CN115526641A - 柔板产品生产质量追溯方法、系统、装置和存储介质 - Google Patents

柔板产品生产质量追溯方法、系统、装置和存储介质 Download PDF

Info

Publication number
CN115526641A
CN115526641A CN202211143536.XA CN202211143536A CN115526641A CN 115526641 A CN115526641 A CN 115526641A CN 202211143536 A CN202211143536 A CN 202211143536A CN 115526641 A CN115526641 A CN 115526641A
Authority
CN
China
Prior art keywords
flexible board
defect type
data
candidate
process parameter
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
CN202211143536.XA
Other languages
English (en)
Inventor
陈芳
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.)
Yancheng Weixin Electronics Co Ltd
Original Assignee
Yancheng Weixin Electronics 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 Yancheng Weixin Electronics Co Ltd filed Critical Yancheng Weixin Electronics Co Ltd
Priority to CN202211143536.XA priority Critical patent/CN115526641A/zh
Publication of CN115526641A publication Critical patent/CN115526641A/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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种柔板产品生产质量追溯方法、系统、装置和存储介质，包括获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；对柔板生产数据集进行预处理；从预处理后的柔板生产数据集中获取柔板产品的至少一个主要缺陷类型，并构建缺陷‑工序‑工艺参数的贝叶斯推理网络；利用贝叶斯推理网络，根据预处理后的柔板生产数据集，获取柔板产品在每个主要缺陷类型下的至少一个关键工序以及每个关键工序下的至少一个关键工艺参数。本发明采用数据分析和数据推理的方式代替人工定位质量问题的方式来实现柔板产品生产质量的追溯，人力成本少，分析效率高，能实现高效、快速和准确的生产质量追溯。

