[发明专利]一种改进的小样本数据下产品关键工艺质量预测方法

说明书

本发明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。

技术领域

本发明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。

背景技术

本发明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 IndustryApplications—Swarm Intelligence Algorithms,in IEEE Transactions onIndustrial 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-Villalón and M.Dorigo,PSO-X:A Component-Based Framework for the AutomaticDesign of Particle Swarm Optimization Algorithms,in IEEE Transactions onEvolutionary 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。

发明内容

本发明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。

本发明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。本发明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。