基于數(shù)據(jù)挖掘的注塑產(chǎn)品質(zhì)量在線故障檢測及預(yù)測

陳 昱 項 薇,2 龔 川

1.寧波大學(xué)機械工程與力學(xué)學(xué)院,寧波,3152112.浙江省零件軋制成形技術(shù)研究重點實驗室,寧波,315211

0 引言

注塑件生產(chǎn)的高廢品率一直是企業(yè)面臨的普遍問題。注塑過程包含多個子過程,且涉及流體力學(xué)、熱力學(xué)等多個學(xué)科[1],這使得最終產(chǎn)品的不合格率遠遠高于其他機械加工的產(chǎn)品,往往存在5%～10%的殘次品。傳統(tǒng)質(zhì)檢大多為人工抽檢,該方法一方面無法檢測所有產(chǎn)品,可能導(dǎo)致大量殘次品流入后續(xù)加工;另一方面也無法事先預(yù)測產(chǎn)品質(zhì)量,使工廠生產(chǎn)策略的調(diào)整具有滯后性,導(dǎo)致企業(yè)成本增加[2]。隨著工業(yè)4.0的導(dǎo)入,智能工廠利用各類傳感器采集生產(chǎn)過程中大量有價值的實時數(shù)據(jù),為基于數(shù)據(jù)的智能化生產(chǎn)管控,尤其是產(chǎn)品質(zhì)量的自動化檢測和預(yù)測帶來了可能性。通過數(shù)據(jù)挖掘分析,篩選出影響產(chǎn)品質(zhì)量的關(guān)鍵因素,即可利用生產(chǎn)過程大數(shù)據(jù)實現(xiàn)人工質(zhì)檢無法完成的全覆蓋式質(zhì)量檢測和質(zhì)量的事前預(yù)測,消除傳統(tǒng)質(zhì)量控制的滯后性。

注塑件的質(zhì)量是產(chǎn)品設(shè)計、模具結(jié)構(gòu)、生產(chǎn)材料、工藝參數(shù)共同作用的結(jié)果[3]。常見的注塑件質(zhì)量問題包括尺寸精度問題、表面缺陷(熔接痕、氣泡、虎皮紋、翹曲等)、內(nèi)部缺陷。注塑件的冷卻收縮會影響尺寸,而尺寸穩(wěn)定性是影響翹曲的重要因素,所以尺寸精度對注塑成形至關(guān)重要[4]。由于注塑過程具有循環(huán)性,因此追蹤注塑加工過程,對實現(xiàn)注塑件尺寸的自動化診斷具有重要意義。

已有的產(chǎn)品質(zhì)量在線檢測研究主要利用生產(chǎn)數(shù)據(jù)訓(xùn)練區(qū)分產(chǎn)品合格等級的分類器。任黎明等[5]使用深度置信網(wǎng)絡(luò)建立了各個階段生產(chǎn)的質(zhì)量分類規(guī)則,并應(yīng)用Catboost算法進行了在線質(zhì)量分類。CHEN等[6]利用模內(nèi)溫度和壓力傳感器提取的數(shù)據(jù),開發(fā)了一個基于人工神經(jīng)網(wǎng)絡(luò)的缺陷在線檢測系統(tǒng)來檢測產(chǎn)品的尺寸,模型最終的決定系數(shù)R2達到91.37%。ABDUL等[7]應(yīng)用田口方法確定工藝參數(shù)對產(chǎn)品尺寸收縮率的影響,并利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測不同工藝參數(shù)組合下的收縮率。LI等[8]利用模內(nèi)傳感器收集溫度、壓力等數(shù)據(jù),建立基于模糊邏輯的模型來檢測尺寸,并使用田口實驗優(yōu)化工藝參數(shù)以提高產(chǎn)品質(zhì)量。

