一种电子元器件生产数据智能分析方法及系统与流程

本发明涉及数据处理，具体涉及一种电子元器件生产数据智能分析方法及系统。

背景技术：

1、电子元器件是小型的机器、仪器的组成部分，通过对电子元器件生产设备相关数据进行分析处理，可以及时了解设备的当前状态，调整优化设备参数。现有方法对设备参数优化通常是通过对设备的不同运行状态进行聚类，并根据得到的聚类结果进行异常值检测或进一步分析处理，在实际情况中，电子元器件设备在运行时，由于不同参数数据相互之间的影响，导致数据之间距离的计算无法准确表征数据的相似性，使得聚类结果不够准确，进而导致异常数据的检测结果不准确。

技术实现思路

1、为解决上述问题，本发明提供一种电子元器件生产数据智能分析方法及系统。

2、本发明的一种电子元器件生产数据智能分析方法及系统采用如下技术方案：

3、本发明一个实施例提供了一种电子元器件生产数据智能分析方法，该方法包括以下步骤：

4、采集电子元器件生产设备的时序监测数据，所述时序监测数据包含若干参数序列，每个参数序列包含若干参数值；

5、对参数序列等长划分得到每个参数序列的若干参数段序列；

6、根据参数序列的每个参数段序列中不同参数值的斜率和参数值距离极值的时间间隔，得到每个参数序列的每个参数段序列内参数值的初始波动程度，根据初始波动程度得到每个参数序列的每个参数段序列内参数值的最终波动程度，根据最终波动程度得到每个参数序列的距离影响权重；

7、根据不同参数序列在同一参数段序列内参数值的斜率变化次数和斜率最大值对应的时间间隔，得到不同参数序列之间的相关性，根据相关性得到每个参数序列受其他参数序列的相关性影响，根据距离影响权重和相关性影响得到每个参数序列的距离调整系数；

8、根据距离调整系数和参数序列中不同参数值的差异得到不同样本数据之间的距离，所述样本数据为所有参数序列在同一位置的参数值按照参数序列的获取顺序构成的序列，根据不同样本数据之间的距离对样本数据进行聚类得到若干类簇，对每个类簇中的样本数据进行异常检测得到若干异常的参数值。

9、进一步地，所述根据参数序列的每个参数段序列中不同参数值的斜率和参数值距离极值的时间间隔，得到每个参数序列的每个参数段序列内参数值的初始波动程度，包括的具体步骤如下：

10、；

11、式中，为第i个参数序列的第m个参数段序列中第q个参数值的斜率，为第i个参数序列的第m个参数段序列中所有参数值的斜率均值，为第i个参数序列的第m个参数段序列中距离第q个参数值最近的极值与第q个参数值之间的时间间隔，其中极值是指参数值的极值，为线性归一化函数，为第i个参数序列的第m个参数段序列中参数值的个数，为第i个参数序列的第m个参数段序列内参数值的初始波动程度。

12、进一步地，所述根据初始波动程度得到每个参数序列的每个参数段序列内参数值的最终波动程度，包括的具体步骤如下：

13、；

14、式中，为第i个参数序列的所有参数段序列内参数值的初始波动程度的方差，为以自然常数为底的指数函数，为第i个参数序列的第m个参数段序列内参数值的初始波动程度，为第i个参数序列的第m个参数段序列内参数值的最终波动程度。

15、进一步地，所述根据最终波动程度得到每个参数序列的距离影响权重，包括的具体步骤如下：

16、；

17、式中，为第i个参数序列的第m个参数段序列内参数值的最终波动程度，为第i个参数序列的参数段序列个数，为第i个参数序列的距离影响权重。

18、进一步地，所述根据不同参数序列在同一参数段序列内参数值的斜率变化次数和斜率最大值对应的时间间隔，得到不同参数序列之间的相关性，包括的具体步骤如下：

19、；

20、式中，为第i个参数序列的第m个参数段序列内参数值斜率最大值对应的时间，为第j个参数序列的第m个参数段序列内参数值斜率最大值对应的时间，表示斜率最大值对应的时间间隔，为线性归一化函数，为第i个参数序列的第m个参数段序列内参数值的斜率变化次数，为第j个参数序列的第m个参数段序列内参数值的斜率变化次数，为取绝对值，为以自然常数为底的指数函数，为参数序列的参数段序列个数，为第i个参数序列和第j个参数序列之间的相关性。

21、进一步地，所述根据相关性得到每个参数序列受其他参数序列的相关性影响，包括的具体步骤如下：

22、；

23、式中，为第i个参数序列和第j个参数序列之间的相关性，为线性归一化函数，为参数序列的总个数，为第i个参数序列受其他参数序列的相关性影响，其他参数序列是指若干参数序列中除第i个参数序列以外剩余的参数序列。

24、进一步地，所述根据距离影响权重和相关性影响得到每个参数序列的距离调整系数，包括的具体步骤如下：

25、；

26、式中，为第i个参数序列的距离影响权重，为第i个参数序列受其他参数序列的相关性影响，为第i个参数序列的距离调整系数。

27、进一步地，所述根据距离调整系数和参数序列中不同参数值的差异得到不同样本数据之间的距离，包括的具体步骤如下：

28、；

29、式中，为第i个参数序列的距离调整系数，为第i个参数序列中第a个参数值，为第i个参数序列中第b个参数值，，为参数序列的总个数，为不同参数值的差异，为第a个样本数据和第b个样本数据之间的距离。

30、进一步地，所述根据不同样本数据之间的距离对样本数据进行聚类得到若干类簇，对每个类簇中的样本数据进行异常检测得到若干异常的参数值，包括的具体步骤如下：

31、根据不同样本数据之间的距离对样本数据利用k-means算法进行聚类，得到若干类簇，对每个类簇中的样本数据利用lof异常检测算法进行检测，得到每个类簇中的若干异常样本数据，异常样本数据中的参数值为异常的参数值。

32、本发明还提出了一种电子元器件生产数据智能分析系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现前述所述方法的步骤。

33、本发明的技术方案的有益效果是：在每一参数序列参与样本数据之间的距离计算时，根据每个参数序列的每个参数段序列内参数值的变化趋势结合时间差异，得到参数序列的距离调整系数，相比于原有k-means算法仅仅通过不同时刻数据的不同参数测量值作为设备某一运行状态的表征，本发明通过量化不同参数序列之间的相关性，将相关性引入样本数据距离的计算中，使得最终聚类结果更加贴合实际情况，完成异常参考值的检测，达到对数据的智能分析。

技术特征：

1.一种电子元器件生产数据智能分析方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据参数序列的每个参数段序列中不同参数值的斜率和参数值距离极值的时间间隔，得到每个参数序列的每个参数段序列内参数值的初始波动程度，包括的具体步骤如下：

3.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据初始波动程度得到每个参数序列的每个参数段序列内参数值的最终波动程度，包括的具体步骤如下：

4.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据最终波动程度得到每个参数序列的距离影响权重，包括的具体步骤如下：

5.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据不同参数序列在同一参数段序列内参数值的斜率变化次数和斜率最大值对应的时间间隔，得到不同参数序列之间的相关性，包括的具体步骤如下：

6.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据相关性得到每个参数序列受其他参数序列的相关性影响，包括的具体步骤如下：

7.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据距离影响权重和相关性影响得到每个参数序列的距离调整系数，包括的具体步骤如下：

8.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据距离调整系数和参数序列中不同参数值的差异得到不同样本数据之间的距离，包括的具体步骤如下：

9.根据权利要求1所述一种电子元器件生产数据智能分析方法，其特征在于，所述根据不同样本数据之间的距离对样本数据进行聚类得到若干类簇，对每个类簇中的样本数据进行异常检测得到若干异常的参数值，包括的具体步骤如下：

10.一种电子元器件生产数据智能分析系统，所述系统包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-9任一项所述一种电子元器件生产数据智能分析方法的步骤。

技术总结本发明涉及数据处理技术领域，具体涉及一种电子元器件生产数据智能分析方法及系统，包括：获取参数序列，根据参数段序列中不同参数值的斜率和参数值距离极值的时间间隔得到初始波动程度，根据初始波动程度得到参数段序列内参数值的最终波动程度，进而得到参数序列的距离影响权重，获取不同参数序列之间的相关性，进而得到每个参数序列受其他参数序列的相关性影响，根据距离影响权重和相关性影响得到参数序列的距离调整系数，进而得到样本数据之间的距离，最终将样本数据进行聚类并完成异常检测。本发明通过分析不同参数序列之间的相关性，使得最终聚类结果更加贴合实际情况，完成异常参考值的检测。技术研发人员：黄静,许文杰,王学赟受保护的技术使用者：惠州盛世达科技有限公司技术研发日：技术公布日：2024/7/29