CN111212434A - 一种wifi模组质量预测方法、装置、设备及存储介质 - Google Patents

一种wifi模组质量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111212434A
CN111212434A CN201911412977.3A CN201911412977A CN111212434A CN 111212434 A CN111212434 A CN 111212434A CN 201911412977 A CN201911412977 A CN 201911412977A CN 111212434 A CN111212434 A CN 111212434A
Authority
CN
China
Prior art keywords
quality prediction
wifi module
quality
rework
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
Application number
CN201911412977.3A
Other languages
English (en)
Other versions
CN111212434B (zh
Inventor
钱凯
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.)
Aux Air Conditioning Co Ltd
Ningbo Aux Electric Co Ltd
Original Assignee
Aux Air Conditioning Co Ltd
Ningbo Aux Electric 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 Aux Air Conditioning Co Ltd, Ningbo Aux Electric Co Ltd filed Critical Aux Air Conditioning Co Ltd
Priority to CN201911412977.3A priority Critical patent/CN111212434B/zh
Publication of CN111212434A publication Critical patent/CN111212434A/zh
Application granted granted Critical
Publication of CN111212434B publication Critical patent/CN111212434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种WIFI模组质量预测方法、装置、设备及存储介质，所述WIFI模组质量预测方法包括：获取所述WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；根据所述相关数据，计算所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。本发明可实现WIFI模组质量预测自动化，提高数据处理效率。

Description

一种WIFI模组质量预测方法、装置、设备及存储介质
技术领域
本发明涉及信息处理技术领域，具体而言，涉及一种WIFI模组质量预测方法、装置、设备及存储介质。
背景技术
企业在进行WIFI模组采购之前，往往通过对样品的使用、测试来完成模组质量的评估，这种评估方式存在样品数量少，评估结果偶然性较高，且存在人为误导的可能，企业无法对WIFI模组质量有一个整体性的准确把握。此外，企业在对WIFI模组进行质量评估时，往往由工作人员手动测试并统计测试数据，再基于测试数据对质量进行评估，数据处理效率低下，资源耗费大。
发明内容
本发明解决的是现有技术中，企业在对WIFI模组进行质量评估时，往往由工作人员手动对WIFI模组质量进行评估，数据处理效率低下的问题。
为解决上述问题，本发明提供一种WIFI模组质量预测方法，包括：
获取所述WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；根据所述相关数据，计算所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。
通过对WIFI模组的生产数据以及故障数据进行分析，从中确定相应的质量预测参数，并基于相应的质量预测参数和预测算法计算得到所述WIFI模组的质量预测值，进而实现WIFI模组质量预测，可供企业在使用模组前，或者在确定厂商前，对厂商的模组质量有一定把握，进而降低企业风险。
可选地，所述质量预测参数包括所述返工指数；所述根据所述相关数据，计算所述WIFI模组相应的质量预测参数包括：
从所述相关数据中获取返工数据；基于所述返工数据，统计所述WIFI模组生产过程中各个工序的实际返工次数；确定所述各个工序的质量权重；基于所述各个工序的实际返工次数及其质量权重，计算所述各个工序的处理后返工次数，并基于所述处理后返工次数计算获得所述返工指数。
通过为各个工序赋予不同权重，可降低对质量影响程度不大的返工数据的干扰，提升质量预测准确性。
可选地，所述WIFI模组生产过程的工序包括：焊锡贴片、贴标签、PCB分板、烧录通用固件、烧录mac地址、烧录license、检测mac一致性、固件版本检验、GPIO口检测、串口通信、连接路由器测试、出货验证、配网测试、透传测试，其中，所述串口通信、所述连接路由器测试、所述配网测试、所述透传测试的质量权重最大，所述焊锡贴片、所述烧录通用固件、所述烧录mac地址、所述烧录license、所述GPIO口检测的质量权重次之，所述贴标签、所述PCB分板、所述检测mac一致性、所述固件版本检验、所述出货验证的质量权重最小。
通过将不同工序对WIFI模组质量影响程度量化，将不同工序对WIFI模组质量的影响程度进行区分，以提升返工指数的准确性，进而确保质量预测的准确性。
可选地，所述质量预测参数包括所述原料指数；所述根据所述相关数据，确定所述WIFI模组相应的质量预测参数包括：
获取所述WIFI模组所属厂商的来料免检率、预设品牌信誉值以及平均价格比率，基于预设计算公式以及所述来料免检率、预设品牌信誉值以及平均价格比率计算获得所述原料指数，其中，所述预设计算公式为：
M＝X-K*lg(P)
其中，M为所述原料指数，X为所述来料免检率，K为所述预设品牌信誉值，P为所述平均价格比率。
通过考虑厂商免检率、品牌信誉以及价格比率，综合多种质量预测因素，得出较为综合的预测结果，提示质量预测的准确性。
可选地，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数；所述预测算法为：
Q＝1-(αF+βR+γe-D+λlg(T+1)+εM)
其中，Q为所述WIFI模组的质量预测值，F为所述平均返工率，R为所述平均故障率，D为平均日产量，T为所述返工指数，M为所述原料指数，α为所述平均返工率的权重系数，β为所述平均故障率的权重系数，γ为所述平均日产量的权重系数，λ为所述返工指数的权重系数，ε为所述原料指数的权重系数。
通过考虑返工指数、平均故障率、平均返工率、平均日产量及原料指数等多种模组质量影响因素，并根据重要性程度对各个因素进行权重赋值计算，可得出较为综合的预测结果，提示质量预测的准确性。
可选地，所述根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值包括：
确定所述质量预测参数对应的权重系数；将所述质量预测参数及其对应的权重系数代入所述预测算法，计算得到所述WIFI模组的质量预测值。
通过为不同质量预测参数赋予不同权重值，将各个评价指标对模组质量的影响程度或重要程度量化，进而提高模组质量计算的准确性。
可选地，所述确定所述质量预测参数对应的权重系数包括：
对所述质量预测参数进行重要性排序，得到质量预测参数序列；确定所述质量预测参数序列中相邻质量预测参数的重要性之比；根据所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数。
通过对质量预测参数进行重要性排序，并基于相邻质量预测参数的重要性之比，计算得到各质量预测参数的权重系数，可获得较为准确的权重系数，进而提高模组质量计算的准确性。
可选地，所述根据所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数包括：
根据预设的权重计算公式，结合所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数，其中，所述预设的权重计算公式为：
Figure BDA0002350451130000041
wk-1＝wkzk,k＝m,m-1,m-2...
