CN113378332B - 生产设备组分析方法、装置、电子设备及计算机可读存储介质 - Google Patents
生产设备组分析方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113378332B CN113378332B CN202110934305.XA CN202110934305A CN113378332B CN 113378332 B CN113378332 B CN 113378332B CN 202110934305 A CN202110934305 A CN 202110934305A CN 113378332 B CN113378332 B CN 113378332B
- Authority
- CN
- China
- Prior art keywords
- model
- path
- product
- analyzed
- product circulation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本申请提供一种生产设备组分析方法、装置、电子设备及计算机可读存储介质,属于数据处理技术的领域,方法包括:先获得与待分析批次产品对应的第一模型,第一模型包括多个子模型,且子模型表征有待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与待分析批次产品的质量之间的影响关系;再从多个子模型中获得目标子模型,接着针对每个目标子模型,根据每条影响关系的特征数据,计算产品流转路径的贡献度指标,根据贡献度指标,从各产品流转路径中得到可疑路径,从而根据分裂方向规则,对可疑路径进行还原,得到影响产品质量的生产设备组,实现从生产设备组的层面上来分析多设备对产品质量的影响。
Description
技术领域
本申请涉及数据处理技术的领域,尤其是涉及一种生产设备组分析方法、装置、电子设备及计算机可读存储介质。
背景技术
面板的制造生产过程通常包括薄膜晶体管(thin Film Transistor,TFT)面板生产、彩色滤光片(Color Filter,CF)生产、板对合(Cell)和模组等流程。具体的,面板制造流程一般为:先在玻璃(glass)基板上逐层叠加电路来实现控制单元的生产,并通过红绿蓝(RGB)单元实现色彩的控制,再将glass基板进行切割得到最终的Panel板,Panel板即为最终面向客户的手机、电视机等电子产品屏幕,最后通过模组段来对Panel板添加印制电路板(Printed Circuit Board,PCB)控制等相关部件,得到面板。
面板的每一个生产流程都涉及大量的复杂工艺,这些工艺大多由一系列串行或并行配置的设备进行完成。在实际生产中,面对大规模的生产设备,进行有效的设备管控与影响产品质量的定位分析较为困难。目前的面板生产中,通常通过经验与参数信息来定位可能导致产品异常的设备,这种方法严重依赖于历史经验,且无法分析多设备的综合影响。
发明内容
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
本申请的目的包括,提供一种生产设备组分析方法、装置、电子设备及计算机可读存储介质,能够解决难以分析多设备对面板质量的综合影响的问题。
第一方面,本申请提供一种生产设备组合分析方法、装置、电子设备及计算机可读存储介质,采用如下的技术方案:
一种生产设备组合分析方法,所述方法包括:
获得与待分析批次产品对应的第一模型,所述第一模型包括多个子模型;其中,所述子模型表征有所述待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系;
获得所述多个子模型中符合第一预设条件的目标子模型;
针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径;
针对每条所述可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组。
通过采用上述技术方案,先采用第一模型中的多个子模型表征生产设备组与待分析批次产品的质量之间的影响关系,且每个子模型将生产设备以产品流转路径的形式划分成多个设备组,即使用第一模型在数字上再现生产设备与待分析批次产品之间的关系,再从各个子模型中选择目标子模型,根据目标子模型中每条影响关系的特征数据计算每条产品流转路径对产品质量的贡献度指标,根据贡献度指标从各产品流转路径中得到可疑路径,最后将可疑路径进行还原,得到影响产品质量的生产设备组,从而能够从生产设备组的层面上来分析多设备对产品质量的影响。
在一种可能的实施方式中,所述根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径的步骤,包括:
将目标子模型的各所述产品流转路径的贡献度指标与第二预设条件进行对比,从该目标子模型的多条所述产品流转路径中选择贡献度指标满足第二预设条件的产品流转路径作为可疑路径。
通过采用上述技术方案,将贡献度指标与第二预设条件进行对比,以选择产品流转路径作为可疑路径,从而能够从多条产品流转路径中快速得到可疑路径。
在一种可能的实施方式中,所述影响关系的特征数据包括产品流转路径最后一台设备所流转的样本总数,产品流转路径最后一台设备的设备过片率,产品流转路径最后一台设备所流转的不良样本数,以及所述待分析批次产品的样本总数;
所述针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算出该目标子模型的每条所述影响关系的产品流转路径的贡献度指标的步骤,包括:
根据贡献度指标计算方法,计算出每条所述影响关系的产品流转路径的贡献度指标,所述贡献度指标计算方法包括:
通过采用上述技术方案,能够快速计算出各产品流转路径对待分析批次产品不良率的贡献度。
在一种可能的实施方式中,所述分裂方向规则包括流转至产品流转路径中后一级生产设备的产品需要先流转至前一级生产设备;
所述针对每条所述可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组的步骤,包括:
针对每条所述可疑路径,判断该条可疑路径上的各生产设备是否满足得到该可疑路径的目标子模型的分裂方向规则;
将该条可疑路径上不满足所述分裂方向规则的生产设备进行标识,以得到影响产品质量的生产设备组。
通过采用上述技术方案,能够快速确定可疑路径对应的生产设备组,以得到影响产品质量的生产设备组。
在一种可能的实施方式中,所述方法还包括构建所述第一模型的步骤,该步骤包括:
获得由待分析批次产品得到的多个训练集,多个所述训练集之间有交集,所述训练集包括所述待分析批次产品的履历信息和不良率;
根据所述多个训练集,采用随机森林,构建包括多个子模型的第一模型,所述子模型用于拟合履历信息与不良率之间的关系,所述子模型表征有所述待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系。
通过采用上述技术方案,采用随机森林来根据产品的履历信息将生产设备组划分成多条流转路径,该产品流转路径即为实际生产中,一条完整的产品生产流程,且由于待分析批次产品的不良率和每个产品的优劣均已知,因此,子模型拟合待分析批次产品的履历信息和不良率之间的关系;而采用随机森林构建多个子模型,能够在一定程度上爆炸子模型所挖掘出的履历信息和不良率之间的关系的准确性,同时能够兼顾鲁棒性。
在一种可能的实施方式中,所述履历信息包括待分析批次产品在各台生产设备上的流转关系,待分析批次产品的样本总数以及样本品质;
所述根据所述多个训练集,采用随机森林,构建包括多个子模型的第一模型的步骤,包括:
根据每个所述训练集,构建该训练集的履历信息和不良率之间关系的子模型,所述子模型包括多条产品流转路径,以及每条所述产品流转路径的样本信息;其中,所述产品流转路径根据履历信息中的流转关系得到,所述样本信息根据履历信息中的所述流转关系和所述样本品质得到,该子模型表征有构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系;
将根据每个所述训练集构建得到的子模型组合得到第一模型。
通过采用上述技术方案,能够快速拟合出表示履历信息和不良率之间关系的第一模型,从而有助于根据第一模型分析生产设备,得到影响产品质量的生产设备组。
在一种可能的实施方式中,所述方法还包括从多个所述子模型中选择符合第一预设条件的目标子模型的步骤,该步骤包括:
获得由待分析批次产品得到的多个测试集,每个所述测试集具有唯一关联的训练集,所述测试集包括待分析批次产品的履历信息和不良率;
针对每个所述测试集,对由该测试集关联的训练集训练得到的子模型进行测试,采用模型精确度衡量算法,对该子模型进行评估,得到该子模型的评估值;
将各所述子模型的评估值与第一预设条件进行对比,选择所述评估值满足第一预设条件的子模型作为目标子模型。
通过采用上述技术方案,每个子模型以与其训练集无数据重合的测试集进行测试,能够使测试结果更具客观性,从而能够更为准确的得到每个子模型的评估值。
在一种可能的实施方式中,所述方法还包括根据待分析批次产品的数据集,获得测试集和训练集的步骤,该步骤包括:
获得待分析批次产品的数据集,所述数据集包括履历信息和不良率;
多次对所述数据集进行有放回抽取,得到多个训练集;
针对每个所述训练集,将所述数据集减去该训练集,得到该训练集唯一关联的测试集。
通过采用上述技术方案,每一个子模型的训练集和测试集没有数据重合,而各子模型的训练集之间有数据交集,使得各子模型之间具有一定的相似性,提高各子模型的投标结果,从而能够减小模型偏差,并提高模型的泛化性。
第二方面,本申请提供一种生产设备组分析装置,采用如下的技术方案:
一种生产设备组分析装置,包括:
第一模型获取模块,用于获得与待分析批次产品对应的第一模型,所述第一模型包括多个子模型;其中,所述子模型表征有所述待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系;
目标子模型获取模块,用于获得所述多个子模型中符合第一预设条件的目标子模型;
可疑路径获取模块,用于针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径;
路径还原模块,用于针对每条所述可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组。
通过采用上述技术方案,第一模型获取模块先获取第一模型,第一模型中的多个子模型表征生产设备组与待分析批次产品的质量之间的影响关系,且每个子模型将生产设备以产品流转路径的形式划分成多个设备组,即使用第一模型在数字上再现生产设备与待分析批次产品之间的关系,目标子模型获取模块获取目标子模型,可疑路径获取模块根据目标子模型中每条影响关系的特征数据计算每条产品流转路径对产品质量的贡献度指标,根据贡献度指标从各产品流转路径中得到可疑路径,路径还原模块将可疑路径进行还原,得到影响产品质量的生产设备组,从而能够从生产设备组的层面上来分析多设备对产品质量的影响。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在的电子设备执行第一方面所述的方法。
