设备生产质量检测的方法、系统、电子装置和存储介质

技术领域

本申请涉及质量检测领域，特别是涉及生产设备的检测和生产产品的检测。

背景技术

在生产制造行业，为提高生产效率和质量，企业会对生产行为进行监控检测，以达到监测生产设备是否损坏、产品质量是否合格等目的。

当前，企业采用的监测方式主要有两种，一是定时物理抽查检测，二是借助于生产数据的智能检测。其中，物理检测的主要流程为每隔固定时间抽检一定数量的产品进行破坏性测试，如若合格，则继续生产，如若不合格，则需调整机器参数并再次确保合格后才能继续生产。可以发现，这种传统的物理检测方法有着耗时长、破坏性大、不连续性等问题，因此，采用这种方法很可能导致产品质量检测不及时，从而产生大量次品和巨额经济损失，更严重的是，未及时发现的次品会在下一级成品使用过程中发生严重安全事故。对于依赖数据进行智能判断的智能检测，由于其用于智能判断的数据主要来源于工业生产设备在实际生产过程中会产生的数据，如功率、电流、电压、频率，温度等。而这些涉及到数据的实时收集、存储、打标签，建模、部署、模型调优、设备指令控制等一系列流程，流程复杂，成本也较高。因此，在多数情况下，企业没有足够的人力物力去搭建一套完整的智能检测系统。

目前针对上述相关技术中存在的工业生产质量检测成本高、效率低、准确率不高的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种设备生产质量检测的方法、系统、电子装置和存储介质，以至少解决相关技术中存在的工业生产质量检测成本高、效率低、准确率不高的问题。

第一方面，本申请实施例提供了一种设备生产质量检测的方法，所述方法包括：

获取实时生产数据，并根据实际生产需求从所述实时生产数据中选取预设时间段内的数据；

根据所述预设时间段内的数据，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线；

将生产设备实时产生的数据导入生产检测模型中，通过所述生产检测模型中的所述标准曲线对导入的生产数据进行检测识别，判断生产质量是否达到合格标准。

在其中一些实施例中，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线包括：

获取预设时间段内的无标签实时样本数据；

通过自定义聚类分析算法对所述无标签实时样本数据进行学习分类，得到不同簇群的特征，并根据不同簇群的特征信息，通过相关性分类算法对生产过程中的实时数据曲线进行自动分类，识别区分合格曲线和不合格曲线；

自动剔除不合格曲线，并根据所述合格曲线拟合得到标准曲线。

在其中一些实施例中，通过所述生产检测模型中的所述标准曲线对导入的生产数据进行检测识别包括：

根据生产设备实时产生的数据生成生产曲线，将所述生产曲线与所述生产检测模型中的标准曲线从多个维度进行对比分析，并根据各个维度划分的等级，判断当前生产质量等级。

在其中一些实施例中，在所述生产检测模型达到预设的更新参数值后，自动触发模型更新指令，根据所述模型更新指令更新当前的生产检测模型，得到适用于当前生产环境的新模型。

在其中一些实施例中，在构建所述生产检测模型时，所述方法包括：

生成多个可选模型；

根据当前生产数据从所述多个可选模型中选取最佳模型，并将所述模型的输入输出数据和模型版本存储到模型库中，用于未来的模型优化和产品质量追踪。

在其中一些实施例中，在获取实时生产数据之前，所述方法包括：

通过数据采集器采集生产设备产生的实时生产数据，并将所述实时生产数据实时存储到数据库中。

第二方面，本申请实施例提供了一种设备生产质量检测的系统，所述系统包括：

获取模块，用于获取实时生产数据，并根据实际生产需求从所述实时生产数据中选取预设时间段内的数据；

构建模块，用于根据所述预设时间段内的数据，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线；

检测模块，用于将生产设备实时产生的数据导入生产检测模型中，通过所述生产检测模型中的所述标准曲线对导入的生产数据进行检测识别，判断生产质量是否达到合格标准。

在其中一些实施例中，所述构建模块，还用于获取预设时间段内的无标签实时样本数据，

通过自定义聚类分析算法对所述无标签实时样本数据进行学习分类，得到不同簇群的特征，并根据不同簇群的特征信息，通过相关性分类算法对生产过程中的实时数据曲线进行自动分类，识别区分合格曲线和不合格曲线，

自动剔除不合格曲线，并根据所述合格曲线拟合得到标准曲线。

第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。

第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的方法。

相比于相关技术，本申请实施例提供的设备生产质量检测的方法，获取实时生产数据，并根据实际生产需求从实时生产数据中选取预设时间段内的数据；根据预设时间段内的数据，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线；将生产设备实时产生的数据导入生产检测模型中，通过生产检测模型中的标准曲线对导入的生产数据进行检测识别，判断生产质量是否达到合格标准。

通过本申请能构建一种能达到工业产线标准的智能质量检测系统，该系统与生产设备匹配的数据采集模块和工控质检终端程序结合，打通数据实时收集、建模、部署、调优、生产设备控制等一整套自动化流程，不仅很好地满足了企业自动全量在线质量检测的需求，也让为每台设备进行个性化建模成为可能。为工业制造企业和智能设备厂商实现在线实时质量检测提供了准确率高、实施难度小、成本较低的系统性方案。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的设备生产质量检测的方法的流程图；

图2是根据本申请实施例的产品生产曲线示意图；

图3是根据本申请实施例的模型标准曲线示意图；

图4是根据本申请实施例的曲线对比示意图；

图5是根据本申请实施例的设备生产质量检测的系统的结构框图；

图6是根据本申请实施例的电子设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

目前，在生产质量检测的相关技术中存在了如下问题：

第一，在建模流程中，开发人员首先会采集大量的样本数据，然后对每条样本数据进行标注，再以此作为训练数据建立模型。然而，通过这种方式建立的模型通常准确度较低。因为每个生产设备都有其独特的物理特征，每个设备间的生产环境和能源供给也有细微的差异，如果用某个设备在某个生产环境下产生的数据建立模型，那么该模型并不能精确适用于其他设备生产质量的监测。

第二，很多情况下，肉眼无法识别产品是否合格，因此，在实际生产过程中，需要通过破坏性实验，即在产品上打标签的方式，进行识别确认。而对大量的产品进行破坏性实验，消耗的成本过于巨大，效率也比较低。

因此，针对上述存在的问题，本实施例提供了一种设备生产质量检测的方法，图1是根据本申请实施例的设备生产质量检测的方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，获取实时生产数据，并根据实际生产需求从实时生产数据中选取预设时间段内的数据。

优选的，通过特定的数据采集器采集生产设备产生的实时生产数据，并将该生产数据实时存储到数据库中。其中，该数据库具有存储灵活、计算快捷等优点，无论是多维度数据，还是一秒内产生数万个点的高频数据，该数据库都能快速存取，为后续的建模、判别及模型的更新优化提供数据支持。

获取实时生产数据后，根据当前的实际生产需求从实时生产数据中选取预设时间段内的数据量N作为训练样本进行个性化建模。本实施例中以一个小时内生产设备产生的数据量为最优选，例如，设备一个小时产生200条数据，则N取200。这意味着只需获取设备生产一个小时的数据量即可建立模型，基本满足实际工业生产流程中对于时效性的要求。

步骤S102，根据预设时间段内的数据，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线；

本实施例中，根据步骤S101中选取的预设时间段内的生产数据，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线。具体步骤包括：

S1、获取预设时间段内的无标签实时样本数据，其中，这里的无标签是指训练样本数据并没有进行标注，具体信息是未知的。

S2、通过自定义聚类分析算法对无标签实时样本数据进行学习分类，发现样本数据间的内在性质和规律，从而确定不同簇群的特征，需要说明的是，本步骤中采用的自定义聚类分析算法引用自公开号为CN115496151A的专利文本。

S3、根据不同簇群的特征信息，通过相关性分类算法对生产过程中的实时数据曲线进行自动分类，识别区分合格曲线和不合格曲线。其中，相关性分类算法是基于相关系数来研究变量之间的相关程度，由于研究对象的不同，相关系数有多种定义方式，优选的，本实施例中的是皮尔逊相关系数，具体的计算公式如下式(1)所示：

其中，r表示相关系数，X和Y分别表示两个变量，X

需要说明的是，r值的绝对值介于0和1之间，一般来说变量之间的相关系数在0.8-1之间则为极强相关，在0.6-0.8之间为强相关，在0.4-0.6之间为中等相关，在0.2-0.4之间为弱相关，在0-0.2之间为极弱相关或无相关。

本实施例根据曲线间的相关性强弱对实时数据曲线进行自动分类，从而识别出合格曲线与不合格曲线。

S4、自动剔除不合格曲线，对合格曲线进行进一步拟合，得到标准曲线，用作后续的生产曲线判别。需要说明的是，模型中包括一条或若干条标准曲线。

本实施例中不仅采用边生产、边采集、边建模的方式，实现个性化在线建模，解决现有技术中构建的模型检测准确率低的问题，而且还通过设计的无标签自动分类算法，解决了现有技术中需要预先打标签的技术难题。有效提高了设备生产质量检测的准确率、效率和成本。

