CN116245256B - 一种结合多因素的电容器质量预测方法、系统及存储介质 - Google Patents
一种结合多因素的电容器质量预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116245256B CN116245256B CN202310441160.9A CN202310441160A CN116245256B CN 116245256 B CN116245256 B CN 116245256B CN 202310441160 A CN202310441160 A CN 202310441160A CN 116245256 B CN116245256 B CN 116245256B
- Authority
- CN
- China
- Prior art keywords
- capacitor
- calibrated
- processing
- abnormal
- quality
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 324
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 185
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 43
- 230000002950 deficient Effects 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000007477 logistic regression Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种结合多因素的电容器质量预测方法、系统及存储介质，涉及电容器技术领域，包括：确定电容器的加工步骤；获得步骤异常与不良特征的对应关系；实时监测电容器的加工过程的工艺参数；对不同生产批次的电容器进行质量检测；判断抽检的电容器是否出现不良故障；对检验不合格的电容器进行不良故障匹配；获取待校准参数；计算待校准异常步骤的运行指标；获取待校准异常步骤可能造成的电容器质量不良概率；判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值。本发明的优点在于：结合电容器抽检过程中的出现不良故障进行溯源排查，可实现对于不良高风险电容器的精准化预测识别，进而检测出加工出电容器隐含的不良风险。
Description
技术领域
本发明涉及电容器技术领域，具体是涉及一种结合多因素的电容器质量预测方法、系统及存储介质。
背景技术
电容器是一种电子元件，用于存储电荷和电能。它由两个导体板和介质组成，介质可以是空气、纸、塑料、陶瓷等。当电容器两端施加电压时，电荷会在两个导体板之间积累，形成电场，从而存储电能。随着电子信息技术的日新月异，数码电子产品的更新换代速度越来越快，以手机、笔记本电脑、数码相机等产品为主的消费类电子产品产销量持续增长，电容器产业得到持续性的增长。
电容器在生产加工过程中为保障电容器的质量符合标准，需要对电容器进行多种测试，其中部分测试如老化测试可能会导致电容器受损，因此只能从相同加工批次的电容器中进行抽检来确保电容器的质量，然而，现有的电容器检测方案只能实现识别输出电容器检测合格或不合格，无法针对电容器的检测出的不良特征进行溯源定位出是何种加工步骤出现异常导致的电容器不良，无法对电容器加工过程中的的不良风险进行系统性智能化的预测。
发明内容
为解决上述技术问题，提供一种结合多因素的电容器质量预测方法、系统及存储介质，本技术方案解决了上述的现有的电容器检测方案只能实现识别输出电容器检测合格或不合格，无法针对电容器的检测出的不良特征进行溯源定位出是何种加工步骤出现异常导致的电容器不良，无法对电容器加工过程中的的不良风险进行系统性智能化的预测的问题。
为达到以上目的，本发明采用的技术方案为：
一种结合多因素的电容器质量预测方法，包括：根据电容器的构造种类确定电容器的加工工艺，根据电容器的加工工艺确定电容器的加工步骤；
根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳，所述批次标记戳与电容器的加工批次一一对应；
按照预设的抽检逻辑对不同生产批次的电容器按照设定的抽检比例抽取若干检测样本进行质量检测；
判断抽检的电容器是否出现不良故障，若否，则判断当前批次检验合格，若是，则判断当前批次检验不合格；
对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤，记为待校准异常步骤；
调取与抽检的电容器批次相对应的批次标记戳的待校准异常步骤中的每一个加工工艺的加工参数，获取待校准参数；
根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
确定电容器质量预测模型，所述电容器质量预测模型以待校准参数的运行指标为输入，以待校准参数对应的待校准异常步骤可能造成的电容器质量不良概率为输出；
将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值，若是，则判定待校准异常步骤风险高，若否，则判定为待校准异常步骤风险低；
对判定为待校准异常步骤风险高的待校准异常步骤，判定与该待校准异常步骤对应的所有批次标记戳对应的加工批次的电容器存在质量不良的风险高，对与该待校准异常步骤对应的所有批次标记戳对应的加工批次的电容器进行复检。
