CN113655768B - 装配良率控制方法、设备及计算机可读存储介质 - Google Patents
装配良率控制方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113655768B CN113655768B CN202111224221.3A CN202111224221A CN113655768B CN 113655768 B CN113655768 B CN 113655768B CN 202111224221 A CN202111224221 A CN 202111224221A CN 113655768 B CN113655768 B CN 113655768B
- Authority
- CN
- China
- Prior art keywords
- assembly
- training
- yield
- assembly yield
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 184
- 239000000463 material Substances 0.000 claims abstract description 115
- 239000013077 target material Substances 0.000 claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32204—Performance assurance; assure certain level of non-defective products
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种装配良率控制方法、设备及计算机可读存储介质,所述方法包括:获取装配良率预测模型;输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;其中,所述装配良率预测模型根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到;通过获取到装配良率预测模型,将待装配的目标物料的目标物料信息输入至装配良率预测模型中,装配良率预测模型可自动的输出排配方式,也即目标排配,同时输出的还有目标排配对应的装配良率,在装配良率最大时,对应的目标排配即为最优排配方式,进而在控制装配良率的基础上,实现自动排配,提高了物料排配的效率。
Description
技术领域
本申请涉及加工生产技术领域,尤其涉及一种装配良率控制方法、设备及计算机可读存储介质。
背景技术
装配生产线的良率问题一直广泛地存在于工厂中,基于两种或多种物料装配的智能最优匹配算法还未被应用。目前技术还停留在传统的被动式解决问题的方法,经验丰富的装配老师傅基于历史测量物料的尺寸通过试错法则去决定两种尺寸物料的按批次排产,具有大时滞、良率不佳、经验无法行形成知识规律的特点,从而导致现有的物料装配存在排配效率低、排配良率不稳定的问题。
发明内容
本申请的主要目的在于提供一种装配良率控制方法、设备及计算机可读存储介质,旨在解决物料装配存在排配效率低、排配良率不稳定的问题。
为实现上述目的,本申请提供一种装配良率控制方法,所述方法包括以下步骤:
获取装配良率预测模型;
输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;
其中,所述装配良率预测模型根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到。
可选地,所述获取装配良率预测模型的步骤之前,所述方法还包括:
建立初始预测模型;
获取训练数据集,其中,所述训练数据集中包括训练物料信息、训练排配组合与训练装配良率;
根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型。
可选地,所述建立初始预测模型的步骤,包括:
获取装配物料的历史相关信息;
根据所述历史相关信息,确定所述装配物料中影响装配精度的关键因子;
建立所述关键因子和预测良率之间的关系模型,确定初始预测模型。
可选地,所述历史相关信息中包括不同批次的所述装配物料的图位尺寸、量测尺寸、成产模号的信息,所述根据所述历史相关信息,确定所述装配物料中影响装配精度的关键因子的步骤,包括:
获取所述装配物料中影响装配精度的关键点位;
根据所述关键点位的图位尺寸和量测尺寸进行尺寸数据计算,得到所述关键点位对应的生产制程水准数值;
根据所述生产制程水准数值和预设计算模型,计算得到所述装配物料的不同关键点位的整体误差水平;
比对所述整体误差水平和预设误差水平;
若所述整体误差水平大于所述预设误差水平,则确定所述整体误差水平对应的关键点位为关键因子。
可选地,所述获取训练数据集的步骤,包括:
根据所述历史相关信息和历史装配良率,建立装配不良模式库;
根据所述关键因子对所述历史相关信息进行特征筛选,得到训练特征数据;
获取所述训练特征数据对应的生产制程水准数值和历史装配良率,分别设定为训练水准数值和训练良率;
基于所述训练特征数据、所述训练水准数值和所述训练良率,建立所述训练数据集。
可选地,所述根据所述历史相关信息和历史装配良率,建立装配不良模式库的步骤之后,所述方法包括:
