开元体育·(中国)官方网站工艺参数优化的解释方法、装置、设备及存储介质pdf本申请提供一种工艺参数优化的解释方法、装置、设备及存储介质，该方法包括：根据原始工艺规程获得第一样本集，以及根据新工艺规程获得第二样本集；通过模型解释器对第一样本集中每个样本的原始特征进行一次解释，并根据新工艺规程与原始工艺规程的变化确定调整特征，生成第一相关趋势图；结合第一相关趋势图和第一目标值组分布确定第二目标值组分布；通过模型解释器对第二样本集中每个样本对应的调整特征进行二次解释，生成第二相关趋势图；结合所述第二相关趋势图和第二目标值组分布确定第三目标值组分布；对第一目标值组分布和第三目标

　　(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 116821602 A (43)申请公布日 2023.09.29 (21)申请号 8.X G06N 5/01 (2023.01) G06N 20/20 (2019.01) (22)申请日 2023.07.03 (71)申请人 中冶赛迪信息技术（重庆）有限公司 地址 401329 重庆市九龙坡区白市驿镇农 科大道66号2幢5-6号 (72)发明人 张璟涵邬小刚唐玮谦潘谊 刘建宇汤槟 (74)专利代理机构 上海汉之律师事务所 31378 专利代理师 陈强 (51)Int.Cl. G06F 18/10 (2023.01) G06F 18/213 (2023.01) G06F 18/214 (2023.01) G06F 18/27 (2023.01) G06Q 50/04 (2012.01) 权利要求书3页 说明书12页 附图6页 (54)发明名称 工艺参数优化的解释方法、装置、设备及存 储介质 (57)摘要 本申请提供一种工艺参数优化的解释方法、 装置、设备及存储介质，该方法包括：根据原始工 艺规程获得第一样本集，以及根据新工艺规程获 得第二样本集；通过模型解释器对第一样本集中 每个样本的原始特征进行一次解释，并根据新工 艺规程与原始工艺规程的变化确定调整特征，生 成第一相关趋势图；结合第一相关趋势图和第一 目标值组分布确定第二目标值组分布；通过模型 解释器对第二样本集中每个样本对应的调整特 征进行二次解释，生成第二相关趋势图 ；结合所 述第二相关趋势图和第二目标值组分布确定第 A 三目标值组分布；对第一目标值组分布和第三目 2 标值组分布进行展示 ，完成工艺参数优化的解 0 6 1 释。既提供了工艺参数优化思路，又增强了工艺 2 8 6 参数优化的可信度。 1 1 N C CN 116821602 A 权利要求书 1/3页 1.一种工艺参数优化的解释方法，其特征在于，所述方法包括： 根据原始工艺规程对历史数据集进行一次筛选，获得第一样本集，以及根据新工艺规 程对所述历史数据集进行二次筛选，获得第二样本集； 通过模型解释器对所述第一样本集中每个样本对应的原始特征进行一次解释，并根据 所述新工艺规程与所述原始工艺规程的变化确定调整特征，生成所述调整特征与产品质量 的第一目标值之间的第一相关趋势图，其中，每个样本对应的原始特征至少为两个，调整特 征至少为一个； 结合所述第一相关趋势图和第一目标值组分布确定第二目标值组分布，所述第一目标 值组分布为所述第一样本集中每个样本对应的所述产品质量的目标值组成的； 通过所述模型解释器对所述第二样本集中每个样本对应的所述调整特征进行二次解 释，生成所述调整特征与所述产品质量的第二目标值之间的第二相关趋势图； 结合所述第二相关趋势图和所述第二目标值组分布确定第三目标值组分布； 对所述第一目标值组分布和所述第三目标值组分布进行展示，以完成所述工艺参数优 化的解释。 2.根据权利要求1所述的工艺参数优化的解释方法，其特征在于，所述根据原始工艺规 程对历史数据集进行一次样本筛选之前，包括： 对所述历史数据集中的各数据进行清洗，获得训练样本集； 提取所述训练样本集中每个样本对应的特征，获得训练特征集； 将所述训练特征集中的各特征进行回归拟合输入初始模型进行训练，获得预测模型； 根据所述预测模型和所述历史数据集训练获得所述模型解释器。 3.根据权利要求2所述的工艺参数优化的解释方法，其特征在于，所述根据所述预测模 型和所述历史数据集训练获得所述模型解释器之后，包括： 基于工况变化对所述预测模型与所述训练样本集中每个样本的第一拟合程度以及所 述预测模型与工艺先验知识的第二拟合程度进行检测； 将所述第一拟合程度与第一预设拟合阈值进行比较，以及将所述第二拟合程度与第二 预设拟合阈值进行比较； 若所述第一拟合程度小于所述第一预设拟合阈值，和/或所述第二拟合程度小于所述 第二预设拟合阈值，则对所述预测模型及所述模型解释器进行更新。 4.根据权利要求2所述的工艺参数优化的解释方法，其特征在于，所述生成所述调整特 征与产品质量的第一目标值之间的第一相关趋势图，包括： 通过个体条件期望解释所述第一样本集中每个样本的原始特征与所述第一目标值的 关系； 保持除一个调整特征以外的特征不变； 将网格中的值替换所述一个调整特征的调整特征值，并创建所述第一样本集中每个样 本的变体； 使用所述预测模型对所述第一样本集中每个样本的变体进行预测，获得调整特征曲 线； 通过中心化个体条件期望图确定中心化调整特征点，呈现所述调整特征曲线与所述中 心化调整特征点的差异。 2 2 CN 116821602 A 权利要求书 2/3页 5.根据权利要求4所述的工艺参数优化的解释方法，其特征在于，所述调整特征曲线的 表达式为： (i) (i) a (i) f ＝f ‑1f(x，x ) cent C (i) (i) 式中，i表示第i个样本；f 表示第i个样本的调整特征曲线；f 表示第i个样本的第 cent a 一相关趋势曲线表示具有适当数量尺寸的矢量，f是预测模型，x表示锚定点；C表示除调 (i) 整特征以外的特征；x 表示第i个样本中除调整特征以外的特征值。 C 6.根据权利要求1所述的工艺参数优化的解释方法，其特征在于，所述生成所述调整特 征与所述产品质量的第二目标值之间的第二相关趋势图，包括： 通过部分依赖图展示符合所述第二样本集中调整特征对预测模型预测结果的平均边 际效应； 基于所述平均边际效应呈现所述第二相关趋势图。 7.根据权利要求6所述的工艺参数优化的解释方法，其特征在于，所述平均边际效应的 计算公式为： 式中，S表示调整特征；x表示调整特征值； 表示平均边际效应；n表示第二样本 S () 集中样本的数量；i表示第i个样本；C表示除调整特征以外的特征；x 表示第i个样本 C 中除调整特征以外的特征值。 8.根据权利要求1所述的工艺参数优化的解释方法，其特征在于，对于在所述历史数据 中出现次数小于第二预设值的所述新工艺规程，将第一目标值组的各均值作为第二目标值 组。 9.根据权利要求1至8任一项所述的工艺参数优化的解释方法，其特征在于，所述以完 成所述工艺参数优化的解释之前，还包括： 对所述调整特征以及所述第二相关趋势图进行展示，以作为所述工艺参数优化的辅助 解释。 10.一种工艺参数优化的解释装置，其特征在于，所述装置包括： 数据筛选模块，用于根据原始工艺规程对历史数据集进行一次筛选，获得第一样本集， 以及根据新工艺规程对所述历史数据集进行二次筛选，获得第二样本集； 第一生成模块，用于通过模型解释器对所述第一样本集中每个样本对应的原始特征进 行一次解释，并根据所述新工艺规程与所述原始工艺规程的变化确定调整特征，生成所述 调整特征与产品质量的第一目标值之间的第一相关趋势图，其中，每个样本对应的原始特 征至少为两个，调整特征至少为一个； 第一确定模块，用于结合所述第一相关趋势图和第一目标值组分布确定第二目标值组 分布，所述第一目标值组分布为所述第一样本集中每个样本对应的所述产品质量的目标值 组成的； 第二生成模块，用于通过所述模型解释器对所述第二样本集中每个样本对应的所述调 整特征进行二次解释，生成所述调整特征与所述产品质量的第二目标值之间的第二相关趋 势图； 3 3 CN 116821602 A 权利要求书 3/3页 第二确定模块，用于结合所述第二相关趋势图和所述第二目标值组分布确定第三目标 值组分布； 解释模块，用于对所述第一目标值组分布和所述第三目标值组分布进行展示，以完成 所述工艺参数优化的解释。 11.一种电子设备，其特征在于，包括： 一个或多个处理器； 存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理 器执行时，使得所述电子设备实现如权利要求1至9任一项所述的工艺参数优化的解释方 法。 12.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算 机可读指令被计算机的处理器执行时，使计算机执行权利要求1至9任一项所述的工艺参数 优化的解释方法。 4 4 CN 116821602 A 说明书 1/12页 工艺参数优化的解释方法、装置、设备及存储介质 技术领域 [0001] 本发明涉及工艺参数优化领域，尤其涉及一种工艺参数优化的解释方法、装置、设 备及存储介质。 背景技术 [0002] 工艺参数优化是对生产过程中的各种参数进行调整和优化，其目的是使得在产品 在生产制造中达到最佳的生产效果和产品质量，是制造业中非常重要的一环，可以有效地 提高产品质量和生产效率，从而降低生产成本。在工艺参数优化过程中，需要寻找最佳的参 数组合，以实现最佳的产品质量和生产效率，然而，由于制造过程中往往存在大量的变量和 不确定性，使得优化参数的过程往往是非常复杂的。 [0003] 常见的工艺参数优化往往采用实验设计法、响应面法等，但在实际生产中，实验设 计法存在实验成本高、实验周期长、实验误差大和实验设计难度大等多方面的问题，响应面 法在建模过程中也可能存在误差，导致优化结果偏差较大，因此，针对工艺参数优化需求， 机器学习在工业领域中的使用增加。但在相关技术中，机器学习模型的决策规则和变量权 重等因素无法解释以及模型的透明度低，使得模型的预测优化结果的正确性得到质疑，从 而影响模型的应用，同时也不利于人们根据优化偏差制定合适的应对措施。 发明内容 [0004] 为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概 括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作 为后面的详细说明的序言。 [0005] 鉴于以上所述现有技术的缺点，本发明公开了一种工艺参数优化的解释方法、装 置、设备及存储介质，用于解决相关技术中工艺参数优化模型透明度低、导致预测结果得到 质疑，以及工艺优化思路验证难的技术问题。 [0006] 第一方面，本申请提供了一种工艺参数优化的解释方法，所述方法包括：根据原始 工艺规程对历史数据集进行一次筛选，获得第一样本集，以及根据新工艺规程对所述历史 数据集进行二次筛选，获得第二样本集；通过模型解释器对所述第一样本集中每个样本对 应的原始特征进行一次解释，并根据所述新工艺规程与所述原始工艺规程的变化确定调整 特征，生成所述调整特征与产品质量的第一目标值之间的第一相关趋势图，其中，每个样本 对应的原始特征至少为两个，调整特征至少为一个；结合所述第一相关趋势图和第一目标 值组分布确定第二目标值组分布，所述第一目标值组分布为所述第一样本集中每个样本对 应的所述产品质量的目标值组成的；通过所述模型解释器对所述第二样本集中每个样本对 应的所述调整特征进行二次解释，生成所述调整特征与所述产品质量的第二目标值之间的 第二相关趋势图；结合所述第二相关趋势图和所述第二目标值组分布确定第三目标值组分 布；对所述第一目标值组分布和所述第三目标值组分布进行展示，以完成所述工艺参数优 化的解释。 5 5 CN 116821602 A 说明书 2/12页 [0007] 于本发明一实施例中，所述根据原始工艺规程对历史数据集进行一次样本筛选之 前，包括：对所述历史数据集中的各数据进行清洗，获得训练样本集；提取所述训练样本集 中每个样本对应的特征，获得训练特征集；将所述训练特征集中的各特征进行回归拟合输 入初始模型进行训练，获得预测模型；根据所述预测模型和所述历史数据集训练获得所述 模型解释器。 [0008] 于本发明一实施例中，所述根据所述预测模型和所述历史数据集训练获得所述模 型解释器之后，包括：基于工况变化对所述预测模型与所述训练样本集中每个样本的第一 拟合程度以及所述预测模型与工艺先验知识的第二拟合程度进行检测；将所述第一拟合程 度与第一预设拟合阈值进行比较，以及将所述第二拟合程度与第二预设拟合阈值进行比 较；若所述第一拟合程度小于所述第一预设拟合阈值，和/或所述第二拟合程度小于所述第 二预设拟合阈值，则对所述预测模型及所述模型解释器进行更新。 [0009] 于本发明一实施例中，所述生成所述原始调整特征与产品质量的第一目标值之间 的第一相关趋势图，包括：通过个体条件期望解释所述第二样本集中每个样本的原始特征 与所述第一目标值的关系；保持除一个调整特征以外的特征不变；将网格中的值替换 所述一个调整特征的调整特征值，并创建所述第一样本集中每个样本的变体；使用所述预 测模型对所述第一样本集中每个样本的变体进行预测，获得调整特征曲线；通过中心化个 体条件期望图确定中心化调整特征点，呈现所述调整特征曲线与所述中心化调整特征点的 差异。 [0010] 于本发明一实施例中，所述调整特征曲线] () () a () f ＝ ‑f(x, ) cent C [0012] () () 式中，i表示第i个样本；f 表示第i个样本的调整特征曲线；f 表示第i个样本 cent a 的第一相关趋势曲线表示具有适当数量尺寸的矢量，f是预测模型，x表示锚定点；C表示 () 除调整特征以外的特征；x 表示第i个样本中除调整特征以外的特征值。 C [0013] 于本发明一实施例中，所述生成所述调整特征与所述产品质量的第二目标值之间 的第二相关趋势图，包括：通过部分依赖图展示符合所述第二样本集中调整特征对预测模 型预测结果的平均边际效应；基于所述平均边际效应呈现所述第二相关趋势图。 [0014] 于本发明一实施例中，所述平均边际效应的计算公式为： [0015] [0016] 式中，S表示调整特征；x表示调整特征值； 表示平均边际效应；n表示第二 S () 样本集中样本的数量；i表示第i个样本；C表示除调整特征以外的特征；x 表示第i个 C 样本中除调整特征以外的特征值。 [0017] 于本发明一实施例中，对于在所述历史数据中出现次数小于第二预设值的所述新 工艺规程，将第一目标值组的各均值作为第二目标值组。 [0018] 于本发明一实施例中，所述以完成所述工艺参数优化的解释之前，还包括：对所述 调整特征以及所述第二相关趋势图进行展示，以作为所述工艺参数优化的辅助解释。 [0019] 第二方面，本申请提供了一种工艺参数优化的解释装置，所述装置包括：数据筛选 模块，用于根据原始工艺规程对历史数据集进行一次筛选，获得第一样本集，以及根据新工 6 6 CN 116821602 A 说明书 3/12页 艺规程对所述历史数据集进行二次筛选，获得第二样本集；第一生成模块，用于通过模型解 释器对所述第一样本集中每个样本对应的原始特征进行一次解释，并根据所述新工艺规程 与所述原始工艺规程的变化确定调整特征，生成所述调整特征与产品质量的第一目标值之 间的第一相关趋势图，其中，每个样本对应的原始特征至少为两个，调整特征至少为一个； 第一确定模块，用于结合所述第一相关趋势图和第一目标值组分布确定第二目标值组分 布，所述第一目标值组分布为所述第一样本集中每个样本对应的所述产品质量的目标值组 成的；第二生成模块，用于通过所述模型解释器对所述第二样本集中每个样本对应的所述 调整特征进行二次解释，生成所述调整特征与所述产品质量的第二目标值之间的第二相关 趋势图；第二确定模块，用于结合所述第二相关趋势图和所述第二目标值组分布确定第三 目标值组分布；解释模块，用于对所述第一目标值组分布和所述第三目标值组分布进行展 示，以完成所述工艺参数优化的解释。 [0020] 第三方面，本申请提供了一种电子设备，包括：一个或多个处理器；存储装置，用于 存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得电子设备实现 第一方面描述的工艺参数优化的解释方法。 [0021] 第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，当计 算机程序被计算机的处理器执行时，使计算机执行第一方面描述的工艺参数优化的解释方 法。 [0022] 如上所述，本发明实施例提供的一种工艺参数优化的解释方法、装置、设备及存储 介质，具有以下有益效果： [0023] 首先分别根据原始工艺规程以及新工艺规程对历史数据集进行筛选，分别获得第 一样本集和获得第二样本集，然后通过模型解释器对第一样本集中每个样本对应的原始特 征进行解释，并根据新工艺规程与原始工艺规程的变化确定调整特征，生成调整特征与产 品质量的第一目标值之间的第一相关趋势图，结合第一相关趋势图和第一目标值组分布确 定第二目标值组分布，再一次通过模型解释器对第二样本集中每个样本对应的调整特征进 行二次解释，生成调整特征与产品质量的第二目标值之间的第二相关趋势图，又进一步结 合第二相关趋势图和第二目标值组分布确定第三目标值组分布，最后对第一目标值组分布 和第三目标值组分布进行展示，完成工艺参数优化的解释。实现工艺参数优化过程的透明 性，增强生产中工艺参数优化的可信度，使得预测模型的预测结果的正确性得到肯定。同 时，由于工艺参数优化的透明度高，有利于人们根据实际生产质量的偏差对工艺参数优化 的偏差制定合适的优化措施，解决了工艺优化思路验证难、成本高的问题，从而提高工艺参 数优化效率。 [0024] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不 能限制本申请。 附图说明 [0025] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施 例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请 的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这 些附图获得其他的附图。在附图中： 7 7 CN 116821602 A 说明书 4/12页 [0026] 图1是本申请的一示例性实施例示出的工艺参数优化的解释装置的实施环境示意 图； [0027] 图2是本申请的一示例性实施例示出的工艺参数优化的解释方法的流程图； [0028] 图3是本申请的一示例性实施例示出的获得模型解释器的流程图； [0029] 图4是本申请的一示例性实施例示出的更新模型解释器的流程图； [0030] 图5是本申请的一示例性实施例示出的生成第一相关趋势图的流程图； [0031] 图6是本申请的一示例性实施例示出的生成第二相关趋势图的流程图； [0032] 图7是本申请的一示例性实施例示出的C元素与屈服强度的关系的曲线是本申请的一示例性实施例示出的C元素与屈服强度的部分依赖图； [0034] 图9是本申请的一示例性实施例示出的工艺参数优化的解释装置的框图； [0035] 图10是本申请的一实施例提供的电子设备的一种结构示意图。 具体实施方式 [0036] 以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本 说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同 的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在 没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明， 而不是为了限制本发明的保护范围。 [0037] 需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构 想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸 绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也 可能更为复杂。 [0038] 在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而， 对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易 见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以 避免使本发明的实施例难以理解。 [0039] 首先需要说明的是，工艺参数优化是对生产过程中的各种参数进行调整和优化， 其目的是使得在产品在生产制造中达到最佳的生产效果和产品质量，是制造业中非常重要 的一环，可以有效地提高产品质量和生产效率，从而降低生产成本。在工艺参数优化过程 中，需要寻找最佳的参数组合，以实现最佳的产品质量和生产效率，然而，由于制造过程中 往往存在大量的变量和不确定性，使得优化参数的过程往往是非常复杂的。 [0040] 常见的工艺参数优化往往采用实验设计法、响应面法等，但在实际生产中，实验设 计法存在实验成本高、实验周期长、实验误差大和实验设计难度大等多方面的问题，响应面 法在建模过程中也可能存在误差，导致优化结果偏差较大，因此，针对工艺参数优化需求， 机器学习在工业领域中的使用增加。经由本申请发明人研究发现，在相关技术中，机器学习 模型的决策规则和变量权重等因素无法解释以及模型的透明度低，使得模型的预测优化结 果的正确性得到质疑，从而影响模型的应用，同时也不利于人们根据优化偏差制定合适的 应对措施。 [0041] 由此，请参见图1，图1是本申请的一示例性实施例示出的工艺参数优化的解释装 8 8 CN 116821602 A 说明书 5/12页 置的实施环境示意图。如图1所示，该实施环境可以包括解释设备101和计算机设备102，解 释设备101可以设置在计算机设备102内，用于工艺参数优化的解释。其中，计算机设备102 可以是台式图形处理器(Graphic Processing Unit，GPU)计算机、GPU计算集群、神经网络 计算机等中的至少一种。通过解释设备101对工艺参数优化过程进行解释，实现工艺参数优 化过程的透明性，增强生产中工艺参数优化的可信度，使得预测模型的预测结果的正确性 得到肯定。同时，因为工艺参数优化的透明度高，也更有利于人们根据实际生产质量的偏差 对工艺参数优化的偏差制定合适的优化措施，解决了工艺优化思路验证难、成本高的问题， 从而提高工艺参数优化效率。 [0042] 请参见图2，图2是本申请的一示例性实施例示出的工艺参数优化的解释方法的流 程图。该方法可以应用于图1所示的实施环境，并由该实施环境中的解释系统具体执行。应 理解的是，该方法也可以适用于的示例性实施环境，并由实施环境中的设备具体 执行，本实施例不对该方法所适用的实施环境进行限制。 [0043] 如图2所示，在一示例性的实施例中，工艺参数优化的解释方法至少包括步骤S210 至步骤S260，详细介绍如下： [0044] 步骤S210，根据原始工艺规程对历史数据集进行一次筛选，获得第一样本集，以及 根据新工艺规程对历史数据集进行二次筛选，获得第二样本集。 [0045] 需要说明的是，产品的实际生产是按照工艺参数进行生产的，可以认为，工艺参数 与产品质量存在对应关系，工艺规程由一系列工艺参数组成。 [0046] 在该实施例中，原始工艺规程是指进行工艺参数优化之前进行产品生产的工艺规 程，对应的是未进行优化的工艺参数；新工艺规程是指进行工艺参数优化后进行产品生产 的工艺规程，对应的是优化后的工艺参数；历史数据集是指产品历史生产中的生产数据的 集合，生产数据包括有产品质量。其中，根据原始工艺规程对历史数据集进行一次筛选是指 筛选出历史数据集中根据原始工艺规程进行产品生产而得到的生产数据，并作为第一样本 集；根据新工艺规程对历史数据集进行二次筛选是指筛选出历史数据集中根据新工艺规程 进行产品生产而得到的生产数据，并作为第二样本集。 [0047] 在一实施例中，请参见图3，图3是本申请的一示例性实施例示出的获得模型解释 器的流程图。如图3所示，根据原始工艺规程对历史数据集进行一次样本筛选之前，还至少 包括步骤S310至步骤S340，如下：步骤S310，对历史数据集中的各数据进行清洗，获得训练 样本集；步骤S320，提取训练样本集中每个样本对应的特征，获得训练特征集；步骤S330，将 训练特征集中的各特征进行回归拟合输入初始模型进行训练，获得预测模型；步骤S340，根 据预测模型和历史数据集训练获得模型解释器。 [0048] 需要说明的是，对历史数据集中的各数据进行清洗包括检查数据一致性，处理无 效值和缺失值等，将训练特征集中的各特征进行回归拟合可以使用随机森林算法，从而获 得预测模型。此处不限制回归拟合的算法，任意算法模型均适用于该实施例。 [0049] 还需要说明的是，模型解释器是根据预测模型和历史数据集训练获得的，即将历 史数据集输入预测模型中，提取关键特征，根据关键特征形成的解释特征组的线性函数中 得出的。模型解释器能够增加预测模型的透明度和可解释性，即通过解释出样本数据中的 关键特征，对预测模型的预测起到促进作用，根据预测模型的预测结果，结合工艺先验知 识，可以做出是否相信预测结果的判断。 9 9 CN 116821602 A 说明书 6/12页 [0050] 在一实施例中，请参见图4，图4是本申请的一示例性实施例示出的更新模型解释 器的流程图。如图4所示，根据预测模型和历史数据集训练获得模型解释器之后，还至少包 括步骤S410至步骤S430，如下：步骤S410，基于工况变化对预测模型与训练样本集中每个样 本的第一拟合程度以及预测模型与工艺先验知识的第二拟合程度进行检测；步骤S420，将 第一拟合程度与第一预设拟合阈值进行比较，以及将第二拟合程度与第二预设拟合阈值进 行比较；步骤S430，若第一拟合程度小于第一预设拟合阈值，和/或第二拟合程度小于第二 预设拟合阈值，则对预测模型及模型解释器进行更新。 [0051] 在该实施例中，工况变化可以理解为产品生产产线的改变，或者生产产品的改变 等，考虑到产品生产产线的改变，或者生产产品的改变等，模型解释器存在不再适用的情 况，便需要对模型解释器进行更新。针对工况动态变化，装置中相应地更新模块会对预测模 型与训练样本集中每个样本的第一拟合程度进行检测，以及对训练样本集中每个样本与工 艺先验知识的第二拟合程度进行检测，其中，工艺先验知识是指通过大量生产数据，基于经 验得知的工艺知识，在实际应用中，除了凭借机器学习获得的工艺知识外，往往需要借助工 艺先验知识应付复杂问题。如果预测模型与训练样本集中每个样本的第一拟合程度小于了 对应的标准值，即第一预设拟合阈值，和/或预测模型与工艺先验知识的第二拟合程度小于 了对应的标准值，即第二预设拟合阈值，则表明预测模型不再适用，也即模型解释器不再适 用，需要对预测模型进行更新，从而进一步对模模型解释器进行更新，从而保证模型解释器 的解释结果更准确。应当理解的是，预测模型的更新以及模型解释器的更新与上述的预测 模型的获得以及模型解释器的获得实施方式相同，此处不再赘述。 [0052] 步骤S220，通过模型解释器对第一样本集中每个样本对应的原始特征进行一次解 释，并根据新工艺规程与原始工艺规程的变化确定调整特征，生成调整特征与产品质量的 第一目标值之间的第一相关趋势图，其中，每个样本对应的原始特征至少为两个，调整特征 至少为一个。 [0053] 需要说明的是，第一样本集是根据原始工艺规程对历史数据集进行一次筛选获得 的，第一样本集中每个样本中的特征对应为原始特征。模型解释器对第一样本集中每个样 本对应的原始特征进行解释，理解为对第一样本集中每个样本对应的原始特征进行分析， 并根据新工艺规程与原始工艺规程的变化确定调整特征，从而可以得出调整特征与产品质 量的第一目标值之间的第一相关趋势图。其中，原始特征是根据原始工艺规程筛选出的样 本的特征，产品质量的第一目标值是根据原始工艺规程进行产品生产而获得的质量值。而 调整特征是在基于原始特征的基础上发生变化，对于第一目标值有一定的影响，因此，调整 特征与产品质量的第一目标值之间存在一定的相关影响趋势。 [0054] 另外，因为工艺参数优化过程涉及到样本中特征的调整，相应的，样本中会存在调 整特征和保持不变的特征，所以，第一样本集中每个样本的原始特征为至少两个，并且既然 存在特征的调整，那么调整特征至少为一个开元体育·(中国)官方网站。 [0055] 步骤S230，结合第一相关趋势图和第一目标值组分布确定第二目标值组分布，第 一目标值组分布为第一样本集中每个样本对应的产品质量的目标值组成的。 [0056] 第一相关趋势图表示第一样本集中每个样本的原始特征中的调整特征与产品质 量的第一目标值之间的关系，每个样本中的每个调整特征与产品质量的第一目标值之间都 有第一相关趋势图。第一目标值组分布为第一样本集中每个样本对应的所述产品质量的目 10 10 CN 116821602 A 说明书 7/12页 标值组成的。根据第一相关趋势图和第一目标值组分布确定第二目标值组分布表示对于每 一个原始样本，即第一样本集中的每个样本，消除调整特征带来的影响后的产品质量的质 量值的组合。 [0057] 步骤S240，通过模型解释器对第二样本集中每个样本对应的调整特征进行二次解 释，生成调整特征与产品质量的第二目标值之间的第二相关趋势图。 [0058] 需要说明的是，模型解释器对第二样本集中每个样本对应的特征进行解释，理解 为对第二样本集中每个样本对应的特征进行分析。第二样本集是根据新工艺规程对历史数 据集进行二次筛选获得的，新工艺工程相对于原始工艺规程看作是有一定变化的，涉及到 调整特征，因此，调整特征会影响产品质量，从而调整特征与产品质量的第二目标值之间存 在着一定的对应关系，即获得的第二相关趋势图。 [0059] 具体地，请参见图5，图5是本申请的一示例性实施例示出的生成第一相关趋势图 的流程图。如图5所示，生成调整特征与产品质量的第一目标值之间的第一相关趋势图至少 包括步骤S510至步骤S550，如下：步骤S510，通过个体条件期望解释第一样本集中每个样本 的原始特征与第一目标值的关系；步骤S520，保持除一个调整特征以外的特征不变；步 骤S530，将网格中的值替换一个调整特征的调整特征值，并创建第一样本集中每个样本的 变体；步骤S540，使用预测模型对第一样本集中每个样本的变体进行预测，获得调整特征曲 线，通过中心化个体条件期望图确定中心化调整特征点，呈现调整特征曲线与中 心化调整特征点的差异。 [0060] 需要说明的是，模型解释器包括个体条件期望图、中心化个体条件期望图以及部 分依赖图。其中，个体条件期望图是每个样本显示一条线，显示当特征发生变化时根据样本 的预测如何变化；中心化个体条件期望图是指中心化每个样本对于调整调整下预期结果； 部分依赖图是观察某个特征如何影响预测结果，特征重要性展示的是哪个变量对预测影响 最大，当特征不变，改变其中一个或几个特征(即调整特征)，根据预测模型预测平均结 果而得到依赖图。 [0061] 在该实施例中，第一样本集中每个样本的变体是指第一样本集中每个样本将调整 特征的调整特征值换为网格中的值后的而形成的样本。最终呈现出的调整特征曲线与中心 化调整特征点的差异即为第一相关趋势图。 [0062] () () a () 具体地，调整特征曲线的表达式为：f ＝ ‑f(x, )，式中，i表示第i个样本； cent C () () f 表示第i个样本的调整特征曲线；f 表示第i个样本的第一相关趋势曲线表示具有 cent 适当数量尺寸的矢量，f是预测模型，xa表示锚定点；C表示除调整特征以外的特征；xC() 表示第i个样本中除调整特征以外的特征值。 [0063] 需要说明的是，个体条件期望图计算方法为是保持除调整特征以外的特征相 同，通过用网格中的值替换特征的值创建该样本的变体并使用模型对这些新创建的实例进 行预测，结果是一组有来自网格的特征值和相应预测的点。在个体条件期望图中，对 () () () 中每个实例，曲线f 是关于X 的，此时x 固定不变。 S S C [0064] 在一实施例中，对于在历史数据中出现次数小于第二预设值的新工艺规程，将第 一目标值组的各均值作为第二目标值组。 [0065] 在该实施例中，如果符合新工艺规程的历史数据数量小于第二预设值，即第二样 本集中的样本数量不满足要求，为了保证工艺参数优化解释的准确性，故将第一目标值组 11 11 CN 116821602 A 说明书 8/12页 的各均值作为第二目标值组，从而形成第二目标值组分布。 [0066] 步骤S250，结合第二相关趋势图和第二目标值组分布确定第三目标值组分布。 [0067] 需要说明的是，第二相关趋势图表征第二样本集中每个样本的调整特征与产品质 量的第二目标值之间关系，第二目标值组分布表示对于每一个原始样本，即第一样本集中 的每个样本，消除调整特征带来的影响后的产品质量的质量值的组合，在第二目标值组的 基础上，增加新工艺规程调整特征带来的影响，即第二相关趋势图，便获得第三目标值组分 布，表征第二样本集中每个样本根据新规程进行产品生产而对应获得的质量值。 [0068] 具体地，请参见图6，图6是本申请的一示例性实施例示出的生成第二相关趋势图 的流程图。如图6所示，生成调整特征与产品质量的第二目标值之间的第二相关趋势图至少 包括步骤S610至步骤S620，如下：步骤S610，通过部分依赖图展示符合第二样本集中调整特 征对预测模型预测结果的平均边际效应；步骤S620，基于平均边际效应呈现第二相关趋势 图。 [0069] 在该实施例中，部分依赖函数通过边缘化特征，得到仅依赖于调整特征以及 与特征的交互作用的结果，使用蒙特卡洛方法进行计算，即计算训练数据中的平均值 来估算，通过公式可以计算得到调整特征的给定值对预测的平均边际效应。 [0070] 具体地，平均边际效应的计算公式为： 式中，S表 示调整特征；x表示调整特征值； 表示平均边际效应；n表示第二样本集中样本的数 S () 量；i表示第i个样本；C表示除调整特征以外的特征；x 表示第i个样本中除调整特征 C 以外的特征值。 [0071] 步骤S260，对第一目标值组分布和第三目标值组分布进行展示，以完成工艺参数 优化的解释。 [0072] 其中，第一目标值组分布为第一样本集中每个样本对应的产品质量的目标值组成 的。第三目标值组分布表征第二样本集中每个样本根据新规程进行产品生产而对应获得的 质量值。通过展示界面对第一目标值组分布和第三目标值组分布进行展示，则可以展示工 艺参数优化的过程。 [0073] 在一实施例中，以完成工艺参数优化的解释之前，还包括：对调整特征以及第二相 关趋势图进行展示，以作为工艺参数优化的辅助解释。 [0074] 在该实施例中，在对第一目标值组分布和第三目标值组分布进行展示的同时，还 可以对调整特征以及第二相关趋势图进行展示，能够增强预测模型的可解释性，使得工艺 参数优化的透明度更高。 [0075] 上述实施例提供的工艺参数优化的解释方法，首先分别根据原始工艺规程以及新 工艺规程对历史数据集进行筛选，分别获得第一样本集和获得第二样本集，然后通过模型 解释器对第一样本集中每个样本对应的原始特征进行解释，并根据新工艺规程与原始工艺 规程的变化确定调整特征，生成调整特征与产品质量的第一目标值之间的第一相关趋势 图，结合第一相关趋势图和第一目标值组分布确定第二目标值组分布，再一次通过模型解 释器对第二样本集中每个样本对应的调整特征进行二次解释，生成调整特征与产品质量的 第二目标值之间的第二相关趋势图，又进一步结合第二相关趋势图和第二目标值组分布确 定第三目标值组分布，最后对第一目标值组分布和第三目标值组分布进行展示，完成工艺 12 12 CN 116821602 A 说明书 9/12页 参数优化的解释。实现工艺参数优化过程的透明性，增强生产中工艺参数优化的可信度，使 得预测模型的预测结果的正确性得到肯定。同时，由于工艺参数优化的透明度高，有利于人 们根据实际生产质量的偏差对工艺参数优化的偏差制定合适的优化措施，解决了工艺优化 思路验证难、成本高的问题，从而提高工艺参数优化效率。 [0076] 以下以2250热轧厂的屈服强度作为质量目标为例，对工艺参数优化的解释做具体 说明。 [0077] 选取2250热轧厂的屈服强度作为质量目标，关联成分、加热炉温度及轧线数据等 真实样本集规程数据，得到以屈服强度为目标关联过程参数的历史数据集，以及以屈服强 度为目标关联工艺规程的规程数据。 [0078] 具体地，选取WL510钢种，经过数据清洗及后得到1201条样本，包含原始特征26个， 以及与特征对应的性能目标。使用随机森林对原始特征进行回归拟合，得到屈服强度预测 模型。特别的，此处不指定回归模型的算法，任意模型均适用于本方法。其中，26个原始特征 具体包括C碳元素实绩值、MN锰元素实绩值、SI硅元素实绩值、P磷元素实绩值、S硫元素实绩 值、ALS酸溶铝实绩值、AL铝元素实绩值、CU铜元素实绩值、CR铬元素实绩值、NI镍元素实绩 值、MO钼元素实绩值、NB铌元素实绩值、V钒元素实绩值、TI钛元素实绩值、H氢元素实绩值、O 氧元素实绩值、B硼元素实绩值、N氮元素实绩值、CA钙元素实绩值、RE稀土元素实绩值、SN锡 元素实绩值、W钨元素实绩值、出炉温度、中轧温度、卷取温度、钢坯厚度。 [0079] 根据WL510钢种的原始工艺规程限制筛选出符合规程的第一样本集，可以理解为 原始样本集，使用个体条件期望图逐个样本解释单个特征与屈服强度的关系，以C元素为 例，在个体条件期望图中，每根曲线代表一个样本的C元素与屈服强度的关系，若保持除C元 素以外的特征相同，通过用网格中的值替换调整特征C元素的值创建该样本的变体并 使用预测模型对这些新创建的变体样本进行预测，将曲线中心化于调整特征中的某个点， 并仅显示到该点的预测差异。请参见图7，图7是本申请的一示例性实施例示出的C元素与屈 服强度的关系的曲线图，其中，横坐标表示C碳元素实绩值，纵坐标表示屈服强度，如图7所 示，C元素与屈服强度大致上呈正相关，与工艺先验知识相符合，但对于少数样本，C元素与 屈服强度会呈现出负相关，其中，图中的粗曲线为原始样本集的平均趋势。 [0080] 在得到原始样本集中逐个样本的C元素与屈服强度的相关趋势图后，针对每个样 本减去C元素，即调整特征带来的影响，得到不含调整特征，即删除C元素对屈服强度影响的 部分。 [0081] 针对C元素调整进行工艺规程进行调整，形成新工艺规程，筛选历史数据集中符合 新工艺规程的样本集，即第二样本集，针对第二样本集，计算其部分依赖图作为新工艺规程 中C元素与屈服强度的相关趋势图，请参见图8，图8是本申请的一示例性实施例示出的C元 素与屈服强度的部分依赖图，其中，横坐标表示C碳元素实绩值，纵坐标表示屈服强度，如图 8所示，通过边缘化C元素以外的特征，得到仅依赖于C元素以及与特征的交互作用 的结果，使用蒙特卡洛方法进行计算，即计算训练数据中的平均值，到特征C元素给定值对 预测的平均边际效应，即图中的粗曲线] 通过对工艺参数优化进行解释，实现了工艺参数优化过程的透明性，增强生产中 工艺参数优化的可信度，使得预测模型的预测结果的正确性得到肯定。同时，由于工艺参数 优化的透明度高，有利于人们根据实际生产质量的偏差对工艺参数优化的偏差制定合适的 13 13 CN 116821602 A 说明书 10/12页 优化措施，解决了工艺优化思路验证难、成本高的问题，从而提高工艺参数优化效率。 [0083] 请参见图9，图9是本申请的一示例性实施例示出的工艺参数优化的解释装置的框 图。该装置可以应用于图1所示的实施环境，应理解的是，该装置也可以适用于的示例 性实施环境，并本实施例不对该装置所适用的实施环境进行限制。 [0084] 如图9所示，在一示例性的实施例中，工艺参数优化的解释装置900至少包括数据 筛选模块910、第一生成模块920、第一确定模块930、第二生成模块940、第二确定模块950和 解释模块960，详细介绍如下： [0085] 数据筛选模块910，用于根据原始工艺规程对历史数据集进行一次筛选，获得第一 样本集，以及根据新工艺规程对历史数据集进行二次筛选，获得第二样本集； [0086] 第一生成模块920，用于通过模型解释器对第一样本集中每个样本对应的原始特 征进行一次解释，并根据新工艺规程与原始工艺规程的变化确定调整特征，生成调整特征 与产品质量的第一目标值之间的第一相关趋势图，其中，每个样本对应的原始特征至少为 两个，调整特征至少为一个； [0087] 第一确定模块930，用于结合第一相关趋势图和第一目标值组分布确定第二目标 值组分布，第一目标值组分布为第一样本集中每个样本对应的产品质量的目标值组成的； [0088] 第二生成模块940，用于通过模型解释器对第二样本集中每个样本对应的调整特 征进行二次解释，生成调整特征与产品质量的第二目标值之间的第二相关趋势图； [0089] 第二确定模块950，用于结合第二相关趋势图和第二目标值组分布确定第三目标 值组分布； [0090] 解释模块960，用于对第一目标值组分布和第三目标值组分布进行展示，以完成工 艺参数优化的解释。 [0091] 需要说明的是，上述实施例所提供的工艺参数优化的解释装置与上述实施例所提 供的工艺参数优化的解释方法属于同一构思，其中各个模块执行操作的内容已经在方法实 施例中进行了详细描述，此处不再赘述。 [0092] 请参见图10，图10是本申请的一实施例提供的电子设备的一种结构示意图。图10 示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的 是，图10示出的电子设备的计算机系统1000仅是一个示例，不应对本申请实施例的功能和 使用范围带来任何限制。 [0093] 如图10所示，计算机系统1000包括中央处理单元(Central Processing Unit， CPU)1001，其可以根据存储在只读存储器(Read‑Only Memory，ROM)1002中的程序或者从储 存部分1008加载到随机访问存储器(Random Access Memory，RAM)1003中的程序而执行各 种适当的动作和处理，例如执行上述实施例中的方法。在RAM  1003中，还存储有系统操作所 需的各种程序和数据。CPU1001、ROM  1002以及RAM1003通过总线彼此相连。输入/输出 (Input/Output，I/O)接口1005也连接至总线] 以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极 射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声 器等的输出部分1007；包括硬盘等的储存部分1008；以及包括诸如LAN(Local  Area  Network，局域网)卡开元体育·(中国)官方网站、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如 因特网的网络执行通信处理。驱动器1013也根据需要连接至I/O接口1005。可拆卸介质 14 14 CN 116821602 A 说明书 11/12页 1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1013上，以便于 从其上读出的计算机程序根据需要被安装入储存部分1008。 [0095] 特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机 软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质 上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的 实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介 质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限 定的各种功能。 [0096] 需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质 或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是 电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读 存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算 机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器 (Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存 储器(Compact Disc Read‑Only Memory，CD‑ROM)、光存储器件、磁存储器件、或者上述的任 意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部 分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用 多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介 质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发 送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算 机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等 等，或者上述的任意合适的组合。 [0097] 附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程 序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一 个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于 实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注 的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可 以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意 的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的 功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来 实现。 [0098] 描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬 件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况 下并不构成对该单元本身的限定。 [0099] 本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程 序被计算机的处理器执行时，使计算机执行如上述的工艺参数优化的解释方法。该计算机 可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未 装配入该电子设备中。 [0100] 上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟 15 15 CN 116821602 A 说明书 12/12页 悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因 此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完 成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。 16 16 CN 116821602 A 说明书附图 1/6页 图1 图2 17 17 CN 116821602 A 说明书附图 2/6页 图3 图4 18 18 CN 116821602 A 说明书附图 3/6页 图5 图6 19 19 CN 116821602 A 说明书附图 4/6页 图7 图8 20 20 CN 116821602 A 说明书附图 5/6页 图9 21 21 CN 116821602 A 说明书附图 6/6页 图10 22 22

　　3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

　　4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持开元体育·(中国)官方网站。如果你也想贡献VIP文档。上传文档

　　2023年中级银行从业资格之中级银行业法律法规与综合能力题库附参考答案（满分必刷）.docx

　　原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者