CN113435699A - 一种质量智能管控方法及系统 - Google Patents
一种质量智能管控方法及系统 Download PDFInfo
- Publication number
- CN113435699A CN113435699A CN202110564309.3A CN202110564309A CN113435699A CN 113435699 A CN113435699 A CN 113435699A CN 202110564309 A CN202110564309 A CN 202110564309A CN 113435699 A CN113435699 A CN 113435699A
- Authority
- CN
- China
- Prior art keywords
- production
- qualified
- product
- deep learning
- parameter 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.)
- Pending
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 78
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 238000007670 refining Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 50
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种质量智能管控方法及系统。该方法包括:采集与生产线零配件相关的生产参数数据;将所述生产参数数据输入至深度学习模型,预测输出现场生产的产品是否合格,对于合格的产品,给出合格分数,进一步细化产品质量,对于不合格产品给出矫正建议并传送给执行单元执行,执行单元将矫正后的产品进行实际检测,并将结果传送给服务器,以强化或改进服务器的调整策略。其中所述深度学习模型以设定的损失函数为目标经训练获得,每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系。本发明可应用于实际生产,对生产结果进行预测和指导,使质量管控系统一体化和智能化,解决了人力所不能解决的问题。
Description
技术领域
本发明涉及智能制造技术领域,更具体地,涉及一种质量智能管控方法及系统。
背景技术
质量管控是生产过程中的一个重要环节,直接关系到生产厂家的存亡。对于零配件或简单的产品,合格与否靠现场检测即可,但对于组装件或复杂的产品,情况会复杂得多。每个零件都合格,组装的参数也符合要求,但最终实测产品功能却不合格的情况也时有发生。例如,对于空气压缩机生产,它由很多个零件和上百道工序加工装配而成,由于采用的是标准化生产,每个零件都有质检,如果某项参数超出阈值,机器可以自动报警和筛选。但由于每个零件每项参数的合格指标都是一个范围,即使很小,但在种类增多以后,会产生累积误差,造成装配困难,所以装配环节的合格参数一般范围都比较大,这也使得累积误差可能进一步加大,在最终的空气压缩机出荷测试时,导致产品不合格。
现行的工厂包括智能工厂等,主要任务还是在零件的检测上,对于装配件特别是最终产品的质控办法主要是在最终测试后,如果有问题就调整装配参数或者拆解重新更换零配件,且工人往往不知道修哪里,只能靠经验不断试错来解决,无形中增加了成本。
总之,产品质量是由生产过程中的各种参数决定的,对于某项参数超出阈值的情况,可以很容易的预警和筛选,但对于各项生产参数都合格最终产品却不合格情况也经常发生,针对此种情况,目前的检测和管控手段无法解决,导致实际生产中的问题只能靠试错来解决,浪费大量的人力和物力。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种质量智能管控方法及系统。
根据本发明的第一方面,提供一种质量智能管控方法。该方法包括以下步骤:
采集与生产线零配件相关的生产参数数据;
将所述生产参数数据输入至深度学习模型,预测输出现场生产的产品是否合格并提供对不合格产品的修正建议,其中所述深度学习模型以设定的损失函数为目标经训练获得,每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系。
根据本发明的第二方面,提供一种质量智能管控系统。该系统包括:
数据采集单元:用于采集与生产线零配件相关的生产参数数据;
AI模型训练单元:用于以设定的损失函数为目标训练深度学习模型,其中,每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系;
AI服务器:其设有经训练的深度学习模型,通过将接收的所述生产线零配件相关的生产参数数据输入该深度学习模型,预测输出现场生产的产品是否合格并提供对不合格产品的修正建议;
执行单元:用于接收对于不合格产品的矫正建议并执行矫正后的产品的实际检测,且将检测结果传送给AI服务器,以强化或改进AI服务器的调整策略。
与现有技术相比,本发明的优点在于,通过搭建深度学习模型对所有相关的生产参数进行采集和训练,利用神经网络的学习和预测能力,寻找相关生产参数这一大数据与产品最终合格与否的关系,生产现场可利用的AI模型,在产品实测之前预测出产品合格与否,对于不合格产品,在结果中给出修改方案,传送给执行单元执行,执行单元将矫正后的产品进行实际检测,并把结果传送给服务器,以强化或改进服务器的调整策略,从而提升质控能力,提高返修效率并节省生产成本。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的质量智能管控的应用过程示意图;
图2是根据本发明一个实施例的质量智能管控方法的流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
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讨论。
结合图1所示,本发明所提供的质量智能管控技术方案的应用过程包括七部分,分别为:生产线,传感器,现场数据,AI模型(或称深度学习模型),AI服务器(或称深度学习服务器),历史数据、调整方案、执行单元以及结果。AI服务器首先利用历史数据训练生成AI模型,然后利用此模型与生产现场对接,对现场正在生产的产品进行合格与否的预测。生产现场的数据通过传感器获得并传给AI服务器内部的AI模型,当预测结果为合格时,直接给出合格的结果即停止本次预测,当预测结果为不合格时,AI服务器会启动内部的模拟程序,根据历史数据的经验值来不断修改刚刚的实际数据,并重新输入到AI模型进行预测,直到得到若干组可以使产品合格的数据为止,模拟成功后,可进一步将可行的修改方案输出到调整方案中供执行单元使用,获得的成功的模拟数据将作为推荐方案出现在结果中,以指导现场对不合格产品进行修正。
具体地,参见图2所示,所提供的质量智能管控方法包括以下步骤。
步骤S210,利用历史数据构建训练集,训练深度学习模型,其中每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系。
在本文中,生产线生产零件包括生产产品相关的零件、部件或装配零件等,这些零配件相关的生产参数值可采用多种类型的传感器采集。例如传感器包括但不限于激光测距传感器、角度传感器和压力传感器等。
利用历史数据构建的训练集包含多条训练样本,每条样本数据反映产品相关生产参数与是否合格之间的对应关系。
例如,与产品出荷合格与否的相关生产参数包括偏心间距x1、转子压入角度x2、壳体热套角度x3、定转子高度差x4、绝缘电阻x5、耐电压x6等。每次采集的数据保存为6*1的数组,针对其中一条生产线进行改造升级。在一个实施例中,采用标定好的历史数据3万组,其格式参见下表1,输入维度为30000*1*6。将历史数据划分为30%为测试数据,70%为训练数据。
表1:数据集示例
在利用历史数据训练深度学习模型过程中,以产品的相关生产参数为输入,以是否合格为输出进行训练,获得满足设定损失目标的优化模型,即确定深度学习模型的权重、偏置等优化参数。训练完成后,可进一步采用测试数据验证模型的预测准确度。
在本文中,深度学习模型可采用多种类型的网络架构,例如卷积神经网络、递归神经网络等。损失函数可采用交叉熵损失函数、指数损失函数等。
训练过程中,通过复杂的卷积计算将历史数据训练生成能够正确反应生产数据和产品合格与否的结果关系的深度学习模型。此外,需说明的是,深度学习模型的训练过程可采用在线或离线模式进行,例如,在服务器或云端离线训练,存储经训练的深度学习模型以备后续现场使用。
步骤S220,实时采集与生产线零配件相关的生产参数数据,利用经训练的深度学习模型预测产品是否合格并提供对不合格产品的修正建议。
在实际应用时,可实时采集生产线零配件相关的生产参数值,并将参数值转化为现场数据,输入经训练的深度学习模型,输出产品是否合格结果。数据采集过程与训练数据采集过程类似,在此不再赘述。
步骤S230,对于合格的给出合格分数,进一步细化产品质量。
步骤S240,对于不合格的,对现有数据进行微调,并重新输入到深度学习模型中进行模拟,直到判定结果合格为止。
优选地,对于不合格产品,可进一步给出修正建议,即需要在哪些环节改进加工参数。例如,对于不合格产品,则根据历史数据模拟修改生产参数,并输入到深度学习模型进行计算,直到得到合格的结果为止,将此时修改的参数以及修改前后的差值作为修改建议或称调整建议。
步骤S250,将调整建议包括需要调整的工序和调整值传送给执行单元执行调整方案。
步骤S260,执行单元将调整后的产品进行实际检测,并将结果传送给服务器,以强化或改进服务器的调整策略。
在一个实施例中,生成的报表参见下表2,其中x1-x6为输入数据,score和result为深度学习模型输出的处理结果。“result”为产品的判定结果,1代表合格,0代表不合格。报告中不但有合格与否的判断,还有该产品合格的打分“score”。分数越高,代表产品质量越好。
表2:生成报表示例
相应地,本发明还提供一种质量智能管控系统,用于实现上述方法的一个方面或多个方面。例如,该系统包括:数据采集单元,其用于采集与生产线零配件相关的生产参数数据;AI模型训练单元,其用于以设定的损失函数为目标训练深度学习模型,其中,每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系;AI服务器:其内部设有经训练的深度学习模型,通过将接收的生产线零配件相关的生产参数数据输入该深度学习模型,预测输出现场生产的产品是否合格,对于合格的给出合格分数,进一步细化产品质量,为下一步提高产品质量做好铺垫,对于不合格的,通过调用合格产品的历史数据,以相似度高的若干组数据作为参考,对现有数据进行微调,并将微调结果重新输入到Deep learning模型中进行模拟,直到判定结果合格为止,此时服务器会将调整建议包括需要调整的工序和调整值传送给执行单元执行调整方案,执行单元将调整后的产品进行实际检测,并把结果传送给服务器,以强化或改进服务器的调整策略。
利用本发明提供的系统,一旦有现场生产数据输入,就能立刻预测出该批零配件组成的产品是否合格。AI服务器将收到的现场数据放入内部的深度学习模型并计算出结果,如果合格就结束本次预测,如果不合格,则根据历史数据模拟修改生产参数,并输入到深度学习模型进行计算,直到得到合格的结果为止,模拟成功后,会将可行的修改方案输出到调整方案中供执行单元使用,执行单元将矫正后的产品进行实际检测,并把结果传送给服务器,以强化或改进服务器的调整策略,本系统能大大提升生产线的质控能力,提高生产效率并节省生产成本。
综上所述,本发明将人工智能引入到生产现场,通过深度学习算法将原来一盘散沙的质检大数据融合在一起,生成包含这些数据和产品合格与否的结果关系的AI模型,并在实际的生产系统运用此模型,对生产结果进行预测和指导,使质量管控系统一体化和智能化,解决人力所不能解决的问题。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,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。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种质量智能管控方法,包括以下步骤:
采集与生产线零配件相关的生产参数数据;
将所述生产参数数据输入至深度学习模型,预测输出现场生产的产品是否合格并提供对不合格产品的修正建议,其中所述深度学习模型以设定的损失函数为目标经训练获得,每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系。
2.根据权利要求1所述的质量智能管控方法,其特征在于,利用传感器采集所述生产线零配件相关的生产参数数据,所述传感器包括激光测距传感器、角度传感器或压力传感器。
3.根据权利要求1所述的质量智能管控方法,其特征在于,所述生产线零配件相关的生产参数数据包括生产加工工序参数、组成产品的零件加工参数、产品相关的配件加工参数。
4.根据权利要求1所述的质量智能管控方法,其特征在于,所述对不合格产品的修正建议用于指示待改进的生产环节以及该生产环节修改前后的加工参数差值。
5.根据权利要求1所述的质量智能管控方法,其特征在于,所述对不合格产品的修正建议根据以下步骤获得:
利用历史数据的经验值选择所述生产线零配件相关的生产参数数据的一项或多项进行修正;
利用修正数据输入所述深度学习模型,经过多次模拟,直到获得产品合格的生产参数数据。
6.根据权利要求1所述的质量智能管控方法,其特征在于,所述深度学习模型输出的结果还包括针对产品合格的打分值,用于表征产品质量的优劣,对于不合格产品给出矫正建议并将矫正后的产品进行实际检测,以根据实际检测结果调整策略。
7.一种质量智能管控系统,包括:
数据采集单元:用于采集与生产线零配件相关的生产参数数据;
AI模型训练单元:用于以设定的损失函数为目标训练深度学习模型,其中,每条训练样本表征生产参数数据与相关产品是否合格之间的对应关系;
AI服务器:其设有经训练的深度学习模型,通过将接收的所述生产线零配件相关的生产参数数据输入该深度学习模型,预测输出现场生产的产品是否合格并提供对不合格产品的修正建议;
执行单元:用于接收对于不合格产品的矫正建议并执行矫正后的产品的实际检测,且将检测结果传送给AI服务器,以强化或改进AI服务器的调整策略。
8.根据权利要求7所述的质量智能管控系统,其特征在于,针对存在不合格产品的情况,所述AI服务器还执行:
利用历史数据的经验值选择所述生产线零配件相关的生产参数数据的一项或多项进行修正;
利用修正数据输入到所述深度学习模型,经过多次模拟,直到获得产品合格的生产参数数据;
对于不合格产品情况,以相似度高的若干组数据作为参考,对现有数据进行微调,并将微调结果重新输入到深度学习模型中进行模拟,直到判定结果合格为止,并且AI服务器将调整建议包括需要调整的工序和调整值传送给执行单元执行调整方案,并接收执行单元反馈的实际检测结果,以强化或改进调整策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564309.3A CN113435699A (zh) | 2021-05-24 | 2021-05-24 | 一种质量智能管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564309.3A CN113435699A (zh) | 2021-05-24 | 2021-05-24 | 一种质量智能管控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435699A true CN113435699A (zh) | 2021-09-24 |
Family
ID=77802724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110564309.3A Pending CN113435699A (zh) | 2021-05-24 | 2021-05-24 | 一种质量智能管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435699A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002574A (zh) * | 2021-10-29 | 2022-02-01 | 上海华力微电子有限公司 | 半导体结构的测试方法 |
CN114240386A (zh) * | 2021-12-22 | 2022-03-25 | 重庆至信实业集团有限公司 | 基于质量管控的风险点管理系统及方法 |
CN117495070A (zh) * | 2023-12-27 | 2024-02-02 | 中控技术股份有限公司 | 一种工业流水线的工艺参数推荐方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090088870A1 (en) * | 2007-09-28 | 2009-04-02 | Rockwell Automation Technologies, Inc. | Mes appliance integrated with control modules |
CN103955760A (zh) * | 2014-04-22 | 2014-07-30 | 江苏祥兆文具有限公司 | 铝杆氧化染色工艺参数优化专家系统 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
RU2017140969A (ru) * | 2017-11-24 | 2019-05-27 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система создания параметра качества прогноза для прогностической модели, выполняемой в алгоритме машинного обучения |
US20190217475A1 (en) * | 2018-01-11 | 2019-07-18 | Airbus Operations Gmbh | Production system for the automated assembly of vehicle components and method for controlling a production system |
CN110210718A (zh) * | 2019-05-09 | 2019-09-06 | 厦门邑通软件科技有限公司 | 一种基于多维决策树群的提升产品合格率的方法 |
CN111209609A (zh) * | 2018-11-21 | 2020-05-29 | 长鑫存储技术有限公司 | 生产参数确定方法及装置、系统、存储介质和电子设备 |
-
2021
- 2021-05-24 CN CN202110564309.3A patent/CN113435699A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090088870A1 (en) * | 2007-09-28 | 2009-04-02 | Rockwell Automation Technologies, Inc. | Mes appliance integrated with control modules |
CN103955760A (zh) * | 2014-04-22 | 2014-07-30 | 江苏祥兆文具有限公司 | 铝杆氧化染色工艺参数优化专家系统 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
RU2017140969A (ru) * | 2017-11-24 | 2019-05-27 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система создания параметра качества прогноза для прогностической модели, выполняемой в алгоритме машинного обучения |
US20190217475A1 (en) * | 2018-01-11 | 2019-07-18 | Airbus Operations Gmbh | Production system for the automated assembly of vehicle components and method for controlling a production system |
CN111209609A (zh) * | 2018-11-21 | 2020-05-29 | 长鑫存储技术有限公司 | 生产参数确定方法及装置、系统、存储介质和电子设备 |
CN110210718A (zh) * | 2019-05-09 | 2019-09-06 | 厦门邑通软件科技有限公司 | 一种基于多维决策树群的提升产品合格率的方法 |
Non-Patent Citations (1)
Title |
---|
张凯磊: "基于深度学习的SMT产线追溯方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002574A (zh) * | 2021-10-29 | 2022-02-01 | 上海华力微电子有限公司 | 半导体结构的测试方法 |
CN114240386A (zh) * | 2021-12-22 | 2022-03-25 | 重庆至信实业集团有限公司 | 基于质量管控的风险点管理系统及方法 |
CN117495070A (zh) * | 2023-12-27 | 2024-02-02 | 中控技术股份有限公司 | 一种工业流水线的工艺参数推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435699A (zh) | 一种质量智能管控方法及系统 | |
CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
US7275018B2 (en) | Method of condition monitoring | |
US7499777B2 (en) | Diagnostic and prognostic method and system | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
JP2017030221A (ja) | 射出成形機の異常診断装置 | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
CN111382546B (zh) | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 | |
CN108780313B (zh) | 为装配线执行目标参数分析的方法、系统和计算机可读介质 | |
CN112929613B (zh) | 一种基于图像识别进行设备运维的巡检方法及系统 | |
KR20170104705A (ko) | 설비 고장 진단 장치 및 방법 | |
CN111428329B (zh) | 基于模型的机器学习系统 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
CN115552435A (zh) | 用于对制造装配线进行建模的系统和方法 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
EP3839530A1 (en) | Methods and systems for assessing printed circuit boards | |
CN111967799A (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
CN116176860B (zh) | 一种燃油系统测试方法、系统、设备及可读存储介质 | |
WO2023044907A1 (en) | Method and device for monitoring equipment health and computer readable storage medium | |
CN111722610A (zh) | 一种测试用例生成方法及装置 | |
CN117387925B (zh) | 一种阻尼器性能连续测试方法及系统 | |
US20230297827A1 (en) | Learning method and learning apparatus for performing virtual-actual correction by machine learning-assisted simulation of pressure numerical value | |
CN117309299B (zh) | 伺服驱动器振动试验方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |