一种适用于工业智能制造的加工路径推荐方法技术

本发明专利技术涉及智能制造领域，具体涉及一种适用于工业智能制造的加工路径推荐方法

【技术实现步骤摘要】
一种适用于工业智能制造的加工路径推荐方法


[0001]本专利技术涉及工业智能制造领域，具体涉及一种适用于工业智能制造的加工路径推荐方法
。

技术介绍

[0002]在工业智能制造如半导体制造或面板制造流程中，原材料通过各种制程最终被加工为产品，这一过程为一个加工路径
。
一个加工路径，可能涉及上百甚至上千个不同的制程，每条加工路径中制程相同，但每个制程可能需要用到一种或多种设备来完成特定的任务，如切割
、
焊接
、
装配等
。
一个加工路径从步骤上是由制程构成，从资源上是由设备构成
。
这些制程如何选择设备对最终的产品生产质量的影响并不相同，找出对产品生产质量影响最大的制程以及这些制程如何选择设备，以制定最优的加工路径对于提高产品生产质量至关重要
。
本专利技术以良品率作为衡量产品生产质量的标准
。
最优的加工路径指对良品率影响最大的若干制程选择特定的设备组成的加工路径
。
[0003]目前机器学习已经被应用于定位最优的加工路径，通过关联规则挖掘算法对工业智能制造的历史生产数据进行挖掘和分析，找出频繁出现的制程和设备之间的关联关系，再通过回归算法，以制程和设备为自变量，以良品率为因变量，对每条加工路径建立模型通过回归系数来确定制程对良品率的影响
。
[0004]然而，现有基于机器学习定位最优的加工路径的方法需要对每条加工路径建立回归模型，时间复杂度高，在实际业务中难以大规模应用
。
而且现有方法只考虑到制程
、
设备和良品率之间的线性关系，忽略了它们之间复杂的非线性关系，造成现有方法的预测准确度不高
。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种适用于工业智能制造的加工路径推荐方法
。
[0006]该方法通过分析工业智能制造的历史数据，推荐工业智能制造的加工路径，包括以下步骤：步骤一，从历史生产数据中收集制程信息和设备信息作为原始数据，以良品率作为原始数据的良品率标签；对原始数据进行预处理；步骤二，将预处理后的原始数据进行特征处理后划分为训练集和测试集；步骤三，将训练集输入个基于决策树算法的回归模型得到个制程重要性分析模型，制程重要性分析模型输出代表制程对良品率的影响程度即制程影响程度，代表制程重要性分析模型的索引，代表制程索引，并计算个制程重要性分析模型的预测准确度；
步骤四，基于制程影响程度构建特征重要性结果矩阵；步骤五，将特征重要性结果矩阵与个制程重要性分析模型的预测准确度加权求和得到特征重要性融合矩阵；步骤六，从特征重要性融合矩阵中选取若干数值最大的元素对应的制程作为待选制程组成待选制程集合，从待选制程集合中删除若干待选制程后组成有效关键制程集合，使包括有效关键制程集合中所有制程的加工路径的良品率的标准差的均值小于阈值；步骤七，选取一个通用回归模型，利用有效关键制程集合和良品率标签对通用回归模型进行训练得到完成训练的通用回归模型；步骤八，将有效关键制程集合中所有制程使用的设备进行排列组合，生成待选最优加工路径集合
all_path
，使用完成训练的通用回归模型对待选最优加工路径集合
all_path
进行良品率预测，从最优加工路径集合
all_path
中按预设比例筛选出预测的良品率最高的若干加工路径作为推荐的加工路径
。
[0007]进一步的，步骤二具体包括：使用独热编码对预处理后的原始数据进行编码，得到特征处理后的数据；将特征处理后的数据，按照4：1划分为训练集和测试集，训练集包括个样本，每个样本对应一个加工路径，训练集表示为：；；其中，代表加工路径包括的制程总数，为第个加工路径的第个制程，为第个加工路径的良品率标签
。
[0008]进一步的，步骤三具体包括：步骤三
A
，选取个基于决策树算法的回归模型；步骤三
B
，将训练集分别输入个基于决策树算法的回归模型，以训练集中所有样本的集合作为加工路径空间，将加工路径空间按照加工路径空间内样本的特征相似程度递归切分为个子区域，得到个制程重要性分析模型：；
其中，代表第个子区域，为指示函数，含义是如果第个加工路径属于子区域，则该指示函数为1，否则该指示函数为0；为第个子区域中加工路径的良品率标签的均值；步骤三
C
，基于个制程重要性分析模型对第个制程分别计算第个制程的制程重要性；步骤三
D
，定义第个制程重要性分析模型对第个制程计算的制程重要性为制程影响程度；步骤三
E
，使用测试集对个制程重要性分析模型进行验证，得到个制程重要性分析模型的预测准确度
。
[0009]进一步的，步骤三
A
具体包括：选用决策树
、
随机森林
、
轻量级梯度提升树模型和类别加权梯度提升树模型作为基于决策树算法的回归模型
。
[0010]进一步的，步骤三
B
