[发明专利]一种大数据驱动的船舶薄板焊接质量预测方法

权利要求书

1.一种大数据驱动的船舶薄板焊接质量预测方法，其特征在于，包括如下步骤：

S1：利用建立好的物联网组建框架，进行实时焊接数据的采集与上行传输；

S2：对采集的焊接质量影响因素数据进行关键数据特征优选，完成焊接大数据中初始特征集合的数据降维；

S3：通过建立好的自适应模拟退火粒子群算法优化的BP神经网络预测模型，根据数据降维后的数据特征集，输出船舶薄板焊接质量预测结果；

所述步骤S3中BP神经网络预测模型的建立包括如下步骤：

C1：优选焊接质量影响因素数据的关键数据特征并作为输入变量集合，再结合对应的焊接质量数据建立焊接质量预测算法的训练数据集；

C2：建立船舶薄板焊接质量的BP神经网络预测模型；

C3：以预测模型的均方误差计算函数作为适应度函数，将各神经网络节点的权重与阈值作为飞行粒子，通过粒子的速度与位置更新以求解适应度函数的最优解；

C4：将模拟退火算法的Metropolis准则引入到粒子群算法的迭代寻优过程中，提高粒子群算法在迭代寻优过程中自身跳出局部最优解的能力；

所述步骤C3中粒子每一次迭代都通过跟踪粒子本身的个体极值与种群的全局极值以更新粒子的位置，控制速度与位置更新的惯性权重系数w和学习因子表达式为：

其中，w_max，w_min是惯性权重系数的最大值和最小值；k是当前迭代次数，k_max是最大迭代次数；c₁、c₂分别是自身认知因子和社会认知因子；c_1max，c_1min分别是自我学习因子的最大值和最小值，c_2max，c_2min分别是社会学习因子的最大值和最小值；

所述步骤C4中将模拟退火算法的Metropolis准则引入到粒子群算法的迭代寻优过程中的具体表达式为：

其中，表示在当前温度T(k)的个体解；p_T(k)(i)为由产生的新解代替旧解的接受概率；T(k)表示在第k次退火的当前温度；μ表示降温系数；G_best表示第i个粒子在第k次迭代时的全局最优解。

2.根据权利要求1所述的一种大数据驱动的船舶薄板焊接质量预测方法，其特征在于，所述步骤S1中物联网组建框架建立面向船舶薄板结构焊接质量实时监测与预测，由数据感知、数据传输与预处理和应用服务三个层面组成。

3.根据权利要求1所述的一种大数据驱动的船舶薄板焊接质量预测方法，其特征在于，所述步骤S2中采用过滤式特征选择算法，对采集的焊接质量影响因素数据进行关键数据特征优选，根据各属性特征的权重计算结果，将权值大于阈值τ的特征子集作为焊接质量预测算法的输入变量。

4.根据权利要求3所述的一种大数据驱动的船舶薄板焊接质量预测方法，其特征在于，所述过滤式特征选择算法对采集的焊接质量影响因素数据进行关键数据特征优选的具体过程为：

A1：选取船舶薄板焊接质量影响因素数据集，并对数据集进行归一化处理；

A2：采用在Relief算法的功能进行扩展得到的Relief-F，在不改变原有数据特征的基础上，采用特征评价准则与权重指标，对原始数据集的各个输入特征进行计算，得到各属性特征的权重计算结果；

A3：对初始特征集合进行过滤操作，即指定一个阈值τ，再选择更具有代表性与统一意义的数据特征，去除无关和冗余特征以达到数据降维的目的。

5.根据权利要求4所述的一种大数据驱动的船舶薄板焊接质量预测方法，其特征在于，所述步骤S2中根据算法输入的数据集D，样本抽样次数m，特征权重阈值δ与最近邻样本个数k，其计算过程包括如下步骤：

B1：初始化特征权值W(R)＝0，特征权重集T为空集；

B2：开始迭代，从数据集D中随机选取示例X_i；

B3：从同类中找到X_i的k个最近邻样本X_i,l,nh，记作H_i(c)(i＝1,2,…,k,c＝class(X_i)),从不同类中找到X_i的k个最近邻样本X_i,l,nm，记作

B4：更新特征权值W(R)与T。