基于测量不确定度的产品质量检验风险评估系统与方法与流程

本发明涉及产品质量控制中的计算机辅助决策，更具体地说，本发明涉及基于测量不确定度的产品质量检验风险评估系统与方法。

背景技术：

1、在工业互联网、智能制造服务平台和工业生产大数据资源服务等场景中，产品质量检验特别是针对检验成本高昂或具有破坏性的产品，例如，材料寿命、强度等性能测试，为了在控制风险的同时节约检验资源，序贯抽样检验方法已被广泛研究和应用。此类方法的核心在于，根据逐次抽取样本的累计检验结果，动态决定是继续抽样、接收批次还是拒收批次。经典的序贯决策理论为这一流程提供了数学模型基础，其目标是在设定的误判风险水平下，寻求最小的平均样本量。

2、然而，上述现有的序贯检验决策模型在构建其数学基础时通常隐含地假定每一次测量所获得的检验结果是确定性的，或者其伴随的测量误差是一个恒定不变的量，这一假定简化了理论推导，但脱离了实际计量实践，这种矛盾在工业数据处理与数据集成服务、工业云数据库服务等实际应用中更为明显。在真实的测量活动中受设备状态波动、环境条件变化、样本差异以及操作复现性等因素的影响，每一次具体测量的测量不确定度往往是动态变化的，而非一个固定值，忽略这种客观存在的动态变化，直接将基于固定误差假设的决策模型应用于实际，会导致对当前决策风险的评估出现偏差，从而使继续抽样、接收或拒收的决策可能在非最优的时刻作出，无法真正实现兼顾风险控制与检验资源节约的根本目标。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供基于测量不确定度的产品质量检验风险评估系统与方法以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于测量不确定度的产品质量检验风险评估方法，包括：

4、s1：获取待评估产品批次在序贯抽样检验过程中已抽取的每个样本的测量值，以及每个测量值对应的当前测量不确定度评估值；

5、s2：基于所有已抽取样本的测量值，判断当前的检验状态是否满足预设的序贯决策边界条件；

6、s3：若检验状态不满足序贯决策边界条件，则基于统计过程控制图对当前测量不确定度评估值序列进行模式识别分析，判断测量过程是否处于统计控制状态；

7、s4：若测量过程处于统计控制状态，则针对每个已抽取样本，根据其测量值及对应的当前测量不确定度评估值，计算测量值对于预设合格区间的隶属度值；

8、s5：基于所有已抽取样本的隶属度值，更新对产品批次质量水平的总体风险估计值；

9、s6：将更新后的总体风险估计值与预设的风险阈值进行比较，并根据比较结果做出继续抽样、接收批次或拒收批次的判定。

10、进一步地，s1包括：

11、接收对最新抽取样本的执行测量指令，之后根据执行测量指令控制测量设备对最新抽取样本进行检测以获得原始检测数据；

12、对原始检测数据进行数据处理以得到测量值；

13、同步根据执行测量时的测量条件参数及测量设备的当前校准状态信息评估得到与测量值对应的当前测量不确定度评估值。

14、进一步地，s2包括：

15、基于所有已抽取样本的测量值计算当前的序贯概率比统计量；

16、将序贯概率比统计量与预设的接受阈值及拒绝阈值进行比较；

17、若序贯概率比统计量小于或等于接受阈值则判定为满足接收决策边界条件；

18、若序贯概率比统计量大于或等于拒绝阈值则判定为满足拒收决策边界条件，否则判定为检验状态不满足序贯决策边界条件。

19、进一步地，s3包括：

20、基于当前测量不确定度评估值构建当前测量不确定度评估值序列；

21、基于当前测量不确定度评估值序列构建单值控制图与移动极差控制图，应用预设的统计过程控制判异规则分析单值控制图与移动极差控制图中的数据点分布模式；

22、若数据点分布模式未触发任何一项判异规则则判断测量过程处于统计控制状态，否则判断测量过程未处于统计控制状态。

23、进一步地，s4包括：

24、确定预设合格区间的下限值与上限值；

25、根据当前测量不确定度评估值确定围绕下限值与上限值的过渡区宽度；

26、基于测量值在下限值、上限值及过渡区宽度构成的分段区间内的位置，计算得到测量值对于预设合格区间的隶属度值。

27、进一步地，基于测量值在下限值、上限值及过渡区宽度构成的分段区间内的位置，计算得到测量值对于预设合格区间的隶属度值包括：当测量值小于或等于下限值减去过渡区宽度时，隶属度值为0；当测量值大于下限值减去过渡区宽度且小于下限值时，隶属度值从0线性增加至1；当测量值在下限值与上限值之间时，隶属度值为1；当测量值大于上限值且小于上限值加上过渡区宽度时，隶属度值从1线性减小至0；当测量值大于或等于上限值加上过渡区宽度时，隶属度值为0。

28、进一步地，s5包括：

29、计算所有已抽取样本的隶属度值的平均值以表征批次质量的集中趋势；

30、同时计算所有已抽取样本的隶属度值的标准差以表征批次质量的离散程度；

31、依据平均值与标准差的组合关系，从预设的多个风险映射模式中选择对应的目标风险映射模式；

32、利用目标风险映射模式处理平均值与标准差，生成更新后的产品批次质量水平的总体风险估计值。

33、进一步地，利用目标风险映射模式处理平均值与标准差，生成更新后的产品批次质量水平的总体风险估计值包括：将平均值与标准差的比值作为输入，通过查询预先建立的风险映射表，得到更新后的总体风险估计值。

34、进一步地，s6包括：

35、计算更新后的总体风险估计值与预设的风险阈值的绝对差值；

36、将绝对差值与一个动态调整的判定裕度进行比较；

37、若更新后的总体风险估计值小于风险阈值且绝对差值大于或等于判定裕度则判定为接收批次；

38、若更新后的总体风险估计值大于风险阈值且绝对差值大于或等于判定裕度则判定为拒收批次，否则判定为继续抽样。

39、另一方面，本发明提供基于测量不确定度的产品质量检验风险评估系统，包括：

40、数据获取模块，用于获取待评估产品批次在序贯抽样检验过程中已抽取的每个样本的测量值，以及每个测量值对应的当前测量不确定度评估值；

41、序贯判界模块，用于基于所有已抽取样本的测量值，判断当前的检验状态是否满足预设的序贯决策边界条件；

42、控态识别模块，用于若检验状态不满足序贯决策边界条件，则基于统计过程控制图对当前测量不确定度评估值序列进行模式识别分析，判断测量过程是否处于统计控制状态；

43、隶属计算模块，用于若测量过程处于统计控制状态，则针对每个已抽取样本，根据其测量值及对应的当前测量不确定度评估值，计算测量值对于预设合格区间的隶属度值；

44、风险更新模块，用于基于所有已抽取样本的隶属度值，更新对产品批次质量水平的总体风险估计值；

45、风险判定模块，用于将更新后的总体风险估计值与预设的风险阈值进行比较，并根据比较结果做出继续抽样、接收批次或拒收批次的判定。

46、与现有技术相比，本发明具有如下有益效果：

47、1.通过获取并动态评估每次测量对应的不确定度，并将其作为关键输入引入后续的决策流程，有效克服了传统序贯检验模型因忽略测量不确定度动态变化而导致的决策风险失准问题，建立了一套将动态测量不确定度与序贯检验逻辑深度融合的评估框架，通过实时量化每次测量的可靠度，并基于此对样本观测值进行软化处理和批次总体风险的动态估算，使得在每次决策点对批次质量水平的判断不再是基于一个理想化的、固定误差的简单统计量，而是基于一个更贴近实际测量场景的、包含可靠性权重的综合风险指标，从而在模型层面显著提升了风险估计的真实性与决策时刻的合理性。

48、2.通过对测量不确定度序列进行统计控制状态分析，首先从数据源头确保了用于风险评估的测量数据序列的稳定性和可靠性，为后续计算提供了质量受控的输入，利用动态不确定度构建隶属度值，将传统的合格/不合格硬性二元判定转化为一个连续的、反映符合程度的软指标，这一处理在计算机算法层面实现了对测量值固有模糊性的数学表征，使得处于规格边界附近的样本数据能够得到更合理的评价，基于所有样本的软指标进行总体风险估计，并通过与动态判定逻辑相结合的比较来做出最终决策，这一过程实质上构建了一个自适应于检验进程和测量数据质量的智能决策函数，将动态变化的测量可靠性信息系统地嵌入序贯决策的每一次迭代中，使得继续抽样、接收或拒收的判定点能够依据更充分、更真实的风险评估结果而动态调整，从而在计算机执行检验决策程序的层面上，更精准地平衡了误判风险控制与检验资源节约两大目标，提升了自动化检验决策系统的精确性与鲁棒性。