融合产线感知数据的工业人工智能协同分析系统及方法

摘要: 本技术涉及工业数据处理,尤其涉及一种融合产线感知数据的工业人工智能协同分析系统及方法。背景技术:1、工业生产线通常包括多个按照预定工序衔接的生产工位,各工位设置...
融合产线感知数据的工业人工智能协同分析系统及方法

本技术涉及工业数据处理,尤其涉及一种融合产线感知数据的工业人工智能协同分析系统及方法。

背景技术:

1、工业生产线通常包括多个按照预定工序衔接的生产工位,各工位设置有设备控制器、传感器、工件识别装置及质量检测装置,用于形成设备运行状态、工艺参数、工件流转状态及质量检测结果等产线感知数据。通过对多个工位的产线感知数据进行关联分析,可以识别生产异常并为设备参数调整提供依据。

2、现有技术通常按照数据采集时间或预设统计周期汇集多个工位的产线感知数据,再通过阈值判断、机器学习模型或神经网络模型进行异常识别和原因分析,并根据分析结果生成工艺参数调整建议或控制指令。

3、然而,不同工位的设备响应时延、感知采集时延及工件流转时间存在差异,现有方式难以将多个工位形成的产线感知数据准确关联至同一目标工件,导致异常分析所采用的数据与目标工件的实际加工过程不完全对应,进而影响异常归因及后续控制参数生成的准确性。

技术实现思路

1、基于此,有必要针对上述问题,提出了一种融合产线感知数据的工业人工智能协同分析系统及方法,以解决上述问题。

2、一种融合产线感知数据的工业人工智能协同分析方法,包括:

3、获取工业产线多个工位的产线感知数据、工件流转事件及工艺配置数据;

4、根据目标工件的工件标识、进入事件和离开事件确定其在各工位的处理时段,并结合设备响应时延和感知采集时延形成数据窗口;

5、根据所述数据窗口和工艺配置数据生成与所述目标工件及对应工序关联的工序证据对象,所述工序证据对象包括感知特征、数据来源标识、工艺参数版本及证据可信度;

6、根据所述目标工件的实际流转路径从产线工序拓扑中提取关联工序子图,依据工位间时延筛选时序可达的工序证据对象,并在所述关联工序子图约束下协同分析,确定异常归因结果和控制候选参数;

7、根据目标设备的运行状态、当前工艺参数版本、参数允许范围及安全联锁状态校验所述控制候选参数,将通过校验的控制候选参数转换为控制指令并发送至所述目标设备;

8、获取所述控制指令执行后的后续工件感知数据及质量检测结果,确定控制效果,并据此更新关联的证据构建参数和/或协同分析参数。

9、在本技术的至少一个实施例中,所述产线感知数据包括设备运行数据、工艺参数数据、质量检测数据和工件流转数据中的至少两种;

10、将不同数据来源的产线感知数据转换为统一数据记录,每一所述统一数据记录至少包括工件标识、工位标识、数据类型、数据值、数据来源标识、源时间戳、产线基准时间戳、工艺参数版本及数据有效状态;

11、根据不同数据来源与产线基准时钟之间的时钟偏差,将所述源时间戳转换为所述产线基准时间戳。

12、在本技术的至少一个实施例中,形成所述数据窗口,包括:

13、将所述目标工件的进入事件与离开事件之间的时间区间确定为对应工位的基础处理时段;

14、根据对应设备的指令响应时延向所述基础处理时段之前扩展第一预设时长,并根据对应感知装置的采集时延向所述基础处理时段之后扩展第二预设时长,形成所述数据窗口;

15、当同一工件因返工、重检或旁路返回而多次经过同一工位时,为各次经过过程分别配置流转序号,并根据所述流转序号分别建立所述工件标识、数据窗口及工序证据对象之间的关联关系。

16、在本技术的至少一个实施例中,所述工序证据对象还包括数据完整度、时间匹配度、感知装置状态及工艺版本一致状态;

17、根据所述数据窗口内实际取得的数据项与对应工序所需数据项的匹配情况确定所述数据完整度,根据感知数据采集时段与对应处理时段的重合情况确定所述时间匹配度,并根据所述数据完整度、时间匹配度、感知装置状态及工艺版本一致状态确定所述证据可信度;

18、当所述证据可信度低于预设可信度阈值时,降低对应工序证据对象的分析权重,且不单独依据该工序证据对象生成控制候选参数。

19、在本技术的至少一个实施例中,所述产线工序拓扑中的节点对应工位或工序,节点之间的边对应工件流转关系,每一条边关联有工件流转方向和参考时延区间;

20、根据所述目标工件的实际流转路径确定路径节点,根据相邻路径节点之间的参考时延区间确定不同路径节点之间的累计时延,并将采集时间与异常检测时间之间的时间间隔满足所述累计时延的工序证据对象确定为所述时序可达的工序证据对象;

21、所述协同分析包括:通过工位异常识别模型确定工位异常分值,通过工序关联分析模型在所述关联工序子图中确定异常传播关系,并通过参数敏感度分析模型确定候选工艺参数的影响方向和可调范围。

22、在本技术的至少一个实施例中,将所述工位异常分值、异常传播关系、候选工艺参数的影响方向和可调范围写入统一的异常归因对象;

