26、卷积神经网络与数据包络分析在工业应用中的研究

卷积神经网络与数据包络分析在工业应用中的研究

卷积神经网络在汽车质量控制中的应用

在汽车制造等工业领域，质量控制至关重要。为了实现高效、准确的质量检测，研究人员采用了卷积神经网络（CNN）技术。

案例研究

对一台将引脚插入组件的机器进行了实际测试。组件的生产过程包括冲压、塑料注塑包覆成型、弹簧安装，最后再冲压四个引脚。
- 制造流程 ：机器从入口区取件，放入中间工具，然后在弹簧力测试区进行检查。若通过测试，则将零件放入冲压工具，完成引脚冲压。
- 验证系统 ：基于神经网络的验证系统会判断零件是否合格，机器会根据结果执行相应操作。由于相机无内部处理能力，处理工作在工业PC上进行，由其控制整个系统并与PLC通信。

硬件与速度

CNN处理程序的速度受硬件影响。图7展示了不同硬件部署下的速度差异。处理速度低于0.6帧/秒（FPS）会影响信息及时传输，导致系统故障。经验证，该应用需达到高于1 FPS的帧率才能正常工作。

相机与光照问题

选用了焦距为50mm、具备USB连接功能的变焦相机。由于系统需24小时运行，环境和光照条件会发生变化。环境光会对检测产生负面影响，如图9所示，部分区域难以检测，引脚也难以区分。
为解决此问题，构建了新的照明系统。新设计覆盖相机部分区域，减少外界光线影响，并添加了1320流明的新光源，提供更稳定、均匀的光照条件。

图像预处理

在制造过程中采集并验证了数据集图像。随后进行预处理，旨在减少噪声、突出轮廓和均衡直方图。预处理后的图像数据集更加均匀，可输入卷积神经网络。

网络结构

网络基于特定结构，初始卷积层负责提取图像特征，全连接层预测输出概率和物体坐标。网络包含24个卷积层和2个全连接层，使用1×1缩减层和3×3卷积层。

结果对比

比较了不同的神经网络架构，结果表明选择的YOLO v3架构最适合该工作。一些为嵌入式硬件设计的网络取得了较好结果，但Darknet - 19虽速度快，但牺牲了过多精度。YOLO V3（基于Darknet - 53）能保持稳定，实现了较高的准确率（97%）和较低的计算成本。

网络架构	准确率
SQUEEZENET	55%
GOOGLENET	69%
ALEXNET	70%
MOBILENET	74%
DARKNET - 19	88%
YOLO - V3	97%

新旧系统对比

现有系统简单但容错性差，相机采集并处理图像后，将单一输出传输给PLC，收集的信息有限。新模型更复杂，但容错性和通用性更强，实现了与PLC的直接通信，并具备数据存储功能。

mermaid图展示制造流程：

graph LR
    A[入口区] --> B[中间工具]
    B --> C[弹簧力测试区]
    C -->|通过| D[冲压工具]
    C -->|未通过| E[处理不合格品]
    D --> F[引脚冲压]

数据包络分析在效率评估中的应用

在评估决策单元（DMU）效率时，数据包络分析（DEA）是一种常用方法。

数据包络分析概述

DEA是一种基于数据输入 - 输出的方法，用于评估将多个输入转化为多个输出的DMU的性能。DMU的定义通用且灵活，可用于评估医院、学校、企业等多种实体的相对效率。

方法原理

DEA可表述为线性规划问题。对于单输出多输入情况，线性规划公式如下：
Max Ei
subject to
$\sum_{i = 1}^{n} w_iI_{ij} - O_it_{ji} \geq 0, j = 1, 2, …$
$E_i \leq 1$ for all i

对于多输入多输出情况，推荐使用Winston和Trick提供的公式：
Maximize $v^TY_0/w^TX_0$ 或等价地 $v^TY_0$
Subject to:
$v^TY_0/w^TX_0 \leq 1, j = 0, … , n$
$w^T \geq 0$
$t^T \geq 0$

优缺点

• 优点 ：能处理多输入多输出模型；无需假设输入输出的函数形式；直接与同行比较；输入输出单位可不同。
• 缺点 ：对数据噪声敏感；收敛到“绝对”效率缓慢；难以进行统计假设检验；大规模问题计算量大；线性规划不能保证考虑所有权重。

示例分析

• 制造示例 ：有三个DMU，各有两个输入和三个输出。通过线性规划求解，得出DMU1和DMU3效率为1，DMU2效率为0.77303。分析发现DMU2在输出#3上存在效率不足，短缺2.785个单位。进行敏感性分析，当DMU2的输出#3减少、输入2增加时，效率降至74%。
• 物联网示例 ：为仓库选择温度和湿度传感器的五家竞争公司数据显示，使用DEA时出现问题。若常数严格大于0，许多DMU线性规划无解；若允许常数大于等于0，求解时部分输入和输出会因决策变量值为0而被排除。

