基于机器学习的生产质量管理方法技术

本申请涉及一种基于机器学习的生产质量管理方法

【技术实现步骤摘要】
基于机器学习的生产质量管理方法、装置和计算机设备


[0001]本申请涉及计算机
，特别是涉及一种基于机器学习的生产质量管理方法
、
装置
、
计算机设备
、
存储介质和计算机程序产品
。

技术介绍

[0002]质量问题是工业生产中的核心问题，而工业生产中的人
、
机
、
料
、
法
、
环等各个环节中数据的变化都会引起产品质量的变化，因此当产品质量出现异常时，找出影响产品质量的原因以及提升产品质量尤其重要
。
[0003]现有方案常常通过测试当数据变化时，是否会导致产品质量发生变化而找出影响产品质量的数据，通过这种方式能找出大量影响产品质量的数据，但是由于影响产品质量的数据之间存在复杂的关联，不清楚这些数据中哪些是影响产品质量的根本原因，因此现有方案无法找出影响产品质量的根本原因，同时，也缺乏实际有效的方法进行产品质量的提升
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够确定影响产品质量的根本原因以及提升产品质量的基于机器学习的生产质量管理方法
、
装置
、
计算机设备
、
计算机可读存储介质和计算机程序产品
。
[0005]第一方面，本申请提供了一种基于机器学习的生产质量管理方法
。
所述方法包括：
[0006]从影响产品质量的数据中抽样得到第一抽样样本；
[0007]确定所述第一抽样样本中各抽样样本的属性，所述属性包括实际属性或者虚拟属性，其中，所述虚拟属性是通过属性预测模型对对应的第一抽样样本进行属性预测得到的；所述属性预测模型是通过从所述影响产品质量的数据中抽样得到第二抽样样本，基于所述第二抽样样本以及各第二抽样样本对应的实际属性训练得到的；
[0008]将各第一抽样样本的属性，输入至产品质量预测模型，得到产品质量预测结果；
[0009]若所述产品质量预测结果不满足对应的预设条件，则对所述数据进行特征提取，得到多个产品质量特征；
[0010]创建所述多个产品质量特征以及产品质量各自对应的变量，基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量，确定所述目标变量对应的产品质量特征，以得到影响产品质量的根本原因；
[0011]从所述数据中筛选与所述目标变量对应的产品质量特征相匹配的目标数据，基于所述目标数据得到产品质量发展趋势信息，基于所述产品质量发展趋势信息对所述数据进行调整
。
[0012]在其中一个实施例中，所述方法还包括：可视化展示所述产品质量预测结果
、
所述目标变量对应的产品质量特征与所述产品质量之间的量化关系图
、
或者所述产品质量发展趋势信息中至少一项
。
[0013]在其中一个实施例中，所述基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量之前，还包括：确定变量之间的初始因果关系，基于专家知识库对所述变量和所述初始因果关系进行筛选，得到所述变量之间的因果关系；
[0014]所述基于所述目标数据得到产品质量发展趋势信息包括：基于所述专家知识库和所述目标数据得到产品质量发展趋势信息
。
[0015]在其中一个实施例中，所述基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量，包括：
[0016]基于变量间的因果关系构建因果关系网络，其中，所述因果关系网络中包括多个分支，每一分支中包括至少两个层级的变量，所述分支中各层级的变量跟随所述层级的上一层级的变量的变化而对应变化；
[0017]确定所述因果关系网络中，各产品质量特征对应变量所在分支的分支数量；
[0018]确定分支数量满足预设条件的变量，将所述变量作为所述目标变量
。
[0019]在其中一个实施例中，所述确定所述因果关系网络中，各产品质量特征对应变量所在分支的分支数量，包括：
[0020]基于预设变量数量限制，对所述因果关系网络包含的分支进行变量数量更新，得到更新后的因果关系网络；
[0021]确定所述更新后的因果关系网络中，各产品质量特征对应变量所在分支的分支数量
。
[0022]在其中一个实施例中，所述确定所述更新后的因果关系网络中，各产品质量特征对应变量所在分支的分支数量，包括：
[0023]针对所述更新后的因果关系网络中的每个产品质量特征对应变量，获取由于当前变量被剔除导致当前变量所在分支被对应剔除的分支剔除数量，将所述分支剔除数量作为当前变量所在分支的分支数量
。
[0024]在其中一个实施例中，所述基于所述目标数据得到产品质量发展趋势信息，包括：
[0025]基于预设聚类算法，将所述目标数据划分为不同的族类；基于各族类对应的产品质量观测值，确定产品质量观测值满足产品质量条件的目标族类；确定所述目标族类对应的目标数据的取值区间，将所述取值区间作为所述产品质量发展趋势信息；
[0026]或者对所述目标数据中的时序数据进行特征提取，得到时域特征和频域特征；将所述设备性能数据中除时序数据外的其他数据
、
所述时域特征和频域特征输入至设备故障确定模型，得到设备故障信息，将所述设备故障信息作为所述产品质量发展趋势信息
。
[0027]第二方面，本申请还提供了一种基于机器学习的生产质量管理装置，所述装置包括：
[0028]抽样模块，用于从影响产品质量的数据中抽样得到第一抽样样本；
[0029]第一确定模块，用于确定所述第一抽样样本中各抽样样本的属性，所述属性包括实际属性或者虚拟属性，其中，所述虚拟属性是通过属性预测模型对对应的第一抽样样本进行属性预测得到的；所述属性预测模型是通过从所述影响产品质量的数据中抽样得到第二抽样样本，基于所述第二抽样样本以及各第二抽样样本对应的实际属性训练得到的；
[0030]预测模块，用于将各第一抽样样本的属性，输入至产品质量预测模型，得到产品质量预测结果；
[0031]特征提取模块，用于若所述产品质量预测结果不满足对应的预设条件，则对所述数据进行特征提取，得到多个产品质量特征；
[0032]创建模块，用于创建所述多个产品质量特征以及产品质量各自对应的变量，基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量，确定所述目标变量对应的产品质量特征，以得到影响产品质量的根本原因；
[0033]调整模块，用于从所述数据中筛选与所述目标变量对应的产品质量特征相匹配的目标数据，基于所述目标数据得到产品质量发展趋势信息，基于所述产品质量发展趋势信息对所述数据进行调整
。
[0034]第三方面，本申请还提供了一种计算机设备
。
所述计算机设备包括存储器和处理器，所述存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的生产质量管理方法，其特征在于，包括：从影响产品质量的数据中抽样得到第一抽样样本；确定所述第一抽样样本中各抽样样本的属性，所述属性包括实际属性或者虚拟属性，其中，所述虚拟属性是通过属性预测模型对对应的第一抽样样本进行属性预测得到的；所述属性预测模型是通过从所述影响产品质量的数据中抽样得到第二抽样样本，基于所述第二抽样样本以及各第二抽样样本对应的实际属性训练得到的；将各第一抽样样本的属性，输入至产品质量预测模型，得到产品质量预测结果；若所述产品质量预测结果不满足对应的预设条件，则对所述数据进行特征提取，得到多个产品质量特征；创建所述多个产品质量特征以及产品质量各自对应的变量，基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量，确定所述目标变量对应的产品质量特征，以得到影响产品质量的根本原因；从所述数据中筛选与所述目标变量对应的产品质量特征相匹配的目标数据，基于所述目标数据得到产品质量发展趋势信息，基于所述产品质量发展趋势信息对所述数据进行调整
。2.
根据权利要求1所述的方法，其特征在于，所述方法还包括：可视化展示所述产品质量预测结果
、
所述目标变量对应的产品质量特征与所述产品质量之间的量化关系图
、
或者所述产品质量发展趋势信息中至少一项
。3.
根据权利要求1所述的方法，其特征在于，所述基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量之前，还包括：确定变量之间的初始因果关系，基于专家知识库对所述变量和所述初始因果关系进行筛选，得到所述变量之间的因果关系；所述基于所述目标数据得到产品质量发展趋势信息包括：基于所述专家知识库和所述目标数据得到产品质量发展趋势信息
。4.
根据权利要求1所述的方法，其特征在于，所述基于变量之间的因果关系，从所述多个产品质量特征对应的变量中确定目标变量，包括：基于变量间的因果关系构建因果关系网络，其中，所述因果关系网络中包括多个分支，每一分支中包括至少两个层级的变量，所述分支中各层级的变量跟随所述层级的上一层级的变量的变化而对应变化；确定所述因果关系网络中，各产品质量特征对应变量所在分支的分支数量；确定分支数量满足预设条件的变量，将所述变量作为所述目标变量
。5.
根据权利要求4所述的方法，其特征在于，所述确定所述因果关系网络中，各产品质量特征对应变量所在分支的分支数量，包括：基于预设变量数量限制，对所述因果关系网络包含的分支进行变量数量更新，得到更新后...

【专利技术属性】
技术研发人员：余晓意，张慧，桂玉琦，杨乐天，杨肖，苏国雄，姜静，
申请(专利权)人：武汉华工赛百数据系统有限公司，
类型：发明
国别省市：