一种改进的小样本数据下产品关键工艺质量预测方法技术

本发明专利技术涉及一种小样本数据下产品关键工艺质量预测方法。本发明专利技术公开了一种小样本数据下产品关键工艺质量预测方法，通过基于灰色关联分析法的关键工艺参数提取方法，获取产品质量预测的关键工艺参数，构建小样本数据下基于残差网络的产品关键工艺质量学习元预测模型，融合产品质量相应工艺参数约束，对产品质量预测关键工艺参数下的多目标质量因素进行优化；进一步地，基于反向精英策略和列维飞行下的工艺参数全局优化迭代策略，设计产品质量预测的多目标协同进化全局快速梯度优化求解算法，从而获取小样本数据下具有全局优化特性的产品关键工艺质量参数。本发明专利技术能够有效提高小样本数据下产品质量预测优化算法的收敛速度、全局优化效率。优化效率。优化效率。

【技术实现步骤摘要】
一种改进的小样本数据下产品关键工艺质量预测方法


[0001]本专利技术涉及小样本数据下的产品关键工艺质量预测方法设计，涉及残差连接网络下的小样本数据产品关键工艺质量学习元预测模型建立、多目标质量预测因素关键工艺参数优化设计和多目标协同进化全局快速梯度质量预测优化求解算法设计。

技术介绍

[0002]本专利技术所针对的小样本数据下的产品关键工艺质量预测方法是提高产品质量，实现生产“零”次品的重要技术手段。然而，在实际的产品装配过程中，由于工艺参数众多、获取过程繁琐，工艺和质量的潜在变化特征人为提取难度较大，且产品质量数据量的不足使工艺质量参数全局优化变得困难，因此小样本数据下的产品关键工艺质量预测方法等相关技术发展缓慢。但是随着计算机科学技术的发展，智能算法被逐渐应用于产品生产过程中的工艺优化和监测分析，为解放生产过程中的人力资源，提高工人的安全性与生产效率提供了可能。因此开展小样本数据下的产品关键工艺质量预测方法具有现实意义，如何利用智能算法对小样本数据下的产品关键工艺质量预测引发了国内外学者大量关注。文献[A.Slowik and H.Kwasnicka,"Nature Inspired Methods and Their Industry Applications—Swarm Intelligence Algorithms,"in IEEE Transactions on Industrial Informatics,vol.14,no.3,pp.1004
‑
1015,March 2018]研究了群体协同进化等群体智能算法，并将群体协同进化算法应用于产品工艺质量预测上，取得了较好的效果。但是常规的群体协同进化算法在解决多目标控制等新问题时存在手动修改算法非常耗时等问题。为了解决群体协同进化算法调试修改效率低下等相关问题，文献[C.L.Camacho
‑
Villal
ó
n and M.Dorigo,"PSO
‑
X:A Component
‑
Based Framework for the Automatic Design of Particle Swarm Optimization Algorithms,"in IEEE Transactions on Evolutionary Computation,vol.26,no.3,pp.402
‑
416,June 2022]提出一种使用自动设计来克服手动查找执行群体协同进化算法的限制方法，提高了群体协同进化算法的调试效率。为了解决小样本数据下的产品装配过程中工艺参数众多且复杂情况下的工艺质量难以预测问题，提高产品的生产工作效率、保证生产安全和降低生产成本，一种改进的小样本数据下产品关键工艺质量预测方法对工业生产具有重要意义。

技术实现思路

[0003]本专利技术要解决小样本数据下的产品装配过程中由于产品数据量少、工艺参数众多，工艺和质量的潜在变化特征人为提取难度较大，产品工艺质量预测困难、准确度差等问题。
[0004]本专利技术解决上述问题所采用的方法是基于灰色关联分析法的关键工艺参数提取、构建残差连接网络下的小样本数据产品关键工艺质量学习元预测模型以及设计产品质量预测的多目标协同进化全局快速梯度优化求解算法。通过基于灰色关联分析法的关键工艺参数提取方法，获取产品质量预测的关键工艺参数，构建小样本数据下基于残差网络的产
品关键工艺质量学习元预测模型，融合产品质量相应工艺参数约束，对产品质量预测关键工艺参数下的多目标质量因素进行优化；进一步地，基于反向精英策略和列维飞行下的工艺参数全局优化迭代策略，设计产品质量预测的多目标协同进化全局快速梯度优化求解算法，从而获取小样本数据下具有全局优化特性的产品关键工艺质量参数。本专利技术能够有效提高小样本数据下产品质量预测优化算法的收敛速度、全局优化效率。
[0005]首先，基于灰色关联分析法，利用产品装配过程中工艺参数和质量数据进行关联度计算：
[0006][0007]其中x
i
(k)表示第k个数据的第i个特征，y(k)表示第k个数据的标签，则第k个数据的特征i与第k个数据的标签的关联系数ξ
i
(k)，|
·
|表示相关变量的绝对值，ρ为灰色关联系数，通常为0.5。和分别表示在任意满足条件的k和i的取值下|y(k)
‑
x
i
(k)|能得到的最大值和最小值。利用关联性阈值对产品质量工艺参数关联度进行分级，从而将关联度较高的作为质量预测优化待定关键工艺参数。
[0008]其次，将与产品质量关联的关键工艺参数作为模型的输入训练数据，并将数据划分为多批次、多任务产品质量数据，通过内环和外环交替并行梯度更新实现模型的参数更新，构建小样本数据下基于残差网络的产品关键工艺质量学习元预测模型。模型参数的内环和外环梯度更新和损失函数的公式如下：
[0009][0010]其中，θ是产品质量预测模型的参数，是一个分类任务，是包含多个分类任务的任务批次，θ
i
′
是任务内环梯度更新后的模型参数，θ
″
i
是任务外环梯度更新后的模型参数；α为内环学习率，β为外环学习率，是任务的损失函数，是内环梯度更新时任务的损失函数的梯度方向，是外环梯度更新时批次任务中每个分类任务损失函数的梯度方向矢量和；y
(j)
是数据x
(j)
的标签，是数据x
(j)
预测的概率，表示任务中每个数据x
(j)
和其标签y
(j)
交叉熵运算之和。
[0011]进一步地，将与产品质量关联的关键工艺质量参数作为目标优化参数，建立相应的产品质量多因素优化目标函数，并结合小样本数据下产品关键工艺质量学习元预测模型以及关键工艺质量参数的物理特性约束，对产品质量预测关键工艺参数下的多目标质量因素进行优化。构建的小样本数据下产品质量预测关键工艺参数下的多目标质量因素的目标函数为：
[0012][0013]其中，{x1,x2,
…
,x
n
}是关键工艺参数，是由产品关键工艺质量参数的物理特性约束条件，表示满足f(x1,x2,
…
,x
n
)最小时(x1,x2,
…
,x
n
)的取值。而f
u
为第u个目标函数，可以用下式表示：
[0014]f
u
(x1,x2,
…
,x
n
)＝f
model
(x1,x2,
…
,x
n
)
‑
y
u
(4)
[0015]其中，f
model
是小样本数据下产品质量预测模型，{x1,x2,
…
,x
n
}本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标群体协同进化算法的小样本数据下产品关键工艺质量参数全局优化方法，其特征在于，包括残差连接网络下的小样本数据产品关键工艺质量学习元预测模型、产品质量预测关键工艺参数下的多目标质量因素优化设计、以及产品质量预测的多目标协同进化全局快速梯度优化求解算法设计。2.根据权利要求1所述的小样本数据下产品关键工艺质量学习元预测模型，其特征在于利用基于灰色关联分析法的产品关键工艺质量参数获取，通过产品关键工艺质量的残差网络元学习预测模型，将与产品质量关联的关键工艺参数的数据作为模型的训练输入，采用并行、多批次、多任务的残差网络学习，从而解决小样本数据下产品质量预测模型的精确获取。3.根据权利要求1所述的基于灰色关联分析法的产品关键工艺质量参数获取，其特征在于利用灰色关联分析方法，获取产品装配过程中质量工艺参数的关联度，利用关联性阈值对产品质量工艺关联度进行分级...

【专利技术属性】
技术研发人员：陈勇，曹亚召，张龙杰，刘越智，杨鑫宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：