CN110210718A - 一种基于多维决策树群的提升产品合格率的方法 - Google Patents

一种基于多维决策树群的提升产品合格率的方法 Download PDF

Info

Publication number
CN110210718A
CN110210718A CN201910385354.5A CN201910385354A CN110210718A CN 110210718 A CN110210718 A CN 110210718A CN 201910385354 A CN201910385354 A CN 201910385354A CN 110210718 A CN110210718 A CN 110210718A
Authority
CN
China
Prior art keywords
qualification rate
decision
product qualification
woodlot
operating condition
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.)
Pending
Application number
CN201910385354.5A
Other languages
English (en)
Inventor
刘煜
孙再连
蓝振宏
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.)
Xiamen Yitong Software Technology Co Ltd
Original Assignee
Xiamen Yitong Software Technology 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 Xiamen Yitong Software Technology Co Ltd filed Critical Xiamen Yitong Software Technology Co Ltd
Priority to CN201910385354.5A priority Critical patent/CN110210718A/zh
Publication of CN110210718A publication Critical patent/CN110210718A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多维决策树群的提升产品合格率的方法，以生产要素为分类标准，构建不同的决策树，形成多维决策树群，提供多维度的优化建议，包括最高合格率配置建议，还能根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在更高合格率下最少改动配置的建议，所述方法支持实时更新数据，支持决策树的动态生长，其机器学习还能够对基础工况进行微调，进而学习微调后的生产率变化，同时，由于设备参数多，决策树群需要较大的空间，而本发明的决策树群和机器学习模块能够在不同的内存空间中切换，在相应的内存空间中灵活调度或学习所需的数据。

