CN113822384A - 数据分析方法、装置、计算机设备、存储介质及程序产品 - Google Patents
数据分析方法、装置、计算机设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113822384A CN113822384A CN202111395799.5A CN202111395799A CN113822384A CN 113822384 A CN113822384 A CN 113822384A CN 202111395799 A CN202111395799 A CN 202111395799A CN 113822384 A CN113822384 A CN 113822384A
- Authority
- CN
- China
- Prior art keywords
- data
- dyeing
- process parameter
- parameter
- result
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 728
- 238000007405 data analysis Methods 0.000 title claims abstract description 87
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 609
- 238000004043 dyeing Methods 0.000 claims abstract description 532
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 53
- 238000009826 distribution Methods 0.000 claims description 41
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000007789 sealing Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 25
- 238000010186 staining Methods 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000007517 polishing process Methods 0.000 claims description 5
- 238000002048 anodisation reaction Methods 0.000 claims description 3
- UIXOHXMSPVARMA-UHFFFAOYSA-N C(C(=O)O)(=[O+][O-])O Chemical compound C(C(=O)O)(=[O+][O-])O UIXOHXMSPVARMA-UHFFFAOYSA-N 0.000 description 31
- 230000003647 oxidation Effects 0.000 description 16
- 238000007254 oxidation reaction Methods 0.000 description 16
- 238000005498 polishing Methods 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000011148 porous material Substances 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- MUBZPKHOEPUJKR-UHFFFAOYSA-N Oxalic acid Chemical compound OC(=O)C(O)=O MUBZPKHOEPUJKR-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 238000002791 soaking Methods 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005238 degreasing Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000006408 oxalic acid Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D11/00—Electrolytic coating by surface reaction, i.e. forming conversion layers
- C25D11/02—Anodisation
- C25D11/04—Anodisation of aluminium or alloys based thereon
- C25D11/18—After-treatment, e.g. pore-sealing
- C25D11/24—Chemical after-treatment
- C25D11/243—Chemical after-treatment using organic dyestuffs
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D11/00—Electrolytic coating by surface reaction, i.e. forming conversion layers
- C25D11/02—Anodisation
- C25D11/04—Anodisation of aluminium or alloys based thereon
- C25D11/18—After-treatment, e.g. pore-sealing
- C25D11/24—Chemical after-treatment
- C25D11/246—Chemical after-treatment for sealing layers
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D21/00—Processes for servicing or operating cells for electrolytic coating
- C25D21/12—Process control or regulation
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- 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
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D11/00—Electrolytic coating by surface reaction, i.e. forming conversion layers
- C25D11/02—Anodisation
- C25D11/04—Anodisation of aluminium or alloys based thereon
- C25D11/06—Anodisation of aluminium or alloys based thereon characterised by the electrolytes used
- C25D11/08—Anodisation of aluminium or alloys based thereon characterised by the electrolytes used containing inorganic acids
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D11/00—Electrolytic coating by surface reaction, i.e. forming conversion layers
- C25D11/02—Anodisation
- C25D11/04—Anodisation of aluminium or alloys based thereon
- C25D11/06—Anodisation of aluminium or alloys based thereon characterised by the electrolytes used
- C25D11/10—Anodisation of aluminium or alloys based thereon characterised by the electrolytes used containing organic acids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/463—Colour matching
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Metallurgy (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Materials Engineering (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
Abstract
本申请公开了数据分析方法、装置、计算机设备、存储介质和程序产品，本申请的数据分析方法包括：获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺，确定每组样本数据中的每类制程参数数据对所述染色结果数据的贡献值，对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色结果的关键制程参数。在一些实施例中，可以对多组样本数据进行分析，确定对阳极染色产品的染色结果产生影响的关键制程参数，并可根据关键制程参数确定提升阳极染色产品的染色质量的方向。
Description
技术领域
本申请涉及计算机领域，具体涉及一种数据分析方法、装置、计算机设备、存储介质及程序产品。
背景技术
在工业加工过程中，一些金属材料如铝合金在做成消费者使用的金属制品时，需要对铝合金进行阳极氧化和染色工艺，以提升金属制品的耐磨性，材料稳定性和外观美观等。阳极氧化和染色工艺简称阳极染色工艺，阳极染色工艺通常包括多类加工制程，如化学抛光、阳极氧化、脱脂、浸泡、染色等，每一类制程可以包括多个制程参数，如阳极氧化制程的温度参数、硫酸浓度参数、停留时间参数等，经过阳极染色工艺即可得到阳极染色产品，对阳极染色产品的进行染色结果检测，以与标准染色规格对比，从而得出阳极染色产品的染色结果。在实际生产中，阳极染色产品的染色结果可能受多种因素的影响，对于如何找到阳极染色工艺的参数与阳极染色产品的染色结果的相应关系，一直是困扰研发人员的问题。
发明内容
鉴于以上内容，有必要提出一种数据分析方法、装置、计算机设备、存储介质及程序产品，可以确定对阳极染色产品的染色结果产生影响的关键制程参数。
本申请的第一方面提供了一种数据分析方法，包括：
获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，所述染色结果数据表征阳极染色产品的染色结果，所述制程参数数据表征所述阳极染色产品在阳极染色过程的制程工艺；
确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值；
对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数。
通过该数据分析方法，可以确定每一组样本数据中每类制程参数数据对染色结果数据的贡献值，从而对每类制程参数数据的多个贡献值进行分析，并根据分析结果从中确定影响阳极染色产品的染色结果的关键制程参数，从而在后续阳极染色加工中进行改进。
在本申请的一些实施例中，所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值，包括：
基于Shapley值法，确定一组样本数据中每类制程参数数据对所述样本数据中的染色结果数据的贡献值。
在一些实施例中，确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值的步骤中，包括：基于第一算法模型和第二算法模型，确定每组样本数据中每类制程参数数据对所述染色结果数据的第一贡献值和第二贡献值；
所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数，包括：对所述多组样本数据对应的所述每类制程参数数据对应的所述第一贡献值和所述第二贡献值进行融合处理，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数。
融合处理可以包括累加、求平均等，对每类制程参数数据的多个第一贡献值和/或多个第二贡献值进行融合处理后，可以得到每类制程参数数据对应的融合后贡献值，进而根据融合后贡献值对制程参数数据进行筛选，从中确定影响阳极染色产品的染色结果的关键制程参数数据对应的关键制程参数。
在本申请的一些实施例中，数据分析方法还包括：
根据多组所述样本数据中的所述染色结果数据和所述关键制程参数对应的关键制程参数数据，通过核密度非参估计算法，生成每类所述关键制程参数对应的关键制程参数数据的良密度分布和不良密度分布，以确定所述每类关键制程参数的不同参数数值与所述染色产品的产品质量的关系。
如此可以在确定关键制程参数数据后，生成关键制程参数数据的良密度分布和不良密度分布，从而确定每类关键制程参数数据的不同参数数值与染色产品的染色质量的关系。
在本申请的一些实施例中，数据分析方法还包括：
基于至少一个所述关键制程参数的良密度分布和不良密度分布，确定所述关键制程参数对应的染色结果为良的数值范围及对应的染色结果为不良的数值范围；
基于所述染色结果为良的数值范围和所述染色结果为不良的数值范围，调整所述关键制程参数的参数数值，以根据所述调整后的参数数值对产品进行阳极染色加工。
如此可以根据关键制程参数的良密度分布和不良密度分布，调整参数数值从而改进后续的阳极染色加工工艺。
在本申请的一些实施例中，染色结果数据包括染色良率数据，
所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值，包括：确定每组样本数据中每类制程参数数据对所述染色良率数据的贡献值；
其中，所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数数据的步骤，包括：对所述多组样本数据对应的所述每类制程参数数据的多个贡献值进行分析，以确定影响所述阳极染色产品的染色良率的至少一类关键制程参数。
如此可以通过分析染色良率数据，确定影响阳极染色产品的染色良率的至少一类关键制程参数。
在本申请的一些实施例中，染色结果数据包括染色偏差数据，数据分析方法还包括：
对阳极染色产品的染色测量数据和染色标准数据做差值计算，以得到每个所述阳极染色产品的染色偏差数据；
其中，所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值，包括：确定每组样本数据中每类制程参数数据对所述染色偏差数据的贡献值；
其中，所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数数据的步骤，包括：
对所述多组样本数据对应的所述每类制程参数数据的多个贡献值进行分析，以确定影响所述阳极染色产品的染色偏差数据的至少一类关键制程参数。
如此可以通过分析染色偏差数据，确定影响阳极染色产品的染色偏差数据的至少一类关键制程参数。
在本申请的一些实施例中，所述染色测量数据包括基于CIELAB色彩空间确定的L结果数据、a结果数据和b结果数据，所述染色偏差数据包括DL偏差数据、Da偏差数据和Db偏差数据，
所述对所述染色测量数据和染色标准数据做差值计算，以得到每个所述染色结果数据对应的染色偏差数据的步骤，包括：
分别对所述L结果数据和标准L数据做差值计算、对所述a结果数据和标准a数据做差值计算、对所述b结果数据和标准b数据做差值计算，得到所述L结果数据对应的DL偏差数据、所述a结果数据对应的Da偏差数据、以及所述b结果数据对应的Db偏差数据；
所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值的步骤，包括：
分别确定每组样本数据中每类制程参数数据对DL偏差数据的贡献值、对Da偏差数据的贡献值以及对Db偏差数据的贡献值；
所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一个关键制程参数数据，包括：
分别对所述多组样本数据对应所述每类制程参数数据的对DL偏差数据的多个所述贡献值、对Da偏差数据的多个所述贡献值、以及对Db偏差数据的多个所述贡献值进行分析，以分别确定影响L偏差数据的关键制程参数、确定影响a偏差数据的关键制程参数及确定影响b偏差数据的关键制程参数。
如此，可以从颜色空间的三个维度，分别确认不同维度下的关键制程参数。
在本申请的一些实施例中，所述制程参数数据包括化学抛光制程参数数据、阳极氧化制程参数数据、染色制程参数数据、封孔制程参数数据和封孔后处理的制程参数数据在内的至少一类。
在本申请的一些实施例中，数据分析方法还包括：
收集阳极染色产品相关的多种类别的染色相关参数数据；剔除所述多种类别的染色相关参数数据中的非反应参数数据，得到多类制程参数数据，所述非反应参数数据包括制程反应容器标识、制程开始时间和制程结束时间。
在本申请的一些实施例中，数据分析方法还包括：
生成所述多组样本数据对应的决策树，所述决策树包括多个节点，每个节点对应一类制程参数以及所述制程参数的增益值；遍历所述决策树，以确定所述决策树中所有具有相邻关系的节点组合；计算每个节点组合包括的至少两类制程参数的增益值对应的增益和值，其中，所述至少两类制程参数包括至少一个所述关键制程参数；对具有相同制程参数的节点组合的增益和值进行累加处理，得到多个总增益和值，每个总增益和值对应包括所述至少两类制程参数的参数组合，以确定共同影响所述阳极染色产品的染色结果的关键参数组合。
如此可以通过数据分析，确定共同影响所述阳极染色产品的染色结果的关键参数组合。
在本申请的一些实施例中，所述关键参数组合包括第一制程参数和第二制程参数，数据分析方法还包括：
基于Shapley值法，对所述多组样本数据中每组样本数据包括的染色结果数据、所述第一制程参数对应的第一制程参数数据及所述第二制程参数对应的第二制程参数数据进行数据分析，得到所述第一制程参数和第二制程参数共同影响所述阳极染色产品的染色结果的交叉性分析结果。
如此可以通过Shapley值法，具体计算并得到第一制程参数数据和第二制程参数数据共同影响阳极染色产品的染色结果的交叉性分析结果。
在本申请的一些实施例中，数据分析方法还包括：
基于所述第一制程参数和所述第二制程参数之间的交叉性分析结果，确定所述第一制程参数和所述第二制程参数的交互图；基于所述交互图中所述第一制程参数和所述第二制程参数的交互关系，调整所述第一制程参数的参数数值和所述第二制程参数的参数数值中的至少之一，以根据调整后的参数数据对产品进行阳极染色加工。
如此可以根据交叉性分析结果，调整参数数值从而改进后续的阳极染色加工工艺。
在本申请的一些实施例中，数据分析方法还包括：
生成所述多组样本数据对应的决策树，所述决策树包括多个节点，每个节点对应一类制程参数；确定所述决策树的根节点到每个叶子节点之间的多条路径，所述路径包括至少两个节点；确定每条所述路径中对应的样本量及所述路径中对应的多组样本数据，满足判断所述样本量超过样本量阈值及判断所述多组样本数据的不良率超过不良率阈值的所述路径为最终不良路径。
如此可以通过数据分析，确定导致阳极染色产品的染色结果不佳的不良路径。
在本申请的一些实施例中，数据分析方法还包括：
基于所述最终不良路径，调整至少一个所述关键制程参数的参数数值，以避开所述最终不良路径，以所述调整后的参数数值对产品进行阳极染色加工。
如此可以根据不良路径，调整参数数值从而改进后续的阳极染色加工工艺。
在本申请的一些实施例中，数据分析方法还包括：
基于所述关键制程参数和所述多组样本数据，确定至少一个所述关键制程参数与所述染色结果数据对应的参数的关系图；根据所述关键制程参数的参数数值在所述关系图中的位置，调整所述关键制程参数的参数数值，以根据所述调整后的参数数值对产品进行阳极染色加工。
如此可以根据关键制程参数与所述染色结果数据对应的参数的关系图，调整参数数值从而改进后续的阳极染色加工工艺。
本申请的第二方面提供了一种数据分析装置，包括：获取模块，用于获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，所述染色结果数据表征阳极染色产品的染色结果，所述制程参数数据表征所述阳极染色产品在阳极染色过程的制程工艺；确定模块，用于确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值；分析模块，用于对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数。
通过该数据分析方法，可以确定每一组样本数据中每类制程参数数据对染色结果数据的贡献值，从而对每类制程参数数据的多个贡献值进行分析，并根据分析结果从中确定影响阳极染色产品的染色结果的关键制程参数，从而在后续阳极染色加工中进行改进。
第三方面，本申请提供了一种计算机设备，所述计算机设备包括至少一个处理器、存储器。所述存储器用于存储指令，所述处理器用于执行所述指令实现上述第一方面的数据分析方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序，所述程序使得计算机设备执行上述第一方面的数据分析方法。
第五方面，本申请提供了一种计算机程序产品，所述计算机程序产品包括计算机可读指令，当所述计算机可读指令被一个或多个处理器执行时实现上述第一方面的数据分析方法。
可以理解地，上述第二方面提供的数据分析装置、第三方面提供的计算机设备、第四方面提供的计算机可读存储介质以及第五方面提供的计算机程序产品，与上述第一方面提供的方法对应，因此，其所能达到的有益效果及各种实现方式可参考上文，此处不再赘述。
附图说明
图1是本申请的数据分析方法的一些实施例的框架示意图；
图2是本申请的数据分析方法的一些实施例的流程示意图；
图3是本申请的数据分析方法的一些实施例的流程示意图；
图4是本申请的数据分析方法的一些实施例的流程示意图；
图5是本申请的数据分析方法的一些实施例的流程示意图；
图6是本申请的数据分析方法的制程参数数据对平均L偏差数据的贡献值示意图；
图7是本申请的数据分析方法的制程参数数据对平均a偏差数据的贡献值示意图；
图8是本申请的数据分析方法的制程参数数据对平均b偏差数据的贡献值示意图；
图9是本申请的数据分析方法的制程参数数据的对L染色良率的贡献值示意图；
图10是本申请的数据分析方法的制程参数数据的对a染色良率的贡献值示意图；
图11是本申请的数据分析方法的制程参数数据的对b染色良率的贡献值示意图；
图12是本申请的数据分析方法的一些实施例的流程示意图；
图13是本申请的数据分析方法的一些实施例的流程示意图；
图14是本申请的数据分析方法的一些实施例的流程示意图；
图15是本申请的数据分析方法的一些实施例的流程示意图；
图16是本申请的数据分析方法的一些实施例中化学抛光时间对应的良密度分布和不良密度分布示意图；
图17是本申请的数据分析方法的一些实施例的流程示意图；
图18是本申请的数据分析方法的一些实施例中参数组合的增益值示意图；
图19是本申请的数据分析方法的一些实施例中氧化草酸浓度与封孔浓度的交互性分析结果示意图；
图20是本申请的数据分析方法的一些实施例的流程示意图；
图21是本申请的数据分析方法的一些实施例的流程示意图；
图22是本申请的数据分析方法的一些实施例中氧化草酸浓度与染色良率的关系示意图；
图23是本申请的数据分析装置的一些实施例的结构示意图；
图24是本申请的计算机设备一些实施例的示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供了一种数据分析方法，该数据分析方法可以集成在数据处理系统中，该数据处理系统可以包括至少一个计算机设备，计算机设备可以包括终端、服务器中的至少一个，服务器可以包括本地服务器、云服务器等，终端可以包括台式电脑、笔记本电脑、智能手机、平板电脑等，计算机设备之间可以以有线或无线的形式进行连接。
比如，数据处理方法可以集成在终端上，终端可以获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，然后终端可以确定每组样本数据中的每类制程参数数据对该样本数据内的染色结果数据的贡献值，再对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，从而在多个制程参数数据中确定对阳极染色产品的染色结果产生影响的至少一类关键制程参数。
参见图1，一些实施例可以首先分析每组样本数据内各类制程参数数据对染色结果数据的贡献值，再对各类制程参数数据在多组样本数据内的多个贡献值进行分析，进而确定对阳极染色产品的染色结果产生影响的关键制程参数。
一些实施例中，可以对关键制程参数对应的良密度分布和不良密度分布，以确定关键制程参数对应染色结果为良时的参数数值范围，以及确定关键制程参数对应染色结果为不良时的参数数值范围。
然后在一些实施例中，可以对包括关键制程参数数据对应的关键制程参数在内的所有制程参数进行分析，确定共同影响阳极染色产品的染色结果的至少一组关键参数组合，关键参数组合包括至少两个制程参数，两个制程参数中包括至少一个关键制程参数。在一些实施例中，还可以对关键制程参数组合进行交叉性分析，得到至少两个制程参数之间的交叉性分析结果。
在一些实施例中，可以根据多组样本数据，分析确定影响阳极染色产品的染色结果的最终不良路径，最终不良数据包括至少两个表征制程参数的节点，以及每个制程参数的特定参数数值范围。
最后，在一些实施例中，可以根据多组样本数据，确定关键制程参数与染色结果数据的关系图。
在一些实施例中，可以通过确定的至少一个关键制程参数、关键制程参数对应的良密度分布和不良密度分布、包含关键制程参数在内的关键参数组合、关键参数组合的交叉性分析结果、最终不良路径以及关键制程参数与染色结果数据的关系图中的至少一个或多个，对阳极染色加工中制程参数的参数数值进行调整，并将调整后的参数数据应用于后续生产，从而提高后续阳极染色产品的染色质量。
下面将对本申请的数据分析方法进行详细介绍。
本申请的一些实施例中，数据分析方法可以由计算机设备实现，数据分析方法的流程示意图可以参见图2，如图2所示，数据分析方法的执行流程可以包括：
101、获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺。
一些实施例可以应用于包含至少一次加工制程的工业加工过程，由该工业加工过程可以对产品进行加工，比如，工业加工过程可以为阳极染色过程，阳极染色过程可以包括至少一类加工制程，加工制程如化学抛光、阳极氧化、浸泡、清洗、染色等等类别，每一类加工制程在阳极染色过程的可以实施至少一次，比如，在阳极染色过程可以进行多次浸泡和清洗的加工制程，在实施加工制程时，可以包括至少一类制程参数。
制程参数数据可以包括控制实施加工制程的条件以及该条件对应的数据。比如，在阳极染色过程，控制实施水洗的制程参数数据包括水洗时长30分钟，控制封孔过程中的制程参数数据包括封孔温度20摄氏度和封孔时长15分钟，其中，控制实施加工制程的条件可以称为制程参数，制程参数对应的数据可以称为参数数值，比如，水洗时长为一类制程参数，30分钟为一个参数数值。需要说明的是封孔温度20摄氏度和封孔时长15分钟分别是一个制程参数数据。
在本申请的一些实施例中，制程参数数据可以包括化学抛光制程参数数据、阳极氧化制程参数数据、染色制程参数数据、封孔制程参数数据和封孔后处理的制程参数数据、清洗制程参数数据在内的至少一类，化学抛光制程参数数据对应的制程参数可以包括化学抛光时间、化学抛光温度、以及化学抛光液的比重，阳极氧化制程参数数据对应的制程参数可以包括氧化停留时间、氧化温度、氧化硫酸浓度、以及氧化草酸浓度，染色制程参数数据对应的制程参数可以包括染色温度、染色pH值、灰色染料浓度、蓝灰色染料浓度、灰色染料比例以及总染色时间，封孔制程参数数据对应的制程参数可以包括封孔停留时间、封孔温度以及封孔浓度，清洗制程参数数据可以包括第一道清洗制程参数数据、第四道清洗制程参数数据等，第一道清洗制程参数数据对应的制程参数可以包括第一道停留时间、第一道浓度以及第一道温度等。
在本申请的一些实施例中，参见图3，还可以包括：
127、收集阳极染色产品相关的多种类别的染色相关参数数据。
128、剔除多种类别的染色相关参数数据中的非反应参数数据，得到多类制程参数数据，非反应参数数据包括制程反应容器标识、制程开始时间和制程结束时间。
确定制程参数的方式可以包括，收集与阳极染色产品的阳极染色过程相关的所有染色相关参数数据，然后可以对染色相关参数数据进行筛选，得到多类制程参数数据，筛选可以包括剔除染色相关参数数据中的非反应参数数据，如制程反应容器标识、制程开始时间和制程结束时间等，剔除还可以包括剔除数据不全比例较高的染色相关参数数据（如样本数据中缺少参数数值的制程参数数量占总制程参数数量的比例超过一定阈值）、剔除数据异常比例较高的染色相关参数数据（数据异常如参数数值明显错误，如pH值为20）等。此外，还可以由人工（如工艺专家）根据经验对染色相关词参数数据进行人工筛选。
比如，收集与阳极染色产品的阳极染色过程相关的119类染色相关参数数据，剔除其中的非反应参数数据，包括制程反应容器标识、制程开始时间和制程结束时间，余下64类染色相关参数数据，再对这其中数据不全，数据异常比例较高的染色相关参数数据剔除，余下36类染色相关参数数据，最后由工艺专家根据经验进行筛除，最终保留23类染色相关参数数据，确定这23类染色相关参数数据为最后确定的样本数据对应的制程参数数据。
对产品实施阳极染色过程后可以得到阳极染色产品，对阳极染色产品进行检测可以得到其对应的染色结果数据，染色结果数据可以包括表征阳极染色产品的颜色的数据。
染色结果数据可以包括对阳极染色产品进行颜色测量得到的染色测量数据，比如，基于CIELAB色彩空间，可以测量阳极染色产品的L值（表征阳极染色产品的颜色深浅程度）、a值（表征阳极染色产品颜色的红绿程度）和b值（表征阳极染色产品颜色的黄蓝程度），依次确定该L值为阳极染色产品的L结果数据，该a值为a结果数据，该b值为b结果数据。
在本申请的一些实施例中，染色结果数据可以包括染色偏差数据，染色偏差数据可以包括对阳极染色产品的染色测量数据和染色标准数据做差再取绝对值得到的数据，比如，对测量得到的阳极染色产品的L值、a值和b值分别与标准L值、标准a值和标准b值做差取绝对值后再取平均值，得到DL偏差数据、Da偏差数据和Db偏差数据。可以对属于同一类的所有染色偏差数据进行平均得到平均偏差数据，比如，对根据所有染色测量数据计算得到的所有DL偏差数据求平均，得到平均L偏差数据。
在本申请的一些实施例中，实施一次阳极染色过程可以对多个产品进行阳极染色，得到多个阳极染色产品，这些阳极染色产品的各类制程参数数据相同，为了便于本申请进行数据分析，可以将这些阳极染色产品的染色结果数据进行融合（融合如求和，求平均，求绝对值后再平均等），得到这一次阳极染色过程对应的阳极染色产品的染色结果数据，该染色结果数据可以为样本数据中的染色结果数据，这一次阳极染色过程的各类制程参数数据可以为该样本数据中的多类制程参数数据。
在本申请的一些实施例中，染色结果数据可以包括染色测量数据的良率和/或不良率（即染色良率或染色不良率），一组数据中的染色测量数据的良率可以包括：对这一组数据所指代的一次阳极染色过程得到的多个阳极染色产品求良率，具体可以包括，测量一次阳极染色过程所得到的每一个阳极染色产品的染色测量数据，并根据该染色测量数据确定该阳极染色产品为良或不良（如将该染色测量数据与标准数值的求差值，比较差值与预设阈值，差值大于该预设阈值则为不良，差值不大于该预设阈值则为良），然后求这一次阳极染色过程的所有阳极染色产品的良率或不良率（如良率可以是一次阳极染色过程所得到的所有良的阳极染色产品的数量除以所有阳极染色产品的数量确定），即为一组样本数据中的一个染色测量数据的良率或不良率，对所有染色测量数据的良率和不良率分别求平均，得到平均染色良率和平均染色不良率。
请一并参阅图2和图4，本申请的一些实施例中还包括：
102、确定每组样本数据中每类制程参数数据对染色结果数据的贡献值。
其中，贡献值可以包括表征制程参数数据对染色结果数据所产生的贡献的数据，确定贡献值的方式可以包括多种，在一些实施例中，参见图4，数据分析方法可以包括：
