CN113625669B - 产品质量预测方法以及系统 - Google Patents

Abstract

本发明属于产品质量管控领域，公开了一种产品质量预测方法以及系统。该方法获取待预测产品的生产环境数据、生产相关数据以及当前生产信息；根据预设质量周期性预测模型对生产环境数据进行预测，得到周期性预测结果；根据预设质量趋势性预测模型对生产相关数据进行预测，得到质量趋势性预测结果；根据预设时间接近度预测模型对待预测产品的历史生产周期数据进行预测，获得历史数据预测结果；根据当前生产信息与历史数据预测结果确定时间接近度预测结果；根据周期性预测结果、质量趋势性预测结果和时间接近度预测结果确定待预测产品的最终预测结果。相对于现有的产品制造完成后检测其质量的方式，本发明上述方式能够提高产品质量检测的时效性。

Description

产品质量预测方法以及系统

技术领域

本发明涉及产品质量管控技术领域，尤其涉及一种产品质量预测方法以及系统。

背景技术

质量管理是制造执行系统中的核心内容之一，是企业获得利益并取得长期竞争优势的关键。目前，传统质量管控过程，事后控制居多，以抽样检查加统计过程控制方法来控制质量，但此种方法存在控制延后问题，且不能根据测控系统所监测到的质量数据及时反馈产品的健康状态。

在大数据背景下，质量相关数据急剧增多，数据间的关系越来越复杂，高度信息化带来的海量多源数据中可以包含几十或几百道工序，工序之间相互关联的多工序制造产品在工业生产中越来越普遍，影响产品质量的因素也日益增多,每道工序都会对产品的最终质量产生影响。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种产品质量预测方法以及系统，旨在解决现有技术中以事后控制，抽样检查的方法来控制质量时，存在的控制延后和准确性低的技术问题。

为实现上述目的，本发明提供了一种产品质量预测方法，所述方法包括以下步骤：

获取待预测产品的生产环境数据、生产相关数据以及当前生产信息；

根据预设质量周期性预测模型对所述生产环境数据进行预测，得到周期性预测结果；

根据预设质量趋势性预测模型对所述生产相关数据进行预测，得到质量趋势性预测结果；

根据预设时间接近度预测模型对所述待预测产品的历史生产周期数据进行预测，获得历史数据预测结果；

根据所述当前生产信息与所述历史数据预测结果确定时间接近度预测结果；

根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。

可选地，所述根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果的步骤之后，还包括：

根据所述最终预测结果确定所述待预测产品的生产建议信息；

将所述生产建议信息反馈至生产系统主机，以使所述生产系统主机根据所述生产建议信息判断是否继续生产所述待预测产品。

可选地，所述根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果的步骤，包括：

根据所述待预测产品的类型与历史生产数据确定所述待预测产品对应的权重分配信息；

根据所述权重分配信息、所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定最终预测结果。

可选地，所述根据预设质量周期性预测模型对所述生产环境数据进行预测，得到周期性预测结果的步骤，包括：

获取所述生产环境数据中的设备参数信息和生产环境信息；

根据所述设备参数信息和所述生产环境信息确定数字化因素数组；

根据所述设备参数信息和所述生产环境信息确定状态化因素数组；

将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。

可选地，所述根据预设质量趋势性预测模型对所述生产相关数据进行预测，得到质量趋势性预测结果的步骤，包括：

获取所述生产相关数据中的材料信息；

对所述材料信息进行预处理，获得目标输入数组；

将所述目标输入数组输入至所述预设质量趋势性预测模型中，得到质量趋势性预测结果。

可选地，所述获取待预测产品的生产环境数据、生产相关数据以及当前生产信息的步骤，包括：

响应于所述生产系统主机发送的产品质量预测指令，从生产系统数据库中获取待预测产品的生产环境数据、生产相关数据以及当前生产信息。

可选地，所述方法还包括：

判断预测模型是否发生梯度消失或梯度爆炸；

在所述预测模型发生梯度消失或梯度爆炸时，通过残差网络对所述预设模型进行优化，获得优化后的目标模型，并通过所述优化后的目标模型进行产品质量预测；

其中，所述预测模型包括所述质量周期性预测模型、所述预设质量趋势性预测模型以及所述预设时间接近度预测模型。

此外，为实现上述目的，本发明还提供一种产品质量预测系统，所述产品质量预测系统包括质量周期性预测模块、质量趋势性预测模块、时间接近度预测模块和终端服务器：

所述质量周期性预测模块，用于根据预设质量周期性预测模型对待预测产品的生产环境数据进行预测，得到周期性预测结果；

所述质量趋势性预测模块，用于根据预设质量趋势性预测模型对所述待预测产品的生产相关数据进行预测，得到质量趋势性预测结果；

所述时间接近度预测模块，用于根据预设时间接近度预测模型对历史生产周期数据进行预测，获得历史数据预测结果；

所述时间接近度预测模块，还用于根据所述待预测产品的当前生产信息与所述历史数据预测结果确定时间接近度预测结果；

所述终端服务器，用于根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。

可选地，所述质量周期性预测模块，还用于获取所述生产环境数据中的设备参数信息和生产环境信息；

所述质量周期性预测模块，还用于根据所述设备参数信息和所述生产环境信息确定数字化因素数组；

所述质量周期性预测模块，还用于根据所述设备参数信息和所述生产环境信息确定状态化因素数组；

所述质量周期性预测模块，还用于将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。

可选地，所述终端服务器，还用于根据所述待预测产品的类型与历史生产数据确定所述待预测产品的权重分配信息；

所述终端服务器，还用于根据所述周期性预测结果、所述质量趋势性预测结果、所述时间接近度预测结果以及所述权重分配信息确定所述最终预测结果。

本发明获取待预测产品的生产环境数据、生产相关数据以及当前生产信息；根据预设质量周期性预测模型对生产环境数据进行预测，得到周期性预测结果；根据预设质量趋势性预测模型对生产相关数据进行预测，得到质量趋势性预测结果；根据预设时间接近度预测模型对待预测产品的历史生产周期数据进行预测，获得历史数据预测结果；根据当前生产信息与历史数据预测结果确定时间接近度预测结果；根据周期性预测结果、质量趋势性预测结果和时间接近度预测结果确定待预测产品的最终预测结果。相对于现有的产品制造完成后检测其质量的方式，本发明上述方式能够在产品生产过程中就对其进行检测，提高产品质量检测的时效性和准确性。且本发明使用实时数据作为模型输入，并且与历史数据作比较，可以及时对产品质量进行预测，达到实时反馈，对产品质量进行校正，本发明还考虑到现阶段数据量大的特点，对比现有质量预测模型存在的不能大规模大样本量处理数据的问题，将整个模型分为三个子模型，每个模型只需筛选各自需要的数据进行计算，可处理大规模生产系统中的大量数据。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的产品质量预测设备的结构示意图；

图2为本发明产品质量预测方法第一实施例的流程示意图；

图3为本发明产品质量预测方法第二实施例的流程示意图；

图4为本发明产品质量预测方法第三实施例的流程示意图；

图5为本发明产品质量预测系统第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的产品质量预测设备结构示意图。

如图1所示，该产品质量预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对产品质量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及产品质量预测程序。

在图1所示的产品质量预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明产品质量预测设备中的处理器1001、存储器1005可以设置在产品质量预测设备中，所述产品质量预测设备通过处理器1001调用存储器1005中存储的产品质量预测程序，并执行本发明实施例提供的产品质量预测方法。

基于上述产品质量预测设备，本发明实施例提供了一种产品质量预测方法，参照图2，图2为本发明产品质量预测方法第一实施例的流程示意图。

本实施例中，所述产品质量预测方法包括以下步骤：

步骤S10：获取待预测产品的生产环境数据、生产相关数据以及当前生产信息。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、上位机等，或者是一种能够实现上述功能的电子设备或产品质量预测设备。以下以所述产品质量预测设备为例，对本实施例及下述各实施例进行说明。

需要说明的是，所述待预测产品可以是在生产过程中需要预测其质量的产品，所述生产环境数据可以是产品在生产过程中所用到的设备信息、生产环境信息等，例如，设备的运行时间、使用寿命、精密程度、错误率、生产场地的温度、光照、清洁等条件。所述生产相关数据可以是所述产品的材料信息，例如，材料的成分、重量、存放时间、作用以及性能等。所述当前生产信息可以是当前产品的状态信息。例如，是否在生产、生产的周期、当前所处于的生产周期中的阶段等信息。

进一步的，为了使质量预测结果更加准确，所述获取待预测产品的生产环境数据、生产相关数据以及当前生产信息的步骤，包括：响应于生产系统主机发送的产品质量预测指令，从生产系统数据库中获取待预测产品的生产环境数据、生产相关数据以及当前生产信息。

在具体实施中，在接收到生产系统主机发送的产品质量预测指令时，从生产系统数据库中获取待预测产品的生产环境数据、生产相关数据以及当前生产信息。其中，所述生产系统主机可以是负责管控整个生产过程中的主机，例如，可以管控产品是否继续生产，何时开始生产等信息。所述生产系统数据库可以是用来存储产品生产过程中产生的各类数据以及产品对应的生产设备的设备信息和环境信息等。

步骤S20：根据预设质量周期性预测模型对所述生产环境数据进行预测，得到周期性预测结果。

需要说明的是，所述预设质量周期性预测模型可以是预先通过样本数据训练得到的神经网络模型，可以是卷积神经网络或概率神经网络等。对于某些生产系统中，可能由于生产环境、原材料、设备等因素的影响，卷积神经网络进行计算可能存在计算过程繁琐反而导致计算效率降低，从而使得产品质量预测结果失去或降低时效性，因此，为了防止这种情况出现，可以考虑使用现有的概率神经网络作为代替，具体的实施步骤方式与卷积神经网络相同，只是更改模型从而达到提高计算效率的目的。

应理解的是，所述根据预设质量周期性预测模型对所述生产环境数据进行预测，得到周期性预测结果可以是将所述生产环境数据转换为预设质量周期性预测模型可识别的输入形式，并输入至预设质量周期性预测模型中，以得到预设质量周期性预测模型输出结果。

步骤S30：根据预设质量趋势性预测模型对所述生产相关数据进行预测，得到质量趋势性预测结果。

需要说明的是，预设质量趋势性预测模型可以是预先通过样本数据训练得到的神经网络模型，可以是卷积神经网络或概率神经网络等。

进一步的，为了使所述质量趋势性预测结果更加准确，所述根据预设质量趋势性预测模型对所述生产相关数据进行预测，得到质量趋势性预测结果的步骤，包括：获取所述生产相关数据中的材料信息；对所述材料信息进行预处理，获得目标输入数组；将所述目标输入数组输入至所述预设质量趋势性预测模型中，得到质量趋势性预测结果。

需要说明的是，材料信息可以是材料的自身质量，材料成分，材料存放时间，材料在产品中的作用及性能等方面。对所述材料信息进行预处理可以是对数据进行归一化预处理，如对收集到的数据进行数据类型判断，将需要评级的数据进行评级，非数字化数据进行状态判断并实现数字化，在所有的数据收集完成后，统一由数组格式输入模型。例如，通过对原材料的评级，综合给出评级，可进行如下类似设定：“1”代表“优秀”,“2”代表“良好”,“3”代表“合格”,“4”代表“不合格”，其他产品质量影响因素也可参考材料评级设定方式，对于不需要评级的数据可以直接采用其数字化数据，最后将所有因素的评级结果或数字化数据按照预设的排列顺序组成数组，以数组格式输入模型，通过计算后可以仍然以数组形式输出。根据模型训练时候自定义的输出形式和结果对应的规则根据所述输出确定质量趋势性预测结果。例如，输出为b＝[0,0,...0,1]表示不合格，b＝[0,0,...1,0]表示合格，可以根据预设的输出和结果的对应规则根据模型的输出确认结果。

