推论系统或产品质量异常的智能方法与系统技术方案

说明书公开一种推论系统或产品质量异常的智能方法与系统，方法运行于执行失效模式与影响分析的一客户端系统中，运行一机器学习算法，包括搜集数据并导入一知识库，其中记载了文本报告、专家文章以及影响系统异常的各种信息，之后对搜集的数据进行文字探勘，删除不利建立模型的数据，以及将非结构化数据处理为结构化数据，以针对数据进行大数据分析，学习其中数据的关联性，建立一异常推论模型，之后以异常推论模型执行异常推论，并能于接收回馈信息后，验证异常推论模型，藉此优化异常推论模型。型。型。

【技术实现步骤摘要】
推论系统或产品质量异常的智能方法与系统


[0001]本专利技术关于一种推论系统或产品质量异常的技术，特别是指利用机器学习方法通过数据采集、文字探勘与算法等智能手段推论系统或产品质量异常现象的方法与系统。

技术介绍

[0002]随着科技进步，一个工业产品的制造过程也随着产品复杂度变高而更多功能、更大量的零组件，使得一个制造系统更为繁复，因此，当产品出现问题时，要找出系统性的问题时，会因为考虑细节过多而造成执行困难的问题。
[0003]当系统面对失效时，现有技术提出一种失效模式与影响分析(Failure modes and effects analysis，FMEA)的概念，FMEA是一种逐步识别系统中可能错误的方法，可应用在产品制造过程或服务流程，用来查验可能导致系统失效的问题。现有的方法的一个是将系统除错的各种环节以表格化、文件化的方式进行除错，当有问题产生，即可利用查表方式判断出可能哪个环节出错。
[0004]然而，传统FMEA仍面对不少痛点，当有新的错误或因素产生，这类以表格或文件方式的错误排除方式就随时需要修订，并且倚赖人为对文字语意的解读与认知，每个人对文字语义的解读与认知不同，在评比数字上很难以一个明确的标准去归纳，因此没有标准且效率不高；加上，随着系统复杂度越高，多功能、大量零组件的复杂性产品，系统分解后考虑细节过多，执行起来繁杂困难；若有更复杂因素造成系统失效，多项失效模式同时作用或相互影响就难以使用表格或文件进行分析了。
[0005]再者，当FMEA应用在企业中，企业在实施时可能存在分析不充分、措施不完整、风险评估不准确、团队协作困难等问题；实施者也可能作为任务来实施，不能产生实际效益；企业参与FMEA的团队的能力水平不等、知识习惯不一，而导致知识和风险的管理随人员、能力等因素的波动而不能统一，无法形成标准化数据，以及现有FMEA将无法再满足标准要求。

技术实现思路

[0006]根据说明书所公开的实施例，提出一种计算机系统实现的推论系统或产品质量异常的智能方法，其目的的一个为鉴于传统失效与影响判断方法(如FMEA)作业不遂而提出利用机器学习的智能方法进行自动归纳、分析、排除失效影响的方法，方法主要运行于执行失效模式与影响分析的一客户端系统中，在方法中，运行一机器学习算法，包括搜集数据，并导入一知识库，之后对所搜集的数据与知识库内容进行文字探勘，可针对知识库的数据进行大数据分析，学习其中数据的关联性，建立一异常推论模型。之后，于系统接收新数据时，输入异常推论模型，执行异常推论，并输出一推论结果，并可于接收回馈信息后，验证而优化异常推论模型。
[0007]其中，优选地，所述知识库包括文本报告(可包括质量推论报告、质量管理分析、问题解决与对策文件、8D文件(8D问题解决法(Eight DisciplinesProblem Solving))、CAR文件(改正行动要求(corrective action request))、专家文章、既有的FMEA文件影响系统与
产品质量异常的各种信息，以及系统运作的信息与环境信息。
[0008]进一步地，所搜集的数据还包括由一失误模式效应与关键性分析法所归纳分析得到的失效数据。
[0009]进一步地，在对取得的数据或文件描述进行文字探勘的步骤中，包括筛选并剔除不利建立异常推论模型的数据，以及将非结构化数据处理成结构化数据等步骤，并可包括对接收的数据进行词汇统一建立一词汇库以及选取作为训练样本的数据，以通过训练样本建立异常推论模型等步骤。
[0010]优选地，当提供多个机器学习算法中选取运行所述方法的机器学习算法，选取机器学习算法的方法包括：以多个机器学习算法分别建立个别的异常推论模型，再对各异常推论模型进行评分，以选择其中的一个该机器学习算法。
[0011]进一步地，为根据回馈的信息与实际失效的状况验证异常推论模型，并于需要时可修改参数，能产生用于推测系统异常的一对照表。
[0012]说明书还公开一种推论系统或产品质量异常的智能系统，执行上述推论系统或产品质量异常的智能方法，其中包括以软件或搭配硬件实现的算法模块，其中备有多种机器学习算法、一机器学习模块，以其中的一个机器学习算法分析客户端系统提供的数据，并通过类神经网络进行学习与训练、一模型建立模块，根据机器学习模块的训练结果建立一异常推论模型，并验证各机器学习算法建立的各异常推论模型，再从中选择较佳的机器学习算法，以及执行评估与优化异常推论模型，以及一数据库模块，用以向客户端系统搜寻数据，建立一知识库。
附图说明
[0013]图1示出了推论系统或产品质量异常的智能系统架构实施例示意图；
[0014]图2示出了推论系统或产品质量异常的智能系统的实施例示意图；
[0015]图3示出了应用于推论系统或产品质量异常的智能方法中的文字探勘流程图；
[0016]图4示出了运行在推论系统或产品质量异常目的的算法流程实施例图；
[0017]图5示出了选择运用在推论系统或产品质量异常的智能方法中的算法的实施例流程图；
[0018]图6示出了在推论系统或产品质量异常的智能方法中建立异常推论模型的实施例流程图；以及
[0019]图7示出了将数据导入人工智能后运行异常推论的实施例流程图。
具体实施方式
[0020]说明书提出一种推论系统或产品质量异常的智能方法与系统，特别是以一计算机系统实现的方法，这是适用于已经建制知识库而需要预测异常事件的系统，为一种利用机器学习的智能方法进行自动归纳、分析、排除失效影响的方法。此类系统一般可能已经具备应付一般异常事件的能力，例如是通过查表对照特殊情况而能得出异常事件的解决方案，或是仰赖相关领域的专家进行异常判断，但往往仍会遇到因为系统繁复造成判断不易的问题，还有面对分析不充分、措施不完整与评估不准确的问题，加上因为过于仰赖专家而增加交接的困难度。因此，所提出的推论系统或产品质量异常的智能方法与系统，于知识库中导
入人工智能(AI)的机器学习技术，通过计算机系统处理大量数据的能力，建构出可以预先推论系统或产品质量异常的知识库与模型，并在运行过程中随时根据回馈信息有效地优化知识库与修正模型，达到可以降低人为因素的错误，执行自动化准确推论系统或产品质量异常，达到强化事先预防系统异常的目的。
[0021]为了要导入客户端(如各企业、工厂)以智能方式进行失效模式判断、失效后影响评估、寻找失效原因，以建立推论系统或产品质量异常的模型，以至于进行后续处理与建制知识库，所述推论系统或产品质量异常的方法导入了人工智能引擎，以机器学习的方法建立客制化异常推论模型，可参考图1示出了的推论系统或产品质量异常的智能系统架构实施例示意图。
[0022]图中示出了一推论系统或产品质量异常的智能系统10，其中设有以软件程序配合硬件数据处理能力实现的多个人工智能相关的功能模块，如算法模块101，其中备有多种机器学习算法，配合机器学习模块103所实现的机器学习(machine le本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以一计算机系统实现的推论系统或产品质量异常的智能方法，运行于执行失效模式与影响分析的一客户端系统中，其特征在于，所述的方法包括：以一机器学习算法，搜集数据，并导入一知识库；对所搜集的数据与该知识库进行文字探勘；针对经过文字探勘的数据进行大数据分析，学习其中数据的关联性，建立一异常推论模型；于该系统接收新数据时，输入该异常推论模型，执行异常推论，并输出一推论结果；以及于接收回馈信息后，验证该机器学习算法得出的该异常推论模型，以优化该异常推论模型。2.如权利要求1所述的推论系统或产品质量异常的智能方法，其特征在于，所述的知识库包括文本报告、专家文章、FMEA文件、影响该系统异常的各种信息，以及该系统运作的信息与环境信息。3.如权利要求2所述的推论系统或产品质量异常的智能方法，其特征在于，所搜集的数据还包括由一失误模式效应与关键性分析法所归纳分析得到的失效数据。4.如权利要求1所述的推论系统或产品质量异常的智能方法，其特征在于，在对取得的数据进行文字探勘的步骤中，包括：筛选并剔除不利建立该异常推论模型的数据；将非结构化数据处理成结构化数据；对接收的数据进行词汇统一，建立一词汇库；以及选取作为训练样本的数据，以通过训练样本建立该异常推论模型。5.如权利要求1所述的推论系统或产品质量异常的智能方法，其特征在于，于提供多个机器学习算法中选取运行该方法的该机器学习算法，选取该机器学习算法的方法包括：以该多个机器学习算法分别建立个别的异常推论模型，再对各异常推论模型进行评分，以选择其中的一个该机器学习算法。6.如权利要求1至5中任一权利要求所述的推论系统或产品质量异常的智能方法，其特征在于，为根据回馈的信息与实际失效的状况验证该异常推论模型，并于需要时修改参数，产生用于推测系统异常的一对照表。7.一种推论系统或...

【专利技术属性】
技术研发人员：李荣生，简嘉宏，王智，
申请(专利权)人：治略资讯整合股份有限公司，
类型：发明
国别省市：