CN115630847B - 一种基于数据预测的收发组件检测方法、系统及存储介质 - Google Patents
一种基于数据预测的收发组件检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115630847B CN115630847B CN202211566428.3A CN202211566428A CN115630847B CN 115630847 B CN115630847 B CN 115630847B CN 202211566428 A CN202211566428 A CN 202211566428A CN 115630847 B CN115630847 B CN 115630847B
- Authority
- CN
- China
- Prior art keywords
- processing
- data
- characteristic information
- risk
- procedure
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 title claims description 34
- 238000000034 method Methods 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims abstract description 127
- 238000004364 calculation method Methods 0.000 claims abstract description 72
- 238000003754 machining Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005094 computer simulation Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 10
- 238000011056 performance test Methods 0.000 description 13
- 230000007547 defect Effects 0.000 description 4
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/40—Transceivers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于数据预测的收发组件检测方法、系统及存储介质,涉及智能化加工技术领域,包括:在收发组件的生产加工过程中,实时检测获取生产加工过程中各个工序的加工信息;根据工序的加工信息进行分析,提取工序加工中的多个特征信息数据,并通过第一计算模型进行计算工序的加工质量指标;根据各个工序的加工质量指标,通过第二计算模型进行收发组件的加工质量风险预测,获得收发组件的加工质量风险预测值;根据加工质量风险预测值判断风险等级;根据风险等级确定抽检的收发组件。本发明的优点在于:进行收发组件的加工质量风险预测,可有效的甄别出生产加工的收发组件中的不良品,防止不良品流入市场,造成经济损失的情况出现。
Description
技术领域
本发明涉及智能化加工技术领域,具体是涉及一种基于数据预测的收发组件检测方法、系统及存储介质。
背景技术
收发组件是信号转换的一种装置,通常是指光纤收发器。光纤收发器的出现,将双绞线电信号和光信号进行相互转换,确保了数据包在两个网络间顺畅传输,同时它将网络的传输距离极限从铜线的100米扩展到100公里。
在收发组件的生产加工费过程中,为防止不良品流入市场,因此需要对生产加工的收发组件进行性能测试,性能测试包括光发射组件检测、光接收组件检测、变频振动试验、高温试验和低温试验等多种试验,流程繁琐,因此不可能实现针对于每一个收发组件均进行性能测试,现有技术通常采用的方式为抽检,既在所有生产加工的收发组件中按照一定比例进行抽取一部分进行性能测试,这种方式默认所有生产加工的收发组件发生不良的概率相同,然而在实际的加工过程中,由于收发组件在加工工序中存在着差异,每一件收发组件发生不良的风险均不相同,采用整体抽检的方式难以精准的筛选出不良品,易导致不良品流入市场,造成经济损失。
发明内容
