CN112241805A - 使用历史检验数据进行缺陷预测 - Google Patents
使用历史检验数据进行缺陷预测 Download PDFInfo
- Publication number
- CN112241805A CN112241805A CN201910859146.4A CN201910859146A CN112241805A CN 112241805 A CN112241805 A CN 112241805A CN 201910859146 A CN201910859146 A CN 201910859146A CN 112241805 A CN112241805 A CN 112241805A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- defects
- plant
- product
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 438
- 238000007689 inspection Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 claims description 100
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 17
- 239000000047 product Substances 0.000 description 196
- 239000013598 vector Substances 0.000 description 34
- 230000008569 process Effects 0.000 description 27
- 238000004519 manufacturing process Methods 0.000 description 25
- 238000012549 training Methods 0.000 description 24
- 238000012360 testing method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 18
- 230000015654 memory Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000013507 mapping Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000003908 quality control method Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000010387 memory retrieval Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013530 stochastic neural network Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及使用历史检验数据进行缺陷预测。提供了使用历史检验数据的缺陷预测。在各种实施例中,接收工厂的历史检验数据。检验数据包括工厂中生产的一个或多个产品中的缺陷的指示。从检验数据中提取多个特征。将所述多个特征提供给缺陷预测模型。缺陷预测模型包括经训练的分类器或协同过滤器。从缺陷预测模型获得可能在所述一个或多个产品中出现的多个缺陷的指示。
Description
技术领域
本公开的实施例涉及缺陷预测,更具体而言,涉及使用历史检验数据的缺陷预测。
发明内容
根据本公开的实施例,提供了用于缺陷预测的方法和计算机程序产品。在各种实施例中,接收工厂的历史检验数据。检验数据包括工厂生产的一个或多个产品中的缺陷的指示。从检验数据中提取多个特征。将多个特征提供给缺陷预测模型。缺陷预测模型包括经训练的分类器或协同过滤器。从缺陷预测模型获得可能在一个或多个产品中出现的多个缺陷的指示。
在一些实施例中,缺陷预测模型包括经训练的分类器和协同过滤器,经训练的分类器和协同过滤器被配置为提供共识输出。在一些实施例中,缺陷预测模型包括经训练的分类器和协同过滤器,经训练的分类器和协同过滤器被配置为提供集合输出。
在一些实施例中,一个或多个产品中的缺陷的指示包括预定产品类型、产品线或产品类别中的缺陷的指示。在一些实施例中,一个或多个产品中的缺陷的指示包括多个缺陷名称和与多个缺陷名称中的每一个对应的缺陷率。
在一些实施例中,多个特征包括:工厂的过去检验的属性、一个或多个产品的属性,或者一个或多个产品中的缺陷的属性。
在一些实施例中,经训练的分类器包括人工神经网络。在一些实施例中,人工神经网络包括深度神经网络。在一些实施例中,协同过滤器包括邻域模型或潜在因素模型。在一些实施例中,多个缺陷包括预定数量的最可能的缺陷。
在一些实施例中,该方法还包括对数据进行预处理。在一些实施例中,对数据进行预处理包括聚合数据。在一些实施例中,对数据进行预处理还包括对数据进行过滤。在一些实施例中,从数据中提取多个特征包括针对缺陷的每个指示应用从缺陷名称到来自预定命名的一个或多个标准化的缺陷名称的映射。在一些实施例中,历史检验数据包括多个产品名称,并且其中从数据中提取多个特征包括应用从多个产品名称中的每一个产品名称到来自预定命名的标准化的产品名称的映射。
在一些实施例中,该方法还包括:对工厂的历史检验数据进行匿名化。在一些实施例中,数据还包括工厂的表现历史。在一些实施例中,数据还包括工厂的地理信息。在一些实施例中,数据还包括工厂的产品数据。在一些实施例中,数据还包括工厂的被检验产品的品牌数据。在一些实施例中,数据跨越预定时间窗口。
在一些实施例中,向缺陷预测模型提供多个特征包括将多个特征发送到远程缺陷预测服务器,并且从缺陷预测模型获得多个缺陷的指示包括从缺陷预测服务器接收多个缺陷的指示。在一些实施例中,提取多个特征包括应用维数减少算法。在一些实施例中,可能出现的多个缺陷的指示包括可能在工厂出现的多个缺陷的列表。在一些实施例中,列表包括针对多个缺陷中的每个缺陷的缺陷名称、缺陷率和缺陷描述。在一些实施例中,列表包括可能在特定购买订单、产品、产品风格、产品线或产品类别中出现的多个缺陷的列表。在一些实施例中,获得多个缺陷的指示还包括向用户的报告的指示。在一些实施例中,向用户提供指示包括将指示发送到移动或web应用。在一些实施例中,所述发送经由广域网执行。
在一些实施例中,经训练的分类器包括支持向量机。在一些实施例中,从缺陷预测模型获得指示包括应用梯度增强(gradient boosting)算法。
在一些实施例中,该方法还包括:通过将多个缺陷的指示与多个缺陷的基础事实指示进行比较来测量缺陷预测模型的性能;根据性能来优化缺陷预测模型的参数。在一些实施例中,优化缺陷预测模型的参数包括修改经训练的机器学习模型的超参数。在一些实施例中,优化缺陷预测模型的参数包括用第二机器学习算法代替第一机器学习算法,第二机器学习算法包括被配置为改善缺陷预测模型的性能的超参数。
附图说明
图1是根据本公开的实施例的用于缺陷预测的示例性***的示意图。
图2图示了根据本公开的实施例的用于缺陷预测的处理。
图3A-3B图示了根据本公开的实施例的用于缺陷预测的框架。
图4图示了根据本公开的实施例的用于缺陷预测的框架。
图5图示了根据本公开的实施例的用于训练缺陷预测***的处理。
图6图示了根据本公开的实施例的用于特征提取的示例性处理。
图7图示了根据本公开的实施例的用于特征提取的示例性处理。
图8描绘了根据本公开的实施例的计算节点。
具体实施方式
通常通过减少工厂中发现的缺陷的数量来解决工厂中的质量控制。对于一些缺陷,这需要解决缺陷的根本原因,而其它缺陷(诸如一些***性和反复出现的缺陷)通过被动校正动作来解决,而不考虑可能已导致缺陷的工厂表现的更广泛趋势。例如,在工厂的质量检验失败后,可以将有缺陷的产品从生产周期中移除,但是,缺陷的原因仍然未知,并且获得关于未来可能出现的问题的很少信息,这些问题可能在未来计划和制造的生产阶段出现。
此外,当调查工厂的表现、质量控制或缺陷时,品牌或零售商通常受其所掌握(disposal)的数据的限制。品牌和零售商常常只能访问由其内部团队获得的工厂表现数据,并且不了解来自其它工厂、品牌或零售商的类似数据。即使在工厂内,由于各种情况(例如,信息的非数字记录、手动信息搜集处理或孤立数据),通过自检验程序和第三方检验以及质量控制干预获得的数据可能在试图调查工厂的表现或缺陷时不可用。
为了解决这些和其它缺点,本公开提供了用于预测可能在工厂(诸如纺织品或服装工厂)出现的缺陷的框架。在本公开的实施例中,机器学习方法被用于在缺陷出现之前预测工厂中的缺陷,由此可以调查和解决缺陷的根本原因,从而提高工厂的整体质量。提前了解可能出现的缺陷将使工厂、品牌、零售商或其业务合作伙伴能够从在找到质量问题后进行处理的被动(reactive)质量控制方法转变为可以在缺陷出现之前或在进行检验之前采取校正动作的积极主动的方法。
