CN114943304B - 一种基于贝叶斯的3c电子产品装配误差传递方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯的3C电子产品装配误差传递方法，包括下述步骤：构建知识库；确定节点及其取值范围；获取生产线数据并处理；贝叶斯网络训练；度量良损点路径可视化：通过贝叶斯网络训练量化出各个良损点的发生概率，通过数字孪生系统实现各个良损点的发生概率的动态可视化；判断是否需要优化生产线；选择算法概率推理；自适应选择算法机制：在贝叶斯网络训练、选择算法概率推理步骤中，采用自适应选择算法机制，在每个步骤中选择最合适的算法进行训练或者推理；本发明旨在提供一种基于贝叶斯的3C电子产品装配误差传递方法，具有逻辑清晰、容易理解、结果直观等优点的网络结构。

Description

一种基于贝叶斯的3C电子产品装配误差传递方法

技术领域

本发明涉及自动化生产技术领域，尤其涉及一种基于贝叶斯的3C电子产品装配误差传递方法。

背景技术

如今时代，3C电子产品已经成为每个人生活中不可或缺的一部分，这类产品具有操作简单、实用性强等特点。在生产3C电子产品的自动化生产线上，因为误差而导致最终产品不合格的情况时有发生，这类产品一般处于中高消费水平，其成本较高，当进行大批量的生产时，一旦出现较多不合格产品时，会对良品率产生很大的影响，造成较大的经济损失，这对自动化生产线的整体性能提出了更高的要求。在如今的相关研究中，对人工生产线上误差建模的研究较多，但是自动化生产线区别于人工生产线，两者的误差的影响因素有较多的不同之处，并且，现在对3C产品的自动化生产线的误差建模与分析的研究比较少。因此，利用合适的理论对自动化生产线的良率进行数学建模是十分必要的，这有利于分析造成误差的关键因素，及时制定策略改善，可以带来较大的经济效益。

目前常用的误差建模方法是BP神经网络建模方法，BP神经网络在结构上由三部分组成，包括输入层、输出层以及一个或多个的隐含层，形成一个完整的BP神经网络的一般过程是：初始化节点间权值，输入层输入训练样本集，然后经隐含层与对应权值相乘，向后传播达到输出层，输出层的值与期望相比较，得到误差值delta，若delta不满足最小且收敛的条件，则delta向前传播，根据返回值更新权值，然后再次向后传播计算响应；以上步骤需要重复迭代，直到可以输出一个误差值最小并且稳定的满意结果，整个过程从本质上讲，神经网络建模方法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。但是这种方法也有一些局限性：在训练样本数据稀少的情况下，这种网络性能较差，具体体现在稳定性不够好，预测结果的精度不高；另外在面对复杂问题时，这种方法会需要很久的训练时间，学习速度慢，建模效率不高。

发明内容

本发明的目的在于提出一种基于贝叶斯的3C电子产品装配误差传递方法，具有逻辑清晰、容易理解、结果直观等优点的网络结构，在训练网络之前，根据训练样本集的特征，使用设计的自适应选择算法机制，自动筛选最优的算法进行训练，再加上贝叶斯网络固有的优势，相比于之前的方法，它在训练数据样本稀缺的时候仍能够有不错的训练效果，并且即使面对复杂问题，它的训练时间不会过长，这既可以填补目前对自动化生产线误差建模的空白，又可以弥补BP神经网络的建模精度和建模效率较差的不足。

为达此目的，本发明采用以下技术方案：一种基于贝叶斯的3C电子产品装配误差传递方法，包括下述步骤：

构建知识库：采用实际调研和网络调研的知识融合方式，构建一个实践与理论相融合的知识库；

确定节点及其取值范围：在知识库中选取直接影响或间接影响产品最终质量的关键因素作为变量，即贝叶斯网络里面的节点，将产品质量作为最终节点，形成了贝叶斯网络的节点集；根据生产线数据，将每个节点的状态进行划分，确定每个节点的取值范围；

获取生产线数据并处理：搭建生产线与贝叶斯网络的数字孪生系统，将从生产线采集到的第一数据进行状态归类，生成用作训练的第二数据；

贝叶斯网络训练：以第二数据作为样本数据，通过贝叶斯网络结构训练和贝叶斯网络参数训练对第二数据进行训练；

度量良损点路径可视化：通过贝叶斯网络训练量化出各个良损点的发生概率，通过数字孪生系统实现各个良损点的发生概率的动态可视化；

判断是否需要优化生产线：判断良损点的重要程度，选取重要程度高的良损点作为关键的良损点；需要优化生产线时，对关键的良损点进行优化并通过数字孪生系统反馈至生产线，将优化后的生产线在数字孪生系统中产生变化的第三数据作为样本数据，通过贝叶斯网络训练对第三数据进行训练，循环直至不需要优化生产线；

选择算法概率推理：通过生产线的中间节点产生的实时故障信息进行正向概率推理，获得实时故障信息导致产品不合格的概率；通过产品最终不合格的信息进行反向概率推理，获得中间节点出现误差导致产品不合格的概率；

自适应选择算法机制：在贝叶斯网络训练、选择算法概率推理步骤中，采用自适应选择算法机制，在每个步骤中选择最合适的算法进行训练或者推理。

优选的，在所述确定节点及其取值范围的步骤中，具体包括：在知识库中选取直接或间接影响产品最终质量的关键因素包括但不限于：治具上盖夹紧力、治具质量、小料质量、小料定位、加工质量和掰料质量。

优选的，在所述确定节点及其取值范围的步骤中，具体包括：根据生产线数据对每个节点的状态进行划分，对于取值状态小于预设值的离散型数据，可直接将获得的生产线数据作为训练样本，确定各个节点状态的取值范围；对于取值状态大于预设值的离散型数据或连续型数据，根据获得的生产线数据的特征进行统计，重新划分各个节点状态的取值范围。

优选的，在所述获取生产线数据并处理的步骤中，具体包括：基于数字孪生技术建立数字孪生系统，利用数字孪生系统在生产线与贝叶斯网络之间搭建桥梁，直接从生产线获得第一数据，将采集到的第一数据直接进行状态归类，生成第二数据。

优选的，在所述贝叶斯网络训练的步骤中，具体包括：以第二数据作为样本数据，通过搜索评分算法对第二数据进行学习，获得优化的贝叶斯网络的结构；通过机器学习算法对第二数据进行学习，获得每个节点的条件概率分布。

优选的，在所述度量良损点路径可视化的步骤中，具体包括：在使用多个样本数据对贝叶斯网络进行训练后，可直观地在贝叶斯网络中量化出各个良损点的发生概率，获得关于产品装配误差传递的数学模型，以数学模型为基础构建良率与多阶段良损率之间的级联计算方法，同时，利用数字孪生系统的可视化技术，将良损点的发生概率进行动态可视化，包括良损点重要性度量可视化和多阶良损关联路径可视化。

优选的，在所述自适应选择算法机制的步骤中，将每种需要用到的算法与对应的标签相链接，标签即为算法对应的特征；设算法运行机制的前提条件是具有训练样本集D1和算法集D2；包括下述子步骤：

对训练样本集D1进行归类，根据训练样本集D1中各类特征的数值是否满足相应的判断条件进行归类；

搜索算法集D2，穷尽算法集D2中所有算法，将训练样本集D1的特征与每种算法的标签匹配，筛选出匹配度最高的算法，即为最合适的算法。

优选的，在所述自适应选择算法机制的步骤中，具体还包括：

数据规模判断公式：D_l*D_w≥D_max；

式中：D_l为数据集的长度，即获取到的数据样本的数量；D_w为数据集的宽度，即获取到的节点数量；D_max为界定数据规模大小的判断值，当前项大于等于后项时，表示数据规模为大，否则表示数据规模为小；

