[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

说明书

本发明公开了一种基于多维决策树群的提升产品合格率的方法，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，提供多维度的优化建议，包括最高合格率配置建议，还能根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在更高合格率下最少改动配置的建议，所述方法支持实时更新数据，支持决策树的动态生长，其机器学习还能够对基础工况进行微调，进而学习微调后的生产率变化，同时，由于设备参数多，决策树群需要较大的空间，而本发明的决策树群和机器学习模块能够在不同的内存空间中切换，在相应的内存空间中灵活调度或学习所需的数据。

技术领域

本发明涉及生产管理技术领域，尤其涉及一种基于多维决策树群的提升产品合格率的方法。

背景技术

提升工业生产线产品合格率是工业行业内关注的重要课题，其主要难点在于无法精准地控制生产线各工艺机器参数使产品合格率最大化。

目前工业领域的机器控制基本都是按照人工经验进行操作，而机器参数太多，人工无法确认哪些机器参数对合格率影响大，导致无法预知当前操作对产品合格率造成的影响，或者，机器的控制需要有一定经验的操作人员进行，且不同的操作人员会有不同的操作方式，无法统一，造成产品合格率的不稳定。因此有必要提出一种低成本、安全、便捷的智能化的辅助决策方案，帮助给出生产线机器的各类生产参数在特定环境下产品合格率最大的参数设定方案，从而提升工业生产领域的产品合格率。

发明内容

本发明为解决上述技术问题，本申请提出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。

为实现上述技术效果，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，使用过程中，当基础分类向量为一个固定的常数向量时，决策树群退化成一般的决策树。所述生产要素包括相对固定的产品类别、型号、原料材质等。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，包括最高产品合格率的配置建议。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，或者所述配置建议直接给到相应设备，设备自动调整。

优选的，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。可以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。

本方案通过对影响因子的相关性分析，根据分析结果进行构建决策树，达到快速、精准定位调优建议。现场工作人员可以根据影响因子的影响程度判断哪些影响因子对产品合格率影响大，可进行辅助性决策，做到既能提升产品合格率，又减少修正量，提升工作效率，或者直接给出在最高合格率下最少改动配置的建议。

优选的，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,做到既能提升产品合格率，又减少修正量，提升工作效率。

优选的，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，离散化的算法提供多算法自选，如LBG、K-Means、Mean-Shift、DBSCAN等聚类算法。