其中，wm为所述质量预测参数序列中第m个质量预测参数的权重，zi为所述相邻质量预测参数的重要性之比，m为所述质量预测参数序列的序列号。
基于预设的权重计算公式以及相邻质量预测参数的重要性之比，计算得到各质量预测参数的权重系数，可获得较为准确的权重系数，进而提高模组质量计算的准确性。
本发明还提出一种WIFI模组质量预测装置，包括：
获取单元，其用于获取WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；
计算单元，其用于根据所述相关数据，确定所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；
质量预测单元，其用于根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。
本发明还提出一种WIFI模组质量预测设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的WIFI模组质量预测方法。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的WIFI模组质量预测方法。
附图说明
图1为本发明WIFI模组质量预测方法一实施例示意图；
图2为本发明WIFI模组质量预测方法步骤S20细化后的一实施例示意图；
图3为本发明WIFI模组质量预测方法步骤S30细化后的另一实施例示意图；
图4为本发明WIFI模组质量预测方法步骤S31细化后的一实施方式示意图；
图5为本发明WIFI模组质量预测装置的一实施例示意图；
图6为本发明WIFI模组质量预测设备的一实施例示意图。
附图标记说明：
101-获取单元，102-计算单元，103-质量预测单元，201-计算机可读存储介质，202-处理器。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参见图6，图6为本发明所提供的WIFI模组质量预测设备结构的一实施例示意图。WIFI模组质量预测设备可以是PC，也可以是智能手机、平板电脑、便携计算机、台式计算机等设备，可与用户直接进行人机交互，可选地，WIFI模组质量预测设备也可以是服务器设备，用户通过后台管理设备对其进行控制管理。
WIFI模组质量预测设备可以包括：存储有计算机程序的计算机可读存储介质201和处理器202。在WIFI模组质量预测设备中，处理器202与计算机可读存储介质201连接，计算机可读存储介质201上存储有WIFI模组质量预测程序，处理器202可以调用计算机可读存储介质201上存储的中存储的计算机程序，并实现如下述WIFI模组质量预测方法各实施例的步骤。
本领域技术人员可以理解，图6中示出的WIFI模组质量预测设备结构并不构成对WIFI模组质量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
可选地，本发明还提出一种WIFI模组质量预测系统，所述系统包括数据整合设备和所述WIFI模组质量预测设备，所述数据整合设备用于接收厂商数据，并将其进行数据整合后，发送到所述WIFI模组质量预测设备。其中，关于数据整合设备的数据整合操作，可包含过滤操作，如将原始数据中的无关字段或无用字段或损坏数据进行剔除操作，如：操作员、第几步骤等，还可包含数据标签添加操作，以区分厂商上传的数据的种类。
基于上述结构，提出本发明WIFI模组质量预测方法的下述各个实施例，其中，为便于描述，将WIFI模组质量预测设备简称为预测设备。
本发明提出一种WIFI模组质量预测方法。图1为本发明WIFI模组质量预测方法一实施例示意图。
如图1，所述WIFI模组质量预测方法包括：
步骤S10，获取WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；
预测设备可实时或定时从预置数据库中获取数据，也可在检测到预置数据库中存在数据更新时，从预置数据库中获取最新数据。其中，预置数据库中存储有WIFI模组的相关数据，预置数据库可为预测设备的本地数据库或为远程数据库，厂商将WIFI模组的相关数据通过相应接口上传到预置数据库中。预测设备从预置数据库(远程数据库)中获取数据后，可将数据存储到本地数据库。
生产数据，指在生产、测试WIFI模组的过程中，产生的数据记录，包含WIFI模组各个工序返工数据、原料数据、产量数据、成本数据等，本发明中WIFI模组的生产数据，可以包含上述数据种类(返工数据、原料数据、产量数据、成本数据)中的一种或多种，上传之前、上传过程中或上传之后为各个数据种类添加数据标签，以便预置数据库或预测设备依据所述数据标签识别各个数据种类的数据。故障数据，包括故障的模组编号、故障描述数据、故障类型数据、故障上报时间数据等，对于故障数据，可为不同的故障类型设置不同的故障代码，用于标识区分，进而便于后续计算中直接取用。
预置数据库中存储的数据还包含相应的产生时间或者上传时间，可选地，步骤S10包括：向预置数据库中发送数据获取请求，其中，所述数据获取请求包含请求数据的时间范围，由预置数据库返回相应时间范围的数据。其中的时间范围，可为最近预设时长的数据，例如最近一个月、两个月的数据。
可选地，在获取相关数据之后、在基于相关数据进行后续处理之前，还可包含数据筛除操作，因预置数据库中的原始数据可能有记录不全或为空值等情况，需对其进行过滤操作或补全操作，将其中的无关字段剔除，比如：操作员、第几步骤等。
步骤S20，根据所述相关数据，确定所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；
预测设备中预先设置质量预测参数的计算算法，从相关数据中调用计算该质量预测参数所需种类数据的数据，此处，预测设备通过数据标签区分各种类的数据。
返工指数，用于标识模组返工情况的参数，因返工指数越高，说明在模组生产过程中出现问题的次数越多或者在模组生产过程中重要工序出现问题的次数越多，模组存在质量问题的可能性越大。