例如,对于在工厂预测出的缺陷,可以进行根本原因分析。这种分析可以包括分析在过去几个月期间在工厂或具体产品类别内的类似工厂中出现的给定缺陷的频率。此外,可以审查历史记录和对应的校正和预防动作。此外,可以从工厂获得附加信息以供进一步引用。
此外,本公开提供了在训练缺陷预测模型时获得并分析跨多个工厂、品牌、零售商和检验服务的数据,以准确地预测可能在特定工厂出现的缺陷。在本公开的实施例中,可以将来自各个工厂、品牌或零售商处的各个服务或人员执行的质量控制或干预活动的数据输入到缺陷预测模型中,以便训练模型预测可能在特定位置出现的缺陷,并且可以被用作缺陷预测模型的输入数据以获得可能出现的缺陷的指示。
使用来自多个工厂、品牌、零售商和检验服务的数据允许生成稳健的缺陷预测模型,由此可以充分利用大量数据和分析来为工厂提供准确的缺陷预测,否则该工厂具有用于主动解决质量问题的相对少数据。
应该认识到的是,缺陷预测***具有许多应用。用户可以获得具有服务的账户,将其数据输入到服务,并从服务获得缺陷预测结果。可以经由移动或Web应用访问服务。从多个用户获得数据允许充分利用更大量的数据,以便提供更稳健的预测,从而增加用户协作,并促进主动质量保证策略。
在一些实施例中,检验员可以在检验之前使用缺陷预测***来获得他们将要发现的最可能缺陷的可视化。在一些实施例中,提供移动应用,其为检验员显示必要的步骤和过程,从而促进完成指定的检验。检验中的一个过程是工艺(workmanship)过程,其中检验员根据给定的工作流程进行检查,以确保所有产品的质量。在许多情况下,在这个过程期间发现大多数缺陷。可以在这种移动应用上提供缺陷预测模型的输出作为工艺部分的一部分。这允许最可能的缺陷的可视化以供检验员发现。
在一些实施例中,可以由工厂、品牌或零售商使用缺陷预测来在制造的生产计划阶段期间实现预防动作。了解可能出现哪些缺陷将使工厂能够提供解决方案并实现减轻缺陷影响或防止缺陷出现的动作。品牌或零售商也可以使用缺陷预测,以便确保作为生产计划的一部分而实现预防动作。
在许多情况下,在制造的生产计划阶段期间,品牌/零售商提出与生产计划相关的问题以及可能在工厂出现的潜在缺陷或问题。以前的工厂检验表现可以用于为即将到来的生产提供预防动作。在工厂提交对特定问题的响应时,它可以使用关于针对具体产品类别有可能在工厂出现的缺陷的见解,以便主动建议校正并防止这些问题的必要动作。这些步骤可以帮助品牌/零售商和工厂都降低后期生产阶段的潜在风险。
在本公开的实施例中,将工厂的历史检验数据输入到缺陷预测模型中,并且获得最有可能在工厂出现的前k个缺陷的列表。检验数据可以包括关于工厂和/或工厂内的具体产品线或产品类别的信息。检验数据可以包括关于在工厂中观察到的缺陷的信息,包括缺陷名称和类型、总共观察到的缺陷的数量,以及被检验产品当中的缺陷分布。获得的缺陷的列表可以包括在工厂内对工厂、产品线或产品类别的后续检验中可能观察到的缺陷。该列表可以包括关于发现的缺陷类型、发现的缺陷类型的总数以及工厂的产品当中每个缺陷的分布的预测,并且对于规划要在工厂采取的未来动作将是有用的。
如本文所使用的,术语缺陷是指工厂的生产周期中的任何瑕疵、缺点或不完善。换句话说,缺陷是指与预定的生产质量标准的可观察的、不期望的偏差。可以在生产周期的各种级别上发现缺陷,例如在工厂中整体上、在工厂的特定产品类别、产品线、产品或生产方法中。缺陷可以存在于产品或产品线的各种特征中,或者在生产或检验周期的各个阶段期间,例如设计、工艺、包装、制造或存档。缺陷可以在离散或连续值的范围内被量化,或者可以作为二进制值被测量(例如,是否存在缺陷)。可以通过各种方式找到缺陷,例如,在检验期间由检验员、在工厂由专门内部质量控制小组,或者由负责发现缺陷的生产阶段的人员。发现缺陷并防止它们出现是制造过程中质量控制的必要组成部分。
在本公开的实施例中,接收与工厂相关的数据。数据可以包括工厂的历史检验数据、工厂中生产的一个或多个产品中的缺陷的指示、在工厂处的缺陷的其它属性,和/或工厂的其它属性。在一些实施例中,从数据中提取特征。在一些实施例中,数据被预处理。在一些实施例中,缺陷名称被映射到对应命名中的术语。在一些实施例中,将特征提供给缺陷预测模型。在一些实施例中,缺陷预测模型包括机器学习模型(例如,神经网络或协同过滤器)。在一些实施例中,从预测模型获得在工厂的一个或多个产品中可能出现的多个缺陷的指示。在一些实施例中,所获得的指示包括可能在工厂出现的缺陷的列表。
现在参考图1,示出了根据本公开的实施例的用于缺陷预测的示例性***的示意图。***100包括缺陷收集服务器106、缺陷预测模型108、缺陷预测服务器118和检验质量/合规平台102。在一些实施例中,***100有三个操作阶段:训练阶段、预测阶段和更新阶段。
在训练阶段,缺陷收集服务器106通过收集历史检验数据104来生成初始数据集。历史检验数据104可以经由批量***一次输入到缺陷收集服务器106中。然后将历史检验数据104与品牌数据110、工厂数据112、主产品数据114和主缺陷数据116组合,从而形成初始训练数据集。然后可以提取来自历史检验数据和其它输入的数据的多个相关特征。在初始训练数据集上训练多个机器学习模型,并评估每个模型的性能。比较机器学习模型的性能,并且选择具有最期望性能的模型作为缺陷预测模型108并将其部署到缺陷预测服务器118上。在一些实施例中,将多个模型部署到缺陷预测服务器118,在这种情况下,在预测阶段期间,从多个模型获得共识结果。类似地,可以组合来自多个模型的最高结果以提供集合结果。可以构建应用编程接口(API)以允许web或移动应用通过提供数据并查询预测服务器以获得缺陷预测来与缺陷预测服务器118和缺陷收集服务器106交互。在一些实施例中,缺陷预测服务器包括远程服务器。
在预测阶段,可以使用可以适于与web或移动应用集成(例如,经由API)的检验质量/合规平台102来查询并向缺陷预测服务器118提供数据,并从缺陷预测服务器118获得缺陷预测结果。在一些实施例中,缺陷预测结果包括在工厂或产品线处最可能出现的k个缺陷的列表。
在更新阶段,检验质量/合规平台102可以用于向缺陷收集服务器106提供新数据。在一些实施例中,当检验在工厂进行时,新的检验数据被定期输入到缺陷收集服务器106中。可以从新数据中提取特征并将其输入到缺陷预测模型108中,从而导致针对特定工厂或产品线的更新后的缺陷预测。在一些实施例中,特定工厂或产品的新数据被用来更新那个工厂或产品的缺陷预测。在一些实施例中,特定工厂或产品的新数据被用来更新不同工厂或产品的缺陷预测。
在一些实施例中,可以针对新数据测试缺陷预测模型并更新,以改善性能。在一些实施例中,以新检验数据和/或客户对先前预测结果的反馈的形式提供新数据。客户反馈可以包括缺陷的基础事实报告,其包括先前预测的准确性的指示,诸如由预测模型做出的预测是不正确的,以及预测的校正结果。在一些实施例中,可以利用品牌数据、工厂数据、主产品数据和主缺陷数据来收集新数据以形成新数据集。应该认识到的是,新数据集可以与上述数据集类似地构造。在一些实施例中,可以将现有训练数据集添加到新数据集。在一些实施例中,针对新数据集测量缺陷预测模型的性能。在一些实施例中,如果缺陷预测模型的性能低于某个阈值,那么更新缺陷预测模型。可以启发式地选择阈值,或者可以在训练期间自适应地计算阈值。在一些实施例中,更新缺陷预测模型包括修改从输入数据提取的各种特征。在一些实施例中,更新缺陷预测模型包括修改缺陷预测模型中的机器学习模型的参数。在一些实施例中,可以选择新的机器学习模型来执行缺陷预测。应该认识到的是,重新训练预测模型的方法可以类似于在训练缺陷预测***时使用的方法,如上所述。重新训练预测模型的处理可以重复多次,直到模型在新数据集上的性能达到可接受的阈值。然后将更新后的缺陷预测模型部署到缺陷预测服务器上,并且可以更新现有的训练数据集以包括新数据。
现在参考图2,示出了根据本公开的实施例的用于缺陷预测的处理。在一些实施例中,输入数据201被提供给缺陷预测***202,并且获得缺陷预测结果206。在一些实施例中,输入数据201包括给定工厂、产品类别和/或客户、品牌或零售商的标识。在一些实施例中,输入数据201包括可以用于缺陷预测的各种数据(例如,检验数据、工厂数据)。在一些实施例中,缺陷预测***202包括远程缺陷预测服务器。在一些实施例中,缺陷预测***202包括经训练的分类器。在一些实施例中,缺陷预测***202包括协同过滤器。在一些实施例中,缺陷预测***202采用机器学习模型来预测可能在工厂出现的缺陷。在一些实施例中,缺陷预测***202接收输入数据201并执行数据处理步骤203。在一些实施例中,数据处理步骤203包括将输入数据中使用的术语映射到标准化命名中的术语。在一些实施例中,在203处收集并处理所有可用的相关数据。在一些实施例中,特征提取步骤204由缺陷预测***202执行以提取各种特征。在一些实施例中,对在步骤203已处理的数据执行特征提取步骤204。在一些实施例中,输出特征向量。在一些实施例中,在205处将在204处提取的特征提供给缺陷预测模型。在一些实施例中,缺陷预测模型包括经训练的机器学习模型。在一些实施例中,缺陷预测模型输出预测结果206。在一些实施例中,预测结果206包括可能在工厂出现的缺陷的列表。在一些实施例中,缺陷的列表限于提供k个最可能出现的缺陷。
