基于深度学习的大数据制造过程质量智能诊断研究

Because quality diagnosis method based on shallow learning model is difficult to fulfill the present situation of real time intelligent diagnosis for manufacturing process with big data, this project researches quality intelligent diagnosis method for manufacturing process with big data based on deep learning theory. Firstly, the mass data stream reflecting the operation state of manufacturing process is transformed into the digital image named quality-spectrum to show the quality information that is hidden in the mass data stream. Secondly, the feature self-learning algorithm with filtering noise capability is formed combining the wavelet transform method with deep belief network to extract the feature of quality-spectrum. Then, the quality-spectrum is recognized by deep belief network and an integrated identification and parameter estimation model of feature extraction and classification are formed. For establishing a effective recognition model with short training time and high recognition accuracy, it is the most heart matter that how to optimize the number of layers and internal nodes in deep belief network. Finally, the expert system for online quality diagnosis will be established by using deep belief network after fusing rule-based reasoning and case-based reasoning to real-time diagnose manufacturing process with big data. The research results of this project will be applied widely in smart factory for quality monitoring and diagnosis, so that it has significant application value for reducing quality failures and improving economic benefits.

针对基于浅层学习模型的质量诊断方法难以满足大数据制造过程实时质量智能诊断的现状，本项目将以深度学习理论为基础，系统地研究大数据制造过程质量智能诊断方法。首先，将反映大数据制造过程的各种异常状态转化为数字图像，用灰度图建立质量图谱以显现隐含的质量信息。其次，将小波变换方法与深度置信网络有机结合，形成具有去噪能力的特征自学习算法，利用该算法对质量图谱进行特征提取。进而，采用深度置信网络对质量图谱自动识别与分类,形成特征提取与分类识别一体的质量异常识别与参数估计模型。其中要解决的关键问题是如何优化深度置信网络的学习层数与隐层单元数，构建训练耗时短且识别精度高的识别模型。最后，将规则推理与案例推理相融合，利用深度置信网络，建立在线质量诊断专家系统，实现大数据制造过程实时质量智能诊断。本项目的研究成果可有效地应用于智慧工厂现场的实时质量监控与诊断，其对于降低质量事故、提升经济效益具有重要应用价值。

为了解决浅层学习模型对大数据制造过程质量监控和诊断的耗时长、监控效率低和诊断精度不高的问题，本项目系统地研究了基于深度学习算法的大数据制造过程实时质量监控和诊断方法。首先，将大数据制造过程收集的离线数据转化为灰度图像，构建了质量图谱，以更好地反映复杂过程多变量之间高耦合性的内在联系。其次，针对质量图谱中噪音的干扰问题，应用小波变换算法研究了大数据制造过程质量监控和诊断的特征提取算法，对质量图谱进行多尺度分解和重构。进而，在小波变换算法的研究基础上，设计了基于深度置信网络的质量图谱识别方法，建立了大数据制造过程智能监控模型，提供了制造过程质量图谱特征提取与识别一体化的分类方法。最后，将收集的各种质量异常图谱建立了质量异常案例图谱库，采用案例推理方法查找质量异常因素，对制造过程进行在线诊断，形成了大数据制造过程智能监控和诊断框架。项目研究发现，提升小波相较于小波变换不依赖于卷积运算，所需要的存储空间少且运行速度快。利用提升小波重构后的数据特征更能凸显原始数据流的变化特性，保留关键信息，提高识别精度。同时，将小波变换算法和深度置信网络相结合，相较于基于浅层学习的识别方法，具有更高的识别精度，大大提升了过程监控的效率。本项目的研究成果已成功应用于精密轴自动化加工过程、注塑成形过程以及铅酸电池涂板过程的实时智能监控与诊断中。所提的监控模型与诊断框架也将为石油、化工等过程工业，股市、期货等金融市场的制造过程提供在线监控的理论依据和分析途径。