基于人工智能的产品品质的改善装置的制作方法

文档序号:18270432发布日期:2019-07-27 09:37阅读:145来源:国知局
基于人工智能的产品品质的改善装置的制作方法

本申请实施例涉及计算机技术人工智能领域,具体涉及基于人工智能的产品品质的改善方法和装置。



背景技术:

随着人工智能技术的发展,人工智能技术得到了广泛的应用。产品制作过程中产生了大量的数据,通过人工智能技术对这些数据进行处理和分析,可以高效的提升产品的质量。



技术实现要素:

本申请实施例提出了一种基于人工智能的产品品质的改善方法和装置。

第一方面,本申请实施例提供了一种基于人工智能的产品品质的改善方法,包括:

获取预先选定的n个产品的关键指标,n为正整数;

将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品;

获取第一产品对应的m个流程的关键指标,m为正整数;

将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程;

获取第一流程对应的x个步骤的关键指标,x为正整数;

将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤;

获取第一步骤对应的y个失效模式,y为正整数;

对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式;

获取第一失效模式对应的数据;

基于第一失效模式和数据进行失效分析,得到失效原因。

在一些实施例中,该方法包括:

关键指标为良率;

第一预设标准为最小值或低于预设数值;

第二预设标准为最小值或低于预设数值;

第三预设标准为最小值或低于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该方法包括:

关键指标为首次通过率;

第一预设标准为最小值或低于预设数值;

第二预设标准为最小值或低于预设数值;

第三预设标准为最小值或低于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该方法包括:

关键指标为不良品的数量;

第一预设标准为最大值或高于预设数值;

第二预设标准为最大值或高于预设数值;

第三预设标准为最大值或高于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该方法包括:

关键指标为不良品的单价或总价格;

第一预设标准为最大值或高于预设数值;

第二预设标准为最大值或高于预设数值;

第三预设标准为最大值或高于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该方法包括:

第四预设标准为发生频率最高、发生频次最高、基于第三预设标准的权重极值或基于第四预设标准排序的次序极值。

在一些实施例中,失效分析基于预设知识库进行,失效分析包括:

步骤一、基于失效模式和/或数据对预设知识库进行检索,得到解决方案;

步骤二、执行解决方案,记录执行步骤的状态及获取到的信息;

步骤三、记录问题是否得到解决;

步骤四、如果有多个解决方案且问题没有得到解决,则依次执行多个解决方案中的每一个直至多个解决方案都得到执行。

在一些实施例中,失效分析基于预先训练的模型进行,模型包括策略网络模型和价值网络模型:

基于产品和流程的预设仿真模型和预设知识图谱构建策略网络模型,以已知失效模式和相应的数据作为策略网络模型的输入,以与已知失效模式相应的失效原因和相应的概率作为策略网络模型的输出,利用机器学习的方法对预设的初始模型进行训练得到策略网络模型,预设的失效原因包括通过改变预设仿真模型的条件和/或参数得到的失效原因;

以已知失效原因作为价值网络模型的输入,将已知失效原因在预设知识库中对应的发生概率作为输出,利用机器学习的方法对预设的初始模型进行训练得到价值网络模型;

以第一失效模式和数据作为策略网络模型的输入,得到相应的失效原因和相应的概率;

通过概率对失效原因进行排序;

按照排序结果,以得到的失效原因作为价值网络模型的输入,得到失效原因发生的概率。

第二方面,本申请实施例提供了一种电子设备,包括:

一个或多个处理器;

存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本申请实施例中所述方法中任一的方法。

第三方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如本申请实施例中所述方法中任一的方法。

第四方面,本申请实施例提供了一种基于人工智能的产品品质的改善装置,包括:

产品关键指标单元,被配置成用于获取预先选定的n个产品的关键指标,n为正整数;

第一产品获取单元,被配置成用于将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品;

流程关键指标单元,被配置成用于获取第一产品对应的m个流程的关键指标,m为正整数;

第一流程获取单元,被配置成用于将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程;

