[发明专利]使用历史检验数据进行缺陷预测

说明书

本公开涉及使用历史检验数据进行缺陷预测。提供了使用历史检验数据的缺陷预测。在各种实施例中，接收工厂的历史检验数据。检验数据包括工厂中生产的一个或多个产品中的缺陷的指示。从检验数据中提取多个特征。将所述多个特征提供给缺陷预测模型。缺陷预测模型包括经训练的分类器或协同过滤器。从缺陷预测模型获得可能在所述一个或多个产品中出现的多个缺陷的指示。

技术领域

本公开的实施例涉及缺陷预测，更具体而言，涉及使用历史检验数据的缺陷预测。

发明内容

根据本公开的实施例，提供了用于缺陷预测的方法和计算机程序产品。在各种实施例中，接收工厂的历史检验数据。检验数据包括工厂生产的一个或多个产品中的缺陷的指示。从检验数据中提取多个特征。将多个特征提供给缺陷预测模型。缺陷预测模型包括经训练的分类器或协同过滤器。从缺陷预测模型获得可能在一个或多个产品中出现的多个缺陷的指示。

在一些实施例中，缺陷预测模型包括经训练的分类器和协同过滤器，经训练的分类器和协同过滤器被配置为提供共识输出。在一些实施例中，缺陷预测模型包括经训练的分类器和协同过滤器，经训练的分类器和协同过滤器被配置为提供集合输出。

在一些实施例中，一个或多个产品中的缺陷的指示包括预定产品类型、产品线或产品类别中的缺陷的指示。在一些实施例中，一个或多个产品中的缺陷的指示包括多个缺陷名称和与多个缺陷名称中的每一个对应的缺陷率。

在一些实施例中，多个特征包括：工厂的过去检验的属性、一个或多个产品的属性，或者一个或多个产品中的缺陷的属性。

在一些实施例中，经训练的分类器包括人工神经网络。在一些实施例中，人工神经网络包括深度神经网络。在一些实施例中，协同过滤器包括邻域模型或潜在因素模型。在一些实施例中，多个缺陷包括预定数量的最可能的缺陷。

在一些实施例中，该方法还包括对数据进行预处理。在一些实施例中，对数据进行预处理包括聚合数据。在一些实施例中，对数据进行预处理还包括对数据进行过滤。在一些实施例中，从数据中提取多个特征包括针对缺陷的每个指示应用从缺陷名称到来自预定命名的一个或多个标准化的缺陷名称的映射。在一些实施例中，历史检验数据包括多个产品名称，并且其中从数据中提取多个特征包括应用从多个产品名称中的每一个产品名称到来自预定命名的标准化的产品名称的映射。

在一些实施例中，该方法还包括：对工厂的历史检验数据进行匿名化。在一些实施例中，数据还包括工厂的表现历史。在一些实施例中，数据还包括工厂的地理信息。在一些实施例中，数据还包括工厂的产品数据。在一些实施例中，数据还包括工厂的被检验产品的品牌数据。在一些实施例中，数据跨越预定时间窗口。

在一些实施例中，向缺陷预测模型提供多个特征包括将多个特征发送到远程缺陷预测服务器，并且从缺陷预测模型获得多个缺陷的指示包括从缺陷预测服务器接收多个缺陷的指示。在一些实施例中，提取多个特征包括应用维数减少算法。在一些实施例中，可能出现的多个缺陷的指示包括可能在工厂出现的多个缺陷的列表。在一些实施例中，列表包括针对多个缺陷中的每个缺陷的缺陷名称、缺陷率和缺陷描述。在一些实施例中，列表包括可能在特定购买订单、产品、产品风格、产品线或产品类别中出现的多个缺陷的列表。在一些实施例中，获得多个缺陷的指示还包括向用户的报告的指示。在一些实施例中，向用户提供指示包括将指示发送到移动或web应用。在一些实施例中，所述发送经由广域网执行。

在一些实施例中，经训练的分类器包括支持向量机。在一些实施例中，从缺陷预测模型获得指示包括应用梯度增强(gradient boosting)算法。

在一些实施例中，该方法还包括：通过将多个缺陷的指示与多个缺陷的基础事实指示进行比较来测量缺陷预测模型的性能；根据性能来优化缺陷预测模型的参数。在一些实施例中，优化缺陷预测模型的参数包括修改经训练的机器学习模型的超参数。在一些实施例中，优化缺陷预测模型的参数包括用第二机器学习算法代替第一机器学习算法，第二机器学习算法包括被配置为改善缺陷预测模型的性能的超参数。