針對質(zhì)量預(yù)測的研究,曹學(xué)晨等[9]通過自回歸綜合移動平均(autoregressive integrated moving average,ARIMA)模型預(yù)測下一產(chǎn)品的工藝特征,構(gòu)建BP神經(jīng)網(wǎng)絡(luò)來建立工藝參數(shù)與質(zhì)量間的關(guān)系,用預(yù)測的工藝特征來映射質(zhì)量,并驗證了該模型在短期質(zhì)量預(yù)測的可行性。趙圓方[10]提出了基于長短期記憶(long short term memory,LSTM)神經(jīng)網(wǎng)絡(luò)的質(zhì)量預(yù)測方法,結(jié)合生產(chǎn)中的時序特征,以產(chǎn)品的表面粗糙度與孔徑為品質(zhì)指標(biāo)進行事前預(yù)測,該模型與ARIMA模型和HMM模型的預(yù)測結(jié)果比較證明了LSTM模型具有充分利用大數(shù)據(jù)的價值。LEE等[11]提出了一種基于機器學(xué)習(xí)的產(chǎn)品缺陷檢測方法,建立了長短期記憶神經(jīng)網(wǎng)絡(luò),并以前三個周期的數(shù)據(jù)為輸入來預(yù)測下一個周期的缺陷,模型在訓(xùn)練后達到了98.9%的準(zhǔn)確率和96.8%的召回率。

上述兩類研究均是針對工藝參數(shù)與質(zhì)量的關(guān)聯(lián),沒有考慮利用高頻傳感器獲取生產(chǎn)過程數(shù)據(jù),無法識別注塑生產(chǎn)中的工況變化,且特征選擇策略較為簡單。此外,上述研究沒對兩類質(zhì)量診斷任務(wù)進行集成。實際上,產(chǎn)品質(zhì)量的在線檢測與事前預(yù)測關(guān)系緊密,質(zhì)量的事前預(yù)測基于在線檢測任務(wù)的完成,兩者成遞進關(guān)系。

本文在注塑產(chǎn)品尺寸精度的在線檢測與預(yù)測中引入重要生產(chǎn)階段采集的實時數(shù)據(jù),結(jié)合注塑機設(shè)定工藝參數(shù)數(shù)據(jù)形成特征集,對該數(shù)據(jù)集依次采用包裹法、嵌入法、關(guān)聯(lián)規(guī)則挖掘(APRIORI)進行三段式特征選擇以獲得重要特征集。然后基于重要特征構(gòu)建LightGBM(light gradient boosting machine)分類器來完成產(chǎn)品質(zhì)量等級的在線檢測任務(wù);隨后,訓(xùn)練時序預(yù)測模型卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)(CNN-LSTM)來預(yù)測重要特征的未來趨勢,并結(jié)合上述分類器完成產(chǎn)品質(zhì)量等級的事前預(yù)測任務(wù)。

1 工件質(zhì)量診斷的特征工程

要實現(xiàn)產(chǎn)品質(zhì)量的診斷,首先要確定一個可以表征質(zhì)量的特征集來映射產(chǎn)品的質(zhì)量狀況。本節(jié)按生產(chǎn)階段將高頻特征轉(zhuǎn)化為模次級的統(tǒng)計值,并將其與注塑機狀態(tài)數(shù)據(jù)結(jié)合成特征集,通過多個機器學(xué)習(xí)分類模型對特征進行重要度排序,再采用最大信息系數(shù)(maximal information coefficient,MIC)衡量重要特征之間的相關(guān)性,并以此為依據(jù)衡量各特征的關(guān)聯(lián)性,最后采用APRIORI挖掘出與產(chǎn)品質(zhì)量關(guān)系最密切的特征。

1.1 多階段分析的特征集構(gòu)建

完整的注塑過程涉及注射、冷卻、保壓等多個階段,且各階段對產(chǎn)品的最終質(zhì)量都有很大的影響。注塑機配置的傳感器按一定的頻率采集各階段的溫度、壓力等工藝參數(shù)的實時值。注塑機狀態(tài)數(shù)據(jù)集和質(zhì)量標(biāo)簽數(shù)據(jù)集中的數(shù)據(jù)均按模次記錄,即每一個產(chǎn)品對應(yīng)一個樣本。為使工藝參數(shù)數(shù)據(jù)集的粒度與上述兩個數(shù)據(jù)集一致,需要提取工藝參數(shù)的統(tǒng)計值(峰值、均值、方差)。合并統(tǒng)計值與注塑機狀態(tài)數(shù)據(jù)可以獲得更全面的加工過程信息。

1.2 關(guān)鍵特征的選擇

特征選擇是為了降低數(shù)據(jù)維度、縮短計算時間、提高算法的預(yù)測性能。特征選擇可采用過濾法、包裹法和嵌入法。大多數(shù)文獻采用包裹法中的啟發(fā)式搜索,即讓模型尋找最適合的特征,該方法簡單易執(zhí)行,但結(jié)果依賴分類器自身性能,且選擇特征的過程缺乏解釋性。

