[发明专利]生产线故障分析模型的训练方法及生产线故障分析方法

权利要求书

1.一种生产线故障分析模型的训练方法，其特征在于，所述训练方法包括以下步骤：

获取数据集，其中，所述数据集包括训练集和测试集，所述数据集中的数据包括生产线上自动光学检测设备检测的缺陷数据、所述生产线所处环境的环境数据、以及对应的故障类别标签；

构建故障分析模型，其中，所述故障分析模型包括因子分解机模块、深度神经网络模块、特征选择模块和分类模块，所述因子分解机模型和所述深度神经网络模块的输入数据均为所述缺陷数据和所述环境数据，对应输出低阶特征和高阶特征，所述特征选择模块用以对所述低阶特征和所述高阶特征进行特征选择，所述分类模块用以根据所选择的特征得到故障类别的概率分布；

利用所述训练集中的数据对所述故障分析模型进行训练，使得损失函数达到最小，并利用所述测试集中的数据对训练后的故障分析模型进行测试，得到最终的故障分析模型。

2.根据权利要求1所述的生产线故障分析模型的训练方法，其特征在于，所述获取数据集，包括：

统计多个时间段内的缺陷数据、环境数据和故障类别标签，其中，针对每个时间段，得到缺陷数据集合、环境数据集合和对应的故障类别标签，为第j类缺陷的数量，为缺陷类别的数量，为第i类环境数据，为环境数据类别的数量。

3.根据权利要求2所述的生产线故障分析模型的训练方法，其特征在于，在将数据集中的数据输入至所述故障分析模型之前，针对每个时间段内的统计数据进行如下预处理：

对所述缺陷数据集合中的各类缺陷数据进行归一化处理，得到归一化的缺陷数据集合，其中，，为归一化的第j类缺陷的数量；

对所述环境数据集合中的各类环境数据进行热独编码，得到环境数据的热独编码集合，其中，为第i类环境数据的热独编码；

对所述热独编码集合进行Dense embedding处理，得到低维稠密表示集合；

将和进行拼接，得到输入数据特征向量，记为，其中，为X中数据的数量。

4.根据权利要求3所述的生产线故障分析模型的训练方法，其特征在于，在每个训练周期，选择一个时间段的输入数据特征向量进行训练，其中，所述因子分解机模块通过下式得到输入数据特征向量X的低阶特征y_FM：

，

其中，为X中第p个输入数据特征，和为所述因子分解机模块的参数，为两个k维向量的积。

5.根据权利要求4所述的生产线故障分析模型的训练方法，其特征在于，所述深度神经网络模块包括多个串联的前馈神经网络模块，每个所述前馈神经网络模块依次包括一个全连接层、一个ReLU激活函数和一个Dropout层，所述深度神经网络模块通过下式得到输入数据特征向量X的高阶特征y_FNN：

。

6.根据权利要求5所述的生产线故障分析模型的训练方法，其特征在于，所述特征选择模块为融合注意力机制的特征选择模块，所述特征选择模块通过下式得到注意力选择特征：

，

其中，为所述注意力选择特征，，，，为拼接特征向量，、和为预设的权重矩阵，为向量矩阵K的维度。

7.根据权利要求6所述的生产线故障分析模型的训练方法，其特征在于，所述分类模块包括一层全连接层和一层softmax层，所述分类模块通过下式根据注意力选择特征得到故障类别的概率分布：

，

其中，Z为故障类别的概率分布。

8.根据权利要求1所述的生产线故障分析模型的训练方法，其特征在于，通过下式计算所述故障分析模型的损失函数：

，

其中，为第类故障的标签，T为故障类别标签的数量，为第类故障的概率。

9.一种生产线故障分析方法，其特征在于，所述分析方法包括以下步骤：

获取待分析数据，其中，所述待分析数据包括生产线上的缺陷数据和环境数据；

利用如权利要求1-8中任一项所述的生产线故障分析模型的训练方法得到的故障分析模型，根据所述待分析数据进行生产线的故障分析。

10.一种电子设备，其特征在于，包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的生产线故障分析模型的训练方法，或者，实现如权利要求9所述的生产线故障分析方法。