CN111967799B - 集总参数表贴环行器物料及工艺问题识别方法 - Google Patents

集总参数表贴环行器物料及工艺问题识别方法 Download PDF

Info

Publication number
CN111967799B
CN111967799B CN202010934074.8A CN202010934074A CN111967799B CN 111967799 B CN111967799 B CN 111967799B CN 202010934074 A CN202010934074 A CN 202010934074A CN 111967799 B CN111967799 B CN 111967799B
Authority
CN
China
Prior art keywords
data
layer
sample
output
training
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
Application number
CN202010934074.8A
Other languages
English (en)
Other versions
CN111967799A (zh
Inventor
刘有彬
吴江
蒋运石
闫欢
胡艺缤
田珺宏
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.)
Westmag Technology Corp ltd
CETC 9 Research Institute
Original Assignee
CETC 9 Research Institute
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 CETC 9 Research Institute filed Critical CETC 9 Research Institute
Priority to CN202010934074.8A priority Critical patent/CN111967799B/zh
Publication of CN111967799A publication Critical patent/CN111967799A/zh
Application granted granted Critical
Publication of CN111967799B publication Critical patent/CN111967799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种集总参数表贴环行器物料及工艺问题识别方法，包括确定影响集总参数表贴环行器参数的问题，具体为物料尺寸偏差、器件焊接位置偏差、器件焊接温度偏差、器件编带偏差；对每个问题，分别设定一阈值，并将0‑阈值间的偏差值，量化到0‑1之间；将样本的S参数数据，作为训练模型的输入，而该样本经量化后得到的四个量化值构成向量Q作为期望的输出，用三层BP神经网络对样本进行训练，得到训练模型。本发明具有仅输入样本的S参数数据，就能输出该样本对应的问题向量Q的能力。本发明能提高测试效率，及时定位器件可能出现的问题；对于批量化生产，可以及时检测批次差异问题，并能对各批次产品性能状态变化情况进行统计分析。