Description

一种基于多维决策树群的提升产品合格率的方法
技术领域
本发明涉及生产管理技术领域，尤其涉及一种基于多维决策树群的提升产品合格率的方法。
背景技术
提升工业生产线产品合格率是工业行业内关注的重要课题，其主要难点在于无法精准地控制生产线各工艺机器参数使产品合格率最大化。
目前工业领域的机器控制基本都是按照人工经验进行操作，而机器参数太多，人工无法确认哪些机器参数对合格率影响大，导致无法预知当前操作对产品合格率造成的影响，或者，机器的控制需要有一定经验的操作人员进行，且不同的操作人员会有不同的操作方式，无法统一，造成产品合格率的不稳定。因此有必要提出一种低成本、安全、便捷的智能化的辅助决策方案，帮助给出生产线机器的各类生产参数在特定环境下产品合格率最大的参数设定方案，从而提升工业生产领域的产品合格率。
发明内容
本发明为解决上述技术问题，本申请提出一种基于多维决策树群的提升产品合格率的方法，将当前工况结合历史数据，给出提升产品合格率的建议。
为实现上述技术效果，所述方法包括：
S10采集生产线上影响产品合格率的基础工况，所述基础工况包括设备参数和环境参数；
S20以生产要素为分类标准，构建不同的决策树，形成多维决策树群，使用过程中，当基础分类向量为一个固定的常数向量时，决策树群退化成一般的决策树。所述生产要素包括相对固定的产品类别、型号、原料材质等。所述决策树下储存有历史数据，所述历史数据包括历史的基础工况和一一对应的产品合格率。
S30机器学习模型学习所述历史数据；
S40根据当前的生产要素类别在所述决策树群中调度出对应的决策树，并匹配到该决策树下基础工况相同的历史记录；
S50预测当前基础工况下的产品合格率是多少并给出调优建议，包括最高产品合格率的配置建议。现场工作人员根据预判分析是否需要进行调优，若是，则根据调优建议对基础工况进行调整，以提高产品合格率，或者所述配置建议直接给到相应设备，设备自动调整。
优选的，所述S10包括S11：找出基础工况中主要的影响因子，即计算各个影响因子对产品合格率的影响程度和影响程度的可信度。可以利用信息论的信息增益率计算基础工况对产品合格率的影响程度，再根据TTest算法计算其可信度。
本方案通过对影响因子的相关性分析，根据分析结果进行构建决策树，达到快速、精准定位调优建议。现场工作人员可以根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在最高合格率下最少改动配置的建议。
优选的，所述S50包括：所述调优建议包括提供单一基础工况或任意维度的基础工况组合对产品合格率的影响程度及该影响程度的可信度,做到既能提升产品合格率，又减少修正量，提升工作效率。
优选的，所述S10包括：使用矢量化、离散化训练工具对历史数据做离散化处理，离散化的算法提供多算法自选，如LBG、K-Means、Mean-Shift、DBSCAN等聚类算法。
优选的，每个影响因子都具有常态和异常数据，所述机器学习模型对历史数据进行筛选，抛掉异常状态的数据。
优选的，所述机器学习模型具有动态经验知识向量迭代学习功能，即所述机器学习模型在现有的历史数据基础上，微调基础工况的数值，分析各基础工况的数据趋势对合格率的影响，学习微调后的产品合格率，使其能够学习到超越人工调整的经验。
优选的，匹配到决策树后，当前基础工况和实际测得的产品生产率构成动态经验知识向量，所述机器学习模型对所述动态知识向量进行迭代学习。
优选的，所述决策树的调度采用内存空间灵活调度方式，即不同的决策树对应不同的内存空间，或者影响程度较大的决策树采用独立的内存空间，决策树群和机器学习模块能够在不同的内存空间中切换，能够在相应的内存空间中灵活调度或学习所需的数据。
由上述对本发明的描述可知，和现有技术相比，本发明提出的一种基于多维决策树群的提升产品合格率的方法具有如下优点：
1、以生产要素为分类标准，构建不同的决策树，形成多维决策树群，提供多维度的优化建议，包括最高合格率配置建议，还能根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在更高合格率下最少改动配置的建议；
2、能够实时更新数据，支持决策树的动态生长，同时其机器学习能力还能够对基础工况进行微调，进而学习微调后的生产率变化，使其能够学习到超越人工调整的经验；
3、由于设备参数多，决策树群需要较大的空间，而本发明将不同的决策树对应不同的内存空间，或者影响程度较大的决策树采用独立的内存空间，决策树群和机器学习模块能够在不同的内存空间中切换，能够在相应的内存空间中灵活调度或学习所需的数据。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：
基于多维决策树群的提升产品合格率的方法，将当前工况结合历史数据，给出提升产品合格率的建议。
为实现上述技术效果，所述方法包括：
S10采集生产线上影响产品合格率的基础工况，所述基础工况包括设备参数和环境参数；
S20以生产要素为分类标准，构建不同的决策树，形成决策树群，其中，所述生产要素包括相对固定的产品类别、型号、原料材质等。所述决策树下储存有历史数据，所述历史数据包括历史的基础工况和一一对应的产品合格率。
S30机器学习模型学习所述历史数据；
S40根据当前的生产要素类别在所述决策树群中调度出对应的决策树，并匹配到该决策树下基础工况相同的历史记录；
S50预测当前基础工况下的产品合格率是多少并给出调优建议，包括最高产品合格率的配置建议。现场工作人员根据预判分析是否需要进行调优，若是，则根据调优建议对基础工况进行调整，以提高产品合格率，或者所述配置建议直接给到相应设备，设备自动调整。
实施例二：
在实施例一的基础上，所述S10包括S11：找出基础工况中主要的影响因子，即计算各个影响因子对产品合格率的影响程度和影响程度的可信度。可以使用矢量化、离散化训练工具对历史数据做离散化处理，离散化的算法提供多算法自选，如LBG、K-Means、Mean-Shift、DBSCAN等聚类算法，再利用信息论的信息增益率计算基础工况对产品合格率的影响程度，然后根据TTest算法计算其可信度。同时，所述S50包括：所述调优建议包括提供单一基础工况或任意维度的基础工况组合对产品合格率的影响程度及该影响程度的可信度。
本方案通过对影响因子的相关性分析，根据分析结果进行构建决策树，达到快速、精准定位调优建议。现场工作人员可以根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在最高合格率下最少改动配置的建议。
实施例三：
在实施例一或二的基础上，匹配到决策树后，将当前基础工况和实际测得的产品生产率构成动态经验知识向量，所述机器学习模型对所述动态知识向量进行迭代学习，支持决策树的动态生长。
所述机器学习模型还具有动态经验知识向量迭代学习功能，即所述机器学习模型在现有的历史数据基础上，微调基础工况的数值，分析各基础工况的数据趋势对合格率的影响，学习微调后的产品合格率，使其能够学习到超越人工调整的经验的更佳经验。
实施例四：
在上述任一实施例的基础上，针对设备参数多，分析处理需要较大的内存空间，所述决策树的调度采用内存空间灵活调度方式，即不同的决策树对应不同的内存空间，或者影响程度较大的决策树采用独立的内存空间，决策树群和机器学习模块能够在不同的内存空间中切换，能够在相应的内存空间中灵活调度或学习所需的数据。
由上述对本发明的描述可知，和现有技术相比，本发明提出的一种基于多维决策树群的提升产品合格率的方法具有如下优点：
1、以生产要素为分类标准，构建不同的决策树，形成多维决策树群，提供多维度的优化建议，包括最高合格率配置建议，还能根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在更高合格率下最少改动配置的建议；
2、能够实时更新数据，支持决策树的动态生长，同时其机器学习能力还能够对基础工况进行微调，进而学习微调后产生的生产率变化，使其能够学习到超越人工调整的经验；
3、由于设备参数多，决策树群需要较大的空间，而本发明将不同的决策树对应不同的内存空间，或者影响程度较大的决策树采用独立的内存空间，决策树群和机器学习模块能够在不同的内存空间中切换，能够在相应的内存空间中灵活调度或学习所需的数据。
上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (10)

