[发明专利]用于在生产过程期间自动检测异常工件的数据驱动方法

权利要求书

1.一种用于在生产过程期间自动检测异常工件的数据驱动方法，

所述方法包括：

（a）针对生产过程的每个生产过程步骤计算目标工件的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本；

（b）使用经训练的异常检测数据模型通过对至少一个计算的偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理来实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p；和

（c）基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类为异常或非异常。

2.根据权利要求1所述的方法，其中，所述生产过程步骤的测量数据被记录为基于时间步长t和/或路径长度步长l的测量数据，所述基于时间步长t和/或路径长度步长l的测量数据具有每个目标工件和/或过程步骤不同数量的数据样本。

3.根据权利要求2所述的方法，其中，通过以下方式把记录的基于时间步长或路径长度的测量数据转换成基于三维路径长度的数据：将基于时间步长的测量数据投影在沿着在生产过程步骤期间所有工件的共有轨迹的路径长度L上。

4.根据权利要求3所述的方法，其中基于三维路径长度的数据由数据滤波器平滑，以提供目标工件的目标数据信号和参考工件的参考数据信号。

5.根据权利要求4所述的方法，其中通过以下方式来计算偏差数据信号：计算由数据滤波器输出的目标工件的平滑目标数据信号与信号均值之间的归一化欧几里德距离以及针对具有预定窗口尺寸的移动窗口记录的参考数据信号的标准偏差。

6.根据权利要求1至5中任一项所述的方法，其中通过使用计算的二元交叉熵损失优化异常检测数据模型的网络参数来最小化计算的异常概率的误差。

7.根据权利要求1至5中任一项所述的方法，其中，在包括所述过程步骤的运行中的生产过程期间实时实施异常工件和/或异常生产过程步骤的自动检测。

8.根据权利要求1至5中任一项所述的方法，其中，所述异常检测数据模型包括基于扩张卷积的数据模型。

9.根据权利要求1至5中任一项所述的方法，其中，所述异常检测数据模型包括递归神经网络RNN，特别是长期短期LSTM网络或门控递归单元GRU网络。

10.根据权利要求1至5中任一项所述的方法，

其中，如果目标工件和/或生产过程步骤被分类为异常，则针对用户的警告信号和/或针对生产机器的控制信号被自动生成。

11.一种质量控制系统（1），包括：

输入接口，被适配为接收由生产机器在生产过程中处理的目标工件的目标数据信号；

数据预处理单元（2），被适配为：针对生产过程的每个生产过程步骤计算接收的目标数据信号相对于针对一组参考工件的对应生产过程步骤记录的参考数据信号的至少一个偏差数据信号，其中偏差数据信号包括针对相应生产过程步骤的不同生产时间步长t或路径长度步长l的多个偏差数据样本；

异常检测单元（3），被适配为：使用经训练的异常检测数据模型通过对所述至少一个偏差数据信号和指示生产过程步骤的类型的过程类型指示符的数据处理实施逐步异常检测，以便针对生产过程步骤的每个时间步长t或路径长度步长l计算相应时间步长t或路径长度步长l是异常的异常概率p；

分类单元（4），被适配为：基于计算的生产过程步骤的时间步长t或路径长度步长l的异常概率p，把目标工件和/或生产过程步骤分类为异常或非异常；和

输出接口，被适配为：如果目标工件和/或生产过程步骤被分类单元分类为异常，则发出生成的警告信号和/或生成的控制信号。