基于數(shù)據(jù)驅(qū)動的復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測研究

任黎明，石宇強，王俊佳

（西南科技大學(xué) 制造科學(xué)與工程學(xué)院，綿陽 621010）

0 引言

“中國制造2025”，“美國工業(yè)互聯(lián)網(wǎng)”，“德國工業(yè)4.0”等制造戰(zhàn)略等促使工業(yè)革命已經(jīng)開啟向4.0時代邁進(jìn)的嶄新步伐[1]。新一代信息技術(shù)（如大數(shù)據(jù)，物聯(lián)網(wǎng)，云計算，移動互聯(lián)，5G等）與制造業(yè)的融合愈加密切，這對于大型及批量加工生產(chǎn)的傳統(tǒng)制造業(yè)無疑提出了巨大的機遇與挑戰(zhàn)[2]。產(chǎn)品質(zhì)量作為制造業(yè)最靚麗的名片，且智能制造發(fā)展規(guī)劃中也明確提出我國制造業(yè)要最終實現(xiàn)從制造強國向質(zhì)量強國的邁進(jìn)[3]。

復(fù)雜多階段產(chǎn)品制造過程中，由于5M1E等各種因素的影響，當(dāng)制品經(jīng)過該生產(chǎn)階段時，其可能還要用額外的時間去加工前一生產(chǎn)階段造成的質(zhì)量不足[4]。故對復(fù)雜多階段產(chǎn)品質(zhì)量溯源時會較為困難[5～7]。因此，當(dāng)制品從當(dāng)前階段進(jìn)入新的生產(chǎn)階段之前，精準(zhǔn)識別引起質(zhì)量的異常工藝參數(shù)和加工狀態(tài)參數(shù)，并將其進(jìn)行數(shù)據(jù)分析優(yōu)化，是提高最終產(chǎn)品的質(zhì)量的重要方式[8]。

目前，復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測的主要方法有：Shi等[9]應(yīng)用變異流分析方法來控制各變量對質(zhì)量的影響。Bera[10]利用多元多項式回歸模型預(yù)測產(chǎn)品質(zhì)量。Ding等[11]應(yīng)用黑盒機器學(xué)習(xí)模型預(yù)測最終產(chǎn)品質(zhì)量，然而，這些模型在預(yù)測的高精度和易解釋方面存在一定的不足。王等[12]提出一種對于增量學(xué)習(xí)策略，對關(guān)鍵質(zhì)量階段進(jìn)行轉(zhuǎn)移學(xué)習(xí)以提高預(yù)測性能，但其把整個生產(chǎn)過程視為一個階段，這對于各階段的質(zhì)量累計誤差考慮有點欠缺。Kao等[13]提出將主成分分析法（PCA）與關(guān)聯(lián)規(guī)則挖掘算法（ID3）相結(jié)合的方法預(yù)測多階段制造最終產(chǎn)品質(zhì)量。J Sreedhara等[14]使用灰色關(guān)聯(lián)分析和主成分分析方法對多階段順序塑料注射成型的多目標(biāo)優(yōu)化問題進(jìn)行研究。數(shù)據(jù)驅(qū)動的方法對產(chǎn)品質(zhì)量進(jìn)行預(yù)測及控制以實現(xiàn)質(zhì)量問題實時溯源及相關(guān)工藝參數(shù)優(yōu)化，以保障最終的產(chǎn)品質(zhì)量，減少殘次品是傳統(tǒng)工業(yè)轉(zhuǎn)型升級的重要趨勢[15]。

綜上，本文提出一種數(shù)據(jù)驅(qū)動的復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測方法，即應(yīng)用RBDBN方法對各階段質(zhì)量屬性對應(yīng)的工藝參數(shù)進(jìn)行質(zhì)量規(guī)則挖掘及形成質(zhì)量判別網(wǎng)絡(luò)，再應(yīng)用Catboost算法預(yù)測各階段產(chǎn)品質(zhì)量及最終產(chǎn)品質(zhì)量，將該方法應(yīng)用于注塑制品的質(zhì)量預(yù)測，結(jié)果表明該方法具有較強的預(yù)測效果。

1 復(fù)雜多階段產(chǎn)品質(zhì)量問題概述

復(fù)雜多階段制造產(chǎn)品質(zhì)量數(shù)據(jù)有高維，小樣本，數(shù)據(jù)類別嚴(yán)重不平衡的特征。各個階段對應(yīng)的工藝參數(shù)及質(zhì)量指標(biāo)不同，其對最終產(chǎn)品質(zhì)量的影響也各有差異。因此，每個階段需要有該階段的質(zhì)量特征動態(tài)自適應(yīng)預(yù)測模型，通過數(shù)據(jù)驅(qū)動方法對歷史數(shù)據(jù)深度分析，挖掘出各階段質(zhì)量相關(guān)的參數(shù)特征對應(yīng)的質(zhì)量規(guī)則，以實時預(yù)測下一階段質(zhì)量屬性并且根據(jù)該階段的質(zhì)量異常進(jìn)行相關(guān)工藝參數(shù)優(yōu)化，以制造出最終高質(zhì)量的復(fù)雜多階段產(chǎn)品及最小化次品率。

該模型主要根據(jù)前i，i-1，…1階段的產(chǎn)品質(zhì)量狀態(tài)及其工藝參數(shù)預(yù)測第i+1階段的質(zhì)量指標(biāo)直至預(yù)測最終的產(chǎn)品質(zhì)量是否合格，以便最早發(fā)現(xiàn)復(fù)雜多階段制造產(chǎn)品的質(zhì)量問題，并實時溯源工藝參數(shù)以及時優(yōu)化導(dǎo)致產(chǎn)品不良的工藝參數(shù)。對于多階段制造產(chǎn)品，其質(zhì)量特性可能不僅僅用一種指標(biāo)來判定。如產(chǎn)品的重量，翹曲率，尺寸等質(zhì)量指標(biāo)。各階段產(chǎn)品質(zhì)量指標(biāo)可用式(1)表示：

式中，Ysi表示第i階段的產(chǎn)品第s個質(zhì)量指標(biāo)，wij表示第i階段的第j個工藝參數(shù)特性對Ysi的影響權(quán)重，ei表示隨機誤差。

階段轉(zhuǎn)移誤差：

式中，xij表示第i階段的第j個工藝特征，Ai-1，jxi-1，j表示從i-1階段到i階段第j個工藝參數(shù)導(dǎo)致的質(zhì)量轉(zhuǎn)移誤差，Bi，jei，j表示第i階段制造過程誤差，Wi表示第i階段的系統(tǒng)誤差。i=1…M，表示階段數(shù)，j=1…n，表示該階段的工藝參數(shù)特征，s=1，2…S，表示質(zhì)量屬性數(shù)。

最終產(chǎn)品質(zhì)量可用式(3)表示：

通過對最終產(chǎn)品質(zhì)量Ysf進(jìn)行歸一化處理，式(4)表示：

即Ysf∈{0，1}，0表示不合格，1表示合格，故其為二分類問題預(yù)測。

2 數(shù)據(jù)驅(qū)動的復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測方法

2.1 基于規(guī)則的深度置信網(wǎng)絡(luò)

建立基于規(guī)則的深度置信網(wǎng)絡(luò)（RBDBN）形成一個自適應(yīng)的多階段質(zhì)量規(guī)則分類模型；以動態(tài)的反映整個復(fù)雜產(chǎn)品多階段制造過程實時產(chǎn)品質(zhì)量。以注塑過程的重量、翹曲率和尺寸作為各階段制品質(zhì)量預(yù)測指標(biāo)。隨著產(chǎn)品在各階段的制造，各階段的制造工藝參數(shù)對這三個指標(biāo)的影響程度不同，且各工藝參數(shù)與質(zhì)量特征有不同的關(guān)聯(lián)性。因此，建立各階段質(zhì)量指標(biāo)預(yù)測及優(yōu)化模型優(yōu)于在產(chǎn)品制造的最終階段對質(zhì)量預(yù)測，也利于對質(zhì)量異常進(jìn)行溯源和工藝參數(shù)的實時優(yōu)化。深度置信網(wǎng)絡(luò)（DBN）作為深度學(xué)習(xí)的常用模型之一，其由多個受限玻爾茲曼（RBM）組成，如圖2所示。將多階段制造過程質(zhì)量分類標(biāo)簽融入到深度置信網(wǎng)絡(luò)DBN的分類層，形成基于規(guī)則的深度置信網(wǎng)絡(luò)（RBDBN）以得到各階段不同工藝參數(shù)及質(zhì)量指標(biāo)的分類結(jié)果。該模型中加入動態(tài)預(yù)測模型，可以實時反饋調(diào)控異常工藝參數(shù)及更新質(zhì)量規(guī)則。同時，也提高了深度置信網(wǎng)絡(luò)的作為“黑箱模型”的可解釋性。

圖1 復(fù)雜多階段產(chǎn)品制造流程

圖2 RBDBN質(zhì)量分類規(guī)則

工業(yè)互聯(lián)網(wǎng)和5G技術(shù)在制造業(yè)的應(yīng)用將復(fù)雜多階段產(chǎn)品制造過程工藝參數(shù)及質(zhì)量數(shù)據(jù)低延遲傳輸至質(zhì)量參數(shù)數(shù)據(jù)庫，根據(jù)實時數(shù)據(jù)與歷史訓(xùn)練集數(shù)據(jù)的分析優(yōu)化，形成動態(tài)自適應(yīng)的預(yù)測模型，再根據(jù)優(yōu)化后的數(shù)據(jù)對異常工藝參數(shù)進(jìn)行調(diào)整及更新質(zhì)量數(shù)據(jù)集，再應(yīng)用RBDBN算法獲得更優(yōu)異的質(zhì)量分類規(guī)則。

動態(tài)自適應(yīng)預(yù)測模型：

轉(zhuǎn)移誤差最小化：

Ω(eu)表示第u階段的動態(tài)誤差，u=1…M，Y1，su表示第u階段的第s個質(zhì)量指標(biāo)及其工藝參數(shù)的實時數(shù)據(jù)，Y2，su表示第u階段的第s個質(zhì)量分類規(guī)則提取的質(zhì)量指標(biāo)及工藝參數(shù)的訓(xùn)練集數(shù)據(jù)，將式(6)作為DBN隱藏層的目標(biāo)函數(shù)進(jìn)行最優(yōu)質(zhì)量分類規(guī)則挖掘。

詳細(xì)算法規(guī)則如表1所示，此處只引用本文所需的質(zhì)量標(biāo)簽的規(guī)則分類，其他規(guī)則的詳細(xì)推導(dǎo)進(jìn)定義可參閱[16]。

表1 RBDBN算法細(xì)則

在該算法中，使用IF-THEN 方法即if(X ij＞V1)∧...∧(xi＜Vi)thenYsi=Q的分類規(guī)則方法對輸入算法的工藝參數(shù)特征及對應(yīng)的質(zhì)量屬性數(shù)據(jù)集進(jìn)行分析，形成質(zhì)量分類規(guī)則。Ri分類規(guī)則標(biāo)簽，xij為該規(guī)則提取到的參數(shù)特征，Ysi為被賦予的類型值（0為不合格，1為合格），Q為質(zhì)量標(biāo)簽，V1…Vi為設(shè)定的閾值，類型值用適應(yīng)度函數(shù)：

來檢驗生成規(guī)則的對此類特征的敏感度，以確保較高的分類精度。其中隱藏層的激活函數(shù)為Sigmod函數(shù)。如一個注塑產(chǎn)品重量合格區(qū)間為（20～30mg），則提取規(guī)則如表2所示：

表2 分類規(guī)則及F檢驗

2.2 基于Catboost的復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測算法

通過RBDBN模型對各階段制造過程參數(shù)及質(zhì)量屬性應(yīng)用質(zhì)量最優(yōu)規(guī)則進(jìn)行階段內(nèi)的制造過程工藝參數(shù)優(yōu)化。再應(yīng)用Catboost算法對各階段質(zhì)量指標(biāo)預(yù)測，將最優(yōu)預(yù)測模型輸出的質(zhì)量屬性及最佳工藝參數(shù)返回至歷史數(shù)據(jù)庫，應(yīng)用RBDBN模型不斷進(jìn)行工藝參數(shù)優(yōu)化及質(zhì)量規(guī)則的深度挖掘，不斷更新質(zhì)量規(guī)則庫，為后續(xù)生產(chǎn)階段提供優(yōu)質(zhì)的質(zhì)量預(yù)判網(wǎng)絡(luò)。再將新階段的加工工藝參數(shù)輸入Catboost模型以完成對新階段的復(fù)雜多階段多質(zhì)量指標(biāo)產(chǎn)品質(zhì)量的預(yù)測，復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測流程如表3和圖3所示。具體Catboost相關(guān)參數(shù)推導(dǎo)及算法細(xì)則參閱[17]。

圖3 數(shù)據(jù)驅(qū)動的復(fù)雜多階段產(chǎn)品質(zhì)量動態(tài)自適應(yīng)預(yù)測流程

表3 Catboost算法細(xì)則

3 案例研究

3.1 案例描述

本文對西南A工廠的注塑制品進(jìn)行分析，其制造過程主要包含3個關(guān)鍵階段（填充，保壓，冷卻）及相關(guān)關(guān)鍵工藝參數(shù)和質(zhì)量特性如表4所示。通過數(shù)據(jù)驅(qū)動和基于規(guī)則的深度置信網(wǎng)絡(luò)（RBDBN）的方法進(jìn)行工藝參數(shù)數(shù)據(jù)（注射時間，溫度，壓力等參數(shù)）及質(zhì)量數(shù)據(jù)（重量，翹曲率，表面尺寸等）進(jìn)行各制造階段的規(guī)則挖掘。對于不合格的工藝參數(shù)應(yīng)用NSGAII算法進(jìn)行工藝參數(shù)的優(yōu)化及控制，以實現(xiàn)制造高質(zhì)量注塑產(chǎn)品各階段工藝參數(shù)的自適應(yīng)優(yōu)化[18]，再應(yīng)用Catboost分類算法進(jìn)行新階段及最終制品的質(zhì)量預(yù)測。

表4 注塑制品關(guān)鍵工藝參數(shù)及質(zhì)量指標(biāo)

將A工廠MES中存儲的1000個制品樣本數(shù)據(jù)進(jìn)行關(guān)鍵工藝參數(shù)特征提取及歸一化處理，應(yīng)用Scikit-Learn進(jìn)行訓(xùn)練集和測試集劃分，其中800個作為預(yù)測模型的訓(xùn)練樣本，200個作為測試集進(jìn)行驗證模型的性能指標(biāo)，對文中涉及的模型使用GridSearch CV進(jìn)行參數(shù)尋優(yōu)且模型的其余參數(shù)都相同。

由圖4可知，重量指標(biāo)（Q1）重要參數(shù)有（X7），（X3），（X4），（X1），故保壓階段和冷卻階段對該質(zhì)量屬性影響較大；翹曲率（Q2）重要參數(shù)有（X2），（X4），（X5），（X6），故注射階段和冷卻階段對該質(zhì)量屬性影響較大；尺寸（Q3）重要參數(shù)有（X5），（X6），故注射階段對該質(zhì)量屬性影響最大。針對不同的質(zhì)量屬性可以制定相關(guān)關(guān)鍵階段的工藝參數(shù)優(yōu)化方案，當(dāng)有某個質(zhì)量屬性有異常時，可以實時優(yōu)化相關(guān)階段的某些關(guān)鍵工藝參數(shù)以提高各階段的產(chǎn)品質(zhì)量。

圖4 工藝參數(shù)與質(zhì)量相關(guān)性分析

3.2 案例預(yù)測結(jié)果分析

將經(jīng)RBDBN規(guī)則處理過的各工藝參數(shù)特征輸入CatboostClassifier分類模型中，和SVN，決策樹，XGBoost和Lightgbm算法進(jìn)行分析對比。由于本文的案例數(shù)據(jù)集合在質(zhì)量類別比例差別很大，所以本文使用AUC（Area Under Curve）被定義為ROC（受試者工作特征曲線）曲線下的面積，這個評價指標(biāo)在類別分類較大的情況下比準(zhǔn)確率等評價指標(biāo)評估分類模型更具有可信度。

圖5表示對重量屬性（Q1）的AUC指標(biāo)進(jìn)行對比分析，從圖中分析得知Catboost分類算法在多屬性及類別差異性較大的情況下具有較強的分類能力。

圖5 Q1（重量）各預(yù)測模型AUC值

圖6，圖7分別表示對翹曲率屬性（Q2）和尺寸變化屬性（Q3）的AUC指標(biāo)對比分析，由圖可知Catboost分類算法有較強的分類能力。

圖6 Q2（翹曲率）各預(yù)測模型AUC值

圖7 Q3（尺寸）各預(yù)測模型AUC值

應(yīng)用Catboost算法對50個已知新制品工藝參數(shù)及質(zhì)量屬性的產(chǎn)品進(jìn)行多質(zhì)量指標(biāo)的預(yù)測，不同產(chǎn)品質(zhì)量預(yù)測指標(biāo)代表該產(chǎn)品在不同生產(chǎn)階段重要性。橫坐標(biāo)表示注塑制品ID，縱坐標(biāo)表示質(zhì)量標(biāo)簽，0表示不合格，1表示合格。

圖8和圖9表示使用該算法對最終產(chǎn)品的Q1（重量）和Q3（尺寸變化屬性）屬性進(jìn)行預(yù)測。圖中結(jié)果表明Catboost分類算法對類別差異較大的數(shù)據(jù)有分類具有較好的預(yù)測能力，其預(yù)測值與真實值相差不大，其預(yù)測正確率為98.56%，即使將某些合格產(chǎn)品預(yù)測失誤，經(jīng)簡單復(fù)檢可以獲得高質(zhì)量的產(chǎn)品。

圖8 重量（Q1）預(yù)測與真實值

圖9 尺寸（Q3）預(yù)測與真實值

圖10表示使用Catboost算法對最終產(chǎn)品Q2（翹曲率）屬性進(jìn)行預(yù)測。圖中結(jié)果表明該分類算法的預(yù)測值與真實值完全一致，測試結(jié)果正確率為100%，表明該預(yù)測模型預(yù)測精度較高。

圖10 翹曲率（Q2）預(yù)測與真實值

5 結(jié)語

復(fù)雜多階段產(chǎn)品的各階段制造工藝參數(shù)對各階段制品質(zhì)量及最終產(chǎn)品質(zhì)量影響差異大，對異常工藝參數(shù)無法實時溯源及優(yōu)化的難題。通過對復(fù)雜產(chǎn)品生產(chǎn)的全生命周期數(shù)據(jù)自動實時采集，提出一種數(shù)據(jù)驅(qū)動的 復(fù)雜多階段產(chǎn)品質(zhì)量預(yù)測模型，即應(yīng)用RBDBN（基于規(guī)則的深度置信網(wǎng)絡(luò)）算法以實時優(yōu)化各階段異常工藝參數(shù)以更好預(yù)測最終產(chǎn)品質(zhì)量及基于Catboost算法對復(fù)雜多階段多質(zhì)量屬性產(chǎn)品進(jìn)行預(yù)測，通過注塑制造產(chǎn)品質(zhì)量預(yù)測案例結(jié)果驗證所提模型的有效性及較高預(yù)測精度。