本发明涉及质量预测领域，尤其涉及一种基于残差修正的双层阶产品质量预测方法。
背景技术：
1、在生产线管理的背景下，实施有效的质量控制措施这不仅有助于企业节约资源和减少经济损失，而且还能显著提高生产效率，各种传感器和设备已经开始有效地替代传统的人工抽检方法，实现对产品质量的全面监控，尽管传感器技术的应用深化了对产品质量的检测，但质量检验本身仍然无法提供即时的产品质量反馈。这意味着，在依赖质量检验的生产质量管理模式下，企业必须等待生产批次完成并进入检验环节后，才能对每个产品的质量进行评估并据此调整生产过程。这一流程的滞后性导致在发现问题并采取措施之前，可能已经生产出大量不合格品。
技术实现思路
1、为了解决以上问题，本发明提供了一种基于残差修正的双层阶产品质量预测方法，首先构建单层阶产品质量预测模型，使用随机森林构建加工参数预测模型，以预测未加工参数的值，从而确保获得完整的加工参数集。其次，通过结合遗传算法与全连接神经网络，构建了产品质量的回归模型，对填补后的加工参数进行回归分析。通过该模型，可以计算出产品质量特征的预测值及其预测残差。进而，利用未加工参数的预测残差训练一个新的nsga-fcnn(non-dominated sorting genetic algorithm-fully convolutionalneural network)残差补偿模型，以修正产品质量特征预测残差。最后，将产品质量回归模型得到的预测值与残差修正值相结合，构建了最终的基于残差修正的双层阶产品质量预测方法。在实际生产过程中，根据质量预测结果，对后续加工参数进行适当调整，以减少不合品的产生。
2、根据本技术的一个方面，一种基于残差修正的双层阶产品质量预测方法：
3、s1、首先在数据预处理阶段筛选出与产品质量特征性能密切相关的关键加工参数。
4、具体的，步骤s1具体为：
5、s101、首先通过整合各加工参数与产品质量特征值，组建样本集{x1,x2,xi,…,xn,y}(1≤i≤n)，以此构建数据集。
6、s102、随后利用k-nn(k-nearest neighbors)方法精确剔除异常数据，采用皮尔逊相关系数分析，计算加工参数与产品质量特征的相关度，进而精选出对产品质量具有决定性影响的关键加工参数。
7、s103、在此基础上，通过相关性分析选出的关键加工参数集合x′＝{x1,x2,xl,…,xm}(1≤i≤m)，作为后续参数预测与回归的数据基础。
8、s2、根据s1处理后的数据训练用于单层阶产品质量预测的加工参数时序预测模型。
9、具体的，步骤s2具体为：
10、s201、在模型训练阶段，选取最近的r个时间点的加工参数值，构建滞后变量集合
11、使用随机森林算法对这些滞后变量进行训练。随机森林通过随机重采样构建多个决策树，每个决策树基于部分数据和特征进行训练。
12、s202、当新的加工参数值产生后更新滞后变量集合为并按照原有的采样架构，调整决策树结构。
13、s203、每当滞后变量集合增加r/2个新数据后，重新划分训练集和测试集，并使用均方根误差rmse(root mean squared error)评估模型的预测稳定性。
14、当rmse超过阈值，通过自主采样调整每棵决策树的采样架构，更新加工参数预测模型。
15、s3、根据s2步骤时序预测补充后的数据集构建产品质量回归模型。
16、具体的，步骤s3具体为：
17、s301、为了准确地计算出由产品的关键加工参数值形成的质量特征值，产品质量回归模型采用fcnn作为核心模型。fcnn主要为输入层、隐藏层、输出层。
18、s302、输入层为时序预测填补未加工参数后的产品关键加工参数值x′。
19、s303、隐藏层是fcnn的核心内容，训练样本数据蕴含的特征信息在隐含层的神经元中充分地进行交互，然后传递给激活函数进行处理，激活函数将新得到的特征传递给下一层。本文采用relu函数，以防止模型出现过拟合。在每一层中，输入数据首先与权重矩阵相乘，然后加上偏置，最后通过激活函数转换。这个过程在网络的每一层中重复进行，直到达到输出层，以此回归计算出产品的质量特征值。
20、s304、输出层则输出最后的质量回归值。
21、s305、此模型的fcnn选用均方根误差(rmse)作为损失函数计算实际输出与期望输出之间的距离，并通过adam作为优化器调整模型中的权重ω和偏置b。
22、s306、采用多目标遗传算法(nsga)对隐藏层数l和各层的神经元数量sl进行优化，并以均方根误差(rmse)作为优化目标函数，得到最优fcnn模型，从而建立基于nsga-fcnn的质量特征回归模型，以提高预测的精度。
23、s4、再利用参数预测残差及质量特征值的预测残差，重新构建数据集，并构建残差修正模型。
24、具体的，步骤s4具体为：
25、s401、为了构建一个有效的残差修正模型，首先需要准备训练数据集。这涉及到将关键加工参数的集合x′分为两部分：已加工参数集合x′1＝{x1,x2,…,xm′}(1<m′<m)，以及未加工参数集合x′2＝{xm′+1,xm′+2,…,xm}。对于未加工参数集合x′2，使用时间序列预测模型预测缺失的参数值xpredicted。
26、通过将预测值xpredicted与训练集中的真实值xactual相减，得到参数预测残差δx，并构建参数预测残差集合{δm′+1,δm′+2,…,δm}。
27、s402、将这些通过预测填补的加工参数集合输入到质量特征回归模型中，得到产品质量特征的预测值ypredicted，并与训练集中真实值yactual相减，得到质量特征预测残差δy。
28、s403、最后，将参数预测残差和质量特征值的残差组合起来，形成用于残差模型补偿的训练样本{δm′+1,δm′+2,…,δm,δy}。基于这个训练集，采用与质量回归模型相同的框架(nsga-fcnn)训练一个用于修正残差的模型。
29、s5、通过单层阶产品质量预测模型得到的预测值与残差修正模型的修正结果相结合，即形成了双阶层产品质量预测方法。通过双阶层产品质量预测方法得出经过修正的质量特征预测值。将其与标准进行比较，从而能在生产过程中及时识别不合格品，以优化生产。
30、本发明有益效果：本发明采用一种基于残差修正的双层阶产品质量预测方法，通过收集历史参数作为数据集，使用随机森林构建加工参数预测模型以预测未加工参数的值，从而获得完整的加工参数集。其次，通过结合遗传算法与全连接神经网络，构建了产品质量的回归模型，对填补后的加工参数进行回归分析。通过该模型，可以计算出产品质量特征的预测值及其预测残差。进而，利用未加工参数的预测残差训练一个新的nsga-fcnn残差补偿模型，以修正产品质量特征预测残差。最后，将产品质量回归模型得到的预测值与残差修正值相结合，构建了最终的基于残差修正的双层阶产品质量预测方法。在实际生产过程中，根据质量预测结果，采取相应的措施，进而减少产出不合格品时带来的经济损失。
31、根据下文结合附图对本发明的具体描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
1.一种基于残差修正的双层阶产品质量预测方法,其特征在于所述方法包括：
2.根据权利要求1所述的加工参数时序预测模型以及产品质量回归模型构成的单层产品质量预测模型，其特征在于：所述的加工参数时序预测模型步骤具体包括：
3.根据权利要求1所述的双层阶产品质量预测方法，其特征在于：所述的双层阶产品质量预测方法步骤具体包括：
