[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

说明书

本发明提供了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，该方法包括：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；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；基于概率神经网络估计质量预测模型，设计基于后向选择的关键过程因素选择算法。本发明可为产品质量特性的预测和导致产品质量问题的根源定位，提升产品制造过程能力和产品质量的一致性、稳定性，为基于数据驱动的定量化技术支撑和决策提供依据。

技术领域

本发明属于质量与可靠性工程技术领域，特别涉及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。

背景技术

产品质量是一个企业的立足根本，如何控制生产过程产品质量一直是制造单位关注的重点问题。在进行质量监控时，首先需要确定被监控对象的异常能够准确及时反映产品质量问题。然而，由于大多数产品的制造过程工艺复杂、工序繁多，如果不针对具体产品开展长期深入的研究，则很难对制造过程因素间的关联性及对产品质量特性的影响关系建立“白箱”式的数学模型。此时，传统质量监控方法通常无法对生产过程中产品的质量问题进行定位及追溯分析，不能及时反馈控制调整参数，难以实现流程的实时反馈和管控。

预测控制作为一种超前控制成为了智能制造质量监控的重要需求之一。预测控制是针对单件产品关键质量特性的生产过程，通过采集产品的生产数据，基于制造过程关键工艺参数建立产品质量状态预测模型，实现对产品质量特性指标的预测评估，继而获取生产数据中蕴藏的重要过程知识，进而判断过程参数满足要求的程度，从而实现对每个产品质量问题的定位追溯和根源分析。在制造过程产品质量状态预测方面，国内外的研究机构和学者们开展了大量工作，并取得了多样化的研究成果，开发了若干数据分析、机器学习方法用于解决产品制造过程中的产品质量监控、根源诊断、质量提升等诸多问题。例如，基于阿里巴巴众智任务数据，采用XGBoost、随机森林、gcForest等预测模型进行预测；采用BP神经网络预测织机工艺质量指标和生产效率；基于多调节参数的递推偏最小二乘方法构建多元线性回归模型，用于质量特征的预测；针对陶瓷管生产过程的质量预测工作，构建工艺特征参数与质量指标间的CART决策树模型。然而，一般复杂产品的装配较为繁杂，影响因素较多且相互耦合，不过对产品质量起到关键影响因素的往往只有少数。例如，在某航空高精度产品的装配过程，根据经验收集到的过程影响因素有103个，而关键影响因素只有10个左右，非关键因素的存在减弱了关键影响因素在预测模型中的贡献度，同时可能导致“维度灾难”或“过拟合”等问题。上述传统基于机器学习算法的质量预测模型一般不具有关键影响因素筛选的功能。因此，基于变量选择和概率神经网络，寻求一种在众多的装配影响因素中定位到关键少数影响因素的制造过程质量缺陷根源诊断方法是十分迫切且必要的。

发明内容

本发明针对上述现有技术中的缺陷，提出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。该方法包括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；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；基于概率神经网络估计质量预测模型，设计基于后向选择的关键过程因素选择算法。本发明可为产品质量特性的预测和导致产品质量问题的根源定位，提升产品制造过程能力和产品质量的一致性、稳定性，为基于数据驱动的定量化技术支撑和决策提供依据。

本发明提供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，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：