CN115713247A - 生产过程质量控制方法、电子设备和计算机可读存储介质 - Google Patents

生产过程质量控制方法、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN115713247A
CN115713247A CN202110949969.3A CN202110949969A CN115713247A CN 115713247 A CN115713247 A CN 115713247A CN 202110949969 A CN202110949969 A CN 202110949969A CN 115713247 A CN115713247 A CN 115713247A
Authority
CN
China
Prior art keywords
products
production process
batch
distribution
characteristic values
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
Application number
CN202110949969.3A
Other languages
English (en)
Inventor
宋俊颖
张加民
卜有照
崔巍
邱传麒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN202110949969.3A priority Critical patent/CN115713247A/zh
Priority to PCT/CN2022/082865 priority patent/WO2023019947A1/zh
Publication of CN115713247A publication Critical patent/CN115713247A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例涉及生产质量控制技术领域，特别涉及一种生产过程质量控制方法、电子设备和计算机可读存储介质。上述生产过程质量控制方法包括：计算k批产品中各批产品的不合格品率和k批产品的平均不合格品率；根据平均不合格品率，对各批产品的不合格品率进行处理，得到k批产品分别对应的k个特征值；计算k个特征值的统计量；其中，统计量包括k个特征值的均值；根据统计量，确定k个特征值的分布状态；根据均值和分布状态，确定控制线，并绘制生产过程的控制图，本申请的实施例可以对生产过程中的数据异常波动进行更全面的监控，有效提升了生产过程质量控制方法的准确性和普适性，有利于提升产品质量，更好地满足用户实际的生产需求。

Description

生产过程质量控制方法、电子设备和计算机可读存储介质
技术领域
本申请实施例涉及生产质量控制技术领域，特别涉及一种生产过程质量控制方法、电子设备和计算机可读存储介质。
背景技术
统计过程控制(Statistical Process Control，简称：SPC)是一种借助数理统计方法的过程控制工具，SPC的主要工具是控制图，控制图可用于监控生产过程中各阶段、工序以及测试项的质量特性，根据图中各点的分布状况，来分析质量特性的变化趋势，SPC控制图包含两个方面的内容：一是利用控制图分析过程的稳定性，对过程存在的异常因素进行预警；二是计算过程能力指数来分析过程能力是否满足技术要求，对过程质量进行评价，为了能很好地控制并改进生产过程中的各类质量问题，越来越多的企业引进了SPC技术。
SPC控制图包括应用较广泛的有效监控过程不良率变化的不合格品率控制图(p控制图)和计算简单、数据便于收集的单值控制图等，p控制图主要用于判断生产过程中的不合格品率p是否保持在所要求的统计受控状态，单值控制图为标绘一段时间内单个观测值的控制图，把逐个测定值一个一个地在控制图中打点，对过程实施质量控制。
然而，传统的p控制图在确定控制线时，由于量纲、数量级等因素的影响，确定的控制线可能不统一，这导致难以对p控制图界内的点的波动情况进行全面的判断，而传统的单值控制图要求采集的样本数据要服从独立且同一个正态分布，这在实际生产过程中很难达到，因此基于传统控制图对生产过程中的质量控制可靠性、准确性不高，不能满足用户实际的生产需求。
发明内容
本申请实施例的主要目的在于提出一种生产过程质量控制方法、电子设备和计算机可读存储介质，可以对生产过程中的数据异常波动进行更全面的监控，有效提升了生产过程质量控制方法的准确性和普适性，有利于提升产品质量，更好地满足用户实际的生产需求。
为实现上述目的，本申请实施例提供了一种生产过程质量控制方法，所述方法包括：计算k批产品中各批产品的不合格品率和所述k批产品的平均不合格品率；其中，所述k为大于1的整数；根据所述平均不合格品率，对所述各批产品的不合格品率进行处理，得到所述k批产品分别对应的k个特征值；其中，所述特征值为表征所述不合格品率的无量纲的值；计算所述k个特征值的统计量；其中，所述统计量包括所述k个特征值的均值；根据所述统计量，确定所述k个特征值的分布状态；其中，所述分布状态包括近似正态分布和偏态分布；根据所述均值和所述分布状态，确定控制线，并绘制生产过程的控制图。
为实现上述目的，本申请实施例还提供了一种电子设备，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上述的生产过程质量控制方法。
为实现上述目的，本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的生产过程质量控制方法。
本申请提出的生产过程质量控制方法、电子设备和计算机可读存储介质，计算k批产品中各批产品的不合格品率和k批产品的平均不合格品率，并根据平均不合格品率，对各批产品的不合格品率进行处理，得到k批产品分别对应的k个特征值，再计算k个特征值的统计量，从而根据统计量，确定k个特征值的分布状态是近似正态分布还是偏态分布，最后根据统计量中的均值和分布状态，确定控制线，并绘制生产过程的控制图，本申请的实施例对各批产品的不合格品率进行处理，以得到k批产品分别对应的k个特征值，得到的特征值是可以表征产品的不合格品率的无量纲的值，能够消除量纲、数量级等因素的影响，从而使后续确定的控制线是统一的、确定的，便于对控制图内的各点进行全面的判断，同时，本申请的实施例不要求采集的样本数据要服从独立且同一个正态分布，可以适用于各种各样生产过程，从而对生产过程中的数据异常波动进行更全面的监控，有效提升生产过程质量控制方法的准确性和普适性，有利于提升产品质量，更好地满足用户实际的生产需求。
附图说明
图1是根据本申请一个实施例的生产过程质量控制方法的流程图一；
图2是根据本申请一个实施例中提供的一种生产过程的控制图；
图3是根据本申请一个实施例中，对k个特征值进行U检验的流程图；
图4是根据本申请一个实施例中，确定k个特征值的偏态分布的偏态程度的流程图；
图5是根据本申请一个实施例中，服务器根据k个特征值的均值和k个特征值的分布状态，确定控制线的流程图；
图6是根据本申请一个实施例中，对控制图进行判异的流程图；
图7是根据本申请另一个实施例的生产过程质量控制方法的流程图二；
图8是根据本申请另一个实施例的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本申请的一个实施例涉及一种生产过程质量控制方法，应用于电子设备，其中，电子设备可以为终端或服务器，本实施例以及以下各个实施例中电子设备以服务器为例进行说明。下面对本实施例的生产过程质量控制方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本申请的实施例的应用场景可以包括但不限于：工业产品、农业产品、副产品等的加工过程；机械配件、建筑、工艺品的设计过程、企业的管理过程、电商服务业的服务过程等。
本实施例的生产过程质量控制方法的具体流程可以如图1所示，包括：
步骤101，计算k批产品中各批产品的不合格品率和k批产品的平均不合格品率。
具体而言，k为大于1的整数。
在具体实现中，服务器在确定相同的产品在相应的工序加工完成后，可以根据实际的监控需要，选择某个时间段内产品的某个测试项的测试数据作为研究对象，采集k批产品作为样本，各批产品的数量(即各批样本的样本大小)可以相同，也可以不同，第i批产品的数量记为ni，第i批产品的不合格产品数记作di，服务器在采集到k批产品后，可以计算k批产品中各批产品的不合格品率和这k批产品的平均不合格品率，第i批产品的不合格品率Pi可以通过公式：Pi＝di/ni，计算得到，平均不合格品率
Figure BDA0003218306420000031
可以通过公式：
Figure BDA0003218306420000032
计算得到。
步骤102，根据平均不合格品率，对各批产品的不合格品率进行处理，得到k批产品分别对应的k个特征值。
在具体实现中，服务器在计算得到k批产品中各批产品的不合格品率和k批产品的平均不合格品率后，可以根据平均不合格品率，对各批产品的不合格品率进行处理，得到k批产品分别对应的k个特征值，第i批产品的不合格品率的处理的计算过程如下：
Figure BDA0003218306420000033
式中，Zi为第i批产品对应的特征值，k批产品分别对应的k个特征值，是可以表征产品的不合格品率的无量纲的值，使用特征值能够消除量纲、数量级等因素的影响，便于对控制图内的各点进行全面的判断，同时，本申请的实施例不要求每批产品的产品数量一致，即本申请的实施例可适用于不同样本大小、不同样本分布的生产过程，同时也不限制抽样方法，可以对多种产品的生产过程进行监控，更贴近真实的生产情况，进一步满足用户的生产需求。
步骤103，计算k个特征值的统计量，统计量包括k个特征值的均值。
在具体实现中，考虑到服务器选取的k批产品是按照时间顺序随机抽取的，并不一定都完全服从标准的正态分布，经过处理之后得到的k个特征值也并不一定服从标准的正态分布，服务器需要对得到的k批产品分别对应的k个特征值进行统计分析，计算k个特征值的统计量，其中，统计量包括k个特征值的均值，记作
Figure BDA0003218306420000034
步骤104，根据统计量，确定k个特征值的分布状态。
在具体实现中，服务器在计算k个特征值的统计量后，可以根据统计量，确定k个特征值的分布状态，k个特征值的分布状态包括近似正态分布(包括标准的正态分布)和偏态分布。
在一个例子中，服务器可以根据k个特征值的统计量，对k个特征值进行T检验、U检验、卡方检验等，确定k个特征值的分布状态。
步骤105，根据均值和分布状态，确定控制线，并绘制生产过程的控制图。
具体而言，服务器在根据统计量，确定k个特征值的分布状态，可以根据k个特征值的均值和分布状态，估算k个特征值的标准差δ，确定控制线。
在具体实现中，控制线包括中心线(Central Line，简称：CL)、第一上控制线(First Upper Control Line，简称：1UCL)、第二上控制线2UCL、第三上控制线3UCL、第一下控制线(First Lower Control Line，简称：1LCL)、第二下控制线2LCL、第三下控制线3LCL，CL为
Figure BDA0003218306420000035
1UCL为
Figure BDA0003218306420000036
2UCL为
Figure BDA0003218306420000037
3UCL为
Figure BDA0003218306420000038
1LCL为
Figure BDA0003218306420000039
2LCL为
Figure BDA00032183064200000310
3LCL为
Figure BDA0003218306420000041
服务器将各控制线绘制成的对应的实线，并将k个按照时间的顺序依次打点标示在控制图中，依次将各数据点用折线连接起来，控制图的横坐标是时间，纵坐标是表示不合格品率的特征值。
在一个例子中，控制线也可以用中心线、±1SL、±2SL和±3SL表示，绘制好的生产过程的控制图可以如图2所示。
本实施例，相较于传统的p控制图和单值控制图而言，本申请的实施例，计算k批产品中各批产品的不合格品率和k批产品的平均不合格品率，并根据平均不合格品率，对各批产品的不合格品率进行处理，得到k批产品分别对应的k个特征值，再计算k个特征值的统计量，从而根据统计量，确定k个特征值的分布状态是近似正态分布还是偏态分布，最后根据统计量中的均值和分布状态，确定控制线，并绘制生产过程的控制图，本申请的实施例对各批产品的不合格品率进行处理，以得到k批产品分别对应的k个特征值，得到的特征值是可以表征产品的不合格品率的无量纲的值，能够消除量纲、数量级等因素的影响，从而使后续确定的控制线是统一的、确定的，便于对控制图内的各点进行全面的判断，同时，本申请的实施例不要求采集的样本数据要服从独立且同一个正态分布，可以适用于各种各样生产过程，从而对生产过程中的数据异常波动进行更全面的监控，有效提升生产过程质量控制方法的准确性和普适性，有利于提升产品质量，更好地满足用户实际的生产需求。
在一个实施例中，服务器计算得到的k个特征值的统计量还包括k个特征值的方差、相邻两批产品对应的特征值的移动极差和移动极差的均方递差，服务器可以通过对k个特征值进行U检验来确定k个特征值的分布状态，服务器可以根据如图3所示的各步骤对k个特征值进行U检验，具体包括：
步骤201，根据均值、方差、移动极差和均方递差，对k个特征值进行U检验，得到k个特征值的U检验值。
具体而言，服务器计算得到的k个特征值的统计量，包括k个特征值的均值
Figure BDA0003218306420000042
k个特征值的方差S2、相邻两批产品对应的特征值的移动极差MR和移动极差的均方递差MSSD，其中，
Figure BDA0003218306420000043
第i批产品对应的特征值与第i+1批产品对应的特征值之间的移动极差记作MRi，MRi＝|Zi+1-Zi|，
Figure BDA0003218306420000044
在具体实现中，服务器可以通过下面的公式，根据均值、方差、移动极差和均方递差，对k个特征值进行U检验，得到k个特征值的U检验值：
Figure BDA0003218306420000045
式中，i为大于0且小于或等于k的整数，Zi为第i批产品对应的特征值，
Figure BDA0003218306420000046
