CN111310989B - 零件加工成功率的预测方法、预测装置及可读存储介质 - Google Patents
零件加工成功率的预测方法、预测装置及可读存储介质 Download PDFInfo
- Publication number
- CN111310989B CN111310989B CN202010080301.5A CN202010080301A CN111310989B CN 111310989 B CN111310989 B CN 111310989B CN 202010080301 A CN202010080301 A CN 202010080301A CN 111310989 B CN111310989 B CN 111310989B
- Authority
- CN
- China
- Prior art keywords
- success rate
- prediction model
- time sequence
- predicted
- determining
- 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.)
- Active
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (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
本申请提供了一种零件加工成功率的预测方法、预测装置及可读存储介质，所述预测方法包括：基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定待预测零件在加工成功率维度下的目标时间序列，并检测目标时间序列是否为平稳时间序列；若目标时间序列为平稳时间序列，基于目标时间序列，确定待预测零件在历史时间段内对应的自相关‑偏自相关图；从自相关‑偏自相关图中，确定出待预测零件对应的成功率预测模型；将目标时间序列输入至所述成功率预测模型中，预测待预测零件在预测时间点上的加工成功概率，有助于提高预测零件生产成功率的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
Description
技术领域
本申请涉及大数据处理技术领域，尤其是涉及一种零件加工成功率的预测方法、预测装置及可读存储介质。
背景技术
一直以来，零部件加工都是在机械制造行业实际生产过程中一项精密并且复杂的步骤。零部件加工需要经过多道工序，每一道工序都会存在众多因素影响该零部件最终的加工质量。在加工过程中，一个细微的偏差都会导致其加工的失败，而避免这些细微的偏差，提前对零部件加工的成功率的预测，对技术有着很强的要求。
目前，对于零件加工成功率的预测通常是通过之前训练好的预测模型进行成功率的预测，但是对于一条零件制造流水线来说，随着时间的推移，流水线中会产生许多的新的因素影响预测的结果，例如，制造机器的老化、生产线温度和湿度的变化等，如果一直使用同样的预测模型进行成功率的预测，会使得预测的结果出现重大的偏差，预测的结果不够准确。
发明内容
有鉴于此，本申请的目的在于提供一种零件加工成功率的预测方法、预测装置及可读存储介质，能够更加准确地对预测时间点上的待预测零件的加工成功概率进行预测，有助于提高预测零件生产成功率的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
本申请实施例提供了一种零件加工成功率的预测方法，所述预测方法包括：
基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，并检测所述目标时间序列是否为平稳时间序列；
若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；
从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；
将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
进一步的，通过以下步骤确定所述目标时间序列为平稳时间序列：
计算所述目标时间序列的检验结果值，若所述检验结果值位于预设阈值范围内，则确定所述目标时间序列为平稳时间序列。
进一步的，所述从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型，包括：
从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数；
针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数；
基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型；
若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型。
进一步的，通过以下步骤验证所述待验证成功率预测模型为可用成功率预测模型：
获取样本历史时间段内的每个加工周期上待预测样本零件的样本加工成功率以及所述待预测样本零件在预测时间点上的真实加工成功概率，确定所述待预测样本零件在样本加工成功率维度下的目标样本时间序列；
检测所述目标样本时间序列是否为平稳时间序列，若所述目标样本时间序列为平稳时间序列，将所述目标样本时间序列输入至待验证成功率预测模型中，得到所述待预测样本零件在预测时间点上的样本加工成功概率；
基于所述真实加工成功概率以及所述样本加工成功概率，确定所述待验证成功率预测模型为可用成功率预测模型。
进一步的，在所述验证所述待验证成功率预测模型是否为可用成功率预测模型之后，所述预测方法还包括：