Description

柔板产品生产质量追溯方法、系统、装置和存储介质
技术领域
本发明涉及柔性线路板制造领域，具体涉及一种柔板产品生产质量追溯方法、系统、装置和存储介质。
背景技术
随着柔性线路板(FPC：Flexible Printed Circuit Board，简称柔板)投入市场的产品不断累积、增加，产品追溯效率及准确性问题日益显现，柔板产品质量追溯的准确性和效率问题也日益凸显。
目前，柔板产品的生产质量监控及追溯主要依靠人工监控及定位，主要流程是：
(1)由质量工程师发现质量问题后，将问题批次及缺陷问题反馈给生产工艺工程师；
(2)生产工艺工程师根据缺陷类型，依据经验对可能相关的问题制程进行检查，并通过人工追溯实验等方式确定。
这种方式需要耗费大量的人力成本，且锁定生产质量问题的时间可能滞后，容易因人工判断错误而导致质量追溯失败，质量追溯的准确性和效率都较低。
发明内容
有鉴于此，本发明提供了一种柔板产品生产质量追溯方法、系统、装置和存储介质，以解决现有人工质量监控和追溯技术中人力成本高、准确性不高和效率低下的问题。
本发明提供了一种柔板产品生产质量追溯方法，包括：
获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；
对所述柔板生产数据集进行预处理；
从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络；
利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数。
可选地，每个批次下的所述工序参数数据子集均包括所述柔板产品在对应的批次下的多个工序以及每个工序的工艺参数数据；
所述获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，包括：
获取所述柔板产品的产品料号；
根据所述产品料号，从预设的执行制造系统中，获取所述柔板产品的过站数据；
根据所述过站数据确定出所述柔板产品的多个工序；
利用所述柔板产品上配置的数采装置，采集所述柔板产品在每个批次下的所有工序的所述工艺参数数据；
分别根据每个批次下的所有工序的所述工艺参数数据，得到每个批次下的所述工序参数数据子集；
利用所述柔板产品上配置的质检设备，检测得到所述柔板产品在多个批次下的所述质检数据子集。
可选地，每个批次下的所述质检数据子集均包括对应的批次质检结果、产品总数、至少一个产品缺陷类型以及每个所述产品缺陷类型的缺陷产品数量。
可选地，所述对所述柔板生产数据集进行预处理，包括：
根据所有批次下的所述批次质检结果，将所述柔板生产数据集分为正常批次数据子集和异常批次数据子集；
利用所述正常批次数据子集中的所有所述工艺参数数据，标定出多个工艺参数区间；
利用所有所述工艺参数区间，对所述异常批次数据子集进行离散化。
可选地，所述工艺参数区间包括正常参数区间、参数偏小区间、参数过小区间、参数偏大区间和参数过大区间。
可选地，所述从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络，包括：
从离散化后的所述异常批次数据子集中的所有所述产品缺陷类型中确定出至少一个所述主要缺陷类型；
将每个所述主要缺陷类型均分别作为根节点，根据离散化后的所述异常批次数据子集中的所有工序确定出每个根节点对应的第一子节点，并计算每个第一子节点与对应的根节点之间的第一条件概率；
根据所有根节点、所有第一子节点和所有第一条件概率构建出缺陷-工序的第一贝叶斯网络；
将每个第一子节点再均分别作为父节点，根据离散化后的所述异常批次数据子集中的所有所述工艺参数数据确定出每个父节点对应的第二子节点，并计算每个第二子节点与对应的父节点之间的第二条件概率；
根据所有父节点、所有第二子节点和所有第二条件概率构建出工序-工艺参数的第二贝叶斯网络；
根据所述第一贝叶斯网络和所述第二贝叶斯网络，得到缺陷-工序-工艺参数的所述贝叶斯推理网络。
可选地，所述利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数，包括：
利用所述贝叶斯推理网络，分别计算离散化后的所述异常批次数据子集中每个所述工艺参数数据与每个所述主要缺陷类型之间的后验概率；
根据预设概率阈值和所有所述后验概率，确定出所述柔板产品在每个所述主要缺陷类型下的至少一个所述关键工序以及每个所述关键工序下的至少一个所述关键工艺参数。
可选地，所述获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数之后，还包括：
获取所述柔板产品的挖掘数据集；其中，所述挖掘数据集包括所述柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个所述待挖掘缺陷类型下的至少一个待挖掘工序以及每个所述待挖掘工序对应的至少一个待挖掘工艺参数；
基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘；
根据关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
可选地，所述基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘，包括：
对所述挖掘数据集进行离散化；
根据所述贝叶斯推理网络，从离散化后的所述挖掘数据集中的所有所述待挖掘缺陷类型中确定出所有候选缺陷类型；
选取任一个所述候选缺陷类型，基于关联规则挖掘方法，将离散化后的所述挖掘数据集中在选取的所述候选缺陷类型下的所有所述待挖掘工艺参数，确定为选取的所述候选缺陷类型对应的候选项集；
在选取的所述候选缺陷类型对应的所述候选项集中，将选取的所述候选缺陷类型在每个待挖掘工序下的k个与选取的所述候选缺陷类型相关的所述待挖掘工艺参数均确定为选取的所述候选缺陷类型的候选k-项集；
将选取的所述候选缺陷类型的所有所述候选k-项集的集合记为选取的所述候选缺陷类型对应的第一集合Ck；其中，k为初始值为1的正整数；
分别计算所述第一集合Ck中每个所述候选k-项集的支持度，根据预设最小支持度和所有所述支持度，从所述第一集合Ck中得到选取的所述候选缺陷类型对应的至少一个频繁k-项集，并将选取的所述候选缺陷类型对应的所有所述频繁k-项集的集合记为选取的所述候选缺陷类型的第二集合Lk；
判断所述第二集合Lk是否为空集；
若是，则分别计算所述第二集合Lk中每个所述频繁k-项集的置信度，根据预设最小置信度和所有所述置信度，从所述第二集合Lk中得到与选取的所述候选缺陷类型对应的目标频繁项集，完成离散化后的所述挖掘数据集中选取的所述候选缺陷类型的关联规则挖掘；遍历离散化后的所述挖掘数据集中的每个所述候选缺陷类型，按照同样的方法，得到与每个所述候选缺陷类型对应的所述目标频繁项集，完成每个所述候选缺陷类型的关联规则挖掘；
否则，令k＝k+1，对所述第二集合Lk依次进行连接操作和剪枝操作，按照得到所述第二集合Lk同样的方法，得到选取的所述候选缺陷类型的第二集合Lk+1，迭代循环，直至选取的所述候选缺陷类型的第二集合Lk+1为空集，结束迭代；并在迭代结束后，按照所述第二集合Lk为空集时同样的方法，获取与每个所述候选缺陷类型对应的所述目标频繁项集，完成每个所述候选缺陷类型的关联规则挖掘。
可选地，计算第i个所述候选缺陷类型对应的第一集合Ck中第j个所述候选k-项集的支持度的第一公式为：
Figure BDA0003854424700000051
计算第i个所述候选缺陷类型对应的第二集合Lk中第t个所述频繁k-项集的置信度的第二公式为：
Figure BDA0003854424700000052
其中，
Figure BDA0003854424700000053
为第i个所述候选缺陷类型对应的第一集合Ck中第j个所述候选k-项集的支持度，
Figure BDA0003854424700000054
为第j个所述候选k-项集中出现第i个所述候选缺陷类型且有k项待挖掘工艺参数的批次数量，N为所述挖掘数据集中的批次总数，
Figure BDA0003854424700000061
为第i个所述候选缺陷类型对应的第二集合Lk中第t个所述频繁k-项集的置信度，
Figure BDA0003854424700000062
为第t个所述频繁k-项集中出现第i个所述候选缺陷类型且有k项待挖掘工艺参数的批次数量，mi为所述挖掘数据集中出现第i个所述候选缺陷类型的批次数量。
可选地，所述根据所述关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合，包括：
选取任一个所述主要缺陷类型，判断选取的所述主要缺陷类型下的所有所述关键工艺参数与对应的所述候选缺陷类型下的所述目标频繁项集是否一致；
若是，则将选取的所述主要缺陷类型下的所有所述关键工艺参数的集合确定为选取的所述主要缺陷类型对应的所述目标关键工艺参数集合；
若否，则将对应的所述候选缺陷类型下的所述目标频繁项集中所有待挖掘工艺参数的集合确定为选取的所述主要缺陷类型对应的所述目标关键工艺参数集合；
遍历每个所述主要缺陷类型，按照同样的方法，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
此外，本发明还提供了一种柔板产品生产质量追溯系统，包括：
数据获取模块，用于获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；
数据处理模块，用于对所述柔板生产数据集进行预处理；
网络构建模块，用于从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络；
推理模块，用于利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数。
可选地，还包括：
关联规则挖掘模块，用于获取所述柔板产品的挖掘数据集；其中，所述挖掘数据集包括所述柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个所述待挖掘缺陷类型下的至少一个待挖掘工序以及每个所述待挖掘工序对应的至少一个待挖掘工艺参数；还用于基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘；
验证模块，用于根据所述关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
此外，本发明还提供了一种柔板产品生产质量追溯装置，包括存储器、处理器以及存储在所述存储器中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前述的柔板产品生产质量追溯方法。
此外，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括：至少一个指令，在所述指令被执行时实现前述的柔板产品生产质量追溯方法中的方法步骤。
本发明的有益效果：基于柔板产品在多个批次下的质检数据子集和工序参数数据子集来构建柔板生产数据集，能获取到柔板产品在多个批次下的质检情况以及在生产过程中的工序和工艺参数情况，便于后续通过这些大数据来构建出缺陷-工序-工艺参数的贝叶斯推理网络；通常每个批次的质检数据中能反映对应批次的异常情况，通过构建的贝叶斯推理网络，能以数据推理学习的形式总结出柔板产线上生产异常的规律，进而分析出柔板产品出现的缺陷分别与工序和工艺参数情况之间的关系，即柔板产品在每个主要缺陷类型下的至少一个关键工序以及每个关键工序下的至少一个关键工艺参数，能追溯到柔板产线上导致产生每个主要缺陷类型所对应的所有关键工艺参数，实现生产质量的追溯；
本发明的柔板产品生产质量追溯方法、系统、装置和存储介质，采用数据分析和数据推理的方式代替人工定位质量问题的方式，实现了柔板产品生产质量的追溯，能够减少人力成本，同时能提高分析效率，不会因人工判断错误而导致质量追溯失败，实现高效、快速和准确的生产质量追溯，帮助企业根据质量追溯的结果来优化柔板产品的生产，提升企业收益。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明实施例一中一种柔板产品生产质量追溯方法的流程图；
图2示出了本发明实施例一中获取柔板产品在多个批次下的质检数据子集和工序参数数据子集的流程图；
图3示出了本发明实施例一中对柔板生产数据集进行预处理的流程图；
图4示出了本发明实施例一中构建缺陷-工序-工艺参数的贝叶斯推理网络的流程图；
图5示出了本发明实施例一中缺陷-工序-工艺参数的贝叶斯推理网络的模型图；
图6示出了本发明实施例一中获取每个主要缺陷类型下的至少一个关键工序以及每个关键工序下的至少一个关键工艺参数的流程图；
图7示出了本发明实施例一中另一种柔板产品生产质量追溯方法的流程图；
图8示出了本发明实施例二中一种柔板产品生产质量追溯系统的结构图；
图9示出了本发明实施例二中另一种柔板产品生产质量追溯系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例一
如图1所示，一种柔板产品生产质量追溯方法，包括：
S1：获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；
S2：对所述柔板生产数据集进行预处理；
S3：从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络；
S4：利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数。
基于柔板产品在多个批次下的质检数据子集和工序参数数据子集来构建柔板生产数据集，能获取到柔板产品在多个批次下的质检情况以及在生产过程中的工序和工艺参数情况，便于后续通过这些大数据来构建出缺陷-工序-工艺参数的贝叶斯推理网络；通常每个批次的质检数据中能反映对应批次的异常情况，通过构建的贝叶斯推理网络，能以数据推理学习的形式总结出柔板产线上生产异常的规律，进而分析出柔板产品出现的缺陷分别与工序和工艺参数情况之间的关系，即柔板产品在每个主要缺陷类型下的至少一个关键工序以及每个关键工序下的至少一个关键工艺参数，能追溯到柔板产线上导致产生每个主要缺陷类型所对应的所有关键工艺参数，实现生产质量的追溯。
本实施例的柔板产品生产质量追溯方法，采用数据分析和数据推理的方式代替人工定位质量问题的方式，实现了柔板产品生产质量的追溯，能够减少人力成本，同时能提高分析效率，不会因人工判断错误而导致质量追溯失败，实现高效、快速和准确的生产质量追溯，帮助企业根据质量追溯的结果来优化柔板产品的生产，提升企业收益。
具体地，每个批次下的所述工序参数数据子集均包括所述柔板产品在对应的批次下的多个工序以及每个工序的工艺参数数据。
通过上述工序参数数据子集，便于后续推理出关键工序与对应的关键工艺参数数据之间的关系。
优选地，如图2所示，S1包括：
S11：获取所述柔板产品的产品料号；
S12：根据所述产品料号，从预设的执行制造系统中，获取所述柔板产品的过站数据；
S13：根据所述过站数据确定出所述柔板产品的多个工序；
