[发明专利]产品质量预测方法及装置

说明书

本发明提供一种产品质量预测方法及装置，包括：获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；对所述时序特征数据进行特征数据序列处理得到第三特征向量；根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。本发明的方法，提高了产品质量预测的准确性。

技术领域

本发明涉及数据处理技术，尤其涉及一种产品质量预测方法及装置。

背景技术

在产品制造业中，有大量数据在加工生产环节保留下来，目前的方式是利用大量数据对制造的产品进行质量预测。

现有技术先对特征数据进行关键特征提取，然后将提取的数据输入到Xgboost模型中进行预测，Xgboost算法是一种基于传统梯度提升决策树(Gradient BoostingDecision Tree，简称GBDT)的拓展性方法，GBDT是一种迭代的决策树算法，该算法由多棵决策回归树组成，所有树的结论累加起来做最终答案。

然而，现有技术以决策树为基础的Xgboost使用贪心算法，使得问题容易陷入局部最优，当数据的特征类别比较多时，预测的过拟合风险较高。因此，现有技术中的产品质量预测方法不可靠。

发明内容

本发明提供一种产品质量预测方法及装置，提高了产品质量预测的准确性。

本发明的第一方面，本提供一种产品质量预测方法，包括：

获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；

根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；

对所述时序特征数据进行特征数据序列处理得到第三特征向量；

根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。

可选地，在第一方面的一种可能实现方式中，所述非时序特征数据包括：连续型特征数据和离散型特征数据。

可选地，在第一方面的一种可能实现方式中，所述根据所述非时序特征数据获取第一特征向量，包括：

对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征向量；

将所述离散型特征数据进行独热编码，获取一维特征向量，并将所述一维特征向量两两一组进行特征数据关联处理构造交叉特征向量；

将所述一维特征向量、所述交叉特征向量与所述连续型特征向量进行拼接，获取高维输入向量；

以预设的所述单层神经网络模型对所述高维输入向量进行处理，获取所述第一特征向量。

可选地，在第一方面的一种可能实现方式中，所述对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征数据向量，包括：

根据公式一对所述连续型特征数据归一化处理，获取连续型特征向量；

其中，x′代表连续型特征向量，x代表所述连续型特征数据，μ代表所述连续型特征数据所有数据的平均数，σ代表所述连续型特征数据所有数据的标准差。

可选地，在第一方面的一种可能实现方式中，所述根据所述非时序特征数据获取第二特征向量，包括：