CN116502542A - 一种基于深度学习的多工艺产品关键工序识别方法 - Google Patents
一种基于深度学习的多工艺产品关键工序识别方法 Download PDFInfo
- Publication number
- CN116502542A CN116502542A CN202310733611.6A CN202310733611A CN116502542A CN 116502542 A CN116502542 A CN 116502542A CN 202310733611 A CN202310733611 A CN 202310733611A CN 116502542 A CN116502542 A CN 116502542A
- Authority
- CN
- China
- Prior art keywords
- product
- node
- key
- flow model
- importance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 282
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 239000000047 product Substances 0.000 claims description 87
- 230000015654 memory Effects 0.000 claims description 10
- 239000012467 final product Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 239000011159 matrix material Substances 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/0633—Workflow 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及关键工序识别技术领域，解决现有技术中难以对多工艺产品关键工序识别的技术问题，尤其涉及一种基于深度学习的多工艺产品关键工序识别方法，该方法包括以下步骤：S1、采用图网络方法对复杂的多工艺产品的工艺流程进行建模与分析，建立产品工艺流程模型；S2、分析产品工艺流程模型中任一工序对其他工序的影响程度，并根据影响程度确定产品工艺流程模型中工序节点的关联度指标；S3、分析产品工艺流程模型中任一工序所导致的不合格产品数量信息。本发明能够降低人工评判对关键工序识别的影响，提高对于生产多工艺产品生产中关键工序的准确识别，从而有效对关键工序进行加大监控力度，保证产品的质量。
Description
技术领域
本发明涉及关键工序识别技术领域，尤其涉及一种基于深度学习的多工艺产品关键工序识别方法。
背景技术
在产品生产质量控制中，生产过程本身应该是重点，因此对工艺流程中工序的监视与控制便成为产品质量控制的关键，而产品工艺流程是非常复杂的，一个产品完整的工艺生产流程通常由数十个甚至上百道工序组成，考虑到经济性和可行性，无法对全部工序都进行同等重视程度的监控，因此选择关键工序进行监控，能有效地提高产品的质量水平。
由于产品生产过程中存在随机性和动态性等特点，多工艺产品制造过程中工艺过程繁多以及工序间的复杂关联特性，使得产品生产中的关键工序难以挖掘，限制了对于产品质量的准确控制，如何有效识别关键工序便成为一个有待解决的问题。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习的多工艺产品关键工序识别方法，解决现有技术中难以对多工艺产品关键工序识别的技术问题，同时能够降低人工评判对关键工序识别的影响，提高对于生产多工艺产品生产中关键工序的准确识别，从而有效对关键工序进行加大监控力度，保证产品的质量。
为解决上述技术问题，本发明提供了如下技术方案：一种基于深度学习的多工艺产品关键工序识别方法，该方法包括以下步骤：
S1、采用图网络方法对复杂的多工艺产品的工艺流程进行建模与分析，建立产品工艺流程模型；
S2、分析产品工艺流程模型中任一工序对其他工序的影响程度，并根据影响程度确定产品工艺流程模型中工序节点的关联度指标；
S3、分析产品工艺流程模型中任一工序所导致的不合格产品数量信息，并根据不合格产品数量信息确定不合格度指标；
S4、采用LSTM网络结合Attention网络强化关键工序并挖掘各工序的重要度；
S5、根据各工序的重要度识别关键工序。
进一步地，在步骤S1中，具体过程包括以下步骤：
S11、分析产品工艺流程模型中与工序重要度挖掘相关的数据需求；
S12、将数据需求描述为G，并采用图网络方法对数据需求G结构化处理，数据需求G中包括工艺流程中工序的集合B、产品不合格记录的集合C以及选用数据所处的时间集合T；
S13、确定选用数据所处的时间集合T，然后对时间集合T内任一时刻t的工序进行分析并记录与时刻t相对应的工序节点，获得基础模型的质量数据组；
S14、以质量数据组为基础构建产品工艺流程模型/>，对时间集合T内的产品不合格记录进行分析获得质量数据组/>，将产品不合格记录的集合Ｃ中的不合格记录抽象为质量原因节点；
S15、根据质量原因节点与工序节点的关系将其集成到产品工艺流程模型中。
进一步地，在步骤S2中，
影响程度的值为该任一工序节点关联的工序节点数量；
工艺流程模型中工序节点/>的关联度指标/>表示为：
；
n为产品工艺流程模型中工序节点的数量，/>反映了工序节点/>到工序节点的可达性，值为1时可达，值为0时不可达。
进一步地，在步骤S3中，
不合格产品数量信息的值为与其中工序节点直接相连的所有质量原因节点到该工序节点的距离之和；
工序节点的不合格度指标/>表示为：
；
其中，c为直接与工序节点相连接的质量原因节点数量，/>为第j个直接与工序节点/>相连接的质量原因节点到工序节点/>的有向边的权重。
进一步地，在步骤S4中，具体过程包括以下步骤：
S41、运用LSTM网络利用以上所得每个工序的关联度指标与不合格度指标模拟产品工序间误差的复杂传递特性；
S42、结合Attention网络，学习各工序对最终产品质量贡献的差异，对不同工序分配不同注意力权值得到各工序的重要度；
S43、对输出的各工序的重要度进行归一化映射到[0,1]区间内，重要度的值越大则代表与其相对应的工序在工艺流程中的重要程度就越高。
进一步地，在步骤S4中，在LSTM网络中引入特有的门控机制，门控机制包括输入门、遗忘门和输出门，
输入门和遗忘门用于承担当前记忆单元需要选择信息和遗忘信息的任务；
输出门用于承担记忆单元要为输出提供多少信息的任务。
进一步地，在步骤S5中，具体为选取工序重要度大于0.50的工序作为关键工序。
借由上述技术方案，本发明提供了一种基于深度学习的多工艺产品关键工序识别方法，至少具备以下有益效果：
1、本发明通过多工艺流程建模生成网络图，采用关联度指标与不合格度指标，通过LSTM网络结合Attention网络注意力机制模拟误差传递关系学习工序在流程中权重挖掘工序重要度，从而对多工艺产品关键工序进行识别，具有识别度高、效率高以及较少的人工评判等优点。
2、本发明解决现有技术中难以对多工艺产品关键工序识别的技术问题，同时能够降低人工评判对关键工序识别的影响，提高对于生产多工艺产品生产中关键工序的准确识别，从而有效对关键工序进行加大监控力度，保证产品的质量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明多工艺产品关键工序识别方法的流程图；
图2为本发明LSTM网络结合Attention网络的网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现下述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1和图2，示出了本实施例的一种具体实施方式，本实施例通过多工艺流程建模生成网络图，采用关联度指标与不合格度指标，通过LSTM网络结合Attention网络注意力机制模拟误差传递关系学习工序在流程中权重挖掘工序重要度，从而对多工艺产品关键工序进行识别，具有识别度高、效率高以及较少的人工评判等优点。
请参照图1，本实施例提出了一种基于深度学习的多工艺产品关键工序识别方法，该方法包括以下步骤：
S1、采用图网络方法对复杂的多工艺产品的工艺流程进行建模与分析，建立产品工艺流程模型，为下一步对多工艺产品工序重要度的挖掘提供支持；
S11、分析产品工艺流程模型中与工序重要度挖掘相关的数据需求；
S12、将数据需求描述为G，并采用图网络方法对数据需求G结构化处理，数据需求G中包括工艺流程中工序的集合B、产品不合格记录的集合C以及选用数据所处的时间集合T；
具体的，数据需求G的表达式为：
；
S13、确定选用数据所处的时间集合T，然后对时间集合T内任一时刻t的工序进行分析并记录与时刻t相对应的工序节点，获得基础模型的质量数据组；
具体的，质量数据组的表达式为：
；
S14、以质量数据组为基础构建产品工艺流程模型/>，对时间集合T内的产品不合格记录进行分析获得质量数据组/>，将产品不合格记录的集合Ｃ中的不合格记录抽象为质量原因节点；
S15、根据质量原因节点与工序节点的关系将其集成到产品工艺流程模型中。
S2、分析产品工艺流程模型中任一工序对其他工序的影响程度，并根据影响程度确定产品工艺流程模型中工序节点的关联度指标；
具体的，影响程度的值为该任一工序节点关联的工序节点数量；
关联度指标需要通过对产品工艺流程模型的分析来实现，结合有向图中邻接矩阵和可达矩阵，计算得到产品工艺流程模型/>的可达矩阵/>。
可达矩阵的计算公式为：
；
其中，n为产品工艺流程模型中工序节点的数量，/>反映了工序节点/>到工序节点/>的可达性，值为1时可达，值为0时不可达。
因此，产品工艺流程模型中工序节点/>的关联度指标/>可表示为：
；
S3、分析产品工艺流程模型中任一工序所导致的不合格产品数量信息，并根据不合格产品数量信息确定不合格度指标；
具体的，不合格产品数量信息的值为与其中工序节点直接相连的所有质量原因节点到该工序节点的距离之和。
工序节点的不合格度指标/>可表示为：
；
其中，c为直接与工序节点相连接的质量原因节点数量，/>为第j个直接与工序节点/>相连接的质量原因节点到工序节点/>的有向边的权重。
S4、采用LSTM网络结合Attention网络强化关键工序并挖掘各工序的重要度；
请参照图2，在该步骤中，运用LSTM网络利用关联度指标与不合格度指标模拟产品工序间误差的复杂传递特性，结合Attention网络，学习各工序对最终产品质量贡献的差异，对不同工序分配不同注意力权值，以强化关键工序，挖掘各工序重要度。
S41、运用LSTM网络利用以上所得每个工序的关联度指标与不合格度指标模拟产品工序间误差的复杂传递特性；
在LSTM网络中引入特有的门控机制，门控机制包括输入门、遗忘门和输出门，
输入门和遗忘门用于承担当前记忆单元需要选择信息和遗忘信息的任务；
输出门用于承担记忆单元要为输出提供多少信息的任务。
具体的，通过在LSTM网络中引入特有的门控机制来控制记忆单元的状态与信息的传输。有了门控机制，长短期记忆网络就可以很好地控制信息的累计、信息的选择以及信息的遗忘。输入门和遗忘门承担着当前记忆单元需要选择和遗忘信息的任务，也就是要存储的信息，输出门承担着记忆单元要为输出提供多少信息的任务。
因此，若表示t时刻输入LSTM的数据，则，在t时刻LSTM网络如下式进行更新：
；
其中，分别代表t时刻输入门、遗忘门以及输出门的计算值；/>则为t时刻记忆细胞候选值以及更新后的值，分别为为输入矩阵和循环矩阵；/>分别为/>的偏置向量；/>代表sigmoid函数；/>分别表示输入门、遗忘门以及输出门神经元节点间的共享权重矩阵；/>为最终输出。
S42、结合Attention网络，学习各工序对最终产品质量贡献的差异，对不同工序分配不同注意力权值得到各工序的重要度；
Attention网络对输入序列的权重影响有一个大小判断，权重影响大的部分也就是输入序列值得关注的部分，从而减少了对其他信息的关注度，它能够使模型自动选择与所要输出的目标序列最匹配信息。
其中Attention网络的运算过程如下式所示：
；
其中，为神经元节点间的共享权重矩阵；/>为共享偏置向量；/>为神经元节点中提取的工序特征矩阵；/>为sigmoid激活函数；/>为特征重要程度向量，/>为经softmax函数转换后的注意力权值。
S43、对输出的各工序的重要度进行归一化映射到[0,1]区间内，重要度的值越大则代表与其相对应的工序在工艺流程中的重要程度就越高。
S5、根据各工序的重要度识别关键工序。
具体的，在得到各个工序的重要度后，选取工序重要度大于0.50的工序作为关键工序。
本发明解决了现有的多工艺产品关键工序识别人工耗时成本高、效率低的问题，能够降低人工评判对关键工序识别的影响，提高对于生产多工艺产品生产中关键工序的准确识别，从而有效对关键工序进行加大监控力度，保证产品的质量。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同或相似的部分互相参见即可。对于以上各实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于深度学习的多工艺产品关键工序识别方法，其特征在于，该方法包括以下步骤：
S1、采用图网络方法对复杂的多工艺产品的工艺流程进行建模与分析，建立产品工艺流程模型；
S2、分析产品工艺流程模型中任一工序对其他工序的影响程度，并根据影响程度确定产品工艺流程模型中工序节点的关联度指标；
S3、分析产品工艺流程模型中任一工序所导致的不合格产品数量信息，并根据不合格产品数量信息确定不合格度指标；
S4、采用LSTM网络结合Attention网络强化关键工序并挖掘各工序的重要度；
S5、根据各工序的重要度识别关键工序。
2.根据权利要求1所述的多工艺产品关键工序识别方法，其特征在于：在步骤S1中，具体过程包括以下步骤：
S11、分析产品工艺流程模型中与工序重要度挖掘相关的数据需求；
S12、将数据需求描述为G，并采用图网络方法对数据需求G结构化处理，数据需求G中包括工艺流程中工序的集合B、产品不合格记录的集合C以及选用数据所处的时间集合T；
S13、确定选用数据所处的时间集合T，然后对时间集合T内任一时刻t的工序进行分析并记录与时刻t相对应的工序节点，获得基础模型的质量数据组；
S14、以质量数据组为基础构建产品工艺流程模型/>，对时间集合T内的产品不合格记录进行分析获得质量数据组/>，将产品不合格记录的集合Ｃ中的不合格记录抽象为质量原因节点；
S15、根据质量原因节点与工序节点的关系将其集成到产品工艺流程模型中。
3.根据权利要求1所述的多工艺产品关键工序识别方法，其特征在于：在步骤S2中，
影响程度的值为该任一工序节点关联的工序节点数量；
工艺流程模型中工序节点/>的关联度指标/>表示为：
；
n为产品工艺流程模型中工序节点的数量，/>反映了工序节点/>到工序节点/>的可达性，值为1时可达，值为0时不可达。
4.根据权利要求1所述的多工艺产品关键工序识别方法，其特征在于：在步骤S3中，
不合格产品数量信息的值为与其中工序节点直接相连的所有质量原因节点到该工序节点的距离之和；
工序节点的不合格度指标/>表示为：
；
其中，c为直接与工序节点相连接的质量原因节点数量，/>为第j个直接与工序节点/>相连接的质量原因节点到工序节点/>的有向边的权重。
5.根据权利要求1所述的多工艺产品关键工序识别方法，其特征在于：在步骤S4中，具体过程包括以下步骤：
S41、运用LSTM网络利用以上所得每个工序的关联度指标与不合格度指标模拟产品工序间误差的复杂传递特性；
S42、结合Attention网络，学习各工序对最终产品质量贡献的差异，对不同工序分配不同注意力权值得到各工序的重要度；
S43、对输出的各工序的重要度进行归一化映射到[0,1]区间内，重要度的值越大则代表与其相对应的工序在工艺流程中的重要程度就越高。
6.根据权利要求1或5所述的多工艺产品关键工序识别方法，其特征在于：在步骤S4中，在LSTM网络中引入特有的门控机制，门控机制包括输入门、遗忘门和输出门，
输入门和遗忘门用于承担当前记忆单元需要选择信息和遗忘信息的任务；
输出门用于承担记忆单元要为输出提供多少信息的任务。
7.根据权利要求1所述的多工艺产品关键工序识别方法，其特征在于：在步骤S5中，具体为选取工序重要度大于0.50的工序作为关键工序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310733611.6A CN116502542B (zh) | 2023-06-20 | 2023-06-20 | 一种基于深度学习的多工艺产品关键工序识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310733611.6A CN116502542B (zh) | 2023-06-20 | 2023-06-20 | 一种基于深度学习的多工艺产品关键工序识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502542A true CN116502542A (zh) | 2023-07-28 |
| CN116502542B CN116502542B (zh) | 2023-09-12 |
Family
ID=87318634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310733611.6A Active CN116502542B (zh) | 2023-06-20 | 2023-06-20 | 一种基于深度学习的多工艺产品关键工序识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502542B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435595A (zh) * | 2023-12-21 | 2024-01-23 | 上海建工集团股份有限公司 | 建筑施工过程中工艺数据的存储和分析的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034483A (zh) * | 2018-08-01 | 2018-12-18 | 西安交通大学 | 一种基于质量功能配置的检测规划方法 |
| CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
| CN112465377A (zh) * | 2020-12-09 | 2021-03-09 | 沈阳工业大学 | 一种面向多品种小批量制造过程的关键工序识别与聚类分析方法 |
| CN112800585A (zh) * | 2021-01-05 | 2021-05-14 | 北京动力机械研究所 | 一种多工序工艺可靠性定量化建模方法 |
| CN113469241A (zh) * | 2021-06-29 | 2021-10-01 | 中国航空规划设计研究总院有限公司 | 基于工艺网络模型与机器学习算法的产品质量控制方法 |
| CN115205743A (zh) * | 2022-07-12 | 2022-10-18 | 湖南匡安网络技术有限公司 | 基于tsn与注意力lstm网络模型的电气设备完整度监测方法 |
-
2023
- 2023-06-20 CN CN202310733611.6A patent/CN116502542B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034483A (zh) * | 2018-08-01 | 2018-12-18 | 西安交通大学 | 一种基于质量功能配置的检测规划方法 |
| CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
| CN112465377A (zh) * | 2020-12-09 | 2021-03-09 | 沈阳工业大学 | 一种面向多品种小批量制造过程的关键工序识别与聚类分析方法 |
| CN112800585A (zh) * | 2021-01-05 | 2021-05-14 | 北京动力机械研究所 | 一种多工序工艺可靠性定量化建模方法 |
| CN113469241A (zh) * | 2021-06-29 | 2021-10-01 | 中国航空规划设计研究总院有限公司 | 基于工艺网络模型与机器学习算法的产品质量控制方法 |
| CN115205743A (zh) * | 2022-07-12 | 2022-10-18 | 湖南匡安网络技术有限公司 | 基于tsn与注意力lstm网络模型的电气设备完整度监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435595A (zh) * | 2023-12-21 | 2024-01-23 | 上海建工集团股份有限公司 | 建筑施工过程中工艺数据的存储和分析的方法 |
| CN117435595B (zh) * | 2023-12-21 | 2024-03-08 | 上海建工集团股份有限公司 | 建筑施工过程中工艺数据的存储和分析的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502542B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502542B (zh) | 一种基于深度学习的多工艺产品关键工序识别方法 | |
| US11544621B2 (en) | Cognitive model tuning with rich deep learning knowledge | |
| CN111951901B (zh) | 优化设备、优化系统、优化方法及记录介质 | |
| Zhang et al. | A brief analysis of the key technologies and applications of educational data mining on online learning platform | |
| CN115601514A (zh) | 一种数字孪生数据自动关联映射方法 | |
| CN116306863A (zh) | 基于对比学习的协同知识追踪建模方法及系统 | |
| CN115329746A (zh) | 一种事件抽取方法、装置及设备 | |
| Qiao | [Retracted] Teaching Quality Evaluation of Ideological and Political Courses in Colleges and Universities Based on Machine Learning | |
| US9324056B2 (en) | Model entity network for analyzing a real entity network | |
| CN114463596A (zh) | 一种超图神经网络的小样本图像识别方法、装置及设备 | |
| CN112700099A (zh) | 基于强化学习和运筹学的资源调度规划方法 | |
| Niu | Optimization of teaching management system based on association rules algorithm | |
| CN116578612A (zh) | 锂电池成品检测数据资产构建方法 | |
| CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
| CN112488390B (zh) | 一种城市排水量预测方法及系统 | |
| US11630852B1 (en) | Machine learning-based clustering model to create auditable entities | |
| CN115033802A (zh) | 社团挖掘方法、社团挖掘模型的训练方法及装置 | |
| CN115169578A (zh) | 一种基于元宇宙数据标记的ai模型生产方法及系统 | |
| CN114707655A (zh) | 一种量子线路转换方法、系统、存储介质和电子设备 | |
| CN113722368A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| Wu et al. | [Retracted] Analysis of College Students’ Ideological and Political Dynamics and Communication Path Based on Reinforcement Learning | |
| Niska | Multi-model Database Migration | |
| Chen et al. | Data integration method of multi-source feedback evaluation for remote teaching quality | |
| Ukhalkar et al. | Artificial Intelligence, Machine Learning, and Natural Language Processing Capabilities in Modern Business Intelligence | |
| CN117493619B (zh) | 一种基于事件图的议题关闭时间预测方法及系统 |
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 |