制造业产品批次质量预测关键技术研究

发布时间：2020-04-01 19:24

【摘要】：随着信息技术的迅猛发展,制造业生产过程规模的不断扩大,复杂性日益提高,产生的数据越来越多,从海量的数据中挖掘出有效的信息,从而提高生产过程的安全性和可靠性,提高产品的质量,已经成为制造业领域研究热点之一。质量预测根据生产过程产生的历史数据,利用特征工程技术构建特征,从而建立高效的产品批次质量预测模型,对生产进行过程控制并且做出相应决策有着重大意义。由于影响质量波动的因素存在着维度高、非线性、多时段、数据不等长的特性,目前制造业质量预测仍然面对很多困难和挑战,利用特征工程技术构建高质量的特征和选择合适的质量预测算法是制造业领域的研究热点。目前的研究在特征提取中采用对时间划分子时段的方法提取特征,这种方法不能提供足够的批次波动信息。在特征选择中采用PCA方法选择最优特征,这种方法对于非线性数据不能准确的挑选出对质量影响大的变量。针对生产过程中多时段、高维度、非线性的数据,使用传统的线性回归方法已经无法满足工业界对质量准确预测。本文针对间歇生产过程中数据不等长、维度高、多时段,非线性的特性,设计出一套批次多阶段特征工程和质量预测方法。首先寻找指示变量替代时间,对指示变量值向下归约并且采用指数移动加权平均的方法对指示变量对应的特征值进行采样,解决了数据不等长的问题;然后对指示变量划分多个阶段,在不同的阶段使用统计方法提取统计特征,采用XGBoost和Random Forest相结合的方法进行特征选择,解决了数据维度高的问题;最后建立基于Stacking集成算法的多阶段预测模型对批次质量进行预测。本文采用阿里云众智任务平台提供的制造业质量控制数据集,通过对生产过程历史数据进行探索性分析及可视化,根据加工进度对批次生产过程分为三个阶段,对每个阶段使用本文设计的多阶段特征工程和质量预测方法。解决了批次数据不等长和维度高的问题,批次质量取得了较好的预测结果。实验结果表明,本文设计的特征工程和质量预测方法对间歇工业生产过程复杂数据的处理和产品批次质量的预测是正确有效的。
【图文】：

三维矩阵,间歇过程,三维数据,预处理

业产品生产过程动态监控，提高产品关键质量，使数据资源转化为生产过程的定义为：将有限量的物质，按规定的加工顺序，在一个工，以获得有限量的产品的加工过程，重复整个过程获得更多的产次按照特定的加工要求，在不同的加工中心顺序加工，设备通常按，通过不同的加工中心生产过程控制，加工过程可以停顿，形成在生产组织方式，其操作状态不稳定，参数随时间而变。间歇生产过三维的（批次 × 变量 × 时间）,在一次间歇操作周期内，每个批次程变量的影响，，每个过程变量采集 K 个测量数据。这些过程数据组三维数组表示形式X（ × × ）,其中 I 代表批次个数（I = 1, … , I）数（J = 1, … , J），K 代表每个过程变量采样时刻个数（K = 1 , … , K到的质量数据可以组成一个列向量 Y=[Y1,Y2, … , Yn]T。因此，间歇一个三维过程变量数组X（ × × ）和一个二维的批次质量矩阵Y的三维数据表示如图 1-1 所示。

流程图,数据预处理,流程图

建立基于数据的质量预测模型，首先要确定模型的输入段的过程变量作为模型的输入，批次的质量作为模型的输出。本和质量预测关键技术，对间歇工业生产过程产生的数据从数据预角度进行讲解，对本文所使用的单一预测模型和 Stacking 集成算。预处理和特征工程预处理息技术的快速发展，现实生活中采集到的数据存在着海量性、复的特点，同时在将数据存储在数据库的过程中可能会把噪声引入据进行探索性分析和研究，从中挖掘出隐藏的信息是很有必要的接被模型使用，需要对原始数据进行预处理，消除不完整、不等始数据转换成算法模型能够有效处理的格式。数据的预处理操作据聚集、数据集成三个阶段[33]。如图 2-1 是数据预处理流程图。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F424;TP181

【参考文献】