[发明专利]基于萤火虫算法优化的RBF模型的产品质量预测方法和装置

说明书

本发明涉及一种基于萤火虫算法优化的RBF模型的产品质量预测方法和装置，方法包括：获取待测产品质量数据，并载入产品质量预测模型中，获取产品合格与不合格的预测结果；产品质量预测模型采用带有高斯核函数的RBF网络作为基本架构；产品质量预测模型的训练过程中将产品质量数据集输入产品质量预测模型中，每次输入过程中，产品质量预测模型输出预测结果，得到模型损失函数值，根据模型该损失函数值，采用模糊聚类FCM机制对RBF网络中的神经元个数进行寻优，采用基于Levy机制的Firefly群优化算法更新模糊聚类FCM机制的聚类中心和目标函数值。与现有技术相比，本发明预测产品质量具有准确率高、速度快，而且具有很好的逼近能力和全局最优性能等优点。

技术领域

本发明涉及产品质量预测技术领域，尤其是涉及基于萤火虫算法优化的RBF模型的产品质量预测方法和装置。

背景技术

智能制造执行系统的核心内容是质量管理，它是企业获取利润和长期竞争优势的关键。产品质量问题往往源于制造过程。随着生产技术的进步和人们需求的日益细化，产品制造过程变得更加复杂，从而影响产品质量的因素大大增加。随着制造企业信息化建设的不断发展，经过长时间的积累，产品零部件设计、生产、质量检测等过程中的大量数据出现在企业数据库中。然而，大多数企业在质量控制过程中，只是对数据进行简单的统计和直观的显示。这些操作既没有使用新一代数据挖掘技术，也没有利用数据背后的潜在知识，导致产品质量数据丰富，但数据背后的知识应用贫乏。

知识发现作为结合概率论、统计学等各个领域技术的新一代技术，能够有效地发现数据背后潜在的知识，帮助企业挖掘有用的知识，帮助技术人员做出决策并确定合理的加工工艺参数。通过知识发现挖掘出的规则知识，即零件加工数据与产品质量之间的关联规则，可作为质量预测的依据。知识发现的引入可以使零件的生产更加高效和有效，在企业中具有很大的应用价值。提取关联规则的经典算法有Apriori、Eclat、FP-tree等。

近年来，产品质量预测的研究得到了广泛的开展。为了在批量操作中实现产品质量的实时预测，Wang等人于2011年提出了一种数据驱动的多模型方法。Mao等人于2016年运用模糊层次分析法，找出影响产品质量的关键因素。并利用状态空间方程建立机械装配精度预测模型，以提高加工产品的质量稳定性。为提高产品质量预测的准确性，设计了基于BP神经网络和粗糙集理论的产品质量预测模型。为了准确预测产品质量，提高模型的可解释性，Yeh等人于2019年应用矩阵分解技术和注意机制，提出了一种编码器-解码器结构的多任务学习模型。Yao等人提出了一种基于分布式并行半监督混合高斯模型的分层质量监控算法来监控产品质量。

虽然前人提出的质量预测模型的性能得到了一定程度的提高，但仍然存在一些挑战。首先，很多研究人员没有考虑到产品质量数据的好坏也会对模型的预测效果产生影响。其次，常见的产品质量预测模型，如BP神经网络、logistic回归、RF和SVM等，存在复杂性高、精度低、收敛速度慢等局限性。

发明内容

本发明的目的就是为了克服上述现有技术存在复杂性高、精度低、收敛速度慢等局限性的缺陷而提供一种基于萤火虫算法优化的RBF模型的产品质量预测方法和装置。

本发明的目的可以通过以下技术方案来实现：

本发明提供一种基于萤火虫算法优化的RBF模型的产品质量预测方法，包括以下步骤：

获取待测产品质量数据，并载入预先构建并训练好的产品质量预测模型中，获取产品合格与不合格的预测结果；所述产品质量预测模型采用带有高斯核函数的RBF网络作为基本架构；

所述产品质量预测模型的训练过程包括以下步骤：

A1：获取产品质量数据集，并对产品质量数据集进行预处理；

A2：运用自编码器对预处理后的产品质量数据集进行编码，得到重构特征；