潜在工艺失效模式机器识别方法技术

本发明专利技术公开了一种潜在工艺失效模式机器识别方法，计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f3，将模型集F

Machine Recognition Method for Potential Process Failure Patterns

The invention discloses a machine identification method for potential process failure modes, calculates the correlation degree between the six elements of step composition and the criteria for determining process failure modes, and inputs the correlation degree into the seq2seq model as the information of the six elements of step composition and the information of the potential process failure modes as the output, carries out learning and training, and obtains the potential process failure modes. Generate model f3, and set model F

【技术实现步骤摘要】
潜在工艺失效模式机器识别方法
本专利技术涉及机械制造工艺过程管理方法，具体地说是涉及一种基于过程构成要素一般模型的潜在工艺失效模式机器识别方法。
技术介绍
工艺失效模式是产品制造工艺过程发生失效的具体表现形式，其可能的后果是导致产品出现制造质量问题、设备设施损毁和环境破坏，甚至可能影响顾客安全有效使用产品。全面、准确和高效率地识别工艺失效模式是开展工艺失效模式与影响分析(Processfailuremodeandeffectanalysis，PFMEA)、适时优化工艺设计和确保产品制造质量的基础和前提。目前的工艺失效模式的识别方法主要是基于以往积累的工艺经验和相关失效数据，由专业技术人员结合头脑风暴、知识推理或故障树等技术来完成。此类识别方法普遍存在依赖于识别人员的知识和经验，识别效率低和识别质量不稳定等不足，且无法应用于以往失效数据积累极为有限的小批量定制生产方式工艺失效模式识别。为此，有研究者提出具有普遍适用性的基于过程构成要素一般模型的潜在工艺失效模式识别方法。后期的研究者先后将这一方法进一步发展应用于设计失效模式与影响分析(Designfailuremodeandeffectanalysis，DFMEA)，研究了串行、并行设计过程的产品设计失效模式的识别问题。但该方法只是避免了生产模式的影响，其要求失效分析人员依据给定的失效判定准则对工步过程构成要素的具体内容进行逐一分析判断进而识别出可能的失效模式，此过程是一个穷举过程，仍然是通过人力来进行识别，并没有解决人工识别效率低及识别质量不稳定的问题。而通过机器来穷举识别所有可能的潜在失效模式所能达到的识别质量和识别效率均要显著优于人工识别。关于失效模式机器识别的研究主要集中于产品功能和性能失效模式的机器识别，属于DFMEA的范畴。传统的产品功能和性能失效模式机器识别都是通过选择一种合适的分类器用于故障特征量的分类来进行的。其中特征量的有效性决定了失效模式识别的有效性，而特征量包含着大量的人为选择因素，因此，产品功能和性能失效模式机器识别的研究大多聚焦于如何提取故障特征量和如何选择分类器两个方面。随着人工智能和机器学习方法的兴起，研究者越来越关注实现失效模式识别全过程的数据驱动机器学习，并尽可能减少人为干预。产品功能和性能失效模式的机器识别主要是基于传感器接收得到的物理信号，而由于基于过程构成要素一般模型的潜在工艺失效模式识别全过程所涉及的工序、工步以及工步过程构成要素均是由自然语言描述的工艺文件文本信息，工艺失效模式的机器识别则只能基于文本信息，故可结合自然语言处理技术来实现工艺失效模式的机器识别。基于过程构成要素一般模型的潜在工艺失效模式识别方法是一个复杂的推理过程，要求根据工序推理出其对应工步，再根据工步推理出其对应的工步过程构成要素，最后根据工步过程构成要素和给定的13条判定准则推理出其对应的潜在工艺失效模式。由此可见，基于过程构成要素模型的工艺失效模式机器识别是通过处理复杂推理问题的同时，处理输入序列、生成输出序列来实现的。循环神经网络主要用于处理序列数据，而在机器翻译任务上首次提出的seq2seq模型也是采用循环神经网络结构建模并取得成功，为序列到序列类型任务提供了一种新的基础结构。且seq2seq模型具有能够处理任意长度的输入、输出序列的优点，被广泛应用于自然语言处理的语音识别、机器翻译、古诗词生成和自动问答系统等多个领域。而工艺失效模式的机器识别也可视为是一个序列到另一个序列的“源到目标”的映射问题，同时工艺失效模式为不固定长度的序列，因此，可以研究将seq2seq模型进行改造后应用到此问题的求解。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种潜在工艺失效模式的机器识别方法，利用自然语言处理技术和深度学习，极大提高潜在工艺失效模式识别效率，解决人工识别质量不稳定问题，使PFMEA在生产过程控制中应用更加有效。为了达到上述目的，本专利技术是通过以下技术方案实现的：一种潜在工艺失效模式机器识别方法，其步骤如下：1)采集某产品装配所涉及到的一部份工序作为工序测试集，另一部份工序作为工序训练集，将所有的工序、工步、工步构成六要素以及潜在工艺失效模式进行数据预处理，依据工序训练集中的工序信息得到规划工步生成信息，将工序训练集中的工序信息和规划工步生成信息输入到seq2seq模型中，并将工步的信息作为seq2seq模型的输出，进行学习训练，得到工步生成模型f1，将工序测试集中的工序输入到模型f1中，自动生成工步测试集；2)依据工步的信息得到规划工步构成六要素生成的信息，将工步的信息和规划工步构成六要素生成的信息输入到seq2seq模型中，并将工步构成六要素的信息作为seq2seq模型的输出，进行学习训练，得到工步构成六要素生成的模型集F2；将步骤1)中所述工步测试集输入到模型集F2中，生成与所述工步测试集对应的工步构成六要素；3)计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f3，将模型集F2生成的工步构成六要素输入到模型f3中，最终实现潜在工艺失效模式的识别。进一步，所述模型集F2是六个seq2seq模型，分别用以生成工步构成六要素中的输入要素、输出要素、环境要素、资源要素、增值转换活动要素和检测活动要素，即F2＝{fI,fO,fE,fR,fV,fD}。进一步，所述模型f1、模型集F2和模型f3均为一种处理可变长序列、不定长序列的seq2seq模型，seq2seq模型分为编码层、中间层以及解码层三个模块。进一步，所述规划工步生成信息是在对模型f1进行学习训练的过程中，将工序的关键词作为融入的内容规划信息量。进一步，所述规划工步构成六要素生成的信息是在对模型集F2进行学习训练的过程中，将工步的关键词作为融入的内容规划信息量。进一步，所述判定信息是在对模型f3进行学习训练的过程中，计算工步构成六要素与工艺失效模式判定准则的语义相关度来得到。本专利技术应用seq2seq模型实现潜在工艺失效模式的机器识别，能够极大程度的提高复杂工艺过程失效模式识别的效率，同时减少人为因素影响，保证识别质量的稳定性，达到的识别质量优于人工识别，机器识别模型的识别正确率、召回率，以及综合反映识别正确率与召回率的F1值三项指标值均大于0.8。附图说明图1是本专利技术中潜在工艺失效模式机器识别全过程流程图；图2是本专利技术中基于规划的工步及工步构成六要素生成模型框架；图3是本专利技术中基于依存句法的关键词提取流程图；图4是本专利技术中工步生成模型的结构；图5是本专利技术中融合语义关联度的seq2seq模型潜在工艺失效模式识别结构。具体实施方式以下结合附图对本专利技术进一步说明。参见图1至图5，一种潜在工艺失效模式机器识别方法，其具体操作步骤如下：1)利用词语间的语义相似度信息和依存句法信息计算训练工序的关键词，作为规划工步生成信息，将规划工步生成信息与工序训练中的工序信息作为seq2seq模型的输入，工步的信息作为seq2seq模型输出，进行学习训练，得到工步生成模型f1；2)同理，计算每条工步对应的关键词，作为规划工步构成六要素生本文档来自技高网...

