CN112348229A - 基于工业大数据的产品良品率预测方法和预测系统 - Google Patents

Abstract

本发明公开了一种基于工业大数据的产品良品率预测方法及预测系统，其中方法包括：通过前端应用获取工业大数据，并对所获取的所述工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；所述前端应用通过一函数中间件将组合形成的所述数据结构转换为map结构数据；所述前端应用基于所述map结构数据，并通过预设的计算函数预估出产品良品率；所述前端应用输出产品良品率预估结果并展示给用户。本发明针对工业大数据领域预测产品良品率的应用需求，通过在前端应用中计算良品率，由前端获取数据并进行良品率预测，解决了服务端处理工业大数据耗时较长，用户体验较差的技术问题，大幅提高了良品率预测效率。

Description

基于工业大数据的产品良品率预测方法和预测系统

技术领域

本发明涉及产品质量预测技术领域，具体涉及一种基于工业大数据的产品良品率预测方法和预测系统。

背景技术

良品率是指生产线上，最终通过测试的良品数量占投入材料理论生产出的数量的比例。预估良品率对于提高产品产出率和降低企业生产成本具有重要作用。现有的良品率预估方法一般首先将用于计算良品率的数据传送到后台服务器，由后台服务器筛选良品率计算所需的数据然后再通过预设的计算方法进行良品率计算。由于数据传送通常需要较长时间，而且现有的良品率计算方法过于复杂，导致服务器端计算良品率的耗时较长，用户体验较差。并且，现有的良品率预估方法不够科学，所作出的预估结果准确度较低，参考意义不大。

发明内容

本发明的目的在于提供一种基于工业大数据的产品良品率预测方法及预测系统，以解决上述技术问题。

为达此目的，本发明采用以下技术方案：

提供一种基于工业大数据的产品良品率预测方法，包括：

步骤S1，通过前端应用获取工业大数据，并对所获取的所述工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；

步骤S2，所述前端应用通过一函数中间件将组合形成的所述数据结构转换为map结构数据；

步骤S3，所述前端应用基于所述map结构数据，并通过预设的计算函数预估出产品良品率；

步骤S4，所述前端应用输出产品良品率预估结果并展示给用户。

作为本发明的一种优选方案，所述步骤S1具体包括如下步骤：

步骤S11，获取所述工业大数据；

步骤S12，按日期筛选出包含在所述工业大数据中的所述产量数据，并将所述工业大数据中不包含“产量”和“日期”这两个关键key的数据进行过滤；

步骤S13，将经筛选保留的所述产量数据组合形成预设的所述数据结构。

作为本发明的一种优选方案，所述步骤S2中，key-value式的所述map结构数据以日期作为唯一key，以对应日期下的所述产量数据作为value。

作为本发明的一种优选方案，所述步骤S3中，所述计算函数基于所述map结构数据预估产品良品率的方法包括如下步骤：

步骤S31，基于所述map结构数据计算不同日期下的产品良品率；

步骤S32，根据所计算的不同日期下的产品良品率，计算产品在对应历史时间段内的产品平均良品率；

步骤S33，根据所计算的所述产品平均良品率和所获取的所述产量数据，预估出未来指定时间段内的产量；

步骤S34，根据所述步骤S33预估出的产量及历史的所述产量数据，预估出所述未来指定时间段内的产品良品率。

作为本发明的一种优选方案，关联不同日期的各所述产品良品率预估结果以折线图表形式展示给用户。

本发明还提供了一种基于工业大数据的产品良品率预测系统，可实现所述的产品良品率预测方法，该系统包括：

数据获取模块，用于获取工业大数据，并对所获取的所述工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；

数据结构转换模块，连接所述数据获取模块，用于通过一函数中间件将组合形成的所述数据结构转换为map结构数据；

良品率预估模块，连接所述数据结构转换模块，用于基于所述map结构数据，并通过预设的计算函数预估出产品良品率；

预估结果输出和展示模块，连接所述良品率预估模块，用于输出产品良品率预估结果并展示给用户。

作为本发明的一种优选方案，所述数据获取模块中具体包括：

工业大数据获取单元，用于获取所述工业大数据；

数据筛选及过滤单元，连接所述工业大数据获取单元，用于按日期筛选出包含在所述工业大数据中的所述产量数据，并将所述工业大数据中不包含“产量”和“日期”这两个关键key的数据进行过滤；

