CN104123298B - 产品缺陷的分析方法和设备 - Google Patents

产品缺陷的分析方法和设备 Download PDF

Info

Publication number
CN104123298B
CN104123298B CN201310149415.0A CN201310149415A CN104123298B CN 104123298 B CN104123298 B CN 104123298B CN 201310149415 A CN201310149415 A CN 201310149415A CN 104123298 B CN104123298 B CN 104123298B
Authority
CN
China
Prior art keywords
product
data
data set
attribute
correlation rule
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310149415.0A
Other languages
English (en)
Other versions
CN104123298A (zh
Inventor
潘璐伽
赫彩凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201310149415.0A priority Critical patent/CN104123298B/zh
Publication of CN104123298A publication Critical patent/CN104123298A/zh
Application granted granted Critical
Publication of CN104123298B publication Critical patent/CN104123298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)

Abstract

本发明实施例提供一种产品缺陷的分析方法及设备。该方法包括：从记录的产品数据中选择缺陷产品的第一数据集；基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集。因此，在产品的信息量较大的情况下，通过数据属性的关联规则有针对性的从第一数据集中筛选出较小的第二数据集。这样，能够有效地定位产品缺陷的根因，提高分析效率。

Description

产品缺陷的分析方法和设备
技术领域
本发明实施例涉及数据挖掘领域，并且更具体地，涉及产品缺陷的分析方法和设备。
背景技术
产品质量是企业的根本，降低产品缺陷率对企业至关重要。引起产品缺陷的原因主要分为主观因素和客观因素两个方面。其中，主观因素主要是指产品使用的环境、人为的操作失误和破坏等；客观因素主要是指产品的生产工艺，包括产品的设计、所用材料质量、生产商能力等。产品缺陷主要是由客观因素决定的，且主观因素的分析及改进受到具体情况约束，不具有普遍的适用性。改进产品的生产工艺能够较大程度地降低产品的缺陷率，提高产品质量，对企业有极大现实意义。
在现有技术的设备缺陷数据挖掘系统中，首先对数据进行预处理，然后采用多元线性模型进行数据挖掘，从中发现隐含的趋势和规律，以便指导缺陷处理工作。由于产品的相关信息涉及面广，数据量庞大，直接采用多元线性回归进行分析将无法有效地定位产品缺陷的根因，分析效率低下。
发明内容
本发明实施例提供一种产品缺陷的分析方法和设备，能够有效地定位产品缺陷的根因，提高分析效率。
第一方面，提供了一种产品缺陷的分析方法，该方法包括：从记录的产品数据中选择缺陷产品的第一数据集；基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集。
结合第一方面，在第一方面的另一种实现方式中，所述从记录的产品数据中选择缺陷产品的第一数据集，包括：根据产品所处的生命周期阶段从记录的产品数据中选择缺陷产品的第一数据集；其中，所述产品所处的生命周期阶段包括至少下列之一：产品的原材料采购阶段、产品组件生产阶段，产品组装阶段、产品功能测试阶段、产品使用阶段、产品故障维修阶段。
