一种基于机器学习的手机振动马达良次品检测方法技术

本发明专利技术公开了一种基于机器学习的手机振动马达良次品检测方法，其技术方案要点是，包括以下步骤：（1）检测信号数据集收集；（2）检测信号数据清洗及特征提取；（3）模型训练及参数调整；（4）模型训练发布及在线分类；本发明专利技术旨在提供一种基于机器学习的手机振动马达良次品检测方法，能够使手机振动马达质量保持一致性，同时满足产量与质量的需求。

A Machine Learning-based Detection Method for Fine and Bad Products of Mobile Phone Vibration Motor

The invention discloses a machine learning-based method for detecting good and defective products of mobile phone vibration motors. The main technical scheme includes the following steps: (1) collecting test signal data sets; (2) cleaning and feature extraction of test signal data; (3) model training and parameter adjustment; (4) publishing and online classification of model training; and the invention aims to provide a machine learning-based method. The quality of mobile phone vibration motor can be consistently detected by the method of quality detection, which can meet the demand of output and quality.

【技术实现步骤摘要】
一种基于机器学习的手机振动马达良次品检测方法
本专利技术涉及手机元器件质量检测领域，更具体地说，它涉及一种基于机器学习的手机振动马达良次品检测方法。
技术介绍
手机振动马达作为目前手机行业的标配，其质量直接影响到上游客户成品的合格率、手机自身产品的口碑，乃至用户对手机的体验感。但在实际的生产过程中，振动马达在经过工厂检测系统检测之后，检测到的一维电平信号将通过信号采集系统直接接入到示波器，由人工进行良次品判断及分类。人工良次品分类的准确度直接受限于人工经验及工人操作时的专注度、责任心，人因差错率极高。各条生产线及不同班次的产品质量波动会比较大，很难同时满足手机制造商对供应链的质量和产量的需求；其次，在振动马达良次品的判断标准上，由于各个振动马达的波形不可能完全一致，其良品和次品的区分范围往往在一定范围内波动，很难有一个非常准确的量化标准和严格的阈值规则来进行判断。因此，需要提出一种新的技术方案来解决这个问题。
技术实现思路
针对现有技术存在的不足，本专利技术的目的在于提供一种基于机器学习的手机振动马达良次品检测方法，能够使手机振动马达质量保持一致性，同时满足产量与质量的需求。为实现上述目的，本专利技术提供了如下技术方案：1.一种基于机器学习的手机振动马达良次品检测方法，包括以下步骤：（1）检测信号数据集收集：从实际的生产线上收集手机振动马达的检测信号样本集合，所述检测信号样本包括等比例的正品信号数据样本与次品信号数据样本，且所述次品信号数据样本按次品原因呈等比例分布；（2）检测信号数据清洗及特征提取：对步骤（1）中的检测信号样本集合进行数据清洗并进行特征设计，通过对次品良品的波形的数据分析，设计如下波形的特征集合：a)检测信号上拉须数量特征；b)检测信号上拉须平均幅度；c)检测信号下拉须数量；d)检测信号下拉须平均幅度；e)检测信号上升沿数量；f)检测信号下降沿数量；g)检测信号上升沿平均高度；h)检测信号下降沿平均高度；i)检测信号平均上沿宽度；j)检测信号平均下沿宽度；k)检测信号上拉须占比；l)检测信号下拉须占比；（3）模型训练及参数调整：提取步骤（2）中的特征集合，输入到机器学习模型中进行正负样本的分类学习，得到训练完成的信号检测分类模型；（4）模型训练发布及在线分类：将步骤（3）中训练完成的信号检测分类模型，发布到线上预测系统，线上预测系统将采集收到的信号，通过步骤（2）中的特征提取方法，转换为信号特征数据，并将最终的信号特征集合输入到在线预估模型，得到信号良品、次品的分类结果。