CN114169704B - 产品生产过程质量控制方法、装置、设备及存储介质 - Google Patents
产品生产过程质量控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114169704B CN114169704B CN202111389564.5A CN202111389564A CN114169704B CN 114169704 B CN114169704 B CN 114169704B CN 202111389564 A CN202111389564 A CN 202111389564A CN 114169704 B CN114169704 B CN 114169704B
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- data set
- production process
- sample
- learning machine
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 151
- 238000003908 quality control method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000047 product Substances 0.000 description 51
- 230000008569 process Effects 0.000 description 34
- 230000005856 abnormality Effects 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 238000003070 Statistical process control Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本申请的实施例公开一种产品生产过程质量控制方法、装置、设备及存储介质,该方法包括:获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;基于所述特性数据集,构建关于所述多个生产过程的控制图;基于所述控制图,判断各生产过程是否处于受控状态;将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果。解决了对多品种小批量的产品的控制图异常模式的识别效果差的技术问题,提高了多品种小批量的产品生产过程的控制图异常模式的识别准确性。
Description
技术领域
本申请涉及产品质量控制技术领域,尤其涉及发明名称一种产品生产过程质量控制方法、装置、设备及存储介质。
背景技术
随着工业产品的品种和数量的不断增加,制造业已经逐步从传统的大批量生产模式转变为多品种小批量生产模式,为了保证最终的产品质量,需在制造过程中对过程进行质量控制,以判断制造过程是否出现异常。在进行质量控制时,SPC(Statistical ProcessControl)控制图技术是一种被广泛使用的方法,根据控制图的状态,可以判断生产过程是否异常并揭示制造过程中的潜在质量问题。因此,对控制图异常模式进行有效的识别,可以及时发现产品生产过程中存在的问题。
现有技术中,对多品种小批量的产品生产过程的控制图异常模式的识别方法包括人工识别和一些智能方法识别,但识别的效果都比较差。
发明内容
本申请的主要目的在于提供一种产品生产过程质量控制方法、装置、设备及存储介质,旨在解决现有对多品种小批量的产品生产过程的控制图异常模式的识别效果差的技术问题。
为实现上述目的,本申请提供一种产品生产过程质量控制方法,所述方法包括:
获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;
基于所述特性数据集,构建关于所述多个生产过程的控制图;
基于所述控制图,判断各生产过程是否处于受控状态;
将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。
可选地,所述加权在线序贯极限学习机为基于输入加权的在线序贯极限学习机。
可选地,所述获取生产过程的特性数据集的步骤之前,所述方法还包括:
获取样本特性数据集,所述样本特性数据集包括若干样本产品的若干样本生产过程的样本特性数据;
提取所述样本特性数据集中各样本特性数据的特征参数;
基于所述特征参数,对各样本特性数据进行特征标记,获得标记后的样本特性数据集;
利用所述标记后的样本特性数据集,对原始加权在线序贯极限学习机进行训练,获得加权在线序贯极限学习机。
可选地,所述加权在线序贯极限学习机的输出层包括第一神经元和第二神经元,所述第一神经元输出单值控制图异常模式结果,所述第二神经元输出移动极差控制图异常模式结果。
可选地,所述获取样本特性数据集的步骤之后,所述方法还包括:
对所述样本特性数据集中各样本特性数据进行标准正态处理,获得标准样本特性数据集;
