融合制造设备退化信息的生产合格率预测方法
【技术领域】
[0001] 本发明是一种利用产品制造设备特征参数的退化信息和产品已有的合格率信息， 通过融合建模的方法，对未来生产过程的合格率进行预测的方法。以期通过预测结果为生 产过程的决策提供准确有效的依据，属于质量与预测领域。
【背景技术】
[0002] 在产品的生产过程中，会通过一定的质量考核方法来判断产品是否合格，根据产 出的合格产品情况与核定的产品材料总投入量，所确定的比率关系可称为合格率。合格 率直接影响了生产制造商的利润，将合格率控制在合理的范围内是控制产品成本的必要措 施，但对合格率进行频繁的统计往往会耗费巨大的资源且对生产决策起不到及时的指导作 用。若能对合格率进行合理的预测则可以有效的解决上述问题，但通常的预测方法往往也 需要大量的合格率样本，这就要耗费巨大的时间和物力。
[0003] 另一方面，影响产品合格率的因素有很多，在管理、人工、材料等情况都确定的情 况下，制造设备的性能情况便是一项主要的影响因素，本专利主要考虑制造设备对合格率 的影响；制造设备在实际使用中制造效果会随时间而退化，这也往往体现在设备的特征性 能参数的退化上。可见，设备特征性能参数的退化同合格率的变化是相关的，若能将特征性 能参数数据与合格率数据相结合，对产品合格率进行预测，那么也就突破了合格率预测技 术的瓶颈。
[0004] 而在这方面的融合建模及预测方法方面，还没有相应的研究，因此本专利提出融 合制造设备退化信息的生产合格率预测方法是具有一定独创性的。
【发明内容】
[0005] 本发明的目的是为了解决上述问题，提出一种能够有效的融合产品制造设备特征 参数的退化信息和产品已有的合格率信息的产品合格率预测方法，以此获得准确有效的合 格率预测结果。
[0006] 本发明的具体步骤为：
[0007] 步骤一、搜集制造设备特征参数信息和产品合格率信息；
[0008] 步骤二、构建信息融合模型；
[0009] 步骤三、基于贝叶斯理论的模型参数评估；
[0010] 步骤四、预测产品的合格率。
[0011] 本发明的优点在于：
[0012] (1)本发明能够融合产品制造设备特征参数的退化信息和产品已有的合格率信 息，获得产品合格率的预测结果；
[0013] (2)本发明建立了产品制造设备特征参数和产品合格率间的联系，从全局的角度 进行求解，可节省大量的数据资源。
【附图说明】
[0014] 图1是本发明的流程图；
【具体实施方式】
[0015] 下面将结合附图和实施例对本发明作进一步的详细说明。
[0016] 方法的流程图如图1所示，包括以下几个步骤：
[0017] 步骤一、搜集制造设备特征参数信息和产品合格率信息
[0018] 对产品制造设备的特征参数信息和产品合格率信息进行搜集。
[0019] 产品合格率信息的搜集：
[0020] 1)搜集产品在tv时刻，产品的合格率p(tv)，v= 1，…k。
[0021] 2)若每单位时间投入n个产品的材料生产得到了r个合格产品，依据合格产品的 产生顺序将产品的合格率P(tv)表示为伯努利过程中的数据序列&，其中i= 1…n，^等于 0或1，若第i个产品不合格则X1= 0,若第i次合格则X 1，X 1的次数为r。如生产 了 5个产品，其中4个合格1个不合格，如果是在第3个产品不合格的话，那么合格率的伯 努利过程表达为[1，1，0, 1，1]。因此同时搜集产品在tv时刻，合格产品的伯努利数据序列 Xvi，i=l...n〇
[0022] 制造设备的特征参数信息搜集：
[0023] 已知影响制造设备生产水平的设备特征参数为Y，监测并搜集在一段时间内Y的 性能参数，可得到制造设备特征参数性能数据Y,，j= 1…m，m为监测次数，监测时间间隔为 At。同时可将搜集到的数据1转换为退化增量数据AY,=AY]+1-AY,，数据量为m-1。
[0024] 步骤二、构建信息融合模型
[0025] 本专利假设合格率p只受制造设备的性能情况影响，p随制造设备特征参数的退 化而变化，若特征参数Y,的退化过程服从维纳过程，根据维纳过程的性质可知：
[0026] 产品tv时刻的合格率p(tv)可表示为：
[0027]
(1)
[0028] 其中d为退化率；〇为扩散系数，不随时间环境变化；y。为参数初始值；1为产品 全不合格的参数阈值。
[0029] 其概率密度函数为：
[0030]
(2)
[0031] 单位时间At特征参数的退化增量AYj，服从均值为d?At，方差为〇 2At的正 态分布：
[0035] 在上述内容的基础上，构建融合制造设备特征参数数据和产品合格率数据的模 型。
[0036] 制造设备特征参数退化增量AYj的对数函数可表示为wEj=log(f(AY以，利用 伯努利分布可将其似然函数表示为：
[0037]
(5)
[0038] 合格率数据对应的时间tv的对数函数可表示为wPv= 1(^〇!(1))，利用伯努利分 布可将其似然函数表示为：
[0039]
(6)
[0040] 定义cs为状态参数（当数据为合格率数据时，cs= 0。当数据为制造设备特征参 数数据时，cs= 1)，那么定义：
[0041]
(7)
[0042] 因此实现了以伯努利分布为媒介，将上述数据融合在一个模型之中，即融合模 型：
[0043]
(8)
[0044] 其中当数据为合格率数据时zs=Xs，当数据为制造设备特征参数数据时zs= 1。
[0045] 步骤三、基于贝叶斯理论的模型参数评估
[0046] 首先确定贝叶斯模型的总体分布为（8)，其次确定模型中参数(1和〇的先验分布， 这里选择伽玛分布作为d的先验分布，BP:
[0047] d~Gamma(ad,bd) (9)
[0048] 选择逆伽玛分布作为〇的先验分布，SP:
[0049] 〇~IGa(a0，b。）(10)
[0050] 那么，可知未知参数的后验分布为：
[0051]
(11)
[0052] 进而确定（11)为贝叶斯评估模型。
[0053] 步骤四、预测产品的合格率
[0054] 利用