CN112905799A - 推论***或产品质量异常的智能方法与*** - Google Patents
推论***或产品质量异常的智能方法与*** Download PDFInfo
- Publication number
- CN112905799A CN112905799A CN201911229817.5A CN201911229817A CN112905799A CN 112905799 A CN112905799 A CN 112905799A CN 201911229817 A CN201911229817 A CN 201911229817A CN 112905799 A CN112905799 A CN 112905799A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- machine learning
- inference
- product quality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010801 machine learning Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 238000011058 failure modes and effects analysis Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Animal Behavior & Ethology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
说明书公开一种推论***或产品质量异常的智能方法与***,方法运行于执行失效模式与影响分析的一客户端***中,运行一机器学习算法,包括搜集数据并导入一知识库,其中记载了文本报告、专家文章以及影响***异常的各种信息,之后对搜集的数据进行文字探勘,删除不利建立模型的数据,以及将非结构化数据处理为结构化数据,以针对数据进行大数据分析,学习其中数据的关联性,建立一异常推论模型,之后以异常推论模型执行异常推论,并能于接收回馈信息后,验证异常推论模型,藉此优化异常推论模型。
Description
技术领域
本发明关于一种推论***或产品质量异常的技术,特别是指利用机器学习方法通过数据采集、文字探勘与算法等智能手段推论***或产品质量异常现象的方法与***。
背景技术
随着科技进步,一个工业产品的制造过程也随着产品复杂度变高而更多功能、更大量的零组件,使得一个制造***更为繁复,因此,当产品出现问题时,要找出***性的问题时,会因为考虑细节过多而造成执行困难的问题。
当***面对失效时,现有技术提出一种失效模式与影响分析(Failure modes andeffects analysis,FMEA)的概念,FMEA是一种逐步识别***中可能错误的方法,可应用在产品制造过程或服务流程,用来查验可能导致***失效的问题。现有的方法的一个是将***除错的各种环节以表格化、文件化的方式进行除错,当有问题产生,即可利用查表方式判断出可能哪个环节出错。
然而,传统FMEA仍面对不少痛点,当有新的错误或因素产生,这类以表格或文件方式的错误排除方式就随时需要修订,并且倚赖人为对文字语意的解读与认知,每个人对文字语义的解读与认知不同,在评比数字上很难以一个明确的标准去归纳,因此没有标准且效率不高;加上,随着***复杂度越高,多功能、大量零组件的复杂性产品,***分解后考虑细节过多,执行起来繁杂困难;若有更复杂因素造成***失效,多项失效模式同时作用或相互影响就难以使用表格或文件进行分析了。
再者,当FMEA应用在企业中,企业在实施时可能存在分析不充分、措施不完整、风险评估不准确、团队协作困难等问题;实施者也可能作为任务来实施,不能产生实际效益;企业参与FMEA的团队的能力水平不等、知识习惯不一,而导致知识和风险的管理随人员、能力等因素的波动而不能统一,无法形成标准化数据,以及现有FMEA将无法再满足标准要求。
发明内容
根据说明书所公开的实施例,提出一种计算机***实现的推论***或产品质量异常的智能方法,其目的的一个为鉴于传统失效与影响判断方法(如FMEA)作业不遂而提出利用机器学习的智能方法进行自动归纳、分析、排除失效影响的方法,方法主要运行于执行失效模式与影响分析的一客户端***中,在方法中,运行一机器学习算法,包括搜集数据,并导入一知识库,之后对所搜集的数据与知识库内容进行文字探勘,可针对知识库的数据进行大数据分析,学习其中数据的关联性,建立一异常推论模型。之后,于***接收新数据时,输入异常推论模型,执行异常推论,并输出一推论结果,并可于接收回馈信息后,验证而优化异常推论模型。
其中,优选地,所述知识库包括文本报告(可包括质量推论报告、质量管理分析、问题解决与对策文件、8D文件(8D问题解决法(Eight DisciplinesProblem Solving))、CAR文件(改正行动要求(corrective action request))、专家文章、既有的FMEA文件影响***与产品质量异常的各种信息,以及***运作的信息与环境信息。
进一步地,所搜集的数据还包括由一失误模式效应与关键性分析法所归纳分析得到的失效数据。
进一步地,在对取得的数据或文件描述进行文字探勘的步骤中,包括筛选并剔除不利建立异常推论模型的数据,以及将非结构化数据处理成结构化数据等步骤,并可包括对接收的数据进行词汇统一建立一词汇库以及选取作为训练样本的数据,以通过训练样本建立异常推论模型等步骤。
优选地,当提供多个机器学习算法中选取运行所述方法的机器学习算法,选取机器学习算法的方法包括:以多个机器学习算法分别建立个别的异常推论模型,再对各异常推论模型进行评分,以选择其中的一个该机器学习算法。
进一步地,为根据回馈的信息与实际失效的状况验证异常推论模型,并于需要时可修改参数,能产生用于推测***异常的一对照表。
说明书还公开一种推论***或产品质量异常的智能***,执行上述推论***或产品质量异常的智能方法,其中包括以软件或搭配硬件实现的算法模块,其中备有多种机器学习算法、一机器学习模块,以其中的一个机器学习算法分析客户端***提供的数据,并通过类神经网络进行学习与训练、一模型建立模块,根据机器学习模块的训练结果建立一异常推论模型,并验证各机器学习算法建立的各异常推论模型,再从中选择较佳的机器学习算法,以及执行评估与优化异常推论模型,以及一数据库模块,用以向客户端***搜寻数据,建立一知识库。
附图说明
图1示出了推论***或产品质量异常的智能***架构实施例示意图;
图2示出了推论***或产品质量异常的智能***的实施例示意图;
图3示出了应用于推论***或产品质量异常的智能方法中的文字探勘流程图;
图4示出了运行在推论***或产品质量异常目的的算法流程实施例图;
图5示出了选择运用在推论***或产品质量异常的智能方法中的算法的实施例流程图;
图6示出了在推论***或产品质量异常的智能方法中建立异常推论模型的实施例流程图;以及
图7示出了将数据导入人工智能后运行异常推论的实施例流程图。
具体实施方式
说明书提出一种推论***或产品质量异常的智能方法与***,特别是以一计算机***实现的方法,这是适用于已经建制知识库而需要预测异常事件的***,为一种利用机器学习的智能方法进行自动归纳、分析、排除失效影响的方法。此类***一般可能已经具备应付一般异常事件的能力,例如是通过查表对照特殊情况而能得出异常事件的解决方案,或是仰赖相关领域的专家进行异常判断,但往往仍会遇到因为***繁复造成判断不易的问题,还有面对分析不充分、措施不完整与评估不准确的问题,加上因为过于仰赖专家而增加交接的困难度。因此,所提出的推论***或产品质量异常的智能方法与***,于知识库中导入人工智能(AI)的机器学习技术,通过计算机***处理大量数据的能力,建构出可以预先推论***或产品质量异常的知识库与模型,并在运行过程中随时根据回馈信息有效地优化知识库与修正模型,达到可以降低人为因素的错误,执行自动化准确推论***或产品质量异常,达到强化事先预防***异常的目的。
为了要导入客户端(如各企业、工厂)以智能方式进行失效模式判断、失效后影响评估、寻找失效原因,以建立推论***或产品质量异常的模型,以至于进行后续处理与建制知识库,所述推论***或产品质量异常的方法导入了人工智能引擎,以机器学习的方法建立客制化异常推论模型,可参考图1示出了的推论***或产品质量异常的智能***架构实施例示意图。
图中示出了一推论***或产品质量异常的智能***10,其中设有以软件程序配合硬件数据处理能力实现的多个人工智能相关的功能模块,如算法模块101,其中备有多种机器学习算法,配合机器学习模块103所实现的机器学习(machine learning)技术,以其中的一个机器学习算法分析客户端***(客户一111、客户二112以及客户三113)提供的数据,并通过类神经网络进行学习与训练,以模型建立模块105根据机器学习模块103的训练结果建立异常推论模型,并且还验证各机器学习算法建立的各异常推论模型。之后,还可以不同算法验证推论成果,选择较佳的算法,执行评估与优化异常推论模型。
推论***或产品质量异常的智能***10通过网络或特定方式链接各客户端知识库,如示意示出了的客户一111(知识库115)、客户二112(知识库116)以及客户三113(知识库117),推论***或产品质量异常的智能***10通过数据库模块107向客户端***搜集数据,建立***端的知识库,可针对不同客户执行失效模式与影响分析等异常推论的目的。