步骤S40：根据预设时间接近度预测模型对所述待预测产品的历史生产周期数据进行预测，获得历史数据预测结果。

需要说明的是，所述预设时间接近度预测模型可以是预先通过样本数据训练得到的神经网络模型，可以是卷积神经网络或概率神经网络等。所述历史生产周期数据可以是历史产品在生产中不同的阶段所处于的在整个生产周期中的区间以及对应的数据，例如，将生产过程模拟为一个[0,1]区间，0代表产品未开始生产，1代表生产完成。之后根据生产过程的实时状态，记录产品的取样点在整个生产周期中所处的位置和取样点的产品对应的实时生产数据。所述历史数据预测结果可以是根据大量的历史数据得出产品在不同的阶段所处于的整个生产周期中的位置以及处于该位置时对应的生产数据，例如，产品未开始生产为0代表，生产完成为1，产品生产至一半为0.5。在不同的区间，例如0、0.5、1其产品对应的生产数据也不相同。也可以是通过百分比或其他的形式进行表示产品所处于的生产区间，本实施例在此不加以限制。

步骤S50：根据所述当前生产信息与所述历史数据预测结果确定时间接近度预测结果。

需要说明的是，所述当前生产信息可以是所述待预测产品当前的生产状态或阶段以及产品生产时产生的实时数据。根据所述当前生产信息与所述历史数据预测结果确定时间接近度预测结果可以是先根据所述待预测产品当前的生产状态确定所述待预测产品在整个生产周期中所处的位置，获取历史数据预测结果中待预测产品在整个生产周期中所处的位置对应的历史数据，将所述历史数据与所述待预测产品当前的实时数据进行对比，得到所述时间接近度预测结果。还可以获取所述待预测产品在当前的取样点对应的其他影响因素，根据所述其他影响因素对待预测产品当前的实时数据进行修正，进而与历史数据预测结果中的历史数据进行对比，判断该产品最终的结果是否能优于历史节点产品质量，若能优于历史节点产品质量，则记录该取样点实时数据并进行参数设定更新，以此提高后续产品生产时的质量与产品预测的精确度。

步骤S60：根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。

进一步的，为了更好的管控产品生产时的质量，所述根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果的步骤之后，还包括：根据所述最终预测结果确定所述待预测产品的生产建议信息；将所述生产建议信息反馈至生产系统主机，以使所述生产系统主机根据所述生产建议信息判断是否继续生产所述待预测产品。

需要说明的是，所述最终预测结果可以是根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定的所述待预测产品当前的生产质量结果，可以包括所述待预测产品当前的生产中的质量信息，例如：根据时间接近度预测结果确定当前的待预测产品与历史产品的实时数据的偏差信息，会导致产品的质量下降，根据质量趋势性预测结果得出当前产品的原材料导致的产品质量问题等，也可以对预测结果进行评级，例如，用“1”代表“优秀”,“2”代表“良好”,“3”代表“合格”,“4”代表“不合格”等直观的表示待预测产品的最终预测结果。所述生产建议信息可以是根据所述最终预测结果确定的是否继续生产或重做等信息，例如，对于预测结果评级为“合格”或“不合格”的产品，提供类似“建议中止”，“建议重做”等建议信息；对于产品预测评级为“优秀”和“良好”的产品，给出“产品质量预测结果良好，正常生产”等建议信息。将所述生产建议信息反馈至生产系统主机，以使所述生产系统主机根据所述生产建议信息判断是否继续生产所述待预测产品。

进一步的，为了避免利用上述模型进行预测时发生梯度消失或梯度爆炸的问题，所述方法还包括：判断预测模型是否发生梯度消失或梯度爆炸；在所述预测模型发生梯度消失或梯度爆炸时，通过残差网络对所述预设模型进行优化，获得优化后的目标模型，并通过所述优化后的目标模型进行产品质量预测；其中，所述预测模型包括所述质量周期性预测模型、所述预设质量趋势性预测模型以及所述预设时间接近度预测模型。

应理解的是，恒等映射残差网络ResNet于2015年提出。其残差块由2个卷积层、1个跳跃连接、BN和激励函数组成，ResNet的隐含层共包含16个残差块，按如下方式构建：

(7×7)×3×64的卷积层(步长为2，无填充，ReLU，BN)，3×3的极大池化(步长为2，相同填充)

3个残差块：3×3×64×64卷积层(步长为1，无填充，ReLU，BN)，3×3×64×64卷积层(步长为1，无填充)

1个残差块：3×3×64×128(步长为2，无填充，ReLU，BN)，3×3×128×128(步长为1，无填充，ReLU，BN)

3个残差块：3×3×128×128(步长为1，无填充，ReLU，BN)，3×3×128×128(步长为1，无填充，ReLU，BN)

1个残差块：3×3×128×256(步长为2，无填充，ReLU，BN)，3×3×256×256(步长为1，无填充，ReLU，BN)

5个残差块：3×3×256×256(步长为1，无填充，ReLU，BN)，3×3×256×256(步长为1，无填充，ReLU，BN)

1个残差块：3×3×256×512(步长为2，无填充，ReLU，BN)，3×3×512×512(步长为1，无填充，ReLU，BN)

2个残差块：3×3×512×512(步长为1，无填充，ReLU，BN)，3×3×512×512(步长为1，无填充，ReLU，BN)

全局均值池化，1个全连接层，神经元数量为1000。

在本实施例中，使用ResNet可以有效避免因神经网络引起的梯度消失问题。由于该神经网络的输入需要对数据进行特征提取，所以在卷积网络的卷积层需要多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，以此来保证每个子模型能够快速准确的提取到需要的数据。对于卷积层参数的定义为：卷积核中RGB图像的按0填充，其中卷积核指定为最大值(由于需要提取的特征只较为复杂)，卷积步长定义为1以保证提取数据的准确性，但是会一定程度上降低效率。

本实施例获取待预测产品的生产环境数据、生产相关数据以及当前生产信息；根据预设质量周期性预测模型对生产环境数据进行预测，得到周期性预测结果；根据预设质量趋势性预测模型对生产相关数据进行预测，得到质量趋势性预测结果；根据预设时间接近度预测模型对待预测产品的历史生产周期数据进行预测，获得历史数据预测结果；根据当前生产信息与历史数据预测结果确定时间接近度预测结果；根据周期性预测结果、质量趋势性预测结果和时间接近度预测结果确定待预测产品的最终预测结果。相对于现有的产品制造完成后检测其质量的方式，本实施例上述方式能够在产品生产过程中就对其进行检测，提高产品质量检测的时效性和准确性。且本实施例使用实时数据作为模型输入，并且与历史数据作比较，可以及时对产品质量进行预测，达到实时反馈，对产品质量进行校正，本实施例还考虑到现阶段数据量大的特点，对比现有质量预测模型存在的不能大规模大样本量处理数据的问题，将整个预测分为三个子模型，每个模型只需筛选各自需要的特征数据进行计算，可处理大规模生产系统中的大量数据。

参考图3，图3为本发明产品质量预测方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S60，包括：

步骤S601：根据所述待预测产品的类型与历史生产数据确定所述待预测产品对应的权重分配信息。

需要说明的是，所述权重分配信息可以是根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定最终预测结果时各自的权重，权重越大，对最终预测结果的影响越大。产品质量预测设备在接收到上述三个预测结果后，根据不同产品类型，考虑每个产品受不同影响因素和影响程度大小的不同，结合生产系统中的历史数据(这些数据需要一定的时间和经验积累)，对三个结果分别设定对应的权重wi(0<wi<1,i＝1,2,3),且w1+w2+w3＝1。

在具体实施中，例如，当一个产品生产材料不变时，关于对材料进行预测的预测结果可以为其分配权重为0，当一个产品在生产时，生产周期以及各个阶段均需要严格把控，否则会对质量造成较大的影响时，可以将所述时间接近度预测结果对应的权重值设置的较大。

步骤S602：根据所述权重分配信息、所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定最终预测结果。

应理解的是，根据所述权重分配信息、所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定最终预测结果可以是根据各个结果对应的权重值，判定其对最终预测结果的影响程度，根据对最终预测结果的影响程度和其预测结果确定所述最终预测结果。也可以是为所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果分别进行评分，计算评分和其对应的权重值的乘积，将所述乘积相加，得到预测结果分值，根据所述预测结果分值确定所述最终预测结果。

本实施例根据所述待预测产品的类型与历史生产数据确定所述待预测产品对应的权重分配信息，根据所述权重分配信息、所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定最终预测结果。本实施例考虑每个产品受不同影响因素影响程度大小的不同，结合生产系统中的待预测产品的类型与历史生产数据，对所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果分别设定对应的权重值，其中，历史生产数据需要一定的时间和经验积累，进而根据所述周期性预测结果、所述质量趋势性预测结果和所述时间接近度预测结果以及其各自对应的权重值确定所述最终预测结果。使得产品的最终预测结果更加准确。

参考图4，图4为本发明产品质量预测方法第三实施例的流程示意图。

基于上述各实施例，在本实施例中，所述步骤S20，包括：

步骤S201：获取所述生产环境数据中的设备参数信息和生产环境信息。

需要说明的是，所述设备参数信息可以是设备实时运行时间，使用寿命，精密程度，设备历史错误率等信息。所述生产环境信息可以是生产时的场地温度，湿度，光照，清洁等信息。

步骤S202：根据所述设备参数信息和所述生产环境信息确定数字化因素数组。

需要说明的是，所述数字化因素数组可以是将可以用数字化表示的各参数用数字化表示，并组成一个数组，例如，温度、湿度、设备错误率、运行时间等通过数字表示的参数信息，将其参数值组成一个数组作为所述数字化因素数组。

步骤S203：根据所述设备参数信息和所述生产环境信息确定状态化因素数组。

需要说明的是，状态化因素数组可以是将可以用状态表示的各参数用特定的数值表示，并组成一个数组。

在具体实施中，例如，“1”代表“新设备(总使用时间小于多少小时)”,“2”代表“正常设备(处于新，旧设备之间，总使用时间处于预设小时之间)”,“3”代表“旧设备(总使用时间大于多少小时)”,设备工作时间同上，区别为短时间内设备连续运行时间，设备精度也可以以自然数增长设定为“超高精度”，“高精度”，“正常”，“模糊处理”等，并将所述“超高精度”，“高精度”，“正常”，“模糊处理”等用数字“0”“1”“2”等表示，如光照，可设定为“-1”代表“有光照”，“-2”代表“无光照”，需要考虑电压或其他状态稳定的设备，可设定“-1”代表“稳定”，“-2”代表“不稳定”。其他因素可参考以上举例因素进行设定。本实施例在此不加以限制。另外，如果某产品不受其中某特定因素的影响，可将代表该影响因素的元素用“0”输入，最终输出参考卷积网络池化层参数设定，输出结果可类似。

步骤S204：将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。

需要说明的是，所述预设质量周期性预测模型可以是预先通过样本数据训练得到的神经网络模型，可以是卷积神经网络或概率神经网络等。

应理解的是，所述预设质量周期性预测模型输出结果的结果形式可能是数组、字符串或其他的形式，在获得预设质量周期性预测模型的输出结果后，需要根据模型训练时候的输出与样本中的结果进行对比，得到输出和结果之间的规则，后续根据规则对模型中的输出进行分析，得到预测结果。

