自动化装配检测生产线在生产中产品质量分析预测方法
阅读说明：本技术 自动化装配检测生产线在生产中产品质量分析预测方法 (Product quality analysis and prediction method in production of automatic assembly detection production line ) 是由 王亚军 李朝磊 张晓� 张键 回振超 于 2021-05-12 设计创作，主要内容包括：本发明公开了一种自动化装配检测生产线在生产中产品质量分析预测方法,通过采集生产线中各生产工位(工序)的质量数据,并对采集数据预处理形成质量数据集,然后构建随机森林、XGBoost和LSTM算法子模型并使用已形成的质量数据集训练算法模型,再通过Stacking算法融合技术进行融合与预测。在实际生产中应用预测模型,并在出现质量问题时通过消息推送向工作人员预警。本发明通过提前分析预测产品生产过程的质量,从而保证在前道工位(工序)质量满足要求的情况下才进行下道工位(工序)的装配生产,以免造成后续待装配零部件的损失,能提升产品装配检测生产过程中零部件的利用率,切实减少不必要的报废,同时提高产品生产的一次下线合格率。(The invention discloses a product quality analysis and prediction method of an automatic assembly detection production line in production, which comprises the steps of collecting quality data of each production station (process) in the production line, preprocessing the collected data to form a quality data set, constructing sub-models of random forests, XGboost and LSTM algorithms, training an algorithm model by using the formed quality data set, and fusing and predicting by using a Stacking algorithm fusion technology. And applying a prediction model in actual production, and giving an early warning to workers through message pushing when quality problems occur. The quality of the product production process is analyzed and predicted in advance, so that the assembly production of the next station (process) is carried out under the condition that the quality of the previous station (process) meets the requirement, the loss of subsequent parts to be assembled is avoided, the utilization rate of the parts in the product assembly detection production process can be improved, unnecessary scrap is reduced practically, and the one-off-line qualification rate of the product production is improved.)
技术领域
本发明涉及自动化装配技术领域，特别是一种自动化装配检测生产线在生产中产品质量分析预测方法。
背景技术
在燃气计量表、冰箱压缩机、汽车门锁等自动化装配检测生产线上，每条自动化装配检测生产线上的装配工位和检测工位多达10个以上。故而，对每个工位的配合精度要求较高。当某一个或几个工位出现偏差，在对应检测工位未能及时发现或各工位均在检测上下限附近，均被判断合格，常导致出现装配半成品或成品不良等情况，一次下线合格率低下。
当半成品或成品不良情况发生后，严重时导致半成品或成品的导致，不严重时，则通常需要返修，返修费时费力，且容易损坏后续后续装配的零部件，导致产品装配检测生产过程中零部件的利用率低下。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种自动化装配检测生产线在生产中产品质量分析预测方法，该自动化装配检测生产线在生产中产品质量分析预测方法使用数据采集技术采集质量数据，使用数据预处理技术将采集数据处理，获得数据集，使用机器学习和神经网络构建算法模型，并使用算法融合技术将模型融合，完成自动化装配检测生产线生产过程中产品的质量分析预测。
为解决上述技术问题，本发明采用的技术方案是：
一种自动化装配检测生产线在生产中产品质量分析预测方法，包括如下步骤。
步骤1、确定预测输出工位：预测输出工位设立在自动化装配检测生产线的返修工位。
步骤2、预测输入工位产品标记：将待装配产品主体放置在自动化装配检测生产线的随行工装上，每个随行工装内均携带有RFID芯片，RFID芯片中内置有对应待装配产品主体的产品信息。
步骤3、质量数据采集：将均放置有待装配产品主体的n个随行工装，均从待装配产品主体的上料工位，依次经过每个中间工位后，输送至预测输出工位；在待装配产品主体的上料工位、每个中间工位以及预测输出工位；上位机分别读取随行工装中RFID芯片，并将每个中间工位和预测输出工位的质量检测数据存储在对应的RFID芯片；其中，n≥10。
步骤4、确定预测输入工位和关键质量特征：对步骤3采集的所有质量数据，进行数据预处理，确定预测输入工位和关键质量特征；其中，预测输入工位设立在位于返修工位上游且为返修工位质量控制的关键工位；数据预处理包括数据清洗、质量特征提取和相关性分析；关键质量特征为预测输入工位的所有质量数据中影响返修工位质量的关键特征。
步骤5、构建质量数据集：根据步骤4确定的预测输入工位和步骤3采集的所有质量数据，构建质量数据集；质量数据集包括预测输入工位质量数据集和预测输出工位质量数据集；预测输入工位质量数据集包括n个待装配产品主体的产品信息以及n组预测输入工位的关键质量特征数据；预测输出工位质量数据集包括n组预测输出工位的质量检测数据。
步骤6、构建Stacking融合算法模型，具体包括如下步骤。
步骤61、构建三种算法模型：三种算法模型包括随机森林、XGBoost和LSTM算法模型；从预测输入工位质量数据集中随机抽样分别作为三种算法模型的输入量，并将预测输出工位质量数据集中与输入量对应的质量数据分别作为三种算法模型的输出量，对三种算法模型分别进行训练，直至收敛；进而得到所述的随机森林、XGBoost和LSTM算法模型。
步骤62、获取三种模型输出数据：将步骤5中的整个预测输入工位质量数据集分别作为步骤61构建的随机森林、XGBoost和LSTM算法模型中的输入量，进而得到三种模型输出数据；三种模型输出数据包括n组随机森林算法的预测输出工位质量检测数据、n组XGBoost算法的预测输出工位质量检测数据和n组LSTM算法的预测输出工位质量检测数据。
步骤63、构建Stacking融合算法模型：将步骤62获取的三种模型输出数据，作为Stacking融合算法模型的输入量，将步骤5中n组预测输出工位的质量检测数据作为Stacking融合算法模型的输出量，对Stacking融合算法模型进行训练，直至收敛，从而得到所需的Stacking融合算法模型；随机森林算法模型、XGBoost算法模型、LSTM算法模型和Stacking融合算法模型，共同构成所述的Stacking融合算法模型，Stacking融合算法模型的输入量为产品信息和预测输入工位的关键质量特征数据，Stacking融合算法模型的输出量为预测输出工位的质量检测数据。
步骤7、产品质量分析预测：将放置有待分析预测产品的随行工装，从上料工位输送至预测输出工位后，上位机读取对应随行工装中RFID芯片，得到待分析预测产品的信息和预测输入工位的关键质量特征数据，并将其作为Stacking融合算法模型的输入量，进行Stacking融合算法模型计算，进而得到待分析预测产品在预测输出工位的质量检测数据。
步骤63中，Stacking融合算法模型的构建过程，包括如下步骤：
步骤63A、加权平均：对输入至Stacking融合算法模型中的三种模型输出数据，进行加权平均，形成n组融合后的预测输入工位的关键质量特征数据。
步骤63B、线性回归：将步骤63A形成的n组融合后的预测输入工位的关键质量特征数据作为Stacking融合算法模型中融合后的输入量，进行Stacking计算，得到n组包含待定系数的Stacking融合算法模型输出量，将包含待定系数的Stacking融合算法模型输出量与步骤5中n组预测输出工位的质量检测数据进行线性回归分析，求解得到Stacking融合算法模型中的待定系数，进而得到所需的Stacking融合算法模型。
步骤63A中，三种模型在加权平均时，每种模型的权重值为对应模型的准确率。
步骤61中，随机森林算法模型和XGBoost算法模型构建过程中，通过网格搜索法进行调参。
每个中间工位和预测输出工位，均设置有与上位机连接的读卡器，用于读取RFID芯片。
步骤7中，上位机能将输出的待分析预测产品在预测输出工位的质量检测数据与预设质量数据进行比较和判断；当判定为待分析预测产品具有质量问题时，上位机能将待分析预测产品在预测输出工位的质量检测数据以及比较判断结果推送到相应的生产线管理人员进行预警。
自动化装配检测生产线为燃气计量表、冰箱压缩机或汽车门锁的自动化装配检测生产线。
步骤6中，Stacking融合算法模型为5折Stacking融合算法模型。
本发明具有如下有益效果：
1、本发明通过采集生产线中各生产工位（工序）的质量数据，首先使用数据预处理技术对数据进行数据清洗、特征提取和相关性分析等处理形成质量数据集，然后构建随机森林、XGBoost和LSTM算法子模型并使用已形成的质量数据集训练算法模型，再通过Stacking算法融合技术，使用3种算法子模型进行预测，使用加权平均对预测数据进行组合，构成新的数据集并使用新的数据集训练线性回归模型，最终完成算法模型的融合。在实际生产中应用预测模型，并在出现质量问题时通过消息推送向工作人员预警。
2、本发明通过提前分析预测产品生产过程的质量，从而保证在前道工位（工序）质量满足要求的情况下才进行下道工位（工序）的装配生产，以免造成后续待装配零部件的损失，这样可以提升产品装配检测生产过程中零部件的利用率，切实减少不必要的报废，同时提高产品生产的一次下线合格率。
附图说明
图1是本发明一种自动化装配检测生产线在生产中产品质量分析预测方法的流程图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
如图1所示，一种自动化装配检测生产线在生产中产品质量分析预测方法，包括如下步骤。
步骤1、确定预测输出工位：预测输出工位设立在自动化装配检测生产线的返修工位；进一步优选为返修率高的工位，也可以在每个返修工位均进行设置。
上述自动化装配检测生产线优选为冰箱压缩机、燃气计量表或汽车门锁等自动化装配检测生产线。
步骤2、预测输入工位产品标记：将待装配产品主体放置在自动化装配检测生产线的随行工装上，每个随行工装内均携带有RFID芯片，RFID芯片中内置有对应待装配产品主体的产品信息。
步骤3、质量数据采集
将均放置有待装配产品主体的n个随行工装，均从待装配产品主体的上料工位，依次经过每个中间工位后，输送至预测输出工位；在待装配产品主体的上料工位、每个中间工位以及预测输出工位。
每个中间工位和预测输出工位，均设置有与上位机连接的读卡器，用于读取RFID芯片。也即直接与PLC通讯的方式，实时、高速采集生产线上各工艺设备在生产过程中的数据，将采集的数据不通过OPC等第三方软件，保存到上位机中，使通讯更加稳定可靠。实时采集装配检测工位，对进入返修工位的产品，通过RFID芯片采集质量结果数据。
上位机分别读取随行工装中RFID芯片，并将每个中间工位和预测输出工位的质量检测数据存储在对应的RFID芯片；其中，n≥10。
步骤4、确定预测输入工位和关键质量特征
对步骤3采集的所有质量数据，进行数据清洗、质量特征提取和相关性分析等的数据预处理，确定预测输入工位和关键质量特征；其中，预测输入工位设立在位于返修工位上游且为返修工位质量控制的关键工位；关键质量特征为预测输入工位的所有质量数据中影响返修工位质量的关键特征。
步骤5、构建质量数据集：根据步骤4确定的预测输入工位和步骤3采集的所有质量数据，构建质量数据集；质量数据集包括预测输入工位质量数据集和预测输出工位质量数据集；预测输入工位质量数据集包括n个待装配产品主体的产品信息以及n组预测输入工位的关键质量特征数据；预测输出工位质量数据集包括n组预测输出工位的质量检测数据。
步骤6、构建Stacking融合算法模型，具体包括如下步骤。
步骤61、构建三种算法模型
三种算法模型包括随机森林、XGBoost和LSTM算法模型。
从预测输入工位质量数据集中随机抽样分别作为三种算法模型的输入量，并将预测输出工位质量数据集中与输入量对应的质量数据分别作为三种算法模型的输出量，对三种算法模型分别进行训练，直至收敛；进而得到所述的随机森林、XGBoost和LSTM算法模型。
其中，随机森林算法模型和XGBoost算法模型构建过程中，通过网格搜索法进行调参，取得最优的参数组合，并将这3种模型作为模型融合的第一层模型。
上述随机森林算法是由多棵决策树组合而成的集成算法模型。其中，每棵决策树的训练数据集是从总体的质量数据集中随机抽样得到的，训练特征则是从样本数据集中随机抽取的，然后再训练每棵决策树。
上述XGBoost是在GBDT算法基础上进行了改进的算法。在XGBoost算法中加入了L1、L2正则化项，降低了过拟合。使用了二阶泰勒展开对损失函数近似计算，加快了模型的训练速度。
上述LSTM是长短期记忆神经网络，是循环神经网络的一种特殊结构类型。通过特殊的结构单元：输入门、输出门和遗忘门，提取一个序列中前面的信息，并传递到后面神经元中。其中遗忘门能有效防止信息爆炸问题的出现。
步骤62、获取三种模型输出数据：将步骤5中的整个预测输入工位质量数据集分别作为步骤61构建的随机森林、XGBoost和LSTM算法模型中的输入量，进而得到三种模型输出数据；三种模型输出数据包括n组随机森林算法的预测输出工位质量检测数据、n组XGBoost算法的预测输出工位质量检测数据和n组LSTM算法的预测输出工位质量检测数据。
步骤63、构建Stacking融合算法模型：将步骤62获取的三种模型输出数据，作为Stacking融合算法模型的输入量，将步骤5中n组预测输出工位的质量检测数据作为Stacking融合算法模型的输出量，对Stacking融合算法模型进行训练，直至收敛，从而得到所需的Stacking融合算法模型。
随机森林算法模型、XGBoost算法模型、LSTM算法模型和Stacking融合算法模型，共同构成所述的Stacking融合算法模型，Stacking融合算法模型的输入量为产品信息和预测输入工位的关键质量特征数据，Stacking融合算法模型的输出量为预测输出工位的质量检测数据。
上述Stacking融合算法模型的构建过程，优选包括如下步骤：
步骤63A、加权平均：对输入至Stacking融合算法模型中的三种模型输出数据，进行加权平均，形成n组融合后的预测输入工位的关键质量特征数据。
其中，三种模型在加权平均时，每种模型的权重值均优选为对应模型的准确率。
步骤63B、线性回归：将步骤63A形成的n组融合后的预测输入工位的关键质量特征数据作为Stacking融合算法模型中融合后第二层的输入量，进行Stacking计算，得到n组包含待定系数的Stacking融合算法模型输出量，将包含待定系数的Stacking融合算法模型输出量与步骤5中n组预测输出工位的质量检测数据进行线性回归分析，求解得到Stacking融合算法模型中的待定系数，进而得到所需的Stacking融合算法模型。
上述Stacking融合算法模型的具体实施方法如下：
1、将质量数据集分成训练集train和测试集test。
2、将训练集train划分成k个子集train_C={train_1,train_2,…,train_k}，将需要融合的模型存入集合并标记为model_C={model_1,model_2,…,model_n}。
3、循环train_C，将每个子集train_i(1<=i<=k)作为测试集，其他子集合并作为训练集。
4、循环model_C，取每个子模型model_j(1<=j<=n)，使用步骤3中产生训练集和测试集训练并预测model_j，将预测结果保存为{pred_1,pred_2,…,pred_k}，并组合成新的数据集pred_model_j。
5、将步骤5中产生的所有pred_model_j数据集进行加权平均，获得新的预测结果集pred。
6、使用pred数据集作为训练集，将test作为预测集，构建并训练融合模型，即完成了模型融合。
进一步，Stacking融合算法模型优选为5折Stacking融合算法模型。也即同时使用Stacking算法融合和5折交叉验证技术，将训练数据集分成5份子数据集，每次将4份作为训练集，1份作为预测集，循环训练并预测，即每个算法都对5份子数据集进行了预测，获得完整的预测集，然后根据随机森林、XGBoost和LSTM模型的准确度，对3份预测集进行加权平均，作为下一层算法融合的训练数据集。
步骤7、产品质量分析预测：将放置有待分析预测产品的随行工装，从上料工位输送至预测输出工位后，上位机读取对应随行工装中RFID芯片，得到待分析预测产品的信息和预测输入工位的关键质量特征数据，并将其作为Stacking融合算法模型的输入量，进行Stacking融合算法模型计算，进而得到待分析预测产品在预测输出工位的质量检测数据。
接着，上位机能将输出的待分析预测产品在预测输出工位的质量检测数据与预设质量数据进行比较和判断；当判定为待分析预测产品具有质量问题时，上位机能将待分析预测产品在预测输出工位的质量检测数据以及比较判断结果推送到相应的生产线管理人员进行预警。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：基于多粒度任务联合建模的学生学业预警方法及系统