[发明专利]一种面向产品装配工艺的非均匀样本均衡化方法及系统

说明书

本发明公开了一种面向产品装配工艺的非均匀样本均衡化方法及系统，方法包括以下步骤：步骤A，计算不同样本之间的相似度；步骤B，构建表示所有样本之间相似度的模糊相容矩阵S，通过模糊相容矩阵S来构建具有不同粒层的模糊相容空间X；步骤C，基于粒计算的方式从所述模糊相容空间X中筛选出信息增量和样本间相似度的综合值最大的粒层作为最优粒层；步骤D，对最优粒层的样本进行均衡化处理。解决产品装配工艺非均匀样本的均衡化问题，提高最终预测结果的准确性和模型的泛化能力；解决了样本内部数据关联性强引起的样本不易均匀化的问题，从最优粒层上对每个样本粒子中的样本数量均匀处理，使均衡后的效果更加具有代表性。

技术领域

本发明涉及智能制造领域，尤其涉及一种面向产品装配工艺的非均匀样本均衡化方法及系统。

背景技术

随着智能制造的兴起，越来越多的制造公司将机器学习算法应用到实际生产中来提高生产过程中的效率和降低人力成本消耗，比如在产品装配工艺过程中通过机器学习来建立模型，以预测产品的生产成本和所需时间等。而对于机器学习而言，初始样本数据是及其重要的一部分。初始数据的准确性和均匀性会对机器学习算法最终结果的准确性和泛化能力造成影响。

而不同款式的同种产品装配工艺过程是存在着样本非均匀的问题。因为不同款式的同种产品会有功能上的细微差异，这些细微差异会导致产品的装配工艺过程有所不同。一款产品有主要功能和多个附加功能，每个附加功能对产品的销量的提示效果不同，对产品销量提升大的附加功能，生产厂商就会针对有较大销量提升效果的附加功能进行更多款式的设计，使较多款式产品拥有该附加功能，那种对产品销量提升效果不显著的附加功能，拥有该附加功能的产品款式就会少一些，这样就造成了产品装配过程样本非均匀性，从而导致模型就会偏向更加符合于产量多的那款产品的装配工艺过程特性，模型的泛化能力不够。并且，对于不同款式的同种产品装配工艺过程，样本内部数据关联性强引起样本不易均匀化。

发明内容

本发明的目的在于提出一种面向产品装配工艺的非均匀样本均衡化方法及系统，以解决上述问题。

为达此目的，本发明采用以下技术方案：

一种面向产品装配工艺的非均匀样本均衡化方法，以产品的装配工艺流程拓扑结构作为样本，不同款式的同种产品的装配工艺流程拓扑结构为不同的样本，包括以下步骤：

步骤A，计算不同样本之间的相似度；

步骤B，构建表示所有样本之间相似度的模糊相容矩阵S，通过模糊相容矩阵S来构建具有不同粒层的模糊相容空间X，通过所述模糊相容空间X对所有样本进行聚类，所述模糊相容空间X是根据样本之间的相似度分成多个不同的粒层；

步骤C，基于粒计算的方式从所述模糊相容空间X中筛选出信息增量和样本间相似度的综合值最大的粒层作为最优粒层；

步骤D，对最优粒层的样本进行均衡化处理。

一种面向产品装配工艺的非均匀样本均衡化系统，以产品的装配工艺流程拓扑结构作为样本，不同款式的同种产品的装配工艺流程拓扑结构为不同的样本，包括：

相似度生成模块，用于计算不同样本之间的相似度；

模糊相容空间构建模块，用于构建表示所有样本之间相似度的模糊相容矩阵S，通过模糊相容矩阵S来构建具有不同粒层的模糊相容空间X，通过所述模糊相容空间X对所有样本进行聚类，所述模糊相容空间X是根据样本之间的相似度分成多个不同的粒层；

最优粒层生成模块，用于基于粒计算的方式从所述模糊相容空间X中筛选出信息增量和样本间相似度的综合值最大的粒层作为最优粒层；

和均衡化模块，用于对最优粒层的样本进行均衡化处理。