一种AI驱动的新品质量追溯与报验优化协同方法与流程
本发明涉及人工智能质量追溯,尤其涉及一种ai驱动的新品质量追溯与报验优化协同方法。
背景技术:
1、现有新品质量追溯主要依赖于两类技术方案。基于规则与结构化数据库的静态追溯系统,通过预定义的工艺参数与检验阈值,在产品出现质量问题时进行反向查询与记录匹配;利用统计过程控制或机器学习模型对产线传感器时序数据进行实时监控与异常报警,实现对生产过程中显性波动的即时响应。
2、这些常规技术在处理工艺路径固定、数据关联清晰的量产环节时能发挥基础作用。但其缺陷在应对工艺复杂、数据源异构的新品试制与生产场景时变得突出。静态系统严重依赖人工预先固化的工艺模型与数据模板,无法自动理解和整合非结构化的自然语言工艺节点描述,导致其知识库无法随工艺迭代而动态演进。同时,实时监测分析通常采用时间窗口同步匹配的策略,其前提是异常信号与触发它的工艺操作在时间上紧密相邻。然而,许多由上游工艺参数设置、原料批次特性波动等复杂因素引发的质量问题,其异常效应往往在后续甚至末端环节才延迟显现,并与多个潜在原因交织。这种基于时间同步的关联分析方法难以穿透复杂的生产链路,有效关联跨环节、非瞬时的因果信号,从而无法精准定位质量缺陷的深层根源。
3、需要一种能够自动化解析非结构化工艺文本以构建动态、可计算的工艺知识模型,并能够有效识别工艺执行事件与多源监测信号之间非线性、异步因果关联关系的技术方法。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点,而提出的一种ai驱动的新品质量追溯与报验优化协同方法。
2、为了实现上述目的,本发明采用了如下技术方案:一种ai驱动的新品质量追溯与报验优化协同方法,包括:
3、获取新品生产全流程的工艺执行数据与实时监测数据,所述工艺执行数据包含工艺流程节点描述,所述实时监测数据包含原料检测指标序列与产线设备传感数据流;
4、采用语义模式发现网络对工艺流程节点描述进行分解与重构,形成层次化工艺模式图谱,并对原料检测指标序列与产线设备传感数据流进行模式匹配,识别出潜在异常信号簇;
5、将所述层次化工艺模式图谱与潜在异常信号簇进行异步对齐与关联映射,构造出质量状态因果推断图;
6、基于所述质量状态因果推断图,利用可解释推理引擎定位质量缺陷对应的关键工艺节点及原料批次,生成结构化追溯结论;
7、依据所述结构化追溯结论,执行迭代式报验参数调优流程,输出参数更新指令至关联的生产报验系统。
8、优选的,所述采用语义模式发现网络对工艺流程节点描述进行分解与重构,形成层次化工艺模式图谱,包括:
9、对所述工艺流程节点描述进行多粒度语义单元切分,获得过程步骤短语集合、操作指令短语集合与环境约束短语集合;
10、分别对所述过程步骤短语集合、操作指令短语集合与环境约束短语集合执行基于本体规则的语义增强与标准化处理,生成规范化工艺语义单元;
11、将所述规范化工艺语义单元输入至预构建的模式发现网络,所述模式发现网络通过自组织聚类与关联规则挖掘,识别出工艺语义单元间的时序依赖关系与逻辑约束关系;
12、根据所述时序依赖关系与逻辑约束关系,构建以工艺节点为实体、以节点间语义关系为边的工艺语义网络;
13、对所述工艺语义网络执行层次化抽象与压缩,合并语义相似的节点与边,最终形成所述层次化工艺模式图谱,所述图谱包含从具体操作到抽象工艺阶段的层级化表示。
14、优选的,所述对原料检测指标序列与产线设备传感数据流进行模式匹配,识别出潜在异常信号簇,包括:
15、对所述原料检测指标序列进行时间窗划分与统计特征提取,形成指标特征片段集合,对所述产线设备传感数据流进行工况分段与稳态特征提取,形成工况特征片段集合;
16、将所述指标特征片段集合与工况特征片段集合分别与预定义的正常生产模式库进行逐片段相似度比对;
17、当比对相似度低于预设阈值时,标记相应片段为偏离片段,收集所有偏离片段并按其来源与时间邻近性进行初步聚类;
18、对聚类后的偏离片段集合执行多变量异常模式分析,计算不同数据源片段间的异常共现概率与强度,并将高共现概率与强度的偏离片段集群识别为所述潜在异常信号簇;
19、为每个潜在异常信号簇生成描述性标签,所述标签包含异常数据源类型、时间跨度及主要偏离特征。
20、优选的,所述将所述层次化工艺模式图谱与潜在异常信号簇进行异步对齐与关联映射,构造出质量状态因果推断图,包括:
21、提取所述层次化工艺模式图谱中的关键工艺节点及其属性,作为因果推断图中的候选原因节点;
22、提取所述潜在异常信号簇的所述描述性标签及时间信息,作为因果推断图中的候选结果节点;
23、建立时间对齐映射关系,将候选结果节点的所述时间信息与候选原因节点在工艺流程中的预期执行时间进行匹配,过滤掉时间不匹配的候选原因节点;
24、对时间匹配的候选原因节点与候选结果节点,进一步计算其语义特征与数据特征之间的关联强度,基于预训练的因果强度模型量化所述关联强度;
25、依据所述关联强度构建从候选原因节点指向候选结果节点的有向边,并赋予其权重值,将具有显著权重的节点与边保留,形成所述质量状态因果推断图。
26、优选的,所述基于所述质量状态因果推断图,利用可解释推理引擎定位质量缺陷对应的关键工艺节点及原料批次,生成结构化追溯结论,包括:
27、从所述质量状态因果推断图中筛选出以表征质量缺陷的候选结果节点为终点的有向路径集合;
28、对所述有向路径集合中的每条路径,计算其路径置信度,所述计算路径置信度基于路径上各边的权重值以及节点间的逻辑一致性;
29、选取路径置信度超过预设标准的有向路径作为高可信追溯路径;
30、对每条高可信追溯路径进行逆向解析,识别出路径起始节点的类型,若起始节点对应原料检测指标序列,则定位至具体原料批次;若起始节点对应工艺模式图谱节点,则定位至具体关键工艺节点;
31、综合所有高可信追溯路径的解析结果,按照预设模板填充并生成所述结构化追溯结论,所述结构化追溯结论包含缺陷现象、关联路径、关键原因节点类型与标识。
32、优选的,所述对每条高可信追溯路径进行逆向解析,识别出路径起始节点的类型,包括:
33、获取高可信追溯路径的节点序列,从表征质量缺陷的终点节点开始,沿有向边逆向遍历至起点节点;
34、在遍历过程中,记录每个节点的原始数据来源属性,所述原始数据来源属性包括工艺执行数据、原料检测指标序列或产线设备传感数据流;
35、当遍历至起点节点时,根据其记录的原始数据来源属性确定其类型;
36、若起点节点的原始数据来源属性为原料检测指标序列,则进一步解析起点节点关联的元数据,提取出具体的原料批次编码与检测时间;
37、若起点节点的原始数据来源属性为工艺执行数据,则进一步解析起点节点在层次化工艺模式图谱中的位置信息,提取出具体的工艺流程节点标识与阶段描述。
38、优选的,所述依据所述结构化追溯结论,执行迭代式报验参数调优流程,输出参数更新指令至关联的生产报验系统,包括:
39、解析所述结构化追溯结论,提取出关键工艺节点标识或原料批次编码,以及对应的缺陷类型描述;
40、基于所述缺陷类型描述,从历史案例库中检索历史上处理相似缺陷时曾采用过的报验参数调整方案,形成初始候选方案集;
41、对所述初始候选方案集进行可行性过滤,剔除与当前生产线硬件配置或工艺规程冲突的方案,得到可行方案集;
42、构建参数仿真环境,将所述可行方案集中的每一个方案对应的参数调整输入至所述参数仿真环境,模拟执行调整后的报验流程,并预测关键质量指标与效率指标;