步骤关键指标单元,被配置成用于获取第一流程对应的x个步骤的关键指标,x为正整数;

第一步骤获取单元,被配置成用于将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤;

步骤失效模式单元,被配置成用于获取第一步骤对应的y个失效模式,y为正整数;

第一失效模式单元,被配置成用于对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式;

数据获取单元,被配置成用于获取第一失效模式对应的数据;

失效分析单元,被配置成用于基于第一失效模式和数据进行失效分析,得到失效原因。

在一些实施例中,该装置包括:

关键指标为良率;

第一预设标准为最小值或低于预设数值;

第二预设标准为最小值或低于预设数值;

第三预设标准为最小值或低于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该装置包括:

关键指标为首次通过率;

第一预设标准为最小值或低于预设数值;

第二预设标准为最小值或低于预设数值;

第三预设标准为最小值或低于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该装置包括:

关键指标为不良品的数量;

第一预设标准为最大值或高于预设数值;

第二预设标准为最大值或高于预设数值;

第三预设标准为最大值或高于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该装置包括:

关键指标为不良品的单价或总价格;

第一预设标准为最大值或高于预设数值;

第二预设标准为最大值或高于预设数值;

第三预设标准为最大值或高于预设数值;

第四预设标准为最大值或高于预设数值。

在一些实施例中,该装置包括:

第四预设标准为发生频率最高、发生频次最高、基于第三预设标准的权重极值或基于第四预设标准排序的次序极值。

在一些实施例中,失效分析基于预设知识库进行,失效分析包括:

步骤一、基于失效模式和/或数据检索预设知识库,得到解决方案;

步骤二、执行解决方案,记录执行步骤的状态及获取到的信息;

步骤三、记录问题是否得到解决;

步骤四、如果有多个解决方案且问题没有得到解决,则依次执行多个解决方案中的每一个直至多个解决方案都得到执行。

在一些实施例中,失效分析基于预先训练的模型进行,模型包括策略网络模型和价值网络模型:

基于产品和流程的预设仿真模型和预设知识图谱构建策略网络模型,以已知失效模式和相应的数据作为策略网络模型的输入,以与已知失效模式相应的失效原因和相应的概率作为策略网络模型的输出,利用机器学习的方法对预设的初始模型进行训练得到策略网络模型,预设的失效原因包括通过改变预设仿真模型的条件和/或参数得到的失效原因;

以已知失效原因作为价值网络模型的输入,将已知失效原因在预设知识库中对应的发生概率作为输出,利用机器学习的方法对预设的初始模型进行训练得到价值网络模型;

以第一失效模式和数据作为策略网络模型的输入,得到相应的失效原因和相应的概率;

通过概率对失效原因进行排序;

按照排序结果,以得到的失效原因作为价值网络模型的输入,得到失效原因发生的概率。

第五方面,本申请实施例提供了一种系统,包括如本申请实施例中所述装置中任一的装置。

第六方面,本申请实施例提供了一种云平台,包括如本申请实施例中所述装置中任一的装置。

本申请实施例提供的一种基于人工智能的产品品质的改善方法和装置,通过以下步骤标准化了产品品质改善的流程,通过统计分析和机器学习的应用,提升了产品品质的改善效率和稳定性:

获取预先选定的n个产品的关键指标,n为正整数;

将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品;

获取第一产品对应的m个流程的关键指标,m为正整数;

将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程;

获取第一流程对应的x个步骤的关键指标,x为正整数;

将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤;

获取第一步骤对应的y个失效模式,y为正整数;

对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式;

获取第一失效模式对应的数据;

基于第一失效模式和数据进行失效分析,得到失效原因。

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是本申请的一个实施例可以应用于其中的示例性系统架构图;

图2是根据本申请的基于人工智能的产品品质的改善方法的一个实施例的流程图;

图3是根据本申请的基于人工智能的产品品质的改善方法的一个应用场景的示意图;

图4是根据本申请的基于人工智能的产品品质的改善方法和装置的相关模型的又一个实施例的流程图;

图5是根据本申请的基于人工智能的产品品质的改善装置的一个实施例的结构示意图;

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

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,附图中仅示出了与有关发明相关的部分。

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。

需要说明的是,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,a和/或b,可以表示:单独存在a,同时存在a和b,单独存在b这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。

需要说明的是,本文中术语“预设”,表示预先设置的或预先训练的这两种含义。一般来说,预设模型指预先训练的模型,预设标准指预先设置的标准,预设规则指预先设置的规则。

图1示出了可以应用本申请的基于人工智能的产品品质的改善方法和装置的实施例的示例性系统架构100。

如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102或103上可以安装有雷达(例如红外激光雷达)、语音设备(例如麦克风、喇叭、扬声器等)、成像设备(摄像头、图形/图像扫描装置等)、显像设备(例如显示屏、投影仪、投屏设备、ar/vr设备、裸眼3d显像设备例如激光成像等)、文本输入类应用、空间物体识别类应用、图像物体识别类应用、语音识别类应用等。用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。

终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于照相机、摄像机、智能手机、无人机等各种飞行器、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的信息和/或请求进行分析和处理,生成与请求对应的加工信息的信息处理服务器。信息处理服务器可以对获取到的信息进行分析处理,确定与请求对应的预处理信息,然后对所确定的预处理信息进行再处理,从而生成与请求对应的加工信息。

需要说明的是,本申请实施例所提供的基于人工智能的产品品质的改善方法可以由服务器105执行,相应地,基于人工智能的产品品质的改善装置在此时设置于服务器105中。

需要指出的是,服务器105的本地也可以获取和/或存储有待加工的信息,服务器105可以直接获取信息或提取本地的待加工信息,此时,示例性系统架构100可以不包括终端设备101、102、103和网络104。

需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是,本申请实施例所提供的基于人工智能的产品品质的改善方法也常常由终端设备101、102或103执行,相应地,此时基于人工智能的产品品质的改善装置设置于终端设备101、102或103中。

需要指出的是,终端设备101、102或103的本地也可以获取和/或存储有待加工信息,终端设备101、102或103可以直接获取加工信息,此时,示例性系统架构100可以不包括服务器105和网络104。

应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。

在这里,待加工信息包括本申请实施例中所述方法和装置中涉及到的数据、模型以及相关请求,例如关键指标和失效模式等。

继续参考图2,示出了根据本申请的基于人工智能的产品品质的改善方法的一个实施例的流程200。基于人工智能的产品品质的改善方法,包括以下步骤:

步骤201,获取预先选定的n个产品的关键指标,n为正整数。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以获取预先选定的n个产品的关键指标。在这里,n为正整数。

在本实施例的一些可选的实现方式中,关键指标为良率。

在本实施例的一些可选的实现方式中,关键指标为首次通过率。

在本实施例的一些可选的实现方式中,关键指标为不良品的数量。

在本实施例的一些可选的实现方式中,关键指标为不良品的单价或总价格。

步骤202,将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品。

在本实施例的一些可选的实现方式中,关键指标为良率,相应的第一预设标准为最小值或低于预设数值。

在本实施例的一些可选的实现方式中,关键指标为首次通过率,相应的第一预设标准为最小值或低于预设数值。

在本实施例的一些可选的实现方式中,关键指标为不良品的数量,相应的第一预设标准为最大值或高于预设数值。

在本实施例的一些可选的实现方式中,关键指标为不良品的单价或总价格,相应的第一预设标准为最大值或高于预设数值。

步骤203,获取第一产品对应的m个流程的关键指标,m为正整数。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以获取第一产品对应的m个流程的关键指标。在这里,m为正整数。

在本实施例的一些可选的实现方式中,关键指标为良率。

在本实施例的一些可选的实现方式中,关键指标为首次通过率。

在本实施例的一些可选的实现方式中,关键指标为不良品的数量。

在本实施例的一些可选的实现方式中,关键指标为不良品的单价或总价格。

步骤204,将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程。

在本实施例的一些可选的实现方式中,关键指标为良率,相应的第二预设标准为最小值或低于预设数值。

在本实施例的一些可选的实现方式中,关键指标为首次通过率,相应的第二预设标准为最小值或低于预设数值。

在本实施例的一些可选的实现方式中,关键指标为不良品的数量,相应的第二预设标准为最大值或高于预设数值。

在本实施例的一些可选的实现方式中,关键指标为不良品的单价或总价格,相应的第二预设标准为最大值或高于预设数值。

步骤205,获取第一流程对应的x个步骤的关键指标,x为正整数。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以获取第一流程对应的x个步骤的关键指标。在这里,x为正整数

在本实施例的一些可选的实现方式中,关键指标为良率。

在本实施例的一些可选的实现方式中,关键指标为首次通过率。

在本实施例的一些可选的实现方式中,关键指标为不良品的数量。

在本实施例的一些可选的实现方式中,关键指标为不良品的单价或总价格。

步骤206,将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤。

在本实施例的一些可选的实现方式中,关键指标为良率,相应的第三预设标准为最小值或低于预设数值。

在本实施例的一些可选的实现方式中,关键指标为首次通过率,相应的第三预设标准为最小值或低于预设数值。

在本实施例的一些可选的实现方式中,关键指标为不良品的数量,相应的第三预设标准为最大值或高于预设数值。

在本实施例的一些可选的实现方式中,关键指标为不良品的单价或总价格,相应的第三预设标准为最大值或高于预设数值。

步骤207,获取第一步骤对应的y个失效模式,y为正整数。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以获取第一步骤对应的y个失效模式。在这里,y为正整数。在这里,失效模式的全部种类是根据具体的产品或流程预先设置的。在这里,y个失效模式是全部失效模式的一部分或者全部。一般地,按照工作实施者一个一个地选择失效模式进行解决。

步骤208,对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式。

在本实施例的一些可选的实现方式中,第四预设标准为最大值或高于预设数值。

在本实施例的一些可选的实现方式中,第四预设标准为发生频率最高、发生频次最高、基于第三预设标准的权重极值或基于第四预设标准排序的次序极值。

步骤209,获取第一失效模式对应的数据。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以获取第一失效模式对应的数据。

步骤210,基于第一失效模式和数据进行失效分析,得到失效原因。

在本实施例中,基于人工智能的产品品质的改善方法的执行主体(例如图1所示的智能终端或服务器)可以基于第一失效模式和数据进行失效分析,得到失效原因。

在本实施例的一些可选的实现方式中,失效分析基于预设知识库进行,失效分析和改善措施包括:

步骤一、基于失效模式和/或数据对预设知识库进行检索,得到解决方案;

步骤二、执行解决方案,记录执行步骤的状态及获取到的信息;

步骤三、记录问题是否得到解决;

步骤四、如果有多个解决方案且问题没有得到解决,则依次执行多个解决方案中的每一个直至多个解决方案都得到执行。

在本实施例的一些可选的实现方式中,失效分析基于预先训练的模型进行,模型包括策略网络模型和价值网络模型:

基于产品和流程的预设仿真模型和预设知识图谱构建策略网络模型,以已知失效模式和相应的数据作为策略网络模型的输入,以与已知失效模式相应的失效原因和相应的概率作为策略网络模型的输出,利用机器学习的方法对预设的初始模型进行训练得到策略网络模型,预设的失效原因包括通过改变预设仿真模型的条件和/或参数得到的失效原因;

以已知失效原因作为价值网络模型的输入,将已知失效原因在预设知识库中对应的发生概率作为输出,利用机器学习的方法对预设的初始模型进行训练得到价值网络模型;

以第一失效模式和数据作为策略网络模型的输入,得到相应的失效原因和相应的概率;

通过概率对失效原因进行排序;

按照排序结果,以得到的失效原因作为价值网络模型的输入,得到失效原因发生的概率。

继续参考图3,图3是根据本实施例的基于人工智能的产品品质的改善方法的应用场景的一个示意图。在图3的应用场景中,用户通过移动智能终端301向服务器302输入了根据选定的100个产品及相关流程和步骤的良率、标准和失效模式发生的频次获取解决方案的请求。服务器302在接收到该请求后,获取选定的100个产品的良率,然后将获取到的100个产品的良率进行排序,得到第一产品,第一产品为100个产品中良率最低的产品,之后获取第一产品对应的10个流程的良率,再将获取到的10个流程的良率进行排序,得到第一流程,第一流程为10个流程中良率最低的流程,进一步地,获取第一流程对应的500个步骤的良率后,将获取到的500个步骤的良率进行排序,得到第一步骤,第一步骤为500个步骤中良率最低的步骤,随后,获取第一步骤对应的20个失效模式,对获取到的20个失效模式进行排序,得到第一失效模式,第一失效模式为20个失效模式中符合发生频次最高的模式,然后获取第一失效模式对应的数据,进而基于第一失效模式和数据进行失效分析,得到失效原因。之后,服务器302通过移动智能终端301显示获取到的失效原因。

本申请实施例提供的基于人工智能的产品品质的改善方法和装置,通过上述方法层层聚焦,结合统计分析等机器学习工具标准化了产品品质改善的流程,从而提高了产品品质改善的准确度和效率。

进一步参考图4,其示出了根据本申请的基于人工智能的产品品质的改善方法和装置的相关模型的一个训练方法的实施例的流程400。该流程400基于预先训练的模型进行失效分析,模型包括策略网络模型和价值网络模型,该流程400包括以下步骤:

步骤401,基于产品和流程的预设仿真模型和预设知识图谱构建策略网络模型,以已知失效模式和相应的数据作为策略网络模型的输入,以与已知失效模式相应的失效原因和相应的概率作为策略网络模型的输出,利用机器学习的方法对预设的初始模型进行训练得到策略网络模型,预设的失效原因包括通过改变预设仿真模型的条件和/或参数得到的失效原因。

在本实施例中,策略网络模型的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从智能终端或存贮有相关数据的服务器中获取模型所需的输入数据。在这里,上述执行主体基于产品和流程的预设仿真模型和预设知识图谱构建策略网络模型,以已知失效模式和相应的数据作为策略网络模型的输入,以与已知失效模式相应的失效原因和相应的概率作为策略网络模型的输出,利用机器学习的方法对预设的初始模型进行训练得到策略网络模型,预设的失效原因包括通过改变预设仿真模型的条件和/或参数得到的失效原因。在这里,上述模型的训练周期可以调节,例如既可以适应相关输入和仿真模型等的改变进行训练,也可以按照预设周期进行训练。

步骤402,以已知失效原因作为价值网络模型的输入,将已知失效原因在预设知识库中对应的发生概率作为输出,利用机器学习的方法对预设的初始模型进行训练得到价值网络模型。

在本实施例中,上述执行主体以已知失效原因作为价值网络模型的输入,将已知失效原因在预设知识库中对应的发生概率作为输出,利用机器学习的方法对预设的初始模型进行训练得到价值网络模型。在这里,上述模型的训练周期可以调节,例如既可以适应相关输入和仿真模型等的改变进行训练,也可以按照预设周期进行训练。

步骤403,以第一失效模式和数据作为策略网络模型的输入,得到相应的失效原因和相应的概率。

在本实施例中,上述执行主体以第一失效模式和数据作为策略网络模型的输入,得到相应的失效原因和相应的概率。

步骤404,通过概率对失效原因进行排序。

在本实施例中,上述执行主体通过概率对失效原因进行排序。

步骤405,按照排序结果,以得到的失效原因作为价值网络模型的输入,得到失效原因发生的概率。

在本实施例中,上述执行主体按照排序结果,以得到的失效原因作为价值网络模型的输入,得到失效原因发生的概率。

在本实施例中,上述执行主体可以从样本数据集合中选取样本数据,执行如下训练步骤训练价值网络模型:

首先,将选取的每一个样本数据过预处理后作为初始卷积神经网络的输入,将与样本数据对应的已知概率作为期望输出,对初始卷积神经网络进行训练,得到与样本数据对应的概率。接着,基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时,可以确定初始神经网络训练完成,并将训练完成的初始神经网络确定为价值网络模型。在这里,预设损失函数可以用于表征预测概率与样本概率之间的差异。

上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时,调整初始卷积神经网络的参数,以及从上述训练样本集合中重新选取样本或增加样本规模,将调整后的初始卷积神经网络作为初始卷积神经网络,继续执行上述训练步骤。在这里,调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。

在这里,策略网络模型的训练过程与价值网络模型的过程一致,但需要根据对输入和输出的数据和相应的配置进行调节。

从图4中可以看出,与图2所示的实施例不同的是,本实施例突出了基于人工智能的产品品质的改善方法和装置的相关模型的训练步骤,从而使得基于人工智能的产品品质的改善方法和装置更加准确。

进一步参考图5,作为对上述图4所示方法的实现,本申请提供了基于人工智能的产品品质的改善装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。

如图5所示,本实施例的基于人工智能的产品品质的改善装置500包括:

产品关键指标单元501,被配置成用于获取预先选定的n个产品的关键指标,n为正整数。

第一产品获取单元502,被配置成用于将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品。

流程关键指标单元503,被配置成用于获取第一产品对应的m个流程的关键指标,m为正整数。

第一流程获取单元504,被配置成用于将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程。

步骤关键指标单元505,被配置成用于获取第一流程对应的x个步骤的关键指标,x为正整数。

第一步骤获取单元506,被配置成用于将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤。

步骤失效模式单元507,被配置成用于获取第一步骤对应的y个失效模式,y为正整数。

第一失效模式单元508,被配置成用于对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式。

数据获取单元509,被配置成用于获取第一失效模式对应的数据。

失效分析单元510,被配置成用于基于第一失效模式和数据进行失效分析,得到失效原因。

在本实施例中,基于人工智能的产品品质的改善装置500中:产品关键指标单元501、第一产品获取单元502、流程关键指标单元503、第一流程获取单元504、步骤关键指标单元505、第一步骤获取单元506、步骤失效模式单元507、第一失效模式单元508、数据获取单元509和失效分析单元510的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201、步骤202、步骤203、步骤204、步骤205、步骤206、步骤207、步骤208、步骤209和步骤210的实现方式的相关描述,在此不再赘述。

下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示,计算机系统600包括中央处理单元(cpu)601,其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中,还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611,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610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608。

特别地,根据本公开的实施例,上文参考流程图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,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请该的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、rf等等,或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,该程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++,还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:产品关键指标单元、第一产品获取单元、流程关键指标单元、第一流程获取单元、步骤关键指标单元、第一步骤获取单元、步骤失效模式单元、第一失效模式单元、数据获取单元和失效分析单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,产品关键指标单元还可以被描述为“被配置成用于获取预先选定的n个产品的关键指标,n为正整数”的单元。

作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预先选定的n个产品的关键指标,n为正整数;将获取到的n个产品的关键指标进行排序,得到第一产品,第一产品为n个产品中关键指标符合第一预设标准的产品;获取第一产品对应的m个流程的关键指标,m为正整数;将获取到的m个流程的关键指标进行排序,得到第一流程,第一流程为m个流程中关键指标符合第二预设标准的流程;获取第一流程对应的x个步骤的关键指标,x为正整数;将获取到的x个步骤的关键指标进行排序,得到第一步骤,第一步骤为x个步骤中关键指标符合第三预设标准的步骤;获取第一步骤对应的y个失效模式,y为正整数;对获取到的y个失效模式进行排序,得到第一失效模式,第一失效模式为y个失效模式中符合第四预设标准的失效模式;获取第一失效模式对应的数据;基于第一失效模式和数据进行失效分析,得到失效原因。

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上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。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1