[发明专利]一种特征对指标的影响评价方法、装置、设备及存储介质

说明书

本发明提供一种特征对指标的影响评价方法、装置、设备及存储介质，该方法包括获取工业生产数据集并拟合回归处理工业生产数据中的工业指标数据和对应的特征数据筛选出工业指标数据的重要特征数据，再将工业指标数据和重要特征数据输入至预设的特征模型，得到指标‑特征关系曲线，以指示工业指标数据与重要特征数据的关联性，进而评价特征对指标的影响。本发明通过可视化的曲线评估重要特征对工业指标数据的影响方向和数值影响水平，可以更方便且清晰的将评估结果直接用于生产指导。

技术领域

本发明涉及数据分析领域，具体涉及一种特征对指标的影响评价方法、装置、设备及存储介质。

背景技术

在现代工业产品生产中，存在各种决定产品质量和性能的工业指标数据，随着物联网技术的发展，越来越多的企业开始收集各类与工业指标数据关联的生产工艺参数和环境参数等，用于分析各类参数对工业指标数据的影响。利用大数据和机器学习技术，可以准确分析并评价各类关联特征对工业指标数据的影响趋势及程度，能辅助工业生产操作人员分析产品指标值变动的原因，从而合理调控生产过程中的各项参数使产品指标值保持在合理范围，提高产品的合格率。在大部分大型工厂，工业指标数据的控制主要依赖于操作人员根据经验进行手动调控，效率低下并且对操作工的经验要求极高。

针对工业生产工业指标数据关联特征的评价分析，学术界和工业界目前研究较少。现有方法存在以下两方面的不足：其一，现存方法大部分基于树模型或神经网络来分析特征重要性，这类方法只能得出特征对于指标值的重要程度，难以直接评估特征对指标的直接影响方向和数值影响水平，因此难以直接用于生产指导；其二，现存的部分深度学习方法复杂度较高，在工况变化进行重新训练时耗时较长并且训练数据需求较多，对直接应用挑战较大。

发明内容

鉴于以上所述现有技术中难以直接评估特征对指标的直接影响方向和数值影响水平的缺点，本发明提供一种特征对指标的影响评价方法、装置、设备及存储介质，以实现快速完成特征对指标的直接影响方向和数值影响水平的分析。

本发明提供的一种特征对指标的影响评价方法，包括获取待分析工业生产数据集，所述待分析工业生产数据集包括工业指标数据和所述工业指标数据对应的多个特征数据；对所述待分析工业生产数据集进行筛选，得到重要特征数据，所述筛选包括对所述工业指标数据和多个特征数据进行拟合回归处理；将所述工业指标数据和重要特征数据输入至预设的特征模型，得到指标-特征关系曲线，以指示工业指标数据与重要特征数据的关联性，进而评价特征对指标的影响。

于本发明的一实施例中，筛选重要特征数据包括基于各所述特征数据和所述工业指标数据训练预设回归模型，直到所述预设回归模型收敛，确定各所述特征数据的收敛特征权重系数；基于所述收敛特征权重系数对所述特征数据进行排序；将排序位于预设序列位数的所述特征数据确定为重要特征数据。

于本发明的一实施例中，筛选重要特征数据还包括删除所述收敛特征权重系数为0的所述特征数据；将排序位于预设序列位数且所述收敛特征权重系数为正数的所述特征数据确定为正相关重要特征；将排序位于预设序列位数且所述收敛特征权重系数为负数的所述特征数据确定为负相关重要特征；将所述正相关重要特征和所述负相关重要特征确定为所述重要特征数据。

于本发明的一实施例中，将所述工业指标数据和所述重要特征数据输入至预设的特征模型，得到指标-特征关系曲线包括基于预设函数构建各所述重要特征数据的子模型，所述预设函数为多项式分段函数；将所述工业指标数据和所述子模型输入预设的特征模型，所述预设的特征模型为可加模型；基于所述预设的特征模型确定各所述子模型对应的重要特征的特征系数，以基于所述特征系数得到所述重要特征的指标-特征关系曲线。

于本发明的一实施例中，基于所述指标-特征关系曲线确定所述重要特征对所述工业指标数据的影响方向和数值影响水平包括，根据所述指标-特征关系曲线走势确定所述重要特征对所述工业指标数据的影响方向；根据所述指标-特征关系曲线坐标数值确定所述重要特征对工业指标数据的数值影响水平。