CN116485280A - 基于人工智能的uvc-led生产质量评价方法及系统 - Google Patents
基于人工智能的uvc-led生产质量评价方法及系统 Download PDFInfo
- Publication number
- CN116485280A CN116485280A CN202310709889.XA CN202310709889A CN116485280A CN 116485280 A CN116485280 A CN 116485280A CN 202310709889 A CN202310709889 A CN 202310709889A CN 116485280 A CN116485280 A CN 116485280A
- Authority
- CN
- China
- Prior art keywords
- data
- product
- uvc
- led
- current
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 39
- 238000011056 performance test Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于人工智能的UVC‑LED生产质量评价方法及系统,属于LED质量评价技术领域,本发明通过获取频发数据对应的性能指标数据信息以及当前UVC‑LED产品的生产工艺规程信息,根据频发数据对应的性能指标数据信息以及当前UVC‑LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC‑LED产品的生产调整方向。本发明通过LOF算法能够对异常的样本数据进行计算,以获取局部离散因子,从而对异常的样本数据进行分类,以分出频发数据以及偶发数据,从而更好的识别出实际的工序原因,消除了偶发数据引发的工序因素,能够进一步地提高了UVC‑LED质量评价系统的准确率。
Description
技术领域
本发明涉及LED质量评价技术领域,尤其涉及一种基于人工智能的UVC-LED生产质量评价方法及系统。
背景技术
紫外发光二极管 ( UV-LED) 凭借其单色性好、尺 寸 小、结 构 紧 凑 及 辐 射强 度 可 控 等 优点,被广泛应用于各个领域。根据发光波长范围的不同,UV-LED 可细分为三类: 长波紫外 LED( UVA-LED) 、中波紫外 LED ( UVB-LED) 和短波紫外 LED ( UVC-LED) ,其中 UVA 和 UVB 可应用于 3D 打印、油墨印刷固化和植物生长等领域,UVC 在杀菌、医疗、水净化及身份验证等领域有广泛的应用。在UVC-LED生产过程中,涉及到生产、测试、销售等工序,然而,生产以及测试是决定UVC-LED质量的关键把控环节,通常而言,工序质量受操作人员、生产环境、机器设备等多个因素的影响。在产品的生产过程中,对生产工艺进行工序能力分析,了解和掌握工序能力是控制和保证产品质量的一项重要手段。而现如今的评价系统中,不仅要考虑UVC-LED质量评价,而且要考虑导致影响UVC-LED质量的相关工序,而有些异常产品的产生并非为频发事件,也有可能是偶发事件,由于偶发事件的产生会导致评价系统的评价不准确,从而导致所追溯的影响UVC-LED质量的相关工序不准确,导致了UVC-LED质量评价系统的准确率低下。
发明内容
本发明克服了现有技术的不足,提供了一种基于人工智能的UVC-LED生产质量评价方法及系统。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于人工智能的UVC-LED生产质量评价方法,包括以下步骤:
获取当前UVC-LED产品的测试数据信息,并通过对所述当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果;
通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据所述当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果;
通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。
进一步地,本发明的一个较佳实施例中,获取当前UVC-LED产品的测试数据信息,并通过对所述当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果,具体包括以下步骤:
获取当前UVC-LED产品的测试数据信息,并通过大数据获取当前UVC-LED产品对应的测试指标,基于所述测试指标构建聚类关键词信息;
构建哈希函数组,基于所述哈希函数组对所述聚类关键词信息进行哈希运算并计算索引值,以获取与所述哈希函数组对应的若干个哈希组;
以每一个哈希组作为聚类目标,根据所述聚类目标对所述当前UVC-LED产品的测试数据信息进行聚类,以获取当前UVC-LED产品各测试指标的聚类结果;
根据所述索引值对所述当前UVC-LED产品各测试指标的聚类结果进行从大到小排序,以生成当前UVC-LED产品各性能数据的聚类结果。
进一步地,本发明的一个较佳实施例中,通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据所述当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果,具体包括以下步骤:
通过大数据获取UVC-LED产品的性能测试指标数据信息,并确定评价的层次结构体系,将所述评价的层次结构体系分为目标层、准则层以及方案层;
将当前UVC-LED产品的性能测试指标数据信息输入到准则层,并将所述当前UVC-LED产品各性能数据的聚类结果输入到方案层中,预设若干个UVC-LED产品的质量评价结果,并将所述UVC-LED产品的质量评价结果输入到目标层中,生成评价指标体系;
根据所述准则层以及方案层组内的各因素进行相互比较,以预设定量标度进行相对重要性定量化,生成标度值,根据标度值构建判断矩阵;
通过方根法对所述判断矩阵进行归一化计算,得到特征向量,并获取所述特征向量在判断矩阵的最大值,根据所述特征向量以及最大值得到每个UVC-LED产品中每个性能数据的权重向量信息,生成评价结果。