为k个特征值的均值，S2为k个特征值的方差，MRi为第i批产品对应的特征值和第i+1批产品对应的特征值之间的移动极差，MRi+1为第i+1批产品对应的特征值和第i+2批产品对应的特征值之间的移动极差，MSSD为均方递差，U为U检验值。在U检验公式中，MSSD值表示过程中没有非随机因素，只有随机因素带来的变化，而S2值包含了引起过程变化的所有因素，所以当MSSD＝S2时，表示引起过程变化的只有随机因素，过程为受控状态，属于正态分布，当MSSD值与S2值很接近时，过程即属于近似正态分布，相较于T检验、卡方检验等，U检验可支持的样本数量更大，判断各批产品对应的特征值的分布状态的过程更加准确。
步骤202，判断U检验值是否位于预设的第一阈值范围内，如果是，执行步骤203，否则，执行步骤204。
在具体实现中，服务器根据均值、方差、移动极差和均方递差，对k个特征值进行U检验，得到k个特征值的U检验值后，可以判断U检验值是否位于预设的第一阈值范围内，其中，预设的第一阈值范围可以为-3≤U≤3。
步骤203，确定k个特征值的分布状态为近似正态分布。
在具体实现中，服务器若确定U检验值位于第一阈值范围内，则服务器可以确定k个特征值的分布状态为近似正态分布，特别地，当U＝0时，服务器可以确定k个特征值的分布状态为标准正态分布。
在一个例子中，预设的第一阈值范围为-3≤U≤3，服务器确定k个特征值的U检验值为2.1，则服务器确定k个特征值的分布状态为近似正态分布。
步骤204，确定k个特征值的分布状态为偏态分布。
在具体实现中，服务器若确定U检验值位于第一阈值范围外，则服务器可以确定k个特征值的分布状态为偏态分布。
在一个例子中，预设的第一阈值范围为-3≤U≤3，服务器确定k个特征值的U检验值为3.2，则服务器确定k个特征值的分布状态为偏态分布。
在一个实施例中，服务器在确定k个特征值的分布状态为偏态分布之后，还可以根据如图4所示的各步骤确定k个特征值的偏态分布的偏态程度，具体包括：
步骤301，根据均值和方差，确定k个特征值的偏度。
具体而言，服务器在确定k个特征值的分布状态为偏态分布之后，可以进一步地通过计算偏度来对偏态分布进行细化，服务器根据k个特征值的均值和k个特征值的方差，确定k个特征值的偏度。
在具体实现中，服务器可以通过以下公式，根据k个特征值的均值和k个特征值的方差，确定k个特征值的偏度：
Figure BDA0003218306420000051
式中，i为大于0且小于或等于k的整数，Zi为第i批产品对应的特征值，
Figure BDA0003218306420000052
为k个特征值的均值，S3为k个特征值的方差的算术平方根的三次方，Sk为k个特征值的偏度，本申请的实施例对不属于近似正态分布的分布状态，即偏态分布可以进一步地通过计算偏度来细化，进一步提升生产过程质量控制方法的准确性和普适性。
步骤302，判断偏度是否位于预设的第二阈值范围内，如果是，执行步骤303，否则，执行步骤304。
在具体实现中，服务器在根据k个特征值的均值和k个特征值的方差，确定k个特征值的偏度后，可以判断k个特征值的偏度是否位于预设的第二阈值范围内，其中，预设的第二阈值范围可以为-1<Sk<1。
步骤303，确定k个特征值的分布状态为轻度偏态分布。
在具体实现中，服务器若确定偏度Sk位于预设的第二阈值范围内，则服务器可以确定k个特征值的分布状态为轻度偏态分布。
在一个例子中，预设的第一阈值范围为-1<Sk<1，服务器确定k个特征值的偏度Sk为0.657，则服务器确定k个特征值的分布状态为轻度偏态分布。
步骤304，确定k个特征值的分布状态为重度偏态分布。
在具体实现中，服务器若确定偏度Sk位于预设的第二阈值范围外，则服务器可以确定k个特征值的分布状态为重度偏态分布。
在一个例子中，预设的第一阈值范围为-1<Sk<1，服务器确定k个特征值的偏度Sk为-1.27，则服务器确定k个特征值的分布状态为重度偏态分布。
在一个实施例中，服务器根据k个特征值的均值和k个特征值的分布状态，确定控制线可以由如图5所示的各步骤实现，具体包括：
步骤401，根据分布状态和预存的对应关系，估算k个特征值的标准差，预存的对应关系为分布状态与估算标准差的方式的对应关系。
具体而言，服务器在确定k个特征值的分布状态后，可以根据预存的对应关系，估算k个特征值的标准差。其中，预存的对应关系为分布状态与估算标准差的方式的对应关系，预存的对应关系可以由本领域的技术人员根据实际需要进行设定，并预先存储在服务器内部的存储器中。
在具体实现中，分布状态与估算标准差的方式的对应关系包括：近似正态分布对应的估算标准差的方式为根据均方递差估算标准差；轻度偏态分布对应的估算标准差的方式为根据移动极差的均值估算标准差；重度偏态分布对应的估算标准差的方式为根据移动极差的中位数估算标准差。
在一个例子中，服务器确定k个特征值的分布状态为轻度偏态分布，服务器可以通过以下公式根据相邻两批产品对应的特征值的移动极差的平均值估算标准差：
Figure BDA0003218306420000061
式中，δ为标准差，
Figure BDA0003218306420000062
为移动极差的平均值，当k个特征值的分布状态为轻度偏态分布状态时，使用移动极差的均值更能准确地预估生产过程的状态。