为解决上述技术问题,提供一种基于数据预测的收发组件检测方法、系统及存储介质,本技术方案解决了上述的现有技术通常采用的方式为抽检,既在所有生产加工的收发组件中按照一定比例进行抽取一部分进行性能测试,这种方式默认所有生产加工的收发组件发生不良的概率相同,然而在实际的加工过程中,由于收发组件的加工工序存在着差异,每一件收发组件发生不良的风险均不相同,采用整体抽检的方式难以精准的筛选出不良品,易导致不良品流入市场,造成经济损的问题。
为达到以上目的,本发明采用的技术方案为:
一种基于数据预测的收发组件检测方法,包括:
在收发组件的生产加工过程中,实时检测获取生产加工过程中各个工序的加工信息;
根据工序的加工信息进行分析,提取工序加工中的多个特征信息数据,并通过第一计算模型进行计算工序的加工质量指标,所述第一计算模型的输入为工序加工中的多个特征信息数据,输出为工序的加工质量指标;
根据生成加工过程中的各个工序的加工质量指标,通过第二计算模型进行收发组件的加工质量风险预测,获得收发组件的加工质量风险预测值,所述第二计算模型输入为各个工序的加工质量指标,输出为收发组件的加工质量风险预测值;
判断收发组件的加工质量风险预测值是否大于第一预设值,若是,则判断为风险概率高,若否,则判断收发组件的加工质量风险预测值是否大于第二预设值,若是,则判断为风险概率中,若否,则判断为风险概率低;
对判定为风险概率高的所有收发组件均进行性能测试,对判定为风险概率中和风险概率低的收发组件按照设定的抽检比例进行随机抽选收发组件进行性能测试,所述性能测试包括光发射组件检测、光接收组件检测、变频振动试验、高温试验和低温试验。
优选的,所述第一计算模型的表达式为:
t为特征信息的采集时间间隔;
T为特征信息的总采集时间;
N为特征信息采集量集合;
优选的,所述第一计算模型的训练过程为:
在收发组件的多个历史生产加工过程中,获取各个工序的多组历史特征信息数据,所述特征信息数据包括特征信息的采集时间间隔、特征信息的总采集时间和特征信息采集量;
将相同工序的多组历史特征信息的采集时间间隔、特征信息的总采集时间和特征信息采集量代入第一计算模型中,同时输入每组历史特征信息数据对应工序的加工质量指标;
进行拟合计算工序中每个特征信息的影响权重,完成第一计算模型的训练。
优选的,多个所述第一计算模型与收发组件的生产加工过程中的多个工序为一一对应关系。
优选的,所述第二计算模型的表达式为:
式中,G为加工质量风险预测值;
n为生产加工过程中的工序总数;
优选的,所述第二计算模型的训练过程为:
在收发组件的多个历史生产加工过程中,获取多组收发组件历史加工数据;
按照是否合格对收发组件历史加工数据进行分类,获得若干组合格历史加工数据和不合格历史加工数据;
将每一组收发组件历史加工数据中的每个工序中的特征信息数据分别代入与该工序相对应的第一计算模型中,得到每一组收发组件历史加工数据的工序的加工质量指标;
根据合格历史加工数据的工序的加工质量指标和不合格历史加工数据的工序的加工质量指标对第二计算模型中的参数以最大似然法进行参数估计,获得模型回归系数;
检验模型回归系数是否满足显著性要求,若不满足则重新进行模型回归系数计算,直至检验模型回归系数满足显著性要求;
完成第二计算模型的训练。
优选的,所述判定为风险概率中的收发组件的抽检比例高于所述判定为风险概率低的收发组件的抽检比例。
进一步的,提出一种基于数据预测的收发组件检测系统,用于实现如上述的基于数据预测的收发组件检测方法,包括:
处理器,处理器用于根据采集到的各个工序的加工信息,调用第一计算模型和第二计算模型进行收发组件的加工质量风险预测、根据加工质量风险预测值对收发组件进行分类以及确定待检测收发组件;
存储器,存储器与所述处理器相耦合,所述存储器用于进行第一计算模型、第二计算模型和收发组件的生产加工中各个工序的历史加工信息的存储;
数据接收模块,数据接收模块与所述处理器电性连接,所述数据接收模块用于接收生产加工过程中各个工序的加工信息;
信号输出模块,信号输出模块与所述处理器电性连接,所述信号输出模块用于进行待检测收发组件数据的输出。
可选的,所述处理器内部集成有:
第一模型训练单元:第一模型训练单元用于进行第一计算模型的训练;
第二模型训练单元:第二模型训练单元用于进行第二计算模型的训练;
第一判断单元:第一判断单元用于进行判断收发组件的加工质量风险预测值是否大于第一预设值;
第二判断单元:第二判断单元用于进行判断收发组件的加工质量风险预测值是否大于第二预设值;
分类单元:分类单元用于根据第一判断单元和第二判断单元的判断结果将生产加工的收发组件分类为风险概率高、风险概率中和风险概率低三组;
检测确定单元:检测确定单元用途根据分类单元的分类结果以及风险概率中的收发组件的抽检比例、风险概率低的收发组件的抽检比例确定需要进行检测的收发组件。
