CN110288199A - 产品质量预测的方法 - Google Patents
产品质量预测的方法 Download PDFInfo
- Publication number
- CN110288199A CN110288199A CN201910457464.8A CN201910457464A CN110288199A CN 110288199 A CN110288199 A CN 110288199A CN 201910457464 A CN201910457464 A CN 201910457464A CN 110288199 A CN110288199 A CN 110288199A
- Authority
- CN
- China
- Prior art keywords
- quality
- product
- sample
- predictions
- forecast
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000007637 random forest analysis Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种产品质量预测的方法。该方法包括:获取产品的生产监控数据,并获取所述生产监控数据中的关键特征数据;根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值;根据所述质量预测值,获取所述产品的预测质量信息。本发明的方法,实现了产品质量的预测,过程中首先对生产监控数据进行筛选,去除干扰项,得到关键特征数据,提高了预测质量信息的准确性,利用神经网络集成预测模型对提取的关键特征数据进行处理,神经网络集成预测模型利用多个神经网络同时对关键特征数据进行处理,得到多个预测值,再根据多个预测值获取到最终的预测值,进一步的提高了预测质量信息的准确性。
Description
技术领域
本发明涉及数据处理技术,尤其涉及一种产品质量预测的方法。
背景技术
在产品制造业中,有大量数据在加工生产环节保留下来,目前的方式是利用大量数据对制造的产品进行质量预测。
现有技术先对特征数据进行关键特征提取,然后将提取的数据输入到Xgboost模型中进行预测,Xgboost算法是一种基于传统梯度提升决策树(Gradient BoostingDecision Tree,简称GBDT)的拓展性方法,GBDT是一种迭代的决策树算法,该算法由多棵决策回归树组成,所有树的结论累加起来做最终答案。
然而,现有技术以决策树为基础的Xgboost使用贪心算法,使得问题容易陷入局部最优,当数据的特征类别比较多时,预测的过拟合风险较高。因此,现有技术中的产品质量预测方法不可靠。
发明内容
本发明实施例提供一种产品质量预测的方法,提高了产品质量预测的准确性。
第一方面,本发明提供一种产品质量预测的方法,包括:
获取产品的生产监控数据,并获取所述生产监控数据中的关键特征数据;
根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值;
根据所述质量预测值,获取所述产品的预测质量信息。
可选地,在第一方面的一种可能实现方式中,所述预设的神经网络集成预测模型包括多个独立的基学习子模型;
相应的,所述根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值,包括:
以多个所述基学习子模型分别对所述关键特征数据处理,得到多个初级质量信息;
根据所述多个初级产品预测质量信息,得到所述质量预测值。
可选地,在第一方面的一种可能实现方式中,所述根据所述多个初级产品预测质量信息,得到所述质量预测值,包括:
根据与各所述关键特征数据对应的权重系数和所述初级产品预测质量信息进行加权求和处理,得到所述质量预测值。
可选地,在第一方面的一种可能实现方式中,所述预设的神经网络集成预测模型还包括注意力机制融合子模型;
在所述根据与各所述关键特征数据对应的权重系数和所述初级产品预测质量信息进行加权求和处理,得到所述质量预测值之前,还包括:
以所述注意力机制融合子模型对所述关键特征数据处理,得到与各所述基学习子模型对应的权重系数。
可选地,在第一方面的一种可能实现方式中,所述根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值之前,还包括:
获取关键特征数据样本和所述关键特征数据样本对应的质量预测值样本,其中,所述质量预测值样本是根据所述关键特征数据样本生产产品的质量确定的;
以所述质量预测值样本为输出量,以所述关键特征数据样本为输入量,对初始质量预测模型进行学习,获取所述预设的神经网络集成预测模型。
可选地,在第一方面的一种可能实现方式中,所述根据所述质量预测值,获取所述产品的预测质量信息,包括:
若所述质量预测值在预设的正常阈值区间之内,则确定产品质量为正常质量。
可选地,在第一方面的一种可能实现方式中,所述根据所述质量预测值,获取所述产品的预测质量信息,包括:
若所述质量预测值不在正常阈值区间之内,则根据预设的分类模型和所述质量预测值,确定所述产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息。
可选地,在第一方面的一种可能实现方式中,所述根据所述质量预测值,获取所述产品的预测质量信息,包括:
根据预设的分类模型和所述质量预测值,获取所述产品的预测质量信息,其中,所述预设的分类模型包括上界随机森林网络模型和下界随机森林网络模型;
所述根据预设的分类模型和所述质量预测值,确定所述产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息,包括:
若所述质量预测值大于所述正常阈值区间的最大值,则依据所述关键特征数据和所述上界随机森林网络模型,确定所述产品的预测质量信息为指示过优质量或者正常质量的预测质量信息;
若所述质量预测值小于所述正常阈值区间的最小值,则依据所述关键特征数据和所述下界随机森林网络模型,确定所述产品的预测质量信息为指示产品质量为过劣产品或者正常质量的预测质量信息。
可选地,在第一方面的一种可能实现方式中,所述根据所述质量预测值,获取所述产品的预测质量信息之前,还包括:
获取产品质量正常阈值区间、关键特征数据样本、以所述关键特征数据样本产生的质量预测值样本和预测质量信息样本;
根据产品质量正常阈值区间,在所述质量预测值样本中,确定大于所述产品质量正常阈值区最大值的第一类质量预测值样本,以及小于所述产品质量正常阈值区最小值的第二类质量预测值样本;
以所述第一类质量预测值样本对应的所述预测质量信息样本为输出量,以所述第一类质量预测值样本对应的所述关键特征数据样本为输入量,对初始上界随机森林网络模型进行学习获取所述上界随机森林网络模型;
以所述第二类质量预测值样本对应的所述预测质量信息样本为输出量,以所述第二类质量预测值样本对应的所述关键特征数据样本为输入量,对初始下界随机森林网络模型进行学习获取所述下界随机森林网络模型。
可选地,在第一方面的一种可能实现方式中,所述获取产品的生产监控数据,并获取所述生产监控数据中的关键特征数据,包括:
获取生产监控数据样本、所述生产监控数据样本中的属性样本和与所述生产监控数据样本对应的质量预测值样本,其中,所述质量预测值样本是根据所述生产监控数据样本生产产品的质量确定的;
以所述质量预测值样本为输出,以所述生产监控数据样本为输入,对XGBoost模型进行学习;
利用所述XGBoost模型的决策树中通过每个所述属性分裂点改进性能度量的量来确定所述属性样本中属性的重要性,获取属性权值的排序;
将所述排序的前N个所述属性,作为所述关键特征数据。
第二方面,本发明提供一种产品质量预测的装置,包括:
特征获取模块,用于获取产品的生产监控数据,并获取所述生产监控数据中的关键特征数据;
第一预测模块,用于根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值;
第二预测模块,用于根据所述质量预测值,获取所述产品的预测质量信息。
可选地,在第二方面的一种可能实现方式中,所述预设的神经网络集成预测模型包括多个独立的基学习子模型;
相应的,所述第一预测模块,用于以多个所述基学习子模型分别对所述关键特征数据处理,得到多个初级质量信息;根据所述多个初级产品预测质量信息,得到所述质量预测值。
可选地,在第二方面的一种可能实现方式中,所述根据所述多个初级产品预测质量信息,得到所述质量预测值,包括:
根据与各所述关键特征数据对应的权重系数和所述初级产品预测质量信息进行加权求和处理,得到所述质量预测值。
可选地,在第二方面的一种可能实现方式中,所述预设的神经网络集成预测模型还包括注意力机制融合子模型;
在所述根据与各所述关键特征数据对应的权重系数和所述初级产品预测质量信息进行加权求和处理,得到所述质量预测值之前,还包括:
以所述注意力机制融合子模型对所述关键特征数据处理,得到与各所述基学习子模型对应的权重系数。
可选地,在第二方面的一种可能实现方式中,所述第一预测模块获取所述产品的质量预测值之前,还用于获取关键特征数据样本和所述关键特征数据样本对应的质量预测值样本,其中,所述质量预测值样本是根据所述关键特征数据样本生产产品的质量确定的;
以所述质量预测值样本为输出量,以所述关键特征数据样本为输入量,对初始质量预测模型进行学习,获取所述预设的神经网络集成预测模型。
可选地,在第二方面的一种可能实现方式中,所述第二预测模块,用于若所述质量预测值在预设的正常阈值区间之内,则确定产品质量为正常质量。
可选地,在第二方面的一种可能实现方式中,所述第二预测模块用于若所述质量预测值不在正常阈值区间之内,则根据预设的分类模型和所述质量预测值,确定所述产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息。
可选地,在第二方面的一种可能实现方式中,所述第二预测模块用于根据预设的分类模型和所述质量预测值,获取所述产品的预测质量信息,其中,所述预设的分类模型包括上界随机森林网络模型和下界随机森林网络模型;
所述根据预设的分类模型和所述质量预测值,确定所述产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息,包括:
若所述质量预测值大于所述正常阈值区间的最大值,则依据所述关键特征数据和所述上界随机森林网络模型,确定所述产品的预测质量信息为指示过优质量或者正常质量的预测质量信息;
若所述质量预测值小于所述正常阈值区间的最小值,则依据所述关键特征数据和所述下界随机森林网络模型,确定所述产品的预测质量信息为指示产品质量为过劣产品或者正常质量的预测质量信息。
可选地,在第二方面的一种可能实现方式中,所述第二预测模块获取所述产品的预测质量信息之前,还用于获取产品质量正常阈值区间、关键特征数据样本、以所述关键特征数据样本产生的质量预测值样本和预测质量信息样本;根据产品质量正常阈值区间,在所述质量预测值样本中,确定大于所述产品质量正常阈值区最大值的第一类质量预测值样本,以及小于所述产品质量正常阈值区最小值的第二类质量预测值样本;
以所述第一类质量预测值样本对应的所述预测质量信息样本为输出量,以所述第一类质量预测值样本对应的所述关键特征数据样本为输入量,对初始上界随机森林网络模型进行学习获取所述上界随机森林网络模型;
以所述第二类质量预测值样本对应的所述预测质量信息样本为输出量,以所述第二类质量预测值样本对应的所述关键特征数据样本为输入量,对初始下界随机森林网络模型进行学习获取所述下界随机森林网络模型。
可选地,在第二方面的一种可能实现方式中,所述特征获取模块用于获取生产监控数据样本、所述生产监控数据样本中的属性样本和与所述生产监控数据样本对应的质量预测值样本,其中,所述质量预测值样本是根据所述生产监控数据样本生产产品的质量确定的;
以所述质量预测值样本为输出,以所述生产监控数据样本为输入,对XGBoost模型进行学习;
利用所述XGBoost模型的决策树中通过每个所述属性分裂点改进性能度量的量来确定所述属性样本中属性的重要性,获取属性权值的排序;
将所述排序的前N个所述属性,作为所述关键特征数据。
本发明提供的产品质量预测的方法,实现了产品质量的预测,过程中首先对生产监控数据进行筛选,去除干扰项,得到关键特征数据,减少对数据的处理量,提高了预测质量信息的准确性,此外,利用神经网络集成预测模型对提取的关键特征数据进行处理,神经网络集成预测模型利用多个神经网络同时对关键特征数据进行处理,得到多个预测值,再根据多个预测值获取到最终的预测质量信息,进一步的提高了产品质量预测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明提供的一种产品质量预测的方法的流程示意图;
图2为本发明提供的一种获取生产监控数据中的关键特征数据的流程示意图;
图3是本发明提供的一种预设的神经网络集成预测模型的结构框图;
图4为本发明提供的另一种产品质量预测的方法的流程示意图;
图5为本发明提供的再一种产品质量预测的方法的流程示意图;
图6是本发明提供的一种产品质量预测的装置;
图7是本发明实施例提供的一种设备的硬件结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例仅仅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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一些本发明的应用场景中,例如在产品制造业中,有大量数据在加工生产环节保留下来,目前,利用这些海量数据可以对新的产品进行质量预测,也可以据此调整加工过程,然而,现有技术对这些海量数据进行处理时,使得问题容易陷入局部最优,当数据的特征类别比较多时,预测的过拟合风险会增加。因此,现有技术中的产品质量预测方法不可靠。
为了解决现有技术的如上技术问题,本发明提供一种产品质量预测的方法,实现了产品质量的预测,提高了产品质量预测的准确性。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图1为本发明提供的一种产品质量预测的方法流程示意图,图1所示方法的执行主体可以是软件和/或硬件装置。图1所示方法包括步骤S101至步骤S103,具体如下:
S101、获取产品的生产监控数据,并获取生产监控数据中的关键特征数据。
具体的,产品的生产监控数据可以理解为工厂中的各个环节积累的大量的各式各样的监控特征的数据,例如在产品成型环节需调节温度为100°,可以由成型环节处的温度传感器获取;关键特征数据为从产品的生产监控数据中提取出来的与产品最终质量具有关联性的关键指标,去除掉干扰项,以减少后续处理的数据量,提高产品质量预测的准确性。
S102、根据关键特征数据和预设的神经网络集成预测模型,获取产品的质量预测值。
具体的,预设的神经网络集成预测模型为学习好的模型,用于直接测试产品的预测质量,其输入为步骤S101中获取到的关键特征数据,输出为预测的产品的质量预测值。
S103、根据所述质量预测值,获取所述产品的预测质量信息。
具体的,产品的预测质量信息包含质量预测值以及产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息,构成整体的预测质量信息,完成对产品质量的预测。
上述实施例提供的产品质量预测的方法,实现了产品质量的预测,过程中首先对生产监控数据进行筛选,去除干扰项,得到关键特征数据,减少对数据的处理量,提高了预测质量信息的准确性,此外,利用神经网络集成预测模型对提取的关键特征数据进行处理,神经网络集成预测模型利用多个神经网络同时对关键特征数据进行处理,得到多个预测值,再根据多个预测值获取到最终的预测质量信息,进一步的提高了产品质量预测的准确性。
在上述实施例的基础上,步骤S101(获取产品的生产监控数据,并获取生产监控数据中的关键特征数据)的具体实现方式可以有多种,例如可以:
参见图2,图2为本方法提供的一种获取生产监控数据中的关键特征数据的流程示意图,图2所示方法包括步骤S201至步骤S204,具体如下:
S201、获取生产监控数据样本、生产监控数据样本中的属性样本和与生产监控数据样本对应的质量预测值样本,其中,质量预测值样本是根据所述生产监控数据样本生产产品的质量确定的。
具体的,生产监控数据样本包括多条生产监控数据,每一条生产监控数据包含一个产品在生产过程中各个属性的记录值,例如,温度100°,各个属性构成生产监控数据样本中的属性样本,例如,温度、湿度等属性。
S202、以质量预测值样本为输出,以生产监控数据样本为输入,对XGBoost模型进行学习。