101’、获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺。
110、基于Shapley值法，确定一组样本数据中每类制程参数数据对所述样本数据中的染色结果数据的贡献值。
103’、对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色结果的至少一类关键制程参数。
可以通过Shapley值法进行计算，得到每类制程参数数据对其对应染色结果数据的贡献值。比如，样本数据1包括阳极染色产品1的染色结果数据1，以及对阳极染色产品1进行阳极染色过程中的制程参数数据1、制程参数数据2和制程参数数据3，可以从其他计算机设备获取或本地生成制程参数数据1对染色结果数据1的单独贡献值1，制程参数数据2对染色结果数据1的单独贡献值2、以及制程参数数据3对染色结果数据1的单独贡献值3。
然后确定制程参数数据1和制程参数数据2对染色结果数据1的混合贡献值4、制程参数数据1和制程参数数据3对染色结果数据1的混合贡献值5、以及制程参数数据2和制程参数数据3对染色结果数据1的混合贡献值6，可由上述6个贡献值使用Shapley值法的公式进行计算，得到在制程参数数据1、制程参数数据2和制程参数数据3共同参与时，制程参数数据1对染色结果数据1的贡献值，制程参数数据2对染色结果数据1的贡献值以及制程参数数据3对染色结果数据1的贡献值。
103、对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色结果的至少一类关键制程参数。
对每一组样本数据进行处理，可以得到每一组组样本数据中每类制程参数数据的贡献值，可以从这些数据中，确定每一类制程参数数据在不同样本数据下的贡献值，得到每一类制程参数数据的多个贡献值。
对每一类制程参数数据的多个贡献值进行分析的方式可以包括多种，比如，可以对一类制程参数数据的多个贡献值进行融合，得到该类制程参数数据的融合后贡献值。融合如求和，求平均等，对应地，融合后贡献值如贡献和值、平均贡献值等。然后可以根据每类制程参数数据的融合后贡献值，对多个制程参数进行筛选，从中确定影响阳极染色产品的染色结果的至少一类关键制程参数，筛选的方式如根据融合后贡献值的大小对制程参数进行排序，并取排序结果中的前N（N为正整数）个制程参数为关键制程参数。
在一些实施例中，参见图5，数据分析方法可以包括：
101’、获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺。
111、基于第一算法模型和第二算法模型，确定每组样本数据中每类制程参数数据对染色结果数据的第一贡献值和第二贡献值。
112、对多组样本数据对应的每类制程参数数据对应的多个第一贡献值和多个第二贡献值进行融合处理，以确定影响阳极染色产品的染色结果的至少一类关键制程参数。
可以通过多个算法（如第一算法模型和第二算法模型）分别计算每组样本数据中每类制程参数数据对染色结果数据的贡献值，得到每组样本数据中每类制程参数数据对应的多个贡献值（如第一贡献值和第二贡献值），然后可以对贡献值进行融合处理，融合处理的方式有多种，比如可以对每组样本数据中每类制程参数数据的多个贡献值进行融合，再对每类制程参数在每组样本数据中的融合后贡献值进行再次融合，得到每类制程参数数据对应的融合后总贡献值/融合后平均贡献值等，又比如，可以直接对每类制程参数数据对应的所有贡献值（包括所有第一贡献值和所有第二贡献值）进行融合，得到每类制程参数数据的融合后总贡献值/融合后平均贡献值等，进而确定影响阳极染色产品的染色结果的至少一类关键制程参数。
比如，参见图6，图中包括多个制程参数数据分别对应的平均贡献值，此处的平均贡献值表征制程参数数据对阳极染色产品的平均L偏差数据的贡献，平均L偏差数据越大表明染色质量越差，该平均贡献值越大，则表明该制程参数数据对染色质量产生的负面作用越大，如图中氧化草酸浓度对平均L偏差数据的贡献值最大，则表明氧化草酸浓度对阳极染色产品的染色质量变差有较大影响。需要说明的是，氧化草酸浓度具体指阳极氧化中电解液中草酸的浓度，此处为方便描述，故做简称为氧化草酸浓度。
又比如，参见图7，图中包括多个制程参数数据分别对应的平均贡献值，此处的平均贡献值表征制程参数数据对阳极染色产品的平均a偏差数据的贡献，平均a偏差数据越大表明染色质量越差，该平均贡献值越大，则表明该制程参数数据对染色质量产生的负面作用越大，如图中氧化草酸浓度对平均a偏差数据的贡献值最大，则表明氧化草酸浓度对阳极染色产品的染色质量变差有较大影响。
又比如，参见图8，图中包括多个制程参数数据分别对应的平均贡献值，此处的平均贡献值表征制程参数数据对阳极染色产品的平均b偏差数据的贡献，平均b偏差数据越大表明染色质量越差，该平均贡献值越大，则表明该制程参数数据对染色质量产生的负面作用越大，如图中氧化硫酸浓度对平均b偏差数据的贡献值最大，则表明氧化硫酸浓度对阳极染色产品的染色质量变差有较大影响。
又比如，参见图9，图中包括多个制程参数数据分别对应的贡献值，此处的贡献值表征制程参数数据对阳极染色产品的L的染色良率的贡献，染色良率越高表明染色质量越好，该贡献值越大，则表明该制程参数数据对染色结果产生的正向作用越大，如图中氧化时间对L的染色良率的贡献度最大，表明氧化时间对阳极染色产品的染色质量变好有较大影响。
又比如，参见图10，图中包括多个制程参数数据分别对应的贡献值，此处的贡献值表征制程参数数据对阳极染色产品的a的染色良率的贡献，染色良率越高表明染色质量越好，该贡献值越大，则表明该制程参数数据对染色结果产生的正向作用越大，如图中氧化停留时间对a的染色良率的贡献度最大，表明氧化时间对阳极染色产品的染色质量变好有较大影响。
又比如，参见图11，图中包括多个制程参数数据分别对应的贡献值，此处的贡献值表征制程参数数据对阳极染色产品的b的染色良率的贡献，染色不良率越高表明染色质量越好，该贡献值越大，则表明该制程参数数据对染色结果产生的正向作用越大，如图中氧化时间对b的染色良率的贡献度最大，表明氧化时间对阳极染色产品的染色质量变好有较大影响。
类似地，也可以对染色不良率进行分析，并得出结论，具体与染色良率的原理和方法相似，在此不再赘述。
在本申请的一些实施例中，染色结果数据可以包括染色良率，此时可以参见图12，数据分析方法可以包括：
116、获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺,染色结果数据包括染色良率。
117、确定每组样本数据中每类制程参数数据对染色良率数据的贡献值。
118、对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色良率的至少一类关键制程参数。
具体地，可以分析每组样本数据中每类制程参数数据对染色良率的贡献值，对多组样本数据对应的每类制程参数的多个贡献值进行分析，从而确定至少一类关键制程参数，可以如对每一类制程参数数据的多个贡献值求平均，得到每一类制程参数数据对应的平均贡献值，将大于预设阈值的平均贡献值对应的制程参数数据对应的制程参数确定为关键制程参数，关键制程参数为对阳极染色产品的平均染色不良率产生较大贡献值的制程参数，即关键制程参数对阳极染色产品的染色质量存在显著的负面作用。
在本申请的一些实施例中，染色结果数据可以包括染色偏差数据，此时可以参见图13，数据分析方法可以包括：
119、对阳极染色产品的染色测量数据和染色标准数据做差值计算，以得到每个阳极染色产品的染色偏差数据。
120、获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺,染色结果数据包括染色偏差数据。
121、确定每组样本数据中每类制程参数数据对染色良率数据的贡献值。
122、对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色偏差数据的至少一类关键制程参数。染色偏差数据可以包括DL偏差数据、Da偏差数据和Db偏差数据，可以依次对所有DL偏差数据、Da偏差数据和Db偏差数据取绝对值求平均，得到平均L偏差数据、平均a偏差数据和平均b偏差数据。
在本申请的一些实施例中，可以参见图14，数据分析方法可以包括：
123、分别对L结果数据和标准L数据做差值计算、对a结果数据和标准a数据做差值计算、对b结果数据和标准b数据做差值计算，得到L结果数据对应的DL偏差数据、a结果数据对应的Da偏差数据、以及b结果数据对应的Db偏差数据。
124、获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺,染色结果数据包括染色偏差数据，染色偏差数据包括DL偏差数据、Da偏差数据和Db偏差数据。
125、分别确定每组样本数据中每类制程参数数据对DL偏差数据的贡献值、对Da偏差数据的贡献值以及对Db偏差数据的贡献值。
126、分别对多组样本数据对应每类制程参数数据的对DL偏差数据的多个贡献值、对Da偏差数据的多个贡献值以及对Db偏差数据的多个贡献值进行分析，以分别确定影响L偏差数据的关键制程参数、确定影响a偏差数据的关键制程参数及确定影响b偏差数据的关键制程参数。可以分别计算每组样本数据中每一类制程参数数据对该组样本数据中的DL偏差数据、Da偏差数据和Db偏差数据的贡献值，然后可以依次对每类制程参数的多个DL偏差数据的贡献值、多个Da偏差数据的贡献值、以及多个Db偏差数据的贡献值进行求和处理，得到每类制程参数的L总贡献值，a总贡献值和b总贡献值。
再分别对所有L总贡献值进行排序，对a总贡献值进行排序、以及对b总贡献值进行排序，将位于排名前N（N为正整数）个的L总贡献值对应的制程参数确定为影响平均L偏差数据的关键制程参数，将位于排名前N（N为正整数）个的a总贡献值对应的制程参数确定为影响平均a偏差数据的关键制程参数，将位于排名前N（N为正整数）个的b总贡献值对应的制程参数确定为影响平均b偏差数据的关键制程参数。已知偏差数据越大则阳极染色产品的染色质量越差，可知此处的关键制程参数为对阳极染色产品某一方面（如L、a、b）的染色结果产生较大的负面影响。
在一些实施例中，也可对对每类制程参数的多个DL偏差数据的贡献值、多个Da偏差数据的贡献值、以及多个Db偏差数据的贡献值进行求和后再求平均处理，再分别对L的平均贡献值进行排序，对a平均贡献值进行排序、以及对b平均贡献值进行排序，将位于排名前N（N为正整数）个的L平均贡献值对应的制程参数确定为影响平均L偏差数据的关键制程参数，将位于排名前N（N为正整数）个的a平均贡献值对应的制程参数确定为影响平均a偏差数据的关键制程参数，将位于排名前N（N为正整数）个的b平均贡献值对应的制程参数确定为影响平均b偏差数据的关键制程参数。
在本申请的一些实施例中，参见图15，数据分析方法还可以包括：
113、根据多组样本数据中的染色结果数据和关键制程参数对应的关键制程参数数据，通过核密度非参估计算法，生成每类关键制程参数的良密度分布和不良密度分布，以确定每类关键制程参数数据的不同参数数值与染色产品的产品质量的关系。