进一步的,提出一种存储介质,其上存储有计算机可读程序,所述计算机可读程序被调用时执行如上述的基于数据预测的收发组件检测方法。
与现有技术相比,本发明的有益效果在于:
本发明提出一种基于数据预测的收发组件检测方案,在进行收发组件的性能测试前,根据收发组件的生产加工过程中的加工信息进行收发组件的加工质量风险预测,将生产加工的收发组件分类为风险概率高、风险概率中和风险概率低三种风险等级,对不同风险等级的收发组件进行针对化的抽检,可有效的甄别出生产加工的收发组件中的不良品,防止不良品流入市场,造成经济损失的情况出现。
附图说明
图1为本发明提出的基于数据预测的收发组件检测系统结构框图;
图2为本发明提出的基于数据预测的收发组件检测方法流程图;
图3为为本发明中的第一计算模型的训练方法流程图;
图4为为本发明中的第二计算模型的训练方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图1所示,一种基于数据预测的收发组件检测系统,包括:
处理器,处理器用于根据采集到的各个工序的加工信息,调用第一计算模型和第二计算模型进行收发组件的加工质量风险预测、根据加工质量风险预测值对收发组件进行分类以及确定待检测收发组件;
存储器,存储器与处理器相耦合,存储器用于进行第一计算模型、第二计算模型和收发组件的生产加工中各个工序的历史加工信息的存储;
数据接收模块,数据接收模块与处理器电性连接,数据接收模块用于接收生产加工过程中各个工序的加工信息;
信号输出模块,信号输出模块与处理器电性连接,信号输出模块用于进行待检测收发组件数据的输出。
其中,处理器内部集成有:
第一模型训练单元:第一模型训练单元用于进行第一计算模型的训练;
第二模型训练单元:第二模型训练单元用于进行第二计算模型的训练;
第一判断单元:第一判断单元用于进行判断收发组件的加工质量风险预测值是否大于第一预设值;
第二判断单元:第二判断单元用于进行判断收发组件的加工质量风险预测值是否大于第二预设值;
分类单元:分类单元用于根据第一判断单元和第二判断单元的判断结果将生产加工的收发组件分类为风险概率高、风险概率中和风险概率低三种风险等级;
检测确定单元:检测确定单元用途根据分类单元的分类结果以及风险概率中的收发组件的抽检比例、风险概率低的收发组件的抽检比例确定需要进行检测的收发组件。
上述收发组件检测系统的工作流程为:
步骤一:工作人员根据收发组件的历史加工数据通过第一模型训练单元和第二模型训练单元进行训练获得第一计算模型和第二计算模型;
步骤二:数据接收模块接收生产加工过程中各个工序的实时加工信息,并将实时加工信息输送至处理器;
步骤三:处理器根据实时加工信息,调用第一计算模型和第二计算模型进行收发组件的加工质量风险预测值计算;
步骤四:调用第一判断单元用于判断收发组件的加工质量风险预测值是否大于第一预设值,若是,则分类单元将该收发组件判定为风险概率高,若否,则调用第二判断单元判断收发组件的加工质量风险预测值是否大于第二预设值,若是,则分类单元将该收发组件判定为风险概率中,若否,则分类单元将该收发组件判定为风险概率低;
步骤五:检测确定单元获取所有判定为风险概率高的收发组件编号,同时按照风险概率中的收发组件的抽检比例在判定为风险概率中的收发组件编号中随机抽选若干收发组件编号,按照风险概率低的收发组件的抽检比例在判定为风险概率低的收发组件编号中随机抽选若干收发组件编号,将抽选的收发组件编号;
步骤六:信号输出模块将检测确定单元抽选的收发组件编号输出。
请参阅图2所示,为进一步的说明本方案,以下结合上述收发组件检测系统提出一种基于数据预测的收发组件检测方法,包括:
在收发组件的生产加工过程中,实时检测获取生产加工过程中各个工序的加工信息;
根据工序的加工信息进行分析,提取工序加工中的多个特征信息数据,并通过第一计算模型进行计算工序的加工质量指标,第一计算模型的输入为工序加工中的多个特征信息数据,输出为工序的加工质量指标;
根据生成加工过程中的各个工序的加工质量指标,通过第二计算模型进行收发组件的加工质量风险预测,获得收发组件的加工质量风险预测值,第二计算模型输入为各个工序的加工质量指标,输出为收发组件的加工质量风险预测值;
判断收发组件的加工质量风险预测值是否大于第一预设值,若是,则判断为风险概率高,若否,则判断收发组件的加工质量风险预测值是否大于第二预设值,若是,则判断为风险概率中,若否,则判断为风险概率低,其中第一预设值和第二预设值可根据实际的加工情况进行设定,第一预设值大于第二预设值;