优选的，所述对检验不合格的电容器进行不良故障匹配包括：
对检验不合格的电容器进行不良特征抽取，获取电容器不良特征；
进行不良特征匹配，按照不良特征匹配公式计算每一道加工步骤与电容器不良特征之间的关联度；
判断加工步骤与电容器不良特征之间的关联度是否大于关联度预设值，若是，则判定为该加工步骤与电容器不良故障之间的关联度高，若否，则判定为该加工步骤与电容器不良故障之间的关联度低；
将判定为与电容器不良故障之间的关联度高的加工步骤记为待校准异常步骤；
其中，所述不良特征匹配公式为：
式中，S为加工步骤与电容器不良特征之间的关联度，a为加工步骤出现异常时可能导致的电容器加工不良特征数量，b为加工步骤出现异常时可能导致的电容器加工不良特征数量和电容器不良特征数量中的相同不良特征的数量，/>为加工步骤出现异常时可能导致的电容器加工不良特征和电容器不良特征中的第i个相同不良特征的相似度。
优选的，所述根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准参数的运行指标具体包括如下步骤：
按照执行计算公式计算待校准异常步骤中的每一个加工参数的执行指标；
结合待校准异常步骤中的每一个加工参数的执行指标按照运行计算公式计算待校准异常步骤的运行指标；
其中，所述执行计算公式为：
式中，X为加工参数的执行指标，/>为加工参数的采样的样本总数数量，/>为加工参数的采样参数值，/>为加工参数的标准参数值；
其中，所述运行计算公式为：
式中，式中，/>为待校准异常步骤的运行指标，/>为待校准异常步骤中的加工参数总数，/>为待校准异常步骤中第i个加工参数的执行指标，/>为待校准异常步骤中第i个加工参数的影响权重。
优选的，所述电容器质量预测模型的表达式为：
式中，P为待校准异常步骤可能造成的电容器质量不良概率值，/>均为电容器质量预测模型的系数。
优选的，所述电容器质量预测模型的训练过程为：
从电容器的历史加工数据中调取足够多的数据作为模型训练样本数据；
将模型训练样本数据随机划分为训练数据和测试数据；
根据电容器的加工质量将模型训练样本数据分成合格数据和不合格数据；
根据训练数据电容器质量预测模型中的系数进行最大似然法进行估计，获得模型回归系数；
利用测试数据对电容器质量预测模型的系数进行显著性检测，判断模型回归系数是否满足显著性要求；
若满足显著性要求，则训练的电容器质量预测模型具有统计学意义，电容器质量预测模型训练完成，若不满足显著性要求，则训练的电容器质量预测模型不具有统计学意义，重新调取模型训练样本数据，并进行电容器质量预测模型中的训练。
优选的，所述训练数据的数量占模型训练样本数据总数量的70％-80％，所述测试数据的数量占模型训练样本数据总数量的20％-30％。
进一步的，提出一种结合多因素的电容器质量预测系统，用于实现如上述的结合多因素的电容器质量预测方法，包括：处理器，所述处理器用于进行根据历史加工经验，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征、对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤、根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标、确定电容器质量预测模型、将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率和判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值；
存储器，存储器与所述处理器电性连接，所述存储器用于存储电容器的历史加工数据；
参数监测模块，参数监测模块与所述处理器电性连接，所述参数监测模块用于实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳；
电容器检测模块，电容器检测模块与所述处理器电性连接，所述电容器检测模块用于进行电容器进行质量检测。
可选的，所述处理器内部集成有：
分析单元，所述分析单元用于根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
溯源匹配单元，所述溯源匹配单元用于对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤；
计算单元，所述计算单元用于进行根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
模型训练单元，所述模型训练单元用于进行训练确定电容器质量预测模型；
预测单元，所述预测单元用于将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
判断单元，所述判断单元用于进行判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值。
再进一步的，提出一种计算机可读存储介质，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结合多因素的电容器质量预测方法。
与现有技术相比，本发明的有益效果在于：本发明提出一种新型的结合多因素的电容器质量预测方案，结合电容器在进行抽检中出现的故障不良种类进行匹配出可能导致该故障不良的加工步骤，调取出出现不良的加工批次的加工步骤的工艺参数，并进行预测分析该加工步骤是否有导致不良的风险，并对有风险的加工步骤对应的电容器加工批次进行综合复检，保证电容器检测的准确性，可有效的检测出电容器中隐含的不良风险，防止电容器不良品出厂。
附图说明
图1为本发明中提出的结合多因素的电容器质量预测系统结构框图；
图2为本发明中提出的结合多因素的电容器质量预测方法流程图；
图3为本发明中的对检验不合格的电容器进行不良故障匹配方法流程图；
图4为本发明中的待校准参数的运行指标的计算方法流程图；
图5为本发明中的电容器质量预测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，一种结合多因素的电容器质量预测系统，包括：
处理器，处理器用于进行根据历史加工经验，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征、对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤、根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标、确定电容器质量预测模型、将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率和判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值；
存储器，存储器与处理器电性连接，存储器用于存储电容器的历史加工数据；
参数监测模块，参数监测模块与处理器电性连接，参数监测模块用于实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳；
电容器检测模块，电容器检测模块与处理器电性连接，电容器检测模块用于进行电容器进行质量检测。
其中，处理器内部集成有：
分析单元，分析单元用于根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
溯源匹配单元，溯源匹配单元用于对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤；
计算单元，计算单元用于进行根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
模型训练单元，模型训练单元用于进行训练确定电容器质量预测模型；
预测单元，预测单元用于将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
判断单元，判断单元用于进行判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值。
上述结合多因素的电容器质量预测系统的工作步骤为：
步骤一：分析单元从存储器中调取电容器的历史加工数据，并根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
步骤二：参数监测模块实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳；
步骤三：电容器检测模块按照预设的抽检逻辑对不同生产批次的电容器按照设定的抽检比例抽取若干检测样本进行质量检测；
步骤四：溯源匹配单元对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤，记为待校准异常步骤；
步骤五： 计算单元根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
步骤六：模型训练单元进行训练确定电容器质量预测模型；
步骤七：预测单元将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
步骤八：判断单元用于判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值，若是，则判定待校准异常步骤风险高，若否，则判定为待校准异常步骤风险低。
请参阅图2所示，为进一步的说明本方案，本实施例结合上述结合多因素的电容器质量预测系统提出一种结合多因素的电容器质量预测方法，包括：
根据电容器的构造种类确定电容器的加工工艺，根据电容器的加工工艺确定电容器的加工步骤；
根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳，批次标记戳与电容器的加工批次一一对应；
按照预设的抽检逻辑对不同生产批次的电容器按照设定的抽检比例抽取若干检测样本进行质量检测；
判断抽检的电容器是否出现不良故障，若否，则判断当前批次检验合格，若是，则判断当前批次检验不合格；
对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤，记为待校准异常步骤；
调取与抽检的电容器批次相对应的批次标记戳的待校准异常步骤中的每一个加工工艺的加工参数，获取待校准参数；
根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
确定电容器质量预测模型，电容器质量预测模型以待校准参数的运行指标为输入，以待校准参数对应的待校准异常步骤可能造成的电容器质量不良概率为输出；
将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值，若是，则判定待校准异常步骤风险高，若否，则判定为待校准异常步骤风险低；
对判定为待校准异常步骤风险高的待校准异常步骤，判定与该待校准异常步骤对应的所有批次标记戳对应的加工批次的电容器存在质量不良的风险高，对与该待校准异常步骤对应的所有批次标记戳对应的加工批次的电容器进行复检。