Description

集总参数表贴环行器物料及工艺问题识别方法
技术领域
本发明涉及一种识别方法，尤其涉及一种集总参数表贴环行器物料及工艺问题识别方法。
背景技术
目前，集总参数表贴环行器等微波无源器件基本都依赖于人工测试、分析与判断，工作量大、效率低、可靠性差，且不能反映器件可能存在的问题，特别是对于批量化生产，基本上只能对单个的性能优劣好坏进行人工判断，不能将器件性能反映到具体的物料、工艺等问题上，不利于批量化生产的产品质量控制与产品性能优化。
该方法的不足：
1、采用人工测试的方式，工作量大，效率低，数据可靠性差，影响对器件性能的整体评估，不利于批量生产；
2、只能判断器件合格与不合格，不能将器件性能优劣与可能产生的原因形成对应关系，不利于批量生产的产品优化和质量控制；
3、不能对批次性产品性能状态进行统计分析，不能及时发现生产中可能出现的问题。
发明内容
本发明的目的就在于提供一种解决上述问题，无需人工测量，能提高测试效率、提高数据可靠性，且能及时判断产品问题的集总参数表贴环行器物料及工艺问题识别方法。
为了实现上述目的，本发明采用的技术方案是这样的：一种集总参数表贴环行器物料及工艺问题识别方法，包括以下步骤：
(1)确定影响集总参数表贴环行器参数的问题，所述问题包括问题一：物料尺寸偏差，问题二：器件焊接位置偏差，问题三：器件焊接温度偏差，问题四：器件编带偏差；
对每个问题，分别设定一阈值，并将0-阈值间的偏差值，量化到0-1之间，则每个问题中，每个偏差值对应一量化值；
(2)获取多个样本的S参数数据，构建数据集A，所述样本为集总参数表贴环行器，所述S参数数据为X(k)＝(x1(k),x2(k),...,xn(k))，n＝4；其中，k表示数据集A的第k个样本数据，x1(k)、x2(k)表示两个端口驻波曲线数据，x3(k)表示隔离曲线数据，x4(k)表示损耗曲线数据；
(3)构建期望输出的问题向量集Q；
对每个样本，依次测量问题一到问题四的偏差值，得到四个偏差值对应的量化值Q1、Q2、Q3、Q4，将Q1-Q4构成一问题向量Q(k)，则问题向量集Q中，第k个样本数据为Q(k)＝(Q1,Q2,Q3,Q4)；
(4)对数据集A中所有样本数据进行归一化处理，并从中选择归一化处理后的样本数据作为训练数据，构建样本集；
(5)构建一个三层BP神经网络；
(6)将样本集中的样本数据作为输入，该样本数据对应的问题向量作为输出，送入三层BP神经网络中进行训练，得到训练后的网络模型；
(7)获取待测样本的S参数数据，送入(6)中训练后的网络模型，得到该待测样本对应的问题向量。
作为优选：所述步骤(5)具体为：
所述三层BP神经网络包括输入层、中间隐含层和输出层，激活函数采用sigmoid函数，权值更新为随机梯度下降算法；
输入层有4个神经元，分别对应x1(k)、x2(k)、x3(k)和x4(k)，输入向量为X(k)；
隐含层有p个神经元，输入向量为Hi，输出向量为Ho；
输出层有q＝4个神经元，输入向量为Yi，输出向量为Yo，期望输出为Q；
输入层和隐含层间的连接权重为Wih，隐含层和输出层间的连接权重为Who，隐含层各神经元阈值为bh，输出层各神经元阈值为bo。
作为优选：所述步骤(6)送入三层BP神经网络中进行训练，具体为：
(61)初始化网络，在(-1，1)区间内随机生成各个连接权重，设定误差函数e′，设定可接受的最大误差ε和训练网络所需要进行的最大迭代次数；
(62)将训练数据送三层BP神经网络中，其中第k个训练数据的输入和期望输出为：
Figure BDA0002671285610000031
(63)输入数据经过隐含层后，得出输出层的输入、输出数据如下：
Figure BDA0002671285610000041
Hoh(k)＝f(Hih(k)),h＝1,2,...,p
Figure BDA0002671285610000042
yoo(k)＝f(yio(k)),o＝1,2,...,q；
(64)将yoo(k)与Q(k)进行对比，计算误差函数e′相对于输出层神经元的偏导数δo(k)；
(65)根据求得的δo(k)、Hoh(k)和Who，计算误差函数相对于输出层神经元的偏导数δh(k)；
(66)根据δo(k)和隐含层各神经元的输出修正权重Who；
(67)根据δh(k)和输入层各神经元的输入修正权重Wih；
(68)计算全局误差
Figure BDA0002671285610000043
(69)若e<ε，则结束训练，并输出此时的权值，阈值及训练次数k；若e≥ε，并且还未达到最大训练次数，则继续取标记了对应分类输出的训练数据进入步骤(63)，重复步骤(63)～(69)，继续下一轮学习；若e≥ε，并且达到了最大训练次数，结束训练；
(610)训练完成后，保存最后所得到的权重数据Wih和Who，并将输入层与隐含层之间的权重数据Wih和隐含层与输出层之间的权重数据Who用于后期的器件问题分类识别。
作为优选：步骤(1)中，对问题一到问题四，在量化值0-1中，分别设定一分类阈值T1、T2、T3、T4，用于判断样本在问题一到问题四上是否合格。
作为优选：还包括步骤(8)，从待测样本的问题向量中提取出Q1、Q2、Q3、Q4，分别进行判断，若Q1≥T1，则判断存在问题一；若Q2≥T2，则判断存在问题二；若Q3≥T3，则判断存在问题三；若Q4≥T4，则判断存在问题四；
若产品存在至少一个问题，则判定为产品不合格。
作为优选：还包括步骤(9)设定不合格率，若不合格产品占比超过不合格率，则发出警报。
本发明经过对集总参数表贴环行器加工过程中，物料、工艺的大量的测试、分析与判断，确定出最能影响此类环行器参数的几个问题，再将这些问题进行量化得到向量Q，并与S参数数据挂钩，再将S参数数据作为输入，向量Q作为期望的输出，利用三层BP神经网络对样本进行训练，得到训练模型。该模型具有仅输入样本的S参数数据，就能输出该样本对应的问题向量Q的能力。
与现有技术相比，本发明的优点在于：
(1)本发明明确了影响集总参数表贴环行器质量的主要技术问题，建立各项问题与产品性能关系的模型，并引入机器学习方法，通过前期样本训练，获取相应的问题识别参数指标，在后期的测试过程中，针对每个器件给出相应的性能判断及各问题出现轻重程度，形成并记录关键判别结果，同时根据软件自动分析出器件出现的问题及性能变化趋势。
(2)器件测试效率大大增加，数据可靠性得到保证，能够更加全面的描述器件的性能状态，并能及时定位器件可能出现的问题；对于批量化生产，可以及时检测批次差异问题，并能对各批次产品性能状态变化情况进行统计分析。
附图说明
图1为本发明流程图；
图2为实施例4的硬件连接图；
图3为本发明实施例4的流程图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1：参见图1，一种集总参数表贴环行器物料及工艺问题识别方法，包括以下步骤：
(1)确定影响集总参数表贴环行器参数的问题，所述问题包括问题一：物料尺寸偏差，问题二：器件焊接位置偏差，问题三：器件焊接温度偏差，问题四：器件编带偏差；
对每个问题，分别设定一阈值，并将0-阈值间的偏差值，量化到0-1之间，则每个问题中，每个偏差值对应一量化值；
(2)获取多个样本的S参数数据，构建数据集A，所述样本为集总参数表贴环行器，所述S参数数据为X(k)＝(x1(k),x2(k),...,xn(k))，n＝4；其中，k表示数据集A的第k个样本数据，x1(k)、x2(k)表示两个端口驻波曲线数据，x3(k)表示隔离曲线数据，x4(k)表示损耗曲线数据；
(3)构建期望输出的问题向量集Q；
对每个样本，依次测量问题一到问题四的偏差值，得到四个偏差值对应的量化值Q1、Q2、Q3、Q4，将Q1-Q4构成一问题向量Q(k)，则问题向量集Q中，第k个样本数据为Q(k)＝(Q1,Q2,Q3,Q4)；
(4)对数据集A中所有样本数据进行归一化处理，并从中选择归一化处理后的样本数据作为训练数据，构建样本集；
(5)构建一个三层BP神经网络；所述三层BP神经网络包括输入层、中间隐含层和输出层，激活函数采用sigmoid函数，权值更新为随机梯度下降算法；
输入层有4个神经元，分别对应x1(k)、x2(k)、x3(k)和x4(k)，输入向量为X(k)；
隐含层有p个神经元，输入向量为Hi，输出向量为Ho；
输出层有q＝4个神经元，输入向量为Yi，输出向量为Yo，期望输出为Q；
输入层和隐含层间的连接权重为Wih，隐含层和输出层间的连接权重为Who，隐含层各神经元阈值为bh，输出层各神经元阈值为bo；
(6)将样本集中的样本数据作为输入，该样本数据对应的问题向量作为输出，送入三层BP神经网络中进行训练，得到训练后的网络模型；
