CN113627755B - 智能终端工厂的测试方法、装置、设备及存储介质 - Google Patents
智能终端工厂的测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113627755B CN113627755B CN202110855029.8A CN202110855029A CN113627755B CN 113627755 B CN113627755 B CN 113627755B CN 202110855029 A CN202110855029 A CN 202110855029A CN 113627755 B CN113627755 B CN 113627755B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- intelligent terminal
- test
- preset
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 262
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000010998 test method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 230000004927 fusion Effects 0.000 description 9
- 238000009434 installation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000003287 optical 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
- G06Q10/0633—Workflow analysis
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工厂测试技术领域,公开了一种智能终端工厂的测试方法、装置、设备及存储介质,所述方法包括:获取智能终端工厂的设备参数信息和环境参数信息;根据设备参数信息和环境参数信息确定目标生产流程信息;提取目标生产流程信息的特征信息,根据特征信息生成目标测试样本;获取预设测试策略,根据预设测试策略对目标测试样本进行测试,得到对应的测试结果;本发明通过设备参数信息和环境参数信息确定目标生产流程信息,根据目标生产信息中的特征信息生成目标测试样本,根据预设测试策略对目标测试样本进行测试,相较于现有技术通过实地考察测试工厂设备的生产情况,能够有效提高对智能终端工厂的测试效率。
Description
技术领域
本发明涉及工厂测试技术领域,尤其涉及智能终端工厂的测试方法、装置、设备及存储介质。
背景技术
随着智能硬件技术的高速发展,智能设备越来越贴近于人们的生活,而智能终端工厂作为智能设备的生产基地,智能终端工厂的生产效率决定智能设备的产量,智能设备包括:智能手机、平板电脑以及智能手表等等,如果生产效率过低会导致出现供不应求的情况,造成用户的体验感较低,目前了解智能终端工厂的产量的常用技术方案是通过技术人员在工厂实地进行考察,根据考察结果确定特定周期内的生产量,但是实地考察会浪费大量的人力,造成成本的增加,而且智能终端工厂的设备种类较多,流程较为复杂,且生产环境在实时变化,如果仅仅通过某时间内的考察结果对智能终端工厂进行测试,导致最终的测试效率较低。
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智能终端工厂的测试方法、装置、设备及存储介质,旨在解决现有技术无法有效提高对智能终端工厂的测试效率的技术问题。
为实现上述目的,本发明提供了一种智能终端工厂的测试方法,所述智能终端工厂的测试方法包括以下步骤:
获取智能终端工厂的设备参数信息和环境参数信息;
根据所述设备参数信息和所述环境参数信息确定目标生产流程信息;
提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;
获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果。
可选地,所述根据所述设备参数信息和所述环境参数信息确定目标生产流程信息,包括:
提取所述设备参数信息中的设备特征信息;
根据所述设备特征信息在大数据平台查询对应的工作流程信息;
根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息。
可选地,所述根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息,包括:
根据所述环境参数信息确定智能终端工厂的生产流程权重值;
根据所述工作流程信息确定目标设备的工作流程权重值;
获取预设权重算法,根据所述预设权重算法对所述生产流程权重值和工作流程权重值进行计算,得到目标调整度;