23、所述异常归因对象至少包括候选异常工序、候选工艺参数、归因分值、支持证据标识、冲突证据标识及参数可调范围;

24、根据所述归因分值、支持证据对应的证据可信度以及冲突证据对应的证据可信度,从所述异常归因对象中选择目标异常工序和目标工艺参数,并根据所述目标工艺参数的影响方向和可调范围生成所述控制候选参数。

25、在本技术的至少一个实施例中,根据所述控制效果更新关联的证据构建参数和/或协同分析参数,包括:

26、根据所述控制指令中的目标参数标识,在所述产线工序拓扑中确定受影响工序节点,并将所述受影响工序节点及与其满足预设关联条件的相邻工序节点确定为待更新节点集合;

27、根据所述控制效果生成候选分析版本,仅更新所述待更新节点集合对应的证据可信度计算参数和/或协同分析模型参数,保持所述待更新节点集合之外的工序节点对应的参数不变;

28、采用历史工件数据对所述候选分析版本进行回放验证;

29、当回放验证结果满足异常归因准确度或质量异常检出率的预设改善条件,且正常工件误报率未超过预设误报上限时,使所述候选分析版本生效;否则,舍弃所述候选分析版本并继续采用更新前的分析版本。

30、一种融合产线感知数据的工业人工智能协同分析系统,包括:

31、产线数据获取模块,用于获取工业产线多个工位的产线感知数据、工件流转事件及工艺配置数据;

32、事件对齐模块,用于根据目标工件的工件标识、进入事件和离开事件确定其在各工位的处理时段,并结合设备响应时延和感知采集时延形成数据窗口;

33、证据构建模块,用于根据所述数据窗口和工艺配置数据生成与所述目标工件及对应工序关联的工序证据对象,所述工序证据对象包括感知特征、数据来源标识、工艺参数版本及证据可信度;

34、协同分析模块,用于根据所述目标工件的实际流转路径从产线工序拓扑中提取关联工序子图,依据工位间时延筛选时序可达的工序证据对象,并在所述关联工序子图约束下协同分析,以确定异常归因结果和控制候选参数;

35、控制执行模块,用于根据目标设备的运行状态、当前工艺参数版本、参数允许范围及安全联锁状态校验所述控制候选参数,将通过校验的控制候选参数转换为控制指令并发送至所述目标设备;

36、反馈更新模块,用于根据所述控制指令执行后的后续工件感知数据及质量检测结果确定控制效果,并据此更新关联的证据构建参数和/或协同分析参数。

37、在本技术的至少一个实施例中,所述事件对齐模块用于将所述进入事件与离开事件之间的时间区间确定为基础处理时段,根据对应设备的指令响应时延向所述基础处理时段之前扩展第一预设时长,并根据对应感知装置的采集时延向所述基础处理时段之后扩展第二预设时长;

38、当同一工件多次经过同一工位时,所述事件对齐模块为各次经过过程分别配置流转序号;

39、所述证据构建模块用于根据数据完整度、时间匹配度、感知装置状态及工艺版本一致状态确定所述证据可信度;

40、当所述证据可信度低于预设可信度阈值时,所述协同分析模块降低对应工序证据对象的分析权重,且不单独依据该工序证据对象生成控制候选参数。

41、在本技术的至少一个实施例中,所述产线工序拓扑中的节点对应工位或工序,节点之间的边对应工件流转关系,每一条边关联有工件流转方向和参考时延区间;

42、所述协同分析模块用于根据所述参考时延区间确定路径节点之间的累计时延,根据所述累计时延筛选时序可达的工序证据对象,并通过工位异常识别模型、工序关联分析模型及参数敏感度分析模型生成异常归因对象;

43、所述控制执行模块用于对目标设备的运行状态、当前工艺参数版本、参数允许范围、参数调整步长、安全联锁状态及控制权限进行校验,并在任一校验未通过时生成包括失败校验项及失败原因的控制失败记录;

44、所述反馈更新模块用于根据所述控制指令确定待更新节点集合,仅更新所述待更新节点集合对应的证据构建参数和/或协同分析参数,并在更新结果通过历史工件数据的回放验证后使更新结果生效。

45、实施本实施例的融合产线感知数据的工业人工智能协同分析系统及方法,将至少具有以下有益效果:

46、本技术通过根据目标工件的工件标识、进入事件和离开事件确定各工位的处理时段,并结合设备响应时延和感知采集时延形成数据窗口,使多个工位的产线感知数据能够准确关联至对应工件;在此基础上生成包含感知特征、数据来源标识、工艺参数版本和证据可信度的工序证据对象,使异常分析具有可追溯且可区分可信程度的数据基础;再根据目标工件的实际流转路径提取关联工序子图,并依据工位间时延筛选时序可达的工序证据对象,从而减少无关工序数据对异常归因的干扰;随后根据目标设备的运行状态、当前工艺参数版本、参数允许范围和安全联锁状态校验控制候选参数,使生成的控制指令符合设备当前运行约束;最后根据控制指令执行后的后续工件感知数据和质量检测结果确定控制效果,并更新证据构建参数和/或协同分析参数,由此形成从工件数据对齐、异常归因、控制执行到反馈更新的闭环处理过程。