S14：利用所述柔板产品上配置的数采装置，采集所述柔板产品在每个批次下的所有工序的所述工艺参数数据；
S15：分别根据每个批次下的所有工序的所述工艺参数数据，得到每个批次下的所述工序参数数据子集；
S16：利用所述柔板产品上配置的质检设备，检测得到所述柔板产品在多个批次下的所述质检数据子集。
柔板产线上通常会配置一些常用设备，包括执行制造系统(ManufacturingExecution Systems，简称MES)、数采装置和质检设备等；其中，MES系统中存储有柔板产品的过站数据，包括柔板产品在每个批次下的某个工序于什么时候开始以及于什么时候结束；因此首先通过识别柔板产品上的产品料号，根据产品料号可以在MES系统中导出对应的过站数据，通过过站数据能够确定出该产品料号对应的所有工序，再结合数采装置采集的整个批次下的工艺参数数据，即可实现对每个工序下的工艺参数数据的切分，即得到每个工序一一对应的工艺参数数据，进而通过每个批次下所有工序的所有工艺参数数据来形成每个批次的工序参数数据子集；而质检设备通过会对每个批次下的柔板产品进行质检，通过质检设备的质检所产生的数据即可得到每个批次下的质检数据子集。
具体地，每个批次下的所述质检数据子集均包括对应的批次质检结果、产品总数、至少一个产品缺陷类型以及每个所述产品缺陷类型的缺陷产品数量。
质检设备在对每个批次下的柔板产品进行质检时，会给出多种质检数据，包括批次质检结果、产品总数、产品缺陷类型和缺陷产品数量；其中，每个批次对应的批次质检结果，是指每个批次是正常批次还是异常批次，当某个批次的柔板产品的合格率达标即判定该批次是正常批次，当某个批次的柔板产品的合格率不达标即判定该批次是异常批次；无论是正常批次还是异常批次，每个批次中都会存在有缺陷的产品；产品总数是指每个批次中所生产出的柔板产品总数量，产品缺陷类型是指每个批次中存在缺陷的产品所属的缺陷类型，缺陷产品总数则是指每个批次中存在缺陷的产品的总数，而缺陷产品数量则是在每个批次中，出现每种产品缺陷类型所对应的产品数量；本实施例通过上述数据所形成的每个批次下的质检数据子集，便于准确后续分析出缺陷与工序以及工艺参数数据之间的关系。
优选地，如图3所示，S2包括：
S21：根据所有批次下的所述批次质检结果，将所述柔板生产数据集分为正常批次数据子集和异常批次数据子集；
S22：利用所述正常批次数据子集中的所有所述工艺参数数据，标定出多个工艺参数区间；
S23：利用所有所述工艺参数区间，对所述异常批次数据子集进行离散化。
通过将柔板生产数据集分成正常批次数据子集和异常批次数据子集，便于后续依据正常批次数据子集来标定出柔板产品在每个工序下的合格的工艺参数区间，进而以每个工序下的合格的工艺参数区间作为离散化标准，对异常批次数据子集进行离散化，便于后续构建贝叶斯推理网络，实现以数据推理的方式来进行生产质量的追溯。
具体地，所述工艺参数区间包括正常参数区间、参数偏小区间、参数过小区间、参数偏大区间和参数过大区间。
通过上述五个工艺参数区间，能对异常批次数据子集进行较好地离散化，使得后续构建出的贝叶斯推理网络进行数据推理的结果更为准确。
在本实施例的一个具体实施方式中，在正常批次数据子集中取一定数量批次下的每个工序的工艺参数数据，分别计算选取的所有批次中每个工艺下的每种工艺参数数据的均值和标准差。例如计算得到所有批次在工序P1下的第一种工艺参数数据P1X1的均值和标准差分别为meanP1X1和sigmaP1X1，则将[meanP1X1-3sigmaP1X1,meanP1X1+3sigmaP1X1]的数据范围作为所有批次下该工艺参数数据P1X1对应的正常参数区间，将[meanP1X1-6sigmaP1X1,meanP1X1-3sigmaP1X1)的数据范围作为所有批次下该工艺参数数据P1X1对应的参数偏小区间,将小于meanP1X1-6sigmaP1X1的数据范围作为所有批次下该工艺参数数据P1X1对应的参数过小区间，将(meanP1X1+3sigmaP1X1,meanP1X1+6sigmaP1X1]的数据范围作为所有批次下该工艺参数数据P1X1对应的参数偏大区间,将大于meanP1X1+6sigmaP1X1的数据范围作为所有批次下该工艺参数数据P1X1对应的参数过大区间。其他工艺参数数据对应的五种工艺参数区间也与此同理，本实施例不再赘述。最后，利用上述所有工艺参数数据的五个工艺参数区间对异常批次数据子集中的所有工艺参数数据进行离散化。
优选地，如图4所示，S3包括：
S31：从离散化后的所述异常批次数据子集中的所有所述产品缺陷类型中确定出至少一个所述主要缺陷类型；
S32：将每个所述主要缺陷类型均分别作为根节点，根据离散化后的所述异常批次数据子集中的所有工序确定出每个根节点对应的第一子节点，并计算每个第一子节点与对应的根节点之间的第一条件概率；
S33：根据所有根节点、所有第一子节点和所有第一条件概率构建出缺陷-工序的第一贝叶斯网络；
S34：将每个第一子节点再均分别作为父节点，根据离散化后的所述异常批次数据子集中的所有所述工艺参数数据确定出每个父节点对应的第二子节点，并计算每个第二子节点与对应的父节点之间的第二条件概率；
S35：根据所有父节点、所有第二子节点和所有第二条件概率构建出工序-工艺参数的第二贝叶斯网络；
S36：根据所述第一贝叶斯网络和所述第二贝叶斯网络，得到缺陷-工序-工艺参数的所述贝叶斯推理网络。
通过确定出主要缺陷类型，可以减少数据量，降低后续数据推理的复杂度；以确定出的每个主要缺陷类型作为根节点，再以对应的所有工序作为对应的第一子节点，可以构建出第一层与第二层之间的有向模型图，即描述主要缺陷类型与工序之间的关系的贝叶斯网络，即缺陷-工序的第一贝叶斯网络；同理，再以每个工序作为父节点，以每个工序对应的所有工艺参数数据作为对应的第二子节点，可以构建出第二层与第三层之间的有向模型图，即描述工序与工艺参数数据之间的关系的贝叶斯网络，即工序-工艺参数的的第二贝叶斯网络；最后由第一贝叶斯网络和第二贝叶斯网络得到一个三层结构的贝叶斯网络，即缺陷-工序-工艺参数的贝叶斯推理网络。通过上述构建贝叶斯推理网络的方法，能构建出准确反映主要缺陷类型、工艺以及工艺参数数据之间的关联关系的推理模型，便于后续以数学推理的方式，当柔板产品出现某种主要缺陷类型(即出现质量问题)时，追溯出影响其质量的主要影响因素(即关键工艺参数)，便于在以后的柔板生产为柔板产线提供指导依据，提升柔板产品的品质和企业的生产效益。
本实施例中构建的缺陷-工序-工艺参数的贝叶斯推理网络的模型图如图5所示，在图5中，主要缺陷类型用Y1、Y2、……Yn表示，工序用P1、P2、……Pm表示，工序P1下的工艺参数数据用P1X1、P1X2、……P1Xk1表示，其余工序下的工艺参数数据表示方法同理，此处不再赘述。
在本实施例S31中，可通过两种方式来获取主要缺陷类型，其一是可以依据人工经验事先设定出所有的主要缺陷类型，其二是计算每个批次下每种产品缺陷类型对应的占比，将占比最高的几个产品缺陷类型确定为主要缺陷类型。其中，本实施例中主要缺陷类型包括黑孔、孔偏、线路短路、线路开路等。
在本实施例S32和S34中，计算根节点与第一子节点以及计算父节点与第二子节点之间的条件概率，采用现有贝叶斯网络模型技术中常规的计算方法，具体细节此处不再赘述。
优选地，如图6所示，S4包括：
S41：利用所述贝叶斯推理网络，计算离散化后的所述异常批次数据子集中每个所述工艺参数数据与每个所述主要缺陷类型之间的后验概率；
S42：根据预设概率阈值和所有所述后验概率，确定出所述柔板产品在每个所述主要缺陷类型下的至少一个所述关键工序以及每个所述关键工序下的至少一个所述关键工艺参数。
通过利用构建的贝叶斯推理网络，分别计算工艺参数数据与主要缺陷类型之间的后验概率，结合预设概率阈值，寻找出影响主要缺陷类型对应的关键工艺参数，实现柔板产品质量问题的定位。
在本实施例S41中，对于图5所示的贝叶斯推理网络，计算主要缺陷类型与工艺参数数据之间的后验概率的公式为：
Figure BDA0003854424700000141
其中，P(PsXks|Yl)为第Ps个工序下的工艺参数数据PsXks对出现第l个主要缺陷类型的后验概率，P(PsXks,Yl)为出现第l个主要缺陷类型且存在第Ps个工序下的工艺参数数据PsXks的概率，P(Yl)为出现第l个主要缺陷类型的概率。
本实施例S42中，后验概率能反映出工艺参数数据对主要缺陷类型的影响，因此利用预设概率阈值，当某个工艺参数数据的后验概率大于该预设概率阈值时，说明该工艺参数数据对主要缺陷类型的影响较大，则其即为要寻找的关键工艺参数；按照同样的比较方法，能找出所有主要缺陷类型对应的所有关键工艺参数。
优选地，如图7所示，在S4之后，还包括：
S5：获取所述柔板产品的挖掘数据集；其中，所述挖掘数据集包括所述柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个所述待挖掘缺陷类型下的至少一个待挖掘工序以及每个所述待挖掘工序对应的至少一个待挖掘工艺参数；
S6：基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘；
S7：根据关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
当通过贝叶斯推理网络推理出每个主要缺陷类型对应的至少一个关键工艺参数之后，通过提供挖掘数据集，并基于关联规则挖掘方法对该挖掘数据集进行关联规则，将得到的关联规则挖掘结果与推理得到的每个主要缺陷类型对应的至少一个关键工艺参数进行验证，能确保每个主要缺陷类型对应的所有关键工艺参数在所有的批次下都能保证一致性，由此进一步确定这些关键工艺参数是导致相应的质量问题的关键因素，实现柔板产品生产质量问题的精确定位，质量追溯更加精确。
具体地，在本实施例S5中，挖掘数据集包括柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个待挖掘缺陷类型下的至少一个待挖掘工序以及每个待挖掘工序对应的至少一个待挖掘工艺参数，即挖掘数据集至少包括待挖掘缺陷类型、待挖掘工序以及待挖掘工艺参数这三类数据，当然还可以包括与柔板生产数据集中类似的每个批次的产品总数和缺陷产品数量，即挖掘数据集的数据结构与柔板生产数据集的数据结构相同。其中，柔板生产数据集可以是柔板产线上在过去任何时间段内采集的大数据，而挖掘数据集则是柔板产线在近期的一段时间内采集的连续批次的数据。挖掘数据集中预设时间段的具体时间可根据实际情况而定。
优选地，S6包括：
S61：对所述挖掘数据集进行离散化；
S62：根据所述贝叶斯推理网络，从离散化后的所述挖掘数据集中的所有所述待挖掘缺陷类型中确定出所有候选缺陷类型；
S63：选取任一个所述候选缺陷类型，基于关联规则挖掘方法，将离散化后的所述挖掘数据集中在选取的所述候选缺陷类型下的所有所述待挖掘工艺参数，确定为选取的所述候选缺陷类型对应的候选项集；
S64：在选取的所述候选缺陷类型对应的所述候选项集中，将选取的所述候选缺陷类型在每个待挖掘工序下的k个与选取的所述候选缺陷类型相关的所述待挖掘工艺参数均确定为选取的所述候选缺陷类型的候选k-项集；
S65：将选取的所述候选缺陷类型的所有所述候选k-项集的集合记为选取的所述候选缺陷类型对应的第一集合Ck；其中，k为初始值为1的正整数；
S66：分别计算所述第一集合Ck中每个所述候选k-项集的支持度，根据预设最小支持度和所有所述支持度，从所述第一集合Ck中得到选取的所述候选缺陷类型对应的至少一个频繁k-项集，并将选取的所述候选缺陷类型对应的所有所述频繁k-项集的集合记为选取的所述候选缺陷类型的第二集合Lk；
S67：判断所述第二集合Lk是否为空集；
若是，则分别计算所述第二集合Lk中每个所述频繁k-项集的置信度，根据预设最小置信度和所有所述置信度，从所述第二集合Lk中得到与选取的所述候选缺陷类型对应的目标频繁项集，完成离散化后的所述挖掘数据集中选取的所述候选缺陷类型的关联规则挖掘；遍历离散化后的所述挖掘数据集中的每个所述候选缺陷类型，按照同样的方法，得到与每个所述候选缺陷类型对应的所述目标频繁项集，完成每个所述候选缺陷类型的关联规则挖掘；
否则，令k＝k+1，对所述第二集合Lk依次进行连接操作和剪枝操作，按照得到所述第二集合Lk同样的方法，得到选取的所述候选缺陷类型的第二集合Lk+1，迭代循环，直至选取的所述候选缺陷类型的第二集合Lk+1为空集，结束迭代；并在迭代结束后，按照所述第二集合Lk为空集时同样的方法，获取与每个所述候选缺陷类型对应的所述目标频繁项集，完成每个所述候选缺陷类型的关联规则挖掘。
本实施例上述关联规则挖掘方法具体为Apriori算法，Apriori算法是一种挖掘关联规则的频繁项集算法。在S61中，对挖掘数据集进行离散化，一方面便于后续利用贝叶斯推理网络来确定与主要缺陷类型相对应的候选缺陷类型，另一方面便于根据离散化后的待挖掘工艺参数来挖掘出目标频繁项集，实现关联规则的挖掘。在S62中，通过贝叶斯推理网络来确定的候选缺陷类型，能便于后续通过关联规则挖掘结果来与主要缺陷类型下的所有关键工艺参数进行验证。
在S63～S67中，对选取的任一个候选缺陷类型的关联规则的挖掘，首先将与该候选缺陷类型相关的每个待挖掘工序下的所有待挖掘工艺参数均确定为对应的候选项集；然后在这些候选项集中寻找与该候选缺陷类型相关的且包含k项待挖掘工艺参数的项集，由于k为初始值为1的正整数，其可以从1依次增大，因此可以依次确定出与该候选缺陷类型最相关的1项工艺参数的集合、2项工艺参数的集合……直到k项工艺参数的集合，实现对所有候选缺陷类型及其相关的异常待挖掘工艺参数进行归集，产生不同的候选k-项集。对于每个确定的k值，选取的候选缺陷类型的所有候选k-项集的集合即为该选取的候选缺陷类型对应的第一集合Ck。
例如，当k取初始值1时，与选取的候选缺陷类型相关联的待挖掘工序有P1、P2、P3和P4，在待挖掘工序P1对应的候选项集中仅包含1项最相关的待挖掘工艺参数，形成了该待挖掘工序P1中与选取的候选缺陷类型对应的候选1-项集；同理，在待挖掘工序P2对应的候选项集中仅包含1项最相关的待挖掘工艺参数，形成了该待挖掘工序P2中与选取的候选缺陷类型对应的候选1-项集；在待挖掘工序P3对应的候选项集中仅包含1项最相关的待挖掘工艺参数，形成了该待挖掘工序P3中与选取的候选缺陷类型对应的候选1-项集；在待挖掘工序P4对应的候选项集中仅包含1项最相关的待挖掘工艺参数，形成了该待挖掘工序P4中与选取的候选缺陷类型对应的候选1-项集；上述四个候选1-项集即构成了选取的候选缺陷类型对应的第一集合C1。
当产生候选k-项集并得到所有候选k-项集形成的第一集合Ck之后，通过计算每个候选k-项集的支持度，再结合预设最小支持度，即可得到最符合支持度条件的若干个候选k-项集，称为频繁k-项集(其余不符合的支持度条件的候选k-项集即被消除，可降低关联规则挖掘的复杂度)，每个频繁k-项集中的k个待挖掘工艺参数即为与选取的候选缺陷类型最相关的工艺参数；这些频繁k-项集即形成选取的候选缺陷类型对应的第二集合Lk。
上述形成第二集合Lk的过程对于不同的k值是迭代循环的，对于每个不同的k值，当形成对应的第二集合Lk后，判断该第二集合Lk是否为空集，若是，则说明第二集合Lk中的这些频繁k-项集即为选取的候选缺陷类型已完全确定最相关的工艺参数，即可终止迭代；否则，还需要继续进行迭代，按照同样的方法继续获取第二集合Lk，直至最终获取的第二集合Lk为空集，找出已完全确定最相关的工艺参数。
当终止迭代后，计算第二集合Lk中每个频繁k-项集的置信度，结合预设最小置信度，得到的目标频繁项集即为在批次出现选取的候选缺陷类型时，最可能异常进而导致出现质量问题的工艺参数的集合，即得到选取的候选缺陷类型对应的目标频繁项集，完成该候选缺陷类型的关联规则挖掘。
对于每个候选缺陷类型都按照同样的方法进行关联规则挖掘，可以实现由候选缺陷类型推断出由某个单一待挖掘工艺参数异常或几个待挖掘工艺参数异常的组合影响产生该批次的缺陷问题，由此可以进一步推断出这些待挖掘工序的待挖掘生产参数异常有很大概率导致该批次产生的候选缺陷问题，进一步实现柔板产品的质量追溯。
具体地，在S66中，计算第i个所述候选缺陷类型对应的第一集合Ck中第j个所述候选k-项集的支持度的第一公式为：
Figure BDA0003854424700000181
在S67中，计算第i个所述候选缺陷类型对应的第二集合Lk中第t个所述频繁k-项集的置信度的第二公式为：
Figure BDA0003854424700000182
其中，
Figure BDA0003854424700000183
为第i个所述候选缺陷类型对应的第一集合Ck中第j个所述候选k-项集的支持度，
Figure BDA0003854424700000184
为第j个所述候选k-项集中出现第i个所述候选缺陷类型且有k项待挖掘工艺参数的批次数量，N为所述挖掘数据集中的批次总数，
Figure BDA0003854424700000185
为第i个所述候选缺陷类型对应的第二集合Lk中第t个所述频繁k-项集的置信度，
Figure BDA0003854424700000191
为第t个所述频繁k-项集中出现第i个所述候选缺陷类型且有k项待挖掘工艺参数的批次数量，mi为所述挖掘数据集中出现第i个所述候选缺陷类型的批次数量。
优选地，S7包括：
S71：选取任一个所述主要缺陷类型，判断选取的所述主要缺陷类型下的所有所述关键工艺参数与对应的所述候选缺陷类型下的所述目标频繁项集是否一致；
若是，则将选取的所述主要缺陷类型下的所有所述关键工艺参数的集合确定为选取的所述主要缺陷类型对应的所述目标关键工艺参数集合；
若否，则将对应的所述候选缺陷类型下的所述目标频繁项集中所有待挖掘工艺参数的集合确定为选取的所述主要缺陷类型对应的所述目标关键工艺参数集合；
S72：遍历每个所述主要缺陷类型，按照同样的方法，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
由于候选缺陷类型由贝叶斯推理网络而得，因此候选缺陷类型与主要缺陷类型是对应的，将每个主要缺陷类型下的所有关键工艺参数与对应的候选缺陷类型的目标频繁项集中的所有待挖掘工艺参数进行对比，若保持一致，则说明无论是基于贝叶斯推理网络数学推理而得的结果，还是基于关联规则挖掘方法挖掘而得的结果，都是准确的，可直接将主要缺陷类型下的所有关键工艺参数的集合确定为对应的所述目标关键工艺参数集合；若不保持一致，则说明基于贝叶斯推理网络数学推理而得的结果不够准确，可将候选缺陷类型下的目标频繁项集中所有待挖掘工艺参数的集合确定为对应的所述目标关键工艺参数集合，实现对数学推理而得的对应的主要缺陷类型的所有关键工艺参数的修正，有效提升质量追溯的准确率。
实施例二
如图8所示，一种柔板产品生产质量追溯系统，包括：
数据获取模块，用于获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；
数据处理模块，用于对所述柔板生产数据集进行预处理；
网络构建模块，用于从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络；
推理模块，用于利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数。
本实施例的柔板产品生产质量追溯系统，采用数据分析和数据推理的方式代替人工定位质量问题的方式，实现了柔板产品生产质量的追溯，能够减少人力成本，同时能提高分析效率，不会因人工判断错误而导致质量追溯失败，实现高效、快速和准确的生产质量追溯，帮助企业根据质量追溯的结果来优化柔板产品的生产，提升企业收益。
优选地，如图9所示，还包括：
关联规则挖掘模块，用于获取所述柔板产品的挖掘数据集；其中，所述挖掘数据集包括所述柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个所述待挖掘缺陷类型下的至少一个待挖掘工序以及每个所述待挖掘工序对应的至少一个待挖掘工艺参数；还用于基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘；
验证模块，用于根据所述关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
通过关联规则挖掘和验证，能确保每个主要缺陷类型对应的所有关键工艺参数在所有的批次下都能保持一致性，由此进一步确定这些关键工艺参数是导致相应的质量问题的关键因素，实现柔板产品生产质量问题的精确定位，质量追溯更加精确。
本实施例所述的柔板产品生产质量追溯系统中各模块的功能与实施例一中的柔板产品生产质量追溯方法步骤相同，因此本实施例的未尽细节，详见实施例一及图1至图7的具体描述，此处不再赘述。
实施例三
一种柔板产品生产质量追溯装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现实施例一的柔板产品生产质量追溯方法中的方法步骤。
通过存储在存储器上的计算机程序，并运行在处理器上，采用数据分析和数据推理的方式代替人工定位质量问题的方式，实现了柔板产品生产质量的追溯，能够减少人力成本，同时能提高分析效率，不会因人工判断错误而导致质量追溯失败，实现高效、快速和准确的生产质量追溯，帮助企业根据质量追溯的结果来优化柔板产品的生产，提升企业收益。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模型，处理器通过运行或执行存储在存储器内的计算机程序和/或模型，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等)；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
应理解可由计算机程序实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本实施例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包括：至少一个指令，在所述指令被执行时实现实施例一的柔板产品生产质量追溯方法中的方法步骤。
通过执行包含至少一个指令的计算机存储介质，采用数据分析和数据推理的方式代替人工定位质量问题的方式，实现了柔板产品生产质量的追溯，能够减少人力成本，同时能提高分析效率，不会因人工判断错误而导致质量追溯失败，实现高效、快速和准确的生产质量追溯，帮助企业根据质量追溯的结果来优化柔板产品的生产，提升企业收益。
同理，实施例三的未尽细节，详见实施例一、实施例二及图1至图9的具体描述，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (15)

