CN108780313B - 为装配线执行目标参数分析的方法、系统和计算机可读介质 - Google Patents

为装配线执行目标参数分析的方法、系统和计算机可读介质 Download PDF

Info

Publication number
CN108780313B
CN108780313B CN201780018568.8A CN201780018568A CN108780313B CN 108780313 B CN108780313 B CN 108780313B CN 201780018568 A CN201780018568 A CN 201780018568A CN 108780313 B CN108780313 B CN 108780313B
Authority
CN
China
Prior art keywords
value
sites
assembly line
added
data
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
CN201780018568.8A
Other languages
English (en)
Other versions
CN108780313A (zh
Inventor
S.斯利尼瓦桑
C.洪
R.戈什
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN108780313A publication Critical patent/CN108780313A/zh
Application granted granted Critical
Publication of CN108780313B publication Critical patent/CN108780313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • 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
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2629—Assembly line

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

用于为包括多个站点的装配线执行目标参数分析的方法、系统、和装置。一种方法包括利用电子处理器来接收与装配线相关联的训练数据。该训练数据包括多个属性。该方法还包括利用电子处理器来接收多个站点中的每一个的增值数据。多个站点中的每一个的增值数据指定由多个站点中的每一个增加的非负值。该方法还包括利用电子处理器来基于训练数据和增值数据学习决策树。该方法还包括基于决策树来执行目标参数分析。

