CN116992308B - 数据与知识融合的工艺波动分析与优化方法及装置 - Google Patents
数据与知识融合的工艺波动分析与优化方法及装置 Download PDFInfo
- Publication number
- CN116992308B CN116992308B CN202311239536.4A CN202311239536A CN116992308B CN 116992308 B CN116992308 B CN 116992308B CN 202311239536 A CN202311239536 A CN 202311239536A CN 116992308 B CN116992308 B CN 116992308B
- Authority
- CN
- China
- Prior art keywords
- process data
- fluctuation
- feature
- data
- fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 793
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000007499 fusion processing Methods 0.000 title abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 743
- 230000004927 fusion Effects 0.000 claims abstract description 174
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 41
- 238000013210 evaluation model Methods 0.000 claims description 30
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 32
- 238000013386 optimize process Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000002950 deficient Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
Abstract
本发明提供一种数据与知识融合的工艺波动分析与优化方法及装置，属于工艺分析技术领域。该方法包括：将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数。本发明提供的数据与知识融合的工艺波动分析与优化方法，可以检测出异常工艺数据，进而可以优化待评估工艺数据对应的工艺参数，提升产品质量，实现生产工艺优化。
Description
技术领域
本发明涉及工艺分析技术领域，尤其涉及一种数据与知识融合的工艺波动分析与优化方法及装置。
背景技术
通过对工业过程中生产工艺的波动进行准确分析和评估，进而实现工艺优化能够有效降低生产周期，提高生产能力和产量，帮助企业更高效地利用资源，实现生产能力的最大化，减少能源和原材料的消耗，降低废物产生和处理的成本，减少生产过程中的变异性和不稳定性，确保产品符合规定的质量标准，从而降低产品缺陷率，提高产品的一致性和可靠性，降低碳排放和污染物排放。
然而，工业过程复杂多变，核心工艺参数众多且关联耦合，工艺数据波动幅度和趋势难以确定，缺少统一的工艺波动描述指标，严重影响生产流程状态的精准管控，难以挖掘影响工艺的异常工艺数据，进而无法实现工艺优化。
发明内容
本发明提供一种数据与知识融合的工艺波动分析与优化方法及装置，用以解决现有技术中难以确定异常工艺数据而导致无法实现工艺优化的问题。
本发明提供一种数据与知识融合的工艺波动分析与优化方法，包括：
将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，直至所述第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
在一些实施例中，在所述确定第二工艺数据样本的工艺波动度量值之前，所述方法还包括：
将所述第二工艺数据样本输入至工艺评估模型中进行工艺波动评估，确定所述第二工艺数据样本的工艺波动度量值，所述工艺评估模型基于不同波动方差的工艺融合特征组和所述工艺融合特征组的工艺波动度量值训练得到，所述不同波动方差的工艺融合特征组基于所述第一工艺数据样本确定。
在一些实施例中，所述工艺评估模型通过如下方式训练：
对所述第一工艺数据样本进行特征构建，得到工艺融合特征样本集合；
对所述工艺融合特征样本集合中的每个工艺融合特征样本进行多次复制，得到多个第一工艺融合特征组，每个所述第一工艺融合特征组包括多个相同的工艺融合特征样本；
对所述第一工艺融合特征组迭代添加标准高斯分布噪声，直至所述第一工艺融合特征组的波动方差达到第二阈值且所述第一工艺融合特征组的工艺波动度量值达到第三阈值，获取每一次添加标准高斯分布噪声后的第二工艺融合特征组以及所述第二工艺融合特征组的工艺波动度量值；
基于所述第二工艺融合特征组和所述第二工艺融合特征组的工艺波动度量值，训练所述工艺评估模型。
在一些实施例中，所述对所述第一工艺数据样本进行特征构建，得到工艺融合特征样本集合，包括：
将所述第一工艺数据样本输入至特征提取模型，获取所述第一工艺数据样本的工艺数据特征，所述特征提取模型基于所述待评估工艺数据的工艺数据维度和工艺复杂度确定；