进一步设置，步骤（1）中的检测信号样本从至少两条生产线上按等比例采样获取。进一步设置，在步骤（1）中，所述次品信号数据样本的类型按次品原因包括无头、拉须、斜边和长短。进一步设置，在步骤（3）中，所述机器学习模型为全梯度下降树gbdt。综上所述，本专利技术与现有技术相比具有以下有益效果：本专利技术引入了机器学习方法，通过数据分析设计特征集合，最后经过大量的良品、次品的样本的标注和训练，从数据样本中自动学习出可靠的样本分类标准，为手机振动马达的良次品检测提供了一种自适应且精度可控的自动化检测方法，并为产品线设计了让模型逐步提升检测精度的迭代闭环，具有非常大的应用价值。附图说明图1为本专利技术一种基于机器学习的手机振动马达良次品检测方法实施例的流程示意图。图2为本专利技术中手机振动马达样例波形示意图。图3为本专利技术特征提取环节中的波形平滑及波形上升沿下降沿提取效果示意图。图4为本专利技术特征提取环节中波形上拉须及下拉须提取效果示意图。图中：1、上拉须；2、下拉须；3、实体高度；4、实体上宽度；5、实体下宽度；6、有效波形上升沿；7、有效波形下降沿；8、未配对无效下降沿；9、未配对无效上升沿；10、有效上拉须；11、有效下拉须。具体实施方式以下结合附图和实施例，对本专利技术作进行详细说明。如图1所示，一种基于机器学习的手机振动马达良次品检测方法，主要包括在线和离线两部分内容：其中离线部分通过训练数据收集，经过数据清洗操作和特征特征提取之后，再输入到机器学习模型中进行训练获取到目标模型文件；获取到的模型文件会被部署到生产线上，对实时监测到的数据进行次品波形的分类。整个处理方法主要包括如下步骤：（1）检测信号数据集收集：合理的检测信号数据集合收集是整个方法中最重要的一步，检测信号的数据集合的质量和分布直接影响到后续模型训练的结果，在检测信号数据集收集时，需要保证三个数据比例分布：1）保证检测信号从不同生产线上等比例采样获取，避免单条生产线的检测信号数据产生偏置误差；2）保证在总的检测信号样本中，正品、次品信号数据样本的比例为1：1；3）保证检测信号的负样本中，保证各种不同次品原因的样本数据为等比例分布。次品的种类根据不同型号的情况，主要分为无头、拉须、斜边、长短等多种类型，需要尽可能收集足量的同比例数据，机器学习模型才能更好的学习到这些次品的特征。在实际操作中，工厂生产线上的历史次品数量保留非常少，样本往往需要重新收集，实际生产线上各种次品的出现概率呈现长尾分布，其中无头和拉须类型的次品占到总次品的70%以上，例如斜边、长短这类次品的占比占总次品的不到1%，数据量非常少，这也是实际生产中经常会出现的问题，积累到足够的样本数量会需要很长的时间，本专利技术通过不断反馈迭代修正的自学习流程，可以尽快让系统发挥作用，同时也让系统具有足够的自适应能力。（2）检测信号数据清洗及特征提取：对于（1）中获取到的检测信号数据集中的每一个信号数据，都需要进一步进行特征提取的处理，这一部分操作，对于在线分类和离线训练，两者使用的逻辑必须保证一致，特征集合是通过针对检测信号的特点来进行设计的，整个振动马达的示例波形如图2所示，可以看到整个波形的每个数据单元包含波形上拉须1，波形下拉须2，波形实体可以通过波形实体上宽度4、波形实体下宽度5以及波形实体高度3来进行定义。在整个检测信号中，各个波形单元的上拉须1幅度与下拉须2幅度并不会严格一致，不同数据单元的实体也并不能保证严格一致，特别是头尾的不完整波形，涉及到信号采集时的技术限制，无法保证每次采样时都是从完成的数据单元开始，因此必然有非完整的数据单元会被采集到，这部分数据必须在特征处理时进行考虑，否则会成为模型训练中的噪音，对最后的分类精度造成比较大的影响。对于图2中的波形进行基础特征提取，基础特征提取步骤如下：1)数据单元实体上升沿：为了避免上拉须1和下拉须2对数据单元的上下沿检验造成干扰，需要对整个波形通过中值滤波进行平滑处理，图3为使用中值滤波处理之后的波形，通过中值滤波之后的波形再进行滑动窗口的检验，若滑动窗口内的波形电压幅度上升超过阈值，则视为检测信号单元的上升沿。遍历整个检测信号，获取到所有的上升沿的时间坐标区域[X左,X右]，X左代表上升沿的左侧低点位置，X右代表时间轴的右侧高点位置。有效波形上升沿6需要与2）中的下降沿进行交叉检验，对于如图3中所示的未配对无效上升沿9需要进行丢弃处理。2)数据单元实体下降沿：下降沿检测与1）中的方案一致，唯一的区别是在进行滑动窗口检测时，需要判断窗口内电压幅度下降超过预定阈值之后，可识别出所有有效波形下降沿7。每个下降沿都同样表示为时间坐标区域[X左,X右]，X左代表下降沿的左侧高点位置本文档来自技高网...

【技术保护点】
1.一种基于机器学习的手机振动马达良次品检测方法，其特征在于，包括以下步骤：（1）检测信号数据集收集：从实际的生产线上收集手机振动马达的检测信号样本集合，所述检测信号样本包括等比例的正品信号数据样本与次品信号数据样本，且所述次品信号数据样本按次品原因呈等比例分布；（2）检测信号数据清洗及特征提取：对步骤（1）中的检测信号样本集合进行数据清洗并进行特征设计，通过对次品良品的波形的数据分析，设计如下波形的特征集合：a)检测信号上拉须数量特征；b)检测信号上拉须平均幅度；c)检测信号下拉须数量；d)检测信号下拉须平均幅度；e)检测信号上升沿数量；f)检测信号下降沿数量；g)检测信号上升沿平均高度；h)检测信号下降沿平均高度；i)检测信号平均上沿宽度；j)检测信号平均下沿宽度；k)检测信号上拉须占比；l)检测信号下拉须占比；（3）模型训练及参数调整：提取步骤（2）中的特征集合，输入到机器学习模型中进行正负样本的分类学习，得到训练完成的信号检测分类模型；（4）模型训练发布及在线分类：将步骤（3）中训练完成的信号检测分类模型，发布到线上预测系统，线上预测系统将采集收到的信号，通过步骤（2）中的特征提取方法，转换为信号特征数据，并将最终的信号特征集合输入到在线预估模型，得到信号良品、次品的分类结果。...

【技术特征摘要】
1.一种基于机器学习的手机振动马达良次品检测方法，其特征在于，包括以下步骤：（1）检测信号数据集收集：从实际的生产线上收集手机振动马达的检测信号样本集合，所述检测信号样本包括等比例的正品信号数据样本与次品信号数据样本，且所述次品信号数据样本按次品原因呈等比例分布；（2）检测信号数据清洗及特征提取：对步骤（1）中的检测信号样本集合进行数据清洗并进行特征设计，通过对次品良品的波形的数据分析，设计如下波形的特征集合：a)检测信号上拉须数量特征；b)检测信号上拉须平均幅度；c)检测信号下拉须数量；d)检测信号下拉须平均幅度；e)检测信号上升沿数量；f)检测信号下降沿数量；g)检测信号上升沿平均高度；h)检测信号下降沿平均高度；i)检测信号平均上沿宽度；j)检测信号平均下沿宽度；k)检测信号上拉须占比；l)检测信号下拉须占比；（3）模型训练及参数调整：提取步骤（2）中的...

【专利技术属性】
技术研发人员：董玉君，金灵，周霖，王发宝，
申请(专利权)人：杭州君谋科技有限公司，
类型：发明
国别省市：浙江,33