1.一种柔板产品生产质量追溯方法，其特征在于，包括：
获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；
对所述柔板生产数据集进行预处理；
从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络；
利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数。
2.根据权利要求1所述的柔板产品生产质量追溯方法，其特征在于，每个批次下的所述工序参数数据子集均包括所述柔板产品在对应的批次下的多个工序以及每个工序的工艺参数数据；
所述获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，包括：
获取所述柔板产品的产品料号；
根据所述产品料号，从预设的执行制造系统中，获取所述柔板产品的过站数据；
根据所述过站数据确定出所述柔板产品的多个工序；
利用所述柔板产品上配置的数采装置，采集所述柔板产品在每个批次下的所有工序的所述工艺参数数据；
分别根据每个批次下的所有工序的所述工艺参数数据，得到每个批次下的所述工序参数数据子集；
利用所述柔板产品上配置的质检设备，检测得到所述柔板产品在多个批次下的所述质检数据子集。
3.根据权利要求2所述的柔板产品生产质量追溯方法，其特征在于，每个批次下的所述质检数据子集均包括对应的批次质检结果、产品总数、至少一个产品缺陷类型以及每个所述产品缺陷类型的缺陷产品数量。
4.根据权利要求3所述的柔板产品生产质量追溯方法，其特征在于，所述对所述柔板生产数据集进行预处理，包括：
根据所有批次下的所述批次质检结果，将所述柔板生产数据集分为正常批次数据子集和异常批次数据子集；
利用所述正常批次数据子集中的所有所述工艺参数数据，标定出多个工艺参数区间；
利用所有所述工艺参数区间，对所述异常批次数据子集进行离散化。
5.根据权利要求4所述的柔板产品生产质量追溯方法，其特征在于，所述工艺参数区间包括正常参数区间、参数偏小区间、参数过小区间、参数偏大区间和参数过大区间。
6.根据权利要求4所述的柔板产品生产质量追溯方法，其特征在于，所述从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络，包括：
从离散化后的所述异常批次数据子集中的所有所述产品缺陷类型中确定出至少一个所述主要缺陷类型；
将每个所述主要缺陷类型均分别作为根节点，根据离散化后的所述异常批次数据子集中的所有工序确定出每个根节点对应的第一子节点，并计算每个第一子节点与对应的根节点之间的第一条件概率；
根据所有根节点、所有第一子节点和所有第一条件概率构建出缺陷-工序的第一贝叶斯网络；
将每个第一子节点再均分别作为父节点，根据离散化后的所述异常批次数据子集中的所有所述工艺参数数据确定出每个父节点对应的第二子节点，并计算每个第二子节点与对应的父节点之间的第二条件概率；
根据所有父节点、所有第二子节点和所有第二条件概率构建出工序-工艺参数的第二贝叶斯网络；
根据所述第一贝叶斯网络和所述第二贝叶斯网络，得到缺陷-工序-工艺参数的所述贝叶斯推理网络。
7.根据权利要求6所述的柔板产品生产质量追溯方法，其特征在于，所述利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数，包括：
利用所述贝叶斯推理网络，分别计算离散化后的所述异常批次数据子集中每个所述工艺参数数据与每个所述主要缺陷类型之间的后验概率；
根据预设概率阈值和所有所述后验概率，确定出所述柔板产品在每个所述主要缺陷类型下的至少一个所述关键工序以及每个所述关键工序下的至少一个所述关键工艺参数。
8.根据权利要求1所述的柔板产品生产质量追溯方法，其特征在于，所述获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数之后，还包括：
获取所述柔板产品的挖掘数据集；其中，所述挖掘数据集包括所述柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个所述待挖掘缺陷类型下的至少一个待挖掘工序以及每个所述待挖掘工序对应的至少一个待挖掘工艺参数；
基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘；
根据关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
9.根据权利要求8所述的柔板产品生产质量追溯方法，其特征在于，所述基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘，包括：
对所述挖掘数据集进行离散化；
根据所述贝叶斯推理网络，从离散化后的所述挖掘数据集中的所有所述待挖掘缺陷类型中确定出所有候选缺陷类型；
选取任一个所述候选缺陷类型，基于关联规则挖掘方法，将离散化后的所述挖掘数据集中在选取的所述候选缺陷类型下的所有所述待挖掘工艺参数，确定为选取的所述候选缺陷类型对应的候选项集；
在选取的所述候选缺陷类型对应的所述候选项集中，将选取的所述候选缺陷类型在每个待挖掘工序下的k个与选取的所述候选缺陷类型相关的所述待挖掘工艺参数均确定为选取的所述候选缺陷类型的候选k-项集；
将选取的所述候选缺陷类型的所有所述候选k-项集的集合记为选取的所述候选缺陷类型对应的第一集合Ck；其中，k为初始值为1的正整数；
分别计算所述第一集合Ck中每个所述候选k-项集的支持度，根据预设最小支持度和所有所述支持度，从所述第一集合Ck中得到选取的所述候选缺陷类型对应的至少一个频繁k-项集，并将选取的所述候选缺陷类型对应的所有所述频繁k-项集的集合记为选取的所述候选缺陷类型的第二集合Lk；
判断所述第二集合Lk是否为空集；
若是，则分别计算所述第二集合Lk中每个所述频繁k-项集的置信度，根据预设最小置信度和所有所述置信度，从所述第二集合Lk中得到与选取的所述候选缺陷类型对应的目标频繁项集，完成离散化后的所述挖掘数据集中选取的所述候选缺陷类型的关联规则挖掘；遍历离散化后的所述挖掘数据集中的每个所述候选缺陷类型，按照同样的方法，得到与每个所述候选缺陷类型对应的所述目标频繁项集，完成每个所述候选缺陷类型的关联规则挖掘；
否则，令k＝k+1，对所述第二集合Lk依次进行连接操作和剪枝操作，按照得到所述第二集合Lk同样的方法，得到选取的所述候选缺陷类型的第二集合Lk+1，迭代循环，直至选取的所述候选缺陷类型的第二集合Lk+1为空集，结束迭代；并在迭代结束后，按照所述第二集合Lk为空集时同样的方法，获取与每个所述候选缺陷类型对应的所述目标频繁项集，完成每个所述候选缺陷类型的关联规则挖掘。
10.根据权利要求9所述的柔板产品生产质量追溯方法，其特征在于，计算第i个所述候选缺陷类型对应的第一集合Ck中第j个所述候选k-项集的支持度的第一公式为：
Figure FDA0003854424690000041
计算第i个所述候选缺陷类型对应的第二集合Lk中第t个所述频繁k-项集的置信度的第二公式为：
Figure FDA0003854424690000051
其中，
Figure FDA0003854424690000052
为第i个所述候选缺陷类型对应的第一集合Ck中第j个所述候选k-项集的支持度，
Figure FDA0003854424690000053
为第j个所述候选k-项集中出现第i个所述候选缺陷类型且有k项待挖掘工艺参数的批次数量，N为所述挖掘数据集中的批次总数，
Figure FDA0003854424690000054
为第i个所述候选缺陷类型对应的第二集合Lk中第t个所述频繁k-项集的置信度，
Figure FDA0003854424690000055
为第t个所述频繁k-项集中出现第i个所述候选缺陷类型且有k项待挖掘工艺参数的批次数量，mi为所述挖掘数据集中出现第i个所述候选缺陷类型的批次数量。
11.根据权利要求9所述的柔板产品生产质量追溯方法，其特征在于，所述根据所述关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合，包括：
选取任一个所述主要缺陷类型，判断选取的所述主要缺陷类型下的所有所述关键工艺参数与对应的所述候选缺陷类型下的所述目标频繁项集是否一致；
若是，则将选取的所述主要缺陷类型下的所有所述关键工艺参数的集合确定为选取的所述主要缺陷类型对应的所述目标关键工艺参数集合；
若否，则将对应的所述候选缺陷类型下的所述目标频繁项集中所有待挖掘工艺参数的集合确定为选取的所述主要缺陷类型对应的所述目标关键工艺参数集合；
遍历每个所述主要缺陷类型，按照同样的方法，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
12.一种柔板产品生产质量追溯系统，其特征在于，包括：
数据获取模块，用于获取柔板产品在多个批次下的质检数据子集和工序参数数据子集，构建柔板生产数据集；
数据处理模块，用于对所述柔板生产数据集进行预处理；
网络构建模块，用于从预处理后的所述柔板生产数据集中获取所述柔板产品的至少一个主要缺陷类型，并构建缺陷-工序-工艺参数的贝叶斯推理网络；
推理模块，用于利用所述贝叶斯推理网络，根据预处理后的所述柔板生产数据集，获取所述柔板产品在每个所述主要缺陷类型下的至少一个关键工序以及每个所述关键工序下的至少一个关键工艺参数。
13.根据权利要求12所述的柔板产品生产质量追溯系统，其特征在于，还包括：
关联规则挖掘模块，用于获取所述柔板产品的挖掘数据集；其中，所述挖掘数据集包括所述柔板产品在预设时间段内的多个批次的至少一个待挖掘缺陷类型、每个所述待挖掘缺陷类型下的至少一个待挖掘工序以及每个所述待挖掘工序对应的至少一个待挖掘工艺参数；还用于基于关联规则挖掘方法，对所述挖掘数据集进行关联规则挖掘；
验证模块，用于根据所述关联规则挖掘结果，对获取的所有所述主要缺陷类型下的所有所述关键工艺参数进行验证，得到所述柔板产品在每个所述主要缺陷类型下的目标关键工艺参数集合。
14.一种柔板产品生产质量追溯装置，其特征在于，包括存储器、处理器以及存储在所述存储器中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如权利要求1至11任一项所述的柔板产品生产质量追溯方法。
15.一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包括：至少一个指令，在所述指令被执行时实现如权利要求1至11任一项所述的柔板产品生产质量追溯方法。
CN202211143536.XA 2022-09-20 2022-09-20 柔板产品生产质量追溯方法、系统、装置和存储介质 Pending CN115526641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211143536.XA CN115526641A (zh) 2022-09-20 2022-09-20 柔板产品生产质量追溯方法、系统、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211143536.XA CN115526641A (zh) 2022-09-20 2022-09-20 柔板产品生产质量追溯方法、系统、装置和存储介质

Publications (1)

Publication Number Publication Date
CN115526641A true CN115526641A (zh) 2022-12-27

Family

ID=84697910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211143536.XA Pending CN115526641A (zh) 2022-09-20 2022-09-20 柔板产品生产质量追溯方法、系统、装置和存储介质

Country Status (1)

Country Link
CN (1) CN115526641A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664021A (zh) * 2023-08-01 2023-08-29 应急管理部天津消防研究所 一种基于移动端的工厂检查辅助决策系统及方法
CN116976757A (zh) * 2023-09-21 2023-10-31 深圳市中络电子有限公司 高精密线路板追溯系统及方法
CN118034213A (zh) * 2024-03-04 2024-05-14 山东天乐塑料科技有限公司 一种防裂中空板生产质量监管系统
CN118114187A (zh) * 2024-04-30 2024-05-31 苏州维信电子有限公司 柔板产线异常检测方法、系统、装置和存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664021A (zh) * 2023-08-01 2023-08-29 应急管理部天津消防研究所 一种基于移动端的工厂检查辅助决策系统及方法
CN116664021B (zh) * 2023-08-01 2023-10-27 应急管理部天津消防研究所 一种基于移动端的工厂检查辅助决策系统及方法
CN116976757A (zh) * 2023-09-21 2023-10-31 深圳市中络电子有限公司 高精密线路板追溯系统及方法
CN116976757B (zh) * 2023-09-21 2023-11-28 深圳市中络电子有限公司 高精密线路板追溯系统及方法
CN118034213A (zh) * 2024-03-04 2024-05-14 山东天乐塑料科技有限公司 一种防裂中空板生产质量监管系统
CN118114187A (zh) * 2024-04-30 2024-05-31 苏州维信电子有限公司 柔板产线异常检测方法、系统、装置和存储介质
CN118114187B (zh) * 2024-04-30 2024-08-20 苏州维信电子有限公司 柔板产线异常检测方法、系统、装置和存储介质

Similar Documents

Publication Publication Date Title
CN115526641A (zh) 柔板产品生产质量追溯方法、系统、装置和存储介质
US11741361B2 (en) Machine learning-based network model building method and apparatus
US9760073B2 (en) Technique and tool for efficient testing of controllers in development
CN111625516B (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN111310860B (zh) 改进梯度提升决策树性能的方法及计算机可读存储介质
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
US11243835B1 (en) Message-based problem diagnosis and root cause analysis
CN112925909B (zh) 一种考虑局部不变性约束的图卷积文献分类方法及系统
CN115526093A (zh) Smt印刷参数优化模型的训练方法、设备和存储介质
CN112232426A (zh) 目标检测模型的训练方法、装置、设备及可读存储介质
CN114139636B (zh) 异常作业处理方法及装置
CN115630433A (zh) 一种基于机器学习和bim技术的建筑设计方法及系统
CN110334262B (zh) 一种模型训练方法、装置及电子设备
CN111078500A (zh) 运行配置参数的调整方法、装置、计算机设备和存储介质
Solomentsev et al. Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment
CN111459797B (zh) 开源社区中开发者行为的异常检测方法、系统及介质
CN116777861B (zh) 一种激光雕刻机打标质量检测方法及系统
US20180067831A1 (en) Fine-Grained Causal Anomaly Inference for Complex System Fault Diagnosis
CN110348005B (zh) 配网设备状态数据处理方法、装置、计算机设备及介质
CN116860562A (zh) 一种用于数据中台数据质量的监控方法及系统
Dhiman et al. A Clustered Approach to Analyze the Software Quality Using Software Defects
CN116302870A (zh) 基于进化图的机械硬盘健康评估方法、系统和存储介质
CN112528500B (zh) 一种场景图构造模型的评估方法及评估设备
US20230041338A1 (en) Graph data processing method, device, and computer program product
CN112068806B (zh) 一种优化软件开发中项目管理的方法及系统

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