CN115577890A - 智能质量管理方法、电子装置及存储介质 - Google Patents
智能质量管理方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN115577890A CN115577890A CN202110688166.7A CN202110688166A CN115577890A CN 115577890 A CN115577890 A CN 115577890A CN 202110688166 A CN202110688166 A CN 202110688166A CN 115577890 A CN115577890 A CN 115577890A
- Authority
- CN
- China
- Prior art keywords
- audit
- auditing
- intelligent
- problem points
- period
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012550 audit Methods 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000002265 prevention Effects 0.000 claims abstract description 42
- 230000006872 improvement Effects 0.000 claims abstract description 41
- 230000036962 time dependent Effects 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000003449 preventive effect Effects 0.000 description 32
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000003326 Quality management system Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000013067 regular audit Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method 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
- G06Q10/06—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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/0255—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system the criterion being a time-optimal performance criterion
-
- 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
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
- G05B13/022—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance using a perturbation of the variable
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
- G05B13/025—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance using a perturbation signal
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32191—Real time statistical process monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种智能质量管理方法,包括:通过时间相依风险优先指数公式计算需求数据与参数配置;根据所述需求数据与所述参数配置产生热区图风险界面;通过所述热区图风险界面制定智能稽核排配算法以自动产生稽核计划;根据所述稽核计划执行稽核程序并选取多个问题点;对所述多个问题点进行智慧根本原因类别建议;根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策;及根据所述改善对策对各稽核单位执行改善行为以解决问题点,并且根据预防对策所述对各稽核单位执行预防行为。本发明还提供一种电子装置与存储介质,可减少人力成本,提升管理生产效率、有效针对痛点执行对策,提升客户满意度。
Description
技术领域
本发明涉及质量管理方法,尤其涉及一种智能质量管理方法及电子装置。
背景技术
有关生产制造,质量管理在工厂的生产中扮演不可或缺的角色。一般来说,品管稽核时,先将稽核条款分级与分类,再藉由制定内部专项稽核计划监督产线质量状况,发现的问题点会以纸本、人工上传到系统,以记录、追踪并思考改善、预防对策与后续改善状况,形成改善死循环(Closed-Loop Corrective Action,CLCA)的同时也为质量把关,永续提升客户满意度。
传统稽核流程皆以纸本的方式做交流,具有「无信息的统整管理」、「效率低」、「数据杂乱且更新不及时」等问题。此外,手动排配稽核计划无法快速得知重复性、高风险性问题与精准排配,亦无重复性问题点侦测机制,盲点多,不能及时对重复性发生问题进行改善。
发明内容
鉴于以上内容,有必要提供一种智能质量管理方法、电子装置及存储介质,可减少人力成本,提升管理生产效率、有效针对痛点执行对策,提升客户满意度。