结合第一方面或其上述实现方式，在第一方面的另一种实现方式中，所述缺陷产品的第一数据集包括在所述产品功能测试阶段所记录的数据或所述产品故障维修阶段所记录的数据。
结合第一方面或其上述实现方式，在第一方面的另一种实现方式中，所述基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集，包括：基于关联分析算法或统计分析算法，根据第i个规则数据集确定第i条数据属性的关联规则；根据所述第i条数据属性的关联规则对所述第i个规则数据集进行筛选，得到第i+1个规则数据集；其中，i取值从1到K，i和K均为正整数，所述第1个规则数据集为所述第一数据集，所述第K+1个规则数据集为所述第二数据集。
结合第一方面或其上述实现方式，在第一方面的另一种实现方式中，所述基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集，包括：基于关联分析算法或统计分析算法，根据第一数据集确定K条数据属性的关联规则；根据所述K条数据属性的关联规则中的第j条数据属性的关联规则对第一数据集进行筛选，得到第j个规则数据集，j取值从1到K，j和K均为正整数；根据所述筛选得到的K个规则数据集确定所述第二数据集。
结合第一方面或其上述实现方式，在第一方面的另一种实现方式中，所述数据属性包括至少下列之一：产品的型号、产品的结构、产品的原材料、产品的原材料的来源、产品的组件的组装顺序、产品的原材料供应商、产品的生产商、产品的生产日期、产品的用途、产品的生产批次、产品的生产地。
第二方面，提供了一种产品缺陷的分析设备，该设备包括：选择单元，用于从记录的产品数据中选择缺陷产品的第一数据集；确定单元，用于基于关联分析算法或统计分析算法，根据所述选择单元选择的所述第一数据集确定数据属性的关联规则；获取单元，用于根据所述确定单元确定的所述数据属性的关联规则对所述选择单元选择的所述第一数据集进行数据筛选，获得第二数据集。
结合第二方面，在第二方面的另一种实现方式中，所述选择单元具体用于：根据产品所处的生命周期阶段从记录的产品数据中选择缺陷产品的第一数据集；其中，所述产品所处的生命周期阶段包括至少下列之一：产品的原材料采购阶段、产品组件生产阶段，产品组装阶段、产品功能测试阶段、产品使用阶段、产品故障维修阶段。
结合第二方面或其上述实现方式，在第二方面的另一种实现方式中，所述缺陷产品的第一数据集包括在所述产品功能测试阶段所记录的数据或所述产品故障维修阶段所记录的数据。
结合第二方面或其上述实现方式，在第二方面的另一种实现方式中，所述确定单元具体用于：基于关联分析算法或统计分析算法，根据第i个规则数据集确定第i条数据属性的关联规则；所述获取单元具体用于：根据所述确定单元确定的所述第i条数据属性的关联规则对所述第i个规则数据集进行筛选，得到第i+1个规则数据集；其中，i取值从1到K，i和K均为正整数，所述第1个规则数据集为所述第一数据集，所述第K+1个规则数据集为所述第二数据集。
结合第二方面或其上述实现方式，在第二方面的另一种实现方式中，所述确定单元具体用于：基于关联分析算法或统计分析算法，根据第一数据集确定K条数据属性的关联规则；所述获取单元具体用于：根据所述确定单元确定的所述K条数据属性的关联规则中的第j条数据属性的关联规则对第一数据集进行筛选，得到第j个规则数据集，j取值从1到K，j和K均为正整数；根据所述筛选得到的K个规则数据集确定所述第二数据集。
结合第二方面或其上述实现方式，在第二方面的另一种实现方式中，所述数据属性包括至少下列之一：产品的型号、产品的结构、产品的原材料、产品的原材料的来源、产品的组件的组装顺序、产品的原材料供应商、产品的生产商、产品的生产日期、产品的用途、产品的生产地。
本发明实施例从记录的产品数据中获取缺陷产品的第一数据集，基于关联分析算法或统计分析算法，根据第一数据集确定数据属性的关联规则，根据数据属性的关联规则对第一数据集进行数据筛选。因此，在产品的信息量较大的情况下，通过数据属性的关联规则有针对性的从第一数据集中筛选出较小的第二数据集。这样，能够有效地定位产品缺陷的根因，提高分析效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的产品缺陷的分析方法的流程图。
