CN111080150A - 生产数据分析方法、装置、设备及介质 - Google Patents
生产数据分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111080150A CN111080150A CN201911333080.1A CN201911333080A CN111080150A CN 111080150 A CN111080150 A CN 111080150A CN 201911333080 A CN201911333080 A CN 201911333080A CN 111080150 A CN111080150 A CN 111080150A
- Authority
- CN
- China
- Prior art keywords
- quality
- parameters
- production data
- parameter
- equipment
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007405 data analysis Methods 0.000 title claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 35
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 8
- 229910052710 silicon Inorganic materials 0.000 description 8
- 239000010703 silicon Substances 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000011265 semifinished product Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生产数据分析方法，涉及数据分析技术领域，用于解决现有需要个人经验对产品质量进行预测的问题，该方法包括以下步骤：读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；对所述质量参数进行分级，得到所述质量参数对应的质量级别；按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到所述设备参数的最优聚类结果；根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。本发明还公开了一种生产数据分析装置、电子设备和计算机存储介质。本发明通过对生产数据进行建模，进而实现自动通过设备参数预测质量参数。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种生产数据分析方法、装置、设备及介质。
背景技术
在传统制造企业中，生产流水线是企业最重要的部分。生产流水线又称为装配线，指的是工业上的生产方式，即每一个生产单位只专注处理某一片段的工作，以提高工作效率及产量。
目前的智能生产线都会对生产线上的设备数据进行采集，但是，设备数据通常仅仅用来对设备的运行情况进行监控，产品质量较差时只能通过操作员的经验对设备进行参数调整，生产效率较低。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种生产数据分析方法，其通过设备参数和质量参数建立预测模型，进而为生产线提供产品质量的预测结果。
本发明的目的之一采用以下技术方案实现：
一种生产数据分析方法，包括以下步骤：
读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
对所述质量参数进行分级，得到所述质量参数对应的质量级别；
按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到所述设备参数的最优聚类结果；
根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
进一步地，所述质量参数为分拣机识别的产品质量参数，所生产设备参数为设备PLC参数。
进一步地，根据预设分级数值对所述质量参数进行分级，得到每个产品的质量级别，包括以下步骤：
读取所述质量参数；
判断所述质量参数是否有参数值；
当所述质量参数有参数值时，根据预设分级数值匹配对应质量级别；
当所述质量参数无参数值时，质量级别为“0”。
进一步地，根据预设分级数值对所述质量参数进行分级后，还包括以下步骤：
根据预设质量级别颜色，将所述质量参数按对应产品的生产顺序进行可视化显示。
进一步地，通过无监督聚类方法将所述设备参数按所述质量级别进行聚类，包括以下步骤：
根据所述设备参数构建质量特征向量；
对所述质量特征向量按照所述质量级别进行无监督聚类，聚类簇数量等于所述质量级别数量；
将所述聚类结果映射到所述质量级别对应的质量参数上。
进一步地，所述预测模型为决策树分类模型，根据所述聚类的结果构建质量参数预测模型，具体为：
将所述质量级别作为决策树的叶子节点，将所述设备参数作为决策树的分支节点。
进一步地，根据所述聚类的结果构建质量参数预测模型之后，还包括以下步骤：
实时接收设备参数；
根据所述设备参数，通过所述质量参数预测模型预测质量参数；
当所述预测质量参数的结果为参数异常时，根据预设最优质量参数进行设备参数推荐。
本发明的目的之二在于提供一种生产数据分析装置，其通过设备参数和质量参数建立预测模型，进而为生产线提供产品质量的预测结果。
本发明的目的之二采用以下技术方案实现：
一种生产数据分析装置，其包括：
读取模块，用于读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
分级模块，用于对所述质量参数进行分级，得到所述质量参数对应的质量级别；
模型构建模块，用于按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到设备参数的最优聚类结果；并根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的生产数据分析方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的生产数据分析方法。
相比现有技术，本发明的有益效果在于：
本发明通过设定质量级别，根据质量级别进行聚类并构建质量预测模型，通过该预测模型，可以根据设备参数预测出产品的质量，可以有效降低产品为残次品的概率，提高了生产效率，降低了生产成本。
附图说明
图1是实施例一的生产数据分析方法的流程图；
图2是实施例一的质量分级方法的流程图；
