[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

说明书

本发明提供一种工业大数据环境下的产品质量端‑边‑云协同预报方法，涉及工业大数据处理与复杂工业智能建模技术领域。本方法是在云端服务器上利用工业大数据训练预报模型，同时在边缘端服务器以及终端服务器上不断地校正预报模型中的相关参数，使预报模型的结果更加精确，同时在终端服务器上对产品质量进行实时预报。本发明能够有效的利用生产过程中产生的实时数据，不断的修正预报模型中的参数，使得预报模型能够适应产品的实时变化，进而不断提高模型的预报精度，提高生产效益。

技术领域

本发明涉及工业大数据处理与复杂工业智能建模技术领域，尤其涉及一种工业大数据环境下的产品质量端-边-云协同预报方法。

背景技术

近些年来，随着人工智能在理论与技术方面发展的越来越成熟，大数据的应用也越来越广泛，并且在医学，电子信息，图像识别等领域取得了相对较成熟的结果。在复杂工业智能建模领域，工业大数据的应用也显得尤为重要，产品的质量是描述工业生产过程是否合格的一项重要指标。

尽管目前的智能建模算法能够有效的处理工业大数据中的高维数据，自动挖掘隐含在生产过程数据中的潜在特征，但是，传统的智能建模算法大多主要用于处理静态数据集，而难以应用到实时系统中，所建立的智能预报模型只能反映隐含在历史数据中的规律，无法随生产过程的微小变化而进行修正。

在实际的工业现场中，产品的生产数据会随生产的进行而不断的增多，如果能够随着生产过程的进行有效的利用实时产生的样本数据，挖掘生产过程中数据产生的微小变化，就可以不断的改善预报模型，进而提高模型精度。然而传统的智能建模方法在每次训练模型的过程中都需要大量的训练样本数据，并且训练速度较慢，无法做到对模型的实时更新。因此随着生产过程的推进，如何有效的应用生产过程中实时产生的数据样本，发掘生产过程中样本产生的微小变化，同时节约计算资源，节省时间是目前尚待解决的问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种工业大数据环境下的产品质量端-边-云协同预报方法，本发明能够有效的利用生产过程中产生的实时数据，不断的修正预报模型中的参数，使得预报模型能够适应产品的实时变化，进而不断提高模型的预报精度，提高生产效益。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种工业大数据环境下的产品质量端-边-云协同预报方法，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