数据合成单元，连接所述数据筛选及过滤单元，用于将经筛选保留的所述产量数据组合形成预设的所述数据结构。

作为本发明的一种优选方案，所述良品率预估模块中具体包括：

历史日期良品率计算单元，用于基于所述map结构数据计算不同历史日期下的产品良品率；

产品平均良品率计算单元，连接所述历史日期良品率计算单元，用于根据所计算的不同历史日期下的产品良品率，计算产品在对应历史时间段内的产品平均良品率；

产量预估单元，连接所述产品平均良品率计算单元，用于根据所计算的所述产品平均良品率和所获取的所述产量数据，预估出未来指定时间段内的产量；

良品率预估单元，连接所述产量预估单元，用于根据预估出的产量和历史产量数据，预估出所述未来指定时间段的产品良品率。

作为本发明的一种优选方案，系统还包括：

运行错误捕捉模块，分别连接所述数据获取模块、所述数据结构转换模块、所述良品率预估模块及所述预估结果输出和展示模块，用于捕捉各模块的错误运行信息并输出；

错误运行信息处理模块，连接所述运行错误捕捉模块，用于根据所接收的所述错误运行信息分析各个模块运行错误的类型，并根据所述错误运行信息综合分析系统整体的运行错误类型，并根据错误类型生成相对应的错误报警提示信号并输出；

报警提示模块，连接所述错误运行信息处理模块，用于根据接收到的所述错误报警提示信号进行提示报警。

作为本发明的一种优选方案，所述系统可打包成javascript压缩文件保存。

本发明针对工业大数据领域预测产品良品率的应用需求，通过在前端应用中计算良品率，由前端获取数据并进行良品率预测，解决了服务端处理工业大数据耗时较长，用户体验较差的技术问题，大幅提高了良品率预测效率。另外本发明通过首先预估产量，然后结合历史产量数据预估出产品良品率，大幅提高了良品率预测准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明一实施例所述的基于工业大数据的产品良品率预测方法的步骤图；

图2是本发明一实施例提供的对所述工业大数据进行筛选过滤后组合形成预设的数据结构的方法步骤图；

图3是本发明一实施例预估产品良品率的方法步骤图；

图4是本发明一实施例提供的基于工业大数据的产品良品率预测系统的结构示意图；

图5是所述产品良品率预测系统中的所述数据获取模块的内部结构示意图；

图6是所述产品良品率预测系统中的所述良品率预估模块的内部结构示意图；

图7是本发明预估产品良品率的原理图；

图8是应用所述产品良品率预测系统实现产品良品率预估功能的流程示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明一实施例提供的基于工业大数据的产品良品率预测方法，如图1和图7所示，包括如下步骤：

步骤S1，获取工业大数据，并对所获取的工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；本发明所述的产量数据指可表示产品产量的数据，比如每个员工一天可装配20台电脑，工厂共有10个员工，假设每个员工每天可装配的电脑数量均为20台，那么该工厂一天可装配的电脑产量为200台，一个月若按30天计算，则该工厂一个月的电脑装配产量为6000台。这里单个员工可装配电脑20台/日便为一产量数据。如果一个月当中有3个员工累计请假10天，那么该工厂的电脑装配月产量将减少600台，所以员工的请假时间、请假的员工数量、员工白班/晚班工作时间等这些影响产量的数据同样归为产量数据。工业大数据可源自于企业管理系统，工业大数据可能包含员工奖惩情况、工作日志等无关产量的数据，这些数据对于预估产量毫无价值，所以为了提高产量预估的计算速度，本发明步骤S1首先对工业大数据按类型进行筛选过滤，将保留的产量数据组合形成预设的数据结构。为了提高数据筛选的针对性，本发明采用可调参方式对工业大数据进行筛选，即可根据传入的key值，筛选过滤出对应该key值的所有产量数据。

具体地，如图2所示，步骤S1中具体包括如下步骤：

步骤S11，获取工业大数据；

步骤S12，按日期筛选出包含在工业大数据中的产量数据，并将工业大数据中不包含“产量”和“日期”这两个关键key的数据进行过滤；

步骤S13，将经筛选保留的产量数据组合形成预设的数据结构。该数据结构可以是一列多行数组，数组中的每一元素可表示为某个员工在指定日期的产量。当然该数据结构还可采用其他的数据结构。

步骤S2，通过一函数中间件将组合形成的数据结构转换为map结构数据。为了便于后续的产品预估计算，本发明通过步骤S2将组合形成的数据结构统一转换为key-value式的map结构数据，该map结构数据以日期作为唯一key，以对应日期下的产量数据作为value。这里需要说明的是，函数中间件本身不做业务逻辑处理，即其本身不具备产量及良品率预估功能，函数中间件的作用是仅将组合形成的数据结构统一转换为map结构数据。

步骤S3，基于map结构数据，并通过预设的计算函数预估出产品良品率。如图3所示，本发明预估产品良品率的方法具体包括如下步骤：

步骤S31，基于map结构数据计算不同日期下的产品良品率；比如1月份的电脑装配产量为6000台，合格产品为5900台，则1月份的产品良品率为5900/6000＝98.33％；2月份的装配产量为5000台，合格产品为4900台，则2月份的产品良品率为98％；3月份的装配产量为5500台，合格产品为5400台，则3月份的产品良品率为98.18％。

步骤S32，根据所计算的不同日期下的产品良品率，计算产品在对应历史时间段内的产品平均良品率。比如1月份、2月份和3月份的产品良品率分别为98.33％、98％和98.18％，若按平均计算法，则该工厂第一季度的产品平均良品率为(98.33％+98％+98.18％)/3＝98.17％。当然企业可根据具体的生产情况，采用加权平均算法计算第一季度的产品平均良品率，以降低后续产品良品率预估误差。

步骤S33，根据所计算的产品平均良品率和所获取的产量数据，预估出未来指定时间段内的产量。比如我们如果要预估4月份的产量，则产量预估方法可通过以下公式实现：

A/X＝98.17％

以上公式中，98.17％为步骤S32计算的第一季度的产品平均良品率，该历史产品平均良品率视为4月份的产品良品率。公式中，A表示所预测的4月份的合格产品数量，合格产品数据可根据以往每个员工装配电脑的合格率预测而得，比如根据历史产量数据得到一号员工的装配合格率为99％，二号员工的装配合格率为98％，三号员工的装配合格率为97％，若4月份仅一号、二号和三号员工全勤工作，其他员工均不工作，那么可以预测出4月份的合格产品的数量A为20台/日×30×99％+20台/日×30×98％+20台/日×30×97％＝1764台。那么根据以上公式可预估出4月的产量X＝1797台。

步骤S34，根据步骤S33预估出的产量和历史产量数据，预估出未来指定时间段内的产品良品率。这里还是以预估4月份电脑装配良品率为例，步骤S33预估出的4月份电脑装配产量为1797台，可通过以下公式预估出4月份的产品良品率M：

(20台/日×30×99％+20台/日×30×98％+20台/日×30×97％)/1797＝M

由以上公式可预估出4月份的产品良品率M＝98.16％。

如果要预估5月份、6月份及以后月份的良品率可通过上述的计算方法实现，经过多次计算，产品平均良品率的准确度将越来越高，由此而预估得到的产品良品率将更加准确。

需要说明的是，上述的产量预估方法和产品良品率预估方法仅作为其中一个计算方案，根据产量数据的不同还可以采用其他方法、公式预估产量和产品良品率。

为了将产品良品率预估结果直观显示给用户，本发明通过智能终端优选采用图表形式输出并显示给用户。当预估的产品良品率关联多个不同的未来日期时，关联不同日期的各产品良品率预估结果优选以折线图形式展示给用户。

本发明还提供了一种基于工业大数据的产品良品率预测系统，可实现上述的产品良品率预测方法，如图4所示，该系统包括：

数据获取模块1，用于获取工业大数据，并对所获取的工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；

数据结构转换模块2，连接数据获取模块1，用于通过一函数中间件将组合形成的数据结构转换为map结构数据；

良品率预估模块3，连接数据结构转换模块2，用于基于map结构数据，并通过预设的计算函数预估出产品良品率；

预估结果输出和展示模块4，连接良品率预估模块3，用于输出产品良品率预估结果并展示给用户。

具体地，如图5所示，数据获取模块1中具体包括：

工业大数据获取单元11，用于获取工业大数据；

数据筛选及过滤单元12，连接工业大数据获取单元11，用于按日期筛选出包含在工业大数据中的产量数据，并将工业大数据中不包含“产量”和“日期”这两个关键key的数据进行过滤；

数据合成单元13，连接数据筛选及过滤单元12，用于将经筛选保留的产量数据组合形成预设的数据结构。

具体的，如图6所示，良品率预估模块3中具体包括：

历史日期良品率计算单元31，用于基于map结构数据计算不同历史日期下的产品良品率；

产品平均良品率计算单元32，连接历史日期良品率计算单元31，用于根据所计算的不同历史日期下的产品良品率，计算产品在对应历史时间段内的产品平均良品率；

产量预估单元33，连接产品平均良品率计算单元32，用于根据所计算的产品平均良品率和所获取的产量数据，预估出未来一指定时间段内的产量；

良品率预估单元34，连接产量预估单元33，用于根据预估出的产量和历史产量数据，预估出所述未来指定时间段内的产品良品率。

关于历史产品良品率、历史产品平均良品率的计算方法以及产量和良品率预估方法在上述的产品良品率预测方法中作了具体阐述，在此不再赘述。

为了能够在系统运行出错时及时生成错误信息并提示报警，优选地，如图4所示，该系统还包括：

运行错误捕捉模块5，分别连接数据获取模块1、数据结构转换模块2、良品率预估模块3及预估结果输出和展示模块4，用于捕捉各模块的错误运行信息并输出；

错误运行信息处理模块6，连接运行错误捕捉模块5，用于根据所接收的错误运行信息分析各个模块运行错误的类型，并根据错误运行信息综合分析系统整体的运行错误类型，并根据错误类型生成相对应的错误报警提示信号并输出；

报警提示模块7，连接错误运行信息处理模块6，用于根据接收到的错误报警提示信号进行提示报警。

本发明在设计产品良品率预测系统过程中，考虑到系统中每个模块的可复用性，将系统中的所有模块都以热插拔的形式进行设计，使每个模块单独可抽离出来以处理工业大数据。

本发明可将该系统进行打包压缩，生成javascript压缩文件。当需要使用该系统时，如图8所示，首先将打包后的javascript压缩文件导入到项目中，然后根据数据处理需求调用该系统中的相应模块对工业大数据进行数据处理，比如进行产量预估或良品率预估。

本发明针对工业大数据领域预测产品良品率的应用需求，通过在前端应用中计算良品率，由前端获取数据并进行良品率预测，解决了服务端处理工业大数据耗时较长，用户体验较差的技术问题，大幅提高了良品率预测效率。另外本发明通过首先预估产量，然后结合历史产量数据预估出产品良品率，大幅提高了良品率预测准确度。

需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种基于工业大数据的产品良品率预测方法，其特征在于，包括：

步骤S1，通过前端应用获取工业大数据，并对所获取的所述工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；

步骤S2，所述前端应用通过一函数中间件将组合形成的所述数据结构转换为map结构数据；

步骤S3，所述前端应用基于所述map结构数据，并通过预设的计算函数预估出产品良品率；

步骤S4，所述前端应用输出产品良品率预估结果并展示给用户。

2.根据权利要求1所述的基于工业大数据的产品良品率预测方法，其特征在于，所述步骤S1具体包括如下步骤：

步骤S11，获取所述工业大数据；

步骤S12，按日期筛选出包含在所述工业大数据中的所述产量数据，并将所述工业大数据中不包含“产量”和“日期”这两个关键key的数据进行过滤；

步骤S13，将经筛选保留的所述产量数据组合形成预设的所述数据结构。

3.根据权利要求2所述的基于工业大数据的产品良品率预测方法，其特征在于，所述步骤S2中，key-value式的所述map结构数据以日期作为唯一key，以对应日期下的所述产量数据作为value。

4.根据权利要求1所述的基于工业大数据的产品良品率预测方法，其特征在于，所述步骤S3中，所述计算函数基于所述map结构数据预估产品良品率的方法包括如下步骤：

步骤S31，基于所述map结构数据计算不同日期下的产品良品率；

步骤S32，根据所计算的不同日期下的产品良品率，计算产品在对应历史时间段内的产品平均良品率；

步骤S33，根据所计算的所述产品平均良品率和所获取的所述产量数据，预估出未来指定时间段内的产量；

步骤S34，根据所述步骤S33预估出的产量及历史的所述产量数据，预估出所述未来指定时间段内的产品良品率。

5.根据权利要求1所述的基于工业大数据的产品良品率预测方法，其特征在于，关联不同日期的各所述产品良品率预估结果以折线图表形式展示给用户。

6.一种基于工业大数据的产品良品率预测系统，可实现如权利要求1-5任意一项所述的产品良品率预测方法，其特征在于，系统包括：

数据获取模块，用于获取工业大数据，并对所获取的所述工业大数据按类型进行筛选过滤后，将保留的产量数据组合形成预设的数据结构；

数据结构转换模块，连接所述数据获取模块，用于通过一函数中间件将组合形成的所述数据结构转换为map结构数据；

良品率预估模块，连接所述数据结构转换模块，用于基于所述map结构数据，并通过预设的计算函数预估出产品良品率；

预估结果输出和展示模块，连接所述良品率预估模块，用于输出产品良品率预估结果并展示给用户。

7.根据权利要求6所述的基于工业大数据的产品良品率预测系统，其特征在于，所述数据获取模块中具体包括：

工业大数据获取单元，用于获取所述工业大数据；

数据筛选及过滤单元，连接所述工业大数据获取单元，用于按日期筛选出包含在所述工业大数据中的所述产量数据，并将所述工业大数据中不包含“产量”和“日期”这两个关键key的数据进行过滤；

数据合成单元，连接所述数据筛选及过滤单元，用于将经筛选保留的所述产量数据组合形成预设的所述数据结构。

8.根据权利要求6所述的基于工业大数据的产品良品率预测系统，其特征在于，所述良品率预估模块中具体包括：

历史日期良品率计算单元，用于基于所述map结构数据计算不同历史日期下的产品良品率；

产品平均良品率计算单元，连接所述历史日期良品率计算单元，用于根据所计算的不同历史日期下的产品良品率，计算产品在对应历史时间段内的产品平均良品率；

产量预估单元，连接所述产品平均良品率计算单元，用于根据所计算的所述产品平均良品率和所获取的所述产量数据，预估出未来指定时间段内的产量；

良品率预估单元，连接所述产量预估单元，用于根据预估出的产量和历史产量数据，预估出所述未来指定时间段的产品良品率。

9.根据权利要求6所述的基于工业大数据的产品良品率预测系统，其特征在于，系统还包括：

运行错误捕捉模块，分别连接所述数据获取模块、所述数据结构转换模块、所述良品率预估模块及所述预估结果输出和展示模块，用于捕捉各模块的错误运行信息并输出；

错误运行信息处理模块，连接所述运行错误捕捉模块，用于根据所接收的所述错误运行信息分析各个模块运行错误的类型，并根据所述错误运行信息综合分析系统整体的运行错误类型，并根据错误类型生成相对应的错误报警提示信号并输出；

报警提示模块，连接所述错误运行信息处理模块，用于根据接收到的所述错误报警提示信号进行提示报警。

10.根据权利要求6-9任意一项所述基于工业大数据的产品良品率预测系统，其特征在于，所述系统可打包成javascript压缩文件保存。

Images