43、根据预测结果,对各个方案进行多轮迭代评估与微调,直至生成满足预设综合性能目标的优化方案;
44、将所述优化方案转换为所述参数更新指令,所述参数更新指令包含具体的参数项、目标值及执行条件。
45、优选的,所述构建参数仿真环境,将所述可行方案集中的每一个方案对应的参数调整输入至所述参数仿真环境,模拟执行调整后的报验流程,并预测关键质量指标与效率指标,包括:
46、基于当前生产线的历史报验数据与设备响应模型,构建所述参数仿真环境,所述参数仿真环境能够模拟报验触发条件、参数执行逻辑及后续质量检测反馈;
47、对于可行方案集中的每一个方案,提取其针对报验系统的参数调整内容;
48、在参数仿真环境中,将当前报验系统的参数状态替换为方案所定义的参数调整内容,并运行仿真;
49、仿真过程中,记录虚拟报验流程的触发次数、执行耗时、以及基于模拟检测逻辑生成的虚拟质量检测结果;
50、从仿真记录中提取并计算预定义的关键质量指标与效率指标的模拟值,作为可行方案的预测结果。
51、优选的,所述根据预测结果,对各个方案进行多轮迭代评估与微调,直至生成满足预设综合性能目标的优化方案,包括:
52、设定包含质量合格率提升度、报验效率损失度、方案实施复杂度在内的综合性能目标函数;
53、基于所述预测结果,计算每个可行方案的初步综合性能评分;
54、选择初步综合性能评分最高的若干方案作为种子方案,对种子方案中的参数调整值在其邻域内进行随机扰动,生成若干新方案;
55、将新方案加入可行方案集,重新执行预测与评分过程;
56、重复进行多轮所述选择种子方案、生成新方案、重新预测与评分的过程,直至连续预设轮次内最高综合性能评分不再提升或达到预设迭代次数;
57、从最终轮次的方案中选择综合性能评分最高的方案,作为所述优化方案。
58、优选的,所述对聚类后的偏离片段集合执行多变量异常模式分析,计算不同数据源片段间的异常共现概率与强度,包括:
59、获取聚类后的每个偏离片段集合中所有偏离片段的数据源类型和时间戳信息;
60、对于任意两个不同数据源类型的偏离片段,统计它们在相同时间窗口内共同出现的次数,作为共现次数;
61、获取两个数据源类型的偏离片段在整体分析时间范围内各自独立出现的总次数,分别作为第一总次数和第二总次数;
62、将共现次数与第一总次数和第二总次数中较小值的比值,作为所述两个数据源类型之间的异常共现概率;
63、计算共现时间窗口内所述两个数据源类型的偏离片段的特征值偏离其各自正常基准范围的平均幅度,将两个平均幅度的乘积进行归一化处理的结果,作为所述两个数据源类型之间的异常共现强度。
64、与现有技术相比,本发明的优点和积极效果在于:
65、通过语义模式发现网络对非结构化的工艺流程节点描述进行自动化分解与重构,形成层次化的工艺模式图谱。该技术实现了从自然语言文本到结构化工艺知识的转换,系统能够动态理解和组织复杂的工艺逻辑关系,摆脱对固定数据模板的依赖。这样提升了追溯系统对多样化、柔性化生产工艺的适应能力,实现了工艺知识的标准化与机器可计算化,增强了底层工艺模型的表征深度与灵活性。
66、通过将层次化工艺模式图谱与从监测数据中识别出的潜在异常信号簇进行异步对齐与关联映射,构造出质量状态因果推断图。该机制突破了时间同步关联的限制,依据工艺逻辑与数据模式特征,建立跨环节、非线性的潜在因果路径。这样能够追溯由上游隐性因素引发、在下游延迟显现的质量问题根源,实现了对关键缺陷诱因工艺节点及原料批次的精准定位。追溯过程从基于时序的相关性分析,进阶为基于因果关系的可解释诊断,增强了结论的决策支持价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com