控制图模式识别模型的训练方法及控制图模式识别方法技术

本发明专利技术实施例提供了控制图模式识别模型的训练方法及控制图模式识别方法，涉及质量状态监控技术领域。该训练方法包括：基于在预设的控制图正常模式和控制图异常模式下，对产品生产过程进行仿真的仿真结果，确定样本数据；利用预设时间序列模型Transformer对所述样本数据进行特征提取，得到预设的每种控制图模式的特征数据；利用每种控制图模式的特征数据对预设分类模型进行训练，并在预设损失函数最小时，停止训练，得到控制图模式识别模型。与现有技术相比，应用本发明专利技术实施例提供的方案，可以提高控制图模式识别的准确性。提高控制图模式识别的准确性。提高控制图模式识别的准确性。

【技术实现步骤摘要】
控制图模式识别模型的训练方法及控制图模式识别方法


[0001]本专利技术涉及质量状态监控
，特别是涉及控制图模式识别模型的训练方法及控制图模式识别方法。

技术介绍

[0002]随着智能制造工程的快速发展，生产过程智能优化控制是智能制造的重要一环，生产过程质量控制又是生产过程智能优化控制提升产品质量的重点技术。
[0003]其中，统计过程控制（Statistical Process Control，SPC）是目前生产过程质量控制领域的最常用技术，它采用数理统计方法对生产过程进行监控，通过控制图对生产过程中产品质量特征观测值进行统计分析，判断制造过程是否处于平稳可控状态。
[0004]在统计过程控制中最重要的工具是控制图，所谓控制图是通过对过程质量数据测定和记录，从而进行质量管理的一种用科学方法设计的图。其中，控制图中包括中心线、上控制限和下控制限，并包括按时间顺序抽取的样本统计量数值的描点序列。如图1所示，为一种控制图的示意图。
[0005]由于控制图的模式可能会与某些直接影响生产过程的可分配因素关联，因此，通过对控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种控制图模式识别模型的训练方法，其特征在于，所述方法包括：基于在预设的控制图正常模式和控制图异常模式下，对产品生产过程进行仿真的仿真结果，确定样本数据；利用预设时间序列模型Transformer对所述样本数据进行特征提取，得到预设的每种控制图模式的特征数据；利用每种控制图模式的特征数据对预设分类模型进行训练，并在预设损失函数最小时，停止训练，得到控制图模式识别模型。2.根据权利要求1所述的方法，其特征在于，所述基于在预设的控制图正常模式和控制图异常模式下，对产品生产过程进行仿真的仿真结果，确定样本数据，包括：在预设的控制图正常模式和控制图异常模式下，对产品生产过程进行仿真，得到仿真结果；对所述仿真结果进行标准化处理，得到样本数据。3.根据权利要求2所述的方法，其特征在于，所述对所述仿真结果进行标准化处理，得到样本数据，包括：利用z
‑
score标准化方法，对所述仿真结果进行标准化处理，得到样本数据。4.根据权利要求2所述的方法，其特征在于，所述在预设的控制图正常模式和控制图异常模式下，对产品生产过程进行仿真，得到仿真结果，包括：在预设的控制图正常模式和控制图异常模式下，利用蒙特卡洛仿真方法模拟产品生产过程，得到仿真结果。5.根据权利要求1所述的方法，其特征在于，所述预设时间序列模型Transformer包括：多头注意力模块、门控层和前馈网络；所述利用预设时间序列模型Transformer对所述样本数据进行特征提取，得到预设的每种控制图模式的特征数据，包括：将所述样本数据输入所述多头注意力模块中进行特征计算，得到所述多头注意力模块输出的计算结果；将所述计算结果输入所述门控层中进行特征筛选，得到所述门控层输出的筛选结果；将所述筛选结果输入所述前馈网络中进行空间变化，得到所述前馈网络输出的变化结果，作为预设的每种控制图模式的特征数据。6.根据权利要求5所述的方法，其特征在于，所述多头注意力模块包括多个自注意力子层；所述将所述样本数据输入所述多头注意力模块中进行特征计算，得到所述多头注意力模块输出的计算结果，包括：将所述样本数据输入所述多头注意力模块中的每个自注意力子层进行指定计算，并对每个自注意力子层的输出结果进行合并，得到所述多头注意力模块输出的计算结果；其中，每个自注意力子层对所述样本数据的指定计算方式，包括：计算所述样本数据的Query值、Key值和Value值；利用所述Query值和所述Key值，基于每个自注意力子层预设的维度，计算所述样本数据对应的控制图中的每个位置的分数；对每个位置的分数进行归一化，得到所述每个位置的注意力权重；
将每个位置的注意力权重与该位置在所述Value值中对应的数值相乘，得到每个位置的加权向量；计算每个位置的加权向量的和值，作为每个自注意力子层的输出结果。7.根据权利要求5所述的方法，其特征在于，所述将所述计算结果输入所述门控层中进行特征筛选，得到所述门控层输出的筛选结果，包括：将所述计算结果输入所述门控层中，以使所述门控层利用预设激活函数和所述门控层的预设参数，对所述计算结果进行特征筛选，得到初始结果，并对所述初始结果进行层归一化，得到所述门控层输出的筛选结果。8.根据权利要求5所述的方法，其特征在于，所述前馈网络包括第一线性层和第二线性层；所述将所述筛选结果输入所述前馈网络中进行空间变化，得到所述前馈网络输出的变化结果，作为预设的每种控制图模式的特征数据，包括：将所述筛选结果输入所述第一线性层和所述第二线性层中进行空间变化，得到初始结果；将所述初始结果进行残差连接和层归一化，得到所述前馈网络输出的变化结果，作为预设的每种控制图模式的特征数据。9.根据权利要求1所述的方法，其特征在于，所述预设分类模型包括：多层感知机和归一化层；所述利用所述每种控制图模式的特征数据对预设分类模型进行训练，并在预设损失函数最小时，停止训练，得到控制图模式识别模型，包括：将每种控制图模式的特征数据输入所述多层感知机中进行特征转换，得到所述多层感知机输出的转换结果；将所述转换结果输入所述归一化层进行归一化，得到所述归一化层输出的预设的每种控制图模式的预测概率值；以预设损失函数为目标函数，基于每种控制图模式的预测概率值对所述预设分类模型进行训练，并在所述预设损失函数最小时，停止训练，得到控制图模式识别模型。10.根据权利要求1
‑
9任一项所述的方法，其特征在于，所述控制图异常模式包括：上阶跃模式、下阶跃模式、上趋势模式、下趋势模式、系统性模式、周期模式和混合模式中的至少一种。11.一种控制图模式识别方法，其特征在于，所述方法包括：将待识别控制图输入预设的控制图模式识别模型中；其中，所述控制图模式识别模型是基于权利要求1
‑
10任一项所述的方法训练得到的；获取所述控制图模式识别模型的输出结果，作为所述待识别控制图的模式识别结果。12.一种控制图模式识别模型的训练装...

【专利技术属性】
技术研发人员：令狐彬，胡炳彰，许鹏，周璠，卞哲，
申请(专利权)人：合肥中科迪宏自动化有限公司，
类型：发明
国别省市：