若所述待验证成功率预测模型为非可用成功率预测模型，从所述自相关-偏自相关图，确定出至少一个第二候选成功率预测模型以及每个第二候选成功率预测模型对应的第一参数以及第二参数。
进一步的，在所述检测所述目标时间序列是否为平稳时间序列之后，所述预测方法还包括：
若所述目标时间序列为非平稳时间序列，对所述目标时间序列进行差分处理，得到平稳时间序列，将得到的平稳时间序列确定为目标时间序列。
进一步的，在所述将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功率之后，所述预测方法还包括：
基于所述加工成功概率以及所述时间序列差分处理对应的差分阶数，计算出所述待预测零件的最终加工成功概率。
本申请实施例还提供了一种零件加工成功率的预测装置，所述预测装置包括：
时间序列确定模块，用于基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，并检测所述目标时间序列是否为平稳时间序列；
相关图确定模块，用于若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；
预测模型确定模块，用于从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；
成功概率预测模块，用于将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
进一步的，所述时间序列确定模块通过以下步骤确定所述目标时间序列为平稳时间序列：
计算所述目标时间序列的检验结果值，若所述检验结果值位于预设阈值范围内，则确定所述目标时间序列为平稳时间序列。
进一步的，所述预测模型确定模块在用于从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型时，所述预测模型确定模块用于：
从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数；
针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数；
基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型；
若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型。
进一步的，所述预测模型确定模块通过以下步骤验证所述待验证成功率预测模型为可用成功率预测模型：
获取样本历史时间段内的每个加工周期上待预测样本零件的样本加工成功率以及所述待预测样本零件在预测时间点上的真实加工成功概率，确定所述待预测样本零件在样本加工成功率维度下的目标样本时间序列；
检测所述目标样本时间序列是否为平稳时间序列，若所述目标样本时间序列为平稳时间序列，将所述目标样本时间序列输入至待验证成功率预测模型中，得到所述待预测样本零件在预测时间点上的样本加工成功概率；
基于所述真实加工成功概率以及所述样本加工成功概率，确定所述待验证成功率预测模型为可用成功率预测模型。
进一步的，所述预测装置还包括参数确定模块，所述参数确定模块用于：
若所述待验证成功率预测模型为非可用成功率预测模型，从所述自相关-偏自相关图，确定出至少一个第二候选成功率预测模型以及每个第二候选成功率预测模型对应的第一参数以及第二参数。
进一步的，所述预测装置还包括差分处理模块，所述差分处理模块用于：
若所述目标时间序列为非平稳时间序列，对所述目标时间序列进行差分处理，得到平稳时间序列，将得到的平稳时间序列确定为目标时间序列。
进一步的，所述预测装置还包括概率转换模块，所述概率转换模块用于：
基于所述加工成功概率以及所述时间序列差分处理对应的差分阶数，计算出所述待预测零件的最终加工成功概率。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的零件加工成功率的预测方法的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的零件加工成功率的预测方法的步骤。
本申请实施例提供的零件加工成功率的预测方法、预测装置及可读存储介质，基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，并检测所述目标时间序列是否为平稳时间序列；若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
这样，本申请获取待预测零件在历史时间段内每个加工周期上的加工成功率，确定述待预测零件在加工成功率维度下的目标时间序列，当检测出所述目标时间序列是平稳时间序列时，确定所述目标时间序列对应的自相关-偏自相关图，并从自相关-偏自相关图中确定出所述待预测零件对应的成功率预测模型，将目标时间序列输入值成功率预测模型中，对待预测零件在预测时间点上的加工成功概率进行预测，有助于提高预测零件生产成功率的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一种可能的应用场景下的系统构图；
图2为本申请实施例所提供的一种零件加工成功率的预测方法的流程图；
图3为本申请另一实施例所提供的一种零件加工成功率的预测方法的流程图；
图4为本申请实施例所提供的一种零件加工成功率的预测装置的结构示意图之一；
图5为本申请实施例所提供的一种零件加工成功率的预测装置的结构示意图之二；
图6为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的个件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于大数据处理技术领域。能够更加准确的对预测时间点上的待预测零件的加工成功概率进行预测，有助于提高预测零件生产成功率的合理性，降低由于生产出大量的失败零件，造成的资源浪费。请参阅图1，图1为一种可能的应用场景下的系统构图。如图1中所示，所述系统包括数据存储装置以及预测装置，所述预测装置从所述数据存储装置中获取待预测零件在历史时间段内每个加工周期上的加工成功率，确定述待预测零件在加工成功率维度下的目标时间序列，当检测出所述目标时间序列是平稳时间序列时，确定所述目标时间序列对应的自相关-偏自相关图，并从自相关-偏自相关图中确定出所述待预测零件对应的成功率预测模型，将目标时间序列输入值成功率预测模型中，对待预测零件在预测时间点上的加工成功概率进行预测。
经研究发现，目前，对于零件加工成功率的预测通常是通过之前训练好的预测模型进行成功率的预测，但是对于一个零件制造流水线来说，随着时间的推移，流水线中会产生许多的影响因素影响到预测的结果，例如，制造机器的老化、生产线温度和湿度的变化等，如果一直使用同样的预测模型进行成功率的预测，会使得预测的结果出现重大的偏差，预测的结果不够准确。
基于此，本申请实施例提供了一种零件加工成功率的预测方法，能够更加准确的对预测时间点上的待预测零件的加工成功概率进行预测，有助于提高预测零件生产成功率的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
请参阅图2，图2为本申请实施例所提供的一种零件加工成功率的预测方法的流程图。如图2中所示，本申请实施例提供的零件加工成功率的预测方法，包括：
S201、基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，检测所述目标时间序列是否为平稳时间序列。
该步骤中，获取历史时间内的每个加工周期上待预测零件的加工成功率，根据获取到的待预测零件在每个加工周期上的加工成功率，确定待预测零件在加工成功率这个维度下的目标时间序列，并通过单位根检验法(Augment dickey-fuller，ADF)，检测确定出的目标时间序列是否为平稳时间序列。
这里，时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，也称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。
其中，单位根检验(Augment dickey-fuller，ADF)指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程，可以证明序列中存在单位根过程就不平稳，会使回归分析中存在伪回归。
其中，加工周期可以为一小时、一天、一周、一个月等时间段，可以根据具体情况进行设置，在此不做限制。
这里，通过以下步骤得到待预测零件在历史时间段内每个加工周期内的加工成功率：获取在历史时间段内的每个加工周期内待预测零件的总制造数量以及制造成功数量；计算总制造数量与制造成功数量的商值，将计算出的商值确定为待预测零件在每个加工周期内的加工成功率。
S202、若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图。
该步骤中，通过单位根检验(Augment dickey-fuller，ADF)，检测待预测零件在加工成功率这个维度下的目标时间序列是否为平稳时间序列，若检测出目标时间序列为平稳时间序列，基于该目标时间序列，计算得到待预测零件在所述历史时间段内对应的自相关-偏自相关图。
这里，可以使用任意的编程软件例如Python、R语言等，基于确定出的目标时间序列，计算绘制出相应的自相关-偏自相关图。
S203、从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型。
该步骤中，在计算出的自相关-偏自相关图中，包括多个成功率预测模型，观察自相关-偏自相关图中的变化趋势，从计算绘制出的自相关-偏自相关图中，确定出能够对待预测零件进行预测的成功率预测模型。
其中，所述成功概率预测模型可以为ARMA模型(Auto-Regressive and MovingAverage Model)是研究时间序列的重要方法，由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成。
ARMA模型三种基本形式(1)回归模型AR(Auto-regressive)：如果时间序列yt为平稳的时间序列，εt是独立同分布的随机变量序列且满足E(εt)＝0，则称时间序列为yt服从p阶的自回归模型。自回归模型的平稳条件滞后算子多项式的根均在单位圆外即
的根大于1；(2)移动平均模型MA，Moving-Average,如果时间序列yt为平稳的时间序列，则称时间序列为yt服从q阶移动平均模型，移动平均模型平稳条件任何条件下都平稳；(3)混合模型ARMA(Auto-regressive Moving-Average)，如果时间序列yt为平稳的时间序列，则称时间序列为yt服从(p，q)阶自回归滑动平均混合模型。
S204、将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
该步骤中，将目标时间序列输入至确定出的成功率预测模型，预测待预测零件在预测时间点上的加工成功率。
这样，能够通过确定出的成功率预测模型对之后生产过程中零件的加工成功率进行预测，当加工成功率低于预设概率值时，提醒制造方适时的暂停加工过程，以防止生产出较多的失败零件，造成资源的浪费。
本申请实施例提供的零件加工成功率的预测方法，基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列；检测所述目标时间序列是否为平稳时间序列，若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
这样，本申请通过获取待预测零件在历史时间段内每个加工周期上的加工成功率，确定述待预测零件在加工成功率维度下的目标时间序列，当检测出所述目标时间序列是平稳时间序列时，确定所述目标时间序列对应的自相关-偏自相关图，并从自相关-偏自相关图中确定出所述待预测零件对应的成功率预测模型，将目标时间序列输入值成功率预测模型中，对待预测零件在预测时间点上的加工成功概率进行预测，有助于提高预测零件生产成功率的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
请参阅图3，图3为本申请另一实施例提供的零件加工成功率的预测方法的流程图。如图3中所示，本申请实施例提供的零件加工成功率的预测方法，包括：
S301、基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，测所述目标时间序列是否为平稳时间序列。
S302、若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图。
S303、从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数。
该步骤中，基于得到的自相关-偏自相关图，从自相关-偏自相关图中确定出至少一个第一候选成功概率模型以及每个第一候选成功概率模型对应的第一参数以及第二参数。
S304、针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数。
该步骤中，针对于每个第一候选成功概率预测模型，基于确定出的该第一候选成功概率预测模型对应的第一参数以及第二参数，计算该第一候选成功概率预测模型对应的至少一个检测参数。
其中，所述第一候选成功概率预测模型可以为ARMA模型(Auto-Regressive andMoving Average Model)是研究时间序列的重要方法，由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成。
其中，所述检测参数包括：可决定系数(R-Square)、变量间相关程度(Adj.R-Square)、对数似然(Log likelihood)、赤池最小信息准则(Aic)、施瓦兹准则(Schwarzcriterion)、回归的标准误差(S.E.of regression)、DW统计量(Durbin-Watson stat)、HQ信息准则(Hannan-Quinn criter)等检测参数。
可决定系数反映了模型对样本数据的拟合程度，值越大拟合效果越好；Adj.R-Square可以反映拟合结果的好坏，越接近1说明拟合结果越好，负数说明结果偏差太大；对数似然，越大越好；赤池最小信息准则，越小越好；施瓦兹准则，越小越好；回归的标准误差，越小越好；DW统计量，在2左右说明不存在自相关问题，残差服从正态分布，解释能力好；HQ信息准则，越小越好。
S305、基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型。
该步骤中，根据计算出的至少一个检测参数，从至少一个第一候选成功概率预测模型中，确定出拟合效果最好的模型参数，从而确定出预测效果最好的待验证成功概率预测模型。在确定出待验证成功概率预测模型之后，还需要进一步对待验证成功概率预测模型进行验证，验证待验证成功概率预测模型是否具有有效性，即待验证成功率预测模型是否为可用成功率预测模型。
其中，所述待验证成功概率预测模型可以为ARMA模型(Auto-Regressive andMoving Average Model)是研究时间序列的重要方法，由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成。
S306、若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型。
该步骤中，若确定出的待验证成功率预测模型为可用成功率预测模型，将待验证成功率预测模型确定为成功率预测模型，用于候选的成功概率预测之中。
S307、将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
其中，S301、S302以及S307的描述可以参照S201、S202以及S204的描述，并且能达到相同的技术效果，对此不做赘述。
进一步的，所述预测方法通过以下步骤确定所述目标时间序列为平稳时间序列：计算所述目标时间序列的检验结果值，若所述检验结果值位于预设阈值范围内，则确定所述目标时间序列为平稳时间序列。
该步骤中，通过单位根检验法计算出目标时间序列的检验结果值(pvalue)，当检验结果值位于预设阈值范围内时，则可以确定该目标时间序列为平稳时间序列。
示例性的，计算出目标时间序列的检验结果值为0.0002，预设阈值范围0～-0.05，那么该目标时间序列则为平稳时间序列。
进一步的，所述预测方法通过以下步骤验证所述待验证成功率预测模型为可用成功率预测模型：
获取样本历史时间段内的每个加工周期上待预测样本零件的样本加工成功率以及所述待预测样本零件在预测时间点上的真实加工成功概率，确定所述待预测样本零件在所述样本历史时间段对应的目标样本时间序列；检测所述目标样本时间序列是否为平稳时间序列，若所述目标样本时间序列为平稳时间序列，将所述目标样本时间序列输入至待验证成功率预测模型中，得到所述待预测样本零件在预测时间点上的样本加工成功概率；基于所述真实加工成功概率以及所述样本加工成功概率，确定所述待验证成功率预测模型为可用成功率预测模型。
该步骤中，获取待预测样本零件在历史时间段内每个加工周期上的样本加工成功率，以及在预测时间点上待预测样本零件的真实加工成功概率；确定出待预测样本零件在样本加工成功率维度下的目标样本时间序列，通过ADF检验法确定目标样本时间序列是否为平稳时间序列，若目标样本时间序列为平稳时间序列，将目标样本时间序列输入至待验证成功率预测模型中，对待预测样本零件在预测时间点上的样本加工成功概率进行预测，得到待预测样本零件的样本加工成功概率；基于获取的待预测样本零件的真实加工成功概率以及通过待验证成功率预测模型预测出的样本加工成功概率，确定出真实加工成功概率与样本加工成功概率之间的偏差值，判断偏差值是否在预设的偏差范围内，若偏差值位于偏差范围内，则可以确定所述待验证成功率预测模型为可用成功率预测模型。
进一步的，在所述验证所述待验证成功率预测模型是否为可用成功率预测模型之后，所述预测方法还包括：若所述待验证成功率预测模型为非可用成功率预测模型，从所述自相关-偏自相关图，确定出至少一个第二候选成功率预测模型以及每个第二候选成功率预测模型对应的第一参数以及第二参数。
该步骤中，若验证出待验证成功率预测模型为非可用成功率预测模型，重新通过观察自相关-偏自相关图，从自相关-偏自相关图中确定出至少一个第二候选成功率预测模型以及每个第二候选成功率预测模型对应的第一参数以及第二参数。
其中，第一候选成功率预测模型与第二候选成功率预测模型中可以存在相同的候选成功概率预测模型，也可以为完全不同的候选成功概率预测模型，可以根据具体情况进一步的设定。
进一步的，在所述检测所述目标时间序列是否为平稳时间序列之后，所述预测方法还包括：若所述目标时间序列为非平稳时间序列，对所述目标时间序列进行差分处理，得到平稳时间序列，将得到的平稳时间序列确定为目标时间序列。
该步骤中，若通过ADF检测法检测出目标时间序列为非平稳时间序列，则需对目标时间序列进行差分处理，直至得到平稳时间序列，将得到的平稳时间序列确定为目标时间序列，用于后续处理之中。
具体的，若目标时间序列为非平稳时间序列，先对目标时间序列进行一阶差分处理，检验经过一阶差分处理后的目标时间序列是否为平稳时间序列，若经过一阶差分处理后的目标时间序列为平稳时间序列，将一阶差分处理后得到的平稳时间序列作为目标时间序列；若经过一阶差分处理后的目标时间序列仍为非平稳时间序列，则再进行二阶差分处理，直至得到平稳时间序列，将平稳的时间序列确定为目标时间序列。
进一步的，在所述将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功率之后，所述预测方法还包括：基于所述加工成功概率以及所述时间序列差分处理对应的差分阶数，计算出所述待预测零件的最终加工成功概率。
该步骤中，若待预测零件的目标时间序列在开始时为非平稳时间序列，经过差分处理后变为平稳时间序列，在基于经过差分处理后的目标时间序列得到的加工成功概率时，需要将预测出的加工成功概率按照目标时间序列进行差分处理时对应的差分阶数，计算出待预测零件的最终加工成功概率。
本申请实施例提供的零件加工成功率的预测方法，基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，检测所述目标时间序列是否为平稳时间序列；若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数；针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数；基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型；若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型；将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
这样，本申请通过获取待预测零件在历史时间段内每个加工周期上的加工成功率，确定述待预测零件在加工成功率维度下的目标时间序列，当检测出所述目标时间序列是平稳时间序列时，确定所述目标时间序列对应的自相关-偏自相关图，并从自相关-偏自相关图中，确定出所述待预测零件对应的至少一个第一候选成功率预测模型，根据每个第一候选成功率预测模型对应的第一参数以及第二参数，确定出待验证成功率预测模型，当验证所述待验证成功率预测模型为可用成功率预测模型，就确定待验证成功率预测模型确定为成功率预测模型，将目标时间序列输入值成功率预测模型中，对待预测零件在预测时间点上的加工成功概率进行预测，有助于提高零件生产的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
请参阅图4、图5，图4为本申请实施例所提供的一种零件加工成功率的预测装置的结构示意图之一，图5为本申请实施例所提供的一种零件加工成功率的预测装置的结构示意图之二。如图4中所示，所预测装置400包括：
时间序列确定模块410，用于基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，检测所述目标时间序列是否为平稳时间序列。
相关图确定模块420，用于若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图。
预测模型确定模块430，用于从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型。
成功概率预测模块440，用于将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
进一步的，如图5所示，所述预测装置400还包括参数确定模块450，所述参数确定模块450用于：
若所述待验证成功率预测模型为非可用成功率预测模型，从所述自相关-偏自相关图，确定出至少一个第二候选成功率预测模型以及每个第二候选成功率预测模型对应的第一参数以及第二参数。
进一步的，如图5所示，所述预测装置400还包括差分处理模块460，所述差分处理模块460用于：
若所述目标时间序列为非平稳时间序列，对所述目标时间序列进行差分处理，得到平稳时间序列，将得到的平稳时间序列确定为目标时间序列。
进一步的，如图5所示，所述预测装置400还包括概率转换模块470，所述概率转换模块470用于：
基于所述加工成功概率以及所述时间序列差分处理对应的差分阶数，计算出所述待预测零件的最终加工成功概率。
进一步的，所述时间序列确定模块410通过以下步骤确定所述目标时间序列为平稳时间序列：
计算所述目标时间序列的检验结果值，若所述检验结果值位于预设阈值范围内，则确定所述目标时间序列为平稳时间序列。
进一步的，所述预测模型确定模块430在用于从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型时，所述预测模型确定模块430用于：
从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数；
针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数；
基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型；
若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型。
进一步的，所述预测模型确定模块430通过以下步骤验证所述待验证成功率预测模型为可用成功率预测模型：
获取样本历史时间段内的每个加工周期上待预测样本零件的样本加工成功率以及所述待预测样本零件在预测时间点上的真实加工成功概率，确定所述待预测样本零件在样本加工成功率维度下的目标样本时间序列；
检测所述目标样本时间序列是否为平稳时间序列，若所述目标样本时间序列为平稳时间序列，将所述目标样本时间序列输入至待验证成功率预测模型中，得到所述待预测样本零件在预测时间点上的样本加工成功概率；
基于所述真实加工成功概率以及所述样本加工成功概率，确定所述待验证成功率预测模型为可用成功率预测模型。
本申请实施例提供的零件加工成功率的预测装置，基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列；检测所述目标时间序列是否为平稳时间序列，若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率。
这样，本申请通过获取待预测零件在历史时间段内每个加工周期上的加工成功率，确定述待预测零件在加工成功率维度下的目标时间序列，当检测出所述目标时间序列是平稳时间序列时，确定所述目标时间序列对应的自相关-偏自相关图，并从自相关-偏自相关图中确定出所述待预测零件对应的成功率预测模型，将目标时间序列输入值成功率预测模型中，对待预测零件在预测时间点上的加工成功概率进行预测，有助于提高零件生产的合理性，降低由于生产出大量的失败零件，造成的资源浪费。
请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图2以及图3所示方法实施例中的零件加工成功率的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的零件加工成功率的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、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，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或个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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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实施例方案的目的。
另外，在本申请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，也可以两个或两个以上单元集成在一个单元中。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请各个实施例所述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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种零件加工成功率的预测方法，其特征在于，所述预测方法包括：
基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，并检测所述目标时间序列是否为平稳时间序列；
若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；
从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；
将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率；
其中，所述从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型，包括：
从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数；
针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数；
基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型；
若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型；
通过以下步骤验证所述待验证成功率预测模型为可用成功率预测模型：
获取样本历史时间段内的每个加工周期上待预测样本零件的样本加工成功率以及所述待预测样本零件在预测时间点上的真实加工成功概率，确定所述待预测样本零件在样本加工成功率维度下的目标样本时间序列；
检测所述目标样本时间序列是否为平稳时间序列，若所述目标样本时间序列为平稳时间序列，将所述目标样本时间序列输入至待验证成功率预测模型中，得到所述待预测样本零件在预测时间点上的样本加工成功概率；
基于所述真实加工成功概率以及所述样本加工成功概率，确定所述待验证成功率预测模型为可用成功率预测模型。
2.根据权利要求1所述的预测方法，其特征在于，通过以下步骤确定所述目标时间序列为平稳时间序列：
计算所述目标时间序列的检验结果值，若所述检验结果值位于预设阈值范围内，则确定所述目标时间序列为平稳时间序列。
3.根据权利要求1所述的预测方法，其特征在于，在所述验证所述待验证成功率预测模型是否为可用成功率预测模型之后，所述预测方法还包括：
若所述待验证成功率预测模型为非可用成功率预测模型，从所述自相关-偏自相关图，确定出至少一个第二候选成功率预测模型以及每个第二候选成功率预测模型对应的第一参数以及第二参数。
4.根据权利要求1所述的预测方法，其特征在于，在所述检测所述目标时间序列是否为平稳时间序列之后，所述预测方法还包括：
若所述目标时间序列为非平稳时间序列，对所述目标时间序列进行差分处理，得到平稳时间序列，将得到的平稳时间序列确定为目标时间序列。
5.根据权利要求4所述的预测方法，其特征在于，在所述将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功率之后，所述预测方法还包括：
基于所述加工成功概率以及所述差分处理对应的差分阶数，计算出所述待预测零件的最终加工成功概率。
6.一种零件加工成功率的预测装置，其特征在于，所述预测装置包括：
时间序列确定模块，用于基于在历史时间段内的每个加工周期上待预测零件的加工成功率，确定所述待预测零件在加工成功率维度下的目标时间序列，并检测所述目标时间序列是否为平稳时间序列；
相关图确定模块，用于若所述目标时间序列为平稳时间序列，基于所述目标时间序列，确定所述待预测零件在所述历史时间段内对应的自相关-偏自相关图；
预测模型确定模块，用于从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型；
成功概率预测模块，用于将所述目标时间序列输入至所述成功率预测模型中，预测所述待预测零件在预测时间点上的加工成功概率；
其中，所述预测模型确定模块在用于从所述自相关-偏自相关图中，确定出所述待预测零件对应的成功率预测模型时，所述预测模型确定模块用于：
从所述自相关-偏自相关图中，确定出至少一个第一候选成功率预测模型以及每个第一候选成功率预测模型对应的第一参数以及第二参数；
针对于每个第一候选成功概率预测模型，基于所述第一候选成功率预测模型对应的第一参数以及所述第二参数，计算所述第一候选成功概率预测模型对应的至少一个检测参数；
基于所述至少一个检测参数，从所述至少一个第一候选成功率预测模型确定出待验证成功率预测模型，验证所述待验证成功率预测模型是否为可用成功率预测模型；
若所述待验证成功率预测模型为可用成功率预测模型，将所述待验证成功率预测模型确定为成功率预测模型；
所述预测模型确定模块通过以下步骤验证所述待验证成功率预测模型为可用成功率预测模型：
获取样本历史时间段内的每个加工周期上待预测样本零件的样本加工成功率以及所述待预测样本零件在预测时间点上的真实加工成功概率，确定所述待预测样本零件在样本加工成功率维度下的目标样本时间序列；
检测所述目标样本时间序列是否为平稳时间序列，若所述目标样本时间序列为平稳时间序列，将所述目标样本时间序列输入至待验证成功率预测模型中，得到所述待预测样本零件在预测时间点上的样本加工成功概率；
基于所述真实加工成功概率以及所述样本加工成功概率，确定所述待验证成功率预测模型为可用成功率预测模型。
7.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一项所述的零件加工成功率的预测方法的步骤。
8.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5中任一项所述的零件加工成功率的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010080301.5A CN111310989B (zh) | 2020-02-05 | 2020-02-05 | 零件加工成功率的预测方法、预测装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010080301.5A CN111310989B (zh) | 2020-02-05 | 2020-02-05 | 零件加工成功率的预测方法、预测装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111310989A CN111310989A (zh) | 2020-06-19 |
| CN111310989B true CN111310989B (zh) | 2022-08-09 |
Family
ID=71146958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010080301.5A Active CN111310989B (zh) | 2020-02-05 | 2020-02-05 | 零件加工成功率的预测方法、预测装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310989B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231508A (zh) * | 2008-01-17 | 2008-07-30 | 中电华清微电子工程中心有限公司 | 采用时间序列分析预测-校正集成电路制造工艺控制方法 |
| CN109189762A (zh) * | 2018-09-03 | 2019-01-11 | 深圳市智物联网络有限公司 | 一种工业物联网数据分析方法、系统及相关设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174066A1 (en) * | 2016-12-21 | 2018-06-21 | Wipro Limited | System and method for predicting state of a project for a stakeholder |
-
2020
- 2020-02-05 CN CN202010080301.5A patent/CN111310989B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231508A (zh) * | 2008-01-17 | 2008-07-30 | 中电华清微电子工程中心有限公司 | 采用时间序列分析预测-校正集成电路制造工艺控制方法 |
| CN109189762A (zh) * | 2018-09-03 | 2019-01-11 | 深圳市智物联网络有限公司 | 一种工业物联网数据分析方法、系统及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| "产品合格率时间序列的混沌特性识别及预测";段媛;《中国优秀硕士学位论文全文数据库 基础科学辑》;20131215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310989A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9134997B2 (en) | Methods for assessing deliverable product quality and devices thereof | |
| CN111966061A (zh) | 产品工艺参数的优化方法、装置、电子设备和存储介质 | |
| CN113127305A (zh) | 异常检测方法及装置 | |
| CN111967167B (zh) | 一种非线性退化过程可靠性评估方法 | |
| CN111881023A (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN113128797A (zh) | 业务指标异常监测方法及装置 | |
| CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
| CN111310989B (zh) | 零件加工成功率的预测方法、预测装置及可读存储介质 | |
| CN112416782A (zh) | 测试结果的验证方法、装置和电子设备 | |
| CN111722863A (zh) | 风控模型更新方法及装置 | |
| CN115544441B (zh) | 一种高温工作寿命测试中回测时间点的确定方法及装置 | |
| CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
| KR20170140753A (ko) | 소프트웨어 안전성 분석 방법 및 장치 | |
| CN113704871B (zh) | 车轮弯曲疲劳的确定方法、装置、终端设备及介质 | |
| CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
| CN111260133A (zh) | 用于监测研发质量的质量监测模型的优化方法及装置 | |
| JP7287093B2 (ja) | 学習プログラム、学習方法および学習装置 | |
| CN115576850B (zh) | 数据指标测试方法、装置、电子设备及存储介质 | |
| CN112395280B (zh) | 一种数据质量检测方法及其系统 | |
| CN111880506B (zh) | 计算机辅助地处理自动化设施中的状态消息的方法 | |
| CN117250942B (zh) | 故障预测方法、模型的确定方法、装置、设备及存储介质 | |
| CN112000717B (zh) | 半导体数据分析方法、系统及计算机可读存储介质 | |
| CN116049836B (zh) | 车辆漏洞优先级确定方法、装置、设备及存储介质 | |
| CN114401494B (zh) | 短消息下发异常检测方法、装置、计算机设备及存储介质 | |
| CN112035364B (zh) | 功能测试结果评估方法及装置 |
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 |