CN113822379B - 工艺制程异常分析方法、装置、电子设备及存储介质 - Google Patents
工艺制程异常分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113822379B CN113822379B CN202111381935.5A CN202111381935A CN113822379B CN 113822379 B CN113822379 B CN 113822379B CN 202111381935 A CN202111381935 A CN 202111381935A CN 113822379 B CN113822379 B CN 113822379B
- Authority
- CN
- China
- Prior art keywords
- training
- groups
- sets
- characteristic
- procedure
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及生产监测技术领域，揭露了一种工艺制程异常分析方法、装置、电子设备及存储介质，包括：接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集，根据多组所述制程特征训练集构建出对应的多组孤立树模型，将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型，将异常待判断的工艺制程数据集输入至所述优质树模型执行异常分析，得到异常分析结果。本发明还提出一种工艺制程异常分析装置、电子设备及存储介质。本发明可以解决因现有技术对工业制程数据利用不够充分，导致检测准确率较差的技术问题。
Description
技术领域
本发明涉及生产监测技术领域，尤其涉及一种工艺制程异常分析方法、装置、电子设备及存储介质。
背景技术
随着科学技术的发展，各行业的智能化程度越来越高，可有效节约人力物力，特别地，在工艺制作过程中，通过工业制程数据判断每件工艺制品在每个工艺环节的制作精良程度，可有效预测工艺制品的良品率。
现有技术中，主要通过传统的机器学习算法，如支持向量机等实现，虽然可实现工艺制品的良品率检测，但由于传统机器学习算法对于工业制程数据利用的不够充分，导致检测准确率较差的现象。
发明内容
本发明提供一种工艺制程异常分析方法、装置及计算机可读存储介质，其主要目的在于解决因现有技术对工业制程数据利用不够充分，导致检测准确率较差的技术问题。
为实现上述目的，本发明提供的一种工艺制程异常分析方法，包括：
接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
根据多组所述制程特征训练集构建出对应的多组孤立树模型；
将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
可选地，所述根据多组所述制程特征训练集构建出对应的多组孤立树模型，包括：
根据所述标签集的种类，构建出所述孤立树模型的目标函数；
利用泰勒函数优化所述目标函数得到优化函数；
构建与多组所述制程特征训练集对应的信息熵计算方法；
将所述优化函数、所述信息熵计算方法集成至预构建的多组CART树，得到多组所述孤立树模型。
可选地，所述将所述工艺制程训练集执行特征分类，得到多组制程特征训练集，包括：
从所述工艺制程训练集中提取工艺制程名称，得到工艺制程名称集；
按照工艺产品的不同，对所述工艺制程名称集执行产品分类，得到产品-制程名称集；
按照所述产品-制程名称集与所述工艺制程训练集的对应关系，划分所述工艺制程训练集，得到多组所述制程特征训练集。
可选地，所述利用泰勒函数优化所述目标函数得到优化函数，包括：
接收用户输入的泰勒展开级数，求解与所述泰勒展开级数相同数量的所述目标函数的偏导函数；
将相同数量的所述偏导函数带入所述泰勒函数，得到所述优化函数。
可选地，所述将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型，包括：
利用所述信息熵计算方法计算所述制程特征训练集的信息熵值；
根据所述信息熵值在所述CART树内对所述制程特征训练集执行路径划分，得到路径长度；
根据预构建的评价函数计算所述路径长度的评价值；
计算所述评价值与所述标签集的recall值；
结合所述recall值启动所述优化函数优化所述CART树，得到一组或多组所述优质树模型。
可选地，所述结合所述recall值启动所述优化函数优化所述CART树，得到一组或多组所述优质树模型，包括：
判断所述recall值与预设的recall阈值的大小关系；
若所述recall值大于或等于所述recall阈值，启动所述优化函数优化所述CART树的内部参数；
直至所述recall值小于所述recall阈值，得到一组或多组所述优质树模型。
可选地，所述利用所述信息熵计算方法计算所述制程特征训练集的信息熵值，包括：
提取所述制程特征训练集中包括的所有的制程特征，并排列组合所有的所述制程特征，得到制程特征排列集；
利用所述信息熵计算方法，计算所述制程特征排列集中每组排列后的制程特征的信息熵值，得到与所述制程特征排列集对应的信息熵值集；
从所述信息熵值集提取数值最小的信息熵值，得到所述制程特征训练集的信息熵值。
为了解决上述问题，本发明还提供一种工艺制程异常分析装置，所述装置包括：
特征分类模块，用于接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
模型构建模块，用于根据多组所述制程特征训练集构建出对应的多组孤立树模型；
模型训练模块，用于将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
异常分析模块，用于接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
异常数据提取模块，用于提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的工艺制程异常分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的工艺制程异常分析方法。