1.一种基于多维决策树群的提升产品合格率的方法，将当前工况结合历史数据，给出提升产品合格率的建议，其特征在于，所述方法包括：
S10采集生产线上影响产品合格率的基础工况，所述基础工况包括设备参数和环境参数；
S20以生产要素为分类标准，构建不同的决策树，形成多维决策树群；所述决策树下储存有历史数据，所述历史数据包括历史的基础工况和一一对应的产品合格率。
S30机器学习模型学习所述历史数据；
S40根据当前的生产要素类别在所述决策树群中调度出对应的决策树，并匹配到该决策树下基础工况相同的历史记录；
S50预测当前基础工况下的产品合格率是多少并给出调优建议。
2.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述调优建议包括最高产品合格率的配置建议或者产品合格率提升程度和操作复杂度的排序，现场工作人员根据预判分析是否需要进行调优，若是，则根据调优建议对基础工况进行调整，以提高产品合格率。
3.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述S10包括S11：找出基础工况中主要的影响因子，即计算各个影响因子对产品合格率的影响程度和影响程度的可信度。
4.根据权利要求3所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，利用信息论的信息增益率计算基础工况对产品合格率的影响程度，再根据TTest算法计算其可信度。
5.根据权利要求3或4所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述S50包括：所述调优建议包括提供单一基础工况或任意维度的基础工况组合对产品合格率的影响程度及该影响程度的可信度。
6.根据权利要求3所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，每个影响因子都具有常态和异常数据，所述机器学习模型对历史数据进行筛选，抛掉异常状态的数据。
7.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述S10包括：使用矢量化、离散化训练工具对历史数据做离散化处理。
8.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，匹配到决策树后，当前基础工况和实际测得的产品生产率构成动态经验知识向量，所述机器学习模型对所述动态知识向量进行迭代学习，实时更新数据库。
9.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述机器学习模型具有动态经验知识向量迭代学习功能，即所述机器学习模型在现有的历史数据基础上，微调基础工况的数值，分析各基础工况的数据趋势对合格率的影响，学习微调后的产品合格率。
10.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述决策树的调度采用内存空间灵活调度方式，即不同的决策树对应不同的内存空间，或者影响程度较大的决策树采用独立的内存空间，决策树群和机器学习模块能够在不同的内存空间中切换，能够在相应的内存空间中灵活调度或学习所需的数据。
CN201910385354.5A 2019-05-09 2019-05-09 一种基于多维决策树群的提升产品合格率的方法 Pending CN110210718A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910385354.5A CN110210718A (zh) 2019-05-09 2019-05-09 一种基于多维决策树群的提升产品合格率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910385354.5A CN110210718A (zh) 2019-05-09 2019-05-09 一种基于多维决策树群的提升产品合格率的方法

Publications (1)

Publication Number Publication Date
CN110210718A true CN110210718A (zh) 2019-09-06

Family

ID=67787022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910385354.5A Pending CN110210718A (zh) 2019-05-09 2019-05-09 一种基于多维决策树群的提升产品合格率的方法

Country Status (1)