比对所述历史装配良率与良率达标值;
若所述历史装配良率小于所述良率达标值,则对所述历史装配良率对应的历史相关信息进行分析,得到影响装配良率的影响因子;
根据所述影响因子对所述历史相关信息中所述图位尺寸进行调整,更新所述训练数据集。
可选地,所述根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型的步骤,包括:
将所述训练数据集输入至所述初始预测模型中,基于所述初始预测模型对所述训练数据集进行预测处理,得到对应的训练良率;
将所述训练良率与预设良率进行比对,得到比对结果;
基于所述比对结果对所述初始预测模型进行参数调整,并确定是否满足预设训练完成条件,若不满足时,返回将所述训练数据集输入至所述初始预测模型中的步骤,直至达到预设训练完成条件,得到装配良率预测模型。
可选地,所述输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率的步骤之后,所述方法包括:
比对所述目标装配良率与实际装配良率,得到良率差值;
若所述良率差值大于良率差阈值,则输出调整信息;
根据所述调整信息对所述装配良率预测模型进行调整优化。
为实现上述目的,本申请还提供一种装配良率控制设备,所述装配良率控制设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的装配良率控制程序,所述装配良率控制程序被所述处理器执行时实现如上所述的装配良率控制方法的步骤。
此外,为实现上述目的,本申请还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有装配良率控制程序,所述装配良率控制程序被处理器执行时实现如上所述的装配良率控制方法的步骤。
本申请中,获取装配良率预测模型;输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;其中,所述装配良率预测模型根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到;通过上述方式,获取到装配良率预测模型,将待装配的目标物料的目标物料信息输入至装配良率预测模型中,装配良率预测模型可自动的输出排配方式,也即目标排配,同时输出的还有目标排配对应的装配良率,在装配良率最大时,对应的目标排配即为最优排配方式,进而在控制装配良率的基础上,实现自动排配,提高了物料排配的效率。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的结构示意图;
图2为本申请装配良率控制方法第一实施例的流程示意图;
图3为本申请装配良率控制装置较佳实施例的功能示意图模块图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是,本申请实施例装配良率控制设备可以是智能手机、个人计算机和服务器等设备,在此不做具体限制。
如图1所示,该装配良率控制设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对装配良率控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及装配良率控制程序。其中,操作***是管理和控制设备硬件和软件资源的程序,支持装配良率控制程序以及其它软件或程序的运行。在图1所示的设备中,用户接口1003主要用于与客户端进行数据通信;网络接口1004主要用于服务器建立通信连接;处理器1001可以用于调用存储器1005中存储的装配良率控制程序,并执行以下操作:
步骤S10,获取装配良率预测模型;
步骤S20,输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;
其中,所述装配良率预测模型根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到。
由此,通过获取到装配良率预测模型,将待装配的目标物料的目标物料信息输入至装配良率预测模型中,装配良率预测模型可自动的输出排配方式,也即目标排配,同时输出的还有目标排配对应的装配良率,在装配良率最大时,对应的目标排配即为最优排配方式,进而在控制装配良率的基础上,实现自动排配,提高了物料排配的效率。
基于物料排配的第一实施例,参照图2,具体步骤如下:
步骤S10,获取装配良率预测模型;
在本实施例中,需要说明的是,装配良率控制方法可以应用于装配良率控制装置,该装配良率控制装置属于装配良率控制***,该装配良率控制***从属于装配良率控制设备。
在本实施例中,具体的应用场景可以是:某装配线上的上游产线的两种以上物料之间固定搭配进行装配,成品的尺寸水准和装配机台良率直接相关,目前,装配过程缺乏对物料生产尺寸信息的监管和有效利用,无法做到对物料的最优排配,从而导致装配良率不稳定的问题。
在本实施例中,装配良率预测模型是根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到,因此,根据待装配的物料的物料信息,输入至装配良率预测模型中,便可预测出待装配物料的装配良率,以及装配良率对应的排配方式,从而在控制装配良率的基础上,快速的得到待装配物料的排配方式。需要说明的是,待装配物料中包括至少两种物料,物料之间是固定装配关系,为了便于理解,以下以两种固定装配的物料为例进行详细分析,两种以上的物料的具体实施方式基本相同,在此不再赘述。对于两种物料的装配,两种物料可以是housing物料和端子物料,端子是指来凝结电线的铜导体用的housing是插座,端子和housing是配套使用的,因此,在装配时,需要考虑housing和端子物料之间的配合关系进行排配,以控制装装配良率。
进一步地,所述获取装配良率预测模型的步骤之前,包括:
步骤a,建立初始预测模型;
在本实施例中,初始预测模型是一种神经网络,神经网络是一种类似于人脑神经细胞突触结构的信息处理数学模型,本申请基于DNN(Deep Neural Network,深度神经网络)展开,充分的利用神经网络的优势,在搭建的网络中含有多个隐藏层,每个隐藏层通过不同神经网络区分,通过网络计算装配物料的信息数据,对数据进行数学计算、变换,预测装配良率。
进一步地,所述建立初始预测模型的步骤,包括:
步骤a1,获取装配物料的历史相关信息;
在本实施例中,历史相关信息是指实际已经产生加工完成的物料的相关信息,历史相关信息中包括不同批次的所述装配物料的图位尺寸、量测尺寸、成产模号等的信息,其中,图位尺寸是物料的装配图尺寸,属于加工需要实现的标准尺寸;量测尺寸是指生产加工后的尺寸,由于机械加工精度的原因,量测尺寸与图位尺寸可能不同;成产模号是指加工物料的模具,物料的加工中通过成型或冲压两种方式,则对应有不同的模具,获取成产模号后,在发生物料加工误差导致装配良率降低时,可通过物料的成产模号追溯到加工的模具,进而对模具进行修模,通过提高物料加工的精度,来提高装配的良率。
不同批次的同一种装配物料(如housin或端子)由于加工精度等的影响可能存在不同的图位尺寸,因此,历史相关信息中具有多组图位尺寸,根据不同的图位尺寸的统计分析,能够挖掘出影响装配精度的关键因子。
步骤a2,根据所述历史相关信息,确定所述装配物料中影响装配精度的关键因子;
在本实施例中,得到housing物料和端子物料各自的历史相关信息后,历史相关信息包括两种物料各自的不同批次的量测尺寸,通过多批次的量测尺寸的数据,分析得到影响装配精度的关键因子。得到关键因子的方式可以分为人工获取和计算获取两种。
其中,人工获取是指,在获得housing和端子的量测尺寸后,根据housing和端子的几何配合关系,装配产线的质检人员根据固有的质检标准确定关键因子。
通过计算获取方式得到关键因子时,具体的步骤为:
步骤a21,获取所述装配物料中影响装配精度的关键点位;
在本实施例中,关键点位是指物料的某一个位置点,位置点通常是两个物料之间配合的点,也即为关键点位,例如,housing和端子之间配合时,housing中设定有允许端子通过的孔,此时,housing中孔的孔径位置点即为housing的关键点位,端子需要与housing插装配合时,那么端子的位置点即为端子的关键点位。从而通过人工初步确定影响装配精度的多个关键点位,多个关键点位是基于人工确定的,其准确性不稳定,因此,需要通过尺寸数据计算进一步的确定准确的影响装配精度的关键因子。
步骤a22,根据所述关键点位的图位尺寸和量测尺寸进行尺寸数据计算,得到所述关键点位对应的生产制程水准数值;
在本实施例中,物料的关键点位的量测尺寸发生变化时,会影响物料装配精度,由于物料在加工过程中,由于加工机械、成型模具、加工模具等的不同,导致同一种物料同一关键点位的量测尺寸在不同批次生产时会出现变化,因此,需要根据物料关键点位不同批次的图位尺寸的数据,计算出关键点位的加工精度,也即CPK数值(Complex ProcessCapability index,生产制程水准),根据CPK数值将物料的加工精度分为不同的等级,在对housing和端子物料排配时,需要考虑housing和端子的加工精度,将装配生产中广泛遇到的装配物料件的尺寸水准有误差的场景考虑在内,从而提高装配良率预测的准确性。
具体地,计算CPK值的过程,根据housing物料中某一关键点位的图位尺寸(图位尺寸也即装配制定的标准尺寸)、尺寸公差、不同批次生产得到的多个量测尺寸(量测尺寸也即生产后实际尺寸),结合CPK计算公式或包含关键点位数据的表格自动计算,得到一个关键点位CPK数值。以此,可以获得housing物料的多个关键点位以及关键点位对应的CPK数值,端子物料的关键点位以及关键点位对应的CPK数值计算方法与housing物料的具体实施方式基本相同,在此不再赘述。
步骤a23,根据所述生产制程水准数值和预设计算模型,计算得到所述装配物料的不同关键点位的整体误差水平;
在本实施例中,若初步选取时,选取了housing物料中影响装配精度的4个关键点位,分别为XH/S1,XH/S2,XH/S3,XH/S4,那么基于误差传递理论,housing物料的整体误差水平的预设计算模型为:
其中,△yH/S为housing整体误差水平,yH/S为housing的CPK数值,△xi为量测尺寸的绝对误差。
通过上述公式(1)计算得到四个关键点位各自的整体误差水平。
步骤a24,比对所述整体误差水平和预设误差水平;
在本实施例中,预设误差水平是指预设的可以被允许的误差水平,在预设误差水平内的关键点位属于正常加工状态,也即,其对两个物料之间的装配精度影响情况一般,可以暂不考虑;
步骤a25,若所述整体误差水平大于所述预设误差水平,则确定所述整体误差水平对应的关键点位为关键因子;