图2示出了应用推论***或产品质量异常的智能***的实施例示意图。推论***或产品质量异常的智能***设有一个知识库20,其中记载的事项至少包括专家知识201、历史记录202、异常因子203与对照表204,而在***所执行的推论***或产品质量异常的智能方法中,主要步骤包括图示的数据采集21、文字探勘22、指针评分23、异常诊断24与优化追踪25等。
其中,知识库20记载了用于***异常判断的信息,如专家知识201,是指有关所应用***的相关领域的专家知识,特别是关于如何排除***异常的知识,来源如企业内外专家,可为导入***的各种非结构文本报告、文章等。所述历史记录202记载了***过去异常事件的记录以及如何解决异常事件的记录,成为推论***或产品质量异常的智能***建构异常推论模型主要数据来源。异常因子203记录发生特定异常事件的相关因素,用于对照异常解决方案的用途。知识库20衍生出一个***异常与解决方案的对照表204,其中记载了各种异常信息,包括严重度、异常频率与检测到异常的比例。
利用知识库20实现的推论***或产品质量异常的智能方法中,数据采集21的目标是能够减轻数据采集的困难,还要强化***数据(如制程数据)搜集清整的能力,数据来源除知识库20外,还包括机联网、MES、ERP、客诉等。
文字探勘22的步骤是解决文字认知的问题,目标是减低人员的文字工作分析负担,以及降低因为文字认知问题带来的不一致问题,也就是能标准化一些用语,以利运作。在一实施例中,可通过一种支持向量机器(Support-Vector Machine,SVM)文本分析,将非结构化的文字结构化成关键词,以利于建立异常推论模型。
指标评分23的步骤是为了解决因不同人员的主观判断导致评分差异过大而没有客观的评分标准的问题,根据一实施例,可以采用一种模糊决策***(Fuzzy DecisionSystem)、判定树分析、贝叶斯网络与一种FTA-SVM(故障判定树分析–支持向量机(FaultTree Analysis–Support Vector Machine))算法能成功地进行SOD(严重度-发生率-探测度)的评分。其中贝叶斯网络与FTA-SVM算法用于建立一种智能失效诊断模型,用于训练具有准确度高与自我调整能力强的预测模型。
在异常诊断24的步骤中,为快速在线分析客诉成因,并且提出改善策略的步骤,用以强化解决失效的能力。
优化追踪25为推论***或产品质量异常的智能***的技术目的的一个,用于优化知识库20,优化的目标可为自动优化传统失效模式与影响分析(FMEA)指标,优化风险优先序数(Risk Priority Number,RPN)或行动优先级(Action Priority,AP),能动态分析各种失效模式的行动优先,持续改善产品质量。
值得一提的是上述文字探勘22步骤为用于处理文本数据的方法,相关流程可参考图3所示应用于推论***或产品质量异常的智能方法中的文字探勘流程。
一开始,在步骤S301中,搜集一种失误模式效应与关键性分析法(failure mode,effects and criticality analysis,FMECA)所归纳分析得到的失效数据,FMECA是在失效模式与影响分析(FMEA)以外增加了关键性分析,将各失效模式的机率对应不同严重性的后果来列表,用以凸显机率较高且有后果较严重的失效模式,因此让失效模式的补救行动可以有最大的效果。
之后,如步骤S303,将所搜集的数据中不利于模型建立的数据筛选出来并剔除出模型训练的数据集,并于步骤S305中,将整理的非结构化数据处理成能够用于如所述SVM文本分析的结构化数据。在步骤S307中,利用软件程序选取部分经过预处理的数据作为训练样本,剩下的部分则为测试样本,再如步骤S309,通过训练样本建立预测模型,也就是在推论***或产品质量异常的智能中的异常推论模型,再使数据通过此异常推论模型预测输出失效模式。
接着,在步骤S311中,验证所建立的异常推论模型,方法的一个是通过测试样本的数据来验证异常推论模型的准确度,必要时可以通过修改参数调整出最佳模型。之后即产生有关***异常推论的相关报告。
在运行所述推论***或产品质量异常的智能方法时,其中的一个特征是在验证各种机器学习算法,其中算法的运行在推论***或产品质量异常的目的上具有如图4示出了的几个主要步骤。
选择***提供的多个算法的一个,如步骤S401,通过硬件处理电路执行机器学习算法,同时如步骤S403,导入各客户的知识库,通过大数据分析,学习得出紧密连结反复运行的输入(如知识库、既有数据等)与输出数据(如推论结果、客户回馈、用户回馈等)之间的关联,如步骤S405,通过学习各种数据之间的关联性建立异常推论模型。
在步骤S407中,***接收新数据,同样输入此异常推论模型,如步骤S409,执行异常推论,输出推论结果(步骤S411),以及接收回馈信息(步骤S413),再如步骤S415,***将根据输出结果验证本次选择的机器学习算法得出的异常推论模型,验证的方式可以已具备***异常记录的历史数据验证此异常推论模型,另还可继续通过修正优化异常推论模型。优化过程中,各种机器学习算法将学习回馈信息中述及的异常情况,建立与数据的关联性,藉此凸显出过去已知但微小的因素,以及得出过去未知与***异常相关的信息,用以优化异常推论模型。
其中机器学习演算过程可参考图5所示选择运用在推论***或产品质量异常的智能方法中的算法的实施例流程图。
一开始,如步骤S501,推论***或产品质量异常的智能***采集客户端数据,包括客户端***的知识库,其中可以包括文本、影音内容,以及记录,包括各种文本报告(可包括质量推论报告、质量管理分析、问题解决与对策文件、8D文件(8D问题解决法(EightDisciplines Problem Solving))、CAR文件(改正行动要求(corrective actionrequest)))、专家文章、既有的FMEA文件影响***与产品质量异常的各种信息,还有***运作的信息、环境信息等。接着,如步骤S503,对采集的内容进行文字探勘,可参考上述实施例,其主要目的的一个是对接收的数据进行文字探勘与词汇统一的工作,并可针对各***建立词汇库。
接着,根据文字探勘的结果,执行多个算法,如图示流程中的算法一(步骤S505)、算法二(步骤S506)以及算法三(步骤S507),能通过机器学习技术,如对应各算法的各种机器学习法(步骤S508、S509与S510),运用类神经网络,取得***异常数据与各种输入数据之间的关联性,以建立***异常的推论模型,也就是分别对应到各算法的建立异常推论模型一(步骤S511)、异常推论模型二(步骤S512)以及异常推论模型三(步骤S513)。
接着,如步骤S515,***对各异常推论模型进行评分,最后再选择算法(步骤S517)。根据一实施例,所述评分的标准主要是针对通过异常推论模型产生的推论结果判断适合某***的机器学习算法,例如现有技术采用的分类指标(Classification metrics)与回归指标(Regression metrics)。
当完成算法的选择后,即开始如图6所示建立异常推论模型的实施例的一个流程图。
如步骤S601,一开始接收数据,根据客户端数据或是已经具有的知识库建立***端的知识库,在步骤S603中,整理历史数据,包括删除不利于模型建立的数据,以及将非结构化数据处理成能够易于分析的结构化数据。在步骤S605中,可以开始以所选择的机器学习算法学习数据中的关联性,通过算法来分析数据,以大量数据与算法学习数据特征,建立异常推论模型,其中,可以采用一种训练自定义机器学习模型(AutoML),能够在给定问题(经过标记的数据)自动在结构化数据上自动建构和部署机器学习模型。
之后,如步骤S607,验证所生成的异常推论模型,评估是否准确推论***的异常事件,如果评估结果为成功,即如步骤S609,将生成的模型储存起来;否则,仍需要进一步根据验证结果调校模型参数,如步骤S611,需要时,应反复执行调校模型的步骤。
完成建立异常推论模型之后,如图7所示,将开始导入数据(步骤S701)以及清整数据(步骤S703),例如上述实施例所描述,包括删除不利于模型建立的数据,以及将非结构化数据处理成能够易于分析的结构化数据。接着是执行文字预处理(步骤S705)与数据预处理(步骤S707),执行采用,并对样本分类(步骤S709),输入异常推论模型(步骤S711),并于需要时反复步骤S709与S711,应根据回馈的信息与实际失效的状况验证异常推论模型,并于需要时修改参数(步骤S713),才产生最终用于推测***异常的对照表(步骤S715)。
根据实施例,通过上述步骤建立的异常推论模型可用于预测输出失效模式,在客户端***运作一开始,应针对客户端***进行理解,包括需要定义一个***的失效项目,确认一个***的失效因子与相关项目,能基于***中每个功能要求,分析其潜在失效模式,根据失效模式产生的原因和影响后果建立数据库。接着是搜集历史经验教训,包括测试结果、分析数据、特定产品的售后数据,以辅助进行潜在失效模式分析。
关于对推论模型的评估,这是可以结合失效的影响,以评估失效的严重度和严重等级,还结合现行的预防措施评估发生频率,以及现行的探测措施评估探测度。
最后,优化异常推论模型,例如采取系列改进措施,根据措施实施结果情况重新评估发生频率和探测度,从而降低总体风险,不断循环优化直至RPN(AP)达到可以接受的范围。
综上所述,根据说明书描述关于推论***或产品质量异常的智能方法与***的实施例,为鉴于传统失效与影响判断方法作业不遂而提出利用机器学习的智能方法进行自动归纳、分析、排除失效影响的方法,其中结合文字探勘与数据探勘能力,并且配合人(如专家)的经验与创意建立的知识,以人工智能机器学习的技术反复验证与修正异常推论模型,达到事先预防***异常的目标。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的申请专利范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的申请专利范围内。
Claims (10)
1.一种以一计算机***实现的推论***或产品质量异常的智能方法,运行于执行失效模式与影响分析的一客户端***中,其特征在于,所述的方法包括:以一机器学习算法,搜集数据,并导入一知识库;
对所搜集的数据与该知识库进行文字探勘;
针对经过文字探勘的数据进行大数据分析,学习其中数据的关联性,建立一异常推论模型;
于该***接收新数据时,输入该异常推论模型,执行异常推论,并输出一推论结果;以及
于接收回馈信息后,验证该机器学习算法得出的该异常推论模型,以优化该异常推论模型。
2.如权利要求1所述的推论***或产品质量异常的智能方法,其特征在于,所述的知识库包括文本报告、专家文章、FMEA文件、影响该***异常的各种信息,以及该***运作的信息与环境信息。
3.如权利要求2所述的推论***或产品质量异常的智能方法,其特征在于,所搜集的数据还包括由一失误模式效应与关键性分析法所归纳分析得到的失效数据。
4.如权利要求1所述的推论***或产品质量异常的智能方法,其特征在于,在对取得的数据进行文字探勘的步骤中,包括:
筛选并剔除不利建立该异常推论模型的数据;
将非结构化数据处理成结构化数据;
对接收的数据进行词汇统一,建立一词汇库;以及
选取作为训练样本的数据,以通过训练样本建立该异常推论模型。
5.如权利要求1所述的推论***或产品质量异常的智能方法,其特征在于,于提供多个机器学习算法中选取运行该方法的该机器学习算法,选取该机器学习算法的方法包括:以该多个机器学习算法分别建立个别的异常推论模型,再对各异常推论模型进行评分,以选择其中的一个该机器学习算法。
6.如权利要求1至5中任一权利要求所述的推论***或产品质量异常的智能方法,其特征在于,为根据回馈的信息与实际失效的状况验证该异常推论模型,并于需要时修改参数,产生用于推测***异常的一对照表。
7.一种推论***或产品质量异常的智能***,其特征在于,所述的***包括:一算法模块,其中备有多种机器学习算法;
一机器学习模块,以其中的一个机器学习算法分析一客户端***提供的数据,并通过类神经网络进行学习与训练;
一模型建立模块,根据该机器学习模块的训练结果建立一异常推论模型,并验证各机器学习算法建立的各异常推论模型,再从中选择较佳的机器学习算法,以及执行评估与优化该异常推论模型;以及
一数据库模块,该推论***或产品质量异常的智能***通过该数据库模块向该客户端***搜寻数据,建立一知识库;
其中该推论***或产品质量异常的智能***执行一推论***或产品质量异常的智能方法,所述方法包括:
以选择的该机器学习算法,搜集数据,并导入该知识库;
对所搜集的数据与该知识库进行文字探勘;
针对经过文字探勘的数据进行大数据分析,学习其中数据的关联性,建立该异常推论模型;
于该***接收新数据时,输入该异常推论模型,执行异常推论,并输出一推论结果;以及
于接收回馈信息后,验证该机器学习算法得出的该异常推论模型,以优化该异常推论模型。
8.如权利要求7所述的推论***或产品质量异常的智能***,其特征在于所述的知识库记载的事项至少包括专家知识、历史记录、异常因子与一对照表。
9.如权利要求8所述的推论***或产品质量异常的智能***,其特征在于,所搜集的数据还包括由一失误模式效应与关键性分析法所归纳分析得到的失效数据。
10.如权利要求7至9中任一权利要求所述的推论***或产品质量异常的智能***,其特征在于,于该推论***或产品质量异常的智能方法中,对取得的数据进行文字探勘的步骤包括:
筛选并剔除不利建立该异常推论模型的数据;
将非结构化数据处理成结构化数据;
对接收的数据进行词汇统一,建立一词汇库;以及
选取作为训练样本的数据,以通过训练样本建立该异常推论模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229817.5A CN112905799A (zh) | 2019-12-04 | 2019-12-04 | 推论***或产品质量异常的智能方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229817.5A CN112905799A (zh) | 2019-12-04 | 2019-12-04 | 推论***或产品质量异常的智能方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112905799A true CN112905799A (zh) | 2021-06-04 |
Family
ID=76110718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229817.5A Pending CN112905799A (zh) | 2019-12-04 | 2019-12-04 | 推论***或产品质量异常的智能方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905799A (zh) |
-
2019
- 2019-12-04 CN CN201911229817.5A patent/CN112905799A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5734961B2 (ja) | 多変数プロセス制御においてモデルの品質を推定しモデルを適応させる装置およびその方法 | |
CN116415840B (zh) | 一种基于机器学习模型的指标自动预警方法及*** | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
US7562054B2 (en) | Method and apparatus for automated feature selection | |
CN115308562A (zh) | 芯片测试方法及相关设备 | |
US11580425B2 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及*** | |
CN117633722B (zh) | 基于智能检测机器人的检测控制方法及*** | |
KR20190110084A (ko) | Esg 기반의 기업 평가 수행 장치 및 이의 작동 방법 | |
Vogel-Heuser et al. | Operator knowledge inclusion in data-mining approaches for product quality assurance using cause-effect graphs | |
CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
CN116361191A (zh) | 一种基于人工智能的软件兼容性处理方法 | |
Nagahara et al. | Toward data-driven production simulation modeling: dispatching rule identification by machine learning techniques | |
CN114118982A (zh) | 云计算和边缘计算结合的生产控制*** | |
Morasca et al. | A hybrid approach to analyze empirical software engineering data and its application to predict module fault-proneness in maintenance | |
TWM592123U (zh) | 推論系統或產品品質異常的智能系統 | |
TWI761719B (zh) | 推論系統或產品品質異常的智能方法與系統 | |
CN116308295A (zh) | 一种工业生产数据管理方法及*** | |
JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
CN112905799A (zh) | 推论***或产品质量异常的智能方法与*** | |
Brasen et al. | Comparison between data maturity and maintenance strategy: A case sutdy | |
CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221010 Address after: Chinese Taiwan New Taipei City Applicant after: DATA SYSTEMS CONSULTING CO.,LTD. Address before: TaiWan, China Applicant before: Zhilue Information Integration Co.,Ltd. |