[发明专利]一种基于多维决策树群的提升产品合格率的方法

权利要求书

1.一种基于多维决策树群的提升产品合格率的方法，将当前工况结合历史数据，给出提升产品合格率的建议，其特征在于，所述方法包括：

S10采集生产线上影响产品合格率的基础工况，所述基础工况包括设备参数和环境参数；

S20以生产要素为分类标准，构建不同的决策树，形成多维决策树群；所述决策树下储存有历史数据，所述历史数据包括历史的基础工况和一一对应的产品合格率。

S30机器学习模型学习所述历史数据；

S40根据当前的生产要素类别在所述决策树群中调度出对应的决策树，并匹配到该决策树下基础工况相同的历史记录；

S50预测当前基础工况下的产品合格率是多少并给出调优建议。

2.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述调优建议包括最高产品合格率的配置建议或者产品合格率提升程度和操作复杂度的排序，现场工作人员根据预判分析是否需要进行调优，若是，则根据调优建议对基础工况进行调整，以提高产品合格率。

3.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述S10包括S11：找出基础工况中主要的影响因子，即计算各个影响因子对产品合格率的影响程度和影响程度的可信度。

4.根据权利要求3所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，利用信息论的信息增益率计算基础工况对产品合格率的影响程度，再根据TTest算法计算其可信度。

5.根据权利要求3或4所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述S50包括：所述调优建议包括提供单一基础工况或任意维度的基础工况组合对产品合格率的影响程度及该影响程度的可信度。

6.根据权利要求3所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，每个影响因子都具有常态和异常数据，所述机器学习模型对历史数据进行筛选，抛掉异常状态的数据。

7.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述S10包括：使用矢量化、离散化训练工具对历史数据做离散化处理。

8.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，匹配到决策树后，当前基础工况和实际测得的产品生产率构成动态经验知识向量，所述机器学习模型对所述动态知识向量进行迭代学习，实时更新数据库。

9.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述机器学习模型具有动态经验知识向量迭代学习功能，即所述机器学习模型在现有的历史数据基础上，微调基础工况的数值，分析各基础工况的数据趋势对合格率的影响，学习微调后的产品合格率。

10.根据权利要求1所述的一种基于多维决策树群的提升产品合格率的方法，其特征在于，所述决策树的调度采用内存空间灵活调度方式，即不同的决策树对应不同的内存空间，或者影响程度较大的决策树采用独立的内存空间，决策树群和机器学习模块能够在不同的内存空间中切换，能够在相应的内存空间中灵活调度或学习所需的数据。