【技术保护点】
1.一种潜在工艺失效模式机器识别方法，其特征在于，1)采集某产品装配所涉及到的一部份工序作为工序测试集，另一部份工序作为工序训练集，将所有的工序、工步、工步构成六要素以及潜在工艺失效模式进行数据预处理，依据工序训练集中的工序信息得到规划工步生成信息，将工序训练集中的工序信息和规划工步生成信息输入到seq2seq模型中，并将工步的信息作为seq2seq模型的输出，进行学习训练，得到工步生成模型f1，将工序测试集中的工序输入到模型f1中，自动生成工步测试集；2)依据工步的信息得到规划工步构成六要素生成的信息，将工步的信息和规划工步构成六要素生成的信息输入到seq2seq模型中，并将工步构成六要素的信息作为seq2seq模型的输出，进行学习训练，得到工步构成六要素生成的模型集F2；将步骤1)中所述工步测试集输入到模型集F2中，生成与所述工步测试集对应的工步构成六要素；3)计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f3，将模型集F2生成的工步构成六要素输入到模型f3中，最终实现潜在工艺失效模式的识别。...

【技术特征摘要】
1.一种潜在工艺失效模式机器识别方法，其特征在于，1)采集某产品装配所涉及到的一部份工序作为工序测试集，另一部份工序作为工序训练集，将所有的工序、工步、工步构成六要素以及潜在工艺失效模式进行数据预处理，依据工序训练集中的工序信息得到规划工步生成信息，将工序训练集中的工序信息和规划工步生成信息输入到seq2seq模型中，并将工步的信息作为seq2seq模型的输出，进行学习训练，得到工步生成模型f1，将工序测试集中的工序输入到模型f1中，自动生成工步测试集；2)依据工步的信息得到规划工步构成六要素生成的信息，将工步的信息和规划工步构成六要素生成的信息输入到seq2seq模型中，并将工步构成六要素的信息作为seq2seq模型的输出，进行学习训练，得到工步构成六要素生成的模型集F2；将步骤1)中所述工步测试集输入到模型集F2中，生成与所述工步测试集对应的工步构成六要素；3)计算工步构成六要素与工艺失效模式判定准则之间的关联度，并将该关联度作为判定信息和工步构成六要素的信息输入到seq2seq模型中，且潜在工艺失效模式的信息作为输出，进行学习训练，得到潜在工艺失效模式生成模型f3，将模型集F2生成的工步构成六要素输入到...

【专利技术属性】
技术研发人员：刘卫东，吴路路，吴中义，陈炳松，李振振，郑伟杰，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：江西,36