在本实施例中,若其中一个关键点位的整体误差水平计算结果大于预设误差水平,则表示此关键点位在加工过程中,加工精度低,容易出现偏差,且偏差引起的量测尺寸的变化对物料装配时的影响大,因此,此关键点位即设定为关键因子,一种物料的关键因子的个数至少大于一。端子的关键因子的确定过程实施方式与housing 相同,在此不做赘述。
步骤a3,建立所述关键因子和预测良率之间的关系模型,确定初始预测模型;
在本实施例中,由于装配的良率与装配物料的尺寸水准和装配设备相关,装配物料的尺寸水准与物料加工的CPK数值相关,而关键因子的CPK数值以及量测尺寸的变化对装配精度有影响,也即影响装配良率。同时,由于装配设备的设备精度高,在分析装配设备参数时,难以安装获取参数的传感器,装配设备的参数难以获取,因此,在建立初始预测模型时,根据housing 和端子物料之间的装配关系建模,通过两种物料的公差裕度的互补来改善装配良率,而两种物料之间的装配关系与物料的关键因子的量测尺寸相关。因此,根据影响装配良率的关键因子与预测良率之间的关系建立模型,可以基于关键因子的量测尺寸,预测得到相应的装配良率,关键因子与预测良率之间的关系模型设定为初始预测模型。
如上述公式(2)为初始预测模型,其中,y为预测良率,f(XH/S,Xpin)为housing物料和端子物料的关键因子与预测良率之间具有的映射关系,u为模型系数,在通过训练得到模型系数时,就能确定一个完成的初始预测模型,建立关键因子与预测良率之间的模型关系,从而具有预测能力。
步骤b,获取训练数据集,其中,所述训练数据集中包括训练物料信息、训练排配组合与训练装配良率;
在本实施例中,训练数据集是指对初始预测模型进行训练的数据集合,训练数据集中包括训练物料信息、训练排配组合与训练装配良率中至少一项,在对初始预测模型进行训练时,需要相应的数据进行训练、测试等,因此,用于训练的数据集合分为训练数据集和测试数据集,以提高装配良率预测的准确性。
进一步地,所述获取训练数据集的步骤,包括:
步骤b1,根据所述历史相关信息和历史装配良率,建立装配不良模式库;
在本实施例中,历史相关信息中至少包括不同批次的装配物料的图位尺寸、量测尺寸、成产模号的信息,历史装配良率是指对不同批次的两个物料之间的排配方式进行生产后,得到的装配良率,因此,装配不良模式库中的信息包括不同批次的housing和端子之间的排配方式、不同批次的housing 和端子的量测尺寸、排配方式对应的装配良率,这三个数据组成一组数据样本,由多组样本组合构建成装配不良模式库。
步骤b2,根据所述关键因子对所述历史相关信息进行特征筛选,得到训练特征数据;
在本实施例中,不同批次的housing 和端子的量测尺寸中具有多个关键点位对应的量测尺寸信息,这些关键点位并不是均能够对装配良率产生影响,因此,为了提高训练的效率以及数据的准确性,需要对历史相关信息中不对装配良率预测产生影响的数据剔除。通过获取housing和端子的关键因子,通过特征工程将与关键因子相关的数据筛选出来,得到训练特征数据。
需要说明的是,除了根据物料的关键因子筛选出训练特征数据外,还可以根据装配不良模式库中的数据进行分析,具体的,装配不良模式库中包括历史装配良率的信息,对历史装配良率的信息进行分析,建立装配不良分布,记录历史装配良率的变化情况。首先,比对所述历史装配良率与良率达标值;其中,良率达标值是人员预设的,将其作为基准参考,在历史装配良率大于良率达标值时,表示历史装配良率在控制范围内,属于所需的装配良率;若所述历史装配良率小于所述良率达标值,则对所述历史装配良率对应的历史相关信息进行分析,得到影响装配良率的影响因子;可以理解,将下降的历史装配良率对应的历史相关信息筛选出来,获取下降的历史装配良率对应的一组数据样本,对数据样本中物料的关键点位的量测尺寸数据进行分析,统计housing和端子物料多个关键点的量测尺寸变化波动性,对于波动性较大且的关键点位作为影响装配良率的影响因子,同时关键点位对应的数据输出,为装配线上游材料商加工物料的设备修模提供参考,提升物料的尺寸水准;进一步地,根据所述影响因子对所述历史相关信息中所述图位尺寸进行调整,更新所述训练数据集,具体的调整方式可以是,根据影响因子对两种物料中的量测数据进行加权,得到更新后的尺寸数据,从而提升预测结果的准确性;调整方式也可以是,采用特征工程和相似性度量理论,对两种物料中历史相关信息中的关键因子进行增删改,以增加数据的全面性和可参考性。
步骤b3,获取所述训练特征数据对应的生产制程水准数值和历史装配良率,分别设定为训练水准数值和训练良率;
在本实施例中,由于物料的尺寸水准会影响物料的装配精度,而物料的尺寸水准可以通过生产制程水平数值进行预测和判断,因此,在获取训练数据时,需要将生产制程水平数值(CPK数值)作为影响因素加入量测尺寸数据中,以考虑装配生产中的装配物料的尺寸水平有误差的情况,提高预测的准确性。将训练特征数据对应的CPK数值设定为训练水准数值,训练特征数据对应的历史装配良率设定为训练良率,便于后续建立训练数据集。
装配不良模式库中的信息包括不同批次的housing和端子之间的排配方式、不同批次的housing 和端子的量测尺寸、排配方式对应的装配良率,这三个数据组成一组数据样本,
步骤b4,基于所述训练特征数据、所述训练水准数值和所述训练良率,建立所述训练数据集。
