CN114167825A - 产品的控制图获得方法、装置、终端设备以及存储介质 - Google Patents
产品的控制图获得方法、装置、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN114167825A CN114167825A CN202111391137.0A CN202111391137A CN114167825A CN 114167825 A CN114167825 A CN 114167825A CN 202111391137 A CN202111391137 A CN 202111391137A CN 114167825 A CN114167825 A CN 114167825A
- Authority
- CN
- China
- Prior art keywords
- function value
- control chart
- preset
- iterative operation
- operation times
- 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 66
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 216
- 238000005070 sampling Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种产品的控制图获得方法，包括：获取目标产品对应的迭代函数值；在已迭代运算次数未到达预设迭代运算次数时，根据已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；利用调整后的约束期望权重提升矩阵准则和预设约束条件，对迭代函数值进行处理，获得更新点函数值；利用更新点函数值进行迭代操作，直到更新后的已迭代运算次数达到预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得目标产品的控制图。本发明还公开一种产品的控制图获得装置、终端设备以及存储介质。利用本发明的方法，提高了最后一次迭代运算的迭代函数值，实现了提高产品的控制图准确率的技术效果。
Description
技术领域
本发明涉及产品的数据处理技术领域，特别涉及一种产品的控制图获得方法、装置、终端设备以及存储介质。
背景技术
“统计过程控制”是当今一种最流行和最有效的质量改进方法。统计过程控制技术主要指运用休哈特的过程控制理论即控制图来监控产品在生产过程中的各个阶段，即工序的质量特性，根据控制图上的点分布状况，分析质量特性的趋势，采取预防措施，确保生产过程处于统计控制状态，从而达到改进与保证质量的目的。
“均值-标准偏差”控制图因为其易于设计和操作的优势，已被广泛应用于质量特性平均值和偏差的分析中。大量研究者都致力于“均值-标准偏差”控制图的优化设计，即为通过优化样本量、采样间隔、均值控制图和标准差控制图的上下控制限值来获得最大受控平均链长、最小失控平均链长和最低损失成本，因此，控制图的优化设计问题归根结底是一个多目标多约束优化问题。
但是，采用现有的方法，获得的产品控制图的准确率较低。
发明内容
本发明的主要目的是提供一种产品的控制图获得方法、装置、终端设备以及存储介质，旨在解决现有技术中采用现有的方法，获得的产品控制图的准确率较低的技术问题。
为实现上述目的，本发明提出一种产品的控制图获得方法，所述方法包括以下步骤：
获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；
在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；
利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；
利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；
若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
可选的，所述预设约束条件最大受控平均链长和最小受控平均链长；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：
根据受控均值、受控标准差、均值控制图虚发警报概率和标准差控制图虚发警报概率，构建均值控制图上限、均值控制图下限和标准偏差控制图上限；
利用失控均值偏移量、失控标准差偏移量、所述均值控制图上限、所述均值控制图下限、所述受控均值和所述受控标准差，构建均值控制图侦测能力；
利用所述失控标准差偏移量和所述标准偏差控制图上限，构建偏差控制图侦测能力；
根据所述均值控制图侦测能力和所述偏差控制图侦测能力，获得总侦测能力；
利用所述总侦测能力，构建最大受控平均链长和最小失控平均链长。
可选的，所述预设约束条件还包括最低损失成本；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：
根据单位检测时间、样本量、解决可分配原因的平均时间、所述最小失控平均链长和异常因素进入生产过程的平均估计时间，获得预期周期时间；
根据所述均值控制图虚发警报概率和所述标准差控制图虚发警报概率，获得控制图虚发警报概率；
利用采样间隔、每个样本的成本、误报成本、可分配原因成本、控制图虚发警报概率和所述异常因素进入生产过程的平均估计时间，获得抽样成本、误报成本和修复成本；
根据所述抽样成本、所述误报成本和所述修复成本，获得最低损失成本。
可选的，所述预设约束条件包括约束函数，所述约束函数包括：
平均受控链长不小于平均受控链长最小许用值；平均失控链长不大于平均失控链长最大许用值；采样速率在第一预设区间内；样本量在第二预设区间内；
其中，所述采样速率根据采样时间间隔、采样平均时间和样本量获得。
可选的，所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：
利用所述迭代函数值，构建代理模型；
所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤，包括：
若所述代理模型对应的样本集中存在可行解，则利用所述调整后的约束期望权重提升矩阵准则，在所述代理模型对应的样本集中选取更新点；
基于所述预设约束条件和所述更新点，获得更新点函数值。
可选的，所述利用所述迭代函数值，构建代理模型的步骤之后，所述方法还包括：
若所述代理模型对应的样本集中不存在可行解，则利用预设可行性概率准则，在所述代理模型对应的样本集中选取更新点。
可选的，所述预设约束条件包括多个目标函数，所述最后一次迭代运算的迭代函数值包括多个目标函数对应的多个最终函数值；所述根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图的步骤，包括：
在多个所述最终函数值中提取出每个所述目标函数对应的多个前沿；
对每个所述目标函数对应的多个前沿进行聚类，获得每个所述目标函数对应的聚类集；
在每个所述目标函数对应的聚类集中提取出选定解；
根据多个所述目标函数对应的多个最终函数值，获得多个所述目标函数对应的多个目标权重；
根据多个所述选定解和多个所述目标权重，获得所述目标产品的控制图。
此外，为实现上述目的，本发明还提出了一种产品的控制图获得装置，所述装置包括：
获取模块，用于获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；
调整模块，用于在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；
处理模块，用于利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；
更新模块，用于利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；
迭代模块，用于若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
此外，为实现上述目的，本发明还提出了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行产品的控制图获得程序，所述产品的控制图获得程序被所述处理器执行时实现如上述任一项所述的产品的控制图获得方法的步骤。
此外，为实现上述目的，本发明还提出了一种存储介质，所述存储介质上存储有产品的控制图获得程序，所述产品的控制图获得程序被处理器执行时实现如上述任一项所述的产品的控制图获得方法的步骤。
本发明技术方案提出了一种产品的控制图获得方法，通过获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
现有方法中，直接利用预设约束条件对初始样本点进行多次迭代，以获得最后一次迭代运算的迭代函数值，并通过该迭代函数值，获得目标产品的控制图，最后一次迭代运算的迭代函数值的准确率较低，导致获得的控制图的准确率较低。利用本发明的方法，在不同的迭代运算次数时，均需要对预设约束期望权重提升矩阵准则进行调整，使得利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理时，获得的更新点函数值准确率较高，从而提高了最后一次迭代运算的迭代函数值，实现了提高产品的控制图准确率的技术效果。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图；
图2为本发明产品的控制图获得方法第一实施例的流程示意图；
图3为本发明产品的控制图获得装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
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终端设备结构示意图。
通常，终端设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的产品的控制图获得程序，所述产品的控制图获得程序配置为实现如前所述的产品的控制图获得方法的步骤。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关产品的控制图获得方法操作，使得产品的控制图获得方法模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个存储介质，该存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的产品的控制图获得方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。本领域技术人员可以理解，图1中示出的结构并不构成对终端设备的限定，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。
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产品的控制图获得程序，所述产品的控制图获得程序被处理器执行时实现如上文所述的产品的控制图获得方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个终端设备上执行，或者在位于一个地点的多个终端设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个终端设备备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
基于上述硬件结构，提出本发明产品的控制图获得方法的实施例。
参照图2，图2为本发明产品的控制图获得方法第一实施例的流程示意图，所述方法用于终端设备，所述包括以下步骤：
步骤S11：获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得。
需要说明的是，本发明的执行主体是终端设备，终端设备安装有产品的控制图获得程序，终端设备执行产品的控制图获得程序时，实现本发明的产品的控制图获得方法的步骤。
目标产品技术待进行控制图绘制的产品，可以任何产品，例如电子产品、服装等。目标产品的控制图是指目标产品的生产过程中，用于对目标产品的质量进行筛选和分析的“均值-标准偏差”控制图。对目标产品进行筛选和分析的“均值-标准偏差”控制图，需要用到进行分析的各种维度的参数，该各种维度的参数即为目标产品的初始样本点。
在发明中，需要利用预设约束条件，对初始样本点进行运算，获得初始样本点对应的迭代函数值，其中，预设约束条件包括目标函数(在本发明中目标函数包括三个：最大受控平均链长、最小失控平均链长和最低损失成本)和约束函数(本发明包括四个约束函数)，迭代函数值包括目标函数值和约束函数值。N个初始样本点{x1,x2,x3,…,xN}，N个样本点对应的目标函数值为{y1,y2,y3,…,yN}，N个样本点对应的约束函数值为{c1,c2,c3,…,cN}。
具体的，所述预设约束条件包括以下两个目标函数：最大受控平均链长和最小受控平均链长；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：根据受控均值、受控标准差、均值控制图虚发警报概率和标准差控制图虚发警报概率，构建均值控制图上限、均值控制图下限和标准偏差控制图上限；利用失控均值偏移量、失控标准差偏移量、所述均值控制图上限、所述均值控制图下限、所述受控均值和所述受控标准差，构建均值控制图侦测能力；利用所述失控标准差偏移量和所述标准偏差控制图上限，构建偏差控制图侦测能力；根据所述均值控制图侦测能力和所述偏差控制图侦测能力，获得总侦测能力；利用所述总侦测能力，构建最大受控平均链长和最小失控平均链长。
根据受控均值、受控标准差、均值控制图虚发警报概率和标准差控制图虚发警报概率，按照公式一，构建均值控制图上限、均值控制图下限和标准偏差控制图上限；公式一为：
其中，LCLx为均值控制图下限，UCLx为均值控制图上限，UCLs为标准偏差控制图上限；标准偏差控制图下限LCLs通常取值为0；μ0为受控均值，σ0为受控偏差，n为初始样本点的样本量，
为自由度为*累积概率为g的卡方分布随机变量的逆函数，αx为均值控制图虚发警报概率，αs为标准差控制图虚发警报概率,
为累积概率为(g)的标准正态分布随机变量的逆函数。
利用失控均值偏移量、失控标准差偏移量、所述均值控制图上限、所述均值控制图下限、所述受控均值和所述受控标准差，按照公式二；构建均值控制图侦测能力；公式二为：
其中，Px(δμ,δσ)为均值控制图侦测能力，δμ为失控均值偏移量，δσ为失控标准差偏移量，
为累积概率为(g)的标准正态分布随机变量函数。
利用所述失控标准差偏移量和所述标准偏差控制图上限，按照公式三，构建偏差控制图侦测能力；公式三为：
其中，Ps(δμ,δσ)为偏差控制图侦测能力，
为自由度为(*)累积概率为(g)的卡方分布随机变量。
根据所述均值控制图侦测能力和所述偏差控制图侦测能力，按照公式四，构建总侦测能力值；公式四为：
P(δμ，δσ)＝Px(δμ，δσ)+Ps(δμ，δσ)-Px(δμ，δσ)·Ps(δμ，δσ)
其中，P(δμ，δσ)为总侦测能力。
利用所述总侦测能力，按照公式五，获得受控平均链长和失控平均链长，然后将受控平均链长最大值——最大受控平均链长作为一个目标函数，将失控平均链长最小值——最小失控平均链长作为有一个目标函数；公式五为：
其中，ATSd为最小失控平均链长，ATS0为最大受控平均链长，ARLd为平均失控链长，ARL0平均受控链长，h为采样间隔，1/λ为异常因素进入生产过程的平均时间估计值，P(δμ，i，δσ，i)为第i个样本的总侦测能力，m为失控状态下所采集的样本数量，α为控制图(即是均值-标准偏差控制图)虚发警报概率。
其中，α按照公式六获得，公式六为：
α＝αs+αx-αs·αx
因此，反推αs如下：
采样间隔h，满足公式七：
其中，ws为采样频率，ts为单位检测时间(检测一次所需的平均时间)，Ti为实际检验所需时间，Tw为一个工作轮班周期，此时，获得采样间隔h为公式八，公式八如下：
同时，预设约束条件还包括第三个目标函数：最低损失成本；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：根据单位检测时间、样本量、解决可分配原因的平均时间、所述最小失控平均链长和异常因素进入生产过程的平均估计时间，获得预期周期时间；根据所述均值控制图虚发警报概率和所述标准差控制图虚发警报概率，获得控制图虚发警报概率；利用采样间隔、每个样本的成本、误报成本、可分配原因成本、控制图虚发警报概率和所述异常因素进入生产过程的平均估计时间，获得抽样成本、误报成本和修复成本；根据所述抽样成本、所述误报成本和所述修复成本，获得最低损失成本。
根据单位检测时间、样本量、解决可分配原因的平均时间、所述最小失控平均链长和异常因素进入生产过程的平均估计时间，按照公式九，获得预期周期时间；公式九为：
其中，Ttotal为预期周期时间，tr为解决可分配原因的平均时间。
根据所述均值控制图虚发警报概率和所述标准差控制图虚发警报概率，获得控制图虚发警报概率，即是指按照公式六获得控制图虚发警报概率α。
利用采样间隔、每个样本的成本、误报成本、可分配原因成本、控制图虚发警报概率和所述异常因素进入生产过程的平均估计时间，按照公式十，获得抽样成本、误报成本和修复成本；公式十为：
Crepair＝a4
其中，(a1+a2n)为每个样本的成本，a3为误报成本，a4为可分配原因成本，Csamping为抽样成本，Cfalse为误报成本，Crepair为修复成本。
然后将所述抽样成本、所述误报成本和所述修复成本求和，获得总的损失成本，总的损失成本的最小值即为该目标函数(第三个目标函数)——最低损失成本。
可以理解的是，利用上述方式构建的三个目标函数最大受控平均链长、最小失控平均链长和最低损失成本，各个量均是未知的，上述过程只是利用各个参数进行目标函数的构建，具体应用中，需要基于目标产品的实际数据，利用上述三个目标函数获得最终的迭代函数值中的目标函数值。
在该实施例中，设置了三个目标函数，三个目标函数用于分别获得对应的目标函数值，以便于获得多目标的优化结果，优化目标更全面，获得的最终的控制图的准确率更好。
同时，所述预设约束条件包括约束函数，所述约束函数包括：平均受控链长不小于平均受控链长最小许用值；平均失控链长不大于平均失控链长最大许用值；采样速率在第一预设区间内；样本量在第二预设区间内；其中，所述采样速率根据采样时间间隔、采样平均时间和样本量获得(上文描述的公式七)。
约束函数表示为公式十一，公式十一如下：
ARL0≥ARL0，L
ARLd≥ARLd，u
0.1≤ws≤1
2≤n≤20
其中，ARL0，L为平均受控链长最小许用值，ARLd，u为平均失控链长最大许用值。[0，1]即为第一预设区间，[2，20]即为第二预设区间。即，约束函数也包括4个约束函数。
对于任一的样本x，目标函数和约束函数可以分别表示为服从m和c维正态分布的随机向量：
在该实施例中，设置了四个约束函数，四个约束函数用于分别获得对应的约束函数值，以便于获得多约束的优化结果，约束更全面，获得的最终的控制图的准确率更好。
步骤S12：在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则。
需要说明的是，预设迭代运算次数可以是用户设定的值，表示最大的迭代运算次数，本发明不对其做限定。当在已迭代运算次数到达预设迭代运算次数时，直接基于此时的迭代函数值，获得最终的目标产品的控制图，否则执行步骤S12。
具体的，根据所述已迭代运算次数和公式十二，对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；公式十二为：
其中，ωmax和ωmin分别为最大权重和最小权重，I为已迭代运算次数，Imax为最大迭代运算次数——预设迭代运算次数，
为标准正态分布的累积分布函，
为近似Pareto前沿第j行第i列的元素，k为大于0的实数，用于保障模型精度，ω∈(0，1)为权重参数，CnELM(x)为预设约束期望权重提升矩阵准则。
可以理解的是，具体的预设约束期望权重提升矩阵规则调整过程是利用迭代运算次数对权重ω进行调整，进而导致预设约束期望权重提升矩阵规则改变。
在该实施例中，利用迭代运算次数实时调整预设约束期望权重提升矩阵规则，保证了预设约束期望权重提升矩阵规则具有较好的适应性，提高了预设约束期望权重提升矩阵规则的准确率，保证了利用预设约束期望权重提升矩阵规则提取的更新点准确率较高。
步骤S13：利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值。
具体的，所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：利用所述迭代函数值，构建代理模型；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤，包括：若所述代理模型对应的样本集中存在可行解，则利用所述调整后的约束期望权重提升矩阵准则，在所述代理模型对应的样本集中选取更新点；基于所述预设约束条件和所述更新点，获得更新点函数值。
利用迭代函数值中的目标函数值和约束函数值，分别构建代理模型，获得目标函数代理模型和约束函数代理模型，其中，目标函数代理模型和约束函数代理模型均为Kriging代理模型。
同样的，按照上文方式，利用目标函数和约束条件对更新点进行求解，获得更新点函数值。
同时，若所述代理模型对应的样本集中不存在可行解，则利用预设可行性概率准则，在所述代理模型对应的样本集中选取更新点。其中，预设可行性概率准则如下：
其中，PoF(x)为预设可行性概率准则。
步骤S14：利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数。
步骤S15：若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
将更新点纳入初始样本点，并将更新点函数值纳入迭代函数值(更新点目标函数值纳入初始样本点的目标函数值，更新点约束函数值纳入初始样本点的约束函数值)，以获得更新后的迭代函数值。可以理解的是，在本发明中，这种更新迭代函数值的过程即是初始样本点的迭代运算过程。同时，已迭代运算次数更新是指需要加1。
如此循环，直到已迭代运算次数达到所述预设迭代运算次数，停止迭代运算，并将最后一次迭代运算迭代函数值作为求解目标产品的控制图的依据。
具体的，所述预设约束条件包括多个目标函数，所述最后一次迭代运算的迭代函数值包括多个目标函数对应的多个最终函数值；所述根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图的步骤，包括：在多个所述最终函数值中提取出每个所述目标函数对应的多个前沿；对每个所述目标函数对应的多个前沿进行聚类，获得每个所述目标函数对应的聚类集；在每个所述目标函数对应的聚类集中提取出选定解；根据多个所述目标函数对应的多个最终函数值，获得多个所述目标函数对应的多个目标权重；根据多个所述选定解和多个所述目标权重，获得所述目标产品的控制图。
其中，将每个所述目标函数对应的聚类集中最中心的解确定为对应的选定解。然后利用公式十二，根据多个所述目标函数对应的多个最终函数值，获得多个所述目标函数对应的多个目标权重；公式十二如下：
其中，PWi为第i个目标函数的目标权重，gi,max为第i个目标函数的最大值，gi,min为第i个目标函数的最小值，B为目标函数的总数。
对于初始样本点，对应多个目标函数的目标函数值，在初始样本点的多个目标函数值提取多个前沿；一个目标函数对应多个前沿，将一个目标函数的多个前沿进行聚类，并提该目标函数的选定解。至此，选定解是包括多个目标函数各自对应的选定解；同时，基于该样本点对应的多个目标函数的目标函数值(包括最大值和最小值)，按照公式十二，求得各个目标函数的目标权重，基于各个目标函数的目标权重和各个目标函数的选定解，获得一个最优的最终解，利用最终解对应的样本点和最终解，构建最终的目标产品的控制图。
在该实施例中，利用各个目标函数的目标权重，进一步确定更优的一个最终解，利用最终解构建最终的目标产品的控制图，最终解的优化性较好，从而提升了构建最终的目标产品的控制图的准确率。
本发明技术方案提出了一种产品的控制图获得方法，通过获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
现有方法中，直接利用预设约束条件对初始样本点进行多次迭代，以获得最后一次迭代运算的迭代函数值，并通过该迭代函数值，获得目标产品的控制图，最后一次迭代运算的迭代函数值的准确率较低，导致获得的控制图的准确率较低。利用本发明的方法，在不同的迭代运算次数时，均需要对预设约束期望权重提升矩阵准则进行调整，使得利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理时，获得的更新点函数值准确率较高，从而提高了最后一次迭代运算的迭代函数值，实现了提高产品的控制图准确率的技术效果。
参照图3，图3为本发明产品的控制图获得装置第一实施例的结构框图，所述装置用于终端设备，基于与前述实施例相同的发明构思，所述装置包括：
获取模块10，用于获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；
调整模块20，用于在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；
处理模块30，用于利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；
更新模块40，用于利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；
迭代模块50，用于若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
需要说明的是，由于本实施例的装置所执行的步骤与前述方法实施例的步骤相同，其具体的实施方式以及可以达到的技术效果都可参照前述实施例，这里不再赘述。
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种产品的控制图获得方法，其特征在于，所述方法包括以下步骤：
获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；
在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；
利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；
利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；
若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
2.如权利要求1所述的方法，其特征在于，所述预设约束条件最大受控平均链长和最小受控平均链长；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：
根据受控均值、受控标准差、均值控制图虚发警报概率和标准差控制图虚发警报概率，构建均值控制图上限、均值控制图下限和标准偏差控制图上限；
利用失控均值偏移量、失控标准差偏移量、所述均值控制图上限、所述均值控制图下限、所述受控均值和所述受控标准差，构建均值控制图侦测能力；
利用所述失控标准差偏移量和所述标准偏差控制图上限，构建偏差控制图侦测能力；
根据所述均值控制图侦测能力和所述偏差控制图侦测能力，获得总侦测能力；
利用所述总侦测能力，构建最大受控平均链长和最小失控平均链长。
3.如权利要求2所述的方法，其特征在于，所述预设约束条件还包括最低损失成本；所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：
根据单位检测时间、样本量、解决可分配原因的平均时间、所述最小失控平均链长和异常因素进入生产过程的平均估计时间，获得预期周期时间；
根据所述均值控制图虚发警报概率和所述标准差控制图虚发警报概率，获得控制图虚发警报概率；
利用采样间隔、每个样本的成本、误报成本、可分配原因成本、控制图虚发警报概率和所述异常因素进入生产过程的平均估计时间，获得抽样成本、误报成本和修复成本；
根据所述抽样成本、所述误报成本和所述修复成本，获得最低损失成本。
4.如权利要求3所述的方法，其特征在于，所述预设约束条件包括约束函数，所述约束函数包括：
平均受控链长不小于平均受控链长最小许用值；平均失控链长不大于平均失控链长最大许用值；采样速率在第一预设区间内；样本量在第二预设区间内；
其中，所述采样速率根据采样时间间隔、采样平均时间和样本量获得。
5.如权利要求1所述的方法，其特征在于，所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤之前，所述方法还包括：
利用所述迭代函数值，构建代理模型；
所述利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值的步骤，包括：
若所述代理模型对应的样本集中存在可行解，则利用所述调整后的约束期望权重提升矩阵准则，在所述代理模型对应的样本集中选取更新点；
基于所述预设约束条件和所述更新点，获得更新点函数值。
6.如权利要求5所述的方法，其特征在于，所述利用所述迭代函数值，构建代理模型的步骤之后，所述方法还包括：
若所述代理模型对应的样本集中不存在可行解，则利用预设可行性概率准则，在所述代理模型对应的样本集中选取更新点。
7.如权利要求1所述的方法，其特征在于，所述预设约束条件包括多个目标函数，所述最后一次迭代运算的迭代函数值包括多个目标函数对应的多个最终函数值；所述根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图的步骤，包括：
在多个所述最终函数值中提取出每个所述目标函数对应的多个前沿；
对每个所述目标函数对应的多个前沿进行聚类，获得每个所述目标函数对应的聚类集；
在每个所述目标函数对应的聚类集中提取出选定解；
根据多个所述目标函数对应的多个最终函数值，获得多个所述目标函数对应的多个目标权重；
根据多个所述选定解和多个所述目标权重，获得所述目标产品的控制图。
8.一种产品的控制图获得装置，其特征在于，所述装置包括：
获取模块，用于获取目标产品对应的迭代函数值，所述迭代函数值是对初始样本点进行迭代运算获得；
调整模块，用于在已迭代运算次数未到达预设迭代运算次数时，根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整，获得调整后的约束期望权重提升矩阵准则；
处理模块，用于利用所述调整后的约束期望权重提升矩阵准则和预设约束条件，对所述迭代函数值进行处理，获得更新点函数值；
更新模块，用于利用所述更新点函数值更新所述迭代函数值，并更新所述已迭代运算次数；
迭代模块，用于若更新后的已迭代运算次数未到达预设迭代运算次数，则返回执行所述根据所述已迭代运算次数对预设约束期望权重提升矩阵准则进行调整的步骤，直到更新后的已迭代运算次数达到所述预设迭代运算次数，根据最后一次迭代运算的迭代函数值，获得所述目标产品的控制图。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行产品的控制图获得程序，所述产品的控制图获得程序被所述处理器执行时实现如权利要求1至7中任一项所述的产品的控制图获得方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有产品的控制图获得程序，所述产品的控制图获得程序被处理器执行时实现如权利要求1至7中任一项所述的产品的控制图获得方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111391137.0A CN114167825B (zh) | 2021-11-22 | 2021-11-22 | 产品的控制图获得方法、装置、终端设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111391137.0A CN114167825B (zh) | 2021-11-22 | 2021-11-22 | 产品的控制图获得方法、装置、终端设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114167825A true CN114167825A (zh) | 2022-03-11 |
| CN114167825B CN114167825B (zh) | 2024-06-11 |
Family
ID=80480324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111391137.0A Active CN114167825B (zh) | 2021-11-22 | 2021-11-22 | 产品的控制图获得方法、装置、终端设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114167825B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762386A (zh) * | 2021-09-08 | 2021-12-07 | 矿冶科技集团有限公司 | 磨矿控制参数的匹配方法、装置和电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998036353A1 (en) * | 1997-02-14 | 1998-08-20 | Fisher-Rosemount Systems, Inc. | System for configuring a process control environment with graphical elements |
| US6473703B1 (en) * | 1996-11-20 | 2002-10-29 | International Business Machines Corporation | Method for controlling a manufacturing process utilizing control charts with specified confidence intervals |
| US20060173630A1 (en) * | 2004-12-09 | 2006-08-03 | Cellomics, Inc. | Automated method and system for setting image analysis parameters to control image analysis operations |
| US20070010901A1 (en) * | 2004-01-21 | 2007-01-11 | Toshio Fukui | Constraint-based solution method, constraint-based solver and constraint-based solution system |
| WO2016126681A1 (en) * | 2015-02-03 | 2016-08-11 | Bioness Inc. | Methods and apparatus for body weight support system |
| CN108037744A (zh) * | 2017-12-01 | 2018-05-15 | 四川用联信息技术有限公司 | 基于统计方法的制造过程多元质量诊断分类器 |
| CN111127413A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 土工织物孔隙测量系统以及方法 |
| CN112346413A (zh) * | 2020-09-24 | 2021-02-09 | 成都飞机工业（集团）有限责任公司 | 一种提高航空结构件生产质量的方法 |
| US20210157860A1 (en) * | 2019-04-30 | 2021-05-27 | Beijing Bytedance Network Technology Co., Ltd. | Object recommendation method and apparatus, storage medium and terminal device |
| CN113642183A (zh) * | 2021-08-17 | 2021-11-12 | 郑州航空工业管理学院 | 一种具有可变样本容量残差ewma控制图的设计方法 |
-
2021
- 2021-11-22 CN CN202111391137.0A patent/CN114167825B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6473703B1 (en) * | 1996-11-20 | 2002-10-29 | International Business Machines Corporation | Method for controlling a manufacturing process utilizing control charts with specified confidence intervals |
| WO1998036353A1 (en) * | 1997-02-14 | 1998-08-20 | Fisher-Rosemount Systems, Inc. | System for configuring a process control environment with graphical elements |
| US20070010901A1 (en) * | 2004-01-21 | 2007-01-11 | Toshio Fukui | Constraint-based solution method, constraint-based solver and constraint-based solution system |
| US20060173630A1 (en) * | 2004-12-09 | 2006-08-03 | Cellomics, Inc. | Automated method and system for setting image analysis parameters to control image analysis operations |
| WO2016126681A1 (en) * | 2015-02-03 | 2016-08-11 | Bioness Inc. | Methods and apparatus for body weight support system |
| CN108037744A (zh) * | 2017-12-01 | 2018-05-15 | 四川用联信息技术有限公司 | 基于统计方法的制造过程多元质量诊断分类器 |
| US20210157860A1 (en) * | 2019-04-30 | 2021-05-27 | Beijing Bytedance Network Technology Co., Ltd. | Object recommendation method and apparatus, storage medium and terminal device |
| CN111127413A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 土工织物孔隙测量系统以及方法 |
| CN112346413A (zh) * | 2020-09-24 | 2021-02-09 | 成都飞机工业（集团）有限责任公司 | 一种提高航空结构件生产质量的方法 |
| CN113642183A (zh) * | 2021-08-17 | 2021-11-12 | 郑州航空工业管理学院 | 一种具有可变样本容量残差ewma控制图的设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭志芳, 等: "考虑检测误差的VSSIx控制图的性能分析", 统计与决策, 28 July 2021 (2021-07-28), pages 186 - 188 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762386A (zh) * | 2021-09-08 | 2021-12-07 | 矿冶科技集团有限公司 | 磨矿控制参数的匹配方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114167825B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
| CN107678803B (zh) | 应用管控方法、装置、存储介质及电子设备 | |
| CN110362494B (zh) | 微服务状态信息展示的方法、模型训练方法以及相关装置 | |
| CN114881379B (zh) | 风电场应发电量估测方法、装置、设备及存储介质 | |
| CN112488183A (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
| CN112989346B (zh) | 对抗样本生成方法、装置、终端设备以及存储介质 | |
| WO2024174811A1 (zh) | 水轮机模型试验曲线绘制方法、装置、设备及存储介质 | |
| CN117688342B (zh) | 一种基于模型的设备状态预测方法、电子设备及存储介质 | |
| CN114167825A (zh) | 产品的控制图获得方法、装置、终端设备以及存储介质 | |
| CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
| CN118398100B (zh) | 一种动态反馈的泵强制循环反应器催化控制方法 | |
| CN113805929A (zh) | 一种基于蓝牙传输的实时系统fota升级方法及相关设备 | |
| JP2020136701A (ja) | 作成装置、作成システム、作成方法および作成プログラム | |
| CN111343602A (zh) | 基于进化算法的联合布局与任务调度优化方法 | |
| CN114419229A (zh) | 图像渲染方法、装置、计算机设备和存储介质 | |
| CN114700957B (zh) | 模型低算力需求的机器人控制方法及装置 | |
| CN114978974B (zh) | 无线通信模组测试方法、装置、设备及存储介质 | |
| CN108681480B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| CN114444333B (zh) | 生态水位分析方法、装置、电子设备及存储介质 | |
| CN113448668B (zh) | 一种跳过弹窗的方法、装置及电子设备 | |
| CN109032853A (zh) | 用于控制fpga卡组的方法和装置 | |
| CN113741215B (zh) | 基于关联特征数据的设备控制方法及装置 | |
| CN114663710A (zh) | 轨迹识别方法、装置、设备及存储介质 | |
| KR20230108341A (ko) | 데이터 수집 분석 모듈, 데이터 수집 분석 모듈의 동작 방법 및 프로그래머블 로직 컨트롤러 | |
| CN113778063B (zh) | 基于纵向特征数据的设备控制方法及装置 |
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 |