伴随着智能制造时代的到来,传统制造业正面临一次数字化、网络化、智能化为目标的产业升级。电控阀作为汽车空调压缩机中重要的控制元件,仍发挥着至关重要的作用,其生产企业希望能在新一轮的工业变革中完成制造升级。目前,各生产企业对于电控阀的质量控制主要依靠传统的方式,此类方式往往会由于控制不够及时而产生大量不合格品。本文设计了电控阀质量数据采集系统,并在此基础上,利用深度学习方法,探索了一种产品合格率智能预测方法。主要研究工作和成果如下:1.在电控阀产品制造过程质量数据采集需求分析的基础上,建立了电控阀质量数据采集系统的总体架构,并提出产品合格率智能预测方法的总体思路。2.电控阀质量数据采集系统主要从客户端与服务端的角度阐述了该系统的具体设计与实现。客户端部分主要介绍从终端设备中实施产品质量数据信息采集的方案;服务端部分介绍了网络连接、接口设计以及软件开发;数据库部分介绍了数据库设计,主要包括数据库的选型以及数据表的设计。最后介绍了数据预处理的几种方式,用于为产品合格率智能预测的数据处理提供选择和参考。3.提出了一种基于深度学习的产品合格率智能预测方法。首先从深度学习算法RNN出发,研究了RNN的原理,从实际应用的角度分析RNN的不足之处,并在此基础上提出其变形形式LSTM,阐述了LSTM相对于RNN的优化方案,从而确定了选用LSTM的实现方案,并验证其合理性;其次,针对LSTM网络的训练速度及预测精度,给出Auto Encoder与LSTM结合的进一步优化方案;再次,研究了深度学习优化算法,包括激活函数、过拟合优化算法以及学习率优化算法的选用;最后,确定了基于Auto Encoder-LSTM的电控阀合格率预测模型。4.搭建试验环境,对基于LSTM和基于Auto Encoder-LSTM的两种合格率预测模型进行对比试验分析,通过对电控阀生产线短期内的产品合格率做出预测,验证预测功能的有效性。