引起产品生产合格率跳跃式行为的低相关因子确定方法和装置与流程

本公开一般涉及工业生产控制领域，具体涉及生产合格率控制领域，尤其涉及一种引起产品生产合格率跳跃式行为的低相关因子确定方法和装置。

背景技术：

目前，工业生产中，产品的生产合格率的控制是工业生产控制的重要一环。普通认为，影响生产合格率的高度相关的因子有：生产设备的好坏、工人的生产技术水平、工人的生产态度、组织生产的管理者能力等。然而，实践发现在生产设备的好坏、工人的生产技术水平、工人的生产态度、组织生产的管理者能力等都很到位的情况下，有时也会出现生产合格率的跳跃式行为。例如，发现在某一天生产出的合格率比前后的天显著地低。后来发现，是一些通常在工业生产控制中被认为与产品合格率不太相关，或低相关的因子有时会扰动，造成生产合格率在某个时间点跳跃式突变。例如，“大雨天”一般认为不是对生产合格率有最大影响的因子，但实践中发现，在瓢泼大雨的天气里，生产合格率经常突发性下降。这可能与在这样的天气中，工人的神经兴奋性降低，导致容易出错有关。另外，在节假日倒休的工作日，例如，为了5月1日-5月3日连休，4月30日和4月31日分别是星期六和星期日，却还要工作，这样的日子生产合格率往往不高。这可能与工人持续一周劳动造成体力精力下降有关。及时找到生产合格率发生跳跃式行为背后的这些看起来不太相关、但实际上却造成了这些跳跃式行为的因子，在工业控制中非常重要。

因此，需要一种在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子的方案。

技术实现要素：

鉴于现有技术中的上述缺陷或不足，期望提供在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子的技术。

第一方面，本申请实施例提供了一种引起产品生产合格率跳跃式行为的低相关因子确定方法，所述方法包括：确定生产合格率随时间曲线的跳变点；将确定的跳变点的时间的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入预先训练的自学习模型，由自学习模型输出所述预定的多个低相关因子中引起生产合格率跳跃式行为的问题低相关因子，其中，所述自学习模型是用样本的集合预先训练出的，每个样本包括：历史上生产合格率随时间曲线的跳变点的时间的所述预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子。

第二方面，本申请实施例提供了一种引起产品生产合格率跳跃式行为的低相关因子确定装置，所述装置包括：跳变点确定单元，用于确定生产合格率随时间曲线的跳变点；输入单元，用于将确定的跳变点的时间的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入预先训练的自学习模型，由自学习模型输出所述预定的多个低相关因子中引起生产合格率跳跃式行为的问题低相关因子，其中，所述自学习模型是用样本的集合预先训练出的，每个样本包括：历史上生产合格率随时间曲线的跳变点的时间的所述预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子。

第三方面，本申请实施例提供了一种设备，包括处理器、存储器和显示器；所述存储器包含可由所述处理器执行的指令以使得所述处理器执行：确定生产合格率随时间曲线的跳变点；将确定的跳变点的时间的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入预先训练的自学习模型，由自学习模型输出所述预定的多个低相关因子中引起生产合格率跳跃式行为的问题低相关因子，其中，所述自学习模型是用样本的集合预先训练出的，每个样本包括：历史上生产合格率随时间曲线的跳变点的时间的所述预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子。

第四方面，本申请实施例提供了一种机器可读介质，包含计算机程序，所述计算机程序包括用于执行以下的程序代码：确定生产合格率随时间曲线的跳变点；将确定的跳变点的时间的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入预先训练的自学习模型，由自学习模型输出所述预定的多个低相关因子中引起生产合格率跳跃式行为的问题低相关因子，其中，所述自学习模型是用样本的集合预先训练出的，每个样本包括：历史上生产合格率随时间曲线的跳变点的时间的所述预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子。

