一种基于机器学习的产品质量安全数据风险评估方法及系统与流程
本发明涉及产品质量安全风险评估,尤其涉及一种基于机器学习的产品质量安全数据风险评估方法及系统。
背景技术:
1、随着制造业数字化转型的深入推进,产品质量安全风险评估已成为保障生产安全与消费者利益的核心环节。近年来,机器学习技术在工业数据分析领域得到广泛应用,通过数据挖掘与模型预测实现了对产品质量状态的智能感知与风险预警。引入机器学习技术进行质量安全风险评估,能够显著提升风险识别的实时性与准确性,降低质量事故发生的概率,对保障人民群众生命财产安全、推动制造业高质量发展具有重要的现实意义和社会意义。
2、然而,现有技术仍存在诸多不足:其一,传统因果发现方法未充分考虑检测数据的不确定度干扰,难以准确反映真实致因路径;其二,现有方法多采用静态或线性模型,无法刻画风险能量的动态累积与级联传导过程,缺乏对风险链式演变的有效预测能力;其三,现有方法缺乏产品出厂后质量反馈数据的闭环修正机制,模型难以随实际运行数据持续迭代更新。针对上述问题,本发明提出一种基于机器学习的产品质量安全数据风险评估方法及系统,通过引入不确定度修正的因果发现模型、风险蓄能池动态传导机制、时序概率图演化预测及马尔可夫决策过程干预策略,并建立基于质量反馈数据的分层网络修正机制,有效提升了风险评估的精度与干预决策的科学性,对推动产品质量安全风险管理向智能化、精准化方向发展具有重要的行业价值。
技术实现思路
1、本发明的目的是要提供一种基于机器学习的产品质量安全数据风险评估方法及系统。
2、为达到上述目的,本发明是按照以下技术方案实施的:
3、本发明包括以下步骤:
4、获取质量安全数据并预处理得到标准化数据,计算设备健康指数,构建生产状态指标向量和不确定度因子;
5、将标准化数据、设备健康指数和生产状态指标向量输入因果发现模型,以不确定度因子修正因果强度,构建因果关联网络;
6、根据因果关联网络,配置风险蓄能池并定义风险传导因子,构建风险动态传导模型;
7、基于时序概率图模型对风险蓄能池的状态转移建模,根据历史风险蓄能值序列训练状态转移概率矩阵,预测蓄能值轨迹并生成风险演化态势曲线;
8、根据风险演化态势曲线识别风险干预窗口期,并将干预策略选择建模为马尔可夫决策过程,输出风险干预策略;
9、采集产品出厂后的质量反馈数据识别质量安全事件,反向追溯致因路径,并对因果关联网络进行分层修正;
10、所述质量安全数据包括检测数据、过程工艺数据、设备状态数据、作业环境数据、供应链流转数据、历史质量反馈数据。
11、进一步的,所述构建生产状态指标向量和不确定度因子的方法,包括:
12、对作业环境数据进行自适应信号分解,提取各分量的能量密度、主周期及幅值,计算能量分布混乱度与信号不规则度;
13、对设备状态数据基于随机退化过程建模设备累积退化量,并根据设备累积退化量与预设退化阈值计算设备健康指数;
14、根据测量不确定度评定标准,对每个检测指标的检测数据分别在上一时间窗口内进行统计评定得到a类标准不确定度,由仪器最大允许误差按均匀分布得到b类标准不确定度,将a类与b类标准不确定度合成得到合成标准不确定度,以覆盖因子与合成标准不确定度相乘得到扩展不确定度,将扩展不确定度与检测指标规格范围半宽的比值作为不确定度因子;
15、将设备健康指数与能量分布混乱度、信号不规则度、能量占比最大分量的周期和幅值进行向量拼接,构建生产状态指标向量。
16、进一步的,所述构建因果关联网络的方法,包括:
17、将标准化数据、设备健康指数和生产状态指标向量作为节点特征输入因果发现模型,得到原始因果强度;所述因果发现模型对各变量之间的非线性因果结构进行端到端学习;
18、根据不确定度因子对原始因果强度进行非线性衰减修正,并以修正后的因果强度为边权重,以环境因子、设备状态、原料属性为根节点,以工艺参数、过程检测指标为中间节点,以质量检测指标、安全性能指标为叶节点,构建有向无环的因果关联网络;
19、以因果关联网络的结构骨架构建静态贝叶斯网络,基于历史数据学习各节点的条件概率分布,将修正后的因果强度作为先验约束注入条件概率分布的参数估计过程。
20、进一步的,所述构建风险动态传导模型的方法,包括:
21、在因果关联网络的各节点配置风险蓄能池;所述风险蓄能池量化节点中风险能量的动态累积过程;
22、以修正后的因果强度作为基础传导系数,根据生产状态指标向量对基础传导系数进行非线性乘性修正,得到风险传导因子;
23、构建风险动态演化方程;所述风险动态演化方程包括自然衰减项、本地工艺偏差输入项、父节点风险传导项、环境耦合调制项;所述自然衰减项表征历史风险蓄能值的保留比例,以设备健康指数进行乘性修正;所述本地工艺偏差输入项以不确定度因子进行指数衰减压制;所述父节点风险传导项引入时变风险传导因子,用于将父节点蓄积的风险传递至当前节点;所述环境耦合调制项以生产状态指标向量的乘积耦合函数进行非线性调制,并设置预设上限值,与环境复杂度正相关,与设备健康度负相关;
24、当节点风险蓄能值超过对应的临界阈值时,触发级联失效预警并向子节点传递风险能量。
25、进一步的,所述生成风险演化态势曲线的方法,包括:
26、以自适应分位数将蓄能值取值范围划分为若干离散状态区间,将风险蓄能池的离散化状态作为时序概率图模型的状态空间变量,以相邻时间切片之间的状态转移概率描述风险蓄能值的演化规律;所述状态转移概率矩阵通过历史风险蓄能值序列训练得到;
27、根据训练后的状态转移概率矩阵,通过多步状态转移概率传播计算未来时段各节点风险蓄能值处于各离散状态的概率分布,取各状态概率与对应状态中心值的加权期望,生成风险演化态势曲线。
28、进一步的,所述识别风险干预窗口期的方法,包括:
29、根据风险演化态势曲线,从叶节点沿因果关联网络反向遍历,基于静态贝叶斯网络的条件概率分布计算各父节点对叶节点状态的后验概率,将后验概率贡献最大的节点作为关键致因节点;
30、将关键致因节点的风险蓄能值尚未达到临界状态且存在有效干预路径的时段区间识别为风险干预窗口期;所述干预窗口期的终止边界为预测到达临界阈值的时间点。
31、进一步的,所述将干预策略选择建模为马尔可夫决策过程的方法,包括:
32、以当前各节点风险蓄能值与设备健康指数构成的系统态势向量作为状态空间,以具体可执行的工艺调整指令作为动作空间;
33、以风险降低收益、归一化干预成本及预测偏差惩罚的加权差作为奖励函数;所述预测偏差惩罚以实际风险蓄能值与预测风险蓄能值的偏差度量引导策略网络自适应预测不确定性;
34、训练策略网络输出使综合奖励最大化的差异化风险处置策略。
35、进一步的,所述进行分层修正的方法,包括:
36、提取产品出厂后的质量反馈数据,通过全生命周期追溯信息定位反馈事件对应的生产时间窗口与工序节点,确认质量安全事件;
37、根据因果关联网络及静态贝叶斯网络的条件概率分布进行反向概率推理,从叶节点向根节点传播概率更新,定位关键致因节点并反向追溯致因路径;
38、若关键致因节点属于反馈事件所追溯到的质量安全事件节点的现有父节点集合,则判定反馈事件为已知因果链内的级联失效,以反馈事件对应节点的风险蓄能池实际状态转移序列与预测转移概率之间的偏差作为修正依据,对与反馈事件相关的节点的状态转移概率矩阵进行指数加权修正;
39、若关键致因节点不属于反馈事件所追溯到的质量安全事件节点的现有父节点集合,则判定反馈事件为未识别到的质量安全事件,以条件互信息度量候选原因节点与叶节点之间的依赖强度,当依赖强度超过预设阈值时,在因果关联网络中增量扩展因果边并更新父节点集合,触发风险蓄能池动态方程的结构更新和时序概率图模型的增量结构学习;所述增量扩展前检测目标节点是否为候选原因节点的祖先节点,若是则阻断本次扩展。
40、第二方面,一种基于机器学习的产品质量安全数据风险评估系统,包括:
41、数据预处理模块,用于获取质量安全数据并预处理得到标准化数据,计算设备健康指数,构建生产状态指标向量和不确定度因子;
42、因果网络构建模块,用于将标准化数据、设备健康指数和生产状态指标向量输入因果发现模型,以不确定度因子修正因果强度,构建因果关联网络,并以因果关联网络的结构骨架构建静态贝叶斯网络;
43、风险传导建模模块,用于根据因果关联网络配置风险蓄能池并定义风险传导因子,构建风险动态传导模型;
44、风险演化预测模块,用于基于时序概率图模型对风险蓄能池的状态转移建模,根据历史风险蓄能值序列训练状态转移概率矩阵,预测蓄能值轨迹并生成风险演化态势曲线;
45、风险干预决策模块,用于根据风险演化态势曲线识别风险干预窗口期,并将干预策略选择建模为马尔可夫决策过程,输出风险干预策略;
46、质量反馈修正模块,用于采集产品出厂后的质量反馈数据识别质量安全事件,反向追溯致因路径,并对因果关联网络进行分层修正。
47、本发明的有益效果是:
48、本发明是一种基于机器学习的产品质量安全数据风险评估方法及系统,与现有技术相比,本发明具有以下技术效果:
49、本发明通过不确定度因子对因果强度进行非线性衰减修正,提升了因果关联网络的构建精度,有效抑制了测量噪声对因果结构的干扰;
50、本发明通过构建风险蓄能池与动态传导模型,实现了风险能量的动态累积量化、跨节点传导预测及级联失效预警,增强了风险演化的可解释性与预见性;
51、本发明基于时序概率图模型的状态转移预测与马尔可夫决策过程的干预策略选择,实现了风险干预窗口期的精准识别与量化决策,兼顾风险降低收益与干预成本;
52、本发明通过出厂后质量反馈数据的分层修正机制,实现了因果网络的闭环自进化,使系统能够持续适应实际生产环境的变化。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com