[发明专利]推论系统或产品质量异常的智能方法与系统

说明书

说明书公开一种推论系统或产品质量异常的智能方法与系统，方法运行于执行失效模式与影响分析的一客户端系统中，运行一机器学习算法，包括搜集数据并导入一知识库，其中记载了文本报告、专家文章以及影响系统异常的各种信息，之后对搜集的数据进行文字探勘，删除不利建立模型的数据，以及将非结构化数据处理为结构化数据，以针对数据进行大数据分析，学习其中数据的关联性，建立一异常推论模型，之后以异常推论模型执行异常推论，并能于接收回馈信息后，验证异常推论模型，藉此优化异常推论模型。

技术领域

本发明关于一种推论系统或产品质量异常的技术，特别是指利用机器学习方法通过数据采集、文字探勘与算法等智能手段推论系统或产品质量异常现象的方法与系统。

背景技术

随着科技进步，一个工业产品的制造过程也随着产品复杂度变高而更多功能、更大量的零组件，使得一个制造系统更为繁复，因此，当产品出现问题时，要找出系统性的问题时，会因为考虑细节过多而造成执行困难的问题。

当系统面对失效时，现有技术提出一种失效模式与影响分析(Failure modes andeffects analysis，FMEA)的概念，FMEA是一种逐步识别系统中可能错误的方法，可应用在产品制造过程或服务流程，用来查验可能导致系统失效的问题。现有的方法的一个是将系统除错的各种环节以表格化、文件化的方式进行除错，当有问题产生，即可利用查表方式判断出可能哪个环节出错。

然而，传统FMEA仍面对不少痛点，当有新的错误或因素产生，这类以表格或文件方式的错误排除方式就随时需要修订，并且倚赖人为对文字语意的解读与认知，每个人对文字语义的解读与认知不同，在评比数字上很难以一个明确的标准去归纳，因此没有标准且效率不高；加上，随着系统复杂度越高，多功能、大量零组件的复杂性产品，系统分解后考虑细节过多，执行起来繁杂困难；若有更复杂因素造成系统失效，多项失效模式同时作用或相互影响就难以使用表格或文件进行分析了。

再者，当FMEA应用在企业中，企业在实施时可能存在分析不充分、措施不完整、风险评估不准确、团队协作困难等问题；实施者也可能作为任务来实施，不能产生实际效益；企业参与FMEA的团队的能力水平不等、知识习惯不一，而导致知识和风险的管理随人员、能力等因素的波动而不能统一，无法形成标准化数据，以及现有FMEA将无法再满足标准要求。

发明内容

根据说明书所公开的实施例，提出一种计算机系统实现的推论系统或产品质量异常的智能方法，其目的的一个为鉴于传统失效与影响判断方法(如FMEA)作业不遂而提出利用机器学习的智能方法进行自动归纳、分析、排除失效影响的方法，方法主要运行于执行失效模式与影响分析的一客户端系统中，在方法中，运行一机器学习算法，包括搜集数据，并导入一知识库，之后对所搜集的数据与知识库内容进行文字探勘，可针对知识库的数据进行大数据分析，学习其中数据的关联性，建立一异常推论模型。之后，于系统接收新数据时，输入异常推论模型，执行异常推论，并输出一推论结果，并可于接收回馈信息后，验证而优化异常推论模型。

其中，优选地，所述知识库包括文本报告(可包括质量推论报告、质量管理分析、问题解决与对策文件、8D文件(8D问题解决法(Eight DisciplinesProblem Solving))、CAR文件(改正行动要求(corrective action request))、专家文章、既有的FMEA文件影响系统与产品质量异常的各种信息，以及系统运作的信息与环境信息。

进一步地，所搜集的数据还包括由一失误模式效应与关键性分析法所归纳分析得到的失效数据。

进一步地，在对取得的数据或文件描述进行文字探勘的步骤中，包括筛选并剔除不利建立异常推论模型的数据，以及将非结构化数据处理成结构化数据等步骤，并可包括对接收的数据进行词汇统一建立一词汇库以及选取作为训练样本的数据，以通过训练样本建立异常推论模型等步骤。