基于大模型的重點工業產品缺陷預測評價研究

摘 要：傳統監管模式難以適應重點工業產品的高速發展，重點工業產品質量缺陷風險監管需要從傳統監管模式向智能監管模式轉變，本文構建重點工業產品的缺陷預測評價大模型，設立外部數據預測單元和內部數據預測單元、七個預測模型，實現基于人工智能的重點工業產品缺陷預測評價體系。為重點工業產品質量缺陷預測和評價提供分析與決策支持，為重點工業產品質量安全監管模式提供思路。

關鍵詞：智慧監管，重點工業產品，缺陷預測評價，大模型

DOI編碼：10.3969/j.issn.1002-5944.2025.01.034

0 引 言

2022年國務院發布的《關于加強數字政府建設的指導意見》中提到加強數字政府建設是引領驅動數字經濟發展和數字社會建設、營造良好數字生態、加快數字化發展的必然要求。在《“十四五”市場監管現代化規劃》中明確增強市場監管基礎能力，加快推進智慧監管，充分運用互聯網、云計算、大數據、人工智能等現代技術手段，加快提升市場監管效能。

研究發現在食品監管領域、信用監管領域、廣告監管領域正在逐步實現大數據智慧監管模式[1]，通過自然語言處理、計算機視覺、深度學習進行食品[2]等安全風險預測和監管。而對于重點工業產品，由于其復雜多樣、涵蓋面廣，目前還處于理論探索階段，尚未形成基于人工智能深度學習的智慧監管模式。特別是對于重點工業產品存在的質量缺陷問題，僅采用傳統的監管模式將耗費大量財力人力，迫切需要利用大數據技術進行重點工業產品缺陷預測評價，實現智能化監管，以提升監管效率。

1 缺陷預測評價大模型研究現狀

1.1 國外研究現狀

國外研究中，Tan等[3]認為傳統數據管理技術和分析方法已經無法滿足現在的商業環境中應用，提出建立商品數據大數據質量分析模型，收集工業生產數據、消費服務數據，進行大數據質量分析，分析產品故障率和質量發展趨勢，提高產品質量和可靠性。Juan L.Asenjo等[4]提出使用大數據進行的工業系統風險評估，基于從多個企業、銷售商和供應鏈實體收集到云平臺中的全局數據，對企業制造資產、業務營運以及供應鏈動態執行風險評估分析。Luis等[5]設計了食品安全監測系統，實現了對網絡文本信息的采集和食品安全事件的自動提取。

1.2 國內研究情況

國內研究中，鐘武昌等[6]提出產品質量問題預測方法，通過傳感器、RFID等設備采集制造過程數據，包括工藝數據、設備數據等，對數據進行預處理，XGboost結合SHAP模型進行制造過程數據的特征選擇，并挖掘出與產品質量相關性高的影響因素，建立搭建基于Stacking集成的產品質量預測模型，該模型能為改善產品質量提供數據依據，從而進一步降低企業生產制造成本。

孫曼[ 7 ]提出基于神經網絡的礦石質量預測方法，通過生產加工數據分析生產溫度對礦石產品質量的影響，再用神經網絡預測溫度對產品質量影響結果。

路松峰等[8]提出一種產品質量預測方法以及系統，通過獲取產品的生產環境數據、生產相關數據以及當前生產信息，從產品生產周期性、生產工序、質量趨勢，實現生產過程中的產品質量預測。

金蒼宏等[9]提出一種基于商品評論輿情的跨境產品質量風險模糊預測方法，通過用戶對某一類商品的質量評價內容的判斷預測該產品質量優劣等級。

以上文獻是生產企業為了提升生產產品的產品質量而建立的質量預測系統，通過產品的質量數據、商品評論及生產過程中的工藝原料等進行質量預測。

對于監管領域來說，生產過程中的工藝原料等信息是難以獲取的，僅以上述生產數據難以支撐龐大的監管體系進行質量預測，且相關文獻中，均尚未提及對重點工業產品整體的產品缺陷風險預測及監管系統的模型建立，監管領域的重點工業產品缺陷風險預測模型還屬于空白。

2 缺陷預測評價大模型建立

本研究構建基于人工智能的重點工業產品缺陷預測評價大模型。以生產企業為單位，實時獲取外部數據包括產品價格、產品歷史質量、產品標準情況等，以及內部數據包括生產數據、原材料數據、生產設備情況、質量管理與研發情況等。在大模型中建立外部數據預測單元和內部數據預測單元，分別從兩個單元進行智能數據收集、智能數據分析、智能數據預測，再建立整體缺陷預測大模型，設置知識圖譜、優化模型和決策模型，從企業產品和區域行業產品兩個方面開展缺陷風險預測并給出監管預警。大模型框架如圖1所示。

2.1 外部數據預測單元

外部數據預測單元進行產品質量數據建模、同類產品價格比對建模、產品標準比對建模。

進行產品質量數據建模，在網站平臺上大數據挖掘待預測的某生產者產品的質量數據，存入歷年質量數據庫，并進行數據智能清洗和優化，過濾重復的質量信息及不屬于威脅人身、財產安全的產品缺陷信息等。深度學習并建立缺陷類型對照表，分析產品缺陷類型，通過其缺陷類型智能預測該生產者是否有其他批次或型號產品存在同樣問題，并將預測結果送入整體缺陷預測大模型中。

其中，缺陷類型通常分為警示缺陷、制造缺陷、設計缺陷。如對于因警示標識有誤而存在安全隱患的警示缺陷，由于警示標識具有批次性，分析同型號的臨近批次產品可能都使用了該警示標識，而導致存在相同的缺陷。對于電子電路中抗電強度不足，電氣間隙、爬電距離不足等設計缺陷，分析可能該產品自生產出廠以來都存在缺陷問題。建立缺陷類型對照表，對于工藝、原材料等造成的產品缺陷，對應為制造缺陷；對于電路結構、家具結構等造成的產品缺陷，對應為設計缺陷；對于警示標識缺失造成的產品缺陷，對應為警示缺陷。對獲取的產品歷史質量數據進行智能分析，確定其缺陷類型，并將產品質量數據及對應的缺陷類型更新到缺陷類型對照表中。

挖掘的產品質量數據包括企業產品的監督抽查及風險監測不合格數據，消費者投訴數據等。

進行同類產品價格比對建模，獲取待預測的某生產者產品的價格。設立同類產品價格數據庫，大數據挖掘同類產品價格數據，放入同類產品價格數據庫并進行智能清洗和優化，過濾明顯低于市場價格的數據以及品牌定位高端的價格數據，通過離散神經網絡模型分析同類產品平均價格，分析同類產品中行業龍頭企業、品牌企業、主流企業、主流產品的產品價格區間和平均價格，綜合確定同類產品的平均市場價格。若該款產品的價格遠低于平均市場價格，則推斷產品可能存在質量問題，并將產品價格、平均市場價格結果送入整體缺陷預測大模型。

進行產品標準比對建模，確定待預測的某生產者產品的標稱使用標準。根據該標準在網絡平臺獲取對應的指標內容。大數據挖掘該產品相關的現行其他安全標準內容，智能分析比對產品標稱標準相較其他標準所缺少的指標內容，智能分析缺少指標的安全風險程度。若該款產品所依據的標準缺少安全風險程度高的指標，推定該款產品可能存在缺陷，并將缺少的可能存在缺陷的指標內容送入整體缺陷預測大模型。標準指標內容可以從相關專業網站獲取，可建立標準指標內容數據庫。

重點工業產品越來越復雜化、多樣化，強制性安全標準無法涵蓋所有產品，某些產品在國家或行業強制性安全標準尚未發布前，生產者可以自行選擇該產品需依據的標準，但推薦性的國家標準，行業標準等其安全指標不盡相同，若生產者選用標準要求更低、安全指標項目更少的標準，其生產的產品會因某項重要安全指標缺失，而存在安全隱患，因此通過對其依據標準的比對，能夠分析預測產品可能的缺陷問題。

2.2 內部數據預測單元

內部數據預測單元進行關鍵生產設備數據建模、生產環境數據建模、關鍵原材料數據建模、質量管理與研發投入建模。

進行關鍵生產設備數據建模，獲取待預測產品的關鍵生產設備參數，如設備生產企業、設備生產時間、設備使用壽命、設備精度、設備價格、設備規格、對應設備生產企業的歷史質量數據，設備計量數據如計量周期、計量頻次、最近計量時間、計量精度，設備運行參數，如設備運行故障情況、設備運行時間等。建立關鍵生產設備預測模型一，將設備生產企業、設備生產時間、設備使用壽命、設備精度、設備價格、設備規格、對應設備生產企業的質量數據放入關鍵生產設備預測模型一中，智能評估判斷設備質量等級，并將預測的設備質量等級送入整體缺陷預測大模型；建立關鍵生產設備預測模型二，將計量周期、計量頻次、最近計量時間、計量精度等數據放入關鍵生產設備預測模型二中，判斷是否存在設備到期未計量、精度不準確等情況，智能評估設備目前生產精度，并將設備目前生產精度結果送入整體缺陷預測大模型，同時向生產者提出維護預警；建立關鍵生產設備預測模型三，將設備運行故障情況、設備運行時間等數據放入關鍵生產設備預測模型三中，智能判斷設備生產是否超出合理生產時長，是否超過設備使用壽命，判斷設備運行疲勞度，并將判斷結果送入整體缺陷預測大模型。以上數據通過企業報告、相關專業網站獲取。

