CN117371875B - 基于数据分析的音箱生产质量评价方法及系统 - Google Patents

基于数据分析的音箱生产质量评价方法及系统 Download PDF

Info

Publication number
CN117371875B
CN117371875B CN202311669441.6A CN202311669441A CN117371875B CN 117371875 B CN117371875 B CN 117371875B CN 202311669441 A CN202311669441 A CN 202311669441A CN 117371875 B CN117371875 B CN 117371875B
Authority
CN
China
Prior art keywords
sound box
performance
abnormal
performance test
data
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
Application number
CN202311669441.6A
Other languages
English (en)
Other versions
CN117371875A (zh
Inventor
赵凯潜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bbs Electronics Co ltd
Original Assignee
Bbs Electronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bbs Electronics Co ltd filed Critical Bbs Electronics Co ltd
Priority to CN202311669441.6A priority Critical patent/CN117371875B/zh
Publication of CN117371875A publication Critical patent/CN117371875A/zh
Application granted granted Critical
Publication of CN117371875B publication Critical patent/CN117371875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明涉及一种基于数据分析的音箱生产质量评价方法及系统，属于音响生产质量评价技术领域，本发明通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；基于音箱异常的性能项目信息生成相关的生产调整方向。本发明通过对性能测试场景进行监测，能够进一步对性能测试数据的可靠性评估，能够提高对音箱性能测试的准确率，从而能够提高发现生产中异常问题的准确率，从而降低大量异常产品的产生，避免造成巨大的经济损失。

Description

基于数据分析的音箱生产质量评价方法及系统
技术领域
本发明涉及音响生产质量评价领域，尤其涉及一种基于数据分析的音箱生产质量评价方法及系统。
背景技术
近年来智能音箱的普及速率比起其他新型电子产品更加快速。各大科技公司也逐渐把目光投向智能音箱。与手机、电视、家庭网关等电子产品相比，智能音箱的成本低、体积小、功耗低、移动方便、可以实现一直在线。智能音箱也慢慢成为人们生活的一部分， 逐渐发展为一个聚集大量受众的新平台，成为智能家居入口的有力竞争者。然而，现如今，智能音箱在生产之后，需要对智能音箱进行性能测试，判定智能音箱是否符合要求，当音箱在生产之中不能及时发现异常问题时，就会产生大量的异常产品，从而造成更巨大的经济损失。
发明内容
本发明克服了现有技术的不足，提供了一种基于数据分析的音箱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数据分析的音箱生产质量评价方法，包括以下步骤：
获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，通过对性能测试场景进行监测，获取音箱的性能测试数据信息；
通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；
根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；
基于音箱异常的性能项目信息生成相关的生产调整方向。
优选地，获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，具体包括：
获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建检索标签，基于检索标签，通过大数据进行检索，获取每一性能测试指标所需的测试条件；
获取当前测试设备在预设时间之内的服役数据信息，构建贝叶斯网络，将当前测试设备在预设时间之内的服役数据信息输入到贝叶斯网络中，获取训练完成的贝叶斯网络；
通过贝叶斯网络获取当前测试设备的测试精度信息，当当前测试设备的测试精度信息符合测试条件时，将对应的测试设备作为性能测试的测试设备；
根据性能测试指标所需的测试条件对性能测试的测试设备进行配置测试场景，生成性能测试场景。
优选地，通过对性能测试场景进行监测，获取音箱的性能测试数据信息，具体包括：
预设测试参数偏差率阈值，获取性能测试场景中设备测试参数信息以及性能测试指标所需的测试条件，并将性能测试场景中设备测试参数信息以及性能测试指标所需的测试条件进行对比；
通过对比，得到偏差率，当在测试过程中出现至少一次偏差率大于测试参数偏差率阈值时，将对应测试设备所测试的数据作为不可信的测试数据；
当在测试过程中未出现偏差率大于测试参数偏差率阈值时，则将对应测试设备所测试的数据作为可信的测试数据，根据可信的测试数据生成音箱的性能测试数据信息。
优选地，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度，具体包括：
导入模糊聚类算法，并初始化算法的参数信息以及聚类中心的个数，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取性能测试数据的隶属度矩阵；
导入奇异值分解算法，通过奇异值分解算法对性能测试数据的隶属度矩阵进行降维处理，获取隶属度矩阵中每一样本数据对应的特征向量，并初始化坐标原点；
预设曼哈顿距离阈值，根据坐标原点构建虚拟空间，将特征向量输入到虚拟空间中，计算特征向量之间的曼哈顿距离，并判断曼哈顿距离是否大于曼哈顿距离阈值；
当曼哈顿距离大于曼哈顿距离阈值时，则统计曼哈顿距离大于曼哈顿距离阈值的特征向量对比组，获取异常的特征向量，并通过对异常的特征向量对应的样本数据进行重新调整聚类中心的个数，直至不再出现曼哈顿距离大于曼哈顿距离阈值，处理后的音箱各性能测试数据的隶属度。
优选地，根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息，具体包括：
预设性能隶属度阈值，并判断处理后的音箱各性能测试数据的隶属度是否大于性能隶属度阈值，当性能测试数据的隶属度不大于性能隶属度阈值时，则将对应的性能指标作为音箱正常的性能项目信息；
当性能测试数据的隶属度大于性能隶属度阈值时，则将对应的性能指标作为音箱异常的性能项目信息，并获取将音箱异常的性能项目信息所出现的频次信息；
当音箱异常的性能项目信息所出现的频次信息大于预设频次信息时，则将对应的测试指标作为音箱经常出现异常的性能项目信息；
当音箱异常的性能项目信息所出现的频次信息不大于预设频次信息时，则将对应的测试项目作为偶然出现异常的性能项目，并根据偶然出现异常的项目以及音箱经常出现异常的性能项目信息生成音箱异常的性能项目信息。
优选地，基于音箱异常的性能项目信息生成相关的生产调整方向，具体包括：
获取每一性能项目异常类型所对应的生产工艺设备，并引入图神经网络，将性能项目异常类型作为第一图节点，将性能项目异常类型所对应的生产工艺设备作为第二图节点；
通过有向边描述，根据第一图节点以及第二图节点构建拓扑结构图，并获取邻接矩阵，基于深度神经网络构建异常识别模型，将邻接矩阵输入到异常识别模型中进行编码学习；
将音箱异常的性能项目信息输入异常识别模型中进行识别，获取当前性能项目异常类型所对应的生产工艺设备，并获取当前性能项目异常类型所对应的生产工艺设备的工作状态信息；
当当前性能项目异常类型所对应的生产工艺设备的工作状态信息为异常的工作状态时，根据当前性能项目异常类型所对应的生产工艺设备的工作状态信息生成相关的生产调整方向。
本发明第二方面提供了一种基于数据分析的音箱生产质量评价系统，系统包括存储器以及处理器，存储器中包括基于数据分析的音箱生产质量评价方法程序，基于数据分析的音箱生产质量评价方法程序被处理器执行时，实现如下步骤：
获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，通过对性能测试场景进行监测，获取音箱的性能测试数据信息；
通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；
根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；
基于音箱异常的性能项目信息生成相关的生产调整方向。
进一步的，在本系统中，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度，具体包括：
导入模糊聚类算法，并初始化算法的参数信息以及聚类中心的个数，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取性能测试数据的隶属度矩阵；
导入奇异值分解算法，通过奇异值分解算法对性能测试数据的隶属度矩阵进行降维处理，获取隶属度矩阵中每一样本数据对应的特征向量，并初始化坐标原点；
预设曼哈顿距离阈值，根据坐标原点构建虚拟空间，将特征向量输入到虚拟空间中，计算特征向量之间的曼哈顿距离，并判断曼哈顿距离是否大于曼哈顿距离阈值；
当曼哈顿距离大于曼哈顿距离阈值时，则统计曼哈顿距离大于曼哈顿距离阈值的特征向量对比组，获取异常的特征向量，并通过对异常的特征向量对应的样本数据进行重新调整聚类中心的个数，直至不再出现曼哈顿距离大于曼哈顿距离阈值，处理后的音箱各性能测试数据的隶属度。
进一步的，在本系统中，基于音箱异常的性能项目信息生成相关的生产调整方向，具体包括：
获取每一性能项目异常类型所对应的生产工艺设备，并引入图神经网络，将性能项目异常类型作为第一图节点，将性能项目异常类型所对应的生产工艺设备作为第二图节点；
通过有向边描述，根据第一图节点以及第二图节点构建拓扑结构图，并获取邻接矩阵，基于深度神经网络构建异常识别模型，将邻接矩阵输入到异常识别模型中进行编码学习；
将音箱异常的性能项目信息输入异常识别模型中进行识别，获取当前性能项目异常类型所对应的生产工艺设备，并获取当前性能项目异常类型所对应的生产工艺设备的工作状态信息；
当当前性能项目异常类型所对应的生产工艺设备的工作状态信息为异常的工作状态时，根据当前性能项目异常类型所对应的生产工艺设备的工作状态信息生成相关的生产调整方向。
本发明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括基于数据分析的音箱生产质量评价方法程序，基于数据分析的音箱生产质量评价方法程序被处理器执行时，实现任一项的基于数据分析的音箱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：
本发明通过获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，通过对性能测试场景进行监测，获取音箱的性能测试数据信息；通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；基于音箱异常的性能项目信息生成相关的生产调整方向。本发明通过对性能测试场景进行监测，能够进一步对性能测试数据的可靠性评估，能够提高对音箱性能测试的准确率，从而能够提高发现生产中异常问题的准确率，从而降低大量异常产品的产生，避免造成巨大的经济损失。
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示出了基于数据分析的音箱生产质量评价方法的整体方法流程图；
图2示出了基于数据分析的音箱生产质量评价方法的第一方法流程图；
图3示出了基于数据分析的音箱生产质量评价方法的第二方法流程图；
图4示出了基于数据分析的音箱生产质量评价系统的系统框图。
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。
如图1所示，本发明第一方面提供了一种基于数据分析的音箱生产质量评价方法，包括以下步骤：
S102:获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，通过对性能测试场景进行监测，获取音箱的性能测试数据信息；
需要说明的是，在步骤S102中，获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，具体包括：
获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建检索标签，基于检索标签，通过大数据进行检索，获取每一性能测试指标所需的测试条件；
获取当前测试设备在预设时间之内的服役数据信息，构建贝叶斯网络，将当前测试设备在预设时间之内的服役数据信息输入到贝叶斯网络中，获取训练完成的贝叶斯网络；
通过贝叶斯网络获取当前测试设备的测试精度信息，当当前测试设备的测试精度信息符合测试条件时，将对应的测试设备作为性能测试的测试设备；
根据性能测试指标所需的测试条件对性能测试的测试设备进行配置测试场景，生成性能测试场景。
需要说明的是，音箱的性能测试指标数据信息包括音质、音量、信噪比、灵敏度、阻抗、失真度等数据。由于不同的测试指标需要不同的测试条件，如不同信噪比的音箱需要不同测试设备以及测试环境，其中测试环境包括温度、湿度等数据，通过本方法能够根据性能测试指标所需的测试条件对性能测试的测试设备进行配置测试场景，从而配置合适的测试场景，提高测试数据的准确率。
其中，通过对性能测试场景进行监测，获取音箱的性能测试数据信息，具体包括：
预设测试参数偏差率阈值，获取性能测试场景中设备测试参数信息以及性能测试指标所需的测试条件，并将性能测试场景中设备测试参数信息以及性能测试指标所需的测试条件进行对比；
