[发明专利]基于经验贝叶斯的数据批次效应处理方法、装置及介质

权利要求书

1.一种基于经验贝叶斯的数据批次效应处理方法，其特征在于，包括：

获取电阻点焊过程中的焊点工艺参数数据集；其中，所述焊点工艺参数包括动态电阻值、动态电流值、动态电压值、电极位移和焊枪能量值；

对所述焊点工艺参数数据集进行标准化处理，得到标准化后的焊点工艺参数数据集；

根据所述标准化后的焊点工艺参数数据集建立概率分布模型，并对所述概率分布模型中的超参数进行参数估计；

根据参数估计的结果建立批次效应处理模型，对所述标准化后的焊点工艺参数数据集进行批次效应处理，以消除焊点工艺参数数据集的批次效应；

其中，所述对所述焊点工艺参数数据集进行标准化处理，得到标准化后的焊点工艺参数数据集，具体包括：

建立所述焊点工艺参数数据集的标准化处理模型为：

其中，焊点工艺参数数据d_bsc表示在批次b中样本s的特征c的值；r_c表示特征c的平均表达值；A表示焊点样本的设计矩阵；ν_c表示对应A的回归系数向量；θ_bc表示焊点数据的加性批次效应，φ_bc表示焊点数据的乘性批次效应；表示批次误差项，误差项服从正态分布N～(0,φ_c²)，φ_c表示所有焊点样本中特征c的标准差；

采用最小二乘法对所述标准化处理模型中的参数r_c,ν_c,θ_bc进行估计，并得到标准化数据公式其中，z_bsc表示标准化后的焊点工艺参数数据，和为对应的参数估计值；

根据所述标准化数据公式对所述焊点工艺参数数据集D进行标准化处理，得到标准化后的焊点工艺参数数据集Z；

其中，所述采用最小二乘法对所述标准化处理模型中的参数r_c,ν_c,θ_bc进行估计，并得到标准化数据公式具体包括：

采用最小二乘法对所述标准化处理模型中的参数r_c,ν_c,θ_bc进行估计，得到参数估计值其中，最小二乘法公式为：

该公式的约束条件为：

其中，m_b表示焊点工艺参数数据中批次b的样本数量，m＝1...M，M为样本总数，M＝B×S×C，B、S、C分别表示对应的b、s、c的总数；

根据方差公式及参数估计值对所述焊点工艺参数数据集的方差进行计算，令并代入方差公式得到方差估计值为：

其中，n表示样本总数，x_i表示单个样本，表示样本均值；

根据Z-means标准化方法得到标准化数据公式为：

2.如权利要求1所述的基于经验贝叶斯的数据批次效应处理方法，其特征在于，所述获取电阻点焊过程中的焊点工艺参数数据集，具体包括：

通过数据采集系统采集电阻点焊过程中的焊点工艺参数数据；

对采集到的焊点工艺参数数据建立焊点工艺参数数据集D，

其中，b为批次数，b＝1...B；s为焊点样本数，s＝1...S；c为特征参数，c＝1...C。

3.如权利要求2所述的基于经验贝叶斯的数据批次效应处理方法，其特征在于，所述根据所述标准化后的焊点工艺参数数据集建立概率分布模型，并对所述概率分布模型中的超参数进行参数估计，具体包括：

根据所述标准化后的焊点工艺参数数据集建立概率分布模型为：即标准化后的焊点工艺参数数据z_bsc服从期望为θ_bc，方差为的正态分布；其中，焊点工艺参数数据的期望θ_bc服从期望为μ_b，方差为τ_b²的正态分布，即θ_bc～N(μ_b,τ_b²)；焊点工艺参数数据的方差服从参数为α_b,β_b的逆伽马分布，即

采用矩估计法对超参数进行参数估计。