本文針對工業(yè)數(shù)據(jù)高維的特點,采用以特征權(quán)重為啟發(fā)式信息的向后搜索算法,挖掘預(yù)選特征子集,實現(xiàn)特征降維。為增強預(yù)選特征子集的普適性,采用多個向后搜索模型(梯度提升樹、隨機森林、極度隨機樹)同時計算各個特征的重要度,并取平均值,得到第i個特征的綜合重要度

(1)

式中,m為向后搜索模型的數(shù)量;Ii,j為第j個模型計算出的第i個特征的重要度。

按綜合重要度進行特征排序,將篩選出的重要特征組成一個預(yù)選的特征子集。

將冗余度作為特征之間相關(guān)性的評價指標(biāo),刪去冗余特征,進一步減少特征、提高模型效率。本文引入MIC來判斷不同特征之間的關(guān)聯(lián)性。MIC的主要思想是將2個變量置于網(wǎng)格覆蓋的二維散點圖中,通過統(tǒng)計各個散點落在子格內(nèi)的頻率來計算2個變量的相關(guān)系數(shù)。計算預(yù)選特征子集中各個特征間的最大信息系數(shù):

(2)

(3)

式中,p(x,y)為x、y的聯(lián)合密度;p(x)、p(y)分別為x、y的邊緣密度;a、b為分格數(shù);B一般取數(shù)據(jù)總量的6次方。

采用APRIORI確定剩余特征與產(chǎn)品質(zhì)量之間的關(guān)聯(lián)性。生成頻繁項集和關(guān)聯(lián)規(guī)則后,對挖掘出的關(guān)聯(lián)規(guī)則進行統(tǒng)計,識別出與產(chǎn)品質(zhì)量關(guān)聯(lián)最強的特征條件,并形成最終的特征集。這部分的總流程如圖1所示。

圖1 質(zhì)量診斷特征工程的流程

2 工件質(zhì)量的診斷

本文將注塑件質(zhì)量的診斷分為兩大任務(wù):①在線檢測產(chǎn)品質(zhì)量,即利用工藝特征的具體數(shù)值映射產(chǎn)品的質(zhì)量等級;②預(yù)測產(chǎn)品質(zhì)量,將時序模型的預(yù)測值作為上述分類器的輸入,完成對產(chǎn)品質(zhì)量等級的事前預(yù)測。

2.1 工件質(zhì)量的在線檢測

LightGBM是一種實現(xiàn)GBDT(gradient boosting decision tree)算法的框架,具有兩大優(yōu)勢:①算法利用單邊梯度采樣刪除小梯度樣本,采用遍歷直方圖來減少內(nèi)存的占用;②模型采用互斥特征捆綁及最大化分裂增益的方式提高計算效率、減小誤差。LightGBM模型可以實現(xiàn)數(shù)據(jù)的并行處理。將工藝特征作為輸入,將產(chǎn)品質(zhì)量標(biāo)簽作為輸出,可以完成產(chǎn)品質(zhì)量的在線檢測。

2.2 關(guān)鍵特征與質(zhì)量的預(yù)測

企業(yè)的產(chǎn)品質(zhì)檢通常安排在生產(chǎn)流程的最末道工序,通過人工檢查來剔除不合格品,進而調(diào)整生產(chǎn)策略、工藝參數(shù)。這種方式具有滯后性,屬于事后控制。采集的數(shù)據(jù)是基于模次頻率的時間序列,預(yù)測工藝特征的趨勢以初步預(yù)判未來的生產(chǎn)工況,進而指導(dǎo)后續(xù)生產(chǎn)中的產(chǎn)品質(zhì)量控制工作。ARIMA模型是常見的時間序列預(yù)測模型,但處理非線性問題的性能一般。XGBoost、LSTM常用于時間序列數(shù)據(jù)的預(yù)測,且能處理非線性問題。LSTM具有遺忘門、輸入門和輸出門,在訓(xùn)練過程中會自動保留重要信息,并遺忘部分非關(guān)鍵信息,能避免序列過長造成的梯度消失。實際的注塑生產(chǎn)過程復(fù)雜,各類潛在因素的變化都會影響工藝特征的走向,導(dǎo)致預(yù)測精度下降,限制了LSTM在復(fù)雜問題中的應(yīng)用。