本发明实施例提供一种智能质量管理方法,应用于电子装置中,其特征在于,所述方法包括:根据稽核相关资料与时间相依风险优先指数公式计算需求数据与参数配置;根据所述需求数据与所述参数配置产生热区图风险界面;通过所述热区图风险界面制定智能稽核排配算法以自动产生稽核计划;通知稽核单位检查稽核时间与稽核团队,且根据所述稽核计划执行稽核程序并选取多个问题点;对所述多个问题点进行智慧根本原因类别建议;根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策;及根据所述改善对策对各稽核单位执行改善行为以解决问题点,并且根据预防对策所述对各稽核单位执行预防行为。
本发明实施例还提供一种电子装置,包括风险管理模块、智能稽核排配模块、处理模块、智能推荐模块与执行模块。所述风险管理模块根据稽核相关数据与时间相依风险优先指数公式计算需求数据与参数配置,并根据所述需求资料与所述参数配置产生热区图风险界面。所述智能稽核排配模块通过所述热区图风险界面制定智能稽核排配算法以自动产生稽核计划。所述处理模块通知稽核单位检查稽核时间与稽核团队,且根据所述稽核计划执行稽核程序并选取多个问题点。所述智能推荐模块对所述多个问题点进行智慧根本原因类别建议,并根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策。所述执行模块,根据所述改善对策对各稽核单位执行改善行为以解决问题点,并且根据预防对策所述对各稽核单位执行预防行为。
本发明实施例还提供一种存储介质,该存储介质上存储有计算机程序,该计算机程序被执行时实现如前述的智能质量管理方法的步骤。
本发明实施例的智能质量管理方法、电子装置及存储介质,建立智能化稽核推荐系统,以时间相依风险优先指数(Time Dependent Risk Priority Number,RPN)算法彰显风险痛点,结合时间相依RPN,独创稽核排配算法自动生成稽核计划,以AI中英断词模型、词袋模型、文字探勘算法结合卷积神经网络算法与机器学习算法,推荐解决对策与预防对策以提供工程师执行改善。
附图说明
图1是本发明实施例的智能质量管理方法的步骤流程图。
图2是本发明实施例的智能稽核排配计划方法的步骤流程图。
图3是本发明实施例的智能推荐实施流程的示意图。
图4是本发明实施例的智能推荐算法的数据清洗/前处理的实施流程示意图。
图5是本发明实施例的智能推荐算法中CA/PA排名计算逻辑的示意图。
图6是本发明实施例的电子装置的硬件架构示意图。
图7是本发明实施例的电子装置的功能方块图。
图8是本发明实施例的智能稽核排配模块的功能方块图。
主要元件符号说明
电子装置 | 200 |
处理器 | 210 |
内存 | 220 |
智能质量管理系统 | 230 |
Heatmap风险管理模块 | 310 |
智能稽核排配模块 | 320 |
处理模块 | 330 |
智能推荐模块 | 340 |
执行模块 | 350 |
选取单元 | 3210 |
计算单元 | 3220 |
判断单元 | 3230 |
设置单元 | 3240 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个所述特征。另外,各个实施例的间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围的内。
本发明实施例的智能质量管理方法的优点如下:
(1)建立质量状况Heatmap风险平台:将工厂的质量状况透过时间相依风险优先指数(Time Dependent Risk Priority Number(RPN))算法计算后,以风险热区图(RiskHeatmap)显示,供管理者快速掌握现场概况并针对弱点做打击;
(2)制定智能的稽核排配计划:依据近期工厂的弱点和定期稽核项目的整合,以稽核排配算法自动生成稽核计划,使生产的每一环节均能被检视和精进;及
(3)建立智能推荐系统:将过去的质量管理数据以人工智能(ArtificialIntelligence,AI)自然语言处理技术整理再活化,并加入神经网络技术建立智能质量模块。所述智能质量模块学习过往所有数据的经验外,同时纳入专家的知识判断,可智能针对质量问题推荐适合的解决办法。
通过本发明实施例的智能质量管理方法可减少人力成本,提升管理生产效率,有效针对痛点执行对策,并且提升客户满意度。
图1是本发明实施例的智能质量管理方法步骤流程图,应用于电子装置中。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
建立质量状况Heatmap风险平台
本阶段至少包括步骤S11与S12,对稽核资料进行统计分析,将工厂内的质量问题风险逐一纪录在系统中,并以涵盖过去7期并加上当期的所有数据,建立风险管控接口呈现风险热区。Heatmap风险平台可整合多个工厂的问题类别与问题明细及对应的时间相依RPN与失效模式与影响分析(Process Failure Mode and Effects Analysis,PFMEA),透过颜色管理的手法显示问题严重性、柏拉图呈现问题主因,并且利用「问题类别」、「制造事业处」、「重复发生之问题」等卷标整合统计数据,供管理者在最短时间掌握集团内所有质量风险问题。
步骤S11,根据稽核相关资料与时间相依风险优先指数(Time Dependent RiskPriority Number,RPN))公式计算需求数据与参数配置。以Python-Pandas、Python-Numpy、C++为主建构Time Dependent RPN算法,并以Django打造应用程序编程接口(ApplicationProgramming Interface,API)服务。
现有常见RPN公式只反应出当下工厂问题严重度,并没有办法侦测、惩罚过去问题严重度较高之项目。因此,本发明实施例将时间权重结合进公式,依使用者需求设计严重性相应参数,计算出本发明实施例的时间相依RPN算法。本发明实施例的间相依RPN算法公式如下:
其中,Security(S))為严重性,Occurrence(O)為发生率,Detection(D)為侦测度,i为季度,i=1,...,8(Quarters),N为问题,j=1,...,N(Questions),k为事件种类,k=1,...,Ki,j(Event Type),且m为质量事件的数量,m=1,...,Mi,j,k。
举例来说,在FY21财政年度的第3季度,查表可知问题点为4.7.1,对应所述问题点有2个质量事件,事件种类为Quality Incident,,此时m=2。在FY21财政年度的第4季度,查表可知问题点4.7.3,对应所述问题点有3个质量事件,事件种类为Internal ProgressiveAudit,此时m=3。