可选地，返工指数指平均返工次数，指某批次模组或多个批次模组各个工序中出现的所有返工次数之和除以该批次模组数或该多个批次模组总数的比值，其计算算法可为：
Figure BDA0002350451130000071
其中，T为返工指数，Ti为第i批次模组中出现的返工数量，S表示第i批次模组中模组的总数，k为批次数，k＝1,2,3....。
WIFI模组生产过程中的不同工序对WIFI模组质量的影响程度不同，例如，WIFI模组的扫码验证工序，若扫码验证不通过，重新再来，这个返工对WIFI模组本身没有伤害，而WIFI模组的mac烧录工序，若返工次数过多，可能对WIFI模组有损，甚至导致WIFI模组无法使用，可见WIFI模组的mac烧录工序比扫码验证工序对WIFI模组质量的影响较大。因此，可对WIFI模组的不同工序进行不同的权重赋值，进而对各个工序的返工次数进行处理，提升返工指数表征质量的准确性。
可选地，所述质量预测参数包括所述返工指数；如图2，步骤S20包括：
步骤S21，从所述相关数据中获取返工数据；
预测设备在获取WIFI模组的相关数据后，执行质量预测参数的计算算法对应程序，调用计算质量预测参数(此处即返工指数)所需数据，可在质量预测参数计算算法对应程序中写入所需数据相应的数据标签，以实现对所需数据的调用。
返工数据，即WIFI模组生产过程中，每个工序出现或未出现返工的记录数据，以及每个工序若出现返工，出现了多少次返工的记录数据。
步骤S22，基于所述返工数据，统计所述WIFI模组生产过程中各个工序的实际返工次数；
实际返工次数，即WIFI模组生产过程中实际发生的返工次数。每个模组都会经历各个工序，在计算一个批次模组在各个工序的总的返工次数时，可根据返工数据的存储形式，执行相应的统计操作。返工数据可能为多种存储形式，一实施方式中，厂商在各个工序的控制设备记录在本工序发生的返工数据，并将其上传到预置数据库，如此，预置数据库中的原始返工数据即与工序相关联，预测设备获取返工数据后，可基于与各工序相关联的原始返工数据，分别计算各工序的实际返工次数。另一实施方式中，返工数据以一个WIFI模组为单位，即一个WIFI模组对应一条数据，一条数据包含一个WIFI模组在各个工序的返工数据，如此，预置数据库中的原始返工数据与工序是不关联的，预测设备获取返工数据后，遍历每条数据，统计各个工序出现的返工次数。比如，在计算一个批次模组(模组1-3)的平均返工次数时，模组1在工序1出现的返工次数为2，模组2在工序1出现的返工次数为1，模组3在工序1出现的返工次数为2，则该批次模组在工序1的实际返工次数为(2+1+2)＝5。
步骤S23，确定所述各个工序的质量权重；
WIFI模组生产过程包括工序：焊锡贴片、贴标签、PCB分板、烧录通用固件、烧录mac地址、烧录license、检测mac一致性、固件版本检验、GPIO口检测、串口通信、连接路由器测试、出货验证、配网测试、透传测试。
不同工序对WIFI模组质量的影响程度不同，可分别为各个工序预置相应的质量权重，用以标识工序对WIFI模组质量的影响程度。
其中，WIFI模组作为通信模块，其通信性能尤为重要，与其通信性能有关的工序出现的返工对WIFI模组质量影响的权重最大，与WIFI模组通信性能有关的工序包括：串口通信、连接路由器测试、配网测试、透传测试，其中，连接路由器测试用于验证模组的射频是否满足标准，并且模组是否能正常连接路由器，配网测试用于进行配网操作，接收模组配网应答，测试模组可否应答配网成功，透传测试指模拟APP、模拟MCU、真实Wi-Fi模组之间进行透传测试，模拟APP发送透传数据给模拟MCU，模拟MCU收到数据后，以相同数据应答，判断模拟APP收到透传数据后与发送数据对比是否一致。
其次，焊锡贴片、烧录通用固件、烧录mac地址、烧录license、GPIO口检测，这些工序若出现返工次数较多，可能对最终的WIFI模组成品造成质量损失，因此，这类工序的权重也较为重要。
最后，贴标签、PCB分板、检测mac一致性、固件版本检验、出货验证等工序返工对WIFI模组质量的影响较小。
步骤S24，基于所述各个工序的实际返工次数及其质量权重，计算所述各个工序的处理后返工次数，并基于所述处理后返工次数计算获得所述返工指数。
将每个工序出现的实际返工次数乘以其权重系数，得到用于进行后续质量预测的处理后返工次数，将处理后返工次数除以该批次模组总数，得到该批次模组数单个模组的返工指数。
返工指数可包含多个批次模组的数据，此时，统计该多个批次模组各个工序出现的总的实际返工次数，再基于每个工序对应的权重系数，将每个工序出现的实际返工次数乘以其权重系数，得到处理后的，用于进行后续质量预测的处理后返工次数，将处理后返工次数除以该多个批次模组总数，得到该多个批次模组该多个批次模组。其计算式可为：
Figure BDA0002350451130000101
其中，T为返工指数，Vi为第i个工序出现的实际返工次数，g为第个工序对应的权重系数，S表示某批次或多个批次中模组的总数，j为工序数，j＝1,2,3....。
返工率，指某批次模组中，出现检测未通过需要返回重修的模组与该批次模组总数之比。平均返工率，指多个批次模组的返工指数，可在计算出各个批次模组的返工率后，对多个返工率求平均值，也可直接计算多个批次模组中出现返工的模组和该多个批次模组总数之比，为提升数据的准确性，将平均返工率作为WIFI模组相应的质量预测参数。其数学计算式可为：
Figure BDA0002350451130000102
其中，F为平均返工率，m表示返工的模组数，S表示某批次或多个批次中模组的总数，k为批次数，k＝1,2,3....。
故障率，指某批次模组中出现故障的模组数与该批次模组总数之比。平均故障率，指多个批次模组的平均故障率，可在计算出各个批次模组的故障率后，对多个故障率求平均值，也可直接计算多个批次模组中的出现故障的模组数与该多个批次模组总数之比，为提升数据的准确性，将平均故障率作为WIFI模组相应的质量预测参数。其计算式可为：
Figure BDA0002350451130000103
其中，R为平均故障率，其中ri为第i批次模组中出现故障的数量，S表示第i批次模组中模组的总数，k为批次数，k＝1,2,3....。
日产量，指某批次模组数与生产完该批次模组所花时间的比值，平均日产量为多个批次的日产量的平均值，其计算式可为：
Figure BDA0002350451130000111
其中，D为平均日产量，Si表示第i批次模组数，ti表示完成第i批次模组花费的时间，k为批次数，k＝1,2,3....。通过平均日产量反映厂商能力，厂商能力越强，其模组质量在一定程度越好。
原料指数，指模组原料相关评估值，其计算方式可以为：
M＝X-K*lg(P)
其中，M为所述原料指数，X为来料免检率，K为预设的原料品牌信誉值，P为平均价格比率。来料免检率＝来料免检的种类数/该厂商供应的模组总种类数*100％；品牌信誉为预设评分；平均价格比率＝(厂商的供货价格-市场平均价)/市场平均价*100％。
其中，来料免检率越高，原料指数越高，原料品牌信誉值越高，原料指数越高，平均价格比率越高，原料指数越低。通过考虑厂商免检率、品牌信誉以及价格比率，综合多种质量预测因素，得出较为综合的预测结果，提示质量预测的准确性。
步骤S30，根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。
在计算获得质量预测参数对应值后，即可计算对应的质量预测值。预设的预测算法，可为计算公式，也可为神经网络模型。质量预测值越大，WIFI模组的质量越好。
通过由预测设备自行从预置数据库中获取WIFI模组相关数据，并对WIFI模组相关数据进行数据处理，自行计算获得WIFI模组相应的质量预测参数，再基于计算获得的质量预测参数和预测算法计算WIFI模组的质量预测值，即可通过预测设备及其存储的WIFI模组质量预测程序自动实现WIFI模组质量预测，而无需人为参与，可降低人力成本，提高数据处理的效率。
可选地，计算得到WIFI模组的质量预测值后，预测设备将质量预测值通过特定程序通过显示器进行显示，其中，特定程序可指预设的显示程序，其中设置有预设的显示样式。可选地，计算得到WIFI模组的质量预测值后，还可通过预设程序推送到某个微信或微信群或邮箱或发送至预置APP应用程序进行展示。
可选地，基于上述实施例，可进一步实现：对各个厂商的WIFI模组进行如上述实施例所述的质量预测，在计算获得各个厂商的WIFI模组的质量预测值后，基于各个厂商的WIFI模组的质量预测值，生成可视化图表，以展现各个厂商WIFI模组的质量排序，供企业在确定WIFI模组厂商前，对WIFI模组厂商的模组质量有一定把握，进而降低企业风险。
可选地，如图3，步骤S30包括：
步骤S31，确定所述质量预测参数对应的权重系数；
根据各个质量预测参数相对于模组质量的重要程度，计算各个质量预测参数对应的权重系数，将各个质量预测参数及其对应的权重系数关联存储，预先设置于预测设备中。
对于质量预测参数的权重系数的计算，可选地，如图4，步骤S31包括：
步骤S310，对所述质量预测参数进行重要性排序，得到质量预测参数序列；
对质量预测参数进行重要性排序，即根据各个质量预测参数相对于模组质量的重要程度大小进行的排序，该排序可人为设置，例如，质量预测参数包括平均故障率、返工指数、平均日产量，确定三者的重要性排序为：平均故障率>返工指数>平均日产，即质量预测参数序列为平均故障率>返工指数>平均日产。
步骤S311，确定所述质量预测参数序列中相邻质量预测参数的重要性之比；
在确定质量预测参数序列后，计算相邻质量预测参数重要性之比，即相邻质量预测参数权重之比。例如在前述示例中，平均故障率与返工指数的重要性之比，返工指数与平均日产量的重要性之比。其相邻质量预测参数重要性之比，也可以人为设置。
步骤S312，根据所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数。
对于质量预测参数序列w1>w2>...>wm，m＝1,2,3....，其中，wm指代各质量预测参数权重，z2＝w1/w2,z3＝w2/w3...zm＝w(m-1)/wm,其权重计算方式为：
Figure BDA0002350451130000131
wk-1＝wkzk,k＝m,m-1,m-2...
给定相邻质量预测参数的重要性之比z2，z3...zm，可计算出w1、w2、...wm，即各质量预测参数的权重系数。
为便于理解，以前述示例为例，有质量预测参数序列：平均故障率>返工指数>平均日产，其权重分别为w1、w2、w3，令z2＝w1/w2＝1.4，z3＝w2/w3＝1.2，z2*z3＝1.68，则依据上述公式，有w3＝(1+1.68+1.2)-1＝0.26，w2＝0.26×1.2＝0.31，w1＝0.31×1.4＝0.43。
步骤S32，将所述质量预测参数及其对应的权重系数代入所述预测算法，计算得到所述WIFI模组的质量预测值。
质量预测参数与权重系数是作为预测算法的计算因子存在的，确定质量预测参数及其权重系数后，代入或输入预测算法中进行计算，得到质量预测值。
通过为不同质量预测参数赋予不同权重值，将各个评价指标对模组质量的影响程度或重要程度量化，进而提高模组质量计算的准确性，同时，通过将各质量预测参数权重值计算方式固化在预测设备上，通过预测设备自行运行相关程序计算各质量预测参数的权重值，提高质量预测的数据处理效率。
可选地，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数；所述预测算法为：
Q＝1-(αF+βR+γe-D+λlg(T+1)+εM)
其中，Q为所述WIFI模组的质量预测值，F为所述平均返工率，R为所述平均故障率，D为平均日产量，T为所述返工指数，M为所述原料指数，α为所述平均返工率的权重系数，β为所述平均故障率的权重系数，γ为所述平均日产量的权重系数，λ为所述返工指数的权重系数，ε为所述原料指数的权重系数。
其中，平均返工率越大，质量预测值越小；平均故障率越大，质量预测值越小；平均日产量越大，质量预测值越大；返工指数越大，质量预测值越小；原料指数越大，质量预测值越大。
通过量化返工指数、平均故障率、平均返工率、平均日产量及原料指数等对WIFI模组的影响程度，并将其纳入WIFI模组质量计算算法中，计算获得较为综合的预测结果，提升质量预测的准确性。
可选地，步骤S30包括：将所述质量预测参数作为输入参数输入到所述预测算法中，获得由所述预测算法输出的质量预测值，其中，所述预测算法包含神经网络模型。
预先建立预测模型，首先，收集或建立训练样本数据和测试样本数据，其中，训练样本数据用于优化模型的参数，而测试样本数据用于对建立的预测模型进行性能评价。
然后，提取训练样本数据的特征，并根据训练样本数据的特征，通过迭代算法计算出预测模型的最优模型参数，训练出含最优模型参数的预测模型。
预测模型是神经网络模型，初始情况下，预测模型的模型参数随机设定并未优化，可将每个训练样本数据对应地表示为一个由一组特征组成的特征向量，再将训练样本对应的特征向量输入预测模型，将训练样本的特征输入预测模型中，并通过优化方法迭代计算出最优的模型参数，训练出预测模型。其中，迭代算法包括梯度下降，共轭梯度法和拟牛顿法等。在具体实施中，可以通过上述任一迭代算法计算出预测模型的最优模型参数，训练出含最优模型参数的预测模型。
将当前预测的数据作为输入参数，输入预测算法中，即可得到由预测算法输出的质量预测值。
可选地，因企业在购得模组后，会投入使用，则会产生使用数据，模组的使用数据，包含了模组故障数据、性能数据以及效果数据等，基于使用数据可确定模组的实际质量值，可通过故障率、性能值等综合计算。即在将所述质量预测参数作为输入参数输入到所述预测算法中，获得由所述预测算法输出的质量预测值之后，获取所述WIFI模组的使用数据，基于所述使用数据确定所述WIFI模组的实际质量值；将所述实际质量值输入所述预测算法中，以优化所述预测算法的模型参数。通过基于使用数据对预测模型的不断优化，使得企业可通过实际数据对预测模型进行不断校正，使得模型愈加准确。
本发明还提出一种WIFI模组质量预测装置。图5为该控制装置一实施例示意图。如图5，所述控制装置包括：
获取单元101，其用于获取WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；
计算单元102，其用于根据所述相关数据，确定所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；
质量预测单元103，其用于根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。
可选地，所述质量预测参数包括所述返工指数；所述计算单元102，其还用于从所述相关数据中获取返工数据；基于所述返工数据，统计所述WIFI模组生产过程中各个工序的实际返工次数，并确定所述各个工序的质量权重；基于所述各个工序的实际返工次数及其质量权重，计算所述各个工序的处理后返工次数，并基于所述处理后返工次数计算获得所述返工指数。
可选地，所述WIFI模组生产过程的工序包括：焊锡贴片、贴标签、PCB分板、烧录通用固件、烧录mac地址、烧录license、检测mac一致性、固件版本检验、GPIO口检测、串口通信、连接路由器测试、出货验证、配网测试、透传测试，其中，所述串口通信、所述连接路由器测试、所述配网测试、所述透传测试的质量权重最大，所述焊锡贴片、所述烧录通用固件、所述烧录mac地址、所述烧录license、所述GPIO口检测的质量权重次之，所述贴标签、所述PCB分板、所述检测mac一致性、所述固件版本检验、所述出货验证的质量权重最小。
可选地，所述质量预测参数包括所述原料指数；所述计算单元102，其还用于获取所述WIFI模组所属厂商的来料免检率、预设品牌信誉值以及平均价格比率，基于预设计算公式以及所述来料免检率、预设品牌信誉值以及平均价格比率计算获得所述原料指数，其中，所述预设计算公式为：
M＝X-K*lg(P)
其中，M为所述原料指数，X为所述来料免检率，K为所述预设品牌信誉值，P为所述平均价格比率。
可选地，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数；所述预测算法为：
Q＝1-(αF+βR+γe-D+λlg(T+1)+εM)
其中，Q为所述WIFI模组的质量预测值，F为所述平均返工率，R为所述平均故障率，D为平均日产量，T为所述返工指数，M为所述原料指数，α为所述平均返工率的权重系数，β为所述平均故障率的权重系数，γ为所述平均日产量的权重系数，λ为所述返工指数的权重系数，ε为所述原料指数的权重系数。
可选地，所述质量预测单元103，其还用于确定所述质量预测参数对应的权重系数；将所述质量预测参数及其对应的权重系数代入所述预测算法，计算得到所述WIFI模组的质量预测值。
可选地，所述质量预测单元103，其还用于对所述质量预测参数进行重要性排序，得到质量预测参数序列；确定所述质量预测参数序列中相邻质量预测参数的重要性之比；根据所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数。
可选地，所述质量预测单元103，其还用于将所述质量预测参数作为输入参数输入到所述预测算法中，获得由所述预测算法输出的质量预测值，其中，所述预测算法包含神经网络模型。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上各实施例所述的WIFI模组质量预测方法。此处的计算机可读存储介质，可以为WIFI模组质量预测设备中的存储有计算机程序的计算机可读存储介质201，也可以是ROM(Read-Only Memory，只读存储器)/RAM(RandomAccess Memory，随机存取存储器)、磁碟、光盘中的至少一种。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (11)

1.一种WIFI模组质量预测方法，其特征在于，包括：
获取所述WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；
根据所述相关数据，计算所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；
根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。
2.如权利要求1所述的WIFI模组质量预测方法，其特征在于，所述质量预测参数包括所述返工指数；所述根据所述相关数据，计算所述WIFI模组相应的质量预测参数包括：
从所述相关数据中获取返工数据；
基于所述返工数据，统计所述WIFI模组生产过程中各个工序的实际返工次数；
确定所述各个工序的质量权重；
基于所述各个工序的实际返工次数及其质量权重，计算所述各个工序的处理后返工次数，并基于所述处理后返工次数计算获得所述返工指数。
3.如权利要求2所述的WIFI模组质量预测方法，其特征在于，所述WIFI模组生产过程的工序包括：焊锡贴片、贴标签、PCB分板、烧录通用固件、烧录mac地址、烧录license、检测mac一致性、固件版本检验、GPIO口检测、串口通信、连接路由器测试、出货验证、配网测试、透传测试，其中，所述串口通信、所述连接路由器测试、所述配网测试、所述透传测试的质量权重最大，所述焊锡贴片、所述烧录通用固件、所述烧录mac地址、所述烧录license、所述GPIO口检测的质量权重次之，所述贴标签、所述PCB分板、所述检测mac一致性、所述固件版本检验、所述出货验证的质量权重最小。
4.如权利要求1-3中任一项所述的WIFI模组质量预测方法，其特征在于，所述质量预测参数包括所述原料指数；所述根据所述相关数据，确定所述WIFI模组相应的质量预测参数包括：
获取所述WIFI模组所属厂商的来料免检率、预设品牌信誉值以及平均价格比率，基于预设计算公式以及所述来料免检率、预设品牌信誉值以及平均价格比率计算获得所述原料指数，其中，所述预设计算公式为：
M＝X-K*lg(P)
其中，M为所述原料指数，X为所述来料免检率，K为所述预设品牌信誉值，P为所述平均价格比率。
5.如权利要求1-3中任一项所述的WIFI模组质量预测方法，其特征在于，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数；所述预测算法为：
Q＝1-(αF+βR+γe-D+λlg(T+1)+εM)
其中，Q为所述WIFI模组的质量预测值，F为所述平均返工率，R为所述平均故障率，D为平均日产量，T为所述返工指数，M为所述原料指数，α为所述平均返工率的权重系数，β为所述平均故障率的权重系数，γ为所述平均日产量的权重系数，λ为所述返工指数的权重系数，ε为所述原料指数的权重系数。
6.如权利要求1-3中任一项所述的WIFI模组质量预测方法，其特征在于，所述根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值包括：
确定所述质量预测参数对应的权重系数；
将所述质量预测参数及其对应的权重系数代入所述预测算法，计算得到所述WIFI模组的质量预测值。
7.如权利要求6所述的WIFI模组质量预测方法，其特征在于，所述确定所述质量预测参数对应的权重系数包括：
对所述质量预测参数进行重要性排序，得到质量预测参数序列；
确定所述质量预测参数序列中相邻质量预测参数的重要性之比；
根据所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数。
8.如权利要求7所述的WIFI模组质量预测方法，其特征在于，所述根据所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数包括：
根据预设的权重计算公式，结合所述相邻质量预测参数的重要性之比，计算所述质量预测参数序列中各质量预测参数的权重系数，其中，所述预设的权重计算公式为：
Figure FDA0002350451120000031
wk-1＝wkzk,k＝m,m-1,m-2...
其中，wm为所述质量预测参数序列中第m个质量预测参数的权重，zi为所述相邻质量预测参数的重要性之比，m为所述质量预测参数序列的序列号。
9.一种WIFI模组质量预测装置，其特征在于，包括：
获取单元(101)，其用于获取WIFI模组的相关数据，其中，所述相关数据包括生产数据和故障数据；
计算单元(102)，其用于根据所述相关数据，确定所述WIFI模组相应的质量预测参数，其中，所述质量预测参数包括返工指数、平均故障率、平均返工率、平均日产量及原料指数中的至少一个；
质量预测单元(103)，其用于根据预设的预测算法和所述质量预测参数，计算得到所述WIFI模组的质量预测值。
10.一种WIFI模组质量预测设备，其特征在于，包括存储有计算机程序的计算机可读存储介质(201)和处理器(202)，所述计算机程序被所述处理器(202)读取并运行时，实现如权利要求1-8任一项所述的WIFI模组质量预测方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-8任一项所述的WIFI模组质量预测方法。