节点数量判断公式：N_n≥N_max；

式中：N_n为节点数量，N_max为界定节点数量多少的判断值，当前项大于等于后项时，表示节点数量为多，否则表示节点数量为小；

数据完备性判断公式：D_w-N_n＝0；

式中：当前项等于后项时，表示数据完备性完好，否则表示数据完备性不完好；

网络结构复杂度判断公式：

式中：f(x_i)为第i个节点向下发出的边数，F_max为界定网络结构复杂度大小的判断值，当前项大于等于后项时，表示网络结构复杂度为大，否则表示网络结构复杂度为小；

算法匹配度计算公式：

式中：M(a)为第a种算法的匹配度，n为特征的数量，w_i为第i种特征的权重值，y_ai为第a个算法的第i个特征是否与数据集的第i个特征相同的判断值，相同为1，不相同为0。

本发明的一个技术方案的有益效果：本方法通过对误差传递过程进行建模，在建模之后利用贝叶斯网络的条件概率表对数学模型进行分析，可以帮助我们获取造成误差的良损点以及其与良率之间的数学关系，以此来预测产品是否合格，并且也可以对不合格的产品进行病因诊断，这样可以帮助企业诊断故障点，利于及时排查与解决。

附图说明

图1是本发明一个实施例的步骤示意图；

图2是本发明一个实施例自适应算法机制的步骤示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参阅图1和图2所示，一种基于贝叶斯的3C电子产品装配误差传递方法，包括下述步骤：

构建知识库：采用实际调研和网络调研的知识融合方式，构建一个实践与理论相融合的知识库；

确定节点及其取值范围：在知识库中选取直接影响或间接影响产品最终质量的关键因素作为变量，即贝叶斯网络里面的节点，将产品质量作为最终节点，形成了贝叶斯网络的节点集；根据生产线数据，将每个节点的状态进行划分，确定每个节点的取值范围；

获取生产线数据并处理：搭建生产线与贝叶斯网络的数字孪生系统，将从生产线采集到的第一数据进行状态归类，生成用作训练的第二数据；

贝叶斯网络训练：以第二数据作为样本数据，通过贝叶斯网络结构训练和贝叶斯网络参数训练对第二数据进行训练；

度量良损点路径可视化：通过贝叶斯网络训练量化出各个良损点的发生概率，通过数字孪生系统实现各个良损点的发生概率的动态可视化；

判断是否需要优化生产线：判断良损点的重要程度，选取重要程度高的良损点作为关键的良损点；需要优化生产线时，对关键的良损点进行优化并通过数字孪生系统反馈至生产线，将优化后的生产线在数字孪生系统中产生变化的第三数据作为样本数据，通过贝叶斯网络训练对第三数据进行训练，循环直至不需要优化生产线；

选择算法概率推理：通过生产线的中间节点产生的实时故障信息进行正向概率推理，获得实时故障信息导致产品不合格的概率；通过产品最终不合格的信息进行反向概率推理，获得中间节点出现误差导致产品不合格的概率；

自适应选择算法机制：在贝叶斯网络训练、选择算法概率推理步骤中，采用自适应选择算法机制，在每个步骤中选择最合适的算法进行训练或者推理。

如今时代，3C电子产品已经成为每个人生活中不可或缺的一部分，这类产品具有操作简单、实用性强等特点。在生产3C电子产品的自动化生产线上，因为误差而导致最终产品不合格的情况时有发生，这类产品一般处于中高消费水平，其成本较高，当进行大批量的生产时，一旦出现较多不合格产品时，会对良品率产生很大的影响，造成较大的经济损失，这对自动化生产线的整体性能提出了更高的要求。在如今的相关研究中，对人工生产线上误差建模的研究较多，但是自动化生产线区别于人工生产线，两者的误差的影响因素有较多的不同之处，并且，现在对3C产品的自动化生产线的误差建模与分析的研究比较少。因此，利用合适的理论对自动化生产线的良率进行数学建模是十分必要的，这有利于分析造成误差的关键因素，及时制定策略改善，可以带来较大的经济效益。

目前常用的误差建模方法是BP神经网络建模方法，BP神经网络在结构上由三部分组成，包括输入层、输出层以及一个或多个的隐含层，形成一个完整的BP神经网络的一般过程是：初始化节点间权值，输入层输入训练样本集，然后经隐含层与对应权值相乘，向后传播达到输出层，输出层的值与期望相比较，得到误差值delta，若delta不满足最小且收敛的条件，则delta向前传播，根据返回值更新权值，然后再次向后传播计算响应；以上步骤需要重复迭代，直到可以输出一个误差值最小并且稳定的满意结果，整个过程从本质上讲，神经网络建模方法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。但是这种方法也有一些局限性：在训练样本数据稀少的情况下，这种网络性能较差，具体体现在稳定性不够好，预测结果的精度不高；另外在面对复杂问题时，这种方法会需要很久的训练时间，学习速度慢，建模效率不高。

本发明提出了一种基于贝叶斯的3C电子产品装配误差传递方法，具有逻辑清晰、容易理解、结果直观等优点的网络结构，在训练网络之前，根据训练样本集的特征，使用设计的自适应选择算法机制，自动筛选最优的算法进行训练，再加上贝叶斯网络固有的优势，相比于之前的方法，它在训练数据样本稀缺的时候仍能够有不错的训练效果，并且即使面对复杂问题，它的训练时间不会过长，这既可以填补目前对自动化生产线误差建模的空白，又可以弥补BP神经网络的建模精度和建模效率较差的不足。

本方法通过对误差传递过程进行建模，在建模之后利用贝叶斯网络的条件概率表对数学模型进行分析，可以帮助我们获取造成误差的良损点以及其与良率之间的数学关系，以此来预测产品是否合格，并且也可以对不合格的产品进行病因诊断，这样可以帮助企业诊断故障点，利于及时排查与解决。

针对生产线，分析其中的不确定因素以及在加工在制品时容易出错的部分，提炼出关键变量，确定贝叶斯网络的每个节点及其状态取值范围，然后形成了一种新的贝叶斯网络误差建模体系，对贝叶斯网络进行训练，包括结构学习和参数学习，同时配合自适应选择算法机制，在众多算法中寻找最合适的算法进行训练，提高了误差建模效率。对度量良损点重要性，可视化多阶良损关联路径，通过关键良损点对生产线进行反馈，使生产线迭代优化运行。完成对误差传递的数学建模之后，根据需要进行分析也就是贝叶斯网络中的概率推理，当获得生产线的某个数据时，我们可以使用概率推理算法，进行正向或者反向传播，以此来进行预测或者溯源。

优选的，在所述确定节点及其取值范围的步骤中，具体包括：在知识库中选取直接或间接影响产品最终质量的关键因素包括但不限于：治具上盖夹紧力、治具质量、小料质量、小料定位、加工质量和掰料质量。

采用实地调研与网络调研的知识融合方式构造知识库，形成一种最前沿的生产线知识，与现有的生产线案例知识相互补充的模式，确定3C电子产品装配过程中的误差形成机理。同时采用CCD目标导向的方式，在实际的自动化生产线中，采用CCD目标导向方式提取检测的地方往往是容易出现误差的地方，利用这一点可以实现最大化使用先验的知识。

通过使用以上的方式进行筛选，总结出治具上盖夹紧力、治具质量、小料质量、小料定位、加工质量、掰料质量等影响产品良率的关键因素，这些因素直接或者间接的影响产品最终的质量，将它们看作变量，也就是贝叶斯网络里面的节点，同时将产品质量作为最终节点，这样便形成了贝叶斯网络的节点集。