114、基于至少一个关键制程参数的良密度分布和不良密度分布，确定关键制程参数对应的染色结果为良的数值范围及对应的染色结果为不良的数值范围。
115、基于染色结果为良的数值范围和染色结果为不良的数值范围，调整关键制程参数的参数数值，以根据调整后的参数数值对产品进行阳极染色加工。
可以根据多组样本数据中的关键制程参数对应的关键制程参数数据和染色结果数据，生成每类关键制程参数的良密度分布和不良密度分布。
生成密度分布的方式可以包括多种，比如通过核密度非参估计算法生成关键制程参数的良密度分布和不良密度分布，具体地可以先根据样本数据的染色结果数据确定该染色结果数据对应良或不良，统计所有良的染色结果数据对应的多个关键制程参数的参数数值、以及所有不良的染色结果数据对应的多个关键制程参数的参数数值，然后根据预先确定的带宽和核函数，确定良对应的所有参数数值在坐标系上的指代曲线，并对这些指代曲线进行求和处理和归一化处理，得到良密度分布曲线；可以根据预先确定的带宽和核函数，确定不良对应的所有参数数值在坐标系上的指代曲线，并对这些指代曲线进行求和处理和归一化处理，得到不良密度分布曲线，其中，带宽可以基于平方积分误差函数等方式确定，核函数可以包括高斯核、uniform（核函数）、triangular（核函数）、biweight（核函数）、triweight（核函数）、Epanechnikov（核函数）以及normal（核函数）等中的至少一个。
比如，对所有良染色结果数据对应的关键制程参数1的多个参数数值，根据事先确定的带宽h=2、以及高斯核函数，通过核密度非参数估计法，先依次生成每个参数数值的高斯曲线，再对所有高斯曲线进行求和处理和归一化处理，得到关键制程参数1的良密度分布曲线。
通过关键制程参数的良密度分布和不良密度分布，可以确定该关键制程参数数据对应的染色结果为良的参数数值范围、以及染色结果为不良的参数数值范围，并根据染色结果为良的参数数值范围和染色结果为不良的参数数值范围，对该关键制程参数的参数数值进行调整。可以对所有关键制程参数数据的参数数据根据上述方法进行调整，使得调整后的参数数值尽可能避开染色结果为不良的参数数值范围并处于染色结果为良的参数数值内，在阳极染色加工时可以根据关键制程参数数据调整后的参数数值进行。
比如，参见图16，虚线线条为化学抛光时间对应的不良密度分布曲线，实线线条为化学抛光时间对应的良密度分布曲线，由虚线线条可知化学抛光时间的参数数值范围为ta-tb（ta小于tb）时，阳极染色产品的染色结果为不良的概率大于4%；由实线线条可知化学抛光时间的参数数值范围为tc-td（tc小于tb、tc小于td）时，阳极染色产品的染色结果为良的概率大于4%，根据此可以将制程参数数据1的参数数值调整为从m调整为n（n不属于ta-tb且属于tc-td）。
在本申请的一些实施例中，可以根据所有样本数据生成决策树，决策树的生成可以基于分类回归树（Classification And Regression Tree，CART）、条件推断树（Conditional Inference Trees）、迭代二叉树3代（terativeDichotomiser 3，ID3）、极端梯度提升（Extreme Gradient Boosting，XGBoost）等在内的算法实现。
参见图17，数据分析方法还可以包括：
129、生成多组样本数据对应的决策树，决策树包括多个节点，每个节点对应一类制程参数以及制程参数的增益值。
130、遍历决策树，以确定决策树中所有具有相邻关系的节点组合。
131、计算每个节点组合包括的至少两类制程参数的增益值对应的增益和值，其中，至少两类制程参数包括至少一个关键制程参数。
132、对具有相同制程参数的节点组合的增益和值进行累加处理，得到多个总增益和值，每个总增益和值对应包括至少两类制程参数的参数组合，以确定共同影响阳极染色产品的染色结果的关键参数组合，关键参数组合包括第一制程参数和第二制程参数。
133、基于Shapley值法，对多组样本数据中每组样本数据包括的染色结果数据、第一制程参数对应的第一制程参数数据及第二制程参数对应的第二制程参数数据进行数据分析，得到第一制程参数和第二制程参数共同影响阳极染色产品的染色结果的交叉性分析结果。
134、基于第一制程参数和第二制程参数之间的交叉性分析结果，确定第一制程参数和第二制程参数的交互图。
135、基于交互图中第一制程参数和第二制程参数的交互关系，调整第一制程参数的参数数值和第二制程参数的参数数值中的至少之一，以根据调整后的参数数据对产品进行阳极染色加工。生成的决策树可以包括多个节点，每个节点可以表征一类制程参数、以及该制程参数的增益值。可以遍历该决策树，确定该决策树中所有具有相邻关系的节点组合，节点组合可以包括至少两个节点，对应至少两类制程参数，节点组合对应的制程参数中包括至少一类关键制程参数,即找到包含关键制程参数的节点组合。
对节点组合内对应的至少两类制程参数的增益值求和，得到节点组合对应的增益和值，对具有相同制程参数的所有节点组合的增益和值累加，得到总增益和值，每个总增益和值对应包含至少两类制程参数的参数组合，参数组合中包括至少一类关键制程参数，然后可以根据总增益和值从多个参数组合中确定关键参数组合，关键参数组合为共同影响阳极染色产品的染色结果的关键参数组合。确定关键参数组合的方式如将大于预设数值的总增益和值对应的参数组合确定为关键参数组合，等等。
比如，参见图18，图中包括多个参数组合的总增益和值，每个参数组合包括两个制程参数，由图可知氧化草酸浓度和封孔浓度的总增益和值最大，可知氧化草酸浓度和封孔浓度共同作用对阳极染色产品的染色结果产生影响。具体地，在实际生产中，若需要关注氧化草酸浓度对染色结果的影响，对应的也需要考虑是否需要一起考虑封孔浓度。
为了进一步确定关键参数组合如何共同对阳极染色产品产生影响，假定关键参数组合包括第一制程参数和第二制程参数，可以根据所有样本数据中的染色结果数据，第一制程参数对应的第一制程参数数据和第二制程参数对应的第二制程参数数据，基于Shapley值法进行交叉性分析，得到第一制程参数和第二制程参数的交叉性分析结果。
根据交叉性分析结果可以生成交互图，根据交互图中第一制程参数和第二制程参数的交互关系，可以对第一制程参数的参数数值和/或第二制程参数的参数数值进行调整，从而根据调整后的参数数据对产品进行阳极染色加工。
比如，参见图19，图19为氧化草酸浓度和封孔浓度的交叉性分析结果得到的交互图，可以从交互图中得到氧化草酸浓度和封孔浓度在不同参数数据值区间的交互关系，交互关系可以包括氧化草酸浓度在ca-cb（ca小于cb）且封孔浓度在cn-cn（cm小于cn）时对染色结果有显著的负交互关系、氧化草酸浓度在co-cp（co小于cp）且封孔浓度在ct-cs（ct小于cs）时对染色结果有显著的正交互关系，可以根据上述正交互关系和负交互关系，对氧化草酸浓度的参数数值和/或封孔浓度的参数数值进行调整。实际生产中，若需要对氧化草酸浓度进行调整，需要判断调整后的氧化草酸浓度位于哪个区间，若调整后的氧化草酸浓度位于正交互关系的区间，则封孔浓度的调整方向与氧化草酸浓度调整的方向一致，比如氧化草酸浓度相对之前数值减少，则减少封孔浓度，若氧化草酸浓度相对之前数值增加，则增加封孔浓度；若调整后的氧化草酸浓度位于负交互关系的区间，则封孔浓度的调整方向与氧化草酸浓度调整的方向相反，比如氧化草酸浓度相对之前数值增加，则降低封孔浓度，若氧化草酸浓度相对之前数值减少，则增加封孔浓度。从而根据调整后的参数数值对产品进行阳极染色加工。
在本申请的一些实施例中，参见图20，数据分析方法还包括：
136、生成多组样本数据对应的决策树，决策树包括多个节点，每个节点对应一类制程参数。
137、确定决策树的根节点到每个叶子节点之间的多条路径，路径包括至少两个节点。
138、确定每条路径中对应的样本量及路径中对应的多组样本数据，满足判断样本量超过样本量阈值及判断多组样本数据的不良率超过不良率阈值的路径为最终不良路径。
139、基于最终不良路径，调整至少一个关键制程参数的参数数值，以避开最终不良路径，以调整后的参数数值对产品进行阳极染色加工。
具体地，生成决策树的过程中，根节点表征所有样本数据，根据第一制程参数数据（第一制程参数数据可以为所有制程参数数据中的一个）对所有样本数据进行分类（分类标准可以为第一制程参数的参数数值，如将大于第一参数阈值的参数数值的第一制程参数所在的样本数据分为一类，将小于或等于第一参数阈值的参数数值的第一制程参数所在的样本数据分为一类时），得到两组样本数据，每一组样本数据对应根节点的一个子节点，对子节点中的样本数据再次分类，得到新的两组样本数据，以此类推即得到决策树，因此决策树中的每个节点对应一类制程参数和一些样本数据，对决策树进行遍历，可以确定决策树的根节点到叶子节点之间的多条路径，每一条路径包括至少两个节点，对路径中所有节点对应的样本数据的数量进行累加处理，得到该路径的样本量，对路径所有节点对应的样本数据中染色结果数据进行不良率计算，得到路径对应的多组样本数据的染色结果的不良率，将样本量大于样本量阈值且不良率大于不良率阈值的路径确定为最终不良路径。
在本申请的一些实施例中，也可以将样本量大于样本量阈值且不良率大于不良率阈值的路径确定为候选不良路径，再根据每个候选不良路径的不良率进行排名，将其中排名为前N（N为正整数）的候选不良路径确定为最终不良路径。
不良路径包括至少两个节点，每个节点对应满足预设条件的一类制程参数（如大于第一参数阈值的参数数据的第一制程参数），比如，不良路径可以为清洗时间大于20分钟、氧化草酸浓度大于40且氧化硫酸浓度大于20。
在确定最终不良路径后可以对制程参数的参数数值进行调整，使进行阳极染色加工时制程参数的参数数值不在不良路径所指代的数值范围内，从而得到质量更好的阳极染色产品。
在本申请的一些实施例中，参见图21，数据分析方法还包括：
140、基于关键制程参数和多组样本数据，确定至少一个关键制程参数与染色结果数据对应的参数的关系图。
141、根据关键制程参数的参数数值在关系图中的位置，调整关键制程参数的参数数值，以根据调整后的参数数值对产品进行阳极染色加工。
具体地，可以根据样本数据中关键制程参数的参数数值和染色结果数据，生成关键制程参数数据与染色结果数据的关系图，并根据该关系图调整用于阳极染色加工的关键制程参数的参数数值。
比如，参见图22，图22为氧化草酸浓度与染色良率的关系图，横轴为氧化草酸浓度，纵轴为染色良率，点1为氧化草酸浓度的当前参数数值，已知染色检测良率数据越大表示染色质量越好，则若要提高阳极染色产品的染色质量，应该将氧化草酸浓度的参数数值向圈1和圈2移动。
在生产应用过程中，可以根据本申请的一些实施例中得到的关键制程参数、关键制程参数与染色结果数据的关系图、关键制程参数的密度分布、关键参数组合、关键参数组合的交叉性分析结果等中的至少一种，对未来用于阳极染色加工的制程参数的参数数值进行调整，从而得使得未来阳极染色加工得到的阳极染色产品的染色质量更高。
本申请还提供了一种数据分析装置，参见图23，数据分析装置可以包括获取模块201、确定模块202和分析模块203，其中，
获取模块201，用于获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，染色结果数据表征阳极染色产品的染色结果，制程参数数据表征阳极染色产品在阳极染色过程的制程工艺；
确定模块202，用于确定每组样本数据中每类制程参数数据对染色结果数据的贡献值；
分析模块203，用于对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色结果的至少一类关键制程参数。
在本申请的一些实施例中，确定模块具体用于：基于Shapley值法，确定一组样本数据中每类制程参数数据对样本数据中的染色结果数据的贡献值。
在本申请的一些实施例中，确定模块具体用于：基于第一算法模型和第二算法模型，确定每组样本数据中每类制程参数数据对染色结果数据的第一贡献值和第二贡献值；
分析模块具体用于：对多组样本数据对应的每类制程参数数据对应的第一贡献值和第二贡献值进行融合处理，以确定影响阳极染色产品的染色结果的至少一类关键制程参数。
在本申请的一些实施例中，数据分析装置还包括：
密度分布生成模块，用于根据多组样本数据中的染色结果数据和关键制程参数对应的关键制程参数数据，通过核密度非参估计算法，生成每类关键制程参数的良密度分布和不良密度分布，以确定每类关键制程参数数据的不同参数数值与染色产品的产品质量的关系。
在本申请的一些实施例中，数据分析装置还包括：
数值范围确定模块，用于基于至少一个关键制程参数的良密度分布和不良密度分布，确定关键制程参数对应的染色结果为良的数值范围及对应的染色结果为不良的数值范围；
参数数值调整模块，用于基于染色结果为良的数值范围和染色结果为不良的数值范围，调整关键制程参数的参数数值，以根据调整后的参数数值对产品进行阳极染色加工。
在本申请的一些实施例中，染色结果数据包括染色良率数据。
确定模块具体用于：确定每组样本数据中每类制程参数数据对染色良率数据的贡献值；
分析模块具体用于：对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色良率的至少一类关键制程参数。
在本申请的一些实施例中，染色结果数据包括染色偏差数据，数据分析装置还包括：
偏差计算模块，用于对阳极染色产品的染色测量数据和染色标准数据做差值计算，以得到每个阳极染色产品的染色偏差数据；
确定模块具体用于：确定每组样本数据中每类制程参数数据对染色偏差数据的贡献值；
分析模块具体用于：对多组样本数据对应的每类制程参数数据的多个贡献值进行分析，以确定影响阳极染色产品的染色偏差数据的至少一类关键制程参数。
在本申请的一些实施例中，染色测量数据包括基于CIELAB色彩空间确定的L结果数据、a结果数据和b结果数据，染色偏差数据包括DL偏差数据、Da偏差数据和Db偏差数据；
偏差计算模块具体用于：分别对L结果数据和标准L数据做差值计算、对a结果数据和标准a数据做差值计算、对b结果数据和标准b数据做差值计算，得到L结果数据对应的DL偏差数据、a结果数据对应的Da偏差数据、以及b结果数据对应的Db偏差数据。
确定模块具体用于：分别确定每组样本数据中每类制程参数数据对DL偏差数据的贡献值、对Da偏差数据的贡献值以及对Db偏差数据的贡献值；
分析模块具体用于：分别对多组样本数据对应每类制程参数数据的对DL偏差数据的多个贡献值、对Da偏差数据的多个贡献值以及对Db偏差数据的多个贡献值进行分析，以分别确定影响L偏差数据的关键制程参数、确定影响a偏差数据的关键制程参数及确定影响b偏差数据的关键制程参数。
在本申请的一些实施例中，制程参数数据包括化学抛光制程参数数据、阳极氧化制程参数数据、染色制程参数数据、封孔制程参数数据和封孔后处理的制程参数数据在内的至少一类。
在本申请的一些实施例中，数据分析装置还包括：
收集模块，用于收集阳极染色产品相关的多种类别的染色相关参数数据；
剔除模块，用于剔除多种类别的染色相关参数数据中的非反应参数数据，得到多类制程参数数据，非反应参数数据包括制程反应容器标识、制程开始时间和制程结束时间。
在本申请的一些实施例中，数据分析装置还包括：
第一生成模块，用于生成多组样本数据对应的决策树，决策树包括多个节点，每个节点对应一类制程参数以及制程参数的增益值；
第一遍历模块，用于遍历决策树，以确定决策树中所有具有相邻关系的节点组合；
计算模块，用于计算每个节点组合包括的至少两类制程参数的增益值对应的增益和值，其中，至少两类制程参数包括至少一个关键制程参数；
累加模块，用于对具有相同制程参数的节点组合的增益和值进行累加处理，得到多个总增益和值，每个总增益和值对应包括至少两类制程参数的参数组合，以确定共同影响阳极染色产品的染色结果的关键参数组合。
在本申请的一些实施例中，关键参数组合包括第一制程参数和第二制程参数，数据分析装置还包括：
交叉性分析模块，用于基于Shapley值法，对多组样本数据中每组样本数据包括的染色结果数据、第一制程参数对应的第一制程参数数据及第二制程参数对应的第二制程参数数据进行数据分析，得到第一制程参数和第二制程参数共同影响阳极染色产品的染色结果的交叉性分析结果。
在本申请的一些实施例中，数据分析装置还包括：
交叉图确定模块，用于基于第一制程参数和第二制程参数之间的交叉性分析结果，确定第一制程参数和第二制程参数的交互图；
调整模块，用于基于交互图中第一制程参数和第二制程参数的交互关系，调整第一制程参数的参数数值和第二制程参数的参数数值中的至少之一，以根据调整后的参数数据对产品进行阳极染色加工。
在本申请的一些实施例中，数据分析装置还包括：
第二生成模块，用于生成多组样本数据对应的决策树，决策树包括多个节点，每个节点对应一类制程参数；
路径确定模块，用于确定决策树的根节点到每个叶子节点之间的多条路径，路径包括至少两个节点；
不良路径模块，用于确定每条路径中对应的样本量及路径中对应的多组样本数据，满足判断样本量超过样本量阈值及判断多组样本数据的不良率超过不良率阈值的路径为最终不良路径。
在本申请的一些实施例中，数据分析装置还包括：
路径调整模块，用于基于最终不良路径，调整至少一个关键制程参数的参数数值，以避开最终不良路径，以调整后的参数数值对产品进行阳极染色加工。
在本申请的一些实施例中，数据分析装置还包括：
关系图生成模块，用于基于关键制程参数和多组样本数据，确定至少一个关键制程参数与染色结果数据对应的参数的关系图；
关系图调整模块，用于根据关键制程参数的参数数值在关系图中的位置，调整关键制程参数的参数数值，以根据调整后的参数数值对产品进行阳极染色加工。
在一些实施例中，可以确定每一组样本数据中每类制程参数数据对染色结果数据的贡献值，从而对每类制程参数数据的多个贡献值进行分析，并根据分析结果从中确定影响阳极染色产品的染色结果的关键制程参数数据，从而在后续阳极染色加工中进行改进。
参考图24，为本申请提供的计算机设备100的硬件结构示意图。如图24所示，计算机设备100可以包括屏幕1001、处理器1002、存储器1003及通信总线1004。存储器1003用于存储一个或多个计算机程序1005。一个或多个计算机程序1005被配置为被该处理器1002执行。该一个或多个计算机程序1005包括指令，上述指令可以用于实现在计算机设备100中执行数据分析方法的全部或部分步骤。
可以理解的是，本实施例示意的结构并不构成对计算机设备100的具体限定。在另一些实施例中，计算机设备100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。例如，计算机设备100还可以包括摄像头。
处理器1002与可以包括一个或多个处理单元，例如：处理器1002可以包括应用处理器（application processor，AP），调制解调器，图形处理器（graphics processingunit，GPU），图像信号处理器（image signal processor，ISP），控制器，视频编解码器，数字信号处理器（digital signal processor，DSP），基带处理器，和/或神经网络处理器（neural-network processing unit，NPU）等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
处理器1002还可以设置有存储器，用于存储指令和数据。在一些实施例中，处理器1002中的存储器为高速缓冲存储器。该存储器可以保存处理器1002刚用过或循环使用的指令或数据。如果处理器1002需要再次使用该指令或数据，可从该存储器中直接调用。避免了重复存取，减少了处理器1002的等待时间，因而提高了系统的效率。
在一些实施例中，处理器1002可以包括一个或多个接口。接口可以包括集成电路（inter-integrated circuit，I2C）接口，集成电路内置音频（inter-integrated circuitsound，I2S）接口，脉冲编码调制（pulse code modulation，PCM）接口，通用异步收发传输器（universal asynchronous receiver/transmitter，UART）接口，移动产业处理器接口（mobile industry processor interface，MIPI），通用输入输出（general-purposeinput/output，GPIO）接口，SIM接口，和/或USB接口等。
在一些实施例中，存储器1003可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供一种计算机存储介质，该计算机存储介质中存储有计算机指令，当该计算机指令在电子设备上运行时，使得电子设备执行上述相关方法步骤实现上述实施例中的数据分析方法。
本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的数据分析方法。
另外，本申请的实施例还提供一种装置，这个装置具体可以是芯片，组件或模块，该装置可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的数据分析方法。
其中，本实施例提供的计算机设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例是示意性的，例如，该模块或单元的划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
该作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请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全部或部分可以以软件产品的形式体现出来，该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个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。
Claims (20)
1.一种数据分析方法，包括：
获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，所述染色结果数据表征阳极染色产品的染色结果，所述制程参数数据表征所述阳极染色产品在阳极染色过程的制程工艺；
确定所述每组样本数据中每类所述制程参数数据对所述染色结果数据的贡献值；
对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数。
2.根据权利要求1所述的方法，所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值，包括：
基于Shapley值法，确定一组样本数据中每类制程参数数据对所述样本数据中的染色结果数据的贡献值。
3.根据权利要求1所述的方法，其中，所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值的步骤中，包括：
基于第一算法模型和第二算法模型，确定每组样本数据中每类制程参数数据对所述染色结果数据的第一贡献值和第二贡献值；
所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数，包括：对所述多组样本数据对应的所述每类制程参数数据对应的所述第一贡献值和所述第二贡献值进行融合处理，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数。
4.根据权利要求1所述的方法，还包括：
根据所述多组样本数据中的所述染色结果数据和所述关键制程参数对应的关键制程参数数据，通过核密度非参估计算法，生成每类所述关键制程参数的良密度分布和不良密度分布，以确定所述每类关键制程参数数据的不同参数数值与所述染色产品的产品质量的关系。
5.根据权利要求4所述的方法，还包括：
基于至少一个所述关键制程参数的良密度分布和不良密度分布，确定所述关键制程参数对应的染色结果为良的数值范围及对应的染色结果为不良的数值范围；
基于所述染色结果为良的数值范围和所述染色结果为不良的数值范围，调整所述关键制程参数的参数数值，以根据所述调整后的参数数值对产品进行阳极染色加工。
6.根据权利要求1所述的方法，所述染色结果数据包括染色良率数据，
其中，
所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值的步骤，包括：
确定每组样本数据中每类制程参数数据对所述染色良率数据的贡献值；其中，
所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数数据的步骤，包括：
对所述多组样本数据对应的所述每类制程参数数据的多个贡献值进行分析，以确定影响所述阳极染色产品的染色良率的至少一类关键制程参数。
7.根据权利要求1所述的方法，所述染色结果数据包括染色偏差数据，所述方法还包括：
对阳极染色产品的染色测量数据和染色标准数据做差值计算，以得到每个所述阳极染色产品的染色偏差数据；
所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值的步骤，包括：
确定每组样本数据中每类制程参数数据对所述染色偏差数据的贡献值；
所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数数据的步骤，包括：
对所述多组样本数据对应的所述每类制程参数数据的多个贡献值进行分析，以确定影响所述阳极染色产品的染色偏差数据的至少一类关键制程参数。
8.根据权利要求7所述的方法，其中，所述染色测量数据包括基于CIELAB色彩空间确定的L结果数据、a结果数据和b结果数据，所述染色偏差数据包括DL偏差数据、Da偏差数据和Db偏差数据；
所述对所述染色测量数据和染色标准数据做差值计算，以得到每个所述染色结果数据对应的染色偏差数据的步骤，包括：
分别对所述L结果数据和标准L数据做差值计算、对所述a结果数据和标准a数据做差值计算、对所述b结果数据和标准b数据做差值计算，得到所述L结果数据对应的DL偏差数据、所述a结果数据对应的Da偏差数据、以及所述b结果数据对应的Db偏差数据；
所述确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值的步骤，包括：
分别确定每组样本数据中每类制程参数数据对DL偏差数据的贡献值、对Da偏差数据的贡献值以及对Db偏差数据的贡献值；
所述对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一个关键制程参数数据的步骤，包括：
分别对所述多组样本数据对应所述每类制程参数数据的对DL偏差数据的多个所述贡献值、对Da偏差数据的多个所述贡献值以及对Db偏差数据的多个所述贡献值进行分析，以分别确定影响L偏差数据的关键制程参数、确定影响a偏差数据的关键制程参数及确定影响b偏差数据的关键制程参数。
9.根据权利要求1所述的方法，所述制程参数数据包括化学抛光制程参数数据、阳极氧化制程参数数据、染色制程参数数据、封孔制程参数数据和封孔后处理的制程参数数据在内的至少一类。
10.根据权利要求1所述的方法，还包括：
收集阳极染色产品相关的多种类别的染色相关参数数据；
剔除所述多种类别的染色相关参数数据中的非反应参数数据，得到多类制程参数数据，所述非反应参数数据包括制程反应容器标识、制程开始时间和制程结束时间。
11.根据权利要求1所述的方法，还包括：
生成所述多组样本数据对应的决策树，所述决策树包括多个节点，每个节点对应一类制程参数以及所述制程参数的增益值；
遍历所述决策树，以确定所述决策树中所有具有相邻关系的节点组合；
计算每个节点组合包括的至少两类制程参数的增益值对应的增益和值，其中，所述至少两类制程参数包括至少一个所述关键制程参数；
对具有相同制程参数的节点组合的增益和值进行累加处理，得到多个总增益和值，每个总增益和值对应包括所述至少两类制程参数的参数组合，以确定共同影响所述阳极染色产品的染色结果的关键参数组合。
12.根据权利要求11所述的方法，所述关键参数组合包括第一制程参数和第二制程参数，所述方法还包括：
基于Shapley值法，对所述多组样本数据中每组样本数据包括的染色结果数据、所述第一制程参数对应的第一制程参数数据及所述第二制程参数对应的第二制程参数数据进行数据分析，得到所述第一制程参数和第二制程参数共同影响所述阳极染色产品的染色结果的交叉性分析结果。
13.根据权利要求12所述的方法，还包括：
基于所述第一制程参数和所述第二制程参数之间的交叉性分析结果，确定所述第一制程参数和所述第二制程参数的交互图；
基于所述交互图中所述第一制程参数和所述第二制程参数的交互关系，调整所述第一制程参数的参数数值和所述第二制程参数的参数数值中的至少之一，以根据调整后的参数数据对产品进行阳极染色加工。
14.根据权利要求1所述的方法，还包括：
生成所述多组样本数据对应的决策树，所述决策树包括多个节点，每个节点对应一类制程参数；
确定所述决策树的根节点到每个叶子节点之间的多条路径，所述路径包括至少两个节点；
确定每条所述路径中对应的样本量及所述路径中对应的多组样本数据，满足判断所述样本量超过样本量阈值及判断所述多组样本数据的不良率超过不良率阈值的所述路径为最终不良路径。
15.根据权利要求14所述的方法，还包括：
基于所述最终不良路径，调整至少一个所述关键制程参数的参数数值，以避开所述最终不良路径，以所述调整后的参数数值对产品进行阳极染色加工。
16.根据权利要求1所述的方法，还包括：
基于所述关键制程参数和所述多组样本数据，确定至少一个所述关键制程参数与所述染色结果数据对应的参数的关系图；
根据所述关键制程参数的参数数值在所述关系图中的位置，调整所述关键制程参数的参数数值，以根据所述调整后的参数数值对产品进行阳极染色加工。
17.一种数据分析装置，包括：
获取模块，用于获取多组样本数据，其中，每组样本数据包括染色结果数据和多类制程参数数据，所述染色结果数据表征阳极染色产品的染色结果，所述制程参数数据表征所述阳极染色产品在阳极染色过程的制程工艺；
确定模块，用于确定每组样本数据中每类制程参数数据对所述染色结果数据的贡献值；
分析模块，用于对所述多组样本数据对应的所述每类制程参数数据的多个所述贡献值进行分析，以确定影响所述阳极染色产品的染色结果的至少一类关键制程参数。
18.一种计算机设备，其特征在于，所述计算机设备包括至少一个处理器、存储器和通信模块；
所述至少一个处理器与所述存储器和所述通信模块连接；
所述存储器用于存储指令，所述处理器用于执行所述指令，所述通信模块用于在所述至少一个处理器的控制下与装置进行通信；
所述指令在被所述至少一个处理器执行时，使所述至少一个处理器执行如权利要求1至16中任一项所述的方法。
19.一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存储有程序，所述程序使得计算机设备执行如权利要求1至16中任一项所述的方法。
20.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机可读指令，当所述计算机可读指令被一个或多个处理器执行时实现如权利要求1至16中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111395799.5A CN113822384B (zh) | 2021-11-23 | 2021-11-23 | 数据分析方法、装置、计算机设备及存储介质 |
| US17/993,180 US20230160811A1 (en) | 2021-11-23 | 2022-11-23 | Data analysis method, computing device, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111395799.5A CN113822384B (zh) | 2021-11-23 | 2021-11-23 | 数据分析方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822384A true CN113822384A (zh) | 2021-12-21 |
| CN113822384B CN113822384B (zh) | 2022-05-06 |
Family
ID=78919766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111395799.5A Active CN113822384B (zh) | 2021-11-23 | 2021-11-23 | 数据分析方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230160811A1 (zh) |
| CN (1) | CN113822384B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114629679A (zh) * | 2022-01-26 | 2022-06-14 | 深圳市风云实业有限公司 | 一种数据报文染色与检测方法及装置 |
| CN115033557A (zh) * | 2022-08-11 | 2022-09-09 | 富联裕展科技(深圳)有限公司 | 一种染色模型建立方法、装置、染色方法、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103309984A (zh) * | 2013-06-17 | 2013-09-18 | 腾讯科技（深圳）有限公司 | 数据处理的方法和装置 |
| CN106204324A (zh) * | 2016-07-07 | 2016-12-07 | 西安西热电站信息技术有限公司 | 一种确定电厂复杂设备关键监测参数及各参数权重分配的方法 |
| CN106649907A (zh) * | 2015-11-03 | 2017-05-10 | 财团法人工业技术研究院 | 工艺异因分析方法与工艺异因分析系统 |
| CN111815435A (zh) * | 2020-07-14 | 2020-10-23 | 深圳市卡牛科技有限公司 | 一种群体风险特征的可视化方法、装置、设备及存储介质 |
| CN113378332A (zh) * | 2021-08-16 | 2021-09-10 | 成都数联云算科技有限公司 | 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 |
| CN113469241A (zh) * | 2021-06-29 | 2021-10-01 | 中国航空规划设计研究总院有限公司 | 基于工艺网络模型与机器学习算法的产品质量控制方法 |
| CN113643100A (zh) * | 2021-08-30 | 2021-11-12 | 北京值得买科技股份有限公司 | 一种商品相似度判定模块贡献量化方法及系统 |
-
2021
- 2021-11-23 CN CN202111395799.5A patent/CN113822384B/zh active Active
-
2022
- 2022-11-23 US US17/993,180 patent/US20230160811A1/en active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103309984A (zh) * | 2013-06-17 | 2013-09-18 | 腾讯科技（深圳）有限公司 | 数据处理的方法和装置 |
| CN106649907A (zh) * | 2015-11-03 | 2017-05-10 | 财团法人工业技术研究院 | 工艺异因分析方法与工艺异因分析系统 |
| CN106204324A (zh) * | 2016-07-07 | 2016-12-07 | 西安西热电站信息技术有限公司 | 一种确定电厂复杂设备关键监测参数及各参数权重分配的方法 |
| CN111815435A (zh) * | 2020-07-14 | 2020-10-23 | 深圳市卡牛科技有限公司 | 一种群体风险特征的可视化方法、装置、设备及存储介质 |
| CN113469241A (zh) * | 2021-06-29 | 2021-10-01 | 中国航空规划设计研究总院有限公司 | 基于工艺网络模型与机器学习算法的产品质量控制方法 |
| CN113378332A (zh) * | 2021-08-16 | 2021-09-10 | 成都数联云算科技有限公司 | 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 |
| CN113643100A (zh) * | 2021-08-30 | 2021-11-12 | 北京值得买科技股份有限公司 | 一种商品相似度判定模块贡献量化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李宁 等: "基于动态数据分析的工业锅炉节能诊断模型", 《工业炉》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114629679A (zh) * | 2022-01-26 | 2022-06-14 | 深圳市风云实业有限公司 | 一种数据报文染色与检测方法及装置 |
| CN114629679B (zh) * | 2022-01-26 | 2024-02-13 | 深圳市风云实业有限公司 | 一种数据报文染色与检测方法及装置 |
| CN115033557A (zh) * | 2022-08-11 | 2022-09-09 | 富联裕展科技(深圳)有限公司 | 一种染色模型建立方法、装置、染色方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230160811A1 (en) | 2023-05-25 |
| CN113822384B (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822384B (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
| CN112581463B (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
| CN111737481B (zh) | 知识图谱的降噪方法、装置、设备和存储介质 | |
| WO2023284465A1 (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
| JP2019531553A (ja) | Ｉｈｃ画像解析用の自動化された核の面積／数の推定 | |
| Cao et al. | [Retracted] Performance Analysis of Otsu‐Based Thresholding Algorithms: A Comparative Study | |
| Chen et al. | Iterative grouping median filter for removal of fixed value impulse noise | |
| CN111401478B (zh) | 数据异常识别方法以及装置 | |
| CN111340139B (zh) | 一种图像内容复杂度的判别方法及装置 | |
| Khan et al. | Efficient clustering approach for adaptive unsupervised colour image segmentation | |
| Guada et al. | A novel edge detection algorithm based on a hierarchical graph-partition approach | |
| Chaturvedi et al. | Multi-level Segmentation of Fruits Using Modified Firefly Algorithm | |
| CN113377683B (zh) | 软件测试用例的生成方法、系统、设备、终端、介质及应用 | |
| Lake | Nonparametric entropy estimation using kernel densities | |
| CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
| Li et al. | A hybrid edge detection method for cell images based on fuzzy entropy and the canny operator | |
| CN113269205A (zh) | 视频关键帧提取方法、装置、电子设备及存储介质 | |
| Shao et al. | No-Reference image quality assessment based on edge pattern feature in the spatial domain | |
| CN113392916A (zh) | 基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质 | |
| CN116260973B (zh) | 一种时域滤波方法、装置、电子设备及存储介质 | |
| CN109543565A (zh) | 一种数量确定方法及装置 | |
| CN109522952B (zh) | 一种基于聚类刻画fMRI动态变异性偏离度的方法 | |
| CN117633559A (zh) | 用户类型演化检测方法、装置、电子设备及存储介质 | |
| CN117495742B (zh) | 图像的染色转移方法、装置、设备及介质 | |
| CN118114197A (zh) | 运动想象脑电分类模型训练方法、装置、设备及存储介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 518109 Foxconn H5 plant 101, No. 2, Donghuan 2nd Road, Fukang community, Longhua street, Longhua District, Shenzhen, Guangdong Province; plant 5, building C09, 4th floor, building C07, 2nd floor, building C08, 3rd floor, 4th floor, building C04, zone B, Foxconn Hongguan science and Technology Park, Fucheng Dasan community, Guanlan street, Guangdong Province Patentee after: Fulian Yuzhan Technology (Shenzhen) Co.,Ltd. Address before: 518109 Guangzhou Guanlan Foxconn Hongguan Science Park B workshop 5 C09 buildings 4 floors, C07 buildings 2 floors, C08 buildings 3 floors 4 floors, C04 buildings 1 floors Patentee before: SHENZHENSHI YUZHAN PRECISION TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address |