[发明专利]一种基于边缘计算的控制图模式识别方法和系统

说明书

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。

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；