一种异常工况的工艺参数推荐方法及装置与流程

1.本技术属于互联网产业的一般数据处理领域，尤其涉及一种异常工况的工艺参数推荐方法及装置。


背景技术：

2.以人工智能为代表的信息技术和生产工艺技术不断取得重大进展。利用机器学习算法对生产工艺进行控制和监测，促进人工智能在生产工艺技术领域的快速发展，对控制生产流程，保证产品的质量具有重要意义。
3.现场的生产工况比较复杂，通常的标杆工况数据库无法覆盖异常工况，例如，蒸汽压力、生产用气压力、设备真空度等工艺参数由于设备负荷等非可控因素，导致该工艺参数超出标杆工况值预先设置的公差范围，且长时间无法恢复时，该工艺参数会变成一个非标准工况工艺参数，此时，继续按照标杆工况的工艺参数进行生产，将无法达到产品的生产结果指标。


技术实现要素：

4.本技术实施例提供了一种异常工况的工艺参数推荐方法及装置，能对数学模型进行优化，在当前生产中出现异常工况时，及时地对异常工况下的工艺参数进行调整，从而适应异常工况的变化，满足产品的生产结果指标。
5.第一方面，本技术实施例提供了一种异常工况的工艺参数推荐方法，包括：基于第一训练集，生成第一数学模型；获取异常工况下的异常工艺参数，利用所述第一数学模型进行推荐值算法，得到第二训练集的训练样本；将所述第二训练集的训练样本的生产结果产品指标转化为多目标优化指数；若所述多目标优化指数大于预设值，则利用所述第二训练集优化所述第一数学模型的所述推荐值算法；若所述多目标优化指数小于所述预设值，则基于所述第二训练集的训练样本，利用排产算法生成第三训练集；基于所述第三训练集，生成第二数学模型。
6.上述方法中，第一数学模型是基于正常工况下的第一训练集训练得来，当出现异常工况时，获取异常工况下的工艺参数，并利用第一数学模型进行推荐值算法，得到第二训练集的训练样本，再将第二训练集的训练样本的生成结果产品指标转化为多目标优化指数，若多目标优化指数大于预设值，则利用第二训练集优化第一数学模型中的推荐值算法，若多目标优化指数无法达到预设值，则需要通过调整第二训练集的训练样本的工艺参数，生成第三训练集，再基于第三训练集，生成第二数学模型，并将第二数学模型作为最终使用版本。该方法能对数学模型进行优化，在当前生产中出现异常工况时，及时地对异常工况下的工艺参数进行调整，从而适应异常工况的变化，满足产品的生产结果指标。
7.在一种可能的实现方式中，所述基于所述第二训练集的训练样本，利用排产算法生成第三训练集包括：获取所述第三训练集的训练样本的数量；若所述第三训练集的训练样本的数量小于预设量值，则利用排产算法生成所述第三训练集。
8.在本技术实施例中，若多目标优化指数小于预设值，需要对第三训练集的训练样本的数量进行判断，若数量小于预设量值时，则训练样本的样本数不足，需要调整该训练样本的工艺参数，生成第三训练集，直到训练样本的数量达到预设量值。该方法保证了训练集样本量充足，从而使生成的第二数学模型准确性高。
9.在一种可能的实现方式中，所述若所述第三训练集的训练样本的数量小于预设量值，则利用排产算法生成所述第三训练集包括：若所述第三训练集的训练样本的数量小于所述预设量值，则利用排产算法调整所述第二训练集的训练样本的工艺参数，得到训练后的样本；根据所述训练后的样本，生成所述第三训练集。
10.在本技术实施例中，若第三训练集的训练样本的数量小于预设量值，则采用排产算法调整该训练样本的工艺参数得到训练后的样本，从而生成第三训练集。该方法通过排产算法预测出多个工艺参数，能够保证第三训练集的样本量达到预设量值标准。
11.在一种可能的实现方式中，所述训练后的样本包括异常工况下可用的训练样本和/或异常工况下不可用的训练样本，所述根据所述训练后的样本，生成所述第三训练集包括：将所述异常工况下可用的训练样本添加至所述第三训练集，将所述异常工况下不可用的训练样本从所述第三训练集中删除，得到所述第三训练集。
12.在本技术实施例中，通过排产算法训练得到训练后的样本，其中训练后的样本包括异常工况下不可用的训练样本和/或异常工况下可用的训练样本，将异常工况下不可用的训练样本剔除，异常工况下可用的训练样本添加到第三训练集，得到第三训练集，保证了第三训练集的准确性和有效性。
13.在一种可能的实现方式中，所述基于第一训练集，生成第一数学模型包括：在正常工况下，基于研发阶段的设计计分卡，利用产品设计参数生成所述第一训练集；基于所述第一训练集，生成所述第一数学模型。在本技术实施例中，第一数学模型是通过正常工况下的第一训练集训练得到，其中，第一训练集是正常工况下，基于研发阶段的设计计分卡，利用产品设计参数生成得到，但当出现异常工况时，第一数学模型将无法满足实际的生产，需要对第一数学模型进行优化，从而适应异常工况的变化，满足产品的生产结果指标。
14.第二方面，本技术实施例提供了一种异常工况的工艺参数推荐装置，包括：处理单元，用于基于第一训练集，生成第一数学模型；获取单元，用于获取异常工况下的异常工艺参数，利用所述第一数学模型进行推荐值算法，得到第二训练集的训练样本；所述处理单元，用于将所述第二训练集的训练样本的生产结果产品指标转化为多
目标优化指数；若所述多目标优化指数大于预设值，则利用所述第二训练集优化所述第一数学模型的所述推荐值算法；若所述多目标优化指数小于所述预设值，则基于所述第二训练集的训练样本，利用排产算法生成第三训练集；基于所述第三训练集，生成第二数学模型。
15.该异常工况的工艺参数推荐装置执行的操作及有益效果可以参见上述第一方面中任意一项所述的方法以及有益效果，重复之处不再赘述。
16.第三方面，本技术提供了一种异常工况的工艺参数推荐装置，该异常工况的工艺参数推荐装置可以是服务器，也可以是服务器中的装置，或者是能够和服务器匹配使用的装置。其中，该异常工况的工艺参数推荐装置还可以为芯片系统。该异常工况的工艺参数推荐装置可执行第一方面中任意一项所述的方法。该异常工况的工艺参数推荐装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。该模块可以是软件和/或硬件。该异常工况的工艺参数推荐装置执行的操作及有益效果可以参见上述第一方面中任意一项所述的方法以及有益效果，重复之处不再赘述。
17.第四方面，本技术提供了一种异常工况的工艺参数推荐装置，所述异常工况的工艺参数推荐装置包括处理器，当所述处理器调用存储器中的计算机程序时，如第一方面中任意一项所述的方法被执行。
18.第五方面，本技术提供了一种异常工况的工艺参数推荐装置，所述异常工况的工艺参数推荐装置包括处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于执行所述存储器所存储的计算机程序，以使所述异常工况的工艺参数推荐装置执行如第一方面中任意一项所述的方法。
19.第六方面，本技术提供了一种异常工况的工艺参数推荐装置，所述异常工况的工艺参数推荐装置包括处理器、存储器和收发器，所述收发器，用于接收信道或信号，或者发送信道或信号；所述存储器，用于存储计算机程序；所述处理器，用于从所述存储器调用所述计算机程序执行如第一方面中任意一项所述的方法。
20.第七方面，本技术提供了一种异常工况的工艺参数推荐装置，所述异常工况的工艺参数推荐装置包括处理器和接口电路，所述接口电路，用于接收计算机程序并传输至所述处理器；所述处理器运行所述计算机程序以执行如第一方面中任意一项所述的方法。
21.第八方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，使得如第一方面中任意一项所述的方法被实现。
22.第九方面，本技术提供一种包括计算机程序的计算机程序产品，当计算机程序被执行时，使得如第一方面中任意一项所述的方法被实现。
23.第十方面，本技术实施例提供了一种异常工况的工艺参数推荐系统，该异常工况的工艺参数推荐系统包括至少一个服务器和至少一个终端设备，该服务器用于执行上述第一方面中任意一项的步骤。
附图说明
24.以下对本技术实施例用到的附图进行介绍。
25.图1是本技术实施例提供的一种异常工况的工艺参数推荐系统架构示意图；图2是本技术实施例提供的一种循环神经网络200示意图；图3是本技术实施例提供的一种异常工况的工艺参数推荐方法的流程图；图4是本技术实施例提供的一种异常工况的工艺参数推荐装置400的结构示意图；图5是本技术实施例提供的一种异常工况的工艺参数推荐装置500的结构示意图。
具体实施方式
26.下面结合本技术实施例中的附图对本技术实施例进行描述。
27.由于本技术实施例涉及大量神经网络的应用，为了便于理解，下面先对本技术实施例涉及的相关术语及神经网络等相关概念进行介绍。
28.（1）神经网络神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：（1-1）其中，s=1、2、
……
n，n为大于1的自然数，ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数（activation functions），用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
29.（2）深度神经网络深度神经网络（deep neural network，dnn），也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从dnn按不同层的位置划分，dnn内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然dnn看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：y=α(wx+b)，其中，x是输入向量，y是输出向量，b是偏移向量，w是权重矩阵（也称系数），α( )是激活函数。每一层仅仅是对输入向量x经过如此简单的操作得到输出向量y。由于dnn层数多，则系数w和偏移向量b的数量也就很多了。这些参数在dnn中的定义如下所述：以系数w为例：假设在一个三层的dnn中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为。上标3代表系数w所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第l
−
1层的第k个神经元到第l层的第j个神经元的系数定义为。需要注意的是，输入层是没有w参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵（由很多层的向量w形成的权重矩阵）。
30.（3）卷积神经网络卷积神经网络（convolutional neuron network，cnn）是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。这其中隐含的原理是：图像的某一部分的统计信息与其他部分是一样的。即意味着在某一部分学习的图像信息也能用在另一部分上。所以对于图像上的所有位置，都能使用同样的学习得到的图像信息。在同一卷积层中，可以使用多个卷积核来提取不同的图像信息，一般地，卷积核数量越多，卷积操作反映的图像信息越丰富。
31.卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。
32.（4）循环神经网络（recurrent neural networks，rnn）是用来处理序列数据的。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，而对于每一层层内之间的各个节点是无连接的。这种普通的神经网络虽然解决了很多难题，但是却仍然对很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。rnn之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐含层本层之间的节点不再无连接而是有连接的，并且隐含层的输入不仅包括输入层的输出还包括上一时刻隐含层的输出。理论上，rnn能够对任何长度的序列数据进行处理。对于rnn的训练和对传统的cnn或dnn的训练一样。同样使用误差反向传播算法，不过有一点区别：即，如果将rnn进行网络展开，那么其中的参数，如w，是共享的；而如上举例上述的传统神经网络却不是这样。并且在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，还依赖前面若干步网络的状态。该学习算法称为基于时间的反向传播算法（back propagation through time，bptt）。
33.既然已经有了卷积神经网络，还要循环神经网络的原因很简单。在卷积神经网络中，有一个前提假设是：元素之间是相互独立的，输入与输出也是独立的，比如猫和狗。但现实世界中，很多元素都是相互连接的，比如股票随时间的变化，再比如一个人说了：我喜欢旅游，其中最喜欢的地方是云南，以后有机会一定要去。这里填空，人类应该都知道是填“云南”。因为人类会根据上下文的内容进行推断，想让机器做到这一步，rnn就应运而生了。rnn旨在让机器像人一样拥有记忆的能力。因此，rnn的输出就需要依赖当前的输入信息和历史的记忆信息。
34.请参见图1，图1是本技术实施例提供的一种异常工况的工艺参数推荐系统架构示意图，如图所示，数据采集设备106用于获取异常工况下的异常工艺参数，本技术实施例中数据包括：正常工况下的产品设计参数和异常工艺参数；并将异常工艺参数存入数据库
108，训练设备109基于数据库108中的异常工艺参数训练得到目标模型/规则101，其中，所述目标模型/规则101可以是数学模型。下面将更详细地描述训练设备109如何基于训练数据集得到目标模型/规则101，该目标模型/规则101能够用于实现本技术实施例提供的异常工况的工艺参数推荐方法。本技术实施例中的目标模型/规则101具体可以为循环神经网络，在本技术提供的实施例中，该循环神经网络是通过训练待训练模型得到的。需要说明的是，在实际的应用中，所述数据库108中的数据不一定都来自于数据采集设备106的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备109也不一定完全基于数据库108的训练数据集进行目标模型/规则101的训练，也有可能从云端或其他地方获取训练数据集进行模型训练，上述描述不应该作为对本技术实施例的限定。
35.根据训练设备109训练得到的目标模型/规则101可以应用于不同的系统或设备中，如应用于图1所示的执行设备110，所述执行设备110可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实/虚拟现实（augmented reality/virtual reality，ar/vr），车载终端等，还可以是服务器或者云端等。在图1中，执行设备110配置有i/o接口102，用于与外部设备进行数据交互，用户可以通过客户设备104向 i/o接口102输入数据。
36.预处理模块103用于根据i/o接口102接收到的异常工况下的异常工艺参数进行预处理，在本技术实施例中，预处理模块103可以用于根据异常工况下的异常工艺参数，利用推荐值算法，得到第二训练集的训练样本，从而对目标模型/规则101进行约束。
37.在执行设备110对异常工况下的训练样本进行预处理，或者在执行设备110的计算模块107执行计算等相关的处理过程中，执行设备110可以调用数据存储系统105中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统105中。
38.最后，i/o接口102将处理结果返回给客户设备104，从而提供给用户。
39.值得说明的是，训练设备109可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则101，该相应的目标模型/规则101即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。
40.在图1所示的情况下，用户可以手动给定输入数据，该手动给定可以通过i/o接口102提供的界面进行操作。另一种情况下，客户设备104可以自动地向i/o接口102发送输入数据，如果要求客户设备104自动发送输入数据需要获得用户的授权，则用户可以在客户设备104中设置相应权限。用户可以在客户设备104查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备104也可以作为数据采集端，采集如图所示输入i/o接口102的输入数据及输出i/o接口102的输出结果作为新的样本数据，并存入数据库108。当然，也可以不经过客户设备104进行采集，而是由i/o接口102直接将如图所示输入i/o接口102的输入数据及输出i/o接口102的输出结果，作为新的样本数据存入数据库108。
41.值得注意的是，图1仅是本发明实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图1中，数据存储系统105相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统105置于执行设备110中。
42.如图1所示，根据训练设备109训练得到目标模型/规则101，该目标模型/规则101在本技术实施例中可以是循环神经网络。
43.请参见图2，图2是本技术实施例提供的一种循环神经网络200示意图，可以包括输入层210，卷积层/池化层220，以及神经网络层230。上述卷积层/池化层220可以包括221-226层，举例来说，在一种实现中，221层为卷积层，222层为池化层，223层为卷积层，224层为池化层，225为卷积层，226为池化层；在另一种实现方式中，221、222为卷积层，223为池化层，224、225为卷积层，226为池化层。即卷积层的输出可以作为随后的池化层的输入，也可以作为另一个卷积层的输入以继续进行卷积操作。
44.下面将以卷积层221为例，介绍一层卷积层的内部工作原理。
45.卷积层221可以包括很多个卷积算子，卷积算子也称为核，其在模型训练中的作用相当于一个从输入矩阵中提取特定信息的过滤器，卷积算子本质上可以是一个权重矩阵，这个权重矩阵通常被预先定义，在对输入矩阵进行卷积操作的过程中，权重矩阵通常在输入矩阵向量上沿着水平方向一个特征值接着一个特征值或者两个特征值接着两个特征值进行处理，从而完成从矩阵中提取特定特征的工作。该权重矩阵的大小应该与矩阵的大小相关，需要注意的是，权重矩阵的纵深维度（depth dimension）和输入矩阵的纵深维度是相同的，在进行卷积运算的过程中，权重矩阵会延伸到输入矩阵的整个深度。因此，和一个单一的权重矩阵进行卷积会产生一个单一纵深维度的卷积化输出，但是大多数情况下不使用单一权重矩阵，而是应用多个尺寸（行
×
列）相同的权重矩阵，即多个同型矩阵。每个权重矩阵的输出被堆叠起来形成卷积图像的纵深维度，这里的维度可以理解为由上面所述的“多个”来决定。该多个权重矩阵尺寸（行
×
列）相同，经过该多个尺寸相同的权重矩阵提取后的特征图的尺寸也相同，再将提取到的多个尺寸相同的特征合并形成卷积运算的输出。
46.这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到，通过训练得到的权重值形成的各个权重矩阵可以用来从输入矩阵中提取信息，从而使得循环神经网络200进行正确的预测。
47.当循环神经网络200有多个卷积层的时候，初始的卷积层（例如221）往往提取较多的一般特征，该一般特征也可以称之为低级别的特征；随着循环神经网络200深度的加深，越往后的卷积层（例如226）提取到的特征越来越复杂，比如高级别的语义之类的特征，语义越高的特征越适用于待解决的问题。
48.由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在如图2中卷积层/池化层220所示例的221-226各层，可以是一层卷积层后面跟一层池化层，也可以是多层卷积层后面接一层或多层池化层。
49.在经过卷积层/池化层220的处理后，循环神经网络200还不足以输出所需要的输出信息。因为如前所述，卷积层/池化层220只会提取特征。然而为了生成最终的输出信息（所需要的类信息或其他相关信息），循环神经网络200需要利用神经网络层230来生成一个或者一组所需要的类的数量的输出。因此，在神经网络层230中可以包括多层隐含层（如图2所示的231、232至23n）以及输出层240，该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到。
50.在神经网络层230中的多层隐含层之后，也就是整个循环神经网络200的最后层为输出层240，该输出层240具有类似分类交叉熵的损失函数，具体用于计算预测误差，一旦整个循环神经网络200的前向传播（如图2由210至240方向的传播为前向传播）完成，反向传播（如图2由240至210方向的传播为反向传播）就会开始更新前面提到的各层的权重值以及偏
差，以减少循环神经网络200的损失，及循环神经网络200通过输出层输出的结果和理想结果之间的误差。
51.需要说明的是，图2所示的循环神经网络200仅作为一种循环神经网络的示例，在具体的应用中，循环神经网络还可以以其他网络模型的形式存在。
52.请参见图3，图3是本技术实施例提供的一种异常工况的工艺参数推荐方法的流程图，该方法包括但不限于如下步骤：s301：基于第一训练集，生成第一数学模型。
53.在一些实施例中，在正常工况下，基于研发阶段的设计计分卡，利用产品设计参数生成第一训练集；基于第一训练集，生成第一数学模型。
54.具体地，正常工况即标准工况，指生产设备在标准状态下的工作状态，其中，工况是根据多个工艺参数确定的，例如，对于生产温度这个工艺参数，温度范围在区间a内为一个工况，温度范围在区间b内（b与a不相同）为另一个工况。每一个工艺参数都对应一个标杆工况范围（标准工况下的工艺参数范围），若该工艺参数超出标杆工况范围预先设置的公差范围，且长时间无法恢复时，该工艺参数会变成一个非标准工况参数，即，异常工况参数。上述产品设计参数可以包括不同生产设备的可控参数指标，其中，可控参数指标包括温度、湿度、蒸汽压力、生产用气压力、设备真空度中的至少一项。在该实施例中，第一数学模型是通过正常工况下的第一训练集训练得到，其中，第一训练集是在正常工况下，基于研发阶段的设计计分卡，利用产品设计参数生成得到，但当出现异常工况时，第一数学模型将无法满足实际的生产，需要对第一数学模型进行优化，从而适应异常工况的变化，满足产品的生产结果指标。
55.s302：获取异常工况下的异常工艺参数，利用第一数学模型进行推荐值算法，得到第二训练集的训练样本。
56.具体地，获取异常工况下的异常工艺参数，并利用第一数学模型对该异常工艺参数进行推荐值算法，得到第二训练集的训练样本。当生产过程中出现生产工况异常的情况时，对异常工况下的工艺参数进行监控，并记录非标工况编码、当前的生产批次号、标杆工况已反应的时间等信息，同时获取异常工况下的工艺参数以及该工艺参数的标杆工况范围。
57.举例来说，有p1~pn个工艺流程，每个流程有m个工艺参数x，可以表示为pn：x1~xm，工况参数故障编码为：n，m：a1，b1，c1，d1，e1，
···
ai，bi，ci，di，ei（n为异常流程的个数，m为异常参数x的个数，a为流程号，b为工艺参数编号，c为工艺参数故障编码，d为故障编码可用标志，e为异常参数数据库地址编号）。
58.s303：将第二训练集的训练样本的生产结果产品指标转化为多目标优化指数。
59.具体地，调用第一数学模型，利用调优算法计算出异常工艺参数对应的其他推荐工艺参数，按照推荐的工艺参数进行实际生产，从而得到多目标优化指数。
60.上述多目标优化指数是指目标产品的评价分数，可以用字母p表示，其中，p的范围为0~100，满分100分，p越大说明数学模型越准确。
61.在获取异常工况下的工艺参数后，将该工艺参数x=（x1，x2，
···
xm）输入到第一数学模型中，通过排产设置为设备工艺参数进行生产验证得到产品参数实际值y=（y1，y2，
···
yn），再根据产品参数实际值y，生成多目标优化指数p=f（y目标值，y实际值），其
中，y目标值为多目标机器学习算法设置的产品参数目标值，该目标值结合客户对该产品参数的最低要求质量、规格限以及大批量生产的产品参数的波动综合设定，保证100%的产品良品率，例如，某化工产品客户要求伯胺的含量为99%，即，该化工产品的伯胺含量低于99%则为不合格，因为该化工产品的产品参数为正态分布，如果按照99%的标准进行生产，将会有一半概率最终小于99%，从而导致该化工产品不良，通常情况，会将目标值设置为规格下限+大于4倍标准差，保证该化工产品的产品参数小于99%的概率为0，若该伯胺含量的标准差为0.1%，则y目标值设置为大于等于99.4%。y实际值为异常工况下的产品参数实际值。
62.s304：若多目标优化指数大于预设值，则利用第二训练集优化第一数学模型的推荐值算法。
63.具体地，若多目标优化指数大于预设值时，就将利用第一数学模型进行推荐值算法得到的第二训练集用于优化第一数学模型的推荐值算法。
64.上述第二训练集根据非标工况编码建立得来，其中，训练集中的训练样本数据库格式为：编号、非标工况编码、生产批次、全流程p1~pn的工艺参数的标杆工况值，推荐参数值，对应产品的质量特性值。
65.其中，可以根据生产批次通过区块链将该生产批次内对应的生产数据进行保存。可以先为当前生产批次对应的生产数据的第一区块链生成第一区块链地址，然后为第二训练集中的数据存储的第二区块链生成第二区块链地址，然后对当前生产批次对应的生产数据进行校验，确定是否将其添加进第二训练集，若添加进第二训练集，则根据第一区块链地址获取生产数据，并根据第二区块链地址将第二区块链中的对应内容添加进第一区块链，若删除，则根据第二区块链地址将第二区块链中包括的当前批次的数据进行删除。
66.s305：若多目标优化指数小于预设值，则基于第二训练集的训练样本，利用排产算法生成第三训练集。
67.在一些实施例中，若所述多目标优化指数小于所述预设值，则获取所述第三训练集的训练样本的数量，若所述第三训练集的训练样本的数量小于预设量值，则利用排产算法生成第三训练集。
68.进一步的，若所述第三训练集的训练样本的数量小于预设量值，则通过排产算法调整所述第二训练集的训练样本的工艺参数，得到训练后的样本，其中，所述训练后的样本包括异常工况下可用的训练样本和/或异常工况下不可用的训练样本，将所述异常工况下可用的训练样本添加至所述第三训练集，将所述异常工况下不可用的训练样本从所述第三训练集中删除，得到所述第三训练集。
69.具体地，获取第三训练集的训练样本的数量，当第三训练集的训练样本的数量小于预设量值时，此时，训练样本不足，需要通过训练排产推荐法继续学习，得到训练后的样本，再将异常批次生产的所有异常工艺参数的工况编码为可用的该批次的工艺参数添加至第三训练集，同时，将训练集中训练样本与总体要求不符（训练样本的工艺参数的均值以及变化次数等超出预设范围、训练样本的数据质量异常等），即，异常工况下不可用的工艺参数从第三训练集中删除，最终得到第三训练集。其中，训练排产推荐方法的具体实现方式如下：比较最近两次异常训练的多目标优化指数p值，当p（k+i）》p（k）时，其中，k为训练的轮次，k》=1且k《n（n为正整数），用p（k+i）对应工艺参数xn的附近区间，进行新的训练排产
推荐。
70.举例来说，异常工况推荐算法得出的第二训练集的训练样本的工艺参数xn本轮通过算法获得初始推荐值为1100，p（k）=75，（1）在工艺参数xn附近生成1100+/-50的区间，在若干值（1050，1075，1125，1150）中随机选择下一轮的参数为1075；（2）下一轮k推荐值如果是训练阶段，那么工艺参数xn先使用1075，p（k+1）=74，本轮p（k+1）《 p（k）=75，不用本轮xn值继续推荐；（3）k+2轮推荐值（随机推荐1150），xn=1150，p（k+2）=80，本轮p（k+2）》p（k），在xn=1150附近生成1150+/-50的区间，在（1100，1125，1150，1175，1200）区间值内随机选取数据进行推荐算法，例如，选取推荐值为xn=1175；（4）k+3轮推荐值xn=1175，p（k+3）=82，本轮p（k+3）》p（k+2），在xn=1175附近生成1175+/-50的区间值，随机选取数据进行推荐算法，后续推荐以此类推。
71.将每一轮生成的工艺参数添加至第三训练集中，直到第三训练集中训练样本的数量大于预设量值。
72.应说明的是，设置训练标识，保证每次学习推荐第三训练集的训练样本的工艺参数xn在上轮的推荐值附近随机波动，如果本轮推荐结果的多目标优化指数p值较好，则在本轮的xn参数值附近继续生成推荐参数，通过该训练算法，可以直观比较每次推荐算法的多目标优化指数p值的提升度，同时也满足了训练样本的需求。
73.在该实施例中，若多目标优化指数小于预设值，则说明上述第一数学模型失效，无法满足异常工况下的实际生产，此时，需要通过排产算法训练，调整第二训练集的训练样本的工艺参数，生成第三训练集，为后续生成第二数学模型做准备。
74.s306：基于第三训练集，生成第二数学模型。
75.具体地，第三训练集的训练样本中包括通过排产算法得到的工艺参数以及通过生产验证得到足够数量的训练样本，将该第三训练集，通过机器学习的方法，生成第二数学模型，将训练得到的第二数学模型作为最终使用版本。
76.进一步的，利用生成的上述第二数学模型进行推荐值算法，得到第四训练集的训练样本，再将第四训练集的训练样本的生产结果产品指标转化为第二多目标优化指数（具体实现方式可以参照步骤s302-s303的具体实现方式，此处不再详细赘述），直到该第二多目标优化指数大于预设值，并将最终达标的第四训练集的训练样本的工艺参数xn推荐值设置为异常工况的最终推荐值，并在该异常工况下使用。
77.上述详细阐述了本技术实施例的方法，下面提供了本技术实施例的装置。
78.请参见图4，图4是本技术实施例提供的一种异常工况的工艺参数推荐装置400的结构示意图，该装置包括处理单元401和获取单元402，其中，各个单元的详细描述如下。
79.处理单元401，用于基于第一训练集，生成第一数学模型；获取单元402，用于获取异常工况下的异常工艺参数，利用所述第一数学模型进行推荐值算法，得到第二训练集的训练样本；所述处理单元401，用于将所述第二训练集的训练样本的生产结果产品指标转化为多目标优化指数；若所述多目标优化指数大于预设值，则利用所述第二训练集优化所述第一数学模型的所述推荐值算法；若所述多目标优化指数小于所述预设值，则基于所述第
二训练集的训练样本，利用排产算法生成第三训练集；基于所述第三训练集，生成第二数学模型。
80.在一种可能的实现方式中，所述获取单元402还用于：获取所述第三训练集的训练样本的数量；所述处理单元401具体用于：若所述第三训练集的训练样本的数量小于预设量值，则利用排产算法生成所述第三训练集。
81.在一种可能的实现方式中，所述处理单元401具体用于：若所述第三训练集的训练样本的数量小于所述预设量值，则利用排产算法调整所述第二训练集的训练样本的工艺参数，得到训练后的样本；根据所述训练后的样本，生成所述第三训练集。
82.在一种可能的实现方式中，所述训练后的样本包括异常工况下可用的训练样本和/或异常工况下不可用的训练样本，所述处理单元401具体用于：将所述异常工况下可用的训练样本添加至所述第三训练集，将所述异常工况下不可用的训练样本从所述第三训练集中删除，得到所述第三训练集。
83.在一种可能的实现方式中，所述处理单元401还用于：在正常工况下，基于研发阶段的设计计分卡，利用产品设计参数生成所述第一训练集；基于所述第一训练集，生成所述第一数学模型。需要说明的是，各个单元的实现及有益效果还可以对应参照图3所示的方法实施例的相应描述。
84.请参见图5，图5是本技术实施例提供的一种异常工况的工艺参数推荐装置500的结构示意图，该装置500包括处理器501和收发器503，可选的，还包括存储器502，所述处理器501、存储器502和收发器503通过总线504相互连接。
85.存储器502包括但不限于是随机存储记忆体（random access memory，ram）、只读存储器（read-only memory， rom）、可擦除可编程只读存储器（erasable programmable read only memory，eprom）、或便携式只读存储器（compact disc read-only memory，cd-rom），该存储器502用于相关指令及数据。收发器503用于接收和发送数据。
86.处理器501可以是一个或多个中央处理器（central processing unit，cpu），在处理器501是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。
87.该装置500中的处理器501读取所述存储器502中存储的程序代码，用于执行以下操作：基于第一训练集，生成第一数学模型；获取异常工况下的异常工艺参数，利用所述第一数学模型进行推荐值算法，得到第二训练集的训练样本；将所述第二训练集的训练样本的生产结果产品指标转化为多目标优化指数；若所述多目标优化指数大于预设值，则利用所述第二训练集优化所述第一数学模型的所述推荐值算法；若所述多目标优化指数小于所述预设值，则基于所述第二训练集的训练样本，利用排产算法生成第三训练集；
基于所述第三训练集，生成第二数学模型。
88.可选的，通过所述收发器503获取所述第三训练集的训练样本的数量，所述处理器501，还用于若所述第三训练集的训练样本的数量小于预设量值，则利用排产算法生成所述第三训练集。
89.可选的，所述处理器501，还用于若所述第三训练集的训练样本的数量小于所述预设量值，则利用排产算法调整所述第二训练集的训练样本的工艺参数，得到训练后的样本；根据所述训练后的样本，生成所述第三训练集。
90.可选的，所述训练后的样本包括异常工况下可用的训练样本和/或异常工况下不可用的训练样本，所述处理器501，还用于将所述异常工况下可用的训练样本添加至所述第三训练集，将所述异常工况下不可用的训练样本从所述第三训练集中删除，得到所述第三训练集。
91.可选的，所述处理器501，还用于在正常工况下，基于研发阶段的设计计分卡，利用产品设计参数生成所述第一训练集；基于所述第一训练集，生成所述第一数学模型。
92.需要说明的是，各个操作的实现及有益效果还可以对应参照图3所示的方法实施例的相应描述。
93.本技术实施例还提供了一种芯片系统，该芯片系统包括处理器，用于支持服务器以实现上述任一实施例中所涉及的功能。在一种可能的设计中，所述芯片系统还可以包括存储器，所述存储器，用于定位服务器必要的计算机程序和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。其中，芯片系统的输入和输出，分别对应方法实施例服务器的接收与发送操作。
94.本技术实施例还提供了一种异常工况的工艺参数推荐装置，包括处理器和接口。所述处理器可用于执行上述方法实施例中的方法。
95.应理解，上述异常工况的工艺参数推荐装置可以是一个芯片。例如，该异常工况的工艺参数推荐装置可以是现场可编程门阵列（field programmable gate array，fpga），可以是专用集成芯片（application specific integrated circuit，asic），还可以是系统芯片（system on chip，soc），还可以是中央处理器（central processor unit，cpu），还可以是网络处理器（network processor，np），还可以是数字信号处理电路（digital signal processor，dsp），还可以是微控制器（micro controller unit，mcu），还可以是可编程控制器（programmable logic device，pld）或其他集成芯片。
96.在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
97.应注意，本技术实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（dsp）、专用集成电路（asic）、现场可编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻
辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
98.根据本技术实施例提供的方法，本技术还提供一种计算机程序产品，该计算机程序产品包括：计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行图3所示实施例中任意一个实施例的方法。
99.根据本技术实施例提供的方法，本技术还提供一种计算机可读介质，该计算机可读介质存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行图3所示实施例中任意一个实施例的方法。
100.根据本技术实施例提供的方法，本技术还提供一种异常工况的工艺参数推荐系统，其包括前述的一个或多个服务器、一个或多个终端设备。
101.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriber line，dsl））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，高密度数字视频光盘（digital video disc，dvd））、或者半导体介质（例如，固态硬盘（solid state disc，ssd））等。
102.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各种说明性逻辑块（illustrative logical block）和步骤（step），能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
103.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
104.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者定位服务器等）执行本技术各个实施例所述方法的全部或部分步
骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
105.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。