CN116128531A - 一种产品质量异常原因追溯方法、装置、设备及存储介质 - Google Patents
一种产品质量异常原因追溯方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116128531A CN116128531A CN202310075607.5A CN202310075607A CN116128531A CN 116128531 A CN116128531 A CN 116128531A CN 202310075607 A CN202310075607 A CN 202310075607A CN 116128531 A CN116128531 A CN 116128531A
- Authority
- CN
- China
- Prior art keywords
- quality
- data
- anomaly
- historical
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 title claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 270
- 238000004519 manufacturing process Methods 0.000 claims description 44
- 230000014509 gene expression Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002301 combined effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Paper (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明提供一种产品质量异常原因追溯方法、装置、设备及存储介质,通过根据历史产品数据构建质量异常知识库,将当前质量异常表现和质量异常知识库中的历史质量异常表现进行匹配,得到异常数据频繁项集,基于异常数据频繁项集中多个质量异常数据集的出现频次,确定候选质量异常数据集,将各候质量异常数据集与当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集,将目标质量异常数据集的质量异常数据确定为当前产品的有效质量异常数据,并基于有效质量异常数据确定质量异常原因,完成产品质量异常原因追溯,通过记录产品生产全流程数据并建立质量异常表现和质量异常数据之间的关联关系,实现智能化的质量异常原因追溯。
Description
技术领域
本发明涉及工业生产领域,尤其涉及一种产品质量异常原因追溯方法、装置、设备及存储介质。
背景技术
在中国制造业转型升级、市场动态多变以及竞争日趋激烈的背景下,可靠的产品质量已经成为一个企业实现发展、适应市场变化的关键因素。然而,在产品生产过程中存在许多不同的因素可能对产品质量造成影响,且有的可能单独影响产品的质量,有的可能存在组合效应共同影响产品的质量,所以导致人们很难对产品的质量影响因素去定位和溯源。
为了更好地发现众多因素对产品质量的影响并消除其影响从而保障产品质量,通常采用控制变量的方法记录不同的影响因素对产品质量造成的实际影响,但当前的记录方式导致组合效应的多个影响之间关联不全,且记录过程高度依赖人工,其记录结果也存在较大的主观性,导致无法得到准确的产品质量异常原因。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种产品质量异常原因追溯方法、装置、设备及存储介质,以解决上述质量异常原因追溯过程高度依赖人工实现,且因为主观影响,无法得到更加准确的质量异常原因的技术问题。
本发明提供的一种产品质量异常原因追溯方法,包括:获取质量异常知识库,当前产品的当前质量异常数据,以及所述当前产品的质量异常表现,所述质量异常知识库包括多个历史产品的质量异常表现和异常数据频繁项集,以及所述质量异常表现和所述异常数据频繁项集的异常关联关系,所述异常频繁项集包括多个质量异常数据;将所述当前质量异常表现和所述质量异常知识库中的历史质量异常表现进行匹配,基于所述异常关联关系得到目标异常数据频繁项集;基于所述目标异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集;将各候质量异常数据集的质量异常数据与所述当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集;将所述目标质量异常数据集的质量异常数据确定为当前产品的有效质量异常数据,并基于所述有效质量异常数据确定质量异常原因,实现产品质量异常原因追溯。
于本发明的一个实施例中,获取质量异常知识库之前,还包括:获取多个历史产品的产品数据,所述历史产品数据包括历史质量异常表现,历史质量异常数据,以及所述历史质量异常表现和所述历史质量异常数据的异常关联关系;记录一历史产品的历史质量异常表现和历史质量异常数据,并生成一个与所述历史质量异常表现存在表现关联关系的质量异常数据集,得到全部历史产品的质量异常数据集;将相同历史质量异常表现的多个质量异常数据集整合,并记录相同质量异常数据集的出现频次,基于所述多个质量异常数据集和所述出现频次生成异常数据频繁项集;基于所述异常数据频繁项集中的异常数据,建立所述异常数据频繁项集和所述历史质量异常表现之间的异常关联关系;基于所述历史产品的历史质量异常表现和所述异常数据频繁项集,以及所述异常关联关系,构建质量异常知识库。