傳統(tǒng)的CNN網(wǎng)絡(luò)由卷積層(convolutional layer)、池化層(pooling layer)、全連接層及輸出層組成,其中,卷積層與池化層交替設(shè)置。本文將CNN與LSTM集成,利用CNN提取時間序列的局部特征,并將其作為LSTM的輸入,這不但可以縮短訓(xùn)練時間,還能有效提高預(yù)測的精度[12]。CNN-LSTM模型的結(jié)構(gòu)如圖2所示。產(chǎn)品質(zhì)量等級在線檢測和事前預(yù)測任務(wù)的流程如圖3所示。

圖2 CNN-LSTM的模型結(jié)構(gòu)

圖3 產(chǎn)品質(zhì)量診斷流程

3 算例分析

本文所用數(shù)據(jù)來自第四屆工業(yè)大數(shù)據(jù)競賽,包括三類數(shù)據(jù):①包含冷卻時間、保壓時間、水循環(huán)時間、開模中點、切換位置等特征的注塑機狀態(tài)數(shù)據(jù)(每模次記錄一組特征);②22個傳感器采集的溫度、壓力、位置的實時值;③每個注塑件的三個尺寸。

3.1 注塑件工藝特征的構(gòu)建與選擇

完整的注塑生產(chǎn)中,注射、保壓、冷卻、開模這4個階段對產(chǎn)品的最終質(zhì)量影響最大。為保障數(shù)據(jù)集粒度的一致性,將粒度統(tǒng)一為模次級,將這4個階段各傳感器采集數(shù)據(jù)的統(tǒng)計值(均值、標(biāo)準(zhǔn)差、最大值、最小值、中位數(shù))作為第一個數(shù)據(jù)集(傳感器模次統(tǒng)計數(shù)據(jù)集)。刪除注塑機狀態(tài)數(shù)據(jù)集中的單一值及存在大量缺失值的特征,構(gòu)建第二個數(shù)據(jù)集(注塑機狀態(tài)數(shù)據(jù)集)。最后,根據(jù)產(chǎn)品的極限尺寸,將每模次產(chǎn)品的質(zhì)量分為三類:尺寸均在公差范圍內(nèi)的為合格品(0類);某個尺寸超過公差上限且沒有低于公差下限的可返修類產(chǎn)品為一級缺陷品(1類);存在任意尺寸小于公差下限的為二級缺陷品(2類)。按上述分類規(guī)則確定第三個數(shù)據(jù)集(缺陷級別數(shù)據(jù)集)。合并上述3個數(shù)據(jù)集并進行數(shù)據(jù)清洗,余下12 100個樣本。特征提取后,特征集中含有480個特征,其中,注塑機狀態(tài)特征數(shù)量為40,高頻數(shù)據(jù)轉(zhuǎn)化的特征有440個。數(shù)據(jù)集蘊含大量與注塑件質(zhì)量不相關(guān)或冗余的信息,它們會增加計算量和成本,并影響產(chǎn)品質(zhì)量診斷結(jié)果的準(zhǔn)確性。為提高預(yù)測效率和準(zhǔn)確性,需充分挖掘特征信息,從眾多特征中識別出代表質(zhì)量狀況的關(guān)鍵特征,具體步驟如下:

(1)選擇梯度提升樹、隨機森林、極度隨機樹對每個特征的重要度進行評估和排序,并選出每個模型確定的20個最重要特征。將3組特征(共60個)合并,并消去其中的重復(fù)特征,形成了一個含有45個特征的預(yù)選特征集。

(2)通過特征可視化發(fā)現(xiàn)許多特征存在較強的相關(guān)性,采用MIC進行特征相關(guān)性分析。本文將衡量閾值設(shè)置為0.85,即2個特征的MIC值超過0.85時,刪除綜合重要度較低的特征以減少冗余,重復(fù)該操作直至余下特征間的MIC值均小于0.85。操作后選擇的特征子集如表1所示。

表1 選擇的特征子集

(3)為使選擇的特征具有更好的解釋性,采用關(guān)聯(lián)規(guī)則挖掘分析特征與產(chǎn)品質(zhì)量的關(guān)系。為避免過擬合采樣產(chǎn)生大量的非真實數(shù)據(jù),對樣本進行欠擬合采樣即刪去多數(shù)類的部分樣本,使各類樣本的數(shù)量相同。K-means算法可以將連續(xù)的特征數(shù)據(jù)離散為APRIORI能處理的布爾型變量。本研究使用K-means算法將每個特征分為4個簇,每一簇表示為一種特征條件。