进一步地,本发明的一个较佳实施例中,通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据,具体包括:
根据所述评价结果进行划分UVC-LED的产品等级,并判断所述产品等级是否大于预设产品等级,若所述产品等级大于预设产品等级,则将当前产品等级标记为合格产品数据;
若所述产品等级不大于预设产品等级,则将当前产品等级标记为不合格产品,并统计所述不合格产品数据,以获取不合格产品的统计数据;
获取所述不合格产品数据的性能异常项,并根据所述性能异常项生成聚类标签,根据所述聚类标签对所述不合格产品数据进行聚类分析,根据聚类分析结果生成性能异常项直方图;
通过LOF算法计算所述性能异常项直方图中样本数据的局部离群因子,若局部离群因子大于预定阈值,则将所述样本数据标记为频发数据;若局部离群因子不大于预定阈值,则将所述样本数据标记为频发数据。
进一步地,本发明的一个较佳实施例中,获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,具体包括以下步骤:
获取大量的历史频发数据对应的性能指标数据信息以及对应的历史异常生产工艺规程信息,并构建贝叶斯网络模型,将所述历史频发数据对应的性能指标数据信息设置第一独立事件;
将所述对应的历史异常生产工艺规程信息设置为第二独立事件,并将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证;
通过对所述第一独立事件以及第二独立事件进行初始化排序,以获取初始化节点次序,并将所述初始化节点次序作为粒子群算法的输入顺序,采用粒子群算法进行优化调节,以获取优化后的贝叶斯网络模型;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,并将所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息输入到优化后的贝叶斯网络模型中,以获取多个关联性阈值数据。
进一步地,本发明的一个较佳实施例中,基于关联性阈值数据生成当前UVC-LED产品的生产调整方向,具体包括以下步骤:
判断所述关联性阈值数据是否大于预设关联性阈值数据信息,若所述关联性阈值数据大于预设关联性阈值数据信息,则将所述关联性阈值数据对应的生产工艺规程信息标记为可能性异常工艺规程信息;
获取所述可能性异常工艺规程信息在预设时间之内的实时加工工况信息,并将所述实时加工工况信息与预设的加工工况信息进行对比,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,若所述偏差率大于预设偏差率阈值,则将所述可能性异常工艺规程信息标记为最大可能性的异常生产工艺规程;
基于所述最大可能性的异常生产工艺规程生成当前UVC-LED产品的生产调整方向。
本发明第二方面提供了一种基于人工智能的UVC-LED生产质量评价系统,所述系统包括存储器以及处理器,所述存储器中包含基于人工智能的UVC-LED生产质量评价方法程序,所述基于人工智能的UVC-LED生产质量评价方法程序被处理器执行时,实现如下步骤:
获取当前UVC-LED产品的测试数据信息,并通过对所述当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果;
通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据所述当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果;
通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。
在本实施例中,通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据,具体包括:
根据所述评价结果进行划分UVC-LED的产品等级,并判断所述产品等级是否大于预设产品等级,若所述产品等级大于预设产品等级,则将当前产品等级标记为合格产品数据;
若所述产品等级不大于预设产品等级,则将当前产品等级标记为不合格产品,并统计所述不合格产品数据,以获取不合格产品的统计数据;
获取所述不合格产品数据的性能异常项,并根据所述性能异常项生成聚类标签,根据所述聚类标签对所述不合格产品数据进行聚类分析,根据聚类分析结果生成性能异常项直方图;
通过LOF算法计算所述性能异常项直方图中样本数据的局部离群因子,若局部离群因子大于预定阈值,则将所述样本数据标记为频发数据;若局部离群因子不大于预定阈值,则将所述样本数据标记为频发数据。
在本实施例中,获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,具体包括以下步骤:
获取大量的历史频发数据对应的性能指标数据信息以及对应的历史异常生产工艺规程信息,并构建贝叶斯网络模型,将所述历史频发数据对应的性能指标数据信息设置第一独立事件;
将所述对应的历史异常生产工艺规程信息设置为第二独立事件,并将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证;
通过对所述第一独立事件以及第二独立事件进行初始化排序,以获取初始化节点次序,并将所述初始化节点次序作为粒子群算法的输入顺序,采用粒子群算法进行优化调节,以获取优化后的贝叶斯网络模型;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,并将所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息输入到优化后的贝叶斯网络模型中,以获取多个关联性阈值数据。
本第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包含基于人工智能的UVC-LED生产质量评价方法程序,所述基于人工智能的UVC-LED生产质量评价方法程序被处理器执行时,实现所述的基于人工智能的UVC-LED生产质量评价方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取当前UVC-LED产品的测试数据信息,并通过对当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果,进一步通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果,进而通过对评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计不合格产品数据,根据统计后的不合格产品数据进行二次分类,以获取偶发数据以及频发数据,从而获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。本发明通过LOF算法能够对异常的样本数据进行计算,以获取局部离散因子,从而对异常的样本数据进行分类,以分出频发数据以及偶发数据,从而更好的识别出实际的工序原因,消除了偶发数据引发的工序因素,能够进一步地提高了UVC-LED质量评价系统的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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实施例的附图。
图1示出了一种基于人工智能的UVC-LED生产质量评价方法的整体方法流程图;
图2示出了一种基于人工智能的UVC-LED生产质量评价方法的第一方法流程图;
图3示出了一种基于人工智能的UVC-LED生产质量评价方法的第二方法流程图;
图4示出了一种基于人工智能的UVC-LED生产质量评价系统的系统框图。
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方式对本发明进行进一步的详细描述。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,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于人工智能的UVC-LED生产质量评价方法,包括以下步骤:
S102:获取当前UVC-LED产品的测试数据信息,并通过对当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果;
S104:通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果;
S106:通过对评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计不合格产品数据,根据统计后的不合格产品数据进行二次分类,以获取偶发数据以及频发数据;
S108:获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。
需要说明的是,本发明通过LOF算法能够对异常的样本数据进行计算,以获取局部离散因子,从而对异常的样本数据进行分类,以分出频发数据以及偶发数据,从而更好的识别出实际的工序原因,消除了偶发数据引发的工序因素,能够进一步地提高了UVC-LED质量评价系统的准确率。
进一步地,本发明的一个较佳实施例中,获取当前UVC-LED产品的测试数据信息,并通过对当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果,具体包括以下步骤:
获取当前UVC-LED产品的测试数据信息,并通过大数据获取当前UVC-LED产品对应的测试指标,基于测试指标构建聚类关键词信息;
构建哈希函数组,基于哈希函数组对聚类关键词信息进行哈希运算并计算索引值,以获取与哈希函数组对应的若干个哈希组;
以每一个哈希组作为聚类目标,根据聚类目标对当前UVC-LED产品的测试数据信息进行聚类,以获取当前UVC-LED产品各测试指标的聚类结果;
根据索引值对当前UVC-LED产品各测试指标的聚类结果进行从大到小排序,以生成当前UVC-LED产品各性能数据的聚类结果。
示例性的,测试数据信息包括但不限于UVC-LED的发光特性、UVC-LED 外量子效率、光提取效率等测试数据,由于用户所测试到的数据可能是杂乱无章的,本发明是通过构建哈希函数组来实现数据的聚类,其中如将两个UVC-LED产品中的外量子效率测试数据聚类到一个排序表中,这样就能够有利于测试数据的比对。
进一步地,本发明的一个较佳实施例中,通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果,具体包括以下步骤:
通过大数据获取UVC-LED产品的性能测试指标数据信息,并确定评价的层次结构体系,将评价的层次结构体系分为目标层、准则层以及方案层;
将当前UVC-LED产品的性能测试指标数据信息输入到准则层,并将当前UVC-LED产品各性能数据的聚类结果输入到方案层中,预设若干个UVC-LED产品的质量评价结果,并将UVC-LED产品的质量评价结果输入到目标层中,生成评价指标体系;
根据准则层以及方案层组内的各因素进行相互比较,以预设定量标度进行相对重要性定量化,生成标度值,根据标度值构建判断矩阵;
通过方根法对判断矩阵进行归一化计算,得到特征向量,并获取特征向量在判断矩阵的最大值,根据特征向量以及最大值得到每个UVC-LED产品中每个性能数据的权重向量信息,生成评价结果。
示例性的,在本方法中,主要是通过层次分析法来实现对各个UVC-LED产品的测试数据根据测试指标来进行评判,由于测试指标有多个,如UVC-LED的发光特性、UVC-LED 外量子效率、光提取效率,在层次分析法中,质量评价结果可为不合格品质、低品质、中品质、高品质等,每个性能数据的权重向量信息对应的是相应的性能数据的品质等级,权重向量越高代表相应的性能数据就会越高。
如图2所示,进一步地,本发明的一个较佳实施例中,通过对评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计不合格产品数据,根据统计后的不合格产品数据进行二次分类,以获取偶发数据以及频发数据,具体包括:
S202:根据评价结果进行划分UVC-LED的产品等级,并判断产品等级是否大于预设产品等级,若产品等级大于预设产品等级,则将当前产品等级标记为合格产品数据;