在本实施例中,根据训练特征数据、训练水准数值和训练良率建立训练数据集,训练特征数据和训练水准数值作为自变量特征列,训练良率作为因变量结果列,组合成为一个训练数据集。
步骤c,根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型。
在本实施例中,在本实施例中,将训练数据集输入至初始预测模型中,训练初始预测模型需要多组训练数据集进行多次测试、验证,得到装配良率预测模型。
进一步地,所述根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型的步骤,包括:
步骤c1,将所述训练数据集输入至所述初始预测模型中,基于所述初始预测模型对所述训练数据集进行预测处理,得到对应的训练良率;
在本实施例中,训练数据集中至少包括训练特征数据和训练水准数值组成的自变量特征列,将用于训练的多组训练数据集输入至所述初始预测模型中进行多项式拟合处理,得到模型系数。得到的模型系数更新上述公式(2),从而通过初始预测模型的训练优化得到完整的装配良率预测模型。再将用于验证的多组训练数据集中自变量特征列的一组数据样本输入装配良率预测模型中,得到对应的训练良率。
步骤c2,将所述训练良率与预设良率进行比对,得到比对结果;
在本实施例中,训练数据集中还包括训练特征数据和训练水准数值对应的训练良率组成的因变量结果列,一组数据样本对应因变量结果列内的一个良率结果,此良率结果即为预测良率,通过输入一组数据样本至装配良率预测模型中,得到训练良率,对训练良率与预设良率进行对比,得到误差数值,作为比对结果。
步骤c3,基于所述比对结果对所述初始预测模型进行参数调整,并确定是否满足预设训练完成条件,若不满足时,返回将所述训练数据集输入至所述初始预测模型中的步骤,直至达到预设训练完成条件,得到装配良率预测模型。
在本实施例中,设定一个误差阈值,误差阈值作为可被允许出现的误差范围,在此范围内,则表示装配良率预测模型训练得到的预测准确性达标,可以通过物料信息得到排配组合,以及排配组合对应的训练装配良率;当训练时的训练良率与预设良率之间的误差数值大于误差阈值时,则表示预测异常,在训练中需要做出相应调整,如调整训练的步长、收敛性、训练时长、训练停止时间等,指导下一步训练向正确的方向进行,确保装配良率预测模型的预测准确性。
需要说明的是,预设训练完成条件是指误差数值在误差阈值内、准确率在准确率低值以上中至少一项,其中,准确率低值指的是预设的最低准确率,即根据初始预测模型得到的训练良率与预设良率计算得到的比率需要高于最低准确率,方可满足训练完成条件,则训练完成,得到装配良率预测模型。
步骤S20,输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;
在本实施例中,目标物料是指待装配的housing和端子物料,目标物料信息是指housing和端子物料的量测尺寸信息,包括现有库存和当前的所有批次的housing和端子物料的量测尺寸信息,将多个量测尺寸信息输入至上述公式(2)更新后的装配预测模型中,得到目标物料的至少一种目标排配以及目标排配对应的目标装配良率。根据多个目标装配良率,选择最大目标装配良率对应的目标排配,此目标排配为最优排配方式。
进一步地,所述输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率的步骤之后,所述方法包括:
步骤d,比对所述目标装配良率与实际装配良率,得到良率差值;
在本实施例中,根据目标排配的结果自动生成工单数据,将工单数据存入 MES***(Manufacturing Execution System,制造执行***)进行装配,通过装配的合格品数量有不合格品数据的比值,得到实际装配良率。比对目标装配良率与实际装配良率,得到目标装配良率与实际装配良率之间的良率差值。
步骤e,若所述良率差值大于良率差阈值,则输出调整信息;
在本实施例中,良率差阈值是指用于判断实际装配良率是否达到标准而预设的,当良率差值大于良率差阈值时,则表示目标装配良率与实际装配良率之间的误差较大,此时,需要输出调整信息对装配良率预测模型进行改善。具体的调整方式可以是,将此次装配中的目标物料信息、目标排配、实际装配良率储存至装配不良模式库内,对装配不良模式库中影响装配良率的影响因子的确定以及用于训练模型的历史相关信息进行调整,以增大样本数量和样本准确性,从而在对模型训练过程中,对模型进行参数调优;也可以通过两种物料间装配图位机理进行关键因子的测算添加到装配良率预测模型中。
当良率差值小于或等于良率差阈值时,则表示目标装配良率与实际装配良率之间的误差属于正常可允许的范围,也即通过装配良率预测模型得到的目标排配和目标装配良率是准确的,因此,装配线可继续使用装配良率预测模型对上游来料的物料进行最优排配以及预测其对应的装配良率,根据最优排配方式进行装配生产,从而达到排配效率高、排配良率稳定的效果。
步骤f,根据所述调整信息对所述装配良率预测模型进行调整优化。
在本实施例中,根据调整信息内的调整方式进行相应的操作,实现对装配良率预测模型进行调整优化。
本申请的一种装配良率控制方法,包括以下步骤:获取装配良率预测模型;输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;其中,所述装配良率预测模型根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到;通过获取到装配良率预测模型,将待装配的目标物料的目标物料信息输入至装配良率预测模型中,装配良率预测模型可自动的输出排配方式,也即目标排配,同时输出的还有目标排配对应的装配良率,在装配良率最大时,对应的目标排配即为最优排配方式,进而在控制装配良率的基础上,实现自动排配,提高了物料排配的效率。
此外本申请实施例还提出一种装配良率控制装置,参照图3,所述装置包括:
第一获取模块10,获取装配良率预测模型;
第一确定模块20,输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;
进一步地,所述装配良率控制装置还包括:
建模模块,建立初始预测模型;
第二获取模块,获取训练数据集,其中,所述训练数据集中包括训练物料信息、训练排配组合与训练装配良率;
第二确定模块,根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型。
进一步地,所述建模模块包括:
第一获取子模块,获取装配物料的历史相关信息;
第一确定子模块,根据所述历史相关信息,确定所述装配物料中影响装配精度的关键因子;
建模子模块,建立所述关键因子和预测良率之间的关系模型,确定初始预测模型。
进一步地,所述第一确定子模块包括:
获取子单元,获取所述装配物料中影响装配精度的关键点位;
第一确定子单元,根据所述关键点位的图位尺寸和量测尺寸进行尺寸数据计算,得到所述关键点位对应的生产制程水准数值;
计算自单元,根据所述生产制程水准数值和预设计算模型,计算得到所述装配物料的不同关键点位的整体误差水平;
比对子单元,比对所述整体误差水平和预设误差水平;
第二确定子单元,若所述整体误差水平大于所述预设误差水平,则确定所述整体误差水平对应的关键点位为关键因子。
进一步地,所述第二获取模块包括:
建库子模块,根据所述历史相关信息和历史装配良率,建立装配不良模式库;
第二确定子模块,根据所述关键因子对所述历史相关信息进行特征筛选,得到训练特征数据;
第二获取子模块,获取所述训练特征数据对应的生产制程水准数值和历史装配良率,分别设定为训练水准数值和训练良率;
建集子模块,基于所述训练特征数据、所述训练水准数值和所述训练良率,建立所述训练数据集。
进一步地,所述第二获取模块还包括:
第一比对子模块,比对所述历史装配良率与良率达标值;
第三确定子模块,若所述历史装配良率小于所述良率达标值,则对所述历史装配良率对应的历史相关信息进行分析,得到影响装配良率的影响因子;
优化子模块,根据所述影响因子对所述历史相关信息中所述图位尺寸进行调整,更新所述训练数据集。
进一步地,所述二确定模块包括:
第四确定子模块,将所述训练数据集输入至所述初始预测模型中,基于所述初始预测模型对所述训练数据集进行预测处理,得到对应的训练良率;
第二比对子模块,将所述训练良率与预设良率进行比对,得到比对结果;
训练子模块,基于所述比对结果对所述初始预测模型进行参数调整,并确定是否满足预设训练完成条件,若不满足时,返回将所述训练数据集输入至所述初始预测模型中的步骤,直至达到预设训练完成条件,得到装配良率预测模型。
进一步地,所述装配良率控制装置还包括:
比对模块,比对所述目标装配良率与实际装配良率,得到良率差值;
输出模块,若所述良率差值大于良率差阈值,则输出调整信息;
调整模块,根据所述调整信息对所述装配良率预测模型进行调整优化。
本申请装配良率控制装置的具体实施方式的拓展内容与上述装配良率控制方法各实施例基本相同,在此不做赘述。
此外,本申请实施例还提出一种计算机可读存储介质,所述存储介质上存储有装配良率控制程序,所述装配良率控制程序被处理器执行时实现如下所述的装配良率控制方法的步骤。
本申请装配良率控制设备和计算机可读存储介质的各实施例,均可参照本申请装配良率控制方法各实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种装配良率控制方法,其特征在于,所述方法包括以下步骤:
获取装配物料的历史相关信息,其中,所述历史相关信息中包括不同批次的所述装配物料的图位尺寸、量测尺寸、成产模号的信息;
获取所述装配物料中影响装配精度的关键点位,根据所述关键点位的图位尺寸和量测尺寸进行尺寸数据计算,得到所述关键点位对应的生产制程水准数值,根据所述生产制程水准数值和预设计算模型,计算得到所述装配物料的不同关键点位的整体误差水平;
比对所述整体误差水平和预设误差水平,若所述整体误差水平大于所述预设误差水平,则确定所述整体误差水平对应的关键点位为关键因子;
建立所述关键因子和预测良率之间的关系模型,确定初始预测模型,获取训练数据集,根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型,其中,所述训练数据集中包括训练物料信息、训练排配组合与训练装配良率;
输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率;
其中,所述装配良率预测模型根据训练物料信息、训练排配组合与训练装配良率训练初始预测模型得到。
2.如权利要求1所述的装配良率控制方法,其特征在于,所述获取训练数据集的步骤,包括:
根据所述历史相关信息和历史装配良率,建立装配不良模式库;
根据所述关键因子对所述历史相关信息进行特征筛选,得到训练特征数据;
获取所述训练特征数据对应的生产制程水准数值和历史装配良率,分别设定为训练水准数值和训练良率;
基于所述训练特征数据、所述训练水准数值和所述训练良率,建立所述训练数据集。
3.如权利要求2所述的装配良率控制方法,其特征在于,所述根据所述历史相关信息和历史装配良率,建立装配不良模式库的步骤之后,所述方法包括:
比对所述历史装配良率与良率达标值;
若所述历史装配良率小于所述良率达标值,则对所述历史装配良率对应的历史相关信息进行分析,得到影响装配良率的影响因子;
根据所述影响因子对所述历史相关信息中所述图位尺寸进行调整,更新所述训练数据集。
4.如权利要求1所述的装配良率控制方法,其特征在于,所述根据所述训练数据集训练所述初始预测模型,得到装配良率预测模型的步骤,包括:
将所述训练数据集输入至所述初始预测模型中,基于所述初始预测模型对所述训练数据集进行预测处理,得到对应的训练良率;
将所述训练良率与预设良率进行比对,得到比对结果;
基于所述比对结果对所述初始预测模型进行参数调整,并确定是否满足预设训练完成条件,若不满足时,返回将所述训练数据集输入至所述初始预测模型中的步骤,直至达到预设训练完成条件,得到装配良率预测模型。
5.如权利要求1-4任一项所述的装配良率控制方法,其特征在于,所述输入目标物料的目标物料信息至所述装配良率预测模型中,得到所述目标物料的目标排配和所述目标排配对应的目标装配良率的步骤之后,所述方法包括:
比对所述目标装配良率与实际装配良率,得到良率差值;
若所述良率差值大于良率差阈值,则输出调整信息;
根据所述调整信息对所述装配良率预测模型进行调整优化。
6.一种装配良率控制设备,其特征在于,所述装配良率控制设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的装配良率控制程序,所述装配良率控制程序被所述处理器执行时实现如权利要求1至5中任一项所述的装配良率控制方法的步骤。
7.一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上存储有装配良率控制程序,所述装配良率控制程序被处理器执行时实现如权利要求1至5中任一项所述的装配良率控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224221.3A CN113655768B (zh) | 2021-10-21 | 2021-10-21 | 装配良率控制方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224221.3A CN113655768B (zh) | 2021-10-21 | 2021-10-21 | 装配良率控制方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655768A CN113655768A (zh) | 2021-11-16 |
CN113655768B true CN113655768B (zh) | 2022-02-15 |
Family
ID=78484356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224221.3A Active CN113655768B (zh) | 2021-10-21 | 2021-10-21 | 装配良率控制方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655768B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114749499A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市信润富联数字科技有限公司 | 除鳞喷嘴控制方法、装置、电子设备及可读存储介质 |
CN115034098A (zh) * | 2022-08-11 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 风电算法模型验证方法、装置、设备及存储介质 |
CN116119284B (zh) * | 2022-12-16 | 2023-11-24 | 工业富联(杭州)数据科技有限公司 | 基于人工智能的物料装配方法、装置、设备及介质 |
CN115685949A (zh) * | 2022-12-29 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6823287B2 (en) * | 2002-12-17 | 2004-11-23 | Caterpillar Inc | Method for predicting the quality of a product |
JP2006023238A (ja) * | 2004-07-09 | 2006-01-26 | Fujitsu Ten Ltd | 組立品の品質評価方法及びそのシステム |
JP6233038B2 (ja) * | 2014-01-16 | 2017-11-22 | 富士通株式会社 | 組立歩留予測装置、組立歩留予測プログラムおよび組立歩留予測方法 |