图2A是本发明一个实施例的数据筛选过程的示意性流程图。
图2B是本发明另一个实施例的数据筛选过程的示意性流程图。
图3是本发明一个实施例的产品缺陷的分析设备的结构框图。
图4是本发明另一个实施例的产品缺陷的分析设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明一个实施例的产品缺陷的分析方法的流程图。图1的方法由产品缺陷的分析设备执行。
101，从记录的产品数据中选择缺陷产品的第一数据集。
102，基于关联分析算法或统计分析算法，根据第一数据集中的数据属性确定关联规则，并根据关联规则对第一数据集进行数据筛选，获得第二数据集。
本发明实施例从记录的产品数据中获取缺陷产品的第一数据集，基于关联分析算法或统计分析算法，根据第一数据集确定数据属性的关联规则，根据数据属性的关联规则对第一数据集进行数据筛选。因此，在产品的信息量较大的情况下，通过数据属性的关联规则有针对性的从第一数据集中筛选出较小的第二数据集。这样，能够有效地定位产品缺陷的根因，提高分析效率。
可选地，作为另一个实施例，数据属性包括但不限于：产品的型号、产品的结构、产品的原材料（如原材料种类或比例等）、产品的原材料的来源、产品的组件的组装顺序、产品的原材料供应商、产品的生产商、产品的生产日期、产品的用途、产品的生产地。等等。应理解，本发明实施例并不限于此。
可选地，作为另一个实施例，在步骤101中，可以根据产品所处的生命周期阶段从记录的产品数据中选择缺陷产品的第一数据集。
具体地，产品所处的生命周期阶段可以包括至少下列之一：产品的原材料采购阶段、产品组件生产阶段，产品组装阶段、产品功能测试阶段、产品使用阶段、产品故障维修阶段。
优选地，在记录的所有产品信息中，可以将在某个生命周期阶段记录的产品数据作为上述第一数据集。例如，可以选择产品功能测试阶段记录的测试不合格的产品的相关数据作为第一数据集。或者，还可以选择产品故障维修阶段记录的缺陷产品数据作为第一数据集。当然，也可以综合考虑多个阶段（如产品功能测试阶段和产品故障维修阶段）的情况，应理解，本发明对此不作限定。因此，可以通过产品所处的生命周期阶段从记录的大量的产品信息中先选择缺陷产品的相关数据，缩小数据集，降低数据分析的复杂度。
可选地，作为另一个实施例，在一种可能的实现方式下，在步骤102中，可以基于关联分析算法（如Apriori算法或FP-growth算法等）或统计分析算法，根据第i个规则数据集确定第i条数据属性的关联规则，根据第i条数据属性的关联规则对第i个规则数据集进行筛选，得到第i+1个规则数据集，其中，i取值从1到K，i和K均为正整数，第1个规则数据集为第一数据集，第K+1个规则数据集为第二数据集。例如，如图2A所示，第1条数据属性的关联规则为R1，将第1个规则数据集（即第一数据集）中满足数据属性的关联规则R1的数据筛选出来得到第2个规则数据集（步骤201）；将第二个规则数据集中满足第2条数据属性的关联规则R2的数据筛选出来得到第3个规则数据集（步骤202）......依此类推，将第K个规则数据集中满足第K条数据属性的关联规则RK的数据筛选出来得到第K+1个规则数据集（即第二数据集）（步骤203）。
具体地，假设第一数据集的数据属性具有10种，分别是数据属性T1-T10，可选地，确定数据属性的层级关系（或者称为“优先级排序”），例如，假设K取值为3，数据属性T1（如产品结构中某个部件的长度）和T2（如产品的原材料M所占总质量百分比）的优先级为第1级，数据属性T3（如产品的组装顺序）的优先级为第2级，数据属性T4（如产品的生产商）和T5（如产品的原材料提供商）的优先级为第3级。可以先对第1个规则数据集（第一数据集）中数据属性T1和T2的数据进行关联分析，确定第1条数据属性关联规则（如数据属性T1的值等于2且数据属性T2的值等于0.1时的置信度最大，则确定为第1条数据属性关联规则），将第1个规则数据集中的数据属性T1的值小于或等于2的数据筛选出来得到第2个规则数据集。对第2个规则数据集中数据属性T3的数据进行关联分析，确定第2条数据属性关联规则（如将数据属性T3组装顺序为S1-S2-S3时的置信度最大，则确定为第2条数据属性关联规则），将第2个规则数据集中的数据属性T3组装顺序为S1-S2-S3的数据筛选出来得到第3个规则数据集。对第3个规则数据集中数据属性T4和T5的数据进行关联分析，确定第3条数据属性关联规则（如产品生产商为C1且产品的原材料为M1的置信度最大，则确定为第3条数据属性关联规则），将第3个规则数据集中的数据属性T4为C1且数据属性T5为M1的数据筛选出来得到第4个规则数据集，将第4个规则数据集作为第二数据集。因此，可以认为满足各个数据属性的关联规则（置信度最高）的产品数据是造成产品缺陷的主要原因。换句话说，可以根据第二数据集所满足的关联规则确定造成缺陷产品的根因。
在另一种可能的实现方式下，在步骤102中，也可以基于关联分析算法或统计分析算法，根据第一数据集确定K条数据属性的关联规则，根据K条数据属性的关联规则中的第j条数据属性的关联规则对第一数据集进行筛选，得到第j个规则数据集，j取值从1到K，j和K均为正整数，再根据得到的K个规则数据集确定第二数据集。例如，如图2B所示，将第一数据集中满足第1条数据属性的关联规则为R1的数据筛选出来得到第1个规则数据集；将第一数据集中满足第2条数据属性的关联规则为R2的数据筛选出来得到第2个规则数据集......依此类推，将第一数据集中满足第K条数据属性的关联规则为RK的数据筛选出来得到第K个规则数据集（步骤211），再根据这K个规则数据集确定第二数据集（步骤212），如第二数据集可以是这K个规则数据集的交集或并集。
例如，假设第一数据集的数据属性具有4种，分别是T1、T2、T3和T4，基于关联分析或统计分析，根据第一数据集的数据属性确定了两条数据属性的关联规则，第1条数据属性的关联规则表示数据属性T1的值小于或等于2（置信度最高），第2条数据属性的关联规则为数据属性T2的值等于1（置信度最高），可以将第一数据集中的数据属性T1的值小于或等于2的数据筛选出来得到第1个规则数据集，将第一数据集中的数据属性T2的值等于1的数据筛选出来得到第2个规则数据集，将第1个规则数据集和第2个规则数据集的交集（既满足第1条数据属性的关联规则又满足第2条数据属性的关联规则）确定为第二数据集。
应理解，上述例子仅仅是示例性的，而非要限制本发明的范围。
通过上述关联规则的使用能够将记录信息中的偶然因素过滤掉，有针对性地选择更能凸显产品缺陷的数据，更有效地定位产品缺陷的根因，提高分析效率。
图3是本发明一个实施例的产品缺陷的分析设备的结构框图。产品缺陷的分析设备300包括选择单元301、筛选单元302和分析单元303。
选择单元301，用于从记录的产品数据中选择缺陷产品的第一数据集。
确定单元302，用于基于关联分析算法或统计分析算法，根据选择单元301选择的第一数据集第一数据集确定数据属性的关联规则。
获取单元303，用于根据确定单元302确定的所述数据属性的关联规则对选择单元301选择的第一数据集进行数据筛选，获得第二数据集。
本发明实施例从记录的产品数据中获取缺陷产品的第一数据集，基于关联分析算法或统计分析算法，根据第一数据集确定数据属性的关联规则，根据数据属性的关联规则对第一数据集进行数据筛选。因此，在产品的信息量较大的情况下，通过数据属性的关联规则有针对性的从第一数据集中筛选出较小的第二数据集。这样，能够有效地定位产品缺陷的根因，提高分析效率。
产品缺陷的分析设备300可实现图1和图2的实施例，因此为避免重复，不再详细描述。
可选地，作为另一个实施例，数据属性包括但不限于：产品的型号、产品的结构、产品的原材料（如原材料种类或比例等）、产品的原材料的来源、产品的组件的组装顺序、产品的原材料供应商、产品的生产商、产品的生产日期、产品的用途、产品的生产地。等等。应理解，本发明实施例并不限于此。