相比于背景技术所述：传统机器学习算法对于工业制程数据利用不够充分，导致检测准确率较差的现象，本发明实施例接收工艺制程训练集及标签集，为了提高后续对工艺制程数据的充分利用，先将所述工艺制程训练集执行特征分类，得到多组制程特征训练集，此外，基于充分利用每组制程特征训练集的目的，同时为了规避传统机器学习的弊端，并发明实施例采用集成学习模型提高工艺制程的监测准确率，根据多组所述制程特征训练集构建出对应的多组孤立树模型，将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型。最后，接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名，并提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。因此本发明提出的工艺制程异常分析方法、装置、电子设备及计算机可读存储介质，可以解决在特种设备管理时耗费过多人力物力等资源问题。
附图说明
图1为本发明一实施例提供的工艺制程异常分析方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的工艺制程异常分析装置的功能模块图；
图5为本发明一实施例提供的实现所述工艺制程异常分析方法的电子设备的结构示意图。
本发明目的的实现、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发明，并不用于限定本发明。
本申请实施例提供一种工艺制程异常分析方法。所述工艺制程异常分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述工艺制程异常分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的工艺制程异常分析方法的流程示意图。在本实施例中，所述工艺制程异常分析方法包括：
S1、接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集。
需解释的是，在面板制作过程中，工艺时间是影响面板良品率的关键因素之一，其中工艺时间主要包括ProcessTime(产品生产时间)、Qtime(产品在两个生产工艺之间的时间间隔)、DelayTime(设备的空闲时间)等，且每种产品均具有不同的工艺名称。因此本发明实施例中，所述工艺制程训练集包括工艺制程名称及工艺时间，示例性的，工艺制程名称为产品A-ProcessTime及对应工艺时间、产品B-工艺制程名称Qtime及对应时间、产品C-工艺制程名称DelayTime及对应时间等。
进一步地，所述标签集与所述工艺制程训练集具有对应关系，每种标签集对应每种工艺的正常工艺时间及异常工艺时间，示例性的，在工艺制程名称ProcessTime及对应工艺时间的工艺制程训练集中，共有1000组，其中第50组产品X的工艺时间为32分钟，但在标签集中记录第50组产品X工艺时间为32分钟为异常工艺时间。
详细地，所述将所述工艺制程训练集执行特征分类，得到多组制程特征训练集，包括：
从所述工艺制程训练集中提取工艺制程名称，得到工艺制程名称集；
按照工艺产品的不同，对所述工艺制程名称集执行产品分类，得到产品-制程名称集；
按照所述产品-制程名称集与所述工艺制程训练集的对应关系，划分所述工艺制程训练集，得到多组所述制程特征训练集。
示例性的，在工艺制程训练集共10000组，共包括产品A、产品B、产品C及产品X，其中产品A包括3个工艺制程名称、产品B包括2个工艺制程名称、产品C包括4个工艺制程名称及产品X包括6个工艺制程名称。由此按照产品及工艺制程名称的对应关系，得到产品A-ProcessTime、产品A-Qtime、产品A-DelayTime共2000组制程特征训练集，产品B-ProcessTime、产品B-Qtime共1000组制程特征训练集等，以此类推。
S2、根据多组所述制程特征训练集构建出对应的多组孤立树模型。
详细地，参阅图2所示，所述根据多组所述制程特征训练集构建出对应的多组孤立树模型，包括：
S21、根据所述标签集的种类，构建出所述孤立树模型的目标函数；
S22、利用泰勒函数优化所述目标函数得到优化函数；
S23、构建与多组所述制程特征训练集对应的信息熵计算方法；
S24、将所述优化函数、所述信息熵计算方法集成至预构建的多组CART树，得到多组所述孤立树模型。
示例性的，如标签集为正常工艺时间及异常工艺时间，则标签集为二分类，则对应构建出二分类的目标函数，进一步地，其目标函数为：
其中，Tree表示所述CART树，
表示所述目标函数
的目标值，
表示所述目标函数所集成的CART树数量，
表示所述制程特征训练集第
个训练数据。
进一步地，所述利用泰勒函数优化所述目标函数得到优化函数，包括：
接收用户输入的泰勒展开级数，求解与所述泰勒展开级数相同数量的所述目标函数的偏导函数；
将相同数量的所述偏导函数带入所述泰勒函数，得到所述优化函数。
示例性的，如用户输入的泰勒展开级数为2，表示求解所述目标函数的2阶偏导函数，并带入所述泰勒函数，得到如下优化函数：
其中，
表示所述制程特征训练集的训练数据，
表示所述训练数据的增量，
为所述目标函数
的简写，
表示所述目标函数的一阶偏导函数，
表示所述目标函数的二阶偏导函数。
进一步地，信息熵是数据无序性或不确定性的一种度量指标，本发明实施例中，使用CART树的信息熵计算方法，在此不再赘述。
应了解的是，将所述优化函数、所述信息熵计算方法集成至预构建的多组CART树，得到多组所述孤立树模型，其中每组孤立树模型本质依然为CART树模型，需要通过制程特征训练集训练CART树的内部参数，并通过信息熵计算方法指导优化函数优化CART树的内部参数，从而完成模型训练过程。
S3、将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型。
详细地，参阅图3所示，所述将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型，包括：
S31、利用所述信息熵计算方法计算所述制程特征训练集的信息熵值；
S32、根据所述信息熵值在所述CART树内对所述制程特征训练集执行路径划分，得到路径长度；
S33、根据预构建的评价函数计算所述路径长度的评价值；
S34、计算所述评价值与所述标签集的recall值；
