[發明專利]一種基于邊緣計算的控制圖模式識別方法和系統

在審

• 申請號: 202110406474.6
• 申請日: 2021-04-15
• 公開（公告）號: CN113283471A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 昝濤;蘇自峰;陳德垠;馬志謙;王民;高相勝
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F30/27;G06F9/50;G06Q50/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王治東

本發明實施例提供一種基于邊緣計算的控制圖模式識別方法和系統，其方法包括：確定待識別的控制圖數據；將所述待識別的控制圖數據輸入至模式識別模型中，得到所述模式識別模型輸出的控制圖模式識別結果；其中，所述模式識別模型是基于樣本特征值及對應的采樣時刻訓練得到的；所述模式識別模型用于基于所述樣本特征值及對應的采樣時刻訓練后，對所述待識別的控制圖數據進行模式識別。本發明能夠實現控制圖的現場判別的高實時性和高效率以便快速定位異常。

技術領域

本發明涉及質量狀態監控技術領域，尤其涉及一種基于邊緣計算的控制圖模式識別方法和系統。

背景技術

產品的生產制造過程是一個受人員、機器、物料、加工方法、環境等多種因素影響的復雜非線性過程，作為統計過程控制的重要工具，控制圖在制造質量控制中起著重要作用，控制圖被廣泛用于監視加工過程是否處于受控狀態。如果只有隨機原因會影響制造過程，則認為制造過程是自然的或正常的,否則視為異常。傳統控制圖對于超出控制圖的邊界的異常較容易檢測，而對于在控制圖邊界內，但顯示不自然的圖形的異常卻難以識別，通常需要通過人工進行判斷，易受到人的經驗水平的影響。控制圖的判別對于及時發現生產異常，避免質量損失有重要的意義。目前常見的模式識別方法是基于BP神經網絡或者SVM支持向量機。BP神經網絡訓練速度慢、結構設計需要依靠個人經驗，不僅費時效率低，而且識別效果也不理想；SVM是一種二分類器，而控制圖模式識別屬于多分類問題，因此需要構建并訓練多個SVM模型才能完全識別所有模式。然而面對混合模式的情況就更復雜，具有很大的局限性，無法實現控制圖的現場判別的高實時性和高效率以快速定位異常的問題。

發明內容

本發明實施例提供一種基于邊緣計算的控制圖模式識別方法和系統，用以解決目前對控制圖模式識別存在無法實現控制圖的現場判別的高實時性和高效率以快速定位異常的問題。

第一方面，本發明實施例提供一種基于邊緣計算的控制圖模式識別方法，包括：

確定待識別的控制圖數據；

將所述待識別的控制圖數據輸入至模式識別模型中，得到所述模式識別模型輸出的控制圖模式識別結果；

其中，所述模式識別模型是基于樣本特征值及對應的采樣時刻訓練得到的；

所述模式識別模型用于基于所述樣本特征值及對應的采樣時刻訓練后，對所述待識別的控制圖數據進行模式識別。

優選地，所述模式識別模型設置于邊緣終端的控制圖判別系統中；

所述待識別的控制圖數據為通過邊緣終端實時采集到的生產現場控制圖數據。

優選地，所述模式識別模型是基于樣本特征值及對應的采樣時刻訓練得到的，包括：

將所述樣本特征值及對應的采樣時刻輸入至云端的深度學習神經網絡，得到控制圖模式表示；

通過對所述控制圖模式表示進行參數設定獲得控制圖模式的數據，以完成所述模式識別模型的訓練。

優選地，所述控制圖模式包括正常模式、向上趨勢模式、向下趨勢模式、向上階躍模式、向下階躍模式和周期模式；

所述正常模式表示公式為：

d(t)＝0；

所述向上趨勢模式和所述向下趨勢模式表示公式為：

d(t)＝±v×d×t；

式中，v是決定趨勢發生的位置的參數，在趨勢之前等于0，在趨勢之后等于1，d是趨勢模式的斜率，符號+用于向上趨勢模式，符號 -用于向下趨勢模式；

所述向上階躍模式和所述向下階躍模式表示公式為：

d(t)＝±v×s；