对判定为风险概率高的所有收发组件均进行性能测试,对判定为风险概率中和风险概率低的收发组件按照设定的抽检比例进行随机抽选收发组件进行性能测试,性能测试包括光发射组件检测、光接收组件检测、变频振动试验、高温试验和低温试验。
本方案在进行收发组件的性能测试前,根据收发组件的生产加工过程中的加工信息进行收发组件的加工质量风险预测,将生产加工的收发组件分类为风险概率高、风险概率中和风险概率低三种风险等级,对于风险概率高的所有收发组件均进行性能测试,对判定为风险概率中和风险概率低的收发组件按照设定的抽检比例进行随机抽选收发组件进行性能测试,实现了收发组件生产加工过程中的针对化抽样检测,可有效的甄别出生产加工的收发组件中的不良品。
第一计算模型的表达式为:
t为特征信息的采集时间间隔;
T为特征信息的总采集时间;
N为特征信息采集量集合;
请参阅图3所示,第一计算模型的训练过程为:
在收发组件的多个历史生产加工过程中,获取各个工序的多组历史特征信息数据,特征信息数据包括特征信息的采集时间间隔、特征信息的总采集时间和特征信息采集量;
将相同工序的多组历史特征信息的采集时间间隔、特征信息的总采集时间和特征信息采集量代入第一计算模型中,同时输入每组历史特征信息数据对应工序的加工质量指标;
进行拟合计算工序中每个特征信息的影响权重,完成第一计算模型的训练。
在进行特征信息的执行分数的计算过程中,本方案中采用特征信息采集量与特征信息的标准量之间的偏差值作为计算标准,通过对在采集时间区间内的多个采集量进行偏差计算,可得出工序中的该特征信息在实际加工过程中的波动情况,依次作为该特征信息的执行分数,可有效准确的反映出工序中的该特征的实际执行状态;
由于同一工序中通常存在的多个不同的加工特征,例如钻孔加工中,存在着,钻机转速、收发组件定位精准度、钻孔速度等多个加工特征,而每个加工特征对于该工序的影响程度不同,因此在进行工序的加工质量指标计算时,需要对每个加工特征影响权重进行计算,确定每个加工特征的影响权重即可完成对于第一计算模型的求解。
多个第一计算模型与收发组件的生产加工过程中的多个工序为一一对应关系。
在收发组件的生产加工过程中,存在着多个不同加工工序,每一个加工工序的加工质量指标需要通过第一计算模型进行计算,同时不同的每个加工工序的中的加工特征不同,工作人员可选择该工序中对加工工序质量存在着影响加工特征作为第一计算模型的输入。
第二计算模型的表达式为:
式中,G为加工质量风险预测值;
n为生产加工过程中的工序总数;
请参阅图4所示,第二计算模型的训练过程为:
在收发组件的多个历史生产加工过程中,获取多组收发组件历史加工数据;
按照是否合格对收发组件历史加工数据进行分类,获得若干组合格历史加工数据和不合格历史加工数据;
将每一组收发组件历史加工数据中的每个工序中的特征信息数据分别代入与该工序相对应的第一计算模型中,得到每一组收发组件历史加工数据的工序的加工质量指标;
根据合格历史加工数据的工序的加工质量指标和不合格历史加工数据的工序的加工质量指标对第二计算模型中的参数以最大似然法进行参数估计,获得模型回归系数;
检验模型回归系数是否满足显著性要求,若不满足则重新进行模型回归系数计算,直至检验模型回归系数满足显著性要求;
完成第二计算模型的训练。
本方案中的第二计算模型是基于Logistic回归模型原理进行建立生成的,Logistic回归模型是一种广义的线性回归分析模型,常用于数据挖掘,结果预测等领域;
本方案中,通过对加工过程中的所有工序的加工质量指标进行分析计算,可有效的得出收发组件的发生不良的风险概率,以此概率作为收发组件抽检的判断标准,可实现针对于收发组件的特定化抽检。
判定为风险概率中的收发组件的抽检比例高于判定为风险概率低的收发组件的抽检比例,实际生产过程中,工作人员可根据实际的加工需求进行风险概率中的收发组件的抽检比例和风险概率低的收发组件的抽检比例确定,由于判定为风险概率低的收发组件发生不良的概率低,在实际生产过程中,可降低抽检的比例。
进一步的,本方案还提出一种存储介质,其上存储有计算机可读程序,计算机可读程序被调用时执行如上述的基于数据预测的收发组件检测方法;
可以理解的是,存储介质可以是磁性介质,例如,软盘、硬盘、磁带;光介质例如,DVD;或者半导体介质例如固态硬盘SolidStateDisk,SSD等。
综上所述,本发明的优点在于:进行收发组件的加工质量风险预测,可有效的甄别出生产加工的收发组件中的不良品,防止不良品流入市场,造成经济损失的情况出现。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种基于数据预测的收发组件检测方法,其特征在于,包括:
