确定不良原因的方法、设备及存储介质与流程

本发明属于生产制造领域，尤其涉及一种确定不良原因的方法、设备及存储介质。

背景技术：

1、在生产制造领域，产品质量控制是确保产品可靠性和一致性的关键环节。传统的质量控制方法依赖于人工检查和经验判断，这不仅效率低下，而且容易受到主观因素的影响。随着科技的发展，运用计算机来处理和分析生产制造中所得到的数据，取代人工去去推理判断和决策以识别和预测质量问题，已成为提升生产效率和产品质量的重要手段。

2、由于产品生产制造的全流程中记录的生产过程数据的数据量庞大，且同一批次的产品样本量相对较少，利用计算机对生产过程数据进行分析，得到的不良原的准确性不高。

技术实现思路

1、本发明实施例提供了一种确定不良原因的方法、设备及存储介质，用以解决利用计算机对产品的生产过程数据进行分析，得到的不良原因的准确性不高的技术问题。

2、根据本发明的第一方面，提供了一种确定不良原因的方法，包括：获取目标产品的生产过程的设备特征数据，所述设备特征数据包括生产所述目标产品所用工艺设备的n维设备特征的特征值，n为大于1的整数；利用所述设备特征数据对至少两种预测模型进行训练，并从训练后的每种所述预测模型提取所述n维设备特征的第一特征重要性，以得到至少两组第一特征重要性，每组所述第一特征重要性表征所述n维设备特征对所述目标产品的生产过程中产生不良品的贡献程度；根据所述至少两组第一特征重要性，确定所述n维设备特征的第二特征重要性；根据所述第二特征重要性，从所述n维设备特征中确定出所述目标产品的生产过程中产生不良品的原因信息。

3、结合第一方面，在一些实施例中，所述获取目标产品的生产过程的设备特征数据，包括：获取所述目标产品的m个批次的生产过程数据，m为正整数；对所述m个批次的生产过程数据进行多级筛选，得到所述设备特征数据，所述设备特征数据包括多个训练样本，每个训练样本具有生产一件所述目标产品时，所用工艺设备的与产生不良品相关的各维设备特征的特征值。

4、结合第一方面，在一些实施例中，所述获取所述目标产品的m个批次的生产过程数据，包括：在所述目标产品生产的全流程中，记录全量生产过程数据并存储至数据库，所述全量生产过程数据包括生产每件所述目标产品时，所用工艺设备的设备参数的参数值；在所述目标产品的m个批次生产完成之后，获取所述目标产品的m个批次的不良率；若所述目标产品的m个批次的不良率大于预设阈值，从所述数据库导入所述目标产品的m个批次的生产过程数据。

5、结合第一方面，在一些实施例中，对所述m个批次的生产过程数据进行多级筛选，得到所述设备特征数据，包括：通过数据预处理对所述生产过程数据进行第一级数据筛选，得到第一数据集；通过特征工程对所述第一数据集进行第二级数据筛选，得到第二数据集；将所述第二数据集输入至预先训练的异常检测模型，通过所述异常检测模型对所述第二数据集进行异常样本筛选，得到所述设备特征数据。

6、结合第一方面，在一些实施例中，所述利用所述设备特征数据对至少两种预测模型进行训练，包括：对所述设备特征数据进行设备特征选择，得到训练数据集，所述训练数据集中包括多个训练样本，每个所述训练样本具有多维设备特征，所述多维设备特征与产生不良品的相关程度，高于所述设备特征选择时被剔除的各维设备特征与产生不良品的相关程度，所述n维设备特征属于所述多维设备特征；将所述训练数据集输入至所述至少两种预测模型，对所述至少两种预测模型进行训练，每种所述预测模型的训练过程中，所述预测模型用于根据所述训练样本预测对应的一件所述目标产品是否为良品。

7、结合第一方面，在一些实施例中，输入至所述至少两种预测模型的训练样本相同。

8、结合第一方面，在一些实施例中，在将所述训练数据集输入至所述至少两种预测模型，对所述至少两种预测模型进行训练之前，还包括：分别确定所述至少两种预测模型中每种预测模型的目标超参数；针对每种所述预测模型，根据所述预测模型的目标超参数对所述预测模型进行初始化。

9、结合第一方面，在一些实施例中，所述至少两种预测模型包括第一决策树模型和第二决策树模型；所述将所述训练数据集输入至所述至少两种预测模型，对所述至少两种预测模型进行训练，包括：将所述训练数据集输入至所述第一决策树模型进行训练，以及将所述训练数据集输入至所述第二决策树模型进行训练，从训练后的所述第一决策树模型提取一组所述第一特征重要性，从训练后的所述第二决策树模型提取另一组所述第一特征重要性；其中，所述第一决策树模型的模型结构与所述第二决策树模型的模型结构不同，每组所述第一特征重要性包括所述n维设备特征的第一重要性分值，所述第一重要性分值表征对应维设备特征对预测结果的贡献程度，所述预测结果是预测所述目标产品是否为良品的结果。

10、结合第一方面，在一些实施例中，所述根据所述至少两组第一特征重要性，确定所述n维设备特征的第二特征重要性，包括：将训练后的每种所述预测模型在测试数据集上进行测试，得到每种所述预测模型经训练后的预测准确率；根据每种所述预测模型经训练后的预测准确率，分别对所述至少两种预测模型分配权重系数；根据每种所述预测模型的权重系数，对所述至少两组第一特征重要性进行加权平均，得到所述第二特征重要性。

11、结合第一方面，在一些实施例中，所述第二特征重要性包括所述n维设备特征中每维设备特征的第二重要性分值，每维所述设备特征对应的第二重要性分值表征加权平均后，该维设备特征在所述目标产品的生产过程中产生不良品的贡献程度；所述根据所述第二特征重要性，从所述n维设备特征中确定出所述目标产品的生产过程中产生不良品的原因信息，包括：所述根据所述第二特征重要性中每维设备特征的第二重要性分值，从所述n维设备特征中筛选出超过预设分值阈值的k维设备特征，k为小于或等于n的正整数；将所述目标产品的生产过程中，产生不良品的原因信息定位至所述k维设备特征。

12、结合第一方面，在一些实施例中，所述根据所述第二特征重要性，从所述n维设备特征中确定出所述目标产品的生产过程中产生不良品的原因信息，还包括：获取所述k维设备特征对应的工艺设备的历史记录数据；根据所述历史记录数据，从所述k维设备特征中确定出所述目标产品的生产过程中产生不良品的原因信息。

13、在本发明的第二方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面任一实施例所述的确定不良原因的方法。

14、在本发明的第三方面，提供了一种计算机可读存储介质，存储计算机指令，所述计算机指令用于使所述计算机执行第一方面任一实施例所述的确定不良原因的方法。

15、依据本发明实施例提供的一个或多个实施例，至少实现了如下技术效果或优点：

16、由于在目标产品的生产过程中，所用工艺设备的设备参数是动态变化的，目标产品的不同批次的生产过程中，设备状态、环境条件、操作参数等设备参数会有所不同。因此，与产生不良品相关的数据类型、数据分布会动态变化，而不同种预测模型对不同类型、不同分布的数据的敏感性不同，利用目标产品的生产过程中的设备特征数据对至少两种预测模型进行训练，并从训练后的每种预测模型中提取n维设备特征的第一特征重要性，再结合至少两种预测模型各自对n维设备特征的第一特征重要性确定出n维设备特征的第二特征重要性，利用第二特征重要性，从上述n维设备特征中确定出目标产品的生产过程中产生不良品的原因信息，能够应对目标产品的不同批次生产过程中与产生不良品相关的数据类型、数据分布的不同，从而，可以减少单个预测模型的训练结果可能出现的偏差，能够提高特征重要性评估的准确性，也就提高了分析出的产生不良品的原因信息的准确性。

17、上述说明仅是本发明一些实施例提供的技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例能够更明显易懂，以下特举本发明实施例的具体实施方式。