质量相关性分析方法、质量预测方法及质量控制方法与流程

1.本发明涉及质量相关性分析方法及质量预测方法，尤其涉及连续生产过程中的质量相关性分析方法及质量预测方法。


背景技术：

2.在产品的生产过程中，多种因素会影响产品的质量，例如各个工序期间的温度、湿度等工艺数据。为了提高产品质量，需要对各项影响因素进行适当调整。
3.对此，在专利文献1中，通过多元异构的质量、检测数据对模型进行训练，从而分析相关因素对产品的质量问题的影响，进而改进质量工艺。专利文献2也公开了一种基于动态卷积神经网络的复杂工业过程数据建模方法，用于生产过程在线评估。
4.现有技术文献
5.专利文献
6.专利文献1：cn109740890a
7.专利文献2：cn108776831a


技术实现要素：

8.发明要解决的技术问题
9.在上述现有技术中，只能通过传统的统计学方法计算出各因素与产品质量数据之间的相关性，但是，有些特征量其实并不影响产品质量，仍然会在上述模型的构建中会被分配权重。由此构建出的数学模型可靠性不足。
10.另外，现有技术中并没有能够提前预测产品质量的方法，也无法实时地对连续生产过程中的产品进行质量预测，因此，只有在质量问题发生后，才能追溯到之前的生产中出现的问题，无法避免产品损耗。
11.再者，关于影响产品质量的各特征量，现有技术仅考虑到了设备工艺参数，而未考虑到设备运行数据对产品质量的影响，因此相应的相关性分析可靠性不足。
12.解决技术问题的方法
13.针对上述技术问题，本发明提供一种质量相关性分析方法，其包括：数据获取步骤，获取表征产品质量的产品质量数据和该产品的生产过程中规定的时间窗口内的多个特征量的特征量数据作为历史数据，并将所述历史数据分为模型构建数据和模型验证数据；模型构建步骤，采用所述模型构建数据，通过决策树方法在所述产品质量与所述多个特征量之间构建初步模型，由此计算出所述多个特征量各自的重要性权重；筛选步骤，按照所述模型构建步骤中计算出的所述重要性权重的大小对各个特征量进行排序，并根据重要性权重较高的预定比例的特征量和预先取得的专家经验数据，确定出有效特征量；模型修正步骤，将所述模型构建数据中的产品质量数据以及与所述有效特征量对应的特征量数据代入所述初步模型进行修正，得到二次模型；验证步骤，将所述模型验证数据中与所述有效特征量对应的特征量数据代入到所述二次模型进行计算，并将计算结果与所述模型验证数据中
的产品质量数据进行比较，从而计算出该二次模型的精度；以及调整步骤，在所述验证步骤中计算出的精度低于预先设定的精度阈值的情况下，调整所述筛选步骤中的所述预定比例，直至所述验证步骤中计算出的精度达到所述精度阈值以上。
14.由此，相比于现有技术，本发明在确定有效特征量时进行了筛选，综合考虑了理论数学模型和实际的专家经验，适当去除了重要性较低的特征量，因此该质量相关性分析方法的可靠性较高。
15.在上述质量相关性分析方法中，优选的是，所述产品的生产过程包含多个工序，所述多个特征量根据各个工序中各传感器的检测值取得。
16.产品生产时的各影响因素通常通过设置传感器来进行检测并量化，而传感器的检测值通常是瞬时值，作为用于分析的特征量，可以定义一段时间内传感器检测到的数值的平均值、最大值等，由此，一个传感器可以对应于一个特征量，也可以对应于多个特征量。
17.在上述质量相关性分析方法中，优选的是，在所述筛选步骤中，将所述重要性权重较高的预定比例的特征量所对应的传感器与所述专家经验数据所对应的传感器一起作为有效传感器，并将根据所述有效传感器的检测值取得的特征量作为所述有效特征量。
18.也就是说，对由重要性权重较高的预定比例(例如70％)的特征量所对应的传感器构成的集合与由专家经验数据所对应的传感器构成的集合取并集，并以该并集作为有效传感器的集合，再针对每个有效传感器分别获取一个或多个特征量，将这些特征量作为有效特征量。由此，兼顾了理论数学模型和实际的专家经验，既通过专家经验弥补数据采集时不可避免的偶然性，也以理论数学模型对专家经验进行了补充，因此该质量相关性分析方法可以获得较高的可靠性。
19.在上述质量相关性分析方法中，优选的是，所述规定的时间窗口为所述多个工序中的至少一个所历经的时间窗口。