通过对比，得到偏差率，当在测试过程中出现至少一次偏差率大于测试参数偏差率阈值时，将对应测试设备所测试的数据作为不可信的测试数据；
当在测试过程中未出现偏差率大于测试参数偏差率阈值时，则将对应测试设备所测试的数据作为可信的测试数据，根据可信的测试数据生成音箱的性能测试数据信息。
需要说明的是，当在测试过程中出现至少一次偏差率大于测试参数偏差率阈值时，说明测试过程中的设备测试参数信息（如温度、湿度）产生了波动，说明对应测试设备所测试的数据为不可信的测试数据，通过本方法能够进一步筛选出更可靠的测试数据。
S104:通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；
如图2所示，需要说明的是，在步骤S104中，具体包括以下步骤：
S202:导入模糊聚类算法，并初始化算法的参数信息以及聚类中心的个数，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取性能测试数据的隶属度矩阵；
S204:导入奇异值分解算法，通过奇异值分解算法对性能测试数据的隶属度矩阵进行降维处理，获取隶属度矩阵中每一样本数据对应的特征向量，并初始化坐标原点；
S206:预设曼哈顿距离阈值，根据坐标原点构建虚拟空间，将特征向量输入到虚拟空间中，计算特征向量之间的曼哈顿距离，并判断曼哈顿距离是否大于曼哈顿距离阈值；
S208:当曼哈顿距离大于曼哈顿距离阈值时，则统计曼哈顿距离大于曼哈顿距离阈值的特征向量对比组，获取异常的特征向量，并通过对异常的特征向量对应的样本数据进行重新调整聚类中心的个数，直至不再出现曼哈顿距离大于曼哈顿距离阈值，处理后的音箱各性能测试数据的隶属度。
需要说明的是，模糊聚类算法包括k-mean模糊聚类算法、FCM模糊聚类算法等，当聚类中心的个数不合理时，就会出现曼哈顿距离大于曼哈顿距离阈值时，说明相对应的类簇中出现分类异常的现象，通过融合奇异值分解算法能够降低计算的复杂度，从而对测试样本数据出现异常时，重新确定聚类中心的个数，进而能够提高样本数据分类的精确度。其中，性能测试数据的隶属度如性能低下信噪比的音箱、性能中等信噪比的音箱、性能高等信噪比的音箱、性能优质信噪比的音箱等，可以根据不同性能指标而设立。
S106:根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；
如图3所示，需要说明的是，在S106的步骤中，具体包括：
S302:预设性能隶属度阈值，并判断处理后的音箱各性能测试数据的隶属度是否大于性能隶属度阈值，当性能测试数据的隶属度不大于性能隶属度阈值时，则将对应的性能指标作为音箱正常的性能项目信息；
S304:当性能测试数据的隶属度大于性能隶属度阈值时，则将对应的性能指标作为音箱异常的性能项目信息，并获取将音箱异常的性能项目信息所出现的频次信息；
S306:当音箱异常的性能项目信息所出现的频次信息大于预设频次信息时，则将对应的测试指标作为音箱经常出现异常的性能项目信息；
S308:当音箱异常的性能项目信息所出现的频次信息不大于预设频次信息时，则将对应的测试项目作为偶然出现异常的性能项目，并根据偶然出现异常的项目以及音箱经常出现异常的性能项目信息生成音箱异常的性能项目信息。
需要说明的是，其中，性能隶属度阈值是不同性能指标具有不同的性能隶属度阈值，如信噪比所设定的隶属度阈值为性能中等信噪比的阈值，如灵敏度设置为性能高等的灵敏度阈值，用户可以根据不同型号的音箱而自行设定。通过本方法能够对测试数据进行批量处理，提高对测试数据处理的效率。
S108:基于音箱异常的性能项目信息生成相关的生产调整方向。
优选地，基于音箱异常的性能项目信息生成相关的生产调整方向，具体包括：
获取每一性能项目异常类型所对应的生产工艺设备，并引入图神经网络，将性能项目异常类型作为第一图节点，将性能项目异常类型所对应的生产工艺设备作为第二图节点；
通过有向边描述，根据第一图节点以及第二图节点构建拓扑结构图，并获取邻接矩阵，基于深度神经网络构建异常识别模型，将邻接矩阵输入到异常识别模型中进行编码学习；
将音箱异常的性能项目信息输入异常识别模型中进行识别，获取当前性能项目异常类型所对应的生产工艺设备，并获取当前性能项目异常类型所对应的生产工艺设备的工作状态信息；
当当前性能项目异常类型所对应的生产工艺设备的工作状态信息为异常的工作状态时，根据当前性能项目异常类型所对应的生产工艺设备的工作状态信息生成相关的生产调整方向。
需要说明的是，通过图神经网络对每一性能项目异常类型与所对应的生产工艺设备进行绑定，使得能够追踪异常的生产工艺设备，及时发现异常的生产设备，从而降低次品率的产生，进而避免造成更大的经济损失。
其中，基于深度神经网络构建异常识别模型，将邻接矩阵输入到异常识别模型中进行编码学习，具体包括：
基于深度神经网络构建异常识别模型，并引入奇异值分解算法，通过奇异值分解算法对所述邻接矩阵进行分解，获取降维后的特征矩阵，并引入循环空间注意力机制；
通过所述循环空间注意力机制对所述降维后的特征矩阵进行处理，生成相关的特征图，通过对所述相关的特征图中每一个第二图节点所对应的特征向量进行SoftMax操作，生成具有空间注意的归一化特征图；
通过对所述具有空间注意的归一化特征图以及所述降维后的特征矩阵进行内积运算，使得注意力集中在第二图节点中，生成注意力特征图；
将所述注意力特征图输入到所述深度神经网络的隐含层中，并将所述注意力特征图与隐含层中的隐含状态协同工作，更新隐含层状态，输出场景识别模型。
需要说明的是，通过本方法能够使得注意力集中在第二图节点中，能够抑制多尺度特征融合所带来的干扰信息，进而来提高对生产设备的异常情况的识别精度。
此外，本方法还可以包括以下步骤：
通过大数据获取各音箱异常的零部件特征数据的历史维修成功率，并构建知识图谱，将所述各音箱异常的零部件特征数据的历史维修成功率输入到所述知识图谱中进行存储；
获取音箱异常的性能指标项目信息，并根据所述音箱异常的性能指标项目信息获取音箱异常的零部件特征数据，将所述音箱异常的零部件特征数据输入到所述知识图谱中进行数据匹配；
通过数据匹配之后，获取音箱异常的性能指标项目信息所对应的历史维修成功率，并预设历史维修成功率阈值，判断所述音箱异常的性能指标项目信息所对应的历史维修成功率是否大于历史维修成功率阈值；
当所述音箱异常的性能指标项目信息所对应的历史维修成功率大于历史维修成功率阈值，则将对应的音箱作为可维修的音箱，反之，则对对应的音箱进行报废处理。
需要说明的是，性能指标异常说明音箱中某一零部件特征数据是异常的，通过本方法能够对能够修复的音箱进行判定，能够合理地对对应的音箱进行报废处理，提高对音箱后期处理的合理性。
如图4所示，本发明第二方面提供了一种基于数据分析的音箱生产质量评价系统4，系统包括存储器41以及处理器42，存储器41中包括基于数据分析的音箱生产质量评价方法程序，基于数据分析的音箱生产质量评价方法程序被处理器42执行时，实现如下步骤：
获取音箱的性能测试指标数据信息，并根据音箱的性能测试指标数据信息构建性能测试场景，通过对性能测试场景进行监测，获取音箱的性能测试数据信息；
通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；
根据处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；
基于音箱异常的性能项目信息生成相关的生产调整方向。
进一步的，在本系统中，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度，具体包括：
导入模糊聚类算法，并初始化算法的参数信息以及聚类中心的个数，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取性能测试数据的隶属度矩阵；
导入奇异值分解算法，通过奇异值分解算法对性能测试数据的隶属度矩阵进行降维处理，获取隶属度矩阵中每一样本数据对应的特征向量，并初始化坐标原点；
预设曼哈顿距离阈值，根据坐标原点构建虚拟空间，将特征向量输入到虚拟空间中，计算特征向量之间的曼哈顿距离，并判断曼哈顿距离是否大于曼哈顿距离阈值；
当曼哈顿距离大于曼哈顿距离阈值时，则统计曼哈顿距离大于曼哈顿距离阈值的特征向量对比组，获取异常的特征向量，并通过对异常的特征向量对应的样本数据进行重新调整聚类中心的个数，直至不再出现曼哈顿距离大于曼哈顿距离阈值，处理后的音箱各性能测试数据的隶属度。
进一步的，在本系统中，基于音箱异常的性能项目信息生成相关的生产调整方向，具体包括：
获取每一性能项目异常类型所对应的生产工艺设备，并引入图神经网络，将性能项目异常类型作为第一图节点，将性能项目异常类型所对应的生产工艺设备作为第二图节点；
通过有向边描述，根据第一图节点以及第二图节点构建拓扑结构图，并获取邻接矩阵，基于深度神经网络构建异常识别模型，将邻接矩阵输入到异常识别模型中进行编码学习；
将音箱异常的性能项目信息输入异常识别模型中进行识别，获取当前性能项目异常类型所对应的生产工艺设备，并获取当前性能项目异常类型所对应的生产工艺设备的工作状态信息；
当当前性能项目异常类型所对应的生产工艺设备的工作状态信息为异常的工作状态时，根据当前性能项目异常类型所对应的生产工艺设备的工作状态信息生成相关的生产调整方向。
本发明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括基于数据分析的音箱生产质量评价方法程序，基于数据分析的音箱生产质量评价方法程序被处理器执行时，实现任一项的基于数据分析的音箱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 (8)

1.基于数据分析的音箱生产质量评价方法，其特征在于，包括以下步骤：
获取音箱的性能测试指标数据信息，并根据所述音箱的性能测试指标数据信息构建性能测试场景，通过对所述性能测试场景进行监测，获取音箱的性能测试数据信息；
