MCMDA：一种基于持续学习和节俭原则的AI质量检测机制，专为边缘计算平台设计

《ADVANCED ENGINEERING INFORMATICS》：MCMDA: A continual learning and frugal AI based quality inspection mechanism for edge computing platforms

针对大规模定制化生产中预测质量检查模型面临的数据不足和灾难性遗忘问题，提出基于混合增强与记忆感知突触的MCMDA框架，显著提升模型性能并优化资源使用。

　　在第四次工业革命的背景下，智能制造技术的迅速发展推动了制造业向更加自动化、数据驱动的方向演进。随着生产模式的多样化，特别是大规模定制与个性化产品（Mass Customized and Personalized Product, MCPP）的兴起，传统的深度学习（Deep Learning, DL）解决方案在应对这些新型生产需求时显得力不从心。现有基于深度学习的质量预测系统主要适用于大规模生产（Mass Production, MP）环境，这些环境通常具有稳定的生产流程和大量的历史数据支持，使得模型能够持续学习并保持较高的预测精度。然而，MCPP环境则不同，它们涉及动态的生产过程，以客户为中心，能够提供多样化的定制产品。这种变化带来了新的挑战，特别是在数据获取、模型维护以及资源利用方面。

首先，MCPP环境下，由于产品种类的频繁变化，获取长期的历史数据变得困难。这导致了深度学习模型在更新时容易出现“灾难性遗忘”（Catastrophic Forgetting, CF）问题，即在学习新的产品信息时，模型会逐渐遗忘之前学到的知识。其次，由于MCPP的生产批次较小，收集足够的训练数据变得成本高昂且不现实。因此，如何在有限的数据条件下提升模型的预测能力成为关键问题。此外，工业边缘平台虽然能够实现低延迟的数据处理，但其计算和存储资源有限，使得模型的维护和更新需要更加高效的方法。

针对上述问题，本文提出了一种名为“MAS-Cloning over MixUp-based Data Augmentation (MCMDA)”的解决方案。该方案结合了“Memory Aware Synapses (MAS)”和“Frugal AI”技术，旨在提升深度学习模型在MCPP环境下的性能，同时减少对存储和计算资源的依赖。MAS是一种基于正则化的持续学习机制，能够在不遗忘之前知识的前提下，使模型适应新的任务需求。而“Frugal AI”则关注如何在有限数据条件下优化模型性能，通过知识迁移和数据增强等方法，提高模型的泛化能力。

在数据增强方面，本文采用了“MixUp”技术，该技术能够生成合成数据样本，从而在一定程度上弥补原始数据的不足。与传统的数据增强方法相比，MixUp通过将不同样本进行混合，生成新的数据点，使得模型在训练时能够更好地泛化，提高其在预测任务中的表现。此外，为了进一步优化数据增强的效果，本文还引入了一种机制，用于确定最优的合成数据样本数量，以实现整体性能的提升。

在实验部分，本文以注塑成型制造塑料砖的实际应用案例为基础，验证了MCMDA方案在工业边缘平台上的可行性。实验结果表明，MCMDA在模型性能、存储需求和训练成本方面均优于现有的解决方案。具体而言，MCMDA在模型性能上提升了71.3%，在存储需求上减少了32.92%，在训练成本上降低了8.71%至57.71%。这些数据表明，MCMDA在资源受限的工业边缘平台上具有显著的优势，能够有效应对MCPP环境下的质量预测挑战。

从应用角度来看，本文的解决方案不仅适用于参数化数据的质量预测任务，还可以扩展至分类任务和基于图像的质量检测系统。尽管MCMDA最初是为回归任务设计的，但其架构和方法在分类任务中同样表现出良好的适应性。这使得该方案具有更强的通用性和灵活性，能够满足不同类型的制造需求。

本文的结构安排如下。首先，第二部分回顾了当前的文献，分析了深度学习质量检测、模型维护方法以及轻量AI技术的现状，并指出了其中存在的研究空白。第三部分详细介绍了工业质量预测系统的模型和问题定义。第四部分阐述了本文提出的MCMDA方法，包括其技术原理和实现步骤。第五部分描述了实验设置，包括实际应用案例、硬件和软件配置、深度学习网络结构以及超参数的设置。第六部分展示了实验结果，并对模型性能、存储需求、训练成本以及合成数据样本生成等方面进行了详细讨论。第七部分探讨了该方案的潜在应用和未来研究方向，最后第八部分总结了全文，并提出了未来可能的研究方向。

通过本文的研究，我们希望为制造业提供一种可持续、高效且适应性强的深度学习质量预测解决方案，特别是在大规模定制与个性化产品环境中。该方案不仅能够解决模型遗忘和数据不足的问题，还能在资源受限的工业边缘平台上实现快速、高效的模型维护，从而提升整体的生产效率和产品质量。未来的研究方向可能包括进一步优化数据增强方法、探索更高效的模型维护策略，以及将该方案应用于更多的制造场景，以验证其广泛的适用性。