本發(fā)明涉及工業(yè)零件的質(zhì)量預(yù)測和質(zhì)量溯源領(lǐng)域，具體來說，涉及一種工業(yè)零件缺陷溯源方法。

背景技術(shù)：

1、工業(yè)零件在各類機(jī)械設(shè)備中起著至關(guān)重要的作用，特別是在泵和渦輪機(jī)等關(guān)鍵設(shè)備中，其性能和品質(zhì)直接決定了整個機(jī)械系統(tǒng)的運(yùn)行效率和安全性，傳統(tǒng)上，工業(yè)零件的質(zhì)量控制主要是通過生產(chǎn)后的檢測和測試來進(jìn)行，這種方式不僅時間消耗大，而且成本較高，此外，一旦零件在使用過程中發(fā)生故障，要找到故障的根本原因通常非常復(fù)雜，這直接增加了維護(hù)的難度和成本，同時也影響了設(shè)備的整體可靠性。

2、在這種背景下，改進(jìn)工業(yè)零件的質(zhì)量管理方式顯得尤為重要，采用更加高效的生產(chǎn)監(jiān)控和質(zhì)量保證方法，如實(shí)時監(jiān)控和預(yù)測性維護(hù)，不僅可以減少生產(chǎn)后檢測的依賴，還可以提前發(fā)現(xiàn)潛在的故障，從而降低故障發(fā)生的概率，提高整體設(shè)備的運(yùn)行可靠性和效率，優(yōu)化整個工業(yè)生產(chǎn)鏈的效率和輸出質(zhì)量。

3、在現(xiàn)有的工業(yè)生產(chǎn)技術(shù)中，傳統(tǒng)的質(zhì)量管理方法由于無法實(shí)時記錄和追蹤零件的生產(chǎn)歷程，導(dǎo)致效率不高，并且一旦產(chǎn)品出現(xiàn)缺陷，其溯源工作往往不夠有效，缺乏可視化手段，使得找到問題根源變得復(fù)雜和耗時，限制了生產(chǎn)效率的提高和產(chǎn)品質(zhì)量的保證。

4、針對相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、針對相關(guān)技術(shù)中的問題，本發(fā)明提出一種工業(yè)零件缺陷溯源方法，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、根據(jù)本發(fā)明的一個方面，提供了一種工業(yè)零件缺陷溯源方法，該工業(yè)零件缺陷溯源方法包括以下步驟：

4、s1、獲取工業(yè)零件的缺陷數(shù)據(jù)，并對獲取缺陷數(shù)據(jù)進(jìn)行預(yù)處理；

5、s2、基于時序邏輯回歸樹模型對預(yù)處理后的缺陷數(shù)據(jù)進(jìn)行分類預(yù)測，并基于分類預(yù)測結(jié)果生成工業(yè)零件生產(chǎn)過程中工藝參數(shù)對零件缺陷形成的影響因素；

6、s3、基于工藝參數(shù)對零件缺陷形成的影響因素構(gòu)建因果圖形數(shù)據(jù)庫，并對工業(yè)零件缺陷進(jìn)行因果圖建模，得到工業(yè)零件缺陷因果圖；

7、s4、基于工業(yè)零件缺陷因果圖構(gòu)建質(zhì)量溯源模型，并利用質(zhì)量溯源模型對缺陷路徑進(jìn)行質(zhì)量溯源。

8、可選地，獲取工業(yè)零件的缺陷數(shù)據(jù)，并對獲取缺陷數(shù)據(jù)進(jìn)行預(yù)處理包括以下步驟：

9、s11、獲取工業(yè)零件的缺陷數(shù)據(jù)，并對缺陷數(shù)據(jù)進(jìn)行歸一化處理，得到缺陷數(shù)據(jù)集；

10、s12、利用合成少數(shù)類過采樣技術(shù)添加缺陷數(shù)據(jù)集中少數(shù)類的缺陷樣本；同時利用編輯近鄰法刪除缺陷數(shù)據(jù)集中因過采樣被誤標(biāo)或分類器混淆的缺陷樣本，得到預(yù)處理后的缺陷數(shù)據(jù)集。

11、可選地，基于時序邏輯回歸樹模型對預(yù)處理后的缺陷數(shù)據(jù)進(jìn)行分類預(yù)測，并基于分類預(yù)測結(jié)果生成工業(yè)零件生產(chǎn)過程中工藝參數(shù)對零件缺陷形成的影響因素包括以下步驟：

12、s21、將預(yù)處理后的缺陷數(shù)據(jù)集當(dāng)作邏輯模型樹的根節(jié)點(diǎn)，并通過信息增益對根節(jié)點(diǎn)進(jìn)行分裂，生成子節(jié)點(diǎn)；

13、s22、在每個子節(jié)點(diǎn)上訓(xùn)練邏輯回歸模型，并利用最小二乘法和邏輯回歸計算類別的后驗(yàn)概率，為每個數(shù)據(jù)點(diǎn)提供分類預(yù)測；

14、s23、基于分類預(yù)測結(jié)果，對邏輯模型樹進(jìn)行剪枝處理，并通過長短時記憶網(wǎng)絡(luò)(lstm)處理序列數(shù)據(jù)；

15、s24、通過全連接層將長短時記憶網(wǎng)絡(luò)的輸出映射到分類標(biāo)簽，并利用sigmoid激活函數(shù)生成每個類別的預(yù)測概率；

16、s25、基于每個類別的預(yù)測概率，得到工業(yè)零件生產(chǎn)過程中工藝參數(shù)對零件缺陷形成的影響因素。

17、可選地，將預(yù)處理后的缺陷數(shù)據(jù)集當(dāng)作邏輯模型樹的根節(jié)點(diǎn)，并通過信息增益對根節(jié)點(diǎn)進(jìn)行分裂，生成子節(jié)點(diǎn)包括以下步驟：

18、s211、將歸一化后的缺陷數(shù)據(jù)集設(shè)置為邏輯模型樹的根節(jié)點(diǎn)；

19、s212、計算缺陷數(shù)據(jù)集的熵，并根據(jù)每個特征，計算根據(jù)每個特征的不同取值將缺陷數(shù)據(jù)集劃分后的條件熵；

20、s213、通過比較缺陷數(shù)據(jù)集的熵與條件熵之差，選擇缺陷數(shù)據(jù)集的熵與條件熵最大的特征進(jìn)行分裂；

21、s214、將缺陷數(shù)據(jù)集按照特征的不同取值分成若干缺陷子集，每個缺陷子集對應(yīng)新的子節(jié)點(diǎn)；

22、s215、對新的子節(jié)點(diǎn)重復(fù)執(zhí)行s222至s224的步驟，直到達(dá)到預(yù)設(shè)的停止條件，得到完整的葉節(jié)點(diǎn)。

23、可選地，在每個子節(jié)點(diǎn)上訓(xùn)練邏輯回歸模型，并利用最小二乘法和邏輯回歸計算類別的后驗(yàn)概率，為每個數(shù)據(jù)點(diǎn)提供初步分類預(yù)測包括以下步驟：

24、s221、對于邏輯模型樹中的每個葉節(jié)點(diǎn)，收集到達(dá)葉節(jié)點(diǎn)的所有數(shù)據(jù)點(diǎn)；

25、s222、在每個子節(jié)點(diǎn)上訓(xùn)練邏輯回歸模型，并利用最小二乘法確定邏輯回歸模型中的系數(shù)；

26、s223、利用訓(xùn)練后的邏輯回歸模型為每個數(shù)據(jù)點(diǎn)計算屬于各個類別的概率；

27、利用最小二乘法確定邏輯回歸模型中的系數(shù)的表達(dá)式為：

28、

29、利用訓(xùn)練后的邏輯回歸模型為每個數(shù)據(jù)點(diǎn)計算屬于各個類別的概率的表達(dá)式為：

30、

31、式中，βi表示特征向量x中第i個元素的系數(shù)；

32、β0表示特征向量x中第i個元素的系數(shù)；

33、lc(x)表示輸入特征向量x在類別c上的線性組合結(jié)果；

34、p(c|x)表示在給定輸入特征向量x的情況下類別c的概率；

35、lc′(x)表示輸入特征向量x在所有可能得類別c′上的線性組合結(jié)果。

36、可選地，基于分類預(yù)測結(jié)果，對邏輯模型樹進(jìn)行剪枝處理，并通過長短時記憶網(wǎng)絡(luò)處理序列數(shù)據(jù)包括以下步驟：

37、s231、獲取邏輯回歸模型的分類預(yù)測結(jié)果，并作為新的特征添加到缺陷數(shù)據(jù)集中；

38、s232、將添加特征后的缺陷數(shù)據(jù)集輸入到長短時記憶網(wǎng)絡(luò)中，通過兩層長短時記憶網(wǎng)絡(luò)對缺陷進(jìn)行分類。

39、可選地，通過全連接層將長短時記憶網(wǎng)絡(luò)的輸出映射到分類標(biāo)簽，并利用sigmoid激活函數(shù)生成每個類別的預(yù)測概率包括以下步驟：

40、s241、在長短時記憶網(wǎng)絡(luò)的輸出后添加全連接層；

41、s242、在長短時記憶網(wǎng)絡(luò)中，每次輸入一個質(zhì)量特征時，則產(chǎn)生新的隱藏狀態(tài)向量和記憶狀態(tài)向量；通過遺忘門的計算，決定從前一狀態(tài)保留的信息；

42、s243、利用softmax或sigmoid激活函數(shù)處理全連接層的輸出，并獲取每個類別的預(yù)測概率。

43、可選地，基于工藝參數(shù)對零件缺陷形成的影響因素構(gòu)建因果圖形數(shù)據(jù)庫，并對工業(yè)零件缺陷進(jìn)行因果圖建模，得到工業(yè)零件缺陷因果圖包括以下步驟：

44、s31、利用merge命令定義實(shí)體類型；

45、s32、再利用merge命令確定實(shí)體類型中的關(guān)系類型；

46、s33、采集并整理相關(guān)的工業(yè)生產(chǎn)數(shù)據(jù)，將工業(yè)生產(chǎn)數(shù)據(jù)映射到定義后的關(guān)系類型中；

47、s34、利用圖數(shù)據(jù)庫技術(shù)存儲和管理這關(guān)系類型及關(guān)系類型之間的因果關(guān)系。

48、可選地，基于工業(yè)零件缺陷因果圖構(gòu)建質(zhì)量溯源模型，并利用質(zhì)量溯源模型對缺陷路徑進(jìn)行質(zhì)量溯源包括以下步驟：

49、s41、在工業(yè)零件質(zhì)量缺陷因果圖上尋找導(dǎo)致缺陷發(fā)生的全部關(guān)系路徑；

50、s42、對于每條關(guān)系路徑，均計算路徑導(dǎo)致缺陷的概率；

51、s43、根據(jù)關(guān)系路徑的概率，對關(guān)系路徑進(jìn)行排序。

52、可選地，計算路徑導(dǎo)致缺陷的概率的表達(dá)式為：

53、

54、式中，gi表示每個特征導(dǎo)致缺陷的概率；

55、p表示概率；

56、n表示關(guān)系路徑的事件集合；

57、i表示缺陷零件。

58、本發(fā)明的有益效果為：

59、1、本發(fā)明結(jié)合了質(zhì)量預(yù)測技術(shù)和因果圖，從而顯著提高了工業(yè)零件生產(chǎn)的質(zhì)量管理效率和準(zhǔn)確性，通過使用先進(jìn)的數(shù)據(jù)分析和人工智能算法，能夠在生產(chǎn)早期階段預(yù)測出潛在的質(zhì)量問題，從而實(shí)現(xiàn)預(yù)防性維護(hù)，減少不良品率，同時，因果圖的應(yīng)用使得每一個零件的生產(chǎn)歷程都被詳細(xì)記錄和追蹤，這不僅有助于快速準(zhǔn)確地追溯問題根源，還能為持續(xù)的生產(chǎn)優(yōu)化提供數(shù)據(jù)支持，最終實(shí)現(xiàn)成本節(jié)約和質(zhì)量提升。

60、2、本發(fā)明提高工業(yè)零件的生產(chǎn)效率和質(zhì)量控制，利用lmt-lstm模型預(yù)測潛在的質(zhì)量問題和快速追溯到問題的具體環(huán)節(jié)，有助于提前發(fā)現(xiàn)和解決問題，從而減少生產(chǎn)延誤，降低成本，并增強(qiáng)最終產(chǎn)品的可靠性，該發(fā)明還支持對生產(chǎn)流程的持續(xù)優(yōu)化，通過數(shù)據(jù)分析，提高生產(chǎn)過程的透明度和可追溯性。