CN110991495A - 生产制造过程中产品质量预测方法、系统、介质及设备 - Google Patents
生产制造过程中产品质量预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN110991495A CN110991495A CN201911113465.7A CN201911113465A CN110991495A CN 110991495 A CN110991495 A CN 110991495A CN 201911113465 A CN201911113465 A CN 201911113465A CN 110991495 A CN110991495 A CN 110991495A
- Authority
- CN
- China
- Prior art keywords
- prediction
- key process
- key
- prediction model
- sample 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 242
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 61
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及生产制造过程中产品质量预测方法、系统、介质及设备，方法包括：对获取的样本数据进行数据预处理；确定关键过程；为关键过程创建关键过程预测模型；对关键过程预测模型进行训练和校正；利用关键过程预测模型进行关键过程预测，得到关键过程的预测结果；根据关键过程的预测结果创建全过程的全过程预测模型；对全过程预测模型进行训练和校正；利用全过程预测模型进行产品质量预测。本发明对产品制造过程中的关键过程进行预测，并将关键过程的预测结果作为整体产品质量预测的一个输入量，提高了产品质量预测的准确率，使得生产制造过程可控；并且便于追溯产品问题根源，从而进行工艺流程改善。
Description
技术领域
本发明涉及产品质量预测技术领域，尤其涉及一种生产制造过程中产品质量预测方法、系统、介质及设备。
背景技术
目前，在工业生产过程中质量优异的产品既可为企业带来高额利润也可以提升企业品牌的知名度和认可度，而提升产品质量的研究与应用对于提高本国制造业水平和综合实力起着举足轻重的作用。但是目前大多数企业对产品质量把控的方法大多采用的都是人工抽检的方法，这种方法不仅速度缓慢，而且如果出现大量的不合格产品，会造成巨大的经济损失。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题，提供一种生产制造过程中产品质量预测方法、系统、介质及设备。
为解决上述技术问题，本发明实施例提供一种生产制造过程中产品质量预测方法，包括：获取样本数据，对所述样本数据进行数据预处理；确定生产制造的全过程中的至少一个关键过程；为所述至少一个关键过程创建对应的关键过程预测模型；利用关键过程的样本数据对关键过程预测模型进行训练和校正；利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果；根据所述关键过程的预测结果创建所述全过程的全过程预测模型；利用所述全过程的样本数据对所述全过程预测模型进行训练和校正；利用所述全过程预测模型进行产品质量预测。
为解决上述技术问题，本发明实施例还提供一种生产制造过程中产品质量预测系统，包括：数据预处理模块，用于获取样本数据，对所述样本数据进行数据预处理；过程状态确定模块，用于确定生产制造的全过程中的至少一个关键过程；模型创建模块，用于为所述至少一个关键过程创建对应的关键过程预测模型，还用于根据所述关键过程的预测结果创建所述全过程的全过程预测模型；模型训练模块，用于利用关键过程的样本数据对关键过程预测模型进行训练和校正，还用于利用所述全过程的样本数据对所述全过程预测模型进行训练和校正；质量预测模块，用于利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果，还用于利用所述全过程预测模型进行产品质量预测。
为解决上述技术问题，本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的生产制造过程中产品质量预测方法。
为解决上述技术问题，本发明实施例一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案所述的生产制造过程中产品质量预测方法。
本发明的有益效果是：本发明对产品制造过程中的关键过程进行预测，并将关键过程的预测结果作为整体产品质量预测的一个输入量，提高了产品质量预测的准确率，使得生产制造过程可控；并且便于追溯产品问题根源，从而进行工艺流程改善。
附图说明
图1为本发明一实施例提供的生产制造过程中产品质量预测方法的示意性流程图；
图2为本发明另一实施例提供的生产制造过程中产品质量预测方法的示意性流程图；
图3为本发明实施例提供的生产制造过程中产品质量预测系统示意性结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的生产制造过程中产品质量预测方法的示意性流程图。如图1所示，该方法包括：
获取样本数据，对所述样本数据进行数据预处理；确定生产制造的全过程中的至少一个关键过程；为所述至少一个关键过程创建对应的关键过程预测模型；利用关键过程的样本数据对关键过程预测模型进行训练和校正；利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果；根据所述关键过程的预测结果创建所述全过程的全过程预测模型；利用所述全过程的样本数据对所述全过程预测模型进行训练和校正；利用所述全过程预测模型进行产品质量预测。