于本发明的一个实施例中,获取多个历史产品的质量异常数据包括:获取多个历史产品的生产全流程数据,所述生产全流程数据包括多个类别的历史质量数据;计算多个历史产品的同一类别下历史质量数据之间的均值和标准差,确定各类别历史质量数据的标准数据范围;将同一类别的所述历史质量数据和所述标准数据范围做比较,当所述历史质量数据超出所述标准数据范围,则将所述历史质量数据确定为历史质量异常数据,直到各历史产品的各历史质量数据均完成比较。
于本发明的一个实施例中,计算所述多个历史产品的任一同类别历史质量数据得到均值和标准差之前,还包括:对每个历史产品进行编码,以使每个产品具有唯一的产品编码;采集各历史产品的工艺参数和生产过程中各环节的质量数据,生成各历史产品的以产品编码为标识的截面数据,并将各历史产品的所述截面数据确定为多个历史产品的生产全流程数据。
于本发明的一个实施例中,基于所述均值和所述标准差确定各类别历史质量数据的标准数据范围,包括:将所述均值与预设倍数的标准差相加,得到所述标准数据范围的数据上限;将所述均值与预设倍数的标准差相减,得到所述标准数据范围的数据下限;将所述数据上限和数据下限之间确定为标准数据范围。
于本发明的一个实施例中,基于所述目标异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集,包括:获取所述异常频繁项集中的多个质量异常数据集的出现频次;将所述多个质量异常数据集基于所述出现频次递减的顺序排列,得到质量异常数据集序列;将所述质量异常数据集序列中前预设项数的质量异常数据集确定为候选质量异常数据集。
于本发明的一个实施例中,将各候质量异常数据集的质量异常数据与所述当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集,包括:获取所述各候选质量异常数据集的质量异常数据;将一质量异常数据集的质量异常数据与所述当前质量异常数据进行匹配,得到与当前质量异常数据相同的重复质量异常数据,并记录重复项数,直到所述当前质量异常数据与各所述候选质量异常数据集均完成匹配;将所述重复项数最大的一个候选质量异常数据集确定为目标质量异常数据集。
本发明提供一种产品质量异常原因追溯装置,包括:数据获取模块,用于获取质量异常知识库,当前产品的当前质量异常数据,以及所述当前产品的质量异常表现,所述质量异常知识库包括多个历史产品的质量异常表现和异常数据频繁项集,以及所述质量异常表现和所述异常数据频繁项集的异常关联关系,所述异常频繁项集包括多个质量异常数据;第一匹配模块,用于将所述当前质量异常表现和所述质量异常知识库中的历史质量异常表现进行匹配,基于所述异常关联关系得到目标异常数据频繁项集;候选数据确定模块,用于基于所述目标异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集;第二匹配模块,用于将各候质量异常数据集的质量异常数据与所述当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集;异常原因追溯模块,用于将所述目标质量异常数据集的质量异常数据确定为当前产品的有效质量异常数据,并基于所述有效质量异常数据确定质量异常原因,实现产品质量异常原因追溯。
本发明提供一种电子设备,所述电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如上所述的产品质量异常原因追溯方法。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行如上所述的产品质量异常原因追溯方法。
本发明的有益效果:本发明中的产品质量异常原因追溯方法,通过根据历史产品数据构建质量异常知识库,将当前质量异常表现和质量异常知识库中的历史质量异常表现进行匹配,得到异常数据频繁项集,基于异常数据频繁项集中多个质量异常数据集的出现频次,确定候选质量异常数据集,将各候质量异常数据集与当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集,将目标质量异常数据集的质量异常数据确定为当前产品的有效质量异常数据,并基于有效质量异常数据确定质量异常原因,实现产品质量异常原因追溯,通过记录产品生产全流程数据并建立质量异常表现和质量异常数据之间的关联关系,实现智能化的质量异常原因追溯,可以辅助分析人员快速定位异常原因,降低对人工经验的依赖,提升产品质量异常原因追溯过程的自动化水平和准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见的,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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。在附图中:
图1是本申请的一示例性实施例示出的产品质量异常原因追溯过程的实施环境示意图;
图2是本申请的一示例性实施例示出的产品质量异常原因追溯流程图;
图3是本申请的一示例性实施例示出的质量异常知识库的构建与应用流程图;
图4是本申请的一示例性实施例示出的产品质量异常原因追溯装置的框图;
图5示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
图1是本申请的一示例性实施例示出的产品质量异常原因追溯过程的实施环境示意图。
如图1所示,系统架构可以包括生产设备101、数据采集装置102以及计算机设备103,其中,生产设备102包括产品生产过程的每一道工序所需要的相关仪器或设备,数据采集装置102是包括多种传感器或其他任意具有数据采集功能的设备,本发明不对此做任何限制,计算机设备103可以是台式图形处理器(Graphic Processing Unit,GPU)计算机、GPU计算集群、神经网络计算机等中的至少一种。相关技术人员可以通过数据采集装置102在产品生产过程中采集任一产品在每个生产设备101上的相关产品数据,并通过计算机设备103对相关数据进行整合处理,构建质量异常知识库,从而通过自动采集当前产品的质量数据,与质量异常知识库中的数据多匹配,得到影响当前产品质量异常的质量异常数据,从而确定产品质量异常原因,实现产品质量异常原因追溯。
图2是本申请的一示例性实施例示出的产品质量异常原因追溯流程图。
如图2所示,在一示例性的实施例中,产品质量异常原因追溯方法至少包括步骤S210至步骤S250,详细介绍如下:
步骤S210,获取质量异常知识库,当前产品的当前质量异常数据,以及当前产品的质量异常表现,质量异常知识库包括多个历史产品的质量异常表现和异常数据频繁项集,以及质量异常表现和异常数据频繁项集的异常关联关系,异常频繁项集包括多个质量异常数据。
需要说明的是,在工业产品生产的各个环节,安装数采装置(数据采集装置),根据数据产生方式,按照时间顺序或按照检验批次,实时采集数据,可采用消息队列等方式传输数据,在本发明中不对数据采集方式以及数据传输方式做任何限制。
应当理解的是,在获取当前产品的生产数据之前,先基于历史产品的产品数据构建质量异常知识库,然后将当前产品的相关数据与质量异常知识库中的数据进行比对,找到与当前产品质量异常表现最相关的质量异常数据,从而基于得到的质量异常数据,根据先验知识确定导致当前产品发生质量异常的原因。
图3是本申请的一示例性实施例示出的质量异常知识库的构建与应用流程图,如图3所示,首先采集工业产品在生产过程中的全流程数据,然后将得到的生产全流程数据与质量数据建立关联关系,并根据相关的生产全流程数据生成每个生产环节的质量数据上下限范围,根据该质量数据上下限范围对得到的质量数据进行评估,得到超限的质量数据,并记录其超限情况,然后构建异常事件库(即质量异常知识库),最后基于得到的质量异常知识库中的相关数据及关联关系对当前产品的质量异常原因进行追溯。其步骤如下:
S301,采集工业生产全流程数据,即在产品生产过程中采集每个产品在每个生产环节的质量数据,此处的产品指在生产当前产品之前的历史产品。
采集历史产品的生产数据包括:对每个历史产品进行编码,以使每个产品具有唯一的产品编码;采集各历史产品的工艺参数和生产过程中各环节的质量数据,生成各历史产品的以产品编码为标识的截面数据,并将各历史产品的截面数据确定为多个历史产品的生产全流程数据。
在本发明的一个实施例中,将基于预先设置的规则,对每个产品进行编码,并在后续的每个生产环节中采集相应的质量数据,并以产品编码为唯一ID(身份标识)记录该质量数据,即建立任一产品在各生产环境中的质量数据,并形成该产品的生产全流程数据。以m个历史产品,各产品有n个生产工序为例,首先将m个历史产品进行编码,得到m个互不相同的产品编码,然后以产品编码为ID,记录各产品在每个生产工序的截面数据,从而得到m和n乘积项数的初始数据,即为历史数据。
S302,关联生产全流程与质量数据,即将得到的各产品的全流程数据与质量数据进行匹配,如关联某编号成品钢卷在生产过程中经过各架轧机的轧制力、化学成分检化验数据等。
在本发明的一个实施例中,通过识别产品编码的方式,将上述得到的m*n个质量数据进行分组,得到m组数据集合,每组数据包括n个质量数据,且该n个质量数据具有相同的ID(即相同的产品编码),属于同一产品。
S303,获取生产全流程数据及质量数据上下限,即通过得到的n个生产环节,每个生产环节的m个质量数据,确定任一质量数据的标准范围。
确定质量数据的标准范围包括:获取多个历史产品的生产全流程数据,生产全流程数据包括多个类别的历史质量数据;计算多个历史产品的同一类别下历史质量数据之间的均值和标准差,确定各类别历史质量数据的标准数据范围;将均值与预设倍数的标准差相加,得到标准数据范围的数据上限;将均值与预设倍数的标准差相减,得到标准数据范围的数据下限;将数据上限和数据下限之间确定为标准数据范围。
在本发明的一个实施例中,以将平均值的上下3个标准差形成的数据范围为标准数据范围为例。首先将上述得到的m*n项的质量数据,以生产工艺环节为条件,分为n个数据组,每组包括m个数据,分别是m个样本产品在该生产环节的质量数据。将每组数据进行加和,并计算得到每组数据的平均值和标准差。应当理解的是,在产品的整个工艺成产过程中的n个环节中,分别具有该环节对应的数据范围(如经过各架轧机的轧制力范围、化学成分检化验数据范围等)。故通过将每个环节的历史数据进行整合,得到均值和标准差,从而确定标准数据范围。以数据A为例。假设其预设的标准差倍数为3倍,且根据m个产品在A环节的历史数据,得到m个数据A,经计算得到数据A的均值为average1,其标准差为σ1,则将平均值和3倍标准差的和值确定为数据范围上限,将平均值和3倍标准差的差值确定为数据范围下限,得到数据上下限的公式如下:
A工,下=average1+3σ1 (公式1),
其中,A工,下为标准数据范围上限,average1为平均数,σ1为标准差;
A工,下=average1-3σ1 (公式2),
其中,A工,下为标准数据范围下限,average1为平均数,σ1为标准差。
以此类推,可以通过对数据A的处理方式,同理得到生产环节的其他n-1个环节中的标准数据范围。
S304,判断并记录超限数据,即将得到的m*n个产品质量数据分别与之对应的n个标准数据范围做比较,以确定该质量数据是否超限,若超限则确定为质量异常数据。
得到质量异常数据,包括:将同一类别的历史质量数据和标准数据范围做比较,当历史质量数据超出标准数据范围,则将历史质量数据确定为历史质量异常数据,直到各历史产品的各历史质量数据均完成比较。
在本发明的一个实施例中,以产品a的n个质量数据为例,将得到的n个质量数据分别与上述得到的n个标准数据范围做比较,当该某一质量数据在该标准质量数据范围内,则确定为正常数据;当某一质量数据超过该标准质量异常数据范围则确定为质量异常数据,并记录产品a的全部质量异常数据,生成质量异常数据集。
S305,构建异常事件库,即根据得到的质量数据和各产品的质量表现之间的关联关系,构建异常质量知识库。
构建质量异常知识库包括:获取多个历史产品的产品数据,历史产品数据包括历史质量异常表现,历史质量异常数据,以及历史质量异常表现和历史质量异常数据的异常关联关系;记录一历史产品的历史质量异常表现和历史质量异常数据,并生成一个与历史质量异常表现存在表现关联关系的质量异常数据集,得到全部历史产品的质量异常数据集;将相同历史质量异常表现的多个质量异常数据集整合,并记录相同质量异常数据集的出现频次,基于多个质量异常数据集和出现频次生成异常数据频繁项集;基于异常数据频繁项集中的异常数据,建立异常数据频繁项集和历史质量异常表现之间的异常关联关系;基于历史产品的历史质量异常表现和异常数据频繁项集,以及异常关联关系,构建质量异常知识库。
在本发明的一个实施例中,根据得到的m个产品的质量数据分别与n个标准质量数据范围进行比较,得到存在质量异常数据的产品共X个;记录该X个产品的总质量异常数据集,并确定该X个产品的质量异常表现;将质量异常表现相同的多个产品进行归纳统计,并根据质量异常表现将该X个产品的质量异常数据集进行分组,得到Y组质量异常数据组;然后将Y个质量异常数据集中相同的质量异常数据集进行统计,得到该质量异常数据集的出现频次,并生产该质量异常表现的异常数据频繁项集,该异常数据频繁项集中包括多个质量异常数据集和各质量异常数据集的出现频次;最后,基于质量异常表现为标识,得到每个质量异常表现对应的异常数据频繁项集,从而建立质量异常知识库,该质量异常知识库包括质量异常表现和异常数据频繁项集之间的异常关联关系。
S306,质量异常原因追溯,即将当前产品的质量异常数据与上述构建的质量异常知识库中的数据进行比较,通过对质量异常表现进行匹配,得到响应的异常数据频繁项集,从而得到质量异常数据集,确定质量异常数据,并根据先验知识,基于质量异常数据得到质量异常原因。
在本发明的一个实施例中,通过与质量异常知识库中的历史数据进行比较,得到当前产品的质量异常数据包括电流数据异常,其电流数据超过标准电流数据上限,则基于先验知识可知导致质量发生异常的原因包括电流过大。
步骤S220,将当前质量异常表现和质量异常知识库中的历史质量异常表现进行匹配,基于异常关联关系得到异常数据频繁项集。
在本发明的一个实施例中,基于上述得到的质量异常知识库,其中包括质量异常表现A,异常表现B,异常表现C,异常表现D等Y种质量异常表现,且各重量异常表现分别有与之存在异常关联关系的异常数据频繁项A、异常数据频繁项集B、异常数据频繁项集C、异常数据频繁项集D等Y个异常数据频繁项集。基于当前产品的实际质量情况,确定当前产品的质量异常表现与该质量异常知识库中的异常表现B相同,则基于该质量异常知识库得到阈值对应的异常数据频繁项集B。
步骤S230,基于异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集。
基于异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集,包括:获取异常频繁项集中的多个质量异常数据集的出现频次;将多个质量异常数据集基于出现频次递减的顺序排列,得到质量异常数据集序列;将质量异常数据集序列中前预设项数的质量异常数据集确定为候选质量异常数据集。