在收发组件的生产加工过程中,实时检测获取生产加工过程中各个工序的加工信息;
根据工序的加工信息进行分析,提取工序加工中的多个特征信息数据,并通过第一计算模型进行计算工序的加工质量指标,所述第一计算模型的输入为工序加工中的多个特征信息数据,输出为工序的加工质量指标;
根据生成加工过程中的各个工序的加工质量指标,通过第二计算模型进行收发组件的加工质量风险预测,获得收发组件的加工质量风险预测值,所述第二计算模型输入为各个工序的加工质量指标,输出为收发组件的加工质量风险预测值;
判断收发组件的加工质量风险预测值是否大于第一预设值,若是,则判断为风险概率高,若否,则判断收发组件的加工质量风险预测值是否大于第二预设值,若是,则判断为风险概率中,若否,则判断为风险概率低;
对判定为风险概率高的所有收发组件均进行性能测试,对判定为风险概率中和风险概率低的收发组件按照设定的抽检比例进行随机抽选收发组件进行性能测试,所述性能测试包括光发射组件检测、光接收组件检测、变频振动试验、高温试验和低温试验;
所述第一计算模型的表达式为:
t为特征信息的采集时间间隔;
T为特征信息的总采集时间;
N为特征信息采集量集合;
所述第二计算模型的表达式为:
式中,G为加工质量风险预测值;
n为生产加工过程中的工序总数;
2.根据权利要求1所述的一种基于数据预测的收发组件检测方法,其特征在于,所述第一计算模型的训练过程为:
在收发组件的多个历史生产加工过程中,获取各个工序的多组历史特征信息数据,所述特征信息数据包括特征信息的采集时间间隔、特征信息的总采集时间和特征信息采集量;
将相同工序的多组历史特征信息的采集时间间隔、特征信息的总采集时间和特征信息采集量代入第一计算模型中,同时输入每组历史特征信息数据对应工序的加工质量指标;
进行拟合计算工序中每个特征信息的影响权重,完成第一计算模型的训练。
3.根据权利要求2所述的一种基于数据预测的收发组件检测方法,其特征在于,多个所述第一计算模型与收发组件的生产加工过程中的多个工序为一一对应关系。
4.根据权利要求3所述的一种基于数据预测的收发组件检测方法,其特征在于,所述第二计算模型的训练过程为:
在收发组件的多个历史生产加工过程中,获取多组收发组件历史加工数据;
按照是否合格对收发组件历史加工数据进行分类,获得若干组合格历史加工数据和不合格历史加工数据;
将每一组收发组件历史加工数据中的每个工序中的特征信息数据分别代入与该工序相对应的第一计算模型中,得到每一组收发组件历史加工数据的工序的加工质量指标;
根据合格历史加工数据的工序的加工质量指标和不合格历史加工数据的工序的加工质量指标对第二计算模型中的参数以最大似然法进行参数估计,获得模型回归系数;
检验模型回归系数是否满足显著性要求,若不满足则重新进行模型回归系数计算,直至检验模型回归系数满足显著性要求;
完成第二计算模型的训练。
5.根据权利要求4所述的一种基于数据预测的收发组件检测方法,其特征在于,所述判定为风险概率中的收发组件的抽检比例高于所述判定为风险概率低的收发组件的抽检比例。
6.一种基于数据预测的收发组件检测系统,用于实现如权利要求1-5任一项所述的基于数据预测的收发组件检测方法,其特征在于,包括:
处理器,处理器用于根据采集到的各个工序的加工信息,调用第一计算模型和第二计算模型进行收发组件的加工质量风险预测、根据加工质量风险预测值对收发组件进行分类以及确定待检测收发组件;
存储器,存储器与所述处理器相耦合,所述存储器用于进行第一计算模型、第二计算模型和收发组件的生产加工中各个工序的历史加工信息的存储;
数据接收模块,数据接收模块与所述处理器电性连接,所述数据接收模块用于接收生产加工过程中各个工序的加工信息;
信号输出模块,信号输出模块与所述处理器电性连接,所述信号输出模块用于进行待检测收发组件数据的输出。
7.根据权利要求6所述的一种基于数据预测的收发组件检测系统,其特征在于,所述处理器内部集成有:
第一模型训练单元:第一模型训练单元用于进行第一计算模型的训练;
第二模型训练单元:第二模型训练单元用于进行第二计算模型的训练;
第一判断单元:第一判断单元用于进行判断收发组件的加工质量风险预测值是否大于第一预设值;
第二判断单元:第二判断单元用于进行判断收发组件的加工质量风险预测值是否大于第二预设值;
分类单元:分类单元用于根据第一判断单元和第二判断单元的判断结果将生产加工的收发组件分类为风险概率高、风险概率中和风险概率低三种风险等级;
检测确定单元:检测确定单元用途根据分类单元的分类结果以及风险概率中的收发组件的抽检比例、风险概率低的收发组件的抽检比例确定需要进行检测的收发组件。
8.一种存储介质,其特征在于,其上存储有计算机可读程序,所述计算机可读程序被调用时执行如权利要求1-5任一项所述的基于数据预测的收发组件检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566428.3A CN115630847B (zh) | 2022-12-07 | 2022-12-07 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566428.3A CN115630847B (zh) | 2022-12-07 | 2022-12-07 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630847A CN115630847A (zh) | 2023-01-20 |
CN115630847B true CN115630847B (zh) | 2023-03-28 |
Family
ID=84909870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211566428.3A Active CN115630847B (zh) | 2022-12-07 | 2022-12-07 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630847B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115808614B (zh) * | 2023-02-09 | 2023-05-16 | 四川省华盾防务科技股份有限公司 | 一种功率放大器芯片热性能监测方法、系统及存储介质 |
CN116245256B (zh) * | 2023-04-23 | 2023-07-28 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
CN116181636B (zh) * | 2023-04-28 | 2023-08-11 | 日立压缩机(常熟)有限公司 | 一种空压机密封性能智能化检测方法、系统及存储介质 |
CN116611745A (zh) * | 2023-07-20 | 2023-08-18 | 山东富力包装材料股份有限公司 | 一种基于智能制造的塑料薄膜质量评价方法及系统 |
CN116608908B (zh) * | 2023-07-21 | 2023-10-27 | 四川省华盾防务科技股份有限公司 | 一种快跳频率源异常监测系统及方法 |
CN116841269B (zh) * | 2023-07-26 | 2024-01-23 | 枣庄杰富意振兴化工有限公司 | 基于煤焦油生产流程的工艺调整方法、系统及存储介质 |
CN118244725A (zh) * | 2024-04-11 | 2024-06-25 | 东莞市世翔精密机械制造有限公司 | 一种大型偏摆落圆自动化生产控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099693A (zh) * | 2022-07-21 | 2022-09-23 | 宁波迈泰克磁材科技有限公司 | 一种烧结钕铁硼磁钢材料的生产控制方法及系统 |
CN115187026A (zh) * | 2022-06-28 | 2022-10-14 | 北京融信数联科技有限公司 | 一种产业风险监控方法、系统和可读存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
CN104485998A (zh) * | 2014-12-15 | 2015-04-01 | 北京理工大学 | 一种光通信收发组件响应时间的校准装置和方法 |
JP6953990B2 (ja) * | 2017-10-17 | 2021-10-27 | 日本製鉄株式会社 | 品質予測装置及び品質予測方法 |
CN109359894B (zh) * | 2018-11-29 | 2021-07-06 | 武汉大学 | 一种基于rpn的电力计量设备风险评价方法及装置 |
CN109447048B (zh) * | 2018-12-25 | 2020-12-25 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
CN111008648B (zh) * | 2019-11-12 | 2023-10-27 | 国网湖南省电力有限公司 | 一种纯光纤电子式电流互感器故障辨识方法、系统及介质 |
CN111814385B (zh) * | 2020-05-28 | 2023-11-17 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN114611919A (zh) * | 2022-03-09 | 2022-06-10 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种不合格产品的风险评估方法 |
CN115118357A (zh) * | 2022-08-29 | 2022-09-27 | 成都市克莱微波科技有限公司 | 一种收发组件故障检测方法、装置及存储介质 |
CN115423218B (zh) * | 2022-11-02 | 2023-03-24 | 江苏新恒基特种装备股份有限公司 | 一种针对于锻件缺陷消除工艺的预测方法及系统 |
-
2022
- 2022-12-07 CN CN202211566428.3A patent/CN115630847B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187026A (zh) * | 2022-06-28 | 2022-10-14 | 北京融信数联科技有限公司 | 一种产业风险监控方法、系统和可读存储介质 |
CN115099693A (zh) * | 2022-07-21 | 2022-09-23 | 宁波迈泰克磁材科技有限公司 | 一种烧结钕铁硼磁钢材料的生产控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115630847A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115630847B (zh) | 一种基于数据预测的收发组件检测方法、系统及存储介质 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110647539A (zh) | 一种用于车辆故障的预测方法和系统 | |
CN107907778B (zh) | 一种基于多特征参量的变压器综合故障诊断方法 | |
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN111143438A (zh) | 一种基于流处理的车间现场数据实时监测与异常检测方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN112308038A (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
CN113109666A (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
US8271233B2 (en) | Method of multi-level fault isolation design | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
CN116125242A (zh) | 对象检测方法及系统 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN118200950A (zh) | 一种电信基站的巡检方法及系统 | |
CN117763457B (zh) | 一种基于大数据分析的芯片测试数据管理系统及方法 | |
CN117131364B (zh) | 一种滚动轴承的工艺检测集成方法及系统 | |
CN117388703A (zh) | 基于改进深度残差的电容老化状态评估方法 | |
CN117196405A (zh) | 一种钢铁工业生产数据质量评价方法和评价系统 | |
CN113642198B (zh) | 一种基于可靠性增长的独立运载系统设备可靠性评估方法 | |
CN117149551B (zh) | 一种车载无线通信芯片的测试方法 | |
CN116291850B (zh) | 一种内燃机冷却液检测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |