时间尺度上的缺陷趋势变化分析方法与流程

本发明涉及数据信息处理领域，尤其涉及时间尺度上的缺陷趋势变化分析方法。

背景技术：

1、在现代生产和服务领域中，产品和服务质量是企业和机构获得成功的关键因素之一。在这个过程中，缺陷的的检测、分析和预防是至关重要的。然而，在各个行业中随着时间的推移，缺陷可能会在产品或服务中出现，往往会导致生产中断、产品损坏或安全隐患等问题，对其性能和可靠性产生负面影响。

2、了解和分析缺陷发生的趋势变化对于优化系统性能和提高维护效率具有重要意义。而常规的缺陷管理方法主要依赖于经验判断和规则设定，对于缺陷趋势的准确预测和分析能力有所限制。因此，需要一种能够在时间尺度上对缺陷趋势进行分析和预测的方法。

3、但在现有技术中至少还存在以下问题：对于数据的处理不够细致，往往会出现一些纰漏；不能实时监测系统中的缺陷情况，并且不能根据时间变化判断缺陷趋势；而且无法根据分析出的缺陷趋势变化，再结合历史数据以及趋势特征预测未来的缺陷变化，缺乏避免潜在的损失和风险的措施。

技术实现思路

1、本发明可以用于各种不同领域和行业，例如，在软件开发过程中，可以通过本发明对各种软件缺陷进行分析和处理；在生产管理中，可以通过本发明对不同类型的问题进行统计和分析，从而提高生产效率和质量；在市场营销中，可以通过本发明对消费者反馈和投诉进行分析，优化产品和服务质量。总之，时间尺度上的缺陷趋势变化分析方法是一种全面、科学、有效的缺陷分析方法，可以最大程度的降低成本，提高工作效率，减少工作中带来的风险，具有重要的理论意义和实践价值。

2、本发明技术方案具体如下：

3、时间尺度上的缺陷趋势变化分析方法，具体包括以下步骤：

4、步骤s1.从系统或设备的运行记录中收集相关数据，在数据传输前进行安全编码处理；

5、步骤s2.对收集到的数据进行清洗和处理，得到综合处理后的信息数据集，为后续分析工作提供数据依据；

6、步骤s3.根据得到的综合处理后的信息数据集进行缺陷趋势分析，建立缺陷趋势神经网络模型，同时结合门控机制，处理时间序列数据来分析缺陷趋势；

7、步骤s4.根据缺陷趋势神经网络模型，预测未来一段时间内缺陷发生情况，建立缺陷发展预测神经网络模型，结合历史数据和趋势特征，预测未来的缺陷情况；

8、步骤s5.将缺陷趋势分析和缺陷发展预测结果以可视化的形式展示给用户，根据反馈因子制定相应的预防和修复策略，并提供相应的改进建议。

9、进一步，所述步骤1具体包括：

10、在进行安全编码过程中：选取dataa中的r列信息数据作为保护层，dataa表示通过系统或设备的运行记录中获取的缺陷发生时间数据集合，

11、其中，m表示收集缺陷时间的节点位置或部件位置的个数，n表示每处位置采集到的信息数据个数，集合dataa中的任意一个元素可由gaij表示，gaij表示第i处位置采集到的第j个数据信息，i∈[1,m]，j∈[1,n]；

12、其中，r×n为整数，然后将数据从ga11开始按列的顺序开始依次进行s型取值，一直到集合中的最后一个元素，得到安全编码后的缺陷发生时间数据集合dataa’，具体可表示为dataa’＝{ga11,ga21,...,ga11,ga21,...,gam1,ga12,...,gam2,...,gamn}；其中ga11,ga21,...表示保护层；然后得到安全编码后的信息数据集合data‘。

13、进一步，所述步骤3具体包括：

14、建立缺陷趋势神经网络模型，具体过程如下：

15、初始状态为u；门控机制包括更新门、重置门、限制门；最终输出结果为：ye＝sigmoid(ωyoe)+by，其中，ye表示缺陷趋势神经网络模型的输出结果，sigmoid为激活函数，oe表示e时刻的状态，ωy表示输出状态的权重值，by表示输出状态的偏置。

16、进一步，所述步骤4具体包括：

17、建立缺陷发展预测神经网络模型，包括输入层、预测层、输出层；

18、定义输入层有h个神经元，将ye中的数据输入到输入层，输入层与预测层间为全连接，则预测层的输入为：其中in2表示预测层的输入，ω2表示输入层与预测层之间的连接权重值，b2表示预测层的偏置；

19、在预测层中先对输入的数据进行标准化处理，得到预测层对输入数据标准化处理的结果集s，计算过程为：

20、

21、其中，out表示预测层的输出，sigmoid为激活函数，ω3表示预测层内部权重值，b3表示预测层内部的偏置，t表示调节参数；

22、输出层输出最终的预测结果yz。

23、进一步，根据缺陷发展预测神经网络输出的预测结果进行判断，具体过程为：式中，[q,p]表示选中的时间区域；

24、然后通过引入标准因子α来优化缺陷发展预测神经网络模型中的参数，不断迭代更新，当找到概率最大时停止训练：f表示评估函数。

25、进一步，所述步骤s5具体包括：

26、引入反馈因子μ，判断整体缺陷趋势变化情况，其中，整体缺陷趋势变化情况和预测的缺陷趋势变化率成正相关，与缺陷类型变化率成正相关，与运行时损耗率成正相关，与运行成本成负相关，具体为：

27、

28、其中，r1表示预测的缺陷趋势变化率，r2表示缺陷类型变化率，r3表示运行时损耗率，r4表示运行成本。

29、有益效果：

30、1.本发明通过使用安全编码处理，可以帮助验证传输过程中数据的完整性，确保传输过程中的数据不被未经授权的人访问或窃取，增加数据传输的安全性，减少遭受网络攻击的风险，保护传输过程中的信息不被外界以及自身干扰。

31、2.本发明使得缺陷趋势神经网络模型能够更好地处理时间序列数据，从而更有效地捕捉缺陷趋势。更新门可以帮助模型及时适应新的缺陷数据，避免过度依赖历史数据；限制门可以帮助模型忘记不相关的数据，避免对最终结果的影响；重置门可以帮助模型更好地处理非线性动态，使得模型的趋势预测更加准确。

32、3.本发明通过构建缺陷发展预测神经网络模型，学习历史数据和趋势，识别出缺陷发展的模式和规律，可以提前发现可能出现的缺陷，并及时采取措施进行修复或调整，以避免潜在的损失和风险；还可以提高生产效率、产品质量和客户满意度，从而提高企业的竞争力，增强市场地位。

33、4.本发明将缺陷趋势神经网络模型和缺陷发展预测神经网络模型的结果以可视化的形式展示给用户，可以获得更好的理解和解释、更好的决策支持、更好的跟踪和监控、更好的沟通和协作，以及更高的效率和生产力。通过引入反馈因子，可以了解到缺陷趋势变化，及时修复问题，可以提高产品或服务的质量。提供反馈机制可以及时掌握缺陷情况，从而制定相关方法就行修复或改进。

34、5.本发明通过收集相关数据，然后在数据传输前进行安全编码处理，保护传输过程中的信息不被外界以及自身干扰，以保障采集到的数据的准确性和完整性；再进行对数据信息的综合处理得到数据集，建立缺陷趋势神经网络模型，分析缺陷的变化趋势；然后根据变化趋势和历史数据，建立缺陷发展预测神经网络模型，找出预测后的结果中概率最大的即最符合的，从而针对出现的缺陷进行修复，针对即将出现的缺陷进行预防，最大程度的降低成本，提高工作效率，减少工作中带来的风险。