et al. | Research on Anomaly Detection Algorithm of Chemical Storage Tanks Based on FCM-LSTM | |
CN117354168A (zh) | 用于物联网预测建模的混合系综方法 |
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 |