CN113743688A - 质量管控方法、装置、计算机装置及存储介质 - Google Patents
质量管控方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN113743688A CN113743688A CN202010463864.2A CN202010463864A CN113743688A CN 113743688 A CN113743688 A CN 113743688A CN 202010463864 A CN202010463864 A CN 202010463864A CN 113743688 A CN113743688 A CN 113743688A
- Authority
- CN
- China
- Prior art keywords
- detection
- quality
- information
- production parameter
- 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.)
- Granted
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 298
- 238000001514 detection method Methods 0.000 claims abstract description 296
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012795 verification Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- 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
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B2219/32194—Quality prediction
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种质量管控方法、质量管控装置、计算机装置及存储介质,所述方法包括:获取待生产产品的产品信息;查询与所述产品信息对应的生产参数信息;将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息;判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值;当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息;以预设方式输出确定的生产参数信息。通过所述方法使得质量管控以更加精准、高效的方式进行。
Description
技术领域
本发明涉及产品质量控制技术领域,具体涉及一种质量管控方法、质量管控装置、计算机装置及存储介质。
背景技术
随着人们不断追求更高品质的消费电子产品,对面板显示器、印刷电路板、半导体芯片等行业的质量管控提出了更加严格的要求。为了得到产品的质量信息,必须对生产机台所生产的工件进行质量检验。然而一个产品生产,从加工开始一直到出货,一般都会经过多道程序,其中一道制造程序出现问题,此产品即为瑕疵品或不良品。若每道程序结束后,每个产品工件均进行质量检验,虽能全面控管质量,但会耗费许多测量时间,许多高精密制程的检验过程,单一工件完成一道检验程序就需耗费数个小时,因此无法立即反映工件的质量与机台状况。为了减少量测时间,通常采用抽样检查的方式,但抽样检查而非全检,无法完全真实的反映制程问题。
发明内容
鉴于以上内容,有必要提出一种质量管控方法、质量管控装置、计算机装置和存储介质,使得质量管控以更加精准、高效的方式进行。
本申请的第一方面提供一种质量管控方法所述质量管控方法应用于计算机装置中,所述质量管控方法包括:
获取待生产产品的产品信息;
查询与所述产品信息对应的生产参数信息;
将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息,其中,所述质量检测信息包括所述多个检测项目对应的检测值,所述产品质量预测模型通过分析第一特征关系预测待生产产品的质量检测信息;
判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值;
当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息;
以预设方式输出确定的生产参数信息。
优选地,所述第一特征关系描述的是第一预设数量的已生产产品的质量检测信息与生产所述已生产产品的生产参数信息之间的关系,所述第一特征关系获取的方法包括深度学习算法、机器学习算法。
优选地,所述计算机装置与检测设备之间进行通讯连接,所述质量管控方法还包括:
获取所述检测设备检测的已生产产品的质量检测信息,判断所述质量检测信息中的检测项目是否与标准生产质量信息中的检测项目一致;
若不一致,则获取第二预设数量的已生产产品的质量检测信息和生产所述产品的生产参数信息,重新训练所述产品质量预测模型中的参数,得到已生产产品的质量检测信息与生产参数信息之间的第二特征关系。
优选地,所述确定不在所述区间范围中的所述检测值对应的生产参数信息的方法包括:
查找所述产品质量预测模型的训练样本的生产参数信息的特征值,记为生产参数特征值组合;
将所述特征值组合输入到所述产品质量预测模型中,预测所述特征值对应的特征质量检测信息,其中,所述特征质量检测信息包括多个检测项目对应的检测值;
逐一获取所述待生产产品的生产参数信息,并用每一个待生产产品的生产参数信息取代所述生产参数特征值组合中对应的生产参数特征值,得到多组验证生产参数的数据集,所述数据集的个数与所述待生产产品生产参数的个数相等;
通过所述产品质量预设模型逐一预测所述验证生产参数的数据集中的数据对应的质量检测信息,得到多组验证质量检测信息;
逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息;
查找出的生产参数信息为所述不在所述区间范围中的所述检测值对应的生产参数信息。
优选地,所述查找所述产品质量预测模型的训练样本的生产参数信息的特征值包括:
确定所述生产参数信息对应的数值范围;
确定所述数值范围的中心数值,将所述中心数值作为所述生产参数信息的特征值。
优选地,所述逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息的方法包括:
计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的差值,并将所述差值进行排序,差值最大的检测值即为所述偏差最大的检测值;或