对所述工艺数据特征和预设工艺特征进行特征融合，确定所述工艺融合特征样本集合，所述预设工艺特征为与产品质量相关的工艺数据特征。
在一些实施例中，所述对所述工艺数据特征和预设工艺特征进行特征融合，确定所述工艺融合特征样本集合之前，所述方法还包括：
在所述预设工艺特征与所述工艺数据特征之间的相关系数超过第四阈值的情况下，删除所述工艺数据特征；
在所述预设工艺特征与多个所述工艺数据特征的相关系数均超过第五阈值的情况下，删除所述预设工艺特征。
在一些实施例中，在所述特征提取模型为非线性特征提取模型的情况下，所述特征提取模型的损失函数具有正交约束。
在一些实施例中，所述工艺评估模型基于带有全局平均池化层的卷积神经网络构建。
本发明还提供一种数据与知识融合的工艺波动分析与优化装置，包括：
确定模块，用于将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
优化模块，用于基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，直至所述第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述数据与知识融合的工艺波动分析与优化方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述数据与知识融合的工艺波动分析与优化方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述数据与知识融合的工艺波动分析与优化方法。
本发明提供的数据与知识融合的工艺波动分析与优化方法及装置，通过在待评估工艺数据中筛选出异常工艺数据，降低待评估工艺数据的工艺度量波动值，进而根据异常工艺数据，优化待评估工艺数据对应的工艺参数或工艺流程，降低异常工艺数据出现率，进而可以提升产品质量，实现生产工艺优化。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的附图。
图1是本发明提供的数据与知识融合的工艺波动分析与优化方法的流程示意图之一；
图2是本发明提供的数据与知识融合的工艺波动分析与优化方法的流程示意图之二；
图3是本发明提供的数据与知识融合的工艺波动分析与优化方法的实现原理示意图；
图4是本发明提供的数据与知识融合的工艺波动分析与优化装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图描述本发明的数据与知识融合的工艺波动分析与优化方法及装置。
图1是本发明提供的数据与知识融合的工艺波动分析与优化方法的流程示意图之一。参照图1，本发明提供的数据与知识融合的工艺波动分析与优化方法包括：步骤110和步骤120。
步骤110、将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，待评估工艺数据用于描述物料变化状态；
步骤120、基于异常工艺数据，优化待评估工艺数据对应的工艺参数；
其中，目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，第二工艺数据样本为在第一工艺数据样本中去除异常工艺数据样本后的工艺数据样本，工艺波动度量值用于指示第二工艺数据样本的波动幅度；
调整初始异常检测模型的模型参数，直至第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于目标模型参数，得到目标异常检测模型。
本发明提供的数据与知识融合的工艺波动分析与优化方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本或者个人数字助理（personal digital assistant，PDA）等，非移动电子设备可以为服务器、网络附属存储器（Network Attached Storage，NAS）、个人计算机（personalcomputer，PC）、电视机（television，TV）、柜员机或者自助机等，本发明不作具体限定。
下面以计算机执行本发明提供的数据与知识融合的工艺波动分析与优化方法为例，详细说明本发明的技术方案。
在步骤110中，待评估工艺数据可以为需要优化的工艺数据，例如可以是工业生产过程中通过传感器感知并采集的用于描述物料变化状态的温度、压力、流量、电压或电流等工艺数据。
在实际执行中，将待评估工艺数据输入至目标异常检测模型进行异常检测，输出异常工艺数据。
其中，目标异常检测模型可以根据待评估工艺数据的特点进行选择。例如可以是主成分分析算法模型、自动编码器模型、基于密度的聚类算法（Density-Based SpatialClustering of Applications with Noise，DBSCAN）模型或孤立森林算法模型等。
主成分分析算法模型和自动编码器模型可以根据重建误差，将重建误差超过误差阈值的工艺数据判定为异常工艺数据；DBSCAN算法模型可以根据数据密度确定异常工艺数据；孤立森林算法模型可以根据分割次数确定异常工艺数据。
在一些实施例中，目标异常检测模型通过如下方式确定：
先将第一工艺数据样本输入至初始异常检测模型，可以得到异常工艺数据样本。然后从第一工艺数据样本中去除异常工艺数据样本，得到第二工艺数据样本。
确定第二工艺数据样本的工艺波动度量值。
需要说明的是，本发明中的第一工艺数据样本为初始异常检测模型的训练样本，可以包含不同工艺数据对应的多个维度的工艺特征。
工艺波动度量值是对工艺数据的波动幅度进行量化后得到的数据。工艺数据包含的工艺变量（例如：切割厚度）在生产过程中会出现波动，这种波动一般符合正态分布。