具体的,对XGBoost模型进行学习,以用于在产品质量预测时,从生产监控数据中获取到关键特征数据。
S203、利用XGBoost模型的决策树中通过每个属性分裂点改进性能度量的量来确定属性样本中属性的重要性,获取属性权值的排序。
具体的,XGBoost模型是基于Xgboost算法的回归模型,Xgboost模型的网络学习部分是集成学习模型,通常由若干棵回归树作为集成模型的弱模型,采取对多棵回归树进行残差拟合的学习策略。在模型学习时,首先进行一棵树的学习,根据一棵树的学习结果和真实值的差距,确定下一颗树的学习目标。例如,使用Xgboost预测年龄,某人的年龄为30岁,第一棵树的预测结果为20岁,则此时损失为10岁,这一损失由第二颗树拟合,若第二棵树的预测结果为6岁,则损失为4岁,这个损失由第三棵树拟合,这样循环迭代,直到损失在我们可接受范围内。在Xgboost模型种,最终的结果是将每个弱模型的预测结果相加。
属性重要性排序有两种方法,最简单的一种是F-score,是在得到预测结果过程中,通过该属性每棵树中分裂次数的和去计算的,比如这个属性在第一棵树分裂1次,第二棵树2次……,那么这个特征的得分就是(1+2+...);第二种叫gain比如,属性x1被选了6次作为分裂的属性,每次的增益假如为Gain1,Gain2,…Gain6,那么其平均增益为(Gain1+Gain2+...Gain3)/6。
S204、将排序的前N个属性,作为关键特征数据。
具体的,选取步骤S203中排序好的前N个属性作为关键特征数据,这前N个属性即为与质量最相关的。
本实施例采用XGBoost模型利用决策树的分叉获取属性权值的排序,并选取前N个属性作为关键特征数据,提取到与产品最终质量最相关的部分数据,减少后续神经网络集成预测模型对数据的处理量。
在上述实施例的基础上,步骤S102(根据关键特征数据和预设的神经网络集成预测模型,获取产品的质量预测值)的具体实现方式可以是:
参见图3,图3是本发明提供的一种预设的神经网络集成预测模型的结构框图。
参见图4,图4为本发明提供的另一种产品质量预测的方法流程示意图,图4所示方法的执行主体可以是软件和/或硬件装置。图4所示方法包括步骤S301至步骤S305,具体如下:
S301、获取产品的生产监控数据,并获取生产监控数据中的关键特征数据。
具体的,步骤S301同步骤S101相同,且效果相同,在此不再赘述。
S302、以多个基学习子模型分别对关键特征数据处理,得到多个初级质量信息。
具体的,参见图3,预设的神经网络集成预测模型包括多个独立的基学习子模型、多个注意力机制融合子模型以及预设的分类模型,基学习子模型可以为前馈神经网络,且多个基学习子模型是相互独立的,基学习子模型得到初级产品预测质量信息,初级产品预测质量信息为一个质量值,质量值的范围在0~1之间,例如,0.85。
S303、根据所述多个初级产品预测质量信息,得到所述质量预测值。
例如,可以是根据与各关键特征数据对应的权重系数和基学习子模型得到的初级产品预测质量信息进行加权求和处理,得到质量预测值。
而在进行加权求和处理之前,还可以预先确定权重系数。其中,确定权重系数的方式可以有多种,例如,可以是以注意力机制融合子模型对关键特征数据处理,得到与各基学习子模型对应的权重系数。注意力机制融合子模型可以为神经网络,注意力机制融合子模型利用关键特征数据得到对应基学习子模型的权重系数,初级产品预测质量信息和权重系数进行加权求和处理,得到质量预测值。
S304、根据所述质量预测值,获取所述产品的预测质量信息。
具体的,步骤S304同步骤S104相同,且效果相同,在此不再赘述。
本实施例中,利用基学习子模型得到的初级产品预测质量信息和注意力机制融合子模型得到的权重系数进行加权求和处理,将多个初级产品预测质量综合起来得到质量预测值,提高了产品质量预测的准确性。
再具体的,预设的神经网络集成预测模型为学习后的预测模型,需要根据关键特征数据和预设的神经网络集成预测模型,获取产品的质量预测值之前,对预设的神经网络集成预测模型进行训练,具体如下:
首先获取训练样本,训练样本包括关键特征数据样本和关键特征数据样本对应的质量预测值样本,其中,质量预测值样本是根据所述关键特征数据样本生产产品的质量确定的。
以训练样本对初始质量预测模型进行训练,即分别对初始基学习子模型和初始注意力机制融合子模型进行同时训练,质量预测值样本为输出量,以关键特征数据样本为输入量,中间由初始基学习子模型获取质量预测值,由初始注意力机制融合子模型获取权重系数,二者加权求和后的值即为质量预测值样本,以学习后的初始基学习子模型和初始注意力机制融合子模型获取预设的神经网络集成预测模型。
参见图5,图5为本发明提供的再一种产品质量预测的方法流程示意图,图5所示方法的执行主体可以是软件和/或硬件装置。图5所示方法包括步骤S401至步骤S404,具体如下:
S401、获取产品的生产监控数据,并获取生产监控数据中的关键特征数据。
具体的,步骤S401与步骤S101相同,且效果相同,再次不再赘述。
S402、根据关键特征数据和预设的神经网络集成预测模型,获取产品的质量预测值。
具体的,步骤S402与步骤S102相同,且效果相同,再次不再赘述。
S403、若质量预测值在预设的正常阈值区间之内,则确定产品质量为正常质量。
具体的,预设的正常阈值区间为设定的正常产品质量值的范围,预设的正常阈值区间例如可以是0.85~0.95,若产品的质量预测值在此范围内,则确定产品质量为正常质量。
S404、若质量预测值不在正常阈值区间之内,则根据预设的分类模型和质量预测值,确定产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息,其中,预设的分类模型包括上界随机森林网络模型和下界随机森林网络模型。
具体的,若质量预测值大于正常阈值区间的最大值,则依据关键特征数据和上界随机森林网络模型,确定产品的预测质量信息为指示过优质量或者正常质量的预测质量信息;若质量预测值小于所述正常阈值区间的最小值,则依据关键特征数据和所述下界随机森林网络模型,确定产品的预测质量信息为指示产品质量为过劣产品或者正常质量的预测质量信息。
相应的,根据质量预测值,获取产品的预测质量信息之前,需要对初始的分类模型进行训练,以得到预设的分类模型,具体如下:
获取产品质量正常阈值区间、关键特征数据样本、述关键特征数据样本产生的质量预测值样本和预测质量信息样本,以上为整体训练样本,根据产品质量正常阈值区间,在质量预测值样本中,确定大于产品质量正常阈值区间最大值的第一类质量预测值样本,以及小于产品质量正常阈值区间最小值的第二类质量预测值样本。例如,正常阈值区间可以是0.85~0.95,第一类质量预测值样本可以是0.99,第二类质量预测值样本可以是0.5。
以第一类质量预测值样本对应的所述预测质量信息样本为输出量,以第一类质量预测值样本对应的关键特征数据样本为输入量,对初始上界随机森林网络模型进行学习获取上界随机森林网络模型;以第二类质量预测值样本对应的预测质量信息样本为输出量,以第二类质量预测值样本对应的关键特征数据样本为输入量,对初始下界随机森林网络模型进行学习获取下界随机森林网络模型。
参见图6,是本发明实施例提供的一种产品质量预测的装置,如图4所示的产品质量预测的装置40,包括:
特征获取模块41,用于获取产品的生产监控数据,并获取生产监控数据中的关键特征数据。
第一预测模块42,用于根据关键特征数据和预设的神经网络集成预测模型,获取产品的质量预测值。
第二预测模块43,用于根据质量预测值,获取产品的预测质量信息。
图6所示实施例的产品质量预测的装置对应地可用于执行图1所示方法实施例中的步骤,其实现原理和技术效果类似,此处不再赘述。
可选地,预设的神经网络集成预测模型包括多个独立的基学习子模型。
相应的,第一预测模块42用于以多个基学习子模型分别对关键特征数据处理,得到多个初级质量信息,根据多个初级产品预测质量信息,得到质量预测值。
可选地,第二预测模块43用于根据与各关键特征数据对应的权重系数和初级产品预测质量信息进行加权求和处理,得到质量预测值。
可选地,预设的神经网络集成预测模型还包括注意力机制融合子模型。
在根据与各关键特征数据对应的权重系数和初级产品预测质量信息进行加权求和处理,得到质量预测值之前,还包括:
以注意力机制融合子模型对关键特征数据处理,得到与各基学习子模型对应的权重系数。
可选地,在第一预测模块42获取产品的质量预测值之前,还用于获取关键特征数据样本和关键特征数据样本对应的质量预测值样本,其中,质量预测值样本是根据关键特征数据样本生产产品的质量确定的,以质量预测值样本为输出量,以关键特征数据样本为输入量,对初始质量预测模型进行学习,获取预设的神经网络集成预测模型。
可选地,第二预测模块43用于若质量预测值在预设的正常阈值区间之内,则确定产品质量为正常质量。
可选地,第二预测模块43用于若质量预测值不在正常阈值区间之内,则根据预设的分类模型和质量预测值,确定产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息。
可选地,第二预测模块43用于根据预设的分类模型和质量预测值,获取产品的预测质量信息,其中,预设的分类模型包括上界随机森林网络模型和下界随机森林网络模型。
根据预设的分类模型和质量预测值,确定产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息,包括:
若质量预测值大于正常阈值区间的最大值,则依据关键特征数据和上界随机森林网络模型,确定产品的预测质量信息为指示过优质量或者正常质量的预测质量信息。
若质量预测值小于正常阈值区间的最小值,则依据关键特征数据和下界随机森林网络模型,确定产品的预测质量信息为指示产品质量为过劣产品或者正常质量的预测质量信息。
可选地,根据第二预测模块43获取产品的预测质量信息之前,还用于获取产品质量正常阈值区间、关键特征数据样本、以关键特征数据样本产生的质量预测值样本和预测质量信息样本,根据产品质量正常阈值区间,在质量预测值样本中,确定大于产品质量正常阈值区最大值的第一类质量预测值样本,以及小于产品质量正常阈值区最小值的第二类质量预测值样本。
以第一类质量预测值样本对应的预测质量信息样本为输出量,以第一类质量预测值样本对应的关键特征数据样本为输入量,对初始上界随机森林网络模型进行学习获取上界随机森林网络模型。
以第二类质量预测值样本对应的预测质量信息样本为输出量,以第二类质量预测值样本对应的关键特征数据样本为输入量,对初始下界随机森林网络模型进行学习获取下界随机森林网络模型。
可选地,特征获取模块41用于获取生产监控数据样本、生产监控数据样本中的属性样本和与生产监控数据样本对应的质量预测值样本,其中,质量预测值样本是根据生产监控数据样本生产产品的质量确定的。
以质量预测值样本为输出,以生产监控数据样本为输入,对XGBoost模型进行学习。
利用XGBoost模型的决策树中通过每个属性分裂点改进性能度量的量来确定属性样本中属性的重要性,获取属性权值的排序。
将排序的前N个属性,作为关键特征数据。
参见图7,是本发明实施例提供的一种设备的硬件结构示意图,该设备50包括:处理器51、存储器52和计算机程序;其中
存储器52,用于存储所述计算机程序,该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器51,用于执行所述存储器存储的计算机程序,以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器52既可以是独立的,也可以跟处理器51集成在一起。
当所述存储器52是独立于处理器51之外的器件时,所述设备还可以包括:
总线53,用于连接所述存储器52和处理器51。
本发明还提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种产品质量预测的方法,其特征在于,包括:
获取产品的生产监控数据,并获取所述生产监控数据中的关键特征数据;
根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值;
根据所述质量预测值,获取所述产品的预测质量信息。
2.根据权利要求1所述的方法,其特征在于,所述预设的神经网络集成预测模型包括多个独立的基学习子模型;
相应的,所述根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值,包括:
以多个所述基学习子模型分别对所述关键特征数据处理,得到多个初级质量信息;
根据所述多个初级产品预测质量信息,得到所述质量预测值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多个初级产品预测质量信息,得到所述质量预测值,包括:
根据与各所述关键特征数据对应的权重系数和所述初级产品预测质量信息进行加权求和处理,得到所述质量预测值。
4.根据权利要求3所述的方法,其特征在于,所述预设的神经网络集成预测模型还包括注意力机制融合子模型;
在所述根据与各所述关键特征数据对应的权重系数和所述初级产品预测质量信息进行加权求和处理,得到所述质量预测值之前,还包括:
以所述注意力机制融合子模型对所述关键特征数据处理,得到与各所述基学习子模型对应的权重系数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述关键特征数据和预设的神经网络集成预测模型,获取所述产品的质量预测值之前,还包括:
获取关键特征数据样本和所述关键特征数据样本对应的质量预测值样本,其中,所述质量预测值样本是根据所述关键特征数据样本生产产品的质量确定的;
以所述质量预测值样本为输出量,以所述关键特征数据样本为输入量,对初始质量预测模型进行学习,获取所述预设的神经网络集成预测模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述质量预测值,获取所述产品的预测质量信息,包括:
若所述质量预测值在预设的正常阈值区间之内,则确定产品质量为正常质量。
7.根据权利要求1所述的方法,其特征在于,所述根据所述质量预测值,获取所述产品的预测质量信息,包括:
若所述质量预测值不在正常阈值区间之内,则根据预设的分类模型和所述质量预测值,确定所述产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述质量预测值,获取所述产品的预测质量信息,包括:
根据预设的分类模型和所述质量预测值,获取所述产品的预测质量信息,其中,所述预设的分类模型包括上界随机森林网络模型和下界随机森林网络模型;
所述根据预设的分类模型和所述质量预测值,确定所述产品的预测质量信息为指示过优质量、过劣质量或者正常质量的预测质量信息,包括:
若所述质量预测值大于所述正常阈值区间的最大值,则依据所述关键特征数据和所述上界随机森林网络模型,确定所述产品的预测质量信息为指示过优质量或者正常质量的预测质量信息;
若所述质量预测值小于所述正常阈值区间的最小值,则依据所述关键特征数据和所述下界随机森林网络模型,确定所述产品的预测质量信息为指示产品质量为过劣产品或者正常质量的预测质量信息。
9.根据权利要求8所述的方法,其特征在于,所述根据所述质量预测值,获取所述产品的预测质量信息之前,还包括:
获取产品质量正常阈值区间、关键特征数据样本、以所述关键特征数据样本产生的质量预测值样本和预测质量信息样本;
根据产品质量正常阈值区间,在所述质量预测值样本中,确定大于所述产品质量正常阈值区最大值的第一类质量预测值样本,以及小于所述产品质量正常阈值区最小值的第二类质量预测值样本;
以所述第一类质量预测值样本对应的所述预测质量信息样本为输出量,以所述第一类质量预测值样本对应的所述关键特征数据样本为输入量,对初始上界随机森林网络模型进行学习获取所述上界随机森林网络模型;
以所述第二类质量预测值样本对应的所述预测质量信息样本为输出量,以所述第二类质量预测值样本对应的所述关键特征数据样本为输入量,对初始下界随机森林网络模型进行学习获取所述下界随机森林网络模型。
10.根据权利要求1所述的方法,其特征在于,所述获取产品的生产监控数据,并获取所述生产监控数据中的关键特征数据,包括:
获取生产监控数据样本、所述生产监控数据样本中的属性样本和与所述生产监控数据样本对应的质量预测值样本,其中,所述质量预测值样本是根据所述生产监控数据样本生产产品的质量确定的;
以所述质量预测值样本为输出,以所述生产监控数据样本为输入,对XGBoost模型进行学习;
利用所述XGBoost模型的决策树中通过每个所述属性分裂点改进性能度量的量来确定所述属性样本中属性的重要性,获取属性权值的排序;
将所述排序的前N个所述属性,作为所述关键特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457464.8A CN110288199A (zh) | 2019-05-29 | 2019-05-29 | 产品质量预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457464.8A CN110288199A (zh) | 2019-05-29 | 2019-05-29 | 产品质量预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288199A true CN110288199A (zh) | 2019-09-27 |
Family
ID=68002870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910457464.8A Pending CN110288199A (zh) | 2019-05-29 | 2019-05-29 | 产品质量预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288199A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991495A (zh) * | 2019-11-14 | 2020-04-10 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
CN111177655A (zh) * | 2019-12-30 | 2020-05-19 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111212434A (zh) * | 2019-12-31 | 2020-05-29 | 宁波奥克斯电气股份有限公司 | 一种wifi模组质量预测方法、装置、设备及存储介质 |
CN111428419A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 |
CN111861173A (zh) * | 2020-07-08 | 2020-10-30 | 宇晶机器(长沙)有限公司 | 一种太阳能硅片多线切割机产品质量在线预测系统 |
WO2021143067A1 (zh) * | 2020-05-28 | 2021-07-22 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN113268936A (zh) * | 2021-07-03 | 2021-08-17 | 石河子大学 | 一种基于多目标进化随机森林特征选择的关键质量特性识别方法 |
CN113516285A (zh) * | 2021-05-12 | 2021-10-19 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113625669A (zh) * | 2021-07-09 | 2021-11-09 | 华中科技大学 | 产品质量预测方法以及系统 |
CN113743688A (zh) * | 2020-05-27 | 2021-12-03 | 鸿富锦精密电子(天津)有限公司 | 质量管控方法、装置、计算机装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294601B (zh) * | 2013-07-03 | 2016-05-04 | 中国石油大学(华东) | 一种基于选择性动态权重神经网络集成的软件可靠性预测方法 |
CN106446957A (zh) * | 2016-10-08 | 2017-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
-
2019
- 2019-05-29 CN CN201910457464.8A patent/CN110288199A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294601B (zh) * | 2013-07-03 | 2016-05-04 | 中国石油大学(华东) | 一种基于选择性动态权重神经网络集成的软件可靠性预测方法 |
CN106446957A (zh) * | 2016-10-08 | 2017-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991495A (zh) * | 2019-11-14 | 2020-04-10 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
CN110991495B (zh) * | 2019-11-14 | 2023-03-28 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
CN111177655A (zh) * | 2019-12-30 | 2020-05-19 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111177655B (zh) * | 2019-12-30 | 2022-04-22 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111212434A (zh) * | 2019-12-31 | 2020-05-29 | 宁波奥克斯电气股份有限公司 | 一种wifi模组质量预测方法、装置、设备及存储介质 |
CN111428419A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 |
CN113743688A (zh) * | 2020-05-27 | 2021-12-03 | 鸿富锦精密电子(天津)有限公司 | 质量管控方法、装置、计算机装置及存储介质 |
CN113743688B (zh) * | 2020-05-27 | 2023-10-20 | 富联精密电子(天津)有限公司 | 质量管控方法、装置、计算机装置及存储介质 |
WO2021143067A1 (zh) * | 2020-05-28 | 2021-07-22 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN111861173A (zh) * | 2020-07-08 | 2020-10-30 | 宇晶机器(长沙)有限公司 | 一种太阳能硅片多线切割机产品质量在线预测系统 |
CN113516285A (zh) * | 2021-05-12 | 2021-10-19 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113516285B (zh) * | 2021-05-12 | 2024-02-13 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113268936A (zh) * | 2021-07-03 | 2021-08-17 | 石河子大学 | 一种基于多目标进化随机森林特征选择的关键质量特性识别方法 |
CN113268936B (zh) * | 2021-07-03 | 2022-07-19 | 石河子大学 | 一种基于多目标进化随机森林特征选择的关键质量特性识别方法 |
CN113625669A (zh) * | 2021-07-09 | 2021-11-09 | 华中科技大学 | 产品质量预测方法以及系统 |
CN113625669B (zh) * | 2021-07-09 | 2022-08-05 | 华中科技大学 | 产品质量预测方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288199A (zh) | 产品质量预测的方法 | |
CN108095716B (zh) | 一种基于置信规则库和深度神经网络的心电信号检测方法 | |
RU2586864C2 (ru) | Способ и устройство для локального правила состязательного обучения, которое приводит к разреженной связности | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 | |
CN112270546A (zh) | 基于stacking算法的风险预测方法、装置和电子设备 | |
CN108805699A (zh) | 一种信贷风控决策方法及装置 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN113144624B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
WO2023116111A1 (zh) | 一种磁盘故障预测方法及装置 | |
CN109344969B (zh) | 神经网络系统及其训练方法以及计算机可读介质 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN111310918A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN115374106B (zh) | 一种基于知识图谱技术的数据智能分级方法 | |
CN109255389B (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
CN114742564A (zh) | 一种融合复杂关系的虚假评论者群体检测方法 | |
CN110471854A (zh) | 一种基于高维数据混合约简的缺陷报告指派方法 | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
CN117314643A (zh) | 基于金融风洞数据的数据分析方法、装置及存储介质 | |
CN112818100A (zh) | 一种融合题目难度的知识追踪方法及系统 | |
CN114360653A (zh) | 一种基于数据遗传变异的样本生成及生存评估方法、装置 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN112052386A (zh) | 信息推荐方法、装置和存储介质 | |
CN114443851A (zh) | 一种改进的基于概率校准的知识图谱生成方法 | |
CN114239666A (zh) | 分类模型训练的方法、设备、计算机可读介质 | |
CN111104571A (zh) | 一种基于比特币交易时序序列相似性的用户聚类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |