产品缺陷大数据的智能化检测方法及其云平台系统

本发明涉及产品缺陷大数据智能化检测的自动化装备领域，具体涉及产品缺陷大数据的智能化检测方法及其云平台系统。

背景技术：

1、产品表面缺陷是影响产品质量的一个重要因素，如何在生产过程中在线检测产品的表面缺陷从而控制和提高产品的表面质量是生产企业非常关注的内容。国外已经开发出高精度的产品表面缺陷检测系统，国内目前产品表面缺陷检测系统还不完善，国内产品由于表面质量问题而缺乏国际市场竞争力，因此研究和开发表面质量在线检测系统对我国企业提高产品竞争力具有重要意义。通过表面无损检测方法，能够及时发现产品缺陷及问题所在，及时发现产品故障和潜在威胁并进行更换，产品表面检测通过传感器以及摄像头能够采集表面缺陷信息，同时利用通信系统将采集到的信息传递给监控端，监控端采用计算机技术对采集到的产品图像和数据进行处理，最终确定产品缺陷信息，采集的产品数据和信息采集应该确保具有较高的稳定性、准确性和实时性，采集到的数据和信息能够以可视化的图片和视频等方式进行实时显示，根据采集信息和数据定位产品缺陷等级。工作人员能实时进行数据和信息的观察处理和了解产品表面状况，监控端进一步分析、处理、鉴别产品缺陷，为产品修复和更换提供一手资料。

技术实现思路

1、本发明主要针对现有工业企业如何在生产过程中在线检测产品的表面缺陷从而控制和提高产品的表面质量，通过实时数据和信息的观察处理和了解产品表面状况，监控端进一步分析、处理、鉴别产品缺陷，为产品修复和更换提供依据。

2、为解决上述问题，本发明采用如下的技术方案：

3、一、产品缺陷大数据的智能化检测方法：

4、1、构建参数处理模块，参数处理模块包括减法聚类分类器、bigru神经网络模型-递归模糊神经网络模型、bigru神经网络模型-递归小波神经网络模型、bigru神经网络模型-narx神经网络模型、bigru神经网络模型-新陈代谢灰色gm(1，1)模型、bigru神经网络模型-cnn卷积神经网络模型、bigru神经网络模型-esn神经网络模型、bigru神经网络模型、tdl按拍延时器和动态三角模糊数的bigru神经网络模型-递归模糊神经网络模型；参数处理模块结构见图1所示。

5、2、多个输入参数分别作为减法聚类分类器、bigru神经网络模型-新陈代谢灰色gm(1，1)模型、bigru神经网络模型-cnn卷积神经网络模型和bigru神经网络模型-esn神经网络模型的对应输入，bigru神经网络模型-新陈代谢灰色gm(1，1)模型输出作为bigru神经网络模型-cnn卷积神经网络模型的对应输入，bigru神经网络模型-cnn卷积神经网络模型输出作为bigru神经网络模型-esn神经网络模型的对应输入，bigru神经网络模型-esn神经网络模型输出作为tdl按拍延时器3的输入；减法聚类分类器输出的3个类型的输入参数分别作为bigru神经网络模型-递归模糊神经网络模型、bigru神经网络模型-递归小波神经网络模型和bigru神经网络模型-narx神经网络模型的对应输入，bigru神经网络模型-递归模糊神经网络模型与bigru神经网络模型-递归小波神经网络模型的输出时间序列差和bigru神经网络模型-递归小波神经网络模型与bigru神经网络模型-narx神经网络模型的输出时间序列差分别作为bigru神经网络模型1和bigru神经网络模型2的输入，bigru神经网络模型1和bigru神经网络模型2的输出分别作为tdl按拍延时器1和tdl按拍延时器2的输入，tdl按拍延时器1、tdl按拍延时器2、tdl按拍延时器3和tdl按拍延时器4的输出分别作为动态三角模糊数的bigru神经网络模型-递归模糊神经网络模型的对应输入，动态三角模糊数的bigru神经网络模型-递归模糊神经网络模型输出作为tdl按拍延时器4的输入，tdl按拍延时器4分别作为bigru神经网络模型1、bigru神经网络模型2和bigru神经网络模型-esn神经网络模型的对应输入，动态三角模糊数的bigru神经网络模型-递归模糊神经网络模型输出的五个参数分别为i、j、k、l、m构成动态三角模糊数值为[(i，j)，k，(l，m)]作为参数处理模块输出；

6、3、构建产品缺陷大数据智能检测子系统，产品缺陷大数据智能检测子系统包括aann自联想神经网络模型-bigru神经网模型、参数处理模块、多个孪生cnn卷积神经网络模型-bigru神经网络模型、tdl按拍延时器和动态三角模糊数的bigru神经网络模型-递归t-s模糊神经网络模型；孪生cnn卷积神经网络模型-bigru神经网络模型包括两个共权重的cnn卷积神经网络模型-bigru神经网络模型，两个cnn卷积神经网络模型-bigru神经网络模型输出的差作为孪生cnn卷积神经网络模型-bigru神经网络模型的输出；摄像头采集产品图像和产品标准图像分别作为多个孪生cnn卷积神经网络模型-bigru神经网络模型的对应输入，多个孪生cnn卷积神经网络模型-bigru神经网络模型输出的时间序列差作为参数处理模块1的输入；多个光照度传感器输出值、多个温度传感器输出值、多个振动传感器输出值分别作为对应的aann自联想神经网络模型-bigru神经网模型1和aann自联想神经网络模型-bigru神经网模型2和aann自联想神经网络模型-bigru神经网模型3的输入，采集产品标准图像的光照度值、采集标准图像的温度值和采集标准图像的振动值分别与aann自联想神经网络模型-bigru神经网模型1和aann自联想神经网络模型-bigru神经网模型2和aann自联想神经网络模型-bigru神经网模型3的时间序列差分别作为对应的3个tdl按拍延时器输入，3个tdl按拍延时器输出分别作为参数处理模块2、参数处理模块3和参数处理模块4的输入，参数处理模块1、参数处理模块2、参数处理模块3、和参数处理模块4的输出分别作为作为动态三角模糊数的bigru神经网络模型-递归t-s模糊神经网络模型的对应输入，动态三角模糊数的bigru神经网络模型-递归t-s模糊神经网络模型输出作为tdl按拍延时器4输入，tdl按拍延时器4输出分别作为参数处理模块1、参数处理模块2、参数处理模块3和参数处理模块4的动态三角模糊数的bigru神经网络模型-递归模糊神经网络模型对应输入，动态三角模糊数的bigru神经网络模型-递归t-s模糊神经网络模型输出的五个参数分别为a、b、c、d、e构成产品缺陷等级的动态三角模糊数值为[(a，b)，c，(d，e)]；动态三角模糊数值[(a，b)，c，(d，e)]分别对应产品缺陷等级五种状态分别为优等品、一等品、合格、次品和劣品；产品缺陷大数据智能检测子系统结构见图2所示。

7、二、产品缺陷大数据的云平台系统

8、检测节点采集产品生产线参数经网关节点上传到云平台，并利用云平台提供的数据给客户端app，客户端app通过云平台提供的产品生产线信息可实时监测产品缺陷等级参数和调节控制节点的产品检测设备，检测节点和控制节点负责采集产品生产线参数信息和控制产品检测设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和客户端app的双向通信，实现产品生产线参数采集和产品检测设备控制。产品缺陷大数据的智能化检测的云平台系统见图3所示。

9、相比于现有技术，本发明具有以下明显优点：

10、一、本发明采用narx神经网络模型的一种通过的延时模块及反馈实现来建立narx神经网络模型的动态递归网络，它是沿着在时间轴方向的拓展的多个时间输入参数的序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内输入参数来建立预测模型，模型输出的参数在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度，该narx神经网络模型实现对输入参数的连续动态预测。输入包括了一段时间的输入参数和输出值历史反馈，这部分反馈输入可以认为包含了一段时间的输入和输出值的状态历史信息参与预测，对于一个合适的反馈时间长度，预测得到了很好的效果。

11、二、本发明采用新陈代谢灰色gm(1，1)模型预测自联想神经模型输出传感器输出信号的时间跨度长，新陈代谢灰色gm(1，1)模型可以根据自联想神经模型输出输出传感器输出信号值预测未来时刻检测信号参数值，用上述方法预测出的传感器输出检测信号值后，把传感器输出信号预测值再加分别加入的自联想神经模型输出输出传感器输出信号值原始数列中，相应地去掉数列开头的一个数据建模，再进行预测传感器输出信号值的预测。依此类推，预测出传感器输出信号预测值。这种方法称为新陈代谢模型，它可实现较长时间的预测。用户可以更加准确地掌握传感器输出信号的变化趋势。

12、三、本发明参数处理模块针对检测参数测量过程中，输入参数精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，本发明专利参数处理模块将产品检测参数误差值转换为动态三角模糊数形式表示，有效地处理了检测参数误差值的模糊性和不确定性，提高了产品检测参数误差值的客观性和可靠性。

13、四、本发明针对产品检测参数的时变性、大滞后和非线性等难以准确在线测量，提出了一种递归模糊神经网络来预测产品检测参数，递归模糊神经网络模型通过在网络第三层加入含有内部变量的反馈连接来实现产品检测参数输出信息的反馈，实验结果表明，与其他模糊神经网络相比，该网络的规模小、精度高，处理动态信息的能力明显加强，提高预测产品检测参数的精确度。

14、五、本发明bigru神经网络模型可以被为两个具有相反方向的gru神经网络模型构成，产品检测信息输入bigru神经网络模型总是会对应2个方向相反的gru神经网络模型，同时输出也受到2个方向相反的gru神经网络模型的影响。双向bigru神经网络模型的隐层状态主要取决于现在产品检测信号输入、前一时刻检测信号对应的隐层状态的输出及检测信号不同方向的隐层状态的输出，提高了产品检测信息预测的准确性、可靠性和鲁棒性。