在一些实施例中,缺陷预测模型包括经训练的分类器。在一些实施例中,经训练的分类器是深度神经网络。在一些实施例中,缺陷预测模型将协同过滤方法应用于输入数据。在一些实施例中,协同过滤方法使用邻域模型或潜在因素模型。根据本公开,用于预测模型的其它合适技术包括分解机器、神经因子分解机器、场感知神经因子分解机器、深度分解机器,以及深度交叉网络。
在一些实施例中,经训练的分类器是随机决策森林。但是,应该认识到的是,根据本公开,各种其它分类器适合使用,包括线性分类器、支持向量机(SVM)、梯度增强分类器,或诸如卷积神经网络(CNN)或递归神经网络(RNN)之类的神经网络。
合适的人工神经网络包括但不限于前馈神经网络、径向基函数网络、自组织映射、学习向量量化、递归神经网络、Hopfield网络、Boltzmann机器、回波状态网络、长期短期记忆、双向递归神经网络、分层递归神经网络、随机神经网络、模块化神经网络、关联神经网络、深度神经网络、深度信念网络、卷积神经网络、卷积深度信念网络、大型记忆存储和检索神经网络、深层Boltzmann机器、深层堆叠网络、张量深层堆叠网络、尖峰和板块限制Boltzmann机器、复合分层深度模型、深度编码网络、多层内核机器或深度Q网络。
可以使用各种度量来测量学习模型的性能。在一些实施例中,用于测量性能的度量包括precision@k和recall@k。但是,应该认识到的是,其它度量也可以适合使用,诸如精度、召回、AUC和F-1得分。
在本公开的实施例中,可以以各种格式获得数据。数据可以是结构化的或非结构化的,并且可以包括存储在多个介质中的信息。数据可以手动输入计算机,或者可以通过计算机从文件中自动获得。应该认识到的是,已知多种方法用于经由计算机获得数据,包括但不限于使用光学字符识别、文本解析技术(例如,使用正则表达式查找键/值对)和/或自然语言处理、抓取网页和从数据库(例如,关系数据库)、XML文件、CSV文件或JSON对象获得各种测量的值来解析书面文档或文本文件。
在一些实施例中,工厂或检验数据可以直接从数据管理***获得。在一些实施例中,数据管理***被配置为存储与工厂和/或检验有关的信息。数据管理***可以收集和存储与工厂和检验有关的各种类型的信息,诸如与购买订单、检验预订、指派、报告、校正和预防动作(CAPA)、检验结果以及检验期间获得的其它数据有关的信息。应该认识到的是,可以获得大量数据,并且在一些实施例中,仅可用数据的子集用于输入到预测模型中。
如本文所使用的,检验预订是指在建议的日期进行未来检验的请求。检验预订可以由供应商、品牌或零售商发起,并且可以包含与未来检验对应的购买订单的信息。如本文所使用的,指派是指确认的检验预订。指派可以包含对检验预订的建议日期的确认,以及指派的检验员的标识和与预订相关的信息。
可以经由从工厂和检验数据的各种源收集数据的数据管道获得数据。数据管道可以经由应用编程接口(API)实现,其具有访问和获得期望数据并计算数据的各种特征的许可。API可以面对内部,例如,它可以提供对包含工厂或检验数据的内部数据库的访问,或者面向外部,例如,它可以提供对来自外部品牌、零售商或工厂的工厂或检验数据的访问。在一些实施例中,数据由希望从预测模型获得预测结果的实体提供。所提供的数据可以输入到模型中以便获得预测结果,并且还可以被存储以训练和测试各种预测模型。
在本公开的实施例中,可以经由移动或web应用发送和接收数据。用户可以具有适于经由移动或web应用发送数据并从预测服务器接收结果的服务的账户。数据可以手动或自动发送。数据可以在触发事件(诸如检验)之后自动输入到服务器,或者可以以规则的间隔(例如,每月、每180天)自动输入。类似地,可以经由移动或web应用将信息发送到用户。信息可以包括来自预测服务器的预测结果。该信息可以根据请求发送到用户,或者可以自动发送。该信息可以在触发事件之后自动发送,诸如现有预测结果的改变或预测***中预测模型的重新配置,或者可以以规则的间隔自动发送。应该认识到的是,还可以使用各种其它方法和数据传送方案来经由应用发送和接收信息。
移动应用可以在智能电话、平板电脑或其它移动设备上实现,并且可以在各种操作***上运行,例如iOS、Android或Windows。在各种实施例中,缺陷预测结果经由广域网发送到移动或web应用。
根据本公开,可以以各种级别获得数据。可以取得品牌或零售商的具体购买订单、产品、产品线、产品风格、产品类别、工厂内的部门或工厂的数据。还可以针对工厂内的多个产品、产品线、类别或部门获得数据,并且可以跨多个工厂针对多个产品、产品线、产品类别或部门获得数据。应该认识到的是,虽然根据与工厂或产品线相关的数据描述了某些示例,但是应该认识到的是,这意味着涵盖具体产品、购买订单、风格或其它分类。同样,虽然根据与工厂或产品线相关的结果描述了某些示例,但是应该认识到的是,这意味着涵盖具体产品、购买订单、风格或其它分类。类似地,虽然本文描述的各种示例涉及工厂的数据,但是应该认识到的是,本公开适用于涉及制造或生产产品的品牌、零售商或其它商业实体。
如本文所使用的,产品或产品线的风格是指基于对应设计的物品的独特外观。风格可以在特定品牌、零售商或工厂内具有唯一标识(ID)。风格ID可以用作识别特征,通过该识别特征可以聚合其它测量,以便提取与检验结果和缺陷预测相关的有意义的特征。
在一些实施例中,所获得的数据被匿名化,使得普通用户不能获得工厂、品牌或零售商的识别信息。
还可以聚合所获得的数据,并且可以对数据执行统计分析。根据本公开的实施例,可以以各种方式聚合和分析数据,包括但不限于在给定时间窗口(例如,7天、14天、180天或一年)添加给定测量的值,获得给定时间窗口内给定测量值的分布的最大值和最小值、平均值、中值和模式,并获得数据当中的某些值或值范围的流行率的测量。对于数据的任何特征或测量,还可以测量在给定时间窗口内特征或测量的分布的方差、标准偏差、偏度、峰度、超灵敏度、高压度和各种百分位数值(例如,5%、10%、25%、50%、75%、90%、95%、99%)。
还可以在聚合或执行统计或聚合分析之前过滤数据。可以通过某些特点来对数据进行分组,并且可以对具有这些特点的数据子集执行统计分析。例如,对于仅与特定检验类型相关或者与超过最小样本尺寸的检验相关的数据,可以计算上述度量。
还可以对由先前聚合或统计分析产生的数据执行聚合和统计分析。例如,可以在多个连续时间窗口上测量给定时间段内给定测量的统计值,并且可以分析结果所得的值以获得关于它们随时间的变化的值。例如,可以针对各种连续的7天窗口计算工厂的平均检验失败率,并且可以在7天窗口上测量平均失败率的变化。
在本公开的实施例中,历史检验数据包括与过去检验的结果相关的信息(例如,是否通过检验、与检验期间发现的缺陷相关的信息),以及通过检验过程获得的信息(例如,工厂的一般简档和表现报告)。用于预测工厂可能出现的缺陷的合适数据的示例包括:从在同一工厂的先前检验获得的数据、从其它工厂的检验获得的数据,从具有未来检验的受试体(subject)的类似产品或产品线的其它工厂的检验获得的数据,跨多个检验从工厂获得的数据,关于未来检验预订的数据(例如,地理位置、时间、执行检验的实体和/或检验的类型)、与工厂的业务运营相关的数据、与工厂的产品质量相关的数据、有关工厂的一般信息、与工厂或其它类似工厂的可持续性相关的数据,和/或与工厂或其它类似工厂的表现相关的数据。数据可以包括从与工厂生产的产品或产品线类似的产品或产品线的客户评论获得的信息,和/或源自工厂的产品或产品线的客户评论。应该认识到的是,对于某些度量,工厂可以被分成各个部门,每个部门获得不同的度量。
与缺陷预测相关的数据的示例包括:在工厂下订单的量、订单的数量、订单的质量、订单的货币价值、关于订单的一般信息、工厂的每个产品的描述(例如,产品的库存单位(SKU)、尺寸、风格、颜色、数量和包装方法)、工厂的财务表现、在检验期间工厂的被检验项目的量、在诸如做工、包装和测量之类的过程的检验期间工厂的被检验项目的量、关于在工厂的处理的可接受质量限制(AQL)的信息(例如,用于测试质量的采样数量)、在工厂的过去检验的检验结果、特定产品/产品线的过去检验的检验结果、具有类似产品的其它工厂的检验结果、工厂的商业伙伴的过去检验的检验结果、检验过程中收集的各种度量的价值、工厂的地理位置、工厂的规模、工厂的工作条件和工作时间,以及上面提到的数据的聚合和统计度量。
历史检验数据还可以包括关于在检验期间发现的缺陷的具体信息。这可以包括发现的缺陷的数量、缺陷单元的数量、缺陷的名称、缺陷的类型、缺陷的类别、被测商品中缺陷的比率、缺陷的严重程度以及被测产品当中的缺陷类型的分布和/或严重性。在一些实施例中,缺陷类别与发现缺陷的检验过程(例如工艺、包装或测量)对应。在一些实施例中,缺陷按产品线、产品类别或级别(次要/主要/关键)分类。
历史检验数据可以包括在检验期间在工厂中发现的所有缺陷的列表。该列表可以指使用由特定工厂给出的缺陷名称的缺陷,或者它可以使用与标准化命名中的名称对应的缺陷名称。然后可以在给定时间窗口内针对特定缺陷或工厂计算平均缺陷率。检验数据还可以包括工厂的所有类别和产品线的列表,以及可以在工厂中找到的所有可能的缺陷。
