一种基于机器学习的手机振动马达良次品检测方法与流程

本发明涉及手机元器件质量检测领域，更具体地说，它涉及一种基于机器学习的手机振动马达良次品检测方法。

背景技术：

手机振动马达作为目前手机行业的标配，其质量直接影响到上游客户成品的合格率、手机自身产品的口碑，乃至用户对手机的体验感。但在实际的生产过程中，振动马达在经过工厂检测系统检测之后，检测到的一维电平信号将通过信号采集系统直接接入到示波器，由人工进行良次品判断及分类。人工良次品分类的准确度直接受限于人工经验及工人操作时的专注度、责任心，人因差错率极高。各条生产线及不同班次的产品质量波动会比较大，很难同时满足手机制造商对供应链的质量和产量的需求；其次，在振动马达良次品的判断标准上，由于各个振动马达的波形不可能完全一致，其良品和次品的区分范围往往在一定范围内波动，很难有一个非常准确的量化标准和严格的阈值规则来进行判断。

因此，需要提出一种新的技术方案来解决这个问题。

技术实现要素：

针对现有技术存在的不足，本发明的目的在于提供一种基于机器学习的手机振动马达良次品检测方法，能够使手机振动马达质量保持一致性，同时满足产量与质量的需求。

为实现上述目的，本发明提供了如下技术方案：1.一种基于机器学习的手机振动马达良次品检测方法，包括以下步骤：

（1）检测信号数据集收集：从实际的生产线上收集手机振动马达的检测信号样本集合，所述检测信号样本包括等比例的正品信号数据样本与次品信号数据样本，且所述次品信号数据样本按次品原因呈等比例分布；

（2）检测信号数据清洗及特征提取：对步骤（1）中的检测信号样本集合进行数据清洗并进行特征设计，通过对次品良品的波形的数据分析，设计如下波形的特征集合：

a)检测信号上拉须数量特征；

b)检测信号上拉须平均幅度；

c)检测信号下拉须数量；

d)检测信号下拉须平均幅度；

e)检测信号上升沿数量；

f)检测信号下降沿数量；

g)检测信号上升沿平均高度；

h)检测信号下降沿平均高度；

i)检测信号平均上沿宽度；

j)检测信号平均下沿宽度；

k)检测信号上拉须占比；

l)检测信号下拉须占比；

（3）模型训练及参数调整：提取步骤（2）中的特征集合，输入到机器学习模型中进行正负样本的分类学习，得到训练完成的信号检测分类模型；

（4）模型训练发布及在线分类：将步骤（3）中训练完成的信号检测分类模型，发布到线上预测系统，线上预测系统将采集收到的信号，通过步骤（2）中的特征提取方法，转换为信号特征数据，并将最终的信号特征集合输入到在线预估模型，得到信号良品、次品的分类结果。

进一步设置，步骤（1）中的检测信号样本从至少两条生产线上按等比例采样获取。

进一步设置，在步骤（1）中，所述次品信号数据样本的类型按次品原因包括无头、拉须、斜边和长短。

进一步设置，在步骤（3）中，所述机器学习模型为全梯度下降树gbdt。

综上所述，本发明与现有技术相比具有以下有益效果：本发明引入了机器学习方法，通过数据分析设计特征集合，最后经过大量的良品、次品的样本的标注和训练，从数据样本中自动学习出可靠的样本分类标准，为手机振动马达的良次品检测提供了一种自适应且精度可控的自动化检测方法，并为产品线设计了让模型逐步提升检测精度的迭代闭环，具有非常大的应用价值。

附图说明

图1为本发明一种基于机器学习的手机振动马达良次品检测方法实施例的流程示意图。

图2为本发明中手机振动马达样例波形示意图。

图3为本发明特征提取环节中的波形平滑及波形上升沿下降沿提取效果示意图。

图4为本发明特征提取环节中波形上拉须及下拉须提取效果示意图。

图中：1、上拉须；2、下拉须；3、实体高度；4、实体上宽度；5、实体下宽度；6、有效波形上升沿；7、有效波形下降沿；8、未配对无效下降沿；9、未配对无效上升沿；10、有效上拉须；11、有效下拉须。

具体实施方式

以下结合附图和实施例，对本发明作进行详细说明。

如图1所示，一种基于机器学习的手机振动马达良次品检测方法，主要包括在线和离线两部分内容：其中离线部分通过训练数据收集，经过数据清洗操作和特征特征提取之后，再输入到机器学习模型中进行训练获取到目标模型文件；获取到的模型文件会被部署到生产线上，对实时监测到的数据进行次品波形的分类。整个处理方法主要包括如下步骤：

（1）检测信号数据集收集：合理的检测信号数据集合收集是整个方法中最重要的一步，检测信号的数据集合的质量和分布直接影响到后续模型训练的结果，在检测信号数据集收集时，需要保证三个数据比例分布：

1）保证检测信号从不同生产线上等比例采样获取，避免单条生产线的检测信号数据产生偏置误差；

2）保证在总的检测信号样本中，正品、次品信号数据样本的比例为1：1；

3）保证检测信号的负样本中，保证各种不同次品原因的样本数据为等比例分布。

次品的种类根据不同型号的情况，主要分为无头、拉须、斜边、长短等多种类型，需要尽可能收集足量的同比例数据，机器学习模型才能更好的学习到这些次品的特征。在实际操作中，工厂生产线上的历史次品数量保留非常少，样本往往需要重新收集，实际生产线上各种次品的出现概率呈现长尾分布，其中无头和拉须类型的次品占到总次品的70%以上，例如斜边、长短这类次品的占比占总次品的不到1%，数据量非常少，这也是实际生产中经常会出现的问题，积累到足够的样本数量会需要很长的时间，本发明通过不断反馈迭代修正的自学习流程，可以尽快让系统发挥作用，同时也让系统具有足够的自适应能力。

（2）检测信号数据清洗及特征提取：对于（1）中获取到的检测信号数据集中的每一个信号数据，都需要进一步进行特征提取的处理，这一部分操作，对于在线分类和离线训练，两者使用的逻辑必须保证一致，特征集合是通过针对检测信号的特点来进行设计的，整个振动马达的示例波形如图2所示，可以看到整个波形的每个数据单元包含波形上拉须1，波形下拉须2，波形实体可以通过波形实体上宽度4、波形实体下宽度5以及波形实体高度3来进行定义。在整个检测信号中，各个波形单元的上拉须1幅度与下拉须2幅度并不会严格一致，不同数据单元的实体也并不能保证严格一致，特别是头尾的不完整波形，涉及到信号采集时的技术限制，无法保证每次采样时都是从完成的数据单元开始，因此必然有非完整的数据单元会被采集到，这部分数据必须在特征处理时进行考虑，否则会成为模型训练中的噪音，对最后的分类精度造成比较大的影响。

对于图2中的波形进行基础特征提取，基础特征提取步骤如下：

1)数据单元实体上升沿：为了避免上拉须1和下拉须2对数据单元的上下沿检验造成干扰，需要对整个波形通过中值滤波进行平滑处理，图3为使用中值滤波处理之后的波形，通过中值滤波之后的波形再进行滑动窗口的检验，若滑动窗口内的波形电压幅度上升超过阈值，则视为检测信号单元的上升沿。遍历整个检测信号，获取到所有的上升沿的时间坐标区域[x左,x右]，x左代表上升沿的左侧低点位置，x右代表时间轴的右侧高点位置。有效波形上升沿6需要与2）中的下降沿进行交叉检验，对于如图3中所示的未配对无效上升沿9需要进行丢弃处理。

2)数据单元实体下降沿：下降沿检测与1）中的方案一致，唯一的区别是在进行滑动窗口检测时，需要判断窗口内电压幅度下降超过预定阈值之后，可识别出所有有效波形下降沿7。每个下降沿都同样表示为时间坐标区域[x左,x右]，x左代表下降沿的左侧高点位置，x右代表时间轴的右侧低点位置。对于如图3中所示的未配对无效下降沿8需要进行丢弃处理。

3)数据单元上拉须1：将原始数据与如图3）所示的中值滤波处理过的波形进行相减之后就可以得到如图4所示的信号差分部分，设定显著性电压阈值之后，就可以提取到数据单元中所有的上拉须1所处的时间轴位置及幅度大小绝对值，以及有效上拉须10。

4)数据单元下拉须2：数据单元下拉须2提取方式与3）一致，只需要重新设定最小的负向电压变化幅度阈值即可提取到所有的下拉须2所处的时间轴位置及幅度大小绝对值，以及有效下拉须11。

提取上述原始基础特征之后，就可以作为基础构建用于检测信号分类的特征集合：

a)检测信号上拉须1数量特征：根据图4中统计上拉须1的总量；

b)检测信号上拉须1平均幅度：根据图4中统计上拉须1的平均幅度；

c)检测信号下拉须2数量：根据图4中统计下拉须2的总量；

d)检测信号下拉须2平均幅度：根据图4中统计下拉须2的平均幅度；

e)检测信号上升沿数量：根据图3中统计上升沿的总量；

f)检测信号下降沿数量：根据图3中统计下降沿的总量；

g)检测信号上升沿平均高度：根据图3中统计上升沿的平均高度；

h)检测信号下降沿平均高度：故居图3中统计下降沿的平均高度；

i)检测信号平均上沿宽度：根据图3中获取到上升沿集合以及下降沿集合之后，根据上升沿所处的时间轴位置向时间增长方向寻找第一个下降沿，作为匹配的下降沿，然后将上升沿区间[x左,x右]中的右侧点x右与下降沿区间[x’左,x’右]中的左侧点x’左相减取绝对值，得到如图2中所示的波形实体上宽度4。在针对全局信号进行累加平均值统计之后，就获取到检测信号的平均上沿宽度特征。

j)检测信号平均下沿宽度：按i)中的方案找到匹配的上升沿以及下降沿，然后将上升沿区间[x左,x右]中的左侧点x左与下降沿区间[x’左,x’右]中的右侧点x’右相减取绝对值，得到如图2中所示的波形实体下宽度5。在针对全局信号进行累加平均值统计之后，就获取到检测信号的平均下沿宽度特征。

k)检测信号上拉须1占比：根据a)获取到上拉须1总量peak_num之后，除以e)和f)中获取的上升沿数量up_num与下降沿数量down_num的平均值(up_num+down_num)/2相除，获取到上拉须1占比，若up_num+down_num为零，则该特征结果处理为0。

l)检测信号下拉须2占比：根据a)获取到下拉须2总量down_peak_num之后，除以e)和f)中获取的上升沿数量up_num与下降沿数量down_num的平均值(up_num+down_num)/2相除，获取到下拉须2的占比，同样若up_num+down_num为零，则该特征置0。

m)检测信号波形单元上升下降沿平均高度差异度。将检测到的上升沿集合中的上升沿，均找到对应的下降沿(方法均与i)中寻找匹配下降沿的方法一致）。将上升沿的高度减去下降沿的高度相减取绝对值，再将所有这样的高度差异值求和取平均，得到最后平均高度差异度。

（3）模型训练及参数调整：针对所有信号集合数据均经过第二部分的特征提取阶段之后，将原始信号数据集合均转换为第二部分中的13维特征输入到分类模型中，这里模型使用了全梯度下降树gbdt,并经过gridsearch的参数搜索方法，确定了学习率0.001，以及树的数量200。并为了防止过拟合，将树的深度限制在了5。并通过传统的机器学习验证方案，将原始数据保留一部分作为测试集合进行验证，验证指标主要使用准确率和召回率指标进行衡量模型分类能力的好坏。

（4）模型训练发布及在线分类：线下模型训练完成之后，将产出的模型文件发布到线上进行在线分类，线上预估系统加载模型之后,就会对采集到的单个信号数据进行特征提取（与第二部分逻辑一致），并经过模型的在线打分来判断良品、次品的概率，并将较大概率的类型作为最终分类结果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。