CN115169749A - 一种铝材料汽车饰条的缺陷率预测方法及相关装置 - Google Patents
一种铝材料汽车饰条的缺陷率预测方法及相关装置 Download PDFInfo
- Publication number
- CN115169749A CN115169749A CN202211021332.9A CN202211021332A CN115169749A CN 115169749 A CN115169749 A CN 115169749A CN 202211021332 A CN202211021332 A CN 202211021332A CN 115169749 A CN115169749 A CN 115169749A
- Authority
- CN
- China
- Prior art keywords
- logistic regression
- original data
- logistic
- defect rate
- field data
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000000463 material Substances 0.000 title claims abstract description 30
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 28
- 238000007477 logistic regression Methods 0.000 claims abstract description 127
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 238000012512 characterization method Methods 0.000 claims abstract description 45
- 238000005034 decoration Methods 0.000 claims abstract description 21
- 230000002950 deficient Effects 0.000 claims description 19
- 230000001419 dependent effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005498 polishing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000465 moulding Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000007517 polishing process Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004381 surface treatment Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Manufacturing & Machinery (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种铝材料汽车饰条的缺陷率预测方法及相关装置,方法包括:获取饰条的现场数据并对所述现场数据进行整合;使用散点图与箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;若不存在问题,则构建Logistic回归模型;构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;若达到预定要求,则通过所述Logistic回归模型预测饰条的缺陷率。本发明构建了铝材料汽车饰条在电解抛光过程中的缺陷率预测体系。
Description
技术领域
本发明涉及工业产品质量预测技术领域,尤其涉及一种铝材料汽车饰条的缺陷率预测方法及相关装置。
背景技术
在生产汽车门窗饰条的过程中,电解抛光是一个关键的工艺步骤。如果生产不当,会破坏铝材料表面的分子结构,形成更大的分子结构,产生以“粗糙”为代表的质量缺陷。
有经验的工程师发现现场的实际电抛电压值是影响饰条缺陷率的关键因素,但苦于技术局限,只能凭经验大致猜测,无法更具体地、更定量化地说明电抛电压对缺陷率的影响规律,更无法准确地预测饰条在不同电抛电压条件下的缺陷率。
发明内容
本发明提供了一种铝材料汽车饰条的缺陷率预测方法及相关装置,旨在解决现有缺陷率只能凭经验大致猜测,无法产生一个明确的预测数值的问题。
第一方面,本发明实施例提供了一种基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,包括:
获取饰条的现场数据并对所述现场数据进行整合;
使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;
通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;
若不存在问题,则构建Logistic回归模型;
构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;
通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;
若达到预定要求,则通过所述Logistic回归模型预测饰条的缺陷率。
第二方面,本发明实施例提供了一种基于Logistic回归的铝材料汽车饰条的缺陷率预测装置,包括:
数据获取单元,用于获取饰条的现场数据并对所述现场数据进行整合;
第一表征图构建单元,用于使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;
判断单元,用于通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;
模型构建单元,用于若不存在问题,则构建Logistic回归模型;
第二表征图构建单元,用于构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;
检验单元,用于通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;
预测单元,用于若达到预定要求,则通过Logistic回归模型预测饰条的缺陷率。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时实现上述第一方面所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法。
本发明实施例提供了一种基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,包括:获取饰条的现场数据并对所述现场数据进行整合;使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;若不存在问题,则构建Logistic回归模型;构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;若达到预定要求,则通过所述Logistic回归模型预测饰条的缺陷率。该方法根据电解抛光过程产生的数据的特点,适时地引入了Logistic回归分析方法,并且根据现场应用的需要,创新性地运用数据可视化手段,增强了原先复杂数学技术在制造业现场的可操作性,克服了传统Logistic回归重理论、轻应用的缺陷,协助现场技术人员从无到有地构建起铝材料汽车饰条在电解抛光过程中的缺陷率预测体系,且预测结果与实际值的误差较小。本发明实施例同时还提供了一种基于Logistic回归的铝材料汽车饰条的缺陷率预测装置、一种计算机可读存储介质和一种计算机设备,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显然,下面描述中的附图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获得其他的附图。
图1为本发明实施例所提供的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法的流程示意图;
图2为本发明实施例所提供的Logistic回归分析前的原始数据表征图;
图3为本发明实施例所提供的Logistic回归分析后的原始数据表征图;
图4为本发明实施例所提供的基于Logistic回归的铝材料汽车饰条的缺陷率预测装置的示意性框图。
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,所描述的实施例是本发明一部分实施例,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做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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1-图3,本实施例提供了一种基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,包括:
S101:获取饰条的现场数据并对所述现场数据进行整合。
具体的,从生产技术部获取并统计每一批饰条在电解抛光过程中电抛电压的平均值,从质量检验部获取并统计每一批饰条经过电解抛光后有缺陷和无缺陷的产品数量,将电抛电压的平均值与有缺陷和无缺陷的产品数量按批号匹配,并整合在同一张表格内。其中一个表格示例如表1所示。
表1
S102:使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图。
如图2所示,为解决分层别的、形状大小与产品数量成正比的散点图存在的点重叠现象,本实施例可以使用分层别的、含抖动效果、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图。
其中,为了与使用者的思维保持一致,本实施例设定图形的纵坐标表示自变量“电抛电压”,横坐标表示因变量饰件质量“结果”。
S103:通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题。
具体的,判断原始数据表征图是否满足以下三个条件:
条件一、原始数据表征图中的散点数量小于预定数量,且形状尺寸小于预定尺寸;
条件二、原始数据表征图中散点集中分布在一个预定的狭小范围内;
条件三、原始数据表征图中散点的分布没有变化或者变化幅度小于预定的变化幅度;
若满足上述三个条件中的任意一个,则判定为存在问题,需要重新获取现场数据并对所述现场数据进行整合,若均不满足上述三个条件,则判定不存在问题。
在一个实施例中,Logistic回归分析前的原始数据表征图中的散点数量小于预定数量,且形状尺寸小于预定尺寸,判定可供建模的数据量不足,重新获取更多的现场数据。
在另一个实施例中,Logistic回归分析前的原始数据表征图中散点集中分布在一个预定的狭小范围内,判定数据变化程度过小,分析数据数据变化程度过小的原因,接着重新获取变化程度较大的现场数据。
在一个实施例中,Logistic回归分析前的原始数据表征图中散点的分布没有变化或者变化幅度小于预定的变化幅度度,判定数据规律不明显,分析数据规律不明显的原因,接着重新获取规律较明显的现场数据。
S104:若不存在问题,则构建Logistic回归模型。
其中,Logistic回归模型是一个分类模型,是研究二项(也可以为多项)分类结果的因变量与某些影响因素(可以为连续型数值)之间的关系的一种回归分析方法。
Logistic回归模型的核心思想是不直接预测因变量y,而是预测因变量出现的概率P,并且通过对P进行Logit转换后,产生了一个同时含有因变量概率和自变量的连接函数,且该连接函数是类似线性回归的形式,将复杂的非线性关系转换成相对简单的线性关系进行参数求解,建立起Logistic回归模型。
以单因素Logistic回归为例,Logistic回归表达式可以为:
其中,P是表示因变量出现的概率,a和b是表示Logistic回归系数,X表示自变量。
通过简单的数学运算,上式也可以转换为:
根据转换后的公式绘制的模型曲线被称为Logistic曲线。
上述模型中的Logistic回归系数a、b及其整体通过各类检验后,就可以用来预测因变量的结果,或者判断自变量的重要性。
其中,Logistic回归的系数估计通常采用极大似然估计,因此本实施例的似然函数为:
其中,П表示累积相乘;Pi表示当X=xi时,预测因变量的目标值(通常=1)出现的概率;yi表示预测因变量的目标值(通常=1);1-Pi表示当X=xi时,预测因变量的目标值的对立面(通常=0)出现的概率;1-yi表示预测因变量的目标值的对立面(通常=0)。
接着可以通过梯度提升算法计算出Logistic回归表达式中的回归系数a和b的估计值,再接着通过Logistic回归系数a和b的估计值构建Logistic回归模型。
需要说明的是本实施例中的自变量是电抛电压,因变量是饰条质量结果。
S105:构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图。
本步骤中构建Logistic回归分析后的原始数据表征图的作用是对构建好的Logistic回归模型进行诊断,在Logistic回归的模型诊断中,用来评价模型质量的统计量很多,例如评价每个回归系数的假设检验P值、系数估计值的标准误差StdError,评价整体模型的Rsquare值、AIC值、BIC值等,加上机器学习的评价标准,还有AUC、Precision、Recall、F1等指标。但需要全部理解这些数理专业统计量和指标的难度较大,实用性不强,因此本实施例将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图,并通过Logistic回归分析后的原始数据表征图来验证和使用构建好的Logistic回归模型。
其中,构建带置信区间的Logistic曲线的步骤是根据回归系数的限定公式计算出回归系数的置信区间的上下边界,将回归系数的估计值以及回归系数的上下边界代入Logistic回归表达式,计算并绘制Logistic曲线,得到带置信区间的Logistic曲线。
回归系数的限定公式如下所示:
aUL/LL=a±0.33*StdErrora
bUL/LL=b±0.33*StdErrorb
其中,aUL/LL表示回归系数a的上限(Upper Limit)或下限(Lower Limit),bUL/LL表示回归系数b的上限(Upper Limit)或下限(Lower Limit),Std Errora表示回归系数a的估计值的标准误差(Standard Error),StdErrorb表示回归系数b的估计值的标准误差(Standard Error)。
请参阅图3,其中的一条实曲线是回归系数的估计值代入Logistic回归表达式后计算并绘制的Logistic曲线,两条虚曲线是回归系数的上下边界代入Logistic回归表达式后计算并绘制的Logistic曲线。
S106:通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求。
具体的,判断在整个电抛电压的取值范围内产生合格结果的概率变化幅度是否达到预定幅度,若达到预定幅度,则判定为达到预定要求,若未达到预定幅度,则重新获取现场数据并对所述现场数据进行整合。
在一个实施例中,在整个电抛电压的取值范围内产生合格结果的概率变化幅度达到、甚至超过10个百分点,就可以比较充分地说明这个基于Logistic回归构建的预测模型是有价值的。
在另一个实施例中,在整个电抛电压的取值范围内产生合格结果的概率变化幅度未达到10个百分点,则寻找使得概率变化幅度未达到10个百分点的原因,接着重新获取现场数据。
S107:若达到预定要求,则通过所述Logistic回归模型预测饰条的缺陷率。
具体的,将某生产批次的电抛电压的平均值代入转换后的Logistic回归表达式,可以计算出这批饰件缺陷率的预测单点值,将电抛电压的平均值代入回归系数的限定公式,可以计算出饰件缺陷率的预测波动范围,若已知这批投入的原材料数量,可以通过相关计算公式计算出这批产品中的有缺陷的产品数量及其波动范围。
相关计算公式如下所示:
Q缺陷=Q投入*P缺陷
其中,Q缺陷表示有缺陷的产品数量,Q投入表示投入的原材料数量,P缺陷表示有缺陷的产品数量的概率。
本实施例所提供的缺陷率预测方法将两种传统统计图形(散点图和箱线图)和层别法、图形元素(如形状大小、抖动等)相结合,创造出一种表现输入变量(连续型数据)与输出变量(离散型数据)相关性的数据探索方式。
本实施例所提供的缺陷率预测方法利用模型系数估计值的标准误差及自定义的衍生公式,构建出Logistic曲线置信区间带,不仅可以预测缺陷率的单点值,还能预测缺陷率的波动范围。
本实施例所提供的缺陷率预测方法将模型曲线和原始数据整合在一张图形内,展现效果具备交互性,不仅可以看到模型曲线的预测效果,还可以直截了当地看到原始数据的分布形态、模型预测的准确性等,从而理解模型与原始数据的拟合程度,便于使用者直观评价模型的优劣。
本实施例所提供的缺陷率预测方法能够以普通人更容易接受和理解的直线形式分别展现输入变量对模型影响的重要程度,具有较好的实用价值。
需要说明的是,本发明所提供的缺陷率预测方法可以直接应用在铝材料汽车饰件在电解抛光工艺中以粗糙为主的缺陷率预测中,本发明所提供的缺陷率预测方法具有很强的通用性,也可以应用到很多类似铝材料汽车饰件电解抛光工艺的其他表面处理工艺中,若具备专业知识或经验,还可以跨越制造领域,将本发明所提供的缺陷率预测方法应用到医学诊断、精准营销等其他领域中,应用到因变量是一个二值型输出数据、自变量是一个连续型输入数据的众多场景里。
在一个实施例中,请参阅图4,本发明还提供了一种基于Logistic回归的铝材料汽车饰条的缺陷率预测装置400,包括:
数据获取单元401,用于获取饰条的现场数据并对所述现场数据进行整合;
第一表征图构建单元402,用于使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;
判断单元403,用于通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;
模型构建单元404,用于若不存在问题,则构建Logistic回归模型;
第二表征图构建单元405,用于构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;
检验单元406,用于通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;
预测单元407,用于若达到预定要求,则通过Logistic回归模型预测饰条的缺陷率。
进一步的,所述数据获取单元401包括:
整合子单元,用于获取并统计每一批饰条在电解抛光过程中电抛电压的平均值,获取并统计每一批饰条经过电解抛光后有缺陷和无缺陷的产品数量,将所述电抛电压的平均值与所述有缺陷和无缺陷的产品数量按批号匹配,并整合在表格内。
进一步的,所述判断单元403包括:
条件判断子单元,用于判断所述原始数据表征图是否满足以下三个条件:
条件一、所述原始数据表征图中的散点数量小于预定数量,且形状尺寸小于预定尺寸;
条件二、所述原始数据表征图中散点集中分布在一个预定的狭小范围内;
条件三、所述原始数据表征图中散点的分布没有变化或者变化幅度小于预定的变化幅度;
结果判定子单元,用于若满足上述三个条件中的任意一个,则判定为存在问题,需要重新获取现场数据并对所述现场数据进行整合,若均不满足上述三个条件,则判定不存在问题。
进一步的,所述模型构建单元404包括:
似然函数构建子单元,用于构建样本似然函数;
估计值计算子单元,用于通过梯度提升算法计算出Logistic回归表达式中的回归系数的估计值;
回归模型构建子单元,用于通过所述回归系数的估计值构建Logistic回归模型。
进一步的,所述第二表征图构建单元405包括:
曲线绘制子单元,用于根据所述回归系数的限定公式计算出所述回归系数的置信区间的上下边界,将所述回归系数的估计值以及所述上下边界代入Logistic回归表达式,计算并绘制Logistic曲线,得到带置信区间的Logistic曲线。
进一步的,所述检验单元406包括:
变化幅度判定子单元,用于判断在整个电抛电压的取值范围内产生合格结果的概率变化幅度是否达到预定幅度,若达到预定幅度,则判定为达到预定要求,若未达到预定幅度,则重新获取现场数据并对所述现场数据进行整合。
进一步的,所述第一表征图构建单元402包括:
坐标设定子单元,用于设定原始数据表征图的纵坐标表示自变量“电抛电压”,横坐标表示因变量饰件质量“结果”。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的方法。该存储介质可以包括: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)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还提供了一种计算机设备,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的方法。当然所述计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,包括:
获取饰条的现场数据并对所述现场数据进行整合;
使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;
通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;
若不存在问题,则构建Logistic回归模型;
构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;
通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;
若达到预定要求,则通过所述Logistic回归模型预测饰条的缺陷率。
2.根据权利要求1所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,所述获取饰条的现场数据并对所述现场数据进行整合包括:
获取并统计每一批饰条在电解抛光过程中电抛电压的平均值,获取并统计每一批饰条经过电解抛光后有缺陷和无缺陷的产品数量,将所述电抛电压的平均值与所述有缺陷和无缺陷的产品数量按批号匹配,并整合在表格内。
3.根据权利要求1所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题包括:
判断所述原始数据表征图是否满足以下三个条件:
条件一、所述原始数据表征图中的散点数量小于预定数量,且形状尺寸小于预定尺寸;
条件二、所述原始数据表征图中散点集中分布在一个预定的狭小范围内;
条件三、所述原始数据表征图中散点的分布没有变化或者变化幅度小于预定的变化幅度;
若满足上述三个条件中的任意一个,则判定为存在问题,需要重新获取现场数据并对所述现场数据进行整合,若均不满足上述三个条件,则判定不存在问题。
4.根据权利要求1所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,所述构建Logistic回归模型包括:
构建样本似然函数;
通过梯度提升算法计算出Logistic回归表达式中的回归系数的估计值;
通过所述回归系数的估计值构建Logistic回归模型。
5.根据权利要求4所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,所述构建带置信区间的Logistic曲线包括:
根据所述回归系数的限定公式计算出所述回归系数的置信区间的上下边界,将所述回归系数的估计值以及所述上下边界代入Logistic回归表达式,计算并绘制Logistic曲线,得到带置信区间的Logistic曲线。
6.根据权利要求1所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,所述通过所述Logistic回归分析后的原始数据表征图检验Logistic回归模型是否达到预定要求包括:
判断在整个电抛电压的取值范围内产生合格结果的概率变化幅度是否达到预定幅度,若达到预定幅度,则判定为达到预定要求,若未达到预定幅度,则重新获取现场数据并对所述现场数据进行整合。
7.根据权利要求1所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法,其特征在于,所述使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图包括:
设定原始数据表征图的纵坐标表示自变量“电抛电压”,横坐标表示因变量饰件质量“结果”。
8.一种基于Logistic回归的铝材料汽车饰条的缺陷率预测装置,其特征在于,包括:
数据获取单元,用于获取饰条的现场数据并对所述现场数据进行整合;
第一表征图构建单元,用于使用分层别的、形状大小与产品数量成正比的散点图与分层别的、箱型大小与产品数量成正比的箱线图分别对所述现场数据进行表达,并进行叠加形成Logistic回归分析前的原始数据表征图;
判断单元,用于通过所述Logistic回归分析前的原始数据表征图判断所述现场数据是否存在问题;
模型构建单元,用于若不存在问题,则构建Logistic回归模型;
第二表征图构建单元,用于构建带置信区间的Logistic曲线,将带置信区间的Logistic曲线与Logistic回归分析前的原始数据表征图组合形成Logistic回归分析后的原始数据表征图;
检验单元,用于通过所述Logistic回归分析后的原始数据表征图检验所述Logistic回归模型是否达到预定要求;
预测单元,用于若达到预定要求,则通过Logistic回归模型预测饰条的缺陷率。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法。
10.一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存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于Logistic回归的铝材料汽车饰条的缺陷率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021332.9A CN115169749A (zh) | 2022-08-24 | 2022-08-24 | 一种铝材料汽车饰条的缺陷率预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021332.9A CN115169749A (zh) | 2022-08-24 | 2022-08-24 | 一种铝材料汽车饰条的缺陷率预测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169749A true CN115169749A (zh) | 2022-10-11 |
Family
ID=83480604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211021332.9A Pending CN115169749A (zh) | 2022-08-24 | 2022-08-24 | 一种铝材料汽车饰条的缺陷率预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169749A (zh) |
-
2022
- 2022-08-24 CN CN202211021332.9A patent/CN115169749A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Byun et al. | A decision support system for the selection of a rapid prototyping process using the modified TOPSIS method | |
Eger et al. | Correlation analysis methods in multi-stage production systems for reaching zero-defect manufacturing | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN108053110B (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
De Oliveira et al. | Comparison of methods to estimate the time‐to‐failure distribution in degradation tests | |
CN109033499A (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
Johannesson et al. | Extrapolation of rainflow matrices | |
CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN109034483A (zh) | 一种基于质量功能配置的检测规划方法 | |
CN105891321A (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
CN115144326B (zh) | 一种模具钢材防腐性能检测方法及系统 | |
Oberoi et al. | SPC (statistical process control): a quality control technique for confirmation to ability of process | |
CN111143768A (zh) | 一种基于arima-svm组合模型的空气质量预测算法 | |
CN108460191B (zh) | 基于质量功能展开的机床横梁设计方案的优选方法 | |
CN116088453A (zh) | 生产质量预测模型训练方法及装置、生产质量监控方法 | |
Akkerhuis et al. | The statistical evaluation of binary tests without gold standard: Robustness of latent variable approaches | |
Taboran et al. | Design of a new Tukey MA-DEWMA control chart to monitor process and its applications | |
Nemati Keshteli et al. | Developing functional process capability indices for simple linear pro le | |
CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
CN111639715B (zh) | 基于ls-svm的汽车仪表组装质量预测方法与系统 | |
CN115169749A (zh) | 一种铝材料汽车饰条的缺陷率预测方法及相关装置 | |
EP1865282A1 (en) | Coating appearance evaluation method and coated article | |
Kumru | Assessing the visual quality of sanitary ware by fuzzy logic | |
Parzen | Change PP plot and continous sample quantile function | |
RU2470352C1 (ru) | Способ статистического регулирования технологического процесса (варианты) |
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 |