【技术实现步骤摘要】
本专利技术涉及一种良率以及处理建议产生系统以及产生方法。
技术介绍
1、目前，针对产品的制造作业的过程中，由于每个车间站所处理的流程以及相关参数可能不同，因此需要实时纪录生产过程中的数据,来监测、分析、预测在线产品良率,以提早预警产品良率提早做好对应处置。对此，传统的分析流程不仅缺乏效率，还缺乏全面性考虑，而使得传统的处理流程无法有效地提升车间站的生产效率以及良率的预测准确度。
技术实现思路
1、本专利技术是针对一种良率以及处理建议产生系统以及产生方法，可自动地根据输入参数进行多种类别的预测处理，并且通过集成学习法产生整合后的预测良率以及建议讯息。
2、根据本专利技术的实施例，本专利技术的良率以及处理建议产生系统包括存储装置以及处理器。存储装置存储检验处理模块、异常处理模块、生产管理模块以及集成学习模块。处理器耦接存储装置，并且执行检验处理模块、异常处理模块、生产管理模块以及集成学习模块。处理器将检验数据输入至检验处理模块，以使检验处理模块产生检验预测结果。处理器将异常处理数据输入至异常处理模块，以使异常处理模块产生异常预测结果。处理器将生产数据输入至生产管理模块，以使生产管理模块产生预测生产结果。接着，处理器通过集成学习模块根据检验预测结果、异常预测结果以及生产预测结果产生预测产品良率以及处理建议讯息。集成学习模块为通过集成学习算法所建立的神经网络模型。
3、根据本专利技术的实施例，本专利技术的良率以及处理建议产生方法包括以下步骤：通过处理器将检验数据输入
4、基于上述，本专利技术的良率以及处理建议产生系统以及产生方法，可通过集成学习模块整合生产模型、检验模型以及异常模型的输出进而产生相关且全面的预测良率以及建议讯息。
5、为让本专利技术的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种良率以及处理建议产生系统，其特征在于，包括：
2.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述良率以及处理建议产生系统适用于一生产流程，并且所述生产流程包括多个车间站；
3.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述生产数据包括处置规范，其中所述处置规范相关于车间站类型、参数范围以及建议处理讯息，其中所述异常处理数据包括异常处理记录以及遏止措施讯息，其中所述遏止措施讯息相关于异常原因讯息，其中所述生产管理模块将所述生产数据输入至生产模型，进而根据所述处置规范从多笔历史生产数据产生与所述生产数据相关的建议讯息。
4.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述集成学习模块为通过集成学习算法中的堆叠泛化法所建立的所述神经网络模型。
5.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述检验处理模块将所述检验数据输入至检验模型，以使所述检验模型产生所述检验预测结果，其中所述检验预测结果包括检验良率以及检验关键特征参数。
6.根据权利要求5所述的良率以及
7.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述异常处理模块将所述异常处理数据输入至异常模型，以使所述异常模型产生所述异常预测结果，其中所述异常预测结果包括预测良率以及关键特征参数。
8.根据权利要求7所述的良率以及处理建议产生系统，其特征在于，所述处理器将多笔历史异常处理数据以随机森林算法训练神经网络模型以产生所述异常模型。
9.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述生产管理模块将所述生产数据输入至生产模型，以使所述生产模型产生所述预测生产结果，其中所述预测生产结果包括预测生产良率以及生产关键特征参数。
10.根据权利要求9所述的良率以及处理建议产生系统，其特征在于，所述处理器将多笔历史生产数据以变换器算法训练神经网络模型以产生所述生产模型，其中所述预测生产结果还包括注意力权重参数以及隐藏状态参数。
11.一种良率以及处理建议产生方法，其特征在于，包括：
12.根据权利要求11所述的良率以及处理建议产生方法，其特征在于，所述良率以及处理建议产生方法适用于一生产流程，并且所述生产流程包括多个车间站；
13.根据权利要求11所述的良率以及处理建议产生方法，其特征在于，所述生产数据包括处置规范，其中所述处置规范相关于车间站类型、参数范围以及建议处理讯息，其中所述异常处理数据包括异常处理记录以及遏止措施讯息，其中所述遏止措施讯息相关于异常原因讯息，
14.根据权利要求13所述的良率以及处理建议产生方法，其特征在于，所述集成学习模块为通过集成学习算法中的堆叠泛化法所建立的所述神经网络模型。
15.根据权利要求11所述的良率以及处理建议产生方法，其特征在于，通过所述处理器将所述检验数据输入至所述检验处理模块，以使所述检验处理模块产生所述检验预测结果的步骤包括：
16.根据权利要求15所述的良率以及处理建议产生方法，其特征在于，所述处理器将多笔历史检验数据以随机森林算法训练神经网络模型以产生所述检验模型，其中所述检验数据包括检验记录数据以及统计制程管制数据。
17.根据权利要求11所述的良率以及处理建议产生方法，其特征在于，通过所述处理器将所述异常处理数据输入至所述异常处理模块，以使所述异常处理模块产生所述异常预测结果的步骤包括：
18.根据权利要求17所述的良率以及处理建议产生方法，其特征在于，所述处理器将多笔历史异常处理数据以随机森林算法训练神经网络模型以产生所述异常模型。
19.根据权利要求11所述的良率以及处理建议产生方法，其特征在于，通过所述处理器将所述生产数据输入至所述生产管理模块，以使所述生产管理模块产生所述预测生产结果的步骤包括：
20.根据权利要求19述的良率以及处理建议产生方法，其特征在于，所述处理器将多笔历史生产数据以变换器算法训练神经网络模型以产生所述生产模型，其中所述预测生产结果还包括注意力权重参数以及隐藏状态参数。
...【技术特征摘要】
1.一种良率以及处理建议产生系统，其特征在于，包括：
2.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述良率以及处理建议产生系统适用于一生产流程，并且所述生产流程包括多个车间站；
3.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述生产数据包括处置规范，其中所述处置规范相关于车间站类型、参数范围以及建议处理讯息，其中所述异常处理数据包括异常处理记录以及遏止措施讯息，其中所述遏止措施讯息相关于异常原因讯息，其中所述生产管理模块将所述生产数据输入至生产模型，进而根据所述处置规范从多笔历史生产数据产生与所述生产数据相关的建议讯息。
4.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述集成学习模块为通过集成学习算法中的堆叠泛化法所建立的所述神经网络模型。
5.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述检验处理模块将所述检验数据输入至检验模型，以使所述检验模型产生所述检验预测结果，其中所述检验预测结果包括检验良率以及检验关键特征参数。
6.根据权利要求5所述的良率以及处理建议产生系统，其特征在于，所述处理器将多笔历史检验数据以随机森林算法训练神经网络模型以产生所述检验模型，其中所述检验数据包括检验记录数据以及统计制程管制数据。
7.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述异常处理模块将所述异常处理数据输入至异常模型，以使所述异常模型产生所述异常预测结果，其中所述异常预测结果包括预测良率以及关键特征参数。
8.根据权利要求7所述的良率以及处理建议产生系统，其特征在于，所述处理器将多笔历史异常处理数据以随机森林算法训练神经网络模型以产生所述异常模型。
9.根据权利要求1所述的良率以及处理建议产生系统，其特征在于，所述生产管理模块将所述生产数据输入至生产模型，以使所述生产模型产生所述预测生产结果，其中所述预测生产结果包括预测生产良率以及生产关键特征参数。
10.根据权利要求9所述的良率以及处理建议产生系统，其特征在于，所述处理器将多笔历史生产数据以变换器算法训练神...
【专利技术属性】
技术研发人员：郑宇峻，董昆明，林蔚廷，
申请(专利权)人：南京鼎华智能系统有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。