Country Link
CN (1) CN110210718A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007810A (zh) * 2019-11-06 2020-04-14 珠海格力电器股份有限公司 物料分析预警方法、装置、电子设备及存储介质
CN111080150A (zh) * 2019-12-23 2020-04-28 杭州雷数科技有限公司 生产数据分析方法、装置、设备及介质
CN113435699A (zh) * 2021-05-24 2021-09-24 深圳大学 一种质量智能管控方法及系统
CN113496335A (zh) * 2020-04-07 2021-10-12 厦门邑通软件科技有限公司 一种记录决策行为的方法、系统和设备
CN114819441A (zh) * 2021-01-27 2022-07-29 深圳长城开发科技股份有限公司 一种用于高合格率工业数据分析的筛选方法及系统
CN115826538A (zh) * 2023-02-13 2023-03-21 深圳市博硕科技股份有限公司 一种电子元器件智能生产系统及其控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831269A (zh) * 2012-08-16 2012-12-19 内蒙古科技大学 一种流程工业过程工艺参数的确定方法
CN105844300A (zh) * 2016-03-24 2016-08-10 河南师范大学 一种基于随机森林算法的优化分类方法及装置
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN108897283A (zh) * 2018-05-31 2018-11-27 中策橡胶集团有限公司 一种炼胶生产线数据分析处理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831269A (zh) * 2012-08-16 2012-12-19 内蒙古科技大学 一种流程工业过程工艺参数的确定方法
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN105844300A (zh) * 2016-03-24 2016-08-10 河南师范大学 一种基于随机森林算法的优化分类方法及装置
CN108897283A (zh) * 2018-05-31 2018-11-27 中策橡胶集团有限公司 一种炼胶生产线数据分析处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温国强: ""数据仓库和数据挖掘在合金生产控制中的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007810A (zh) * 2019-11-06 2020-04-14 珠海格力电器股份有限公司 物料分析预警方法、装置、电子设备及存储介质
CN111007810B (zh) * 2019-11-06 2021-04-23 珠海格力电器股份有限公司 物料分析预警方法、装置、存储介质及电子设备
CN111080150A (zh) * 2019-12-23 2020-04-28 杭州雷数科技有限公司 生产数据分析方法、装置、设备及介质
CN113496335A (zh) * 2020-04-07 2021-10-12 厦门邑通软件科技有限公司 一种记录决策行为的方法、系统和设备
CN114819441A (zh) * 2021-01-27 2022-07-29 深圳长城开发科技股份有限公司 一种用于高合格率工业数据分析的筛选方法及系统
CN113435699A (zh) * 2021-05-24 2021-09-24 深圳大学 一种质量智能管控方法及系统
CN115826538A (zh) * 2023-02-13 2023-03-21 深圳市博硕科技股份有限公司 一种电子元器件智能生产系统及其控制方法

Similar Documents

Publication Publication Date Title
CN110210718A (zh) 一种基于多维决策树群的提升产品合格率的方法
US7062580B2 (en) Logic arrangement, system and method for configuration and control in fieldbus applications
CN111630535B (zh) 用于动态地优化工业生产过程的方法和装置
CN1940781A (zh) 用于控制分批过程的方法和系统
CN105739473A (zh) 用于管理过程设备告警的方法及设备
US20070220131A1 (en) Apparatus and method for field device management
US20230092247A1 (en) Automated monitoring using image analysis
US20230074247A1 (en) Method for monitoring products for defects, electronic device, and storage medium
US10908562B2 (en) Apparatus and method for using advanced process control to define real-time or near real-time operating envelope
CN113760625B (zh) 一种模型预测控制器性能的评估方法及监控系统
CN102915013A (zh) 一种钢铁企业质量信息平台
KR102409378B1 (ko) 스마트 팩토리 통합 모니터링 서비스 제공방법, 서버 및 컴퓨터프로그램
US20170176968A1 (en) State change management system for manufacturing cell in cell control system
CN111199326A (zh) 产品良率监控方法、装置及计算机可读存储介质
CN114444948A (zh) 一种晶圆生产线智能获取派工wph的控制系统和方法
CN113189942A (zh) 一种工业数据智能分析系统及方法
US9665827B2 (en) Apparatus and method for providing a generalized continuous performance indicator
WO2019014103A1 (en) APPARATUS AND METHOD FOR GENERATING INTELLIGENT VISUALIZATIONS FOR EFFICIENT MONITORING AND CONTROL IN CONTROL SYSTEMS AND AUTOMATION SYSTEMS OF INDUSTRIAL PROCESSES
Garcia et al. Requirements for an intelligent maintenance system for industry 4.0
WO2023212132A1 (en) Advanced analytics for bio-/chemical and semiconductor production sites
KR102351991B1 (ko) 스마트팩토리 FOMs 패키지를 활용한 빅데이터 분석·변화관리 프로세스 및 그 방법
CN117754834A (zh) 一种基于智慧工厂的注塑机一站式服务平台
WO2002014967A2 (de) Verfahren zur durchführung eines automatisierten produktionsprozesses
CN111401629B (zh) 针织智能工厂经编车间生产管理方法
CN111429154A (zh) 电缆产品生产及检验工序可追溯系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Unit 702, No. 1, Xishanwei Road, Phase III, Software Park, Torch High-tech Zone, Xiamen, Fujian Province, 361000

Applicant after: Xiamen Yitong Intelligent Technology Group Co.,Ltd.

Address before: B11, 4th floor, 1036 Xiahe Road, Siming District, Xiamen City, Fujian Province, 361000

Applicant before: XIAMEN ETOM SOFTWARE TECHNOLOGY Co.,Ltd.