CN114139839B - 一种基于工况的机器学习方法及相关装置 - Google Patents
一种基于工况的机器学习方法及相关装置 Download PDFInfo
- Publication number
- CN114139839B CN114139839B CN202210117341.1A CN202210117341A CN114139839B CN 114139839 B CN114139839 B CN 114139839B CN 202210117341 A CN202210117341 A CN 202210117341A CN 114139839 B CN114139839 B CN 114139839B
- Authority
- CN
- China
- Prior art keywords
- working condition
- code
- target
- product
- parameter
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 134
- 238000000034 method Methods 0.000 claims abstract description 113
- 238000004519 manufacturing process Methods 0.000 claims abstract description 110
- 239000000463 material Substances 0.000 claims abstract description 90
- 238000007689 inspection Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims description 70
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012827 research and development Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000021588 free fatty acids Nutrition 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于工况的机器学习方法及相关装置,应用于电子设备。方法通过获取目标工况的物料检验数据、目标工况的产线工况数据和工况编码规则,根据物料检验数据、产线工况数据和工况编码规则确定目标工况的目标编码,将目标编码与目标工况的预设编码进行对比,若目标编码与预设编码不一致,且目标工况未创建机器学习任务,则针对目标工况建立第一机器学习任务,为第一机器学习任务配置第一机器训练参数;将第一机器训练参数输入产品参数预测模型,对目标工况进行机器训练,得到多个第一学习结果,并从多个第一学习结果中确定标杆值。这样,通过机器训练得到精准的产品参数预测模型,能够提高工艺优化的效率,得到准确的产品参数。
Description
技术领域
本申请属于生产数据处理技术领域,具体涉及一种基于工况的机器学习方法及相关装置。
背景技术
目前,传统的化工厂、流程制造性企业的生产工艺优化,依靠一线操作人员经验的积累,这种方式使得工艺提升难度大、周期长,且优秀经验无法共享,无法固化推广。同时传统的经验缺少大数据和精确的统计分析的支撑,无法适应当前智能化生产的需要。
发明内容
本申请实施例提供了一种基于工况的机器学习方法及相关装置,以期提高工艺优化的效率。
第一方面,本申请实施例提供了一种基于工况的机器学习方法,应用于电子设备,所述方法包括:
获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则,所述目标工况为目标产品在生产过程中的任一生产工序,所述物料检验数据包括所述目标工况所涉及的至少一个第一物料类型,所述产线工况数据包括所述目标工况生产过程中的生产工艺所对应的至少一个第一工艺参数,所述工况编码规则包括所述至少一个第一物料类型的第一编码规则和所述至少一个第一工艺参数的第二编码规则;
根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码;
将所述目标编码与所述目标工况的预设编码进行对比;
若所述目标编码与所述预设编码不一致,且所述目标工况未创建机器学习任务,则针对所述目标工况建立第一机器学习任务;
为所述第一机器学习任务配置第一机器训练参数;
将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个第一学习结果,并从所述多个第一学习结果中确定出标杆值,所述标杆值在量产测试中为所述目标产品提供作为产品参数标准。
第二方面,本申请实施例提供了一种基于工况的机器学习装置,应用于电子设备,所述装置包括:
获取单元,用于获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则,所述目标工况为目标产品在生产过程中的任一生产工序,所述物料检验数据包括所述目标工况所涉及的至少一个第一物料类型,所述产线工况数据包括所述目标工况生产过程中的生产工艺所对应的至少一个第一工艺参数,所述工况编码规则包括所述至少一个第一物料类型的第一编码规则和所述至少一个第一工艺参数的第二编码规则;
编码单元,用于根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码;
比较单元,用于将所述目标编码与所述目标工况的预设编码进行对比;
创建单元,用于若所述目标编码与所述预设编码不一致 ,且所述目标工况未创建机器学习任务,则针对所述目标工况建立第一机器学习任务;
配置单元,用于为所述第一机器学习任务配置第一机器训练参数,
训练单元,用于将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个第一学习结果,并从所述多个第一学习结果中确定出标杆值,所述标杆值在量产测试中为所述目标产品提供作为产品参数标准。
第三方面,本申请实施例提供了一种电子设备,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行本申请实施例第一方面和第二方面中任一方面的步骤的指令。
第四方面,本申请实施例提供了一种计算机存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如本实施例第一方面和第二方面中任一方面所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面和第二方面中任一方面所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,首先通过获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则、然后根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码,再将所述目标编码与所述目标工况的预设编码进行对比,若所述目标编码与所述预设编码不一致 ,则确定所述目标工况是否已创建机器学习任务,若所述目标工况未建立机器学习任务,则针对所述目标工况建立第一机器学习任务;为所述第一机器学习任务配置第一机器训练参数,对所述目标工况进行机器训练,得到训练后的产品参数预测模型。这样,通过机器训练得到精准的产品参数预测模型,能够提高工艺优化的效率,得到准确的产品数据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种系统架构示意图;
图2是本申请实施例提供的一种基于工况的机器学习方法的流程示意图;
图3是本申请实施例提供的一种基于工况的机器学习装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、系统、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面先对本申请涉及到的相关术语进行介绍。
机器学习:机器学习在20世纪下半叶演变为人工智能(AI)的一个分支,它通过自学习算法从数据中获得知识来进行预测。机器学习并不需要事先对大量数据进行人工分析,然后提取规则并建立模型,而是提供了一种更为有效的方法来捕获数据中的知识,逐步提高预测模型的性能,以完成数据驱动的决策。
多工况:工况的定义是生产流程的输入要素(人机料法环测)特性值的变化区间的组合,在实际生产中这些要素的组合会按要素的特性区间,进行分区编码,形成不同的工况编码。不同的工况组合,对生产流程的控制参数会有显著影响。多工况是指生产过程是按不同的工况进行生产分类管理。
目前,传统的化工厂、流程制造性企业的生产工艺优化,依靠一线操作人员经验的积累,这种方式使得工艺提升难度大、周期长,且优秀经验无法共享,无法固化推广。同时传统的经验缺少大数据和精确的统计分析的支撑,无法适应当前智能化生产的需要。此外,传统生产企业在生产过程中,生产设备运行边界条件不断变化,包括但不限于:来料质量多变,气候多变,设备多变,负荷多变。这样,导致优秀经验在设备运行应用难度大,同时生产过程中往往只有一套大而全的生产工艺标准,按该标准生产出来的产品质量指标波动很大,品质很不稳定,需要工程师按自己的经验来调整工艺参数,缺少一种多工况分类管理设备最优参数运行的机制,保证产品的质量、成本、效率指标目标的达成。
为解决上述问题,本申请实施例提供了一种基于工况的机器学习方法。该方法可以应用于对产品参数进行预测或者优化的场景中。可以通过获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则、然后根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码,再将所述目标编码与所述目标工况的预设编码进行对比,若所述目标编码与所述预设编码不一致 ,则确定所述目标工况是否已创建机器学习任务,若所述目标工况未建立机器学习任务,则针对所述目标工况建立第一机器学习任务;为所述第一机器学习任务配置第一机器训练参数,对所述目标工况进行机器训练,得到训练后的产品参数预测模型。本方案可以适用于多种场景,包括但不限于上述提到的应用场景。
下面介绍本申请实施例涉及的系统架构。
本申请还提供了一种电子设备10,如图1所示,其包括至少一个处理器(processor)11;显示屏12;以及存储器(memory)13,还可以包括通信接口(CommunicationsInterface)15和总线14。其中,处理器11、显示屏12、存储器13和通信接口15可以通过总线14完成相互间的通信。显示屏12设置为显示初始设置模式中预设的用户引导界面。通信接口15可以传输信息。处理器11可以调用存储器13中的逻辑指令,以执行上述实施例中的方法。
可选的,所述电子设备10可以是移动电子设备,也可以是电子设备或其他设备,在此不做唯一性限定。
此外,上述的存储器13中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。
存储器13作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器11通过运行存储在存储器13中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器13可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据电子设备10的使用所创建的数据等。此外,存储器13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,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)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
下面对具体的方法进行详细的介绍。
请参阅图2,本申请还提供了一种基于工况的机器学习方法,可以应用于如上文所述的电子设备。所述方法包括:
步骤201、获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则。
其中,所述目标工况为目标产品在生产过程中的任一生产工序,所述物料检验数据包括所述目标工况所涉及的至少一个第一物料类型,所述产线工况数据包括所述目标工况生产过程中的生产工艺所对应的至少一个第一工艺参数,所述工况编码规则包括所述至少一个第一物料类型的第一编码规则和所述至少一个第一工艺参数的第二编码规则。
步骤202、根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码。
在一个可能的实施例中,所述根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码,包括:从所述第一编码规则中确定出所述至少一个第一物料类型所对应的至少一个第一物料编码;从所述第二编码规则中确定出所述至少一个第一工艺参数所对应的至少一个第一工艺编码;将所述至少一个第一物料编码和所述至少一个第一工艺编码按照所述工况编码规则进行组合,得到所述目标编码。
具体实现中,所述第一编码规则中包括第一物料类型及其对应的第一物料编码;例如大豆游游离脂肪酸,其在所述第一编码规则中的第一物料编码为1;同样的所述第二编码规则中包括第一工艺参数及其所对应的第一工艺编码,例如环境温度,不同的环境温度(即第一工艺参数)的第一工艺编码不同,如-10℃-10℃之间编码为1,10℃-20℃之间编码为2,20℃-30℃之间编码为3,大于30℃之编码为4。由此可知,在确定第一物料类型之后,可以在所述第一编码规则中查询出所述第一物料类型对应的第一物料编码,在确定所述第一物料类型所对应的第一工艺参数后,可以从所述第二编码规则中查询出所述第一工艺参数所对应的第一工艺编码。此外,所述工况编码规则中还包括第一物料类型和第一工艺参数的排列方式,例如,在目标编码中的第一位数用于指示第一物料类型,第二位数用于指示工艺参数,因此以第一物料类型为大豆游游离脂肪酸,且第一工艺参数为环境温度20℃-30℃为例,在确定出所述第一物料编码和所述第一工艺编码后,根据工况编码规则中的所述排列方式得到的目标编码为:13。
可以理解的是,第一物料类型可以有多个,所述第一工艺参数也可以有多种,不限于环境温度,还可以是压强、空间大小、湿度、用量等,目标编码的长度可以根据是目标工况所涉及的第一物料类型数量和第一工艺参数的数量进行适应性调整,在此不做唯一性限定。
可以看出,本实施例中,为不同的物料和工艺设置相应的编码,再进行编码组合得到目标编码,实现了对物料和工艺的分类管理,提高了生产的精细化程度,进而提升了产品品质。
步骤203、将所述目标编码与所述目标工况的预设编码进行对比。
具体实现中,将所述目标编码与所述目标工况的预设编码进行对比的目的是:确定所述目标工况为已建立机器学习任务的老工况还是未建立机器学习任务的新工况。判断对比过程中存在以下情况:(1)所述目标工况可能不存在预设编码,此时,对比结果为不一致;(2)查询到所述目标工况的预设编码,但是所述预设编码与所述目标编码不一致,则对比结果为不一致;(3)查询到所述目标工况的预设编码,所述预设编码与所述目标编码一致,则对比结果为一致。在对比结果为一致时,则确定所述目标工况为所述老工况;在对比结果为不一致时,则确定所述目标工况为所述新工况。
在一个可能的实施例中,所述将所述目标编码与所述目标工况的预设编码进行对比之后,所述方法还包括:若所述目标编码与所述预设编码一致,且所述目标工况未启动所述机器学习任务,则确定所述目标工况是否存在所述标杆值;若所述目标工况不存在所述标杆值,则针对所述目标工况建立第二机器学习任务;为所述第二机器学习任务配置第二机器训练参数,对所述目标工况进行训练,得到标杆值;或者,将初始研发版本的产品参数设置为所述目标工况的标杆值;若所述目标工况不存在所述标杆值,但存在符合要求的第一学习结果,则将所述第一学习结果所对应的产品参数作为所述标杆值。
具体实现中,当所述目标编码与所述预设编码一致时,确认所述目标工况为已建立机器学习任务的老工况。若所述目标工况不存在标杆值,则表示所述机器学习任务未被执行,进而查询研发阶段确定出的初始研发版本的产品参数作为所述标杆值作为是第二机器学习任务的第二机器训练参数,执行所述已建立的机器学习任务,得到所述标杆值。可以理解的是,本实施例存在另一种情况,即所述目标工况不存在所述标杆值,但存在符合要求的学习结果,此时,表示机器学习任务已执行过,但可能得到的学习结果不符合要求,从而未确定标杆值,此时,可以将所述学习结果所对应的产品参数设置为所述标杆值,以待后续有改进方案后再进行优化处理。
可以看出,本实施例中,在编码对比结果一致时,进一步确定机器学习任务是否被执行,以确保每个工况都能得到相应的标杆值。
在一个可能的实施例中,所述将初始研发版本的工艺参数设置为所述目标工况的标杆值之后,所述方法还包括:若所述目标编码与所述预设编码一致,且所述目标工况已启动所述机器学习任务进行机器训练,则根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;根据所述对应关系从训练集数据库中查询出对应的训练集;将所述训练集设置为所述机器学习任务的机器训练参数。
具体实现中,当所述目标编码与所述预设编码一致时,若检测到所述目标工况已启动已建立的所述机器学习任务,表示正在进行机器训练,可能是多次迭代训练的其中一次,也可能是重新启动的机器训练任务,此时,则根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;根据所述对应关系从训练集数据库中查询出对应的训练集;将所述训练集设置为所述机器学习任务的机器训练参数。
可以看出,本实施例中,实现了在机器学习过程中提供迭代所用的机器训练参数,以完成多次机器训练。
在一个可能的实施例中,所述将所述目标编码与所述目标工况的预设编码进行对比之后,所述方法还包括:若所述目标编码与所述预设编码不一致,且所述目标工况已建立所述机器学习任务,则根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;根据所述对应关系从训练集数据库中查询出对应的训练集;将所述训练集设置为所述机器学习任务的第一机器训练参数。
具体实现中,在所述目标编码与所述预设编码不一致的情况下,若检测到所述目标工况已建立所述机器学习任务,则表示该工况为新建的闲置工况,但是未配置相应的机器训练数据,因此,只需要根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;根据所述对应关系从训练集数据库中查询出对应的训练集;将所述训练集设置为所述机器学习任务的第一机器训练参数即可。在完成参数设置之后,再进行机器训练及后续得到标杆值的步骤。
可以看出,本实施例中,实现了检测闲置工况,以重新启动闲置工况的目的。
步骤204、若所述目标编码与所述预设编码不一致,且所述目标工况未创建机器学习任务,则针对所述目标工况建立第一机器学习任务。
具体实现中,当所述目标编码与所述预设编码不一致时,则表明当前处理的目标工况未经过机器训练或者所述目标工况中的参数(物料类型、工艺参数等)有变更。因此先确定所述目标工况在此之前是否已创建机器学习任务,以便进行后续处理。此时,通过确定所述目标工况是否已建立机器学习任务来确定上述两种情况。若已建立机器学习任务,则表示发生了参数变更;若未建立机器学习任务,则表示未经过机器训练;可以在确定情况之后添加想要的标识符,以标记本次处理为哪种情况,例如添加第一标识码指示所述目标工况发生参数变更,添加第二标识码指示所述目标工况未经过机器训练。若确定所述目标工况未建立机器学习任务,则针对所述目标工况建立第一学习任务。
在一个可能的实施例中,若所述目标工况已建立机器学习任务,则将所述第一物料类型和所述第一工艺参数作为新的机器训练参数与所述目标工况替换所述目标工况的机器学习任务原有的机器训练参数。
可以看出,本实施例中,在目标工况中的参数发生变更时,能够进行相应的调整,以重新进行机器学习,得到新的标杆值。
步骤205、为所述第一机器学习任务配置第一机器训练参数;
在一个可能的实施例中,所述为所述第一机器学习任务配置第一机器训练参数,包括:确定工况数据库中是否存在与所述目标工况相近的第一工况;若存在所述第一工况,则将第一参数设置为所述第一机器学习任务的所述第一机器训练参数,所述第一参数为所述第一工况的第一标杆值所对应的所述第一物料检验数据和所述第一工艺参数,所述第一标杆值为所述第一工况通过所述产品参数预测模型得到的多个第一产品参数中的最优参数值。
示例的,所述工况数据库中存储有多个工况的工况数据,所述工况数据包括上述的物料检验数据、产线工况数据、标杆值以及这些参数的历史数据和其他参数,所述其他参数包括但不限于预设编码。
具体实现中,由于上述的对比结果为不一致,因此所述目标工况为新工况。新工况为了加快机器学习的速度,在数据库中查询与所述目标工况相近的第一工况,将所述第一工况的标杆值所对应的第一参数,设置为所述第一机器学习任务的第一机器训练参数,使得在机器训练过程中只需要调整较少的参数。
可以看出,本实施例中,用相近工况的参数对目标工况进行机器训练,加快了目标工况机器学习的速度。
在一个可能的实施例中,所述目标编码包括多个子编码,所述多个子编码中每个子编码为所述第一物料编码或第一工艺编码;所述确定工况数据库中是否存在与所述目标工况相近的第一工况,包括:确定所述目标编码中每个子编码对应的物料或生产工艺对产品的影响等级,所述影响等级用于指示物料或生产工艺对产品的影响程度;从所述工况数据库中查询与所述目标编码相似度最高的至少一个第二工况对应的至少一个第一编码;确定所述至少一个第一编码中每个第一编码与所述目标编码存在差异的第二编码,得到至少一个第二编码;从所述至少一个第二编码中确定出第三编码,所述第三编码是指所述多个子编码中影响等级最低的子编码对应的第二编码;将所述第三编码对应的第二工况确定为所述第一工况。
示例的,所述目标编码和所述第一编码的位数一样,可以按顺序将所述目标编码和所述第一编码中相同位置编码进行对比,以确定是否存在差异。
具体实现中,将所述工况数据库中差异程度最小(即相似度最高)的工况作为所述第二工况,最优情况下,所述每个第二工况对应的第一编码均只有一个第二编码与所述目标编码存在差异。在确定出所述至少一个第二编码后,根据所述至少一个第二编码对应的至少一个子编码的影响等级,确定出影响等级最低的子编码所对应的第二编码,即为所述第三编码。然后将所述第三编码所对应的第二工况确定为所述第一工况。
具体的,可能存所述第二编码与所述目标编码之间的差异为两位编码、三位编码或更多位编码的情况,由于差异较大反而会增加机器学习的难度,因此,设置一个第一阈值,若差异编码的数量大于所述第一阈值,则输出提示信息以提示用户手动添加所述第一机器训练参数。
可以理解的是,物料对产品的影响不一定大于或小于生成工艺对产品的影响,例如,有些物料存在可以替换物料,在更改为可替换物料后,对产品的影响可能较小,而温度、湿度等生成工艺也可能会对产品造成严重影响,从而导致出现劣品,反之亦然。
可以看出,本实施例中,可以基于工况数据库查询与目标工况最相近的第一工况,进而用相近工况的参数对目标工况进行机器训练,加快了目标工况机器学习的速度。
206、将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个学习结果,并从所述多个学习结果中确定出标杆值。
其中,所述标杆值在量产测试中为所述目标产品提供作为产品参数标准。
在一个可能的实施例中,所述将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个学习结果,并从所述多个学习结果中确定出标杆值,包括:将所述第一机器训练参数输入所述产品参数预测模型对进行多次迭代训练,得到多个第一学习结果;根据目标工况对应的目标参数,针对所述多个第一学习结果进行打分,所述目标参数为所述目标工况对应的产品的预期参数;若所述多个第一学习结果中存在分数大于第一预设值的至少一个第二学习结果,则判断训练完成;将所述至少一个第二学习结果中分数最高的第一学习结果所对应的产品参数设置为所述标杆值,将所述标杆值对应的第一机器训练参数设置为标杆工艺参数。
具体实现中,根据所述目标工况所对应的产品为所述第一机器学习任务设置所述目标参数,在每次训练完成得到学习结果后,根据所述目标参数对执行所述第一机器学习任务得到的第一学习结果进行打分。打分方式包括:(1)根据与所述目标参数的误差范围打分;(2)设置多个等级的目标参数,所述第一学习结果满足哪个等级目标参数则给出相应等级的分数;(3)第(1)种方式和第(2)种方式同时使用。在完成本次打分步骤后,确定本次的第一学习结果的分数是否大于第一预设值,若是,则确定为第二学习结果。再得到第一个第二学习结果之后,可以再进行多次迭代,若得到的多个第二学习结果与所述第一个第二学习结果分数差异较大则继续进行迭代,若得到的多个第二学习结果与所述第一个第二学习结果分数差异在第一预设范围内,则完成机器学习,将分数最高的第二学习结果作为所述标杆值,将所述标杆值对应的第一机器训练参数设置为标杆工艺参数。
进一步的,若第一学习结果的分数小于第一预设值,但是大于第二预设值,则表示该第一学习结果对应的第一产品参数未达标,此时电子设备将该第一学习结果对应的第一产品参数设置为不可量产验证版本,不可量产验证版本的第一产品参数不参与后续的实际量产验证阶段的流程,可以由用户自行选择是否直接将该第一产品参数作为标杆值。可以理解的是,该不可量产验证版本的第一产品参数可以由电子设备接收用户输入的指令进行修改,可修改为可以量产验证版本,此时,则改第一产品参数则可参与后续的实际量产验证阶段的流程。
进一步的,若第一学习结果的分数小于第三预设值,则表示该第一学习结果对应的第一产品参数不仅未达标,而且与所述预期参数差别较大,此时,基于该第一产品参数进行训练参数修正,再继续进行机器学习。
可以看出,本实施例中,通过多次迭代训练,并对学习结果进行打分,以确定出最符合预期的产品参数,以确保机器学习的效果。
在一个可能的实施例中,所述从所述多个第一学习结果中确定出标杆值之后,所述方法还包括:获取基于所述标杆值进行N次实际生产得到的N个第一产品对应的M个第一产品参数,其中,N为大于零的正整数,M为大于等于N的正整数;计算所述N个第一产品中每个第一产品对应的产品参数的产品指标,得到N个产品指标值;若所述M个产品指标值中有K个产品指标值大于第一预设指标值,则确定所述标杆值可以应用于实际生产,其中,K为小于等于M的正整数;若所述M个产品指标值中有K个产品指标值在所述第一预设指标值和第二预设指标值的范围内,则确定所述标杆值可以应用于实际生产,其中,所述第二预设指标值小于所述第一预设指标值;若所述M个产品指标值中有K个产品指标值小于所述第二预设指标值,则确定所述标杆值不可应用于实际生产。
具体实现中,在完成机器训练并确定出标杆值之后,需要对标杆值进行实际测试,以确保所述标杆值能够符合实际产品的要求。实际测试中,会再生产线上进行少量的试产,例如进行N次生产得到N个第一产品,将得到的产品进行数据统计,得到相应的M个第一产品数据。电子设备获取所述M个第一产品数据,通过计算得到相应的产品指标值,所述产品指标值可以是CPK值。由于最优的CPK值为1.33,及格产品需要达到的CPK值为1.0,因此可以将所述第一预设指标值设置为1.33,将次一级的第二指标值设置为1.0,而CPK值小于1.0则为不及格产品。进一步的,若在所述N个CPK值中超过K个产品指标值大于第一预设指标值,则表示第一产品非常优良,因此,确定所述标杆值可以应用于实际生产。若在所述N个CPK值中超过K个产品指标值在所述第一预设指标值和第二预设指标值的范围内,则表示第一产品的良率在预设范围内,因此,确定所述标杆值可以应用于实际生产。若所述N个产品指标值中有K个产品指标值小于所述第二预设指标值,则表示,产品良率太低,劣品较多,因此,确定所述标杆值不可应用于实际生产。
可以理解的是,上述三种情况中,K的值可以一样也可以不一样,在此不做唯一性限定。
可以看出,本实施例中,通过对实际生产数据的验证,以确保训练得到的标杆值为可以用值,避免大规模生产出现重大损失。
综上所述,本申请实施例中,首先通过获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则、然后根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码,再将所述目标编码与所述目标工况的预设编码进行对比,若所述目标编码与所述预设编码不一致 ,则确定所述目标工况是否已创建机器学习任务,若所述目标工况未建立机器学习任务,则针对所述目标工况建立第一机器学习任务;为所述第一机器学习任务配置第一机器训练参数,对所述目标工况进行机器训练,得到训练后的产品参数预测模型。这样,通过机器训练得到精准的产品参数预测模型,能够提高工艺优化的效率,得到准确的产品数据。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
请参阅图3,图3是本申请实施例提供的一种基于工况的机器学习装置的结构示意图,所述基于工况的机器学习装置40应用于电子设备,所述装置包括:
获取单元401,用于获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则,所述目标工况为目标产品在生产过程中的任一生产工序,所述物料检验数据包括所述目标工况所涉及的至少一个第一物料类型,所述产线工况数据包括所述目标工况生产过程中的生产工艺所对应的至少一个第一工艺参数,所述工况编码规则包括所述至少一个第一物料类型的第一编码规则和所述至少一个第一工艺参数的第二编码规则;
编码单元402,用于根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码;
比较单元403,用于将所述目标编码与所述目标工况的预设编码进行对比;
创建单元404,用于若所述目标编码与所述预设编码不一致 ,且所述目标工况未创建机器学习任务,则针对所述目标工况建立第一机器学习任务;
配置单元405,用于为所述第一机器学习任务配置第一机器训练参数;
训练单元406,用于将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个学习结果,并从所述多个学习结果中确定出标杆值,所述标杆值在量产测试中为所述目标产品提供作为产品参数标准。
可以看出,本实施例中,首先通过获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则、然后根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码,再将所述目标编码与所述目标工况的预设编码进行对比,若所述目标编码与所述预设编码不一致 ,则确定所述目标工况是否已创建机器学习任务,若所述目标工况未建立机器学习任务,则针对所述目标工况建立第一机器学习任务;为所述第一机器学习任务配置第一机器训练参数,对所述目标工况进行机器训练,得到训练后的产品参数预测模型。这样,通过机器训练得到精准的产品参数预测模型,能够提高工艺优化的效率,得到准确的产品数据。
在一个可能的实施例中,所述根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码的方面,所述编码单元402具体用于:从所述第一编码规则中确定出所述至少一个第一物料类型所对应的至少一个第一物料编码;从所述第二编码规则中确定出所述至少一个第一工艺参数所对应的至少一个第一工艺编码;将所述至少一个第一物料编码和所述至少一个第一工艺编码按照所述工况编码规则进行组合,得到所述目标编码。
在一个可能的实施例中,所述将所述目标编码与所述目标工况的预设编码进行对比的方面之后,所述创建单元404还用于:若所述目标编码与所述预设编码一致,且所述目标工况未启动所述机器学习任务,则确定所述目标工况是否存在所述标杆值,若所述目标工况不存在所述标杆值,则针对所述目标工况建立第二机器学习任务;所述配置单元405还用于:为所述第二机器学习任务配置第二机器训练参数;所述训练单元406还用于:对所述目标工况进行训练,得到标杆值;或者,将初始研发版本的产品参数设置为所述目标工况的标杆值;若所述目标工况不存在所述标杆值,但存在符合要求的第一学习结果,则将所述第一学习结果所对应的产品参数作为所述标杆值。
在一个可能的实施例中,所述将初始研发版本的工艺参数设置为所述目标工况的标杆值的方面之后,所述配置单元405还用于:若所述目标编码与所述预设编码一致,且所述目标工况已启动所述机器学习任务进行机器训练,则根据所述目标编码从积分卡计分卡数据库中查询出训练集与目标编码的对应关系;根据所述对应关系从训练集数据库中查询出对应的训练集;将所述训练集设置为所述机器学习任务的机器训练参数。
在一个可能的实施例中,所述将初始研发版本的工艺参数设置为所述目标工况的标杆值的方面之后,所述配置单元405还用于:若所述目标编码与所述预设编码不一致,且所述目标工况已建立所述机器学习任务,则根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;根据所述对应关系从训练集数据库中查询出对应的训练集;将所述训练集设置为所述机器学习任务的第一机器训练参数。
在一个可能的实施例中,所述为所述第一机器学习任务配置第一机器训练参数的方面,所述配置单元405具体用于:确定工况数据库中是否存在与所述目标工况相近的第一工况;若存在所述第一工况,则将第一参数设置为所述第一机器学习任务的所述第一机器训练参数,所述第一参数为所述第一工况的第一标杆值所对应的所述第一物料检验数据和所述第一工艺参数,所述第一标杆值为所述第一工况通过所述产品参数预测模型得到的多个第一产品参数中的最优参数值。
在一个可能的实施例中,所述目标编码包括多个子编码,所述多个子编码中每个子编码为所述第一物料编码或第一工艺编码;所述确定工况数据库中是否存在与所述目标工况相近的第一工况的方面,所述配置单元405具体用于:确定所述目标编码中每个子编码对应的物料或生产工艺对产品的影响等级,所述影响等级用于指示物料或生产工艺对产品的影响程度;从所述工况数据库中查询与所述目标编码相似度最高的至少一个第二工况对应的至少一个第一编码;确定所述至少一个第一编码中每个第一编码与所述目标编码存在差异的第二编码,得到至少一个第二编码;从所述至少一个第二编码中确定出第三编码,所述第三编码是指所述多个子编码中影响等级最低的子编码对应的第二编码;将所述第三编码对应的第二工况确定为所述第一工况。
在一个可能的实施例中,所述将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个学习结果,并从所述多个学习结果中确定出标杆值的方面,所述训练单元406具体用于:将所述第一机器训练参数输入所述产品参数预测模型进行多次迭代训练,得到多个第一学习结果;根据目标工况对应的目标参数,针对所述多个第一学习结果进行打分,所述目标参数为所述目标工况对应的产品的预期参数;若所述多个第一学习结果中存在分数大于第一预设值的至少一个第二学习结果,则判断训练完成;将所述至少一个第二学习结果中分数最高的第一学习结果所对应的产品参数设置为所述标杆值,将所述标杆值对应的第一机器训练参数设置为标杆工艺参数。
在一个可能的实施例中,所述从所述多个第一学习结果中确定出标杆值之后,所述装置还包括:获取单元,用于获取基于所述标杆值进行N次实际生产得到的N个第一产品对应的M个第一产品参数,其中,N为大于零的正整数,M为大于等于N的正整数;计算单元,用于计算所述N个第一产品中每个第一产品对应的产品参数的产品指标,得到N个产品指标值;确定单元,用于在所述N个产品指标值中有K个产品指标值大于第一预设指标值时,则确定所述标杆值可以应用于实际生产,其中,K为小于等于N的正整数;在所述N个产品指标值中有K个产品指标值在所述第一预设指标值和第二预设指标值的范围内时,则确定所述标杆值可以应用于实际生产,其中,所述第二预设指标值小于所述第一预设指标值;在所述N个产品指标值中有K个产品指标值小于所述第二预设指标值时,则确定所述标杆值不可应用于实际生产。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置和系统,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的;例如,所述单元的划分,仅仅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系统,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。
所述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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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,在本发明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包括,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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、磁碟、光盘、易失性存储器或非易失性存储器。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random access memory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。等各种可以存储程序代码的介质。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (11)
1.一种基于工况的机器学习方法,其特征在于,应用于电子设备,所述方法包括:
获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则,所述目标工况为目标产品在生产过程中的任一生产工序,所述物料检验数据包括所述目标工况所涉及的至少一个第一物料类型,所述产线工况数据包括所述目标工况生产过程中的生产工艺所对应的至少一个第一工艺参数,所述工况编码规则包括所述至少一个第一物料类型的第一编码规则和所述至少一个第一工艺参数的第二编码规则;
根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码;
将所述目标编码与所述目标工况的预设编码进行对比;
若所述目标编码与所述预设编码不一致,且所述目标工况未创建机器学习任务,则针对所述目标工况建立第一机器学习任务;
为所述第一机器学习任务配置第一机器训练参数;
将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个第一学习结果,并从所述多个第一学习结果中确定出标杆值,所述标杆值在量产测试中为所述目标产品提供作为产品参数标准;
所述为所述第一机器学习任务配置第一机器训练参数,包括:
确定工况数据库中是否存在与所述目标工况相近的第一工况;
所述目标编码包括多个子编码,所述多个子编码中每个子编码为第一物料编码或第一工艺编码;所述确定工况数据库中是否存在与所述目标工况相近的第一工况,包括:
确定所述目标编码中每个子编码对应的物料或生产工艺对产品的影响等级,所述影响等级用于指示物料或生产工艺对产品的影响程度;
从所述工况数据库中查询与所述目标编码相似度最高的至少一个第二工况对应的至少一个第一编码;
确定所述至少一个第一编码中每个第一编码与所述目标编码存在差异的第二编码,得到至少一个第二编码;
从所述至少一个第二编码中确定出第三编码,所述第三编码是指所述多个子编码中影响等级最低的子编码对应的第二编码;
将所述第三编码对应的第二工况确定为所述第一工况。
2.根据权利要求1所述的方法,其特征在于,所述根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码,包括:
从所述第一编码规则中确定出所述至少一个第一物料类型所对应的至少一个第一物料编码;
从所述第二编码规则中确定出所述至少一个第一工艺参数所对应的至少一个第一工艺编码;
将所述至少一个第一物料编码和所述至少一个第一工艺编码按照所述工况编码规则进行组合,得到所述目标编码。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标编码与所述目标工况的预设编码进行对比之后,所述方法还包括:
若所述目标编码与所述预设编码一致,且所述目标工况未启动所述机器学习任务,则确定所述目标工况是否存在所述标杆值;
若所述目标工况不存在所述标杆值,则针对所述目标工况建立第二机器学习任务;
为所述第二机器学习任务配置第二机器训练参数,对所述目标工况进行训练,得到标杆值;或者,
将初始研发版本的产品参数设置为所述目标工况的标杆值;
若所述目标工况不存在所述标杆值,但存在符合要求的第一学习结果,则将所述第一学习结果所对应的产品参数作为所述标杆值。
4.根据权利要求3所述的方法,其特征在于,所述将初始研发版本的工艺参数设置为所述目标工况的标杆值之后,所述方法还包括:
若所述目标编码与所述预设编码一致,且所述目标工况已启动所述机器学习任务进行机器训练,则根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;
根据所述对应关系从训练集数据库中查询出对应的训练集;
将所述训练集设置为所述机器学习任务的机器训练参数。
5.根据权利要求1所述的方法,其特征在于,所述将所述目标编码与所述目标工况的预设编码进行对比之后,所述方法还包括:
若所述目标编码与所述预设编码不一致,且所述目标工况已建立所述机器学习任务,则根据所述目标编码从计分卡数据库中查询出训练集与目标编码的对应关系;
根据所述对应关系从训练集数据库中查询出对应的训练集;
将所述训练集设置为所述机器学习任务的第一机器训练参数。
6.根据权利要求1所述的方法,其特征在于,所述为所述第一机器学习任务配置第一机器训练参数,还包括:
若存在所述第一工况,则将第一参数设置为所述第一机器学习任务的所述第一机器训练参数,所述第一参数为所述第一工况的第一标杆值所对应的第一产品参数,所述第一标杆值为所述第一工况通过所述产品参数预测模型得到的多个第一产品参数中的最优参数值。
7.根据权利要求1所述的方法,其特征在于,所述将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个学习结果,并从所述多个学习结果中确定出标杆值,包括:
将所述第一机器训练参数输入所述产品参数预测模型进行多次迭代训练,得到多个第一学习结果;
根据目标工况对应的目标参数,针对所述多个第一学习结果进行打分,所述目标参数为所述目标工况对应的产品的预期参数;
若所述多个第一学习结果中存在分数大于第一预设值的至少一个第二学习结果,则判断训练完成;
将所述至少一个第二学习结果中分数最高的第一学习结果所对应的产品参数设置为所述标杆值,将所述标杆值对应的第一机器训练参数设置为标杆工艺参数。
8.根据权利要求1所述的方法,其特征在于,所述从所述多个第一学习结果中确定出标杆值之后,所述方法还包括:
获取基于所述标杆值进行N次实际生产得到的N个第一产品对应的M个第一产品参数,其中,N为大于零的正整数,M为大于等于N的正整数;
计算所述N个第一产品中每个第一产品对应的产品参数的产品指标,得到N个产品指标值;
若所述N个产品指标值中有K个产品指标值大于第一预设指标值,则确定所述标杆值可以应用于实际生产,其中,K为小于等于N的正整数;
若所述N个产品指标值中有K个产品指标值在所述第一预设指标值和第二预设指标值的范围内,则确定所述标杆值可以应用于实际生产,其中,所述第二预设指标值小于所述第一预设指标值;
若所述N个产品指标值中有K个产品指标值小于所述第二预设指标值,则确定所述标杆值不可应用于实际生产。
9.一种基于工况的机器学习装置,其特征在于,应用于电子设备,所述装置包括:
获取单元,用于获取目标工况的物料检验数据、所述目标工况的产线工况数据和工况编码规则,所述目标工况为目标产品在生产过程中的任一生产工序,所述物料检验数据包括所述目标工况所涉及的至少一个第一物料类型,所述产线工况数据包括所述目标工况生产过程中的生产工艺所对应的至少一个第一工艺参数,所述工况编码规则包括所述至少一个第一物料类型的第一编码规则和所述至少一个第一工艺参数的第二编码规则;
编码单元,用于根据所述物料检验数据、所述产线工况数据和所述工况编码规则确定所述目标工况的目标编码;
比较单元,用于将所述目标编码与所述目标工况的预设编码进行对比;
创建单元,用于若所述目标编码与所述预设编码不一致,且所述目标工况未创建机器学习任务,则针对所述目标工况建立第一机器学习任务;
配置单元,用于为所述第一机器学习任务配置第一机器训练参数,
训练单元,用于将所述第一机器训练参数输入产品参数预测模型,对所述目标工况进行机器训练,得到多个第一学习结果,并从所述多个第一学习结果中确定出标杆值,所述标杆值在量产测试中为所述目标产品提供作为产品参数标准;
所述为所述第一机器学习任务配置第一机器训练参数的方面,所述配置单元具体用于:确定工况数据库中是否存在与所述目标工况相近的第一工况;
所述目标编码包括多个子编码,所述多个子编码中每个子编码为第一物料编码或第一工艺编码;所述确定工况数据库中是否存在与所述目标工况相近的第一工况的方面,所述配置单元具体用于:确定所述目标编码中每个子编码对应的物料或生产工艺对产品的影响等级,所述影响等级用于指示物料或生产工艺对产品的影响程度;从所述工况数据库中查询与所述目标编码相似度最高的至少一个第二工况对应的至少一个第一编码;确定所述至少一个第一编码中每个第一编码与所述目标编码存在差异的第二编码,得到至少一个第二编码;从所述至少一个第二编码中确定出第三编码,所述第三编码是指所述多个子编码中影响等级最低的子编码对应的第二编码;将所述第三编码对应的第二工况确定为所述第一工况。
10.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-8任一项所述的方法中的步骤的指令,或者所述程序包括权利要求9所述的装置的步骤的指令。
11.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-8任一项所述的方法中的步骤的指令,或者执行如权利要求9所述的装置的步骤的指令。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210675207.3A CN115130737A (zh) | 2022-02-08 | 2022-02-08 | 基于工况的机器学习方法及相关装置和介质程序产品 |
CN202210117341.1A CN114139839B (zh) | 2022-02-08 | 2022-02-08 | 一种基于工况的机器学习方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117341.1A CN114139839B (zh) | 2022-02-08 | 2022-02-08 | 一种基于工况的机器学习方法及相关装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210675207.3A Division CN115130737A (zh) | 2022-02-08 | 2022-02-08 | 基于工况的机器学习方法及相关装置和介质程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114139839A CN114139839A (zh) | 2022-03-04 |
CN114139839B true CN114139839B (zh) | 2022-05-17 |
Family
ID=80382200
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117341.1A Active CN114139839B (zh) | 2022-02-08 | 2022-02-08 | 一种基于工况的机器学习方法及相关装置 |
CN202210675207.3A Pending CN115130737A (zh) | 2022-02-08 | 2022-02-08 | 基于工况的机器学习方法及相关装置和介质程序产品 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210675207.3A Pending CN115130737A (zh) | 2022-02-08 | 2022-02-08 | 基于工况的机器学习方法及相关装置和介质程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114139839B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418456B (zh) * | 2022-03-11 | 2022-07-26 | 希望知舟技术(深圳)有限公司 | 一种基于工况的机器学习进度管控方法及相关装置 |
CN114356895B (zh) * | 2022-03-16 | 2022-06-07 | 希望知舟技术(深圳)有限公司 | 基于异常工况数据库管理的方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202020100886U1 (de) * | 2020-02-18 | 2021-05-25 | Dieffenbacher GmbH Maschinen- und Anlagenbau | Vorrichtung zur Prozessoptimierung einer Produktionsanlage |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101353729A (zh) * | 2008-07-18 | 2009-01-28 | 中南大学 | 一种基于工况判断的智能集成建模方法 |
CN108764694A (zh) * | 2018-05-23 | 2018-11-06 | 江苏中车数字科技有限公司 | 基于结构化工艺设计的生产管理方法 |
CN110543616B (zh) * | 2018-12-26 | 2022-12-02 | 西安电子科技大学 | 基于工业大数据的smt锡膏印刷体积预测方法 |
CN111338302B (zh) * | 2020-02-28 | 2022-12-02 | 合肥力拓云计算科技有限公司 | 基于工业大数据和工业物联网的化工工艺建模处理系统 |
CN111701698B (zh) * | 2020-05-26 | 2022-02-22 | 上海万澄环保科技有限公司 | 一种水泥磨系统及其自动寻优控制系统和方法 |
CN112036701B (zh) * | 2020-07-30 | 2022-04-22 | 杭州安脉盛智能技术有限公司 | 一种面向多工序工业生产过程的工艺参数优化方法 |
-
2022
- 2022-02-08 CN CN202210117341.1A patent/CN114139839B/zh active Active
- 2022-02-08 CN CN202210675207.3A patent/CN115130737A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202020100886U1 (de) * | 2020-02-18 | 2021-05-25 | Dieffenbacher GmbH Maschinen- und Anlagenbau | Vorrichtung zur Prozessoptimierung einer Produktionsanlage |
Also Published As
Publication number | Publication date |
---|---|
CN114139839A (zh) | 2022-03-04 |
CN115130737A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114139839B (zh) | 一种基于工况的机器学习方法及相关装置 | |
CN107464023B (zh) | 生命周期预测模型的在线学习方法和设备 | |
US20230341842A1 (en) | Systems and methods for automated prediction of machining workflow in computer aided manufacturing | |
CN113655768B (zh) | 装配良率控制方法、设备及计算机可读存储介质 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN115936262B (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
CN110008977A (zh) | 聚类模型构建方法以及装置 | |
CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN112711542B (zh) | 一种用于手机客户端进行测试环境切换的方法 | |
CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN105528399A (zh) | 多源终端参数数据融合方法及装置 | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
JP7367196B2 (ja) | レジーム・シフトの識別及び分析のための方法及びシステム | |
CN115879826B (zh) | 一种基于大数据的精细化工工艺质检方法、系统及介质 | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
US20170160892A1 (en) | Individual customization system and method | |
CN112491985A (zh) | 远程抄表数据处理方法、燃气表系统及燃气云平台 | |
CN109284828A (zh) | 一种超参数调优方法、装置及设备 | |
CN102053571A (zh) | 信息采集终端的数据采集方法 | |
CN112734005B (zh) | 预测模型的确定方法、装置、电子设备及存储介质 | |
CN115407736A (zh) | 一种提高产品良率的方法、装置、设备及介质 | |
CN112747413B (zh) | 空调系统负荷预测方法及装置 | |
CN112419098A (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
CN116542196B (zh) | 基于有效时钟路径的集成电路时序分析方法、系统及介质 | |
CN118297245A (zh) | 能源用量预测方法、装置、计算机设备和存储介质 |
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 |