CN201911412977.3A 2019-12-31 2019-12-31 一种wifi模组质量预测方法、装置、设备及存储介质 Active CN111212434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911412977.3A CN111212434B (zh) 2019-12-31 2019-12-31 一种wifi模组质量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911412977.3A CN111212434B (zh) 2019-12-31 2019-12-31 一种wifi模组质量预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111212434A true CN111212434A (zh) 2020-05-29
CN111212434B CN111212434B (zh) 2023-06-13

Family

ID=70788352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911412977.3A Active CN111212434B (zh) 2019-12-31 2019-12-31 一种wifi模组质量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111212434B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112437462A (zh) * 2020-11-23 2021-03-02 青岛海尔科技有限公司 Wifi模块的质量确定方法及装置、存储介质及电子装置
CN115496426A (zh) * 2022-11-16 2022-12-20 承德石油高等专科学校 一种工业大数据智能分析决策方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288812A1 (en) * 2004-06-03 2005-12-29 National Cheng Kung University Quality prognostics system and method for manufacturing processes
US20080140330A1 (en) * 2006-08-10 2008-06-12 Natsuyo Morioka Semiconductor device yield prediction system and method
US20090083206A1 (en) * 2006-01-13 2009-03-26 Hiroyasu Shigemori Apparatus and Method for Constructing Prediction Model
US20090319310A1 (en) * 2008-06-20 2009-12-24 Sas Institute Inc. Information Criterion-Based Systems And Methods For Constructing Combining Weights For Multimodel Forecasting And Prediction
JP2011221645A (ja) * 2010-04-06 2011-11-04 Nippon Steel Corp 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体
CN104751374A (zh) * 2015-03-27 2015-07-01 深圳供电局有限公司 一种计量自动化系统无线通信故障预测方法
US20160209831A1 (en) * 2014-11-18 2016-07-21 Biplab Pal IoT-ENABLED PROCESS CONTROL AND PREDECTIVE MAINTENANCE USING MACHINE WEARABLES
CN105956330A (zh) * 2016-05-31 2016-09-21 山东中烟工业有限责任公司 基于现场数据的产品工艺质量预测模型的建立方法及系统
CN108764597A (zh) * 2018-04-02 2018-11-06 华南理工大学 一种基于集成学习的产品质量控制方法
CN109412892A (zh) * 2018-10-23 2019-03-01 株洲中车时代电气股份有限公司 一种网络通信质量评估系统及方法
CN109741927A (zh) * 2019-03-14 2019-05-10 贵港市嘉龙海杰电子科技有限公司 微型变压器生产线的设备故障和潜在不良品智能预测系统
CN109983798A (zh) * 2016-12-08 2019-07-05 华为技术有限公司 蜂窝网络中的性能指标的预测
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288812A1 (en) * 2004-06-03 2005-12-29 National Cheng Kung University Quality prognostics system and method for manufacturing processes
US20090083206A1 (en) * 2006-01-13 2009-03-26 Hiroyasu Shigemori Apparatus and Method for Constructing Prediction Model
US20080140330A1 (en) * 2006-08-10 2008-06-12 Natsuyo Morioka Semiconductor device yield prediction system and method
US20090319310A1 (en) * 2008-06-20 2009-12-24 Sas Institute Inc. Information Criterion-Based Systems And Methods For Constructing Combining Weights For Multimodel Forecasting And Prediction
JP2011221645A (ja) * 2010-04-06 2011-11-04 Nippon Steel Corp 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体
US20160209831A1 (en) * 2014-11-18 2016-07-21 Biplab Pal IoT-ENABLED PROCESS CONTROL AND PREDECTIVE MAINTENANCE USING MACHINE WEARABLES
CN104751374A (zh) * 2015-03-27 2015-07-01 深圳供电局有限公司 一种计量自动化系统无线通信故障预测方法
CN105956330A (zh) * 2016-05-31 2016-09-21 山东中烟工业有限责任公司 基于现场数据的产品工艺质量预测模型的建立方法及系统
CN109983798A (zh) * 2016-12-08 2019-07-05 华为技术有限公司 蜂窝网络中的性能指标的预测
CN108764597A (zh) * 2018-04-02 2018-11-06 华南理工大学 一种基于集成学习的产品质量控制方法
CN109412892A (zh) * 2018-10-23 2019-03-01 株洲中车时代电气股份有限公司 一种网络通信质量评估系统及方法
CN109741927A (zh) * 2019-03-14 2019-05-10 贵港市嘉龙海杰电子科技有限公司 微型变压器生产线的设备故障和潜在不良品智能预测系统
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112437462A (zh) * 2020-11-23 2021-03-02 青岛海尔科技有限公司 Wifi模块的质量确定方法及装置、存储介质及电子装置
CN112437462B (zh) * 2020-11-23 2023-06-16 青岛海尔科技有限公司 Wifi模块的质量确定方法及装置、存储介质及电子装置
CN115496426A (zh) * 2022-11-16 2022-12-20 承德石油高等专科学校 一种工业大数据智能分析决策方法及系统

Also Published As

Publication number Publication date
CN111212434B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN113434485B (zh) 一种基于多维分析技术的数据质量健康度分析方法及系统
CN114266944B (zh) 快速模型训练结果检验系统
CN111401722B (zh) 智能决策方法和智能决策系统
CN111212434A (zh) 一种wifi模组质量预测方法、装置、设备及存储介质
US11562406B2 (en) Optimizing website environments
CN114971693A (zh) 一种基于bim的工程造价咨询管理系统
CN111080364A (zh) 一种工程造价数据中心管理系统及装置
CN111523805A (zh) 进货检验方法和装置
CN114565431A (zh) 一种基于互联网的供应商订单管理方法及系统
CN112328591A (zh) 一种基于汽车研发的大数据应用系统运行方法及存储介质
CN115860548A (zh) 基于大数据的SaaS一站式平台管理方法、系统及介质
CN115496440A (zh) 一种二手车库存量的确定方法及装置
US10515316B2 (en) System and method for using data obtained from a group of geographically dispersed magnetic resonance systems to optimize customer-specific clinical, operational and/or financial performance
CN110910149A (zh) 大数据溯源数字营销云平台管理系统
KR20200019817A (ko) 온라인 교육의 질적 평가, 자동 순위 산정 방법 및 시스템
CN115935533B (zh) 基于参数的产品智能设计系统
CN117558660B (zh) 一种半导体晶圆检测设备控制工作站的管理方法及系统
CN112485260B (zh) 工件缺陷检测方法及装置
CN111258883B (zh) 基于sku图像识别的算法模型测试方法及测试系统
Huertas Quintero et al. Integrated simulation tool for quality support in the low-volume high-complexity electronics manufacturing domain
Learning et al. A Systematic Literature Review: Key Performance Indicators on Feeding-as-a-Service
CN104486412B (zh) 一种数据采集方法及云端服务器
CN114254943A (zh) 对象检测方法、装置、电子设备、存储介质
CN115631166A (zh) 一种产品质量检测系统及方法
CN117787776A (zh) 一种物料的质检系统

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