对标准样本特性数据集中的样本特性数据进行编码,获得除噪后的标准样本特性数据集;
所述提取所述样本特性数据集中各样本特性数据的特征参数的步骤,包括:
提取所述除噪后的标准样本特性数据集中各样本特性数据的特征参数。
可选地,所述利用所述标记后的样本特性数据集,对原始加权在线序贯极限学习机进行训练,获得加权在线序贯极限学习机的步骤之后,还包括:
利用所述标记后的样本特性数据集中的部分数据,对原始加权在线序贯极限学习机进行初始训练,获得初始加权在线序贯极限学习机;
利用所述标记后的样本特性数据集中的剩余数据,对所述初始加权在线序贯极限学习机进行连续训练,获得加权在线序贯极限学习机。
可选地,所述基于所述特性数据集,构建关于所述多个生产过程的控制图的步骤,包括:
判断所述特性数据集中的各特性数据是否服从正态分布;
若否,则通过数据转换方法将各特性数据转换为服从正态分布的正态特性数据;
判断服从正态分布的各特性数据是否服从同一正态分布;
若否,则将各正态特性数据转换为服从同一正态分布的各同一正态特性数据;
基于各同一正态特性数据,构建关于所述多个生产过程的控制图。
此外,为实现上述目的,本申请还提供一种产品生产过程质量控制装置,所述装置包括:
数据获取模块,用于获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;
控制图构建模块,用于基于所述特性数据集,构建关于所述多个生产过程的控制图;
受控判断模块,用于基于所述控制图,判断各生产过程是否处于受控状态;
异常识别模块,用于将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。
此外,为实现上述目的,本申请还提供一种电子设备,该电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现前述的方法。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现前述的方法。
此外,为实现上述目的,本申请还提供一种计算机程序产品,所述计算机程序产品在被处理器时,实现前述的方法。
本申请所能实现的有益效果。
本申请实施例提出的一种产品生产过程质量控制方法、装置、设备及存储介质,获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;基于所述特性数据集,构建关于所述多个生产过程的控制图;基于所述控制图,判断各生产过程是否处于受控状态;将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。也即,本申请在原有极限学习机中加入在线序贯算法,具备了传统极限学习机的训练速度和泛化能力上的优点,并在模型中加入权重,进一步提升模型的泛化能力,特别适用于多品种小批量的产品的控制图异常模式的识别;解决了对多品种小批量的产品的控制图异常模式的识别效果差的技术问题,提高了多品种小批量的产品生产过程的控制图异常模式的识别准确性。
附图说明
图1为本申请实施例涉及的计算机设备结构示意图;
图2为本申请实施例提供的一种产品生产过程质量控制方法的流程示意图;
图3为图2中步骤S40的一种具体实施方法的流程示意图;
图4为本申请实施例提供的一种加权在线序贯极限学习机的训练过程的流程示意图;
图5为本申请实施例提供的一种产品生产过程质量控制系统的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:提出的一种产品生产过程质量控制方法,通过获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;基于所述特性数据集,构建关于所述多个生产过程的控制图;基于所述控制图,判断各生产过程是否处于受控状态;将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。
现有技术中,随着工业产品的品种和数量的不断增加,制造业已经逐步从传统的大批量生产模式转变为多品种小批量生产模式,为了保证最终的产品质量,需在制造过程中对过程进行质量控制,以判断制造过程是否出现异常。在进行质量控制时,SPC(Statistical Process Control)控制图技术是一种被广泛使用的方法,根据控制图的状态,可以判断生产过程是否异常并揭示制造过程中的潜在质量问题。控制图异常模式可分为一般异常模式和特殊异常模式,一般异常模式的辨识采用国家标准“GB/T 4091-2001常规控制图”中的8条基本判断规则,特殊异常模式分为8种:单值控制图上升阶跃型模式、单值控制图下降阶跃型模式、单值控制图上升趋势型模式、单值控制图下降趋势型模式、单值控制图周期型模式、移动极差控制图跳动模式、移动极差控制图趋势模式和移动极差控制图周期模式。实际生产中,不同的模式背后隐藏了不同的生产异常情况,因此对控制图异常模式进行有效的识别,可以及时发现和解决问题,提高产品的质量从而使企业的生产效率得以提高,继而产生较大的经济效益。传统的控制图异常模式主要是经过人工的方法来识别,识别准确率主要取决于质量工程人员的经验。
近年来,随着技术的发展,很多种智能方法已经被应用于控制图特殊异常模式识别,例如BP神经网络、支持向量机等。但传统的BP神经网络在使用时需要确定权值神经元个数等多个参数,且参数设置不当易使网络陷入局部最优同样,支持向量机也存在参数选择问题。对于多品种小批量制造过程的控制图异常模式识别效果较差。
为此,本申请提供一种解决方案,在原有极限学习机中加入在线序贯算法,具备了传统极限学习机的训练速度和泛化能力上的优点,并在模型中加入权重,进一步提升模型的泛化能力,特别适用于多品种小批量的产品的控制图异常模式的识别;解决了对多品种小批量的产品的控制图异常模式的识别效果差的技术问题,提高了多品种小批量的产品生产过程的控制图异常模式的识别准确性。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示,该计算机设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的计算机设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中,所述计算机设备通过处理器1001调用存储器1005中存储的产品生产过程质量控制装置,并执行本申请实施例提供的产品生产过程质量控制方法。
参照图2,本申请的实施例提供一种产品生产过程质量控制方法,所述方法包括:
S20、获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;
在具体实施过程中,本实施例的方法主要针对多品种小批量的产品,因此,特性数据集包括多种小批量产品的生产过程的特性数据。
具体的,特性数据集可以通过生产线上的数据采集系统进行采集,在此之前可以首先确定需要采集哪些特性数据,并进行分类。
S40、基于所述特性数据集,构建关于所述多个生产过程的控制图;
在具体实施过程中,控制图是用于分析和判断过程是否处于稳定状态所使用的带有控制界限的图,是具有区分正常波动和异常波动的功能图表,是现场质量管理中重要的统计工具。常规控制图包括计量值控制图(包括单值控制图、平均数和极差控制图、中位数和极差控制图)和计数值控制图(包括不合格品数控制图、不合格品率控制图、缺陷数控制图、单位缺陷数控制图等)两类。为了后续进行质量控制,需要首先针对生产过程建立控制图。
具体的,可以根据贝叶斯理论提取生产线的先验历史数据(即历史特征数据),以及每批数据的对应的后验均值(即现有采集的特征数据),计算每批数据的对应的后验偏差,计算控制图中心线和上、下控制限并绘制控制图。
参见图3,作为一种实施方式,S40具体包括:
S401、判断所述特性数据集中的各特性数据是否服从正态分布;
在具体实施过程中,特性数据集中的各特性数据属于不同种类的产品的生产过程,不一定都服从正态分布,为了后续能将不同种类产品的生产过程生成到同一控制图中,需要在生成控制图之前确保各特性数据服从正态分布。因此,需要首先判断所述特性数据集中的各特性数据是否服从正态分布。
具体的,可以采用概率纸获取各特性数据的正态性相关系数,以判断数据是否服从正态分布。若不是,则执行S402。
S402、若否,则通过数据转换方法将各特性数据转换为服从正态分布的正态特性数据;
在具体实施过程中,可以利用二项分布、修正等转换方法将各特性数据转换为服从正态分布的正态特性数据。
S403、判断服从正态分布的各特性数据是否服从同一正态分布;
在具体实施过程中,在确认各特性数据服从正态分布后,为了提高适用于多种小批量产品的能力,以提高对多种小批量产品生成过程的识别准确性,需要在生成控制图之前,将各种产品对应的特性数据处理为符合同一正态特性数据。因此,需要首先判断服从正态分布的各特性数据是否服从同一正态分布。若不是,则执行S404.
S404、若否,则将各正态特性数据转换为服从同一正态分布的各同一正态特性数据;
在具体实施过程中,可以利用相对公差法对不同品种产品的特性数据进行“同一正态分布”转换。
S405、基于各同一正态特性数据,构建关于所述多个生产过程的控制图。
在具体实施过程中,基于各同一正态特性数据按照前述方法,绘制控制图。
可以理解的是,在该实施方式中,考虑到多品种小批量中各品种数据量的差异对识别准确性的影响,通过对各产品对应的特性数据进行“同一正态分布”转换后生成控制图,配合后续的识别方法,可提高对多种产品场景的适应能力,以提高本方法的泛化能力,从而进一步提高对控制图异常类型的识别准确率。
S60、基于所述控制图,判断各生产过程是否处于受控状态;
在具体实施过程中,在获得控制图后,可以首先根据控制图判断各生产过程是否处于受控状态,即判断是否属于异常。
具体的,控制图异常模式可分为一般异常模式和特殊异常模式,一般异常模式的辨识采用国家标准“GB/T 4091-2001常规控制图”中的8条基本判断规则,特殊异常模式分为8种:单值控制图上升阶跃型模式、单值控制图下降阶跃型模式、单值控制图上升趋势型模式、单值控制图下降趋势型模式、单值控制图周期型模式、移动极差控制图跳动模式、移动极差控制图趋势模式和移动极差控制图周期模式。
可以通过经验观察控制图曲线的方式判断是否处于受控状态,作为一种可选的实施方式,也可以通过机器学习的方法直接进行异常类型的识别。但为了减少类型识别的工作量,提高识别的有效率,本实施例中首先进行是否异常的判断,使得后续只对存在异常的情况进行类型识别,对于处于受控的情况,则直接计算工序能力指数并评价过程能力,而不需要进行后续类型识别过程。
具体的,一般异常模式的辨识采用国家标准“GB/T 4091-2001常规控制图”中的8条基本判断规则。特殊异常模式分为8种:单值控制图上升阶跃型模式、单值控制图下降阶跃型模式、单值控制图上升趋势型模式、单值控制图下降趋势型模式、单值控制图周期型模式、移动极差控制图跳动模式、移动极差控制图趋势模式和移动极差控制图周期模式。则通过步骤S80进行类型识别。
S80、将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。
在具体实施过程中,在确认有异常的情况下,利用加权在线序贯极限学习机,识别获得该目标生产过程的异常模式结果。
在一种实施例中,所述加权在线序贯极限学习机为基于输入加权的在线序贯极限学习机。
可以理解的是,基于输入加权的在线序贯极限学习机针对多品种之间的差异,充分考虑各输入差异的影响,提高模型对差异大的各品种的适应能力,从而提高模型对差异大的各品种的生产过程异常类型的识别准确率。
参见图4,在一个具体实施例中,对加权在线序贯极限学习机的训练过程进行详细介绍,该训练过程发生在获取生产过程的特性数据集的步骤之前,
包括:
S801、获取样本特性数据集,所述样本特性数据集包括若干样本产品的若干样本生产过程的样本特性数据;
在具体实施过程中,样本特性数据集与特性数据集类似,但为了提高模型训练的识别准确率和泛化能力,样本特性数据集中涉及的产品种类越多越好,样本数量越大越好,因此,本实施例中的样本特性数据集包括若干样本产品的若干样本生产过程的样本特性数据。
S802、提取所述样本特性数据集中各样本特性数据的特征参数;
在具体实施过程中,为了进行有监督的学习,组建训练集,需要首先提取各样本特性数据的特征参数。
具体的,特征参数可以包括最大值、最小值、均方根、方差、平均值、偏度、峰度、峰峰值、光谱偏度、光谱峰度和平均能量。
与前述特性数据类似,作为一种可选地实施例,所述获取样本特性数据集的步骤之后,该训练方法还包括:
对所述样本特性数据集中各样本特性数据进行标准正态处理,获得标准样本特性数据集;
对标准样本特性数据集中的样本特性数据进行编码,获得除噪后的标准样本特性数据集;
所述提取所述样本特性数据集中各样本特性数据的特征参数的步骤,包括:
提取所述除噪后的标准样本特性数据集中各样本特性数据的特征参数。
在具体实施过程中,数据正态化操作这里不再赘述。除噪操作可以通过对数据进行编码,以消除样本特性数据中的噪声,减少自然变异对输入向量的影响,并突显样本特性数据中蕴含的表征过程异常的模式特征。具体的,为了便于对特性数据进行编码,将其变量区间分成若干等宽子区间,每个子区间返回一个实数编码值。
S803、基于所述特征参数,对各样本特性数据进行特征标记,获得标记后的样本特性数据集;
在具体实施过程中,标记基于特征参数。作为一种可选地实施例,所述加权在线序贯极限学习机的输出层包括第一神经元和第二神经元,所述第一神经元输出单值控制图异常模式结果,所述第二神经元输出移动极差控制图异常模式结果。具体的,第一神经元代表制造过程单值控制图统计过程状态,第二神经元代表制造过程移动极差控制图统计过程状态(输出值越接近“0”表示制造过程越受控,输出值越接近“1”表示制造过程越异常),当加权在线序贯极限学习机的输出层为[0,0]时则判定制造过程受控,当加权在线序贯极限学习机的输出层为[0,1]或[1,0]或[1,1]时则分别判定制造过程移动极差控制图失控、单值控制图失控和单值-移动极差控制图异常。
S804、利用所述标记后的样本特性数据集,对原始加权在线序贯极限学习机进行训练,获得加权在线序贯极限学习机。
作为一种可选地实施例,所述利用所述标记后的样本特性数据集,对原始加权在线序贯极限学习机进行训练,获得加权在线序贯极限学习机的步骤之后,还包括:
利用所述标记后的样本特性数据集中的部分数据,对原始加权在线序贯极限学习机进行初始训练,获得初始加权在线序贯极限学习机;
利用所述标记后的样本特性数据集中的剩余数据,对所述初始加权在线序贯极限学习机进行连续训练,获得加权在线序贯极限学习机。
在具体实施过程中,加权在线序贯极限学习机的训练分为初始阶段和连续学习阶段。
具体的,加权在线序贯极限学习机的主要算法如下:
给定N个任意的独立样本(xi,ti)∈Rn×Rm,一个具有L个隐含层节点的单隐层前馈网络可以根据式(1)以零误差逼近这N个训练样本
式中,wi为输入层与隐含层的连接权值,bi为隐含层的阈值,βi为隐含层与输出层的连接权值,G(wi,bi,xj)为输入为时对应的第i个隐含层节点的输出。当运用增加型隐含层节点时,G(wi,bi,xj)=g(wi·xj+bi),bi∈R,这里wi是输入权值向量,bi是第i个隐含层神经元的阈值;当运用径向基函数型隐含层节点时,G(wi,bi,xj)=g(bi||xj-wi||),bi∈R+,这里wi和bi是影响i模型的第i个节点宽度的矢量。
X={(xi,yi)|xi∈Rn,yi∈Rm,i=1,2,...,N}为过程采集数据(即样本特性数据),连续输入到具有L个隐含层节点的网络中,加权在线序贯极限学习机具有两个阶段:初始阶段和在线学习阶段。在初始阶段要求rank(H0)=L(H0代表初始阶段隐含层的输出矩阵),也就是说初始阶段的训练数据等于或者多于隐含层的节点个数L。
(1)初始阶段
将少量的训练数据用于初始化学习,从给出的训练样本中选出N0为选定的初始数据个数,且N0≥L。
1)随机产生输入权值wi和隐含层阈值bi,给定激活函数g(x)和隐含层神经元的个数L。
2)计算初始隐含层的输出矩阵H0,如式(2)所示:
3)求解初始输出权值β(0)。
已知目标输出Y0,如式(3)所示
计算初始权重β(0),也就是计算||H0β-Y0||的最小值问题,而已知H+=(HTH)-1HT,得出β(0)的值如式(4)所示:
式中,令/>
4)设置k=0。
(2)连续学习阶段
输入第(k+1)个数据块中训练数据,Nk+1代表第(k+1)个数据块中数据的个数。
1)计算隐含层的输出矩阵Hk+1如式(5)所示:
2)计算输出权值β(k+1),目标输出如式(6)所示:
假定当前已有k个数据块输入到模型中,并得到Kk如式(7)所示:
当加入新的训练数据块时,Kk+1可表示为式(8)
进一步计算得式(9)
而
为了避免计算矩阵的逆,可将式(10)中的表示为式(11)
且则式(10)可表示为式(11),式(9)可表示为式(12)
3)设置k=k+1,返回步骤1)继续进行连续学习,直至数据学习完毕。
由式(8)可知,Kk+1中由新旧两种训练数据构成,因此,对这两项进行加权处理,式(8)可重新表示为式(14):
式中,λ为旧的训练数据权值,其取值根据上一步计算出的网络均方根误差(RMSE)决定。RMSE的计算公式如式(15)所示:
式中,di为模型的预测值与真实值之间的偏差。定义RMSE∈[a,b]时,λ取1;RMSE<a时λ取1.005;RMSE>b时λ取0.995,a,b的值可根据输出的RMSE值自定义。则可表示为式(16):
将代入到式(16)得式(17)
式中,而β(k+1)的计算公式没有变化,仍沿用式(16)
其中,wi为输入加权的输入权值,基于输入加权的在线序贯极限学习机针对多品种之间的差异,充分考虑各输入差异的影响,提高模型对差异大的各品种的适应能力,从而提高模型对差异大的各品种的生产过程异常类型的识别准确率。
在一个实施例中,原始加权在线序贯极限学习机包括两个,分别为包括单值控制图特殊异常模式识别器和移动极差控制图特殊异常模式识别器。
根据上述算法,将标记后的样本特性数据集作为原始加权在线序贯极限学习机的输入分别对过程单值控制图特殊异常模式识别器和移动极差控制图特殊异常模式识别器进行训练,获得加权在线序贯极限学习机。
在一个实施例中,在获得异常类型后,还可以采用专家决策系统模拟专家投票表决的方法对异常模式类型进行决策。
由此可见,本实施例的方法在原有极限学习机中加入在线序贯算法,不仅具备了传统极限学习机的训练速度和泛化能力上的优点,且可以随着新数据的到来不断更新模型,而不是重新训练数据;其次,针对多品种小批量制造过程中不同品种的数据类型和数量差异较大的问题,在模型中加入权重,平衡不同品种数据对模型的影响,进一步提升模型的泛化能力;然后,标记加权在线序贯极限学习机的输出为[0,0]、[0,1]、[1,0]和[1,1],其中,第1个神经元代表制造过程单值控制图统计过程状态,第2个神经元代表制造过程移动极差控制图统计过程状态(输出值越接近“0”表示制造过程越受控,输出值越接近“1”表示制造过程越异常),当加权在线序贯极限学习机的输出层为[0,0]时则判定制造过程受控,当加权在线序贯极限学习机的输出层为[0,1]或[1,0]或[1,1]时则分别判定制造过程移动极差控制图失控、单值控制图失控和单值-移动极差控制图异常,从而判定制造过程失控;最后,不但能在异常的单值控制图模式单独出现时,具有快速而准确的辨识能力,也能在异常的单值和移动极差控制图模式同时出现时,具有优异的辨识性能表现。
参见图5,基于相同的发明原理,本申请的实施例还提供一种本申请还提供一种产品生产过程质量控制装置,所述装置包括:
数据获取模块,用于获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;
控制图构建模块,用于基于所述特性数据集,构建关于所述多个生产过程的控制图;
受控判断模块,用于基于所述控制图,判断各生产过程是否处于受控状态;
异常识别模块,用于将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式。
需要说明的是,本实施例中产品生产过程质量控制装置中各模块是与前述实施例中的产品生产过程质量控制方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述产品生产过程质量控制方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本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可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (5)
1.一种产品生产过程质量控制方法,其特征在于,所述方法包括:
获取样本特性数据集,所述样本特性数据集包括若干样本产品的若干样本生产过程的样本特性数据;
对所述样本特性数据集中各样本特性数据进行标准正态处理,获得标准样本特性数据集;
对标准样本特性数据集中的样本特性数据进行编码,获得除噪后的标准样本特性数据集;
提取所述除噪后的标准样本特性数据集中各样本特性数据的特征参数;
基于所述特征参数,对各样本特性数据进行特征标记,获得标记后的样本特性数据集;
利用所述标记后的样本特性数据集中的部分数据,对原始加权在线序贯极限学习机进行初始训练,获得初始加权在线序贯极限学习机;
利用所述标记后的样本特性数据集中的剩余数据,对所述初始加权在线序贯极限学习机进行连续训练,获得加权在线序贯极限学习机;所述加权在线序贯极限学习机为基于输入加权的在线序贯极限学习机,所述加权在线序贯极限学习机的输出层包括第一神经元和第二神经元,所述第一神经元输出单值控制图异常模式结果,所述第二神经元输出移动极差控制图异常模式结果;
获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;
基于所述特性数据集,构建关于所述多个生产过程的控制图;
基于所述控制图,判断各生产过程是否处于受控状态;
将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。
2.如权利要求1所述的方法,其特征在于,所述基于所述特性数据集,构建关于所述多个生产过程的控制图的步骤,包括:
判断所述特性数据集中的各特性数据是否服从正态分布;
若否,则通过数据转换方法将各特性数据转换为服从正态分布的正态特性数据;
判断服从正态分布的各特性数据是否服从同一正态分布;
若否,则将各正态特性数据转换为服从同一正态分布的各同一正态特性数据;
基于各同一正态特性数据,构建关于所述多个生产过程的控制图。
3.一种产品生产过程质量控制装置,其特征在于,所述装置包括:
数据获取模块,用于获取样本特性数据集,所述样本特性数据集包括若干样本产品的若干样本生产过程的样本特性数据;对所述样本特性数据集中各样本特性数据进行标准正态处理,获得标准样本特性数据集;对标准样本特性数据集中的样本特性数据进行编码,获得除噪后的标准样本特性数据集;提取所述除噪后的标准样本特性数据集中各样本特性数据的特征参数;基于所述特征参数,对各样本特性数据进行特征标记,获得标记后的样本特性数据集;利用所述标记后的样本特性数据集中的部分数据,对原始加权在线序贯极限学习机进行初始训练,获得初始加权在线序贯极限学习机;利用所述标记后的样本特性数据集中的剩余数据,对所述初始加权在线序贯极限学习机进行连续训练,获得加权在线序贯极限学习机;所述加权在线序贯极限学习机为基于输入加权的在线序贯极限学习机,所述加权在线序贯极限学习机的输出层包括第一神经元和第二神经元,所述第一神经元输出单值控制图异常模式结果,所述第二神经元输出移动极差控制图异常模式结果;获取生产过程的特性数据集,所述特性数据集包括不同产品的多个生产过程的特性数据;
控制图构建模块,用于基于所述特性数据集,构建关于所述多个生产过程的控制图;
受控判断模块,用于基于所述控制图,判断各生产过程是否处于受控状态;
异常识别模块,用于将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机,获得所述目标生产过程的异常模式结果;其中,所述目标生产过程为不受控的生产过程;所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。
4.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-2中任一项所述的方法。
5.一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上存储有计算机程序,处理器执行所述计算机程序,实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389564.5A CN114169704B (zh) | 2021-11-22 | 2021-11-22 | 产品生产过程质量控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389564.5A CN114169704B (zh) | 2021-11-22 | 2021-11-22 | 产品生产过程质量控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169704A CN114169704A (zh) | 2022-03-11 |
CN114169704B true CN114169704B (zh) | 2024-05-17 |
Family
ID=80480207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389564.5A Active CN114169704B (zh) | 2021-11-22 | 2021-11-22 | 产品生产过程质量控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169704B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492013A (zh) * | 2018-03-09 | 2018-09-04 | 同济大学 | 一种基于质量控制的制造系统调度模型有效性检测方法 |
CN111000590A (zh) * | 2018-10-08 | 2020-04-14 | 通用电气公司 | 超声心脏多普勒研究自动化 |
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 |
CN112526931A (zh) * | 2020-11-27 | 2021-03-19 | 江苏科技大学 | 一种船用柴油机机身孔系镗削加工过程质量控制方法 |
-
2021
- 2021-11-22 CN CN202111389564.5A patent/CN114169704B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492013A (zh) * | 2018-03-09 | 2018-09-04 | 同济大学 | 一种基于质量控制的制造系统调度模型有效性检测方法 |
CN111000590A (zh) * | 2018-10-08 | 2020-04-14 | 通用电气公司 | 超声心脏多普勒研究自动化 |
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 |
CN112526931A (zh) * | 2020-11-27 | 2021-03-19 | 江苏科技大学 | 一种船用柴油机机身孔系镗削加工过程质量控制方法 |
Non-Patent Citations (1)
Title |
---|
工艺产品加工质量监测优化;蔡亚军;科学技术与工程;20170628;第17卷(第18期);277-281 * |
Also Published As
Publication number | Publication date |
---|---|
CN114169704A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN109816165B (zh) | 风电超短期功率预测方法及系统 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN113610328A (zh) | 一种发电负荷预测方法 | |
CN114169704B (zh) | 产品生产过程质量控制方法、装置、设备及存储介质 | |
Lum et al. | Industrial electrical energy consumption forecasting by using temporal convolutional neural networks | |
Dufek et al. | Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN115619449A (zh) | 基于深度学习模型的化肥价格预测方法、设备及存储介质 | |
CN115660425A (zh) | 风偏闪络风险评价方法、系统、设备、可读存储介质 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
CN102004661A (zh) | 一种通用的数据驱动的软件和系统可靠性模型及参数优化方法 | |
CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
CN112330073B (zh) | 长距离调水工程监测数据关键效应量预测方法 | |
CN115577769B (zh) | 一种基于双向神经网络自回归模型的量测数据拟合方法 | |
CN117422314B (zh) | 一种基于大数据分析的企业数据评估方法及设备 | |
CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 | |
CN118138491A (zh) | 一种基于多源数据聚合的信息通信系统运行态势感知方法 | |
CN117096859A (zh) | 一种架空线路中长期载流量预测方法、系统、设备及介质 |
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 |