可以从检验数据获得关于工厂的信息,例如工厂位置、工厂简档和/或与被检验的产品相关的产品信息,例如产品名称、产品线、产品类别。示例性工厂简档包括工厂人数、工厂业务区域、工厂地址和/或工厂联系人。还可以通过估计不同缺陷的缺陷率和给定时间窗口期间的整体检验故障率来获得整体工厂表现的度量。
在本公开的实施例中,对于找到的每个缺陷,可以获得与缺陷对应的各种度量。例如,可以获得在发现缺陷时被测量的样本尺寸、执行的检验的类型(例如,内部检验、第三方检验)、被检验的产品、产品线或产品类别的可用数量的总数、产品的不同风格的数量,以及被测量的缺陷物品的数量。在各种实施例中,检验类型包括自检、DUPRO检验(DUringPROduction检验)、FRI检验(最终随机检验)、生产前检验、第一联机生产检验、第二联机生产检验和/或重新检验。对于特定缺陷,可以获得特定时间窗口期间缺陷出现率的平均值。
应该认识到的是,可以在各种时间窗口内收集数据,例如,最后7天、14天、30天、60天或90天,或特定的7、14、30、60或90天窗口。可以从多个工厂、工厂内的部门、品牌、零售商、产品类别、产品线和产品中收集数据。可以在各种规模上收集数据,例如,在特定工厂或工厂组、工厂内的部门以及工厂内或跨多个工厂的产品类别、产品线或产品的规模。在一些实施例中,检验数据和对应的缺陷数据被加时间戳。
应该认识到的是,可以通过各种方法提取大量特征,诸如手动特征提取,由此与目标变量具有显著相关的特征(例如,可能出现缺陷)从获得的数据计算或提取。可以直接从数据中提取特征,或者可以要求处理和/或进一步计算以便以可以提取期望度量的方式对其进行格式化。例如,给定去年在工厂进行的各种检验的结果,可以希望计算在该时间段内检验失败的百分比。在一些实施例中,提取特征导致特征向量,其可以通过应用维数减少算法(诸如主成分分析和线性辨别分析)或将特征向量输入神经网络来预处理,从而减小向量的尺寸并提高整个***的性能。
在本公开的实施例中,神经网络可以用于缺陷预测。使用神经网络的缺陷预测可以表述如下:
假设对于给定的工厂和产品类别,可以提取n个属性{x1,x2,...,xn},并且D={d1,d2,...,dM}是在检验期间可以发现的所有可能缺陷的列表,其中M是缺陷的总数。给定工厂和产品类别的特征向量x={x1,x2,...,xn},可以确定用于估计缺陷率向量的函数F(x):
其中是在那个工厂的下一次检验期间要发现的第i个缺陷的预测缺陷率,其中i=1,2,…,M,并且可以认识到的是,在计算向量之后,通过对集合中的所有元素进行排序并选择前K个索引,可以容易地从向量中提取可能在工厂出现的前K个缺陷。
在本公开的实施例中,虽然一个工厂可以对相同的产品或产品类别进行多次检验,但每次检验都与独特的工厂相关联。可以针对给定的产品类别和特定检验定义在工厂出现的每个缺陷的实际缺陷率的列表{s1,s2,...,sM}。此外,项和可以定义如下:
为了训练神经网络,可以使用各种损失函数。在一些实施例中,采用针对学习到排名问题的逐点方法,其中将损失定义为:
用于输入到神经网络的特征提取可以通过在给定时间窗口内历史检验数据(诸如表1中描述的那些数据)中提取属性并且使用所提取的属性作为神经网络的输入来执行。可以将这些特征转换成各种形式。在一些实施例中,可以表示为分类变量的特征使用单热编码转换成单热向量。可以处理用英语或其它语言编写的诸如缺陷描述之类的特征,以将其变换成向量。在一些实施例中,从描述中移除所有数字和停用词,然后,使用词袋方法,可以将每个缺陷描述变换成高维向量,其中向量的每个元素是特定词在缺陷描述中出现的数量。在一些实施例中,使用词袋方法。Wallach的Topic Modeling:Beyond Bag-of-words(https://doi.org/10.1145/1143844.1143967)中描述了合适方法的示例。
通过在给定时间窗口上将各种文本、分类和其它特征组合在一起,可以获得维度L的唯一向量。为了预测在下一次检验中出现的K个最可能的缺陷,可以为M个缺陷中的每个缺陷获得维度L的向量,并且可以级联M个向量,形成M×L矩阵。这个矩阵可以被称为工厂和产品类别的“特征图像”,并且可以被用作神经网络的输入数据。
一对工厂和产品类别与L个维度的M个特征向量的列表对应。这些向量可以被用于预测所有M个缺陷的出现概率。这M个向量可以级联成尺寸为M×L的二维矩阵,其可以被视为工厂和产品类别对的M×L图像或“特征图像”。
在特征提取处理之后,可以应用各种深度学习方法来学习用于缺陷预测的合适模型。在一些实施例中,可以使用深度和宽度神经网络(DWN2)。使用DWN2,给定输入向量x={x1,x2,...,xn},可以将所有分类变量变换成对应的嵌入向量,从中可以获得级联的向量。级联的向量可以通过具有各种激活功能的若干隐藏层。在一些实施例中,隐藏的层被完全连接。在一些实施例中,可以使用随机梯度下降来学习模型参数,但是应该认识到的是,可以取决于网络中使用的损失函数使用各种优化方法。
缺陷预测模型的输入是维度L的特征向量。对于给定的工厂和产品类别,可以计算(M个缺陷当中)每个缺陷的出现概率,并且可以对这些可能性值进行排序(sort)以提取最可能的缺陷。
现在参考图3A-B,示出了根据本公开的实施例的用于缺陷预测的框架。框架300包括深度神经网络304。输入数据302包括从历史检验数据中提取的特征,以及工厂和产品信息,但是应该认识到的是,可以使用各种特征和特征类型的组合来生成输入数据。输入数据302被发送到神经网络304和与工厂或产品类别的预测缺陷率对应的向量306。在一些实施例中,在神经网络中使用S形激活函数以确保这一点
可以将缺陷预测变换成推荐问题,从而将缺陷与可能在其中找到它们的特定工厂和/或产品线匹配。在本公开的实施例中,诸如协同过滤(CF)之类的推荐算法可以被用于预测可能在工厂中出现的缺陷。将协同过滤技术应用于输入数据的各种方法可以被用于生成缺陷预测结果,例如,基于存储器的方法,诸如基于邻域的CF、基于物品/基于用户的前N推荐、基于模型的方法、情境感知CF、混合方法以及基于潜在因素的模型。
在本公开的实施例中,协同过滤可以被用于通过使用各种邻域模型来预测缺陷。在面向工厂的邻域模型中,可以基于在给定时间窗口内许多工厂检验的已知缺陷率来估计各种缺陷的速率。在面向缺陷的邻域模型中,可以基于针对类似缺陷和/或产品在同一工厂的已知缺陷率来估计各种缺陷的比率。在邻域模型中,可以选择用于测量两个物品之间的相似性的函数。应该认识到的是,根据本公开,可以使用各种相似性度量,诸如欧几里德距离、Manhattan距离、Pearson相关和向量余弦。通过计算每对缺陷之间的相似性度量,可以针对每个工厂F中的每个缺陷i计算缺陷率rFi,其表示在下次工厂检验时该缺陷的估计出现率。缺陷率rFi可以表示邻域缺陷的计算出的缺陷率的加权平均。
在本公开的实施例中,基于潜在因素模型的协同过滤可以被用于预测可能在工厂出现的缺陷。在这个模型中,工厂F与工厂因子向量xF相关联,并且缺陷u与缺陷因子向量yu相关联。表示工厂F的缺陷i的预测比率的预测缺陷率rFi可以被计算为两个潜在因素向量xF和yi的内积:
在学习模型的训练过程中,可以通过求解优化问题来实现参数估计,
在等式8中,λ是正则化参数。可以通过使用随机梯度下降来计算这个优化问题,以获得模型的最合适的参数。
现在参考图4,示出了根据本公开的实施例的用于缺陷预测的框架。框架400使用协同过滤方法来进行缺陷预测。使用给定时间窗口上的历史检验数据,可以生成工厂缺陷表410,其指示在考虑的每个工厂的每个缺陷的缺陷率。在一些实施例中,缺陷率可以取范围[0,1.0]内的值,或者如果特定工厂的缺陷的缺陷率未知则是NA。在一些实施例中,表410与附加信息420组合,附加信息420可以包括工厂信息、产品信息、检验信息、品牌信息和/或缺陷信息。可以将工厂缺陷表410和/或附加信息420输入到协同过滤模型430中。可以将协同过滤模型430部署为上述缺陷预测服务器上的缺陷预测模型。协同过滤模型430可以输出每个工厂的估计的缺陷率向量440,其指示在表410中测得的每个缺陷的预测的缺陷率。向量440中指示的缺陷率可以与可能在工厂的下一次检验中发现的缺陷的列表对应。在一些实施例中,向量440指示针对特定品牌/零售商和/或产品类别可能在工厂的下一次检验中出现或被发现的缺陷。
现在参考图5,示出了根据本公开的实施例的用于训练缺陷预测***的处理。可以执行处理500的步骤以训练缺陷预测模型。在一些实施例中,模型部署在预测服务器上。处理500的步骤可以在工厂站点本地执行,可以由远程服务器(例如,云服务器)执行,或者可以在本地计算设备和远程服务器之间共享。在501处,创建初始训练数据集。在一些实施例中,训练数据集可以包括大量工厂的历史检验数据。在一些实施例中,训练数据集包括在特定时间窗口(例如,3个月、6个月、9个月)上获得的历史检验数据。在一些实施例中,初始训练数据集包括关于在历史检验期间发现的缺陷的信息。应该认识到的是,数据可以包括上述各种特征。然后可以在503处对数据进行预处理。在一些实施例中,对数据进行预处理包括将数据中使用的术语映射到标准化命名。然后可以在505处从数据中提取相关特征。如上面所讨论的,相关特征可以包括与历史检验和观察到的缺陷相关的特征。在507处,可以在训练数据集上训练多个机器学习模型(例如,协同过滤,深度神经网络),并且使用上述方法评估每个模型的性能(例如,测量precision@k和recall@k)。可以配置每个模型的超参数以优化模型的性能。可以选择用于执行预测的最有用的特征。在509处选择具有最期望性能的模型。在511处,将选择的模型部署到预测服务器上,在那里它可以被用于为新输入数据提供缺陷预测结果,诸如来自web或移动应用的新输入数据。
在一些实施例中,初始训练数据集可以被划分为训练数据集、测试数据集和验证数据集。在一些实施例中,初始训练数据集被划分为训练数据集和测试数据集。在一些实施例中,交叉验证技术被用于估计每个缺陷预测模型的性能。可以通过使经训练的缺陷预测模型经受新检验数据来验证性能结果。
在一些实施例中,可以将可能出现在获得的数据中的缺陷名称、产品名称和任何其它特定于工厂的术语映射到预定义命名中一个或多个术语。鉴于许多工厂和检验服务使用不同的名称来对缺陷和产品进行分类和标注,在组合和比较来自多个源的数据时,可能有必要将变体名称映射到一个或多个预定义的术语或名称。将多个工厂使用的术语映射到特定的命名还防止所获得的数据中的冗余,冗余是当两个缺陷类型实际上相同时将它们列为单独类型的缺陷。即使在工厂内,也可能使用不同的术语来指代相同的产品或缺陷,因为工厂使用的品牌、零售商或检验服务可能会随着时间的推移而改变。此外,将获得的数据标准化为标准化命名允许工厂和零售商的新业务合作伙伴更好地理解和评估工厂或零售商的表现,而无需理解用于测量其表现的特定术语。因此,本公开提供了处理所获得的数据以组合等效术语并将跨多个数据源使用的术语映射到预定命名。
在一些实施例中,将术语映射到命名包括组合可以映射到的可能术语的列表。在一些实施例中,各种描述符可以与每个术语相关联。例如,当将缺陷映射到命名时,可以创建主缺陷的主列表,其中每个缺陷与各种缺陷数据(例如主缺陷类别、主缺陷名称和主缺陷描述)相关联。每种数据类型的条目可以基于所描述的产品而变化。使用映射,任何缺陷都可以与一个或多个主缺陷相关联。应该认识到的是,可以在创建或测量新数据类型时更新或扩展命名。还应该认识到的是,可以使用类似的处理来将产品名称或从源到源不同的其它数据映射到标准化的命名。
现在参考图6,图示了根据本公开的实施例的用于特征提取的示例性处理。在图6的示例中,缺陷数据从品牌A和品牌B两个品牌获得。对于每个品牌,每个缺陷被映射到主缺陷列表中的一个或多个主缺陷。
现在参考图7,图示了根据本公开的实施例的用于特征提取的示例性处理。在图7的示例中,可以定义主产品线、主产品类别和主产品名称的列表。在一些实施例中,命名是分层的,由此某些术语与特定的父术语相关联,父术语本身可以与其自己的父术语相关联。例如,某些主产品名称可以与某些主产品类别相关联,并且某些主产品类别可以与某些主产品线相关联。在一些实施例中,将术语映射到命名中的标准化术语可以包括选择第一类别的值(例如,主产品线),然后从与第一类别相关联的可用可能性中选择第二类别的值(例如,与主产品线相关联的主产品类别)。类似地,可以从与第二类别相关联的可用可能性当中选择第三类别的值(例如,可以从与所选择的主产品类别相关联的可用主产品名称中选择主产品名称)。在一些实施例中,术语被直接映射到最具体的标准化术语,从而确定父术语的值。
各个品牌或零售商可以对产品线、产品类别和产品物品有不同的定义。为了改善缺陷预测模型的性能,可以通过构建产品线、产品类别和产品物品的通用集合在各种实施例中标准化这些定义。例如,可以定义不同主产品线的一般列表(例如,鞋类、服装、耐用品等),其可以覆盖所有可能的情况。每个主产品线被拆分为不同的产品类别,并且这些产品类别中的每一个被划分为多个产品物品。以这种方式,保证一个产品物品属于唯一的产品线和唯一的产品类别。一旦建立,主产品就可以被用于映射来自给定品牌或零售商的对应产品线、产品类别和产品物品。在计算给定工厂和产品类别的特征向量时,使用主产品线和主产品类别。
在一些实施例中,可以将产品中发现的任何缺陷指派给主产品线、主产品类别、主产品名称、主缺陷名称、主缺陷类别和主缺陷描述。然后,映射的数据可以被用于训练预测模型并获得预测结果。
表1列出了可以使用上述方法从检验数据中提取的多个特征。主产品和主缺陷功能用星号表示。
表1
根据本公开的实施例,缺陷预测模型提供可能在一个或多个产品中出现的多个缺陷的指示。在一些实施例中,该指示包括可能在工厂出现的缺陷的列表。在一些实施例中,该列表包括最可能在工厂出现的前K个缺陷。应该认识到的是,最可能在工厂出现的缺陷可以被理解为在下次检验时最可能发现的缺陷。还应该认识到的是,缺陷的列表可以特定于产品、产品线、风格、产品类别、工厂内的部门或工厂,并且每个单独的缺陷可以包括关于其应用的具体粒度级别的指示。至。在一些实施例中,接收到的指示特定于具体品牌或零售商的购买订单。该列表还可以包括每个缺陷的名称。在一些实施例中,标准命名中使用的缺陷名称被映射回由接收报告的特定工厂/品牌/零售商使用的名称。K的值可以由用户选择,或者可以是预定的。在一些实施例中,从缺陷预测模型接收具有高于特定阈值的概率的所有缺陷。阈值可以以各种方式选择,例如,由用户选择、由缺陷预测***预先确定,或者在训练期间自适应地学习。在一些实施例中,工厂和产品类别的缺陷的缺陷可能性得分可以被认为是对于该产品类别在工厂的缺陷的预测概率。例如,得分0.5意味着缺陷有50%的机会在工厂中对于该产品类别发生。
为报告中的每个缺陷提供的信息可以包括多个不同的值。在一些实施例中,报告指示是否可能出现缺陷。可以以上述方式将缺陷出现的可能性与阈值进行比较。在一些实施例中,报告指示缺陷出现的可能性。在一些实施例中,报告包括产品中缺陷严重性的指示。在一些实施例中,报告包括产品可能具有缺陷的百分比的指示。在一些实施例中,报告可以包括预期在特定产品内发现的不同缺陷的数量、预期在可用产品内发现的总缺陷的数量,和/或在可用产品当中缺陷的分布和/或其严重性。在一些实施例中,提供了缺陷的描述。这可以指导检验员识别和测量特定缺陷。
现在参考图8,示出了计算节点的示例的示意图。计算节点10仅是合适的计算节点的一个示例,并且不旨在对本文描述的实施例的使用范围或功能提出任何限制。无论如何,计算节点10都能够实现和/或执行上文阐述的任何功能。
在计算节点10中,存在计算机***/服务器12,其可与众多其它通用或专用计算***环境或配置一起操作。众所周知,适于与计算机***/服务器12一起操作的计算***、环境和/或配置的示例包括但不限于:个人计算机***、服务器计算机***、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络PC、小型计算机***、大型计算机***和包括上述任意***的分布式云计算技术环境,等等。
计算机***/服务器12可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。一般而言,程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、部件、逻辑、数据结构等。计算机***/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
如图8所示,计算节点10中的计算机***/服务器12以通用计算设备的形式示出。计算机***/服务器12的部件可以包括但不限于:一个或者多个处理器或者处理单元16、***存储器28、连接不同***部件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一个或多个,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线、***部件互连(PCI)总线、***部件互连高速(PCIe)和高级微控制器总线体系架构(AMBA)。
计算机***/服务器12典型地包括多种计算机***可读介质。这些介质可以被计算机***/服务器12访问的任意可获得的介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机***/服务器12还可以包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(未显示,通常称为“硬盘驱动器”)。虽然未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(诸如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,存储在存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可以包括网络环境的实现。程序模块42一般执行本文所描述的实施例中的功能和/或方法。
计算机***/服务器12还可以与一个或多个外部设备14通信,诸如键盘、指示设备、显示器24等;一个或多个使用户能够与计算机***/服务器12交互的设备;和/或使计算机***/服务器12能够与一个或多个其它计算设备通信的任何设备(例如,网卡、调制解调器等)。这种通信可以经由输入/输出(I/O)接口22发生。还有,计算机***/服务器12可以经由网络适配器20与诸如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如,互联网)之类的一个或多个网络通信。如图所描绘的,网络适配器20经由总线18与计算机***/服务器12的其它部件通信。应当理解的是,虽然未示出,但是其它硬件和/或软件部件可以与计算机***/服务器12结合使用。示例包括但不限于:微代码、设备驱动程序、冗余处理单元、外部磁盘驱动器阵列、RAID***、磁带驱动器和数据存档存储***等。
本公开可以实施为***、方法和/或计算机程序产品。该计算机程序产品可以包括计算机可读存储介质(或介质),其上具有计算机可读程序指令,用于使处理器执行本公开的各方面。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是,但不限于,电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的示例(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如互联网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据,或者以一个或多个编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用互联网服务提供商来通过互联网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
本文参考根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应该理解的是,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的(一个或多个)逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
已经出于说明的目的给出了对本公开的各种实施例的描述,但是并不旨在是详尽的或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。选择本文使用的术语是为了最好地解释实施例的原理、实际应用或对市场中发现的技术的技术改进,或者使本领域其他技术人员能够理解本文公开的实施例。
1、一种***,包括:
计算节点,包括具有用其实施的程序指令的计算机可读存储介质,所述程序指令可由计算节点的处理器执行以使处理器执行方法,包括:
接收工厂的历史检验数据,检验数据包括工厂生产的一个或多个产品的缺陷的指示;
从检验数据中提取多个特征;
将所述多个特征提供给缺陷预测模型,其中缺陷预测模型包括经训练的分类器或协同过滤器;
从缺陷预测模型中获得可能在所述一个或多个产品中出现的多个缺陷的指示。
2、如项目1所述的***,其中缺陷预测模型包括经训练的分类器和协同过滤器,所述经训练的分类器和协同过滤器被配置为提供共识输出。
3、如项目1所述的***,其中缺陷预测模型包括经训练的分类器和协同过滤器,所述经训练的分类器和协同过滤器被配置为提供集合输出。
4、如项目1所述的***,其中一个或多个产品中的缺陷的指示包括预定产品类型、产品线或产品类别中的缺陷的指示。
5、如项目1所述的***,其中一个或多个产品中的缺陷的指示包括所述多个缺陷名称和与所述多个缺陷名称中的每一个缺陷名称对应的缺陷率。
6、如项目1所述的***,其中所述多个特征包括:
工厂的过去检验的属性,
所述一个或多个产品的属性,或者
所述一个或多个产品中的缺陷的属性。
7、如项目1所述的***,其中经训练的分类器包括人工神经网络。
8、如项目7所述的***,其中人工神经网络包括深度神经网络。
9、如项目1所述的***,其中协同过滤器包括邻域模型或潜在因素模型。
10、如项目1所述的***,其中所述多个缺陷包括预定数量的最可能的缺陷。
11、如项目1所述的***,该方法还包括对数据进行预处理。
12、如项目11所述的***,其中对数据进行预处理包括聚合数据。
13、如项目12所述的***,其中对数据进行预处理还包括对数据进行过滤。
14、如项目1所述的***,其中从数据中提取所述多个特征包括针对缺陷的所述指示中的每个指示应用从缺陷名称到来自预定命名的一个或多个标准化的缺陷名称的映射。
15、如项目1所述的***,其中历史检验数据包括多个产品名称,并且其中从数据中提取所述多个特征包括应用从所述多个产品名称中的每一个产品名称到来自预定命名的标准化的产品名称的映射。
16、如项目1所述的***,其中所述方法还包括:
对工厂的历史检验数据进行匿名化。
17、如项目1所述的***,其中数据还包括工厂的表现历史。
18、如项目1所述的***,其中数据还包括工厂的地理信息。
19、如项目1所述的***,其中数据还包括工厂的产品数据。
20、如项目1所述的***,其中数据还包括工厂的被检验产品的品牌数据。
21、如项目1所述的***,其中数据跨越预定时间窗口。
22、如项目1所述的***,其中
向缺陷预测模型提供所述多个特征包括将所述多个特征发送到远程缺陷预测服务器,以及
从缺陷预测模型获得多个缺陷的指示包括从缺陷预测服务器接收多个缺陷的指示。
23、如项目1所述的***,其中提取所述多个特征包括应用维数减少算法。
24、如项目1所述的***,其中可能出现的多个缺陷的指示包括可能在工厂出现的多个缺陷的列表。
25、如项目24所述的***,其中列表包括针对所述多个缺陷中的每个缺陷的缺陷名称、缺陷率和缺陷描述。
26、如项目24所述的***,其中列表包括可能在特定购买订单、产品、产品风格、产品线或产品类别中出现的多个缺陷的列表。
27、如项目22所述的***,其中获得所述多个缺陷的指示还包括向用户的报告的指示。
28、如项目27所述的***,其中向用户提供指示包括将指示发送到移动或web应用。
29、如项目28所述的***,其中所述发送经由广域网执行。
30、如项目1所述的***,其中经训练的分类器包括支持向量机。
31、如项目1所述的***,其中从缺陷预测模型获得指示包括应用梯度增强算法。
32、如项目1所述的***,其中所述方法还包括:
通过将多个缺陷的指示与多个缺陷的基础事实指示进行比较来测量缺陷预测模型的性能;
根据性能来优化缺陷预测模型的参数。
33、如项目32所述的***,其中优化缺陷预测模型的参数包括修改经训练的机器学习模型的超参数。
34、如项目32所述的***,其中优化缺陷预测模型的参数包括用第二机器学习算法代替第一机器学习算法,第二机器学习算法包括被配置为改善缺陷预测模型的性能的超参数。
35、一种方法,包括:
接收工厂的历史检验数据,检验数据包括工厂生产的一个或多个产品的缺陷的指示;
从检验数据中提取多个特征;
将所述多个特征提供给缺陷预测模型,其中缺陷预测模型包括经训练的分类器或协同过滤器;
从缺陷预测模型中获得可能在所述一个或多个产品中出现的多个缺陷的指示。
36、如项目35所述的方法,其中缺陷预测模型包括经训练的分类器和协同过滤器,所述经训练的分类器和协同过滤器被配置为提供共识输出。
37、如项目35所述的方法,其中缺陷预测模型包括经训练的分类器和协同过滤器,所述经训练的分类器和协同过滤器被配置为提供集合输出。
38、如项目35所述的方法,其中一个或多个产品中的缺陷的指示包括预定产品类型、产品线或产品类别中的缺陷的指示。
39、如项目35所述的方法,其中一个或多个产品中的缺陷的指示包括所述多个缺陷名称和与所述多个缺陷名称中的每一个缺陷名称对应的缺陷率。
40、如项目35所述的方法,其中所述多个特征包括:
工厂的过去检验的属性,
所述一个或多个产品的属性,或者
所述一个或多个产品中的缺陷的属性。
41、如项目35所述的方法,其中经训练的分类器包括人工神经网络。
42、如项目41所述的方法,其中人工神经网络包括深度神经网络。
43、如项目35所述的方法,其中协同过滤器包括邻域模型或潜在因素模型。
44、如项目35所述的方法,其中所述多个缺陷包括预定数量的最可能的缺陷。
45、如项目35所述的方法,该方法还包括对数据进行预处理。
46、如项目45所述的方法,其中对数据进行预处理包括聚合数据。
47、如项目46所述的方法,其中对数据进行预处理还包括对数据进行过滤。
48、如项目35所述的方法,其中从数据中提取所述多个特征包括针对缺陷的所述指示中的每个指示应用从缺陷名称到来自预定命名的一个或多个标准化的缺陷名称的映射。
49、如项目35所述的方法,其中历史检验数据包括多个产品名称,并且其中从数据中提取所述多个特征包括应用从所述多个产品名称中的每一个产品名称到来自预定命名的标准化的产品名称的映射。
50、如项目35所述的方法,还包括:
对工厂的历史检验数据进行匿名化。
51、如项目35所述的方法,其中数据还包括工厂的表现历史。
52、如项目35所述的方法,其中数据还包括工厂的地理信息。
53、如项目35所述的方法,其中数据还包括工厂的产品数据。
54、如项目35所述的方法,其中数据还包括工厂的被检验产品的品牌数据。
55、如项目35所述的方法,其中数据跨越预定时间窗口。
56、如项目35所述的方法,其中
向缺陷预测模型提供所述多个特征包括将所述多个特征发送到远程缺陷预测服务器,以及
从缺陷预测模型获得多个缺陷的指示包括从缺陷预测服务器接收多个缺陷的指示。
57、如项目35所述的方法,其中提取所述多个特征包括应用维数减少算法。
58、如项目35所述的方法,其中可能出现的多个缺陷的指示包括可能在工厂出现的多个缺陷的列表。
59、如项目58所述的方法,其中列表包括针对所述多个缺陷中的每个缺陷的缺陷名称、缺陷率和缺陷描述。
60、如项目58所述的方法,其中列表包括可能在特定购买订单、产品、产品风格、产品线或产品类别中出现的多个缺陷的列表。
61、如项目56所述的方法,其中获得所述多个缺陷的指示还包括向用户的报告的指示。
62、如项目61所述的方法,其中向用户提供指示包括将指示发送到移动或web应用。
63、如项目62所述的方法,其中所述发送经由广域网执行。
64、如项目35所述的方法,其中经训练的分类器包括支持向量机。
65、如项目35所述的方法,其中从缺陷预测模型获得指示包括应用梯度增强算法。
66、如项目35所述的方法,还包括:
通过将多个缺陷的指示与多个缺陷的基础事实指示进行比较来测量缺陷预测模型的性能;
根据性能来优化缺陷预测模型的参数。
67、如项目66所述的方法,其中优化缺陷预测模型的参数包括修改经训练的机器学习模型的超参数。
68、如项目66所述的方法,其中优化缺陷预测模型的参数包括用第二机器学习算法代替第一机器学习算法,第二机器学习算法包括被配置为改善缺陷预测模型的性能的超参数。
69、一种用于缺陷预测的计算机程序产品,该计算机程序产品包括具有用其实施的程序指令的计算机可读存储介质,所述程序指令可由处理器执行以使处理器执行如项目35-68所述的方法。
Claims (10)
1.一种***,包括:
计算节点,包括具有用其实施的程序指令的计算机可读存储介质,所述程序指令可由计算节点的处理器执行以使处理器执行方法,包括:
接收工厂的历史检验数据,检验数据包括工厂生产的一个或多个产品的缺陷的指示;
从检验数据中提取多个特征;
将所述多个特征提供给缺陷预测模型,其中缺陷预测模型包括经训练的分类器或协同过滤器;
从缺陷预测模型中获得可能在所述一个或多个产品中出现的多个缺陷的指示。
2.如权利要求1所述的***,其中缺陷预测模型包括经训练的分类器和协同过滤器,所述经训练的分类器和协同过滤器被配置为提供共识输出。
3.如权利要求1所述的***,其中缺陷预测模型包括经训练的分类器和协同过滤器,所述经训练的分类器和协同过滤器被配置为提供集合输出。
4.如权利要求1所述的***,其中一个或多个产品中的缺陷的指示包括预定产品类型、产品线或产品类别中的缺陷的指示。
5.如权利要求1所述的***,其中一个或多个产品中的缺陷的指示包括所述多个缺陷名称和与所述多个缺陷名称中的每一个缺陷名称对应的缺陷率。
6.如权利要求1所述的***,其中所述多个特征包括:
工厂的过去检验的属性,
所述一个或多个产品的属性,或者
所述一个或多个产品中的缺陷的属性。
7.如权利要求1所述的***,其中经训练的分类器包括人工神经网络。
8.如权利要求7所述的***,其中人工神经网络包括深度神经网络。
9.如权利要求1所述的***,其中协同过滤器包括邻域模型或潜在因素模型。
10.如权利要求1所述的***,其中所述多个缺陷包括预定数量的最可能的缺陷。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962876239P | 2019-07-19 | 2019-07-19 | |
US62/876,239 | 2019-07-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112241805A true CN112241805A (zh) | 2021-01-19 |
Family
ID=74168177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859146.4A Pending CN112241805A (zh) | 2019-07-19 | 2019-09-11 | 使用历史检验数据进行缺陷预测 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112241805A (zh) |
CA (1) | CA3053894A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255977A (zh) * | 2021-05-13 | 2021-08-13 | 江西鑫铂瑞科技有限公司 | 基于工业互联网的智慧工厂生产设备故障预测方法及*** |
US20220253870A1 (en) * | 2021-02-10 | 2022-08-11 | Research Blocks Technologies, Inc | Blockchain network supplier verification |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113305645B (zh) * | 2021-06-22 | 2022-07-15 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
CN113706477B (zh) * | 2021-08-10 | 2024-02-13 | 南京旭锐软件科技有限公司 | 缺陷类别识别方法、装置、设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103187343A (zh) * | 2011-12-28 | 2013-07-03 | 敖翔科技股份有限公司 | 智能型缺陷诊断方法 |
US20160307133A1 (en) * | 2015-04-16 | 2016-10-20 | Hewlett-Packard Development Company, L.P. | Quality prediction |
US9671776B1 (en) * | 2015-08-20 | 2017-06-06 | Palantir Technologies Inc. | Quantifying, tracking, and anticipating risk at a manufacturing facility, taking deviation type and staffing conditions into account |
CN107784393A (zh) * | 2017-10-27 | 2018-03-09 | 国网新疆电力公司电力科学研究院 | 一种输电线路的缺陷预测方法及装置 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108564104A (zh) * | 2018-01-09 | 2018-09-21 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、***、服务器及存储介质 |
US20180349817A1 (en) * | 2017-06-01 | 2018-12-06 | Autodesk, Inc. | Architecture, engineering and construction (aec) risk analysis system and method |
KR101936283B1 (ko) * | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 진단 및 예측 방법 |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN109657718A (zh) * | 2018-12-19 | 2019-04-19 | 广东省智能机器人研究院 | 一种数据驱动的smt生产线上spi缺陷类别智能识别方法 |
CN109886934A (zh) * | 2019-01-28 | 2019-06-14 | 厦门理工学院 | 碳化竹片缺陷检测方法及*** |
US20190196938A1 (en) * | 2017-12-26 | 2019-06-27 | Oracle International Corporation | Machine Defect Prediction Based on a Signature |
CN112116184A (zh) * | 2019-06-21 | 2020-12-22 | 因斯派克托里奥股份有限公司 | 使用历史检验数据的工厂风险估计 |
CN112116185A (zh) * | 2019-06-21 | 2020-12-22 | 因斯派克托里奥股份有限公司 | 使用历史检验数据的检验风险估计 |
-
2019
- 2019-09-03 CA CA3053894A patent/CA3053894A1/en active Pending
- 2019-09-11 CN CN201910859146.4A patent/CN112241805A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103187343A (zh) * | 2011-12-28 | 2013-07-03 | 敖翔科技股份有限公司 | 智能型缺陷诊断方法 |
US20160307133A1 (en) * | 2015-04-16 | 2016-10-20 | Hewlett-Packard Development Company, L.P. | Quality prediction |
US9671776B1 (en) * | 2015-08-20 | 2017-06-06 | Palantir Technologies Inc. | Quantifying, tracking, and anticipating risk at a manufacturing facility, taking deviation type and staffing conditions into account |
US20180349817A1 (en) * | 2017-06-01 | 2018-12-06 | Autodesk, Inc. | Architecture, engineering and construction (aec) risk analysis system and method |
CN107784393A (zh) * | 2017-10-27 | 2018-03-09 | 国网新疆电力公司电力科学研究院 | 一种输电线路的缺陷预测方法及装置 |
US20190196938A1 (en) * | 2017-12-26 | 2019-06-27 | Oracle International Corporation | Machine Defect Prediction Based on a Signature |
KR101936283B1 (ko) * | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 진단 및 예측 방법 |
CN108564104A (zh) * | 2018-01-09 | 2018-09-21 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、***、服务器及存储介质 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN109657718A (zh) * | 2018-12-19 | 2019-04-19 | 广东省智能机器人研究院 | 一种数据驱动的smt生产线上spi缺陷类别智能识别方法 |
CN109886934A (zh) * | 2019-01-28 | 2019-06-14 | 厦门理工学院 | 碳化竹片缺陷检测方法及*** |
CN112116184A (zh) * | 2019-06-21 | 2020-12-22 | 因斯派克托里奥股份有限公司 | 使用历史检验数据的工厂风险估计 |
CN112116185A (zh) * | 2019-06-21 | 2020-12-22 | 因斯派克托里奥股份有限公司 | 使用历史检验数据的检验风险估计 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220253870A1 (en) * | 2021-02-10 | 2022-08-11 | Research Blocks Technologies, Inc | Blockchain network supplier verification |
CN113255977A (zh) * | 2021-05-13 | 2021-08-13 | 江西鑫铂瑞科技有限公司 | 基于工业互联网的智慧工厂生产设备故障预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CA3053894A1 (en) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977293B2 (en) | Technology incident management platform | |
US20220075670A1 (en) | Systems and methods for replacing sensitive data | |
CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
US20210090021A1 (en) | Analysis and correction of supply chain design through machine learning | |
US11037080B2 (en) | Operational process anomaly detection | |
US20170286870A1 (en) | Machine learning based procurement system using risk scores pertaining to bids, suppliers, prices, and items | |
CN112241805A (zh) | 使用历史检验数据进行缺陷预测 | |
US20210097343A1 (en) | Method and apparatus for managing artificial intelligence systems | |
US11783338B2 (en) | Systems and methods for outlier detection of transactions | |
WO2019200480A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN112116185A (zh) | 使用历史检验数据的检验风险估计 | |
CN116034379A (zh) | 使用深度学***测量 | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
Lee et al. | An entropy decision model for selection of enterprise resource planning system | |
US20230385707A1 (en) | System for modelling a distributed computer system of an enterprise as a monolithic entity using a digital twin | |
CN112926989B (zh) | 一种基于多视图集成学习的银行贷款风险评估方法及设备 | |
CN115063143A (zh) | 账户数据处理方法、装置、计算机设备和存储介质 | |
EP4367624A1 (en) | Machine learning-based, predictive, digital underwriting system, digital predictive process and corresponding method thereof | |
US20240113936A1 (en) | Method and system for artificial intelligence-based acceleration of zero-touch processing | |
Wikamulia et al. | Predictive business intelligence dashboard for food and beverage business | |
CN117670445A (zh) | 信用评价方法、装置、设备及存储介质 | |
Ding et al. | A Framework of Data Quality Assurance using Machine Learning | |
Yoon et al. | Validation and Implementation of Customer Classification System using Machine Learning | |
CN114971697A (zh) | 数据处理方法、装置、设备、存储介质及产品 | |
CN115409636A (zh) | 产品风险预测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40035239 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |