产品测试是电子与通信生产过程中重要的环节。基于对产品质量的严格把控要求，高精密电子通讯产品的测试调试环节成本可占到总生产成本的30-40%，且耗时耗力。以某多频段无线网络收发产品为例，调试与测试项目多达300多项，很多指标之间存在相互关联，调试与测试周期长，单个产品平均耗时超过1个小时。
通常测试项目与测试流程是根据产品机理模型进行设定的，传统的测试模型一旦确定后很难更改，很难适应不同的产品功能、工作环境与安全等级的要求。本系统利用大数据的AI算法挖掘测试项目对于系统品质的关联度，按照关联度对测试项目进行排序，根据系统的测试等级优化测试项目及测试流程，以实现提高生产过程中测试环节效率，提升测试品质的目的。
系统构建流程
1、多维数据收集
从产品需要的调试、测试大约70个项目分别，每个项目都有8-9个数据维度。通过数据采集系统进行产品的多维度数据采集，最终收集上来的调试测试数据维度多达1200个。
2、全链路打通
数据上传到大数据平台，通过将调试测试数据在产品-模块-通道-调试/测试项目多个层级的数据关联，形成每一个产品在生产过程中调试工序和测试工序全链路的数据打通。
3、寻优算法
基于机器学习平台，利用大数据人工智能算法，对调测关系做数据挖掘。通过对历史已生产产品样本进行决策分类，针对测试项目分成不同目标水平的样本，根据调试项目内容聚类，计算每种类别的生产制成能力水平，由此沉淀基于调测关系的检测规则。
Logistic regression （逻辑回归）是当前业界比较常用的机器学习方法，用于估计某种事物的可能性。通过随机逻辑回归模型筛选特征，筛选出在不同的测试要求下的关联推荐项。
4、实时检测优化
基于上一阶段沉淀的检测规则，构建实时产品检测策略优化模型。对产线上已调试的产品（待测产品），基于调测关系的检测规则，推荐抽检频率，选择合适的抽检策略。当增益定标（信号放大指标）的调试值大于-0.25, CPK处于较高水平，系统会自动对应产品检测的抽免检比例，而如果值小于-0.25,则需要进行全检。
5、基于参数优化的模拟结果超过预期，检测指标项从平均300个点位降到200个，产品整体调试效率优化35%。车间的技术人员可从云平台随时调用算法，动态优化调试、测试过程。
参考资源
工业互联网成功融合了IT与OT技术并陆续落地应用。基于grafana的数据可视化仪表板，基于神经网络的TensorFlow深度学习框架与大数据分析，基于Docker容器的快速部署、边缘计算等技术在垂直行业工业互联网架构中得到充分展现；而振动监测与频谱分析、专家算法等设备健康诊断方案也成为互联网企业云计算的重要组成部分。
- 研华测试与测量解决方案2018Q4-振动监测与机器学习篇
- 设备云||TensorFlow深度学习框架及应用
- 设备云||Grafana可视化组件及健康诊断应用
- 机器学习||智能制造中的人工智能算法
- 机器学习||CNC健康诊断云平台智能分析系统
- 大数据||使用AI算法进行滚动轴承故障精准预测
- 大数据||使用AI算法进行水循环系统故障精准预测