一种利用深度学习预测网络和累积和控制图对工艺质量中的微小偏差进行动态监测和早期预警的方法

《Engineering Applications of Artificial Intelligence》：A dynamic monitoring and early warning method for minor deviations in process quality using the deep learning prediction network with the cumulative sum control chart

　　龚晓荣|欧崇|熊伟青|谭思怡|余贤宇|夏青|杨晓东
重庆理工大学机械工程学院，中国重庆400054

**摘要**
由于设备磨损和维护问题导致的微小工艺质量偏差会在长时间的生产过程中逐渐累积，并可能引发重大质量事故。然而，传统的控制图在检测微小工艺偏差方面灵敏度不足，在监控工艺质量时的早期预警能力也有所延迟。本文提出了一种用于动态监控和预警工艺质量微小偏差的创新方法。首先，使用贝叶斯优化（BO）算法对双向门控循环单元（BiGRU）的超参数进行调优，使BO-BiGRU模型能够更准确地预测工艺质量的微小偏差。其次，将BO-BiGRU模型预测的值序列与实际测量值一起映射到累积和（CUSUM）控制图上，以实现有效监控和预警工艺质量的微小偏差。第三，利用齿轮箱壳体螺栓自动拧紧过程中的真实世界和模拟数据集来验证所提出模型的预测准确性和泛化能力。实验结果表明，所构建的BO-BiGRU模型在预测准确性和泛化能力方面具有双重优势。最后，使用螺栓自动拧紧过程的历史数据来验证该监控和预警方法的有效性和准确性。实验结果表明，所提出的方法能够有效监控当前和未来工艺质量的微小偏差，从而提前预警尚未发生的工艺质量问题。本文为自动化生产条件下工艺质量微小偏差的监控和预警提供了有价值的参考。

**引言**
在工业4.0技术的推动下，制造模式从传统制造向数字化制造转变，生产过程的自动化水平显著提高（Bono等人，2023年）。在短期内，自动化生产系统的运行过程中，工艺质量受机械疲劳和工艺参数变化等因素的影响较小，因此相对稳定性得以保持（Imad等人，2022年）。然而，在长期运行中，由于设备磨损、老化和维护不当，自动化生产系统可能会出现工艺质量的微小偏差。这些偏差会持续累积，随着时间的推移放大质量差异，最终导致工艺质量异常（Mihalcin等人，2014年）。随着这种情况的发生，质量属性数据会不断生成，表现出典型的时间序列特征。然而，传统的静态监控方法（如Shewhart控制图）依赖于当前收集的数据点进行评估，忽略了工艺的历史趋势，这使得难以捕捉微小偏差的累积影响。此外，当质量问题出现时，实际损失往往已经发生，此时再进行干预已经为时已晚。因此，动态监控和预警工艺质量的微小偏差对于确保高度自动化过程的长期稳定质量至关重要，并有助于工业4.0时代精密制造的可持续发展。

在工艺质量微小偏差监控领域，许多学者已经广泛研究了控制图的设计和改进，主要集中在累积和（CUSUM）和指数加权移动平均（EWMA）控制图上（Anwar等人，2020年）。例如，Javed等人（2024年）和Zahid等人（2021年）使用CUSUM控制图监控航空航天制造和基材生产过程中的工艺质量微小偏差，G?ztok等人（2021年）和Javed等人（2023年）使用EWMA控制图监控浮石生产和半导体制造中的硬质烘焙过程中的工艺质量微小偏差。然而，这些控制图研究主要基于历史质量数据来监控微小偏差，而现实世界中的质量异常往往是由工艺中微小偏差的累积引起的。这些基于历史质量数据监控微小偏差的方法只能实现事后质量控制，无法满足深入预警和长期稳定保证工艺质量的需求。因此，预测尚未发生的工艺质量趋势中的微小偏差并在工艺质量异常发生前实施预防控制非常重要。

近年来，许多学者将基于深度学习的时间序列预测模型应用于质量预测领域。利用这些模型捕捉时间关系的强大能力，建立了工艺参数和质量指标之间的非线性映射和动态模式，使得质量预测更加准确，有助于及时发现潜在的质量异常并减少质量损失。例如，Xu等人（2022年）构建了一个RNN-LQI模型来预测低功耗无线链路的质量；Li等人（2022a）提出了一个基于深度迁移学习网络的模型来预测多种条件下的加工质量，Liu等人（2024a, 2024b）提出了一个数据和模型驱动的方法来预测焊接质量，提高了焊接质量预测的准确性。然而，由于自动化过程中质量偏差的幅度较小且变化不明显，现有的时间序列预测模型（如单层循环神经网络）无法捕捉这些微小偏差的趋势。此外，如果使用经验参数调优或传统的网格搜索参数调优方法进行预测，会出现搜索效率低和参数调优复杂度高的问题，且缺乏针对时间序列预测任务的特异性。因此，研究更有效的工艺质量微小偏差预测方法至关重要。