本方案结合电容器在进行抽检中出现的故障不良种类进行匹配出可能导致该故障不良的加工步骤，调取出出现不良的加工批次的加工步骤的工艺参数，并进行预测分析该加工步骤是否有导致不良的风险，并对有风险的加工步骤对应的电容器加工批次进行综合复检，保证电容器检测的准确性，可有效的检测出电容器中隐含的不良风险；
其中需要详细讲解说明的是，由于不同批次的电容器在部分加工步骤时可能采用同一设备进行加工，具有相同的加工参数，例如批次A和批次B的电容器在电芯铆卷步骤时采用的是同一设备进行加工，但在后续加工步骤时分别采用不同产线进行，则电芯铆卷步骤的在进行工艺参数监测时会被同时附加批次A和批次B的批次标记戳；
电容器质量抽检时，批次A检出不合格，批次B未检出不合格，通过对批次A的不良进行溯源时发现，电芯铆卷步骤风险高，则需要同时对批次B进行复检，通过此方式可有效的定位出交叉产线中的不良风险高的电容器产品，进行精准化，高效化的电容器质量检测。
请参阅图3所示，对检验不合格的电容器进行不良故障匹配包括：
对检验不合格的电容器进行不良特征抽取，获取电容器不良特征；
进行不良特征匹配，按照不良特征匹配公式计算每一道加工步骤与电容器不良特征之间的关联度；
判断加工步骤与电容器不良特征之间的关联度是否大于关联度预设值，若是，则判定为该加工步骤与电容器不良故障之间的关联度高，若否，则判定为该加工步骤与电容器不良故障之间的关联度低；
将判定为与电容器不良故障之间的关联度高的加工步骤记为待校准异常步骤；
其中，不良特征匹配公式为：
式中，S为加工步骤与电容器不良特征之间的关联度，a为加工步骤出现异常时可能导致的电容器加工不良特征数量，b为加工步骤出现异常时可能导致的电容器加工不良特征数量和电容器不良特征数量中的相同不良特征的数量，/>为加工步骤出现异常时可能导致的电容器加工不良特征和电容器不良特征中的第i个相同不良特征的相似度。
本实施例中，针对于不良特征匹配采用两个不同的指标进行做积来确定，其中一个是电容器检测出的不良特征数量与加工步骤出现异常时可能导致的电容器加工不良特征数量的数量拟合度，例如，电容器检测出的不良特征有1、2、3、4和5，其中加工步骤D出现异常时可能导致的电容器加工不良特征为2、3、5、6，加工步骤D与电容器检测出的不良特征的数量匹配度为3/4；
另一个是不良特征的相似度，例如根据历史加工数据进行计算出加工步骤D出现异常时可能导致的电容器加工不良特征2的故障范围，而在进行检测时，电容器检测出的不良特征2的检测值落入该故障范围的频率为0.25，则为加工步骤D的不良特征2的相似度为0.25；
通过双重指标的计算，使计算出的加工步骤与电容器不良特征之间的关联度可精准的表示加工步骤与不良之间的内在关系，进而保证异常步骤溯源的精准性。
请参阅图4所示，根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准参数的运行指标具体包括如下步骤：
按照执行计算公式计算待校准异常步骤中的每一个加工参数的执行指标；
结合待校准异常步骤中的每一个加工参数的执行指标按照运行计算公式计算待校准异常步骤的运行指标；
其中，执行计算公式为：
式中，X为加工参数的执行指标，/>为加工参数的采样的样本总数数量，/>为加工参数的采样参数值，/>为加工参数的标准参数值；
本方案中，采用加工参数的采样参数值与加工参数的标准参数值的差值作为作为计算标准，在加工过程中采集的多个样本值进行偏差计算，可得出加工步骤中的加工参数在实际加工过程中的波动情况，依次作为该加工参数的执行指标，可有效准确的反映出加工步骤中的加工参数的实际执行状态；
其中，运行计算公式为：
式中，/>为待校准异常步骤的运行指标，/>为待校准异常步骤中的加工参数总数，/>为待校准异常步骤中第i个加工参数的执行指标，/>为待校准异常步骤中第i个加工参数的影响权重。
可以理解的是，对于电容器每一道加工步骤中均有着不同的加工参数可能会影响最终的加工质量，例如在进行引脚焊接时，焊接温度，焊接速度均对加工质量存在影响，本实施例中，针对加工步骤中的不同参数的执行指标进行加权求和，可有效的反映出该步骤在实际加工时的运行状态。
电容器质量预测模型的表达式为：
式中，P为待校准异常步骤可能造成的电容器质量不良概率值，/>均为电容器质量预测模型的系数。
请参阅图5所示，电容器质量预测模型的训练过程为：
从电容器的历史加工数据中调取足够多的数据作为模型训练样本数据；
将模型训练样本数据随机划分为训练数据和测试数据；
根据电容器的加工质量将模型训练样本数据分成合格数据和不合格数据；
根据训练数据电容器质量预测模型中的系数进行最大似然法进行估计，获得模型回归系数；
利用测试数据对电容器质量预测模型的系数进行显著性检测，判断模型回归系数是否满足显著性要求；
若满足显著性要求，则训练的电容器质量预测模型具有统计学意义，电容器质量预测模型训练完成，若不满足显著性要求，则训练的电容器质量预测模型不具有统计学意义，重新调取模型训练样本数据，并进行电容器质量预测模型中的训练。
训练数据的数量占模型训练样本数据总数量的70％-80％，测试数据的数量占模型训练样本数据总数量的20％-30％。
本方案基于Logistic回归模型进行预测金属工件的成型质量，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，本方案通过训练Logistic回归模型，结合每一道加工步骤的运行指标进行预测电容器质量不良概率值，并以此概率值作为产品复检的预测判断依据，极大的保证了电容器复检的准确性，可有效的检测出电容器中隐含的不良风险。
再进一步的，本方案还提出一种计算机可读存储介质，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结合多因素的电容器质量预测方法；
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：结合电容器抽检过程中的出现不良故障进行溯源排查，可实现对于不良高风险电容器的精准化预测识别，进而消除电容器中隐含的不良风险，防止电容器不良品出厂。
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 (9)
1.一种结合多因素的电容器质量预测方法，其特征在于，包括：
根据电容器的构造种类确定电容器的加工工艺，根据电容器的加工工艺确定电容器的加工步骤；
根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳，所述批次标记戳与电容器的加工批次一一对应；
按照预设的抽检逻辑对不同生产批次的电容器按照设定的抽检比例抽取若干检测样本进行质量检测；
判断抽检的电容器是否出现不良故障，若否，则判断当前批次检验合格，若是，则判断当前批次检验不合格；
对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤，记为待校准异常步骤；
调取与抽检的电容器批次相对应的批次标记戳的待校准异常步骤中的每一个加工工艺的加工参数，获取待校准参数；
根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
确定电容器质量预测模型，所述电容器质量预测模型以待校准参数的运行指标为输入，以待校准参数对应的待校准异常步骤可能造成的电容器质量不良概率为输出；
将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值，若是，则判定待校准异常步骤风险高，若否，则判定为待校准异常步骤风险低；
对判定为待校准异常步骤风险高的待校准异常步骤，判定与该待校准异常步骤对应的所有批次标记戳对应的加工批次的电容器存在质量不良的风险高，对与该待校准异常步骤对应的所有批次标记戳对应的加工批次的电容器进行复检。
2.根据权利要求1所述的一种结合多因素的电容器质量预测方法，其特征在于，所述对检验不合格的电容器进行不良故障匹配包括：
对检验不合格的电容器进行不良特征抽取，获取电容器不良特征；
进行不良特征匹配，按照不良特征匹配公式计算每一道加工步骤与电容器不良特征之间的关联度；
判断加工步骤与电容器不良特征之间的关联度是否大于关联度预设值，若是，则判定为该加工步骤与电容器不良故障之间的关联度高，若否，则判定为该加工步骤与电容器不良故障之间的关联度低；
将判定为与电容器不良故障之间的关联度高的加工步骤记为待校准异常步骤；
其中，所述不良特征匹配公式为：
式中，S为加工步骤与电容器不良特征之间的关联度，a为加工步骤出现异常时可能导致的电容器加工不良特征数量，b为加工步骤出现异常时可能导致的电容器加工不良特征数量和电容器不良特征数量中的相同不良特征的数量，/>为加工步骤出现异常时可能导致的电容器加工不良特征和电容器不良特征中的第i个相同不良特征的相似度。
3.根据权利要求2所述的一种结合多因素的电容器质量预测方法，其特征在于，所述根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准参数的运行指标具体包括如下步骤：
按照执行计算公式计算待校准异常步骤中的每一个加工参数的执行指标；
结合待校准异常步骤中的每一个加工参数的执行指标按照运行计算公式计算待校准异常步骤的运行指标；
其中，所述执行计算公式为：
式中，X为加工参数的执行指标，/>为加工参数的采样的样本总数数量，/>为加工参数的采样参数值，/>为加工参数的标准参数值；
其中，所述运行计算公式为：
式中，/>为待校准异常步骤的运行指标，/>为待校准异常步骤中的加工参数总数，/>为待校准异常步骤中第i个加工参数的执行指标，/>为待校准异常步骤中第i个加工参数的影响权重。
4.根据权利要求3所述的一种结合多因素的电容器质量预测方法，其特征在于，所述电容器质量预测模型的表达式为：
式中，P为待校准异常步骤可能造成的电容器质量不良概率值，均为电容器质量预测模型的系数。
5.根据权利要求4所述的一种结合多因素的电容器质量预测方法，其特征在于，所述电容器质量预测模型的训练过程为：
从电容器的历史加工数据中调取足够多的数据作为模型训练样本数据；
将模型训练样本数据随机划分为训练数据和测试数据；
根据电容器的加工质量将模型训练样本数据分成合格数据和不合格数据；
根据训练数据电容器质量预测模型中的系数进行最大似然法进行估计，获得模型回归系数；
利用测试数据对电容器质量预测模型的系数进行显著性检测，判断模型回归系数是否满足显著性要求；
若满足显著性要求，则训练的电容器质量预测模型具有统计学意义，电容器质量预测模型训练完成，若不满足显著性要求，则训练的电容器质量预测模型不具有统计学意义，重新调取模型训练样本数据，并进行电容器质量预测模型中的训练。
6.根据权利要求5所述的一种结合多因素的电容器质量预测方法，其特征在于，所述训练数据的数量占模型训练样本数据总数量的70％-80％，所述测试数据的数量占模型训练样本数据总数量的20％-30％。
7.一种结合多因素的电容器质量预测系统，用于实现如权利要求1-6任一项所述的结合多因素的电容器质量预测方法，其特征在于，包括：
处理器，所述处理器用于进行根据历史加工经验，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征、对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤、根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标、确定电容器质量预测模型、将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率和判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值；
存储器，存储器与所述处理器电性连接，所述存储器用于存储电容器的历史加工数据；
参数监测模块，参数监测模块与所述处理器电性连接，所述参数监测模块用于实时监测电容器的加工过程的工艺参数，并按照电容器的加工批次分别对加工过程的工艺参数附加批次标记戳；
电容器检测模块，电容器检测模块与所述处理器电性连接，所述电容器检测模块用于进行电容器进行质量检测。
8.根据权利要求7所述的一种结合多因素的电容器质量预测系统，其特征在于，所述处理器内部集成有：
分析单元，所述分析单元用于根据电容器的历史加工数据，确定电容器的每一道加工步骤出现异常时可能导致的电容器加工不良特征，获得步骤异常与不良特征的对应关系；
溯源匹配单元，所述溯源匹配单元用于对检验不合格的电容器进行不良故障匹配，获取与检验不合格的电容器关联度最高的可能出现异常的一个或多个加工步骤；
计算单元，所述计算单元用于进行根据校验待校准参数和待校准异常步骤的标准参数进行计算待校准异常步骤的运行指标；
模型训练单元，所述模型训练单元用于进行训练确定电容器质量预测模型；
预测单元，所述预测单元用于将待校准参数的运行指标输入电容器质量预测模型中，获取待校准异常步骤可能造成的电容器质量不良概率；
判断单元，所述判断单元用于进行判断待校准异常步骤可能造成的电容器质量不良概率是否大于预设值。
9.一种计算机可读存储介质，其上存储有计算机可读程序，其特征在于，所述计算机可读程序被调用时执行如权利要求1-6任一项所述的结合多因素的电容器质量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310441160.9A CN116245256B (zh) | 2023-04-23 | 2023-04-23 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310441160.9A CN116245256B (zh) | 2023-04-23 | 2023-04-23 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116245256A CN116245256A (zh) | 2023-06-09 |
| CN116245256B true CN116245256B (zh) | 2023-07-28 |
Family
ID=86631537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310441160.9A Active CN116245256B (zh) | 2023-04-23 | 2023-04-23 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245256B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976754B (zh) * | 2023-09-19 | 2023-12-26 | 北京柏瑞安电子技术有限公司 | 一种高精度电容测量方法 |
| CN118094282B (zh) * | 2023-11-21 | 2024-09-03 | 深圳市威尔泰电子科技有限公司 | 一种电连接器接触件保持力检测方法及系统 |
| 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 |
| CN117689269B (zh) * | 2024-01-30 | 2024-05-14 | 深圳市微克科技股份有限公司 | 一种智能手表加工阶段的故障溯源方法 |
| CN118209150B (zh) * | 2024-05-20 | 2024-07-26 | 山东向明数智物联科技有限公司 | 污染源远程运维控制系统及方法 |
| CN118328938B (zh) * | 2024-06-13 | 2024-08-30 | 湖州新江浩电子有限公司 | 电容器钉卷作业打扁厚度的获取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022062567A1 (zh) * | 2020-09-23 | 2022-03-31 | 爱德万测试股份有限公司 | 产品测试数据的检测方法、系统、电子设备和存储介质 |
| CN114492898A (zh) * | 2020-10-28 | 2022-05-13 | 北京中祥英科技有限公司 | 产品不良预测方法及装置、电子设备、存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
| CN111126622B (zh) * | 2019-12-19 | 2023-11-03 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
| CN112926764B (zh) * | 2021-01-21 | 2023-05-30 | 北京理工大学 | 一种产品质量性能预测方法和装置 |
| CN112801497B (zh) * | 2021-01-26 | 2024-04-30 | 上海华力微电子有限公司 | 一种异常检测方法及装置 |
| US11984334B2 (en) * | 2021-04-13 | 2024-05-14 | Accenture Global Solutions Limited | Anomaly detection method and system for manufacturing processes |
| CN115438754A (zh) * | 2022-11-08 | 2022-12-06 | 湖南鼎誉检验检测股份有限公司 | 一种食品安全检测方法、系统及存储介质 |
| CN115879040A (zh) * | 2022-11-10 | 2023-03-31 | 云南电网有限责任公司电力科学研究院 | 电容器的故障预测方法、装置、电子设备及存储介质 |
| CN115685946B (zh) * | 2022-11-28 | 2023-12-22 | 浙江万胜智能科技股份有限公司 | 一种智能用电采集终端生产质量管控方法及系统 |
| CN115630847B (zh) * | 2022-12-07 | 2023-03-28 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
-
2023
- 2023-04-23 CN CN202310441160.9A patent/CN116245256B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022062567A1 (zh) * | 2020-09-23 | 2022-03-31 | 爱德万测试股份有限公司 | 产品测试数据的检测方法、系统、电子设备和存储介质 |
| CN114492898A (zh) * | 2020-10-28 | 2022-05-13 | 北京中祥英科技有限公司 | 产品不良预测方法及装置、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116245256A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116245256B (zh) | 一种结合多因素的电容器质量预测方法、系统及存储介质 | |
| WO2018028005A1 (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
| CN113406502B (zh) | 基于机器学习的缺陷电池筛选方法、设备及介质 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
| CN116075733A (zh) | 用于对电池模块进行分类的电池管理系统 | |
| CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
| CN111413564B (zh) | 一种超级电容器失效预警方法、系统以及设备 | |
| CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试系统 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN117689270B (zh) | 电力设备生产过程质量管理改进方法、系统及存储介质 | |
| CN116819377A (zh) | 电池组异常识别诊断方法和系统 | |
| CN114610553A (zh) | 一种智能设备检测系统及其检测方法 | |
| CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
| CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
| CN117388703A (zh) | 基于改进深度残差的电容老化状态评估方法 | |
| CN112748348A (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
| CN116008787A (zh) | 待测器件dut异常识别方法、装置及设备 | |
| CN118052084B (zh) | 结合多工况特征的电容器可靠性预测分析方法及系统 | |
| CN117214650B (zh) | 一种二极管综合性能智能检测方法及系统 | |
| CN118010953B (zh) | 用于金属结构制造的智能测试方法及系统 | |
| CN118070198B (zh) | 测试异常的分析方法及装置、可读存储介质、终端 | |
| CN118312796B (zh) | 一种测试机的高精度fft测试优化方法、系统及存储介质 | |
| Chang et al. | Micro-short circuit fault diagnosis of lithium-ion battery based on voltage curve similarity ranking volatility |
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 |