CN116757560A - 一种大数据集数据智能质检方法 - Google Patents
一种大数据集数据智能质检方法 Download PDFInfo
- Publication number
- CN116757560A CN116757560A CN202311054828.0A CN202311054828A CN116757560A CN 116757560 A CN116757560 A CN 116757560A CN 202311054828 A CN202311054828 A CN 202311054828A CN 116757560 A CN116757560 A CN 116757560A
- Authority
- CN
- China
- Prior art keywords
- available data
- data
- belongs
- product
- detected
- 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 229
- 238000007689 inspection Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 157
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 230000002596 correlated effect Effects 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 16
- 238000003908 quality control method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 17
- 230000005856 abnormality Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 49
- 238000004590 computer program Methods 0.000 description 11
- 239000013067 intermediate product Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 6
- 238000005530 etching Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012858 packaging process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种大数据集数据智能质检方法，针对相关技术中生产工序生成的数据过多，处理难度较大的技术问题，本说明书中的技术方案采用针对工序预设的权重等级对历史数据进行筛选，较大程度的减小了后续步骤中需要处理的历史数据的量。由此得到第一可用数据和第二可用数据，第一可用数据和第二可用数据分别针对不同的工序，可以表示出历史上发生的异常对待检产品可能造成的潜在影响；此外，能够表示出历史上发生的异常在末道工序中的累积情况。也就是说，第一可用数据和第二可用数据能够从不同维度表示出隐患存在的可能性。在第一可用数据和第二可用数据均表明存在隐患的情况下，提供针对待检产品的质检力度，有利于发现质量问题。
Description
技术领域
本申请涉及适用于行政、商业、金融、管理、监督或预测目的的数据处理技术领域，尤其涉及一种大数据集数据智能质检方法。
背景技术
随着技术的发展，生产逐渐趋于批量化、规模化，一定程度的满足了人们对物质的需求。由此带来的是对产品的抽检的压力。若是能将生产过程涉及的各工序采集历史数据利用起来，将有利于提高抽检结果对产品质量的表征能力，进而及时的发现产品存在的问题。但是，机械化生产过程中，由生产工序生产的数据是海量的，特别是针对流水线式的连续生产，数据可以说是源源不断的生成的，如此众多的数据如何能够有效的利用起来，成为亟待解决的问题。
发明内容
本申请实施例提供了一种大数据集数据智能质检方法，以至少部分的解决上述技术问题。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种大数据集数据智能质检方法，所述方法包括：
获取针对待检产品的预设的工序等级表，所述工序等级表中记录有生产所述待检产品采用的各工序的权重等级，所述权重等级与其所属的所述工序对所述待检产品的质量的影响程度正相关；
