[发明专利]一种基于迁移学习的手机装配工艺知识框架模型构建方法

说明书

一种基于迁移学习的手机装配工艺知识框架模型构建方法，包括如下步骤：步骤A1：收集之前生产的每一款旧款手机装配过程的生产数据；步骤A2：计算每一款旧款手机的装配工艺过程与新款手机装配工艺过程的拓扑结构相似性，选出满足相似性的要求的装配数据集X_k；步骤A3：将在步骤A1中所收集到的手机装配过程的工艺要求参数作为输入，通过深度稀疏自编码器对生产数据进行特征提取；本发明能够节省大量的人力成本也可以缩短手机的设计周期，可以利用迁移学习特点来解决数据过时的问题，且可以很好的利用上了之前旧款式手机装配过程种的数据，为模型的训练提供了大量的数据；能够提高模型预测结果的准确性。

技术领域

本发明涉及手机装配迁移学习技术领域，尤其涉及一种基于迁移学习的手机装配工艺知识框架模型构建方法。

背景技术

随着生活水平的提高，手机更新换代的速度越来越快，款式也变化频繁。每设计出一款新的手机就必须对原有的手机装配线进行重新设计，也需要对手机装配过程中的成本以及其他的一些参数指标进行重新计算。且手机的装配工艺较多，有部分装配工艺由机器完成，而另一部却只能有人工完成。这就给手机装配过程中如成本等一些参数指标的估算带来了困难，一方面消耗了大量的人力，另一方面也容易导致手机生产成本的预估不准确。

现有的手机装配行业存在以下的问题：

手机更新换代速度快，款式变化频繁而导致的经常对手机装配过程如成本的一些参数指标的计算造成的人力成本的消耗问题，每款新的手机需要对其装配过程如装配成本等参数指标进行计算，手机装配工艺较多参数复杂，这样每次需要消耗大量的人力成本。

装配过程中的数据过时而引起对装配工艺过程如成本等参数指标的计算错误问题，由于手机装配工艺较多，且部分装配需人工完成，影响因素较多，用来训练模型的数据容易过时，影响手机装配工艺模型准确性。

传统的单纯采用深度学习网络预测的模型，没有考虑新款手机与旧款手机之间的差异，预测结果准确性不高。

发明内容

本发明的目的在于提出一种基于迁移学习的手机装配工艺知识框架模型构建方法，能够解决现有技术当中存在的问题。

为达此目的，本发明采用以下技术方案：

一种基于迁移学习的手机装配工艺知识框架模型构建方法，包括如下步骤：

步骤A1：收集之前生产的每一款旧款手机装配过程的生产数据，所述生产数据包括每一步装配工艺过程的名称、每一步装配工艺过程的工艺要求参数和待预测的所需手机装配工艺过程的工艺结果参数；

步骤A2：计算每一款所述旧款手机的装配工艺过程与新款手机装配工艺过程的拓扑结构相似性，选出满足相似性的要求的装配数据集X_k；

步骤A3：将在步骤A1中所收集到的手机装配过程的所述工艺要求参数作为输入，通过深度稀疏自编码器对所述生产数据进行特征提取；

步骤A4：在步骤A3中通过所述深度稀疏自编码器对手机装配过程最原始的工艺过程参数矩阵X进行特征提取，将手机装配工艺过程中的所述工艺要求参数进行特征提取并标记，得出最终的带标记的低维特征矩阵X_s；

以所述低维特征矩阵X_s为次级训练集训练一个支持向量机回归模型M，得到一个基于手机装配工艺过程的所述工艺要求参数对手机装配工艺过程工艺结果参数的预测模型，即手机装配工艺过程工艺要求参数数据集的支持向量机回归模型M；

步骤A5：采用迁移学习的方式对所述支持向量机回归模型M进行调整，训练出对新款手机装配过程工艺的过程工艺结果参数进行预测的模型M_T。

进一步，步骤A2包括步骤A21：计算手机装配工艺过程中节点的相似性：