基于因果关系网络的缺陷识别方法与流程

1.本发明涉及缺陷识别领域，尤其涉及基于因果关系网络的缺陷识别方法。


背景技术：

2.目前，随着工业自动化和人工智能技术的迅猛发展，制造业的生产效率和产品质量得到了显著提高。然而，由于制造过程中设备、材料等各种因素的影响，产品在生产过程中很容易出现一些缺陷，这些缺陷不仅会影响产品的质量，还会带来安全隐患和经济损失。因此，如何快速有效地识别产品缺陷，及时采取措施进行修复，成为了制造业面临的一个重要问题。所以采用因果网络模型进行缺陷识别是具有可持续发展价值的，因果关系网络模型是一种基于概率模型的建模方法，节点代表变量，边代表变量之间的因果关系。
3.现有技术中，公开了一种种缺陷识别方法，包括建立缺陷数据库；搭建缺陷目标识别训练模型并训练；搭建缺陷识别模型并测试，提取目标检测范围的聚类灰度与形态特征，判断其缺陷类型和合格标准。基于缺陷或损伤图像，采用深度学习方法，构建缺陷或损伤数据库，搭建并生成目标识别模型，并对缺陷和损伤进行定位，通过超参数优化，后去准确率提高缺陷或损伤识别模型。
4.但上述技术至少存在如下问题：对于产品的缺陷不能准确快速定位，耗费精力耗费成本，并且不能实时性较差，往往会产生时间差，导致误差较大。


技术实现要素：

5.本发明通过提供基于因果关系网络的缺陷识别方法，基于因果网络模型进行缺陷识别，使得其在实际应用中具有很好的可控性，灵活性高，可以更好地适应新的问题。解决了现有技术中对于产品的缺陷不能准确快速定位，耗费精力耗费成本，并且不能实时性较差，往往会产生时间差，导致误差较大的问题。
6.本发明提供了以下技术方案：
7.基于因果关系网络的缺陷识别方法，包括以下步骤：
8.步骤s1.收集制造过程中的各种数据，包括设备状态、材料配方、生产环境、电流电压条件信息，通过现场实验或者数据挖掘方方式进行采集，并将采集的信息存储到数据库中；
9.步骤s2.根据收集到的数据，将数据进行预处理然后转化为因果关系网络，根据其中变量相互间的关联关系，将各种因素之间的因果关系进行建模；
10.经过数据预处理，得到新数据集data
‘
，即data
‘
＝{device
data
‘
，produce
data
‘
，external
data
‘
，thing‘
}，其中，device
data
‘
为处理后的设备条件区参数集，produce
data
‘
为处理后的生产条件区参数集，external
data
‘
为处理后的外部条件区参数集，thing
‘
为处理后的产品的检验的集；
11.步骤s3.在生产过程中，对数据进行监测和分析，通过图注意力来更新更新因果关系网络，表示样本中第i个节点的特征，表示更新后的第i个节点的特征表示；
12.通过对所有节点的共享权值对已有的初始特征进行节点输入，来提取一阶邻居信息：v
i(n)
＝wh
i(n)
，
13.其中，w∈rf×f‘
为共享权重矩阵，v
i(n)
为一阶邻居对目标节点h
i(n)
初始特征进行节点输入后的新特征表示，f是每个节点的特征维度，f
‘
表示节点特征更新后的特征维度；
14.步骤s4.从因果关系网络m中提取特征，使用改进的卷积神经网络，即senet+resnet，进行特征提取，得到一个特征矩阵q；对提取出的特征进行训练和分类，将q输入到bi-lstm中开始训练，前向输出结果记为后向输出结果记为
15.步骤s5.当发现产品出现缺陷时，通过查询因果关系网络图m，采用反向传播算法或梯度下降方法快速定位缺陷，确定缺陷原因，再采取措施进行修复。
16.基于因果关系网络的缺陷识别方法的缺陷识别系统，应用于基于因果关系网络的缺陷识别方法，其特征在于，包括以下内容：
17.数据获取模块、信息预处理模块、网络构建模块、实时更新模块、特征提取模块、缺陷定位模块；
18.所述数据获取模块，用于收集生产制造中的数据，包括设备条件区参数集合device
data
、生产条件区参数集合produce
data
、外部条件区参数集合external
data
、制造完成的产品的检验的集合thing，将数据信息存储到数据库中，并通过数据传输到信息预处理模块中；
19.所述信息预处理模块，用于对数据获取模块中获得的数据信息进行预处理，经过过滤、降噪的处理方式得到新数据集data
‘
，即data
‘
＝{device
data
‘
，produce
data
‘
，external
data
‘
，thing‘
}，其中，device
data
‘
为处理后的设备条件区参数集，produce
data
‘
为处理后的生产条件区参数集，external
data
‘
为处理后的外部条件区参数集，thing
‘
为处理后的产品的检验的集，通过数据传输到网络构建模块中；
20.所述网络构建模块，根据变量数据集相互间的关联关系，将各种因素之间的因果关系进行建模，为后续对相应特征提取并对特征进行训练和分类提供基础；
21.所述实时更新模块，通过对数据进行监测和分析，把因果关系网络m转换为相应的邻接矩阵g作为输入，通过图注意力来更新特征节点，对因果关系网络进行实时更新；
22.所述特征提取模块，通过改进的卷积神经网络从因果关系网络m中对特征进行提取，双向长短期记忆网络进行特征训练和分类，完成缺陷识别任务；
23.所述缺陷定位模块，根据查询因果关系网络m，采用梯度下降法找到最小化损失函数min(loss)，定位到缺陷，并可及时采取措施进行修复。
24.进一步，步骤s2具体包括：
25.基于数据预处理后的设备条件区参数集device
data
‘
，处理后的生产条件区参数集produce
data
‘
，处理后的外部条件区参数集external
data
‘
构建因果关系网络m，分为在先因果关系网络m
before
和在后因果关系网络m
after
；
26.根据在先因果网络m
before、
具备影响的集合influence、不符合验收标准数据集s
unconform
构建因果关系网络相应的神经网络。
27.进一步，步骤s3具体包括：
28.先选取两个节点的输入进行拼接，再通过leakyrelu激活函数；用softmax函数对节点进行归一化，从而计算不同相邻节点对该节点的注意力权重系数α
ij
；对所有邻居节点
特征做加权求和，得到第n+1层邻居节点对目标节点更新后的特征表示h
i(n+1)
。
29.进一步，步骤s4具体包括：
30.引入senet注意力机制，权重系数公式为$s＝f-{sigmoid}(w-2*f_{relu}(w_1*u))$，
31.其中，$f_{sigmoid}$和$f-{relu}$分别是sigmoid和relu激活函数，和是卷积层权重，$u$是输入特征图；
32.在resnet残差结构中，残差模块的公式为$y＝f(x，w)+x$，其中$f(x，w)$是两个卷积层堆叠的输出，$x$是输入特征图，$w$是卷积层权重。
33.进一步，步骤s4还包括：
34.对于特征进行训练，具体为：将每个特征节点输出的结果开始拼接，记录输出值集合loutdata＝{l1，l2，
…
，lm}，其中，m为特征节点输出的数量，}，其中，m为特征节点输出的数量，t表示某个输出的特征节点，t∈{1，2，
…
，m}，o表示拼接函数；对输出的特征进行全局均值池化；最后由softmax函数对输出的向量进行分类，从而得到该节点处特征分类的概率p。
35.进一步，全局均值池化具体如下：
36.第t个输出的特征节点的均值池化为g
t
，其中，k为每个输出的特征节点的阈值，l
t
为第t个输出的特征节点的输出结果。
37.本发明至少具有如下技术效果或优点：
38.1.通过对因果关系网络中每个节点特征的更新，最终可以得到实时更新后的因果关系网络，从而提高模型的性能和准确性。具体来说，通过图注意力网络，可以对每个节点周围的信息进行聚合，并根据节点之间的相互作用进行动态调整。这样可以更好地捕捉节点之间的关系和局部特征，从而提高模型的表现力和泛化能力。图注意力网络还可以有效地处理大规模、复杂的图数据，为在进行缺陷识别工作中带来极大的便利，很大程度上减少成本提高速度。应用于因果关系网络中，加快了更新速度，对数据进行监测和分析，保证网络的准确性和实用性。
39.2.本发明先通过改进的卷积神经网络进行特征提取，使提取特征准确到位；再采用双向长短期记忆网络进行特征训练及分类，可以对特征进行充分的训练，获得更全面复杂的特征。因而对于后续的缺陷识别工作高效有利，并可以达到自动检测和识别缺陷的目的。
40.3.本发明通过的缺陷识别方法，各步骤紧密联系，彼此呼应、相辅相成，为缺陷识别的准确性、高效性提供保障；每一过程对于数据的处理十分细致，但不会影响处理速度，可以很好的应用于生产制造中。
41.4.本发明可以实时更新因果关系网络，适应生产环境的变化，保证网络的实用性，确保数据的准确性以及实时性。建立因果关系网络，能够更加准确地确定可能导致产品缺陷的因素，提高了诊断效率和准确性。针对不同类型的产品缺陷，可以通过建立不同的因果关系网络来进行诊断，提高灵活性和适应性。
42.5.本发明通过进行缺陷识别，避免了人为判断的主观性和误差性，很大程度上减少了人力物力等额外的消耗。同时本发明还可以广泛应用于各种制造业领域，例如电子、机械、化工等产业，对于其产品缺陷的识别具有良好的效果。
附图说明
43.图1为本发明基于因果关系网络的缺陷识别方法的流程图；
44.图2为本发明基于因果关系网络的缺陷识别系统的模块图。
具体实施方式
45.下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
46.本实施例提供了基于因果关系网络的缺陷识别方法，包括以下步骤：
47.s1.收集制造过程中的各种数据，包括设备状态、材料配方、生产环境、电流电压条件等信息，通过现场实验或者数据挖掘方等方式进行采集，并将采集信息存储到数据库中；
48.具备影响因素的集合：设备条件区参数集合为device
data
，生产条件区参数集合为produce
data
，外部条件区参数集合为external
data
。
49.其中，设备条件区包含但不限于设备各关键零件、设备整体结构、设备使用状态、仪表盘显示器等；生产条件区包含但不限于原材料配方、稳定的电压电源供应、温度湿度气压；外部条件区包含但不限于工作人员的着装标准、工作人员进入生产车间有无携带异物。
50.对制造完成的产品的检验的集合thing：
51.thing＝{length，width，height，performance，appearance，colour}
52.其中，对产品的检验参数的集合包含但不限于长度、宽度、高度、性能、外观、颜色等。
53.s2.根据收集到的数据，将数据进行预处理然后转化为因果关系网络，根据其中变量相互间的关联关系，将各种因素之间的因果关系进行建模；
54.对生产制造过程中收集到的数据集合进行预处理，将数据转换为适合算法处理的形式；
55.对采集到的数据集合data，data＝{device
data
，produce
data
，external
data
，thing}进行组合过滤处理，针对所得数据集合中的数据特性设置不同的过滤规则，例如：条件过滤、无效过滤、有效过滤等，通过设置过滤规则对数据集合进行初步过滤；
56.然后，利用现有的降噪技术对上述初步过滤后的数据集合进行最终过滤，先直接删掉无效值及异常值，然后对删减后数据利用最小二乘法、拉格朗日拟合算法或其他拟合算法任选两种算法进行拟合，再通过由拟合函数构成的小波函数进行小波变换对删减后的数据进行小波处理，即利用优化的小波变换进行降噪，得到更准确的数据集合data
‘
，即data
‘
＝{devicedata
‘
，producedata
‘
，externaldata
‘
，thing
‘
}。
57.对预处理后的产品数据集进行分类处理，根据对产品的检验，所采集到的产品数据符合验收标准的即为s
conform
并进行标注；所采集到的产品数据不符合验收标准的即为s
unconform
。
58.经过预处理后，基于处理后的设备条件区参数集device
data
‘
，处理后的生产条件区参数集produce
data
‘
，处理后的外部条件区参数集external
data
‘
构建因果关系网络m，主要分为在先因果关系网络m
before
和在后因果关系网络m
after
；
59.根据在先因果关系网络m
before
，将处理后的具备影响的集合influence＝{device
data
‘
，produce
data
‘
，external
data
‘
}并结合数据的阈值警报特征来检验因果性。当因节点符合标准，果节点也符合标准，即因果节点中存在同向关系；如果出现反向因果性，则
认为该数据集中的某个节点数据存在伪造或错误的情况将会从数据集中删除该数据。
60.根据在先因果网络m
before
、具备影响的集合influence、不符合验收标准数据集s
unconform
构建因果关系网络相应的神经网络，为后续对相应特征进行提取并对特征进行训练和分类提供基础。
61.在实际应用中，如果经过缺陷识别以后并且已经修复了缺陷可通过本发明进行检验，使用在后因果关系网络m
after
，与产品数据符合验收标准的s
conform
构建相应神经网络进行验证。
62.s3.在生产过程中，对数据进行监测和分析，根据监测结果实时更新因果关系网络，保证网络的准确性和实用性；
63.通过图注意力来更新因果关系网络图即在先因果网络m
before
中的每一个特征点，并通过注意力机制来有选择性的处理邻居节点的特征对本身的影响。其中把因果关系网络图，转换为相应的因果关系邻接矩阵g作为输入，最终得到更新后的特征表示：
64.输入：节点特征集
65.输出：一个新的节点特征集
66.其中，表示样本中第i个节点的特征，n是节点数量，f是每个节点的特征维度。表示更新后的第i个节点的特征，f
‘
表示节点特征更新后的特征维度。
67.通过对所有节点的共享权值对已有的初始特征进行节点输入，来提取一阶邻居信息：v
i(n)
＝wh
i(n)
68.其中，w∈rf×f‘
为共享权重矩阵，v
i(n)
为一阶邻居对目标节点h
i(n)
初始特征进行节点输入后的新特征表示。
69.先选取两个节点的输入进行拼接，再通过leakyrelu激活函数。特别地，原始注意力系数：
70.其中，rf‘
×
rf‘
→
r为选取的注意力机制，||表示拼接操作，e
ij
表示节点j对目标节点i的影响程度，v
j(n)
为一阶邻居对目标节点h
j(n)
初始特征进行节点输入后的新特征表示。
71.用softmax函数对所有j项节点进行归一化，从而计算不同相邻节点对该节点的注意力权重系数；
[0072][0073]
其中，α
ij
作为注意力权重系数，在具体实验中，α取0.2，即使用负斜率为0.2的leakyrelu非线性函数。展开后注意力机制系数为：
[0074][0075]
得到归一化的注意力系数后，可以用来计算与之对应的特征的线性组合，对所有邻居节点特征做加权求和，作为每个节点的最后输出特征，因此便可以得到第n+1层邻居节
点对目标节点更新后的特征表示：
[0076][0077]
通过对因果关系网络中每个节点特征的更新，最终可以得到实时更新后的因果关系网络，从而提高模型的性能和准确性。具体来说，通过图注意力网络，可以对每个节点周围的信息进行聚合，并根据节点之间的相互作用进行动态调整。这样可以更好地捕捉节点之间的关系和局部特征，从而提高模型的表现力和泛化能力。图注意力网络还可以有效地处理大规模、复杂的图数据，为在进行缺陷识别工作中带来极大的便利，很大程度上减少成本提高速度。应用于因果关系网络中，加快了更新速度，对数据进行监测和分析，保证网络的准确性和实用性。
[0078]
s4.从因果关系网络m中提取特征，可以使用卷积神经网络、信息熵、pca等方法进行特征提取，以便于后续的缺陷识别；对提取出的特征进行训练和分类，以达到自动检测和识别缺陷的目的；
[0079]
通过改进的cnn(卷积神经网络)，即senet+resnet，用于特征提取，通过引入senet注意力机制，权重系数公式为
[0080]
$s＝f-{sigmoid}(w_2*f_{relu}(w_1*u))$
[0081]
其中，$f_{sigmoid}$和$f-{relu}$分别是sigmoid和relu激活函数，和是卷积层权重，$u$是输入特征图。
[0082]
在resnet残差结构中，残差模块的公式为$y＝f(x，w)+x$，其中$f(x，w)$是两个卷积层堆叠的输出，$x$是输入特征图，$w$是卷积层权重。
[0083]
网络能够更好地关注关键特征，提高了对于缺陷识别任务的性能，resnet残差结构则加速收敛并解决梯度消失问题，使得网络更加稳定。
[0084]
接下来对提取出的特征进行训练，通过上述可以得到一个特征矩阵q，将q输入到bi-lstm中开始训练，前向输出结果记为后向输出结果记为具体的：
[0085]
前向lstm：$h_t^{\rightarrow}＝lstm(x_t，h-{t-1}^{\rightarrow})$
[0086]
后向lstm：$h_t^{\leftarrow}＝lstm(x_t，h_{t+1}^{\leftarrow})$
[0087]
双向lstm输出：$h_t＝h_t^{\rightarrow}\oplus h_t^{\leftarrow}$，其中$\oplus$表示向量拼接。
[0088]
其中，$x_t$，表示在时间步t的输入向量，通常是输入序列的一个元素所对应的特征向量；$h_t^{\rightarrow}$，表示在时间步t的前向lstm的隐藏状态向量，这个向量在前向lstm中，捕捉了从序列开始到当前时间步t的信息；$h_t^{\leftarrow}$，表示在时间步t的后向lstm的隐藏状态向量，这个向量在后向lstm中，捕捉了从序列结束到当前时间步t的信息；$h_{t-1}^{\rightarrow}$，表示在时间步t-1的前向lstm的隐藏状态向量，它包含了从序列开始到时间步t-1的信息；$h-{t+1}^{\leftarrow}$，表示在时间步t+1的后向lstm的隐藏状态向量，它包含了从序列结束到时间步t+1的信息；$h_t$，表示双向lstm在时间步t的输出向量，它是由前向和后向lstm的隐藏状态向量拼接得到的，这个输出向量包含了从序列开始到当前时间步t，以及从序列结束到当前时间步t的上下文信息；
[0089]
然后将每个特征节点输出的结果开始拼接，记录输出值集合loutdata＝{l1，
l2，
…
，lm}，其中，m为特征节点输出的数量，t表示某个输出的特征节点，t∈{1，2，
…
，m}，o表示拼接函数。
[0090]
接下来对输出的特征进行池化，具体的为进行全局均值池化：
[0091]
a.定义输入矩阵为$x$，输出矩阵为$y$，池化大小为$k$；
[0092]
b.对于输出矩阵$y$的每个元素$y_{i，j}$，其对应的池化范围为$x_{i*k：(i+1)*k，j*k：(j+1)*k}$，即取输入矩阵的$k*k$个元素；
[0093]
c.计算池化范围内元素的平均值，即
[0094]
$y_{i，j}＝frac{1}{(k^2}sum_{p＝0}^{k-1}sum_{q＝0}
^
{k-1}x_{i*k+p，j*k+q}$；
[0095]
重复过程，直到输出矩阵$y$的所有元素都被计算，若输入矩阵的大小不能被池化大小$k$整除，则在矩阵边缘进行填充。
[0096]
特别地，在中，g
t
为第t个输出的特征节点的均值池化，k为每个输出的特征节点的阈值，l
t
为第t个输出的特征节点的输出结果。
[0097]
最后由softmax函数对输出的向量进行分类，从而得到该节点处特征分类的概率为l＝t时，其中，s为输出的节点的个数。
[0098]
在上述过程中，本发明先通过改进的卷积神经网络进行特征提取，使提取特征准确到位；再采用双向长短期记忆网络进行特征训练及分类，可以对特征进行充分的训练，获得更全面复杂的特征。因而对于后续的缺陷识别工作高效有利，并可以达到自动检测和识别缺陷的目的。
[0099]
s5.从而当发现产品出现缺陷时，可通过查询因果关系网络图m，快速定位到可能导致缺陷的因素，确定缺陷原因；根据缺陷原因，采取相应的措施进行修复，保证产品质量和安全。
[0100]
根据查询因果关系网络图可以通过反向传播算法或梯度下降方法等进行缺陷定位。在一实施例中，应用梯度下降算法找到最小化损失函数min(loss)：
[0101]
a.采用线性回归模型或逻辑回归模型等来描述产品缺陷和其它相关因素之间的关系；
[0102]
b.通过损失函数来衡量模型的预测误差，常见的损失函数包括均方误差(mse)或交叉熵等；
[0103]
c.初始化模型参数，如权重向量、偏置等；
[0104]
d.使用链式法则计算损失函数loss对于模型参数的梯度，即损失函数在当前参数下的斜率；根据梯度信息更新模型参数，使得损失函数逐渐降；
[0105]
e.重复执行步骤d，直到损失函数收敛或达到指定的迭代次数。
[0106]
通过使用梯度下降算法，可以不断优化模型参数，从而精确地定位产品缺陷，提高产品质量和用户满意度。同时根据缺陷原因及定位，采取相应的措施进行修复，保证产品质量和安全。
[0107]
基于因果关系网络的缺陷识别方法的缺陷识别系统，具体包括以下内容：
[0108]
数据获取模块、信息预处理模块、网络构建模块、实时更新模块、特征提取模块、缺
陷定位模块；
[0109]
所述数据获取模块，用于收集生产制造中的数据，包括设备条件区参数集合device
data
、生产条件区参数集合produce
data
、外部条件区参数集合external
data
、制造完成的产品的检验的集合thing，将数据信息存储到数据库中，并通过数据传输到信息预处理模块中；
[0110]
所述信息预处理模块，用于对数据获取模块中获得的数据信息进行预处理，经过过滤、降噪的处理方式得到新数据集data
‘
，即data
‘
＝{device
data
‘
，produce
data
‘
，external
data
‘
，thing‘
}，其中，device
data
‘
为处理后的设备条件区参数集，produce
data
‘
为处理后的生产条件区参数集，external
data
‘
为处理后的外部条件区参数集，thing
‘
为处理后的产品的检验的集，通过数据传输到网络构建模块中；
[0111]
所述网络构建模块，根据变量数据集相互间的关联关系，将各种因素之间的因果关系进行建模，为后续对相应特征提取并对特征进行训练和分类提供基础；
[0112]
所述实时更新模块，通过对数据进行监测和分析，把因果关系网络m转换为相应的邻接矩阵g作为输入，通过图注意力来更新特征节点，对因果关系网络进行实时更新；
[0113]
所述特征提取模块，通过改进的卷积神经网络从因果关系网络m中对特征进行提取，双向长短期记忆网络进行特征训练和分类，完成缺陷识别任务；
[0114]
所述缺陷定位模块，根据查询因果关系网络m，可以采用梯度下降法找到最小化损失函数min(loss)，定位到缺陷，并可及时采取相应措施进行修复。
[0115]
本实施例通过提供基于因果关系网络的缺陷识别方法，已经成为了制造业领域产品质量控制方面的热门技术之一，其在缺陷识别、故障诊断、质量控制等方面具有广泛应用前景。
[0116]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0117]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0118]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0119]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0120]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按
照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

技术特征：
1.基于因果关系网络的缺陷识别方法，其特征在于，包括以下步骤：步骤s1.收集制造过程中的各种数据，包括设备状态、材料配方、生产环境、电流电压条件信息，通过现场实验或者数据挖掘方方式进行采集，并将采集的信息存储到数据库中；步骤s2.根据收集到的数据，将数据进行预处理然后转化为因果关系网络，根据其中变量相互间的关联关系，将各种因素之间的因果关系进行建模；经过数据预处理，得到新数据集data
‘
，即data
‘
＝{device
data
′
，produce
data
′
，external
data
′
，thing
‘
}，其中，device
data
′
为处理后的设备条件区参数集，produce
data
′
为处理后的生产条件区参数集，external
data
‘
为处理后的外部条件区参数集，thing
‘
为处理后的产品的检验的集；步骤s3.在生产过程中，对数据进行监测和分析，通过图注意力来更新更新因果关系网络，表示样本中第i个节点的特征，表示更新后的第i个节点的特征表示；通过对所有节点的共享权值对已有的初始特征进行节点输入，提取一阶邻居信息：v
i(n)
＝wh
i(n)
，其中，w∈r
f
×
f
′
为共享权重矩阵，v
i(n)
为一阶邻居对目标节点h
i(n)
初始特征进行节点输入后的新特征表示，f是每个节点的特征维度，f
′
表示节点特征更新后的特征维度；步骤s4.从因果关系网络m中提取特征，使用改进的卷积神经网络，即senet+resnet，进行特征提取，得到一个特征矩阵q；对提取出的特征进行训练和分类，将q输入到bi-lstm中开始训练，前向输出结果记为后向输出结果记为步骤s5.当发现产品出现缺陷时，通过查询因果关系网络图m，采用反向传播算法或梯度下降方法快速定位缺陷，确定缺陷原因，再采取措施进行修复。2.基于因果关系网络的缺陷识别方法的缺陷识别系统，应用于权利要求1所述的基于因果关系网络的缺陷识别方法，其特征在于，包括以下内容：数据获取模块、信息预处理模块、网络构建模块、实时更新模块、特征提取模块、缺陷定位模块；所述数据获取模块，用于收集生产制造中的数据，包括设备条件区参数集合device
data
、生产条件区参数集合produce
data
、外部条件区参数集合external
data
、制造完成的产品的检验的集合thing，将数据信息存储到数据库中，并通过数据传输到信息预处理模块中；所述信息预处理模块，用于对数据获取模块中获得的数据信息进行预处理，经过过滤、降噪的处理方式得到新数据集data
‘
，即data
‘
＝{device
data
′
，produce
data
‘
，external
data
‘
，thing
‘
}，其中，device
data
‘
为处理后的设备条件区参数集，produce
data
为处理后的生产条件区参数集，external
data
′
为处理后的外部条件区参数集，thing
′
为处理后的产品的检验的集，通过数据传输到网络构建模块中；所述网络构建模块，根据变量数据集相互间的关联关系，将各种因素之间的因果关系进行建模，为后续对相应特征提取并对特征进行训练和分类提供基础；所述实时更新模块，通过对数据进行监测和分析，把因果关系网络m转换为相应的邻接矩阵g作为输入，通过图注意力来更新特征节点，对因果关系网络进行实时更新；所述特征提取模块，通过改进的卷积神经网络从因果关系网络m中对特征进行提取，双向长短期记忆网络进行特征训练和分类，完成缺陷识别任务；
所述缺陷定位模块，根据查询因果关系网络m，采用梯度下降法找到最小化损失函数min(loss)，定位到缺陷，并及时采取措施进行修复。3.根据权利要求1所述的基于因果关系网络的缺陷识别方法，其特征在于，所述步骤s2具体包括：基于数据预处理后的设备条件区参数集device
data
′
，处理后的生产条件区参数集produce
data
′
，处理后的外部条件区参数集external
data
′
构建因果关系网络m，分为在先因果关系网络m
before
和在后因果关系网络m
after
；根据在先因果网络m
before
、具备影响的集合influence、不符合验收标准数据集s
unconform
构建因果关系网络相应的神经网络。4.根据权利要求1所述的基于因果关系网络的缺陷识别方法，其特征在于，所述步骤s3具体包括：先选取两个节点的输入进行拼接，再通过leakyrelu激活函数；用softmax函数对节点进行归一化，从而计算不同相邻节点对该节点的注意力权重系数α
ij
；对所有邻居节点特征做加权求和，得到第n+1层邻居节点对目标节点更新后的特征表示h
i(n+1)
。5.根据权利要求1所述的基于因果关系网络的缺陷识别方法，其特征在于，所述步骤s4具体包括：引入senet注意力机制，权重系数公式为$s＝f_{sigmoid}(w_2*f_{relu}(w_1*u))$，其中，$f_{sigmoid}$和$f_{relu}$分别是sigmoid和relu激活函数，$w_1$和$w-2$是卷积层权重，$u$是输入特征图；在resnet残差结构中，残差模块的公式为$y＝f(x，w)+x$，其中$f(x，w)$是两个卷积层堆叠的输出，$x$是输入特征图，$w$是卷积层权重。6.根据权利要求1所述的基于因果关系网络的缺陷识别方法，其特征在于，所述步骤s4还包括：对于特征进行训练，具体为：将每个特征节点输出的结果开始拼接，记录输出值集合loutdata＝{l1，l2，
…
，l
m
}，其中，m为特征节点输出的数量，}，其中，m为特征节点输出的数量，t表示某个输出的特征节点，t∈{1，2，
…
，m}，o表示拼接函数；对输出的特征进行全局均值池化；最后由softmax函数对输出的向量进行分类，从而得到该节点处特征分类的概率p。7.根据权利要求6所述的基于因果关系网络的缺陷识别方法，其特征在于，全局均值池化具体如下：第t个输出的特征节点的均值池化为g
t
，其中，k为每个输出的特征节点的阈值，l
t
为第t个输出的特征节点的输出结果。

技术总结
本发明涉及缺陷识别领域，提供了基于因果关系网络的缺陷识别方法，包括收集制造过程中的各种数据，可通过现场实验或者数据挖掘方等方式进行采集，并将采集信息存储到数据库中；根据收集到的数据，将数据进行预处理然后转化为因果关系网络，根据其中变量相互间的关联关系，将各种因素之间的因果关系进行建模；在生产过程中，对数据进行监测和分析，实时更新因果关系网络，保证网络的准确性和实用性；从因果关系网络M中提取特征，以便于后续的缺陷识别，对提取出的特征进行训练和分类；产品出现缺陷时，可通过查询因果关系网络图M，快速定位缺陷，确定缺陷原因，采取相应的措施进行修复，保证产品质量和安全。保证产品质量和安全。保证产品质量和安全。


技术研发人员：孙豪 乔柱桥 李少森 王小岭 黄剑湘 苏明章 王加磊 李浩 胡梦霖 敬官欣 何照能 梁钰华 李德荣 杨光 张启浩 冯文昕 彭光强 李祥斌 陶冶 梅琦龙 溥德启 孙靖铷 付天乙 袁虎强 任君 崔萌
受保护的技术使用者：中国南方电网有限责任公司超高压输电公司昆明局
技术研发日：2023.07.21
技术公布日：2023/10/15