[发明专利]基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法

权利要求书

1.一种基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法，其特征在于，所述方法包括以下步骤：

S1、构建制造过程质量数据集：确定质量数据的来源、组成要素和采集方式，构建装配过程影响因素和产品质量指标的映射管理，开展针对性的数据预处理分析，构建制造过程质量数据集，所述步骤S1具体包括以下步骤：

S11、确定质量数据的来源、组成要素和采集方式：质量影响因素包含各零件的加工精度、表面粗糙度、零件间的配合参数、零件变形参数、装配工艺参数、检验数据和环境参数，形成涵盖零件参数、过程变量、过程精度和产品质量状态在内全过程的质量预测分析数据集；

S12、构建装配过程影响因素和产品质量指标的映射管理：梳理装配过程各因素对装配质量特性形成过程的影响关系，以及零部件质量特性与产品质量特性的映射关系，分析工艺要素、工艺过程、工艺输出参数对性能参数和产品质量指标等的影响，实现零部件级质量特性到产品级质量特性的传递；

S13、开展针对性的数据预处理分析：对采集的数据进行预处理，包括数据清洗、数据可信度检验和标准化处理，构建制造过程质量数据集；

S2、基于变量选择构建质量预测模型：基于变量选择的方法筛选制造过程质量因素，建立基于特征选择的制造过程和产品质量等级之间的质量预测模型；

S3、基于概率神经网络估计质量预测模型：提出采用概率神经网络分类算法进行质量预测模型的估计，得到产品质量特性的估计值，所述质量预测模型包含输入层、模式层、求和层和输出层；

S4、设计基于后向选择的关键过程因素选择算法：在所有过程因素中选取最优因素从质量预测模型中剔除，并重复继续在剩余的过程因素中选取最优因素从质量预测模型中剔除，直至剔除p-s_n个因素即选出s_n个模型因素时停止。

2.根据权利要求1所述的基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法，其特征在于，所述步骤S2具体包括以下步骤；

S21、基于制造过程质量数据集，其质量预测模型为：

y＝f(x₁,x₂,…,x_p)+ξ (1)

其中：f(·)表示从过程因素x到质量等级y的映射；x_j表示第j个过程因素且j＝1,…,p；ξ表示均值为0的预测误差；

S22、提出基于变量选择的影响因素识别方法：采用惩罚函数L₀惩罚和L₁惩罚来筛选变量，将非关键质量影响因素从模型中剔除，进而从众多因素中识别出重要的关键影响因素；

S23、以多分类马修斯相关系数为基础，构建质量预测目标函数中的损失函数，并设计为多分类马修斯相关系数的相反数，基于变量选择的质量预测模型为：

其中：δ_mk表示真实质量等级矩阵δ_n×q的第m行第k列值，δ_n×q矩阵为质量等级y的One-Hot编码表示；表示预测质量等级矩阵的第m行第k列值，n表示样本总个数，q表示样本类别数；和分别表示δ_n×q矩阵和矩阵第k列的均值，且I为指示函数，当条件满足时为1，否则为0；α_j表示产品质量特征的重要性指标；s_n表示关键质量影响因素个数，即模型应包含的变量个数且s_n≤p。