CN109858550A - 潜在工艺失效模式机器识别方法 - Google Patents

Abstract

本发明公开了一种潜在工艺失效模式机器识别方法，计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f ₃，将模型集F ₂ 生成的工步构成六要素输入到模型f ₃中，最终实现潜在工艺失效模式的识别。本发明将自然语言处理技术与深度学习技术相结合，实现潜在工艺失效模式的机器识别，能够提高潜在工艺失效模式识别的效率，能有效的避免因人本身的不确定性因素而造成的识别质量不稳定问题。

Description

潜在工艺失效模式机器识别方法

技术领域

本发明涉及机械制造工艺过程管理方法，具体地说是涉及一种基于过程构成要素一般模型的潜在工艺失效模式机器识别方法。

背景技术

工艺失效模式是产品制造工艺过程发生失效的具体表现形式，其可能的后果是导致产品出现制造质量问题、设备设施损毁和环境破坏，甚至可能影响顾客安全有效使用产品。全面、准确和高效率地识别工艺失效模式是开展工艺失效模式与影响分析(Processfailure mode and effect analysis，PFMEA)、适时优化工艺设计和确保产品制造质量的基础和前提。

目前的工艺失效模式的识别方法主要是基于以往积累的工艺经验和相关失效数据，由专业技术人员结合头脑风暴、知识推理或故障树等技术来完成。此类识别方法普遍存在依赖于识别人员的知识和经验，识别效率低和识别质量不稳定等不足，且无法应用于以往失效数据积累极为有限的小批量定制生产方式工艺失效模式识别。为此，有研究者提出具有普遍适用性的基于过程构成要素一般模型的潜在工艺失效模式识别方法。后期的研究者先后将这一方法进一步发展应用于设计失效模式与影响分析(Design failure modeand effect analysis，DFMEA)，研究了串行、并行设计过程的产品设计失效模式的识别问题。但该方法只是避免了生产模式的影响，其要求失效分析人员依据给定的失效判定准则对工步过程构成要素的具体内容进行逐一分析判断进而识别出可能的失效模式，此过程是一个穷举过程，仍然是通过人力来进行识别，并没有解决人工识别效率低及识别质量不稳定的问题。而通过机器来穷举识别所有可能的潜在失效模式所能达到的识别质量和识别效率均要显著优于人工识别。

关于失效模式机器识别的研究主要集中于产品功能和性能失效模式的机器识别，属于DFMEA的范畴。传统的产品功能和性能失效模式机器识别都是通过选择一种合适的分类器用于故障特征量的分类来进行的。其中特征量的有效性决定了失效模式识别的有效性，而特征量包含着大量的人为选择因素，因此，产品功能和性能失效模式机器识别的研究大多聚焦于如何提取故障特征量和如何选择分类器两个方面。随着人工智能和机器学习方法的兴起，研究者越来越关注实现失效模式识别全过程的数据驱动机器学习，并尽可能减少人为干预。

产品功能和性能失效模式的机器识别主要是基于传感器接收得到的物理信号，而由于基于过程构成要素一般模型的潜在工艺失效模式识别全过程所涉及的工序、工步以及工步过程构成要素均是由自然语言描述的工艺文件文本信息，工艺失效模式的机器识别则只能基于文本信息，故可结合自然语言处理技术来实现工艺失效模式的机器识别。基于过程构成要素一般模型的潜在工艺失效模式识别方法是一个复杂的推理过程，要求根据工序推理出其对应工步，再根据工步推理出其对应的工步过程构成要素，最后根据工步过程构成要素和给定的13条判定准则推理出其对应的潜在工艺失效模式。由此可见，基于过程构成要素模型的工艺失效模式机器识别是通过处理复杂推理问题的同时，处理输入序列、生成输出序列来实现的。循环神经网络主要用于处理序列数据，而在机器翻译任务上首次提出的seq2seq模型也是采用循环神经网络结构建模并取得成功，为序列到序列类型任务提供了一种新的基础结构。且seq2seq模型具有能够处理任意长度的输入、输出序列的优点，被广泛应用于自然语言处理的语音识别、机器翻译、古诗词生成和自动问答系统等多个领域。而工艺失效模式的机器识别也可视为是一个序列到另一个序列的“源到目标”的映射问题，同时工艺失效模式为不固定长度的序列，因此，可以研究将seq2seq模型进行改造后应用到此问题的求解。

发明内容

本发明的目的在于克服现有技术的不足，提供一种潜在工艺失效模式的机器识别方法，利用自然语言处理技术和深度学习，极大提高潜在工艺失效模式识别效率，解决人工识别质量不稳定问题，使PFMEA在生产过程控制中应用更加有效。

为了达到上述目的，本发明是通过以下技术方案实现的：一种潜在工艺失效模式机器识别方法，其步骤如下：

1)采集某产品装配所涉及到的一部份工序作为工序测试集，另一部份工序作为工序训练集，将所有的工序、工步、工步构成六要素以及潜在工艺失效模式进行数据预处理，依据工序训练集中的工序信息得到规划工步生成信息，将工序训练集中的工序信息和规划工步生成信息输入到seq2seq模型中，并将工步的信息作为seq2seq模型的输出，进行学习训练，得到工步生成模型f₁，将工序测试集中的工序输入到模型f₁中，自动生成工步测试集；

2)依据工步的信息得到规划工步构成六要素生成的信息，将工步的信息和规划工步构成六要素生成的信息输入到seq2seq模型中，并将工步构成六要素的信息作为seq2seq模型的输出，进行学习训练，得到工步构成六要素生成的模型集F₂；将步骤1)中所述工步测试集输入到模型集F₂中，生成与所述工步测试集对应的工步构成六要素；

3)计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f₃，将模型集F₂生成的工步构成六要素输入到模型f₃中，最终实现潜在工艺失效模式的识别。

进一步，所述模型集F₂是六个seq2seq模型，分别用以生成工步构成六要素中的输入要素、输出要素、环境要素、资源要素、增值转换活动要素和检测活动要素，即F₂＝{f_I,f_O,f_E,f_R,f_V,f_D}。

进一步，所述模型f₁、模型集F₂和模型f₃均为一种处理可变长序列、不定长序列的seq2seq模型，seq2seq模型分为编码层、中间层以及解码层三个模块。

进一步，所述规划工步生成信息是在对模型f₁进行学习训练的过程中，将工序的关键词作为融入的内容规划信息量。

进一步，所述规划工步构成六要素生成的信息是在对模型集F₂进行学习训练的过程中，将工步的关键词作为融入的内容规划信息量。

进一步，所述判定信息是在对模型f₃进行学习训练的过程中，计算工步构成六要素与工艺失效模式判定准则的语义相关度来得到。

本发明应用seq2seq模型实现潜在工艺失效模式的机器识别，能够极大程度的提高复杂工艺过程失效模式识别的效率，同时减少人为因素影响，保证识别质量的稳定性，达到的识别质量优于人工识别，机器识别模型的识别正确率、召回率，以及综合反映识别正确率与召回率的F1值三项指标值均大于0.8。

附图说明

图1是本发明中潜在工艺失效模式机器识别全过程流程图；

图2是本发明中基于规划的工步及工步构成六要素生成模型框架；

图3是本发明中基于依存句法的关键词提取流程图；

图4是本发明中工步生成模型的结构；

图5是本发明中融合语义关联度的seq2seq模型潜在工艺失效模式识别结构。

具体实施方式

以下结合附图对本发明进一步说明。参见图1至图5，一种潜在工艺失效模式机器识别方法，其具体操作步骤如下：

1)利用词语间的语义相似度信息和依存句法信息计算训练工序的关键词，作为规划工步生成信息，将规划工步生成信息与工序训练中的工序信息作为seq2seq模型的输入，工步的信息作为seq2seq模型输出，进行学习训练，得到工步生成模型f₁；

2)同理，计算每条工步对应的关键词，作为规划工步构成六要素生成的信息，将规划工步构成六要素生成的信息与工步的信息作为seq2seq模型的输入，工步构成六要素的信息作为seq2seq模型的输出，进行学习训练，得到工步构成六要素生成模型集F₂。以生成输入要素为例：将规划输入要素生成的信息与工步的信息作为seq2seq模型的输入，输入要素的信息作为输出，进行学习训练，得到输入要素生成模型f_I；

3)计算工步构成六要素与工艺失效模式判定准则的欧氏距离，将该欧氏距离作为工步构成六要素与工艺失效模式判定准则的语义相关度，并将该语义相关度与工步构成六要素作为seq2seq模型的输入，潜在工艺失效模式作为seq2seq模型的输出，进行学习训练，得到潜在工艺失效模式生成模型f₃；

4)将工序测试集中的某一条工序进行分词处理并提取其关键词，将该关键词与该工序的信息作为工步生成模型f₁的输入，生成该工序对应的工步，并过滤错误的工步；将过滤后的每一条工步进行分词处理并提取其关键词，再将工步的信息及其关键词作为工步构成六要素生成模型集F₂的输入，生成每条工步对应的工步构成六要素；最后计算生成的工步构成六要素与工艺失效模式判定准则的欧氏距离，作为模型f₃的输入，得到所有的失效模式。

本发明的全过程包括两部分(如图1所示)：第一部分是基于依存句法和语义相似度对工步及工步构成六要素生成内容规划进行分析11，将内容规划信息作为指导信息，构造工步生成的seq2seq模型12和工步构成六要素生成的seq2seq模型13；第二部分是对工步构成六要素与工艺失效模式判定准则进行语义关联度分析21，将其语义关联度作为判定信息，构建潜在工艺失效模式机器识别模型22，并进行应用研究。本发明实施步骤：

本发明针对基于依存句法和语义相似度对工步及工步构成六要素生成内容规划进行分析11，在工步及工步构成六要素内容规划阶段(如图2所示)，对工序与工步分别进行基于依存分析的textrank关键词抽取，并结合外部知识(语料库)进行关键词扩展，得到工序关键词和工步关键词。基于依存句法的关键词提取具体流程(如图3所示)，引入依存分析和词向量，融合TextRank算法对关键词进行提取，主要步骤包括：预处理、构建无向有权图、计算词得分并排序、选取得分最高的N个词语作为关键词。

对于给定的工序，首先，进行分词、停用词过滤以及词性标注等预处理过程。由于工序、工步及工步构成六要素均属于操作指导性文件，句子中操作动作和操作对象较为重要，因此选择其中词性为名词和动词的词语作为关键词候选。将所有候选词作为图的顶点，根据共现关系构造无向无权图，由于工序属于短文本信息，共现窗口设置不宜过大，在此设置为2，即一个词在另一个词的左、右两个词的位置内出现就视为这两个词共现，则两个顶点存在边。从而得到关键词候选词的无向无权图G＝(V,E)，节点即关键词候选词集合为V，边集合为E。

其次，根据依存句法关系计算边权重。通过Google开源词向量工具wod2vec得到能表示词语语义信息的d维词向量，计算每个词与其他词汇之间的余弦相似度，同时根据依存路径的长度，计算依存关联度，将两个词语的余弦相似度和依存关联度的乘积作为权重值，并使用有权重TextRank算法对顶点词语计算其得分。选取得分最高的前N个词语作为关键词，如果工序或工步太短以致无法抽取出足够数量(M个)的关键词，则通过进行关键词扩展方法扩展出新的关键词。在外部的大规模开放语料上，先训练词向量，再使用余弦相似度计算方法，找到与当前关键词相近的词，将其作为扩展关键词，获得最终关键词。

然后，构造工步生成的seq2seq模型12和工步构成六要素生成的seq2seq模型13，其具体步骤为：在工步及工步构成六要素生成阶段(如图2所示)，将工序训练集中的工序信息及其关键词作为输入，工步的信息作为输出，对seq2seq模型进行训练。此过程将每条工序训练集中的工序看作是一系列词语组成的序列，将所有工步看作是一系列语句组成的序列，此时seq2seq模型分层编码的第一层次是一次工序训练中的工序分解出若干工步过程中所包含的所有语句，第二层次为每条语句包含的若干词。以工序“舵机极性检查”为例(如图4所示)，将抽取的工序关键词“舵机”和“检查”作为工步生成的内容规划信息，将其与工序训练集中的工序信息作为seq2seq模型的输入，将工步“舵机中立位置检查”、“极性检查”作为输出，对所有的工序训练集中的工序进行上述操作，并进行训练，得到工步生成模型f₁。

同理，得到工步的关键词，并将工步的关键词与工步的信息作为seq2seq模型的输入，将工步构成六要素的信息作为输出，进行学习训练，得到工步构成六要素生成模型集F₂。

最后，利用word2vec训练语料库，得到包含词语语义信息的词向量库。通过匹配工步构成六要素中的所有词语，提取出工步构成六要素中所有词语的词向量，进行加权平均，得到代表工步构成六要素语义信息的句向量。同理，可得到13条工艺失效模式判定准则的句向量表示形式。通过计算某一工步构成要素与第j条判定准则的欧氏距离，得到二者的语义关联度，进而得到该条工步构成要素与13条判定准则的一个语义关联度序列。以检测活动要素“检查标牌是否有划伤”为例(如图5所示)，将此构成要素与13条判定准则的语义关联度序列(dist₁,...,dist_i,...,dist₁₃)作为判定信息，和此构成要素的信息作为seq2seq模型的输入，将潜在工艺失效模式“标牌有划伤”作为输出，对所有的工步构成六要素进行上述操作，并进行训练，得到潜在工艺失效模式生成模型f₃。

实施例：

以下详细介绍对某型飞机方向舵舵机装配和活动舱盖装配的工序进行潜在工艺失效模式自动识别，潜在工艺失效模式生成模型在i5-8400CPU系统上运行3个小时，共系统、高效地识别出潜在工艺失效模式177条。以历时逾10个工作日、累计参与人员逾30余人次的人工识别结果为标准，潜在工艺失效模式识别结果统计如表1所示，准确识别出潜在工艺失效模式144条，错误识别潜在工艺失效模式33条，未识别潜在工艺失效模式35条。

表1潜在工艺失效模式识别结果统计

所识别的潜在工艺失效模式部分示例见表2，生成的潜在工艺失效模式描述清楚，未出现句法乱套问题，倾向于得到不具有具体参数值的通用潜在工艺失效模式。

表2所识别的潜在工艺失效模式部分示例

所生成的工步及对应工步构成六要素部分示例见表3，生成的工步构成六要素描述清除，句法正常，逻辑清晰。

表3所生成的工步及对应工步构成六要素部分示例

表4进一步给出了机器在生成工步及工步构成六要素、识别潜在工艺失效模式时可能出现的几种类型。

表4机器识别结果的可能类型

通过计算潜在工艺失效模式机器识别的精准率、召回率和F1值来评价融合语义关联度的seq2seq潜在工艺失效模式机器识别模型的性能。工步及工步构成六要素生成性能评价也是基于上述三个评价指标来进行分析，得到结果如下表5所示。

表5工步及工步构成六要素生成以及潜在工艺失效模式识别结果

由表5给出结果可知，工步及工步构成六要素生成的F1值均大于0.82，潜在工艺失效模式识别的F1值约为0.81。当F1值较高时则比较说明实验方法比较理想，因此本发明在seq2seq模型基础上提出的基于规划的工步及工步构成六要素生成模型、融合语义关联度的潜在工艺失效模式识别模型均具有有效性。

Claims (6)

1.一种潜在工艺失效模式机器识别方法，其特征在于，

1)采集某产品装配所涉及到的一部份工序作为工序测试集，另一部份工序作为工序训练集，将所有的工序、工步、工步构成六要素以及潜在工艺失效模式进行数据预处理，依据工序训练集中的工序信息得到规划工步生成信息，将工序训练集中的工序信息和规划工步生成信息输入到seq2seq模型中，并将工步的信息作为seq2seq模型的输出，进行学习训练，得到工步生成模型f₁，将工序测试集中的工序输入到模型f₁中，自动生成工步测试集；

2)依据工步的信息得到规划工步构成六要素生成的信息，将工步的信息和规划工步构成六要素生成的信息输入到seq2seq模型中，并将工步构成六要素的信息作为seq2seq模型的输出，进行学习训练，得到工步构成六要素生成的模型集F₂；将步骤1)中所述工步测试集输入到模型集F₂中，生成与所述工步测试集对应的工步构成六要素；

3)计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f₃，将模型集F₂生成的工步构成六要素输入到模型f₃中，最终实现潜在工艺失效模式的识别。

2.根据权利要求1所述的潜在工艺失效模式机器识别方法，其特征在于，所述模型集F₂是六个seq2seq模型，分别用以生成工步构成六要素中的输入要素、输出要素、环境要素、资源要素、增值转换活动要素和检测活动要素，即F₂＝{f_I,f_O,f_E,f_R,f_V,f_D}。

3.根据权利要求1所述的潜在工艺失效模式机器识别方法，其特征在于，所述模型f₁、模型集F₂和模型f₃均为一种处理可变长序列、不定长序列的seq2seq模型，seq2seq模型分为编码层、中间层以及解码层三个模块。

4.根据权利要求1所述的潜在工艺失效模式机器识别方法，其特征在于，所述规划工步生成信息是在对模型f₁进行学习训练的过程中，将工序的关键词作为融入的内容规划信息量。

5.根据权利要求1所述的潜在工艺失效模式机器识别方法，其特征在于，所述规划工步构成六要素生成的信息是在对模型集F₂进行学习训练的过程中，将工步的关键词作为融入的内容规划信息量。

6.根据权利要求1所述的潜在工艺失效模式机器识别方法，其特征在于，所述判定信息是在对模型f₃进行学习训练的过程中，计算工步构成六要素与工艺失效模式判定准则的语义相关度来得到。