CN118037112A - 一种基于数据驱动的胎面质量预测模型构建方法 - Google Patents

Abstract

本发明涉及流程工业产品质量预测的技术领域，具体涉及轮胎制造行业的胎面产品质量预测模型构建方法。包括以下步骤：S1：收集并整理多源异构的胎面生产工艺流程数据与产品质量检测数据,建立统一格式的结构化数据集；S2：使用孤立森林算法检测和去除数据中的异常值；S3：基于生产过程动态特性和时间戳的数值传感器时间校准方法，完成传感器时间校准对齐；S4：从胎面时序数据中进行特征抽取；S5：将特征集合分解，并送入改进后的LSINet模型，建立胎面质量预测模型，得出最终的胎面质量预测结果。本发明为轮胎制造业提供一种针对胎面质量的分析方法，帮助企业追溯不合格产品的质量问题，并提高胎面产品质量和生产效率。

Description

一种基于数据驱动的胎面质量预测模型构建方法

技术领域

本发明涉及流程工业产品质量预测的技术领域，具体涉及轮胎制造行业的胎面产品质量预测模型构建方法。

背景技术

制造业一直以来都在不断追求提高产品质量、降低生产成本以及提高生产效率的目标。产品质量问题通常起源于制造过程，而随着生产技术的不断进步和市场需求的日益细化，产品制造过程变得越来越复杂，导致了产品质量受到多种因素的影响。随着制造业信息化建设的不断发展，大量与产品相关的数据，包括零部件设计、生产过程和质量检测数据，被积累在企业数据库中。然而，许多企业仅仅限于对这些数据进行基本的统计分析和可视化呈现，而没有充分发挥数据中的潜在价值。

在传统质量控制过程中，数据丰富而信息贫乏，很多企业无法挖掘数据背后的宝贵知识。新一代数据分析技术的崛起为质量预测提供了新的可能性。这些技术包括机器学习、数据挖掘和人工智能，它们能够从大规模数据中提取有用的信息，揭示关联、趋势和隐藏的知识，从而为制造企业提供更准确、实时的产品质量预测。

产品质量预测的崭新方法不仅可以帮助企业及时发现潜在问题、降低不合格品率，还可以提高生产效率、降低成本，从而增强产品质量管理的能力。这使得产品质量预测成为现代制造业中的一项重要工具，有助于企业提供更高品质的产品、满足客户需求，并在竞争激烈的市场中保持竞争力。

轮胎作为汽车重要的组成部分，对于车辆性能和安全至关重要。而胎面是轮胎的主要组成部分之一，直接影响着轮胎的性能和寿命。因此，胎面生产线的产品质量和生产效率也会极大地影响整个轮胎制造环节。然而在胎面实际生产过程中，对成组设备调控策略的制定、对实际工艺运行参数等的设定仍然主要依赖于操作工的经验。为了弥补操作工经验不足，下达指令不准确等问题，迫切需要一种能通过对历史生产状态数据的采集、处理、分析和挖掘，进而建立胎面质量预测模型的方法。

发明内容

本发明的目的主要在于为轮胎制造业提供一种针对胎面质量的分析方法，帮助企业追溯不合格产品的质量问题，并确定可能的生产影响因素。

本发明技术方案：

一种基于数据驱动的胎面质量预测模型构建方法，包括以下步骤：

S1：收集并整理多源异构的胎面生产工艺流程数据与产品质量检测数据,建立统一格式的结构化数据集。

多源异构数据包括制造执行系统数据、传感器在线检测数据以及生产原料报表数据，对于这些来自不同源头和格式的数据，需要进行整合和清洗以确保一致性和准确性。

S2：胎面生产过程中存在波动较大的离群异常值，使用孤立森林算法检测和去除数据中的异常值。

S3：针对多个传感器采集频率异步的特点，提出基于生产过程动态特性和时间戳的数值传感器时间校准方法，完成传感器时间校准对齐。

S4：挖掘胎面质量与生产要素之间的潜在关系，进而从胎面时序数据中进行特征抽取。

胎面压出线数据属于典型的时间序列数据，时间序列数据是指在等间隔的时间段内以给定的采样率观察某一过程的结果。时序分析的核心是从数据中发现规律，并根据历史观察预测未来的价值，为决策提供参考和依据。利用行业背景知识以及经验，分析胎面质量与生产要素之间的潜在关系，进而从时序数据中提取特征集合。

S5：将特征集合分解，并送入改进后的LSINet模型，建立胎面质量预测模型，得出最终的胎面质量预测结果。

LSTNet(长短期时间序列网络，Long-and Short-term Time-series network)结合了长短期记忆网络和卷积神经网络的特点，是适用于时间序列数据的深度学习模型。以LSTNet为基本网络架构，以胎面质量数据作为输出，将所述步骤S4抽取的特征集合作为输入，建立胎面质量预测模型。

进一步地，步骤S2中所述孤立森林算法网络的训练过程包括以下步骤：

S21：从数据中随机选取一个特征，并在该特征的最小值和最大值之间随机确定一个阈值。

S22：根据选定的特征和阈值进行分割，将数据点分为两部分，一个部分包含小于阈值的数据点，另一个部分包含大于阈值的数据点。

S23：对S22生成的每个数据点集合，递归地继续步骤S21和步骤S22，每次选择新的特征和阈值，将数据点分割成两个子集，直到达到停止条件。停止条件可以是树的深度达到预定的最大深度，或者节点包含的数据点数量小于某个阈值。

S24：使用树的深度和数据点所在叶子节点的位置来计算每个数据点的孤立性得分。孤立性得分计算公式如下:

式中，S(x,n)是数据点x的孤立性得分，n是节点包含的数据点数量，h(x)是数据点x在树中的深度，E(h(x))是数据点x在深度h(x)的期望路径长度，c(n)是树的平均路径长度。

S25：通过设定一个阈值来确定哪些数据点被认为是异常值。异常值在较浅的树深度被孤立，得分较低；正常值在更深的树深度被孤立，得分较高。得分低于阈值的数据点被标识为异常值。

进一步地，所述步骤S3完成传感器时间校准对齐，具体实施包括以下步骤：

S31：由于胎面生产过程存在胶料自然收缩现象，所以胎面压出线有多段浮动辊，每段浮动辊速度依次减慢，基于采集传感器之间的距离，历史时刻浮动辊速度和联动线速度，计算出数值采集时间偏差区间。

S32：基于数据波动特点，通过对时间序列平移分析，进行精细时间校准。引入皮尔逊相关系数将两部分数据的相关程度量转化成数值，通过数值大小来描述序列之间的联系紧密程度。在上述采集时间偏差内，求取相关系数最大的时间点，完成时间校准。

进一步地，步骤S5所述LSTNet模型由四部分组成，如下：

S51：卷积层。卷积层通过卷积操作可以捕获时间序列数据中的局部特征，这有助于识别数据中的模式、趋势和其他重要信息，将原始时间序列数据转化为更具信息量的表示形式。

S52：循环层。通过LSTM函数实现，适用于处理时间序列数据，可以很好地捕捉序列数据的时间依赖性和序列模式。每个LSTM设计了三个阈值：输入门i_t、遗忘门f_t、输出门o_t、长期存储器的细胞状态c_t、等待存储在长期存储器中的候选状态三个阈值代表当前时刻输入特征x_t与前一时刻短期记忆h_t-1的函数,表示为下式：

S53：循环跳跃层。与循环层不同，循环跳跃层具有时间跳跃组件，它增加了信息流的时间跨度，允许模型在不同时间尺度上学习特征。由于梯度消失，LSTM通常无法捕获非常长期的相关性。需要通过循环跳跃层来利用周期模式，提高模型预测精度。

S54：自回归层。由于卷积分量和递归分量都属于非线性分量，导致该模型输出规模对输入规模不敏感。数据中的输入信号往往是非周期变化，为了解决该问题，在原有模型增加了对局部数据更加敏感的线性分量，该线性分量采用经典的自回归(Autoregression，AR)模型。AR模型表述如下：

式中，表示模型输出结果，y_t-k,i表示模型输入向量，W^ar是自回归系数，b^ar为干扰项，q^ar是输入矩阵的窗口大小。

改进的LSTNet模型在构造数据时进行数据变换，将输入数据分解为两个部分：(1)短期时间序列(INPUT1)，包括当前时间点以及前几个相邻时间点(t-3，t-2，t-1，t)。(2)长期跳过时间序列(INPUT2)，包括当前时间点以及较远的时间点(t-3×skip，t-2×skip，t-skip，t)；

将分解后的两部分数据作为模型输入，分别通过一维卷积核提取数据中的短期特征，再利用LSTM捕获数据的时间依赖性；对于短期时间序列，通过Lambda调整输入维度，完成数据短周期链接跳跃，使用Dense模拟AR自回归过程，为预测添加线性成份，同时使输出可以响应输入的尺度变化。

与现有技术相比,本发明具有以下优点:

本发明引入孤立森林算法，有效地检测和去除数据中的异常值，减少了不平衡数据对产品质量预测模型的不良影响；针对传感器采集频率异步特点，本发明进行了时间校准，确保了数据的时序性和准确性。同时，本发明采用LSTNet网络模型作为基本架构，结合行业背景知识和经验，从胎面生产时序数据中分析出产品质量影响因素，进而构建基于数据驱动的胎面质量预测模型，有助于追溯不合格产品的质量问题，并提高轮胎胎面产品质量和生产效率。

附图说明

图1示出本发明的方法流程图；

图2示出本发明实施例构建的LSTNet模型框架示意图；

图3示出本发明实施例模型对产品质量的预测结果示意图。

具体实施方式

下面将结合具体实施例及其附图对本发明作进一步详细的说明。

通过分析胎面生产线数据的时间序列特性，设计一种基于数据驱动的胎面质量预测模型构建方法，具体应用在胎面生产线的胎面质量预测中，如图1，包括以下步骤:

S1：收集并整理多源异构的胎面生产工艺流程数据与产品质量检测数据,建立统一格式的结构化数据集。多源异构数据包括制造执行系统数据、传感器在线检测数据以及生产原料报表数据，对于这些来自不同源头和格式的数据，需要进行整合和清洗以确保一致性和准确性。

S2：由于胎面生产过程中存在波动较大的离群异常值，将孤立森林算法用于检测和去除数据中的异常值。

S3：针对传感器采集频率异步特点，提出基于生产过程动态特性和时间戳的数值传感器时间校准方法。

S4：利用行业背景知识以及经验,分析胎面质量与生产要素之间的潜在关系，从时序数据中提取特征集合。

影响胎面质量的生产要素包括了原材料质量和生产工艺参数。橡胶作为生产胎面产品的原材料，许多因素会影响胶料的膨胀和收缩，例如胶料成分、温度、湿度、外部应力等，这些影响因素决定了胎面质量的好坏。胎面生产过程中，各个环节之间存在相互关联，造成生产工艺参数的变量动态耦合，将生产工艺参数的各变量与胎面质量进行相关性分析，筛选出对产品质量影响较大的变量，并建立特征集合用于后续建立模型。

S5：将提取的特征集合送入改进后的LSTNet网络，建立胎面质量预测模型。

本实施例中，胎面生产线数据集包含15200条数据，其中影响胎面质量的因素包括三个螺杆转速、三个螺杆电流、挤出温度、挤出压力、多段联动线速度、冷却爬坡速度和冷却下坡速度，代表胎面最终的质量数据包括连续称重量、分选秤重量、和前宽，共计14维数据。

具体地，步骤S2所述孤立森林网络的训练过程包括以下步骤：

S21：从胎面数据集中随机选择一个特征，在该特征的最小值和最大值之间随机确定一个阈值。

S22：根据选定的特征和阈值进行分割，将数据点分为两部分，一个部分包含小于阈值的数据点，另一个部分包含大于阈值的数据点。

S23：递归地继续步骤S21和步骤S22，每次选择新的特征和阈值，将数据点分割成两个子集，直到达到一定的停止条件。停止条件可以是树的深度达到预定的最大深度，或者节点包含的数据点数量小于某个阈值。

S24：使用树的深度和数据点所在叶子节点的位置来计算每个数据点的孤立性得分。孤立性得分计算公式如下:

式中，S(x,n)是数据点x的孤立性得分，n是节点包含的数据点数量，h(x)是数据点x在树中的深度，E(h(x))是数据点x在深度h(x)的期望路径长度，c(n)是树的平均路径长度。

S25：通过设定一个阈值来确定哪些数据点被认为是异常值。异常值在较浅的树深度被孤立，得分较低；正常值在更深的树深度被孤立，得分较高。得分低于阈值的数据点被标识为异常值。

具体地，步骤S3传感器时间校准对齐包括以下两步骤：

S31：由于胎面生产过程存在胶料自然收缩现象，所以胎面压出线有多段浮动辊，每段浮动辊速度依次减慢，设浮动辊速度为V_s＝[v_s,1,v_s,2,…,v_s,n]，联动线速度为V_r＝[v_r,1,v_r,2,…,v_r,n]，基于采集传感器之间的距离L(其中浮动辊段距离为M)，历史时刻浮动辊速度V_s和联动线速度V_r，计算出数值采集时间偏差T，公式如下：

胎面压出过程存在速度波动误差和生产环节的样品堆积影响，由上述公式求得采集时间偏差T的范围区间[T_min,T_max]，通过该范围区间进行初步时间校准。

S32：基于数据波动特点，通过对时间序列平移分析，进行精细时间校准。引入皮尔逊相关系数将两部分数据的相关程度量转化成数值，通过数值大小来描述序列之间的联系紧密程度。公式如下：

式中，X与Y代表两个样本数据，n代表样本数量，与/>代表两个样本数据的均值。

假设两部分数据的采样时间点为T_a＝[t_a,1,t_a,2,…,t_a,n]与T_b＝[t_b,1,t_b,2,…,t_b,n]，所采集的数据样本X(T_a)＝[x(t_a,1),x(t_a,2),…,x(t_a,n)]与Y(T_b)＝[y(t_b,1),y(t_b,2),…,y(t_b,n)]，将X(T_a)时间固定，设ΔT＝[Δt₁,Δt₂,…,Δt_n]，ΔT∈[T_min,T_max]。则Y(T_b+ΔT)为Y(T_b)在时间点T_b上偏移ΔT所得到的数据。两部分数据时间对齐后，相关性应该最大，则问题转化为求：

通过上述传感器时间校准对齐方法，将胎面生产线的螺杆转速采集点、前宽测量点、连续称测量点、分选秤测量点四个样本(对应上式中的Y)时间都对齐到螺杆转速采集点(对应上式中的X)，消除数据样本的时间滞后。

具体地，步骤S5 LSTNet模型由四部分组成，如下：

S51：卷积层。卷积层通过卷积操作可以捕获时间序列数据中的局部特征，这有助于识别数据中的模式、趋势和其他重要信息，将原始时间序列数据转化为更具信息量的表示形式。

S52：循环层。通过LSTM函数实现，适用于处理时间序列数据，可以很好地捕捉序列数据的时间依赖性和序列模式。每个LSTM设计了三个阈值：输入门i_t、遗忘门f_t、输出门o_t、长期存储器的细胞状态c_t、等待存储在长期存储器中的候选状态三个阈值代表当前时刻输入特征x_t与前一时刻短期记忆h_t-1的函数,表示为下式：

S53：循环跳跃层。与循环层不同，循环跳跃层具有时间跳跃组件，它增加了信息流的时间跨度，允许模型在不同时间尺度上学习特征。由于梯度消失，LSTM通常无法捕获非常长期的相关性。需要通过循环跳跃层来利用周期模式，提高模型预测精度。

S54：自回归层。由于卷积分量和递归分量都属于非线性分量，导致该模型输出规模对输入规模不敏感。数据中的输入信号往往是非周期变化，为了解决该问题，在原有模型增加了对局部数据更加敏感的线性分量，该线性分量采用经典的自回归(Autoregression，AR)模型。AR模型表述如下：

式中，表示模型输出结果，y_t-k,i表示模型输入向量，W^ar是自回归系数，b^ar为干扰项，q^ar是输入矩阵的窗口大小。

本实施例中，胎面数据集样本被按照7:2:1的比例划分为训练集、验证集和测试集，对变量数据进行了最大最小归一化，在评估预测结果前进行反归一化。模型通过训练集进行训练，通过验证集进行超参数调节，通过测试集得出预测结果。

本实施例中，胎面时序数据集的时间间隔较短，对于LSTNet模型而言，它要将大型张量作为输入传递到模型中，循环跳跃层的实现需要大量的数据切片，导致显著的计算复杂性增加。

具体来说，原始的LSTNet模型只使用单个一维卷积对于数据进行处理，之后再进行数据变换。本发明提出的改进后的LSTNet如图2：

在构造数据时进行数据变换，将输入数据分解为两个部分：(1)短期时间序列(INPUT1)，包括当前时间点以及前几个相邻时间点(t-3，t-2，t-1，t)。(2)长期跳过时间序列(INPUT2)，包括当前时间点以及较远的时间点(t-3×skip，t-2×skip，t-skip，t)。

将分解后的两部分数据作为模型输入，分别通过一维卷积核提取数据中的短期特征，再利用LSTM捕获数据的时间依赖性；对于短期时间序列，通过Lambda调整输入维度，完成数据短周期链接跳跃，使用Dense模拟AR自回归过程，为预测添加线性成份，同时使输出可以响应输入的尺度变化。改进后的LSTNet避免了循环跳跃层中的大量数据切片，对于本实例中时间间隔较短的胎面时序数据集，可以更好地捕获时序数据间的相关性，提高胎面质量预测模型精度。

利用本实施例构建的胎面产品质量预测模型，对胎面的连续称重量、分选秤重量和前宽都进行了预测，实验结果如图3(a)、(b)、(c)所示。通过采用本发明提出的方法，模型能够有效地学习时间序列数据中潜在的变化规律，从而在预测胎面质量方面具备高准确性，有助于追溯不合格产品的质量问题，并提高轮胎胎面产品质量和生产效率。

上述描述仅是对本发明实施例的描述，并非是对本发明范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本发明涵盖的范围。

Claims (4)

1.一种基于数据驱动的胎面质量预测模型构建方法，其特征在于，包括以下步骤：

S1：收集并整理多源异构的胎面生产工艺流程数据与产品质量检测数据,建立统一格式的结构化数据集；

多源异构数据包括制造执行系统数据、传感器在线检测数据以及生产原料报表数据，对于这些来自不同源头和格式的数据，进行整合和清洗以确保一致性和准确性；

S2：胎面生产过程中存在波动较大的离群异常值，使用孤立森林算法检测和去除数据中的异常值；

S3：针对多个传感器采集频率异步的特点，提出基于生产过程动态特性和时间戳的数值传感器时间校准方法，完成传感器时间校准对齐；

S4：挖掘胎面质量与生产要素之间的潜在关系，进而从胎面时序数据中进行特征抽取；

胎面压出线数据属于典型的时间序列数据，利用行业背景知识以及经验，分析胎面质量与生产要素之间的潜在关系，进而从时序数据中提取特征集合；

S5：将特征集合分解，并送入改进后的LSINet模型，建立胎面质量预测模型，得出最终的胎面质量预测结果。

2.一种基于数据驱动的胎面质量预测模型构建方法，其特征在于，步骤S2中所述孤立森林算法网络的训练过程包括以下步骤：

S21：从数据中随机选取一个特征，并在该特征的最小值和最大值之间随机确定一个阈值；

S22：根据选定的特征和阈值进行分割，将数据点分为两部分，一个部分包含小于阈值的数据点，另一个部分包含大于阈值的数据点；

S23：对S22生成的每个数据点集合，递归地继续步骤S21和步骤S22，每次选择新的特征和阈值，将数据点分割成两个子集，直到达到停止条件；停止条件可以是树的深度达到预定的最大深度，或者节点包含的数据点数量小于某个阈值；

S24：使用树的深度和数据点所在叶子节点的位置来计算每个数据点的孤立性得分；孤立性得分计算公式如下:

式中，S(x,n)是数据点x的孤立性得分，n是节点包含的数据点数量，h(x)是数据点x在树中的深度，E(h(x))是数据点x在深度h(x)的期望路径长度，c(n)是树的平均路径长度；

S25：通过设定一个阈值来确定哪些数据点被认为是异常值；异常值在较浅的树深度被孤立，得分较低；正常值在更深的树深度被孤立，得分较高；得分低于阈值的数据点被标识为异常值。

3.一种基于数据驱动的胎面质量预测模型构建方法，其特征在于，步骤S3完成传感器时间校准对齐，具体实施包括以下步骤：

S31：基于采集传感器之间的距离，历史时刻浮动辊速度和联动线速度，计算出数值采集时间偏差区间；

S32：通过对时间序列平移分析，进行精细时间校准；引入皮尔逊相关系数将两部分数据的相关程度量转化成数值，通过数值大小来描述序列之间的联系紧密程度；在上述采集时间偏差内，求取相关系数最大的时间点，完成时间校准。

4.一种基于数据驱动的胎面质量预测模型构建方法，其特征在于，步骤S5所述LSTNet模型由四部分组成，如下：

S51：卷积层：卷积层通过卷积操作可以捕获时间序列数据中的局部特征，这有助于识别数据中的模式、趋势和其他重要信息，将原始时间序列数据转化为更具信息量的表示形式；

S52：循环层：通过LSTM函数实现，适用于处理时间序列数据，可以很好地捕捉序列数据的时间依赖性和序列模式；每个LSTM设计了三个阈值：输入门i_t、遗忘门f_t、输出门o_t、长期存储器的细胞状态c_t、等待存储在长期存储器中的候选状态三个阈值代表当前时刻输入特征x_t与前一时刻短期记忆h_t-1的函数,表示为下式：

S53：循环跳跃层：循环跳跃层具有时间跳跃组件，它增加了信息流的时间跨度，允许模型在不同时间尺度上学习特征；由于梯度消失，LSTM通常无法捕获非常长期的相关性，需要通过循环跳跃层来利用周期模式，提高模型预测精度；

S54：自回归层：数据中的输入信号往往是非周期变化，在原有模型增加了对局部数据更加敏感的线性分量，该线性分量采用经典的自回归模型，如下：

式中，表示模型输出结果，y_t-k,i表示模型输入向量，W^ar是自回归系数，b^ar为干扰项，q^ar是输入矩阵的窗口大小；

改进的LSTNet模型在构造数据时进行数据变换，将输入数据分解为两个部分：(1)短期时间序列，包括当前时间点以及前几个相邻时间点(t-3，t-2，t-1，t)。(2)长期跳过时间序列，包括当前时间点以及较远的时间点(t-3×skip，t-2×skip，t-skip，t)；

将分解后的两部分数据作为模型输入，分别通过一维卷积核提取数据中的短期特征，再利用LSTM捕获数据的时间依赖性；对于短期时间序列，通过Lambda调整输入维度，完成数据短周期链接跳跃，使用Dense模拟AR自回归过程，为预测添加线性成份，同时使输出可以响应输入的尺度变化。