本申请实施方式的有益效果包括,例如:
先采用第一模型中的多个子模型表征生产设备组与待分析批次产品的质量之间的影响关系,且每个子模型将生产设备以产品流转路径的形式划分成多个设备组,即使用第一模型在数字上再现生产设备与待分析批次产品之间的关系,再从各个子模型中选择目标子模型,根据目标子模型中每条影响关系的特征数据计算每条产品流转路径对产品质量的贡献度指标,根据贡献度指标从各产品流转路径中得到可疑路径,最后将可疑路径进行还原,得到影响产品质量的生产设备组,从而能够从生产设备组的层面上来分析多设备对产品质量的影响。
附图说明
为了更清楚地说明本公开的技术方案,下面将对实施方式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公开的某些实施方式,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为本申请实施方式提供的电子设备的结构框图。
图2为一种实施方式中生产设备组分析方法的流程示意图。
图3为一种实施方式中构建第一模型的步骤的流程示意图。
图4为另一种实施方式中构建第一模型的步骤的流程示意图。
图5为图4中步骤S000的子步骤的流程示意图。
图6为图3或图4中步骤S020的一种子步骤的流程示意图。
图7为一种实施方式中子模型的决策树的结构图。
图8为又一种实施方式中构建第一模型的步骤的流程示意图。
图9为图8中步骤S030的子步骤的流程示意图。
图10为图2步骤S400的子步骤的流程示意图。
图11为一种实施方式中生产设备组分析装置的结构框图。
附图标记说明:01-电子设备;02-处理器;03-存储器;04-第一模型获取模块;05-目标子模型获取模块;06-可疑路径获取模块;07-路径还原模块;08-第一模型构建模块。
具体实施方式
为使本申请实施方式的目的、技术方案和优点更加清楚,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部的实施方式。通常在此处附图中描述和示出的本申请实施方式的组件可以以各自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方式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方式。基于本申请中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下获得的所有其他实施方式,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
参照图1,为本申请实施方式提供的一种电子设备的方框结构示意图,该电子设备01可以包括但不限于存储器03和处理器02。
其中,处理器02和存储器03均位于电子设备01中却二者分离设置。然而,应当理解的是,存储器03可以替换成计算机可读存储介质,且存储器03和计算机可读存储介质都可以是独立于电子设备01之外,且可以由处理器02通过总线接口来访问。此外,存储器03可以集成到处理器02中,例如,可以是高速缓存和/或通用寄存器。
在本实施方式中,计算机可读存储介质和存储器03均可用于存储计算机程序,处理器02执行计算机程序时,能够实现本申请实施方式给出的生产设备组分析方法。
需要说明的是,图1所示的电子设备01的结构示意图,电子设备01还可以包括比图1中所示更多或更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。电子设备01可以是,但不限于计算机、手机、IPad、服务器、笔记本电脑、移动上网设备等。
在一种实施方式中,如图2所示,提供了一种生产设备组分析方法。本实施例主要以该方法应用于图1中的终端来举例说明。
步骤S100,获得与待分析批次产品对应的第一模型,第一模型包括多个子模型。
其中,子模型表征有待分析批次产品的多条产品流转路径,以及构成每条产品流转路径的生产设备组与待分析批次产品的质量之间的影响关系。
步骤S200,获得多个子模型中符合第一预设条件的目标子模型。
步骤S300,针对每个目标子模型,根据每条影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各产品流转路径的贡献度指标,从各产品流转路径中得到可疑路径。
步骤S400,针对每条可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组。
具体地,终端从通信连接的服务器中获取与待分析批次产品对应的第一模型,并从第一模型的多个子模型中选择第一符合预设条件的目标子模型。接着,终端针对每个目标子模型,根据目标子模型的每条影响关系的特征数据,计算每条影响关系的产品流转路径的贡献度指标,并根据贡献度指标从各产品流转路径中得到可疑路径。最后,终端针对每条可疑路径,进行路径还原,得到影响产品质量的生产设备组。
上述生产设备组分析方法中,先采用第一模型中的多个子模型表征生产设备组与待分析批次产品的质量之间的影响关系,且每个子模型将生产设备以产品流转路径的形式划分成多个设备组,即使用第一模型在数字上再现生产设备与待分析批次产品之间的关系,再从各个子模型中选择目标子模型,根据目标子模型中每条影响关系的特征数据计算每条产品流转路径对产品质量的贡献度指标,根据贡献度指标从各产品流转路径中得到可疑路径,最后将可疑路径进行还原,得到影响产品质量的生产设备组,从而能够从生产设备组的层面上来分析多设备对产品质量的影响。
在一种实施方式中,针对上述步骤S100中的第一模型,如图3所示,提供了构建第一模型的步骤,该步骤包括:
步骤S010,获得由待分析批次产品得到的多个训练集,多个训练集之间有交集。
其中,训练集包括待分析批次产品的履历信息和不良率。
步骤S020,根据多个训练集,采用随机森林,构建包括多个子模型的第一模型。
其中,子模型用于拟合履历信息与不良率之间的关系,子模型表征有待分析批次产品的多条产品流转路径,以及构成每条产品流转路径的生产设备组与待分析批次产品的质量之间的影响关系。
上述构建第一模型的方法中,采用随机森林来根据产品的履历信息将生产设备组划分成多条流转路径,该产品流转路径即为实际生产中,一条完整的产品生产流程,且由于待分析批次产品的不良率和每个产品的优劣均已知,因此,子模型拟合待分析批次产品的履历信息和不良率之间的关系;而采用随机森林构建多个子模型,能够在一定程度上爆炸子模型所挖掘出的履历信息和不良率之间的关系的准确性,同时能够兼顾鲁棒性。
需要说明的是,随机森林是机器学习算法中的集成学习算法中的一种,指的是利用多棵树对样本进行训练并预测的一种分类器,其中,多棵树即为多个决策树。在本实施方式中,一个子模型即为一棵树,子模型的产品流转路径即为树分支,子模型以生产设备为叶节点。
在上述构建第一模型的步骤的实施方式的基础上,在一种实施方式中,如图4所示,构建第一模型的步骤中,在步骤S010之前,还包括步骤S000。
步骤S000,根据待分析批次产品的数据集,获得测试集和训练集。
进一步的,在一种实施方式中,如图5所示,为步骤S000的子步骤的流程示意图,包括:
步骤S001,获得待分析批次产品的数据集。
其中,数据集包括履历信息和不良率。
步骤S002,多次对数据集进行有放回抽取,得到多个训练集。
步骤S003,针对每个训练集,将数据集减去该训练集,得到该训练集唯一关联的测试集。
采用上述获取测试集和训练集的方法,对于每一个子模型,其训练集和测试集没有数据重合,而对于各子模型而言,其训练集之间有数据交集,使得各子模型之间具有一定的相似性,提高各子模型的投标结果,从而能够减小模型偏差,并提高模型的泛化性。
进一步的,履历信息包括待分析批次产品在各台生产设备上的流转关系,待分析批次产品的样本总数以及样本品质。在此基础上,在一种实施方式中,如图6所示,上述步骤S020的子步骤包括;
步骤S021,根据每个训练集,构建该训练集的履历信息和不良率之间关系的子模型,子模型包括多条产品流转路径,以及每条产品流转路径的样本信息。
其中,产品流转路径根据履历信息中的流转关系得到,样本信息根据履历信息中的流转关系和样本品质得到,该子模型表征有构成每条产品流转路径的生产设备组与待分析批次产品的质量之间的影响关系。
步骤S022,将根据每个训练集构建得到的子模型组合得到第一模型。
在上述实施方式中,一个子模型为根据训练集中的履历信息训练得到的一棵树,子模型的产品流转路径即为树分支,子模型以生产设备为叶节点,且树的起始节点表示产品生产过程中要经过的第一级设备,接着起始节点的叶子节点为产品要经过的第二级设备,直至分裂到最后一级设备。其中,对于子模型而言,节点的分裂方向规则包括流转至产品流转路径中后一级生产设备的产品需要先流转至前一级生产设备,需要说明的是,“后一级生产设备”指的是子模型的叶子节点,“前一级生产设备”指的是叶子节点的父节点。
例如,如图7所示,某个子模型包括e1、e2、e3、e4、e5、e6、e7、e8、e9、e10、e11、e12、e13、e14和e15共15个节点,e1为起始节点,e2和e3为第二级节点,e4、e5、e6和e7为第三级节点,e8、e9、e10、e11、e12、e13、e14和e15为第三级节点。对于节点e1而言,e2是它的左节点,e3是它的右节点,同时对于节点e2和e3而言,节点e1为父节点。若产品为A,若A经过节点e1表示的生产设备,则A将从e1流向e2。反之,若A不经过节点e1表示的生产设备,则A将流向e3,此时,也意味着A先经过与e1表示的生产设备同级的另一台设备之后,再流向e3表示的生产设备。
应当理解的是,履历信息可以包括矩阵式的表格,表格的横向数据为各生产设备,表格的纵向数据表示各个产品。若产品经过某个设备则对应位置用0表示,否则用1表示,从而产品的流转关系则以一串由“0”和“1”组成的数字进行表示。
进一步的,在上述构建第一模型的步骤的实施方式的基础上,在一种实施方式中,如图8所示,还包括步骤S030。
步骤S030,从多个子模型中选择符合第一预设条件的目标子模型。
在一种实施方式中,如图9所示,为步骤S030的子步骤的流程示意图,包括:
步骤S031,获得由待分析批次产品得到的多个测试集,每个测试集具有唯一关联的训练集。
其中,测试集包括待分析批次产品的履历信息和不良率
步骤S032,针对每个测试集,对由该测试集关联的训练集训练得到的子模型进行测试,采用模型精确度衡量算法,对该子模型进行评估,得到该子模型的评估值。
步骤S033,将各子模型的评估值与第一预设条件进行对比,选择评估值满足第一预设条件的子模型作为目标子模型。
采用上述方法,每个子模型以与其训练集无数据重合的测试集进行测试,能够使测试结果更具客观性,从而能够更为准确的得到每个子模型的评估值。
针对步骤S032,具体地,以测试集中的履历信息作为子模型的输入,子模型输入预测的不良率,根据预测不良率与测试集中的不良率,采用模型精确度衡量算法计算出评估值。
其中,可选的,模型精确度衡量算法可以是,但不限于F1 score 、Precision(准确率)和Recall(召回率)。优选的,本实施方式中,选用F1 score对子模型进行评估。
在一种实施方式中,影响关系的特征数据包括产品流转路径最后一台设备所流转的样本总数,产品流转路径最后一台设备的设备过片率,产品流转路径最后一台设备所流转的不良样本数,以及待分析批次产品的样本总数。在此基础上,上述步骤S300中“针对每个目标子模型,根据每条影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标”的一种实施方式为:
根据贡献度指标计算方法,计算出每条影响关系的产品流转路径的贡献度指标,贡献度指标计算方法包括:
需要说明的是,设备过片率指的是经过该台生产设备的产品总量与待分析批次产品的样本总数之间的比率。
应当理解的是,idx的值实质上表示的是产品流转路径所经过的不良产品数量与待分析批次产品的样本总数之间的关系。因此,进一步的,idx的值可理解为:表示的是产品流转路径对待分析批次产品不良率的贡献度。
同采用上述方法,能够快速计算出各产品流转路径对待分析批次产品不良率的贡献度。
在上述基础上,步骤S300中“根据各产品流转路径的贡献度指标,从各产品流转路径中得到可疑路径”的一种实施方式为:
将目标子模型的各产品流转路径的贡献度指标与第二预设条件进行对比,从该目标子模型的多条产品流转路径中选择贡献度指标满足第二预设条件的产品流转路径作为可疑路径。
其中,第二预设条件为预设的贡献度指标阈值。
在一种实施方式中,分裂方向规则包括流转至产品流转路径中后一级生产设备的产品需要先流转至前一级生产设备,其中,“后一级生产设备”指的是子模型的叶子节点,“前一级生产设备”指的是叶子节点的父节点。在此基础上,如图10所示,提供了上述步骤S400的子步骤,包括:
步骤S401,针对每条可疑路径,判断该条可疑路径上的各生产设备是否满足得到该可疑路径的目标子模型的分裂方向规则。
步骤S402,将该条可疑路径上不满足分裂方向规则的生产设备进行标识,以得到影响产品质量的生产设备组。
进行标识意味着,该生产设备需要用其他同级生产设备来替代,同级生产设备为进行相同生产工艺的生产设备。
具体地,如图7所示,带有阴影的节点组成的路径为可疑路径,即e1-e2-e4-e9。其中,节点e9为节点e4的右节点,此时,说明流过节点e9的产品未经过节点e4,而是流经与节点e4所表示的生产设备具有相同工艺的生产设备。因此,将节点e4进行标识,以对可疑路径还原,标识后的生产设备组为e1-e2-04-e9,O4表示与节点e4所表示的生产设备具有相同工艺的生产设备。
采用上述方法,能够快速确定可疑路径对应的生产设备组,以得到影响产品质量的生产设备组。
需要说明的是,上述构架第一模型的步骤即步骤S010-步骤S020及其相关子步骤可以单独应用于服务器中,其中,服务器可以由独立的服务器或者是多个服务器组成的服务器集群来实现。而步骤S100-步骤S400及其相关子步骤可以应用于终端中,该终端与服务器通信连接。其中,终端可以但不限于是各种个人计算机、笔记本电脑和平板电脑。
上述提供的生产设备组分析方法的一种实际应用场景,包括显示面板的生产设备组对面板质量的影响分析中,此时,待分析批次产品即为待分析批次面板。采用上述生产设备组分析方法,能够快速分析出对面板质量产生影响的生产设备组,即能够从生产设备组的层面上来分析多设备对面板质量的影响,从而有助于对生产设备进行有针对性的排查维修。
应该理解的是,虽然图2-图10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一种实施方式中,如图11所示,提供了一种生产设备组分析装置,包括:第一模型获取模块04、目标子模型获取模块05、可疑路径获取模块06和路径还原模块07。
第一模型获取模块04,用于获得与待分析批次产品对应的第一模型,第一模型包括多个子模型。
其中,子模型表征有待分析批次产品的多条产品流转路径,以及构成每条产品流转路径的生产设备组与待分析批次产品的质量之间的影响关系。
目标子模型获取模块05,用于获得多个子模型中符合第一预设条件的目标子模型。
可疑路径获取模块06,用于针对每个目标子模型,根据每条影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各产品流转路径的贡献度指标,从各产品流转路径中得到可疑路径。
路径还原模块07,用于针对每条可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组。
进一步的,生产设备组分析装置还包括第一模型构建模块08。
第一模型构建模块08,用于构建第一模型。
进一步的,第一模型构建模块08包括训练集获取单元和模型构建单元。
训练集获取模块,用于获得由待分析批次产品得到的多个训练集,多个训练集之间有交集。
其中,训练集包括待分析批次产品的履历信息和不良率。
模型构建单元,用于根据多个训练集,采用随机森林,构建包括多个子模型的第一模型。
其中,子模型用于拟合履历信息与不良率之间的关系,子模型表征有待分析批次产品的多条产品流转路径,以及构成每条产品流转路径的生产设备组与待分析批次产品的质量之间的影响关系。
关于生产设备组分析装置的具体限定可以参见上文中对于生产设备组分析方法的限定,在此不再赘述。上述生产设备组分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器02中,也可以以软件形式存储于计算机设备中的存储器03中,以便于处理器02调用执行以上各个模块对应的操作。
在本公开所提供的几个实施方式中,应该理解到,所揭露的装置、系统图和方法,也可以通过其它的方式实现。以上所描述的装置、系统和方法实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本公开的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本公开各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开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,电子设备01,或者网络设备等)执行本公开各个实施方式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03(ROM,Read-Only Memory)、随机存取存储器03(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本公开的可选实施方式而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种生产设备组分析方法,其特征在于,所述方法包括:
获得与待分析批次产品对应的第一模型,所述第一模型包括多个子模型;其中,所述子模型表征有所述待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系;
获得所述多个子模型中符合第一预设条件的目标子模型;
针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径;
针对每条所述可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组;
所述影响关系的特征数据包括产品流转路径最后一台设备所流转的样本总数,产品流转路径最后一台设备的设备过片率,产品流转路径最后一台设备所流转的不良样本数,以及所述待分析批次产品的样本总数;
所述针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算出该目标子模型的每条所述影响关系的产品流转路径的贡献度指标的步骤,包括:
根据贡献度指标计算方法,计算出每条所述影响关系的产品流转路径的贡献度指标,所述贡献度指标计算方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径的步骤,包括:
将目标子模型的各所述产品流转路径的贡献度指标与第二预设条件进行对比,从该目标子模型的多条所述产品流转路径中选择贡献度指标满足第二预设条件的产品流转路径作为可疑路径。
3.根据权利要求1或2所述的方法,其特征在于,所述分裂方向规则包括流转至产品流转路径中后一级生产设备的产品需要先流转至前一级生产设备;
所述针对每条所述可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组的步骤,包括:
针对每条所述可疑路径,判断该条可疑路径上的各生产设备是否满足得到该可疑路径的目标子模型的分裂方向规则;
将该条可疑路径上不满足所述分裂方向规则的生产设备进行标识,以得到影响产品质量的生产设备组。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括构建所述第一模型的步骤,该步骤包括:
获得由待分析批次产品得到的多个训练集,多个所述训练集之间有交集,所述训练集包括所述待分析批次产品的履历信息和不良率;
根据所述多个训练集,采用随机森林,构建包括多个子模型的第一模型,所述子模型用于拟合履历信息与不良率之间的关系,所述子模型表征有所述待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系。
5.根据权利要求4所述的方法,其特征在于,所述履历信息包括待分析批次产品在各台生产设备上的流转关系,待分析批次产品的样本总数以及样本品质;
所述根据所述多个训练集,采用随机森林,构建包括多个子模型的第一模型的步骤,包括:
根据每个所述训练集,构建该训练集的履历信息和不良率之间关系的子模型,所述子模型包括多条产品流转路径,以及每条所述产品流转路径的样本信息;其中,所述产品流转路径根据履历信息中的流转关系得到,所述样本信息根据履历信息中的所述流转关系和所述样本品质得到,该子模型表征有构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系;
将根据每个所述训练集构建得到的子模型组合得到第一模型。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括从多个所述子模型中选择符合第一预设条件的目标子模型的步骤,该步骤包括:
获得由待分析批次产品得到的多个测试集,每个所述测试集具有唯一关联的训练集,所述测试集包括待分析批次产品的履历信息和不良率;
针对每个所述测试集,对由该测试集关联的训练集训练得到的子模型进行测试,采用模型精确度衡量算法,对该子模型进行评估,得到该子模型的评估值;
将各所述子模型的评估值与第一预设条件进行对比,选择所述评估值满足第一预设条件的子模型作为目标子模型。
7.根据权利要求4至6任一项所述的方法,其特征在于,所述方法还包括根据待分析批次产品的数据集,获得测试集和训练集的步骤,该步骤包括:
获得待分析批次产品的数据集,所述数据集包括履历信息和不良率;
多次对所述数据集进行有放回抽取,得到多个训练集;
针对每个所述训练集,将所述数据集减去该训练集,得到该训练集唯一关联的测试集。
8.一种生产设备组分析装置,其特征在于,包括:
第一模型获取模块,用于获得与待分析批次产品对应的第一模型,所述第一模型包括多个子模型;其中,所述子模型表征有所述待分析批次产品的多条产品流转路径,以及构成每条所述产品流转路径的生产设备组与所述待分析批次产品的质量之间的影响关系;
目标子模型获取模块,用于获得所述多个子模型中符合第一预设条件的目标子模型;
可疑路径获取模块,用于针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径;
路径还原模块,用于针对每条所述可疑路径,根据得到该可疑路径的目标子模型的分裂方向规则,进行路径还原,得到影响产品质量的生产设备组;
所述影响关系的特征数据包括产品流转路径最后一台设备所流转的样本总数,产品流转路径最后一台设备的设备过片率,产品流转路径最后一台设备所流转的不良样本数,以及所述待分析批次产品的样本总数;
所述可疑路径获取模块通过以下步骤,用于针对每个所述目标子模型,根据每条所述影响关系的特征数据,计算该目标子模型的每条影响关系的产品流转路径的贡献度指标,根据各所述产品流转路径的贡献度指标,从各所述产品流转路径中得到可疑路径:
根据贡献度指标计算方法,计算出每条所述影响关系的产品流转路径的贡献度指标,所述贡献度指标计算方法包括:
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一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包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在的电子设备执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934305.XA CN113378332B (zh) | 2021-08-16 | 2021-08-16 | 生产设备组分析方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934305.XA CN113378332B (zh) | 2021-08-16 | 2021-08-16 | 生产设备组分析方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378332A CN113378332A (zh) | 2021-09-10 |
CN113378332B true CN113378332B (zh) | 2021-11-02 |
Family
ID=77577211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934305.XA Active CN113378332B (zh) | 2021-08-16 | 2021-08-16 | 生产设备组分析方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378332B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822384B (zh) * | 2021-11-23 | 2022-05-06 | 深圳市裕展精密科技有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110689350A (zh) * | 2019-09-30 | 2020-01-14 | 肖光昱 | 电子平台供应链金融流转方法、系统、终端设备及介质 |
CN111652740A (zh) * | 2020-04-27 | 2020-09-11 | 平安医疗健康管理股份有限公司 | 线上行为的监控方法及装置、计算机设备、存储介质 |
KR102157986B1 (ko) * | 2020-04-10 | 2020-09-18 | 이제우 | 화장품의 보존력이 우수한 화장품 튜브 |
CN111899793A (zh) * | 2020-06-12 | 2020-11-06 | 中国石油天然气股份有限公司 | 一种分子级装置的实时优化方法、装置、系统及存储介质 |
CN111988395A (zh) * | 2020-08-18 | 2020-11-24 | 深圳信息职业技术学院 | 一种服务功能链构建系统及方法 |
CN112149013A (zh) * | 2020-10-17 | 2020-12-29 | 北京年发纺织科技有限公司 | 一种产品溯源的方法 |
CN112288292A (zh) * | 2020-11-03 | 2021-01-29 | 广州云徙科技有限公司 | 一种社会化分销网络的会员分销能力评估系统及其方法 |
CN112434302A (zh) * | 2020-11-26 | 2021-03-02 | 国家工业信息安全发展研究中心 | 一种多任务协作漏洞平台及其构建方法、服务方法 |
CN112488581A (zh) * | 2020-12-18 | 2021-03-12 | 长沙智能制造研究总院有限公司 | 一种智能制造能力成熟度评估模型 |
CN112559594A (zh) * | 2020-12-15 | 2021-03-26 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612903A (zh) * | 2020-12-24 | 2021-04-06 | 浙江大学 | 一种可解释的可生成规则的知识图谱嵌入表示学习方法 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
-
2021
- 2021-08-16 CN CN202110934305.XA patent/CN113378332B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110689350A (zh) * | 2019-09-30 | 2020-01-14 | 肖光昱 | 电子平台供应链金融流转方法、系统、终端设备及介质 |
KR102157986B1 (ko) * | 2020-04-10 | 2020-09-18 | 이제우 | 화장품의 보존력이 우수한 화장품 튜브 |
CN111652740A (zh) * | 2020-04-27 | 2020-09-11 | 平安医疗健康管理股份有限公司 | 线上行为的监控方法及装置、计算机设备、存储介质 |
CN111899793A (zh) * | 2020-06-12 | 2020-11-06 | 中国石油天然气股份有限公司 | 一种分子级装置的实时优化方法、装置、系统及存储介质 |
CN111988395A (zh) * | 2020-08-18 | 2020-11-24 | 深圳信息职业技术学院 | 一种服务功能链构建系统及方法 |
CN112149013A (zh) * | 2020-10-17 | 2020-12-29 | 北京年发纺织科技有限公司 | 一种产品溯源的方法 |
CN112288292A (zh) * | 2020-11-03 | 2021-01-29 | 广州云徙科技有限公司 | 一种社会化分销网络的会员分销能力评估系统及其方法 |
CN112434302A (zh) * | 2020-11-26 | 2021-03-02 | 国家工业信息安全发展研究中心 | 一种多任务协作漏洞平台及其构建方法、服务方法 |
CN112559594A (zh) * | 2020-12-15 | 2021-03-26 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
CN112488581A (zh) * | 2020-12-18 | 2021-03-12 | 长沙智能制造研究总院有限公司 | 一种智能制造能力成熟度评估模型 |
Non-Patent Citations (1)
Title |
---|
基于VPSs的制造系统模式及其应用研究;何俊明;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20071015(第04期);C029-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378332A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
CN107193876B (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
EP3413221A1 (en) | Risk assessment method and system | |
CN113688042A (zh) | 测试场景的确定方法、装置、电子设备及可读存储介质 | |
CN111582538A (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN113378332B (zh) | 生产设备组分析方法、装置、电子设备及计算机可读存储介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN110717509A (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN115391561A (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
CN111177500A (zh) | 数据对象分类方法、装置、计算机设备和存储介质 | |
CN112966754B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
CN117235606A (zh) | 特种不锈钢的生产质量管理方法及系统 | |
CN111651500A (zh) | 用户身份识别方法、电子设备及存储介质 | |
CN114139636B (zh) | 异常作业处理方法及装置 | |
CN110796381A (zh) | 建模数据评价指标的处理方法、装置、终端设备及介质 | |
CN116305103A (zh) | 一种基于置信度差异的神经网络模型后门检测方法 | |
CN113850523A (zh) | 基于数据补全的esg指数确定方法及相关产品 | |
Khezrimotlagh | How to detect outliers in data envelopment analysis by Kourosh and Arash method | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN114037518A (zh) | 风险预测模型的构建方法、装置、电子设备和存储介质 | |
CN113239031A (zh) | 一种大数据去噪处理方法 | |
CN112967134B (zh) | 网络训练方法、风险用户识别方法、装置、设备及介质 | |
Assunção et al. | Is the convergence of the manufacturing sector unconditional? | |
CN115600112B (zh) | 获取行为预测模型训练集的方法、装置、设备及介质 |
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 |