在一个例子中，服务器确定k个特征值的分布状态为重度偏态分布，服务器可以根据计算的测到的k-1个移动极差，确定k-1个移动极差的中位数，根据k-1个移动极差的中位数估算标准差，记作
Figure BDA0003218306420000063
其中，
Figure BDA0003218306420000064
为k-1个移动极差的中位数，当k个特征值的分布状态为重度偏态分布状态时，使用移动极差的中位数更能准确地预估生产过程的状态。
在一个例子中，服务器确定k个特征值的分布状态为近似正态分布，服务器可以通过以下公式根据计算出的移动极差的均方递差来估算标准差：
Figure BDA0003218306420000065
其中，MSSD为移动极差的均方递差，当k个特征值的分布状态为近似正态分布时，生产过程属于可控状态，使用移动极差的均方递差更能准确地预估生产过程的状态。
步骤402，根据均值和标准差，确定控制线。
在具体实现中，服务器在根据分布状态和预存的对应关系，估算k个特征值的标准差后，可以根据k个特征值的均值和估算出的标准差，确定控制线。
在一个实施例中，服务器在基于休哈特控制图的绘制方法，绘制得到生产过程的控制图之后，可以通过如图6所示的各步骤，对控制图进行判异，具体包括：
步骤501，根据预设的判异规则，检测控制图中是否有符合判异规则的点。
在具体实现中，服务器在绘制得到生产过程的控制图之后，可以根据预设的判异规则，检测控制图中是否有符合判异规则的点，其中，预设的判异规则可以由本领域的技术人员根据实际需要从八种判异准则里面选择、设置，由于控制图的普适性、准确性非常高，根据预设的判异规则和控制图进行判异，可对生产过程中任何原因导致的异常波动进行全面的监控，有利于批量加工过程中对产品质量的改进。
在一个例子中，服务器绘制得到的生产过程的控制图如图2所示，控制线包括中心线、±1SL、±2SL和±3SL，+3SL与+2SL之间的区域和-3SL与-2SL之间的区域记作A区，+2SL与+1SL之间的区域和-2SL与-1SL之间的区域记作B区，+1SL与中心线之间的区域和-SL与中心线之间的区域记作C区，预设的判异规则为GB/T 4091-2001规定的8种判异规则，包括：
规则1，若数据点位于A区之外的区域，输出该数据点；
规则2，若连续9个数据点位于中心线同一侧，输出该连续9个数据点的最后一个数据点；
规则3，若连续6个数据点呈递增或递减，输出该连续6个数据点的最后一个数据点；
规则4，若连续14个数据点相邻点交替上下，输出该连续14个数据点的最后一个数据点；
规则5，若连续3个数据点中有至少2个数据点位于中心线同一侧的B区以外的区域，输出该连续3个数据点的最后一个数据点；
规则6，若连续5个数据点中有至少4个数据点位于中心线同一侧的C区以外的区域，输出该连续5个数据点的最后一个数据点；
规则7，若连续15个数据点位于中心线两侧的C区以内的区域，输出该连续15个数据点的最后一个数据点；
规则8，若连续8个数据点位于中心线两侧且该连续8个数据点都位于C区以外的区域，输出该连续8个数据点的最后一个数据点。
步骤502，若控制图中有符合判异规则的点，则输出符合判异规则的点。
在一个例子中，预设的判异规则为GB/T 4091-2001规定的8种判异规则，服务器绘制得到的生产过程的控制图如图2所示，其中，第2个数据点、第10个数据点，第11个数据点和第12个数据点位于A区之外的区域，服务器将第2个数据点、第10个数据点，第11个数据点和第12个数据点输出，供本领域的技术人员进行分析，确定生产过程出现严重缺陷，停止生产。
在一个例子中，预设的判异规则为GB/T 4091-2001规定的8种判异规则，服务器绘制得到的生产过程的控制图如图2所示，其中：第25个数据点至第27个数据点，连续3个数据点中有至少2个数据点位于中心线同一侧的B区以外的区域，服务器输出第27个数据点；第26个数据点至第28个数据点，连续3个数据点中有至少2个数据点位于中心线同一侧的B区以外的区域，服务器输出第28个数据点，同理，服务器输出第29个数据点、第30个数据点和第31个数据点，供本领域的技术人员进行分析，确定只是不合格品率显著降低，生产过程良好，继续进行生产。
本申请的另一个实施例涉及一种生产过程质量控制方法，下面对本实施例的生产过程质量控制方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，图7是本实施例所述的生产过程质量控制方法的流程图，包括：
步骤601，采集k批样本数据。
具体而言，服务器在确定相同的产品在相应的工序加工完成后，可以根据实际的监控需要，选择某个时间段内产品的某个测试项的测试数据作为研究对象，采集k批产品作为样本。
在一个例子中，服务器将24小时内的产品测试总数作为样本，采集一个月共31批样本数据，样本数据中包括每批样本的样本大小，以及每批产品的不合格产品数，服务器采集的样本数据可以如表1所示：
表1：服务器采集的样本数据统计表
Figure BDA0003218306420000081
Figure BDA0003218306420000091
步骤602，计算第i批样本的不合格品率和k批样本的平均不合格品率。
在一个例子中，服务器采集的31批样本数据可以如表1所示，服务器在采集到样本数据后，计算第i批样本的不合格品率和31批样本的平均不合格品率，其中，第1批样本的不合格品率为：
Figure BDA0003218306420000092
服务器计算的各批样本的不合格品率和样本的平均不合格品率可以如表2所示：
表2：服务器计算的各批样本的不合格品率和样本的平均不合格品率统计表
Figure BDA0003218306420000093
Figure BDA0003218306420000101
步骤603，对各批样本的不合格品率进行处理，得到k批样本分别对应的k个特征值。
步骤604，计算k个特征值的均值、U检验值和偏度，确定k个特征值的分布状态。
在一个例子中，服务器计算的各批样本的不合格品率和样本的平均不合格品率可以如表2所示，服务器根据公式：
Figure BDA0003218306420000102
对各批样本的不合格品率进行处理，得到31批样本分别对应的31个特征值，其中，第1批样本对应的特征值为：
Figure BDA0003218306420000103
第2批样本对应的特征值为：
Figure BDA0003218306420000104
服务器计算第1批样本对应的特征值与第2批样本对应的特征值之间的移动极差为：MR1＝|3.9707+1.4302|＝5.4009，服务器计算的各批样本分别对应的特征值和相邻两批样本对应的特征值之间的移动极差可以如表3所示：
表3：服务器计算的各批样本分别对应的特征值和移动极差统计表
Figure BDA0003218306420000105
Figure BDA0003218306420000111
服务器根据公式：
Figure BDA0003218306420000112
对31个特征值进行U检验，计算得到U＝3.3，预设的第一阈值范围为-3≤U≤3，服务器确定这31个特征值属于偏态分布，并根据公式：
Figure BDA0003218306420000113
计算这31个特征值的偏度为Sk＝1.39，预设的第二阈值范围为-1<Sk<1，服务器确定这31个特征值的分布状态为重度偏态分布。
步骤605，根据分布状态和预存的分布状态与估算标准差的方式的对应关系，估算k个特征值的标准差。
在一个例子中，服务器计算的各批样本分别对应的特征值和移动极差统计表如表3所示，服务器确定这31个特征值的分布状态为重度偏态分布，预存的分布状态与估算标准差的方式的对应关系包括：重度偏态分布对应的估算标准差的方式为根据移动极差的中位数估算标准差，服务器确定30个移动极差的中位数为1.08，即
Figure BDA0003218306420000114
步骤606，根据均值和标准差，确定控制线，并绘制生产过程的控制图。
在一个例子中，服务器计算31个特征值的均值
Figure BDA0003218306420000115
标准差δ＝1.08，服务器确定控制线为如下：中心线为0.36，1SL为0.36+1.08＝1.44，-1SL为0.36-1.08＝-0.72，2SL为0.36+2.16＝2.52，-2SL为0.36-2.16＝-1.80，3SL为0.36+3.24＝3.60，-3SL为0.36-3.24＝-2.88。
步骤607，根据预设的判异规则，检测控制图中是否有符合判异规则的点。
步骤608，若控制图中有符合判异规则的点，则输出符合判异规则的点。
其中，步骤607至步骤608与步骤501至步骤502大致相同，此处不再赘述。
本申请另一个实施例涉及一种电子设备，如图8所示，包括：至少一个处理器701；以及，与所述至少一个处理器701通信连接的存储器702；其中，所述存储器702存储有可被所述至少一个处理器701执行的指令，所述指令被所述至少一个处理器701执行，以使所述至少一个处理器701能够执行上述各实施例中的生产过程质量控制方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，***接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本申请另一个实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (10)

1.一种生产过程质量控制方法，其特征在于，包括：
计算k批产品中各批产品的不合格品率和所述k批产品的平均不合格品率；其中，所述k为大于1的整数；
根据所述平均不合格品率，对所述各批产品的不合格品率进行处理，得到所述k批产品分别对应的k个特征值；其中，所述特征值为表征所述不合格品率的无量纲的值；
计算所述k个特征值的统计量；其中，所述统计量包括所述k个特征值的均值；
根据所述统计量，确定所述k个特征值的分布状态；其中，所述分布状态包括近似正态分布和偏态分布；
根据所述均值和所述分布状态，确定控制线，并绘制生产过程的控制图。
2.根据权利要求1所述的生产过程质量控制方法，其特征在于，通过以下公式，根据所述平均不合格品率，对所述各批产品的不合格品率进行处理，得到所述各批产品对应的特征值：
Figure FDA0003218306410000011
其中，i为大于0且小于或等于k的整数，pi为第i批产品的不合格品率，
Figure FDA0003218306410000012
为所述平均不合格品率，ni为所述第i批产品的产品总数，Zi为所述第i批产品对应的特征值。
3.根据权利要求1所述的生产过程质量控制方法，其特征在于，所述统计量还包括：所述k个特征值的方差、相邻两批产品对应的特征值的移动极差和所述移动极差的均方递差；
所述根据所述统计量，确定所述k个特征值的分布状态，包括：
根据所述均值、所述方差、所述移动极差和所述均方递差，对所述k个特征值进行U检验，得到所述k个特征值的U检验值；
若所述U检验值位于预设的第一阈值范围内，则确定所述k个特征值的分布状态为近似正态分布；
若所述U检验值位于所述预设的第一阈值范围外，则确定所述k个特征值的分布状态为偏态分布。
4.根据权利要求3所述的生产过程质量控制方法，其特征在于，通过以下公式，根据所述均值、所述方差、所述移动极差和所述均方递差，对所述k个特征值进行U检验，得到所述k个特征值的U检验值：
Figure FDA0003218306410000013
其中，i为大于0且小于或等于k的整数，Zi为第i批产品对应的特征值，
Figure FDA0003218306410000014
为所述均值，S2为所述方差，MRi为第i批产品对应的特征值和第i+1批产品对应的特征值之间的移动极差，MRi+1为第i+1批产品对应的特征值和第i+2批产品对应的特征值之间的移动极差，MSSD为所述均方递差，U为所述U检验值。
5.根据权利要求3所述的生产过程质量控制方法，其特征在于，在所述确定所述k个特征值的分布状态为偏态分布之后，还包括：
根据所述均值和所述方差，确定所述k个特征值的偏度；
若所述偏度位于预设的第二阈值范围内，则确定所述k个特征值的分布状态为轻度偏态分布；
若所述偏度位于所述预设的第二阈值范围外，则确定所述k个特征值的分布状态为重度偏态分布。
6.根据权利要求5所述的生产过程质量控制方法，其特征在于，通过以下公式，根据所述均值和所述方差，确定所述k个特征值的偏度：
Figure FDA0003218306410000021
其中，i为大于0且小于或等于k的整数，Zi为第i批产品对应的特征值，
Figure FDA0003218306410000022
为所述均值，S3为所述方差的算术平方根的三次方，Sk为所述偏度。
7.根据权利要求5所述的生产过程质量控制方法，其特征在于，所述根据所述均值和所述分布状态，确定控制线，包括：
根据所述分布状态和预存的对应关系，估算所述k个特征值的标准差；
根据所述均值和所述标准差，确定控制线；
其中，所述对应关系为分布状态与估算标准差的方式的对应关系，所述分布状态与估算标准差的方式的对应关系，包括：
所述近似正态分布对应的估算标准差的方式为根据所述均方递差估算标准差；
所述轻度偏态分布对应的估算标准差的方式为根据所述移动极差的均值估算标准差；
所述重度偏态分布对应的估算标准差的方式为根据所述移动极差的中位数估算标准差。
8.根据权利要求1至7任一项所述的生产过程质量控制方法，其特征在于，在所述绘制生产过程的控制图之后，还包括：
根据预设的判异规则，检测所述控制图中是否有符合所述判异规则的点；
若所述控制图中有符合所述判异规则的点，则输出所述符合所述判异规则的点。
9.一种电子设备，其特征在于，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8中任一项所述的生产过程质量控制方法。
10.一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权利要求1至8中任一项所述的生产过程质量控制方法。
CN202110949969.3A 2021-08-18 2021-08-18 生产过程质量控制方法、电子设备和计算机可读存储介质 Pending CN115713247A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110949969.3A CN115713247A (zh) 2021-08-18 2021-08-18 生产过程质量控制方法、电子设备和计算机可读存储介质
PCT/CN2022/082865 WO2023019947A1 (zh) 2021-08-18 2022-03-24 生产过程质量控制方法、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110949969.3A CN115713247A (zh) 2021-08-18 2021-08-18 生产过程质量控制方法、电子设备和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115713247A true CN115713247A (zh) 2023-02-24

Family

ID=85229985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110949969.3A Pending CN115713247A (zh) 2021-08-18 2021-08-18 生产过程质量控制方法、电子设备和计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN115713247A (zh)
WO (1) WO2023019947A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424876B1 (en) * 1999-07-22 2002-07-23 Advanced Micro Devices, Inc. Statistical process control system with normalized control charting
CN105676817B (zh) * 2016-01-14 2018-07-27 西安电子科技大学 不同大小样本均值-标准偏差控制图的统计过程控制方法
CN107272611A (zh) * 2017-05-27 2017-10-20 四川用联信息技术有限公司 一种衡量制造过程质量能力的算法
CN110794787B (zh) * 2019-11-18 2022-08-26 马鞍山钢铁股份有限公司 一种适合多品种混合生产的spc方法
CN111259334B (zh) * 2020-01-14 2023-06-23 杭州电子科技大学 一种工业企业大用户用水异常监测预警方法

Also Published As

Publication number Publication date
WO2023019947A1 (zh) 2023-02-23

Similar Documents

Publication Publication Date Title
WO2020215721A1 (zh) 一种激光雷达的寿命预测方法
CN110942137A (zh) 一种基于深度学习的电网信息运维监控方法
CN113579851B (zh) 一种基于自适应分段pca的非平稳钻削过程监测方法
CN111879349A (zh) 一种传感器数据偏差自适应修正方法
CN113127305A (zh) 异常检测方法及装置
CN112380992B (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN107276779B (zh) 一种监控方法、***及设备
CN118094449B (zh) 基于工业互联网的生产智能监控方法、***及装置
CN117540325B (zh) 基于数据变化量捕获的业务数据库异常检测方法及***
KR101044348B1 (ko) 변동 계수에 의한 공정 관리 방법 및 장치
CN115713247A (zh) 生产过程质量控制方法、电子设备和计算机可读存储介质
CN112566170A (zh) 网络质量评估方法、装置、服务器及存储介质
CN109344025B (zh) Cpu性能自监控方法及服务器
CN110465833A (zh) 一种刀具断裂检测方法
CN106779322B (zh) 服从二项分布的计件值工序能力指数评价方法
CN113010851B (zh) 基于变形速率的深基坑工程监测精度方法
CN114594106A (zh) 一种铜管电镀工艺的实时监测方法及***
CN112015619A (zh) 通过参数调优筛选***核心关键指标的方法
CN114397125B (zh) 机台运行状态的检验方法、装置、电子设备及存储介质
CN116610535B (zh) 一种机房运维监控数据处理方法及***
CN117850403B (zh) 用于发控***的动态检测方法
WO2024066784A1 (zh) 测试设备稳定性的监控方法、装置、电子设备和存储介质
CN116992245B (zh) 一种分布式时序数据分析处理方法
CN116702521B (zh) 一种自动驾驶场景一致性对比方法、装置及电子设备
CN115001997B (zh) 基于极值理论的智慧城市网络设备性能异常阈值评估方法

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