20.由此，关于特征量数据的获取，可以跨及整个产品的生产过程地获取，但不限于此，例如也可以仅针对某个工序获取特征量数据，这样一来，构建出的数学模型就反映出单个工序中的各特征量对产品质量的影响，可以在连续生产过程中某个工序进行时采集特征量并用该模型进行产品质量预测，从而跟踪生产过程中任何环节的质量进度，而不必等所有工序都完成，也不需要使生产暂停。
21.在上述质量相关性分析方法中，优选的是，还包括输出步骤，在所述验证步骤中计算出的精度达到所述精度阈值以上的情况下，输出所述筛选步骤中筛选出的所述有效特征量，并将在所述模型修正步骤中得到的所述二次模型作为最终模型输出。
22.由此，通过设定精度阈值，能够得到满足一定精度即可靠性较高的最终模型，该最终模型可用于预测产品质量数据。
23.在上述质量相关性分析方法中，优选的是，所述数据获取步骤中获取的所述特征量数据包括设备工艺数据和设备运行数据。
24.由此，在研究产品质量的影响因素时，将设备运行数据也纳入考虑，从而构建的模型更全面，提高了分析的可靠性。
25.所述设备工艺数据可以包括所述产品的生产过程中的各工序中的温度、压力、振动的最大值、最小值、平均值、标准差、傅里叶变换值中的至少一种。所述设备运行数据包括所述产品的生产过程中的各工序中的设备转速、加速度的最大值、最小值、平均值、标准差、
傅里叶变换值中的至少一种。
26.本发明还提供一种质量预测方法，其包括：如上所述的质量相关性分析方法中的各步骤；特征量数据采集步骤，针对待测产品，采集所述输出步骤中输出的所述有效特征量所对应的特征量数据；以及预测步骤，将所述特征量数据采集步骤中采集的特征量数据代入所述最终模型中，预测出所述待测产品的产品质量数据。
27.由此，能够用构建出的最终模型预测出固定时间段之后的产品质量数据，该固定时间段是指从最早的特征量数据采集时刻至产品质量数据的采集时刻为止的时间差。这样一来，能够提前预测产品的质量情况，而不必等质量问题发生后追溯生产过程，从而避免质量问题的发生，降低了产品损耗。
28.其中，在上述特征量数据采集步骤中，既可以在产品生产完成后，采集所述输出步骤中输出的所述有效特征量所对应的特征量数据，也可以在连续生产过程中实时地采集所述输出步骤中输出的所述有效特征量所对应的特征量数据。
29.本发明还提供一种质量控制方法，其包括：如上所述的质量预测方法中的各步骤；以及质量控制步骤，在所述预测步骤中预测出的所述待测产品的产品质量数据低于预先设定的质量数据阈值的情况下，根据所述输出步骤中输出的所述有效特征量，控制所述待测产品的生产过程中的各工序直至该产品质量数据达到所述质量数据阈值以上。
30.由此，能够准确地确定对产品质量数据产生较大影响的特征量，从而针对性地控制其生产工艺，提高产品的良品率，并提升质量控制效率。
附图说明
31.图1是示出本发明的第一实施方式的质量相关性分析方法的流程图。
32.图2是示出本发明的第二实施方式的质量预测方法的流程图。
33.图3是示出本发明的第三实施方式的质量控制方法的流程图。
具体实施方式
34.[第一实施方式]
[0035]
本实施方式涉及一种质量相关性分析方法，该方法的执行步骤如图1所示。
[0036]
首先，在步骤s101中，获取产品质量数据和对应的特征量数据作为历史数据。
[0037]
该产品质量数据是指表征产品质量的数据，例如在考虑产品的硬度情况下，硬度数据就是一种产品质量数据。
[0038]
特征量数据是指针对被进行质量分析的该产品追溯的、生产过程中规定的时间窗口内的多个特征量的数据，该规定的时间窗口既可以跨及整个产品的生产过程，也可以仅跨及产品的生产过程所包含的多个工序中的一个或多个，即为多个工序中的至少一个所历经的时间窗口。另外，上述获取的产品质量数据与对应的特征量数据均满足以下条件，即：从生产该产品对应得到的最早的特征量数据产生时刻至产品质量数据的产生时刻为止的时间差均一致，为固定时间段。该固定时间段与后述的建立的数学模型一一对应。
[0039]
在本实施方式中，特征量数据包括设备工艺数据和设备运行数据，这些特征量数据通常根据各个工序中各传感器的检测值取得，一个传感器可以对应于一个特征量，也可以对应于多个特征量，例如作为设备工艺数据，可以包括产品的生产过程中的各工序中的
温度、压力、振动的最大值、最小值、平均值、标准差、傅里叶变换值中的至少一种，作为设备运行数据，可以包括所述产品的生产过程中的各工序中的设备转速、加速度的最大值、最小值、平均值、标准差、傅里叶变换值中的至少一种。其中，傅里叶变换值取傅里叶变换后得到的最大幅值，通过该特征量反映出该传感器检测值在一定时间内的变化幅度。
[0040]
当然，以上所述的设备工艺数据和设备运行数据仅为例举，也可以是其他的设备工艺数据和设备运行数据。
[0041]
另外，在步骤s101中，获取到的历史数据被分为模型构建数据和模型验证数据，分别用于数学模型的构建和验证。划分方式不作限定，可以是将产品质量数据和上述时间窗口内一个时间段的特征量数据对应起来作为模型构建数据，并将产品质量数据和剩余时间段的特征量数据对应起来作为模型验证数据，也可以将时间轴上的特征量数据依次分配为模型构建数据和模型验证数据，例如将时间窗口内第1、3、5
……
秒的特征量数据与产品质量数据对应起来作为模型构建数据，第2、4、6
……
秒的特征量数据与产品质量数据对应起来作为模型验证数据。
[0042]
接着，进入步骤s102，进行模型构建。具体来说，采用上述的模型构建数据，通过决策树方法在产品质量与多个特征量之间构建初步模型，由此计算出多个特征量各自的重要性权重。这些重要性权重表征各个特征量对产品质量数据的影响力，它们的合计值为1。
[0043]
接着，进入步骤s103，执行筛选步骤，筛选出有效特征量。按照在步骤s102中计算出的重要性权重的大小对各个特征量进行排序。此处，选定一个预定比例，例如70％，将重要性权重从大到小的顺序选出前70％的对应特征量，也就是说，假设模型构建数据中的所有特征量有1000个，则认为重要性权重排在前700的特征量对产品质量数据影响较小，而剩下的300个特征量是对产品质量数据影响较小、可以忽略的特征量。
[0044]
另一方面，使用预先取得的专家经验数据，例如，根据专家的主观经验，这1000个特征量中有500个特征量对产品质量数据影响较大，则将前述的700个特征量作为一个集合，此处的500个特征量作为另一个集合，取这两个集合的并集，作为有效特征量。
[0045]
上述筛选方法并不唯一，也可以根据数学模型的规模等因素进行适当调整，例如，也可以根据前述选出的700个特征量确定它们所对应的传感器，例如有200个，成为一个集合，同时根据专家的主观经验确定出150个对应的传感器作为另一个集合，也取这两个集合的并集，作为有效传感器，之后，将根据这些有效传感器的检测值取得的特征量作为有效特征量。
[0046]
接着，进入步骤s104，执行模型修正步骤，将模型构建数据中的产品质量数据以及与步骤s103中筛选出的有效特征量对应的特征量数据代入步骤s102中构建的初步模型，进行修正。从数学模型的角度来说，执行多次迭代，从而得到二次模型。
[0047]
接着，进入步骤s105，执行验证步骤，使用在步骤s101中获取到的模型验证数据，将与步骤s103中筛选出的有效特征量对应的特征量数据代入到步骤s104中获得的二次模型进行计算，计算出产品质量数据的理论值，并该理论值与模型验证数据中的产品质量数据(实际值)进行比较，从而计算出该二次模型的精度。
[0048]
模型的精度的计算方法不作限定，可以为现有的多种常见方法。例如，可以令精度p＝(p_test-p_pred)/p_test.其中p_test为模型验证数据中产品质量数据的理论值，p_pred为根据二次模型计算出的产品质量数据的理论值。该精度表征步骤s104中得到的二次
模型相对于实际数据的准确性和可靠性，精度越高，表示该模型越准确，计算结果越可靠。
[0049]
接着，进入步骤s106，将在步骤s105中计算出的精度与预先设定的精度阈值进行比较，若计算出的精度低于该精度阈值，则进入步骤s107，执行调整步骤，调整步骤s103中的使用的例如为70％的预定比例，可以递增地调整，也可以递减地调整，然后返回至步骤s103再次执行步骤s103～s106。如果在步骤s106中判断计算出的二次模型的精度达到了精度阈值以上，则认为该二次模型较为准确，进入步骤s108，执行输出步骤，输出步骤s103中筛选出的有效特征量，并将在步骤s104中得到的二次模型作为最终模型输出。
[0050]
在本实施方式的质量相关性分析方法中，在确定有效特征量时进行了筛选，综合考虑了理论数学模型和实际的专家经验，适当去除了重要性较低的特征量，因此该质量相关性分析方法的可靠性较高。
[0051]
[第二实施方式]
[0052]
本实施方式涉及一种质量预测方法，使用前述的质量相关性分析方法筛选出对产品质量数据影响较大的有效特征量并得到较为准确的最终模型，由此对待测产品的产品质量数据进行预测。该质量预测方法的执行步骤如图2所示。
[0053]
图2中的步骤s201～s208与第一实施方式的质量相关性分析方法相同，此处省略说明。
[0054]
在步骤s209中，执行特征量数据采集步骤，针对待测产品，采集步骤s208中输出的有效特征量所对应的特征量数据。
[0055]
接着，进入步骤s210，执行预测步骤，将在步骤s209中采集的特征量数据代入步骤s208中输出的最终模型，预测出某个固定时间段之后的待测产品的产品质量数据。
[0056]
该固定时间段与上述建立的最终模型一一对应，如前所述，定义为历史数据中从生产该产品对应得到的最早的特征量数据产生时刻至产品质量数据的产生时刻为止的时间差。一个最终模型可用于预测与之对应的固定时间段之后的产品质量数据。
[0057]
这样一来，根据本实施方式的质量预测方法，能够提前预测产品的质量情况，而不必等质量问题发生后追溯生产过程，从而避免质量问题的发生，降低了产品损耗。
[0058]
其中，关于上述步骤s209，既可以在产品生产完成后采集各传感器输出的特征量数据，也可以是在连续生产过程中实时地采集特征量数据。
[0059]
考虑前者的情况，例如可用于评估产品是否具有期望的保质期等，此时，在步骤s201中获取特征量数据时采用的时间窗口为产品的生产过程中所有工序所历经的时间窗口，且前述的固定时间段与产品的保质期相当，采用该最终模型预测保质期附近的质量数据，例如是否变质等。
[0060]
考虑后者的情况，例如前述的时间窗口仅为产品的生产过程中的某一个工序历经的时间窗口，此时构建出的最终模型就反映出该单个工序中的各特征量对产品质量的影响。由此，就可以在连续生产过程中某个工序进行时采集特征量并用于产品质量预测，从而跟踪生产过程中任何环节的质量进度，而不必等所有工序都完成，也不需要使生产暂停。
[0061]
[第三实施方式]
[0062]
本实施方式涉及一种质量控制方法，针对待测产品，使用前述的质量预测方法预测出固定时间段后的产品质量数据，基于该预测结果，控制产品的生产过程中的各工序以期得到较佳的质量数据。该质量控制方法的执行步骤如图3所示。
[0063]
图3中的步骤s301～s310与第二实施方式的质量预测方法相同，此处省略说明。
[0064]
在步骤s311中，判断在步骤s310中预测出的待测产品的产品质量数据是否低于预先设定的质量数据阈值。若低于质量数据阈值，则进入步骤s312，执行质量控制步骤，控制待测产品的生产过程中的各工序，具体可以来说，可以考虑步骤s308中输出的有效特征量，控制相应的执行器等。
[0065]
之后，返回步骤s309，再次执行步骤s309～s311，直至在步骤s310中预测出的待测产品的产品质量数据达到设定的质量数据阈值以上为止。
[0066]
由此，能够准确地确定对产品质量数据产生较大影响的特征量，从而针对性地控制其生产工艺，提高产品的良品率，并提升质量控制效率。
[0067]
以上，虽然通过参照本发明的某些优选实施方式对本发明进行了图示和描述，但本领域的普通技术人员应该清楚，本发明未必限定于具备所说明的所有的构成的实施方式，在不违背本发明的技术思想的范围内，各实施方式可以相互组合或将某实施方式的构成的一部分替换为其他的实施方式的构成，也能够在某实施方式的构成中加上其他的实施方式的构成，另外，能够对各实施方式的构成的一部分进行其他构成的追加、删除、替换。