Description

为装配线执行目标参数分析的方法、系统和计算机可读介质
相关申请
本申请要求2016年1月20日提交的美国临时申请No.62/280,899的优先权，通过引用将该美国临时申请的全部内容合并到本文中。
技术领域
本发明涉及一种为包括多个站点的装配线执行目标参数分析的方法、系统和计算机可读介质。本文中描述的实施例涉及用于在由装配线的每个站点增加非负值时执行数据挖掘以分析装配线的方法、系统、和装置。
背景技术
数据挖掘技术、诸如决策树、神经网络、支持向量机、回归等等可以被用于诸如通过优化装配线中的生产或执行根本原因分析来评估装配线。识别由装配的每个站点增加的非负值可以改进这样的评估。例如，维护和调整可以集中于那些向装配线提供增加的值的站点，以提供更有成本效益的优化和分析。
发明内容
因此，本发明的目的是提供一种为包括多个站点的装配线执行目标参数分析的方法、系统和计算机可读介质，从而使得能够进行更具成本效益的优化和分析。本文中描述的实施例提供用于为装配线执行增值相关数据挖掘的方法、系统、和装置，其中值是由装配线的每个站点递增地增加的。一些实施例还提供用于使用决策树来为装配线执行增值相关数据挖掘的方法、系统、和装置。
一些实施例提供用于使用增值相关数据挖掘来执行目标参数分析的方法、系统和装置。在考虑之中的目标参数的示例可以是将由装配线生产的产品标记为“报废（scrap）”或“良好”或“通过”产品的测试测量结果。站点的重要性可以基于该站点对目标参数的影响和与该站点相关联的值的组合。在一些实施例中，可以使用决策树来执行目标参数分析。
其他实施例提供用于基于决策理论度量和增值相关度量的组合来测量装配线的站点的重要性的方法、系统、和装置。决策理论度量的示例包括信息增益、香农熵、Renyi熵、精度等等。这两种度量的组合效应可以被用于确定与决策树的每个节点相关联的决策。
附加实施例提供用于使用增值相关数据挖掘来优化装配线中的生产的方法、系统、和装置。一些实施例使用决策树来执行增值相关产品优化。
另外的实施例提供用于使用数据挖掘来执行增值相关低产量分析（包括例如线末端产量分析）的方法、系统、和装置。一些实施例使用决策树来执行增值相关低产量分析。
还有另外的实施例提供用于使用数据挖掘来执行增值高报废分析的方法、系统、和装置。一些实施例使用决策树来执行增值相关高报废分析。
其他实施例提供用于使用数据挖掘来执行根本原因分析的方法、系统、和装置，其中根本原因的重要性基于站点在装配线内的位置。一些实施例使用决策树来执行根本原因分析。
附加实施例提供用于使用数据挖掘来执行增值相关根本原因分析的方法、系统、和装置。一些实施例使用决策树来执行增值相关根本原因分析。
另外的实施例提供用于当在装配线的每个随后的站点中增加非负值时使用数据挖掘来检测与用于装配线的目标值相关的站点、测试、测量、或其组合的方法、系统、和装置。如在本文中使用的术语“站点”包括在站点中发生的事件、诸如一个或多个部件在站点中的装配。一些实施例使用决策树来检测这样的相关性。
其他实施例提供用于当在装配的每个随后的站点中增加非负值时使用数据挖掘来检测影响用于装配线的目标值的站点、测试、测量、或其组合的方法、系统、和装置。一些实施例使用决策树来检测对目标值的影响。
附加实施例提供用于当在装配线的站点中增加非负值时使用数据挖掘来检测与早期在装配线中的报废相关的站点、测试、测量、或其组合的方法、系统、和装置。一些实施例使用决策树来检测这样的相关性。
另外的实施例提供用于当在装配线的每个站点中增加非负值时使用数据挖掘来检测与早期在装配线中的低产量（包括例如线末端产量）相关的站点、测试、测量、或其组合的方法、系统、和装置。一些实施例使用决策树来检测这样的相关性。
还有另外的实施例提供用于当在装配线的每个站点中增加非负值时使用数据挖掘来检测早期在装配线中造成报废的站点、测试、测量或其组合的方法、系统、和装置。一些实施例使用决策树来检测这样的原因。
附加实施例提供用于当在装配线的每个站点中增加非负值时使用数据挖掘来检测早期在装配线中造成低产量的站点、测试、测量、或其组合的方法、系统、和装置。一些实施例使用决策树来检测这样的原因。
附加实施例提供用于使用数据挖掘来创建针对与低产量相关的实验设计和检查而要调查的站点、测试、测量、或其组合的优先级列表的方法、系统、和装置。一些实施例使用决策树来创建这样的列表。
其他实施例提供用于为装配线的可调参数提供建议值以降低报废（即，使报废从高报废区到低报废区）的方法、系统、和装置。
因此，本文中描述的实施例提供用于在装配线中执行增值相关数据挖掘的方法、系统、和装置。一些实施例以目标参数分析的形式提供增值相关数据挖掘，其中在考虑之中的目标参数可以是低产量（包括例如线末端产量）、高报废等等。一些实施例还执行增值相关数据挖掘以就生产而言优化装配线或者关于目标参数自动地检测装配线的重要方面（包括例如站点、测试、测量、或其组合）。而且，一些实施例基于决策理论度量和增值相关数据挖掘技术的组合来定义重要参数。此外，实施例执行增值相关根本原因分析并且可以自动地为可调参数建议值以降低报废。实施例还可以使用决策树来执行增值相关数据挖掘。决策树可以使用考虑装配线的一个方面、诸如站点（例如就决策理论度量、由站点提供的增值、或其组合而言）的重要性的分裂准则。决策理论度量的示例包括使用香农熵的信息增益、使用Renyi熵的信息增益、精度、F得分、精确度、召回率等等。本文中描述的实施例可以在用于各种产品（包括例如汽车零件、汽车、飞机、重型设备等等）的装配线上使用。
在一个实施例中，本发明提供一种为包括多个站点的装配线执行目标参数分析的方法。该方法包括利用电子处理器来接收与装配线相关联的训练数据。该训练数据包括多个属性。该方法还包括利用电子处理器来接收多个站点中的每一个的增值数据。多个站点中的每一个的增值数据指定由多个站点中的每一个增加的非负值。该方法还包括利用电子处理器来基于训练数据和增值数据学习决策树。该方法还包括基于决策树来执行目标参数分析。
在另一实施例中，本发明提供一种用于为包括多个站点的装配线执行目标参数分析的系统。该系统包括服务器，该服务器包括电子处理器。该电子处理器被配置成接收与装配线相关联的训练数据。该训练数据包括多个属性。该电子处理器还被配置成接收多个站点中的每一个的增值数据。多个站点中的每一个的增值数据指定由多个站点中的每一个增加的非负值。该电子处理器还被配置成基于训练数据和增值数据来学习决策树。该电子处理器还被配置成基于决策树为与装配线相关联的可调参数提供建议值。
在另一实施例中，本发明提供一种计算机可读介质，其包括指令，所述指令在由电子处理器执行时促使该电子处理器执行功能集合。该功能集合包括接收与包括多个站点的装配线相关联的训练数据。该训练数据包括多个属性。该功能集合还包括接收多个站点中的每一个的增值数据。多个站点中的每一个的增值数据指定由多个站点中的每一个增加的非负值。该功能集合还包括基于训练数据和增值数据来生成数据模型。该功能集合还包括基于数据模型来提供评估装配线的输出。
通过考虑详细描述和附图，本发明的其他方面将变得显而易见。
附图说明
图1示意性地图示根据一个实施例的生产产品的装配线。
图2示意性地图示根据一个实施例的用于执行与图1的装配线相关联的增值相关数据挖掘的系统。
图3示意性地图示根据一个实施例的被包括在图2的系统中的计算设备。
图4是图示根据一个实施例的使用图2的系统来评估图1的装配线的方法的流程图。
图5是图示根据一个实施例的使用图2的系统使用决策树来评估图1的装配线的方法的流程图。
图6是图示根据一个实施例的作为图5的方法的一部分而被执行的学习决策数据的方法的流程图。
图7示意性地图示针对被包括在装配线中的一连串站点的测试和相关联的成本。
图8示意性地图示根据一些实施例的示例性增值相关决策树。
图9示意性地图示示例性常规决策树。
具体实施方式
在详细解释本发明的任何实施例之前，要理解本发明在其应用方面不限于在下面的描述中陈述的或在下面的附图中图示的部件的构造和布置的细节。本发明能够实现其他实施例，并且能够以各种方式被实践或被实施。