图3是实施例一的设备参数聚类方法的流程图；
图4是实施例二的生产数据分析装置的结构框图；
图5是实施例三的电子设备的结构框图。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种生产数据分析方法，旨在通过对线生产数据进行分析，进而通过决策树分类模型得到质量参数预测模型。
请参照图1所示，一种生产数据分析方法，包括以下步骤：
S110、读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
目前的智能生产线都会对设备数据进行收集、监控，设备数据通常通过设备上的PLC(可编程逻辑控制器)模块收集，设备PLC参数即本实施例所涉及的设备参数，例如硅片生产流水线上的铸锭炉、切割机等机器PLC数据，包括铸锭炉压力、温度、电压、铸锭配料配比等，以及切割机的转速、切割角度、切割速度等数据；本实施例中的质量参数为分拣机识别的产品质量参数，分拣机会对每个产品的质量进行检测，以便于进行优等品和残次品的分拣；本实施例中涉及的质量参数指的是成品的质量参数。
对于同一批次的产品，其设备参数通常是相同的，但是每个产品的质量参数可能不同，S110中生产数据是按照生产批次进行读取的，以便于将设备参数及其对应的质量参数相匹配。
S120、对所述质量参数进行分级，得到所述质量参数对应的质量级别；
由于产品或分拣机的不同，得到的质量参数数量也不同，当质量参数数量不多时，可以对所有质量参数进行分级，并用于构建质量参数预测模型；而对于一些型号的分拣机或对于一些质量参数要求较多的产品，分拣机会识别出多个质量参数，过多的质量参数会增加计算量，为了降低计算量，通常只需选择1-3个重要的质量参数，因此可以通过设定预设参数以便于筛选出最重要的1个或几个质量参数。例如在硅片生产线上，分拣机会识别出多个质量参数，此时，可以将崩边数值和电阻率作为预设参数，并对这两个质量参数进行分级。
请参照图2所示，S120具体包括以下步骤：
S1201、读取所述质量参数；
S1202、判断所述质量参数是否有参数值；
S1203、当所述质量参数有参数值时，根据预设分级数值匹配对应质量级别；
S1204、当所述质量参数无参数值时，质量级别为“0”。
由于分拣机在检测产品时，会有部分产品无法检测出其质量参数，如果将这些未检测出的质量参数也作为构建预测模型的基础，则容易造成聚类错误或模型构建错误，因此这些无质量参数的产品的质量级别定为“0”，即无级别，无级别的质量参数不参与后续的聚类过程。
为了直观地向操作人员或管理者展示产品的质量，本实施例还对质量参数进行可视化展示，具体地，根据预设质量级别颜色，将所述待分析质量参数按对应产品的生产顺序进行可视化显示。
对于一些产品的生产线，上述的可视化显示可以为三维可视化显示，X轴为时间顺序，Y轴为每一时间段(X轴中每一个时间点)产出的半成品顺序，Z轴显示半成品加工为成品的顺序；以硅片生产线为例，硅锭加工成的晶棒为半成品，晶棒切割后得到的硅片为成品。
相比于数字化的质量参数显示，通过对不同质量级别设定不同颜色，可以更直观地了解到产品的质量。以硅片生产线为例，请参照表1.1和表1.2所示，为硅片生产线上崩边及电阻率这两种质量参数的分级及颜色示例。
| 崩边数值 | [0,1) | [1,2) | [2,3) | [3,4) | >＝4 | 无数值，返回“无” |
| 级别 | 1 | 2 | 3 | 4 | 5 | 0 |
| 颜色 | 绿 | 黄绿 | 黄 | 橙 | 红 | 灰色或透明 |
表1.1
表1.2
S130、按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到所述设备参数的最优聚类结果；
通常同一批次的产品其设备参数相同，每个产品的质量参数不同，但其质量参数通常保持在某一范围内，因此通过设定质量参数区间对应的质量级别，并通过聚类以得到每一批次设备参数最接近的质量参数区间，或概率最高的质量参数区间。
无监督聚类是深度学习中一种建模框架，无监督聚类只能够聚类成指定数量的类。本实施例中，通过无监督聚类算法对设备参数进行聚类，即将不同批次的设备参数聚类最接近的质量级别上，聚类的数量即质量级别的数量，以便于将设备参数映射到对应的质量参数上。
具体地，请参照图3所示，包括以下步骤：
S1301、根据所述设备参数构建质量特征向量；
S1301中的特征向量，即将设备参数通过矩阵的形式进行展示，以便于进行聚类，通常，一个特质向量即一个矩阵代表一个批次的设备参数。
S1302、对所述质量特征向量按照所述质量级别进行无监督聚类，聚类簇数量等于所述质量级别数量；
本实施例中不对具体无监督聚类算法进行限定，K均值算法、高斯混合模型等都可以用于实现本实施例的无监督聚类方法。
以K均值算法为例，输入参数为聚类中心和样本数据，聚类中心即质量级别，样本即设备参数，输出结果为每个聚类中心所包括的样本数据，即与每个质量级别相关性最高的设备参数。
S1303、将所述聚类结果映射到所述质量级别对应的质量参数上。
S1303中，质量级别对应的质量参数为质量级别对应的质量参数区间，将聚类结果映射到质量参数上以便于后续构建质量参数的预测模型。
S140、根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
S140中，将所述质量级别作为决策树的叶子节点，将所述设备参数作为决策树的分支节点。
S130中得到的聚类簇作为决策树的输入样本，即每个质量级别为一个叶子节点，每个质量级别聚类簇内的设备参数为其分支节点，决策树通过不断迭代分裂，使得其能够很好的根据设备参数获得产品的质量级别。
本实施例不对决策树的具体算法进行设定，只要是能构建决策树模型的算法都可以用于实现本实施例的预测模型构建过程。
需要说明的是，虽然叶子节点是质量级别，但是在S1303中将聚类结果映射到质量参数上，因此，可是实现通过该预测模型预测出的质量级别对应的质量参数。
通过本实施例得到的预测模型，就可以通过设备参数对产品质量进行预测，具体地，包括以下步骤：
实时接收设备参数；
根据所述设备参数，通过所述质量参数预测模型预测质量参数；
当所述预测质量参数的结果为参数异常时，根据预设最优质量参数进行设备参数推荐。
上述的参数推荐指的是推送预设最优质量参数对应的设备参数至操作员或管理者的显示设备中，以便于其对设备参数进行更改，提高优等品的产出率；预设最优质量参数可以根据实际情况进行设定，以硅片生产线为例，可以设定最优质量参数为：崩边质量级别为1且电阻率质量级别为1。
实施例二
实施例二公开了一种对应上述实施例的生产数据分析方法对应的装置，为上述实施例的虚拟装置结构，请参照图4所示，包括：
读取模块210，用于读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
