工业AI2025年工业AI实操题.docxVIP

工业AI2025年工业AI实操题

考试时间：______分钟总分：______分姓名：______

考生须知：

1.请按题目要求完成所有操作，并将源代码、结果输出、分析报告等按要求整理提交。

2.题目涉及的数据文件将另行提供。

3.请确保提交的所有文件清晰可读，代码注释完整。

---

题目一：工业传感器数据预处理与特征工程

背景：某制造企业收集了一批数控机床主轴的振动传感器数据，旨在通过分析振动特征预测潜在的轴承故障。数据以`sensor_data.csv`文件提供，包含时间戳（timestamp）、振动幅值（amplitude）、振动频率（frequency）三个字段。时间戳格式为`YYYY-MM-DDHH:MM:SS`。部分数据存在缺失值，频率数据中可能存在传感器噪声导致的异常值。

要求：

1.加载`sensor_data.csv`文件，将时间戳字段转换为`datetime`类型，并将其设为索引。

2.识别并处理缺失值，说明你采用的方法及理由。

3.识别`frequency`字段中的异常值，假设异常值定义为超出该字段3倍标准差的范围。请使用一种合适的方法（如IQR或Z-score）检测并处理这些异常值，说明你的方法。

4.计算每个时间窗口（例如，每5分钟）内振动幅值的均值（mean_amplitude）、标准差（std_amplitude）和最大值（max_amplitude）作为新特征。假设时间窗口基于索引的分钟部分对齐。

5.将处理后的数据（包含原始字段、新特征以及完整的索引）保存为新的CSV文件`processed_sensor_data.csv`，不包含索引。

题目二：工业零件表面缺陷图像分类模型训练

背景：某电子元件厂需要自动检测产品表面是否存在特定类型的划痕缺陷。提供了`defect_images`文件夹，内含两个子文件夹`defect`和`no_defect`，分别包含有划痕和无划痕的零件表面图像。图像格式为JPG。

要求：

1.设计一个卷积神经网络（CNN）模型，用于区分有缺陷和无缺陷的图像。请描述你的模型结构（至少包含卷积层、激活层、池化层等）。

2.使用Python相关库（如TensorFlow/Keras或PyTorch）实现你的CNN模型。

3.加载`defect_images`文件夹中的图像数据，进行必要的预处理（如调整大小、归一化）。

4.将数据集划分为训练集（80%）和验证集（20%）。请说明你如何进行划分。

5.使用训练集数据训练你的CNN模型，至少训练5个epochs。在训练过程中，记录并简要描述验证集上的性能变化（如准确率、损失值）。

6.保存训练好的模型。

题目三：基于强化学习的简单工业调度优化

背景：假设一个简单的装配线有3个工作站，用于处理同一型号的产品。每个工作站处理一件产品需要随机的时间（均匀分布在1到5分钟之间），目标是最小化产品完成所有工序的总时间（即最大完工时间，Makespan）。这是一个简化的单目标优化问题，可用强化学习求解。

要求：

1.定义此问题的状态空间（StateSpace）、动作空间（ActionSpace）和奖励函数（RewardFunction）。请详细说明每个组成部分。

2.选择一种适合该问题的强化学习算法（如Q-learning或DQN），并简要说明选择理由。

3.实现所选的强化学习算法，用于学习一个最优策略，以指导产品在3个工作站间的流转，旨在最小化最大完工时间。

4.设计一个模拟环境，用于与你的强化学习智能体（Agent）交互。模拟运行100个独立的调度任务，记录每个任务的最大完工时间。

5.报告学习完成后，智能体在模拟环境中的平均最大完工时间，并与一个简单的随机调度策略（如随机分配任务到工作站）进行比较。

题目四：模型部署与API接口设计

背景：假设你已经使用题目二的方法训练了一个有效的工业零件表面缺陷检测模型（模型文件`final_defect_model.h5`），该模型接受单个JPG图像输入，输出一个0到1之间的概率值，表示图像有缺陷的可能性。

要求：

1.选择一种技术（如Flask或FastAPI）创建一个简单的WebAPI服务。

2.设计一个RESTfulAPI接口，允许用户通过HTTPPOST请求上传一个JPG图像，并返回模型预测的缺陷概率。请定义请求和响应的数据格式（如使用JSON）。

3.在你的API服务中，集成`final_defect_model.h5`模型，实