[发明专利]基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统

权利要求书

1.一种基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，包括以下步骤：

(1)通过感知层实时采集智能生产线产品的数据并传输至边缘设备层和云计算中心层；所述的数据包括产量的质量以及对应的质量特性参数；

在云计算中心层，以产品的质量与质量特性参数构建质量特性选择规则，以筛选所述的数据用于构建训练集；

在云计算中心层，基于合成少数类过采样算法和自适应增强算法构建SMOTE-Adaboost预测模型，并采用所述的训练集进行训练，得到质量预测模型；

(2)将所述的质量特性选择规则和质量预测模型部署到边缘设备层；

(3)边缘设备层基于质量特性选择规则对智能生产线的实时产品数据进行筛选，采用所述的质量预测模型对筛选出的产品数据进行分类，实现实时地对产品的质量进行预测；

(4)对预测的产品质量标签进行标记并存储在边缘设备层中，当网络空闲时传输至云计算中心层，用于对质量预测模型进行训练更新；

(5)在云计算中心中，通过增量学习的方法定期对质量预测模型进行更新；

(6)当网络空闲时，将更新后的质量预测模型更新至边缘设备层中；

智能生产过程中，重复步骤(3)-(6)。

2.根据权利要求1所述的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，步骤(1)中，构建质量特性选择规则包括：通过互信息计算产品质量与质量特性参数的相关系数，筛选出相关系数大于设定阈值的质量特性参数。

3.根据权利要求2所述的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，通过互信息计算产品质量与质量特性参数的相关系数的公式为：

其中：X_i为第i个质量特性；Y为最终质量指标；X_i与Y两个随机变量的联合分布为p(x，y)；p(x)与p(y)分别为变量X_i与Y的概率分布。

4.根据权利要求1所述的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，所述的SMOTE-Adaboost预测模型表示为：

M＝SMOTE-Adaboost(k，m，v)

其中：k表示SMOTE中所选样本的最近邻居数；m表示Adaboost中决策树的个数；v表示Adaboost中的正则化系数。

5.根据权利要求4所述的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，步骤(1)中，采用所述的数据集对SMOTE-Adaboost预测模型进行训练包括：以获取最大AUC评分为优选目标，联合优化SMOTE-Adaboost预测模型中的超参数，公式描述为：

式中：y_i表示真实的质量标签；表示预测的质量标签；SMOTE-Adaboost(k，m，v|D_1：t)表示质量预测函数；G(k，m，v|D_1：t)为决策变量为k，m，v的非解析函数；L为AUC评分公式；D_1：t为测试集中从第一个到第t个数据；k_min，k_max，m_min，m_max，v_min，v_max分别为的超参数k，m，v优化区间的最小值和最大值。

6.根据权利要求5所述的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，AUC评分公式为：

式中：rank(i)表示数据集中正样本i的排序编号；M表示数据集中正样本的个数；N为数据集中负样本的个数。

7.根据权利要求5所述的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，其特征在于，基于网格搜索法对SMOTE-Adaboost预测模型中的超参数进行寻优。

8.一种基于云边协同计算的智能生产线产品质量低延迟集成预测系统，其特征在于，包括：

感知层，通过数据采集终端实时采集智能生产线产品的数据，并传输至边缘设备层和云计算中心层；

边缘设备层，对感知层采集的生产数据进行预处理及实时分析，与云计算中心层进行数据传输；

云计算中心层，对边缘设备层的数据进行存储，根据边缘设备层的数据对预测模型进行训练和更新；

应用服务层，根据边缘设备层收集的数据通过云计算中心层的资源提供产品质量管理、车间设备管理、车间资源调度多种智能信息服务；

所述的智能生产线产品质量低延迟集成预测系统根据权利要求1-7任一项所述的智能生产线产品质量低延迟集成预测方法对产品质量进行预测。