计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的标准方差,并将所述标准方差进行排序,标准方差最大的检测值即为所述偏差最大的检测值。
优选地,所述质量管控方法还包括:
接收修正后的生产参数信息;
比对接收的生产参数信息与预设生产参数标准范围;
当所述生产参数信息位于所述预设生产参数标准范围的第一预设区间时,以第一预设符输出所述生产参数信息;
当所述生产参数信息位于所述预设生产参数标准范围的第二预设区间时,以第二预设符输出所述生产参数信息;
当所述生产参数信息位于所述预设生产参数标准范围的第三预设区间时,以第三预设符输出所述生产参数信息。
本申请的第二方面提供一种质量管控装置,所述装置包括:
获取模块,用于获取待生产产品的产品信息;
查询模块,用于查询与所述产品信息对应的生产参数信息;
预测模块,用于将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息,其中,所述质量检测信息包括所述多个检测项目对应的检测值,所述产品质量预测模型通过分析第一特征关系预测待生产产品的质量检测信息;
判断模块,用于判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值;
执行模块,用于当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息;
输出模块,用于以预设方式输出确定的生产参数信息。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器与存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如前所述质量管控方法。
本申请的第四方面提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述质量管控方法。
本发明质量管控方法、质量管控装置、计算机装置、及存储介质,所述方法通过产品质量预测模型预测待生产产品的质量检测信息,并将所述质量检测信息进行判断,当所述质量检测信息异常时,确定造成所述异常的生产参数信息。通过所述方法可以快速、有效的对待生产产品的质量进行管控,并及时发现造成质量异常的原因。
附图说明
图1是本发明实施例一提供的质量管控方法的应用环境架构示意图。
图2是本发明实施例一提供的质量管控方法的又一种应用环境架构示意图。
图3是本发明实施例二提供的质量管控方法流程图。
图4是本发明实施例三提供的质量管控装置的结构示意图。
图5是本发明实施例四提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
参阅图1所示,为本发明实施例一提供的质量管控方法的应用环境架构示意图。
本发明中的质量管控方法应用在计算机装置1中,所述计算机装置1和至少一个生产设备2通过网络建立通信连接。所述网络可以是有线网络,也可以是无线网络,例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
所述生产设备2用于在产品的生产过程中获取所述产品的生产参数信息,其中,所述生产参数信息包括但不限于所述产品的生产设备信息、加工工艺参数、生产设备的性能参数等。所述生产设备2可以是设置于不同生产车间、不同生产工序内的多个生产设备,所述计算机装置1可以从不同生产车间、不同生产工序中获取产品的生产参数信息。其中,所述生产设备2可以是生产厂商专门用于生产所述产品的生产机台。
所述计算机装置1用于获取待生产产品的产品信息,查询与所述产品信息对应的生产参数信息;将所述生产参数信息输入到产品质量预测模型中,预测出所述产品的生产质量检测信息;判断预测出的所述生产质量检测信息中各检测项目对应的检测值是否位于标准质量检测信息中各检测项目对应的检测值的区间范围;当预测出的所述检测值超出标准质量检测信息中检测项目对应的检测值的区间范围时,确定并输出超范围的所述检测值对应的生产参数信息。所述计算机装置1可以为安装有来料质量管控软件的电子设备,例如个人电脑、服务器等,其中,所述服务器可以是单一的服务器、服务器集群或云服务器等。
在本发明又一实施方式中,如图2所示,所述计算机装置1、至少一个生产设备2、云服务器3通过网络建立通信连接。所述生产设备2将获取的质量数据上传至所述云服务器3中,所述计算机装置1根据预设查询条件从所述云服务器3中获取所需的生产参数信息。例如可以通过待出货产品的检测结果查找生产所述产品的生产过程质量数据。
实施例二
请参阅图3所示,是本发明第二实施例提供的质量管控方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S1、获取待生产产品的产品信息。
在本发明一实施方式中,所述产品信息包括产品的型号、产品的料号、产品的材质等。所述待生产产品的产品信息的获取方式包括:接收工作人员输入的待生产产品的产品型号;或实时获取位于生产设备中物料的图像信息,采用图像识别方法识别所述图像信息中的物料名称,根据所述物料名称与产品信息的对应关系,获取待生产产品的产品信息。
步骤S2、查询与所述产品信息对应的生产参数信息。
所述生产参数信息包括生产所述产品的生产所述产品的加工工艺参数、生产设备的性能参数等。
所述生产参数信息的查询方法包括:实时查询即将生产所述待生产产品的生产设备机台的生产参数信息;或查询产品信息与生产参数信息对照表,获取生产所述产品的生产参数信息。所述产品信息与生产参数信息对照表中记录了生产一款产品所对应的至少一台生产设备,以及所述生产设备的生产参数信息。
步骤S3、将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息。
其中,所述质量检测信息包括所述多个检测项目对应的检测值,所述产品质量预测模型通过分析第一特征关系预测待生产产品的质量检测信息。所述第一特征关系描述的是第一预设数量的已生产产品的质量检测信息与生产所述已生产产品的生产参数信息之间的关系,所述第一特征关系获取的方法包括深度学习算法、机器学习算法。
在本发明一实施方式中,所述产品质量预测模型中的参数训练方法包括:
获取样本数据,并将样本数据分为训练集和验证集,所述样本数据包括已生产产品的质量检测信息、生产所述产品的生产参数信息,其中,将生产所述产品的生产参数信息作为所述产品质量预测模型的输入数据,将产品的质量检测信息作为所述产品质量预测模型的输出数据;
建立基于卷积神经网络的深度学习模型,并利用所述训练集对所述深度学习模型进行训练,并得出所述深度学习模型的参数;
利用所述验证集对训练后的深度学习模型进行验证,并根据验证结果统计所述深度学习模型预测的准确率;
