生产质量控制方法
【专利摘要】一种生产质量控制方法，利用生产数据挖掘平台取得实际生产数据；获得与用户需求质量目标相匹配的参考生产数据；将实际生产数据与参考生产数据进行对比；利用隐半马尔科夫模型根据对比结果预测生产质量。由于利用隐半马尔科夫模型对离散型数据具有较好的预测能力，因此通过所述隐半马尔科夫模型可以对生产质量进行有效的预测并进行工艺补偿。
【专利说明】生产质量控制方法
【技术领域】
[0001]本发明涉及生产控制领域，尤其涉及一种生产质量控制方法。
【背景技术】
[0002]现代生产理论认为，制造过程的实质是对制造过程中各种信息资源的采集、输入和加工处理的过程，而最终形成的产品可看作是信息的物质表现；产品制造过程中的信息投入已逐步成为决定产品价值的主要因素，信息已成为制造系统中与设备同等重要的制造资源。
[0003]目前企业传统的纺织工艺设计虽然也有一些简单的参数计算，但主要还是以个人经验设计为主，无法进行知识融合与知识重用，上百个工艺参数的调配难以进行优化；大量自动化仪器设备的采用，使生产过程出现了 “数据丰富而知识贫乏”的现象，无法利用所述数据进行分析并优化工艺过程。随着信息总量的不断增加，纺织行业迫切需要有效的信息分析工具，它能自动、智能和快速地发现大量数据间隐藏的依赖关系并从中抽取有用的信息或知识，从而为工艺优化及产品质量的提高提供依据。
【发明内容】
[0004]本发明解决的问题是提供一种生产质量控制方法，能有效地对工艺信息进行分析，进而优化工艺过程。
[0005]为解决上述问题，本发明实施例提供了一种生产质量控制方法，包括:利用生产数据挖掘平台取得实际生产数据；获得与用户需求的质量目标相匹配的参考生产数据；利用隐半马尔科夫模型将实际生产数据与参考生产数据进行对比，并根据对比结果预测生产质量。
[0006]可选的，所述生产数据包括显性生产数据和隐性生产数据。
[0007]可选的，所述隐性生产数据的获得方法包括:利用显性生产数据获得隐半马尔科夫网络结构；确定隐半马尔科夫网络结构的最大完全子图；将最大完全子图按结点的数量依次排列，当结点的数量大于特定阈值时，对应的最大完全子图插入隐性生产数据；利用隐半马尔科夫网络结构计算隐性生产数据的局部概率分布和维度，随机初始化隐性生产数据，对隐性生产数据的值进行修正，直到收敛或满足终止条件为止，获得最终的隐性生产数据。
[0008]可选的，所述隐半马尔科夫网络结构为星形结构。
[0009]可选的，还包括:获得所述实际生产数据后，对所述实际生产数据进行去噪处理。
[0010]可选的，所述参考生产数据为之前对与用户需求的质量目标相匹配的生产工艺测得的生产数据。
[0011]可选的，产生参考生产数据的方法包括:获得所述实际生产数据后，对所述实际生产数据进行基于粗糙集的分析，计算出生产数据的各因素在生产工艺中的重要程度，获得最优的生产工艺，从而产生参考生产数据。[0012]可选的，预测生产质量的方法包括:将所述实际生产数据与参考生产数据进行对t匕，若概率偏差大于设定的阈值则认为当前工艺的生产质量不合格，否者认为质量合格。
[0013]可选的，还包括:根据预测的生产质量和概率偏差大的生产数据，通过对混合粗糙集隐式知识和专家经验显式知识相结合进行工艺补偿。
[0014]与现有技术相比，本技术方案具有以下优点:
[0015]由于利用隐半马尔科夫模型对离散型数据具有较好的预测能力，因此通过所述隐半马尔科夫模型可以对生产质量进行有效的预测并进行工艺补偿。
【专利附图】
【附图说明】
[0016]图1是本发明实施例的生产质量控制方法的流程示意图；
[0017]图2是本发明实施例的利用隐半马尔科夫网络结构获得隐性生产数据的方法的流程示意图；
[0018]图3是本发明实施例的隐半马尔科夫网络结构的结构示意图。
【具体实施方式】
[0019]为了提高产品生产过程中的数据的利用，进而对生产工艺进行优化，为此，本发明实施例采用了一种生产质量控制方法，利用生产数据挖掘平台取得实际生产数据；获得与用户需求的质量目标相匹配的参考生产数据；将实际生产数据与参考生产数据进行对比；利用隐半马尔科夫模型根据对比结果预测生产质量。由于利用隐半马尔科夫模型对离散型数据具有较好的预测能力，因此通过所述隐半马尔科夫模型可以对生产质量进行有效的预测并进行工艺补偿。
