[發明專利]產品質量預測方法及裝置

在審

• 申請號: 202110997211.7
• 申請日: 2021-08-27
• 公開（公告）號: CN113762609A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 譚龍興;鄭曉彬
• 申請（專利權）人: 浙江天垂科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04;G06K9/62
• 代理公司: 北京樂知新創知識產權代理事務所(普通合伙) 11734
• 代理人: 周偉

1.產品質量預測方法，其特征在于，包括：

采集樣本產品的第一參數、第二參數和質量評分；

獲取每個樣本產品的第一樣本數據，所述第一樣本數據包括樣本產品的第一參數和質量評分；

根據多個樣本產品的第一個樣本數據對第一預設模型進行訓練得到第一預測模型，并通過所述第一預測模型計算目標產品的第一質量評分；

獲取每個樣本產品的第二樣本數據，所述第二樣本數據包括樣本產品的第二參數以及樣本數據的質量評分與所述目標產品的第一質量評分的差值；

根據所述多個樣本產品的第二個樣本數據對第二預設模型進行訓練得到第二預測模型，并通過所述第二預測模型計算所述目標產品的第二質量評分；

根據所述第一質量評分和第二質量評分確定所述目標產品的第三質量評分。

2.根據權利要求1所述的產品質量預測方法，其特征在于，

所述第一參數為工況參數時，所述第二參數為工藝參數，所述第一預設模型為線性回歸模型，所述第二預設模型為極限梯度提升樹模型、或梯度提升樹模型、或輕量梯度提升機模型、或深度學習模型。

3.根據權利要求1所述的產品質量預測方法，其特征在于，

所述第一參數為工藝參數時，所述第二參數為工況參數，所述第一預設模型為極限梯度提升樹模型、或梯度提升樹模型、或輕量梯度提升機模型、或深度學習模型，所述第二預設模型為線性回歸模型。

4.根據權利要求2或3所述的產品質量預測方法，其特征在于，所述通過所述第一預測模型計算目標產品的第一質量評分，包括：

獲取所述目標產品的第一參數；

根據所述目標產品的第一參數，通過所述第一預測模型計算目標產品的第一質量評分。

5.根據權利要求2或3所述的產品質量預測方法，其特征在于，所述通過所述第二預測模型計算所述目標產品的第二質量評分，包括：

獲取所述目標產品的第二參數；

根據所述目標產品的第二參數，通過所述第二預測模型計算目標產品的第二質量評分。

6.根據權利要求2或3所述的產品質量預測方法，其特征在于，根據所述第一質量評分和第二質量評分確定所述目標產品的第三質量評分，包括：

將所述第一質量評分和第二質量評分之和作為所述目標產品的第三質量評分。

7.根據權利要求2或3所述的產品質量預測方法，其特征在于：所述采集樣本產品的質量評分，包括：

若采集的多個樣本產品對應的工況參數相同，則計算工況參數相同的多個樣本產品的質量評分的中位數，將中位數作為工況參數相同的每個樣本產品對應的質量評分。

8.根據權利要求2或3所述的產品質量預測方法，其特征在于：采集工藝參數，包括：選取每個樣本產品在特定的工藝階段的至少一個工藝參數的實時數值，計算實時數值的和、平均值、中位數、最大值、最小值、分位數，選取部分或全部作為所述樣本產品在相應工藝階段的相應工藝參數的值。

9.一種產品質量預測裝置，其特征在于，包括：

數據采集模塊，用于采集產品的第一參數、第二參數和質量評分；

數據處理模塊，用于獲取每個樣本產品的第一樣本數據；所述第一樣本數據包括樣本產品的第一參數和質量評分；

根據多個樣本產品的第一個樣本數據對第一預設模型進行訓練得到第一預測模型，并通過所述第一預測模型計算目標產品的第一質量評分；

獲取每個樣本產品的第二樣本數據，所述第二樣本數據包括樣本產品的第二參數以及樣本數的質量評分與所述目標產品的第一質量評分的差值；

根據所述多個樣本產品的第二個樣本數據對第二預設模型進行訓練得到第二預測模型，并通過所述第二預測模型計算所述目標產品的第二質量評分；

數據計算模塊，用于根據所述第一質量評分和第二質量評分確定所述目標產品的第三質量評分。

10.根據權利要求9所述的裝置，其特征在于，所述數據處理模塊包括只能擇一工作的第一處理子模塊和第二處理子模塊；

所述第一處理子模塊用于選取所述第一參數為工況參數，選取所述第二參數為工藝參數，第一預設模型選取線性回歸模型，第二預設模型選取為極限梯度提升樹模型、或梯度提升樹模型、或輕量梯度提升機模型、或深度學習模型；

所述第二處理子模塊用于選取所述第一參數為工藝參數，選取所述第二參數為工況參數，第一預設模型選取極限梯度提升樹模型、或梯度提升樹模型、或輕量梯度提升機模型、或深度學習模型時，第二預設模型選取線性回歸模型。