本文將最小支持度設(shè)為0.15,將支持度大于0.15的事務(wù)集作為頻繁項集。然后進行規(guī)則挖掘,將最小置信度設(shè)為0.95,獲得了1904條滿足最小置信度要求的強關(guān)聯(lián)規(guī)則(2條關(guān)于合格產(chǎn)品的規(guī)則、528條關(guān)于一級缺陷的規(guī)則、355條關(guān)于二級缺陷的規(guī)則)。從這些規(guī)則中找出與產(chǎn)品質(zhì)量關(guān)聯(lián)的因素(特征條件),并統(tǒng)計出現(xiàn)次數(shù)。F1、F3的特征條件出現(xiàn)的次數(shù)明顯小于其余特征,即它們對質(zhì)量的影響不大。最后采用注射階段的模內(nèi)壓力1均值、開模階段的回水溫度中位數(shù)、保壓階段的模內(nèi)溫度2的中位數(shù)和峰值、注射階段的公模溫度2均值構(gòu)成最終的特征集。

3.2 注塑件質(zhì)量分類模型的構(gòu)建

使用構(gòu)建的數(shù)據(jù)集進行多分類模型的訓(xùn)練。不同特征參數(shù)的數(shù)量級相差較大會影響模型的訓(xùn)練,為此,首先對特征進行標(biāo)準(zhǔn)化:

(4)

隨機提取482個樣本組成測試集,將剩余的11 618個樣本按7∶3隨機劃分為訓(xùn)練集和驗證集。由于該數(shù)據(jù)集中產(chǎn)品的合格率約為90%,存在嚴重的樣本不平衡問題,因此采用過擬合采樣(SMOTE)生成少數(shù)類樣本。選擇了人工神經(jīng)網(wǎng)絡(luò)(ANN)、XGBoost、LightGBM、隨機森林(random forest)算法進行質(zhì)量分類。本研究為三分類問題,選用準(zhǔn)確率A、查準(zhǔn)率P、召回率R、f1分數(shù)的宏平均F1來評價多分類模型,它們的計算公式如下:

(5)

(6)

(7)

(8)

式中,m為類別數(shù);tp,i為類別i正確預(yù)測為正例的樣本數(shù);tn,i為類別i正確預(yù)測為負例的樣本數(shù);fp,i為類別i錯誤預(yù)測為正例的樣本數(shù);fn,i為類別i錯誤預(yù)測為負例的樣本數(shù)。

本文將A、P、R、F1作為模型的評價指標(biāo)。使用訓(xùn)練集數(shù)據(jù)對各模型進行訓(xùn)練,并用驗證集的數(shù)據(jù)和網(wǎng)格搜索的方式確定各模型中的超參數(shù)。調(diào)參的目的在于提高模型對不合格品的分類精度,防止不合格工件流入后續(xù)加工,同時不過于犧牲模型對合格品的分類精度。LightGBM模型需要確定最大葉子節(jié)點數(shù)(num_leaves)、最大深度(min_child_samples)、基學(xué)習(xí)器數(shù)(n_estimators)、學(xué)習(xí)率(learning_rate)等參數(shù),調(diào)整后,模型參數(shù)的值如表2所示。

表2 LightGBM的調(diào)參結(jié)果

采用調(diào)參后的模型對測試集進行分類,以A和F1為評價指標(biāo)。由表3可以看出,測試集的結(jié)果略好于驗證集,但相差不大,證明了LightGBM模型的魯棒性。利用驗證集對另外3個模型進行超參數(shù)調(diào)整,確定模型的最優(yōu)結(jié)構(gòu)。

表3 LightGBM在驗證集與測試集上的分類精度

為驗證本文特征選擇法的優(yōu)越性,使用GBDT獲取另一組重要特征,將2組特征作為各分類模型的輸入進行訓(xùn)練,并在驗證集上完成調(diào)參。分類器在測試集上的分類結(jié)果如表4所示,可以看出,4個分類器以本文提出的特征選擇法確定的特征集為模型輸入,產(chǎn)品質(zhì)量分類的準(zhǔn)確率A及f1分數(shù)的宏平均F1增大,證明了本文提出的特征選擇法的優(yōu)越性。

表4 各模型在兩種情況下的分類精度

圖4所示為各個模型在測試集上分類后的混淆矩陣,可以看出,各模型對缺陷1、2的分類精度較高,對合格品(0類)的分類精度相對較低。工廠一般希望提高對不合格品的檢測能力,防止缺陷產(chǎn)品進入后續(xù)加工,避免產(chǎn)生不必要的生產(chǎn)成本。

(a)LightGBM (b)Random forest

4個模型的各項分類評價指標(biāo)如表5所示,可以看出,LightGBM優(yōu)于其他模型,在測試集上的綜合分類精都最高,其中,其召回率R達到了0.891,f1分數(shù)的宏平均F1為0.552。

表5 各模型的分類精度

3.3 注塑件質(zhì)量的事前分類預(yù)測

在產(chǎn)品質(zhì)量的事前預(yù)測開始前,先從數(shù)據(jù)集中剔除上述在線檢測任務(wù)中的測試集,再按8∶2的比例將剩余的數(shù)據(jù)劃分為訓(xùn)練集、驗證集。采用特征的60個歷史值來預(yù)測下一模次的值。預(yù)測模型采用帶卷積的長短期記憶網(wǎng)絡(luò)(CNN-LSTM),并訓(xùn)練LSTM和XGboost用于預(yù)測精度比較。所有模型均為單輸出,需要為每個特征建立一個預(yù)測模型。為評估時序預(yù)測模型的預(yù)測精度,將均方誤差(MSE)作為評價指標(biāo)。

模型訓(xùn)練完成后,采用驗證集調(diào)整模型的參數(shù),調(diào)整后的CNN-LSTM模型結(jié)構(gòu)如表6所示,其中,n為樣本數(shù)。

表6 CNN-LSTM的模型結(jié)構(gòu)

然后對測試集樣本進行預(yù)測,首先根據(jù)模次號提取測試集中各個特征前60步的特征值,并將其作為CNN-LSTM模型的輸入,得到482組預(yù)測值。各時序模型的預(yù)測誤差如表7所示,可以看出,CNN-LSTM預(yù)測值的均方誤差最小,預(yù)測最準(zhǔn)確。最終,將特征的預(yù)測值作為LightGBM分類器的輸入即可對產(chǎn)品質(zhì)量進行事前預(yù)測。

表7 不同模型對各特征預(yù)測的均方誤差

為有足夠的時間應(yīng)對可能出現(xiàn)的不合格品,預(yù)測未來5個模次產(chǎn)品的質(zhì)量,首先預(yù)測每個特征未來5個模次的具體值,然后將其輸入到分類器,實現(xiàn)多步預(yù)測。預(yù)測結(jié)果與在線檢測結(jié)果如表8所示,可以看出,事前預(yù)測的分類精度略低于在線檢測,且預(yù)測精度隨時間的延長而下降,但精度下降不快,仍可判斷未生產(chǎn)注塑件的質(zhì)量,因此將事后處理轉(zhuǎn)化為事前預(yù)防,給予工廠更多時間來應(yīng)對不合格產(chǎn)品的出現(xiàn)。

表8 產(chǎn)品質(zhì)量檢測與預(yù)測的分類精度

4 結(jié)論

(1)將傳感器收集到的模內(nèi)溫度、壓力、位移等數(shù)據(jù)轉(zhuǎn)化為按生產(chǎn)階段劃分的統(tǒng)計值,構(gòu)建了一組可以表征工況變化的特征,并將其與注塑機狀態(tài)特征合并,形成總特征集。

(2)采用多個向后搜索算法預(yù)選特征子集,并利用最大信息系數(shù)評估該特征子集中各元素的相關(guān)性,減少特征集的冗余。采用APRIORI分析剩余特征與產(chǎn)品質(zhì)量的關(guān)系,確定與產(chǎn)品質(zhì)量關(guān)聯(lián)性最高的特征,提高質(zhì)量診斷系統(tǒng)的效率。

(3)訓(xùn)練LightGBM模型對產(chǎn)品質(zhì)量進行在線檢測以完成質(zhì)量分級;采用帶卷積的長短期記憶網(wǎng)絡(luò)等時序模型對重要特征的未來趨勢進行預(yù)測,并結(jié)合分類器完成了產(chǎn)品質(zhì)量的多步事前預(yù)測。