[发明专利]用于生产过程数据建模的基于互相关的特征构造方法

说明书

本发明提供了一种用于生产过程数据建模的基于互相关的特征构造方法，用于智能制造领域产品质量预测问题。其包括以下步骤：对收集的生产过程数据进行规整与预处理；根据数据特性和任务目的，设置互相关算子的超参数；设定互相关算子的权重；对数据矩阵使用设定好的互相关算子进行操作，将互相关算子在感兴趣的数据区域进行滑动计算互相关算子；所有感兴趣区域用定义的互相关算子操作完后，得到特征矩阵；这些特征矩阵进行串联，则得到一个新的特征矩阵集合；得的特征矩阵可以用于机器学习的异常检测，分类，回归等任务，进而得到预测性维护的结果。

技术领域

本发明涉及一种特征构造方法，具体涉及一种用于生产过程数据建模的基于互相关的特征构造方法，属于生产过程建模、互相关、机器学习、特征构造技术领域。

背景技术

产品的最终质量往往可以通过生产过程中收集到的数据反映。同构数据分析，可以起到预测最终产品质量的效果。然而，如何提取好的特征用于预测是一个很重要的技术问题。生产过程数据分析工作主要通过数据收集、机器学习建模和计算力支撑实现。数据一般存储与MES系统或者其他数据存储设备，经过处理和加工后形成可以使用的有用数据，这些数据表达生产过程中的各种要素（例如，加工工况、温度等信息）。健康状态的表达需要通过对数据的分析和洞察。传统的方法是基于人工的观察或者通过信号处理的方式提取特征进行分析。随着机器学习的流行和使用，基于统计机器学习的方法在智能制造领域得到更多的推广和使用。

传统的基于信号处理的方法主要是通过傅里叶变换、小波变换、PCA降维，再根据专家经验进行特征选择和组合。机器学习则通过自动的方法提前特征，再结合分类或者回归算法进行结果预测。两种方法各有优劣。

基于机器学习的特征提取方法非常多，可分为特征提取、特征降维、新特征构造，这些方法都可以被统一称作特征工程。构造出的特征可以用于机器学习模型的建模和预测。在很多的实践中，例如一些数据竞赛，获奖选手往往都采用了新的方法构造出更多的特征，从而得到更好的预测效果。采用的方法一般是对原始数据的加减乘除，或者多项式特征，不是很全面。

发明内容

本发明目的是提供了一种用于生产过程数据建模的基于互相关的特征构造方法，用于智能制造领域产品质量预测问题。

本发明为实现上述目的，通过以下技术方案实现：

一种用于生产过程数据建模的基于互相关的特征构造方法，包括以下步骤：

S1.对收集的生产过程数据进行规整与预处理；

S2. 根据数据特性和任务目的，设置互相关算子的超参数；

S3.设定互相关算子的权重；

S4. 对数据矩阵使用设定好的互相关算子进行操作，将互相关算子在感兴趣的数据区域进行滑动计算互相关算子；

S5.所有感兴趣区域用定义的互相关算子操作完后，得到特征矩阵；

S6. 这些特征矩阵进行串联，则得到一个新的特征矩阵集合；

S7.得的特征矩阵可以用于机器学习的异常检测，分类，回归等任务，进而得到预测性维护的结果。

所述用于生产过程数据建模的基于互相关的特征构造方法优选方案，经过规整与预处理的数据是多维的，且具有相同的样本数据，形成M行N列数据矩阵。

所述用于生产过程数据建模的基于互相关的特征构造方法优选方案，设置互相关算子的超参数过程如下：给定一个图像，互相关算子，它们的互相关为：

，其中M代表样本数，N代表每条样本所包含的变量个数。

本发明的优点在于：