判断所述模型预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,将训练完成的所述深度学习模型作为所述产品质量预测模型。
若所述模型预测准确率小于所述预设阈值,调整所述深度学习模型的参数,并利用所述训练集重新对调整后的深度学习模型进行训练;
利用所述验证集对重新训练的深度学习模型进行验证,并根据每一验证结果重新统计得到模型预测准确率,并判断重新统计得到的模型预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,将重新训练完成的深度学习模型作为所述产品质量预测模型;
若所述重新统计得到的模型预测准确率小于所述预设阈值,重复执行所述调整所述深度学习模型的参数,并利用所述训练集重新对调整后的深度学习模型进行训练,直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值;
其中,所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量、不同连接层之间的连接关系中的至少一种。
在本发明其他实施方式中,所述产品质量预测模型还可以是基于朴素贝叶斯算法的深度学习模型、基于多分类支持向量机算法的深度学习模型、基于逻辑回归分类算法的深度学习模型、基于决策树分类算法的深度学习模型中的任意一种。
所述质量预测模型在实际生产实践中,可以根据产品的生命周期定期对所述质量预测模型中的参数进行重新训练。例如当生产机台的环境变化时、生产设备进行维修保养之后、产品生产人员的操作手法变化之后,都需要对质量预测模型中的参数进行重新训练。所述质量预测模型中参数重新训练的频次可以根据实际生产需求进行设定,例如在产品的试生产时间,所述质量预测模型中的参数可以一天调整一次,在产品的量产阶段,所述质量预测模型中的参数可以一个月调整一次。
步骤S4、判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值。
所述标准质量检测信息中记录了不同的检测项目对应的标准检测值,所述标准检测值可以是一个单独的数值,也可以是一个数值区间。
步骤S5、当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息。
在本发明一实施方式中,所述确定不在所述区间范围中的所述检测值对应的生产参数信息的方法包括:
查找所述产品质量预测模型的训练样本的生产参数信息的特征值,记为生产参数特征值组合。具体方法包括:确定所述生产参数信息对应的数值范围;确定所述数值范围的中心数值,将所述中心数值作为所述生产参数信息的特征值。例如待生产产品的加工温度为100℃到150℃,将温度区间的中点温度125℃作为所述生产参数信息的特征值。
在又一实施方式中,所述特征值还可以根据生产制程的需要设定任意特定值。例如在某一特定参数下,生产出来的产品的表面平滑度最好,所述特定参数可以作为所述特征值。
在再一实施方式中,查找所述产品质量预测模型的训练样本的生产参数信息的特征值的方法还包括:确定所述生产参数信息对应的数值范围;确定所述数值范围中所有数值的平均值,将所述平均值作为所述生产参数信息的特征值。
将所述特征值组合输入到所述产品质量预测模型中,预测所述特征值对应的特征质量检测信息,其中,所述特征质量检测信息包括多个检测项目对应的检测值。
逐一获取所述待生产产品的生产参数信息,并用每一个待生产产品的生产参数信息取代所述生产参数特征值组合中对应的生产参数特征值,得到多组验证生产参数的数据集,所述数据集的个数与所述待生产产品生产参数的个数相等。
通过所述产品质量预设模型逐一预测所述验证生产参数的数据集中的数据对应的质量检测信息,得到多组验证质量检测信息。
逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息。
查找出的生产参数信息为所述不在所述区间范围中的所述检测值对应的生产参数信息。
其中,所述逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息的方法包括:计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的差值,并将所述差值进行排序,差值最大的检测值即为所述偏差最大的检测值;计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的标准方差,并将所述标准方差进行排序,标准方差最大的检测值即为所述偏差最大的检测值。
例如,假设产品质量预测模型中共有P个生产参数信息,则后续第T个待生产产品生产时的生产参数数据可定义为{X1T,X2T…XPT},若所述产品通过产品质量预设模型预测得到的待生产产品的质量检测信息(定义为Y1)为异常值,表示所述产品对应的生产参数信息中{X1T,X2T…XPT},必定存在至少一个参数与所述产品质量预测模型在训练时获取的样本生产参数信息存在差异。首先所述产品质量预测模型的训练样本的生产参数信息的特征值{S1T,S2T…SPT}再将所述特征值导入所述产品质量预测模型中得到特征质量检测信息Y2,将所述产品对应的生产参数信息中X1T,X2T…XPT逐一取代所述生产参数信息的特征值,得到多组验证生产参数的数据集,记为{X1T,S2T…SPT}{S1T,X2T…SPT}…{S1T,S2T…XPT},所述验证生产参数的数据集的个数为P个,将所述验证生产参数数据集逐一导入所述产品质量预测模型中输出P组产品的质量检测信息{Y1T,Y2T…YPT},逐一比较{Y1T,Y2T…YPT}中的各个质量检测值与Y2之间的偏差,确定偏差最大的检测值对应的待生产产品的生产参数信息。例如,若Y2T与Y2之间的偏差最大,则查找Y2T对应的生产参数信息为X2T,则为X2T为造成待生产产品的质量检测信息(定义为Y1)为异常值的生产参数信息。
步骤S6、以预设方式输出确定的生产参数信息。
所述预设方式包括通过邮件、语音消息、灯光提示符等方式提示工作人员所述超范围的所述检测值对应的生产参数信息。
在本发明的一实施方式中,所述计算机装置与检测设备之间进行通讯连接,所述质量管控方法的步骤还包括:获取所述检测设备检测的已生产产品的质量检测信息,判断所述质量检测信息中的检测项目是否与标准生产质量信息中的检测项目一致;
若不一致,则获取第二预设数量的已生产产品的质量检测信息和生产所述产品的生产参数信息,重新训练所述产品质量预测模型中的参数,得到已生产产品的质量检测信息与生产参数信息之间的第二特征关系。
利用重新训练的产品质量预测模型对待生产产品的质量检测信息进行预测。