本发明实施例中，借助于自学习模型的方法来确定引起生产合格率跳变的低相关因子。预先确定若干可能会影响生产合格率跳跃式行为的低相关因子，如天气状况、节假日调休状况、当天是否有重大活动、是否是发工资日等等。针对历史上生产合格率发生跳变的那些时间点，把它们的低相关因子状况，如天气状况、节假日调休状况等等，输入自学习模型，并预先判断(例如通过调查工人和车间组长)在该时间点究竟是哪种或哪些低相关因子使得他们体力或判断力下降，导致不合格产品增多。再将这些判断出的问题低相关因子输入自学习模型。自学习模型不断学习在各种低相关因子下合格率跳变，最后认定的问题低相关因子是哪个或哪些低相关因子。在自学习模型学习了足够多的样本后，将某一跳变点的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入自学习模型，自学习模型就能根据其学习结果认定问题低相关因子。它无需借助人工，实现了在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了根据本申请一个实施例的引起产品生产合格率跳跃式行为的低相关因子确定方法的示例性流程图；

图2示出了根据本申请一个实施例的引起产品生产合格率跳跃式行为的低相关因子确定装置的示例性结构框图；

图3示出了适于用来实现本申请实施例的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如背景技术中提到的，目前，普通认为，影响生产合格率的高度相关的因子有：生产设备的好坏、工人的生产技术水平、工人的生产态度、组织生产的管理者能力等。然而，，实践发现，在生产设备的好坏、工人的生产技术水平、工人的生产态度、组织生产的管理者能力等都很到位的情况下，有时也会出现生产合格率的跳跃式行为。例如，发现在某一天生产出的合格率比前后的天显著地低。后来发现，是一些通常在工业生产控制中被认为与产品合格率不太相关，或低相关的因子造成了生产合格率在某个时间点跳跃式突变。例如，“大雨天”一般认为不是对生产合格率有很大影响的因子，但实践中发现，在瓢泼大雨的天气里，生产合格率经常突发性下降。这可能与在这样的天气中，工人的神经兴奋性降低，导致容易出错有关。另外，在节假日倒休的工作日，例如，为了5月1日-5月3日连休，4月30日和4月31日分别是星期六和星期日，却还要工作，这样的日子生产合格率往往不高。这可能与工人持续一周劳动造成体力精力下降有关。及时找到生产合格率发生跳跃式行为背后的这些看起来不太相关、但实际上却造成了这些跳跃式行为的因子，在工业控制中非常重要。因此，需要一种在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子的方案。

本发明实施例中，借助于自学习模型的方法来确定引起生产合格率跳变的低相关因子。预先确定若干可能会影响生产合格率跳跃式行为的低相关因子，如天气状况、节假日调休状况、当天是否有重大活动、是否是发工资日等等。针对历史上生产合格率发生跳变的那些时间点，把它们的低相关因子，如天气状况、节假日调休状况等等，输入自学习模型，并预先判断(例如通过调查工人和车间组长)在该时间点究竟是哪种或哪些低相关因子使得他们体力或判断力下降，导致不合格产品增多。再将这些判断出的问题低相关因子输入自学习模型。自学习模型不断学习在各种低相关因子下合格率跳变，最后认定的问题低相关因子是哪个或哪些低相关因子。在自学习模型学习了足够多的样本后，将某一跳变点的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入自学习模型，自学习模型就能输出根据其学习结果认定的问题低相关因子。它无需借助人工，实现了在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子。

参考图1，其示出了根据本申请一个实施例的引起产品生产合格率跳跃式行为的低相关因子确定方法。

生产合格率是指生产出的合格的产品占全部生产出的产品的比例。就某个时间点来说，例如，2017年3月5日的生产合格率是主体(例如，某生产机器，某车间，某工厂)3月5日生产出的产品中的合格品占3月5日该主体生产出的全部产品的比例。

跳跃式行为是指发生突变的行为。例如，某工厂2017年3月4日的生产合格率为99％，在2017年3月5日生产合格率变成85％，合格率变化很大，有可能会认定此时发生了生产合格率的突变或生产合格率的跳跃式行为。一般认定是否发生了跳跃式行为，可以看生产合格率的变化率绝对值是否超过一个预定的绝对值阈值。例如，生产合格率从99％变化到85％，生产合格率的变化率为(85％-99％)/99％＝-14.1％，绝对值为14.1％。如果绝对值阈值为10％，则大于10％，认为此时发生了突变或跳跃式行为。

低相关因子是指从传统意义上看不是影响生产合格率跳跃式行为的主要因子，例如，生产设备的好坏、工人的生产技术水平、工人的生产态度、组织生产的管理者能力等，但在这些主要因子都没有明显问题的情况下还是发生了生产合格率的跳跃式行为而附加考察的其它一般意义上与产品生产合格率不是很相关的因子，如天气状况、节假日调休状况等等。

如图1所示，在步骤110中，确定生产合格率随时间曲线的跳变点。

生产合格率随时间曲线是对某一主体(例如生产机器、车间、工厂)各时间点测得的生产合格率作为点放在以时间为横轴、生产合格率为纵轴的坐标系中连续而成的曲线。例如，某工厂2017年3月1日的生产合格率为92％，2017年3月2日的生产合格率为99％，2017年3月3日的生产合格率为85％……，以2017年3月1日、3月2日、3月3日……为横轴上的坐标，纵轴上的坐标代表这些时间点的生产合格率，就得到了一系列的点。将它们连成曲线，就得到了生产合格率随时间曲线。

跳变点是指发生了跳变的点，即曲线上不平滑的点或斜率变化明显与周围不一致的点。

在一个实施例中，步骤110包括：确定生产合格率随时间曲线上的各时间点的生产合格率变化率；对于负的生产合格率变化率，将该生产合格率变化率的绝对值与变化率绝对值阈值比较；如果该生产合格率变化率的绝对值大于变化率绝对值阈值，则确定生产合格率随时间曲线在该时间点是跳变点。

在一个实施例中，生产合格率随时间曲线上的时间点的生产合格率变化率等于该时间点的生产合格率与生产合格率随时间曲线上前一时间点的生产合格率之差与前一时间点的生产合格率的比值。例如，某工厂2017年3月1日的生产合格率为92％，2017年3月2日的生产合格率为99％，2017年3月3日的生产合格率为85％……对于2017年3月2日来说，它的生产合格率变化率等于2017年3月2日的生产合格率99％与生产合格率随时间曲线上前一时间点即2017年3月1日的生产合格率92％之差与2017年3月1日的生产合格率92％的比值，即(99％-92％)/92％＝7.6％。对于2017年3月3日来说，它的生产合格率变化率等于2017年3月3日的生产合格率85％与生产合格率随时间曲线上前一时间点即2017年3月2日的生产合格率99％之差与2017年3月2日的生产合格率99％的比值，即(85％-99％)/99％＝-14.1％。

一般地，只有生产合格率变化率为负的那些点才有可能是要为之确定引起这种跳跃的低相关因子的点，因为在生产控制中，关心生产合格率为什么下降，远比关心生产合格率为什么上升重要。因此，仅是对于负的生产合格率变化率，将该生产合格率变化率的绝对值与变化率绝对值阈值比较，且如果该生产合格率变化率的绝对值大于变化率绝对值阈值，则确定生产合格率随时间曲线在该时间点是跳变点。例如，设定的变化率绝对值是10％，在2017年3月3日这个时间点，生产合格率变化率为-14.1％，其绝对值为14.1％，大于10％，因此，该曲线在2017年3月3日的点是跳变点。

上述过程中，只分析生产合格率变化率为负的那些点的好处是大大减小了计算处理量，又关注到了最应关注的点。

在步骤120中，将确定的跳变点的时间的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入预先训练的自学习模型，由自学习模型输出所述预定的多个低相关因子中引起生产合格率跳跃式行为的问题低相关因子。

预定的多个低相关因子是预先确定的多个可能会影响生产合格率跳跃式行为的低相关因子，如天气状况、节假日调休状况、当天是否有重大活动、是否是发工资日等等。例如，2017年3月3日是确定的跳变点，该天有暴雨，非节假日调休、无重大活动、是发工资日，生产合格率变化率为-14.1％，则将“暴雨”、“非节假日调休”、“无重大活动”、“是发工资日”，“生产合格率变化率-14.1％”输入预先训练的自学习模型，由自学习模型输出“暴雨”、“非节假日调休”、“无重大活动”、“是发工资日”这些低相关因子中哪个或哪些是引起生产合格率跳跃式行为的问题低相关因子。

所述自学习模型是用样本的集合预先训练出的。每个样本包括：历史上生产合格率随时间曲线的跳变点的时间的所述预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子。

历史上生产合格率随时间曲线是将历史上各时间点的生产合格率作为点放在以时间点为横轴、生产合格率为纵轴的坐标系上用线连接成的曲线。在曲线上能找到跳变点(按照例如步骤110的方法)。

每个跳变点的预定的多个低相关因子能够被查找到。例如，2015年9月31日是一个跳变点，该天多云，是节假日调休、无重大活动、是发工资日，则2015年9月31日的预定多个低相关因子是“多云”、“是节假日调休”、“无重大活动”、“是发工资日”。

每个跳变点的生产合格率变化率也能按如步骤110中的方法计算出。

问题低相关因子是指真正引起生产合格率跳跃行为的低相关因子。对于每个跳变点，预先判断出所述预先多个低相关因子中哪个或哪些是真正引起生产合格率跳跃行为的问题低相关因子。预先判断的方法可以通过人工调查的方式，即调查工人和车间组长等在跳变点当天是多个低相关因子的哪个或哪些因子使他们体力或判断力下降，最终造成了当天的生产合格率下降。例如，经调查，工人和车间组长反映，“多云”、“是节假日调休”、“无重大活动”、“不是发工资日”四个因子中，“是节假日调休”对它们的劳动能力影响很大，其它几个因素影响不大。此时，对于2015年9月31日，将“多云”、“是节假日调休”、“无重大活动”、“是发工资日”这四个低相关因子、生成合格率“-9.74％”、引起生产合格率跳跃式行为的问题低相关因子“是节假日调休”输入自学习模型。

自学习模型不断学习在各种低相关因子下合格率跳变，最后认定的问题低相关因子是哪个或哪些低相关因子。在自学习模型学习了足够多的样本后，将某一跳变点的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入自学习模型，自学习模型就能输出根据其学习结果认定的问题低相关因子。它无需借助人工，实现了在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子。

在一个实施例中，所述历史上生产合格率随时间曲线包括：要确定引起产品生产合格率跳跃式行为的低相关因子的主体的历史上生产合格率随时间曲线，其中，所述主体包括生产产品所用的机器、生产车间、工厂中的任一个。

例如，要确定的是车间a为什么在2017年3月3日生产合格率突然急剧下降，那么在本实施例中，向自学习模型输入的样本就是车间a的样本，即画出车间a的历史上的生产合格率随时间曲线而不是整个工厂的生产合格率随时间曲线，在此基础上找跳变点，并找跳变点的预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子，从而形成样本。

该实施例的好处在于，由于训练自学习模型的样本是与需要确定引起其生产合格率跳变的低相关因子的主体同一主体的样本，使自学习模型输出的结果更精确。

在另一个实施例中，所述历史上生产合格率随时间曲线包括：要确定引起产品生产合格率跳跃式行为的低相关因子的主体的历史上生产合格率随时间曲线、以及要确定引起产品生产合格率跳跃式行为的低相关因子的主体之外的其它主体的历史上生产合格率随时间曲线，其中，所述主体包括生产产品所用的机器、生产车间、工厂中的任一个。

也就是说，该实施例中，训练自学习模型的样本不一定是与需要确定引起其生产合格率跳变的低相关因子的主体同一主体的样本。这样做的好处是，在收集样本时更容易。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

进一步参考图2，其示出了根据本申请一个实施例的引起产品生产合格率跳跃式行为的低相关因子确定装置200的示例性结构框图。

如图2所示，装置200包括跳变点确定单元210和输入单元220。

如图2所示，跳变点确定单元210确定生产合格率随时间曲线的跳变点。

生产合格率随时间曲线是对某一主体(例如生产机器、车间、工厂)各时间点测得的生产合格率作为点放在以时间为横轴、生产合格率为纵轴的坐标系中连续而成的曲线。例如，某工厂2017年3月1日的生产合格率为92％，2017年3月2日的生产合格率为99％，2017年3月3日的生产合格率为85％……，以2017年3月1日、3月2日、3月3日……为横轴上的坐标，纵轴上的坐标代表这些时间点的生产合格率，就得到了一系列的点。将它们连成曲线，就得到了生产合格率随时间曲线。

跳变点是指发生了跳变的点，即曲线上不平滑的点或斜率变化明显与周围不一致的点。

在一个实施例中，跳变点确定单元210进一步用于：确定生产合格率随时间曲线上的各时间点的生产合格率变化率；对于负的生产合格率变化率，将该生产合格率变化率的绝对值与变化率绝对值阈值比较；如果该生产合格率变化率的绝对值大于变化率绝对值阈值，则确定生产合格率随时间曲线在该时间点是跳变点。

在一个实施例中，生产合格率随时间曲线上的时间点的生产合格率变化率等于该时间点的生产合格率与生产合格率随时间曲线上前一时间点的生产合格率之差与前一时间点的生产合格率的比值。例如，某工厂2017年3月1日的生产合格率为92％，2017年3月2日的生产合格率为99％，2017年3月3日的生产合格率为85％……对于2017年3月2日来说，它的生产合格率变化率等于2017年3月2日的生产合格率99％与生产合格率随时间曲线上前一时间点即2017年3月1日的生产合格率92％之差与2017年3月1日的生产合格率92％的比值，即(99％-92％)/92％＝7.6％。对于2017年3月3日来说，它的生产合格率变化率等于2017年3月3日的生产合格率85％与生产合格率随时间曲线上前一时间点即2017年3月2日的生产合格率99％之差与2017年3月2日的生产合格率99％的比值，即(85％-99％)/99％＝-14.1％。

一般地，只有生产合格率变化率为负的那些点才有可能是要为之确定引起这种跳跃的低相关因子的点，因为在生产控制中，关心生产合格率为什么下降，远比关心生产合格率为什么上升重要。因此，仅是对于负的生产合格率变化率，将该生产合格率变化率的绝对值与变化率绝对值阈值比较，且如果该生产合格率变化率的绝对值大于变化率绝对值阈值，则确定生产合格率随时间曲线在该时间点是跳变点。例如，设定的变化率绝对值是10％，在2017年3月3日这个时间点，生产合格率变化率为-14.1％，其绝对值为14.1％，大于10％，因此，该曲线在2017年3月3日的点是跳变点。

上述过程中，只分析生产合格率变化率为负的那些点的好处是大大减小了计算处理量，又关注到了最应关注的点。

输入单元220将确定的跳变点的时间的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入预先训练的自学习模型，由自学习模型输出所述预定的多个低相关因子中引起生产合格率跳跃式行为的问题低相关因子。

预定的多个低相关因子是预先确定的多个可能会影响生产合格率跳跃式行为的低相关因子，如天气状况、节假日调休状况、当天是否有重大活动、是否是发工资日等等。例如，2017年3月3日是确定的跳变点，该天有暴雨，非节假日调休、无重大活动、是发工资日，生产合格率变化率为-14.1％，则将“暴雨”、“非节假日调休”、“无重大活动”、“是发工资日”，“生产合格率变化率-14.1％”输入预先训练的自学习模型，由自学习模型输出“暴雨”、“非节假日调休”、“无重大活动”、“是发工资日”这些低相关因子中哪个或哪些是引起生产合格率跳跃式行为的问题低相关因子。

所述自学习模型是用样本的集合预先训练出的。每个样本包括：历史上生产合格率随时间曲线的跳变点的时间的所述预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子。

历史上生产合格率随时间曲线是将历史上各时间点的生产合格率作为点放在以时间点为横轴、生产合格率为纵轴的坐标系上用线连接成的曲线。在曲线上能找到跳变点(按照例如跳变点确定单元210中的方法)。

每个跳变点的预定的多个低相关因子能够被查找到。例如，2015年9月31日是一个跳变点，该天多云，是节假日调休、无重大活动、是发工资日，则2015年9月31日的预定多个低相关因子是“多云”、“是节假日调休”、“无重大活动”、“是发工资日”。

每个跳变点的生产合格率变化率也能按如跳变点确定单元210中的方法计算出。

问题低相关因子是指真正引起生产合格率跳跃行为的低相关因子。对于每个跳变点，预先判断出所述预先多个低相关因子中哪个或哪些是真正引起生产合格率跳跃行为的问题低相关因子。预先判断的方法可以通过人工调查的方式，即调查工人和车间组长等在跳变点当天是多个低相关因子的哪个或哪些因子使他们体力或判断力下降，最终造成了当天的生产合格率下降。例如，经调查，工人和车间组长反映，“多云”、“是节假日调休”、“无重大活动”、“不是发工资日”四个因子中，“是节假日调休”对它们的劳动能力影响很大，其它几个因素影响不大。此时，对于2015年9月31日，将“多云”、“是节假日调休”、“无重大活动”、“是发工资日”这四个低相关因子、生成合格率“-9.74％”、引起生产合格率跳跃式行为的问题低相关因子“是节假日调休”输入自学习模型。

自学习模型不断学习在各种低相关因子下合格率跳变，最后认定的问题低相关因子是哪个或哪些低相关因子。在自学习模型学习了足够多的样本后，将某一跳变点的预定的多个低相关因子、以及该跳变点的生产合格率变化率输入自学习模型，自学习模型就能输出根据其学习结果认定的问题低相关因子。它无需借助人工，实现了在工业生产控制中自动确定引起产品生产合格率跳跃式行为的低相关因子。

在一个实施例中，所述历史上生产合格率随时间曲线包括：要确定引起产品生产合格率跳跃式行为的低相关因子的主体的历史上生产合格率随时间曲线，其中，所述主体包括生产产品所用的机器、生产车间、工厂中的任一个。

例如，要确定的是车间a为什么在2017年3月3日生产合格率突然急剧下降，那么在本实施例中，向自学习模型输入的样本就是车间a的样本，即画出车间a的历史上的生产合格率随时间曲线而不是整个工厂的生产合格率随时间曲线，在此基础上找跳变点，并找跳变点的预定的多个低相关因子、生产合格率变化率、以及相应的预先判断出的引起生产合格率跳跃式行为的问题低相关因子，从而形成样本。

该实施例的好处在于，由于训练自学习模型的样本是与需要确定引起其生产合格率跳变的低相关因子的主体同一主体的样本，使自学习模型输出的结果更精确。

在另一个实施例中，所述历史上生产合格率随时间曲线包括：要确定引起产品生产合格率跳跃式行为的低相关因子的主体的历史上生产合格率随时间曲线、以及要确定引起产品生产合格率跳跃式行为的低相关因子的主体之外的其它主体的历史上生产合格率随时间曲线，其中，所述主体包括生产产品所用的机器、生产车间、工厂中的任一个。

也就是说，该实施例中，训练自学习模型的样本不一定是与需要确定引起其生产合格率跳变的低相关因子的主体同一主体的样本。这样做的好处是，在收集样本时更容易。

下面参考图3，其示出了适于用来实现本申请实施例的计算机系统400的结构示意图。

如图3所示，计算机系统400包括中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储部分408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有系统400操作所需的各种程序和数据。cpu401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。

以下部件连接至i/o接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至i/o接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图1的方法的程序代码。

在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。