CN111105082A - 基于机器学习的工件质量预测模型构建方法及预测方法 - Google Patents

基于机器学习的工件质量预测模型构建方法及预测方法 Download PDF

Info

Publication number
CN111105082A
CN111105082A CN201911234762.7A CN201911234762A CN111105082A CN 111105082 A CN111105082 A CN 111105082A CN 201911234762 A CN201911234762 A CN 201911234762A CN 111105082 A CN111105082 A CN 111105082A
Authority
CN
China
Prior art keywords
model
polynomial
prediction model
sample
machine learning
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.)
Pending
Application number
CN201911234762.7A
Other languages
English (en)
Inventor
段强
孙凯
李锐
金长新
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.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute 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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201911234762.7A priority Critical patent/CN111105082A/zh
Publication of CN111105082A publication Critical patent/CN111105082A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于机器学习的工件质量预测模型构建方法及预测方法，属于工件质量预测领域，要解决的技术问题为如何对给定参数的工件进行质量预测、良品率预测。构建方法，包括如下步骤：采集训练数据；构造至少一个多项式特征，并选取分布差异明显的多项式特征；通过采集的特征以及选取的多项式特征组成训练样本，对构建的预测模型进行参数优化，得到训练后预测模型。预测方法，包括如下步骤：采集测试数据；构造至少一个多项式特征，选取分布差异明显的多项式特征；通过采集的特征以及选取的多项式特征组成测试样本，将测试样本输入训练后预测模型；将概率样本输入异常检测模型，得到处理后概率样本；对处理后概率样本进行求均值计算。

Description

基于机器学习的工件质量预测模型构建方法及预测方法
技术领域
本发明涉及工件质量预测领域，具体地说是一种基于机器学习的工件质量预测模型构建方法及预测方法。
背景技术
在工业制造领域实际生产中，同一组工艺参数设定下生产的工件会出现多种质检结果，所以针对各组工艺参数定义其质检标准符合率，即为该组工艺参数生产的工件的质检结果分别符合优、良、合格与不合格四类指标的比率。相比预测各个工件的质检结果，预测该质检标准符合率会更具有实际意义。
工件生产通常会固定某个参数，交由机器去制造。但由于各种环境因素、材料因素、机器状态等影响，固定生产参数的工件也会有质量好坏之分。
基于上述，如何对给定参数的工件进行质量预测、良品率预测，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供一种基于机器学习的工件质量预测模型构建方法及预测方法，来解决如何对给定参数的工件进行质量预测、良品率预测的问题。
第一方面，本发明提供基于机器学习的工件质量预测模型构建方法，包括如下步骤：
采集已制造工件的特征作为训练数据，并对训练数据进行预处理；
基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；
通过采集的特征以及选取的多项式特征组成训练样本，以所述训练样本为输入，对构建的预测模型进行参数优化，得到训练后预测模型，所述预测模型为机器学习决策树模型。
作为优选，对训练数据进行预处理，包括：
对训练数据进行标准化处理或者进行归一化处理；
和/或，训练数据进行异常值处理；
和/或，对训练数据进行空缺值处理；
和/或，对训练数据进行数据增广处理。
作为优选，所述不同标签包括：优秀、良好、合格和不合格。
作为优选，所述机器学习决策树模型为LIGHTGBM模型或CATBOOST模型。
第二方面，本发明提供一种基于机器学习的工件质量预测方法，包括如下步骤：
通过如第一方面任一项所述的基于机器学习的工件质量预测模型构建方法构建预测模型，得到训练后预测模型；
采集待测工件的特征作为测试数据，并对测试数据进行预处理；
基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；
通过采集的特征以及选取的多项式特征组成测试样本，将测试样本输入训练后预测模型，得到每个标签对应的概率；
通过上述每个标签对应的概率组成概率样本，将概率样本输入异常检测模型，去除概率样本中异常概率，得到处理后概率样本；
对处理后概率样本进行求均值计算，以所述均值作为良品率预测。
作为优选，对测试数据进行预处理，包括：
对测试数据进行标准化处理或者进行归一化处理；
和/或，对测试数据进行异常值处理；
和/或，对测试数据进行空缺值处理；
和/或，对测试数据进行数据增广处理。
作为优选，所述不同标签包括：优秀、良好、合格和不合格。
作为优选，所述机器学习决策树模型为LIGHTGBM模型或CATBOOST模型。
作为优选，所述异常检测模型为ISOLATIONFOREST模型。
本发明的一种基于机器学习的工件质量预测模型构建方法及预测方法具有以下优点：
1、以机器学习的决策树模型为预测模型，对数据没有严格的要求，因此省去了繁琐的数据预处理过程；
2、基于采集的特征构造多项式特征，并根据多项特征在不同标签之间的分布，选取分布明显的多项式特征，通过上述多项式特征以及采集的特征作为样本，具有多样性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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。
下面结合附图对本发明进一步说明。
附图1为实施例1一种基于机器学习的工件质量预测模型构建方法的流程框图；
附图2为实施例2一种基于机器学习的工件质量预测方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供一种基于机器学习的工件质量预测模型构建方法及预测方法，用于解决如何对给定参数的工件进行质量预测、良品率预测的技术问题。
实施例1：
本发明的一种基于机器学习的工件质量预测模型构建方法，包括如下步骤：
S100、采集已制造工件的特征作为训练数据，并对训练数据进行预处理；
S200、基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；
S300、通过采集的特征以及选取的多项式特征组成训练样本，以所述训练样本为输入，对构建的预测模型进行参数优化，得到训练后预测模型，所述预测模型为机器学习决策树模型。
其中，步骤S100中采集不同制造时间对应的已制造工件的长度、宽度等特征，上述不同时间的各个特征组成矩阵形式，矩阵中每一列为某个特征在不同时间对应的值。
对特征进行预处理为：对训练数据进行标准化处理；对训练数据进行异常值处理；对训练数据进行空缺值处理以及对训练数据进行数据增广处理。
在实际应用中，可根据实际需求选择性地进行预处理。
其中，设定的不同标签包括：优秀、良好、合格和不合格。
本实施例中预测模型为LIGHTGBM模型。实际应用中，预测模型不限于 LIGHTGBM模型，可选用CATBOOST模型。
本发明的基于机器学习的工件质量预测模型构建方法可得到一种训练后预测模型，该训练后预测模型对测试样本进行预测。
通过该预测模型预测时，测试样本的选取方法为：采集待测工件的特征作为测试数据，并对测试数据进行预处理；基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；通过采集的特征以及选取的多项式特征组成测试样本。
实施例2：
本发明的一种基于机器学习的工件质量预测方法，包括如下步骤：
S100、通过如实施例1公开的一种基于机器学习的工件质量预测模型构建方法构建预测模型，得到训练后预测模型；
S200、采集待测工件的特征作为测试数据，并对测试数据进行预处理；
S300、基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；
S400、通过采集的特征以及选取的多项式特征组成测试样本，将测试样本输入训练后预测模型，得到每个标签对应的概率；
S500、通过上述每个标签对应的概率组成概率样本，将概率样本输入异常检测模型，去除概率样本中异常概率，得到处理后概率样本；
S600、对处理后概率样本进行求均值计算，以所述均值作为良品率预测。
其中，步骤S100中采集不同制造时间对应的待测工件的长度、宽度等特征，上述不同时间的各个特征组成矩阵形式，矩阵中每一列为某个特征在不同时间对应的值。
对特征进行预处理为：对测试数据进行标准化处理；对测试数据进行异常值处理；对测试数据进行空缺值处理以及对测试数据进行数据增广处理。
本实施例中预测模型为LIGHTGBM模型，异常检测模型为ISOLATIONFOREST 模型。实际应用中，预测模型不限于LIGHTGBM模型，可选用CATBOOST模型。
本发明的一种基于机器学习的工件质量预测方法可预测工件的良品率。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.基于机器学习的工件质量预测模型构建方法，其特征在于包括如下步骤：
采集已制造工件的特征作为训练数据，并对训练数据进行预处理；
基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；
通过采集的特征以及选取的多项式特征组成训练样本，以所述训练样本为输入，对构建的预测模型进行参数优化，得到训练后预测模型，所述预测模型为机器学习决策树模型。
2.根据权利要求1所述的基于机器学习的工件质量预测模型构建方法，其特征在于对训练数据进行预处理，包括：
对训练数据进行标准化处理或者进行归一化处理；
和/或，训练数据进行异常值处理；
和/或，对训练数据进行空缺值处理；
和/或，对训练数据进行数据增广处理。
3.根据权利要求1所述的基于机器学习的工件质量预测模型构建方法，其特征在于所述不同标签包括：优秀、良好、合格和不合格。
4.根据权利要求1所述的基于机器学习的工件质量预测模型构建方法，其特征在于所述机器学习决策树模型为LIGHTGBM模型或CATBOOST模型。
5.基于机器学习的工件质量预测方法，其特征在于包括如下步骤：
通过如权利要求1-4任一项所述的基于机器学习的工件质量预测模型构建方法构建预测模型，得到训练后预测模型；
采集待测工件的特征作为测试数据，并对测试数据进行预处理；
基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；
通过采集的特征以及选取的多项式特征组成测试样本，将测试样本输入训练后预测模型，得到每个标签对应的概率；
通过上述每个标签对应的概率组成概率样本，将概率样本输入异常检测模型，去除概率样本中异常概率，得到处理后概率样本；
对处理后概率样本进行求均值计算，以所述均值作为良品率预测。
6.根据权利要求5所述的基于机器学习的工件质量预测方法，其特征在于对测试数据进行预处理，包括：
对测试数据进行标准化处理或者进行归一化处理；
和/或，对测试数据进行异常值处理；
和/或，对测试数据进行空缺值处理；
和/或，对测试数据进行数据增广处理。
7.根据权利要求5或6所述的基于机器学习的工件质量预测方法，其特征在于所述不同标签包括：优秀、良好、合格和不合格。
8.根据权利要求5或6所述的基于机器学习的工件质量预测方法，其特征在于所述机器学习决策树模型为LIGHTGBM模型或CATBOOST模型。
9.根据权利要求5或6所述的基于机器学习的工件质量预测方法，其特征在于所述异常检测模型为ISOLATIONFOREST模型。
CN201911234762.7A 2019-12-05 2019-12-05 基于机器学习的工件质量预测模型构建方法及预测方法 Pending CN111105082A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911234762.7A CN111105082A (zh) 2019-12-05 2019-12-05 基于机器学习的工件质量预测模型构建方法及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911234762.7A CN111105082A (zh) 2019-12-05 2019-12-05 基于机器学习的工件质量预测模型构建方法及预测方法

Publications (1)

Publication Number Publication Date
CN111105082A true CN111105082A (zh) 2020-05-05

Family

ID=70421577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911234762.7A Pending CN111105082A (zh) 2019-12-05 2019-12-05 基于机器学习的工件质量预测模型构建方法及预测方法

Country Status (1)

Country Link
CN (1) CN111105082A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884081A (zh) * 2021-03-31 2021-06-01 福州大学 一种多品种小批量生产的工件质量在线智能预测方法
CN113421264A (zh) * 2021-08-24 2021-09-21 深圳市信润富联数字科技有限公司 轮毂质量检测方法、设备、介质及计算机程序产品
CN113537285A (zh) * 2021-06-08 2021-10-22 内蒙古卫数数据科技有限公司 一种利用患者历史比对数据基于机器学习技术的新型临床错配样本识别方法
CN114701135A (zh) * 2022-05-20 2022-07-05 深圳市信润富联数字科技有限公司 基于虚拟量测模型的注塑工件尺寸预测方法
CN115482227A (zh) * 2022-09-26 2022-12-16 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN117112857A (zh) * 2023-10-23 2023-11-24 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种适用于工业智能制造的加工路径推荐方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682754A (zh) * 2015-11-05 2017-05-17 阿里巴巴集团控股有限公司 事件发生概率预测方法及装置
CN106845731A (zh) * 2017-02-20 2017-06-13 重庆邮电大学 一种基于多模型融合的潜在换机用户发现方法
CN107516135A (zh) * 2017-07-14 2017-12-26 浙江大学 一种支持多源数据的自动化监督性学习方法
CN107909433A (zh) * 2017-11-14 2018-04-13 重庆邮电大学 一种基于大数据移动电子商务的商品推荐方法
CN108446711A (zh) * 2018-02-01 2018-08-24 南京邮电大学 一种基于迁移学习的软件缺陷预测方法
CN109919241A (zh) * 2019-03-15 2019-06-21 中国人民解放军国防科技大学 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN110046928A (zh) * 2019-03-06 2019-07-23 北京三快在线科技有限公司 确定标签的方法、装置、电子设备及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682754A (zh) * 2015-11-05 2017-05-17 阿里巴巴集团控股有限公司 事件发生概率预测方法及装置
CN106845731A (zh) * 2017-02-20 2017-06-13 重庆邮电大学 一种基于多模型融合的潜在换机用户发现方法
CN107516135A (zh) * 2017-07-14 2017-12-26 浙江大学 一种支持多源数据的自动化监督性学习方法
CN107909433A (zh) * 2017-11-14 2018-04-13 重庆邮电大学 一种基于大数据移动电子商务的商品推荐方法
CN108446711A (zh) * 2018-02-01 2018-08-24 南京邮电大学 一种基于迁移学习的软件缺陷预测方法
CN110046928A (zh) * 2019-03-06 2019-07-23 北京三快在线科技有限公司 确定标签的方法、装置、电子设备及可读存储介质
CN109919241A (zh) * 2019-03-15 2019-06-21 中国人民解放军国防科技大学 基于概率模型和深度学习的高光谱未知类别目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王桂锋: ""制造过程质量预测与控制***设计与实现"" *
黄培培: ""通信辐射源特征提取技术研究"" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884081A (zh) * 2021-03-31 2021-06-01 福州大学 一种多品种小批量生产的工件质量在线智能预测方法
CN113537285A (zh) * 2021-06-08 2021-10-22 内蒙古卫数数据科技有限公司 一种利用患者历史比对数据基于机器学习技术的新型临床错配样本识别方法
CN113421264A (zh) * 2021-08-24 2021-09-21 深圳市信润富联数字科技有限公司 轮毂质量检测方法、设备、介质及计算机程序产品
CN113421264B (zh) * 2021-08-24 2021-11-30 深圳市信润富联数字科技有限公司 轮毂质量检测方法、设备、介质及计算机程序产品
CN114701135A (zh) * 2022-05-20 2022-07-05 深圳市信润富联数字科技有限公司 基于虚拟量测模型的注塑工件尺寸预测方法
CN115482227A (zh) * 2022-09-26 2022-12-16 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN115482227B (zh) * 2022-09-26 2023-09-12 中机生产力促进中心有限公司 机器视觉自适应成像环境调整方法
CN117112857A (zh) * 2023-10-23 2023-11-24 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种适用于工业智能制造的加工路径推荐方法
CN117112857B (zh) * 2023-10-23 2024-01-05 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种适用于工业智能制造的加工路径推荐方法

Similar Documents

Publication Publication Date Title
CN111105082A (zh) 基于机器学习的工件质量预测模型构建方法及预测方法
CN109711659B (zh) 一种工业生产的良率提升管理***和方法
JP4394728B2 (ja) 影響要因特定装置
CN108363836B (zh) 多工况自适应的工业机器人健康度评估方法及***
CN109389314B (zh) 一种基于最优近邻成分分析的质量软测量与监测方法
CN113469241A (zh) 基于工艺网络模型与机器学习算法的产品质量控制方法
JP4568786B2 (ja) 要因分析装置および要因分析方法
JP2009187175A (ja) バッチプロセスデータの解析装置およびそれを用いた異常検出／品質推定装置
CN111461746A (zh) 一种面向装配的质量智能追溯方法
CN107679089A (zh) 一种用于电力传感数据的清洗方法、装置和***
CN110569566A (zh) 一种板带力学性能预测方法
Haridy et al. Optimal average sample number of the SPRT chart for monitoring fraction nonconforming
CN111639304B (zh) 基于Xgboost回归模型的CSTR故障定位方法
Martinez et al. A cyber-physical system approach to zero-defect manufacturing in light-gauge steel frame assemblies
CN110879820B (zh) 工业数据处理方法、装置
CN108242411B (zh) 用于管控线上缺陷的方法和***
CN111126490B (zh) 一种基于深度随机森林的钢板板形异常识别方法
CN112363465A (zh) 一种专家规则集训练方法、训练器和工业设备预警***
Schuh et al. Approach for reducing data inconsistencies in production control
CN108229541B (zh) 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法
Buschmann et al. Data-driven decision support for process quality improvements
CN106569982A (zh) 带奇异点检测补偿的gpr在线软测量方法及***
CN115222114A (zh) 汽车零部件装配指标值预测方法、终端设备及存储介质
WO2022059135A1 (ja) エラー要因の推定装置及び推定方法
Nagy et al. An industrial application using process mining to reduce the number of faulty products

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