所述时间相依RPN算法结合严重性、发生率、侦测度、PFMEA Score,组成具有独创性的算法,达成可依据「时间关系」、「问题类别」、「发生次数」和「风险性」权衡问题严重的分数,并量化所有质量风险问题的创新指针。
步骤S12,根据所述需求资料与所述参数配置产生热区图风险界面(Heatmap RiskInterface)。通过API串联数据库PostgreSQL及前端html、css、Vue.js等网络应用框架,建构热区图界面及其他可视化界面。
制定智能稽核排配计划
本阶段至少包括步骤S13。
步骤S13,通过所述热区图风险界面制定智能稽核排配算法,以自动产生稽核计划。
根据Heatmap质量讯息、客户的稽核规范和创新的时间相依RPN算法制定智能稽核排配算法,以自动产生稽核计划。
图2是本发明实施例的智能稽核排配计划方法的步骤流程图。
步骤S201,选取目前时间周期需稽核的N个稽核单位及M个问题点。
步骤S202,计算K个问题的RPN值,K个问题包括目前时间周期加上前七个时间周期。
步骤S203,计算每个稽核单位的问题点的RPN值。
步骤S204,选取RPN值的排行在第X之前的稽核单位。
步骤S205,判断目前的时间周期是否为循环周期中的第一周。
步骤S206,若非为所述循环周期中的第一周,判断步骤S204中选取的稽核单位是否有重复的稽核单位。
步骤S207,若有重复的稽核单位,则剔除重复的稽核单位,然后回到步骤S204。
若在步骤S205中,若目前的时间周期为循环周期中的第一周,或是在步骤S206中,若没有重复的稽核单位,则表示完成N个稽核单位的选取。接着,在M个问题点中选取前Y大RPN的问题点(步骤S208)与次Z大RPN的问题点(步骤S209),Y+Z=M。前Y大问题点为最严重的问题点,问题点重复也没关系,且要排定每周稽核。次Z大问题点为次严重的问题点,以一轮中不重复稽核为原则。
步骤S210,判断目前的时间周期是否为循环周期中的第一周。
步骤S211,若非为所述循环周期中的第一周,判断选取的问题点中是否有重复的问题点。
步骤S212,若有重复的问题点,剔除重复的问题点,然后回到步骤S208。
步骤S213,在步骤S208中选取前Y大RPN的问题点后,或是在步骤S210中,若目前的时间周期为循环周期中的第一周,或是在步骤S211中,若没有重复的问题点,则表示完成M个问题点的选取。接着,判断在预设时间(例如,一个月)内是否发生质量事件(QualityIncident)。
步骤S214,若发生质量事件,则将选取的问题点设置成跨稽核单位项目。
步骤S215,若未发生质量事件,分配L个RPN值较高的问题点给每一个稽核单位。
步骤S216,进入下一个时间周期的稽核。
步骤S14,通知稽核单位检查稽核时间与稽核团队,且根据所述稽核计划执行稽核程序并选取问题点,包括:在数据库中产生新质量案件(New Quality Case),填写寻找与根本原因(Root Cause)的描述等等。
智能推荐算法
本阶段至少包括步骤S15与S16。
步骤S15,对所述问题点进行智慧根本原因类别建议。
步骤S16,根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策。
图3是本发明实施例的智能推荐的实施流程示意图。
历史稽核数据的改善对策和预防对策是以「文字叙述」且「中英夹杂」的方式储存,因此,本发明实施例以中英断词模型技术结合自定义词典为基底,再利用词袋模型结合文字探勘算法让训练数据保持最佳状态,最后透过卷积神经网络、深度学习算法、机器学习算法进行模型训练、分类,最后推荐最佳的改善对策和预防对策。
首先,对质量问题的原始数据执行数据清洗与前处理操作,包括数据标签化、中英断词模型及建立质量关键词词袋。
图4是本发明实施例的智能推荐算法的数据清洗/前处理的实施流程示意图。
针对中英参杂的质量数据库,做断词切割是一件很复杂的问题。本发明方法先采用隐藏式马可夫模型(Hidden Markov Model,HMM)进行断词,并调整断词结果和剔除赘词,建立独有的质量词典。依据专家知识校正得到最合适的质量中英断词模型;最后以该模型重新进行断词,调整断词结果和剔除赘词,建立最终质量词袋模型。
根据过往的每条质量问题纪录,依据问题类别、发生工段与问题真因建立标准化类别,再分别将问题配上对应的卷标,使历史数据得以划分类别,并建立语意分类数据库。
关于智能推荐算法中的模型训练的训练模型更新,本发明方法经实验与测试后选择效果最佳的卷积神经网络(Convolution Neural Network,CNN)模型作为预测分类的基底,并加入前处理和调参训练,设计多种不同的参数组合,以再次训练调整提高模型预测的准确度。
在卷积神经网络(CNN)架构上,本发明方法采用2层卷积层搭配全局最大池化层(global max pooling layer),保留主要的特征同时减少参数和计算量。同时,使用全连接层(Dense),对前面设计的特征做加权和,将学到的「分布式特征表示」映像到样本标记空间的作用,并接上Sofmax函数,使其以机率方式呈现各类别的分数。在模型的损失函数上使用交叉熵函数(Cross Entropy)来计算预测的概率分布和真实答案的概率分布之间的距离,使模型的预测达到优化。优化函数上采用梯度下降法(Gradient Descent)的改良方法,即Adam算法,依据损失函数对每个参数的梯度一阶矩阵估计和二阶矩阵估计,来动态调整每个参数的学习速率。此外,透过使用动量(参数的移动平均数)来改善传统梯度下降,促进超参数动态调整
在调整参数后进一步提升准确率到91.01%。最终以此作为质量问题预测类别之模型,并为后续推荐改善对策(Corrective Action,CA)与预防对策(Preventive Action,PA)时重要的类别依据。
关于智能推荐算法中的模型训练的CA/PA排名计算,智能推荐改善对策(CA)和预防对策(PA)是推荐中最重要的环节,不仅可以活化过往问题处理的经验,更可以辅导新进人员应对问题采取对策。
此排名计算的重点在于从过往对策执行的数据库中找出与现况发生问题最相近的叙述,并推荐出相应的对策。因此,在本发明实施例中,制定改善对策(CA)与预防对策(PA)的评鉴公式,将过往重复性高的问题给予降低权重,可有效解决的对策提高权重。另外,加入专业领域的人员对于CA、PA之评鉴分数,结合此两项分数总和做为历史里每一项对策之分数。推荐CA、PA时即会依照此排名分数再结合关键词链接做出最终的推荐。
图5是本发明实施例的智能推荐算法中CA/PA排名计算逻辑的示意图。
关于智能推荐算法中的预测模型,要智能推荐最佳的改善对策(CA)和预防对策(PA),需先将发现的质量问题依主题分类。在确立类别后,系统对应相同类别的信息纳入判别,进行关键词搜寻和语句相似度搜寻,将数据库中「关键词符合度高」和「句子相似度高」的排序在前方,接着,结合专家知识的评鉴分数的排名计算,进行组内的排名,最后依据排名分数高低推荐改善对策和预防对策。改善对策和预防对策供使用者参考并对语句任意编辑,确实解决问题,并使其再次成为重要的推荐对策存入数据库中,丰富数据广度。
步骤S17,取得最佳的改善对策(CA)和预防对策(PA)后,根据改善对策(CA)对各稽核单位执行改善行为以解决问题点,并且根据预防对策(PA)对各稽核单位执行预防行为,以避免未来再发生相同问题。
图6是本发明实施例的电子装置的硬件架构示意图。电子装置200,例如,智能设备B,但不仅限于,可通过系统总线相互通信连接处理器210、内存220以及智能质量管理系统230,图6仅示出了具有组件210-230的电子装置200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述内存220至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型内存(例如,SD或DX内存等)、随机访问内存(RAM)、静态随机访问内存(SRAM)、只读存储器(ROM)、电可擦除可程序设计只读存储器(EEPROM)、可程序设计只读存储器(PROM)、磁性内存、磁盘、光盘等。在一些实施例中,所述内存220可以是所述电子装置200的内部存储单元,例如电子装置200的硬盘或内存。在另一些实施例中,所述内存也可以是所述电子装置200的外部存储设备,例如所述电子装置200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述内存220还可以既包括所述电子装置200的内部存储单元也包括其外部存储设备。本实施例中,所述内存220通常用于存储安装于所述电子装置200的操作系统和各类应用软件,例如智能质量管理系统230的程序代码等。此外,所述内存220还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器210在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。所述处理器210通常用于控制所述电子装置200的总体操作。本实施例中,所述处理器210用于运行所述内存220中存储的程序代码或者处理数据,例如,运行所述智能质量管理系统230等。
需要说明的是,图2仅为举例说明电子装置200。在其他实施例中,电子装置200也可以包括更多或者更少的组件,或者具有不同的组件配置。
图7是本发明实施例的电子装置的功能方块图,其用于执行智能质量管理方法。本发明实施例的智能质量管理方法可由储存媒体中的计算机程序来实现,例如,电子装置200中的内存220。当实现本发明方法的计算机程序由处理器210加载到内存220时,驱动行装置200的处理器210执行本发明实施例的智能质量管理方法。
本发明实施例的电子装置200包括Heatmap风险管理模块310、智能稽核排配模块320、处理模块330、智能推荐模块340与执行模块350。
建立质量状况Heatmap风险平台
在本阶段中,对稽核资料进行统计分析,将工厂内的质量问题风险逐一纪录在系统中,并以涵盖过去7期并加上当期的所有数据,建立风险管控接口呈现风险热区。Heatmap风险平台可整合多个工厂的问题类别与问题明细及对应的时间相依RPN与失效模式与影响分析(Process Failure Mode and Effects Analysis,PFMEA),透过颜色管理的手法显示问题严重性、柏拉图呈现问题主因,并且利用「问题类别」、「制造事业处」、「重复发生之问题」等卷标整合统计数据,供管理者在最短时间掌握集团内所有质量风险问题。
Heatmap风险管理模块310根据稽核相关数据与时间相依风险优先指数(RPN)公式计算需求数据与参数配置。以Python-Pandas、Python-Numpy、C++为主建构Time DependentRPN算法,并以Django打造应用程序编程接口(API)服务。
现有常见RPN公式只反应出当下工厂问题严重度,并没有办法侦测、惩罚过去问题严重度较高之项目。因此,本发明实施例将时间权重结合进公式,依使用者需求设计严重性相应参数,计算出本发明实施例的时间相依RPN算法。本发明实施例的间相依RPN算法公式如下:
其中,Security(S))為严重性,Occurrence(O)為发生率,Detection(D)為侦测度,i为季度,i=1,...,8(Quarters),N为问题,j=1,...,N(Questions),k为事件种类,k=1,...,Ki,j(Event Type),且m=1,...,Mi,j,k。
举例来说,在FY21财政年度的第3季度,查表可知问题点为4.7.1,对应所述问题点有2个质量事件,事件种类为Quality Incident,,此时m=2。在FY21财政年度的第4季度,查表可知问题点4.7.3,对应所述问题点有3个质量事件,事件种类为Internal ProgressiveAudit,此时m=3。
所述时间相依RPN算法结合严重性、发生率、侦测度、PFMEA Score,组成具有独创性的算法,达成可依据「时间关系」、「问题类别」、「发生次数」和「风险性」权衡问题严重的分数,并量化所有质量风险问题的创新指针。
Heatmap风险管理模块310根据所述需求数据与所述参数配置产生热区图风险界面(Heatmap Risk Interface)。通过API串联数据库PostgreSQL及前端html、css、Vue.js等网络应用框架,建构热区图界面及其他可视化界面。
制定智能稽核排配计划
智能稽核排配模块320通过所述热区图风险界面制定智能稽核排配算法,以自动产生稽核计划。
根据Heatmap质量讯息、客户的稽核规范和创新的时间相依RPN算法制定智能稽核排配算法,以自动产生稽核计划。
图8是本发明实施例的智能稽核排配模块的功能方块图。本发明实施例的320包括选取单元3210、计算单元3220、判断单元3230与设置单元3240。
选取单元3210选取目前时间周期需稽核的N个稽核单位及M个问题点。
计算单元3220计算K个问题的RPN值,K个问题包括目前时间周期加上前七个时间周期,并且计算每个稽核单位的问题点的RPN值。
选取单元3210选取RPN值的排行在第X之前的稽核单位。
判断单元3230判断目前的时间周期是否为循环周期中的第一周。若非为所述循环周期中的第一周,判断单元3230判断选取的稽核单位是否有重复的稽核单位,若有重复的稽核单位,则剔除重复的稽核单位。
若目前的时间周期为循环周期中的第一周,若没有重复的稽核单位,则表示完成N个稽核单位的选取。接着,选取单元3210在M个问题点中选取前Y大RPN的问题点与次Z大RPN的问题点,Y+Z=M。前Y大问题点为最严重的问题点,问题点重复也没关系,且要排定每周稽核。次Z大问题点为次严重的问题点,以一轮中不重复稽核为原则。
判断单元3230判断目前的时间周期是否为循环周期中的第一周,若非为所述循环周期中的第一周,判断选取的问题点中是否有重复的问题点,若有重复的问题点,剔除重复的问题点。
选取前Y大RPN的问题点后,或是当目前的时间周期为循环周期中的第一周,或是当没有重复的问题点时,则表示完成M个问题点的选取。接着,判断单元3230判断在默认时间(例如,一个月)内是否发生质量事件。
若发生至少一个质量事件,设置单元3240将选取的问题点设置成跨稽核单位项目。若未发生质量事件,设置单元3240分配L个RPN值较高的问题点给每一个稽核单位,然后进入下一个时间周期的稽核。
处理模块330通知稽核单位检查稽核时间与稽核团队,且根据所述稽核计划执行稽核程序并选取问题点,包括:在数据库中产生新质量案件(New Quality Case),填写寻找与根本原因(Root Cause)的描述等等。
智能推荐算法
智能推荐模块340对所述问题点进行智慧根本原因类别建议,根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策。
图3是本发明实施例的智能推荐的实施流程示意图。
历史稽核数据的改善对策和预防对策是以「文字叙述」且「中英夹杂」的方式储存,因此,本发明实施例以中英断词模型技术结合自定义词典为基底,再利用词袋模型结合文字探勘算法让训练数据保持最佳状态,最后透过卷积神经网络、深度学习算法、机器学习算法进行模型训练、分类,最后推荐最佳的改善对策和预防对策。
首先,对质量问题的原始数据执行数据清洗与前处理操作,包括数据标签化、中英断词模型及建立质量关键词词袋。
图4是本发明实施例的智能推荐算法的数据清洗/前处理的实施流程示意图。
针对中英参杂的质量数据库,做断词切割是一件很复杂的问题。本发明方法先采用隐藏式马可夫模型(Hidden Markov Model,HMM)进行断词,并调整断词结果和剔除赘词,建立独有的质量词典。依据专家知识校正得到最合适的质量中英断词模型;最后以该模型重新进行断词,调整断词结果和剔除赘词,建立最终质量词袋模型。
根据过往的每条质量问题纪录,依据问题类别、发生工段与问题真因建立标准化类别,再分别将问题配上对应的卷标,使历史数据得以划分类别,并建立语意分类数据库。
关于智能推荐算法中的模型训练的训练模型更新,本发明方法经实验与测试后选择效果最佳的卷积神经网络(Convolution Neural Network,CNN)模型作为预测分类的基底,并加入前处理和调参训练,设计多种不同的参数组合,以再次训练调整提高模型预测的准确度。
在卷积神经网络(CNN)架构上,本发明方法采用2层卷积层搭配全局最大池化层(global max pooling layer),保留主要的特征同时减少参数和计算量。同时,使用全连接层(Dense),对前面设计的特征做加权和,将学到的「分布式特征表示」映像到样本标记空间的作用,并接上Sofmax函数,使其以机率方式呈现各类别的分数。在模型的损失函数上使用交叉熵函数(Cross Entropy)来计算预测的概率分布和真实答案的概率分布之间的距离,使模型的预测达到优化。优化函数上采用梯度下降法(Gradient Descent)的改良方法,即Adam算法,依据损失函数对每个参数的梯度一阶矩阵估计和二阶矩阵估计,来动态调整每个参数的学习速率。此外,透过使用动量(参数的移动平均数)来改善传统梯度下降,促进超参数动态调整
在调整参数后进一步提升准确率到91.01%。最终以此作为质量问题预测类别之模型,并为后续推荐改善对策(Corrective Action,CA)与预防对策(Preventive Action,PA)时重要的类别依据。
关于智能推荐算法中的模型训练的CA/PA排名计算,智能推荐改善对策(CA)和预防对策(PA)是推荐中最重要的环节,不仅可以活化过往问题处理的经验,更可以辅导新进人员应对问题采取对策。
此排名计算的重点在于从过往对策执行的数据库中找出与现况发生问题最相近的叙述,并推荐出相应的对策。因此,在本发明实施例中,制定改善对策(CA)与预防对策(PA)的评鉴公式,将过往重复性高的问题给予降低权重,可有效解决的对策提高权重。另外,加入专业领域的人员对于CA、PA之评鉴分数,结合此两项分数总和做为历史里每一项对策之分数。推荐CA、PA时即会依照此排名分数再结合关键词链接做出最终的推荐。
图5是本发明实施例的智能推荐算法中CA/PA排名计算逻辑的示意图。
关于智能推荐算法中的预测模型,要智能推荐最佳的改善对策(CA)和预防对策(PA),需先将发现的质量问题依主题分类。在确立类别后,系统对应相同类别的信息纳入判别,进行关键词搜寻和语句相似度搜寻,将数据库中「关键词符合度高」和「句子相似度高」的排序在前方,接着,结合专家知识的评鉴分数的排名计算,进行组内的排名,最后依据排名分数高低推荐改善对策和预防对策。改善对策和预防对策供使用者参考并对语句任意编辑,确实解决问题,并使其再次成为重要的推荐对策存入数据库中,丰富数据广度。
执行模块350取得最佳的改善对策(CA)和预防对策(PA)后,根据改善对策(CA)对各稽核单位执行改善行为以解决问题点,并且根据预防对策(PA)对各稽核单位执行预防行为,以避免未来再发生相同问题。
所述电子装置200集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁盘、光盘、计算机内存、只读存储器、随机存取内存、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
可以理解的是,以上所描述的模块划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能模块可以集成在相同处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在相同单元中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对本领域的普通技术人员来说,可以根据本发明实施例提供的技术方案和技术构思结合生成的实际需要做出其他相应的改变或调整,而这些改变和调整都应属于本发明权利要求的保护范围。
Claims (10)
1.一种智能质量管理方法,应用于电子装置中,其特征在于,所述方法包括:
根据稽核相关资料与时间相依风险优先指数公式计算需求数据与参数配置;
根据所述需求数据与所述参数配置产生热区图风险界面;
通过所述热区图风险界面制定智能稽核排配算法以自动产生稽核计划;
通知稽核单位检查稽核时间与稽核团队,且根据所述稽核计划执行稽核程序并选取多个问题点;
对所述多个问题点进行智慧根本原因类别建议;
根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策;及
根据所述改善对策对各稽核单位执行改善行为以解决问题点,并且根据预防对策所述对各稽核单位执行预防行为。
2.如权利要求1所述的智能质量管理方法,其特征在于,所述通过所述热区图风险界面制定智能稽核排配算法以自动产生稽核计划还包括:
选取目前时间周期需稽核的N个稽核单位及M个问题点;
计算K个问题的时间相依风险优先指数(Time Dependent Risk Priority Number,RPN)值;
计算所述N个稽核单位的每个稽核单位的问题点的RPN值;
选取RPN值的排行在第X之前的稽核单位;
判断目前的时间周期是否为循环周期中的第一周;
若非为所述循环周期中的第一周,判断所述选取的稽核单位是否有重复的稽核单位;
若有重复的稽核单位,则剔除重复的稽核单位;
若目前的时间周期为循环周期中的第一周,或是没有重复的稽核单位,则表示完成所述N个稽核单位的选取,接着在所述M个问题点中选取前Y大RPN的问题点与次Z大RPN的问题点,Y+Z=M;
判断目前的时间周期是否为循环周期中的第一周;
若非为所述循环周期中的第一周,判断所述选取的问题点中是否有重复的问题点;
若有重复的问题点,剔除重复的问题点;
在选取前Y大RPN的问题点后,或是当目前的时间周期为循环周期中的第一周,或是若没有重复的问题点,则表示完成所述M个问题点的选取,接着判断在预设时间内是否发生任一质量事件;
若发生至少一个质量事件,则将所述选取的问题点设置成跨稽核单位项目;
若未发生质量事件,分配L个RPN值较高的问题点给每一个稽核单位;及
进入下一个时间周期的稽核。
3.如权利要求1所述的智能质量管理方法,其特征在于,还包括:
所述稽核程序包括产生新质量案件(New Quality Case),填写寻找与根本原因(RootCause)的描述。
5.如权利要求1所述的智能质量管理方法,其特征在于,还包括:
通过应用程序编程接口串联数据库PostgreSQL及前端html、css、Vue.js等网络应用框架,建构所述热区图风险界面。
6.如权利要求1所述的智能质量管理方法,其特征在于,还包括:
对所述多个问题点的原始数据进行数据清洗与前处理、模型训练及建立预测模型;
所述数据清洗与前处理包括数据标签化、中英断词模型与建立质量关键词词袋;
所述模型训练包括训练模型更新与改善对策和预防对策排名计算;及
所述建立预测模型包括质量问题主因预测与改善对策和预防对策推荐。
7.如权利要求6所述的智能质量管理方法,其特征在于,所述改善对策和预防对策排名计算还包括:
从过往对策执行的数据库中找出与现况发生问题最相近的叙述,并推荐出相应的对策;
其中,计算所述改善对策和预防对策排名的评鉴分数为W1+W2,其中,W1是将重复属性评鉴分数降低,W2是专业人员评分有效性。
8.一种电子装置,其特征在于,包括:
风险管理模块,用于根据稽核相关数据与时间相依风险优先指数公式计算需求数据与参数配置,并根据所述需求资料与所述参数配置产生热区图风险界面;
智能稽核排配模块,用于通过所述热区图风险界面制定智能稽核排配算法以自动产生稽核计划;
处理模块,用于通知稽核单位检查稽核时间与稽核团队,且根据所述稽核计划执行稽核程序并选取多个问题点;
智能推荐模块,用于对所述多个问题点进行智慧根本原因类别建议,并根据所述根本原因类别建议对所述多个问题点进行智慧修正行为与预防行为建议,以取得最佳的改善对策和预防对策;及
执行模块,用于根据所述改善对策对各稽核单位执行改善行为以解决问题点,并且根据预防对策所述对各稽核单位执行预防行为。
9.如权利要求8述的电子装置,其特征在于,所述智能稽核排配模块还包括:
选取单元,用于选取目前时间周期需稽核的N个稽核单位及M个问题点;
计算单元,用于计算K个问题的时间相依风险优先指数(Time Dependent RiskPriority Number,RPN)值,并且计算所述N个稽核单位的每个稽核单位的问题点的RPN值;
其中,所述选取单元选取RPN值的排行在第X之前的稽核单位;
判断单元,用于判断目前的时间周期是否为循环周期中的第一周,若非为所述循环周期中的第一周,判断所述选取的稽核单位是否有重复的稽核单位,及若有重复的稽核单位,则剔除重复的稽核单位;
若目前的时间周期为循环周期中的第一周,或是没有重复的稽核单位,则表示完成所述N个稽核单位的选取,接着在所述M个问题点中选取前Y大RPN的问题点与次Z大RPN的问题点,Y+Z=M;
其中,所述判断单元判断目前的时间周期是否为循环周期中的第一周,若非为所述循环周期中的第一周,判断所述选取的问题点中是否有重复的问题点,若有重复的问题点,剔除重复的问题点,在选取前Y大RPN的问题点后,或是当目前的时间周期为循环周期中的第一周,或是若没有重复的问题点,则表示完成所述M个问题点的选取,判断在预设时间内是否发生任一质量事件;及
设置单元,用于若发生至少一个质量事件,则将所述选取的问题点设置成跨稽核单位项目,若未发生质量事件,分配L个RPN值较高的问题点给每一个稽核单位,然后进入下一个时间周期的稽核。
10.一种存储介质,其上存储有至少一条计算机指令,其特征在于,所述指令由处理器并加载执行如权利要求1-7任意一项所述的智能质量管理方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688166.7A CN115577890A (zh) | 2021-06-21 | 2021-06-21 | 智能质量管理方法、电子装置及存储介质 |
TW110126842A TWI833098B (zh) | 2021-06-21 | 2021-07-21 | 智慧品質管理方法、電子裝置及電腦可讀儲存媒體 |
US17/400,478 US11829111B2 (en) | 2021-06-21 | 2021-08-12 | Intellectual quality management method, electronic device and computer readable storage medium |
US18/202,901 US20230297037A1 (en) | 2021-06-21 | 2023-05-27 | Intellectual quality management method, electronic device and computer readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688166.7A CN115577890A (zh) | 2021-06-21 | 2021-06-21 | 智能质量管理方法、电子装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577890A true CN115577890A (zh) | 2023-01-06 |
Family
ID=84490134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688166.7A Pending CN115577890A (zh) | 2021-06-21 | 2021-06-21 | 智能质量管理方法、电子装置及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11829111B2 (zh) |
CN (1) | CN115577890A (zh) |
TW (1) | TWI833098B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230089308A1 (en) * | 2021-09-23 | 2023-03-23 | Google Llc | Speaker-Turn-Based Online Speaker Diarization with Constrained Spectral Clustering |
US11853915B1 (en) * | 2022-11-03 | 2023-12-26 | Xcel Energy Inc. | Automated screening, remediation, and disposition of issues in energy facilities |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7006992B1 (en) * | 2000-04-06 | 2006-02-28 | Union State Bank | Risk assessment and management system |
US20020194040A1 (en) * | 2001-06-15 | 2002-12-19 | Kornfein Mark Mitchell | Computerized systems and methods for accessing and displaying project risk management information |
US7035769B2 (en) * | 2001-12-26 | 2006-04-25 | Stmicroelectronics S.R.L. | Design failure mode effect analysis (DFMEA) |
US7263510B2 (en) * | 2003-06-18 | 2007-08-28 | The Boeing Company | Human factors process failure modes and effects analysis (HF PFMEA) software tool |
US7698148B2 (en) * | 2003-09-12 | 2010-04-13 | Raytheon Company | Web-based risk management tool and method |
US7412632B2 (en) * | 2003-11-25 | 2008-08-12 | Ford Motor Company | Method to facilitate failure modes and effects analysis |
US7006878B2 (en) * | 2004-02-05 | 2006-02-28 | Ford Motor Company | Computer-implemented method for analyzing a problem statement based on an integration of Six Sigma, Lean Manufacturing, and Kaizen analysis techniques |
US8019554B2 (en) * | 2005-03-30 | 2011-09-13 | Ethicon, Inc. | Predictive indicator model |
US20080312983A1 (en) * | 2007-06-15 | 2008-12-18 | American Express Travel Related Services Co., Inc. | Dynamic risk management |
US20100042451A1 (en) * | 2008-08-12 | 2010-02-18 | Howell Gary L | Risk management decision facilitator |
US8260653B1 (en) * | 2009-07-23 | 2012-09-04 | Bank Of America Corporation | Computer-implemented change risk assessment |