具体地，在所述确定节点及其取值范围的步骤中，具体包括：根据生产线数据对每个节点的状态进行划分，对于取值状态小于预设值的离散型数据，可直接将获得的生产线数据作为训练样本，确定各个节点状态的取值范围；对于取值状态大于预设值的离散型数据或连续型数据，根据获得的生产线数据的特征进行统计，重新划分各个节点状态的取值范围。

采用下面的表格表示节点及其取值范围：

本申请中，在所述获取生产线数据并处理的步骤中，具体包括：基于数字孪生技术建立数字孪生系统，利用数字孪生系统在生产线与贝叶斯网络之间搭建桥梁，直接从生产线获得第一数据，将采集到的第一数据直接进行状态归类，生成第二数据。

通过这种方式获得的第二数据，具有实时、透明、可直接用作训练等优点，节省获取数据和处理数据的时间，缩短了训练使用的时间。

优选的，在所述贝叶斯网络训练的步骤中，具体包括：以第二数据作为样本数据，通过搜索评分算法对第二数据进行学习，获得优化的贝叶斯网络的结构；通过机器学习算法对第二数据进行学习，获得每个节点的条件概率分布。

同时，在所述度量良损点路径可视化的步骤中，具体包括：在使用多个样本数据对贝叶斯网络进行训练后，可直观地在贝叶斯网络中量化出各个良损点的发生概率，获得关于产品装配误差传递的数学模型，以数学模型为基础构建良率与多阶段良损率之间的级联计算方法，同时，利用数字孪生系统的可视化技术，将良损点的发生概率进行动态可视化，包括良损点重要性度量可视化和多阶良损关联路径可视化。

以数学模型为基础构建良率与多阶段良损率之间的级联计算方法，从原理上揭示良率创成方式及关键的影响因素。在评估出良损点的重要程度之后，需要优化关键良损点，及时反馈生产线，提升生产线的整体性能，获得改善后的生产线产生的第三数据后，再次用来训练贝叶斯网络，完成一次优化后的再建模与再分析，形成一个迭代优化过程，最终实现贝叶斯网络的精准建模与生产线的稳态运行。

在选择算法概率推理步骤中，在节点间采用正向预测、反向溯源的双向推理办法，当自动化生产线在运行时，得到其中一个中间节点的实时故障信息，这个时候可以将这个得到的实时故障信息沿网络进行一个正向概率推理，得到这个故障导致最终产品不合格的概率，对产品的结果进行预测；如果得到了某个产品最终不合格的信息，可以将这个信息沿着网络进行一个反向推理，得到最有可能是哪个中间节点出现误差，而导致了产品不合格，对产品不合格的病因进行一个诊断。本方法可进行正向推理获得关键良损点演化轨迹实现预测，也可以反向推理获得故障的溯源路径及根源故障概率。

实现概率推理过程需要推理算法，不同的推理算法其适应的结构复杂度、算法本身的复杂度、算法的精度不尽相同，具体使用何种算法，要根据贝叶斯网络的结构来决定，如果构建出来的贝叶斯网络是结构简单的，适合使用精确推理算法，用来保证准确性；如果结构相当复杂，那么适合使用近似推理算法，虽然会降低计算精度，但是可以在降低计算复杂性的同时保证结果的准确性。本方法采用自适应选择算法机制，选择条件设为贝叶斯网络的结构复杂度，在保证适用结构复杂度的同时算法本身的复杂度最低。

具体地，在所述自适应选择算法机制的步骤中，将每种需要用到的算法与对应的标签相链接，标签即为算法对应的特征；设算法运行机制的前提条件是具有训练样本集D1和算法集D2；包括下述子步骤：

对训练样本集D1进行归类，根据训练样本集D1中各类特征的数值是否满足相应的判断条件进行归类；

搜索算法集D2，穷尽算法集D2中所有算法，将训练样本集D1的特征与每种算法的标签匹配，筛选出匹配度最高的算法，即为最合适的算法。

为了尽可能提升训练效率，本方法采用自适应选择算法机制，这种机制可以根据条件来选择最合适的算法，具体的选择条件包括数据的规模、数据的完备性、网络中节点的数量。

在进行贝叶斯网络的结构训练、参数训练以及概率推理时，每个过程有多种算法可以选择，对于一般的贝叶斯网络学习过程，选择合适的算法是非常关键的一步，这必然会消耗一点时间，导致建模和分析的效率变低，本方法采用自适应选择算法机制，它可以最大化利用每种算法的优势，在每个过程中选择最合适的算法进行训练或者推理，这提高了建模和分析的效率。

这种机制的过程是：需要将每种可能用到的算法与其对应的标签相链接，标签即对应的特征，如A算法适用于数据规模大和节点数量多的情况，数据规模大和节点数量多就是A的标签。机制运行的前提条件是要有训练样本集D1和算法集D2，首先要对训练样本集D1进行归类，根据其各类特征数值是否满足判断条件进行归类，然后搜索算法集D2，穷尽其中所有算法，将训练样本集D1的特征与每种算法的标签进行匹配，机制最终筛选出匹配度最高的算法。

优选的，在所述自适应选择算法机制的步骤中，具体还包括：

数据规模判断公式：D_l*D_w≥D_max；

式中：D_l为数据集的长度，即获取到的数据样本的数量；D_w为数据集的宽度，即获取到的节点数量；D_max为界定数据规模大小的判断值，当前项大于等于后项时，表示数据规模为大，否则表示数据规模为小；

节点数量判断公式：N_n≥N_max；

式中：N_n为节点数量，N_max为界定节点数量多少的判断值，当前项大于等于后项时，表示节点数量为多，否则表示节点数量为小；

数据完备性判断公式：D_w-N_n＝0；

式中：当前项等于后项时，表示数据完备性完好，否则表示数据完备性不完好；

网络结构复杂度判断公式：

式中：f(x_i)为第i个节点向下发出的边数，F_max为界定网络结构复杂度大小的判断值，当前项大于等于后项时，表示网络结构复杂度为大，否则表示网络结构复杂度为小；

算法匹配度计算公式：

式中：M(a)为第a种算法的匹配度，n为特征的数量，w_i为第i种特征的权重值，y_ai为第a个算法的第i个特征是否与数据集的第i个特征相同的判断值，相同为1，不相同为0。

在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (7)

1.一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，包括下述步骤：

构建知识库：采用实际调研和网络调研的知识融合方式，构建一个实践与理论相融合的知识库；

确定节点及其取值范围：在知识库中选取直接影响或间接影响产品最终质量的关键因素作为变量，即贝叶斯网络里面的节点，将产品质量作为最终节点，形成了贝叶斯网络的节点集；根据生产线数据，将每个节点的状态进行划分，确定每个节点的取值范围；

获取生产线数据并处理：搭建生产线与贝叶斯网络的数字孪生系统，将从生产线采集到的第一数据进行状态归类，生成用作训练的第二数据；

贝叶斯网络训练：以第二数据作为样本数据，通过贝叶斯网络结构训练和贝叶斯网络参数训练对第二数据进行训练；

度量良损点路径可视化：通过贝叶斯网络训练量化出各个良损点的发生概率，通过数字孪生系统实现各个良损点的发生概率的动态可视化；

判断是否需要优化生产线：判断良损点的重要程度，选取重要程度高的良损点作为关键的良损点；需要优化生产线时，对关键的良损点进行优化并通过数字孪生系统反馈至生产线，将优化后的生产线在数字孪生系统中产生变化的第三数据作为样本数据，通过贝叶斯网络训练对第三数据进行训练，循环直至不需要优化生产线；

选择算法概率推理：通过生产线的中间节点产生的实时故障信息进行正向概率推理，获得实时故障信息导致产品不合格的概率；通过产品最终不合格的信息进行反向概率推理，获得中间节点出现误差导致产品不合格的概率；

自适应选择算法机制：在贝叶斯网络训练、选择算法概率推理步骤中，采用自适应选择算法的机制，在每个步骤中选择最合适的算法进行训练或者推理；

在所述自适应选择算法机制的步骤中，将每种需要用到的算法与对应的标签相链接，标签即为算法对应的特征；设算法运行机制的前提条件是具有训练样本集D1和算法集D2；包括下述子步骤：

对训练样本集D1进行归类，根据训练样本集D1中各类特征的数值是否满足相应的判断条件进行归类；

搜索算法集D2，穷尽算法集D2中所有算法，将训练样本集D1的特征与每种算法的标签匹配，筛选出匹配度最高的算法，即为最合适的算法。

2.根据权利要求1所述的一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，在所述确定节点及其取值范围的步骤中，具体包括：在知识库中选取直接或间接影响产品最终质量的关键因素包括：治具上盖夹紧力、治具质量、小料质量、小料定位、加工质量和掰料质量。

3.根据权利要求1所述的一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，在所述确定节点及其取值范围的步骤中，具体包括：根据生产线数据对每个节点的状态进行划分，对于取值状态小于预设值的离散型数据，可直接将获得的生产线数据作为训练样本，确定各个节点状态的取值范围；对于取值状态大于预设值的离散型数据或连续型数据，根据获得的生产线数据的特征进行统计，重新划分各个节点状态的取值范围。

4.根据权利要求1所述的一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，在所述获取生产线数据并处理的步骤中，具体包括：基于数字孪生技术建立数字孪生系统，利用数字孪生系统在生产线与贝叶斯网络之间搭建桥梁，直接从生产线获得第一数据，将采集到的第一数据直接进行状态归类，生成第二数据。

5.根据权利要求1所述的一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，在所述贝叶斯网络训练的步骤中，具体包括：以第二数据作为样本数据，通过搜索评分算法对第二数据进行学习，获得优化的贝叶斯网络的结构；通过机器学习算法对第二数据进行学习，获得每个节点的条件概率分布。

6.根据权利要求1所述的一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，在所述度量良损点路径可视化的步骤中，具体包括：在使用多个样本数据对贝叶斯网络进行训练后，可直观地在贝叶斯网络中量化出各个良损点的发生概率，获得关于产品装配误差传递的数学模型，以数学模型为基础构建良率与多阶段良损率之间的级联计算方法，同时，利用数字孪生系统的可视化技术，将良损点的发生概率进行动态可视化，包括良损点重要性度量可视化和多阶良损关联路径可视化。

7.根据权利要求1所述的一种基于贝叶斯的3C电子产品装配误差传递方法，其特征在于，在所述自适应选择算法机制的步骤中，具体还包括：

数据规模判断公式：；

式中：D_l为数据集的长度，即获取到的数据样本的数量；D_w为数据集的宽度，即获取到的节点数量；D_max为界定数据规模大小的判断值，当前项大于等于后项时，表示数据规模为大，否则表示数据规模为小；

节点数量判断公式：；

式中：N_n为节点数量，N_max为界定节点数量多少的判断值，当前项大于等于后项时，表示节点数量为多，否则表示节点数量为小；

数据完备性判断公式：；

式中：当前项等于后项时，表示数据完备性完好，否则表示数据完备性不完好；

网络结构复杂度判断公式：；

式中：f(x_i)为第i个节点向下发出的边数，F_max为界定网络结构复杂度大小的判断值，当前项大于等于后项时，表示网络结构复杂度为大，否则表示网络结构复杂度为小；

算法匹配度计算公式：；

式中：M(a)为第a种算法的匹配度，n为特征的数量，w_i为第i种特征的权重值，y_ai为第a个算法的第i个特征是否与数据集的第i个特征相同的判断值，相同为1，不相同为0。

Images