从针对所述待检产品的生产过程采集的历史数据中，确定出第一可用数据，所述第一可用数据是能够表征其所属的所述工序在预设的指定时间段内的采集对象的状态、且对应于所述权重等级最高的预设的指定数量个所述工序的历史数据；
从所述历史数据中，确定出第二可用数据，所述第二可用数据是针对除所述第一可用数据所属的所述工序以外的工序中，处于最末位的所述工序采集的所述历史数据；
在所述第一可用数据和所述第二可用数据中均包含表征所述采集对象异常状态的内容的情况下，确定样本增量；所述样本增量与所述异常状态在其所属的所述工序中持续的时长正相关、与所述指定数量正相关、与所述异常状态所属的所述工序的权重等级正相关、与所述第二可用数据所属的所述工序在所述各工序中的位次负相关、且与指定系数正相关；在任一所述第一可用数据所属的所述工序在所述各工序中的位次均先于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数，大于至少一个所述第一可用数据所属的所述工序在所述各工序中的位次后于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数；
对所述待检产品进行采样，使得采样得到的样本的数量与所述样本增量正相关；
对所述样本进行质检。
在本说明书一个可选的实施例中，所述方法还包括：
所述指定时间段的时长与所述历史数据所属的所述工序的权重等级正相关。
在本说明书一个可选的实施例中，所述方法还包括：
所述指定时间段的时长与所述待检产品的数量正相关。
在本说明书一个可选的实施例中，所述方法还包括：
所述指定数量与生产所述待检产品采用的所述各工序的数量正相关。
在本说明书一个可选的实施例中，所述方法还包括：
所述指定数量与所述各工序中所述权重等级大于预设的等级阈值的所述工序的数量正相关。
在本说明书一个可选的实施例中，所述方法还包括：
在所述第一可用数据和所述第二可用数据中均不包含表征所述采集对象异常状态的内容的情况下，确定所述样本增量为零。
在本说明书一个可选的实施例中，所述方法还包括：
在所述第一可用数据包含表征所述采集对象异常状态的内容、且所述第二可用数据中不包含表征所述采集对象异常状态的内容的情况下，确定所述样本增量为第一值；
在所述第一可用数据不包含表征所述采集对象异常状态的内容、且所述第二可用数据中包含表征所述采集对象异常状态的内容的情况下，确定所述样本增量为第二值；
所述第一值小于所述第二值，且所述第一值大于零。
第二方面，本申请实施例还提供一种大数据集数据智能质检系统，所述系统包括：
获取模块，配置为：获取针对待检产品的预设的工序等级表，所述工序等级表中记录有生产所述待检产品采用的各工序的权重等级，所述权重等级与其所属的所述工序对所述待检产品的质量的影响程度正相关；
第一可用数据确定模块，配置为：从针对所述待检产品的生产过程采集的历史数据中，确定出第一可用数据，所述第一可用数据是能够表征其所属的所述工序在预设的指定时间段内的采集对象的状态、且对应于所述权重等级最高的预设的指定数量个所述工序的历史数据；
第二可用数据确定模块，配置为：从所述历史数据中，确定出第二可用数据，所述第二可用数据是针对除所述第一可用数据所属的所述工序以外的工序中，处于最末位的所述工序采集的所述历史数据；
样本增量确定模块，配置为：在所述第一可用数据和所述第二可用数据中均包含表征所述采集对象异常状态的内容的情况下，确定样本增量；所述样本增量与所述异常状态在其所属的所述工序中持续的时长正相关、与所述指定数量正相关、与所述异常状态所属的所述工序的权重等级正相关、与所述第二可用数据所属的所述工序在所述各工序中的位次负相关、且与指定系数正相关；在任一所述第一可用数据所属的所述工序在所述各工序中的位次均先于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数，大于至少一个所述第一可用数据所属的所述工序在所述各工序中的位次后于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数；
采样模块，配置为：对所述待检产品进行采样，使得采样得到的样本的数量与所述样本增量正相关；
质检模块，配置为：对所述样本进行质检。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
针对相关技术中生产工序生成的数据过多，处理难度较大的技术问题，本说明书中的技术方案采用针对工序预设的权重等级对历史数据进行筛选，较大程度的减小了后续步骤中需要处理的历史数据的量。由此得到第一可用数据和第二可用数据，第一可用数据和第二可用数据分别针对不同的工序，一方面可以表示出历史上发生的异常对待检产品可能造成的潜在影响；另一方面，能够表示出历史上发生的异常在末道工序中的累积情况。也就是说，第一可用数据和第二可用数据能够从不同维度表示出隐患存在的可能性。在第一可用数据和第二可用数据均表明存在隐患的情况下，提供针对待检产品的质检力度，有利于发现质量问题。