S204:若产品等级不大于预设产品等级,则将当前产品等级标记为不合格产品,并统计不合格产品数据,以获取不合格产品的统计数据;
S206:获取不合格产品数据的性能异常项,并根据性能异常项生成聚类标签,根据聚类标签对不合格产品数据进行聚类分析,根据聚类分析结果生成性能异常项直方图;
S208:通过LOF算法计算性能异常项直方图中样本数据的局部离群因子,若局部离群因子大于预定阈值,则将样本数据标记为频发数据;若局部离群因子不大于预定阈值,则将样本数据标记为频发数据。
示例性的,用户可以设定当产品等级大于不合格品质时,属于不合格产品,否则属于合格产品,而合格产品中可以包括低品质、中品质、高品质等级的UVC-LED的产品。但用户还可以设定产品等级大于低品质产品时,属于不合格产品,否则属于合格产品。在本实施中并不限制其应用范围,用户可以根据实际需求进行调整参数。其次,当局部离群因子大于1时,说明偶发数据,说明发生该测试指标的异常品质是偶然发生的。当局部离群因子小于1时,说明为频发数据,说明发生该测试指标的异常品质是经常发生的。
进一步地,本发明的一个较佳实施例中,获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,具体包括以下步骤:
S302:获取大量的历史频发数据对应的性能指标数据信息以及对应的历史异常生产工艺规程信息,并构建贝叶斯网络模型,将历史频发数据对应的性能指标数据信息设置第一独立事件;
S304:将对应的历史异常生产工艺规程信息设置为第二独立事件,并将第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证;
S306:通过对第一独立事件以及第二独立事件进行初始化排序,以获取初始化节点次序,并将初始化节点次序作为粒子群算法的输入顺序,采用粒子群算法进行优化调节,以获取优化后的贝叶斯网络模型;
S308:获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,并将频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息输入到优化后的贝叶斯网络模型中,以获取多个关联性阈值数据。
需要说明的是,通过粒子群算法对贝叶斯网络进行优化,使得贝叶斯网络的性能得到优化,使得在识别频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息之间的关联性时更加迅速,提高了评价系统的运行速度。其中,关联性阈值数据越高说明频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息之间的关联性就越强,即表明第一独立事件以及第二独立事件的关联性就越强,第一独立事件能够直接或者间接的导致第二独立事件的发生。
进一步地,本发明的一个较佳实施例中,基于关联性阈值数据生成当前UVC-LED产品的生产调整方向,具体包括以下步骤:
判断关联性阈值数据是否大于预设关联性阈值数据信息,若关联性阈值数据大于预设关联性阈值数据信息,则将关联性阈值数据对应的生产工艺规程信息标记为可能性异常工艺规程信息;
获取可能性异常工艺规程信息在预设时间之内的实时加工工况信息,并将实时加工工况信息与预设的加工工况信息进行对比,得到偏差率;
判断偏差率是否大于预设偏差率阈值,若偏差率大于预设偏差率阈值,则将可能性异常工艺规程信息标记为最大可能性的异常生产工艺规程;
基于最大可能性的异常生产工艺规程生成当前UVC-LED产品的生产调整方向。
需要说明的是,通过本方法能够有效地对异常工艺规程信息进行溯源,从而有利于企业对于异常情况的快速识别,有利于减少生产损失,降低生产成本。
此外,本方法还可以包括以下步骤:
获取当前生产完成的UVC-LED成品数据信息,并根据所述当前生产完成的UVC-LED成品数据信息获取各批次UVC-LED成品的品质数据信息,并将所述各批次UVC-LED成品的品质数据信息存储于数据库中;
通过大数据获取大量UVC-LED的订单需求信息,并根据所述UVC-LED的订单需求信息构建需求偏好模型,基于所述需求偏好模型获取当前时段之内每一种产品等级用户的偏好权重值;
根据所述数据库获取当前企业每一种产品等级所占的比重值,判断所述当前企业每一种产品等级所占的比重值与当前时段之内每一种产品等级用户的偏好权重值的差值是否在权重阈值范围之内;
当所述当前企业每一种产品等级所占的比重值与当前时段之内每一种产品等级用户的偏好权重值的差值在权重阈值范围之内,调整当前UVC-LED产品的生产计划。
需要说明的是,当前生产完成的UVC-LED成品数据信息为UVC-LED成品的存量数据,通过本方法能够有效地根据市场的对于UVC-LED产品等级需求情况来调整当前UVC-LED产品的生产计划,使得UVC-LED产品的生产更具合理性。
此外,本方法还可以包括以下步骤:
获取当前UVC-LED的订单需求信息,并根据所述当前UVC-LED的订单需求信息进行产品等级需求特征提取,以获取当前UVC-LED的产品等级需求;
构建加工企业检索关键词,根据所述加工企业检索关键词通过大数据进行检索,以获取多个候选加工企业,通过大数据网络获取所述候选加工企业在预设时间之内能够加工的产品等级;
根据所述当前UVC-LED的产品等级需求以及所述候选加工企业在预设时间之内能够加工的产品等级进行对比,得到当前UVC-LED的产品等级需求的适配度;
根据所述当前UVC-LED的产品等级需求的适配度对候选加工企业进行从大到小排序,并获取适配度最高的候选加工企业作为推荐加工企业。
需要说明的是,通过本方法能够有效地根据产品等级需求进行选择推荐加工企业,有利于企业决策者对于候选加工厂的快速决策以及选择更加优质的候选加工企业作为最终的推荐加工企业。
本发明第二方面提供了一种基于人工智能的UVC-LED生产质量评价系统4,系统包括存储器41以及处理器62,存储器41中包含基于人工智能的UVC-LED生产质量评价方法程序,基于人工智能的UVC-LED生产质量评价方法程序被处理器62执行时,实现如下步骤:
获取当前UVC-LED产品的测试数据信息,并通过对当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果;
通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果;
通过对评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计不合格产品数据,根据统计后的不合格产品数据进行二次分类,以获取偶发数据以及频发数据;
获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。
在本实施例中,通过对评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计不合格产品数据,根据统计后的不合格产品数据进行二次分类,以获取偶发数据以及频发数据,具体包括:
根据评价结果进行划分UVC-LED的产品等级,并判断产品等级是否大于预设产品等级,若产品等级大于预设产品等级,则将当前产品等级标记为合格产品数据;
若产品等级不大于预设产品等级,则将当前产品等级标记为不合格产品,并统计不合格产品数据,以获取不合格产品的统计数据;
获取不合格产品数据的性能异常项,并根据性能异常项生成聚类标签,根据聚类标签对不合格产品数据进行聚类分析,根据聚类分析结果生成性能异常项直方图;
通过LOF算法计算性能异常项直方图中样本数据的局部离群因子,若局部离群因子大于预定阈值,则将样本数据标记为频发数据;若局部离群因子不大于预定阈值,则将样本数据标记为频发数据。
在本实施例中,获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,具体包括以下步骤:
获取大量的历史频发数据对应的性能指标数据信息以及对应的历史异常生产工艺规程信息,并构建贝叶斯网络模型,将历史频发数据对应的性能指标数据信息设置第一独立事件;
将对应的历史异常生产工艺规程信息设置为第二独立事件,并将第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证;
通过对第一独立事件以及第二独立事件进行初始化排序,以获取初始化节点次序,并将初始化节点次序作为粒子群算法的输入顺序,采用粒子群算法进行优化调节,以获取优化后的贝叶斯网络模型;
获取频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,并将频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息输入到优化后的贝叶斯网络模型中,以获取多个关联性阈值数据。
本第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包含基于人工智能的UVC-LED生产质量评价方法程序,基于人工智能的UVC-LED生产质量评价方法程序被处理器执行时,实现的基于人工智能的UVC-LED生产质量评价方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于人工智能的UVC-LED生产质量评价方法,其特征在于,包括以下步骤:
获取当前UVC-LED产品的测试数据信息,并通过对所述当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果;
通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据所述当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果;
通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。
2.根据权利要求1所述的基于人工智能的UVC-LED生产质量评价方法,其特征在于,获取当前UVC-LED产品的测试数据信息,并通过对所述当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果,具体包括以下步骤:
获取当前UVC-LED产品的测试数据信息,并通过大数据获取当前UVC-LED产品对应的测试指标,基于所述测试指标构建聚类关键词信息;
构建哈希函数组,基于所述哈希函数组对所述聚类关键词信息进行哈希运算并计算索引值,以获取与所述哈希函数组对应的若干个哈希组;
以每一个哈希组作为聚类目标,根据所述聚类目标对所述当前UVC-LED产品的测试数据信息进行聚类,以获取当前UVC-LED产品各测试指标的聚类结果;
根据所述索引值对所述当前UVC-LED产品各测试指标的聚类结果进行从大到小排序,以生成当前UVC-LED产品各性能数据的聚类结果。
3.根据权利要求1所述的基于人工智能的UVC-LED生产质量评价方法,其特征在于,通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据所述当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果,具体包括以下步骤:
通过大数据获取UVC-LED产品的性能测试指标数据信息,并确定评价的层次结构体系,将所述评价的层次结构体系分为目标层、准则层以及方案层;
将当前UVC-LED产品的性能测试指标数据信息输入到准则层,并将所述当前UVC-LED产品各性能数据的聚类结果输入到方案层中,预设若干个UVC-LED产品的质量评价结果,并将所述UVC-LED产品的质量评价结果输入到目标层中,生成评价指标体系;
根据所述准则层以及方案层组内的各因素进行相互比较,以预设定量标度进行相对重要性定量化,生成标度值,根据标度值构建判断矩阵;
通过方根法对所述判断矩阵进行归一化计算,得到特征向量,并获取所述特征向量在判断矩阵的最大值,根据所述特征向量以及最大值得到每个UVC-LED产品中每个性能数据的权重向量信息,生成评价结果。
4.根据权利要求1所述的基于人工智能的UVC-LED生产质量评价方法,其特征在于,通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据,具体包括:
根据所述评价结果进行划分UVC-LED的产品等级,并判断所述产品等级是否大于预设产品等级,若所述产品等级大于预设产品等级,则将当前产品等级标记为合格产品数据;
若所述产品等级不大于预设产品等级,则将当前产品等级标记为不合格产品,并统计所述不合格产品数据,以获取不合格产品的统计数据;
获取所述不合格产品数据的性能异常项,并根据所述性能异常项生成聚类标签,根据所述聚类标签对所述不合格产品数据进行聚类分析,根据聚类分析结果生成性能异常项直方图;
通过LOF算法计算所述性能异常项直方图中样本数据的局部离群因子,若局部离群因子大于预定阈值,则将所述样本数据标记为频发数据;若局部离群因子不大于预定阈值,则将所述样本数据标记为频发数据。
5.根据权利要求1所述的基于人工智能的UVC-LED生产质量评价方法,其特征在于,获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,具体包括以下步骤:
获取大量的历史频发数据对应的性能指标数据信息以及对应的历史异常生产工艺规程信息,并构建贝叶斯网络模型,将所述历史频发数据对应的性能指标数据信息设置第一独立事件;
将所述对应的历史异常生产工艺规程信息设置为第二独立事件,并将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证;
通过对所述第一独立事件以及第二独立事件进行初始化排序,以获取初始化节点次序,并将所述初始化节点次序作为粒子群算法的输入顺序,采用粒子群算法进行优化调节,以获取优化后的贝叶斯网络模型;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,并将所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息输入到优化后的贝叶斯网络模型中,以获取多个关联性阈值数据。
6.根据权利要求1所述的基于人工智能的UVC-LED生产质量评价方法,其特征在于,基于关联性阈值数据生成当前UVC-LED产品的生产调整方向,具体包括以下步骤:
判断所述关联性阈值数据是否大于预设关联性阈值数据信息,若所述关联性阈值数据大于预设关联性阈值数据信息,则将所述关联性阈值数据对应的生产工艺规程信息标记为可能性异常工艺规程信息;
获取所述可能性异常工艺规程信息在预设时间之内的实时加工工况信息,并将所述实时加工工况信息与预设的加工工况信息进行对比,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,若所述偏差率大于预设偏差率阈值,则将所述可能性异常工艺规程信息标记为最大可能性的异常生产工艺规程;
基于所述最大可能性的异常生产工艺规程生成当前UVC-LED产品的生产调整方向。
7.基于人工智能的UVC-LED生产质量评价系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包含基于人工智能的UVC-LED生产质量评价方法程序,所述基于人工智能的UVC-LED生产质量评价方法程序被处理器执行时,实现如下步骤:
获取当前UVC-LED产品的测试数据信息,并通过对所述当前UVC-LED产品的测试数据信息进行性能数据聚类,生成当前UVC-LED产品各性能数据的聚类结果;
通过大数据获取当前UVC-LED产品的性能测试指标数据信息,并根据所述当前UVC-LED产品的性能测试指标数据信息以及当前UVC-LED产品各性能数据的聚类结果进行质量评价,以获取评价结果;
通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,并基于关联性阈值数据生成当前UVC-LED产品的生产调整方向。
8.根据权利要求7所述的基于人工智能的UVC-LED生产质量评价系统,其特征在于,通过对所述评价结果进行数据分类,以获取合格产品数据以及不合格产品数据,并统计所述不合格产品数据,根据统计后的所述不合格产品数据进行二次分类,以获取偶发数据以及频发数据,具体包括:
根据所述评价结果进行划分UVC-LED的产品等级,并判断所述产品等级是否大于预设产品等级,若所述产品等级大于预设产品等级,则将当前产品等级标记为合格产品数据;
若所述产品等级不大于预设产品等级,则将当前产品等级标记为不合格产品,并统计所述不合格产品数据,以获取不合格产品的统计数据;
获取所述不合格产品数据的性能异常项,并根据所述性能异常项生成聚类标签,根据所述聚类标签对所述不合格产品数据进行聚类分析,根据聚类分析结果生成性能异常项直方图;
通过LOF算法计算所述性能异常项直方图中样本数据的局部离群因子,若局部离群因子大于预定阈值,则将所述样本数据标记为频发数据;若局部离群因子不大于预定阈值,则将所述样本数据标记为频发数据。
9.根据权利要求7所述的基于人工智能的UVC-LED生产质量评价系统,其特征在于,获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,根据所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息生成关联性阈值数据,具体包括以下步骤:
获取大量的历史频发数据对应的性能指标数据信息以及对应的历史异常生产工艺规程信息,并构建贝叶斯网络模型,将所述历史频发数据对应的性能指标数据信息设置第一独立事件;
将所述对应的历史异常生产工艺规程信息设置为第二独立事件,并将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证;
通过对所述第一独立事件以及第二独立事件进行初始化排序,以获取初始化节点次序,并将所述初始化节点次序作为粒子群算法的输入顺序,采用粒子群算法进行优化调节,以获取优化后的贝叶斯网络模型;
获取所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息,并将所述频发数据对应的性能指标数据信息以及当前UVC-LED产品的生产工艺规程信息输入到优化后的贝叶斯网络模型中,以获取多个关联性阈值数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包含基于人工智能的UVC-LED生产质量评价方法程序,所述基于人工智能的UVC-LED生产质量评价方法程序被处理器执行时,实现如权利要求1-6任一项所述的基于人工智能的UVC-LED生产质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709889.XA CN116485280B (zh) | 2023-06-15 | 2023-06-15 | 基于人工智能的uvc-led生产质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709889.XA CN116485280B (zh) | 2023-06-15 | 2023-06-15 | 基于人工智能的uvc-led生产质量评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485280A true CN116485280A (zh) | 2023-07-25 |
CN116485280B CN116485280B (zh) | 2023-09-19 |
Family
ID=87212118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310709889.XA Active CN116485280B (zh) | 2023-06-15 | 2023-06-15 | 基于人工智能的uvc-led生产质量评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485280B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196405A (zh) * | 2023-09-26 | 2023-12-08 | 机械工业仪器仪表综合技术经济研究所 | 一种钢铁工业生产数据质量评价方法和评价系统 |
CN117371875A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
CN117893101A (zh) * | 2024-03-15 | 2024-04-16 | 丰睿成科技(深圳)股份有限公司 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
CN117893101B (zh) * | 2024-03-15 | 2024-06-07 | 丰睿成科技(深圳)股份有限公司 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909774A (zh) * | 2019-11-08 | 2020-03-24 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 |
CN112633679A (zh) * | 2020-12-21 | 2021-04-09 | 贵州电网有限责任公司电力科学研究院 | 信息质量量化方法、装置、计算机设备和存储介质 |
KR20220041600A (ko) * | 2020-09-25 | 2022-04-01 | (주)디엘정보기술 | 스마트공장 데이터 품질평가 방법 |
WO2022095381A1 (zh) * | 2020-11-03 | 2022-05-12 | 平安科技(深圳)有限公司 | 性能监测评价方法、装置、计算机设备及可读存储介质 |
CN114841626A (zh) * | 2022-07-01 | 2022-08-02 | 张家港市欧凯医疗器械有限公司 | 一种导尿管质量智能评估方法及系统 |
CN115237802A (zh) * | 2022-08-09 | 2022-10-25 | 平安科技(深圳)有限公司 | 基于人工智能的模拟测试方法及相关设备 |
CN115455079A (zh) * | 2022-09-09 | 2022-12-09 | 浙江嘉兴数字城市实验室有限公司 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
CN115828771A (zh) * | 2023-02-13 | 2023-03-21 | 深圳市仕瑞达自动化设备有限公司 | 一种机械传动元件的性能评估方法、系统及介质 |
CN115829373A (zh) * | 2022-11-08 | 2023-03-21 | 盐城师范学院 | 一种阀门产品装配质量评价方法 |
CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
CN116151470A (zh) * | 2023-03-06 | 2023-05-23 | 联宝(合肥)电子科技有限公司 | 一种产品质量预测方法、装置、设备及存储介质 |
-
2023
- 2023-06-15 CN CN202310709889.XA patent/CN116485280B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909774A (zh) * | 2019-11-08 | 2020-03-24 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 |
KR20220041600A (ko) * | 2020-09-25 | 2022-04-01 | (주)디엘정보기술 | 스마트공장 데이터 품질평가 방법 |
WO2022095381A1 (zh) * | 2020-11-03 | 2022-05-12 | 平安科技(深圳)有限公司 | 性能监测评价方法、装置、计算机设备及可读存储介质 |
CN112633679A (zh) * | 2020-12-21 | 2021-04-09 | 贵州电网有限责任公司电力科学研究院 | 信息质量量化方法、装置、计算机设备和存储介质 |
CN114841626A (zh) * | 2022-07-01 | 2022-08-02 | 张家港市欧凯医疗器械有限公司 | 一种导尿管质量智能评估方法及系统 |
CN115237802A (zh) * | 2022-08-09 | 2022-10-25 | 平安科技(深圳)有限公司 | 基于人工智能的模拟测试方法及相关设备 |
CN115455079A (zh) * | 2022-09-09 | 2022-12-09 | 浙江嘉兴数字城市实验室有限公司 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
CN115829373A (zh) * | 2022-11-08 | 2023-03-21 | 盐城师范学院 | 一种阀门产品装配质量评价方法 |
CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
CN115828771A (zh) * | 2023-02-13 | 2023-03-21 | 深圳市仕瑞达自动化设备有限公司 | 一种机械传动元件的性能评估方法、系统及介质 |
CN116151470A (zh) * | 2023-03-06 | 2023-05-23 | 联宝(合肥)电子科技有限公司 | 一种产品质量预测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
李姗姗;包宏;胡传兵;: "冶金工艺流程评价决策系统的构建与实现", 计算机工程与设计, no. 17 * |
李蕴;蒋小良;黄昊培;陈凯;杨志豪;: "基于LEC法的LED照明产品风险分析", 中国照明电器, no. 11 * |
杨明德: "UVC-LED芯片质量评价方法", 《半导体技术》, vol. 46, no. 5 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196405A (zh) * | 2023-09-26 | 2023-12-08 | 机械工业仪器仪表综合技术经济研究所 | 一种钢铁工业生产数据质量评价方法和评价系统 |
CN117196405B (zh) * | 2023-09-26 | 2024-05-14 | 机械工业仪器仪表综合技术经济研究所 | 一种钢铁工业生产数据质量评价方法和评价系统 |
CN117371875A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
CN117371875B (zh) * | 2023-12-07 | 2024-04-26 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
CN117893101A (zh) * | 2024-03-15 | 2024-04-16 | 丰睿成科技(深圳)股份有限公司 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
CN117893101B (zh) * | 2024-03-15 | 2024-06-07 | 丰睿成科技(深圳)股份有限公司 | 一种键合金丝的生产质量评估方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116485280B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485280B (zh) | 基于人工智能的uvc-led生产质量评价方法及系统 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN112559900B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN111815054A (zh) | 基于大数据的工业蒸汽热网短期负荷预测方法 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN113111924A (zh) | 电力客户分类方法及装置 | |
CN114638498A (zh) | Esg评价方法、系统、电子设备及存储设备 | |
CN114398891A (zh) | 基于日志关键词生成kpi曲线并标记波段特征的方法 | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及系统 | |
CN112508363A (zh) | 基于深度学习的电力信息系统状态分析方法及装置 | |
CN117095247A (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
Toghraee et al. | The impact of feature selection on meta-heuristic algorithms to data mining methods | |
CN109508350B (zh) | 一种对数据进行采样的方法和装置 | |
CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
CN108305174B (zh) | 资源处理方法、装置、存储介质和计算机设备 | |
CN110059752A (zh) | 一种基于信息熵抽样估计的统计学习查询方法 | |
CN116263906A (zh) | 驿站选址的确定方法、装置及存储介质 | |
Kiruthika et al. | Classification of metaphase chromosomes using deep learning neural network | |
CN113850483A (zh) | 一种企业信用风险评级系统 | |
CN112085414A (zh) | 一种谐波污染程度评估方法、终端设备及存储介质 | |
Zhu et al. | Stock index prediction based on principal component analysis and machine learning | |
CN116993165B (zh) | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 | |
CN111753083A (zh) | 一种基于svm参数优化的投诉举报文本分类方法 | |
CN116740473B (zh) | 一种基于机器视觉的渔获物自动分拣方法及系统 | |
TWI759785B (zh) | 整合定性資料及定量資料進行稽核準則推薦的系統及方法 |
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 |