一种工厂产品一次校验合格率预测方法、装置及介质与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及质量与预测技术领域，具体为一种工厂产品一次校验合格率预测方法、装置及介质。背景技术：2.当前，产品及其重要部件的一次交验合格率是工厂关注的重要指标。现有技术无法做到提前预测产品及其重要部件的一次交验合格率，只能在时候进行统计分析，一旦问题发生，无法及时补救，会带来巨大的成本和经济损失。3.如果能够对成品及其重要部件的一次交验合格率进行预测及预警则对产品的生产制造过程管控大有帮助，也可以提前预知质量问题的发生，以减少质量问题所带来的成本和经济损失，目前此方向还未有成熟的技术来进行精确的预测预警。技术实现要素：4.(一)解决的技术问题5.针对现有技术的不足，本发明提供了一种工厂产品校验合格率预测方法及装置，解决了上述背景技术中提出的现有技术无法做到提前预测产品及其重要部件的一次交验合格率的问题。6.(二)技术方案7.为实现以上目的，本发明通过以下技术方案予以实现：8.一种工厂产品一次校验合格率预测方法，所述方法包括：9.采集工厂生产工序历史数据并发送给云端服务器；10.云端服务器对于接收到的工厂生产工序历史数据基于长短期记忆网络lstm的预测预警模型进行训练；11.判断模型准确率是否低于预设阈值，若是，则继续采集工厂生产工序历史数据进行训练；12.若否，则获得训练好的长短期记忆网络lstm的预测预警模型；13.工厂中边缘计算设备采集与生产工序相关实时现场数据，发送给云端服务器；14.云端服务器接收工厂中边缘计算设备采集到的与生产工序相关实时现场数据进行数据融合并存储；15.云端服务器运行所述训练好的长短期记忆网络lstm的预测预警模型，预测产品一次交验合格率。16.优选地，所述方法还包括：若云端服务器lstm的预测预警模型预测出产品合格率低于预设阈值，则控制边缘计算设备发出告警信息并定位问题工序。17.优选地，所述边缘计算设备设置于工厂生产的每一道工序设备上，采集对应工序的传感器及数采板卡的反馈数据。18.优选地，所述生产工序相关实时现场数据包括：设备状态数据、工艺数据、质量数据、生产数据。19.本发明还提供一种工厂产品一次校验合格率装置，包括：云端服务器以及边缘计算设备；20.所述云端服务器用于对接收到的工厂生产工序历史数据基于长短期记忆网络lstm的预测预警模型进行训练；21.判断模型准确率是否低于预设阈值，若是，则继续采集工厂生产工序历史数据进行训练；22.若否，则获得训练好的长短期记忆网络lstm的预测预警模型；23.接收工厂中边缘计算设备采集到的与生产工序相关实时现场数据进行数据融合并存储；24.运行所述训练好的长短期记忆网络lstm的预测预警模型，预测产品一次交验合格率；25.所述边缘计算设备用于采集工厂生产工序历史数据并发送给云端服务器；26.采集与生产工序相关实时现场数据，发送给云端服务器。27.本发明还提供一种计算机可读存储介质，所述计算机可读存介质在存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器所执行时执行前述任一所述的一种工厂产品一次校验合格率预测方法。28.(三)有益效果29.本发明提供了一种工厂产品一次校验合格率预测方法、装置及介质。具备以下有益效果：30.1.可实时监测产品或重要部件生产情况。31.部署在工厂产品生产各道工序现场的边缘计算设备会实时采集现场数据发送给云端数据采集融合模块，某道工序一旦出现问题或预测交验合格率过低，云端便会及时有效的发现，报告并报警处理，大大减少成本和经济损失。32.2.预测预警算法实用化、精准度高。33.云端数据分析预测预警模块运行的是自研的精准可靠的预测预警算法，不仅可以根据历史数据进行判断，还可根据实时数据进行一次交验合格率精准预判。34.3.提升产品及其重要部件生产的安全性。35.通过本方法，当工厂产品生产某工序出现问题，甚至在发生问题之前，云端数据分析预测预警模块运行的预测预警算法，便会发现问题所在，报告并报警，这大大提高了产品及其重要部件生产的安全性。附图说明36.图1为本发明提供的一种工厂产品一次校验合格率预测方法流程图；37.图2为本发明提供的一种工厂产品一次校验合格率预测装置结构图。具体实施方式38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。39.本发明实施例提供一种工厂产品一次校验合格率预测方法，如图1所示，所述方法包括：40.s1.采集工厂生产工序历史数据并发送给云端服务器；41.s2.云端服务器对于接收到的工厂生产工序历史数据基于长短期记忆网络lstm的预测预警模型进行训练；42.s3.判断模型准确率是否低于预设阈值，若是，则继续采集工厂生产工序历史数据进行训练；43.s4.若否，则获得训练好的长短期记忆网络lstm的预测预警模型；44.长短期记忆网络(long short-term memeory，lstm)是循环神经网络rnn的一个分支，其设计的目的旨在比普通的rnn更好地存储和访问历史序列信息。lstm擅长序列到序列的学习，甚至引领某些领域如机器翻译进入了一个颠覆性发展阶段。45.长短期记忆网络(lstm，long short-term memory)是一种时间循环神经网络，是为了解决一般的循环神经网络(recurrent neural network，rnn)存在的长期依赖问题而专门设计出来的，所有的循环神经网络都具有一种重复神经网络模块的链式形式。在标准循环神经网络中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。长短期记忆神经网络的表现通常比时间递归神经网络及隐马尔科夫模型更好；作为非线性模型，长短期记忆神经网络可作为复杂的非线性单元用于构造更大型深度神经网络。46.s5.工厂中边缘计算设备采集与生产工序相关实时现场数据，发送给云端服务器；47.s6.云端服务器接收工厂中边缘计算设备采集到的与生产工序相关实时现场数据进行数据融合并存储；48.s7.云端服务器运行所述训练好的长短期记忆网络lstm的预测预警模型，预测产品一次交验合格率。49.优选地，所述方法还包括：若云端服务器lstm的预测预警模型预测出产品合格率低于预设阈值，则控制边缘计算设备发出告警信息并定位问题工序。50.优选地，所述边缘计算设备设置于工厂生产的每一道工序设备上，采集对应工序的传感器及数采板卡的反馈数据。51.优选地，所述生产工序相关实时现场数据包括：设备状态数据、工艺数据、质量数据、生产数据。52.所述设备状态数据包括：开关机状态、报警信息、故障信息、设备运行、停止状态等；53.所述工艺数据包括：温度、湿度、压力、转速、时间、距离、角度、配料及比例、电压、电流等；54.所述质量数据包括：平整度、三维坐标、重量、体积、颜色等；55.所述生产数据包括：产量、良品数、次品数等。56.如图2所示，本发明实施例还提供一种工厂产品一次校验合格率装置，包括：云端服务器以及边缘计算设备；57.所述云端服务器用于对接收到的工厂生产工序历史数据基于长短期记忆网络lstm的预测预警模型进行训练；58.判断模型准确率是否低于预设阈值，若是，则继续采集工厂生产工序历史数据进行训练；59.若否，则获得训练好的长短期记忆网络lstm的预测预警模型；60.接收工厂中边缘计算设备采集到的与生产工序相关实时现场数据进行数据融合并存储；61.运行所述训练好的长短期记忆网络lstm的预测预警模型，预测产品一次交验合格率；62.所述边缘计算设备用于采集工厂生产工序历史数据并发送给云端服务器；63.采集与生产工序相关实时现场数据，发送给云端服务器。64.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存介质在存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器所执行时执行前述任一所述的一种工厂产品一次校验合格率预测方法。65.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!