[0020]下面结合附图，通过具体实施例，对本发明的技术方案进行清楚、完整的描述。
[0021]请参考图1，为本发明实施例的生产质量控制方法的流程示意图，包括:
[0022]步骤S101，利用生产数据挖掘平台获得实际生产数据；
[0023]步骤S102，获得与用户需求的质量目标相匹配的参考生产数据；
[0024]步骤S103，利用隐半马尔科夫模型将实际生产数据与参考生产数据进行对比，并根据对比结果预测生产质量。
[0025]具体的，执行步骤S101，利用生产数据挖掘平台获得实际生产数据。
[0026]在本实施例中，以纺织行业的生产为例进行说明，在其它实施例中，所述生产质量控制方法也可以适用于其他行业，本发明不对具体的行业进行限定。
[0027]在本实施例中，为了实现对生产过程中的数据预处理、数据挖掘、知识评价、知识服务、集中控制、人机界面等内容进行处理，建立了智能数据挖掘系统，所述智能数据挖掘系统包括生产数据挖掘平台。在其它实施例中，所述生产数据挖掘平台也可以为单独的数据系统。
[0028]所述生产数据挖掘平台用于获取产品生产的显性生产数据并挖掘隐性生产数据。
[0029]所述显性生产数据为生产的温度、湿度、纺丝的种类、生产工艺等，所述显性生产数据可以通过传感器或人工输入系统获得。但由于生产质量不仅仅由所述显性生产数据所确定，例如湿度与纺丝之间的关系也会影响到最终的产品质量，因此还需要挖掘所述隐性生产数据，从而能够精确地预测生产质量。[0030]由于纺织行业的数据为离散型数据，隐半马尔科夫模型(hidden sem1-Markovmodel,HSMM)对离散型数据具有良好的预测能力，因此本实施例中，利用隐半马尔科夫网络结构获得隐性生产数据，具体步骤请参考图2，包括:
[0031]步骤S201，利用显性生产数据获得隐半马尔科夫网络结构；
[0032]步骤S202，确定隐半马尔科夫网络结构的最大完全子图；
[0033]步骤S203，将最大完全子图按结点的数量依次排列，当结点的数量大于特定阈值时，对应的最大完全子图插入隐性生产数据；
[0034]步骤S204，利用隐半马尔科夫网络结构计算隐性生产数据的局部概率分布和维度，随机初始化隐性生产数据，对隐性生产数据的值进行修正，直到收敛或满足终止条件为止，获得最终的隐性生产数据。
[0035]执行步骤S201，利用显性生产数据获得隐半马尔科夫网络结构。在本实施例中，请参考图3，所述隐半马尔科夫网络结构为星形结构，每个显性生产数据的结点之间相连。
[0036]执行步骤S202,确定隐半马尔科夫网络结构的最大完全子图(Cliques)。采用最大基数搜索的方法对隐半马尔科夫网络结构的结点进行排序，当已经排序了 k个结点，将上述k个结点中具有最多连接数量的结点作为下一个选择的结点,直到把所有的结点排序为止；从最后一个结点开始顺序向前确定每一个结点和他前面的结点所构成的完全子图，具有包含关系的完全子图合并便能识别所有的最大完全子图。
[0037]执行步骤S203，将最大完全子图按结点的数量从小到大依次排列，设顺序为Cpc2、*"ck，给定特定阈值M(例如3或4)，当满足I Ck I 3 M，即结点的数量大于特定阈值时，对应的最大完全子图插入隐性生产数据，所述插入的隐性生产数据结点与最大完全子图中的每一个结点都相连。
[0038]执行步骤S204，利用隐半马尔科夫网络结构计算隐性生产数据的局部概率分布和维度，由于本实施例的隐半马尔科夫网络结构为星形结构，按照MDL标准，由星形结构确定局部概率分布和维度，随机初始化隐性生产数据，对隐性生产数据的值进行修正，直到收敛或满足终止条件为止，获得最终的隐性生产数据。
[0039]获得所述实际生产数据后，还可以对所述实际生产数据进行去噪处理，去除某些存在严重误差的数据，以提高最终的预测准确度。
[0040]获得所述实际生产数据后，执行步骤S102，获得与用户需求的质量目标相匹配的参考生产数据。
[0041]由于在获得显性生产数据和隐性生产数据的过程中，同时会获得用户需求的质量目标,例如某型号毛巾的质量目标。根据所述型号毛巾的质量目标,从案例库中抓取对应的参考生产数据。所述参考生产数据为之前对与用户需求的质量目标相匹配的生产工艺测得的生产数据，产生所述参考生产数据的方法包括:获得所述实际生产数据后，对所述实际生产数据进行基于粗糙集的分析，获得生产数据的各因素在生产工艺中的重要程度，获得最优的生产工艺，从而产生参考生产数据。
[0042]获得最优的生产工艺的方法包括:对生产工艺发现的问题进行粗糙集描述并进行划分，判断所述划分与之前获得的最优的生产工艺的粗糙集划分是否相同；当相同，则利用工艺决策辨识集构造工艺决策辨识矩阵，获得最优的生产工艺；当不相同，则分别形成由多个最优案例组成的对象集，计算工艺决策概率分布函数及其工艺决策的最大分布，获得生产数据的各因素在生产工艺中的重要程度，并根据约简规则所得的约简及进行工艺决策，找到最优的生产工艺。
[0043]执行步骤S103，利用隐半马尔科夫模型将实际生产数据与参考生产数据进行对t匕，并根据对比结果预测生产质量。
[0044]预测生产质量的方法包括:将所述实际生产数据与参考生产数据进行对比，若概率偏差大于设定的阈值则认为当前工艺的生产质量不合格，否者认为质量合格。在本实施例总，对比的实际生产数据与参考生产数据为在生产工艺中的最重要的若干项生产数据，因此当实际生产数据与参考生产数据概率偏差大于设定的阈值，则表明实际的生产质量比最优的生产工艺获得生产质量要差，因此则可以认为当前工艺的生产质量不合格，否者认为质量合格。
[0045]当获知实际的生产质量不合格时，通过对混合粗糙集隐式知识和专家经验显式知识相结合进行工艺补偿，一方面可以根据在数据库中的专家经验显式知识匹配相关的诊断规则，查找可能的原因并给出相应的工艺调整方案，另一方面也可以根据生产过程的数据挖掘而形成的隐式知识，查找可能的原因并给出相应的工艺调整方案，从而能快速地进行工艺调整，实现工艺最优化。
[0046]在其他实施例中，也可以仅采用在数据库中的专家经验显式知识匹配相关的诊断规则，查找可能的原因并给出相应的工艺调整方案。
[0047]本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
【权利要求】
1.一种生产质量控制方法，其特征在于，包括: 利用生产数据挖掘平台取得实际生产数据； 获得与用户需求质量目标相匹配的参考生产数据； 利用隐半马尔科夫模型将实际生产数据与参考生产数据进行对比，并根据对比结果预测生产质量。
2.如权利要求1所述的生产质量控制方法，其特征在于，所述生产数据包括显性生产数据和隐性生产数据。
3.如权利要求2所述的生产质量控制方法，其特征在于，所述隐性生产数据的获得方法包括: 利用显性生产数据获得隐半马尔科夫网络结构； 确定隐半马尔科夫网络结构的最大完全子图； 将最大完全子图按结点的数量依次排列，当结点的数量大于特定阈值时，对应的最大完全子图插入隐性生产数据； 利用隐半马尔科夫网络结构计算隐性生产数据的局部概率分布和维度，随机初始化隐性生产数据，对隐性生产数据的值进行修正，直到收敛或满足终止条件为止，获得最终的隐性生产数据。
4.如权利要求3所述的生产质量控制方法，其特征在于，所述隐半马尔科夫网络结构为星形结构。
5.如权利要求1所述的生产质量控制方法，其特征在于，还包括:获得所述实际生产数据后，对所述实际生产数据进行去噪处理。
6.如权利要求1所述的生产质量控制方法，其特征在于，所述参考生产数据为之前对与用户需求的质量目标相匹配的生产工艺测得的生产数据。
7.如权利要求1所述的生产质量控制方法，其特征在于，产生参考生产数据的方法包括:获得所述实际生产数据后，对所述实际生产数据进行基于粗糙集的分析，计算出生产数据的各因素在生产工艺中的重要程度，获得最优的生产工艺，从而产生参考生产数据。
8.如权利要求1所述的生产质量控制方法，其特征在于，预测生产质量的方法包括:将所述实际生产数据与参考生产数据进行对比，若概率偏差大于设定的阈值则认为当前工艺的生产质量不合格，否者认为质量合格。
9.如权利要求1所述的生产质量控制方法，其特征在于，还包括:根据预测的生产质量和概率偏差大的生产数据，通过对混合粗糙集隐式知识和专家经验显式知识相结合进行工艺补偿。
【文档编号】G06Q10/06GK103745312SQ201310737267
【公开日】2014年4月23日 申请日期:2013年12月26日 优先权日:2013年12月26日
【发明者】周劲锋, 李文革, 王美锋 申请人:杭州万事利丝绸科技有限公司