可选地，作为另一个实施例，选择单元301具体用于：根据产品所处的生命周期阶段从记录的产品数据中选择缺陷产品的第一数据集。具体地，产品所处的生命周期阶段可以包括至少下列之一：产品的原材料采购阶段、产品组件生产阶段，产品组装阶段、产品功能测试阶段、产品使用阶段、产品故障维修阶段。优选地，在记录的所有产品信息中，选择单元301具体用于：选择在某个生命周期阶段记录的产品数据作为上述第一数据集。例如，选择单元301可以用于选择产品功能测试阶段记录的测试不合格的产品的相关数据作为第一数据集。或者，还可以选择产品故障维修阶段记录的缺陷产品数据作为第一数据集。当然，也可以综合考虑多个阶段（如产品功能测试阶段和产品故障维修阶段）的情况，应理解，本发明对此不作限定。因此，可以通过产品所处的生命周期阶段从记录的大量的产品信息中先选择缺陷产品的相关数据，缩小数据集，降低数据分析的复杂度。
可选地，作为另一个实施例，在一种可能的实现方式下，确定单元302具体用于：基于关联分析算法或统计分析算法，根据第i个规则数据集确定第i条数据属性的关联规则。获取单元303具体用于：根据确定单元302确定的第i条数据属性的关联规则对第i个规则数据集进行筛选，得到第i+1个规则数据集。其中，i取值从1到K，i和K均为正整数，第1个规则数据集为第一数据集，第K+1个规则数据集为第二数据集。
在另一种可能的实现方式下，确定单元302具体用于：基于关联分析算法或统计分析算法，根据第一数据集确定K条数据属性的关联规则。获取单元303具体用于：根据确定单元302确定的K条数据属性的关联规则中的第j条数据属性的关联规则对第一数据集进行筛选，得到第j个规则数据集，j取值从1到K，j和K均为正整数，再根据得到的K个规则数据集确定第二数据集。
具体例子可以参考上述，此处不再赘述。
通过上述关联规则的使用能够将记录信息中的偶然因素过滤掉，有针对性地选择更能凸显产品缺陷的数据，更有效地定位产品缺陷的根因，提高分析效率。
图4是本发明另一个实施例的产品缺陷的分析设备的结构框图。
如图4所示，光网络数据传输的设备400一般包括至少一个处理器410，例如CPU，至少一个端口420，存储器430，和至少一个通信总线440。通信总线440用于实现这些装置之间的连接通信。处理器410用于执行存储器430中存储的可执行模块，例如计算机程序；可选地，设备400可包括用户接口450，用户接口450包括但不限于显示器，键盘和点击设备，例如鼠标、轨迹球（trackball）、触感板或者触感显示屏。存储器430可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
在一些实施方式中，存储器430存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集。
操作系统432，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
应用模块434，包含各种应用程序，用于实现各种应用业务。
应用模块434中包括但不限于选择单元301、确定单元302和获取单元303。
应用模块434中各单元的具体实现参见图3所示实施例中的相应单元，在此不赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种产品缺陷的分析方法，其特征在于，包括：
从记录的产品数据中选择缺陷产品的第一数据集；
基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集。
2.如权利要求1所述的方法，其特征在于，所述从记录的产品数据中选择缺陷产品的第一数据集，包括：
根据产品所处的生命周期阶段从记录的产品数据中选择缺陷产品的第一数据集；
其中，所述产品所处的生命周期阶段包括至少下列之一：产品的原材料采购阶段、产品组件生产阶段，产品组装阶段、产品功能测试阶段、产品使用阶段、产品故障维修阶段。
3.如权利要求2所述的方法，其特征在于，所述缺陷产品的第一数据集包括在所述产品功能测试阶段所记录的数据或所述产品故障维修阶段所记录的数据。
4.如权利要求1-3任一项所述的方法，其特征在于，所述基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集，包括：
基于关联分析算法或统计分析算法，根据第i个规则数据集确定第i条数据属性的关联规则；
根据所述第i条数据属性的关联规则对所述第i个规则数据集进行筛选，得到第i+1个规则数据集；
其中，i取值从1到K，i和K均为正整数，所述第1个规则数据集为所述第一数据集，第K+1个规则数据集为所述第二数据集。
5.如权利要求1-3任一项所述的方法，其特征在于，所述基于关联分析算法或统计分析算法，根据所述第一数据集确定数据属性的关联规则，并根据所述数据属性的关联规则对所述第一数据集进行数据筛选，获得第二数据集，包括：
基于关联分析算法或统计分析算法，根据第一数据集确定K条数据属性的关联规则；
根据所述K条数据属性的关联规则中的第j条数据属性的关联规则对第一数据集进行筛选，得到第j个规则数据集，j取值从1到K，j和K均为正整数；
根据所述筛选得到的K个规则数据集确定所述第二数据集。
6.如权利要求1所述的方法，其特征在于，所述数据属性包括至少下列之一：产品的型号、产品的结构、产品的原材料、产品的原材料的来源、产品的组件的组装顺序、产品的原材料供应商、产品的生产商、产品的生产日期、产品的用途、产品的生产批次、产品的生产地。
7.一种产品缺陷的分析设备，其特征在于，包括：
选择单元，用于从记录的产品数据中选择缺陷产品的第一数据集；
确定单元，用于基于关联分析算法或统计分析算法，根据所述选择单元选择的所述第一数据集确定数据属性的关联规则；
获取单元，用于根据所述确定单元确定的所述数据属性的关联规则对所述选择单元选择的所述第一数据集进行数据筛选，获得第二数据集。
8.如权利要求7所述的设备，其特征在于，
所述选择单元具体用于：根据产品所处的生命周期阶段从记录的产品数据中选择缺陷产品的第一数据集；
其中，所述产品所处的生命周期阶段包括至少下列之一：产品的原材料采购阶段、产品组件生产阶段，产品组装阶段、产品功能测试阶段、产品使用阶段、产品故障维修阶段。
9.如权利要求8所述的设备，其特征在于，所述缺陷产品的第一数据集包括在所述产品功能测试阶段所记录的数据或所述产品故障维修阶段所记录的数据。
10.如权利要求7-9任一项所述的设备，其特征在于，
所述确定单元具体用于：基于关联分析算法或统计分析算法，根据第i个规则数据集确定第i条数据属性的关联规则；
所述获取单元具体用于：根据所述确定单元确定的所述第i条数据属性的关联规则对所述第i个规则数据集进行筛选，得到第i+1个规则数据集；
其中，i取值从1到K，i和K均为正整数，所述第1个规则数据集为所述第一数据集，第K+1个规则数据集为所述第二数据集。
11.如权利要求7-9任一项所述的设备，其特征在于，
所述确定单元具体用于：基于关联分析算法或统计分析算法，根据第一数据集确定K条数据属性的关联规则；
所述获取单元具体用于：根据所述确定单元确定的所述K条数据属性的关联规则中的第j条数据属性的关联规则对第一数据集进行筛选，得到第j个规则数据集，j取值从1到K，j和K均为正整数；根据所述筛选得到的K个规则数据集确定所述第二数据集。
12.如权利要求7所述的设备，其特征在于，所述数据属性包括至少下列之一：产品的型号、产品的结构、产品的原材料、产品的原材料的来源、产品的组件的组装顺序、产品的原材料供应商、产品的生产商、产品的生产日期、产品的用途、产品的生产批次、产品的生产地。
CN201310149415.0A 2013-04-26 2013-04-26 产品缺陷的分析方法和设备 Active CN104123298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310149415.0A CN104123298B (zh) 2013-04-26 2013-04-26 产品缺陷的分析方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310149415.0A CN104123298B (zh) 2013-04-26 2013-04-26 产品缺陷的分析方法和设备

Publications (2)

Publication Number Publication Date
CN104123298A CN104123298A (zh) 2014-10-29
CN104123298B true CN104123298B (zh) 2017-09-29

Family

ID=51768711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310149415.0A Active CN104123298B (zh) 2013-04-26 2013-04-26 产品缺陷的分析方法和设备

Country Status (1)

Country Link
CN (1) CN104123298B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9996527B1 (en) * 2017-03-30 2018-06-12 International Business Machines Corporation Supporting interactive text mining process with natural language and dialog
CN107025293A (zh) * 2017-04-13 2017-08-08 广东电网有限责任公司电力科学研究院 一种电力二次设备缺陷数据挖掘方法及系统
CN109739902A (zh) * 2018-12-29 2019-05-10 联想(北京)有限公司 一种数据分析方法、设备及计算机可读存储介质
CN110276410B (zh) * 2019-06-27 2022-06-03 京东方科技集团股份有限公司 确定不良原因的方法、装置、电子设备及存储介质
EP4068173A4 (en) * 2019-11-29 2022-11-16 BOE Technology Group Co., Ltd. SYSTEM AND PROCEDURE FOR CAUSE ANALYSIS OF PRODUCT DEFECTS AND COMPUTER READABLE MEDIA
CN114868092B (zh) * 2020-12-03 2024-07-02 京东方科技集团股份有限公司 数据管理平台、缺陷分析系统、缺陷分析方法、计算机存储介质和用于缺陷分析的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419627A (zh) * 2008-12-03 2009-04-29 山东中烟工业公司 基于关联规则的卷烟配方维护行为挖掘系统及其方法
CN101794296A (zh) * 2010-01-13 2010-08-04 中国电子科技集团公司第五十四研究所 一种基于空中活动目标数据的挖掘方法
CN102667775A (zh) * 2009-12-21 2012-09-12 国际商业机器公司 训练和使用具有关联规则模型的分类模型的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090063395A1 (en) * 2007-08-30 2009-03-05 International Business Machines Corporation Mapping log sets between different log analysis tools in a problem determination environment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419627A (zh) * 2008-12-03 2009-04-29 山东中烟工业公司 基于关联规则的卷烟配方维护行为挖掘系统及其方法
CN102667775A (zh) * 2009-12-21 2012-09-12 国际商业机器公司 训练和使用具有关联规则模型的分类模型的方法
CN101794296A (zh) * 2010-01-13 2010-08-04 中国电子科技集团公司第五十四研究所 一种基于空中活动目标数据的挖掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进二叉树多分类SVM的焊缝缺陷分类方法;罗爱民 等;《焊接学报》;20100731;第31卷(第7期);第51-54页 *

Also Published As

Publication number Publication date
CN104123298A (zh) 2014-10-29

Similar Documents

Publication Publication Date Title
CN104123298B (zh) 产品缺陷的分析方法和设备
US11670021B1 (en) Enhanced graphical user interface for representing events
US10120912B2 (en) System and method for combination-based data analysis
Liu et al. Coreflow: Extracting and visualizing branching patterns from event sequences
US20170124486A1 (en) Methods and systems for predictive engine evaluation and replay of engine performance
AU2015207849B2 (en) Information technology testing and testing data management
US20120116834A1 (en) Hybrid task board and critical path method based project application
US20130268520A1 (en) Incremental Visualization for Structured Data in an Enterprise-level Data Store
US20090292677A1 (en) Integrated web analytics and actionable workbench tools for search engine optimization and marketing
US10282350B1 (en) Data store optimizer
CN102722381B (zh) 优化升级任务的技术
CA2712569A1 (en) Adaptive analytics multidimensional processing system
KR20120030320A (ko) 의존도 데이터로부터 의존도 맵들의 발생
CN105793874B (zh) 用于管理团体信息的方法和系统
US8725461B2 (en) Inferring effects of configuration on performance
Bairstow et al. How channels evolve: A historical explanation
US20040267553A1 (en) Evaluating storage options
CN106294128B (zh) 一种导出报表数据的自动化测试方法及装置
EP3437060A1 (en) Rule based hierarchical configuration
CN108845771A (zh) 一种存储系统中配置raid的方法、系统及相关组件
CN109344255A (zh) 标签的填充方法及终端设备
CN103778154A (zh) 表单属性的反写方法及装置
CN115130959B (zh) 生成备件bom的方法、系统、终端及存储介质
US20140074792A1 (en) Automated database optimization
WO2020208613A1 (en) Systems and methods for hierarchical process mining

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant