CN114492898A - 产品不良预测方法及装置、电子设备、存储介质 - Google Patents

产品不良预测方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN114492898A
CN114492898A CN202011176670.0A CN202011176670A CN114492898A CN 114492898 A CN114492898 A CN 114492898A CN 202011176670 A CN202011176670 A CN 202011176670A CN 114492898 A CN114492898 A CN 114492898A
Authority
CN
China
Prior art keywords
parameter
equipment
data
acquiring
product
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.)
Pending
Application number
CN202011176670.0A
Other languages
English (en)
Inventor
张帆
王海金
吴建民
王洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Beijing Zhongxiangying Technology Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Beijing Zhongxiangying Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd, Beijing Zhongxiangying Technology Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202011176670.0A priority Critical patent/CN114492898A/zh
Priority to US17/395,131 priority patent/US20220128983A1/en
Publication of CN114492898A publication Critical patent/CN114492898A/zh
Pending legal-status Critical Current

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开是关于一种产品不良预测方法及装置、电子设备、存储介质、存储介质。该方法包括：获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；根据所述参数数据获取表征所述目标设备特征的融合特征；将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述产品是否异常的推测结果。本实施例可以预测生产过程中是否会生产出异常的产品，以使管理人员提前对目标设备进行调整，提升生产良率。

Description

产品不良预测方法及装置、电子设备、存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种产品不良预测方法及装置、电子设备、存储介质。
背景技术
目前，OLED产品的生产线包括若干个工艺设备，在整个产线上设置多个检测站点。检测站内通常设置多个工艺设备，在检测站点发现不良时，需追溯回工艺站点并定位工艺设备，管理人员在一一排查各个工艺设备时需要消耗大量的时间。并且，管理人员在定位异常的工艺设备后还需要花费大量时间进行关注，直到完全确认其异常工作。另外，异常产品可能是在站点内的其中一个工艺设备内就产生异常，而发现异常时通常是站点内的最后一个设备，即从生产出现异常到发现异常也需要一定的时间。上述各情况累加，导致定位到引起不良的设备消耗大量的时间。
发明内容
本公开提供一种产品不良预测方法及装置、电子设备、存储介质、存储介质，以解决相关技术的不足。
根据本公开实施例的第一方面，提供一种产品不良预测方法，所述方法包括：
获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；
根据所述参数数据获取表征所述目标设备特征的融合特征；
将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述产品是否异常的推测结果。
可选地，所述预测模型包括以下一种：逻辑回归、随机森林、LightGBM和Xgboost。
可选地，获取目标设备的每个设备参数在预设时长内的参数数据，包括：
获取不同产品经过目标设备阶段所获得的参数数据的数据个数；
基于所述数据个数对所述参数数据进行个数调整，获得预设个数的参数数据。
可选地，根据所述参数数据获取表征所述目标设备特征的融合特征，包括：
获取所述参数数据的统计特征，以及获取所述参数数据的时频特征；
将所述时频特征插入到所述统计特征之中以融合所述统计特征和所述时频特征，获得所述目标设备的融合特征。
可选地，获取所述参数数据的时频特征，包括：
从所述参数数据中获取各个设备参数的时间序列；
对所述时间序列进行小波包分解为预设数量层频带，所述预设数量层中包括指定层；
对指定层频带的信号进行重构，获得重构信号；
获取各频段的能量值，并将最大的能量值作为所述参数数据的时频特征。
可选地，所述方法还包括：
在所述推测结果表征所述产品异常时，获取所述目标设备的第二数量个候选参数；
获取所述第二数量个候选参数中表征对产品影响最大的目标参数的特征数据；
输出所述第二数量个候选参数以及所述目标参数的特征数据。
可选地，获取所述目标设备的第二数量个候选参数，包括：
基于所述预测模型获取目标设备中每个设备参数的权重值；
根据所述权重值从高到低对目标设备中每个设备参数进行排序；
确定排序靠前的第二数量个设备参数作为候选参数。
可选地，当所述预测模型为随机森林时，获取所述目标设备的第二数量个候选参数，包括：
基于预设的袋外数据，获取随机森林中的每一颗决策树的第一袋外数据误差；
对所述袋外数据加入噪声干扰以改变样本在每个设备参数的值，并获取随机森林中的每一颗决策树的第二袋外数据误差；
基于所述第二袋外数据误差、所述第一袋外误差和所述随机森林中决策树的个数计算每个设备参数的重要性；
确定重要性排序靠前的第二数量个设备参数作为目标设备的候选参数。
可选地，所述方法还包括训练预设的预测模型的步骤，具体包括：
获取训练样本集合；所述训练样本集合包括多个训练样本，各训练样本包括工艺设备的融合特征和样本标签；
将所述训练样本集合中各训练样本输入到待训练的预测模型，获得训练后的预测模型；所述待训练的预测模型的数量为第一数量；所述第一数量个预测模型包括逻辑回归、随机森林、LightGBM和Xgboost；
基于预设的评价指标获取第一数量个预测模型中各预测模型的评价分数；
确定评价分数最大的预测模型为预设的预测模型。
可选地，获取训练样本集合之前，所述方法还包括：
获取检测站点在指定时间段内所生产产品的不良点数；
基于所述不良点数和点数阈值确定各产品的样本分类，所述样本分类包括正样本和负样本；所述正样本是指不良点数小于或等于所述点数阈值的产品，所述负样本是指不良点数大于所述点数阈值的产品；
对每个工艺设备的重要性进行排序，以定位引起不良样本高发的设备。
根据本公开实施例的第二方面，提供一种产品不良预测装置，所述装置包括：
参数数据获取模块，用于获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；
融合特征获取模块，用于根据所述参数数据获取表征所述目标设备特征的融合特征；
推测结果获取模块，用于将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述产品是否异常的推测结果。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行的计算机程序的存储器；
其中，所述处理器被配置为执行所述存储器中的计算机程序，以实现上述方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述存储介质中的可执行的计算机程序由处理器执行时，能够实现上述方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本公开实施例中可以获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；然后，可以根据所述参数数据获取表征所述目标设备特征的融合特征；之后，可以将融合特征输入到预设的预测模型，获得预测模型输出的表征所述产品是否异常的推测结果。这样，本实施例可以预测生产过程中是否会生产出异常的产品，以使管理人员提前对目标设备进行调整，提升生产良率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种产品不良预测方法的流程图。
图2是根据一示例性实施例示出的调整参数数据的流程图。
图3是根据一示例性实施例示出的获取融合特征的流程图。
图4是根据一示例性实施例示出的获取时频特征的流程图。
图5是根据一示例性实施例示出的获取预设的预测模型的流程图。
图6是根据一示例性实施例示出的另一种产品不良预测方法的流程图。
图7是根据一示例性实施例示出的获取候选参数的流程图。
图8是根据一示例性实施例示出的一种产品不良预测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性所描述的实施例并不代表与本公开相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置例子。
为解决上述技术问题，本实施例提供了一种产品不良预测方法，可以应用于OLED、MiniLED、LCD等产品生产线上的各工艺设备或者生产线的不良系统，后续以各工艺设备为例进行描述，且将执行预测方法的工艺设备称之为目标设备。为方便描述，以产品为OLED产品为例进行描述。
图1是根据一示例性实施例示出的一种产品不良预测方法的流程图，参见图1，一种产品不良预测方法，包括步骤11～步骤13，其中：
在步骤11中，获取目标设备的每个设备参数在预设时长内的参数数据。
本实施例中，OLED产品生产线可以生产不同类型的显示面板，各类型的显示面板可以经过不同的工艺设备，例如，显示面板A经过工艺设备a、b、c和d，显示面板B经过工艺设备a、c和d。并且，不同类型的显示面板经过同一工艺设备时所需求的设备参数也可以不同，例如，显示面板A经过工艺设备a时需要温度为36摄氏度，显示面板B经过工艺设备a时需要温度为37摄氏度。其中设备参数可以包括但不限于：温度、湿度、气压、停留时长等。可理解的是，在生产过程中，产品从进入工艺设备到离开工艺设备的时间段内，每个设备参数是不断变化的。
本实施例中，目标设备可以获取生产过程中每个设备参数的参数数据，该参数数据可以采用时间序列的方式来表示。由于同一设备中不同维度的参数对应时间序列的数据个数不一致。以设备参数中的温度和湿度两个参数为例，生产显示面板的温度参数[36.1，36.2，36.2，36.3，36.1]，生产显示面板A的湿度参数[76.0，76.2，76.3，76.3，76.5，76.7，76.8]。
为方便后续使用，本实施例中对每个设备参数的参数数据进行预处理，参见图2，在步骤21中，获取不同OLED产品经过目标设备阶段所获得的参数数据的数据个数。在步骤22中，基于所述数据个数对所述参数数据进行个数调整，获得预设个数的参数数据。也就是说，经过步骤21和22中，可以将同一设备的不同维度的参数数据调整到相同个数。调整方式可以采用以下一种：最大时间序列个数、平均时间序列个数或者最小时间序列个数。为了避免部分数据的丢失，本实施例中可以采用最大时间序列个数，调整过程包括：(1)先求每个时间序列的数据个数；(2)选同一设备参数对应时间序列的个数的最大值；(3)确定最大值后，可以将其他个数不足的时间序列进行补零操作，以使得所有时间序列的数据个数相同。
在步骤12中，根据所述参数数据获取表征所述目标设备特征的融合特征。
本实施例中，在获得参数数据后，目标设备可以根据参数数据获取融合特征，该融合特征可以用于表征目标设备的特征，可以根据具体场景进行设置。在一示例中，该融合特征可以包括统计特征和时频特征。获取融合特征包括：参见图3，在步骤31中，获取所述参数数据的统计特征，以及获取所述参数数据的时频特征。在步骤32中，将时频特征插入到所述统计特征之中以融合所述统计特征和所述时频特征，获得所述目标设备的融合特征。
以获取统计特征为例，统计特征包括以下至少一种特征：最大值、最小值、平均值、中位数、标准差、最大值与最小值的差值、最大值的下标、最小值的下标、下降趋势的差值的和、上升趋势的差值的和、斜率、正数值的和、负数值的和、下降区间数据和之中的最大值、连续下降区间数据和最大的区间的开始数据的下标、连续下降区间数据和最大的区间的结束数据的下标。
以时间序列A：[-2,1,-1,2,3,-3,4,-4]为例，描述上述各特征：
最小值：-4；
均值：(-2+1+-1+2+3+-3+4+-4)/8＝0；
中位数：按顺序排列的一组数据中居于中间位置的数，A排序后为：-4,-3,-2,-1,1,2,3,4，中位数为(-1+1)/2＝0；
标准差：公式：
Figure BDA0002748880490000071
计算得2.93；
Range：最大值与最小值的差值，即4-(-4)＝8；
Index_min：最小值的下标，-4的下标为8；
Index_max：最大值的下标，4的下标为7；
Stat_downtrend：下降趋势的差值的和，即区间[1,-1]的差值为-1-1＝-2，区间[3,-3]的差值为-3-3＝-6，区间[4,-4]的差值为-4-4＝-8，差值的和即-2-6-8＝-16；
Stat_uptrend：上升趋势的差值的和，区间[-2,1]的差值为1-(-2)＝3，区间[-1,2]的差值为2-(-1)＝3，区间[2,3]的差值为3-2＝1，区间[-3,4]的差值为4-(-3)＝7，即3+3+1+7＝14；
Slope：斜率公式：
Figure BDA0002748880490000072
即-0.21428571；
Positive_sum：正数值的和，即1+2+3+4＝10；
Positive_max：对上升区间的和之中最大值，这个区间为[2,3]，即2+3＝5；
Positive_maxstart：对连续上升区间的和最大区间的开始下标，这个区间为[2,3]，2的下标为4；
Positive_maxend：对连续上升区间的和最大区间的结束下标，这个区间为[2,3]，3的下标为5；
Negative_sum：负数值的和，即-2-1-3-4＝-10；
Negative_max：对下降区间的和之中最大值，下降区间中和的最大值-4；
Negative_maxstart：对连续下降区间的和最大区间的开始下标，-4是下降区间中和的最大值，其下标为8；
Negative_maxend：对连续下降区间的和最大区间的结束下标，-4是下降区间中和的最大值，下标为8。
基于上述各特征可以得到时间序列A的统计特征为[-4,4,0,0,2.93,8,8,7,-16,14,-0.214,10,5,4,5,-10,-4,8,8]。
以此类推，目标设备可以对每个设备参数分别求其相应的统计特征。
本实施例中，上述统计特征只能将时间序列的时序特性平均化，而无法表征其时序的特性或某时间段的特征。因此，本实施例中还可以获取时频特征。参见图4，在步骤41中，目标设备可以从参数数据中获取各个设备参数的时间序列。在步骤42中，可以对时间序列进行小波包分解为预设数量层频带，预设数量层中包括指定层。在步骤43中，可以对指定层频带的信号进行重构，获得重构信号。在步骤44中，可以获取各频段的能量值，并将最大的能量值作为所述参数数据的时频特征。
本实施例中，采用小波包分解，是考虑到小波包变换既可以对时间序列中的低频部分信号进行分解，也可以对高频部分信号进行分解；并且，上述分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析，比较适本实施例场景的实际需求。至于小波包如何分解和重构，可以参见相关技术，在此不再赘述。
在一示例中，可以采用小波变换，以及预设数量为3且指定层为第3层为例，描述获取时频特征的详细过程，包括：
(1)获取每张玻璃面板单个参数的时间序列值；
(2)对其进行小波包分解，分解层数为3层，用db6小波包函数，分解第3层信号后为(x31，x32，x33，x34，x35，x36，x37，x38)；
(3)对第3层不同频带的信号进行重构，提高时频分辨率，重构信号为(x31，x32，x33，x34，x35，x36，x37，x38)；
(4)对重构信号构造能量特征向量。各频段的能量为
Figure BDA0002748880490000091
N为信号采样点数，再进行归一化处理，
Figure BDA0002748880490000092
取其最大值，即主频，作为该参数数据的时频特征。
基于上述步骤，可以获取时间序列A的时频特征为[0.721]。
然后，目标设备可以将统计特征和时频特征进行融合。继续以时间序列A为例，其统计特征为[-4,4,0,0,2.93,8,8,7,-16,14,-0.214,10,5,4,5,-10,-4,8,8]，时频特征为[0.721]，融合特征为[-4,4,0,0,2.93,8,8,7,-16,14,-0.214,10,5,4,5,-10,-4,8,8,0.721]。
在一实施例中，为消除统计特征和时频特征之间的量纲影响，需要对融合特征进行归一化处理，使得不同指标之间具有可比性。本实施例中，可以采用Z分数(z-score)，其公式表示为：
Figure BDA0002748880490000093
其中，x为某一具体值，μ为均值，σ为标准差。
当参数过多时，会导致特征的维度过大，故需对特征进行降维处理。在本实例中，采用皮尔逊相关系数来计算特征之间的相关关系密切程度。公式如下：
Figure BDA0002748880490000094
其中，Cov(X，Y)为X与Y的协方差，σx为X的方差，σY为Y的方差。相关系数的值介于-1与+1之间，即-1≤r≤+1。一般划分为：|r|<0.5为低度相关；0.5≤|r|为显著相关。
即，本实施例可以通过计算特征间的皮尔逊相关系数，剔除显著相关的特征，从而达到特征降维的目的。
在步骤13中，将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述OLED产品是否异常的推测结果。
本实施例中，目标设备内可以存储预设的预测模型，该预测模型用于根据目标设备的的各个设备参数的参数数据来推测出所生产的产品是正常产品，还是不良产品。该预测模型是机器学习一种，可以采用以下一种模型实现：逻辑回归、随机森林、LightGBM和Xgboost。并且，预测模型可以通过以下方式训练，参见图5，包括：
在步骤51中，获取训练样本集合；所述训练样本集合包括多个训练样本，各训练样本包括工艺设备的融合特征和样本标签。本步骤中，在实际生产OLED产品过程中，在定位出引起产品不良的工艺设备时，可以获取在一段时间内其每个设备参数的参数数据，并根据步骤11和步骤12来获取每个设备参数的融合特征，从而获得样本数据。然后，根据所生产的OLED产品的不良点占比，确定出该设备参数属于正样本或者是负样本，在属于正样本时设置样本数据的样本标签为1，在属于负样本时设置样本数据的样本标签为-1，从而得到包括工艺设备的各个设备参数的融合特征和样本标签的训练样本。
需要说明的是，本步骤中定位产品不良的工艺设备可以通过以下方式获取：生产线上可以设置有不良分析系统，该不良分析系统可以先创建某时间段样本，指定检测站点、缺陷等相关信息，划分正负样本数据，即每张显示面板上的不良点占比或不良点数比值作为整体样本划分的阈值，大于该阈值为负样本，小于则为正样本。之后，生产线上可以设置智能挖掘模板，可以利用智能挖掘模块获取在生产过程中经过的工艺设备数据，并采用基于决策树算法(如ID3，C4.5，CART等)进行分析，对每个工艺设备的重要性进行排序，从而定位引起不良样本高发的设备作为目标设备。
当然，在定位出设备后，管用人员可以继续回溯直到完全确定引起不良样本高发的设备为止。在定位出设备之后，可以将该设备作为目标设备，再执行步骤51。
在步骤52中，将所述训练样本集合中各训练样本输入到待训练的预测模型，获得训练后的预测模型；所述待训练的预测模型的数量为第一数量。本步骤中，待训练的预测模型的数量为第一数量，例如第一数量取值为3。在一示例中，待训练的预测模型包括逻辑回归、随机森林、LightGBM和Xgboost。目标设备可以将训练样本集合按照8：1：1的比例划分为训练集、验证集和测试集。这样，可以将训练集中各训练样本输入到各预测模型，并利用验证集和测试集中的训练样本进行验证或测试。在预测模型通过验证后，可以确定预测模型完成训练。其中，利用训练样本集合对预测模型训练的过程可以参考相关技术，在此不再赘述。
在步骤53中，基于预设的评价指标获取第一数量个预测模型中各预测模型的评价分数。本步骤中，目标设备内可以预设模型的评价指标，该评价指标包括但不限于：准确率、精准率、召回率等，用于分析各预测模型的可信度。
表1预测模型的推测结果
预测：正样本 预测：负样本
实际：正样本 TP FN
实际：负样本 FP TN
注：TP(True Positive)表示将正类预测为正类的数目；FN(False Negative)表示将正类预测为负类的数目；FP(False Positive)表示将负类预测为正类的数目；TN(TrueNegative)表示将负类预测为负类的数目。
准确率计算公式如下：
Accuracy＝(TP+TN)/(TP+FN+FP+TN)；
精准率计算公式如下：
Precision＝TP/(TP+FP)；
召回率计算公式如下：
Recall＝TP/(TP+FN)。
本步骤中，在确定出评价指标后，目标设备可以计算出各预测模型的评价分数。
在步骤54中，确定评价分数最大的预测模型为预设的预测模型。本步骤中，目标设备可以根据评价分数从大到小进行排序，确定评价分数最大的预测模型为预设的预测模型。
本实施例中，在获得融合特征后，可以将该融合特征输入到上述的预测模型，由预测模型输出推测结果，该推测结果可以表征OLED产品是否异常的推测结果，或者说，基于目标设备当前的工作状态在后续过程中生产OLED产品是否异常的推测结果，通过该推测结果方便管理人员确定目标设备是否正常工作，在工作异常时可以及时进行检修。
在一实施例中，在定位目标设备工作异常后，还需要明确定位引起问题的设备参数，参见图6：
在步骤61中，在推测结果表征OLED产品异常时，获取目标设备的第二数量个候选参数；该候选参数用于辅助分析OLED产品异常原因。
该第二数量个候选参数可以通过以下方式获取：
参见图7，在步骤71中，目标设备可以基于预测模型获取其每个设备参数的权重值。以逻辑回归为例，可以通过求各变量回归系数的绝对值来得到各特征的权重值。实际应用中，可以分别为各预测模型设置一个权重值调用函数(feature_importances_)。在完成训练后直接调用上述权重值调用函数即可以获得各特征的权重值或者重要性。以在随机森林中某个特征X的重要性的为例：1，对于随机森林中的每一颗决策树,使用相应的OOB(袋外数据)数据来计算它的袋外数据误差，记为errOOB1，即第一袋外数据误差。2，随机地对袋外数据OOB所有样本的特征X加入噪声干扰，此时可以随机的改变样本在特征X处的值；并再次计算它的袋外数据误差，记为errOOB2,即第一袋外数据误差。3，假设随机森林中有Ntree棵树，那么对于特征X的重要性＝∑(errOOB2-errOOB1)/Ntree。
参考特征X的重要性，可以对目标设备的所有特征进行重要性排序，获得重要性靠前的第二数量个特征，即得到重要性较大对该目标设备影响较大的第二数量个设备参数。
需要说明的是，本示例中之所以可以用这个表达式来作为相应特征的重要性的度量值是：若给某个特征随机加入噪声之后,袋外的准确率大幅度降低，则说明这个特征对于样本的分类结果影响很大,也就是说它的重要程度比较高。
在步骤72中，目标设备可以根据权重值从高到低对目标设备中每个设备参数进行排序。
在步骤73中，确定排序靠前的第二数量个设备参数作为候选参数。在一示例中，第二数量取值为10，可根据具体场景进行调整。
在步骤62中，可以获取第二数量个候选参数中表征对OLED产品影响最大的目标参数的特征数据。
在步骤63中，可以输出第二数量个候选参数以及目标参数的特征数据，以辅助用户确定OLED产品异常原因。这样，管理人员可以优先排查第二数量个候选参数，以方便快速定位引起问题的设备参数。并且，管理人员还可以根据第二数量个候选参数的排查结果来评价这个预测模型的结果。换言之，本实施例中不仅给出了用于预测产品品质的预测模型，还通过提供第二数量个候选参数来增加该预测模型的可解释性，方便管理人员及时调整设备参数以避免损失；以及调整预测模型，以提高推测结果的准确率。
至此，本公开实施例中可以获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指OLED产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；然后，可以根据所述参数数据获取表征所述目标设备特征的融合特征；之后，可以将融合特征输入到预设的预测模型，获得预测模型输出的表征所述OLED产品是否异常的推测结果。这样，本实施例可以预测生产过程中是否会生产出异常的OLED产品，以使管理人员提前对目标设备进行调整，提升生产良率。
图8是根据一示例性实施例示出的一种产品不良预测装置的框图，参见图8，一种产品不良预测装置，所述装置包括：
参数数据获取模块81，用于获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指OLED产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；
融合特征获取模块82，用于根据所述参数数据获取表征所述目标设备特征的融合特征；
推测结果获取模块83，用于将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述OLED产品是否异常的推测结果。
可理解的是，本公开实施例提供的装置与上述方法相对应，具体内容可以参考方法各实施例的内容，在此不再赘述。
在示例性实施例中，还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行的计算机程序的存储器；
其中，所述处理器被配置为执行所述存储器中的计算机程序，以实现如图1所述方法的步骤。
在示例性实施例中，还提供了一种包括可执行的计算机可读存储介质，例如包括指令的存储器，上述可执行的计算机程序可由处理器执行，以实现如图1所述方法的步骤。其中，可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种产品不良预测方法，其特征在于，所述方法包括：
获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；
根据所述参数数据获取表征所述目标设备特征的融合特征；
将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述产品是否异常的推测结果。
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括以下一种：逻辑回归、随机森林、LightGBM和Xgboost。
3.根据权利要求1或2所述的方法，其特征在于，获取目标设备的每个设备参数在预设时长内的参数数据，包括：
获取不同产品经过目标设备阶段所获得的参数数据的数据个数；
基于所述数据个数对所述参数数据进行个数调整，获得预设个数的参数数据。
4.根据权利要求1或2所述的方法，其特征在于，根据所述参数数据获取表征所述目标设备特征的融合特征，包括：
获取所述参数数据的统计特征，以及获取所述参数数据的时频特征；
将所述时频特征插入到所述统计特征之中以融合所述统计特征和所述时频特征，获得所述目标设备的融合特征。
5.根据权利要求4所述的方法，其特征在于，获取所述参数数据的时频特征，包括：
从所述参数数据中获取各个设备参数的时间序列；
对所述时间序列进行小波包分解为预设数量层频带，所述预设数量层中包括指定层；
对指定层频带的信号进行重构，获得重构信号；
获取各频段的能量值，并将最大的能量值作为所述参数数据的时频特征。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
在所述推测结果表征所述产品异常时，获取所述目标设备的第二数量个候选参数；
获取所述第二数量个候选参数中表征对产品影响最大的目标参数的特征数据；
输出所述第二数量个候选参数以及所述目标参数的特征数据。
7.根据权利要求6所述的方法，其特征在于，获取所述目标设备的第二数量个候选参数，包括：
基于所述预测模型获取目标设备中每个设备参数的权重值；
根据所述权重值从高到低对目标设备中每个设备参数进行排序；
确定排序靠前的第二数量个设备参数作为候选参数。
8.根据权利要求6所述的方法，其特征在于，当所述预测模型为随机森林时，获取所述目标设备的第二数量个候选参数，包括：
基于预设的袋外数据，获取随机森林中的每一颗决策树的第一袋外数据误差；
对所述袋外数据加入噪声干扰以改变样本在每个设备参数的值，并获取随机森林中的每一颗决策树的第二袋外数据误差；
基于所述第二袋外数据误差、所述第一袋外误差和所述随机森林中决策树的个数计算每个设备参数的重要性；
确定重要性排序靠前的第二数量个设备参数作为目标设备的候选参数。
9.根据权利要求1或2所述的方法，其特征在于，所述方法还包括训练预设的预测模型的步骤，具体包括：
获取训练样本集合；所述训练样本集合包括多个训练样本，各训练样本包括工艺设备的融合特征和样本标签；
将所述训练样本集合中各训练样本输入到待训练的预测模型，获得训练后的预测模型；所述待训练的预测模型的数量为第一数量；所述第一数量个预测模型包括逻辑回归、随机森林、LightGBM和Xgboost；
基于预设的评价指标获取第一数量个预测模型中各预测模型的评价分数；
确定评价分数最大的预测模型为预设的预测模型。
10.根据权利要求9所述的方法，其特征在于，获取训练样本集合之前，所述方法还包括：
获取检测站点在指定时间段内所生产产品的不良点数；
基于所述不良点数和点数阈值确定各产品的样本分类，所述样本分类包括正样本和负样本；所述正样本是指不良点数小于或等于所述点数阈值的产品，所述负样本是指不良点数大于所述点数阈值的产品；
对每个工艺设备的重要性进行排序，以定位引起不良样本高发的设备作为目标设备。
11.一种产品不良预测装置，其特征在于，所述装置包括：
参数数据获取模块，用于获取目标设备的每个设备参数在预设时长内的参数数据；所述参数数据是指产品在经过目标设备阶段之内按照预设间隔记录的每个设备参数的数值；
融合特征获取模块，用于根据所述参数数据获取表征所述目标设备特征的融合特征；
推测结果获取模块，用于将所述融合特征输入到预设的预测模型，获得所述预测模型输出的表征所述产品是否异常的推测结果。
12.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行的计算机程序的存储器；
其中，所述处理器被配置为执行所述存储器中的计算机程序，以实现如权利要求1～10任一项所述方法。
13.一种计算机可读存储介质，其特征在于，当所述存储介质中的可执行的计算机程序由处理器执行时，能够实现如权利要求1～10任一项所述方法。
CN202011176670.0A 2020-10-28 2020-10-28 产品不良预测方法及装置、电子设备、存储介质 Pending CN114492898A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011176670.0A CN114492898A (zh) 2020-10-28 2020-10-28 产品不良预测方法及装置、电子设备、存储介质
US17/395,131 US20220128983A1 (en) 2020-10-28 2021-08-05 Defect prediction methods, apparautses, electronic devices and storage media

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011176670.0A CN114492898A (zh) 2020-10-28 2020-10-28 产品不良预测方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN114492898A true CN114492898A (zh) 2022-05-13

Family

ID=81258348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011176670.0A Pending CN114492898A (zh) 2020-10-28 2020-10-28 产品不良预测方法及装置、电子设备、存储介质

Country Status (2)

Country Link
US (1) US20220128983A1 (zh)
CN (1) CN114492898A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245256A (zh) * 2023-04-23 2023-06-09 湖州新江浩电子有限公司 一种结合多因素的电容器质量预测方法、系统及存储介质
CN116976747A (zh) * 2023-08-14 2023-10-31 浙江羲和新材料科技有限公司 一种液晶显示器的密封剂生产管理方法及系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11493901B2 (en) * 2020-09-24 2022-11-08 International Business Machines Corporation Detection of defect in edge device manufacturing by artificial intelligence
US12007760B2 (en) * 2021-09-02 2024-06-11 Mitsubishi Electric Research Laboratories, Inc. Anomaly detection and diagnosis in factory automation system using pre-processed time-delay neural network with loss function adaptation
CN114645844B (zh) * 2022-05-23 2022-07-19 蘑菇物联技术（深圳）有限公司 确定空压站的流量状态的方法、计算设备和计算机介质
CN115273438B (zh) * 2022-07-05 2023-05-02 广东远景信息科技有限公司 基于5g的森林智慧防火方法、装置、系统、设备及介质
CN116256686A (zh) * 2023-02-03 2023-06-13 四川大学 一种基于物联网数据的mri设备异常检测方法和系统
CN117540258B (zh) * 2024-01-10 2024-05-03 深圳市艾克姆科技发展有限公司 一种注塑生产监测方法、装置及系统
CN118211123B (zh) * 2024-05-22 2024-09-27 山东大学 一种基于多模态特征融合的风机状态监测方法及系统
CN118606657B (zh) * 2024-08-07 2024-10-25 长江水利委员会长江科学院 一种大坝变形量的预测方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334890A (zh) * 2017-01-19 2018-07-27 欧姆龙株式会社 预测模型生成装置、生产设备监视系统及其方法
CN108846521A (zh) * 2018-06-22 2018-11-20 西安电子科技大学 基于Xgboost的盾构施工不良地质类型预测方法
CN110276410A (zh) * 2019-06-27 2019-09-24 京东方科技集团股份有限公司 确定不良原因的方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5158018B2 (ja) * 2009-05-26 2013-03-06 新日鐵住金株式会社 生産システムの設備診断装置および設備診断方法、並びに設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体
DE112015002433T5 (de) * 2014-05-23 2017-03-23 Datarobot Systeme und Techniken zur prädikativen Datenanalytik
GB201621434D0 (en) * 2016-12-16 2017-02-01 Palantir Technologies Inc Processing sensor logs
CN107451557B (zh) * 2017-07-29 2020-06-23 吉林化工学院 基于经验小波变换与局部能量的输电线路短路故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334890A (zh) * 2017-01-19 2018-07-27 欧姆龙株式会社 预测模型生成装置、生产设备监视系统及其方法
CN108846521A (zh) * 2018-06-22 2018-11-20 西安电子科技大学 基于Xgboost的盾构施工不良地质类型预测方法
CN110276410A (zh) * 2019-06-27 2019-09-24 京东方科技集团股份有限公司 确定不良原因的方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245256A (zh) * 2023-04-23 2023-06-09 湖州新江浩电子有限公司 一种结合多因素的电容器质量预测方法、系统及存储介质
CN116245256B (zh) * 2023-04-23 2023-07-28 湖州新江浩电子有限公司 一种结合多因素的电容器质量预测方法、系统及存储介质
CN116976747A (zh) * 2023-08-14 2023-10-31 浙江羲和新材料科技有限公司 一种液晶显示器的密封剂生产管理方法及系统
CN116976747B (zh) * 2023-08-14 2024-01-23 浙江羲和新材料科技有限公司 一种液晶显示器的密封剂生产管理方法及系统

Also Published As

Publication number Publication date
US20220128983A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
CN114492898A (zh) 产品不良预测方法及装置、电子设备、存储介质
Yang et al. A control chart pattern recognition system using a statistical correlation coefficient method
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
Yu et al. A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering
US20200285900A1 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
US20190087737A1 (en) Anomaly detection and automated analysis in systems based on fully masked weighted directed
CN109496334B (zh) 用于评估语音质量的设备和方法
JPWO2013105164A1 (ja) 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN109323754A (zh) 一种列车车轮多边形故障诊断检测方法
Guh Robustness of the neural network based control chart pattern recognition system to non‐normality
CN113242213B (zh) 一种电力通信骨干网节点脆弱性诊断方法
US20190087248A1 (en) Anomaly detection and automated analysis using weighted directed graphs
CN112861066B (zh) 基于机器学习和fft的盲源分离信源数目并行估计方法
CN115409066A (zh) 时间序列数据的异常检测方法、装置及计算机存储介质
Yuan et al. Energy efficiency state identification of milling processing based on EEMD-PCA-ICA
Avila et al. Bayesian restoration of audio signals degraded by impulsive noise modeled as individual pulses
CN118214502B (zh) 一种数字广播信号质量实时监控方法及系统
CN112668105A (zh) 一种基于sae与马氏距离的直升机传动轴异常判定方法
CN111414943B (zh) 一种基于混合隐朴素贝叶斯模型的异常检测方法
CN113921041B (zh) 基于分组卷积注意力网络的录音设备识别方法及系统
Bator et al. Feature extraction and reduction applied to sensorless drive diagnosis
JP4299508B2 (ja) 製造プロセスにおける操業と品質の関連分析装置、関連分析方法及びコンピュータ読み取り可能な記憶媒体
Zhang et al. Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study
CN116884427A (zh) 基于端到端深度学习语音复刻模型的嵌入向量处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination