图片简介:本技术提供了一种事件预测及因子识别动态模拟模型建模方法及系统，包括：步骤S1：确立需要监测和评估的事件属性，以及相应的指标算式；步骤S2：建立动态数字模拟流程图；步骤S3：建立批次数据；步骤S4：形成配置文件；步骤S5：将数据和配置文件导入算法平台，进行运算，并生成结果；步骤S6：模型应
用。本技术的事件预测及因子识别动态模拟模型通过其独有的建模设计和算法，解决了对产品制造业的离散型随机序列数据进行分析和建模的疑难问题，从而是对建模方法的基础性创新，将在产品制造业获得广泛的应用。
技术要求1.一种事件预测及因子识别动态模拟模型建模方法，其特征在于，包括：
步骤S1：确立需要监测和评估的事件属性，以及相应的指标算式；步骤S2：建立动态数字模拟流程图；步骤S3：建立批次数据；步骤S4：形成配置文件；步骤S5：将批次数据和配置文件导入算法平台，进行运算，并生成模拟模型；步骤S6：应用生成的模拟模型。2.根据权利要求1所述的事件预测及因子识别动态模拟模型建模方法，其特征在于，所述步骤S1包括：
步骤S101：确立监测、预测和进行因子分析所针对的事件：步骤S102：确立目标指标的计算公式；所述监测、预测和进行因子分析所针对的事件包括：质检机质检过程中次品的出现；所述质检机质检包括：生产线上质检和生产线下批检；所述生产线上质检：工件按照在生产中被完成的时间顺序进入质检机；质检机被用来实时识别质差产品、质差类别，并对质差产品的数目以及良品的数目进行实时计数；最终的总产出数目＝良品数目+次品数目；
所述生产线下批检：成批的已完成工件依次进入质检机，排序与生产顺序无关，并为非实时；工件进入质检机后，质检机被用来实时识别质差产品、质差类别，并对质差产品的数目以及良品的数目进行实时计数；最终的总产出数目＝良品数目+次品数目；
所述目标指标的计算公式包括针对次品率的指标和算式：总体次品率＝次品数目/总产出数目；分类次品率＝分类次品数目/总产出数目。3.根据权利要求1所述的事件预测及因子识别动态模拟模型建模方法，其特征在于，所述步骤S2包括：
步骤S201：建立动态模拟流程图：步骤S202：建立特征分类格栅；所述步骤S201：以流程图的方式展示需要进行建模的指标以及数量或规模变量；所述指标是比率，包括：次品率；所述变量包括：次品数目，良品数目。步骤S202：格栅中对分类维度的选择有两个依据，包括：业务决策的需要、数据中可能对目标指标产生影响的其他变量；
所述其他变量包括：产品种类、生产线、班组、工艺、材料、添加剂、公差以及生产环境变量。
4.根据权利要求1所述的事件预测及因子识别动态模拟模型建模方法，其特征在于，所述步骤S3包括：步骤S301：建立初始表：步骤S302：建立指标表现跟踪表：步骤S303：数据采集、清洗和标准化；所述初始表对应于特征分类格栅表，记录每个批次与格栅的对应，以及批次的生产起始时间，计划产量或最终实际产量；
所述指标表现跟踪表记录每个批次在细分时间间隔上的表现；所述步骤S303：对流程图中所涉及的变量，原始字段需要从数据库或设备端获取；建模前进行数据的清洗和标准化。5.根据权利要求1所述的事件预测及因子识别动态模拟模型建模方法，其特征在于，所述步骤S4：
所述配置文件指将流程图中的信息发送给软件平台；软件平台是通用动态模拟工具，可以适配任何流程设计，而配置文件就是将通用动态模拟工具用于个性化流程图的媒介。
6.根据权利要求1所述的事件预测及因子识别动态模拟模型建模方法，其特征在于，所述步骤S5：
对于流程图中的任何一个指标，用两种时间形式来表达，即：rvi(otvi,t) (1)或者是rvi(otvi,avi) (2)其中avi＝t-otvi表达式中使用r来表示目标指标，包括次品率；vi表示任何一个生产批次，即第i个批次；otvi用来标注这个批次的开始时间；
rvi(otvi,t)所显示的，是以日历时间t来计数时间的流逝，而rvi(otvi,avi)所显示的，是以增龄avi来计数时间
的流逝；
由于两个时间轴的转换对于任何既定的批次都是一对一的关系，即公式(2)，即增龄(月份数)＝日历时间-初始时间，所以公式(1)中的两个表述形式是等同的。
技术说明书事件预测及因子识别动态模拟模型建模方法及系统技术领域本技术涉及产品制造技术领域，具体地，涉及事件预测及因子识别动态模拟模型建模方法及系统。尤其地，涉及针对产品制造中随机离散序列变量的一种基本建模 方法。
背景技术Multiple Time-Dimension Simulation Models and Lifecycle DynamicScoring System是美国Dynamic SimulationSystems LTD公司的Ruizhi Bu和 YuanyuanPeng在美国共同申请并已公开的专利申请。
上述专利申请中创建的评分方法，所针对的是0/1型结果数据。本专利申请中 的建模方法，针对的是产品制造行业中最为常见的离散型随机序列数据。
技术内容针对现有技术中的缺陷，本技术的目的是提供一种事件预测及因子识别动态模拟模型建模方法及系统。根据本技术提供的一种事件预测及因子识别动态模拟模型建模方法，包括：步骤S1：确立需要监测和评估的事件属性，以及相应的指标算式；步骤S2：建立动态数字模拟流程图；步骤S3：建立批次数据；步骤S4：形成配置文件；步骤S5：将批次数据和配置文件导入算法平台，进行运算，并生成模拟模型；步骤S6：应用生成的模拟模型。优选地，所述步骤S1包括：步骤S101：确立监测、预测和进行因子分析所针对的事件：步骤S102：确立目标指标的计算公式；所述监测、预测和进行因子分析所针对的事件包括：质检机质检过程中次品的出现；所述质检机质检包括：生产线上质检和生产线下批检；所述生产线上质检：工件按照在生产中被完成的时间顺序进入质检机；质检机被用 来实时识别质差产品、质差类别，并对质差产品的数目以及良品的数目进行实时计数；最终的总产出数目＝良品数目+次品数目；
所述生产线下批检：成批的已完成工件依次进入质检机，排序与生产顺序无关，并为非实时；工件进入质检机后，质检机被用来实时识别质差产品、质差类别，并对质差 产品的数目以及良品的数目进行实时计数；最终的总产出数目＝良品数目+次品数 目；
所述目标指标的计算公式包括针对次品率的指标和算式：
总体次品率＝次品数目/总产出数目；分类次品率＝分类次品数目/总产出数目。优选地，所述步骤S2包括：步骤S201：建立动态模拟流程图：步骤S202：建立特征分类格栅；所述步骤S201：以流程图的方式展示需要进行建模的指标以及数量或规模变量；所述指标是比率，包括：次品率；所述变量包括：次品数目，良品数目。步骤S202：格栅中对分类维度的选择有两个依据，包括：业务决策的需要、数据中可能对目标指标产生影响的其他变量；
所述其他变量包括：产品种类、生产线、班组、工艺、材料、添加剂、公差以及生 产环境变量。优选地，所述步骤S3包括：步骤S301：建立初始表：步骤S302：建立指标表现跟踪表：步骤S303：数据采集、清洗和标准化；所述初始表对应于特征分类格栅表，记录每个批次与格栅的对应，以及批次的生产 起始时间，计划产量或最终实际产量；
所述指标表现跟踪表记录每个批次在细分时间间隔上的表现；所述步骤S303：对流程图中所涉及的变量，原始字段需要从数据库或设备端获取；建模前进行数据 的清洗和标准化。优选地，所述步骤S4：所述配置文件指将流程图中的信息发送给软件平台；软件平台是通用动态模拟工具， 可以适配任何流程设计，而配置文件就是将通用动态模拟工具用于个性化流程图的媒介。
优选地，所述步骤S5：对于流程图中的任何一个指标，用两种时间形式来表达，即：rvi(otvi,t)(1)或者是rvi(otvi,avi)(2)其中avi＝t-otvi表达式中使用r来表示目标指标，包括次品率；vi表示任何一个生产批次，即第i个批次；otvi用来标注这个批次的开始时间；
rvi(otvi,t)所显示的，是以日历时间t来计数时间的流逝，而rvi(otvi,avi)所显 示的，是以增龄avi来计数时间
的流逝；
由于两个时间轴的转换对于任何既定的批次都是一对一的关系，即公式(2)，即增龄(月份数)＝日历时间-初始时间，所以公式(1)中的两个表述形式是等同的。
与现有技术相比，本技术具有如下的有益效果：本技术的事件预测及因子识别动态模拟模型通过其独有的建模设计和算法，解决了对产品制造业的离散型随机序列数据进行分析和建模的疑难问题，从而是对建 模方法的基础性创新，将在产品制造业获得广泛的应用。
附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
图1为本技术提供的模型的功用示意图。图2为本技术提供的样本中对被解释变量的计算示意图。图3为本技术提供的样本中的解释变量示意图。图4为本技术提供的对样本数目的计算示意图。图5为本技术提供的对业绩指标和规模变量进行同时建模流程示意图。图6为本技术提供的特征分类格栅–决策的维度和各个维度中的选项示意图。图7为本技术提供的初始表的结构与内容示意图。图8为本技术提供的生产表现跟踪表的结构与内容示意图。图9为本技术提供的对事件预测及因子识别动态模拟模型建模方法的展示示意图。图10为本技术提供的批次数据过少的情形示意图。图11为本技术提供的批次数据充分的情形示意图。图12为本技术提供的将全(所有)维度建模降维到单一因素建模示意图。具体实施方式下面结合具体实施例对本技术进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本技术，但不以任何形式限制本技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变化和改进。这些都属于 本技术的保护范围。
根据本技术提供的一种事件预测及因子识别动态模拟模型建模方法，包括：步骤S1：确立需要监测和评估的事件属性，以及相应的指标算式；步骤S2：建立动态数字模拟流程图；步骤S3：建立批次数据；步骤S4：形成配置文件；步骤S5：将数据和配置文件导入算法平台，进行运算，并生成结果；步骤S6：模型应用。具体地，所述步骤S1包括：