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为本说明书实施例提供的一种大数据集数据智能质检方法的过程示意图；
图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其它元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1所示，本说明书中的大数据集数据智能质检方法包含以下步骤：
S100：获取针对待检产品的预设的工序等级表。
本步骤在针对待检产品的生成完成之后的某一时刻触发执行。实际的生产环境中，可能存在一种以上待检产品，本说明书以其中的任一种为例进行说明。
本说明书中的工序等级表是基于专家经验预先设置的。所述工序等级表中记录有生产所述待检产品采用的各工序的权重等级，所述权重等级与其所属的所述工序对所述待检产品的质量的影响程度正相关。示例性地，工序等级表的行表示某一工序，列表示该工序的权重等级。例如，权重等级可以分为1级、2级、3级、4级、5级五个等级。5级最高，1级最低。某待检产品按照时间次序，包含以下工序：清洗、切割、刻蚀、封装、包装。其中，刻蚀对质量的影响程度最大，则刻蚀是5级，包装是1级。清洗、切割、封装是4级。
至于产品的何种性能才会被定义为影响质量的因素，则可以根据实际的情况确定。可选地，可以针对不同的待检产品分别制定工序等级表。
S102：从针对所述待检产品的生产过程采集的历史数据中，确定出第一可用数据。
本步骤实质是对历史数据的筛选，能够有效地减小后续步骤中需要处理的历史数据的量。本说明书中的第一可用数据是能够表征其所属的所述工序在预设的指定时间段内的采集对象的状态、且对应于所述权重等级最高的预设的指定数量个所述工序的历史数据。
本说明书中的采集对象可以是工序中涉及的任何事物。示例性地，采集对象可以是待检产品的中间产品（未加工完成的待检产品）的某个属性，例如尺寸、纯度、强度等。采集对象还可以是用于加工待检产品的设备属性，例如，表征设备是否正常工作的属性。此外，采集对象还可以是加工待检产品时的环境属性，例如，需要热处理的产品，热处理环境的温度是否符合工序要求等。若热处理工序中，针对热处理环境温度的检测装置未开启，则针对热处理工序没有采集到可以作为第一可用数据的历史数据，若热处理工序确存在问题，则该问题可能被遗留在此后的工序中，如第二可用数据所属的工序，仍然可以被察觉。
例如，某一历史数据是表征中间产品的尺寸的数据。用于对中间产品的尺寸进行加工的工序从0:00时持续到8:00时，期间共加工了100个中间产品，则该历史数据即为从0:00时持续到8:00进行的加工对这100个中间产品采集的尺寸。假设指定时间段的时长是1小时，则在一个可选的实施例中，可以从0:00时持续到8:00这一时间段中随机取1小时，将这1小时中采集的尺寸的历史数据，作为第一可用数据。
在本说明书一个可选的实施例中，指定数量可以是基于经验的预设值。指定数量越大，筛选出的历史数据越多，检测效果越好，但是数据处理的量越大。所述指定数量与生产所述待检产品采用的所述各工序的数量正相关。此外，所述指定数量与所述各工序中所述权重等级大于预设的等级阈值的所述工序的数量正相关。等级阈值可以是经验值，可选地，等级阈值与中间产品累计的仓储时间负相关。
可选地，可以为不同的工序制定不同时长的指定时间段。指定时间段与所述历史数据所属的所述工序的权重等级正相关，在非连续作业的场景中个，指定时间段的时长不超过其对应的工序的持续时长。此外，所述指定时间段的时长还可以与所述待检产品的数量正相关。
S104：从所述历史数据中，确定出第二可用数据。
本说明书中的第二可用数据和第一可用数据是不重叠的。第二可用数据是针对除所述第一可用数据所属的所述工序以外的工序中，处于最末位的所述工序采集的所述历史数据。
继前述示例，工序包含：清洗、切割、刻蚀、封装、包装。刻蚀工序采集到的数据被定为第一可用数据。则包装工序采集到历史数据是第二可用数据。本说明书中的历史数据是针对由机器加工生成的数据，倘若包装工序是人工执行的，则包装工序未采集到历史数据，封装采集到的历史数据才是第二可用数据。