需要说明的是，确定生产制造的全过程中的至少一个关键过程，可以根据工作经验和专家人为确定关键过程，或者对经过数据预处理的样本数据进行聚类分析，确定关键过程。
产品形成的过程分为两个部分，即全过程和关键过程。全过程不需要识别，即为整个生产制造过程，包括关键过程和非关键过程，也就是说对于成品直接进行预测。关键过程指的是工程经验中认为容易造成产品不良的过程或依据以往历史数据分析(聚类分析法FCM，决策树分析法等)得出，该过程或工艺阶段出现问题容易导致产品不良率提升，即该阶段特征数据发生轻微改变，产品不良率会大幅提升。
关键过程需要识别，关键过程的识别来源于两类。(1)以往工作经验和专家人为判断；(2)根据以往历史数据(即经过数据预处理的样本数据)进行聚类分析。聚类判别的标准为该阶段特征数据发生轻微改变，产品不良率会大幅提升，也即是说该阶段特征数据变化值小于预设值，而产品不良率的变化率(即产品不良率/该阶段特征数据变化值)大于1，则定义该阶段为关键过程。关键过程的识别采用的是在线标记，对应软件程序而言就是关键字段。例如锅炉蛇形管生产过程中认为弯折部分和焊点部位为关键工位，则在程序中对此进行标记。
通过以往工作经验和专家人为判断，或者根据以往历史数据的聚类分析，可以有效识别生产制造过程的关键阶段，从而可实现准确预测产品质量。
上述实施例中，对产品制造过程中的关键过程进行预测，并将关键过程的预测结果作为整体产品质量预测的一个输入量，提高了产品质量预测的准确率，使得生产制造过程可控；并且便于追溯产品问题根源，从而进行工艺流程改善。
可选地，所述获取样本数据，对所述样本数据进行数据预处理，包括：对所述样本数据的数据结构进行预览，识别并剔除明显异常的样本数据；根据所述样本数据对需要建立的关键过程预测模型的复杂度进行评估，获得模型复杂度评估结果。
需要说明的是，可以根据样本数据的数据结构、数据量、特征值的大小和差异来对需要建立的关键过程预测模型的复杂度进行评估。具体评估方法为本领域常规方法，此处不再赘述。
上述实施例中，剔除明显异常的样本数据，并对需要建立的关键过程预测模型的复杂度进行评估，可有效降低数据清洗的难度，同时提高模型建立的准确度。
可选地，所述为所述至少一个关键过程创建对应的关键过程预测模型，包括：对关键过程的样本数据进行特征值筛选，根据筛选的特征值和所述模型复杂度评估结果选择对应的变量和模型。
需要说明的是，上述实施例中，全过程样本数据指的是成品的样本数据。关键过程预测模型的变量选择和模型选择都是针对特定行业以及特定工艺过程进行选择的。特征值、模型、复杂度在数据建模中都是根据实际的数据量(大小)、数据关系(变量等)决定的。例如工业数据中经常出现的时间序列，需要对数据的不同期(即不同天)间是否相关做相应的检验，然后进行相应的处理后才做下一步分析。而时间序列模型也有多种如，平滑指数模型，BP神经网络等，但有相似的规律，都是跟时间的变化相关。
变量和模型都可以采用常规的预测模型。例如大多数关键过程都是时间序列模型。例如锻造过程中，变量有温度、钢板的厚度、长度、宽度和材质等。可以采用ARIMA模型。
可选地，如图2所示，所述利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果时，还包括：不断调整关键过程预测模型所选择的变量和模型，使预测结果的预测准确率达到预设值。
关键过程预测模型不断地调整模型和变量，使得预测准确率(ki)达到95％以上。例如一开始认为温度为变量，选择一个模型，但是经过调节发现，无法达到95％，就说明变量不是主要变量。需要查看其他变量是否能达到这一点。
上述实施例中，不断调整关键过程预测模型的变量和模型，使关键过程的预测结果更加准确，进而提高全过程的预测准确率。
可选地，所述根据所述关键过程的预测结果创建所述全过程的全过程预测模型，包括：创建反馈神经网络模型RNNS作为全过程预测模型；将所述关键过程的预测结果中预测准确率的最小值作为所述全过程预测模型的反馈值，引入所述反馈神经网络模型RNNS中。
全过程是众多关键过程和非关键过程组成的，且关键过程对于成品的影响更大。定义全过程的模型预测值＝min(ki)，将其当作反馈值，引入全过程预测模型RNNS模型中。全过程(成品)质量预测等于关键过程和非关键过程产品质量预测。认定至少一个关键过程中最小的预测准确度(ki)为全过程(成品)质量预测的初始值，引入反馈神经网络(RNNS)，有利于提高预测的准确值。
上述实施例中，将关键过程的预测结作为整体产品质量预测的一个输入量，提高了产品质量预测的准确率；把控产品生产的全过程，使得最终成品预测值更加可信。且对于成品出现问题的时候，可反向追踪，寻找问题根源。解决了常见的产品预测模型中，只对全过程进行预测，数据量少，而且是完全的黑盒子，不能追溯产品的问题。本发明实施例中，将关键过程的预测值作为反馈值，使数据量增大，且数据分类更加细化，提高了产品预测的准确率。且关键过程一旦通过预测发现问题，可以及时停工调整。
可选地，所述为所述至少一个关键过程创建对应的关键过程预测模型之前，还包括：对所述全过程的样本数据中和所述至少一个关键过程的样本数据进行数据清洗。
上述实施例中，通过数据清洗剔除或补充因数据采集等人为因素导致的数据误差或数据缺失，提高模型创建及模型训练的准确性。
本发明提供的设计方法是更加注重生产原料和生产过程等关键过程，提高了产品预测的准确率。
上文结合图1和图2，详细描述了根据本发明实施例提供的生产制造过程中产品质量预测方法。下面结合图3，详细描述本发明实施例提供的生产制造过程中产品质量预测系统。
如图3所示，本发明实施例还提供一种生产制造过程中产品质量预测系统，包括：数据预处理模块、过程状态确定模块、模型创建模块、模型训练模块和质量预测模块。
数据预处理模块，用于获取样本数据，对所述样本数据进行数据预处理；过程状态确定模块，用于确定生产制造的全过程中的至少一个关键过程；模型创建模块，用于为所述至少一个关键过程创建对应的关键过程预测模型，还用于根据所述关键过程的预测结果创建所述全过程的全过程预测模型；模型训练模块，用于利用关键过程的样本数据对关键过程预测模型进行训练和校正，还用于利用所述全过程的样本数据对所述全过程预测模型进行训练和校正；质量预测模块，用于利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果，还用于利用所述全过程预测模型进行产品质量预测。
上述实施例中，本发明对产品制造过程中的关键过程进行预测，并将关键过程的预测结果作为整体产品质量预测的一个输入量，提高了产品质量预测的准确率，使得生产制造过程可控；并且便于追溯产品问题根源，从而进行工艺流程改善。
可选地，所述数据预处理模块具体用于：对所述样本数据的数据结构进行预览，识别并剔除明显异常的样本数据；根据所述样本数据对需要建立的关键过程预测模型的复杂度进行评估，获得模型复杂度评估结果。
可选地，所述模型创建模块具体用于，对关键过程的样本数据进行特征值筛选，根据筛选的特征值和所述模型复杂度评估结果选择对应的变量和模型，还用于创建反馈神经网络模型RNNS作为全过程预测模型。
可选地，所述模型创建模块还用于不断调整关键过程预测模型所选择的变量和模型，使预测结果的预测准确率达到预设值。
可选地，所述模型创建模块用于创建反馈神经网络模型RNNS作为全过程预测模型；将所述关键过程的预测结果中预测准确率的最小值作为所述全过程预测模型的反馈值，引入所述反馈神经网络模型RNNS中。
可选地，还包括数据清洗模块，用于对所述全过程的样本数据和所述至少一个关键过程的样本数据进行数据清洗。
需要说明的是，本发明实施例提供的生产制造过程中产品质量预测系统可通过部署云计算的方式实现，也可以采用部署服务器的方式实现。
本发明实施例还提供一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据上述技术方案所述的生产制造过程中产品质量预测方法。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方案所述的生产制造过程中产品质量预测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的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，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。
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发明实施例方案的目的。
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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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，或者该技术方案的全部或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较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种生产制造过程中产品质量预测方法，其特征在于，包括：
获取样本数据，对所述样本数据进行数据预处理；
确定生产制造的全过程中的至少一个关键过程；
为所述至少一个关键过程创建对应的关键过程预测模型；
利用关键过程的样本数据对所述关键过程预测模型进行训练和校正；
利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果；
根据所述关键过程的预测结果创建所述全过程的全过程预测模型；
利用所述全过程的样本数据对所述全过程预测模型进行训练和校正；
利用所述全过程预测模型进行产品质量预测。
2.根据权利要求1所述的方法，其特征在于，所述获取样本数据，对所述样本数据进行数据预处理，包括：
对所述样本数据的数据结构进行预览，识别并剔除明显异常的样本数据；根据所述样本数据对需要建立的关键过程预测模型的复杂度进行评估，获得模型复杂度评估结果。
3.根据权利要求2所述的方法，其特征在于，所述为所述至少一个关键过程创建对应的关键过程预测模型，包括：
对关键过程的样本数据进行特征值筛选，根据筛选的特征值和所述模型复杂度评估结果选择对应的变量和模型。
4.根据权利要求3所述的方法，其特征在于，所述利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果时，还包括：
不断调整关键过程预测模型所选择的变量和模型，使预测结果的预测准确率达到预设值。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述关键过程的预测结果创建所述全过程的全过程预测模型，包括：
创建反馈神经网络模型RNNS作为全过程预测模型；
将所述关键过程的预测结果中预测准确率的最小值作为所述全过程预测模型的反馈值，引入所述反馈神经网络模型RNNS中。
6.根据权利要求1至4所述的方法，其特征在于，所述为所述至少一个关键过程创建对应的关键过程预测模型之前，还包括：对所述全过程的样本数据和所述至少一个关键过程的样本数据进行数据清洗。
7.一种生产制造过程中产品质量预测系统，其特征在于，包括：
数据预处理模块，用于获取样本数据，对所述样本数据进行数据预处理；
过程状态确定模块，用于确定生产制造的全过程中的至少一个关键过程；
模型创建模块，用于为所述至少一个关键过程创建对应的关键过程预测模型，还用于根据所述关键过程的预测结果创建所述全过程的全过程预测模型；
模型训练模块，用于利用关键过程的样本数据对关键过程预测模型进行训练和校正，还用于利用所述全过程的样本数据对所述全过程预测模型进行训练和校正；
质量预测模块，用于利用所述关键过程预测模型进行关键过程预测，得到关键过程的预测结果，还用于利用所述全过程预测模型进行产品质量预测。
8.根据权利要求7所述的系统，其特征在于，所述数据预处理模块具体用于：对所述样本数据的数据结构进行预览，识别并剔除明显异常的样本数据；根据所述样本数据对需要建立的关键过程预测模型的复杂度进行评估，获得模型复杂度评估结果。
9.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1-6任一项所述的生产制造过程中产品质量预测方法。
10.一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的生产制造过程中产品质量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911113465.7A CN110991495B (zh) | 2019-11-14 | 2019-11-14 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911113465.7A CN110991495B (zh) | 2019-11-14 | 2019-11-14 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991495A true CN110991495A (zh) | 2020-04-10 |
| CN110991495B CN110991495B (zh) | 2023-03-28 |
Family
ID=70084322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911113465.7A Active CN110991495B (zh) | 2019-11-14 | 2019-11-14 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991495B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926764A (zh) * | 2021-01-21 | 2021-06-08 | 北京理工大学 | 一种产品质量性能预测方法和装置 |
| CN113130016A (zh) * | 2020-06-04 | 2021-07-16 | 北京世纪金光半导体有限公司 | 基于人工智能的晶片质量分析评价系统 |
| CN113421264A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 轮毂质量检测方法、设备、介质及计算机程序产品 |
| 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 |
| CN113642257A (zh) * | 2021-10-13 | 2021-11-12 | 晶芯成(北京)科技有限公司 | 一种晶圆质量预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201705189D0 (en) * | 2017-03-31 | 2017-05-17 | Microsoft Technology Licensing Llc | Sensor data processor with update ability |
| US20190286541A1 (en) * | 2018-03-19 | 2019-09-19 | International Business Machines Corporation | Automatically determining accuracy of a predictive model |
| CN110264079A (zh) * | 2019-06-20 | 2019-09-20 | 东北大学 | 基于CNN算法和Lasso回归模型的热轧产品质量预测方法 |
| CN110288199A (zh) * | 2019-05-29 | 2019-09-27 | 北京航空航天大学 | 产品质量预测的方法 |
-
2019
- 2019-11-14 CN CN201911113465.7A patent/CN110991495B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201705189D0 (en) * | 2017-03-31 | 2017-05-17 | Microsoft Technology Licensing Llc | Sensor data processor with update ability |
