工业 4.0 实例：基于机器学习对非侵入式传感器数据进行钢基大规模生产的实时质量控制
机器学习
2022-06-14 v1 信号处理
摘要
大规模生产中的钢材质量不足会对模具造成极其昂贵的损坏、导致生产停机并产出低质量产品。自动、快速且廉价地估计关键材料属性以用于质量控制、风险缓解与故障预测是极受青睐的。本工作中我们分析一条钢基产品的高通量生产线。目前，材料质量通过人工破坏性测试检查，该方法缓慢、浪费且仅覆盖材料的极小部分。为实现完整测试覆盖，我们的工业合作者开发了一种非接触、非侵入式电磁传感器，以实时测量生产中的所有材料。我们的贡献有三方面：1）我们在受控实验中表明该传感器可区分经刻意改变属性的钢。2）对 48 个钢卷进行了完全非侵入式测量，并对样品进行了额外破坏性测试作为真值。拟合了一个线性模型，从非侵入式测量预测两个关键材料属性（屈服强度与抗拉强度），它们通常经由破坏性测试获得。性能在留一钢卷交叉验证中评估。3）所得模型用于分析真实生产数据（约 108 km 经处理材料，由非侵入式传感器测量）上的材料属性及与记录产品故障的关系。该模型预测抗拉强度材料超出规格的表现优异（F3-score 为 0.95）。模型预测与记录产品故障的结合表明，若估计屈服应力值中有显著比例超出规格，则产品故障风险高。我们的分析展示了实时质量控制、风险监测与故障检测的有前景方向。
引用
@article{arxiv.2206.05818,
title = {An Industry 4.0 example: real-time quality control for steel-based mass production using Machine Learning on non-invasive sensor data},
author = {Michiel Straat and Kevin Koster and Nick Goet and Kerstin Bunte},
journal= {arXiv preprint arXiv:2206.05818},
year = {2022}
}
备注
Accepted at IJCNN 2022