为了解决上述挑战，本文提出了一种结合BO-BiGRU预测模型和CUSUM控制图的方法，以满足自动化过程中工艺质量微小偏差动态监控和预警的实际需求。本文的主要贡献如下：
(1) BO-BiGRU预测模型通过结合贝叶斯优化（BO）的高效超参数搜索能力和双向门控循环单元（BiGRU）的时间特征捕获优势而构建，有效解决了自动化过程中微小质量偏差序列变化幅度小和特征不明显的预测难题。
(2) 将BO-BiGRU预测模型与CUSUM控制图结合，形成了用于工艺质量微小偏差的动态监控和预警方法。该方法不仅能够准确预测未来质量特征的趋势，还能有效监控由工艺质量微小偏差引起的质量异常。
(3) 将所提出的方法应用于某企业齿轮箱壳体螺栓自动拧紧过程的质量特征数据，验证了该方法能够有效监控质量特征的微小偏差，并预测质量异常的发生时间，从而提前预警自动螺栓拧紧过程中的质量问题。

**论文结构**
第2节回顾了相关研究。第3节介绍了工艺质量微小偏差的动态监控和预警过程。第4节构建了用于预测工艺质量微小偏差的BO-BiGRU模型。第5节提出了工艺质量微小偏差的动态监控和预警方法。第6节验证了所提出方法的预测性能。第7节验证了该方法的监控和预警性能，第8节总结了本文。

**相关研究**
与本文相关的研究主要集中在两个方面：(1) 基于控制图的 quality 监控；(2) 基于深度学习的质量预测。

**工艺质量微小偏差的动态监控和预警过程**
考虑到自动化过程中工艺质量的微小偏差难以监控且无法提前预测的问题，本文提出了一种工艺质量微小偏差的动态监控和预警方法。该框架如图1所示，包括四个部分：获取工艺质量特征数据、构建质量特征数据集、预测工艺质量微小偏差以及动态监控和提供预警。

**构建用于预测工艺质量微小偏差的BO-BiGRU模型**
本节首先介绍了质量预测模型（BiGRU）的基本架构，然后对基本架构进行了贝叶斯优化（BO）。随后介绍了BO-BiGRU模型的结构和具体步骤。

**构建用于工艺质量微小偏差的动态监控和预警方法**
为了实现工艺质量微小偏差的动态监控和预警，本文使用从BO-BiGRU模型获得的预测工艺质量值和实际工艺质量特征作为样本点，将其绘制在CUSUM控制图上。该方法的核心概念有两个方面：首先，它使用滚动预测机制不断更新对未来质量状态的评估；其次，通过积累和分析历史工艺数据……

**验证工艺质量微小偏差的预测**
为了验证所提出的方法在自动化生产过程中监控和预警微小偏差的有效性，该方法被应用于中国重庆某公司的壳体装配螺栓自动拧紧过程。首先构建了预测模型输入和控制图输入所需的数据集；然后设置BO-BiGRU预测模型的参数；最后，进行预测……

**评估工艺质量微小偏差的动态监控和预警**
为了评估本文提出的动态监控和预警方法的有效性，本节首先分析了BO-BiGRU模型中的预测误差特征，以评估预测模型的稳定性。其次，为了解决模型预测的不确定性，我们使用蒙特卡洛dropout方法量化这种不确定性，并将其与CUSUM控制图结合，设计了一种稳健的预警策略。最后，通过实际实验验证了该方法的有效性……

**结论和未来研究方向**
为了解决由于微小偏差导致自动化过程中质量特征监控不足的问题，提出了一种新的工艺质量控制方法。具体来说：1) 构建了一个具有更高预测准确性和泛化能力的预测模型（BO-BiGRU），以确保输入到CUSUM控制图的数据质量；2) 提出了一种结合BO-BiGRU模型和CUSUM控制图的工艺质量动态监控和预警方法。

**作者贡献声明**
龚晓荣：撰写——审阅与编辑、撰写——初稿、监督、项目管理、资金获取、数据管理、概念化。
欧崇：撰写——审阅与编辑、撰写——初稿、可视化、验证、方法论、数据管理。
熊伟青：撰写——审阅与编辑、监督、资源管理、调查、资金获取、形式分析、概念化。
谭思怡：可视化、软件开发、调查、数据管理。
余贤宇：……

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

**致谢**
本研究得到了国家自然科学基金（编号52405532）、重庆市自然科学基金项目（编号CSTB2024NSCQ-MSX0425）和重庆市教委科技研究计划（编号KJQN202401136）的资助。
龚晓荣博士目前担任重庆理工大学机械工程学院的副教授。2009年7月，她获得了重庆大学的机械设计、制造与自动化学士学位；2012年7月和2018年12月，她分别获得了重庆大学的机械工程硕士学位和博士学位。2012年6月至2019年3月，她担任咨询部经理……