步骤S103，将生产设备实时产生的数据导入生产检测模型中，通过生产检测模型中的标准曲线对导入的生产数据进行检测识别，判断生产质量是否达到合格标准。

通过上述步骤生成得到生产检测模型后，生产设备实时将每次生产的数据传送给检测模型，通过模型将生产设备实时产生的生产曲线与生产检测模型中的标准曲线从多个维度进行对比分析，例如相关性、峰值功率、曲线下方包含的面积以及两条曲线的未重叠部分的面积差异等，并根据各个维度划分的差异等级，对应产品的质量等级，从而可以实时判断该次生产的产品质量是否合格。需要说明的是，检测模型判断的响应时间通常在半秒以内。

通过上述步骤S101至步骤S103，本实施例设计了一整套完备的智能质量检测系统，打通了包含数据实时收集、存储、建模、部署、调优、指令自动控制等完整链路，解决了在数据采集、数据存储、数据标记、在线模型建立等方面长期困扰企业的痛点，满足了企业对设备生产质量检测的准确性、时效性、可操作性的要求，有效助力企业在质量检测领域智能化程度不断加深。

在其中一些实施例中，在生产检测模型达到预设的更新参数值后，会自动触发模型更新指令，并根据模型更新指令更新当前的生产检测模型，得到适用于当前生产环境的新模型。其中，预设的更新参数值包括：模型使用时间、设备生产次数，设备配置参数的变动等。

相比于现有技术中固定不变的通用模型，本实施例中设计了模型自动调整机制，当设备因生产环境变化或设备本身变化导致原先模型适应性降低时，会自动触发模型自适应调整机制，从而匹配新的生产环境或设备本身的变化。解决了设备因生产环境变化或设备本身变化，需要重新建模的技术难题。有效提高了模型检测的准确度。

在其中一些实施例中，在构建生产检测模型时，会生成多个可选模型；此时，根据当前生产数据从多个可选模型中选取最佳模型，并将该模型的输入输出数据和模型版本存储到模型库中，用于未来的模型优化和产品质量追踪。

图2是根据本申请实施例的产品生产曲线示意图，图3是根据本申请实施例的模型标准曲线示意图，图4是根据本申请实施例的曲线对比示意图。下面以车床加工质量检测为例，具体说明上述一种设备生产质量检测方法的实际应用过程：

首先采集车床电机的主轴数据，比如负载，电流，扭矩等实时生产数据，通过这些数据可以生成每次生产加工时的生产曲线，如图2所示。在实时采集了一定量的样本数据之后，根据这些样本数据进行个性化建模，期间，模型会根据无标签自动分类算法把图2中的生产曲线分为合格和不合格两类，比如，图2中的红色曲线严重偏离，会被归为不合格类，而其他曲线会归为合格类，对保留的合格曲线会进行拟合，从而得出一条标准曲线，如图3所示。

通过上述过程建立模型之后，就进入判别流程，将后续车床产生的生产曲线与模型中的标准曲线进行比对识别，从而判断生产的产品合格与否。如图4所示，曲线1是标准曲线，曲线2是某一次加工生产产生的曲线，从图中可以看出，曲线2与曲线1的差异已经远超出模型设定的合格范围，故可以判定曲线2对应的产品件不合格。

当模型使用若干次数或者一定时间之后，具体值根据不同设备生产特征而定，系统会自动触发模型自动更新机制，重新计算新的标准曲线和参数，以适应生产系统发生的变化。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例还提供了一种设备生产质量检测的系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图5是根据本申请实施例的设备生产质量检测的系统的结构框图，如图4所示，该系统包括获取模块51、构建模块52和检测模块53：

获取模块51，用于获取实时生产数据，并根据实际生产需求从实时生产数据中选取预设时间段内的数据；构建模块52，用于根据预设时间段内的数据，通过无标签自动分类算法构建实时生产检测模型，并得到标准曲线；检测模块53，用于将生产设备实时产生的数据导入生产检测模型中，通过生产检测模型中的标准曲线对导入的生产数据进行检测识别，判断生产质量是否达到合格标准。

通过上述系统，本实施例通过获取模块51和构建模块52不仅采用边生产、边采集、边建模的方式，实现个性化在线建模，解决现有技术中构建的模型检测准确率低的问题，而且还通过设计的无标签自动分类算法，解决了现有技术中需要预先打标签的技术难题。有效提高了设备生产质量检测的准确率、效率和成本。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

此外，需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

另外，结合上述实施例中的设备生产质量检测的方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种设备生产质量检测的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备生产质量检测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，图6是根据本申请实施例的电子设备的内部结构示意图，如图6所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种设备生产质量检测的方法，数据库用于存储数据。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。