[论文解读] Quality4.0 -- Transparent product quality supervision in the age of Industry 4.0

Jens Brandenburger, Christoph Schirm+9 more|arXiv (Cornell University)|Nov 12, 2020

Data Quality and Management参考文献 9被引用 10

一句话总结

本文提出 Quality4.0，一个基于机器学习的自适应服务化平台，用于在钢铁供应链中实现产品质量数据的横向集成，通过异常值检测和合理性值（PV）计算提升数据可靠性。该平台通过三大核心服务——质量数据生成、质量分配与质量交换——确保高质量信息的高可靠性交换，实现双向信任与客户定制化数据共享。

ABSTRACT

Progressive digitalization is changing the game of many industrial sectors. Focus-ing on product quality the main profitability driver of this so-called Industry 4.0 will be the horizontal integration of information over the complete supply chain. Therefore, the European RFCS project 'Quality4.0' aims in developing an adap-tive platform, which releases decisions on product quality and provides tailored information of high reliability that can be individually exchanged with customers. In this context Machine Learning will be used to detect outliers in the quality data. This paper discusses the intermediate project results and the concepts developed so far for this horizontal integration of quality information.

研究动机与目标

• 解决由于全球产能过剩和数字化鸿沟导致的欧洲钢铁供应链中信任度低与透明度不足的问题。
• 通过整合领域特定的工艺知识与数据可靠性机制，克服通用 IT 平台的局限性。
• 实现整个供应链中质量信息的横向集成，以增强客户信任与客户亲密度。
• 开发一个可扩展、厂商无关的平台，确保数据合理性、订单特定的数据分配以及安全、定制化的质量数据交换。
• 在供应商与客户之间建立双向反馈回路，以提升产品质量与工艺优化。

提出的方法

• 采用面向服务的架构（SOA），包含三个核心组件：质量数据生成服务（QGS）、质量分配服务（QAS）和质量交换服务（QXS）。
• 通过函数 PV ≔ f(I) 计算合理性值（PV），将数据输入映射为 [0,1] 范围的可靠性评分，综合考虑准确性、完整性、及时性与一致性。
• 应用机器学习技术检测质量数据中的异常值，特别是来自自动表面检测系统（ASIS）的数据，以提升数据可靠性。
• 以 FADI 大数据平台作为底层基础设施，集成开源工具如 Apache NiFi、ELK 堆栈、PostgreSQL、Grafana 和 Modoboa。
• 实施 CI/CD DevOps 流水线，确保在工厂与测试环境之间实现持续集成、测试与部署。
• 设计自定义 IT 标准用于质量数据交换，因现有标准（如 QDX、STEP）被认为不适用于本项目需求。

实验结果

研究问题

• RQ1 如何在整条钢铁供应链中可靠且透明地共享产品质量数据，以增强客户信任？
• RQ2 在工业物联网环境中，确保质量数据合理性和可靠性的技术与组织机制有哪些？
• RQ3 如何有效应用机器学习技术，检测来自钢铁生产复杂异构质量数据流中的异常值？
• RQ4 哪些架构与集成模式能够支持可扩展、多租户且厂商无关的工业质量数据交换平台？
• RQ5 如何在保持数据完整性与可追溯性的前提下，实现按客户订单动态分配与定制化质量数据？

主要发现

• Quality4.0 平台成功将三大核心服务——QGS、QAS 与 QXS——集成到模块化、基于 SOA 的架构中，实现端到端的质量数据管理。
• 合理性值（PV）通过多维函数 f(I) 计算，量化数据可靠性，评分范围为 [0,1]，其中 1 表示完全可靠的数据。
• 在 QGS 中实现了基于机器学习的异常值检测，用于识别质量数据中的异常情况，特别是来自 ASIS 的数据，从而提升数据质量保障能力。
• FADI 平台支持 Quality4.0 堆栈的完全可配置、可扩展且可扩展的部署，利用 Apache NiFi、ELK、PostgreSQL 和 Grafana 等开源工具。
• 由于缺乏合适的开放标准，开发了自定义质量数据交换 IT 标准，确保供应商与客户之间安全、双向的数据流。
• CI/CD 流水线支持自动化、持续集成与部署，可在多样化工业环境中实现快速迭代与可靠发布。