分级模块220，用于对所述质量参数进行分级，得到所述质量参数对应的质量级别；
模型构建模块230，用于按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到设备参数的最优聚类结果；并根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
实施例三
图5为本发明实施例三提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器310、存储器320、输入装置330和输出装置340；计算机设备中处理器310的数量可以是一个或多个，图5中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器320作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的生产数据分析方法对应的程序指令/模块(例如，生产数据分析方法装置中的获取模块210、分级模块220和模型构建模块230)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例一的生产数据分析方法。
存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的用户身份信息、生产数据等。输出装置340可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该存储介质可用于计算机执行生产数据分析方法，该方法包括：
读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
对所述质量参数进行分级，得到所述质量参数对应的质量级别；
按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到设备参数的最优聚类结果；
根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于生产数据分析方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，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所述的方法。
值得注意的是，上述基于生产数据分析方法装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种生产数据分析方法，其特征在于，包括以下步骤：
读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
对所述质量参数进行分级，得到所述质量参数对应的质量级别；
按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到所述设备参数的最优聚类结果；
根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
2.如权利要求1所述的生产数据分析方法，其特征在于，所述质量参数为分拣机识别的产品质量参数，所生产设备参数为设备PLC参数。
3.如权利要求1或2所述的生产数据分析方法，其特征在于，根据预设分级数值对所述质量参数进行分级，得到每个产品的质量级别，包括以下步骤：
读取所述质量参数；
判断所述质量参数是否有参数值；
当所述质量参数有参数值时，根据预设分级数值匹配对应质量级别；
当所述质量参数无参数值时，质量级别为“0”。
4.如权利要求3所述的生产数据分析方法，其特征在于，根据预设分级数值对所述质量参数进行分级后，还包括以下步骤：
根据预设质量级别颜色，将所述质量参数按对应产品的生产顺序进行可视化显示。
5.如权利要求1所述的生产数据分析方法，其特征在于，通过无监督聚类方法将所述设备参数按所述质量级别进行聚类，包括以下步骤：
根据所述设备参数构建质量特征向量；
对所述质量特征向量按照所述质量级别进行无监督聚类，聚类簇数量等于所述质量级别数量；
将所述聚类结果映射到所述质量级别对应的质量参数上。
6.如权利要求1所述的生产数据分析方法，其特征在于，所述预测模型为决策树分类模型，根据所述聚类的结果构建质量参数预测模型，具体为：
将所述质量级别作为决策树的叶子节点，将所述设备参数作为决策树的分支节点。
7.如权利要求1或6所述的生产数据分析方法，其特征在于，根据所述聚类的结果构建质量参数预测模型之后，还包括以下步骤：
实时接收设备参数；
根据所述设备参数，通过所述质量参数预测模型预测质量参数；
当所述预测质量参数的结果为参数异常时，根据预设最优质量参数进行设备参数推荐。
8.一种生产数据分析装置，其特征在于，其包括：
读取模块，用于读取生产数据，所述生产数据包括设备参数和所述设备参数对应的质量参数；
分级模块，用于对所述质量参数进行分级，得到所述质量参数对应的质量级别；
模型构建模块，用于按照所述质量级别，通过无监督聚类算法对所述设备参数进行聚类，得到设备参数的最优聚类结果；并根据所述最优聚类结果构建质量参数预测模型，所述预测模型为决策树分类模型。
9.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的生产数据分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的生产数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911333080.1A CN111080150A (zh) | 2019-12-23 | 2019-12-23 | 生产数据分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911333080.1A CN111080150A (zh) | 2019-12-23 | 2019-12-23 | 生产数据分析方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111080150A true CN111080150A (zh) | 2020-04-28 |
Family
ID=70316723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911333080.1A Pending CN111080150A (zh) | 2019-12-23 | 2019-12-23 | 生产数据分析方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080150A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344550A (zh) * | 2007-07-11 | 2009-01-14 | 西门子公司 | 电能质量指示装置及电力监控设备 |
| CN108241662A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 数据标注的优化方法及装置 |
| CN108966448A (zh) * | 2018-05-31 | 2018-12-07 | 淮阴工学院 | 一种基于自适应模糊决策树的灯光动态调控方法 |
| CN109726844A (zh) * | 2017-10-31 | 2019-05-07 | 中国石油化工股份有限公司 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
| CN110008259A (zh) * | 2019-02-20 | 2019-07-12 | 中科恒运股份有限公司 | 可视化数据分析的方法及终端设备 |
| CN110210718A (zh) * | 2019-05-09 | 2019-09-06 | 厦门邑通软件科技有限公司 | 一种基于多维决策树群的提升产品合格率的方法 |
| US20200350058A1 (en) * | 2017-08-31 | 2020-11-05 | Jiangsu Kanion Pharmaceutical Co., Ltd. | Chinese medicine production process knowledge system |
-
2019
- 2019-12-23 CN CN201911333080.1A patent/CN111080150A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344550A (zh) * | 2007-07-11 | 2009-01-14 | 西门子公司 | 电能质量指示装置及电力监控设备 |
| CN108241662A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 数据标注的优化方法及装置 |
| US20200350058A1 (en) * | 2017-08-31 | 2020-11-05 | Jiangsu Kanion Pharmaceutical Co., Ltd. | Chinese medicine production process knowledge system |
| CN109726844A (zh) * | 2017-10-31 | 2019-05-07 | 中国石油化工股份有限公司 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
| CN108966448A (zh) * | 2018-05-31 | 2018-12-07 | 淮阴工学院 | 一种基于自适应模糊决策树的灯光动态调控方法 |
| CN110008259A (zh) * | 2019-02-20 | 2019-07-12 | 中科恒运股份有限公司 | 可视化数据分析的方法及终端设备 |
| CN110210718A (zh) * | 2019-05-09 | 2019-09-06 | 厦门邑通软件科技有限公司 | 一种基于多维决策树群的提升产品合格率的方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111104427A (zh) | 全球物流单号识别方法、装置、计算机设备及存储介质 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
| CN115879017A (zh) | 一种电力敏感数据自动化分类分级方法、装置及存储介质 | |
| CN115375122A (zh) | 基于互联网的生产质量监控预警方法及系统 | |
| CN111080150A (zh) | 生产数据分析方法、装置、设备及介质 | |
| CN112837754B (zh) | 一种基于特征基因的单细胞自动分类方法和装置 | |
| CN116484651B (zh) | 基于数字孪生的系统参数调节方法、装置、电子设备 | |
| CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
| CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| US20230074247A1 (en) | Method for monitoring products for defects, electronic device, and storage medium | |
| CN107357714A (zh) | 一种基于监控平台的故障分析方法和装置 | |
| CN111400644B (zh) | 一种用于实验室分析样品的计算处理方法 | |
| CN115660730A (zh) | 基于分类算法的流失用户分析方法及系统 | |
| CN114140241A (zh) | 一种交易监控指标的异常识别方法及装置 | |
| CN111883204A (zh) | 基于生物云平台的lncRNA与mRNA关联分析系统 | |
| CN113296836A (zh) | 训练模型的方法、测试方法、装置、电子设备及存储介质 | |
| CN111984637A (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
| CN113034232B (zh) | 用于模拟酒柜的方法、装置和显示终端 | |
| CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
| CN104484750A (zh) | 生物信息项目的产品参数自动匹配方法及系统 | |
| CN104484581A (zh) | 生物信息项目的自动化分析方法及系统 | |
| CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
| CN111755079B (zh) | 一种多晶硅最优原料配比方案确定方法及系统 | |
| US20240193460A1 (en) | Data processing method and data processing apparatus |
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 |