基于边缘推理的工序质量预测与自适应报工方法及系统与流程

本发明属于智能制造，具体涉及基于边缘推理的工序质量预测与自适应报工方法及系统。

背景技术：

1、随着智能制造的深入推进，制造执行系统（mes）已成为生产现场数字化管理的核心载体。当前mes系统普遍实现了无纸化报工，工人通过工位平板扫描工序流转卡、刷员工id卡即可完成生产数据的录入，替代了传统纸质工单的流转模式。然而，现有无纸化报工方案本质上仍属于“事后记录”型信息化，报工操作仅作为生产结果的登记入口，质量管控严重依赖事后检验环节：首检、巡检、末检等质量关卡设置在加工完成后，一旦检出批量不良，已产生不可逆的物料损耗与工时浪费。

2、在质量预测技术层面，部分先进工厂已引入基于统计过程控制（spc）的在线监控手段，通过采集设备关键参数绘制控制图，人工判定过程是否异常。但spc方法存在显著局限：其一，控制图需基于大样本统计假设，难以适应多品种小批量生产模式下单工序样本稀缺的场景；其二，参数超限判定规则僵化，无法融合多源参数间的耦合关系，误报率高；其三，异常判定结果与报工系统相互独立，质量预警无法自动转化为报工流程的控制动作，形成“检测-判定-处置”的断链。

3、近年来，边缘计算与人工智能技术的融合为上述问题提供了新的解决路径。通过在产线侧部署边缘推理节点，将云端训练的质量预测模型下沉至工位端，可实现毫秒级的本地决策响应。然而，现有边缘质量预测方案多聚焦于产品级或批次级的最终质量判定，预测粒度粗、反馈滞后，无法匹配工序级报工的高频触发需求。同时，边缘模型部署后面临数据分布漂移、模型性能衰减等工程难题，缺乏有效的本地自适应更新机制，导致预测可靠性随运行时间递减。此外，边缘节点的计算与存储资源受限，全量模型重训练与参数全同步策略难以落地，亟需轻量化的增量学习与差分传输机制。

4、综上，现有技术尚未解决工序级生产报工与实时质量预测的深度融合问题：报工事件未能触发质量预判，质量预测结果未能动态调控报工策略，边缘模型未能基于实际质检反馈持续进化。本发明正是针对上述技术缺陷而提出。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了基于边缘推理的工序质量预测与自适应报工方法及系统，本发明的目的可以通过以下技术方案实现：

2、基于边缘推理的工序质量预测与自适应报工方法，包括以下步骤：

3、响应于工位端对当前工序的报工触发操作，通过部署于该工位侧的边缘推理单元实时采集当前工序关联的iot设备运行参数；

4、将所述iot设备运行参数输入预部署于所述边缘推理单元的轻量化质量预测模型，输出当前工序的质量风险等级；

5、根据所述质量风险等级，动态生成与当前工序匹配的自适应报工策略；

6、依据所述自适应报工策略控制当前工序的报工流程，并将报工数据、质量风险等级及实际质检结果回传至mes系统和/或erp系统；

7、基于所述实际质检结果，对所述轻量化质量预测模型进行本地增量学习，并周期性将更新后的模型参数同步至云端训练平台进行全局聚合。

8、具体地，所述iot设备运行参数包括主轴负载、振动信号、温度及进给速度中的至少一种；所述边缘推理单元对振动信号进行频域特征提取，得到主轴倍频能量占比，将所述主轴倍频能量占比作为增量特征输入所述轻量化质量预测模型。

9、具体地，所述轻量化质量预测模型按工序类型独立维护，不同工序类型对应不同的模型参数集；所述模型参数集通过以下方式得到：采集该工序类型下历史良品与不良品对应的设备运行参数，构建正负样本对，采用对比学习策略训练得到模型参数集。

10、具体地，所述自适应报工策略包括允许直接报工、触发首检后报工、限制批量数量并强制巡检、或锁定报工并触发异常呼叫中的至少一种。

11、具体地，所述自适应报工策略的生成中，还根据当前工序在制品的已加工数量与订单需求数量的比值，动态调整所述质量风险等级的判定阈值；当比值低于预设阈值时，放宽质量风险等级判定标准并缩短首检等待时间。

12、具体地，所述报工触发操作包括扫描工序流转卡条码、刷员工id卡登录工位平板、或扫描设备选择列表任务中的至少一种；所述边缘推理单元根据报工触发操作的类型，选择不同的参数采集窗口长度：扫描工序流转卡时采集窗口为完整加工周期，刷员工id卡时采集窗口为当前剩余加工时长。

13、具体地，所述将报工数据、质量风险等级及实际质检结果回传至mes系统，包括：将质量风险等级编码为工序级质量标签，写入当前工序的报工记录；所述工序级质量标签随工序流转卡编号传递至下游工序，下游工序的边缘推理单元根据质量标签调整本工序的预测模型输入权重。

14、具体地，所述回传还包括：将所述质量风险等级及实际质检结果同步至erp系统，erp系统根据累计质量风险等级计算订单级质量置信度，当所述质量置信度低于交付标准时，自动触发预留产能重排或客户预警通知。

15、具体地，所述本地增量学习包括：构建在线记忆库，存储最近预设数量批次的预测结果、实际质检结果及对应的设备运行参数；当记忆库中同类误判样本占比超过阈值时，触发模型局部重训练；所述预设数量根据边缘推理单元的存储容量确定。

16、具体地，所述周期性将更新后的模型参数同步至云端训练平台，采用差分参数传输，具体包括：边缘推理单元将本地增量学习后的参数变化量加密上传，云端训练平台将所述参数变化量与全局模型进行加权聚合，生成更新后的全局模型参数，再将所述全局模型参数与边缘本地模型的差异部分下发回传。

17、具体地，所述轻量化质量预测模型为随机森林、梯度提升树、或微型神经网络中的至少一种；所述边缘推理单元在运行轻量化质量预测模型前，先执行模型输入一致性校验：比对当前采集的设备运行参数分布与模型训练时的输入分布，当分布偏移量超过预设阈值时，触发模型失效告警并切换至备用规则策略。

18、基于边缘推理的工序质量预测与自适应报工系统，包括：

19、工位报工终端，配置于各生产工序的工位侧，用于接收报工触发操作并呈现自适应报工策略的执行界面；

20、边缘推理单元，与工位报工终端及iot传感器通信连接，部署于工位侧，内置轻量化质量预测模型、输入分布校验模块和在线记忆库，用于实时采集当前工序的设备运行参数并输出质量风险等级；

21、自适应策略引擎，集成于边缘推理单元，用于根据质量风险等级及在制品进度比值，动态生成自适应报工策略；

22、跨工序质量标签传递模块，用于将当前工序的质量风险等级编码为工序级质量标签，传递至下游工序的边缘推理单元；

23、mes服务端，与边缘推理单元通信连接，用于接收报工数据、质量风险等级及实际质检结果，维护工序流转卡编号与质量标签的关联关系；

24、云端训练平台，与mes服务端及多个边缘推理单元通信连接，用于基于汇聚的参数变化量进行加权聚合训练，并将更新后的全局模型参数差分下发至各边缘推理单元。

25、本发明的有益效果为：

26、实现报工驱动的工序级质量实时预测。本发明以报工触发操作作为边缘推理单元的启动信号，仅在工人报工时激活质量预测流程，而非持续占用边缘算力进行无差别监控。相比于现有方案中产品级或批次级的滞后质量判定，本发明将质量预测粒度细化至每一道工序、每一次报工，使质量风险能够在加工完成的第一时间被感知，为报工策略的动态调整提供实时决策依据。

27、实现质量风险等级驱动的自适应报工控制。本发明根据质量风险等级动态生成差异化的报工策略--允许直接报工、触发首检后报工、限制批量数量并强制巡检、或锁定报工并触发异常呼叫。该机制将质量预测与报工流程深度耦合，使报工环节从“数据记录入口”升级为“质量风险自动控制闸口”，高风险时自动锁单并呼叫，从源头避免批量不良导致的物料损耗与工时浪费。

28、实现交期压力与质量控制的动态平衡。本发明引入在制品进度比值作为策略修正因子，根据已加工数量与订单需求数量的比值动态调整质量风险等级判定阈值。交付压力较大时适度放宽判定标准并缩短首检等待时间，使质量管控能够根据生产进度自适应调节管控力度。

29、实现边缘模型的持续进化与跨工序知识传递。本发明基于实际质检结果对轻量化质量预测模型进行本地增量学习，并通过差分参数传输将更新后的模型参数周期性同步至云端训练平台进行全局聚合，有效克服边缘模型因数据分布漂移导致的性能衰减问题。同时，将质量风险等级编码为工序级质量标签并传递至下游工序，使上游质量信息能够指导下游模型推理，实现跨工序的链式追溯与知识传递。

30、保障边缘模型部署的工程可靠性。本发明在模型推理前执行输入分布一致性校验，当分布偏移量超过预设阈值时触发模型失效告警并切换至备用规则策略，有效解决了边缘模型因实际数据分布与训练数据分布不一致而导致的预测可靠性下降问题，保障了系统在复杂工况下的稳定运行。