中所述以训练集中所有样本的集合作为加工路径空间，将加工路径空间按照加工路径空间内样本的特征相似程度递归切分为个子区域，具体包括：对于每个待切分区域，定义两个子区域和，表示切分值，表示所有在第个制程对应的特征上取值不超过切分点的加工路径，表示所有在第个制程对应的特征上取值超过切分点的加工路径；定义切分目标函数为：；其中，代表调整制程索引和切分值令之后的表达式取值最小，，分别为子区域和子区域中加工路径的良品率标签的均值，和计算方式为：；
其中，和分别代表子区域和子区域中加工路径的数量；计算使切分目标函数最小的制程索引和切分值，将待切分区域切分为两个子区域，再以两个子区域作为待切分区域，继续切分，直到将加工路径空间递归切分为个子区域；初始的待切分区域为加工路径空间
。
[0011]进一步的，步骤三
C
具体包括：第个制程的制程重要性为：；其中，表示第个制程在制程重要性分析模型的构建中被用到的次数，表示第次使用第个制程构建制程重要性分析模型时，制程重要性分析模型预测的良品率均方误差，表示第次使用第个制程将待切分区域切分为两个子区域，两个子区域分别对两个子区域中加工路径的良品率进行预测时的均方误差之和
。
[0012]进一步的，步骤四具体包括：令特征重要性结果矩阵中的行代表不同的制程，特征重要性结果矩阵中的列代表不同的制程重要性分析模型，特征重要性结果矩阵中第行第列的元素为：；其中，代表欧拉数，代表制程求和索引
。
[0013]进一步的，步骤六具体包括：从特征重要性融合矩阵中选取若干数值最大的元素对应的制程作为待选制程组成待选制程集合，定义一个待选制程的加工路径集合为所有包括该待选制程的加工路径的集合，计算待选制程集合中所有待选制程的加工路径集合的良品率的标准差，并计算这些标准差的均值；定义有效关键制程阈值；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种适用于工业智能制造的加工路径推荐方法，通过分析工业智能制造的历史数据，推荐工业智能制造的加工路径，其特征在于，包括以下步骤：步骤一，从历史生产数据中收集制程信息和设备信息作为原始数据，以良品率作为原始数据的良品率标签；对原始数据进行预处理；步骤二，将预处理后的原始数据进行特征处理后划分为训练集和测试集；步骤三，将训练集输入个基于决策树算法的回归模型得到个制程重要性分析模型，制程重要性分析模型输出代表制程对良品率的影响程度即制程影响程度，代表制程重要性分析模型的索引，代表制程索引，并计算个制程重要性分析模型的预测准确度；步骤四，基于制程影响程度构建特征重要性结果矩阵；步骤五，将特征重要性结果矩阵与个制程重要性分析模型的预测准确度加权求和得到特征重要性融合矩阵；步骤六，从特征重要性融合矩阵中选取若干数值最大的元素对应的制程作为待选制程组成待选制程集合，从待选制程集合中删除若干待选制程后组成有效关键制程集合，使包括有效关键制程集合中所有制程的加工路径的良品率的标准差的均值小于阈值；步骤七，选取一个通用回归模型，利用有效关键制程集合和良品率标签对通用回归模型进行训练得到完成训练的通用回归模型；步骤八，将有效关键制程集合中所有制程使用的设备进行排列组合，生成待选最优加工路径集合
all_path
，使用完成训练的通用回归模型对待选最优加工路径集合
all_path
进行良品率预测，从最优加工路径集合
all_path
中按预设比例筛选出预测的良品率最高的若干加工路径作为推荐的加工路径
。2.
根据权利要求1所述一种适用于工业智能制造的加工路径推荐方法，其特征在于，步骤二具体包括：使用独热编码对预处理后的原始数据进行编码，得到特征处理后的数据；将特征处理后的数据，按照4：1划分为训练集和测试集，训练集包括个样本，每个样本对应一个加工路径，训练集表示为：；
；其中，代表加工路径包括的制程总数，为第个加工路径的第个制程，为第个加工路径的良品率标签
。3.
根据权利要求2所述一种适用于工业智能制造的加工路径推荐方法，其特征在于，步骤三具体包括：步骤三
A
，选取个基于决策树算法的回归模型；步骤三
B
，将训练集分别输入个基于决策树算法的回归模型，以训练集中所有样本的集合作为加工路径空间，将加工路径空间按照加工路径空间内样本的特征相似程度递归切分为个子区域，得到个制程重要性分析模型：；其中，代表第个子区域，为指示函数，含义是如果第个加工路径属于子区域，则该指示函数为1，否则该指示函数为0；为第个子区域中加工路径的良品率标签的均值；步骤三
C
，基于个制程重要性分析模型对第个制程分别计算第个制程的制程重要性；步骤三
D
，定义第个制程重要性分析模型对第个制程计算的制程重要性为制程影响程度；步骤三
E
，使用测试集对个制程重要性分析模型进行验证，得到个制程重要性分析模型的预测准确度<...

【专利技术属性】
技术研发人员：陈双武，周龙飞，李江明，金东，杨坚，谢箭，王涛，
申请(专利权)人：合肥喆塔科技有限公司，
类型：发明
国别省市：