US20120254044A1 (en) * | 2011-04-01 | 2012-10-04 | Caterpillar Inc. | Graphical user interface for failure mode and effect analysis |
US20140052494A1 (en) * | 2012-08-16 | 2014-02-20 | Bank Of America | Identifying Scenarios and Business Units that Benefit from Scenario Planning for Operational Risk Scenario Analysis Using Analytical and Quantitative Methods |
TW201413605A (zh) * | 2012-09-18 | 2014-04-01 | Askey Computer Corp | 產品品質改善回饋方法 |
US9430311B2 (en) * | 2013-07-23 | 2016-08-30 | Halliburton Energy Services, Inc. | Cause and effect mapping for failure mode effect analysis creation and risk management |
CN104750979B (zh) * | 2015-03-13 | 2017-12-15 | 上海交通大学 | 面向体系结构的综合化风险优先数计算方法 |
US11023812B2 (en) * | 2017-08-28 | 2021-06-01 | Bank Of America Corporation | Event prediction and impact mitigation system |
-
2021
- 2021-06-21 CN CN202110688166.7A patent/CN115577890A/zh active Pending
- 2021-07-21 TW TW110126842A patent/TWI833098B/zh active
- 2021-08-12 US US17/400,478 patent/US11829111B2/en active Active
-
2023
- 2023-05-27 US US18/202,901 patent/US20230297037A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US11829111B2 (en) | 2023-11-28 |
US20230297037A1 (en) | 2023-09-21 |
US20220404778A1 (en) | 2022-12-22 |
TWI833098B (zh) | 2024-02-21 |
TW202301216A (zh) | 2023-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102026304B1 (ko) | Esg 기반의 기업 평가 수행 장치 및 이의 작동 방법 | |
US8495002B2 (en) | Software tool for training and testing a knowledge base | |
CN107480141B (zh) | 一种基于文本和开发者活跃度的软件缺陷辅助分派方法 | |
US20230297037A1 (en) | Intellectual quality management method, electronic device and computer readable storage medium | |
US20140365403A1 (en) | Guided event prediction | |
CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
CN112232944B (zh) | 一种评分卡创建方法、装置和电子设备 | |
CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
CN114638498A (zh) | Esg评价方法、系统、电子设备及存储设备 | |
CN115203167A (zh) | 数据检测方法、装置、计算机设备和存储介质 | |
CN112419029A (zh) | 类金融机构风险监控方法、风险模拟系统及存储介质 | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN114037518A (zh) | 风险预测模型的构建方法、装置、电子设备和存储介质 | |
CN117522132A (zh) | 供应商风险评估系统及应用方法 | |
CN115660451A (zh) | 基于rpa的供应商风险预警方法、装置、设备及介质 | |
CN111221704B (zh) | 一种确定办公管理应用系统运行状态的方法及系统 | |
CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
CN118095270B (zh) | 一种逻辑分析图的构建方法、装置、电子设备及存储介质 | |
US11809980B1 (en) | Automatic classification of data sensitivity through machine learning | |
CN111191885A (zh) | 一种基于风险矩阵的风控识别系统 | |
CN117808353A (zh) | 基于Stacking算法的教学评分预测方法、装置及电子设备 | |
CN116629926A (zh) | 一种复购预测模型训练方法、复购预测方法及装置 | |
CN113554519A (zh) | 一种医保支出风险分析方法及系统 | |
CN117762914A (zh) | 一种数据质量检测方法及系统 | |
CN118364336A (zh) | 一种易投诉用户预测方法、系统及存储介质 |
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 |