[发明专利]一种表面缺陷的分析方法

摘要

本发明涉及表面缺陷的分析方法，第一步，收集在线检测系统的缺陷及其原因数据；第二步，将检测系统中数据收集存入数据库中，一方面直接进入缺陷分类库，另一方面经过专家判定进入缺陷原因库；第三步，运用加权模糊层次关联关系算法找出缺陷与原因之间的关系通过正反馈更新缺陷库以及原因库信息。本发明通过数据关联关系挖掘的算法找出原因与原因、原因与缺陷、缺陷与缺陷之间的关联关系，然后将这些关系反馈到缺陷库和原因库中。在缺陷库中将有关联关系的缺陷自动归类，缺陷原因有相关性的也自动归类。本发明通过关联关系匹配的方法把有关联的缺陷与原因进行归类后，加快了查询缺陷发生原因对应的类别。

主权项

1.一种表面缺陷的分析方法，其特征在于：包括如下步骤步骤1：收集在线检测系统的缺陷及其原因的数据；将从生产现场获得历史缺陷数据，根据文本推荐的方法将缺陷进行初步划分，缺陷原因按照来源可以分为：来料、设备、工艺、生产，对应下文矩阵中的横向；步骤2：分别将缺陷以及缺陷原因按照来源建立数据库1)建立缺陷原因数据库，把每一种产生的缺陷原因首先根据部门所属的不同进行划分，然后进行连续编号；2)建立缺陷库，根据文本推荐中寻找关键字段的方法找出缺陷数据库中缺陷对应的部门，并且将其对应的原因编号进行标注，文本推荐具体方法如下：(1)词频计算：设钢材表面缺陷处理方案的文本集合为：UW＝{uw₁，uw₂，uw₃，uw₄}其中，uw1代表工艺部处理方案文本，uw2代表来料部处理方案文本，uw3代表设备维修部处理方案文本，uw4代表生产部处理方案文本；选取的特征空间为：UF＝{uf₁，uf₂，…，uf_m}根据文本描述以及用户对缺陷的认识，选取具有代表性的词汇作为关键词，设定训练案例缺陷有i种，训练部门有j个；处理方案文本各个缺陷对应各个部门的关键词分布状况，如下矩阵形式：其中，QX_i代表缺陷，QX_ij代表关键词出现的频数，反映了缺陷在该部门的权重；设有N个文本文件，关键词k_i在n_i个文件中出现，设f_ij为关键词k_i在文件d_j中出现的次数，那么k_i在d_j中的词频TF_ij定义为：设文档集合为W＝{w₁，w₂，…，w_n}，选取的特征空间为F＝{f₁，f₂，…，f_m}，文档w_i的特征向量表示为w_i＝{t_i1，t_i2，…，t_im}，分量t_ij表示特征f_j相对于文档w_i的权重，那么记关键词出现的词频相对于各个部门的权重公式为：得到处理方案文档中各缺陷对应部门的关键词权重矩阵W如下所示：同理产生原因文本中各缺陷对应部门的关键词权重值计算方法一样；(2)计算相似度，将上步中解码后的权重矩阵，经过相似度计算公式得到各个缺陷的相似度矩阵后，进而计算权值的绝对偏差，将绝对偏差小的保留得到推荐结果矩阵如下：其中ω_ij＝[1 0](i＝1，2…)，(j＝1，2…)取0或者1，大于设定某一个隶属度值推荐出去，值取1；(3)将已经归类的缺陷存放在数据库中，与对应的原因匹配起来，将有相同原因的缺陷进行排序分类，得到更新后的缺陷数据库作为下一步分层用；步骤3：获取已经归类好的缺陷和缺陷原因，进行缺陷原因分层处理，如下关系所示：其中φ_js表示下层到上层的隶属度，隶属度是反映事务之间关联程度的大小，取值在(0～1)之间；步骤4：获取权重，根据文本推荐方法给出的结果，结合专家经验给出缺陷数据库中每种缺陷对应的权重大小，每种缺陷对应在不同部门之间的权重矩阵H如下图所示：此处权重矩阵H与步骤2中权重矩阵W区别在于，矩阵H是在神经网络学习中结合步骤2中推荐结果获得；步骤5：根据步骤2以及步骤3准备的基础上建立关联关系挖掘模型，在步骤3中已经得知了同一元之间的缺陷与缺陷原因之间的隶属度，在步骤4中得知了缺陷的权重大小，集合步骤3以及步骤4中的结果计算出各个层次之间的概化权重；步骤6：获得关联关系挖掘结果；通过引入加权模糊层次关联算法计算出三个维度的关联关系，分别是：缺陷＝＞缺陷、缺陷＝＞原因、原因＝＞原因，其中，关联关系是通过计算加权支持度以及加权置信度，并且通过设置最小加权支持度和最小加权置信度来筛选关联关系，最后可以得到缺陷与缺陷、缺陷与原因、原因与原因多维关联关系；步骤7：反馈找出的关联关系到原始缺陷数据库和缺陷原因数据库中，将关联关系程度大的缺陷与缺陷放在一起重新存放在缺陷数据库中，再将关联关系程度大的原因与原因也排列在一起，更新后存入在缺陷原因数据库。