在实际的生产工艺过程中，可以针对不同的环节分别的制定检验策略。例如，通过激光定位法，逐一的确定中间产品的尺寸是否合格，在确定出某一中间产品不合格的情况下，直接将该中间产品剔除。机械化、自动化的生产优势可见一斑。也就是说，在机械化、自动化生产的场景中，能够及时的发现有质量问题的中间产品，并将其剔除，以保证下游工序的产品质量。而本说明书中的第二可用数据是末位工序采集到的数据，也就是说，在经历了前几道工序的检测、筛选之后，没有被发现的、隐藏的问题被累积、叠加，有可能导致其隐蔽性降低，在第二可用数据所属的工序中有可能被发现。
S106：在所述第一可用数据和所述第二可用数据中均包含表征所述采集对象异常状态的内容的情况下，确定样本增量。
通常情况下，对待检产品进行质检，需要对待检产品进行抽样。相关技术领域中的技术手段，均能确定出抽检出的样本的数量，通过相关技术领域中的技术手段确定出的样本的数量，在本说明书中称为基准量。通过基准量的样本进行的质检，能够确定待检产品存在问题的概率。本说明书中的技术方案不仅仅要确定存在问题的待检产品的概率，还要一定程度的发现隐患，甚至抽检到真实的存在问题的待检产品。由此，在基准量的基础之上，还设计了样本增量。在对待检产品进行抽检时，实际抽取的样本的数量等于基准量加样本增量。
本说明书中的异常即为偏离正常的状态，具体到某个工序，甚至具体到某个工序下的采集对象，至于什么样的情况才能够称为异常，可以根据实际的业务规则确定。
为使得得到的样本增量能够达到这种效果，通过以下技术手段得到样本增量：所述样本增量与所述异常状态在其所属的所述工序中持续的时长正相关（继前述实施例，也就是说异常状态在1小时内持续的时长，例如，1小时中连续的出现了多个尺寸异常的中间产品，则表明异常持续的时长较长）、与所述指定数量正相关（指定数量越多，表明第一可用数据也相应的越多，需要提高样本增量以提高结果的表征能力）、与所述异常状态所属的所述工序的权重等级正相关（异常状态所属工序的权重等级越高，表明若存在隐患，则该隐患的危害越大）、与所述第二可用数据所属的所述工序在所述各工序中的位次负相关（第二可用数据所属的工序的位次越靠近末位，表明隐患可用于被察觉的窗口期越长，此前（例如第一可用数据）发现该问题的可能性越大。此外，第二可用数据的位次越靠近末位，其对隐患的表征能力越强，不需要过多的样本增量也能够实现效果）、且与指定系数（预设值）正相关。在任一所述第一可用数据所属的所述工序在所述各工序中的位次均先于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数，大于至少一个所述第一可用数据所属的所述工序在所述各工序中的位次后于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数。
S108：对所述待检产品进行采样，使得采样得到的样本的数量与所述样本增量正相关。
相关技术中，能够实现对待检产品进行采样的技术手段，在条件允许的情况下，均适用于本说明书。例如，定点取样法、定量取样法、随机取样法、定距取样法、系统取样法等。
S110：对所述样本进行质检。
对样本进行质检采用的具体技术手段，可以根据待检产品具体为何确定。相关技术中，能够用于对样本进行质检的技术手段，在条件允许的情况下，均适用于本说明书，例如目测法、量测法、试验法等。
针对相关技术中生产工序生成的数据过多，处理难度较大的技术问题，本说明书中的技术方案采用针对工序预设的权重等级对历史数据进行筛选，较大程度的减小了后续步骤中需要处理的历史数据的量。由此得到第一可用数据和第二可用数据，第一可用数据和第二可用数据分别针对不同的工序，一方面可以表示出历史上发生的异常对待检产品可能造成的潜在影响；另一方面，能够表示出历史上发生的异常在末道工序中的累积情况。也就是说，第一可用数据和第二可用数据能够从不同维度表示出隐患存在的可能性。在第一可用数据和第二可用数据均表明存在隐患的情况下，提供针对待检产品的质检力度，有利于发现质量问题。
在本说明书进一步可选的实施例中，在所述第一可用数据和所述第二可用数据中均不包含表征所述采集对象异常状态的内容的情况下，表明待检产品存在隐患的可能性较低，则确定所述样本增量为零，以避免过多的样本增加质检难度。
此外，在所述第一可用数据包含表征所述采集对象异常状态的内容、且所述第二可用数据中不包含表征所述采集对象异常状态的内容的情况下，表明在加工过程中的开始几道工序确实有可能存在隐患，但是随着加工的进行，该隐患导致问题可能已经暴露，在后续的工序中被剔除，则确定所述样本增量为第一值。在所述第一可用数据不包含表征所述采集对象异常状态的内容、且所述第二可用数据中包含表征所述采集对象异常状态的内容的情况下，表明有可能前面次序的几道工序存在较为隐蔽的隐患，在第二可用数据所属的工序中暴露了出来，或者，隐患累积、此前的检测不到位，导致有隐患的产品的可能性较大，则确定所述样本增量为第二值。所述第一值小于所述第二值，且所述第一值大于零。第一值和第二值可以都是经验值，可以根据实际采用的质检方式，质检条件确定。
进一步地，本说明书还提供一种大数据集数据智能质检系统，所述系统包括：
获取模块，配置为：获取针对待检产品的预设的工序等级表，所述工序等级表中记录有生产所述待检产品采用的各工序的权重等级，所述权重等级与其所属的所述工序对所述待检产品的质量的影响程度正相关；
第一可用数据确定模块，配置为：从针对所述待检产品的生产过程采集的历史数据中，确定出第一可用数据，所述第一可用数据是能够表征其所属的所述工序在预设的指定时间段内的采集对象的状态、且对应于所述权重等级最高的预设的指定数量个所述工序的历史数据；
第二可用数据确定模块，配置为：从所述历史数据中，确定出第二可用数据，所述第二可用数据是针对除所述第一可用数据所属的所述工序以外的工序中，处于最末位的所述工序采集的所述历史数据；
样本增量确定模块，配置为：在所述第一可用数据和所述第二可用数据中均包含表征所述采集对象异常状态的内容的情况下，确定样本增量；所述样本增量与所述异常状态在其所属的所述工序中持续的时长正相关、与所述指定数量正相关、与所述异常状态所属的所述工序的权重等级正相关、与所述第二可用数据所属的所述工序在所述各工序中的位次负相关、且与指定系数正相关；在任一所述第一可用数据所属的所述工序在所述各工序中的位次均先于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数，大于至少一个所述第一可用数据所属的所述工序在所述各工序中的位次后于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数；
采样模块，配置为：对所述待检产品进行采样，使得采样得到的样本的数量与所述样本增量正相关；
质检模块，配置为：对所述样本进行质检。
该系统能够执行前述任一实施例中的方法，并能够获得相同或相似的技术效果，此处不再赘述。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种大数据集数据智能质检装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种大数据集数据智能质检方法。
上述如本申请图1所示实施例揭示的一种大数据集数据智能质检方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种大数据集数据智能质检方法，并实现图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种大数据集数据智能质检方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。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。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种大数据集数据智能质检方法，其特征在于，所述方法包括：
获取针对待检产品的预设的工序等级表，所述工序等级表中记录有生产所述待检产品采用的各工序的权重等级，所述权重等级与其所属的所述工序对所述待检产品的质量的影响程度正相关；
从针对所述待检产品的生产过程采集的历史数据中，确定出第一可用数据，所述第一可用数据是能够表征其所属的所述工序在预设的指定时间段内的采集对象的状态、且对应于所述权重等级最高的预设的指定数量个所述工序的历史数据；
从所述历史数据中，确定出第二可用数据，所述第二可用数据是针对除所述第一可用数据所属的所述工序以外的工序中，处于最末位的所述工序采集的所述历史数据；
在所述第一可用数据和所述第二可用数据中均包含表征所述采集对象异常状态的内容的情况下，确定样本增量；所述样本增量与所述异常状态在其所属的所述工序中持续的时长正相关、与所述指定数量正相关、与所述异常状态所属的所述工序的权重等级正相关、与所述第二可用数据所属的所述工序在所述各工序中的位次负相关、且与指定系数正相关；在任一所述第一可用数据所属的所述工序在所述各工序中的位次均先于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数，大于至少一个所述第一可用数据所属的所述工序在所述各工序中的位次后于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数；
对所述待检产品进行采样，使得采样得到的样本的数量与所述样本增量正相关；
对所述样本进行质检。
2.如权利要求1所述方法，其特征在于，所述方法还包括：
所述指定时间段的时长与所述历史数据所属的所述工序的权重等级正相关。
3.如权利要求1所述方法，其特征在于，所述方法还包括：
所述指定时间段的时长与所述待检产品的数量正相关。
4.如权利要求1所述方法，其特征在于，所述方法还包括：
所述指定数量与生产所述待检产品采用的所述各工序的数量正相关。
5.如权利要求1所述方法，其特征在于，所述方法还包括：
所述指定数量与所述各工序中所述权重等级大于预设的等级阈值的所述工序的数量正相关。
6.如权利要求1所述方法，其特征在于，所述方法还包括：
在所述第一可用数据和所述第二可用数据中均不包含表征所述采集对象异常状态的内容的情况下，确定所述样本增量为零。
7.如权利要求1所述方法，其特征在于，所述方法还包括：
在所述第一可用数据包含表征所述采集对象异常状态的内容、且所述第二可用数据中不包含表征所述采集对象异常状态的内容的情况下，确定所述样本增量为第一值；
在所述第一可用数据不包含表征所述采集对象异常状态的内容、且所述第二可用数据中包含表征所述采集对象异常状态的内容的情况下，确定所述样本增量为第二值；
所述第一值小于所述第二值，且所述第一值大于零。
8.一种大数据集数据智能质检系统，其特征在于，所述系统包括：
获取模块，配置为：获取针对待检产品的预设的工序等级表，所述工序等级表中记录有生产所述待检产品采用的各工序的权重等级，所述权重等级与其所属的所述工序对所述待检产品的质量的影响程度正相关；
第一可用数据确定模块，配置为：从针对所述待检产品的生产过程采集的历史数据中，确定出第一可用数据，所述第一可用数据是能够表征其所属的所述工序在预设的指定时间段内的采集对象的状态、且对应于所述权重等级最高的预设的指定数量个所述工序的历史数据；
第二可用数据确定模块，配置为：从所述历史数据中，确定出第二可用数据，所述第二可用数据是针对除所述第一可用数据所属的所述工序以外的工序中，处于最末位的所述工序采集的所述历史数据；
样本增量确定模块，配置为：在所述第一可用数据和所述第二可用数据中均包含表征所述采集对象异常状态的内容的情况下，确定样本增量；所述样本增量与所述异常状态在其所属的所述工序中持续的时长正相关、与所述指定数量正相关、与所述异常状态所属的所述工序的权重等级正相关、与所述第二可用数据所属的所述工序在所述各工序中的位次负相关、且与指定系数正相关；在任一所述第一可用数据所属的所述工序在所述各工序中的位次均先于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数，大于至少一个所述第一可用数据所属的所述工序在所述各工序中的位次后于所述第二可用数据所属的所述工序在所述各工序中的位次的情况下的所述指定系数；
采样模块，配置为：对所述待检产品进行采样，使得采样得到的样本的数量与所述样本增量正相关；
质检模块，配置为：对所述样本进行质检。
9.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~7之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054828.0A CN116757560B (zh) | 2023-08-22 | 2023-08-22 | 一种大数据集数据智能质检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054828.0A CN116757560B (zh) | 2023-08-22 | 2023-08-22 | 一种大数据集数据智能质检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757560A true CN116757560A (zh) | 2023-09-15 |
| CN116757560B CN116757560B (zh) | 2023-10-13 |
Family
ID=87950065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311054828.0A Active CN116757560B (zh) | 2023-08-22 | 2023-08-22 | 一种大数据集数据智能质检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757560B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018147406A (ja) * | 2017-03-08 | 2018-09-20 | 安川情報システム株式会社 | 品質異常検知方法、品質異常検知装置および品質異常検知プログラム |