本实施例获取所述生产环境数据中的设备参数信息和生产环境信息；根据所述设备参数信息和所述生产环境信息确定数字化因素数组；根据所述设备参数信息和所述生产环境信息确定状态化因素数组；将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。本实施例综合考虑生产环境数据中的设备参数信息和生产环境信息，将所述生产环境数据中的设备参数信息和生产环境信息处理为预设质量周期性预测模型可处理的输入形式并输入，得到周期性预测结果，使得周期性预测结果更加的准确、全面。

参照图5，图5为本发明产品质量预测系统第一实施例的结构框图。

如图5所示，本发明实施例提出的所述产品质量预测系统包括质量周期性预测模块10、质量趋势性预测模块20、时间接近度预测模块30和终端服务器40：

所述质量周期性预测模块10，用于根据预设质量周期性预测模型对待预测产品的生产环境数据进行预测，得到周期性预测结果；

所述质量趋势性预测模块20，用于根据预设质量趋势性预测模型对所述待预测产品的生产相关数据进行预测，得到质量趋势性预测结果；

所述时间接近度预测模块30，用于根据预设时间接近度预测模型对历史生产周期数据进行预测，获得历史数据预测结果；

所述时间接近度预测模块30，还用于根据所述待预测产品的当前生产信息与所述历史数据预测结果确定时间接近度预测结果；

所述终端服务器40，用于根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。

本实施例包括质量周期性预测模块、质量趋势性预测模块、时间接近度预测模块和终端服务器：所述质量周期性预测模块，用于根据预设质量周期性预测模型对待预测产品的生产环境数据进行预测，得到周期性预测结果；所述质量趋势性预测模块，用于根据预设质量趋势性预测模型对所述待预测产品的生产相关数据进行预测，得到质量趋势性预测结果；所述时间接近度预测模块，用于根据预设时间接近度预测模型对历史生产周期数据进行预测，获得历史数据预测结果；所述时间接近度预测模块，还用于根据所述待预测产品的当前生产信息与所述历史数据预测结果确定时间接近度预测结果；所述终端服务器，用于根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。相对于现有的产品制造完成后检测其质量的方式，本实施例上述方式能够在产品生产过程中就对其进行检测，提高产品质量检测的时效性和准确性

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的参数运行方法，此处不再赘述。

基于本发明上述产品质量预测系统第一实施例，提出本发明产品质量预测系统的第二实施例。

在本实施例中，所述质量周期性预测模块10，还用于获取所述生产环境数据中的设备参数信息和生产环境信息；

所述质量周期性预测模块10，还用于根据所述设备参数信息和所述生产环境信息确定数字化因素数组；

所述质量周期性预测模块10，还用于根据所述设备参数信息和所述生产环境信息确定状态化因素数组；

所述质量周期性预测模块10，还用于将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。

进一步的，所述终端服务器40，还用于根据所述待预测产品的类型与历史生产数据确定所述待预测产品的权重分配信息；

所述终端服务器40，还用于根据所述周期性预测结果、所述质量趋势性预测结果、所述时间接近度预测结果以及所述权重分配信息确定所述最终预测结果。

本发明产品质量预测系统的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种产品质量预测方法，其特征在于，所述产品质量预测方法包括：

获取待预测产品的生产环境数据、生产相关数据以及当前生产信息；

根据预设质量周期性预测模型对所述生产环境数据进行预测，得到周期性预测结果；

根据预设质量趋势性预测模型对所述生产相关数据进行预测，得到质量趋势性预测结果；

根据预设时间接近度预测模型对所述待预测产品的历史生产周期数据进行预测，获得历史数据预测结果；

根据所述当前生产信息与所述历史数据预测结果确定时间接近度预测结果；

根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。

2.如权利要求1所述的产品质量预测方法，其特征在于，所述根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果的步骤之后，还包括：

根据所述最终预测结果确定所述待预测产品的生产建议信息；

将所述生产建议信息反馈至生产系统主机，以使所述生产系统主机根据所述生产建议信息判断是否继续生产所述待预测产品。

3.如权利要求1所述的产品质量预测方法，其特征在于，所述根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果的步骤，包括：

根据所述待预测产品的类型与历史生产数据确定所述待预测产品对应的权重分配信息；

根据所述权重分配信息、所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定最终预测结果。

4.如权利要求1所述的产品质量预测方法，其特征在于，所述根据预设质量周期性预测模型对所述生产环境数据进行预测，得到周期性预测结果的步骤，包括：

获取所述生产环境数据中的设备参数信息和生产环境信息；

根据所述设备参数信息和所述生产环境信息确定数字化因素数组；

根据所述设备参数信息和所述生产环境信息确定状态化因素数组；

将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。

5.如权利要求1所述的产品质量预测方法，其特征在于，所述根据预设质量趋势性预测模型对所述生产相关数据进行预测，得到质量趋势性预测结果的步骤，包括：

获取所述生产相关数据中的材料信息；

对所述材料信息进行预处理，获得目标输入数组；

将所述目标输入数组输入至所述预设质量趋势性预测模型中，得到质量趋势性预测结果。

6.如权利要求1至2任一项所述的产品质量预测方法，其特征在于，所述获取待预测产品的生产环境数据、生产相关数据以及当前生产信息的步骤，包括：

响应于所述生产系统主机发送的产品质量预测指令，从生产系统数据库中获取待预测产品的生产环境数据、生产相关数据以及当前生产信息。

7.如权利要求1至5任一项所述的产品质量预测方法，其特征在于，所述根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果的步骤之后，所述方法还包括：

判断预测模型是否发生梯度消失或梯度爆炸；

在所述预测模型发生梯度消失或梯度爆炸时，通过残差网络对所述预设模型进行优化，获得优化后的目标模型，并通过所述优化后的目标模型进行产品质量预测；

其中，所述预测模型包括所述质量周期性预测模型、所述预设质量趋势性预测模型以及所述预设时间接近度预测模型。

8.一种产品质量预测系统，其特征在于，所述产品质量预测系统包括质量周期性预测模块、质量趋势性预测模块、时间接近度预测模块和终端服务器：

所述质量周期性预测模块，用于根据预设质量周期性预测模型对待预测产品的生产环境数据进行预测，得到周期性预测结果；

所述质量趋势性预测模块，用于根据预设质量趋势性预测模型对所述待预测产品的生产相关数据进行预测，得到质量趋势性预测结果；

所述时间接近度预测模块，用于根据预设时间接近度预测模型对历史生产周期数据进行预测，获得历史数据预测结果；

所述时间接近度预测模块，还用于根据所述待预测产品的当前生产信息与所述历史数据预测结果确定时间接近度预测结果；

所述终端服务器，用于根据所述周期性预测结果、所述质量趋势性预测结果以及所述时间接近度预测结果确定所述待预测产品的最终预测结果。

9.如权利要求8所述的产品质量预测系统，其特征在于，所述质量周期性预测模块，还用于获取所述生产环境数据中的设备参数信息和生产环境信息；

所述质量周期性预测模块，还用于根据所述设备参数信息和所述生产环境信息确定数字化因素数组；

所述质量周期性预测模块，还用于根据所述设备参数信息和所述生产环境信息确定状态化因素数组；

所述质量周期性预测模块，还用于将所述数字化因素数组和所述状态化因素数组输入至所述预设质量周期性预测模型中，得到周期性预测结果。

10.如权利要求8所述的产品质量预测系统，其特征在于，所述终端服务器，还用于根据所述待预测产品的类型与历史生产数据确定所述待预测产品的权重分配信息；

所述终端服务器，还用于根据所述周期性预测结果、所述质量趋势性预测结果、所述时间接近度预测结果以及所述权重分配信息确定所述最终预测结果。

Images