[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

说明书

本发明公开了一种生产线故障分析模型的训练方法及生产线故障分析方法，所述训练方法包括：获取数据集，其中，数据集包括训练集和测试集；构建故障分析模型；利用训练集中的数据对故障分析模型进行训练，使得损失函数达到最小，并利用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。由此，该训练方法，能够提高故障分析模型对故障类型对应的缺陷模式的识别能力，从而更好地预测加工生产线上产生的故障类型。

技术领域

本发明涉及计算机机器学习与人工智能技术领域，尤其涉及一种生产线故障分析模型的训练方法、一种生产线故障分析方法和一种电子设备。

背景技术

AOI（Automated Optical Inspection，自动光学检测）是基于光学原理来对流水线生产中遇到的常见缺陷进行检测的设备，是PCB（Printed Circuit Board，印刷电路板）、LCD（Liquid Crystal Display，液晶显示器）、晶体管制造或产品加工过程中的一种自动视觉检测，适合大规模生产，在制造过程中的许多阶段都可以实施。当AOI设备检测到生产线上的特定设备在特定环境下，特定缺陷数量增加时，意味着该生产线上的特定设备发生了故障。传统生产中，由工程师或AOI管理设备监督缺陷产生的数量和状况，由工程师根据经验排查生产线各环节和设备，判断故障产生的环节和设备。然而，传统故障分析方法依赖工程师经验，时效性差，不利于生产。

另外，使用普通的线性模型处理特征数据时，都是将各个特征独立考虑的，并没有考虑到特征与特征之间的相互关系，无法很好地建立缺陷与故障之间的联系。但实际上，特征之间可能具有一定的关联。

而由于目前对于利用AOI数据进行故障分析的研究相对较少，对AOI数据的特征提取不够充分，所以故障的识别能力仍然较低，存在可以改进的地方。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种生产线故障分析模型的训练方法，能够提高故障分析模型对故障类型对应的缺陷模式的识别能力，从而更好地预测加工生产线上产生的故障类型。

本发明的第二个目的在于提出一种生产线故障分析方法。

本发明的第三个目的在于提出一种电子设备。

为达到上述目的，本发明第一方面实施例提出了一种生产线故障分析模型的训练方法，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。

根据本发明实施例的生产线故障分析模型的训练方法，能够提高故障分析模型对故障类型对应的缺陷模式的识别能力，从而更好地预测加工生产线上产生的故障类型。

另外，本发明实施例的生产线故障分析模型的训练方法还具有以下附加的技术特征：

进一步地，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。