[发明专利]一种基于集成学习的产品质量控制方法

说明书

本发明公开了一种基于集成学习的产品质量控制方法，对于预测生产流程中不同进度下产品关键质量指标(良品率)，包括以下步骤：(1)基于注塑工艺数据的数据分析；(2)特征工程分析与构建；(3)基于集成学习的模型设计；(4)数据不平衡处理；(5)多模型融合处理方案。对于对生产过程中工艺参数进行最优预设值推荐，包含如下步骤：(6)整体的工艺可调整参数推荐；(7)针对特定的工艺不可调整参数，对工艺可调参数进行推荐。本发明适用于处理工业数据中数据不平衡的特点，突破传统产品质量控制单一的参数分析方式，通过使用机器学习的特征工程构建，挖掘出参数之间内在的特征联系，来发现生产过程的异常，提高产品的质量控制。

技术领域

本发明涉及数据挖掘技术领域，具体涉及一种基于集成学习的产品质量控制方法。

背景技术

机器学习目前是人工智能应用一个重要的研究领域，发展十分活跃，而集成学习是机器学习一个热门的研究方向。《中国制造2025》提出了用信息化和工业化两化深度融合来引领和带动整个制造业的发展，让制造业向工业4.0转变。但是，由于注塑机械的网络化与智能化才刚起步，行业的信息化服务水平较低，行业资源缺乏统一规划，导致塑料相关产业的整体人力成本较高、信息化水平较低下、产品附加值较低等问题，严重制约了中国制造2025的整体发展。

云计算和大数据是实现工业4.0的关键技术，大数据平台的不断更新与完善，带动了机器学习与数据挖掘相关方向的不断进步。而针对注塑行业海量数据的基础上，利用大数据技术机器学习方法去解决工业实际问题，对于优化生产，提高产能有着及其重要的意义。工业数据由数据不平衡的特点，这在利用机器学习算法进行处理时有很大影响，而机器学习算法中火热的集成学习算法，却可以利用自身算法的特性一定程度上解决数据不平衡带来的影响，很好地应用在工业大数据上。

所谓质量控制，是指为达到质量要求所采取的作业技术和活动。这就是说，质量控制是为了通过监视质量形成过程，消除质量环上所有阶段引起不合格或不满意效果的因素。传统的产品质量控制分析更多的是通过逐个分析参数本身对质量指标的影响，然而这样的分析很难发现参数之间内在的联系，而且不具有通用性。

综上所述，将注塑产品质量控制问题转变为典型的机器学习问题，基于集成学习的方法对数据进行挖掘，提取数据内在的特征，来发现生产过程的异常，提高产品的质量控制，对于优化生产，提高产能有着极其重要的意义。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于集成学习的产品质量控制方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于集成学习的产品质量控制方法，所述的产品质量控制方法包括下列步骤：

S1、基于注塑工艺数据的数据分析，根据注塑工艺参数，分析混合型变量、特征判别性、数据分布；

S2、特征工程分析与构建，过程如下：

S21、明确特征使用方案，即预测不同生成进度下产品关键质量指标；

S22、特征清洗，剔除部分异样样本；

S23、特征处理，包括类别变量处理、数值型变量处理、时序状态监控指标数据处理，其中，类别变量处理是对类别型变量在输入模型前进行编码处理；数值型变量处理是对取值只含有有限几种的数值型变量当成类别型变量进行编码处理，但保留原始数值，对于其他数值变量保持原值，对于缺失值，用中值填充处理；时序状态监控指标数据处理是对时序指标数据通过分时间阶段提取各个参数的统计值，包括均值、中值、众数、最大和小值、方差；

S24、特征选择，从时序状态指标数据中提取特征，进行嵌入式的特征选择方法，选择树模型XGBoost和随机森林的模型设计方法，通过利用树模型XGBoost得到特征重要性，并对特征进行排序，剔除重要性低的特征，降低特征维数；