在本发明的一个实施例中,以上述得到的当前产品质量异常表现与质量异常知识库中的异常表现B相同,得到异常数据频繁项集B为例。该异常数据频繁项集B中包括质量异常数据集b1,b2,b3,b4,b5,b6等多个质量异常数据集,且各质量异常数据集的出现频次并不完全相同(可以相同,但不会全部相同),则基于其出现频次将多个质量异常数据集进行排序,得到其出现频次由高到低的顺序为b3,b4,b2,b1,b6,b5……根据预设条件,选择出现频次最高的4个异常数据集为候选异常数据集,即得到当前产品的候选异常数据集为b3,b4,b2,b1。
步骤S240,将各候选质量异常数据集的质量异常数据与当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集。
将各候选质量异常数据集的质量异常数据与当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集,包括:获取各候选质量异常数据集的质量异常数据;将一质量异常数据集的质量异常数据与当前质量异常数据进行匹配,得到与当前质量异常数据相同的重复质量异常数据,并记录重复项数,直到当前质量异常数据与各候选质量异常数据集均完成匹配;将重复项数最大的一个候选质量异常数据集确定为目标质量异常数据集。
在本发明的一个实施例中,以上述得到当前产品的候选异常数据集为b3,b4,b2,b1为例,将当前产品的质量异常数据集与质量异常数据集b3,b4,b2,b1分别进行比较,得到当前产品的质量异常数据集中的质量异常数据与质量异常数据集b3,b4,b2,b1中的质量异常数据相同的项数,其中与异常数据集b3的相同质量异常数据项数为α,与异常数据集b4的相同质量异常数据项数为β,与异常数据集b2的相同质量异常数据项数为γ,异常数据集b1的相同质量异常数据项数为δ,其中β>α≥δ>γ,故将相同质量异常数据项数为β的异常数据集b4确定为当前产品的目标质量异常数据集。
应当理解的是,此处所涉及的重复质量异常数据是指在当前产品的异常数据集和基于前述方法得到的候选异常数据集中重复出现的异常数据类别,以候选数异常数据集b1为例,其数据集中包括异常数据A1,B1,C1,D1,E1,F1,G1,H1;当前产品的当前异常数据集包括异常数据A0,B0,D0,E0,G0,H0,I0,J0;则得到当前异常数据集和候选异常数据集b1的重复异常数据为A,B,D,E,G,H,异常数据集b1的相同质量异常数据项数δ等于6。
步骤S250,将目标质量异常数据集的质量异常数据确定为当前产品的有效质量异常数据,并基于有效质量异常数据确定质量异常原因,实现产品质量异常原因追溯。
在本发明的一个实施例中,以上述确定异常数据集b4为当前产品的目标质量异常数据集为例,基于异常数据集b4得到其包括的多个质量异常数据,并将该多个质量异常数据确定为当前产品的质量异常数据,以此基于先验知识确定当前产品的质量异常原因。一般来说,在确定质量异常数据之后可通过质量异常数据的表现直接得到质量异常原因,以得到当前产品的质量异常数据包括电流数据异常为例,通过比较得到其电流数据超过标准电流数据上限,则基于先验知识可知导致质量发生异常的原因是电流过大,而导致电流过大的原因可能是设备过载或其他,可通过其他具体方式进一步确定,本发明对此不作任何限制。
应当理解的是,当某一产品在生产过程中可能存在多个质量数据发生异常的情况,但是并不是每一个发生异常的质量数据都是最后的质量异常现象或结果的直接原因。比如某陶瓷产品在生产环节,存在空气流动性过大的情况,但是实际的质量异常表现是颜色不正,根据经验知道空气流动性并不对颜色造成影响,所以,空气流动性对应的质量数据虽然发生了异常,但这个异常并不是导致“颜色不正”这一质量异常表现的异常原因。所以在质量异常原因追溯的过程中,我们不能简单地将当前产品的所有存在异常的质量数据当作该质量异常表现的质量异常原因,而是通过采集足够量的历史数据,通过对历史数据的整合、分析,形成质量异常表现和质量异常数据质量的关联关系,并构建质量异常知识库;从而根据质量异常知识库中的历史数据先确定当前产品质量异常表现可能存在的质量异常数据,即候选质量异常数据集,然后基于当前产品的质量异常数据和候选质量异常数据集之间的重合关系(即重复出现在候选质量异常数据集和当前质量异常数据集中的质量异常数据),确定对最终呈现出来的质量异常表现存在真实影响的有效异常数据,从而根据得到的有效质量异常数据确定质量异常原因。
图4是本申请的一示例性实施例示出的基于区块链的车辆保险运营装置的框图。该装置可以应用于图1所示的实施环境,并具体配置在计算机设备103中。该装置也可以适用于其他的示例性实施环境,并具体配置在其他设备中,本实施例不对该装置所适用的实施环境进行限制。
如图4所示,该示例性的产品质量异常原因追溯装置包括:数据获取模块410,第一匹配模块420,候选数据确定模块430,第二匹配模块440,异常原因追溯模块450。
其中,数据获取模块410,用于获取质量异常知识库,当前产品的当前质量异常数据,以及当前产品的质量异常表现,质量异常知识库包括多个历史产品的质量异常表现和异常数据频繁项集,以及质量异常表现和异常数据频繁项集的异常关联关系,异常频繁项集包括多个质量异常数据;第一匹配模块420,用于将当前质量异常表现和质量异常知识库中的历史质量异常表现进行匹配,基于异常关联关系得到异常数据频繁项集;候选数据确定模块430,用于基于异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集;第二匹配模块440,用于将各候质量异常数据集的质量异常数据与当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集;异常原因追溯模块450,用于将目标质量异常数据集的质量异常数据确定为当前产品的有效质量异常数据,并基于有效质量异常数据确定质量异常原因,实现产品质量异常原因追溯。
需要说明的是,上述实施例所提供的产品质量异常原因追溯装置与上述实施例所提供的产品质量异常原因追溯方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的产品质量异常原因追溯装置在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得电子设备实现上述各个实施例中提供的产品质量异常原因追溯方法。
图5示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图5示出的电子设备的计算机系统500仅是一个示例,不应对本申请实施例的功能和适用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(Central Processing Unit,CPU)501,其可以根据存储在只读存储器(Read-Only Memory,ROM)502中的程序或者从储存部分508加载到随机访问存储器(Random Access Memory,RAM)503中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(Input/Output,I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分507;包括硬盘等的储存部分508;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入储存部分508。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线,或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件,或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段,或代码的一部分,上述模块、程序段,或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框,以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前的产品质量异常原因追溯方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的产品质量异常原因追溯方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种产品质量异常原因追溯方法,其特征在于,包括:
获取质量异常知识库、当前产品的当前质量异常数据,以及所述当前产品的当前质量异常表现,所述质量异常知识库包括多个历史产品的历史质量异常表现和异常数据频繁项集,以及所述历史质量异常表现和所述异常数据频繁项集的异常关联关系,所述异常频繁项集包括多个质量异常数据集;
将所述当前质量异常表现和所述质量异常知识库中的历史质量异常表现进行匹配,基于所述异常关联关系得到目标异常数据频繁项集;
基于所述目标异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集;
将各候选质量异常数据集的历史质量异常数据与所述当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集;
将所述目标质量异常数据集的历史质量异常数据确定为所述当前产品的有效质量异常数据,并基于所述有效质量异常数据确定质量异常原因,以对产品质量异常原因进行追溯。
2.根据权利要求1所述的产品质量异常原因追溯方法,其特征在于,获取质量异常知识库之前,还包括:
获取多个历史产品的历史产品数据,所述历史产品数据包括历史质量异常表现、历史质量异常数据以及所述历史质量异常表现和所述历史质量异常数据的异常关联关系;
记录一历史产品的历史质量异常表现和历史质量异常数据,并生成一个与所述历史质量异常表现存在表现关联关系的质量异常数据集,得到全部历史产品的质量异常数据集;
将相同历史质量异常表现的多个质量异常数据集整合,并记录相同质量异常数据集的出现频次,基于所述多个质量异常数据集和所述出现频次生成异常数据频繁项集;
基于所述异常数据频繁项集中的历史质量异常数据,建立所述异常数据频繁项集和所述历史质量异常表现之间的异常关联关系;
基于所述历史产品的历史质量异常表现和所述异常数据频繁项集,以及所述异常关联关系,构建质量异常知识库。
