产品生产过程质量控制方法、装置、设备及存储介质制造方法及图纸

本申请的实施例公开一种产品生产过程质量控制方法、装置、设备及存储介质，该方法包括：获取生产过程的特性数据集，所述特性数据集包括不同产品的多个生产过程的特性数据；基于所述特性数据集，构建关于所述多个生产过程的控制图；基于所述控制图，判断各生产过程是否处于受控状态；将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机，获得所述目标生产过程的异常模式结果。解决了对多品种小批量的产品的控制图异常模式的识别效果差的技术问题，提高了多品种小批量的产品生产过程的控制图异常模式的识别准确性。性。性。

【技术实现步骤摘要】
产品生产过程质量控制方法、装置、设备及存储介质


[0001]本申请涉及产品质量控制
，尤其涉及专利技术名称一种产品生产过 程质量控制方法、装置、设备及存储介质。

技术介绍

[0002]随着工业产品的品种和数量的不断增加，制造业已经逐步从传统的大批 量生产模式转变为多品种小批量生产模式，为了保证最终的产品质量，需在 制造过程中对过程进行质量控制，以判断制造过程是否出现异常。在进行质 量控制时，SPC(Statistical Process Control)控制图技术是一种被广泛使用的 方法，根据控制图的状态，可以判断生产过程是否异常并揭示制造过程中的 潜在质量问题。因此，对控制图异常模式进行有效的识别，可以及时发现产 品生产过程中存在的问题。
[0003]现有技术中，对多品种小批量的产品生产过程的控制图异常模式的识别 方法包括人工识别和一些智能方法识别，但识别的效果都比较差。

技术实现思路

[0004]本申请的主要目的在于提供一种产品生产过程质量控制方法、装置、设 备及存储介质，旨在解决现有对多品种小批量的产品生产过程的控制图异常 模式的识别效果差的技术问题。
[0005]为实现上述目的，本申请提供一种产品生产过程质量控制方法，所述方 法包括：
[0006]获取生产过程的特性数据集，所述特性数据集包括不同产品的多个生产 过程的特性数据；
[0007]基于所述特性数据集，构建关于所述多个生产过程的控制图；
[0008]基于所述控制图，判断各生产过程是否处于受控状态；
[0009]将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限 学习机，获得所述目标生产过程的异常模式结果；其中，所述目标生产过程 为不受控的生产过程；所述异常模式结果包括单值控制图异常模式结果和/或 移动极差控制图异常模式结果。
[0010]可选地，所述加权在线序贯极限学习机为基于输入加权的在线序贯极限 学习机。
[0011]可选地，所述获取生产过程的特性数据集的步骤之前，所述方法还包括：
[0012]获取样本特性数据集，所述样本特性数据集包括若干样本产品的若干样 本生产过程的样本特性数据；
[0013]提取所述样本特性数据集中各样本特性数据的特征参数；
[0014]基于所述特征参数，对各样本特性数据进行特征标记，获得标记后的样 本特性数据集；
[0015]利用所述标记后的样本特性数据集，对原始加权在线序贯极限学习机进 行训练，获得加权在线序贯极限学习机。
[0016]可选地，所述加权在线序贯极限学习机的输出层包括第一神经元和第二 神经元，所述第一神经元输出单值控制图异常模式结果，所述第二神经元输 出移动极差控制图异常模式结果。
[0017]可选地，所述获取样本特性数据集的步骤之后，所述方法还包括：
[0018]对所述样本特性数据集中各样本特性数据进行标准正态处理，获得标准 样本特性数据集；
[0019]对标准样本特性数据集中的样本特性数据进行编码，获得除噪后的标准 样本特性数据集；
[0020]所述提取所述样本特性数据集中各样本特性数据的特征参数的步骤，包 括：
[0021]提取所述除噪后的标准样本特性数据集中各样本特性数据的特征参数。
[0022]可选地，所述利用所述标记后的样本特性数据集，对原始加权在线序贯 极限学习机进行训练，获得加权在线序贯极限学习机的步骤之后，还包括：
[0023]利用所述标记后的样本特性数据集中的部分数据，对原始加权在线序贯 极限学习机进行初始训练，获得初始加权在线序贯极限学习机；
[0024]利用所述标记后的样本特性数据集中的剩余数据，对所述初始加权在线 序贯极限学习机进行连续训练，获得加权在线序贯极限学习机。
[0025]可选地，所述基于所述特性数据集，构建关于所述多个生产过程的控制 图的步骤，包括：
[0026]判断所述特性数据集中的各特性数据是否服从正态分布；
[0027]若否，则通过数据转换方法将各特性数据转换为服从正态分布的正态特 性数据；
[0028]判断服从正态分布的各特性数据是否服从同一正态分布；
[0029]若否，则将各正态特性数据转换为服从同一正态分布的各同一正态特性 数据；
[0030]基于各同一正态特性数据，构建关于所述多个生产过程的控制图。
[0031]此外，为实现上述目的，本申请还提供一种产品生产过程质量控制装置， 所述装置包括：
[0032]数据获取模块，用于获取生产过程的特性数据集，所述特性数据集包括 不同产品的多个生产过程的特性数据；
[0033]控制图构建模块，用于基于所述特性数据集，构建关于所述多个生产过 程的控制图；
[0034]受控判断模块，用于基于所述控制图，判断各生产过程是否处于受控状 态；
[0035]异常识别模块，用于将目标生产过程对应的目标特性数据输入训练获得 的加权在线序贯极限学习机，获得所述目标生产过程的异常模式结果；其中， 所述目标生产过程为不受控的生产过程；所述异常模式结果包括单值控制图 异常模式结果和/或移动极差控制图异常模式结果。
[0036]此外，为实现上述目的，本申请还提供一种电子设备，该电子设备包括 存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计 算机程序，实现前述的方法。
[0037]此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述 计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实 现前述的方法。
[0038]此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算 机程序产品在被处理器时，实现前述的方法。
[0039]本申请所能实现的有益效果。
[0040]本申请实施例提出的一种产品生产过程质量控制方法、装置、设备及存 储介质，获取生产过程的特性数据集，所述特性数据集包括不同产品的多个 生产过程的特性数据；基于所述特性数据集，构建关于所述多个生产过程的 控制图；基于所述控制图，判断各生产过程是否处于受控状态；将目标生产 过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机，获得所 述目标生产过程的异常模式结果；其中，所述目标生产过程为不受控的生产 过程；所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图 异常模式结果。也即，本申请在原有极限学习机中加入在线序贯算法，具备 了传统极限学习机的训练速度和泛化能力上的优点，并在模型中加入权重， 进一步提升模型的泛化能力，特别适用于多品种小批量的产品的控制图异常 模式的识别；解决了对多品种小批量的产品的控制图异常模式的识别效果差 的技术问题，提高了多品种小批量的产品生产过程的控制图异常模式的识别 准确性。
附图说明
[0041]图1为本申请实施例涉及的计算机设备结构示意图；
[0042]图2为本申请实施例提供的一种产品生产过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品生产过程质量控制方法，其特征在于，所述方法包括：获取生产过程的特性数据集，所述特性数据集包括不同产品的多个生产过程的特性数据；基于所述特性数据集，构建关于所述多个生产过程的控制图；基于所述控制图，判断各生产过程是否处于受控状态；将目标生产过程对应的目标特性数据输入训练获得的加权在线序贯极限学习机，获得所述目标生产过程的异常模式结果；其中，所述目标生产过程为不受控的生产过程；所述异常模式结果包括单值控制图异常模式结果和/或移动极差控制图异常模式结果。2.如权利要求1所述的方法，其特征在于，所述加权在线序贯极限学习机为基于输入加权的在线序贯极限学习机。3.如权利要求2所述的方法，其特征在于，所述获取生产过程的特性数据集的步骤之前，所述方法还包括：获取样本特性数据集，所述样本特性数据集包括若干样本产品的若干样本生产过程的样本特性数据；提取所述样本特性数据集中各样本特性数据的特征参数；基于所述特征参数，对各样本特性数据进行特征标记，获得标记后的样本特性数据集；利用所述标记后的样本特性数据集，对原始加权在线序贯极限学习机进行训练，获得加权在线序贯极限学习机。4.如权利要求3所述的方法，其特征在于，所述加权在线序贯极限学习机的输出层包括第一神经元和第二神经元，所述第一神经元输出单值控制图异常模式结果，所述第二神经元输出移动极差控制图异常模式结果。5.如权利要求3所述的方法，其特征在于，所述获取样本特性数据集的步骤之后，所述方法还包括：对所述样本特性数据集中各样本特性数据进行标准正态处理，获得标准样本特性数据集；对标准样本特性数据集中的样本特性数据进行编码，获得除噪后的标准样本特性数据集；所述提取所述样本特性数据集中各样本特性数据的特征参数的步骤，包括：提取所述除噪后的标准样本特性数据集中各样本特性数据的特征参数。6.如权利要求1所述的方法，其特征在于，所述利用所述标记后的样本特性数据集，对原始加权在线序贯极限学...

【专利技术属性】
技术研发人员：李航，郭双明，曾静文，杨文安，蔡旭林，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：