CN111158314B (zh) * | 2019-12-31 | 2022-10-25 | 东南大学 | 一种基于数字孪生技术的卫星部装装配精度控制方法 |
CN111428373A (zh) * | 2020-03-30 | 2020-07-17 | 苏州惟信易量智能科技有限公司 | 产品装配质量检测方法、装置、设备及存储介质 |
CN112231966B (zh) * | 2020-09-08 | 2023-04-07 | 合肥学院 | 一种基于数字孪生的协作机器人可装配性预测***及方法 |
CN112686372A (zh) * | 2020-12-28 | 2021-04-20 | 哈尔滨工业大学(威海) | 基于深度残差gru神经网络的产品性能预测方法 |
CN112799369A (zh) * | 2021-01-15 | 2021-05-14 | 北京理工大学 | 一种产品装配过程管控方法和装置 |
CN113516285B (zh) * | 2021-05-12 | 2024-02-13 | 中船重工鹏力(南京)智能装备***有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113504768B (zh) * | 2021-08-05 | 2022-06-03 | 东华大学 | 面向装配质量预测的高精密产品数字孪生可计算性方法 |
-
2021
- 2021-10-21 CN CN202111224221.3A patent/CN113655768B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113655768A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113655768B (zh) | 装配良率控制方法、设备及计算机可读存储介质 | |
EP3811241B1 (en) | Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system | |
US20140222376A1 (en) | Method for searching, analyzing, and optimizing process parameters and computer program product thereof | |
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
CN113657820B (zh) | 产线配料方法、装置、设备及可读存储介质 | |
US20150276558A1 (en) | Metrology sampling method and computer program product thereof | |
CN114819636B (zh) | 一种基于spc检测的工业生产数据处理方法及*** | |
CN101118422A (zh) | 半导体制造的虚拟量测预估与建立预估模型的方法与*** | |
CN116382219B (zh) | 一种基于在线测量技术的电机生产工艺优化方法及*** | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及*** | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及*** | |
KR102247945B1 (ko) | 공정인자를 고려한 공정불량 예측방법 | |
CN116108642A (zh) | 机台的参数调试模型训练方法、调试方法及设备 | |
CN115130737A (zh) | 基于工况的机器学习方法及相关装置和介质程序产品 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN115839617A (zh) | 一种烧结温度的控制方法及装置 | |
US8406904B2 (en) | Two-dimensional multi-products multi-tools advanced process control | |
CN114219461B (zh) | 基于多生产工况的生产控制方法和装置 | |
CN112257347B (zh) | 一种变电设备的仿真*** | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及*** | |
CN113627755A (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN117634324B (zh) | 一种基于卷积神经网络的铸造模具温度快速预测方法 | |
CN113625669B (zh) | 产品质量预测方法以及*** | |
US20220237451A1 (en) | Semiconductor process prediction method and semiconductor process prediction apparatus for heterogeneous data |
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 |