本发明涉及工艺参数值的处理,特别是涉及一种工艺参数值的处理方法和一种工艺参数值的处理装置。
背景技术:
1、在工业制造中,高效的生产运作方式,不仅需要设备的正常运作,更需要最优的工艺参数来提升产品质量。目前,现代化工业设备自动化程度较高,但在生产制造过程中,参数优化更多依靠操作人员的个人经验及多测试实验,使得产线产量及良品率无法稳步提升,且工作效率不高。
2、以单晶硅的拉晶制造行业为例,拉晶环节主要包括加料、加热、稳温、引晶、转肩、放肩、等径、收尾这些主要工序,各个工序中的工艺参数都会对拉晶的结果起到至关重要的影响。因此,优化拉晶的工艺参数显得尤为重要。然而,影响拉晶的成败的因素众多且相互影响,如何从诸多关联因素中分析获取与工艺参数之间的关系成为决定拉晶是否成功的关键问题。
3、因此,分析影响拉晶因素与各个工序中用到工艺参数之间关系,快速精准地给出最优的工艺参数值,已然成为单晶硅的拉晶制造行业迫切要解决的难题。
技术实现思路
1、鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种工艺参数值的处理方法和相应的一种工艺参数值的处理装置。
2、为了解决上述问题,本发明实施例公开了一种工艺参数值的处理方法,包括:
3、获取工业设备的历史数据;
4、对所述历史数据进行预处理,得到至少一个候选子数据;
5、基于预设规则对所述至少一个候选子数据进行过滤,得到至少一个目标子数据,并基于所述至少一个目标子数据生成数据集;
6、基于训练完成的第一模型对所述数据集进行计算,得到工艺参数的第一推荐值,以及,基于训练完成的第二模型对所述数据集进行计算,得到工艺参数的第二推荐值,并基于所述第一推荐值和所述第二推荐值生成所述工业设备的工艺参数的目标推荐值。
7、在一个或多个实施例中,所述对所述历史数据进行预处理,得到至少一个候选子数据,包括:
8、基于设备编号、产品批次对所述历史数据进行分类,得到至少一个批次的子数据;
9、对所述至少一个批次的子数据进行异常检测、数据补齐、平滑处理,得到至少一个候选子数据。
10、在一个或多个实施例中,所述基于预设规则对所述至少一个候选子数据进行过滤,得到至少一个目标子数据,包括:
11、对所述至少一个候选子数据进行至少一个维度的特征提取,得到所述至少一个候选子数据各自对应的特征数据;
12、计算得到至少一个所述特征数据各自与预设参数的相关系数;
13、从所述至少一个候选子数据中,确定出相关系数超过相关系数阈值的至少一个目标子数据。
14、在一个或多个实施例中,所述并基于所述第一推荐值和所述第二推荐值生成所述工艺参数的目标推荐值,包括:
15、采用所述第一推荐值和所述第二推荐值各自对应的第一预设权值,对所述第一推荐值和所述第二推荐值进行加权求和,得到所述工艺参数的目标推荐值。
16、在一个或多个实施例中,还包括:
17、获取所述工业设备对应的当前层级;
18、检测所述当前层级是否存在上一层级;
19、若是,则获取所述上一层级的工业设备对应的第三模型和第四模型;所述第三模型和所述第一模型属于同一类型,所述第二模型和所述第四模型属于同一类型;
20、基于预设的修正策略采用所述第三模型对所述第一模型进行修正,得到新第一模型,以及,基于所述修正策略采用所述第四模型对所述第二模型进行修正,得到新第二模型。
21、在一个或多个实施例中,所述训练完成的第一模型和所述训练完成的第二模型通过如下方式得到:
22、对预设的样本数据集进行划分,得到首段数据集和循环段数据集;
23、采用预设比例对所述首段数据集进行划分,得到首段训练数据集和首段测试数据集,并基于预设规则对所述循环数据集进行划分,得到第一数据子集和第二数据子集;
24、采用所述预设比例对所述第一数据子集进行划分,得到第一数据单元和第二数据单元,以及,采用所述预设比例对所述第二数据子集进行划分,得到第三数据单元和第四数据单元;
25、采用所述首段训练数据集、所述第一训练数据单元和所述第二训练数据单元分别对原始的第一模型进行训练,得到至少一个第一候选模型,以及,采用所述首段测试数据集、所述第一测试数据单元和所述第二测试数据单元对所述至少一个第一候选模型进行筛选,将最优决策树的第一候选模型作为训练后的第一模型;
26、采用所述首段训练数据集、所述第一训练数据单元和所述第二训练数据单元分别对原始的第二模型进行训练,得到至少一个第二候选模型,以及,采用所述首段测试数据集、所述第一测试数据单元和所述第二测试数据单元对所述至少一个第二候选模型进行筛选,将最优回归的第二候选模型作为训练后的第二模型。
27、在一个或多个实施例中,还包括:
28、检测是否存在历史第一模型和/或历史第二模型;
29、若存在历史第一模型,则将所述历史第一模型与所述训练完成的第一模型基于第二预设权值进行合并,得到合并后的第一模型;
30、若存在历史第二模型,则将所述历史第二模型与所述训练完成的第二模型基于第三预设权值进行合并,得到合并后的第二模型。
31、相应的,本发明实施例公开了一种工艺参数值的处理装置,包括:
32、获取模块,用于获取工业设备的历史数据;
33、预处理模块,用于对所述历史数据进行预处理,得到至少一个候选子数据;
34、过滤模块,用于基于预设规则对所述至少一个候选子数据进行过滤,得到至少一个目标子数据,并基于所述至少一个目标子数据生成数据集;
35、计算模块,用于基于训练完成的第一模型对所述数据集进行计算,得到工艺参数的第一推荐值,以及,基于训练完成的第二模型对所述数据集进行计算,得到工艺参数的第二推荐值,并基于所述第一推荐值和所述第二推荐值生成所述工业设备的工艺参数的目标推荐值。
36、在一个或多个实施例中,所述预处理模块包括:
37、分类子模块,用于基于设备编号、产品批次对所述历史数据进行分类,得到至少一个批次的子数据;
38、数据处理子模块,用于对所述至少一个批次的子数据进行异常检测、数据补齐、平滑处理,得到至少一个候选子数据。
39、在一个或多个实施例中,所述过滤模块包括:
40、特征提取模块,用于对所述至少一个候选子数据进行至少一个维度的特征提取,得到所述至少一个候选子数据各自对应的特征数据;
41、相关系数计算子模块,用于计算得到至少一个所述特征数据各自与预设参数的相关系数;
42、确定子模块,用于从所述至少一个候选子数据中,确定出相关系数超过相关系数阈值的至少一个目标子数据。
43、在一个或多个实施例中,所述计算模块具体用于:
44、采用所述第一推荐值和所述第二推荐值各自对应的第一预设权值,对所述第一推荐值和所述第二推荐值进行加权求和,得到所述工艺参数的目标推荐值。
45、在一个或多个实施例中,还包括:
46、所述获取模块,还用于获取所述工业设备对应的当前层级;
47、第一检测模块,用于检测所述当前层级是否存在上一层级;
48、所述获取模块,还用于获取所述上一层级的工业设备对应的第三模型和第四模型;所述第三模型和所述第一模型属于同一类型,所述第二模型和所述第四模型属于同一类型;
49、修正模块,用于基于预设的修正策略采用所述第三模型对所述第一模型进行修正,得到新第一模型,以及,基于所述修正策略采用所述第四模型对所述第二模型进行修正,得到新第二模型。
50、在一个或多个实施例中,还包括:
51、划分模块,用于对预设的样本数据集进行划分,得到首段数据集和循环段数据集;
52、所述划分模块,还用于采用预设比例对所述首段数据集进行划分,得到首段训练数据集和首段测试数据集,并基于预设规则对所述循环数据集进行划分,得到第一数据子集和第二数据子集;
53、所述划分模块,还用于采用所述预设比例对所述第一数据子集进行划分,得到第一数据单元和第二数据单元,以及,采用所述预设比例对所述第二数据子集进行划分,得到第三数据单元和第四数据单元;
54、训练模块,用于采用所述首段训练数据集、所述第一训练数据单元和所述第二训练数据单元分别对原始的第一模型进行训练,得到至少一个第一候选模型,以及,采用所述首段测试数据集、所述第一测试数据单元和所述第二测试数据单元对所述至少一个第一候选模型进行筛选,将最优决策树的第一候选模型作为训练后的第一模型;
55、所述训练模块,还用于采用所述首段训练数据集、所述第一训练数据单元和所述第二训练数据单元分别对原始的第二模型进行训练,得到至少一个第二候选模型,以及,采用所述首段测试数据集、所述第一测试数据单元和所述第二测试数据单元对所述至少一个第二候选模型进行筛选,将最优回归的第二候选模型作为训练后的第二模型。
56、在一个或多个实施例中,还包括:
57、第二检测模块,用于检测是否存在历史第一模型和/或历史第二模型;
58、合并模块,用于若存在历史第一模型,则将所述历史第一模型与所述训练完成的第一模型基于第二预设权值进行合并,得到合并后的第一模型;以及,
59、若存在历史第二模型,则将所述历史第二模型与所述训练完成的第二模型基于第三预设权值进行合并,得到合并后的第二模型。
60、相应的,本发明实施例公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述工艺参数值的处理方法实施例的各个步骤。
61、相应的,本发明实施例公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述工艺参数值的处理方法实施例的各个步骤。
62、本发明实施例包括以下优点:
63、获取工业设备的历史数据,然后对所述历史数据进行预处理,得到至少一个候选子数据,并基于预设规则对所述至少一个候选子数据进行过滤,得到至少一个目标子数据,并基于所述至少一个目标子数据生成数据集,再基于训练完成的第一模型对所述数据集进行计算,得到工艺参数的第一推荐值,以及,基于训练完成的第二模型对所述数据集进行计算,得到工艺参数的第二推荐值,并基于所述第一推荐值和所述第二推荐值生成所述工业设备的工艺参数的目标推荐值。通过上述方式,本发明实施例针对工业设备的历史数据,采用训练后的第一模型、训练后的第二模型从多个维度进行特征提取,分析各个因素之间相互关系,提取主要影响因素构建最优决策模型,根据最优决策模型进行工艺参数值的最优推荐。不仅节省了生产工时,提高了产品成品率及产线产量,还降低了生产工艺参数对人为经验的依靠,从而降低了人力成本,提高了工作效率。