DMU	输入#1	输入#2	输出#1	输出#2	输出#3
1	5	14	9	4	16
2	8	15	5	7	10
3	7	12	4	9	13

mermaid图展示DEA流程：

graph LR
    A[确定DMU] --> B[收集输入输出数据]
    B --> C[构建线性规划模型]
    C --> D[求解线性规划]
    D --> E[评估DMU效率]

卷积神经网络与数据包络分析在工业应用中的研究

卷积神经网络在汽车质量控制中的深入探讨

在汽车质量控制中运用卷积神经网络，除了前面提到的各项内容，还有一些细节值得深入探讨。

数据收集与网络训练

为了让卷积神经网络能够准确地识别零件的好坏，数据收集和网络训练是关键环节。在数据收集阶段，要确保采集到的图像涵盖了不同环境和光照条件下的零件状态。因为系统需要24小时不间断运行，环境和光照的变化是不可避免的。所以，在不同的时间段、不同的天气情况下收集图像，能够让网络学习到更全面的特征。
在网络训练方面，使用不同曝光和环境条件下的图像对网络进行训练，可以增强网络的鲁棒性。通过不断地调整网络的参数，让网络能够在各种复杂的情况下准确地判断零件是否合格。

实时性要求与硬件选择

在实际应用中，实时性是一个重要的指标。如果CNN处理速度过慢，就无法及时将信息传递给机器的其他部分，可能导致系统出现故障。因此，在选择硬件时，要充分考虑硬件对CNN处理速度的影响。
从图7可以看出，不同的硬件部署会导致CNN处理程序的速度有很大差异。为了满足系统对实时性的要求，需要选择能够支持较高帧率的硬件。例如，选择性能较好的处理器和合适的分辨率，以确保系统能够达到高于1 FPS的帧率。

故障诊断与反馈机制

卷积神经网络不仅能够判断零件是否合格，还可以为故障诊断提供有价值的信息。当网络判断某个零件为不合格时，可以进一步分析是哪个部分出现了问题。例如，通过分析图像中引脚的位置、形状等特征，找出可能存在的故障原因。
同时，建立有效的反馈机制也非常重要。将网络的判断结果及时反馈给生产过程中的相关人员，让他们能够及时采取措施进行调整。例如，如果发现某个批次的零件不合格率较高，可以及时检查生产设备是否出现故障，或者调整生产工艺参数。

数据包络分析在效率评估中的拓展应用

数据包络分析在效率评估中具有广泛的应用前景，除了前面提到的制造和物联网领域，还可以在其他领域发挥重要作用。

教育领域的应用

在教育领域，可以将学校、班级或教师作为决策单元（DMU），将教学资源投入（如教师数量、教学设备等）作为输入，将学生的学习成绩、综合素质等作为输出。通过DEA方法，可以评估不同学校、班级或教师的教学效率，找出效率低下的原因，并提出改进措施。
例如，某地区有多所学校，通过DEA分析发现，部分学校在教学资源投入相同的情况下，学生的学习成绩明显低于其他学校。进一步分析发现，这些学校的教学方法可能存在问题，或者教师的教学能力有待提高。针对这些问题，可以采取培训教师、改进教学方法等措施，提高教学效率。

医疗领域的应用

在医疗领域，可以将医院、科室或医生作为DMU，将医疗资源投入（如医生数量、医疗设备等）作为输入，将患者的治疗效果、满意度等作为输出。通过DEA方法，可以评估不同医院、科室或医生的医疗效率，优化医疗资源的配置。
例如，某城市有多所医院，通过DEA分析发现，部分医院在医疗资源投入相同的情况下，患者的治疗效果明显低于其他医院。进一步分析发现，这些医院的管理水平可能存在问题，或者医疗流程不够优化。针对这些问题，可以采取加强医院管理、优化医疗流程等措施，提高医疗效率。

改进DEA方法的探讨

虽然DEA方法在效率评估中具有很多优点，但也存在一些局限性。为了克服这些局限性，研究人员提出了一些改进的DEA方法。
例如，考虑到DEA方法对数据噪声敏感的问题，可以采用鲁棒DEA方法。鲁棒DEA方法能够在数据存在噪声的情况下，仍然准确地评估DMU的效率。另外，为了解决DEA方法收敛到“绝对”效率缓慢的问题，可以采用动态DEA方法。动态DEA方法能够考虑到DMU在不同时间段的效率变化，更准确地评估DMU的长期效率。

改进方法	解决的问题
鲁棒DEA方法	数据噪声敏感
动态DEA方法	收敛到“绝对”效率缓慢

mermaid图展示DEA在不同领域的应用流程：

graph LR
    A[确定应用领域] --> B[选择DMU]
    B --> C[收集输入输出数据]
    C --> D[运用DEA方法评估效率]
    D --> E[分析结果并提出改进措施]

综上所述，卷积神经网络在汽车质量控制中能够实现高效、准确的检测，而数据包络分析在效率评估中具有广泛的应用前景。通过不断地研究和改进这些方法，可以进一步提高工业生产的质量和效率，为企业带来更大的经济效益。