3.根据权利要求2所述的产品质量异常原因追溯方法,其特征在于,获取多个历史产品的质量异常数据包括:
获取多个历史产品的生产全流程数据,所述生产全流程数据包括多个类别的历史质量数据;
计算多个历史产品的同一类别下历史质量数据之间的均值和标准差,确定各类别历史质量数据的标准数据范围;
将同一类别的所述历史质量数据和所述标准数据范围做比较,当所述历史质量数据超出所述标准数据范围,则将所述历史质量数据确定为历史质量异常数据,直到各历史产品的各历史质量数据均完成比较。
4.根据权利要求3所述的产品质量异常原因追溯方法,其特征在于,确定各类别历史质量数据的标准数据范围之前,还包括:
对每个历史产品进行编码,以使每个产品具有唯一的产品编码;
采集各历史产品的工艺参数和生产过程中各环节的质量数据,生成各历史产品的以产品编码为标识的截面数据,并将各历史产品的所述截面数据确定为多个历史产品的生产全流程数据。
5.根据权利要求3所述的产品质量异常原因追溯方法,其特征在于,确定各类别历史质量数据的标准数据范围,包括:
将所述均值与预设倍数的标准差相加,得到所述标准数据范围的数据上限;
将所述均值与所述预设倍数的标准差相减,得到所述标准数据范围的数据下限;
基于所述数据上限和所述数据下限得到所述标准数据范围。
6.根据权利要求1-5任一项所述的产品质量异常原因追溯方法,其特征在于,基于所述目标异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集,包括:
获取所述异常频繁项集中的多个质量异常数据集的出现频次;
将所述多个质量异常数据集基于所述出现频次递减的顺序排列,得到质量异常数据集序列;
将所述质量异常数据集序列中前预设项数的质量异常数据集确定为候选质量异常数据集。
7.根据权利要求1-5任一项所述的产品质量异常原因追溯方法,其特征在于,将各候质量异常数据集的质量异常数据与所述当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集,包括:
获取所述各候选质量异常数据集的历史质量异常数据;
将一质量异常数据集的历史质量异常数据与所述当前质量异常数据进行匹配,得到与当前质量异常数据相同的重复质量异常数据,并记录重复项数,直到所述当前质量异常数据与各所述候选质量异常数据集均完成匹配;
将所述重复项数最大的一个候选质量异常数据集确定为所述目标质量异常数据集。
8.一种产品质量异常原因追溯装置,其特征在于,包括:
数据获取模块,用于获取质量异常知识库、当前产品的当前质量异常数据以及所述当前产品的当前质量异常表现,所述质量异常知识库包括多个历史产品的历史质量异常表现和异常数据频繁项集,以及所述历史质量异常表现和所述异常数据频繁项集的异常关联关系,所述异常频繁项集包括多个质量异常数据集;
第一匹配模块,用于将所述当前质量异常表现和所述质量异常知识库中的历史质量异常表现进行匹配,基于所述异常关联关系得到目标异常数据频繁项集;
候选数据确定模块,用于基于所述目标异常数据频繁项集中的多个质量异常数据集的出现频次,确定预设项数的候选质量异常数据集;
第二匹配模块,用于将各候选质量异常数据集的历史质量异常数据与所述当前质量异常数据进行匹配,确定一个候选质量异常数据集为目标质量异常数据集;
异常原因追溯模块,用于将所述目标质量异常数据集的历史质量异常数据确定为所述当前产品的有效质量异常数据,并基于所述有效质量异常数据确定质量异常原因,实现产品质量异常原因追溯。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任一项所述的产品质量异常原因追溯方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行如权利要求1至7中任一项所述的产品质量异常原因追溯方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310075607.5A CN116128531A (zh) | 2023-02-07 | 2023-02-07 | 一种产品质量异常原因追溯方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310075607.5A CN116128531A (zh) | 2023-02-07 | 2023-02-07 | 一种产品质量异常原因追溯方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128531A true CN116128531A (zh) | 2023-05-16 |
Family
ID=86302502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310075607.5A Pending CN116128531A (zh) | 2023-02-07 | 2023-02-07 | 一种产品质量异常原因追溯方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128531A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
CN116756494A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 数据异常值处理方法、装置、计算机设备和可读存储介质 |
CN116757484A (zh) * | 2023-08-23 | 2023-09-15 | 山东全员本安教育咨询有限公司 | 一种企业安全隐患监控溯源方法、装置、设备及存储介质 |
CN117314475A (zh) * | 2023-11-28 | 2023-12-29 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
-
2023
- 2023-02-07 CN CN202310075607.5A patent/CN116128531A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
CN116756494A (zh) * | 2023-08-22 | 2023-09-15 | 之江实验室 | 数据异常值处理方法、装置、计算机设备和可读存储介质 |
CN116756494B (zh) * | 2023-08-22 | 2024-01-23 | 之江实验室 | 数据异常值处理方法、装置、计算机设备和可读存储介质 |
CN116757484A (zh) * | 2023-08-23 | 2023-09-15 | 山东全员本安教育咨询有限公司 | 一种企业安全隐患监控溯源方法、装置、设备及存储介质 |
CN116757484B (zh) * | 2023-08-23 | 2023-11-24 | 山东全员本安教育咨询有限公司 | 一种企业安全隐患监控溯源方法、装置、设备及存储介质 |
CN117314475A (zh) * | 2023-11-28 | 2023-12-29 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
CN117314475B (zh) * | 2023-11-28 | 2024-02-13 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116128531A (zh) | 一种产品质量异常原因追溯方法、装置、设备及存储介质 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN114819636B (zh) | 一种基于spc检测的工业生产数据处理方法及系统 | |
CN109426655B (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN113554307B (zh) | 一种基于rfm模型的用户分组方法、装置及可读介质 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN110598305A (zh) | 一种比较电路扫描仿真增量的灵敏度分析方法 | |
CN114386879B (zh) | 一种基于多产品多维度性能指标的评分与排行方法及系统 | |
CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
CN114925895A (zh) | 维修器材预测方法、终端及存储介质 | |
CN116703046A (zh) | 实时派工顺序的控制方法及系统、电子设备和存储介质 | |
CN114238106A (zh) | 测试时间预测方法及装置、电子设备、存储介质 | |
CN110354501B (zh) | 行为预测方法、装置及电子设备 | |
CN111583394A (zh) | 一种基于特征识别的知识化工艺性检查方法及系统 | |
CN113449382B (zh) | 一种整车排放结果的仿真方法及系统 | |
CN111522644A (zh) | 基于历史运行数据预测并行程序运行时间的方法 | |
CN118296976B (zh) | 微带滤波器设计迭代方法、系统、介质、产品及终端 | |
CN117056203B (zh) | 一种基于复杂性的数值表达式型蜕变关系选择方法 | |
CN114936205A (zh) | 一种特征筛选方法、装置、存储介质及电子设备 | |
CN114386520A (zh) | 基于梯度提升回归的gc预警方法、系统及存储介质 | |
CN116776524A (zh) | 一种数字孪生模型响应的快速计算方法、系统和存储介质 | |
CN118246323A (zh) | 目标轮辋重量的预测方法、装置、计算机设备及存储介质 | |
CN115292184A (zh) | 一种预测软件问题分布的方法及装置 | |
CN115239351A (zh) | 基于统计学与机器学习相结合的异常商品信息识别方法 | |
Öhl et al. | Algorithm Configuration for Hypergraph Partitioning |
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 |