还应该指出，可以使用多个基于硬件和软件的设备、以及多个不同结构部件来实施本发明。此外，应该理解，本发明的实施例可以包括硬件、软件和电子部件或模块，为了讨论的目的，所述硬件、软件和电子部件或模块可以被图示并描述成就好像仅仅以硬件实施了大部分部件。然而，本领域的普通技术人员并且基于对该详细描述的阅读将认识到，在至少一个实施例中，可以以可由一个或多个处理器执行的（例如存储在非瞬时计算机可读介质上的）软件来实施本发明的基于电子的方面。照此，应该指出，可以利用多个基于硬件和软件的设备以及多个不同结构部件来实施本发明。
图1示意性地图示装配线10。应该理解，图1中图示的装配线10作为装配线的一个示例被提供，并且本文中描述的实施例可以与任何类型的装配线（例如用于汽车零件、汽车、飞机、重型设备等等的装配线）一起使用并且不限于图1中图示的示例装配线10。
如在图1中图示的，该装配线10接收作为输入的第一部件12A和第二部件12B并且（例如在装配线10的末端处）生产出产品14。该装配线10还包括被用于将第一部件12A和第二部件12B转换成产品14的多个站点。例如，如在图1中图示的，该装配线10包括针对产品14的五个生产阶段（例如沿着装配线10的五个站点）并且每个阶段包括一个或多个站点。第一阶段16A（即供应阶段）包括多个第一站点Aa和Ab。第二阶段16B（即附接阶段）包括多个第二站点Ba和Bb。第三阶段16C（即收集阶段）包括多个第三站点Ca、Cb和Cc。第四阶段16D（即精修阶段）包括第四站点Da。第五阶段16E（即测试阶段）包括多个第五站点Ea和Eb。
在第一阶段16A中，多个第一站点Aa和Ab中的每一个经由多个第一站点Aa和Ab与多个第二站点Ba和Bb之间的边缘（在图1中被图示为连接站点的线）将第一部件12A或第二部件12B供应给多个第二站点Ba和Bb中的一个。多个第二站点Ba和Bb中的每一个将第一部件12A附接至第二部件12B以创建新的复合零件。由多个第二站点Ba和Bb提供的复合零件在多个第三站点Ca、Cb和Cc中被收集。所述多个第三站点Ca、Cb和Cc充当用于复合零件的临时储存库，直到所述复合零件被供应给第四站点Da为止。该第四站点Da将精修涂层或表面施加至复合零件并且将该复合零件移动至多个第五站点Ea和Eb中测试所接收的复合零件的一个第五站点。例如，多个第五站点Ea和Eb中的每一个可以通过进行复合零件的一个或多个测量（例如大小、形状、颜色、温度、位置等等）来测试所接收的复合零件。测量结果可以被用于确定该复合零件是通过还是未通过一个或多个批准度量。当测量结果不满足批准度量时，该复合零件未通过度量。相反地，当测量结果满足批准度量中的一个或多个时，该复合零件可以通过度量。在一些实施例中，未通过批准度量的复合零件被报废。
图2示意性地图示用于执行与装配线10相关联的增值相关数据挖掘的系统20。如在图2中图示的，该系统20包括计算设备22、增值数据库24、属性数据库26、以及一个或多个传感器28。应该理解，该系统20可以包括与图2中图示的部件不同的部件。例如，该系统20可以包括附加传感器、存储机构、计算设备、或其组合。例如，在一些实施例中，属性数据库26包括执行如在本文中描述的属性数据库26的功能或充当传感器28与属性数据库26之间的中间存储机构的制造执行系统（“MES”）数据库、日志数据数据库、一个或多个文本文件、或其组合。而且，在一些实施例中，增值数据库24、属性数据库26或二者可以被包括在计算设备22中。类似地，在一些实施例中，增值数据库24和属性数据库26可以被包括在相同的数据库中。
通过装配线10的每个零件都与属性的列表相关联。以在装配线10的站点中的一个或多个处执行的测量和测试的形式来记录属于这些属性的观察值。例如，每个站点可以记录属于由该站点处理的每个零件的一些测量或测试。测量和测试数据可以在本地（即利用站点）被存储、被存储在一个或多个远程存储机构中，或者其组合。例如，在一些实施例中，测量和测试数据被存储在属性数据库26中。如上面指出的，属性数据库26可以包括MES数据库、日志数据库、文本文件、或其组合。
在一些实施例中，由传感器28收集测量和测试数据，并且属性数据库26从传感器28接收并且存储测量和测试数据。属性数据库26可以通过有线连接、无线连接、或其组合与传感器28通信。例如，在一些实施例中，属性数据库26可以通过有线连接与传感器28中的一些通信并且可以通过无线连接与传感器28中的一些通信。在一些实施例中，当属性数据库26通过无线连接与传感器28中的一个或多个通信时，无线网络可以包括因特网、网状网络、蜂窝网络、私有网络、公用网络、或其组合。而且，在一些实施例中，一个或多个中间设备可以管理传感器28与属性数据库26之间的通信。例如，一个或多个中间设备可以与传感器28通信并且将从传感器28所接收的数据（例如在处理或不处理的情况下）转发至属性数据库26。特别地，在一些实施例中，该传感器28可以与计算设备22通信，并且计算设备22可以将从传感器28所接收的数据（例如在处理或不处理的情况下）转发至属性数据库26。如上面提到的，在一些实施例中，传感器28可以与一个或多个中间存储设备（例如MES数据库、日志数据库、文本文件等等）通信并且一个或多个中间存储设备可以将从传感器28所接收的数据转发至属性数据库26。
每个传感器28都可以与被包括在装配线10中的一个或多个站点相关联（例如靠近于所述一个或多个站点被定位）。例如，使用图1中图示的示例装配线10，传感器28可以与被包括在装配线10中的多个站点中的每一个相关联。传感器28收集属于由多个站点处理的每个部件（例如部件12A和12B）和/或复合零件的原始数据。特别地，在一些实施例中，由传感器28收集的原始数据包括属于通过装配线10的零件的数据、诸如测量结果或测试结果（例如该零件是通过还是未通过针对装配线10的一个或多个批准度量）。在一些实施例中，该数据还包括指示由特定站点增加的值的增值数据。在一些实施例中，传感器28可以包括图像传感器（例如相机）、条形码阅读器、射频接收器、温度传感器、接近传感器、测量传感器等等。在一些实施例中，从传感器28所接收的数据在被传达至属性数据库26之前被清理、转换和集成。
增值数据库24接收并存储增值数据。该增值数据可以包括非负值，该非负值表示在装配线10的每个站点处增加的值。在每个站点处增加的值可以包括例如由每个站点增加的部件或复合零件的成本、增加部件的成本、与站点相关联的电力消耗或其他成本等等。在一些实施例中，增值数据库24从传感器28、从一个或多个中间存储设备、从一个或多个中间计算设备、或其组合接收增值数据。增值数据可以在本地（即利用站点）被存储、被存储在一个或多个远程存储机构中，或者其组合。
如在图2中图示的，增值数据库24和属性数据库26二者可以与计算设备22通信。增值数据库24和属性数据库26可以通过有线连接、无线连接、或其组合与计算设备22通信。例如，在一些实施例中，增值数据库24和属性数据库26通过无线通信网络、诸如因特网、网状网络、蜂窝网络、私有网络、公用网络、或其组合与计算设备22通信。而且，在一些实施例中，一个或多个中间设备可以管理计算设备22与增值数据库24、属性数据库26或二者之间的通信。而且，如上面指出的，在一些实施例中，增值数据库24、属性数据库26、或二者被包括在计算设备22中。
计算设备22可以包括服务器，该服务器包括提供计算设备22之内的部件的电力、操作控制、和保护的多个电气和电子部件。例如，如在图3中图示的，计算设备22可以包括电子处理器30（例如微处理器或另一合适的可编程设备）、非瞬时计算机可读介质32（例如计算机可读存储介质）、和输入/输出接口34。电子处理器30、计算机可读介质32、和输入/输出接口34通过一个或多个控制或数据连接或总线通信。应该理解，图3中图示的计算设备22表示计算设备22的一个示例，并且本文中描述的实施例可以包括具有除了图3中图示的计算设备22之外附加的、比图3中图示的计算设备22更少的、或与图3中图示的计算设备22不同的部件的计算设备。而且，在一些实施例中，计算设备22执行除了本文中描述的功能之外的功能。
计算设备22的计算机可读介质32可以包括程序存储区域和数据存储区域。程序存储区域和数据存储区域可以包括只读存储器（“ROM”）、随机存取存储器（“RAM”）（例如动态RAM（“DRAM”）、同步DRAM（“SDRAM”）等等）、电可擦除可编程只读存储器（“EEPROM”）、闪速存储器、硬盘、安全数字（“SD”）卡、其他合适的存储器设备、或其组合。电子处理器30执行存储在计算机可读介质32中的计算机可读指令（“软件”）。软件可以包括固件、一个或多个应用程序、程序数据、滤波器、规则、一个或多个程序模块、以及其他可执行指令。例如，软件可以包括用于识别如本文中描述的装配线的站点的指令以及用于识别该站点的相关联数据。根据本发明的一些实施例，计算机可读介质32存储数据挖掘引擎40。如下面更详细描述的，数据挖掘引擎40在由电子处理器30执行时接收数据并且生成数据模型。
计算设备22（即电子处理器30）执行（例如存储在计算机可读介质32中的）指令以执行增值相关数据挖掘。特别地，计算设备22（即电子处理器30）可以执行指令以执行图4中图示的方法50。就识别装配线10的站点而言来描述方法50。然而，如下面更详细描述的，识别这样的站点可以包括识别站点的优先化列表、识别用于站点的可调参数的值、识别站点对目标参数、诸如批准度量的影响、执行站点的重要性的测量、确定站点或多个站点的优化、提供低产量分析、提供高产量分析、提供高报废分析、提供根本原因分析、识别影响特定目标值、产量值或报废值的一个或多个站点、识别用于实验的检查或设计的一个或多个站点等等。就装配线10而言来描述方法50。然而，应该理解，装配线10仅仅作为一个示例被提供，并且方法50可以被应用于任何类型的装配线并且不限于图1中图示的装配线10。例如，该方法50可以与如下装配线一起使用，所述装配线包括比装配线10更少的、除了装配线10之外附加的、或与装配线10不同的输入、站点、阶段和输出（即产品）。
如在图4中图示的，该方法50包括利用计算设备22的电子处理器30接收与装配线10相关联的训练数据（在块52处）。该训练数据可以包括由传感器28收集的数据。如上面描述的，当零件由装配线10处理时，在多个站点中的每一个处收集的测量和测试数据属于与该零件相关联的属性。在一些实施例中，计算设备22经由计算设备22的输入/输出接口34从属性数据库26接收训练数据。然而，应该理解，在一些实施例中，计算设备22从多个存储机构接收训练数据（即原始数据）。而且，在一些实施例中，计算设备22可以执行训练数据的数据转换与集成。在本文中，所采集的训练数据（例如作为被清理的、被转换的、和被集成的）可以被称为“属性数据存储”，其可以驻留在计算设备22的计算机可读介质32、远程存储机构、或其组合中。
该方法50还包括利用计算设备22的电子处理器30接收增值数据（在块54处）。在一些实施例中，该电子处理器30接收与被包括在装配线10中的多个站点中的每一个相关联的增值数据。如上面描述的，该增值数据包括表示由多个站点中的每一个增加的值的非负值。在一些实施例中，该计算设备22经由计算设备22的输入/输出接口34从增值数据库24接收增值数据。在一些实施例中，该计算设备22可以执行增值数据的数据转换与集成。
该方法50还包括利用计算设备22的电子处理器30基于训练数据和增值数据来创建模型（在块56处）。例如，可以将训练数据和增值数据提供给数据挖掘引擎40。该数据挖掘引擎40使用训练数据和增值数据来创建模型。要理解，该模型可以基于附加数据。例如，该数据挖掘引擎40还可以从与计算设备22分开的一个或多个设备（例如一个或多个中间计算设备和/或一个或多个中间存储设备）接收数据。此外，要理解，可以由数据挖掘引擎40创建多于一个模型。
在一些实施例中，该数据挖掘引擎40使用一个或多个机器学习功能来创建模型。机器学习功能允许计算机应用程序在没有被明确编程的情况下学习。特别地，执行机器学习功能（有时被称为学习引擎）的计算机应用程序被配置成基于输入数据来开发算法。例如，为了执行监督式学习，输入数据包括示例输入以及对应的期望（例如实际）输出，并且数据挖掘引擎40渐进地开发将输入映射至输出的模型。如下面更详细描述的，可以使用各种类型的方法和机制来执行机器学习，所述方法和机制包括但不限于决策树学习、关联规则学习、人工神经网络、归纳逻辑编程、支持向量机、集群、贝叶斯网络、强化学习、表示学习、相似性和度量学习、稀疏字典学习和遗传算法。
该方法50还包括利用计算设备22的电子处理器30基于模型来生成输出（在块58处）。该输出表示对装配线10的分析。在一些实施例中，该输出包括促使低产量、高产量或高报废的站点或者需要维护或调整的站点的标识符。类似地，在一些实施例中，该输出包括站点的列表，诸如基于站点的重要性或站点对维护或调整的需要而被排序的站点的优先化列表。此外，在一些实施例中，该输出包括对装配线10的具体站点的可调参数的值的建议。所建议的值可以帮助降低报废（例如使报废从高报废区到低报废区）。此外，在一些实施例中，该输出可以包括例如针对用于与低产量（即影响报废生产的方面）相关的实验设计或检查而要调查的站点、测试、测量、或其组合的列表。在一些实施例中，在耦合至计算设备22的输出机构、诸如显示设备或打印机上提供输出。
在一些实施例中，利用数据挖掘引擎40生成的数据模型包括决策树。例如，数据挖掘引擎40可以学习并实施决策树以用于使用增值数据挖掘技术来识别装配线10中的站点或执行对装配线10的其他分析。
决策树学习（及其衍生物）是一个归纳过程，该归纳过程通过递归地从单个输入节点分支到树形结构决策节点以使分裂准则最大化来构建分类器。例如，关于训练数据
Figure 9080DEST_PATH_IMAGE001
，其中
Figure 172952DEST_PATH_IMAGE002
是
Figure 347581DEST_PATH_IMAGE003
（第i次观察的长度为m的特征向量）并且
Figure 89272DEST_PATH_IMAGE004
是其类别标签，可以根据下面的功能来构建决策树：
（1）根据分裂准则在D上选择主分裂特征和值。
（2）创建在所选择的特征和值上分裂的决策节点；相应地将D划分成DL和DR。
（3）在DL和DR上重复步骤1-3，直到结果节点满足停止准则为止。
在递归过程期间，该数据挖掘引擎40仔细检查每个变量-值对
Figure 349352DEST_PATH_IMAGE005
并且找到使通过分裂准则所测量的决策理论度量最大化的最佳决策分支。例如，由罗斯昆兰开发的迭代二叉树3代（“ID3”）算法使用信息增益来选择这样的变量-值对。因此，ID3算法如下面指定的那样实施上面的功能的步骤1：
找到最佳分裂（FindBestSplit）
1： for j=1 to m do
2：将
Figure 349538DEST_PATH_IMAGE006
的不同值vk分类，其中k是不同值的索引并且范围从1到特征变量xj的基数
Figure 581936DEST_PATH_IMAGE007
3：for k=1 to
Figure 884742DEST_PATH_IMAGE008
do
4：通过测试是否
Figure 507484DEST_PATH_IMAGE009
来划分D
5：根据划分来测量信息增益；将该信息增益表示为
Figure 124410DEST_PATH_IMAGE010
6：end for
7：end for
8：
Figure 273632DEST_PATH_IMAGE011
。
使用图1中图示的装配线10和上面描述的决策树方法，至决策树的输入可以是与装配线10中的多个站点中的每一个相关联的因果因子和与多个站点中的每一个相关联的值。输出可以是关于因果因子的决策的分层组合，其中决策在层级中的位置受决策理论度量和决策在装配线中所采取的位置（例如在装配线10之内的站点处）二者影响。如上面描述的，可以给数据挖掘引擎40提供训练数据和增值数据。该数据挖掘引擎40可以使用训练数据和增值数据来学习决策树。
例如，该计算设备22（即电子处理器30）可以执行指令以执行图5中图示的方法60。如上面关于方法50所描述的，就识别装配线10的站点而言来描述方法60。然而，如在下面更详细描述的，该方法600可以被用于提供其他类型的输出。而且，就装配线10而言来描述方法60。然而，应该理解，装配线10仅仅作为一个示例被提供，并且该方法60可以被应用于任何类型的装配线并且不限于图1中图示的装配线10。例如，该方法60可以与如下装配线一起使用，所述装配线包括比装配线10更少的、除了装配线10之外附加的、或与装配线10不同的输入、站点、阶段和输出（即产品）。
如图5中图示的，该方法60包括利用计算设备22的电子处理器30接收与装配线10相关联的训练数据（在块62处），如上面关于方法50所描述的。该方法60还包括利用计算设备22的电子处理器30来接收增值数据（在块64处），如上面关于方法50也描述的。
方法60还包括利用计算设备22的电子处理器30基于训练数据和增值数据来学习增值相关决策树（在块66处）。例如，可以将训练数据和增值数据提供给数据挖掘引擎40。该数据挖掘引擎40使用训练数据和增值数据来学习决策树。
例如，图6图示学习增值相关决策树的方法70。数据挖掘引擎40可以执行作为方法60的一部分的方法70。如图6中图示的，该方法70包括根据相关联的增值数据（即与每个属性相关联的站点的增值数据）来确定每个属性（即包括在训练数据中的每个数据点）的权重（在块72处）。在一些实施例中，每个属性的权重考虑在多个站点中的每一个中增加的值（例如每个站点的成本）。例如，假设装配线具有S个站点（通过s做索引）。每个站点s都包括TS个测试并且具有所分配的成本CS，该成本指定用于执行站点s中的所有TS个测试的成本。站点是执行任务的原子单元（原子性）。也就是说，成本CS是针对站点s的一次成本，并且不能针对s中的每个测试单独地被支付。因此，一旦成本CS被支付，站点s中的任何测试值就在没有附加成本的情况下可用（单一性）。例如，图7图示包括四个站点（站点1、站点2、站点3和站点4）和十二个测试（测试1(xi)、测试2(xi)、测试3(xi)、测试4(xi)、测试5(xi)、测试6(xi)、测试7(xi)、测试8(xi)、测试9(xi)、测试10(xi)、测试11(xi) 、和测试12(xi)）的装配线73的一个示例。如图7中图示的，每个站点都与单个成本（C1、C2、C3、和C4）相关联。
例如，在一些实施例中，数据挖掘引擎40使用下面的等式（1）根据成本CS来确定权重WS：
等式（1）
Figure 373437DEST_PATH_IMAGE012
其中
Figure 749055DEST_PATH_IMAGE013
是控制成本在树构建中的影响的用户指定的非负参数。
Figure 904093DEST_PATH_IMAGE013
的值越小，成本对决策树（即最佳分裂的选择）的影响就越低。如等式（1）中图示的，在一些实施例中，该权重具有在0至1的范围中的值。
如图6中图示的，该方法70还包括针对树的每个决策节点（在块74处）以及针对每个属性（在块76处），基于决策理论度量（即决策理论得分）来确定最佳分裂以及最佳分裂的质量度量（在块78处）。该决策理论度量可以是信息增益（例如Renyi信息增益、Tsallis信息增益、或其组合）、精度等等。
该方法70还包括使最佳分裂的质量度量与属性的权重相乘以生成加权的质量度量（在块80处）。如上面在等式（1）中图示的，在一些实施例中，权重的范围在0和1之间。因此，使权重乘以质量可以根据成本CS的值有效地减少质量测量。
而且，在一些实施例中，为了实施原子性和单一性的思想，一旦使用与站点相关联的测试中的任何测试，就将成本CS更新成0。当成本CS变成0时，权重WS又变成1，这意味着在对应的站点上将不存在折扣。因此，决策树可以优选如下测试，所述测试的成本在先前的递归中被支付。例如，在一些实施例中，如在下面图示的，可以使用与ID3算法相关联的分裂选择程序来确定最佳分裂：
找到最佳分裂-相关联值（FindBestSplit-ValueAssociated）
1： for j=1 to m do
2：将
Figure 173400DEST_PATH_IMAGE006
的不同值vk分类，其中k是不同值的索引并且范围从1到特征变量xj的基数
Figure 21270DEST_PATH_IMAGE007
3：for k=1 to
Figure 602293DEST_PATH_IMAGE007
do
4：通过测试是否
Figure 623339DEST_PATH_IMAGE009
来划分D
5：根据划分来测量信息增益；将该信息增益表示为
Figure 419256DEST_PATH_IMAGE014
6：end for
7：通过乘以对应的因子WS来使
Figure 375711DEST_PATH_IMAGE015
减量
8： end for
9：
Figure 319396DEST_PATH_IMAGE016
。
如图6中图示的，该方法70还包括使用权重质量度量来确定具有最佳分裂的属性（在块82处）。该方法70然后针对每个属性重复具有最佳分裂的属性的确定（在块76处）。在已经针对每个属性进行了确定之后，该方法70包括确定是否已经达到了分裂的停止准则（在块84处）。当已经达到了停止准则时（例如当进一步的分裂不产生正的信息增益时），该方法70结束。替代地，当没有达到停止准则时，该方法70针对另一决策节点的每个属性重复属性的确定（在块74处）。
返回图5，在学习增值相关决策树（在块66处）之后，该方法60可以包括使用测试装置来评估增值相关决策树（在块68处）。可以通过例如在测试装置上测试模型的性能来评估该方法60。
在决策树被评估之后，该决策树可以被用于生成输出（在块69处）。例如，在一些实施例中，计算设备22可以使用增值相关决策树来执行目标参数分析（例如高报废分析或低产量分析）、根本原因分析（例如因果因子）等等。例如，目标参数可以包括报废、产量、或其组合，并且决策树可以指示影响报废（例如导致高报废或低产量）的属性。属性在影响报废方面的重要性可以依赖于基于装配线中属性的位置和观察值的决策理论。此外，所学习的增值相关决策树可以被用于针对输入数据预测目标参数。例如，所学习的增值相关决策树可以被用于预测输入数据是否指明报废。此外，决策可以被用于为装配线10（例如一个或多个站点）的可调参数建议值以降低报废（例如将高报废区降低至低报废区）。该决策树还可以（例如通过输出包括在装配中的一个或多个站点的一个或多个标识符）将特定站点识别为重要站点或需要维护、检查或调整的站点。
如上面指出的，本文中描述的增值相关数据挖掘技术可以被用于以各种方式评估装配线，并且因此可以提供各种类型的输出。在一些实施例中，该输出可以是站点、诸如需要维护或调整的站点或影响报废或产量的重要站点的标识符。在其他实施例中，数据挖掘引擎40可以执行目标参数分析。目标参数分析可以包括例如在通过装配线10处理期间对部件或复合零件（例如经由传感器28）执行测试测量。基于该测试测量，可以将该部件或该复合零件标记为报废或良好。此外，还可以在这样的分析中考虑该部件或复合零件的重要性。例如，部件或复合零件的重要性可以包括对目标参数的影响和与该具体部件或复合零件相关联的增值数据的组合。附加地，部件或复合零件的重要性可以包括决策理论度量和增值相关度量的组合。决策理论度量可以包括例如信息增益、香农熵、Renyi熵、精度等等。这两种度量的组合效应可以被用于确定在决策树的每个节点中作出的决策。
类似地，在一些实施例中，数据挖掘引擎40使用增值相关数据挖掘来优化装配线10的生产。特别地，如果在装配线的每个随后的节点中增加非负值，则该数据挖掘引擎40可以检测例如与早先在装配线中的报废或低产量相关的或造成早先在装配线中的报废或低产量的可能节点、测试、测量、或其组合。附加地，如果在装配线的每个随后的节点中增加非负值，则该数据挖掘引擎40可以检测例如与装配线中的目标值相关的或造成装配线中的目标值的可能节点、测试、测量、或其组合。此外，在一些实施例中，数据挖掘引擎40可以使用生产数据和所创建的模型来执行增值相关低产量分析、增值相关高报废分析、根本原因分析、增值相关根本原因分析等等。
在一些实施例中，数据挖掘引擎40使用增值相关数据挖掘来优化决策树。此外，如本文中描述的增值相关决策树可以通过使决策树需要的站点的数目最小化来降低在决策作出中所涉及的成本。遵循在图7中看到的示例装配线73，本文中公开的增值相关决策树仅仅需要站点1和站点2，而常规决策树需要站点1、站点2、站点3和站点4，如在下面的表中图示的：
Figure 81816DEST_PATH_IMAGE017
图8示意性地图示在上面的表中提供的增值相关决策树并且图9示意性地图示在上面的表中提供的常规决策树。换言之，与如在图9中图示的常规决策树相比，如在图8中图示的增值相关决策树使作出决策所需的站点（例如测试）的数目最小化。因此，尽管决策树大小可能变得更大，但是如本文中描述的增值相关决策树可以找到降低总测试成本的替代决策路径。
因此，除了别的之外，实施例提供用于在装配线中执行增值相关数据挖掘的方法、系统、和装置。在下面的权利要求中陈述本发明的各种特征和优点。

Claims (19)

1.一种为包括多个站点的装配线执行目标参数分析的方法，该方法包括：
利用电子处理器来接收与所述装配线相关联的训练数据，该训练数据包括多个属性；
利用所述电子处理器来接收所述多个站点中的每一个的增值数据，所述多个站点中的每一个的增值数据指定由所述多个站点中的每一个增加的非负值；
利用所述电子处理器来基于所述训练数据和所述增值数据学习决策树；以及
基于所述决策树来执行所述目标参数分析。
2.根据权利要求1所述的方法，其中学习决策树包括：
基于所述增值数据来确定被包括在所述多个属性中的每个属性的权重；以及
针对每个属性以及针对被包括在所述决策树中的每个决策节点，直到达到分裂的停止准则为止：
基于决策理论度量来确定最佳分裂以及所述最佳分裂的质量度量，
使所述最佳分裂的质量度量乘以属性的权重以生成加权的质量度量，以及
基于权重质量度量来确定被包括在所述多个属性中的具有最佳分裂的属性。
3.根据权利要求2所述的方法，其中确定每个属性的权重包括基于在所述多个站点中的一个处执行一个或多个测试的成本以及控制该成本对所述决策树的影响的用户指定的非负参数来确定每个属性的权重。
4.根据权利要求2所述的方法，其中确定每个属性的权重包括在0至1的范围内确定每个属性的权重。
5.根据权利要求2所述的方法，其中确定最佳分裂包括使用迭代二叉树算法来确定最佳分裂。
6.根据权利要求2所述的方法，其中基于决策理论度量来确定所述最佳分裂的质量度量包括基于信息增益来确定所述最佳分裂的质量度量。
7.根据权利要求1所述的方法，其中执行所述目标参数分析包括针对输入数据预测目标参数的值。
8.根据权利要求7所述的方法，其中预测目标参数的值包括预测报废的值。
9.根据权利要求7所述的方法，其中预测目标参数的值包括预测产量的值。
10.根据权利要求1所述的方法，其中执行所述目标参数分析包括确定影响报废或影响产量的属性。
11.根据权利要求1所述的方法，其中执行所述目标参数分析包括确定被包括在所述多个站点中的影响报废或影响产量的至少一个站点。
12.根据权利要求1所述的方法，进一步包括使用测试集来评估所述决策树。
13.一种用于为包括多个站点的装配线执行目标参数分析的系统，该系统包括：
服务器，该服务器包括电子处理器，该电子处理器被配置成：
接收与所述装配线相关联的训练数据，该训练数据包括多个属性，
接收所述多个站点中的每一个的增值数据，所述多个站点中的每一个的增值数据指定由所述多个站点中的每一个增加的非负值，
基于所述训练数据和所述增值数据来学习决策树，以及
基于所述决策树为与所述装配线相关联的可调参数提供建议值。
14.根据权利要求13所述的系统，其中该电子处理器被配置成通过以下方式来学习所述决策树：
基于所述增值数据来确定被包括在所述多个属性中的每个属性的权重；以及
针对每个属性以及针对被包括在所述决策树中的每个决策节点，直到达到分裂的停止准则为止，
基于决策理论度量来确定最佳分裂以及所述最佳分裂的质量度量，
使所述最佳分裂的质量度量乘以属性的权重以生成加权的质量度量，以及
基于权重质量度量来确定被包括在所述多个属性中的具有最佳分裂的属性。
15.根据权利要求13所述的系统，其中所述可调参数包括用于所述多个站点中的至少一个的可调参数。
16.一种计算机可读介质，包括指令，所述指令在由电子处理器执行时促使该电子处理器执行功能集合，该功能集合包括：
接收与包括多个站点的装配线相关联的训练数据，该训练数据包括多个属性；
接收所述多个站点中的每一个的增值数据，所述多个站点中的每一个的增值数据指定由所述多个站点中的每一个增加的非负值；
基于所述训练数据和所述增值数据来生成决策树；以及
基于所述决策树来提供评估所述装配线的输出。
17.根据权利要求16所述的计算机可读介质，其中所述输出包括被包括在所述多个站点中的至少一个站点的标识符。
18.根据权利要求16所述的计算机可读介质，其中所述输出包括被包括在所述多个站点中的站点的有序列表。
19.根据权利要求16所述的计算机可读介质，其中所述输出包括根本原因分析，其中所述根本原因分析的重要性依赖于根本原因在所述装配线内的位置。
CN201780018568.8A 2016-01-20 2017-01-18 为装配线执行目标参数分析的方法、系统和计算机可读介质 Active CN108780313B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662280899P 2016-01-20 2016-01-20
US62/280899 2016-01-20
PCT/EP2017/050935 WO2017125408A1 (en) 2016-01-20 2017-01-18 Value addition dependent data mining techniques for assembly lines

Publications (2)

Publication Number Publication Date
CN108780313A CN108780313A (zh) 2018-11-09
CN108780313B true CN108780313B (zh) 2021-04-09

Family

ID=57838393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780018568.8A Active CN108780313B (zh) 2016-01-20 2017-01-18 为装配线执行目标参数分析的方法、系统和计算机可读介质

Country Status (4)

Country Link
US (1) US10817800B2 (zh)
EP (1) EP3405842B1 (zh)
CN (1) CN108780313B (zh)
WO (1) WO2017125408A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563515B (zh) * 2017-08-31 2018-11-06 江苏康缘药业股份有限公司 潜在过程参数挖掘方法及装置
TW202013107A (zh) * 2018-09-27 2020-04-01 財團法人資訊工業策進會 產線自動配置裝置及其方法
CN111723147B (zh) * 2019-03-21 2023-07-25 杭州海康威视数字技术股份有限公司 基于区块链的数据训练方法、装置及设备、存储介质
US10990092B2 (en) * 2019-06-06 2021-04-27 Robert Bosch Gmbh Test time reduction for manufacturing processes by removing a redundant test
US11275362B2 (en) * 2019-06-06 2022-03-15 Robert Bosch Gmbh Test time reduction for manufacturing processes by substituting a test parameter
CN111190944A (zh) * 2020-01-08 2020-05-22 北京仿真中心 一种数据挖掘方法和系统
US11790255B2 (en) 2020-03-31 2023-10-17 Ats Corporation Systems and methods for modeling a manufacturing assembly line
US11842478B2 (en) 2020-10-01 2023-12-12 Ford Global Technologies, Llc Method and apparatus for automated adhesive wash-off quality control and root-cause analysis using artificial intelligence

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0875808A2 (de) * 1997-04-30 1998-11-04 Schenck Panel Production Systems GmbH Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses
CN102214213A (zh) * 2011-05-31 2011-10-12 中国科学院计算技术研究所 一种采用决策树的数据分类方法和系统
CN104699035A (zh) * 2013-12-03 2015-06-10 空中客车营运有限公司 用于管理生产碳纤维部件的制造厂的方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4754410A (en) * 1986-02-06 1988-06-28 Westinghouse Electric Corp. Automated rule based process control method with feedback and apparatus therefor
US6708163B1 (en) 1999-02-24 2004-03-16 Hillol Kargupta Collective data mining from distributed, vertically partitioned feature space
US6493723B1 (en) 1999-09-22 2002-12-10 International Business Machines Corporation Method and system for integrating spatial analysis and data mining analysis to ascertain warranty issues associated with transportation products
JP3659318B2 (ja) 2000-05-09 2005-06-15 インターナショナル・ビジネス・マシーンズ・コーポレーション 空間データマイニング装置
GB0127551D0 (en) * 2001-11-16 2002-01-09 Abb Ab Analysing events
US20060095237A1 (en) * 2004-10-28 2006-05-04 Weidong Wang Semiconductor yield management system and method
US20070220034A1 (en) 2006-03-16 2007-09-20 Microsoft Corporation Automatic training of data mining models
US9043267B2 (en) 2007-07-30 2015-05-26 Hewlett-Packard Development Company, L.P. Methods and systems for managing a data mining model
US9298172B2 (en) 2007-10-11 2016-03-29 International Business Machines Corporation Method and apparatus for improved reward-based learning using adaptive distance metrics
US7974723B2 (en) * 2008-03-06 2011-07-05 Applied Materials, Inc. Yield prediction feedback for controlling an equipment engineering system
US7682842B2 (en) * 2008-05-30 2010-03-23 International Business Machines Corporation Method of adaptively selecting chips for reducing in-line testing in a semiconductor manufacturing line
US8730181B1 (en) 2009-05-27 2014-05-20 Google Inc. Tactile guidance system for touch screen interaction
US8543517B2 (en) 2010-06-09 2013-09-24 Microsoft Corporation Distributed decision tree training
US9069352B2 (en) * 2010-12-17 2015-06-30 JDT Processwork Inc. Automated fault analysis and response system
US20120191527A1 (en) * 2011-01-20 2012-07-26 Tal Reichert Predictive analysis of data
US8868473B2 (en) 2011-10-24 2014-10-21 Oracle International Corporation Decision making with analytically combined split conditions
JP6108933B2 (ja) * 2012-07-03 2017-04-05 キヤノン株式会社 キャリブレーション装置及びその制御方法
TWI543102B (zh) * 2014-10-22 2016-07-21 財團法人工業技術研究院 異因分析與校正方法與系統
WO2016086138A1 (en) * 2014-11-25 2016-06-02 Stream Mosaic, Inc. Improved process control techniques for semiconductor manufacturing processes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0875808A2 (de) * 1997-04-30 1998-11-04 Schenck Panel Production Systems GmbH Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses
CN102214213A (zh) * 2011-05-31 2011-10-12 中国科学院计算技术研究所 一种采用决策树的数据分类方法和系统
CN104699035A (zh) * 2013-12-03 2015-06-10 空中客车营运有限公司 用于管理生产碳纤维部件的制造厂的方法

Also Published As

Publication number Publication date
US10817800B2 (en) 2020-10-27
WO2017125408A1 (en) 2017-07-27
EP3405842A1 (en) 2018-11-28
CN108780313A (zh) 2018-11-09
EP3405842B1 (en) 2020-06-17
US20170206468A1 (en) 2017-07-20

Similar Documents

Publication Publication Date Title
CN108780313B (zh) 为装配线执行目标参数分析的方法、系统和计算机可读介质
CN110245802B (zh) 基于改进梯度提升决策树的卷烟空头率预测方法及系统
CN111814385A (zh) 预测加工件质量的方法、装置和计算机设备
EP3405843B1 (en) Model adaption and online learning for unstable environments
CN111783840A (zh) 一种随机森林模型的可视化方法、装置及存储介质
CN108304679A (zh) 一种自适应可靠性分析方法
CN107577605A (zh) 一种面向软件缺陷预测的特征聚类选择方法
CN113608566B (zh) 一种纺织车间的环境监控调整方法及系统
CN112508442A (zh) 基于自动化和可解释机器学习的暂态稳定评估方法及系统
AU2019254105A1 (en) Diagnostic system and method for processing data of a motor vehicle
CN110895729A (zh) 一种输电线路工程建设工期的预测方法
CN112907026A (zh) 一种基于可编辑网状指标体系的综合评估方法
CN115269247A (zh) 基于深度森林的闪存坏块预测方法、系统、介质及设备
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN114881343A (zh) 基于特征选择的电力系统短期负荷预测方法及装置
CN117290719B (zh) 基于数据分析的巡检管理方法、装置及存储介质
CN111849544B (zh) 加氢裂化的产品质量自控方法、装置和存储器
CN116186507A (zh) 一种特征子集的选取方法、装置及存储介质
CN110855519A (zh) 一种网络流量预测方法
CN113610350B (zh) 复杂工况故障诊断方法、设备、存储介质及装置
CN112733903B (zh) 基于svm-rf-dt组合的空气质量监测与告警方法、系统、装置和介质
CN112733454B (zh) 一种基于联合学习的设备预测性维护方法及装置
WO2020225959A1 (ja) 設計支援システム、設計支援方法および設計支援プログラム
CN111849545B (zh) 加氢裂化的产品质量预测方法、装置和存储器
CN111026661B (zh) 一种软件易用性全面测试方法及系统

Legal Events

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