基于配方的异常检测与适应性学习:对可持续智能制造的影响

科学领域:

• 制造业 工程 制造工程
• 人工智能的人工智能
• 质量控制 质量控制 质量控制

背景情况:

• 工业4.0推动制造业采用人工智能,但在处理多样化,不规则的数据集方面仍然存在挑战.
• 目前在批量级别的注塑成型质量检查限制了个别产品缺陷识别和AI应用.
• 现有的人工智能模型与各种制造设置作斗争,导致不准确的质量评估.

研究的目的:

• 为注塑成型工艺提出一个新的异常检测框架,以提高产品效率和质量检查.
• 为解决由各种制造设置和批量级检查造成的AI实施局限性.
• 为了提高缺陷预测的准确性,并使智能工厂的数据驱动过程持续优化.

主要方法:

• 基于配方的学习:K-Means集群将注塑成型数据分类为设置特定的配方,确保数据的正常性.
• 使用克鲁斯卡尔-瓦利斯测试的统计验证证了对不同设置的配方基础分类的必要性.
• 使用对每种配方的正常数据进行训练的自动编码器进行异常检测;KL-Divergence用于适应性学习与未见的设置.

主要成果:

• 拟议的AI框架预测了61个缺陷,显著超过现有的41个缺陷和集成模型的2个缺陷.
• 适应性学习的表现优于集成和额外训练的模型,在不需要再培训的情况下实现对新环境的持续预测.
• 数据驱动的方法证明了智能工厂的卓越质量检查和增强的流程管理能力.

结论:

• 新型异常检测框架有效地处理注射成型中的各种制造设置,改善缺陷预测.
• 基于配方的学习和可适应的学习提供了一个强大的AI解决方案,用于增强质量控制和流程优化.
• 这种人工智能驱动的方法在智能制造环境中显著提高了生产力和决策.