| US20190286541A1 (en) * | 2018-03-19 | 2019-09-19 | International Business Machines Corporation | Automatically determining accuracy of a predictive model |
| CN110288199A (zh) * | 2019-05-29 | 2019-09-27 | 北京航空航天大学 | 产品质量预测的方法 |
| CN110264079A (zh) * | 2019-06-20 | 2019-09-20 | 东北大学 | 基于CNN算法和Lasso回归模型的热轧产品质量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王坚: "基于改进组合神经网络的水资源预测研究", 《计算机科学》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113130016A (zh) * | 2020-06-04 | 2021-07-16 | 北京世纪金光半导体有限公司 | 基于人工智能的晶片质量分析评价系统 |
| CN113130016B (zh) * | 2020-06-04 | 2024-02-02 | 北京星云联众科技有限公司 | 一种基于人工智能的晶片质量分析评价方法 |
| CN112926764A (zh) * | 2021-01-21 | 2021-06-08 | 北京理工大学 | 一种产品质量性能预测方法和装置 |
| CN112926764B (zh) * | 2021-01-21 | 2023-05-30 | 北京理工大学 | 一种产品质量性能预测方法和装置 |
| 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 |
| CN113421264A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 轮毂质量检测方法、设备、介质及计算机程序产品 |
| CN113642257A (zh) * | 2021-10-13 | 2021-11-12 | 晶芯成(北京)科技有限公司 | 一种晶圆质量预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991495B (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991495B (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
| JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN107563645A (zh) | 一种基于大数据的金融风险分析方法 | |
| CN110308658B (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
| CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
| CN114004044A (zh) | 基于温度敏感点的机床主轴热误差快速辨识方法 | |
| JP5003362B2 (ja) | 製品品質の制御方法及び制御装置 | |
| CN111507824A (zh) | 风控模型入模变量最小熵分箱方法 | |
| CN112819085B (zh) | 基于机器学习的模型优化方法、装置及存储介质 | |
| CN117933058A (zh) | 连铸工艺参数的调整方法、系统及模型生成方法、系统 | |
| CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
| Havinga et al. | Estimating product-to-product variations in metal forming using force measurements | |
| CN114742289B (zh) | 一种面向生产工艺参数的高斯过程稳健优化方法 | |
| CN115660608B (zh) | 一种一站式的创新创业孵化方法 | |
| CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
| CN115138472A (zh) | 分选悬浮液密度给定方法及系统 | |
| CN112801558B (zh) | 一种工艺参数调节动作决策模型的优化方法以及装置 | |
| CN115169832A (zh) | 一种基于曲线形态变化的敏感性分析方法及系统 | |
| CN113391987A (zh) | 一种上线软件系统的质量预测方法及装置 | |
| Sexton et al. | Automatic state matching gaussian process ensemble for wood planer control | |
| CN113128734A (zh) | 一种油田产量的预测方法及装置 | |
| CN118605364B (zh) | 多孔硅碳负极材料制备过程的计算监控与控制系统及方法 | |
| CN118090484B (zh) | 一种电液伺服动态疲劳试验机的控制方法及系统 | |
| CN117341261B (zh) | 一种伺服直驱螺旋压力机智能控制方法及系统 |
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 |