摘 要：傳統(tǒng)監(jiān)管模式難以適應(yīng)重點(diǎn)工業(yè)產(chǎn)品的高速發(fā)展，重點(diǎn)工業(yè)產(chǎn)品質(zhì)量缺陷風(fēng)險(xiǎn)監(jiān)管需要從傳統(tǒng)監(jiān)管模式向智能監(jiān)管模式轉(zhuǎn)變，本文構(gòu)建重點(diǎn)工業(yè)產(chǎn)品的缺陷預(yù)測(cè)評(píng)價(jià)大模型，設(shè)立外部數(shù)據(jù)預(yù)測(cè)單元和內(nèi)部數(shù)據(jù)預(yù)測(cè)單元、七個(gè)預(yù)測(cè)模型，實(shí)現(xiàn)基于人工智能的重點(diǎn)工業(yè)產(chǎn)品缺陷預(yù)測(cè)評(píng)價(jià)體系。為重點(diǎn)工業(yè)產(chǎn)品質(zhì)量缺陷預(yù)測(cè)和評(píng)價(jià)提供分析與決策支持，為重點(diǎn)工業(yè)產(chǎn)品質(zhì)量安全監(jiān)管模式提供思路。

關(guān)鍵詞：智慧監(jiān)管，重點(diǎn)工業(yè)產(chǎn)品，缺陷預(yù)測(cè)評(píng)價(jià)，大模型

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

0 引 言

2022年國(guó)務(wù)院發(fā)布的《關(guān)于加強(qiáng)數(shù)字政府建設(shè)的指導(dǎo)意見(jiàn)》中提到加強(qiáng)數(shù)字政府建設(shè)是引領(lǐng)驅(qū)動(dòng)數(shù)字經(jīng)濟(jì)發(fā)展和數(shù)字社會(huì)建設(shè)、營(yíng)造良好數(shù)字生態(tài)、加快數(shù)字化發(fā)展的必然要求。在《“十四五”市場(chǎng)監(jiān)管現(xiàn)代化規(guī)劃》中明確增強(qiáng)市場(chǎng)監(jiān)管基礎(chǔ)能力，加快推進(jìn)智慧監(jiān)管，充分運(yùn)用互聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、人工智能等現(xiàn)代技術(shù)手段，加快提升市場(chǎng)監(jiān)管效能。

研究發(fā)現(xiàn)在食品監(jiān)管領(lǐng)域、信用監(jiān)管領(lǐng)域、廣告監(jiān)管領(lǐng)域正在逐步實(shí)現(xiàn)大數(shù)據(jù)智慧監(jiān)管模式[1]，通過(guò)自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)進(jìn)行食品[2]等安全風(fēng)險(xiǎn)預(yù)測(cè)和監(jiān)管。而對(duì)于重點(diǎn)工業(yè)產(chǎn)品，由于其復(fù)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(xué)習(xí)的智慧監(jiān)管模式。特別是對(duì)于重點(diǎn)工業(yè)產(chǎn)品存在的質(zhì)量缺陷問(wèn)題，僅采用傳統(tǒng)的監(jiān)管模式將耗費(fèi)大量財(cái)力人力，迫切需要利用大數(shù)據(jù)技術(shù)進(jìn)行重點(diǎn)工業(yè)產(chǎn)品缺陷預(yù)測(cè)評(píng)價(jià)，實(shí)現(xiàn)智能化監(jiān)管，以提升監(jiān)管效率。

1 缺陷預(yù)測(cè)評(píng)價(jià)大模型研究現(xiàn)狀

1.1 國(guó)外研究現(xiàn)狀

國(guó)外研究中，Tan等[3]認(rèn)為傳統(tǒng)數(shù)據(jù)管理技術(shù)和分析方法已經(jīng)無(wú)法滿足現(xiàn)在的商業(yè)環(huán)境中應(yīng)用，提出建立商品數(shù)據(jù)大數(shù)據(jù)質(zhì)量分析模型，收集工業(yè)生產(chǎn)數(shù)據(jù)、消費(fèi)服務(wù)數(shù)據(jù)，進(jìn)行大數(shù)據(jù)質(zhì)量分析，分析產(chǎn)品故障率和質(zhì)量發(fā)展趨勢(shì)，提高產(chǎn)品質(zhì)量和可靠性。Juan L.Asenjo等[4]提出使用大數(shù)據(jù)進(jìn)行的工業(yè)系統(tǒng)風(fēng)險(xiǎn)評(píng)估，基于從多個(gè)企業(yè)、銷(xiāo)售商和供應(yīng)鏈實(shí)體收集到云平臺(tái)中的全局?jǐn)?shù)據(jù)，對(duì)企業(yè)制造資產(chǎn)、業(yè)務(wù)營(yíng)運(yùn)以及供應(yīng)鏈動(dòng)態(tài)執(zhí)行風(fēng)險(xiǎn)評(píng)估分析。Luis等[5]設(shè)計(jì)了食品安全監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)文本信息的采集和食品安全事件的自動(dòng)提取。

1.2 國(guó)內(nèi)研究情況

國(guó)內(nèi)研究中，鐘武昌等[6]提出產(chǎn)品質(zhì)量問(wèn)題預(yù)測(cè)方法，通過(guò)傳感器、RFID等設(shè)備采集制造過(guò)程數(shù)據(jù)，包括工藝數(shù)據(jù)、設(shè)備數(shù)據(jù)等，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，XGboost結(jié)合SHAP模型進(jìn)行制造過(guò)程數(shù)據(jù)的特征選擇，并挖掘出與產(chǎn)品質(zhì)量相關(guān)性高的影響因素，建立搭建基于Stacking集成的產(chǎn)品質(zhì)量預(yù)測(cè)模型，該模型能為改善產(chǎn)品質(zhì)量提供數(shù)據(jù)依據(jù)，從而進(jìn)一步降低企業(yè)生產(chǎn)制造成本。

孫曼[ 7 ]提出基于神經(jīng)網(wǎng)絡(luò)的礦石質(zhì)量預(yù)測(cè)方法，通過(guò)生產(chǎn)加工數(shù)據(jù)分析生產(chǎn)溫度對(duì)礦石產(chǎn)品質(zhì)量的影響，再用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)溫度對(duì)產(chǎn)品質(zhì)量影響結(jié)果。

路松峰等[8]提出一種產(chǎn)品質(zhì)量預(yù)測(cè)方法以及系統(tǒng)，通過(guò)獲取產(chǎn)品的生產(chǎn)環(huán)境數(shù)據(jù)、生產(chǎn)相關(guān)數(shù)據(jù)以及當(dāng)前生產(chǎn)信息，從產(chǎn)品生產(chǎn)周期性、生產(chǎn)工序、質(zhì)量趨勢(shì)，實(shí)現(xiàn)生產(chǎn)過(guò)程中的產(chǎn)品質(zhì)量預(yù)測(cè)。

金蒼宏等[9]提出一種基于商品評(píng)論輿情的跨境產(chǎn)品質(zhì)量風(fēng)險(xiǎn)模糊預(yù)測(cè)方法，通過(guò)用戶(hù)對(duì)某一類(lèi)商品的質(zhì)量評(píng)價(jià)內(nèi)容的判斷預(yù)測(cè)該產(chǎn)品質(zhì)量?jī)?yōu)劣等級(jí)。

以上文獻(xiàn)是生產(chǎn)企業(yè)為了提升生產(chǎn)產(chǎn)品的產(chǎn)品質(zhì)量而建立的質(zhì)量預(yù)測(cè)系統(tǒng)，通過(guò)產(chǎn)品的質(zhì)量數(shù)據(jù)、商品評(píng)論及生產(chǎn)過(guò)程中的工藝原料等進(jìn)行質(zhì)量預(yù)測(cè)。

對(duì)于監(jiān)管領(lǐng)域來(lái)說(shuō)，生產(chǎn)過(guò)程中的工藝原料等信息是難以獲取的，僅以上述生產(chǎn)數(shù)據(jù)難以支撐龐大的監(jiān)管體系進(jìn)行質(zhì)量預(yù)測(cè)，且相關(guān)文獻(xiàn)中，均尚未提及對(duì)重點(diǎn)工業(yè)產(chǎn)品整體的產(chǎn)品缺陷風(fēng)險(xiǎn)預(yù)測(cè)及監(jiān)管系統(tǒng)的模型建立，監(jiān)管領(lǐng)域的重點(diǎn)工業(yè)產(chǎn)品缺陷風(fēng)險(xiǎn)預(yù)測(cè)模型還屬于空白。

2 缺陷預(yù)測(cè)評(píng)價(jià)大模型建立

本研究構(gòu)建基于人工智能的重點(diǎn)工業(yè)產(chǎn)品缺陷預(yù)測(cè)評(píng)價(jià)大模型。以生產(chǎn)企業(yè)為單位，實(shí)時(shí)獲取外部數(shù)據(jù)包括產(chǎn)品價(jià)格、產(chǎn)品歷史質(zhì)量、產(chǎn)品標(biāo)準(zhǔn)情況等，以及內(nèi)部數(shù)據(jù)包括生產(chǎn)數(shù)據(jù)、原材料數(shù)據(jù)、生產(chǎn)設(shè)備情況、質(zhì)量管理與研發(fā)情況等。在大模型中建立外部數(shù)據(jù)預(yù)測(cè)單元和內(nèi)部數(shù)據(jù)預(yù)測(cè)單元，分別從兩個(gè)單元進(jìn)行智能數(shù)據(jù)收集、智能數(shù)據(jù)分析、智能數(shù)據(jù)預(yù)測(cè)，再建立整體缺陷預(yù)測(cè)大模型，設(shè)置知識(shí)圖譜、優(yōu)化模型和決策模型，從企業(yè)產(chǎn)品和區(qū)域行業(yè)產(chǎn)品兩個(gè)方面開(kāi)展缺陷風(fēng)險(xiǎn)預(yù)測(cè)并給出監(jiān)管預(yù)警。大模型框架如圖1所示。

2.1 外部數(shù)據(jù)預(yù)測(cè)單元

外部數(shù)據(jù)預(yù)測(cè)單元進(jìn)行產(chǎn)品質(zhì)量數(shù)據(jù)建模、同類(lèi)產(chǎn)品價(jià)格比對(duì)建模、產(chǎn)品標(biāo)準(zhǔn)比對(duì)建模。

進(jìn)行產(chǎn)品質(zhì)量數(shù)據(jù)建模，在網(wǎng)站平臺(tái)上大數(shù)據(jù)挖掘待預(yù)測(cè)的某生產(chǎn)者產(chǎn)品的質(zhì)量數(shù)據(jù)，存入歷年質(zhì)量數(shù)據(jù)庫(kù)，并進(jìn)行數(shù)據(jù)智能清洗和優(yōu)化，過(guò)濾重復(fù)的質(zhì)量信息及不屬于威脅人身、財(cái)產(chǎn)安全的產(chǎn)品缺陷信息等。深度學(xué)習(xí)并建立缺陷類(lèi)型對(duì)照表，分析產(chǎn)品缺陷類(lèi)型，通過(guò)其缺陷類(lèi)型智能預(yù)測(cè)該生產(chǎn)者是否有其他批次或型號(hào)產(chǎn)品存在同樣問(wèn)題，并將預(yù)測(cè)結(jié)果送入整體缺陷預(yù)測(cè)大模型中。

其中，缺陷類(lèi)型通常分為警示缺陷、制造缺陷、設(shè)計(jì)缺陷。如對(duì)于因警示標(biāo)識(shí)有誤而存在安全隱患的警示缺陷，由于警示標(biāo)識(shí)具有批次性，分析同型號(hào)的臨近批次產(chǎn)品可能都使用了該警示標(biāo)識(shí)，而導(dǎo)致存在相同的缺陷。對(duì)于電子電路中抗電強(qiáng)度不足，電氣間隙、爬電距離不足等設(shè)計(jì)缺陷，分析可能該產(chǎn)品自生產(chǎn)出廠以來(lái)都存在缺陷問(wèn)題。建立缺陷類(lèi)型對(duì)照表，對(duì)于工藝、原材料等造成的產(chǎn)品缺陷，對(duì)應(yīng)為制造缺陷；對(duì)于電路結(jié)構(gòu)、家具結(jié)構(gòu)等造成的產(chǎn)品缺陷，對(duì)應(yīng)為設(shè)計(jì)缺陷；對(duì)于警示標(biāo)識(shí)缺失造成的產(chǎn)品缺陷，對(duì)應(yīng)為警示缺陷。對(duì)獲取的產(chǎn)品歷史質(zhì)量數(shù)據(jù)進(jìn)行智能分析，確定其缺陷類(lèi)型，并將產(chǎn)品質(zhì)量數(shù)據(jù)及對(duì)應(yīng)的缺陷類(lèi)型更新到缺陷類(lèi)型對(duì)照表中。

挖掘的產(chǎn)品質(zhì)量數(shù)據(jù)包括企業(yè)產(chǎn)品的監(jiān)督抽查及風(fēng)險(xiǎn)監(jiān)測(cè)不合格數(shù)據(jù)，消費(fèi)者投訴數(shù)據(jù)等。

進(jìn)行同類(lèi)產(chǎn)品價(jià)格比對(duì)建模，獲取待預(yù)測(cè)的某生產(chǎn)者產(chǎn)品的價(jià)格。設(shè)立同類(lèi)產(chǎn)品價(jià)格數(shù)據(jù)庫(kù)，大數(shù)據(jù)挖掘同類(lèi)產(chǎn)品價(jià)格數(shù)據(jù)，放入同類(lèi)產(chǎn)品價(jià)格數(shù)據(jù)庫(kù)并進(jìn)行智能清洗和優(yōu)化，過(guò)濾明顯低于市場(chǎng)價(jià)格的數(shù)據(jù)以及品牌定位高端的價(jià)格數(shù)據(jù)，通過(guò)離散神經(jīng)網(wǎng)絡(luò)模型分析同類(lèi)產(chǎn)品平均價(jià)格，分析同類(lèi)產(chǎn)品中行業(yè)龍頭企業(yè)、品牌企業(yè)、主流企業(yè)、主流產(chǎn)品的產(chǎn)品價(jià)格區(qū)間和平均價(jià)格，綜合確定同類(lèi)產(chǎn)品的平均市場(chǎng)價(jià)格。若該款產(chǎn)品的價(jià)格遠(yuǎn)低于平均市場(chǎng)價(jià)格，則推斷產(chǎn)品可能存在質(zhì)量問(wèn)題，并將產(chǎn)品價(jià)格、平均市場(chǎng)價(jià)格結(jié)果送入整體缺陷預(yù)測(cè)大模型。

進(jìn)行產(chǎn)品標(biāo)準(zhǔn)比對(duì)建模，確定待預(yù)測(cè)的某生產(chǎn)者產(chǎn)品的標(biāo)稱(chēng)使用標(biāo)準(zhǔn)。根據(jù)該標(biāo)準(zhǔn)在網(wǎng)絡(luò)平臺(tái)獲取對(duì)應(yīng)的指標(biāo)內(nèi)容。大數(shù)據(jù)挖掘該產(chǎn)品相關(guān)的現(xiàn)行其他安全標(biāo)準(zhǔn)內(nèi)容，智能分析比對(duì)產(chǎn)品標(biāo)稱(chēng)標(biāo)準(zhǔn)相較其他標(biāo)準(zhǔn)所缺少的指標(biāo)內(nèi)容，智能分析缺少指標(biāo)的安全風(fēng)險(xiǎn)程度。若該款產(chǎn)品所依據(jù)的標(biāo)準(zhǔn)缺少安全風(fēng)險(xiǎn)程度高的指標(biāo)，推定該款產(chǎn)品可能存在缺陷，并將缺少的可能存在缺陷的指標(biāo)內(nèi)容送入整體缺陷預(yù)測(cè)大模型。標(biāo)準(zhǔn)指標(biāo)內(nèi)容可以從相關(guān)專(zhuān)業(yè)網(wǎng)站獲取，可建立標(biāo)準(zhǔn)指標(biāo)內(nèi)容數(shù)據(jù)庫(kù)。

重點(diǎn)工業(yè)產(chǎn)品越來(lái)越復(fù)雜化、多樣化，強(qiáng)制性安全標(biāo)準(zhǔn)無(wú)法涵蓋所有產(chǎn)品，某些產(chǎn)品在國(guó)家或行業(yè)強(qiáng)制性安全標(biāo)準(zhǔn)尚未發(fā)布前，生產(chǎn)者可以自行選擇該產(chǎn)品需依據(jù)的標(biāo)準(zhǔn)，但推薦性的國(guó)家標(biāo)準(zhǔn)，行業(yè)標(biāo)準(zhǔn)等其安全指標(biāo)不盡相同，若生產(chǎn)者選用標(biāo)準(zhǔn)要求更低、安全指標(biāo)項(xiàng)目更少的標(biāo)準(zhǔn)，其生產(chǎn)的產(chǎn)品會(huì)因某項(xiàng)重要安全指標(biāo)缺失，而存在安全隱患，因此通過(guò)對(duì)其依據(jù)標(biāo)準(zhǔn)的比對(duì)，能夠分析預(yù)測(cè)產(chǎn)品可能的缺陷問(wèn)題。

2.2 內(nèi)部數(shù)據(jù)預(yù)測(cè)單元

內(nèi)部數(shù)據(jù)預(yù)測(cè)單元進(jìn)行關(guān)鍵生產(chǎn)設(shè)備數(shù)據(jù)建模、生產(chǎn)環(huán)境數(shù)據(jù)建模、關(guān)鍵原材料數(shù)據(jù)建模、質(zhì)量管理與研發(fā)投入建模。

進(jìn)行關(guān)鍵生產(chǎn)設(shè)備數(shù)據(jù)建模，獲取待預(yù)測(cè)產(chǎn)品的關(guān)鍵生產(chǎn)設(shè)備參數(shù)，如設(shè)備生產(chǎn)企業(yè)、設(shè)備生產(chǎn)時(shí)間、設(shè)備使用壽命、設(shè)備精度、設(shè)備價(jià)格、設(shè)備規(guī)格、對(duì)應(yīng)設(shè)備生產(chǎn)企業(yè)的歷史質(zhì)量數(shù)據(jù)，設(shè)備計(jì)量數(shù)據(jù)如計(jì)量周期、計(jì)量頻次、最近計(jì)量時(shí)間、計(jì)量精度，設(shè)備運(yùn)行參數(shù)，如設(shè)備運(yùn)行故障情況、設(shè)備運(yùn)行時(shí)間等。建立關(guān)鍵生產(chǎn)設(shè)備預(yù)測(cè)模型一，將設(shè)備生產(chǎn)企業(yè)、設(shè)備生產(chǎn)時(shí)間、設(shè)備使用壽命、設(shè)備精度、設(shè)備價(jià)格、設(shè)備規(guī)格、對(duì)應(yīng)設(shè)備生產(chǎn)企業(yè)的質(zhì)量數(shù)據(jù)放入關(guān)鍵生產(chǎn)設(shè)備預(yù)測(cè)模型一中，智能評(píng)估判斷設(shè)備質(zhì)量等級(jí)，并將預(yù)測(cè)的設(shè)備質(zhì)量等級(jí)送入整體缺陷預(yù)測(cè)大模型；建立關(guān)鍵生產(chǎn)設(shè)備預(yù)測(cè)模型二，將計(jì)量周期、計(jì)量頻次、最近計(jì)量時(shí)間、計(jì)量精度等數(shù)據(jù)放入關(guān)鍵生產(chǎn)設(shè)備預(yù)測(cè)模型二中，判斷是否存在設(shè)備到期未計(jì)量、精度不準(zhǔn)確等情況，智能評(píng)估設(shè)備目前生產(chǎn)精度，并將設(shè)備目前生產(chǎn)精度結(jié)果送入整體缺陷預(yù)測(cè)大模型，同時(shí)向生產(chǎn)者提出維護(hù)預(yù)警；建立關(guān)鍵生產(chǎn)設(shè)備預(yù)測(cè)模型三，將設(shè)備運(yùn)行故障情況、設(shè)備運(yùn)行時(shí)間等數(shù)據(jù)放入關(guān)鍵生產(chǎn)設(shè)備預(yù)測(cè)模型三中，智能判斷設(shè)備生產(chǎn)是否超出合理生產(chǎn)時(shí)長(zhǎng)，是否超過(guò)設(shè)備使用壽命，判斷設(shè)備運(yùn)行疲勞度，并將判斷結(jié)果送入整體缺陷預(yù)測(cè)大模型。以上數(shù)據(jù)通過(guò)企業(yè)報(bào)告、相關(guān)專(zhuān)業(yè)網(wǎng)站獲取。

進(jìn)行生產(chǎn)環(huán)境數(shù)據(jù)建模，獲取待預(yù)測(cè)產(chǎn)品的生產(chǎn)環(huán)境數(shù)據(jù)。大數(shù)據(jù)分析適宜產(chǎn)品生產(chǎn)的環(huán)境參數(shù)，將產(chǎn)品生產(chǎn)環(huán)境數(shù)據(jù)與適宜產(chǎn)品生產(chǎn)的環(huán)境參數(shù)智能比對(duì)，判斷產(chǎn)品是否在適宜的生產(chǎn)環(huán)境中生產(chǎn)，并將判斷結(jié)果送入整體缺陷預(yù)測(cè)大模型。大數(shù)據(jù)分析的環(huán)境參數(shù)包括溫度、濕度、清潔、滅菌等情況。獲取生產(chǎn)環(huán)境數(shù)據(jù)的方法可以是傳感器傳輸、生產(chǎn)者上報(bào)、攝像圖像上傳等。

進(jìn)行關(guān)鍵原材料數(shù)據(jù)建模，確定待預(yù)測(cè)產(chǎn)品需要用到的各重要原材料名稱(chēng)。大數(shù)據(jù)分析并確定原材料對(duì)應(yīng)的原料名稱(chēng)（如電源線使用的銅、鋁金屬材料），獲取其實(shí)時(shí)價(jià)格，原料價(jià)格一定程度上會(huì)影響原材料的質(zhì)量，大數(shù)據(jù)分析預(yù)測(cè)原料價(jià)格影響原材料質(zhì)量結(jié)果?？梢詫⒁欢螝v史時(shí)間的原料價(jià)格與同時(shí)間產(chǎn)品質(zhì)量抽查情況進(jìn)行分析比對(duì)，以此方式預(yù)測(cè)當(dāng)前時(shí)刻的原材料質(zhì)量結(jié)果，再將原材料質(zhì)量分析預(yù)測(cè)結(jié)果送入整體缺陷預(yù)測(cè)大模型。大數(shù)據(jù)獲取原材料供應(yīng)商歷史質(zhì)量，分析供應(yīng)商歷史質(zhì)量影響原材料質(zhì)量結(jié)果，并將分析結(jié)果送入整體缺陷預(yù)測(cè)大模型。

進(jìn)行質(zhì)量管理與研發(fā)投入建模，獲取待預(yù)測(cè)產(chǎn)品的企業(yè)質(zhì)量管理相關(guān)數(shù)據(jù)，包括企業(yè)經(jīng)營(yíng)規(guī)模、工商異常數(shù)據(jù)、研發(fā)投入占比、研發(fā)人員占比、產(chǎn)出成果占比、品牌價(jià)值、產(chǎn)品市場(chǎng)占有率、開(kāi)放發(fā)展情況、歷史質(zhì)量數(shù)據(jù)，用于評(píng)價(jià)質(zhì)量管理與研發(fā)投入情況。通過(guò)離散神經(jīng)網(wǎng)絡(luò)模型抽取部分同類(lèi)生產(chǎn)企業(yè)的質(zhì)量管理相關(guān)數(shù)據(jù)，確定行業(yè)質(zhì)量管理相關(guān)數(shù)據(jù)的平均值。將企業(yè)質(zhì)量管理相關(guān)數(shù)據(jù)與行業(yè)質(zhì)量管理相關(guān)數(shù)據(jù)的平均值智能比較，判斷該企業(yè)各質(zhì)量管理相關(guān)數(shù)據(jù)的優(yōu)劣，并將該企業(yè)各質(zhì)量管理相關(guān)數(shù)據(jù)及優(yōu)劣等級(jí)送入整體缺陷預(yù)測(cè)大模型。其中質(zhì)量數(shù)據(jù)獲取近三年來(lái)企業(yè)質(zhì)量不合格數(shù)據(jù)。企業(yè)經(jīng)營(yíng)規(guī)模、工商異常數(shù)據(jù)、研發(fā)投入占比等數(shù)據(jù)可以從相關(guān)專(zhuān)業(yè)網(wǎng)站獲取。

2.3 整體預(yù)測(cè)模型

將各模型輸出的數(shù)據(jù)結(jié)果放入整體缺陷預(yù)測(cè)大模型中，在大模型中構(gòu)建知識(shí)譜圖，知識(shí)圖譜包括了七個(gè)模型的數(shù)據(jù)。設(shè)置加工規(guī)則設(shè)立優(yōu)化模型進(jìn)行結(jié)果優(yōu)化加工，設(shè)立評(píng)價(jià)模型，該評(píng)價(jià)模型采用矩陣法或權(quán)重賦分法等，將優(yōu)化加工的數(shù)據(jù)結(jié)果放入模型中開(kāi)展缺陷預(yù)測(cè)，得到待預(yù)測(cè)產(chǎn)品的預(yù)測(cè)評(píng)價(jià)結(jié)果，并向監(jiān)管部門(mén)和相關(guān)生產(chǎn)企業(yè)發(fā)出缺陷風(fēng)險(xiǎn)預(yù)警。產(chǎn)品缺陷預(yù)測(cè)評(píng)價(jià)大模型框架圖如圖1所示。

3 結(jié) 語(yǔ)

本文提出建立重點(diǎn)工業(yè)產(chǎn)品缺陷預(yù)測(cè)評(píng)價(jià)大模型，通過(guò)人工智能大模型預(yù)測(cè)并評(píng)價(jià)重點(diǎn)工業(yè)產(chǎn)品缺陷，實(shí)現(xiàn)監(jiān)管信息的智能采集、處理和預(yù)警，為重點(diǎn)工業(yè)產(chǎn)品質(zhì)量安全智慧監(jiān)管提供分析與決策支持，為構(gòu)建智能化重點(diǎn)工業(yè)產(chǎn)品安全監(jiān)管體系提供參考，提高重點(diǎn)工業(yè)產(chǎn)品缺陷預(yù)測(cè)及評(píng)價(jià)效能。

參考文獻(xiàn)

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

[2]王軒.基于大數(shù)據(jù)的食品安全智能監(jiān)管模型研究[J].食品安全導(dǎo)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(zhàn)洪飛，林穎俊，等.基于機(jī)器學(xué)習(xí)多算法集成的產(chǎn)品質(zhì)量問(wèn)題預(yù)測(cè)方法[J].機(jī)械設(shè)計(jì)與研究，2023（5）：100-107.

[7]孫曼.基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品質(zhì)量預(yù)測(cè)方法[J].數(shù)字通信世界，2023（12）：90-96.

[8]華中科技大學(xué).產(chǎn)品質(zhì)量預(yù)測(cè)方法以及系統(tǒng)：CN202110781688.1[P].2021-11-09.

[9]浙江大學(xué)城市學(xué)院.一種基于商品評(píng)論輿情的跨境產(chǎn)品質(zhì)量風(fēng)險(xiǎn)模糊預(yù)測(cè)方法：CN201810300790.3[P].2018-04-04.

作者簡(jiǎn)介

趙瑩，碩士，工程師，研究方向?yàn)槿毕莓a(chǎn)品管理。

楊鵬，通信作者，本科，研究方向?yàn)槿毕莓a(chǎn)品管理。

（責(zé)任編輯：張瑞洋）

基金項(xiàng)目：本文受重慶市市場(chǎng)監(jiān)督管理局科技項(xiàng)目“產(chǎn)品缺陷認(rèn)定評(píng)價(jià)標(biāo)準(zhǔn)指標(biāo)體系研究”（項(xiàng)目編號(hào)：CQSJKJ2022044）資助。