在本发明的又一实施方式中,所述质量管控方法的步骤还包括:接收修正后的生产参数信息;比对接收的生产参数信息与预设生产参数标准范围;当所述生产参数信息位于所述预设生产参数标准范围的第一预设区间时,以第一预设符输出所述生产参数信息。所述第一预设区间为满足生产制程需要的最优的质量管控区间。所述第一预设符包括使用颜色提示符、使用不同形状的图形输出所述产品的生产过程质量数据,也可以是通过现场语音提示的方式发出提示消息。其中,所述生产参数信息的修正方法包括:接收工作人员输入的修正后的生产参数信息;查询产品信息与生产参数信息对照表,获取生产所述产品的生产参数信息。
当所述生产参数信息位于所述预设生产参数标准范围的第二预设区间时,以第二预设符输出所述生产参数信息。所述第二预设区间为满足质量管控标准的临界范围,在产品量产阶段下,若所述生产参数信息位于所述第二预设区间,则需要制定改善方案用于提高生产工艺制程。在产品在试生产阶段,若所述生产参数信息位于所述第二预设区间,则暂时不需要制定改善方案用于提高生产工艺制程。
当所述生产参数信息位于所述预设生产参数标准范围的第三预设区间时,以第三预设符输出所述生产参数信息。若所述生产参数信息以第三预设符输出,则表示生产工艺制程异常。
上述图3详细介绍了本发明的质量管控方法,下面结合第4-5图,对实现所述质量管控方法的软件装置的功能模块以及实现所述质量管控方法的硬件装置架构进行介绍。
应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
实施例三
图4为本发明质量管控装置较佳实施例的结构图。
在一些实施例中,质量管控装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述质量管控装置10可以包括多个由程序代码段所组成的功能模块。所述质量管控装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由所述至少一个处理器所执行,以实现质量管控功能。
本实施例中,所述质量管控装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图4所示,所述功能模块可以包括:获取模块101、查询模块102、预测模块103、判断模块104、执行模块105、输出模块106。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述获取模块101,用于获取待生产产品的产品信息。
在本发明一实施方式中,所述产品信息包括产品的型号、产品的料号、产品的材质等。所述待生产产品的产品信息的获取方式包括:接收工作人员输入的待生产产品的产品型号;或实时获取位于生产设备中物料的图像信息,采用图像识别方法识别所述图像信息中的物料名称,根据所述物料名称与产品信息的对应关系,获取待生产产品的产品信息。
所述查询模块102,用于查询与所述产品信息对应的生产参数信息。
所述生产参数信息包括生产所述产品的生产所述产品的加工工艺参数、生产设备的性能参数等。
所述生产参数信息的查询方法包括:实时查询即将生产所述待生产产品的生产设备机台的生产参数信息;或查询产品信息与生产参数信息对照表,获取生产所述产品的生产参数信息。所述产品信息与生产参数信息对照表中记录了生产一款产品所对应的至少一台生产设备,以及所述生产设备的生产参数信息。
所述预测模块103,用于将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息。
其中,所述质量检测信息包括所述多个检测项目对应的检测值,所述产品质量预测模型通过分析第一特征关系预测待生产产品的质量检测信息。所述第一特征关系描述的是第一预设数量的已生产产品的质量检测信息与生产所述已生产产品的生产参数信息之间的关系,所述第一特征关系获取的方法包括深度学习算法、机器学习算法。
在本发明一实施方式中,所述产品质量预测模型中的参数训练方法包括:
获取样本数据,并将样本数据分为训练集和验证集,所述样本数据包括已生产产品的质量检测信息、生产所述产品的生产参数信息,其中,将生产所述产品的生产参数信息作为所述产品质量预测模型的输入数据,将产品的质量检测信息作为所述产品质量预测模型的输出数据;
建立基于卷积神经网络的深度学习模型,并利用所述训练集对所述深度学习模型进行训练,并得出所述深度学习模型的参数;
利用所述验证集对训练后的深度学习模型进行验证,并根据验证结果统计所述深度学习模型预测的准确率;
判断所述模型预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,将训练完成的所述深度学习模型作为所述产品质量预测模型。
若所述模型预测准确率小于所述预设阈值,调整所述深度学习模型的参数,并利用所述训练集重新对调整后的深度学习模型进行训练;
利用所述验证集对重新训练的深度学习模型进行验证,并根据每一验证结果重新统计得到模型预测准确率,并判断重新统计得到的模型预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,将重新训练完成的深度学习模型作为所述产品质量预测模型;
若所述重新统计得到的模型预测准确率小于所述预设阈值,重复执行所述调整所述深度学习模型的参数,并利用所述训练集重新对调整后的深度学习模型进行训练,直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值;
其中,所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量、不同连接层之间的连接关系中的至少一种。
在本发明其他实施方式中,所述产品质量预测模型还可以是基于朴素贝叶斯算法的深度学习模型、基于多分类支持向量机算法的深度学习模型、基于逻辑回归分类算法的深度学习模型、基于决策树分类算法的深度学习模型中的任意一种。
所述质量预测模型在实际生产实践中,可以根据产品的生命周期定期对所述质量预测模型中的参数进行重新训练。例如当生产机台的环境变化时、生产设备进行维修保养之后、产品生产人员的操作手法变化之后,都需要对质量预测模型中的参数进行重新训练。所述质量预测模型中参数重新训练的频次可以根据实际生产需求进行设定,例如在产品的试生产时间,所述质量预测模型中的参数可以一天调整一次,在产品的量产阶段,所述质量预测模型中的参数可以一个月调整一次。
所述判断模块104,用于判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值。
所述标准质量检测信息中记录了不同的检测项目对应的标准检测值,所述标准检测值可以是一个单独的数值,也可以是一个数值区间。
所述执行模块105,用于当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息。
在本发明一实施方式中,所述确定不在所述区间范围中的所述检测值对应的生产参数信息的方法包括:
查找所述产品质量预测模型的训练样本的生产参数信息的特征值,记为生产参数特征值组合。具体方法包括:确定所述生产参数信息对应的数值范围;确定所述数值范围的中心数值,将所述中心数值作为所述生产参数信息的特征值。例如待生产产品的加工温度为100℃到150℃,将温度区间的中点温度125℃作为所述生产参数信息的特征值。
在又一实施方式中,所述特征值还可以根据生产制程的需要设定任意特定值。例如在某一特定参数下,生产出来的产品的表面平滑度最好,所述特定参数可以作为所述特征值。
在再一实施方式中,查找所述产品质量预测模型的训练样本的生产参数信息的特征值的方法还包括:确定所述生产参数信息对应的数值范围;确定所述数值范围中所有数值的平均值,将所述平均值作为所述生产参数信息的特征值。
将所述特征值组合输入到所述产品质量预测模型中,预测所述特征值对应的特征质量检测信息,其中,所述特征质量检测信息包括多个检测项目对应的检测值。
逐一获取所述待生产产品的生产参数信息,并用每一个待生产产品的生产参数信息取代所述生产参数特征值组合中对应的生产参数特征值,得到多组验证生产参数的数据集,所述数据集的个数与所述待生产产品生产参数的个数相等。
通过所述产品质量预设模型逐一预测所述验证生产参数的数据集中的数据对应的质量检测信息,得到多组验证质量检测信息。
逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息。
查找出的生产参数信息为所述不在所述区间范围中的所述检测值对应的生产参数信息。
其中,所述逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息的方法包括:计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的差值,并将所述差值进行排序,差值最大的检测值即为所述偏差最大的检测值;计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的标准方差,并将所述标准方差进行排序,标准方差最大的检测值即为所述偏差最大的检测值。
例如,假设产品质量预测模型中共有P个生产参数信息,则后续第T个待生产产品生产时的生产参数数据可定义为{X1T,X2T…XPT},若所述产品通过产品质量预设模型预测得到的待生产产品的质量检测信息(定义为Y1)为异常值,表示所述产品对应的生产参数信息中{X1T,X2T…XPT},必定存在至少一个参数与所述产品质量预测模型在训练时获取的样本生产参数信息存在差异。首先所述产品质量预测模型的训练样本的生产参数信息的特征值{S1T,S2T…SPT}再将所述特征值导入所述产品质量预测模型中得到特征质量检测信息Y2,将所述产品对应的生产参数信息中X1T,X2T…XPT逐一取代所述生产参数信息的特征值,得到多组验证生产参数的数据集,记为{X1T,S2T…SPT}{S1T,X2T…SPT}…{S1T,S2T…XPT},所述验证生产参数的数据集的个数为P个,将所述验证生产参数数据集逐一导入所述产品质量预测模型中输出P组产品的质量检测信息{Y1T,Y2T…YPT},逐一比较{Y1T,Y2T…YPT}中的各个质量检测值与Y2之间的偏差,确定偏差最大的检测值对应的待生产产品的生产参数信息。例如,若Y2T与Y2之间的偏差最大,则查找Y2T对应的生产参数信息为X2T,则为X2T为造成待生产产品的质量检测信息(定义为Y1)为异常值的生产参数信息。
所述输出模块106,用于以预设方式输出确定的生产参数信息。
所述预设方式包括通过邮件、语音消息、灯光提示符等方式提示工作人员所述超范围的所述检测值对应的生产参数信息。
在本发明的一实施方式中,所述计算机装置与检测设备之间进行通讯连接,所述质量管控方法的步骤还包括:获取所述检测设备检测的已生产产品的质量检测信息,判断所述质量检测信息中的检测项目是否与标准生产质量信息中的检测项目一致;
若不一致,则获取第二预设数量的已生产产品的质量检测信息和生产所述产品的生产参数信息,重新训练所述产品质量预测模型中的参数,得到已生产产品的质量检测信息与生产参数信息之间的第二特征关系。
利用重新训练的产品质量预测模型对待生产产品的质量检测信息进行预测。
在本发明的又一实施方式中,所述质量管控方法的步骤还包括:接收修正后的生产参数信息;比对接收的生产参数信息与预设生产参数标准范围;当所述生产参数信息位于所述预设生产参数标准范围的第一预设区间时,以第一预设符输出所述生产参数信息。所述第一预设区间为满足生产制程需要的最优的质量管控区间。所述第一预设符包括使用颜色提示符、使用不同形状的图形输出所述产品的生产过程质量数据,也可以是通过现场语音提示的方式发出提示消息。其中,所述生产参数信息的修正方法包括:接收工作人员输入的修正后的生产参数信息;查询产品信息与生产参数信息对照表,获取生产所述产品的生产参数信息。
当所述生产参数信息位于所述预设生产参数标准范围的第二预设区间时,以第二预设符输出所述生产参数信息。所述第二预设区间为满足质量管控标准的临界范围,在产品量产阶段下,若所述生产参数信息位于所述第二预设区间,则需要制定改善方案用于提高生产工艺制程。在产品在试生产阶段,若所述生产参数信息位于所述第二预设区间,则暂时不需要制定改善方案用于提高生产工艺制程。
当所述生产参数信息位于所述预设生产参数标准范围的第三预设区间时,以第三预设符输出所述生产参数信息。若所述生产参数信息以第三预设符输出,则表示生产工艺制程异常。
实施例四
图5为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40,例如质量管控程序。所述处理器30执行所述计算机程序40时实现上述质量管控方法实施例中的步骤,例如图3所示的步骤S1~S6。或者,所述处理器30执行所述计算机程序40时实现上述质量管控装置实施例中各模块/单元的功能,例如图4中的单元101-106。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图4中的获取模块101、查询模块102、预测模块103、判断模块104、执行模块105、输出模块106。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是计算机装置1的示例,并不构成对计算机装置1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,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应所述理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种质量管控方法,所述质量管控方法应用于计算机装置中,其特征在于,所述质量管控方法包括:
获取待生产产品的产品信息;
查询与所述产品信息对应的生产参数信息;
将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息,其中,所述质量检测信息包括所述多个检测项目对应的检测值,所述产品质量预测模型通过分析第一特征关系预测待生产产品的质量检测信息;
判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值;
当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息;
以预设方式输出确定的生产参数信息。
2.如权利要求1所述的质量管控方法,其特征在于,所述第一特征关系描述的是第一预设数量的已生产产品的质量检测信息与生产所述已生产产品的生产参数信息之间的关系,所述第一特征关系获取的方法包括深度学习算法、机器学习算法。
3.如权利要求1所述的质量管控方法,所述计算机装置与检测设备之间进行通讯连接,其特征在于,所述质量管控方法还包括:
获取所述检测设备检测的已生产产品的质量检测信息,判断所述质量检测信息中的检测项目是否与标准生产质量信息中的检测项目一致;
若不一致,则获取第二预设数量的已生产产品的质量检测信息和生产所述产品的生产参数信息,重新训练所述产品质量预测模型中的参数,得到已生产产品的质量检测信息与生产参数信息之间的第二特征关系。
4.如权利要求1所述的质量管控方法,其特征在于,所述确定不在所述区间范围中的所述检测值对应的生产参数信息的方法包括:
查找所述产品质量预测模型的训练样本的生产参数信息的特征值,记为生产参数特征值组合;
将所述特征值组合输入到所述产品质量预测模型中,预测所述特征值对应的特征质量检测信息,其中,所述特征质量检测信息包括多个检测项目对应的检测值;
逐一获取所述待生产产品的生产参数信息,并用每一个待生产产品的生产参数信息取代所述生产参数特征值组合中对应的生产参数特征值,得到多组验证生产参数的数据集,所述数据集的个数与所述待生产产品生产参数的个数相等;
通过所述产品质量预设模型逐一预测所述验证生产参数的数据集中的数据对应的质量检测信息,得到多组验证质量检测信息;
逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息;
查找出的生产参数信息为所述不在所述区间范围中的所述检测值对应的生产参数信息。
5.如权利要求4所述的质量管控方法,其特征在于,所述查找所述产品质量预测模型的训练样本的生产参数信息的特征值包括:
确定所述生产参数信息对应的数值范围;
确定所述数值范围的中心数值,将所述中心数值作为所述生产参数信息的特征值。
6.如权利要求4所述的质量管控方法,其特征在于,所述逐一比对所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值,确定偏差最大的检测值对应的待生产产品的生产参数信息的方法包括:
计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的差值,并将所述差值进行排序,差值最大的检测值即为所述偏差最大的检测值;或
计算所述验证质量检测信息中的检测值与所述特征质量检测信息中的检测值之间的标准方差,并将所述标准方差进行排序,标准方差最大的检测值即为所述偏差最大的检测值。
7.如权利要求1所述的质量管控方法,其特征在于,所述质量管控方法还包括:
接收修正后的生产参数信息;
比对接收的生产参数信息与预设生产参数标准范围;
当所述生产参数信息位于所述预设生产参数标准范围的第一预设区间时,以第一预设符输出所述生产参数信息;
当所述生产参数信息位于所述预设生产参数标准范围的第二预设区间时,以第二预设符输出所述生产参数信息;
当所述生产参数信息位于所述预设生产参数标准范围的第三预设区间时,以第三预设符输出所述生产参数信息。
8.一种质量管控装置,其特征在于,所述装置包括:
获取模块,用于获取待生产产品的产品信息;
查询模块,用于查询与所述产品信息对应的生产参数信息;
预测模块,用于将所述生产参数信息输入到产品质量预测模型中,预测出所述待生产产品的多个检测项目的质量检测信息,其中,所述质量检测信息包括所述多个检测项目对应的检测值,所述产品质量预测模型通过分析第一特征关系预测待生产产品的质量检测信息;
判断模块,用于判断所述检测值是否位于标准检测值的区间范围中,其中,所述标准检测值包括标准质量检测信息中各检测项目对应的检测值;
执行模块,用于当存在检测值不在所述标准检测值的区间范围中时,确定不在所述区间范围中的所述检测值对应的生产参数信息;
输出模块,用于以预设方式输出确定的生产参数信息。
9.一种计算机装置,其特征在于:所述计算机装置包括处理器与存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任一项所述的质量管控方法。
10.一种存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的质量管控方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463864.2A CN113743688B (zh) | 2020-05-27 | 2020-05-27 | 质量管控方法、装置、计算机装置及存储介质 |
US17/329,912 US11507038B2 (en) | 2020-05-27 | 2021-05-25 | Quality control method and computing device utilizing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463864.2A CN113743688B (zh) | 2020-05-27 | 2020-05-27 | 质量管控方法、装置、计算机装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743688A true CN113743688A (zh) | 2021-12-03 |
CN113743688B CN113743688B (zh) | 2023-10-20 |
Family
ID=78706077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010463864.2A Active CN113743688B (zh) | 2020-05-27 | 2020-05-27 | 质量管控方法、装置、计算机装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11507038B2 (zh) |
CN (1) | CN113743688B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165988A (zh) * | 2023-04-24 | 2023-05-26 | 格拉默汽车内饰部件(北京)有限公司 | 一种汽车中控台的生产质量管控方法及*** |
CN116611746A (zh) * | 2023-07-20 | 2023-08-18 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网的产品质量管理方法 |
CN116880404A (zh) * | 2023-07-28 | 2023-10-13 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
CN118071110A (zh) * | 2024-04-17 | 2024-05-24 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于机器学习的设备参数自适应调整方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL262742A (en) * | 2018-11-04 | 2020-05-31 | SHIMONI Moria | A method of constructing a digital model of a fermentation process |
CN116151698B (zh) * | 2023-04-24 | 2023-07-14 | 安徽常力达电气有限公司 | 一种用于电力工程质量检验的分析处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130159226A1 (en) * | 2011-12-20 | 2013-06-20 | National Cheng Kung University | Method for Screening Samples for Building Prediction Model and Computer Program Product Thereof |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、***及存储介质 |
CN110033312A (zh) * | 2019-03-13 | 2019-07-19 | 平安城市建设科技(深圳)有限公司 | 房价预测模型的生成方法、装置、设备及存储介质 |
CN110288199A (zh) * | 2019-05-29 | 2019-09-27 | 北京航空航天大学 | 产品质量预测的方法 |
CN110706117A (zh) * | 2019-08-22 | 2020-01-17 | 中国平安财产保险股份有限公司 | 业务处理方法、装置、计算机装置及存储介质 |
CN110866910A (zh) * | 2019-11-13 | 2020-03-06 | 上海电气集团股份有限公司 | 一种焊缝质量预测方法及***、装置、计算机可存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015090774A1 (en) * | 2013-12-17 | 2015-06-25 | Asml Netherlands B.V. | Yield estimation and control |
EP3352013A1 (en) * | 2017-01-23 | 2018-07-25 | ASML Netherlands B.V. | Generating predicted data for control or monitoring of a production process |
US10867108B2 (en) | 2018-09-18 | 2020-12-15 | Taiwan Semiconductor Manufacturing Co., Ltd. | Optical mode optimization for wafer inspection |
US20200272136A1 (en) * | 2019-02-21 | 2020-08-27 | Mitsubishi Heavy Industries, Ltd. | Production schedule change system, production schedule change method, and production schedule change program |
US11300948B2 (en) * | 2019-06-27 | 2022-04-12 | Nova Ltd | Process control of semiconductor fabrication based on spectra quality metrics |
WO2021002111A1 (ja) * | 2019-07-03 | 2021-01-07 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置 |
-
2020
- 2020-05-27 CN CN202010463864.2A patent/CN113743688B/zh active Active
-
2021
- 2021-05-25 US US17/329,912 patent/US11507038B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130159226A1 (en) * | 2011-12-20 | 2013-06-20 | National Cheng Kung University | Method for Screening Samples for Building Prediction Model and Computer Program Product Thereof |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、***及存储介质 |
CN110033312A (zh) * | 2019-03-13 | 2019-07-19 | 平安城市建设科技(深圳)有限公司 | 房价预测模型的生成方法、装置、设备及存储介质 |
CN110288199A (zh) * | 2019-05-29 | 2019-09-27 | 北京航空航天大学 | 产品质量预测的方法 |
CN110706117A (zh) * | 2019-08-22 | 2020-01-17 | 中国平安财产保险股份有限公司 | 业务处理方法、装置、计算机装置及存储介质 |
CN110866910A (zh) * | 2019-11-13 | 2020-03-06 | 上海电气集团股份有限公司 | 一种焊缝质量预测方法及***、装置、计算机可存储介质 |
Non-Patent Citations (3)
Title |
---|
包力伟;周俊;: "铸锻企业生产质量控制***的开发", 计算机技术与发展, no. 04, pages 180 - 183 * |
戚长松;余忠华;侯智;杨振生;: "基于CART决策树的复杂生产过程质量预测方法研究", 组合机床与自动化加工技术, no. 03, pages 100 - 103 * |
方孝荣;: "基于深度学习BP人工神经网络的农产品质量检测", 金华职业技术学院学报, no. 03, pages 79 - 82 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165988A (zh) * | 2023-04-24 | 2023-05-26 | 格拉默汽车内饰部件(北京)有限公司 | 一种汽车中控台的生产质量管控方法及*** |
CN116611746A (zh) * | 2023-07-20 | 2023-08-18 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网的产品质量管理方法 |
CN116611746B (zh) * | 2023-07-20 | 2024-01-09 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网的产品质量管理方法 |
CN116880404A (zh) * | 2023-07-28 | 2023-10-13 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
CN116880404B (zh) * | 2023-07-28 | 2024-05-03 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
CN118071110A (zh) * | 2024-04-17 | 2024-05-24 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于机器学习的设备参数自适应调整方法 |
CN118071110B (zh) * | 2024-04-17 | 2024-07-19 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于机器学习的设备参数自适应调整方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210373512A1 (en) | 2021-12-02 |
CN113743688B (zh) | 2023-10-20 |
US11507038B2 (en) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743688B (zh) | 质量管控方法、装置、计算机装置及存储介质 | |
CN112015603A (zh) | 用户终端硬件检测方法、装置、计算机装置及存储介质 | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及*** | |
CN111352794B (zh) | 异常检测方法、装置、计算机装置及存储介质 | |
CN112819267A (zh) | 来料质量管控方法、装置、计算机装置及存储介质 | |
US20230074247A1 (en) | Method for monitoring products for defects, electronic device, and storage medium | |
CN113723555A (zh) | 异常数据的检测方法及装置、存储介质、终端 | |
CN113052416A (zh) | 出货质量管控方法、装置、计算机装置及存储介质 | |
CN113780906A (zh) | 机台管理方法、装置及计算机可读存储介质 | |
CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
CN111260155A (zh) | 粮食加工的工序优化方法、装置、电子设备及存储介质 | |
TWI777169B (zh) | 品質管控方法、裝置、電腦裝置及存儲介質 | |
CN111178376B (zh) | 自动分类装置、自动分类方法及计算机可读存储介质 | |
CN112487012A (zh) | 一种基于数据筛选的部件参数获取方法及装置 | |
CN113743398B (zh) | 图像标识方法、装置、计算机装置及存储介质 | |
CN111191863A (zh) | 测试信息分类方法、计算机装置及计算机可读存储介质 | |
CN111242449A (zh) | 一种企业情报流失预测方法 | |
CN113570098A (zh) | 出货量预测方法、装置、计算机装置及存储介质 | |
CN116910259B (zh) | 一种知识库的知识诊断方法及装置 | |
CN117171141B (zh) | 一种基于关系图谱的数据模型建模方法 | |
CN113051450A (zh) | 一种器件型号自动归类方法、装置、存储介质和设备 | |
TWI775087B (zh) | 圖像標識方法、裝置、電腦裝置及存儲介質 | |
CN115705409A (zh) | 一种缺陷识别方法、装置、设备及存储介质 | |
CN116303394A (zh) | 基于行业类型的电力数据处理方法及装置 | |
CN112559487A (zh) | 财务数据分析预警方法、装置、计算机设备和存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin Applicant after: Fulian precision electronics (Tianjin) Co.,Ltd. Address before: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin Applicant before: HONGFUJIN PRECISION ELECTRONICS (TIANJIN) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |