[发明专利]工业大数据环境下的产品质量端-边-云协同预报方法

权利要求书

1.一种工业大数据环境下的产品质量端-边-云协同预报方法，其特征在于：包括以下步骤：

步骤1：利用实际工业现场中的传感器，采集该工业现场中产品的实际生产过程数据；

步骤2：将采集到的所有生产过程数据利用数据清洗算法去除数据中的异常数据样本以及含有缺失值的数据样本，形成初始样本数据集；利用数据补齐算法对初始样本数据集内的数据进行数据预处理，使所有的数据维度相同，并将预处理后的样本数据存放至边缘端数据库中；在云端服务器上建立云端数据库，边缘端数据库中样本个数大于n个时，将边缘端数据库中的样本数据同步到云端数据库中，同时清空边缘端数据库中的数据样本；

步骤3：判断云端数据库中数据总数是否大于H个，若否，则执行步骤1，若是，则在云端服务器上，针对产品生产工艺过程以及生产过程数据的特征选择智能建模方法，建立产品质量的预报模型；

根据产品的w种质量指标在云端服务器上分别建立w个预报模型，组成模型库；其中针对第i种质量指标建立预报模型如下所示：

其中，I表示预报模型输入的预处理后的样本数据，表示第i种质量指标的预报值，f_i(·)表示所建立的预报模型的结构，θ_i表示所建立的预报模型的参数集合；

根据工业生产工艺过程、模型输入数据的数据特征以及对预报模型的输入数据与质量指标之间相关性的分析，进而将θ_i分为三个参数集合，即

步骤4：按照产品的实际生产顺序，从云端数据库中提取最近的K个样本数据组成训练集D，同时记此时云端数据库中的数据样本总数为S个；利用训练集D中的样本数据分别训练模型库中每一种预报模型中的所有参数，将训练后的预报模型库记作其中F_i^c代表第i种质量指标的预报模型；

将样本的生产过程数据作为输入数据，将样本的第i种质量指标数据作为标签数据，在云端服务器上，训练第i种质量指标的预报模型，得到F_i^c；即训练步骤3中的参数集中的所有参数；

步骤5：将预报模型库F^c从云端服务器传输到边缘端服务器上，并由边缘端服务器将不同的预报模型分别下放到不同的终端服务器上运行，用户通过终端服务器中的预报模型对产品的不同质量指标分别进行预报；

步骤6：从工业现场的传感器中采集的实际生产过程数据经过数据清洗与数据预处理后得到预报模型的输入数据，将输入数据传输到所有终端服务器上，在每一个终端服务器上利用预报模型分别对产品的每一种质量指标进行预报，并将预报结果传送给用户；

步骤7：当该产品的生产过程结束后，在每一个终端服务器上，保持其对应的预报模型中参数集中的参数不变，其中i∈{1,2,…,w}，并利用该产品的实际生产过程数据对每一个预报模型中参数集中的参数进行实时校正，得到新的预报模型F_i^t，并替代此时终端服务器中原有的预报模型，利用预报模型F_i^t对之后的产品进行预报；所述实时校正为根据不同的工业领域以及建模算法采用不同的校正方法对参数集中的参数进行校正；

步骤8：将该产品的实际生产数据与质量指标数据一并存入到边缘端的历史数据库中；判断此时边缘端的历史数据库中所有的样本个数，若此时的样本个数小于n个，则转到步骤6中，继续对后续产品的质量指标进行预报；若此时的样本个数大于n个，则转到步骤9；

步骤9：从边缘端的历史数据库中提取n个产品的生产数据作为新的训练集d，在边缘端服务器上，针对预报模型库中的每一种预报模型，利用训练集d中的样本数据，对模型中的参数集进行实时校正，得到预报模型F_i^e，将校正后的所有预报模型组成新的预报模型库

步骤10：利用边缘端服务器，将F^e中的预报模型分别下放到对应的终端服务器上，并替代原有的预报模型；用户通过不同的终端服务器调用重新训练后的预报模型，对正在生产的产品数据进行新一轮的预报；并将边缘端数据库中的数据样本同步到云端数据库中，并清空边缘端数据库中的数据信息，将新一轮生产的产品数据存入到边缘端数据库中；

步骤11：判断此时云端数据库中的样本数量，判断云端数据库中的样本总数相比于S是否增长了N个样本，其中N大于n，若是，则返回到步骤4中，重新统计云端数据库中的样本总数S＝S+N，并重新训练F^c中的预报模型；若否，则返回到步骤6中，利用终端服务器上的预报模型对产品质量进行预报。

2.根据权利要求1所述的一种工业大数据环境下的产品质量端-边-云协同预报方法，其特征在于：所述步骤3的中参数集用来描述在一个大的批次内所生产的数据样本的变化规律；参数集用来描述在不同的小批次生产过程中数据样本的数据特征所发生的变化；参数集用来描述每一个数据样本中所包括的特有的数据特征；其中所述一个大的批次为工业生产过程中生产的产品数量为M个，将每一个大的批次分为r个小批次，每一个小的批次内生产的产品数量为m个。