但对于复杂工艺数据，往往包含多个工艺变量（例如：电池放电的电压序列），要一并分析，因此，可以基于工艺变量提取多个维度的工艺特征，多个维度的工艺特征波动比较复杂，边界也不明显，本发明提出的工艺波动度量值可以是将任意多维工艺特征的波动幅度归一化到0-1之间的值，从而可以定量描述工艺数据的波动状态，即从无波动（工艺波动度量值为0）到完全随机波动（工艺波动度量值为1）。
本发明中的第二工艺数据样本的工艺波动度量值指的是对第二工艺数据样本对应的多维工艺特征的波动幅度进行量化后得到的值。
可以理解的是，工艺波动度量值可以描述工艺波动一致性。工艺数据样本的工艺波动度量值越小，说明待评估工艺数据样本的波动越小，工艺一致性越高。待评估工艺数据样本中的异常工艺数据样本越多，波动就越大，工艺一致性越差。
进一步，可以确定第二工艺数据样本的工艺波动度量值是否小于第一阈值。第一阈值可以根据实际需求设置，在此不作具体限定。例如：第一阈值可以设置为0。
例如：第一工艺数据样本的工艺波动度量值0.8，经过目标异常检测模型删去异常工艺数据样本后得到第二工艺数据样本，此时第二工艺数据样本的工艺波动度量值变为0.6，表明第二工艺数据样本的工艺一致性更好。工艺优化的目的就是降低工艺波动度量值。在实际生产过程中，一个生产批次的多个待评估工艺数据，则需要对多个待评估工艺数据进行优化。
逐步调节目标异常检测模型的模型参数，使得检测出的异常工艺数据样本数量逐渐增多，确定去除异常工艺数据样本之后的第二工艺数据样本的工艺波动度量值，当工艺波动度量值降低至第一阈值之下时，此时，初始异常检测模型的模型参数即为最优模型参数，基于最优模型参数即可得到目标异常检测模型。
在实际执行中，可以通过质量优化评估指标确定初始异常检测模型的最优模型参数。其中，质量优化评估指标可以度量多个不同数量的工艺数据样本的工艺波动度量值之间的差异。
具体地，可以选择去除一定数量样本前后的2个工艺数据样本组合，将2个不同数量的工艺数据样本组合的工艺波动度量值的差值作为质量优化评估指标。当差值近似为0时，表示样本数量发生变化的情况下工艺波动度量值不发生改变，工艺波动变化越小；否则差值越大，表示工艺波动变化越大。
可以在建立初始异常检测模型后，逐步调节模型参数，使得检测出的异常样本数量逐渐增多，并计算筛除样本后的工艺数据样本的质量优化评估指标的值，当质量优化评估指标逐渐变小且无法进一步降低，质量优化评估指标近似为0，可选取对应的模型参数作为最优模型参数。
例如：选取目标异常检测模型为DBSCAN算法模型时，调节的模型参数为邻域和邻域内对象数minPts，通过不断调节两个参数，使得质量优化评估指标不断降低直到无法进一步降低，选取此时的模型参数为最优模型参数。
在步骤120中，基于最优模型参数构建的目标异常检测模型进行异常检测后，根据检测出的异常工艺数据进行数据溯源判断异常原因。
将异常工艺数据作为不良工艺产品数据并筛除，还可以根据异常工艺数据的特征，优化待评估工艺数据对应的工艺参数或工艺流程。例如：根据异常工艺数据，优化原材料配比或设备运行参数等工艺参数的配置。
在实际执行中，根据异常工艺数据对应的不良工艺产品的特征反馈优化生产工艺，可以通过分析查询与不良工艺产品特征关联的工艺信息，进而结合优化算法找到能够降低不良品率的工艺参数配置。
需要说明的是，工艺参数是指在完成某项工艺的一系列基础数据或者指标，也就是说这些基础参数构成了工艺操作或者设计的内容。
本发明提供的数据与知识融合的工艺波动分析与优化方法，通过在待评估工艺数据中筛选出异常工艺数据，降低待评估工艺数据的工艺度量波动值，进而根据异常工艺数据，优化待评估工艺数据对应的工艺参数或工艺流程，降低异常工艺数据出现率，进而可以提升产品质量，实现生产工艺优化。
在一些实施例中，在确定第二工艺数据样本的工艺波动度量值之前，数据与知识融合的工艺波动分析与优化方法还包括：
将第二工艺数据样本输入至工艺评估模型中进行工艺波动评估，确定第二工艺数据样本的工艺波动度量值，工艺评估模型基于不同波动方差的工艺融合特征组和工艺融合特征组的工艺波动度量值训练得到，不同波动方差的工艺融合特征组基于第一工艺数据样本确定。
在实际执行中，可以通过训练完成的工艺评估模型对第二工艺数据样本进行工艺波动评估，得到第二工艺数据样本的工艺波动度量值。
工艺评估模型基于不同波动方差的工艺融合特征组和工艺融合特征组的工艺波动度量值组成的训练集进行训练。其中，工艺评估模型是工艺融合特征组与工艺波动度量值的回归模型。工艺融合特征组与工艺波动度量值的回归模型能够准确估计工艺融合特征组的工艺波动度量值，且适配任意复制次数的工艺融合特征组。
需要说明的是，多维的工艺融合特征组包含的样本数量为多个。例如：一个10维的工艺融合特征组，样本数量也是10个。可以通过不断增加噪声，工艺融合特征组的工艺波动度量值从0（无波动）变为1（随机波动）。可以用这些数据训练工艺评估模型后，即可通过工艺波动度量值，对任意工艺融合特征组判断工艺波动状态。
可以理解的是，工艺融合特征组的工艺波动度量值用于描述工艺融合特征组的整体波动状态，即一个工艺融合特征组对应一个工艺波动度量值，例如：一个工艺融合特征组，包含400多个样本，能得到工艺波动度量值为0.8。工艺波动度量值0.8用于描述工艺融合特征组的整体波动状态。
在一些实施例中，工艺评估模型基于带有全局平均池化层的卷积神经网络构建。
在实际执行中，可选用带有全局平均池化层的卷积神经网络作为工艺评估模型的模型结构，能够适配任意特征维度特征的输入，在模型训练完成后，从而当评估工艺波动的第二工艺数据样本发生变化时，工艺评估模型无需进行重新训练。
在一些实施例中，工艺评估模型通过如下方式训练：
对第一工艺数据样本进行特征构建，得到工艺融合特征样本集合；
对工艺融合特征样本集合中的每个工艺融合特征样本进行多次复制，得到多个第一工艺融合特征组，每个第一工艺融合特征组包括多个相同的工艺融合特征样本；
对第一工艺融合特征组迭代添加标准高斯分布噪声，直至第一工艺融合特征组的波动方差达到第二阈值且第一工艺融合特征组的工艺波动度量值达到第三阈值，获取每一次添加标准高斯分布噪声后的第二工艺融合特征组以及第二工艺融合特征组的工艺波动度量值；
基于第二工艺融合特征组和第二工艺融合特征组的工艺波动度量值，训练工艺评估模型。
可选地，对多个第一工艺数据样本进行均匀采样，获取能够涵盖样本分布特点的工艺融合特征样本集合。
对工艺融合特征样本集合中的每个工艺融合特征样本进行多次复制，获取工艺波动度量值为0的多个第一工艺融合特征组。
在实际执行中，对工艺融合特征样本集合中的每个工艺融合特征样本都进行N次复制，复制次数根据单个批次产出或单次波动分析所需样本量确定，复制后的第一工艺融合特征组包含N个相同的工艺融合特征样本，此时不存在工艺波动，因此工艺波动度量值为0。
对每个第一工艺融合特征组迭代添加标准高斯分布噪声，并逐步增大工艺波动度量值，直到其波动方差达到预设的第二阈值且工艺波动度量值达到第三阈值，第三阈值可以为1。其中，标准高斯分布噪声与工艺波动度量值之间的关联关系可以预先进行设置，即增加一次标准高斯分布噪声就会增加工艺波动度量值，直到达到终止条件。
其中，第二阈值和第三阈值可以根据实际生产工艺数据对应的工艺融合特征确定，在此不作具体限定。
在本发明中，随着标准高斯分布噪声的添加，第一工艺融合特征组的信噪比逐渐降低，波动方差逐步增大，当第一工艺融合特征组的波动方差达到已采集工艺融合特征样本计算后方差的2倍（即达到第二阈值）时，停止添加并设置此时工艺波动度量值为最大值1（即达到第三阈值）；若获取的工艺融合特征样本集合本身不能代表实际工艺波动，且无法获取大量工艺融合特征样本时，可选择一个较大的迭代值，如添加1000次标准高斯分布噪声作为工艺波动度量值为1的终止条件。
例如，在锂离子动力电池分选工艺过程中，输入工艺特征维度为10，顺次经过3个单元，每个单元的卷积层卷积核分别是32、64和128，每个单元由1个一维卷积层、1个批标准化层和1个dropout层构成。将最后一个单元连接全局平均池化层，然后通过全局平均池化层输出到卷积核数量分别为128、32和1的三层全连接层进行工艺波动度量值估计。
下面以工艺融合特征组为一组电池的放电电压为例来说明工艺融合特征组的方差。一组电池中的每个电池对应有随时间变化的放电电压曲线，因此，可以计算每条曲线上每个点的方差并求和作为工艺融合特征组的方差。
之后构建无波动的工艺融合特征组，随着标准高斯分布噪声的加入，按上述步骤计算方差和，当达到上面实际工艺融合特征组的方差和的2倍以上时停止。方差和的2倍为预先设置的终止条件，可以根据实际需求调整，在此不作具体限定。
可以理解的是，工艺评估模型满足模型收敛条件时，即训练完成。
由此，将第二工艺数据样本输入训练完成的工艺评估模型，即可得到第二工艺数据样本的工艺波动度量值。
在一些实施例中，对第一工艺数据样本进行特征构建，得到工艺融合特征样本集合，包括：
将第一工艺数据样本输入至特征提取模型，获取第一工艺数据样本的工艺数据特征，特征提取模型基于待评估工艺数据的工艺数据维度和工艺复杂度确定；
对工艺数据特征和预设工艺特征进行特征融合，确定工艺融合特征样本集合，预设工艺特征为与产品质量相关的工艺数据特征。
在实际执行中，基于待评估工艺数据的工艺数据维度和工艺复杂度，可以确定特征提取模型选择线性特征提取模型或非线性特征提取模型。
可选地，当工艺数据维度大于目标维度阈值，或工艺复杂度涉及到复杂化学反应或精密加工等情况时，选取深度自动编码器等非线性特征提取模型作为特征提取模型；否则，选取主成分分析算法模型等线性特征提取模型作为特征提取模型。其中，目标维度阈值可以根据实际需求选择，在此不作具体限定，例如可以是100。
主成分分析算法的原理是将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法。
例如，在锂离子动力电池分选工艺过程中，经插值后获取维度为325维的放电电压工艺数据，选取第一层至第五层的卷积核数量分别为325-64-10-64-325的深度自编码器提取10维度的工艺数据特征。
在实际执行中，获取第一工艺数据样本的工艺数据特征，应该恰当选择特征维度，以保证工艺数据特征对应的特征向量间两两近似正交。
在一些实施例中，在特征提取模型为非线性特征提取模型的情况下，特征提取模型的损失函数具有正交约束。
在实际执行中，在特征提取模型为非线性特征提取模型的情况下，给非线性特征提取模型的损失函数添加正交约束。
为保证特征向量间两两近似正交，当选取深度自动编码器即非线性特征提取模型进行特征提取时，应在深度自动编码器的损失函数中添加正交约束，其中，/>表示编码获取的特征向量；/>表示单位矩阵特征向量。当选取主成分分析算法模型进行特征提取时，该模型提取的特征向量自动满足特征向量间两两近似正交。
在获取第一工艺数据样本的工艺数据特征之后，可以将第一工艺数据样本的工艺数据特征和预设工艺特征进行特征融合，从而得到第一工艺数据样本对应的工艺融合特征样本集合。
预设工艺特征可以是工艺领域的经验知识，例如可以是影响产品质量的关键工艺变量或统计量，可以通过获取的生产工艺数据计算获得。影响产品质量的关键工艺变量或统计量也可以由工艺人员或行业专家提出，在此不作具体限定。
例如，在锂离子动力电池分选工艺过程中，采集的生产工艺数据为电芯充电和放电过程的电压和电流时序数据，预设工艺特征可以表示为充电和放电的截止时间、电芯的容量等特征，可根据生产工艺数据计算获得。
在一些实施例中，对工艺数据特征和预设工艺特征进行特征融合，确定工艺融合特征样本集合之前，数据与知识融合的工艺波动分析与优化方法还包括：
在预设工艺特征与工艺数据特征之间的相关系数超过第四阈值的情况下，删除工艺数据特征；
在预设工艺特征与多个工艺数据特征的相关系数均超过第五阈值的情况下，删除预设工艺特征。
在实际执行中，基于第一工艺数据样本的产品质量相关参数，可以确定预设工艺特征，预设工艺特征可以为影响产品质量的关键工艺变量或统计量。
然后可以计算预设工艺特征和所有工艺数据特征的相关系数。相关系数越大，说明预设工艺特征和工艺数据特征的相关性越高，相关系数越小，说明预设工艺特征和工艺数据特征的相关性越小。
计算相关系数选取皮尔逊相关系数来描述线性相关，表示为两个工艺变量X和Y之间的协方差与标准差积的比：
优先删除与预设工艺特征的相关性系数超过第四阈值的工艺数据特征。例如：工艺数据特征与预设工艺特征相关性系数的绝对值超过0.8时，删除该工艺数据特征。其中，第四阈值可以根据实际需求确定，在此不作具体限定。
若预设工艺特征与多个工艺数据特征相关系数均较高，即在预设工艺特征与多个工艺数据特征的相关系数均超过第五阈值的情况下，则删除该预设工艺特征。其中，第五阈值可以根据实际需求确定，在此不作具体限定。
在经过上述处理之后，可以对处理后的工艺数据特征和预设工艺特征进行特征融合，得到多个工艺融合特征样本，筛选具有代表性的工艺融合特征样本，构成工艺融合特征样本集合。其中，工艺融合特征样本之间应满足特征向量间两两近似正交条件，否则应逐步删除与其他特征相关性最高的特征直到满足条件。
比如有10个工艺特征，编号1-10，那么先计算编号1工艺特征和编号2-10工艺特征的相关性求平均值，再计算编号2工艺特征与剩余编号工艺特征的相关性求平均，以此类推，然后进行排序，依次删除与其他特征相关性最高的特征直到满足正交。
图2是本发明提供的数据与知识融合的工艺波动分析与优化方法的流程示意图之二，图3是本发明提供的数据与知识融合的工艺波动分析与优化方法的实现原理示意图。
结合图2和图3，本发明提供的数据与知识融合的工艺波动分析与优化方法包括以下步骤：
S10：获取生产工艺数据并建立数据特征提取模型；
其中，数据特征提取模型基于生产工艺数据的工艺数据维度和工艺复杂度构建；数据特征提取模型用于提取工艺数据特征；数据特征提取模型可以选取深度自动编码器或主成分分析模型；
S20：结合专家知识构建工艺融合特征；
其中，专家知识可以表示为由工艺人员或行业专家提出、又或者是专业设备计算得出的能够影响产品质量的关键工艺变量或统计量，并且能够通过获取的生产工艺数据计算获得。基于关键工艺变量或统计量，以及特征提取模型提取的工艺数据特征，得到工艺融合特征样本；
S30：基于特征扩散获取工艺融合特征组和工艺波动度量值；
对工艺融合特征样本进行多次复制，获取工艺波动度量值为0的多个工艺融合特征组；对多个工艺融合特征组迭代添加标准高斯分布噪声使得工艺融合特征组的波动方差逐步增大，并逐步增大工艺波动度量值，直到达到终止条件（波动方差达到预设的第二阈值且工艺波动度量值达到第三阈值），且将工艺波动度量值归一化到[0，1]之间。
S40：训练工艺融合特征组与工艺波动度量值的回归模型，即工艺评估模型；
其中，工艺融合特征组与工艺波动度量值的回归模型能够准确估计工艺融合特征组的工艺波动度量值，且适配任意复制次数的工艺融合特征组。
S50：基于工艺评估模型输出的工艺波动度量值，可以确定质量优化评估指标；质量优化评估指标用于度量去除一定数量样本前后的不同工艺融合特征组对应的工艺波动度量值的差异，通过相应的工艺波动度量值计算获得。
S60：建立异常检测模型；
在实际执行中，可以建立用于检测不良品的异常检测模型；可根据生产工艺数据的特点选择任意异常检测模型，或直接采用数据特征提取模型作为异常检测模型，此时数据特征提取模型无需再次训练。
建立异常检测模型后，逐步调节模型参数，使得检测出的异常样本数量逐渐增多，并计算筛除样本后质量优化评估指标的值，当质量优化评估指标无法进一步降低时，可选取对应的参数作为最优模型参数。
S70：检测并筛除不良品以实现质量优化；
基于异常检测模型检测出的异常样本，将其归类为不良品并筛除，从而提高整体产品的质量一致性，实现产品质量优化。
S80：根据不良品的特征反馈优化生产工艺。
根据不良品的特征反馈优化生产工艺应通过人工分析查询与不良品特征关联的工艺信息，进而结合优化算法找到能够降低不良品率的参数配置，实现工艺优化。
在本发明中，生产工艺数据、工艺领域的经验知识是实现工艺波动分析与优化的关键。然而，工业过程复杂多变，核心工艺参数众多且关联耦合，生产工艺数据波动幅度和趋势难以确定，工艺领域的经验知识表达和嵌入困难，缺少统一的工艺波动描述指标，严重影响工艺人员对生产流程状态的精准管控，难以挖掘影响工艺的关键变量参数以实现工艺优化。
本发明提供的数据与知识融合的工艺波动分析与优化方法，通过获取生产工艺数据，融合工艺数据特征和预设工艺特征，得到工艺融合特征，筛选代表性的工艺融合特征后，连续添加标准高斯分布噪声以得到工艺融合特征组和工艺融合特征组的工艺波动度量值，训练用于评估工艺波动的工艺评估模型，支撑异常检测逻辑的建立并筛选不良品，反馈实现工艺优化。
本发明实施例适用于核心工艺参数众多且关联耦合，工艺数据波动幅度和趋势难以确定，工艺领域的经验知识表达和嵌入困难，能够根据由工艺数据提取的工艺数据特征和由工艺领域的经验知识确定的工艺质量特征，构建工艺波动度量值，从而统一工艺波动描述指标，降低生产过程中的变异性和不稳定性，确保产品符合规定的质量标准，从而降低产品缺陷率，提高产品的一致性和可靠性具有重要意义。
下面对本发明提供的数据与知识融合的工艺波动分析与优化装置进行描述，下文描述的数据与知识融合的工艺波动分析与优化装置与上文描述的数据与知识融合的工艺波动分析与优化方法可相互对应参照。
图4是本发明提供的数据与知识融合的工艺波动分析与优化装置的结构示意图。参照图4，本发明提供的数据与知识融合的工艺波动分析与优化装置包括：确定模块410和优化模块420。
确定模块410，用于将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
优化模块420，用于基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，直至所述第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
在一些实施例中，所述装置还包括：
评估模块，用于在所述确定第二工艺数据样本的工艺波动度量值之前，将所述第二工艺数据样本输入至工艺评估模型中进行工艺波动评估，确定所述第二工艺数据样本的工艺波动度量值，所述工艺评估模型基于不同波动方差的工艺融合特征组和所述工艺融合特征组的工艺波动度量值训练得到，所述不同波动方差的工艺融合特征组基于所述第一工艺数据样本确定。
在一些实施例中，所述工艺评估模型通过如下方式训练：
对所述第一工艺数据样本进行特征构建，得到工艺融合特征样本集合；
对所述工艺融合特征样本集合中的每个工艺融合特征样本进行多次复制，得到多个第一工艺融合特征组，每个所述第一工艺融合特征组包括多个相同的工艺融合特征样本；
对所述第一工艺融合特征组迭代添加标准高斯分布噪声，直至所述第一工艺融合特征组的波动方差达到第二阈值且所述第一工艺融合特征组的工艺波动度量值达到第三阈值，获取每一次添加标准高斯分布噪声后的第二工艺融合特征组以及所述第二工艺融合特征组的工艺波动度量值；
基于所述第二工艺融合特征组和所述第二工艺融合特征组的工艺波动度量值，训练所述工艺评估模型。
在一些实施例中，所述评估模块，具体用于：
将所述第一工艺数据样本输入至特征提取模型，获取所述第一工艺数据样本的工艺数据特征，所述特征提取模型基于所述待评估工艺数据的工艺数据维度和工艺复杂度确定；
对所述工艺数据特征和预设工艺特征进行特征融合，确定所述工艺融合特征样本集合，所述预设工艺特征为与产品质量相关的工艺数据特征。
在一些实施例中，所述评估模块，具体用于：
所述对所述工艺数据特征和预设工艺特征进行特征融合，确定所述工艺融合特征样本集合之前，在所述预设工艺特征与所述工艺数据特征之间的相关系数超过第四阈值的情况下，删除所述工艺数据特征；
在所述预设工艺特征与多个所述工艺数据特征的相关系数均超过第五阈值的情况下，删除所述预设工艺特征。
在一些实施例中，在所述特征提取模型为非线性特征提取模型的情况下，所述特征提取模型的损失函数具有正交约束。
在一些实施例中，所述工艺评估模型基于带有全局平均池化层的卷积神经网络构建。
本发明提供的数据与知识融合的工艺波动分析与优化装置，通过在待评估工艺数据中筛选出异常工艺数据，降低待评估工艺数据的工艺度量波动值，进而根据异常工艺数据，优化待评估工艺数据对应的工艺参数或工艺流程，降低异常工艺数据出现率，进而可以提升产品质量，实现生产工艺优化。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行数据与知识融合的工艺波动分析与优化方法，该方法包括：
将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，直至所述第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的数据与知识融合的工艺波动分析与优化方法，该方法包括：
将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，直至所述第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的数据与知识融合的工艺波动分析与优化方法，该方法包括：
将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，直至所述第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种数据与知识融合的工艺波动分析与优化方法，其特征在于，包括：
将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，使得检测出的所述异常工艺数据样本数量增多，确定去除所述异常工艺数据样本之后的第二工艺数据样本的工艺波动度量值，直至所述去除所述异常工艺数据样本之后的第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
2.根据权利要求1所述的数据与知识融合的工艺波动分析与优化方法，其特征在于，在所述确定第二工艺数据样本的工艺波动度量值之前，所述方法还包括：
将所述第二工艺数据样本输入至工艺评估模型中进行工艺波动评估，确定所述第二工艺数据样本的工艺波动度量值，所述工艺评估模型基于不同波动方差的工艺融合特征组和所述工艺融合特征组的工艺波动度量值训练得到，所述不同波动方差的工艺融合特征组基于所述第一工艺数据样本确定。
3.根据权利要求2所述的数据与知识融合的工艺波动分析与优化方法，其特征在于，所述工艺评估模型通过如下方式训练：
对所述第一工艺数据样本进行特征构建，得到工艺融合特征样本集合；
对所述工艺融合特征样本集合中的每个工艺融合特征样本进行多次复制，得到多个第一工艺融合特征组，每个所述第一工艺融合特征组包括多个相同的工艺融合特征样本；
对所述第一工艺融合特征组迭代添加标准高斯分布噪声，直至所述第一工艺融合特征组的波动方差达到第二阈值且所述第一工艺融合特征组的工艺波动度量值达到第三阈值，获取每一次添加标准高斯分布噪声后的第二工艺融合特征组以及所述第二工艺融合特征组的工艺波动度量值；
基于所述第二工艺融合特征组和所述第二工艺融合特征组的工艺波动度量值，训练所述工艺评估模型。
4.根据权利要求3所述的数据与知识融合的工艺波动分析与优化方法，其特征在于，所述对所述第一工艺数据样本进行特征构建，得到工艺融合特征样本集合，包括：
将所述第一工艺数据样本输入至特征提取模型，获取所述第一工艺数据样本的工艺数据特征，所述特征提取模型基于所述待评估工艺数据的工艺数据维度和工艺复杂度确定；
对所述工艺数据特征和预设工艺特征进行特征融合，确定所述工艺融合特征样本集合，所述预设工艺特征为与产品质量相关的工艺数据特征。
5.根据权利要求4所述的数据与知识融合的工艺波动分析与优化方法，其特征在于，所述对所述工艺数据特征和预设工艺特征进行特征融合，确定所述工艺融合特征样本集合之前，所述方法还包括：
在所述预设工艺特征与所述工艺数据特征之间的相关系数超过第四阈值的情况下，删除所述工艺数据特征；
在所述预设工艺特征与多个所述工艺数据特征的相关系数均超过第五阈值的情况下，删除所述预设工艺特征。
6.根据权利要求4所述的数据与知识融合的工艺波动分析与优化方法，其特征在于，在所述特征提取模型为非线性特征提取模型的情况下，所述特征提取模型的损失函数具有正交约束。
7.根据权利要求2所述的数据与知识融合的工艺波动分析与优化方法，其特征在于，所述工艺评估模型基于带有全局平均池化层的卷积神经网络构建。
8.一种数据与知识融合的工艺波动分析与优化装置，其特征在于，包括：
确定模块，用于将待评估工艺数据输入至目标异常检测模型，得到异常工艺数据，所述待评估工艺数据用于描述物料变化状态；
优化模块，用于基于所述异常工艺数据，优化所述待评估工艺数据对应的工艺参数；
所述目标异常检测模型通过如下方式确定：
将第一工艺数据样本输入至初始异常检测模型，得到异常工艺数据样本；
确定第二工艺数据样本的工艺波动度量值，所述第二工艺数据样本为在所述第一工艺数据样本中去除所述异常工艺数据样本后的工艺数据样本，所述工艺波动度量值用于指示所述第二工艺数据样本的波动幅度；
调整所述初始异常检测模型的模型参数，使得检测出的所述异常工艺数据样本数量增多，确定去除所述异常工艺数据样本之后的第二工艺数据样本的工艺波动度量值，直至所述去除所述异常工艺数据样本之后的第二工艺数据样本的工艺波动度量值小于第一阈值，得到调整后的目标模型参数；
基于所述目标模型参数，得到所述目标异常检测模型。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述数据与知识融合的工艺波动分析与优化方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述数据与知识融合的工艺波动分析与优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239536.4A CN116992308B (zh) | 2023-09-25 | 2023-09-25 | 数据与知识融合的工艺波动分析与优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239536.4A CN116992308B (zh) | 2023-09-25 | 2023-09-25 | 数据与知识融合的工艺波动分析与优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992308A CN116992308A (zh) | 2023-11-03 |
| CN116992308B true CN116992308B (zh) | 2024-01-16 |
Family
ID=88532334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311239536.4A Active CN116992308B (zh) | 2023-09-25 | 2023-09-25 | 数据与知识融合的工艺波动分析与优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992308B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
| CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
| CN112906288A (zh) * | 2021-01-05 | 2021-06-04 | 国网重庆市电力公司市北供电分公司 | 基于正常样本数据的开关柜状态评估方法 |
| CN114417739A (zh) * | 2022-03-29 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
| CN114564887A (zh) * | 2022-02-22 | 2022-05-31 | 青岛科技大学 | 一种数据和知识融合的异常工况预测与预警方法及系统 |
| CN115545103A (zh) * | 2022-09-30 | 2022-12-30 | 上海浦东发展银行股份有限公司 | 异常数据识别、标签识别方法和异常数据识别装置 |
| CN116797098A (zh) * | 2023-07-11 | 2023-09-22 | 中国平安财产保险股份有限公司 | 基于模型训练的工作质量评估方法、装置、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011046869A2 (en) * | 2009-10-12 | 2011-04-21 | Abbott Patrick D | Targeted equipment monitoring system and method for optimizing equipment reliability |
| US11341374B2 (en) * | 2018-05-29 | 2022-05-24 | Microsoft Technology Licensing, Llc | Data anomaly detection |
-
2023
- 2023-09-25 CN CN202311239536.4A patent/CN116992308B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
| CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
| CN112906288A (zh) * | 2021-01-05 | 2021-06-04 | 国网重庆市电力公司市北供电分公司 | 基于正常样本数据的开关柜状态评估方法 |
| CN114564887A (zh) * | 2022-02-22 | 2022-05-31 | 青岛科技大学 | 一种数据和知识融合的异常工况预测与预警方法及系统 |
| CN114417739A (zh) * | 2022-03-29 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
| CN115545103A (zh) * | 2022-09-30 | 2022-12-30 | 上海浦东发展银行股份有限公司 | 异常数据识别、标签识别方法和异常数据识别装置 |
| CN116797098A (zh) * | 2023-07-11 | 2023-09-22 | 中国平安财产保险股份有限公司 | 基于模型训练的工作质量评估方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992308A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
| CN107168995B (zh) | 一种数据处理方法及服务器 | |
| CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
| CN112147512A (zh) | 一种锂离子电池短路与滥用故障的诊断及分离方法 | |
| CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
| CN113030761A (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN117113235A (zh) | 一种云计算数据中心能耗优化方法及系统 | |
| CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN111639722A (zh) | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 | |
| CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
| CN116992308B (zh) | 数据与知识融合的工艺波动分析与优化方法及装置 | |
| CN112597435A (zh) | 基于设备监理的火电设备质量数据处理方法及装置 | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| CN115600511B (zh) | 电解质材料预测方法、装置和计算机设备 | |
| CN113255810B (zh) | 基于关键决策逻辑设计测试覆盖率的网络模型测试方法 | |
| CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
| CN112395280B (zh) | 一种数据质量检测方法及其系统 | |
| CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及系统 | |
| CN111553396A (zh) | 一种配电自动化终端在线检测方法和装置 | |
| CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
| CN116500456B (zh) | 一种基于机器学习的三元锂电池容量检测方法 | |
| CN112711842B (zh) | 基于设备监理的电站设备质量数据处理方法及装置 | |
| Seifi et al. | Designing different sampling plans based on process capability index |
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 |