[发明专利]产品质量预测方法及装置

权利要求书

1.产品质量预测方法，其特征在于，包括：

采集样本产品的第一参数、第二参数和质量评分；

获取每个样本产品的第一样本数据，所述第一样本数据包括样本产品的第一参数和质量评分；

根据多个样本产品的第一个样本数据对第一预设模型进行训练得到第一预测模型，并通过所述第一预测模型计算目标产品的第一质量评分；

获取每个样本产品的第二样本数据，所述第二样本数据包括样本产品的第二参数以及样本数据的质量评分与所述目标产品的第一质量评分的差值；

根据所述多个样本产品的第二个样本数据对第二预设模型进行训练得到第二预测模型，并通过所述第二预测模型计算所述目标产品的第二质量评分；

根据所述第一质量评分和第二质量评分确定所述目标产品的第三质量评分。

2.根据权利要求1所述的产品质量预测方法，其特征在于，

所述第一参数为工况参数时，所述第二参数为工艺参数，所述第一预设模型为线性回归模型，所述第二预设模型为极限梯度提升树模型、或梯度提升树模型、或轻量梯度提升机模型、或深度学习模型。

3.根据权利要求1所述的产品质量预测方法，其特征在于，

所述第一参数为工艺参数时，所述第二参数为工况参数，所述第一预设模型为极限梯度提升树模型、或梯度提升树模型、或轻量梯度提升机模型、或深度学习模型，所述第二预设模型为线性回归模型。

4.根据权利要求2或3所述的产品质量预测方法，其特征在于，所述通过所述第一预测模型计算目标产品的第一质量评分，包括：

获取所述目标产品的第一参数；

根据所述目标产品的第一参数，通过所述第一预测模型计算目标产品的第一质量评分。

5.根据权利要求2或3所述的产品质量预测方法，其特征在于，所述通过所述第二预测模型计算所述目标产品的第二质量评分，包括：

获取所述目标产品的第二参数；

根据所述目标产品的第二参数，通过所述第二预测模型计算目标产品的第二质量评分。

6.根据权利要求2或3所述的产品质量预测方法，其特征在于，根据所述第一质量评分和第二质量评分确定所述目标产品的第三质量评分，包括：

将所述第一质量评分和第二质量评分之和作为所述目标产品的第三质量评分。

7.根据权利要求2或3所述的产品质量预测方法，其特征在于：所述采集样本产品的质量评分，包括：

若采集的多个样本产品对应的工况参数相同，则计算工况参数相同的多个样本产品的质量评分的中位数，将中位数作为工况参数相同的每个样本产品对应的质量评分。

8.根据权利要求2或3所述的产品质量预测方法，其特征在于：采集工艺参数，包括：选取每个样本产品在特定的工艺阶段的至少一个工艺参数的实时数值，计算实时数值的和、平均值、中位数、最大值、最小值、分位数，选取部分或全部作为所述样本产品在相应工艺阶段的相应工艺参数的值。

9.一种产品质量预测装置，其特征在于，包括：

数据采集模块，用于采集产品的第一参数、第二参数和质量评分；

数据处理模块，用于获取每个样本产品的第一样本数据；所述第一样本数据包括样本产品的第一参数和质量评分；

根据多个样本产品的第一个样本数据对第一预设模型进行训练得到第一预测模型，并通过所述第一预测模型计算目标产品的第一质量评分；

获取每个样本产品的第二样本数据，所述第二样本数据包括样本产品的第二参数以及样本数的质量评分与所述目标产品的第一质量评分的差值；

根据所述多个样本产品的第二个样本数据对第二预设模型进行训练得到第二预测模型，并通过所述第二预测模型计算所述目标产品的第二质量评分；

数据计算模块，用于根据所述第一质量评分和第二质量评分确定所述目标产品的第三质量评分。

10.根据权利要求9所述的装置，其特征在于，所述数据处理模块包括只能择一工作的第一处理子模块和第二处理子模块；

所述第一处理子模块用于选取所述第一参数为工况参数，选取所述第二参数为工艺参数，第一预设模型选取线性回归模型，第二预设模型选取为极限梯度提升树模型、或梯度提升树模型、或轻量梯度提升机模型、或深度学习模型；

所述第二处理子模块用于选取所述第一参数为工艺参数，选取所述第二参数为工况参数，第一预设模型选取极限梯度提升树模型、或梯度提升树模型、或轻量梯度提升机模型、或深度学习模型时，第二预设模型选取线性回归模型。