| CN111612340A (zh) * | 2020-05-21 | 2020-09-01 | 中国标准化研究院 | 基于大数据的网销商品检验抽样方法 |
| CN113919611A (zh) * | 2020-07-07 | 2022-01-11 | 深南电路股份有限公司 | 抽样方法、装置及计算机可读存储介质 |
| CN115575322A (zh) * | 2022-09-27 | 2023-01-06 | 深圳市拓展光电有限公司 | 一种直插led灯珠的出厂质检方法及系统 |
-
2023
- 2023-08-22 CN CN202311054828.0A patent/CN116757560B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018147406A (ja) * | 2017-03-08 | 2018-09-20 | 安川情報システム株式会社 | 品質異常検知方法、品質異常検知装置および品質異常検知プログラム |
| CN111612340A (zh) * | 2020-05-21 | 2020-09-01 | 中国标准化研究院 | 基于大数据的网销商品检验抽样方法 |
| CN113919611A (zh) * | 2020-07-07 | 2022-01-11 | 深南电路股份有限公司 | 抽样方法、装置及计算机可读存储介质 |
| CN115575322A (zh) * | 2022-09-27 | 2023-01-06 | 深圳市拓展光电有限公司 | 一种直插led灯珠的出厂质检方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757560B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109542740B (zh) | 异常检测方法及装置 | |
| CN109711440B (zh) | 一种数据异常检测方法和装置 | |
| CN116307933B (zh) | 一种基于抽检策略制定模型的产品质量抽检系统 | |
| CN109582741B (zh) | 特征数据处理方法和装置 | |
| CN115098740B (zh) | 一种基于多源异构数据源的数据质量检测方法及装置 | |
| CN114444827B (zh) | 一种集群性能的评估方法和装置 | |
| CN113297046A (zh) | 一种内存故障的预警方法及装置 | |
| CN117035452A (zh) | 一种业务场景的根因定位方法、系统及电子设备 | |
| CN116757560B (zh) | 一种大数据集数据智能质检方法 | |
| CN112526905B (zh) | 一种针对指标异常的处理方法及系统 | |
| CN110189178B (zh) | 异常交易监测方法、装置及电子设备 | |
| CN110069379B (zh) | 监控指标的筛选方法及筛选装置 | |
| CN112882854B (zh) | 一种请求异常的处理方法及装置 | |
| CN116703222A (zh) | 物料检测的方法、装置、电子设备和计算机可读介质 | |
| CN112116433A (zh) | 订单归因方法及装置 | |
| CN117150225B (zh) | 一种基于贝叶斯算法的工业数据的清洗方法及系统 | |
| CN116720790B (zh) | 一种典型零件抽样检验方法及系统 | |
| CN112183952A (zh) | 一种指标质量的监管处理方法、装置和电子设备 | |
| CN117610943B (zh) | 一种信用主体信用评价风险模型的建模方法 | |
| CN110942096A (zh) | 多联机制冷剂充注量的故障检测方法、装置及电子设备 | |
| CN117236694B (zh) | 一种基于大数据的国内外标准指标的比对方法及系统 | |
| CN116304538B (zh) | 一种利用大数据评定检测结果不确定度的方法 | |
| CN113961548B (zh) | 用水量时序数据的异常值处理方法和异常值处理装置 | |
| CN111367774A (zh) | 检测方法及装置 | |
| TWI754304B (zh) | 缺陷分析方法及裝置、電子裝置及電腦可讀存儲介質 |
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 |