[发明专利]基于数据驱动的注塑制品尺寸合格性智能判定方法

权利要求书

1.基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，包括以下步骤：

S1、采集注塑加工过程中的过程数据，对采集的数据集进行数据清洗，对数据集进行标准化处理并重构标签；

S2、利用采集所得的数据集，使用基于树模型的特征筛选方法和卡方检测特征筛选方法，确定特征筛选的维度，筛选特征；

S3、采用5折交叉验证筛选出分类模型，并以ROC曲线和AUC值对筛选出的尺寸分类模型的分类性能进行评估，得到最佳尺寸分类模型；

S4、在最佳尺寸分类模型的损失函数中加入L1正则化防止过拟合；

S5、对最佳尺寸分类模型进行贝叶斯优化，选择最适合于注塑数据集的超参数，提升分类模型的分类准确率；

S6、将最佳尺寸分类模型应用于注塑制品尺寸合格性智能判定，对特征影响注塑制品尺寸的重要程度进行排序，当注塑制品的尺寸出现问题时，可以帮助判断出故障的区域，减少故障排查的时间。

2.根据权利要求1所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S1中，数据清洗包括对缺失值进行填充或删除，构造差值特征以及删除不变特征。

3.根据权利要求1所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S1中，标准化处理具体为：

使用min-max标准化对原始采集数据进行线性变化，使结果值映射到[0,1]之间，计算公式为：

其中，x表示原始的数值，x^*表示标准化后的数值，min表示整个特征中最小的数值，max表示整个特征中最大的数值。

4.根据权利要求1所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S1中，重构标签具体为：

当注塑制品的尺寸数据在允许的公差范围内时，将标签标记为1，当注塑制品的尺寸数据在允许的公差范围外时，将标签标记为0。

5.根据权利要求1所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S2中，基于树模型的特征筛选具体为：

通过基尼不纯度的变化量来对特征的重要程度进行排序，计算公式为：

ΔGini(A)＝Gini(D)-Gini(D-A)

其中，Gini(D)表示数据集D的基尼不纯度，P_i表示类别为i的样本占总数的概率，ΔGini(A)为加入特征A以后的基尼不纯度的减少量，该值越大表明特征A与标签的相关性越大，Gini(D-A)为数据集D确定特征A以后的基尼不纯度；

卡方检测特征筛选方法具体为：

通过卡方值的大小来对特征的重要程度进行排序，计算公式为：

其中，x_i表示实际值，E表示理论值。

6.根据权利要求5所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S2中，确定特征筛选的维度具体为：

当使用基于树模型的特征筛选方法时，以ΔGini(A)的平均值为阈值；当使用卡方检测特征筛选方法时，以卡方值的平均值为阈值。

7.根据权利要求1所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S3中，5折交叉验证方法具体为：

将注塑数据集切分成5份数据集，计算5次MSE的平均值，以平均MSE筛选常用于工业数据的现有的分类模型。

8.根据权利要求1所述的基于数据驱动的注塑制品尺寸合格性智能判定方法，其特征在于，步骤S3中，以ROC曲线和AUC值对筛选出的尺寸分类模型的分类性能进行评估，具体为：

对以下指标进行评估：真正类TP、漏判FP、误判FN、真负类TN、合格品被分类为合格品的样本占所有合格品的比率TPR、不合格品被分类为合格品的样本占所有不合格品的比率FPR以及准确率Accuracy。