[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

说明书

本发明公开了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和系统，方法包括：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；构建质量特性选择规则；基于合成少数类过采样算法和自适应增强算法构建SMOTE‑Adaboost预测模型并训练，得到质量预测模型并部署到边缘设备层；边缘设备层基于质量特性选择规则对实时产品数据进行筛选，通过质量预测模型对筛选出的产品数据进行分类；对预测的产品质量标签进行标记并传输至云计算中心层，定期对质量预测模型进行更新；定期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，重复以上步骤。本发明的方法可以很好地处理质量预测中的质量标签不平衡问题。

技术领域

本发明涉及工业互联网领域，尤其涉及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和系统。

背景技术

随着工业物联网、云计算、物联网和人工智能的迅猛发展，在智能工厂中催生了很多智能信息服务。其中一个重要的服务是帮助工厂管理人员预测装配产品的质量。现代工业场景中，产品的质量是企业的核心，如何提升产品质量水平就显得尤为重要。随着现代智能工厂自动化和信息化水平的提升，制造过程中的数据不断的被采集和利用，形成生产大数据。这些数据不仅规模巨大，而且不断产生于各类边缘侧生产设备。如何集成运用这些生产大数据，快速可靠预测出产品的最终质量，已经成为智能制造发展迫切需要突破的一个关键技术点。

数据驱动的产品质量预测方法主要以BP神经网络、支持向量机等机器算法为主。在实际的工厂实践中，应用上述方法需要提前收集海量的生产线数据训练质量预测模型，然后将训练好的质量预测模型部署到云计算中心，使用这种方法对新的产品进行质量预测时还需要将数据上传到云计算中心存在延迟，对于生产节拍要求较快的产品无法满足现代工业生产实时性的要求。

在实际的生产线中，除了上述所提及的数据分散、算力不均、反馈时敏等问题，在质量预测问题还会出现不平衡数据问题，即在某些生产场景中，由于合格产品的数量远远大于不合格产品的数量，这样就会导致装配质量预测问题转变成不平衡数据分类问题。

在不平衡数据集的分类问题中，由于某一类或某几类样本数量相对较少，标准的分类器会倾向于数量多的类别，导致少数类样本在分类过程中容易被误分。合成少数类过采样技术(Synthetic Minority Oversampling Technique，SMOTE)是一种典型的处理不平衡数据方法，通过合成少数类样本来平衡数据集各类样本的分布，能够有效地改善数据集的不平衡分布，从而提高不平衡数据集的分类精度。但SMOTE采样方法将所有的少数类样本都用来合成新样本，存在一定的盲目性。

自适应增强算法(adaptive boosting，Adaboost)是基于boosting框架的集成学习算法，该算法更加关注分类错误样本，通过迭代提高模型的预测性能。

已有的不平衡数据分类问题中，大多数研究侧重对分类模型中的超参数优化，而忽略SMOTE算法中的超参数对分类性能的影响。

边缘计算是一种新型的分布式计算方法，已广泛应用于智慧城市、智慧医疗等工业领域。与云计算相比，边缘计算可以保证更短的响应时间和更高的可靠性。

发明内容

针对生产线产品质量预测存在数据分散、反馈延迟等问题，本发明提供了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，可以很好地处理质量预测中的质量标签不平衡问题。

本发明的技术方案如下：

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，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数据集；