1.本发明涉及工业互联网领域，尤其涉及一种基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统。
背景技术：2.随着工业物联网、云计算、物联网和人工智能的迅猛发展，在智能工厂中催生了很多智能信息服务。其中一个重要的服务是帮助工厂管理人员预测装配产品的质量。现代工业场景中，产品的质量是企业的核心，如何提升产品质量水平就显得尤为重要。随着现代智能工厂自动化和信息化水平的提升，制造过程中的数据不断的被采集和利用，形成生产大数据。这些数据不仅规模巨大，而且不断产生于各类边缘侧生产设备。如何集成运用这些生产大数据，快速可靠预测出产品的最终质量，已经成为智能制造发展迫切需要突破的一个关键技术点。
3.数据驱动的产品质量预测方法主要以bp神经网络、支持向量机等机器算法为主。在实际的工厂实践中，应用上述方法需要提前收集海量的生产线数据训练质量预测模型，然后将训练好的质量预测模型部署到云计算中心，使用这种方法对新的产品进行质量预测时还需要将数据上传到云计算中心存在延迟，对于生产节拍要求较快的产品无法满足现代工业生产实时性的要求。
4.在实际的生产线中，除了上述所提及的数据分散、算力不均、反馈时敏等问题，在质量预测问题还会出现不平衡数据问题，即在某些生产场景中，由于合格产品的数量远远大于不合格产品的数量，这样就会导致装配质量预测问题转变成不平衡数据分类问题。
5.在不平衡数据集的分类问题中，由于某一类或某几类样本数量相对较少，标准的分类器会倾向于数量多的类别，导致少数类样本在分类过程中容易被误分。合成少数类过采样技术(synthetic minority oversampling technique，smote)是一种典型的处理不平衡数据方法，通过合成少数类样本来平衡数据集各类样本的分布，能够有效地改善数据集的不平衡分布，从而提高不平衡数据集的分类精度。但smote采样方法将所有的少数类样本都用来合成新样本，存在一定的盲目性。
6.自适应增强算法(adaptive boosting，adaboost)是基于boosting框架的集成学习算法，该算法更加关注分类错误样本，通过迭代提高模型的预测性能。
7.已有的不平衡数据分类问题中，大多数研究侧重对分类模型中的超参数优化，而忽略smote算法中的超参数对分类性能的影响。
8.边缘计算是一种新型的分布式计算方法，已广泛应用于智慧城市、智慧医疗等工业领域。与云计算相比，边缘计算可以保证更短的响应时间和更高的可靠性。
技术实现要素：9.针对生产线产品质量预测存在数据分散、反馈延迟等问题，本发明提供了一种基
于云边协同计算的智能生产线产品质量低延迟集成预测方法，可以很好地处理质量预测中的质量标签不平衡问题。
10.本发明的技术方案如下：
11.一种基于云边协同计算的智能生产线产品质量低延迟集成预测方法，包括以下步骤：
12.(1)通过感知层实时采集智能生产线产品的数据并传输至边缘设备层和云计算中心层；所述的数据包括产量的质量以及对应的质量特性参数；
13.在云计算中心层，以产品的质量与质量特性参数构建质量特性选择规则，以筛选所述的数据用于构建数据集；
14.在云计算中心层，基于合成少数类过采样算法(synthetic minority oversampling technique，smote)和自适应增强算法(adaptive boosting，adaboost)构建smote
‑
adaboost预测模型，并采用所述的数据集进行训练，得到质量预测模型；
15.(2)将所述的质量特性选择规则和质量预测模型部署到边缘设备层；
16.(3)边缘设备层基于质量特性选择规则对智能生产线的实时产品数据进行筛选，采用所述的质量预测模型对筛选出的产品数据进行分类，实现实时地对产品的质量进行预测；
17.(4)对预测的产品质量标签进行标记并存储在边缘设备层中，当网络空闲时传输至云计算中心层，用于对质量预测模型进行训练更新；
18.(5)在云计算中心中，通过增量学习的方法定期对质量预测模型进行更新；
19.(6)当网络空闲时，将更新后的质量预测模型更新至边缘设备层中；
20.智能生产过程中，重复步骤(3)
‑
(6)。
21.步骤(1)中，构建质量特性选择规则包括：通过互信息计算产品质量与质量特性参数的相关系数，筛选出相关系数大于设定阈值的质量特性参数。
22.通过互信息计算产品质量与质量特性参数的相关系数的公式为：
[0023][0024]
其中：x
i
为第i个质量特性；y为最终质量指标；x
i
与y两个随机变量的联合分布为p(x，y)；p(x)与p(y)分别为变量x
i
与y的概率分布。
[0025]
所述的smote
‑
adaboost预测模型表示为：
[0026]
m＝smote
‑
adaboost(k，m，v)
[0027]
其中：k表示smote中所选样本的最近邻居数；m表示adaboost中决策树的个数；v表示adaboost中的正则化系数。
[0028]
步骤(1)中，采用所述的数据集对smote
‑
adaboost预测模型进行训练包括：以获取最大auc评分为优选目标，联合优化smote
‑
adaboost预测模型中的超参数，公式描述为：
[0029]
[0030][0031]
式中：y
i
表示真实的质量标签；表示预测的质量标签；smote
‑
adaboost(k，m，v|d
1：t
)表示质量预测函数；g(k，m，v|d
1：t
)为决策变量为k，m，v的非解析函数；l为auc评分公式；d
1：t
为测试集中从第一个到第t个数据；k
min
，k
max
，m
min
，m
max
，v
min
，v
max
分别为的超参数k，m，v优化区间的最小值和最大值。
[0032]
进一步的，auc评分公式为：
[0033][0034]
式中：rank(i)表示数据集中正样本i的排序编号；m表示数据集中正样本的个数；n为数据集中负样本的个数。
[0035]
auc的物理意义为roc曲线下坐标轴所围成区域面积，auc是一种综合性能分类指标，常用来衡量分类性能，auc越高，算法预测性能越好。
[0036]
进一步的，基于网格搜索法对smote
‑
adaboost预测模型中的超参数进行寻优。
[0037]
将auc预测指标作为评价函数，直到网格搜索获得最大的auc指标，此时模型所对应的超参数即为到最佳的smote
‑
adaboost预测模型超参数。
[0038]
在智能生产线中的边缘设备层的服务器一般计算能力和储存能力有限，而云计算中心往往计算能力巨大，因此鉴于两者的优点，本发明提供了一种基于云边协同计算的智能生产线产品质量低延迟集成预测方法，该方法的创新点为在工业云边协同计算的框架下，将smote和adaboost作为一个整体来考虑，提出了采用smote
‑
adaboost联合超参数优化的智能生产线产品质量低延迟集成预测方法，来提高质量预测模型的性能。
[0039]
本发明还公开了基于云边协同计算的智能生产线产品质量低延迟集成预测系统，包括：
[0040]
感知层，通过数据采集终端实时采集智能生产线产品的数据，并传输至边缘设备层和云计算中心层；
[0041]
边缘设备层，对感知层采集的生产数据进行预处理及实时分析，与云计算中心层进行数据传输；
[0042]
云计算中心层，对边缘设备层的数据进行存储，根据边缘设备层的数据对预测模型进行训练和更新；
[0043]
应用服务层，根据边缘设备层收集的数据通过云计算中心层的资源提供产品质量管理、车间设备管理、车间资源调度多种智能信息服务；
[0044]
所述的智能生产线产品质量低延迟集成预测系统根据所述的智能生产线产品质量低延迟集成预测方法对产品质量进行预测。
[0045]
与现有技术相比，本发明的有益效果为：
[0046]
(1)本发明充分结合了边缘计算和云计算的优点，针对生产线中实际存在的质量预测问题，在边缘侧对数据进行预处理，在云端进行预测模型的训练，有效的减少了网络延迟；
[0047]
(2)本发明的预测方法采用数据驱动的机器学习算法作为生产线产品质量预测的依据，使用者无需了解生产线的机理便可以预测产品质量，便于下一步工厂实际操作人员对于不合格产品采取相应措施，所提出的采用smote
‑
adaboost联合超参数优化的产品质量低延迟集成预测模型，可以很好地处理质量预测中的质量标签不平衡问题。
[0048]
(3)现有技术中，产品质量的相关检测设备需要定制专用机器，价格昂贵，因此采用本发明数据驱动的方法对生产线产品的质量进行预测具有替代专用设备的潜力，可以节约设备成本和测试时间。
附图说明
[0049]
图1为生产线的云边协同计算架构图；
[0050]
图2为本发明的方法流程示意图，其中(a)为对预测模型进行训练，(b)为对预测模型进行更新；
[0051]
图3为本发明涉及到的质量特性重要度排序图；
[0052]
图4为质量预测效果示意图，图中质量标签为“1”表示合格产品，质量标签为“0”表示不合格产品；
[0053]
图5为智能生产线产品质量低延迟集成预测方法的流程图。
具体实施方式
[0054]
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
[0055]
本发明的基于云边协同计算的智能生产线产品质量低延迟集成预测方法，，包括以下步骤：
[0056]
(1)通过工业互联网平台将生产线所收集的数据传输至云计算中心，通过互信息计算产品质量与质量特性参数的相关系数进而得到质量特性参数选择规则，解决了生产线质量预测中遇到的质量标签不平衡问题，并基于采集的智能生产线历史生产数据，训练所提出的产品质量低延迟集成预测模型，设置smote
‑
adaboost预测模型中的超参数使预测性能达到最优(本专利采用auc作为质量预测指标)，进而得到训练好的质量预测模型；
[0057]
(2)通过工业互联网平台将步骤(1)的所得到的质量特性选择规则和预测模型部署到边缘侧平台；
[0058]
(3)对于实时产生的生产线数据，当数据传输至边缘侧服务器时，基于质量特性参数选择规则筛选过滤数据，并依托部署在边缘侧服务器的质量预测模型，实时地判断产品的质量；
[0059]
(4)边缘侧预处理后的数据由质量检测设备进行标记，暂存储在边缘设备层。边缘设备的预测模型默认是当前工厂管理者的辅助预测工具，当网络空闲时，通过工业互联网平台将这些新的数据传输到云计算中心；
[0060]
(5)传感器数据传输到云计算中心后，数据量会变大，数据分布会随时间发生变化。因此，现有的云计算中心质量预测模型将通过增量学习的方法使用这些时间不敏感的数据进行更新；
[0061]
(6)当网络空闲时，将更新后的质量预测模型传输至边缘侧，进而达到更新预测模
型的目的。
[0062]
步骤(1)的互信息计算相关系数的公式如下：
[0063][0064]
其中：x
i
为第i个质量特性；y为最终质量指标；x
i
与y两个随机变量的联合分布为p(x，y)；p(x)与p(y)分别为变量x
i
与y的概率分布。
[0065]
步骤(1)的采用smote
‑
adaboost联合超参数优化的质量预测方法，其依赖于生产线所收集的数据集，使用分层抽样策略将原始的轮毂轴承数据划分为训练集和测试集，通过训练集训练原始的smote
‑
adaboost模型，该质量预测模型m可以表示为：
[0066]
m＝smote
‑
adaboost(k，m，v)
[0067]
其中：k表示smote中所选样本的最近邻居数；m表示adaboost中决策树的个数；v表示adaboost中的正则化系数。
[0068]
步骤(1)的采用smote
‑
adaboost联合超参数优化的质量预测方法，其联合优化超参数在于以获取测试集最大auc评分为优化目标，联合优化smote和adaboost中的超参数，该优化问题可以描述如下公式：
[0069][0070][0071]
式中，y
i
表示真实的质量标签；表示预测的质量标签；smote
‑
adaboost(k，m，v|d
1：t
)表示质量预测函数；g(k，m，v|d
1：t
)为决策变量为k，m，v的非解析函数；l为测量真值与预测值之间差距的复杂函数(即计算auc评分公式)；d
1：t
即为测试集中从第一个到第t个数据，k
min
，k
max
，m
min
，m
max
，v
min
，v
max
分别为的超参数k，m，v优化区间的最小值和最大值。基于网格搜索法对模型中的超参数进行寻优，将auc预测指标作为评价函数，直到网格搜索获得最大的auc指标，此时模型所对应的超参数即为到最佳的smote
‑
adaboost预测模型超参数。
[0072]
步骤(1)中的质量预测指标auc，其计算公式如下：
[0073][0074]
式中，rank(i)表示数据集中正样本i的排序编号；m表示数据集中正样本的个数；n为数据集中负样本的个数。auc的物理意义为roc曲线下坐标轴所围成区域面积，auc是一种综合性能分类指标，常用来衡量分类性能，auc越高，算法预测性能越好。
[0075]
步骤(2)的质量特性选择规则具体为设置一定的阈值，将步骤(1)得到的质量特性参数按照相关系数从大到小排序，根据阈值，筛选出相关系数大于阈值的质量特性参数。
[0076]
如图1所示，本发明具体包括感知层、边缘设备层、云计算中心层、应用服务层：感知层通过数据采集终端(如传感器、工业摄像头、rfid读取器等)连接装配线上的各种物理设备(如尺寸检测设备、振动检测设备、视觉检测设备等)，保证了生产线海量异构数据的实时采集；边缘层位于感知层和云计算中心层之间，其不仅可以传输数据，还可以利用有限的硬件(如plc、工业pc、树莓派等)资源进行数据格式转换、数据预处理、实时数据分析，支持边缘计算，提供边缘智能服务；应用服务层主要功能为提供产品质量管理、车间设备管理、车间资源调度等多种智能信息服务，从边缘设备层收集的各类异构数据通过云计算中心层的资源进行管理。有了这些数据，一些机器学习算法可以用来帮助工厂经理做出决策。
[0077]
本发明基于云边协同计算的智能生产线产品质量低延迟集成预测方法的一种优选实施例包括以下步骤(如图2所示)：
[0078]
步骤1：如图2(a)所示，生产线上所有的机器都通过opc ua，wifi等通讯手段与工业计算机相连，生产线上传感器所收集检测信号(如零件长度，表面粗糙度等等)上传至私有云计算中心，累计获得38个质量特性和1个最终质量标签(合格或故障产品)，质量特性包含了生产线零部件制造工艺以及装配工艺的各类检测环节，具体包括零部件直径、波纹度、平行差、零件配合误差等质量特性检测信息，共计获得2888条数据。
[0079]
如图3所示，利用互信息方法分别计算上述38个质量特性和最终质量标签的相关系数，并按照相关系数的大小将38个质量特性按照从大到小排序。设定阈值为0.04，筛选出大于该阈值的所有质量特性，将其视为关键质量特性。然后基于上述数据训练按照4：1的比例划分训练集和测试集，利用训练集训练adaboost分类模型，设置模型超参数优化区间分别为：3≤k≤10，50≤m≤120，0.1≤v≤1，其中k表示smote中所选样本的最近邻居数、m表示adaboost中决策树的个数、v表示adaboost中的正则化系数，以获得测试集最大化auc(area under curve)为优化目标，基于网格搜索法优化smote
‑
adaboost模型中的超参数，进而得到训练好的质量预测模型，该质量预测模型的流程图如图5所示。
[0080]
步骤2：边缘侧的工业计算机可以看作是一个边缘设备，提供数据存储和计算能力，工业计算机通过http/mqtt协议从私有云计算中下载训练好的质量预测模型和质量特性选择规则。
[0081]
步骤3：如图2(b)所示，对于实时产生的生产线数据，当数据通过以太网传输至边缘侧服务器时，边缘侧的工业计算机依照步骤1得到的质量特性参数选择规则筛选过滤数据进而减少数据的维度，依托部署于边缘侧服务器的质量预测模型，实时地判断产品的质量为合格品或者不合格品，其部分数据预测结果如图4所示，其中质量标签为“1”代表产品为合格产品，质量标签为“0”代表产品为不合格产品；
[0082]
步骤4：通过数据标记产生最终质量标签，以文本的方式输出到txt文本文件中，用于后续训练，这些获得质量标签的实时数据暂时储存在工业计算机中，当网络空闲时，如生产停止或生产设备发生故障时，可以将上述数据通过http/mqtt协议上传至私有云计算中心；
[0083]
步骤5：随着私有云中心数据的增加，生产线的体量会变大，数据的分布规律可能会发生变化，此时采用增量学习等学习方式对模型进行更新；
[0084]
步骤6：当网络空闲时，将更新后的质量预测模型通过http/mqtt协议传输至工业计算机，进而达到更新预测模型的目的。
[0085]
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。