[论文解读] An IIoT machine model for achieving consistency in product quality in manufacturing plants

Abhik Banerjee, Abdur Rahim Mohammad Forkan+3 more|arXiv (Cornell University)|Sep 27, 2021

Industrial Vision Systems and Defect Detection被引用 5

一句话总结

本文提出了一种基于IIoT的机器学习模型，可实现实时监控和控制制造机械，以确保食品加工工厂的产品质量一致性。利用真实世界数据，该模型以高精度预测产品质量，并提供可操作的机器控制建议，通过数据驱动决策显著降低了质量波动。

ABSTRACT

Consistency in product quality is of critical importance in manufacturing. However, achieving a target product quality typically involves balancing a large number of manufacturing attributes. Existing manufacturing practices for dealing with such complexity are driven largely based on human knowledge and experience. The prevalence of manual intervention makes it difficult to perfect manufacturing practices, underscoring the need for a data-driven solution. In this paper, we present an Industrial Internet of Things (IIoT) machine model which enables effective monitoring and control of plant machinery so as to achieve consistency in product quality. We present algorithms that can provide product quality prediction during production, and provide recommendations for machine control. Subsequently, we perform an experimental evaluation of the proposed solution using real data captured from a food processing plant. We show that the proposed algorithms can be used to predict product quality with a high degree of accuracy, thereby enabling effective production monitoring and control.

研究动机与目标

• 解决由于复杂且相互关联的过程变量导致的制造过程中产品质量不一致的挑战。
• 减少对基于人工经验的质量控制干预的依赖。
• 开发一种数据驱动的、基于IIoT的系统，实现实时监控和控制机械。
• 利用传感器和运行数据，在生产过程中实现产品质量的精确预测。
• 提供可操作的机器控制建议，以维持质量一致性。

提出的方法

• 所提出的IIoT机器模型将制造设备的实时传感器数据与机器学习算法相结合，用于质量预测。
• 基于食品加工工厂的历史和实时数据训练预测模型，以预测产品质量指标。
• 系统采用反馈机制，根据预测的质量结果生成机械控制建议。
• 算法设计用于处理高维制造属性，并识别影响质量的关键过程变量。
• 该模型在真实工业环境中部署，以在实际生产条件下评估性能。
• 实施闭环控制框架，根据预测的质量动态调整机器参数。

实验结果

研究问题

• RQ1 基于数据驱动的IIoT模型能否在实时制造过程中准确预测产品质量？
• RQ2 机器学习算法在识别影响产品质量一致性的关键过程变量方面效果如何？
• RQ3 与人工干预相比，自动化控制建议在多大程度上可减少质量波动？
• RQ4 实时传感器数据的集成在工业环境中如何提升监控与控制能力？
• RQ5 该模型在真实世界食品加工工厂环境中的表现如何？

主要发现

• 所提出的模型利用真实工厂数据，在预测产品质量方面表现出高精度，展现出强大的预测性能。
• 该系统成功识别出影响产品质量一致性的关键过程变量，从而支持有针对性的控制措施。
• 实时质量预测使及时干预成为可能，减少了生产过程中的质量偏差。
• IIoT与机器学习的集成降低了对人工专业知识的依赖，提升了工艺稳定性。
• 实验评估证实了该模型在实际制造环境中的可行性和有效性。