生产线故障分析模型的训练方法及生产线故障分析方法技术

本发明专利技术公开了一种生产线故障分析模型的训练方法及生产线故障分析方法，所述训练方法包括：获取数据集，其中，数据集包括训练集和测试集；构建故障分析模型；利用训练集中的数据对故障分析模型进行训练，使得损失函数达到最小，并利用测试集中的数据对训练后的故障分析模型进行测试，得到最终的故障分析模型。由此，该训练方法，能够提高故障分析模型对故障类型对应的缺陷模式的识别能力，从而更好地预测加工生产线上产生的故障类型。工生产线上产生的故障类型。工生产线上产生的故障类型。

【技术实现步骤摘要】
生产线故障分析模型的训练方法及生产线故障分析方法


[0001]本专利技术涉及计算机机器学习与人工智能
，尤其涉及一种生产线故障分析模型的训练方法、一种生产线故障分析方法和一种电子设备。

技术介绍

[0002]AOI（Automated Optical Inspection，自动光学检测）是基于光学原理来对流水线生产中遇到的常见缺陷进行检测的设备，是PCB（Printed Circuit Board，印刷电路板）、LCD（Liquid Crystal Display，液晶显示器）、晶体管制造或产品加工过程中的一种自动视觉检测，适合大规模生产，在制造过程中的许多阶段都可以实施。当AOI设备检测到生产线上的特定设备在特定环境下，特定缺陷数量增加时，意味着该生产线上的特定设备发生了故障。传统生产中，由工程师或AOI管理设备监督缺陷产生的数量和状况，由工程师根据经验排查生产线各环节和设备，判断故障产生的环节和设备。然而，传统故障分析方法依赖工程师经验，时效性差，不利于生产。
[0003]另外，使用普通的线性模型处理特征数据时，都是将各个特征独立考虑的，并没有考虑到特征与特征之间的相互关系，无法很好地建立缺陷与故障之间的联系。但实际上，特征之间可能具有一定的关联。
[0004]而由于目前对于利用AOI数据进行故障分析的研究相对较少，对AOI数据的特征提取不够充分，所以故障的识别能力仍然较低，存在可以改进的地方。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种生产线故障分析模型的训练方法，能够提高故障分析模型对故障类型对应的缺陷模式的识别能力，从而更好地预测加工生产线上产生的故障类型。
[0006]本专利技术的第二个目的在于提出一种生产线故障分析方法。
[0007]本专利技术的第三个目的在于提出一种电子设备。
[0008]为达到上述目的，本专利技术第一方面实施例提出了一种生产线故障分析模型的训练方法，所述训练方法包括以下步骤：获取数据集，其中，所述数据集包括训练集和测试集，所述数据集中的数据包括生产线上自动光学检测设备检测的缺陷数据、所述生产线所处环境的环境数据、以及对应的故障类别标签；构建故障分析模型，其中，所述故障分析模型包括因子分解机模块、深度神经网络模块、特征选择模块和分类模块，所述因子分解机模型和所述深度神经网络模块的输入数据均为所述缺陷数据和所述环境数据，对应输出低阶特征和高阶特征，所述特征选择模块用以对所述低阶特征和所述高阶特征进行特征选择，所述分类模块用以根据所选择的特征得到故障类别的概率分布；利用所述训练集中的数据对所述故障分析模型进行训练，使得损失函数达到最小，并利用所述测试集中的数据对训练后的故障分析模型进行测试，得到最终的故障分析模型。
[0009]根据本专利技术实施例的生产线故障分析模型的训练方法，能够提高故障分析模型对
故障类型对应的缺陷模式的识别能力，从而更好地预测加工生产线上产生的故障类型。
[0010]另外，本专利技术实施例的生产线故障分析模型的训练方法还具有以下附加的技术特征：进一步地，所述获取数据集，包括：统计多个时间段内的缺陷数据、环境数据和故障类别标签，其中，针对每个时间段，得到缺陷数据集合、环境数据集合和对应的故障类别标签，为第j类缺陷的数量，为缺陷类别的数量，为第i类环境数据，为环境数据类别的数量。
[0011]根据本专利技术的一些实施例，在将数据集中的数据输入至所述故障分析模型之前，针对每个时间段内的统计数据进行如下预处理：对所述缺陷数据集合中的各类缺陷数据进行归一化处理，得到归一化的缺陷数据集合，其中，，为归一化的第j类缺陷的数量；对所述环境数据集合中的各类环境数据进行热独编码，得到环境数据的热独编码集合，其中，为第i类环境数据的热独编码；对所述热独编码集合进行Dense embedding处理，得到低维稠密表示集合；将和进行拼接，得到输入数据特征向量，记为，其中，为X中数据的数量。
[0012]进一步地，在每个训练周期，选择一个时间段的输入数据特征向量进行训练，其中，所述因子分解机模块通过下式得到输入数据特征向量X的低阶特征y
FM
：，其中，为X中第p个输入数据特征，和为所述因子分解机模块的参数，为两个k维向量的积。
[0013]根据本专利技术的一些实施例，所述深度神经网络模块包括多个串联的前馈神经网络模块，每个所述前馈神经网络模块依次包括一个全连接层、一个ReLU激活函数和一个Dropout层，所述深度神经网络模块通过下式得到输入数据特征向量X的高阶特征y
FNN
：。
[0014]根据本专利技术的一些实施例，所述特征选择模块为融合注意力机制的特征选择模块，所述特征选择模块通过下式得到注意力选择特征：，其中，为所述注意力选
择特征，，，，为拼接特征向量，、和为预设的权重矩阵，为向量矩阵K的维度。
[0015]根据本专利技术的一些实施例，所述分类模块包括一层全连接层和一层softmax层，所述分类模块通过下式根据注意力选择特征得到故障类别的概率分布：，其中，Z为故障类别的概率分布。
[0016]根据本专利技术的一些实施例，通过下式计算所述故障分析模型的损失函数：，其中，为第类故障的标签，T为故障类别标签的数量，为第类故障的概率。
[0017]为达到上述目的，本专利技术第二方面实施例提出了一种生产线故障分析方法，所述分析方法包括以下步骤：获取待分析数据，其中，所述待分析数据包括生产线上的缺陷数据和环境数据；利用所述的生产线故障分析模型的训练方法得到的故障分析模型，根据所述待分析数据进行生产线的故障分析。
[0018]根据本专利技术实施例的生产线故障分析方法，通过利用上述的生产线故障分析模型的训练方法得到的故障分析模型，能够提高故障分析的准确性。
[0019]为达到上述目的，本专利技术第三方面实施例提出了一种电子设备，包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被所述处理器执行时，实现所述的生产线故障分析模型的训练方法，或者，实现所述的生产线故障分析方法。
[0020]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]图1是本专利技术一些实施例的生产线故障分析模型的训练方法的流程示意图；图2是本专利技术一些实施例的生产线故障分析方法的流程示意图；图3是本专利技术一些实施例的电子设备的结构示意图。
具体实施方式
[0022]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号为相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0023]下面参考附图1
‑
3描述本专利技术实施例的生产线故障分析模型的训练方法及生产线故障分析方法。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生产线故障分析模型的训练方法，其特征在于，所述训练方法包括以下步骤：获取数据集，其中，所述数据集包括训练集和测试集，所述数据集中的数据包括生产线上自动光学检测设备检测的缺陷数据、所述生产线所处环境的环境数据、以及对应的故障类别标签；构建故障分析模型，其中，所述故障分析模型包括因子分解机模块、深度神经网络模块、特征选择模块和分类模块，所述因子分解机模型和所述深度神经网络模块的输入数据均为所述缺陷数据和所述环境数据，对应输出低阶特征和高阶特征，所述特征选择模块用以对所述低阶特征和所述高阶特征进行特征选择，所述分类模块用以根据所选择的特征得到故障类别的概率分布；利用所述训练集中的数据对所述故障分析模型进行训练，使得损失函数达到最小，并利用所述测试集中的数据对训练后的故障分析模型进行测试，得到最终的故障分析模型。2.根据权利要求1所述的生产线故障分析模型的训练方法，其特征在于，所述获取数据集，包括：统计多个时间段内的缺陷数据、环境数据和故障类别标签，其中，针对每个时间段，得到缺陷数据集合、环境数据集合和对应的故障类别标签，为第j类缺陷的数量，为缺陷类别的数量，为第i类环境数据，为环境数据类别的数量。3.根据权利要求2所述的生产线故障分析模型的训练方法，其特征在于，在将数据集中的数据输入至所述故障分析模型之前，针对每个时间段内的统计数据进行如下预处理：对所述缺陷数据集合中的各类缺陷数据进行归一化处理，得到归一化的缺陷数据集合，其中，，为归一化的第j类缺陷的数量；对所述环境数据集合中的各类环境数据进行热独编码，得到环境数据的热独编码集合，其中，为第i类环境数据的热独编码；对所述热独编码集合进行Dense embedding处理，得到低维稠密表示集合；将和进行拼接，得到输入数据特征向量，记为，其中，为X中数据的数量。4.根据权利要求3所述的生产线故障分析模型的训练方法，其特征在于，在每个训练周期，选择一个时间段的输入数据特征向量进行训练，其中，所述因子分解机模块通过...

【专利技术属性】
技术研发人员：令狐彬，胡炳彰，许鹏，周璠，卫峥，高磊，
申请(专利权)人：合肥中科迪宏自动化有限公司，
类型：发明
国别省市：