一种基于边缘计算的控制图模式识别方法和系统

摘要

本发明实施例提供一种基于边缘计算的控制图模式识别方法和系统，其方法包括：确定待识别的控制图数据；将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。本发明能够实现控制图的现场判别的高实时性和高效率以便快速定位异常。

说明书

技术领域

本发明涉及质量状态监控技术领域，尤其涉及一种基于边缘计算的控制图模式识别方法和系统。

背景技术

产品的生产制造过程是一个受人员、机器、物料、加工方法、环境等多种因素影响的复杂非线性过程，作为统计过程控制的重要工具，控制图在制造质量控制中起着重要作用，控制图被广泛用于监视加工过程是否处于受控状态。如果只有随机原因会影响制造过程，则认为制造过程是自然的或正常的,否则视为异常。传统控制图对于超出控制图的边界的异常较容易检测，而对于在控制图边界内，但显示不自然的图形的异常却难以识别，通常需要通过人工进行判断，易受到人的经验水平的影响。控制图的判别对于及时发现生产异常，避免质量损失有重要的意义。目前常见的模式识别方法是基于BP神经网络或者SVM支持向量机。BP神经网络训练速度慢、结构设计需要依靠个人经验，不仅费时效率低，而且识别效果也不理想；SVM是一种二分类器，而控制图模式识别属于多分类问题，因此需要构建并训练多个SVM模型才能完全识别所有模式。然而面对混合模式的情况就更复杂，具有很大的局限性，无法实现控制图的现场判别的高实时性和高效率以快速定位异常的问题。

发明内容

本发明实施例提供一种基于边缘计算的控制图模式识别方法和系统，用以解决目前对控制图模式识别存在无法实现控制图的现场判别的高实时性和高效率以快速定位异常的问题。

第一方面，本发明实施例提供一种基于边缘计算的控制图模式识别方法，包括：

确定待识别的控制图数据；

将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；

其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；

所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

优选地，所述模式识别模型设置于边缘终端的控制图判别系统中；

所述待识别的控制图数据为通过边缘终端实时采集到的生产现场控制图数据。

优选地，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的，包括：

将所述样本特征值及对应的采样时刻输入至云端的深度学习神经网络，得到控制图模式表示；

通过对所述控制图模式表示进行参数设定获得控制图模式的数据，以完成所述模式识别模型的训练。

优选地，所述控制图模式包括正常模式、向上趋势模式、向下趋势模式、向上阶跃模式、向下阶跃模式和周期模式；

所述正常模式表示公式为：

d(t)＝0；

所述向上趋势模式和所述向下趋势模式表示公式为：

d(t)＝±v×d×t；

式中，v是决定趋势发生的位置的参数，在趋势之前等于0，在趋势之后等于1，d是趋势模式的斜率，符号+用于向上趋势模式，符号 -用于向下趋势模式；

所述向上阶跃模式和所述向下阶跃模式表示公式为：

d(t)＝±v×s；

式中，v是决定阶跃发生的位置的参数，在阶跃之前等于0，在阶跃之后等于1，s是阶跃的幅值；符号+用于向上阶跃模式，符号-用于向下阶跃模式；

所述周期模式表示公式为：

d(t)＝v×a×sin(2πt/ω)；

式中，a是一个周期幅值，ω是一个波动周期。

优选地，所述样本特征值及对应的采样时刻为采用蒙特卡洛仿真生成的生产现场控制图模拟仿真数据，其公式表示为：

y(t)＝μ+x(t)+d(t)；

式中：y(t)表示在时刻t采集到的样本特征值，t是采样时刻，μ是过程受控时的特征均值，x(t)是在t时刻随机噪声，服从正态分布 x(t)～N(0，σ

优选地，将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果之后，还包括：

根据所述控制图模式识别结果判别异常，对异常进行提示报警并根据异常模式采取相应措施。

第二方面，本发明实施例提供一种基于边缘计算的控制图模式识别系统，包括数据确定单元和模式识别单元；

所述数据确定单元，用于确定待识别的控制图数据；

所述模式识别单元，用于将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；

其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；

所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

优选地，所述模式识别单元包括所述模式识别模型，所述模式识别模型设置于边缘终端的控制图判别系统中；

所述边缘终端，用于实时采集生产现场控制图数据，以得到所述待识别的控制图数据。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所提供的任一项所述基于边缘计算的控制图模式识别方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所提供的任一项所述基于边缘计算的控制图模式识别方法的步骤。

本发明实施例提供的一种基于边缘计算的控制图模式识别方法和系统，通过将待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的，实现了控制图的现场判别的高实时性和高效率以便快速定位异常。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于边缘计算的控制图模式识别方法的流程示意图；

图2是本发明提供的控制图异常判别系统界面图；

图3是本发明提供的模式识别模型的训练流程示意图；

图4是本发明提供的控制图模式示意图；

图5是本发明提供的基于边缘计算的控制图模式识别系统的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1-图6描述本发明提供的一种基于边缘计算的控制图模式识别方法和系统。

本发明实施例提供了一种基于边缘计算的控制图模式识别方法。图1为本发明实施例提供的基于边缘计算的控制图模式识别方法的流程示意图，如图1所示，该方法包括：

步骤110，确定待识别的控制图数据；

具体地，在边缘终端上利用边缘计算技术实现对生产现场实时采集得到的控制图数据。

步骤120，将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；

其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；

所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

本发明实施例提供的方法，通过控制图的训练样本数据训练云端的深度学习神经网络得到模式识别模型，将生产现场实时采集的控制图数据输入训练得到的所述模式识别模型进行模式识别，从而解决了目前对控制图模式识别存在无法实现控制图的现场判别的高实时性和高效率以快速定位异常的问题。

基于上述任一实施例，所述模式识别模型设置于边缘终端的控制图判别系统中，如图2所示的控制图异常判别系统界面；

具体地，将得到的模式识别模型传输到搭建好控制图异常判别系统的边缘终端，边缘终端将其应用于控制图数据模式识别。具体来说，首先，将得到的模式识别模型传输到边缘终端；然后，在边缘终端搭建控制图异常判别系统；最后，边缘终端将模式识别模型应用于控制图模式识别。

所述待识别的控制图数据为通过边缘终端实时采集到的生产现场控制图数据。

具体地，在边缘终端上利用边缘计算技术对生产现场控制图数据实现实时采集、传输以及识别，同时可以将数据传输到云端实现增量学习。

基于上述任一实施例，如图3所示，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的，包括：

步骤310，将所述样本特征值及对应的采样时刻输入至云端的深度学习神经网络，得到控制图模式表示；

步骤320，通过对所述控制图模式表示进行参数设定获得控制图模式的数据，以完成所述模式识别模型的训练。

具体地，将控制图训练样本数据传输到云端，在搭建好深度学习神经网络的云端进行训练得到控制图模式识别模型，采用的深度学习神经网络是卷积神经网络：

首先，将控制图训练样本数据传输到云端的卷积神经网路中；

然后，设定特征图D的数量以及卷积核ω大小，将输入数据信号输入到第一个卷积层，卷积层的权值和偏置被组织成一系列卷积核 (滤波器)，前一层特征图与卷积核进行卷积运算并产生相应的输出特征图。其中，卷积核将以固定的步长遍历整个输入特征图；卷积层的每个输出特征图是多个输入特征图和多个卷积核卷积的结果，该过程的计算方法为：

式中：*代表卷积运算，l代表当前网络层的序列号，D是特征图的数量，ω

f(x)

第l卷积层的特征图的大小是R

R

式中：s是卷积核的移动步长，在子采样层中，完成了下采样，因此快速减少特征图的维数，子采样层表示为：

式中：l代表当前网络层的序列号，D代表输入特征图的数量，

其次，将卷积层的输出作为池化层的输入，池化方法是最大池化和平均池化；在最大池化中，将池化区域中的最大值作为新特征，而在平均池化中，将池化区域中的平均值作为新特征；第l个子采样层的输出子采样图的大小为R

R

式中：u是池化操作的步长；

再次，输入数据信号经过三层卷积和三层池化之后，特征图在第一个完全连接的层中展开并拼接在一起，神经元的数量为M，代表卷积神经网络提取的M个特征；M的计算公式为：

M＝R

全连接层中的神经元与上一层中的所有神经元都具有完整连接，就像在常规神经网络中一样；因此，通过矩阵乘法后加上偏置来计算：

o＝f(ω

式中：f

最后，卷积神经网络的最后一层是输出层，其中包含N个神经元，代表识别的模式类型的数量，N为6，对应六种控制图模式。

基于上述任一实施例，如图4所示，所述控制图模式包括正常模式、向上趋势模式、向下趋势模式、向上阶跃模式、向下阶跃模式和周期模式；

所述正常模式表示公式为：

d(t)＝0；

所述向上趋势模式和所述向下趋势模式表示公式为：

d(t)＝±v×d×t；

式中，v是决定趋势发生的位置的参数，在趋势之前等于0，在趋势之后等于1，d是趋势模式的斜率，符号+用于向上趋势模式，符号 -用于向下趋势模式；

所述向上阶跃模式和所述向下阶跃模式表示公式为：

d(t)＝±v×s；

式中，v是决定阶跃发生的位置的参数，在阶跃之前等于0，在阶跃之后等于1，s是阶跃的幅值；符号+用于向上阶跃模式，符号-用于向下阶跃模式；

所述周期模式表示公式为：

d(t)＝v×a×sin(2πt/ω)；

式中，a是一个周期幅值，ω是一个波动周期。

需要说明的是，上述六种模式的表示方法，通过设定各参数取值，从而得到六种控制图模式的数据。

基于上述任一实施例，所述样本特征值及对应的采样时刻为采用蒙特卡洛仿真生成的生产现场控制图模拟仿真数据，其公式表示为：

y(t)＝μ+x(t)+d(t)；

式中：y(t)表示在时刻t采集到的样本特征值，t是采样时刻，μ是过程受控时的特征均值，x(t)是在t时刻随机噪声，服从正态分布 x(t)～N(0，σ

需要说明的是，在很多情况下企业一般没有积累和存储模型训练所需要的各种类型的、大量的样本数据，如果选择使用过程现场数据，需要长时间的采集记录，导致企业在人员、设备以及时间上的成本大大增加，在现有条件下很难实现，而使用蒙特卡洛仿真方法生成所需的控制图的模拟仿真数据，会给模型训练工作带来很大的便利。

基于上述任一实施例，将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果之后，还包括：

根据所述控制图模式识别结果判别异常，对异常进行提示报警并根据异常模式采取相应措施。

具体地，根据得到的模式识别结果查找可能的异常原因，对异常进行提示报警，最终云端的训练结果可以共享给多个边缘终端使用，实现资源共享。结合图2所示的控制图异常判别系统界面，根据控制图模式识别结果给出了相应的异常显示以及模式判定。

当出现异常时根据异常的具体模式采取相应的措施：

正常模式表明当前生产过程受控，处于稳定状态；

向上趋势模式的出现说明当前操作者工作能力出现下降，或者机床夹具变得松弛；

向下趋势模式则意味着操作人员得到了更好的培训，工作能力得到了提高；

向上阶跃模式是由于生产中的突变因素导致的；

向下阶跃模式表明由于机器设置或材料的突然变化；

周期模式是由于机床功率的波动，电源的周期性变化以及测量工具规格的交替或者操作者定期的轮换的周期性的影响。

综述，为实现本发明技术目的所采用的技术方案包括以下步骤：

步骤1，使用蒙特卡洛仿真方法生成控制图的模拟仿真数据；

步骤2，将步骤1得到的控制图数据作为训练样本传输到云端，在搭建好深度学习神经网络的云端进行训练得到控制图模式识别模型；

步骤3，将步骤2得到的模式识别模型传输到搭建好控制图异常判别系统的边缘终端，边缘终端将其应用于控制图数据模式识别；

步骤4，将步骤3中的边缘终端利用边缘计算技术对生产现场控制图数据实现实时采集、传输以及识别，同时可以将数据传输到云端实现增量学习；

步骤5，根据步骤4得到的模式识别结果查找可能的异常原因，对异常进行提示报警，最终云端的训练结果可以共享给多个边缘终端使用，实现资源共享。

与现有技术相比，本发明技术方案的有益效果如下：

本发明实施例提供的一种基于边缘计算的控制图模式识别方法，通过使用蒙特卡洛仿真方法生成控制图的模拟仿真数据，将得到的控制图数据传输到云端，并在云端建立用于控制图判别的深度学习神经网络，将控制图数据输入到神经网络中进行训练，得到判别模型，用于实际生产现场中控制图的判别和生产监控。

经过分析以上步骤总结出本发明的优异效果如下：

第一，针对现有的控制图判别方法基本都是在PC端完成，系统整体的稳定性以及实时性较差，本发明利用边缘计算技术在边缘终端实现对控制图的模式识别，可以实现多个边缘终端共享一个云端进行控制图模式识别，同时具有成本以及现场实时识别的独特优势；

第二，本发明提出将深度学习神经网络运用于控制图模式识别，利用卷积神经网络其无需手动提取特征的特点，使得模型的训练和识别速度更快，收敛速度和迭代时间明显优于传统的识别方法，准确率也有所提高；

第三，由于深度学习并行加速计算的普及，该方法在模型训练和应用上效率更高，更能适应未来大数据环境下快速生产的需求，避免了人工依靠经验所带来的不确定性，有助于提高企业质量管理的自动化和智能水平，可以监控生产过程的运行情况，帮助企业更好的识别异常，更快的查明异常发生的原因，有助于企业质量损失的降低和经济效益的提高。

下面对本发明提供的一种基于边缘计算的控制图模式识别系统进行描述，下文描述的与上文描述的一种基于边缘计算的控制图模式识别方法可相互对应参照。

图5为本发明实施例提供的一种基于边缘计算的控制图模式识别系统的结构示意图，如图5所示，该系统包括数据确定单元510和模式识别单元520；

所述数据确定单元510，用于确定待识别的控制图数据；

所述模式识别单元520，用于将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；

其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；

所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

本发明实施例提供的系统，通过控制图的训练样本数据训练云端的深度学习神经网络得到模式识别模型，将生产现场实时采集的控制图数据输入训练得到的所述模式识别模型进行模式识别，从而解决了目前对控制图模式识别存在无法实现控制图的现场判别的高实时性和高效率以快速定位异常的问题。

基于上述任一实施例，所述模式识别单元包括所述模式识别模型，所述模式识别模型设置于边缘终端的控制图判别系统中；

所述边缘终端，用于实时采集生产现场控制图数据，以得到所述待识别的控制图数据。

基于上述任一实施例，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的，包括：

将所述样本特征值及对应的采样时刻输入至云端的深度学习神经网络，得到控制图模式表示；

通过对所述控制图模式表示进行参数设定获得控制图模式的数据，以完成所述模式识别模型的训练。

基于上述任一实施例，所述控制图模式包括正常模式、向上趋势模式、向下趋势模式、向上阶跃模式、向下阶跃模式和周期模式；

所述正常模式表示公式为：

d(t)＝0；

所述向上趋势模式和所述向下趋势模式表示公式为：

d(t)＝±v×d×t；

式中，v是决定趋势发生的位置的参数，在趋势之前等于0，在趋势之后等于1，d是趋势模式的斜率，符号+用于向上趋势模式，符号 -用于向下趋势模式；

所述向上阶跃模式和所述向下阶跃模式表示公式为：

d(t)＝±v×s；

式中，v是决定阶跃发生的位置的参数，在阶跃之前等于0，在阶跃之后等于1，s是阶跃的幅值；符号+用于向上阶跃模式，符号-用于向下阶跃模式；

所述周期模式表示公式为：

d(t)＝v×a×sin(2πt/ω)；

式中，a是一个周期幅值，ω是一个波动周期。

基于上述任一实施例，所述样本特征值及对应的采样时刻为采用蒙特卡洛仿真生成的生产现场控制图模拟仿真数据，其公式表示为：

y(t)＝μ+x(t)+d(t)；

式中：y(t)表示在时刻t采集到的样本特征值，t是采样时刻，μ是过程受控时的特征均值，x(t)是在t时刻随机噪声，服从正态分布 x(t)～N(0，σ

基于上述任一实施例，该系统还包括异常判别及处理单元，用于根据所述控制图模式识别结果判别异常，对异常进行提示报警并根据异常模式采取相应措施。

图6为本发明实施例提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基于边缘计算的控制图模式识别方法，该方法包括：确定待识别的控制图数据；将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于边缘计算的控制图模式识别方法，该方法包括：确定待识别的控制图数据；将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于边缘计算的控制图模式识别方法，该方法包括：确定待识别的控制图数据；将所述待识别的控制图数据输入至模式识别模型中，得到所述模式识别模型输出的控制图模式识别结果；其中，所述模式识别模型是基于样本特征值及对应的采样时刻训练得到的；所述模式识别模型用于基于所述样本特征值及对应的采样时刻训练后，对所述待识别的控制图数据进行模式识别。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。