通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对所述聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；
根据所述处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；
基于所述音箱异常的性能项目信息生成相关的生产调整方向；
基于所述音箱异常的性能项目信息生成相关的生产调整方向，具体包括：
获取每一性能项目异常类型所对应的生产工艺设备，并引入图神经网络，将所述性能项目异常类型作为第一图节点，将性能项目异常类型所对应的生产工艺设备作为第二图节点；
通过有向边描述，根据所述第一图节点以及第二图节点构建拓扑结构图，并获取邻接矩阵，基于深度神经网络构建异常识别模型，将所述邻接矩阵输入到所述异常识别模型中进行编码学习；
将所述音箱异常的性能项目信息输入异常识别模型中进行识别，获取当前性能项目异常类型所对应的生产工艺设备，并获取所述当前性能项目异常类型所对应的生产工艺设备的工作状态信息；
当所述当前性能项目异常类型所对应的生产工艺设备的工作状态信息为异常的工作状态时，根据当前性能项目异常类型所对应的生产工艺设备的工作状态信息生成相关的生产调整方向。
2.根据权利要求1所述的基于数据分析的音箱生产质量评价方法，其特征在于，获取音箱的性能测试指标数据信息，并根据所述音箱的性能测试指标数据信息构建性能测试场景，具体包括：
获取音箱的性能测试指标数据信息，并根据所述音箱的性能测试指标数据信息构建检索标签，基于所述检索标签，通过大数据进行检索，获取每一性能测试指标所需的测试条件；
获取当前测试设备在预设时间之内的服役数据信息，构建贝叶斯网络，将所述当前测试设备在预设时间之内的服役数据信息输入到所述贝叶斯网络中，获取训练完成的贝叶斯网络；
通过所述贝叶斯网络获取当前测试设备的测试精度信息，当所述当前测试设备的测试精度信息符合所述测试条件时，将对应的测试设备作为性能测试的测试设备；
根据所述性能测试指标所需的测试条件对所述性能测试的测试设备进行配置测试场景，生成性能测试场景。
3.根据权利要求1所述的基于数据分析的音箱生产质量评价方法，其特征在于，通过对所述性能测试场景进行监测，获取音箱的性能测试数据信息，具体包括：
预设测试参数偏差率阈值，获取所述性能测试场景中设备测试参数信息以及性能测试指标所需的测试条件，并将所述性能测试场景中设备测试参数信息以及性能测试指标所需的测试条件进行对比；
通过对比，得到偏差率，当在测试过程中出现至少一次所述偏差率大于所述测试参数偏差率阈值时，将对应测试设备所测试的数据作为不可信的测试数据；
当在测试过程中未出现所述偏差率大于所述测试参数偏差率阈值时，则将对应测试设备所测试的数据作为可信的测试数据，根据所述可信的测试数据生成音箱的性能测试数据信息。
4.根据权利要求1所述的基于数据分析的音箱生产质量评价方法，其特征在于，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对所述聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度，具体包括：
导入模糊聚类算法，并初始化算法的参数信息以及聚类中心的个数，通过所述模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取性能测试数据的隶属度矩阵；
导入奇异值分解算法，通过所述奇异值分解算法对所述性能测试数据的隶属度矩阵进行降维处理，获取隶属度矩阵中每一样本数据对应的特征向量，并初始化坐标原点；
预设曼哈顿距离阈值，根据所述坐标原点构建虚拟空间，将所述特征向量输入到所述虚拟空间中，计算特征向量之间的曼哈顿距离，并判断曼哈顿距离是否大于所述曼哈顿距离阈值；
当所述曼哈顿距离大于所述曼哈顿距离阈值时，则统计所述曼哈顿距离大于所述曼哈顿距离阈值的特征向量对比组，获取异常的特征向量，并通过对所述异常的特征向量对应的样本数据进行重新调整聚类中心的个数，直至不再出现所述曼哈顿距离大于所述曼哈顿距离阈值，处理后的音箱各性能测试数据的隶属度。
5.根据权利要求1所述的基于数据分析的音箱生产质量评价方法，其特征在于，根据所述处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息，具体包括：
预设性能隶属度阈值，并判断所述处理后的音箱各性能测试数据的隶属度是否大于所述性能隶属度阈值，当所述性能测试数据的隶属度不大于所述性能隶属度阈值时，则将对应的性能指标作为音箱正常的性能项目信息；
当所述性能测试数据的隶属度大于所述性能隶属度阈值时，则将对应的性能指标作为音箱异常的性能项目信息，并获取将音箱异常的性能项目信息所出现的频次信息；
当所述音箱异常的性能项目信息所出现的频次信息大于预设频次信息时，则将对应的测试指标作为音箱经常出现异常的性能项目信息；
当所述音箱异常的性能项目信息所出现的频次信息不大于预设频次信息时，则将对应的测试项目作为偶然出现异常的性能项目，并根据所述偶然出现异常的性能项目以及音箱经常出现异常的性能项目信息生成音箱异常的性能项目信息。
6.基于数据分析的音箱生产质量评价系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于数据分析的音箱生产质量评价方法程序，所述基于数据分析的音箱生产质量评价方法程序被所述处理器执行时，实现如下步骤：
获取音箱的性能测试指标数据信息，并根据所述音箱的性能测试指标数据信息构建性能测试场景，通过对所述性能测试场景进行监测，获取音箱的性能测试数据信息；
通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对所述聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度；
根据所述处理后的音箱各性能测试数据的隶属度获取音箱异常的性能项目信息；
基于所述音箱异常的性能项目信息生成相关的生产调整方向；
基于所述音箱异常的性能项目信息生成相关的生产调整方向，具体包括：
获取每一性能项目异常类型所对应的生产工艺设备，并引入图神经网络，将所述性能项目异常类型作为第一图节点，将性能项目异常类型所对应的生产工艺设备作为第二图节点；
通过有向边描述，根据所述第一图节点以及第二图节点构建拓扑结构图，并获取邻接矩阵，基于深度神经网络构建异常识别模型，将所述邻接矩阵输入到所述异常识别模型中进行编码学习；
将所述音箱异常的性能项目信息输入异常识别模型中进行识别，获取当前性能项目异常类型所对应的生产工艺设备，并获取所述当前性能项目异常类型所对应的生产工艺设备的工作状态信息；
当所述当前性能项目异常类型所对应的生产工艺设备的工作状态信息为异常的工作状态时，根据当前性能项目异常类型所对应的生产工艺设备的工作状态信息生成相关的生产调整方向。
7.根据权利要求6所述的基于数据分析的音箱生产质量评价系统，其特征在于，通过模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取相关的聚类分析结果，通过对所述聚类分析结果进行数据处理，获取处理后的音箱各性能测试数据的隶属度，具体包括：
导入模糊聚类算法，并初始化算法的参数信息以及聚类中心的个数，通过所述模糊聚类算法对音箱的性能测试数据信息进行聚类分析，获取性能测试数据的隶属度矩阵；
导入奇异值分解算法，通过所述奇异值分解算法对所述性能测试数据的隶属度矩阵进行降维处理，获取隶属度矩阵中每一样本数据对应的特征向量，并初始化坐标原点；
预设曼哈顿距离阈值，根据所述坐标原点构建虚拟空间，将所述特征向量输入到所述虚拟空间中，计算特征向量之间的曼哈顿距离，并判断曼哈顿距离是否大于所述曼哈顿距离阈值；
当所述曼哈顿距离大于所述曼哈顿距离阈值时，则统计所述曼哈顿距离大于所述曼哈顿距离阈值的特征向量对比组，获取异常的特征向量，并通过对所述异常的特征向量对应的样本数据进行重新调整聚类中心的个数，直至不再出现所述曼哈顿距离大于所述曼哈顿距离阈值，处理后的音箱各性能测试数据的隶属度。
8.一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括基于数据分析的音箱生产质量评价方法程序，所述基于数据分析的音箱生产质量评价方法程序被处理器执行时，实现如权利要求1-5任一项所述的基于数据分析的音箱生产质量评价方法的步骤。
CN202311669441.6A 2023-12-07 2023-12-07 基于数据分析的音箱生产质量评价方法及系统 Active CN117371875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311669441.6A CN117371875B (zh) 2023-12-07 2023-12-07 基于数据分析的音箱生产质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311669441.6A CN117371875B (zh) 2023-12-07 2023-12-07 基于数据分析的音箱生产质量评价方法及系统

Publications (2)

Publication Number Publication Date
CN117371875A CN117371875A (zh) 2024-01-09
CN117371875B true CN117371875B (zh) 2024-04-26

Family

ID=89402581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311669441.6A Active CN117371875B (zh) 2023-12-07 2023-12-07 基于数据分析的音箱生产质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN117371875B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808024B (zh) * 2024-02-29 2024-05-07 深圳市捷通科技有限公司 基于自适应调控的读写器设备管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277749A (zh) * 2015-10-23 2016-01-27 深圳市共济科技有限公司 一种机柜资产u位及故障检测系统
CN109974985A (zh) * 2019-02-22 2019-07-05 昆明理工大学 一种单向阀性能退化评估装置及其诊断方法
CN116485280A (zh) * 2023-06-15 2023-07-25 深圳市蓝巨科技有限公司 基于人工智能的uvc-led生产质量评价方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277749A (zh) * 2015-10-23 2016-01-27 深圳市共济科技有限公司 一种机柜资产u位及故障检测系统
CN109974985A (zh) * 2019-02-22 2019-07-05 昆明理工大学 一种单向阀性能退化评估装置及其诊断方法
CN116485280A (zh) * 2023-06-15 2023-07-25 深圳市蓝巨科技有限公司 基于人工智能的uvc-led生产质量评价方法及系统

Also Published As

Publication number Publication date
CN117371875A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN109685647B (zh) 信贷欺诈检测方法及其模型的训练方法、装置和服务器
CN117371875B (zh) 基于数据分析的音箱生产质量评价方法及系统
CN110703057B (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN110768971B (zh) 适用于人工智能系统的对抗样本快速预警方法及系统
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
CN113067798B (zh) Ics入侵检测方法、装置、电子设备和存储介质
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN111898247A (zh) 滑坡位移预测方法、设备及存储介质
CN116843400A (zh) 基于图表示学习的区块链碳排放交易异常检测方法和装置
CN114513367B (zh) 基于图神经网络的蜂窝网络异常检测方法
CN111224984B (zh) 一种基于数据挖掘算法的Snort改进方法
CN116823428A (zh) 一种反欺诈检测方法、装置、设备及存储介质
CN115130536A (zh) 特征提取模型的训练方法、数据处理方法、装置及设备
CN117131425B (zh) 一种基于反馈数据的数控机床加工状态监测方法及系统
CN107770813B (zh) 基于pca与二维偏度特征的lte上行干扰分类方法
CN111949852A (zh) 一种基于互联网大数据的宏观经济分析方法及系统
CN115514581B (zh) 一种用于工业互联网数据安全平台的数据分析方法及设备
CN115033893B (zh) 一种改进型聚类算法的信息漏洞数据分析方法
CN114419034A (zh) 一种智能穿戴用硅胶材料的自动化检测方法、系统及介质
CN114548569A (zh) 异质社交网络中缺失链路预测方法、系统和存储介质
Wang et al. Research on rolling bearing fault diagnosis based on Volterra Kernel identification and KPCA
Ling et al. Graph Attention Mechanism-Based Method for Tracing APT Attacks in Power Systems
CN116842415B (zh) 一种镜面放电加工机的远程监测方法、系统及介质
CN117787945A (zh) 船舶设施运维方法、装置、设备及存储介质
Zamfiroiu et al. IoT Sensors’ Characteristics used for Behavior Profiling

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