根据所述目标调整度对所述工作流程信息进行调整,得到目标生产流程信息。
可选地,所述预设权重算法为:
其中,Mi为工作流程信息权重值,Ni为生产流程信息权重值,i为流程中的不同设备,k为流程中的设备数量,trim为目标调整度。
可选地,所述提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本,包括:
根据所述目标生产流程信息得到对应的生产顺序关系;
提取所述目标生产流程信息的特征信息;
根据所述生产顺序关系将所述特征信息依次输入至预设神经网络模型,以使所述预设神经网络模型对所述特征信息进行训练并反馈目标训练测试样本。
可选地,所述获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果,包括:
对所述目标测试样本进行分类,得到不同类别的测试样本;
根据所述不同类别的测试样本构建对应的测试样本矩阵;
获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果。
可选地,所述获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果之后,还包括:
根据所述测试结果确定所述智能终端工厂的生产故障信息;
根据所述生产故障信息对所述智能终端工厂的设备参数信息进行调整;
获取预设产率预测算法,根据所述预设产率预测算法和调整后的设备参数信息预测所述智能终端工厂的生产效率。
此外,为实现上述目的,本发明还提出一种智能终端工厂的测试装置,所述智能终端工厂的测试装置包括:
获取模块,用于获取智能终端工厂的设备参数信息和环境参数信息;
确定模块,用于根据所述设备参数信息和所述环境参数信息确定目标生产流程信息;
提取模块,用于提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;
测试模块,用于获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果。
此外,为实现上述目的,本发明还提出一种智能终端工厂的测试设备,所述智能终端工厂的测试设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能终端工厂的测试程序,所述智能终端工厂的测试程序配置为实现如上文所述的智能终端工厂的测试方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有智能终端工厂的测试程序,所述智能终端工厂的测试程序被处理器执行时实现如上文所述的智能终端工厂的测试方法。
本发明提出的智能终端工厂的测试方法,通过获取智能终端工厂的设备参数信息和环境参数信息;根据所述设备参数信息和所述环境参数信息确定目标生产流程信息;提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果;本发明通过设备参数信息和环境参数信息确定目标生产流程信息,根据目标生产信息中的特征信息生成目标测试样本,根据预设测试策略对目标测试样本进行测试,相较于现有技术通过实地考察测试工厂设备的生产情况,能够有效提高对智能终端工厂的测试效率。
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智能终端工厂的测试设备的结构示意图;
图2为本发明智能终端工厂的测试方法第一实施例的流程示意图;
图3为本发明智能终端工厂的测试方法第二实施例的流程示意图;
图4为本发明智能终端工厂的测试方法第三实施例的流程示意图;
图5为本发明智能终端工厂的测试装置第一实施例的功能模块示意图。
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智能终端工厂的测试设备结构示意图。
如图1所示,该智能终端工厂的测试设备可以包括: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)存储器,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智能终端工厂的测试设备的限定,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、网络通信模块、用户接口模块以及智能终端工厂的测试程序。
在图1所示的智能终端工厂的测试设备中,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;本发明智能终端工厂的测试设备中的处理器1001、存储器1005可以设置在智能终端工厂的测试设备中,所述智能终端工厂的测试设备通过处理器1001调用存储器1005中存储的智能终端工厂的测试程序,并执行本发明实施例提供的智能终端工厂的测试方法。
基于上述硬件结构,提出本发明智能终端工厂的测试方法实施例。
参照图2,图2为本发明智能终端工厂的测试方法第一实施例的流程示意图。
在第一实施例中,所述智能终端工厂的测试方法包括以下步骤:
步骤S10,获取智能终端工厂的设备参数信息和环境参数信息。
需要说明的是,本实施例的执行主体为智能终端工厂的测试设备,还可为其他可实现相同或相似功能的设备,例如智能终端工厂测试程序等,本实施例对此不作限制,在本实施例中,以智能终端工厂测试程序为例进行说明。
应当理解的是,设备参数信息指的是生产智能电子设备的参数信息,包括型号信息、性能信息以及安装参数信息等等,由于在智能终端工厂中存在多种不同类型的生产设备,而生产设备对应的参数信息各不相同,因此,此时的设备参数信息为参数信息集合,智能终端生产的智能终端设备包括:智能手机、平板电脑以及智能手表等等。
可以理解的是,环境参数信息指的是智能终端工厂在生产智能电子设备所在环境的参数信息,包括设备的姿态信息、温度信息以及湿度信息等等,由于环境参数信息的更改会影响智能终端工厂的生产效率,例如,设备A、设备B以及设备C是生产智能终端设备D不可或缺的流程,而设备B的性能与温度的关系最为密切,设备B是对智能终端芯片电板的融合,温度过高或者过低均会影响融合效果。
在具体实施中,智能终端工厂测试程序获取智能终端工厂的设备参数信息和环境参数信息。
步骤S20,根据所述设备参数信息和所述环境参数信息确定目标生产流程信息。
应当理解的是,目标生产流程信息指的是智能终端工厂在生产智能终端设备的流程信息,在得到设备参数信息和环境参数信息后,根据设备参数信息将不同的设备进行安装,再结合智能终端工厂的实际生产环境对设备进行调试,例如,此时的生产设备为设备A、设备B以及设备C,设备A的作用是生产外壳、设备B是对电板的融合以及设备C是生产屏幕,由于设备A、设备B以及设备C之间的生产顺序关系是独立进行,并不存在相互制约的关系,而其他工厂通过上述设备生产终端设备的安装顺序为设备A、设备B以及设备C,但是由于该智能终端工厂的所在的温度较高,因此,需要对设备的安装顺序进行调整,将设备B移至温度控制车间,此时的生产流程为设备B、设备A以及设备C。
在具体实施中,智能终端工厂测试程序根据所述设备参数信息和所述环境参数信息确定目标生产流程信息。
步骤S30,提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本。
应当理解的是,特征信息指的是目标生产流程中设备在生产智能终端设备的特征信息,例如,设备A的特征信息为外壳、设备B的特征信息为电板融合以及设备C的特征信息为屏幕,此时的特征信息是按照不同设备的功能进行划分。
进一步地,步骤S30包括:根据所述目标生产流程信息得到对应的生产顺序关系;提取所述目标生产流程信息的特征信息;根据所述生产顺序关系将所述特征信息依次输入至预设神经网络模型,以使所述预设神经网络模型对所述特征信息进行训练并反馈目标训练测试样本。
可以理解的是,生产顺序关系指的是智能终端工厂生产智能终端设备的生产顺序,例如,智能终端设备的生产分为五个步骤,分别是E1、E2、E3、E4以及E5,由于根据智能终端工厂的实际生产环境对生产流程信息有所调整,因此,需要根据目标生产流程信息确定此时的生产顺序关系,根据生产顺序关系将特征信息输入至预设神经网络模型中进行训练,得到对应的训练测试样本。
应当理解的是,预设神经网络模型指的是由输入层、卷积层和池化层构成的网络模型,该预设神经网络模型可以为卷积神经网络模型,也可以为其他神经网络模型,本实施例对此不作限制,以卷积神经网络模型为例进行说明,为了提高训练的准确性,此时的预设神经网络模型设置有多层卷积层,通过将特征信息进行不断的卷积和划分,得到更多类型的训练测试样本。
在具体实施中,智能终端工厂测试程序提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本。
步骤S40,获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果。
应当理解的是,预设测试策略指的是对测试样本进行测试的策略,由于不同的测试样本对应的测试策略不同,具体测试流程是对测试样本中的数据进行扫描,根据扫描到的数据模拟生成中的实际生产场景,统计在实际生产场景下,单位时间内设备的生产数量以及在生产过程中出现的次品数量,此时的测试结果包括生产效率以及合格率等。
进一步地,步骤S40,包括:对所述目标测试样本进行分类,得到不同类别的测试样本;根据所述不同类别的测试样本构建对应的测试样本矩阵;获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果。
可以理解的是,在得到目标测试样本后,由于目标测试样本是通过预设神经网络模型训练得到的,那么在训练过程中会产生不同类型的测试样本,为了有效提高对测试样本的测试效率,需要将目标测试样本进行分类,将同一类别的测试样本采用同一测试策略进行测试,测试样本矩阵指的是将目标测试样本中的数据进行展开的矩阵,此时通过预设测试策略对测试样本矩阵进行测试即可得到对应的测试结果。
在具体实施中,智能终端工厂测试程序获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果。
本实施例通过获取智能终端工厂的设备参数信息和环境参数信息;根据所述设备参数信息和所述环境参数信息确定目标生产流程信息;提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果;通过设备参数信息和环境参数信息确定目标生产流程信息,根据目标生产信息中的特征信息生成目标测试样本,根据预设测试策略对目标测试样本进行测试,相较于现有技术通过实地考察测试工厂设备的生产情况,能够有效提高对智能终端工厂的测试效率。
在一实施例中,如图3所述,基于第一实施例提出本发明智能终端工厂的测试方法第二实施例,所述步骤S20,包括:
步骤S201,提取所述设备参数信息中的设备特征信息。
应当理解的是,设备特征信息指的是设备参数信息中能够唯一识别设备的特征信息,该设备特征信息可以为设备的型号,也可以为生产编码序列号,本实施例对此不作限制,以生产编码序列号为例进行说明。
在具体实施中,智能终端工厂测试程序提取所述设备参数信息中的设备特征信息。
步骤S202,根据所述设备特征信息在大数据平台查询对应的工作流程信息。
可以理解的是,在得到设备特征信息后,根据设备特征信息在大数据平台查询对应的流程信息,大数据平台存储有与设备特征信息对应的设备工作流程信息,该工作流程信息为一般生产工作使用该设备的流程信息,例如,在设备特征信息为生产编码序列号,根据生产编码序列号查到该设备的具体工作流程信息,即设备B生产结束后,将智能终端样品发送至设备A进行继续生产,设备A生产结束后将智能终端样本发送至设备C继续进行生产。
在具体实施中,智能终端工厂测试程序根据所述设备特征信息在大数据平台查询对应的工作流程信息。
步骤S203,根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息。
应当理解的是,由于智能终端工厂的环境参数信息的影响,使得具体生成流程信息需要进行调整,例如,在大数据平台查询到的工作流程为设备A、设备B以及设备C,而目标生产流程为设备B、设备A以及设备C。
在具体实施中,智能终端工厂测试程序根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息。
进一步地,步骤S203,包括:根据所述环境参数信息确定智能终端工厂的生产流程权重值;根据所述工作流程信息确定目标设备的工作流程权重值;获取预设权重算法,根据所述预设权重算法对所述生产流程权重值和工作流程权重值进行计算,得到目标调整度;根据所述目标调整度对所述工作流程信息进行调整,得到目标生产流程信息。
应当理解的是,生成流程权重值指的是智能终端工厂在生成过程中各流程的权重值,工作流程权重值指的是与智能工厂相同的设备在普通工厂中的权重值,例如,设备A、设备B以及设备C的作用在普通工厂只是封装,主要用于生产的为设备D和设备E,并且设备D与设备E之间的交互较多,智能终端工厂在生产过程中最重要的流程是电板的融合,涉及到设备B和设备D,那么在分配权重是设备D在整个生产流程中的权重最大,设备B的具体生产步骤为b1和b2,设备D的流程分为d1和d2,b1与d1有交互,在d1加工后需要回传至b2处理,根据生产流程权重值和工作流程权重值计算出目标调整度,预设权重算法指的是对生产流程权重值和工作流程权重值进行计算的算法,具体计算算法为:
其中,Mi为工作流程信息权重值,Ni为生产流程信息权重值,i为流程中的不同设备,k为流程中的设备数量,trim为目标调整度。
本实施例通过提取所述设备参数信息中的设备特征信息;根据所述设备特征信息在大数据平台查询对应的工作流程信息;根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息;通过在大数据平台查询与设备特征信息对应的工作流程信息,根据环境参数信息对工作流程信息进行调整,从而能够有效提高调整工作流程信息的准确率。
在一实施例中,如图4所述,基于第一实施例提出本发明智能终端工厂的测试方法第三实施例,所述步骤S40之后,还包括:
步骤S501,根据所述测试结果确定所述智能终端工厂的生产故障信息。
可以理解的是,在得到测试结果后,根据测试结果中次品智能终端设备确定对应的生产故障信息,包括生产设备与生产设备之间的故障信息、生产设备本身的故障信息,例如,生产的智能终端设备的电板出现异常,则生产故障信息为设备B的故障信息。
在具体实施中,智能终端工厂测试程序根据所述测试结果确定所述智能终端工厂的生产故障信息。
步骤S502,根据所述生产故障信息对所述智能终端工厂的设备参数信息进行调整。
可以理解的是,在得到生产故障信息后,对生产故障信息进行分析,根据分析结果判断具体的故障设备,在生产过程中,故障信息一般是由设备参数信息引起的,例如,电板的融合度不够导致电路接触异常,此时,只需要将设备B的融合开度调节至合适的位置即可。
在具体实施中,智能终端工厂测试程序根据所述生产故障信息对所述智能终端工厂的设备参数信息进行调整。
步骤S503,获取预设产率预测算法,根据所述预设产率预测算法和调整后的设备参数信息预测所述智能终端工厂的生产效率。
应当理解的是,预设产率预设算法指的是对智能终端工厂的生产效率进行预测的算法,在将设备参数信息进行调整后,根据预设产率预设算法预设预测在预设时间段内的生产效率,具体是将调整后的设备参数信息对应的设备进行智能终端设备的生产,得到单位时间内的生产效率。
在具体实施中,智能终端工厂测试程序获取预设产率预测算法,根据所述预设产率预测算法和调整后的设备参数信息预测所述智能终端工厂的生产效率。
本实施例根据所述测试结果确定所述智能终端工厂的生产故障信息;根据所述生产故障信息对所述智能终端工厂的设备参数信息进行调整;获取预设产率预测算法,根据所述预设产率预测算法和调整后的设备参数信息预测所述智能终端工厂的生产效率;通过测试结果确定对应的生成故障信息,根据生产故障信息对智能终端工厂的设备参数信息进行调整,根据预设产率预测算法和调整后的设备参数信息得到智能终端工厂的生产效率,从而能够有效提高预测生产效率的准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有智能终端工厂的测试程序,所述智能终端工厂的测试程序被处理器执行时实现如上文所述的智能终端工厂的测试方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图5,本发明实施例还提出一种智能终端工厂的测试装置,所述智能终端工厂的测试装置包括:
获取模块10,用于获取智能终端工厂的设备参数信息和环境参数信息。
应当理解的是,设备参数信息指的是生产智能电子设备的参数信息,包括型号信息、性能信息以及安装参数信息等等,由于在智能终端工厂中存在多种不同类型的生产设备,而生产设备对应的参数信息各不相同,因此,此时的设备参数信息为参数信息集合,智能终端生产的智能终端设备包括:智能手机、平板电脑以及智能手表等等。
可以理解的是,环境参数信息指的是智能终端工厂在生产智能电子设备所在环境的参数信息,包括设备的姿态信息、温度信息以及湿度信息等等,由于环境参数信息的更改会影响智能终端工厂的生产效率,例如,设备A、设备B以及设备C是生产智能终端设备D不可或缺的流程,而设备B的性能与温度的关系最为密切,设备B是对智能终端芯片电板的融合,温度过高或者过低均会影响融合效果。
在具体实施中,智能终端工厂测试程序获取智能终端工厂的设备参数信息和环境参数信息。
确定模块20,用于根据所述设备参数信息和所述环境参数信息确定目标生产流程信息。
应当理解的是,目标生产流程信息指的是智能终端工厂在生产智能终端设备的流程信息,在得到设备参数信息和环境参数信息后,根据设备参数信息将不同的设备进行安装,再结合智能终端工厂的实际生产环境对设备进行调试,例如,此时的生产设备为设备A、设备B以及设备C,设备A的作用是生产外壳、设备B是对电板的融合以及设备C是生产屏幕,由于设备A、设备B以及设备C之间的生产顺序关系是独立进行,并不存在相互制约的关系,而其他工厂通过上述设备生产终端设备的安装顺序为设备A、设备B以及设备C,但是由于该智能终端工厂的所在的温度较高,因此,需要对设备的安装顺序进行调整,将设备B移至温度控制车间,此时的生产流程为设备B、设备A以及设备C。
在具体实施中,智能终端工厂测试程序根据所述设备参数信息和所述环境参数信息确定目标生产流程信息。
提取模块30,用于提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本。
应当理解的是,特征信息指的是目标生产流程中设备在生产智能终端设备的特征信息,例如,设备A的特征信息为外壳、设备B的特征信息为电板融合以及设备C的特征信息为屏幕,此时的特征信息是按照不同设备的功能进行划分。
进一步地,提取模块30还用于根据所述目标生产流程信息得到对应的生产顺序关系;提取所述目标生产流程信息的特征信息;根据所述生产顺序关系将所述特征信息依次输入至预设神经网络模型,以使所述预设神经网络模型对所述特征信息进行训练并反馈目标训练测试样本。
可以理解的是,生产顺序关系指的是智能终端工厂生产智能终端设备的生产顺序,例如,智能终端设备的生产分为五个步骤,分别是E1、E2、E3、E4以及E5,由于根据智能终端工厂的实际生产环境对生产流程信息有所调整,因此,需要根据目标生产流程信息确定此时的生产顺序关系,根据生产顺序关系将特征信息输入至预设神经网络模型中进行训练,得到对应的训练测试样本。
应当理解的是,预设神经网络模型指的是由输入层、卷积层和池化层构成的网络模型,该预设神经网络模型可以为卷积神经网络模型,也可以为其他神经网络模型,本实施例对此不作限制,以卷积神经网络模型为例进行说明,为了提高训练的准确性,此时的预设神经网络模型设置有多层卷积层,通过将特征信息进行不断的卷积和划分,得到更多类型的训练测试样本。
在具体实施中,智能终端工厂测试程序提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本。
测试模块40,用于获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果。
应当理解的是,预设测试策略指的是对测试样本进行测试的策略,由于不同的测试样本对应的测试策略不同,具体测试流程是对测试样本中的数据进行扫描,根据扫描到的数据模拟生成中的实际生产场景,统计在实际生产场景下,单位时间内设备的生产数量以及在生产过程中出现的次品数量,此时的测试结果包括生产效率以及合格率等。
进一步地,测试模块40还用于对所述目标测试样本进行分类,得到不同类别的测试样本;根据所述不同类别的测试样本构建对应的测试样本矩阵;获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果。
可以理解的是,在得到目标测试样本后,由于目标测试样本是通过预设神经网络模型训练得到的,那么在训练过程中会产生不同类型的测试样本,为了有效提高对测试样本的测试效率,需要将目标测试样本进行分类,将同一类别的测试样本采用同一测试策略进行测试,测试样本矩阵指的是将目标测试样本中的数据进行展开的矩阵,此时通过预设测试策略对测试样本矩阵进行测试即可得到对应的测试结果。
在具体实施中,智能终端工厂测试程序获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果。
本实施例通过获取智能终端工厂的设备参数信息和环境参数信息;根据所述设备参数信息和所述环境参数信息确定目标生产流程信息;提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果;通过设备参数信息和环境参数信息确定目标生产流程信息,根据目标生产信息中的特征信息生成目标测试样本,根据预设测试策略对目标测试样本进行测试,相较于现有技术通过实地考察测试工厂设备的生产情况,能够有效提高对智能终端工厂的测试效率。
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智能终端工厂的测试方法,此处不再赘述。
在一实施例中,所述确定模块20,还用于提取所述设备参数信息中的设备特征信息;根据所述设备特征信息在大数据平台查询对应的工作流程信息;根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息。
在一实施例中,所述确定模块20,还用于根据所述环境参数信息确定智能终端工厂的生产流程权重值;根据所述工作流程信息确定目标设备的工作流程权重值;获取预设权重算法,根据所述预设权重算法对所述生产流程权重值和工作流程权重值进行计算,得到目标调整度;根据所述目标调整度对所述工作流程信息进行调整,得到目标生产流程信息。
在一实施例中,所述确定模块20,还用于所述预设权重算法为:
其中,Mi为工作流程信息权重值,Ni为生产流程信息权重值,i为流程中的不同设备,k为流程中的设备数量,trim为目标调整度。
在一实施例中,所述提取模块30,还用于根据所述目标生产流程信息得到对应的生产顺序关系;提取所述目标生产流程信息的特征信息;根据所述生产顺序关系将所述特征信息依次输入至预设神经网络模型,以使所述预设神经网络模型对所述特征信息进行训练并反馈目标训练测试样本。
在一实施例中,所述测试模块40,还用于对所述目标测试样本进行分类,得到不同类别的测试样本;根据所述不同类别的测试样本构建对应的测试样本矩阵;获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果。
在一实施例中,所述测试模块40,还用于根据所述测试结果确定所述智能终端工厂的生产故障信息;根据所述生产故障信息对所述智能终端工厂的设备参数信息进行调整;获取预设产率预测算法,根据所述预设产率预测算法和调整后的设备参数信息预测所述智能终端工厂的生产效率。
本发明所述智能终端工厂的测试装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不在赘余。
此外,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(Read Only Memory,ROM)/RAM、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,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 (6)
1.一种智能终端工厂的测试方法,其特征在于,所述智能终端工厂的测试方法包括以下步骤:
获取智能终端工厂的设备参数信息和环境参数信息;
根据所述设备参数信息和所述环境参数信息确定目标生产流程信息,所述目标生产流程信息指的是智能终端工厂生产智能终端设备的流程信息;
提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;
获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果;
所述提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本,包括:
根据所述目标生产流程信息得到对应的生产顺序关系;
提取所述目标生产流程信息的特征信息;
根据所述生产顺序关系将所述特征信息依次输入至预设神经网络模型,以使所述预设神经网络模型对所述特征信息进行训练并反馈目标训练测试样本;
所述根据所述设备参数信息和所述环境参数信息确定目标生产流程信息,包括:
提取所述设备参数信息中的设备特征信息;
根据所述设备特征信息在大数据平台查询对应的工作流程信息;
根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息;
所述根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息,包括:
根据所述环境参数信息确定智能终端工厂的生产流程权重值;
根据所述工作流程信息确定目标设备的工作流程权重值;
获取预设权重算法,根据所述预设权重算法对所述生产流程权重值和工作流程权重值进行计算,得到目标调整度;
根据所述目标调整度对所述工作流程信息进行调整,得到目标生产流程信息;
所述预设权重算法为:
2.如权利要求1所述的智能终端工厂的测试方法,其特征在于,所述获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果,包括:
对所述目标测试样本进行分类,得到不同类别的测试样本;
根据所述不同类别的测试样本构建对应的测试样本矩阵;
获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果。
3.如权利要求2所述的智能终端工厂的测试方法,其特征在于,所述获取预设测试策略,根据所述预设测试策略对所述测试样本矩阵进行测试,得到对应的测试结果之后,还包括:
根据所述测试结果确定所述智能终端工厂的生产故障信息;
根据所述生产故障信息对所述智能终端工厂的设备参数信息进行调整;
获取预设产率预测算法,根据所述预设产率预测算法和调整后的设备参数信息预测所述智能终端工厂的生产效率。
4.一种智能终端工厂的测试装置,其特征在于,所述智能终端工厂的测试装置包括:
获取模块,用于获取智能终端工厂的设备参数信息和环境参数信息;
确定模块,用于根据所述设备参数信息和所述环境参数信息确定目标生产流程信息,所述目标生产流程信息指的是智能终端工厂生产智能终端设备的流程信息;
提取模块,用于提取所述目标生产流程信息的特征信息,根据所述特征信息生成目标测试样本;
测试模块,用于获取预设测试策略,根据所述预设测试策略对所述目标测试样本进行测试,得到对应的测试结果;
所述提取模块,还用于根据所述目标生产流程信息得到对应的生产顺序关系;提取所述目标生产流程信息的特征信息;根据所述生产顺序关系将所述特征信息依次输入至预设神经网络模型,以使所述预设神经网络模型对所述特征信息进行训练并反馈目标训练测试样本;
所述确定模块,还用于提取所述设备参数信息中的设备特征信息;根据所述设备特征信息在大数据平台查询对应的工作流程信息;根据所述环境参数信息对所述工作流程信息进行调整,得到目标生产流程信息;
所述确定模块,还用于根据所述环境参数信息确定智能终端工厂的生产流程权重值;根据所述工作流程信息确定目标设备的工作流程权重值;获取预设权重算法,根据所述预设权重算法对所述生产流程权重值和工作流程权重值进行计算,得到目标调整度;根据所述目标调整度对所述工作流程信息进行调整,得到目标生产流程信息;
所述预设权重算法为:
5.一种智能终端工厂的测试设备,其特征在于,所述智能终端工厂的测试设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能终端工厂的测试程序,所述智能终端工厂的测试程序配置有实现如权利要求1至3中任一项所述的智能终端工厂的测试方法。
6.一种存储介质,其特征在于,所述存储介质上存储有智能终端工厂的测试程序,所述智能终端工厂的测试程序被处理器执行时实现如权利要求1至3中任一项所述的智能终端工厂的测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855029.8A CN113627755B (zh) | 2021-07-27 | 2021-07-27 | 智能终端工厂的测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855029.8A CN113627755B (zh) | 2021-07-27 | 2021-07-27 | 智能终端工厂的测试方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627755A CN113627755A (zh) | 2021-11-09 |
CN113627755B true CN113627755B (zh) | 2023-06-30 |
Family
ID=78381292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110855029.8A Active CN113627755B (zh) | 2021-07-27 | 2021-07-27 | 智能终端工厂的测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627755B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116991149B (zh) * | 2023-09-28 | 2023-12-08 | 山西磊源电器有限责任公司 | 一种费控产品检验方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
US20060218107A1 (en) * | 2005-03-24 | 2006-09-28 | The University Of Tennessee Research Foundation | Method for controlling a product production process |
CN107578104B (zh) * | 2017-08-31 | 2018-11-06 | 江苏康缘药业股份有限公司 | 一种中药生产过程知识系统 |
CN107578100B (zh) * | 2017-08-31 | 2019-08-16 | 江苏康缘药业股份有限公司 | 一种基于过程参数的结果反馈方法及装置 |
CN108985617B (zh) * | 2018-07-11 | 2021-07-13 | 广东人励智能工程有限公司 | 一种基于智能制造的产品生产流程调度方法及系统 |
CN112424702B (zh) * | 2018-08-14 | 2024-03-08 | 西门子股份公司 | 过程控制器及其方法和系统 |
-
2021
- 2021-07-27 CN CN202110855029.8A patent/CN113627755B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113627755A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113448787B (zh) | 晶圆异常分析的方法、装置、电子设备及可读存储介质 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN110941555A (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
CN113111578B (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
CN115908407B (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
CN113627755B (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
CN111475925A (zh) | 一种电力设备的状态评估方法、装置及存储介质 | |
CN117668692A (zh) | 基于故障检测的智能化电能监控方法、装置、设备和介质 | |
CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN112487716A (zh) | 蜂群无人机平均故障间隔时间的确定方法及系统 | |
CN114625627A (zh) | 一种基于大数据多维分析的用户智能感知方法 | |
CN112037191A (zh) | 一种局域漏电流密度阈值的确定方法、装置和计算机设备 | |
CN113656238B (zh) | 一种智能终端的ai工业应用能力测试方法和系统 | |
CN113191017B (zh) | 虚拟量测模型构建方法、虚拟量测方法、系统、电子设备及计算机可读存储介质 | |
CN111884239B (zh) | 储能电站调节方法 | |
CN117953148A (zh) | 基于运检数据融合的变电站三维模型优化方法及系统 | |
CN117011513A (zh) | 故障定位方法、装置、设备、存储介质和计算机程序产品 | |
CN117557108A (zh) | 电力作业风险智能识别模型的训练方法和装置 | |
CN118152870A (zh) | 一种基于组合模型的配电网供电可靠性预测方法及系统 | |
CN115618260A (zh) | 故障诊断模型训练方法和故障诊断方法 |
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 |