進行生產環境數據建模，獲取待預測產品的生產環境數據。大數據分析適宜產品生產的環境參數，將產品生產環境數據與適宜產品生產的環境參數智能比對，判斷產品是否在適宜的生產環境中生產，并將判斷結果送入整體缺陷預測大模型。大數據分析的環境參數包括溫度、濕度、清潔、滅菌等情況。獲取生產環境數據的方法可以是傳感器傳輸、生產者上報、攝像圖像上傳等。

進行關鍵原材料數據建模，確定待預測產品需要用到的各重要原材料名稱。大數據分析并確定原材料對應的原料名稱（如電源線使用的銅、鋁金屬材料），獲取其實時價格，原料價格一定程度上會影響原材料的質量，大數據分析預測原料價格影響原材料質量結果?？梢詫⒁欢螝v史時間的原料價格與同時間產品質量抽查情況進行分析比對，以此方式預測當前時刻的原材料質量結果，再將原材料質量分析預測結果送入整體缺陷預測大模型。大數據獲取原材料供應商歷史質量，分析供應商歷史質量影響原材料質量結果，并將分析結果送入整體缺陷預測大模型。

進行質量管理與研發投入建模，獲取待預測產品的企業質量管理相關數據，包括企業經營規模、工商異常數據、研發投入占比、研發人員占比、產出成果占比、品牌價值、產品市場占有率、開放發展情況、歷史質量數據，用于評價質量管理與研發投入情況。通過離散神經網絡模型抽取部分同類生產企業的質量管理相關數據，確定行業質量管理相關數據的平均值。將企業質量管理相關數據與行業質量管理相關數據的平均值智能比較，判斷該企業各質量管理相關數據的優劣，并將該企業各質量管理相關數據及優劣等級送入整體缺陷預測大模型。其中質量數據獲取近三年來企業質量不合格數據。企業經營規模、工商異常數據、研發投入占比等數據可以從相關專業網站獲取。

2.3 整體預測模型

將各模型輸出的數據結果放入整體缺陷預測大模型中，在大模型中構建知識譜圖，知識圖譜包括了七個模型的數據。設置加工規則設立優化模型進行結果優化加工，設立評價模型，該評價模型采用矩陣法或權重賦分法等，將優化加工的數據結果放入模型中開展缺陷預測，得到待預測產品的預測評價結果，并向監管部門和相關生產企業發出缺陷風險預警。產品缺陷預測評價大模型框架圖如圖1所示。

3 結 語

本文提出建立重點工業產品缺陷預測評價大模型，通過人工智能大模型預測并評價重點工業產品缺陷，實現監管信息的智能采集、處理和預警，為重點工業產品質量安全智慧監管提供分析與決策支持，為構建智能化重點工業產品安全監管體系提供參考，提高重點工業產品缺陷預測及評價效能。

參考文獻

[1]趙忠學.食品安全智慧監管：一個新的分析框架[J].中國食品藥品監管，2024（3）：48-71.

[2]王軒.基于大數據的食品安全智能監管模型研究[J].食品安全導刊，2023（30）：150-153.

[3]TAN J S， ANG A K， LU L， et al. Quality analytics ina big data supply chain： Commodity data analyticsfor qua lity engineer ing [C] // 2 016 I EEE Region 10Conference（TENCON）. 2016： 3455-3463.

[4]Rockwell Automation Technologies， Inc. Risk assessmentfor industrial systems using big data： US14087821[P].2014-11-13.

[5]LUIS C R， CRISTINA R S， VALVERDE S L ， et al.Chromatographic fingerprinting： an innovative approachfor food‘identitation’and food authentication-a tutorial[J].Analytica Chimica Acta， 2016， 909： 9-23.

[6]鐘武昌，戰洪飛，林穎俊，等.基于機器學習多算法集成的產品質量問題預測方法[J].機械設計與研究，2023（5）：100-107.

[7]孫曼.基于神經網絡的產品質量預測方法[J].數字通信世界，2023（12）：90-96.

[8]華中科技大學.產品質量預測方法以及系統：CN202110781688.1[P].2021-11-09.

[9]浙江大學城市學院.一種基于商品評論輿情的跨境產品質量風險模糊預測方法：CN201810300790.3[P].2018-04-04.

作者簡介

趙瑩，碩士，工程師，研究方向為缺陷產品管理。

楊鵬，通信作者，本科，研究方向為缺陷產品管理。

（責任編輯：張瑞洋）

基金項目：本文受重慶市市場監督管理局科技項目“產品缺陷認定評價標準指標體系研究”（項目編號：CQSJKJ2022044）資助。