【技术实现步骤摘要】
本专利技术涉及一种基于异构因果图注意力网络的大规模定制质量预测方法，属于软测量领域。
技术介绍
1、随着生产力的发展，市场竞争越发激烈，为了满足消费者日益增长的个性化需要，越来越多的企业开始采用或考虑采用大规模定制生产模式(mc)，大规模定制作为一种集应用技术、管理、标准等为一体的综合生产模式，使企业有能力以大批量生产的低成本向市场高质量、高效的提供多样化、定制化的产品。mc的关键思路是利用模块化等方法将相似的产品族零部件和结构标准化，以降低产品的内部多样性，然后在通用件的基础上利用定制化装配等策略来增加产品的外部多样性。
2、大规模定制(mc)因为兼顾消费者需求和企业效益的优势，被应用于汽车、服饰、家具、电子产品等多个生产领域。因此引起了广泛学者的关注。但由于大规模定制是一个包括生产、组装、管理和运输等的在综合性生产模式，大部分过往研究的目的更倾向于在保证产品多样性以及成本控制。
3、质量控制，作为制造业的重要问题之一，在大规模定制生产中的研究相对较少，而目前，基于预测的质量控制方法更加准确和可靠，而这种方法严重依赖于质量预测的准确性。因此本专利技术主要针对大规模定制生产中的质量预测问题
4、目前的质量预测的方法一般可以分为基于机理模型的方法，基于专家知识以及基于数据驱动的方法。其中，机理模型的性能依赖于是否能准确建立反应过程机理的数学模型，对于复杂和大规模化的现代工业而言，机理建模遇到了极大的阻碍。另外，迫于先验知识的难以积累，专家知识模型也缺乏通用性，多为辅助使用。数据驱动的质量预测方法
5、首先是配件间关系对于最终产品质量预测有重要影响，一般用图神经网络来利用系统内各变量之间的相关性，但是一般的图结构都是考虑变量间相关性，而由于大规模定制生产中配件间功能依赖或协作的关系，配件间存在因果关联需要挖掘。如果不对变量间因果关系进行发掘和利用，会影响最终的预测效果。
6、同时，多尺度问题也是大规模定制产品质量预测中面临的难题，在定制化产品生产中，每种产品中存在的模块配件种类各不相同，配件的数量也不完全一致，这导致了采集到的数据的变量维度不统一，而传统的预测模型由于映射等要求，必须保证变量维度一致。
7、综上所述，针对上述问题，需要开发适合大规模定制的质量预测模型。
技术实现思路
1、本专利技术针对现有技术存在的不足以及大规模定制的特点，基于异构因果图注意力网络设计了一种质量预测方法，相比于常用的预测方法，异构因果图注意力网络不仅可以通过因果图去利用变量间关联关系，同时其利用了多尺度信息来保证最终的预测效果。
2、本专利技术首先提出了一种pcam因果发现算法，利用机理和数据联合构建因果骨架，基于加性噪声模型并引入了评分机制获得可靠的因果图结构；然后基于因果图结构，针对多尺度问题，设计了异构因果图注意力网络hcgat，利用不同的权重参数矩阵，将不同维度的节点特征映射到相同维度上，再通过图注意力网络进行训练。最后，针对大规模定制生产定制化产品的特点，提出了一种适合于大规模定制生产的质量预测框架，通过定制化组装信息设计了定制化编码，并基于此构建了筛选器和判断器对数据进行分类和处理，再利用hcgat作为子模型对不同种类产品数据进行质量预测。
3、本专利技术的技术方案如下：
4、首先，本专利根据大规模定制生产模式的特点，对于大规模定制生产模式制造过程和采集的数据进行了定义，其制造过程大致可以分为模块化设计、定制化组装以及产品生产及测试三个步骤,在此过程中定义相应的采集的数据，包括配件的质量数据、定制化组装数据以及产品质量数据。
5、其中，针对大规模定制中的定制化生产和柔性共线生产特点，即不同种类和数量的配件组装成不同种类的产品，同时多种产品可能会在同一条生产线进行生产，这导致了最终采集到的数据中可能包含多种产品信息。因此依据大规模定制中产品的定制化组装信息设计一种定制化组装数据，表示组装产品使用到的配件种类和数量，编码为n维向量α＝(a1，a2，…an)，其中n代表了所有产品中使用到的配件类别的总数。若a＝0代表了该产品组装时没有运用到该类配件，a＝n代表了该产品组装时运用到n个该类配件。
6、本专利技术的质量预测可以分为离线训练和在线测试两个环节，在离线训练中，首先通过设计的定制化组装述构建筛选器用于判断数据中的产品类别。在每条数据中加入定制化编码的数据头，比较编码是否一致来判断数据是否属于同一种产品，将相同的产品的数据分类至一起，并记录下该产品的定制化编码，用于后续测试数据中构建判断器。
7、然后，在不同产品类型的数据中，分别进行因果发现，构建相应的因果图结构。因为不同配件的选配可能会影响配件间的因果关系，因此单独构建因果图可以保证更好的可解释性和准确性。
8、设计了一种pcam因果发现方法。该流程总共可以分为三部分内容，第一部分是因果骨架构建，第二部分是因果方向确定，第三部分是整体结构优化。通过这三个步骤确定最终的因果图用于后续的训练和预测。
9、首先通过先验知识和数据联合构建因果骨架，将准确的先验知识包括是否存在因果关系甚至因果方向信息等先行确定，然后利用数据对剩余的相关变量之间进行hsic独立性检验判断因果关系，构建骨架图。这样可以提高因果骨架准确性。当没有先验知识时，也可以仅通过数据构建骨架图。
10、
11、其中n是样本数量，tr是矩阵的迹，kx和ky是核函数计算，这里采用高斯核函数，j＝i-1/n，，是n阶单位矩阵。
12、
13、然后，在确定的因果骨架上，对每一对存在因果关系的变量间，利用加性噪声模型anm方法判断因果方向。在生产过程中，由于工人的操作熟练度和组装环境等外部因素会对组装环节造成干扰，在这种情况下，系统间关系可以视作近似符合加性噪声模型，且外部噪声与配件本身质量参数是独立的，因此可以利用加性噪声模型构建正向和反向的函数，并利用其不对称性判断因果方向。
14、其判断原理是因为作为一个独立加性噪声，它不会对原因变量产生影响，而由于结果变量是原因变量和噪声变量共同作用得到的，因此结果变量和噪声变量之间不独立。因此我们构建正向函数f和反向函数g，用于拟合变量x和变量y之间的关系，并判断噪声nx和ny与输入变量之间的独立性关系。
15、
16、
17、如果函数满足公式1，不满足公式2，那么说明，变量x是变量y的原因变量。
18、本专利技术通过mlp对两个变量之间的关系作正向拟合，利用两层隐藏层和非线性的激活函数leakyrelu用于非本文档来自技高网...
【技术保护点】
1.一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述1中定义的定制化组装数据如下：
3.根据权利要求2所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述的3.1的过程如下：
4.根据权利要求3所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述的3.2的过程如下：
5.根据权利要求4所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，其4.1过程如下：
6.根据权利要求5所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于：
【技术特征摘要】
1.一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述1中定义的定制化组装数据如下：
3.根据权利要求2所述的一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述的3.1的过程如下...
【专利技术属性】
技术研发人员：胡文浩，何雨辰，钱丽娟，陆佳炜，朱俊江，章东平，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。