(61)初始化网络，在(-1，1)区间内随机生成各个连接权重，设定误差函数e′，设定可接受的最大误差ε和训练网络所需要进行的最大迭代次数；
(62)将训练数据送三层BP神经网络中，其中第k个训练数据的输入和期望输出为：
Figure BDA0002671285610000071
(63)输入数据经过隐含层后，得出输出层的输入、输出数据如下：
Figure BDA0002671285610000072
Hoh(k)＝f(Hih(k)),h＝1,2,...,p
Figure BDA0002671285610000073
yoo(k)＝f(yio(k)),o＝1,2,...,q；
(64)将yoo(k)与Q(k)进行对比，计算误差函数e′相对于输出层神经元的偏导数δo(k)；
(65)根据求得的δo(k)、Hoh(k)和Who，计算误差函数相对于输出层神经元的偏导数δh(k)；
(66)根据δo(k)和隐含层各神经元的输出修正权重Who；
(67)根据δh(k)和输入层各神经元的输入修正权重Wih；
(68)计算全局误差
Figure BDA0002671285610000081
(69)若e<ε，则结束训练，并输出此时的权值，阈值及训练次数k；若e≥ε，并且还未达到最大训练次数，则继续取标记了对应分类输出的训练数据进入步骤(63)，重复步骤(63)～(69)，继续下一轮学习；若e≥ε，并且达到了最大训练次数，结束训练；
(610)训练完成后，保存最后所得到的权重数据Wih和Who，并将输入层与隐含层之间的权重数据Wih和隐含层与输出层之间的权重数据Who用于后期的器件问题分类识别。
(7)获取待测样本的S参数数据，送入(6)中训练后的网络模型，得到该待测样本对应的问题向量。
本实施例中，步骤(1)中，对问题一到问题四，在量化值0-1中，分别设定一分类阈值T1、T2、T3、T4，用于判断样本在问题一到问题四上是否合格。
实施例2，参见图1，在实施例1的基础上，还包括步骤(8)，从待测样本的问题向量中提取出Q1、Q2、Q3、Q4，分别进行判断，若Q1≥T1，则判断存在问题一；若Q2≥T2，则判断存在问题二；若Q3≥T3，则判断存在问题三；若Q4≥T4，则判断存在问题四；若产品存在至少一个问题，则判定为产品不合格。
实施例3：参见图2，在实施例1的基础上，还包括步骤(9)设定不合格率，若不合格产品占比超过不合格率，则发出警报。
关于步骤(1)中的阈值和量化值：
可以根据设计师给定的阈值上限进行量化，如设计师事先给定物料尺寸偏差最大值、器件焊接位置偏差最大值、器件焊接温度偏差最大值、器件编带偏差最大值。这些最大值都是根据实际经验、数据得出的。
那么假设对于物料尺寸偏差，偏差的最大值为0.10mm，则0.10mm量化为1，并将0mm-0.10mm间的所有数值，一一对应到0-1之间，那么0.02mm对应量化值为0.2，0.05mm对应量化值为0.5。
假设对于器件焊接位置偏差，偏差的最大值为2.0mm，则2.0mm量化为1，并将0mm-2.0mm间的所有数值，一一对应到0-1之间，那么0.5mm对应的量化值为0.25，1.0mm对应量化值为0.5，以此类推。
我们还需要对每个问题设定分类阈值，如T1、T2、T3、T4，用于后文对产品合格及不合格判定。
关于步骤(4)，在对数据集A中所有样本数据进行归一化处理后，处理后的样本数据实际上是分为了训练样本和测试样本，并分别构建了训练集M和测试集N，A＝M∪N，且M>>N；得到训练模型前，我们需要用训练集的样本进行训练，并用测试集的样本进行测试。
训练时，输入向量是数据集M中的样本数据，该样本数据为包含驻波、隔离、损耗的S参数数据；
测试时，输入向量是数据集N中的样本数据，该样本数据为包含驻波、隔离、损耗的S参数数据；
实际工作时，输入向量是待测样本的样本数据，其数据为实测的包含驻波、隔离、损耗的S参数数据。
本实施例中，经步骤(1)-(6)后，我们已经得到训练好的网络模型，此时进行步骤(7)获取待测样本的S参数数据，送入(6)中训练后的网络模型，得到该待测样本对应的问题向量。
假设我们设定的分类阈值T1、T2、T3、T4均为0.7，该待测样本对应的问题向量Q得到的数组[Q1、Q2、Q3、Q4]＝[0.3、0.7、0.5、0.8]，我们可以直接从四个量化值中得到四个问题的实际偏差值，且能看出该器件在问题二、问题四上存在明显问题。四个分类阈值可相等，可不相等，具体根据实际情况确定。
实施例4：参见图1-图3，本实施例在实施例1的基础上进一步改进，我们根据实施例1的方法，训练出网络模型，并将该模型应用于实际的生产作业中。
首先，参见图2，我们搭建一硬件系统，该系统包括计算机、网络分析仪、测试夹具、机械臂、和几个分类放置产品的托盘，包括待测试器件盘、不合格器件盘、合格器件盘。
(1)测试夹具用于夹持待测器件，网络分析仪用于获取测试夹具上测器件的S参数数据。
(2)网络分析仪与计算机连接，计算机通过LAN或GPIB两种方式控制网络分析仪工作，可通过LAN或GPIB从网络分析仪中读取器件的S参数数据。
(3)机械臂与计算机连接，计算机通过USB或LAN两种方式控制机械臂动作。具体的，可以是控制PLC模块动作，实现对机械臂的控制。机械臂具体动作方式为：放置器件、器件固定、取下器件、分类放置器件等。本发明方法对应的软件，嵌入计算机中。
我们现在对一批批量生产的产品进行检测。
(1)开机检测。首先检查计算机与网络分析仪、机械臂连接是否正确，打开所有设备电源，用测试软件检测系统连接状况，测试软件为常见软件，一般是通过向对应设备发送指令查询当前连接状态是否准备就绪，如果有未准备就绪设备，报警提示，清除故障后再次检测系统连接状况，如果所有设备已经准备就绪，则进行下一步；本实施例中，若第二次依然有设备未准备就绪设备，则进行人工排查。
(2)系统复位。控制机械臂复位到“待测试器件盘”位置；调取已经校准好的网络分析仪状态文件；设定器件要求的性能指标、设定分类阈值T1、T2、T3、T4，设定不合格率等，完成后进行下一步。
(3)器件放置。计算机控制机械臂放置器件，机械臂将器件从待测试器件盘抓取放置在测试夹具上，并控制机械臂将其固定好，通过LAN或者GPIB卡从网络分析仪读取器件初始状态S参数数据，根据初始状态S参数数据分析器件是否连接正常，连接正常的判断，主要根据读取到的器件的S参数数据值来进行判断，连接不正常与正常连接区别很明显，如果连接不正常，发出警报，人工排查后重新放置器件，如果连接正常，则进行下一步。
(4)器件测试。计算机控制电脑通过LAN或GPIB从网络分析仪读取器件S参数数据，根据S参数数据分析，判断当前状态是否满足步骤(2)中设定的性能指标，如果不满足，控制机械臂将器件放置在“不合格器件盘”；如果满足，将器件放置在“合格器件盘”，并进行下一步。
(5)器件问题分析。对于放置在“合格器件盘”中的合格产品，我们还要对其存在的具体问题进行分析，也就是利用实施例1得到的训练模型，判断器件是否存在问题一到问题四、及各问题严重程度。这里和实施例1中的判定方法相同。
(6)结果统计分析、显示。根据合格与不合格结果，以饼状图形式显示合格率、不合格率；根据器件问题分析结果，以树状图形式显示各问题分布情况；若合格率或者器件问题比例中的任何一项不满足预期要求，发出警报，系统停机，排查器件问题；若都满足预期要求，则进行下一步；
(7)若需系统停机，控制机械臂复位在安全位置，关闭设备电源；若不需要停机，则更换器件，重复(3)-(7)步骤，进行下一个器件的测试。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种集总参数表贴环行器物料及工艺问题识别方法，其特征在于：包括以下步骤：
(1)确定影响集总参数表贴环行器参数的问题，所述问题包括问题一：物料尺寸偏差，问题二：器件焊接位置偏差，问题三：器件焊接温度偏差，问题四：器件编带偏差；
对每个问题，分别设定一阈值，并将0-阈值间的偏差值，量化到0-1之间，则每个问题中，每个偏差值对应一量化值；
(2)获取多个样本的S参数数据，构建数据集A，所述样本为集总参数表贴环行器，所述S参数数据为X(k)＝(x1(k),x2(k),...,xn(k))，n＝4；其中，k表示数据集A的第k个样本数据，x1(k)、x2(k)表示两个端口驻波曲线数据，x3(k)表示隔离曲线数据，x4(k)表示损耗曲线数据；
(3)构建期望输出的问题向量集Q；
对每个样本，依次测量问题一到问题四的偏差值，得到四个偏差值对应的量化值Q1、Q2、Q3、Q4，将Q1-Q4构成一问题向量Q(k)，则问题向量集Q中，第k个样本数据为Q(k)＝(Q1,Q2,Q3,Q4)；
(4)对数据集A中所有样本数据进行归一化处理，并从中选择归一化处理后的样本数据作为训练数据，构建样本集；
(5)构建一个三层BP神经网络；
(6)将样本集中的样本数据作为输入，该样本数据对应的问题向量作为输出，送入三层BP神经网络中进行训练，得到训练后的网络模型；
(7)获取待测样本的S参数数据，送入(6)中训练后的网络模型，得到该待测样本对应的问题向量。
2.根据权利要求1所述的集总参数表贴环行器物料及工艺问题识别方法，其特征在于：所述步骤(5)具体为：
所述三层BP神经网络包括输入层、中间隐含层和输出层，激活函数采用sigmoid函数，权值更新为随机梯度下降算法；
输入层有4个神经元，分别对应x1(k)、x2(k)、x3(k)和x4(k)，输入向量为X(k)；
隐含层有p个神经元，输入向量为Hi，输出向量为Ho；
输出层有q＝4个神经元，输入向量为Yi，输出向量为Yo，期望输出为Q；
输入层和隐含层间的连接权重为Wih，隐含层和输出层间的连接权重为Who，隐含层各神经元阈值为bh，输出层各神经元阈值为bo。
3.根据权利要求1所述的集总参数表贴环行器物料及工艺问题识别方法，其特征在于：所述步骤(6)送入三层BP神经网络中进行训练，具体为：
(61)初始化网络，在(-1，1)区间内随机生成各个连接权重，设定误差函数e′，设定可接受的最大误差ε和训练网络所需要进行的最大迭代次数；
(62)将训练数据送三层BP神经网络中，其中第k个训练数据的输入和期望输出为：
Figure FDA0002671285600000021
(63)输入数据经过隐含层后，得出输出层的输入、输出数据如下：
Figure FDA0002671285600000022
Hoh(k)＝f(Hih(k)),h＝1,2,...,p
Figure FDA0002671285600000023
yoo(k)＝f(yio(k)),o＝1,2,...,q
(64)将yoo(k)与Q(k)进行对比，计算误差函数e′相对于输出层神经元的偏导数δo(k)；
(65)根据求得的δo(k)、Hoh(k)和Who，计算误差函数相对于输出层神经元的偏导数δh(k)；
(66)根据δo(k)和隐含层各神经元的输出修正权重Who；
(67)根据δh(k)和输入层各神经元的输入修正权重Wih；
(68)计算全局误差
Figure FDA0002671285600000031
(69)若e<ε，则结束训练，并输出此时的权值，阈值及训练次数k；若e≥ε，并且还未达到最大训练次数，则继续取标记了对应分类输出的训练数据进入步骤(63)，重复步骤(63)～(69)，继续下一轮学习；若e≥ε，并且达到了最大训练次数，结束训练；
(610)训练完成后，保存最后所得到的权重数据Wih和Who，并将输入层与隐含层之间的权重数据Wih和隐含层与输出层之间的权重数据Who用于后期的器件问题分类识别。
4.根据权利要求1所述的集总参数表贴环行器物料及工艺问题识别方法，其特征在于：步骤(1)中，对问题一到问题四，在量化值0-1中，分别设定一分类阈值T1、T2、T3、T4，用于判断样本在问题一到问题四上是否合格。
5.根据权利要求4所述的集总参数表贴环行器物料及工艺问题识别方法，其特征在于：还包括步骤(8)，从待测样本的问题向量中提取出Q1、Q2、Q3、Q4，分别进行判断，若Q1≥T1，则判断存在问题一；若Q2≥T2，则判断存在问题二；若Q3≥T3，则判断存在问题三；若Q4≥T4，则判断存在问题四；
若产品存在至少一个问题，则判定为产品不合格。
6.根据权利要求5述的集总参数表贴环行器物料及工艺问题识别方法，其特征在于：还包括步骤(9)设定不合格率，若不合格产品占比超过不合格率，则发出警报。
CN202010934074.8A 2020-09-08 2020-09-08 集总参数表贴环行器物料及工艺问题识别方法 Active CN111967799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934074.8A CN111967799B (zh) 2020-09-08 2020-09-08 集总参数表贴环行器物料及工艺问题识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934074.8A CN111967799B (zh) 2020-09-08 2020-09-08 集总参数表贴环行器物料及工艺问题识别方法

Publications (2)

Publication Number Publication Date
CN111967799A CN111967799A (zh) 2020-11-20
CN111967799B true CN111967799B (zh) 2023-01-13

Family

ID=73392125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934074.8A Active CN111967799B (zh) 2020-09-08 2020-09-08 集总参数表贴环行器物料及工艺问题识别方法

Country Status (1)

Country Link
CN (1) CN111967799B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221391B (zh) * 2021-07-08 2021-09-07 中国电子科技集团公司第九研究所 用bic准则分析环行器性能指导物料尺寸参数筛选的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292387A (zh) * 2017-05-31 2017-10-24 汪薇 一种基于bp识别蜂蜜质量的方法
CN108595905A (zh) * 2017-10-25 2018-09-28 中国石油化工股份有限公司 一种基于bp神经网络模型的冲蚀失效定量预测方法
CN108491404B (zh) * 2018-01-22 2022-07-01 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法

Also Published As

Publication number Publication date
CN111967799A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN112382582B (zh) 一种晶圆测试分类方法及系统
CN111461555B (zh) 一种生产线质量监测方法、装置及系统
US20150371134A1 (en) Predicting circuit reliability and yield using neural networks
CN110555596B (zh) 一种基于配电物资质量评价的抽检策略制定方法及系统
CN102122351A (zh) 一种基于rbf神经网络的管道缺陷智能识别方法
CN105891321B (zh) 铁磁性材料结构力学性能的微磁检测标定方法
CN111967799B (zh) 集总参数表贴环行器物料及工艺问题识别方法
CN101118422A (zh) 半导体制造的虚拟量测预估与建立预估模型的方法与系统
CN117232819A (zh) 基于数据分析的阀体综合性能测试系统
CN115373370A (zh) 一种可编程控制器运行状态监测方法及系统
US20070180411A1 (en) Method and apparatus for comparing semiconductor-related technical systems characterized by statistical data
CN113642209B (zh) 基于数字孪生的结构植入故障响应数据获取及评判方法
CN110850358A (zh) 基于逐步回归算法的电能表综合检定方法及系统
CN115034303A (zh) 一种食品有害物质定向检测方法及系统
CN114091347A (zh) 一种电子元器件寿命预测方法
CN118115010A (zh) 动态检测方法及系统、计算机设备及存储介质
CN117131437A (zh) 发动机振动故障隔离方法
TWI427487B (zh) 工件抽樣檢驗的方法及其電腦程式產品
US20230081224A1 (en) Method and system for evaluating test data, wafer test system, and storage medium
CN112881208B (zh) 一种当量初始缺陷尺寸测定与评估方法
CN106338526B (zh) 一种基于微波水分仪的修正模型及检测方法
CN115222114A (zh) 汽车零部件装配指标值预测方法、终端设备及存储介质
CN111814360B (zh) 一种机载机电设备使用可靠性评估方法
CN114002574A (zh) 半导体结构的测试方法
CN111062118B (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231213

Address after: No.268, west section of Binhe North Road, Mianyang City, Sichuan Province

Patentee after: SOUTHWEST APPLIED MAGNETIC Research Institute (NO 9 INSTITUTE RESEARCH CETC)

Patentee after: WESTMAG TECHNOLOGY Corp.,Ltd.

Address before: No.268, west section of Binhe North Road, Mianyang City, Sichuan Province

Patentee before: The Ninth Research Institute of Chian Electronics Technology Group Corp.