S35、结合所述recall值启动所述优化函数优化所述CART树，得到一组或多组所述优质树模型。
详细地，所述利用所述信息熵计算方法计算所述制程特征训练集的信息熵值，包括：
提取所述制程特征训练集中包括的所有的制程特征，并排列组合所有的所述制程特征，得到制程特征排列集；
利用所述信息熵计算方法，计算所述制程特征排列集中每组排列后的制程特征的信息熵值，得到与所述制程特征排列集对应的信息熵值集；
从所述信息熵值集提取数值最小的信息熵值，得到所述制程特征训练集的信息熵值。
应解释的是，本发明实施例通过CART树的信息熵计算方法可计算出每组制程特征训练集的信息熵值，示例性的，如产品A的制程特征训练集为产品A-ProcessTime、产品A-Qtime、产品A-DelayTime共2000组，若按照ProcessTime、Qtime及DelayTime执行信息熵计算得到的信息熵为0.8，若按照Qtime、ProcessTime及DelayTime执行信息熵计算得到的信息熵为0.2，则产品A的制程特征训练集的信息熵最终确定为0.2。
进一步地，本发明实施例利用霍夫曼编码执行路径划分，得到路径长度，其中霍夫曼编码为已公开技术实施手段，在此不再赘述。
此外，本发明利用平方差函数或MSE计算方法计算所述路径长度的评价值，并计算所述评价值与所述标签集的差值平方，得到所述recall值。
详细地，所述结合所述recall值启动所述优化函数优化所述CART树，得到一组或多组所述优质树模型，包括：
判断所述recall值与预设的recall阈值的大小关系；
若所述recall值大于或等于所述recall阈值，启动所述优化函数优化所述CART树的内部参数；
直至所述recall值小于所述recall阈值，得到一组或多组所述优质树模型。
S4、接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名。
示例性的，如接收产品Y对应的工艺制程数据集，其中工艺制程数据集包括先执行ProcessTime，再执行Qtime，最后执行DelayTime的工艺制程，也包括先执行ProcessTime后，直接执行DelayTime的工艺制程，则将每组工艺制程排列输入至已训练完成的优质树模型，得到每组工艺制程排列的信息熵值，通过信息熵值的大小对工艺制程排列执行排名，得到工艺制程数据排名。
需解释的是，本发明实施例所接收的是异常待判断的工艺制程数据集，由此是按照信息熵值从大到小的顺序执行排名，由此可知，排名靠前的数据集，其异常概率最大。
S5、提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
示例性的，如提取排名前3名所对应的工艺制程排列，将前3名所对应的工艺制程排列的数据集汇总，即得到为异常的工艺制程数据。
相比于背景技术所述：传统机器学习算法对于工业制程数据利用不够充分，导致检测准确率较差的现象，本发明实施例接收工艺制程训练集及标签集，为了提高后续对工艺制程数据的充分利用，先将所述工艺制程训练集执行特征分类，得到多组制程特征训练集，此外，基于充分利用每组制程特征训练集的目的，同时为了规避传统机器学习的弊端，并发明实施例采用集成学习模型提高工艺制程的监测准确率，根据多组所述制程特征训练集构建出对应的多组孤立树模型，将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型。最后，接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名，并提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。因此本发明提出的工艺制程异常分析方法、装置、电子设备及计算机可读存储介质，可以解决在特种设备管理时耗费过多人力物力等资源问题。
如图4所示，是本发明一实施例提供的工艺制程异常分析装置的功能模块图。
本发明所述工艺制程异常分析装置100可以安装于电子设备中。根据实现的功能，所述工艺制程异常分析装置100可以包括特征分类模块101、模型构建模块102、模型训练模块103、异常分析模块104及异常数据提取模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述特征分类模块101，用于接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
所述模型构建模块102，用于根据多组所述制程特征训练集构建出对应的多组孤立树模型；
所述模型训练模块103，用于将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
所述异常分析模块104，用于接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
所述异常数据提取模块105，用于提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
详细地，本发明实施例中所述工艺制程异常分析装置100中的所述各模块在使用时采用与上述的图1中所述的工艺制程异常分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现工艺制程异常分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如工艺制程异常分析程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如工艺制程异常分析程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如工艺制程异常分析程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，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。
所述电子设备1中的所述存储器11存储的工艺制程异常分析程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
根据多组所述制程特征训练集构建出对应的多组孤立树模型；
将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
根据多组所述制程特征训练集构建出对应的多组孤立树模型；
将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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一个单元中。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关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。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 (9)
1.一种工艺制程异常分析方法，其特征在于，所述方法包括：
接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
根据所述标签集的种类，构建出孤立树模型的目标函数；
利用泰勒函数优化所述目标函数得到优化函数；
构建与多组所述制程特征训练集对应的信息熵计算方法；
将所述优化函数、所述信息熵计算方法集成至预构建的多组CART树，得到多组所述孤立树模型；
将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
2.如权利要求1所述的工艺制程异常分析方法，其特征在于，所述将所述工艺制程训练集执行特征分类，得到多组制程特征训练集，包括：
从所述工艺制程训练集中提取工艺制程名称，得到工艺制程名称集；
按照工艺产品的不同，对所述工艺制程名称集执行产品分类，得到产品-制程名称集；
按照所述产品-制程名称集与所述工艺制程训练集的对应关系，划分所述工艺制程训练集，得到多组所述制程特征训练集。
3.如权利要求1所述的工艺制程异常分析方法，其特征在于，所述利用泰勒函数优化所述目标函数得到优化函数，包括：
接收用户输入的泰勒展开级数，求解与所述泰勒展开级数相同数量的所述目标函数的偏导函数；
将相同数量的所述偏导函数带入所述泰勒函数，得到所述优化函数。
4.如权利要求1所述的工艺制程异常分析方法，其特征在于，所述将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型，包括：
利用所述信息熵计算方法计算所述制程特征训练集的信息熵值；
根据所述信息熵值在所述CART树内对所述制程特征训练集执行路径划分，得到路径长度；
根据预构建的评价函数计算所述路径长度的评价值；
计算所述评价值与所述标签集的recall值；
结合所述recall值启动所述优化函数优化所述CART树，得到一组或多组所述优质树模型。
5.如权利要求4所述的工艺制程异常分析方法，其特征在于，所述结合所述recall值启动所述优化函数优化所述CART树，得到一组或多组所述优质树模型，包括：
判断所述recall值与预设的recall阈值的大小关系；
若所述recall值大于或等于所述recall阈值，启动所述优化函数优化所述CART树的内部参数；
直至所述recall值小于所述recall阈值，得到一组或多组所述优质树模型。
6.如权利要求4所述的工艺制程异常分析方法，其特征在于，所述利用所述信息熵计算方法计算所述制程特征训练集的信息熵值，包括：
提取所述制程特征训练集中包括的所有的制程特征，并排列组合所有的所述制程特征，得到制程特征排列集；
利用所述信息熵计算方法，计算所述制程特征排列集中每组排列后的制程特征的信息熵值，得到与所述制程特征排列集对应的信息熵值集；
从所述信息熵值集提取数值最小的信息熵值，得到所述制程特征训练集的信息熵值。
7.一种工艺制程异常分析装置，其特征在于，所述装置包括：
特征分类模块，用于接收工艺制程训练集及标签集，将所述工艺制程训练集执行特征分类，得到多组制程特征训练集；
模型构建模块，用于根据所述标签集的种类，构建出孤立树模型的目标函数；
利用泰勒函数优化所述目标函数得到优化函数；
构建与多组所述制程特征训练集对应的信息熵计算方法；
将所述优化函数、所述信息熵计算方法集成至预构建的多组CART树，得到多组所述孤立树模型；
模型训练模块，用于将每组所述制程特征训练集依次输入至对应的所述孤立树模型执行训练，并利用所述标签集选取出训练结果符合预设要求的孤立树模型，得到一组或多组优质树模型；
异常分析模块，用于接收异常待判断的工艺制程数据集，将异常待判断的所述工艺制程数据集输入至所述优质树模型执行异常分析，得到工艺制程数据排名；
异常数据提取模块，用于提取所述工艺制程数据排名高于预设阈值的工艺制程数据，得到异常分析结果。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的工艺制程异常分析方法。
9.一种计算机可读存储介质，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6中任意一项所述的工艺制程异常分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111381935.5A CN113822379B (zh) | 2021-11-22 | 2021-11-22 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111381935.5A CN113822379B (zh) | 2021-11-22 | 2021-11-22 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822379A CN113822379A (zh) | 2021-12-21 |
| CN113822379B true CN113822379B (zh) | 2022-02-22 |
Family
ID=78917944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111381935.5A Active CN113822379B (zh) | 2021-11-22 | 2021-11-22 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822379B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114331761B (zh) * | 2022-03-15 | 2022-07-08 | 浙江万胜智能科技股份有限公司 | 一种专变采集终端的设备参数分析调整方法及*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214612A (zh) * | 2018-11-20 | 2019-01-15 | 广东机场白云信息科技有限公司 | 一种基于xgboost机场客流量时空分布预测方法 |
| KR20190030898A (ko) * | 2017-09-15 | 2019-03-25 | 충남대학교산학협력단 | 기계학습을 이용한 데이터 분산 서비스 기반 사물인터넷 디바이스의 이상 탐지 장치 |
| CN111178396A (zh) * | 2019-12-12 | 2020-05-19 | 国网北京市电力公司 | 用电异常用户的识别方法及装置 |
| CN111338897A (zh) * | 2020-02-24 | 2020-06-26 | 京东数字科技控股有限公司 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
| CN111475804A (zh) * | 2020-03-05 | 2020-07-31 | 浙江省北大信息技术高等研究院 | 一种告警预测方法及*** |
| CN111598438A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学（威海） | 基于分段拟合分析及评估的民航发动机气路异常检测方法 |
| CN111669368A (zh) * | 2020-05-07 | 2020-09-15 | 宜通世纪科技股份有限公司 | 端到端网络感知异常检测及分析方法、***、装置和介质 |
| CN111931834A (zh) * | 2020-07-31 | 2020-11-13 | 广东工业大学 | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 |
| TWI738016B (zh) * | 2019-06-26 | 2021-09-01 | 元翎精密工業股份有限公司 | 液態氣體充填之智能化學習機制與自適應調節系統 |
| CN113454630A (zh) * | 2019-02-07 | 2021-09-28 | 维莎公司 | 用于检测三维零件的制造中的制造过程违规的方法和*** |
| EP3896543A1 (en) * | 2020-04-15 | 2021-10-20 | Siemens Aktiengesellschaft | Device for evaluating a classification made for a measured data point |
| CN113537642A (zh) * | 2021-08-20 | 2021-10-22 | 日月光半导体制造股份有限公司 | 产品品质预测方法、装置、电子设备及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087737A1 (en) * | 2017-09-18 | 2019-03-21 | Callidus Software, Inc. | Anomaly detection and automated analysis in systems based on fully masked weighted directed |
| CN108777873B (zh) * | 2018-06-04 | 2021-03-02 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
| US11972334B2 (en) * | 2019-08-13 | 2024-04-30 | Sony Corporation | Method and apparatus for generating a combined isolation forest model for detecting anomalies in data |
| CN111833172A (zh) * | 2020-05-25 | 2020-10-27 | 百维金科(上海)信息科技有限公司 | 一种基于孤立森林的消费信贷欺诈行为检测方法及其*** |
| CN113205125A (zh) * | 2021-04-27 | 2021-08-03 | 河海大学 | 一种基于XGBoost的特高压换流阀运行状态评估方法 |
| CN113112188B (zh) * | 2021-05-14 | 2022-05-17 | 北京邮电大学 | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 |
| CN113420073A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于改进的孤立森林的异常样本检测方法及相关设备 |
-
2021
- 2021-11-22 CN CN202111381935.5A patent/CN113822379B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190030898A (ko) * | 2017-09-15 | 2019-03-25 | 충남대학교산학협력단 | 기계학습을 이용한 데이터 분산 서비스 기반 사물인터넷 디바이스의 이상 탐지 장치 |
| CN109214612A (zh) * | 2018-11-20 | 2019-01-15 | 广东机场白云信息科技有限公司 | 一种基于xgboost机场客流量时空分布预测方法 |
| CN113454630A (zh) * | 2019-02-07 | 2021-09-28 | 维莎公司 | 用于检测三维零件的制造中的制造过程违规的方法和*** |
| TWI738016B (zh) * | 2019-06-26 | 2021-09-01 | 元翎精密工業股份有限公司 | 液態氣體充填之智能化學習機制與自適應調節系統 |
| CN111178396A (zh) * | 2019-12-12 | 2020-05-19 | 国网北京市电力公司 | 用电异常用户的识别方法及装置 |
| CN111338897A (zh) * | 2020-02-24 | 2020-06-26 | 京东数字科技控股有限公司 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
| CN111475804A (zh) * | 2020-03-05 | 2020-07-31 | 浙江省北大信息技术高等研究院 | 一种告警预测方法及*** |
| EP3896543A1 (en) * | 2020-04-15 | 2021-10-20 | Siemens Aktiengesellschaft | Device for evaluating a classification made for a measured data point |
| CN111669368A (zh) * | 2020-05-07 | 2020-09-15 | 宜通世纪科技股份有限公司 | 端到端网络感知异常检测及分析方法、***、装置和介质 |
| CN111598438A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学（威海） | 基于分段拟合分析及评估的民航发动机气路异常检测方法 |
| CN111931834A (zh) * | 2020-07-31 | 2020-11-13 | 广东工业大学 | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 |
| CN113537642A (zh) * | 2021-08-20 | 2021-10-22 | 日月光半导体制造股份有限公司 | 产品品质预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Fault detection by an ensemble framework of Extreme Gradient Boosting（XGBoost） in the operation of offshore wind turbines;Pavlos Trizoglou 等;《Renewable Energy》;20210723;第945-962页 * |
| Flotation Fault Diagnosis Method Using Statistical Approaches;Jin Zhang 等;《2019 Seventh International Conference on Advanced Cloud and Big Data》;20191128;第266-271页 * |
| 基于多次抽样和维度熵的异常点检测算法研究;罗斌;《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》;20200115;第I138-906页 * |
| 基于孤立森林采样策略的企业异常用水模式检测;林青轩 等;《复杂***与复杂性科学》;20200930;第17卷(第3期);第47-51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822379A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112035453A (zh) | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 | |
| CN112541745A (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
| CN113780691A (zh) | 数据测试方法、装置、电子设备及存储介质 | |
| CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN111694844B (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
| CN111652280A (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
| CN116993532B (zh) | 用于提升电池零部件制备效率的方法及*** | |
| CN111652279A (zh) | 基于时序数据的行为评价方法、装置及可读存储介质 | |
| CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN112463530A (zh) | 微服务***的异常检测方法、装置、电子设备及存储介质 | |
| CN112528013A (zh) | 文本摘要提取方法、装置、电子设备及存储介质 | |
| CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
| CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
| CN114968816A (zh) | 基于数据模拟的策略测试方法、装置、设备及存储介质 | |
| CN113657385B (zh) | 一种电子计量装置的数据检测方法、装置及电子设备 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN112783989A (zh) | 一种基于区块链的数据处理方法及装置 | |
| CN112346838A (zh) | 一种基于物联网的智能调度方法及装置 | |
| CN112541688A (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN115796398A (zh) | 基于电力物资的需求智能分析方法、***、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |