产品质量预测方法及装置制造方法及图纸

本发明专利技术提供一种产品质量预测方法及装置，包括：获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；对所述时序特征数据进行特征数据序列处理得到第三特征向量；根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。本发明专利技术的方法，提高了产品质量预测的准确性。

Product Quality Prediction Method and Device

【技术实现步骤摘要】
产品质量预测方法及装置
本专利技术涉及数据处理技术，尤其涉及一种产品质量预测方法及装置。
技术介绍
在产品制造业中，有大量数据在加工生产环节保留下来，目前的方式是利用大量数据对制造的产品进行质量预测。现有技术先对特征数据进行关键特征提取，然后将提取的数据输入到Xgboost模型中进行预测，Xgboost算法是一种基于传统梯度提升决策树(GradientBoostingDecisionTree，简称GBDT)的拓展性方法，GBDT是一种迭代的决策树算法，该算法由多棵决策回归树组成，所有树的结论累加起来做最终答案。然而，现有技术以决策树为基础的Xgboost使用贪心算法，使得问题容易陷入局部最优，当数据的特征类别比较多时，预测的过拟合风险较高。因此，现有技术中的产品质量预测方法不可靠。
技术实现思路
本专利技术提供一种产品质量预测方法及装置，提高了产品质量预测的准确性。本专利技术的第一方面，本提供一种产品质量预测方法，包括：获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；对所述时序特征数据进行特征数据序列处理得到第三特征向量；根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。可选地，在第一方面的一种可能实现方式中，所述非时序特征数据包括：连续型特征数据和离散型特征数据。可选地，在第一方面的一种可能实现方式中，所述根据所述非时序特征数据获取第一特征向量，包括：对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征向量；将所述离散型特征数据进行独热编码，获取一维特征向量，并将所述一维特征向量两两一组进行特征数据关联处理构造交叉特征向量；将所述一维特征向量、所述交叉特征向量与所述连续型特征向量进行拼接，获取高维输入向量；以预设的所述单层神经网络模型对所述高维输入向量进行处理，获取所述第一特征向量。可选地，在第一方面的一种可能实现方式中，所述对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征数据向量，包括：根据公式一对所述连续型特征数据归一化处理，获取连续型特征向量；其中，x′代表连续型特征向量，x代表所述连续型特征数据，μ代表所述连续型特征数据所有数据的平均数，σ代表所述连续型特征数据所有数据的标准差。可选地，在第一方面的一种可能实现方式中，所述根据所述非时序特征数据获取第二特征向量，包括：对所述连续型特征数据归一化处理，获取归一化处理后的连续型稠密特征向量；将所述离散型特征数据添加嵌入层，获取离散型稠密特征数据；将所述连续型稠密特征向量与所述离散型稠密特征拼接，获取稠密特征向量；以预设的多层感知机对所述稠密特征向量进行特征数据优化处理，获取所述第二特征向量。可选地，在第一方面的一种可能实现方式中，所述根据所述时序特征数据获取第三特征向量，包括：根据所述时序特征数据构造出多个对应所述时序特征数据的时序特征向量数据；将多个所述时序特征向量数据降维，获取关键时序特征向量数据；以预设的长短时记忆网络模型对所述关键时序特征向量数据进行特征数据序列处理，获取第三特征向量。可选地，在第一方面的一种可能实现方式中，所述将多个所述时序特征向量数据降维，获取关键时序特征向量数据，包括：以预设的单层全连接层神经网络对多个所述时序向量进行降维处理，获取所述关键时序向量数据，其中，所述单层全连接层神经网络的输入层神经元数为M、输出层神经元数为N，且M＞N。可选地，在第一方面的一种可能实现方式中，所述预设的质量预测模型包括多层感知神经网络，所述多层感知神经网络的输出层神经元数目为1；相应的，所述根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取预测质量信息，包括：将所述第一特征向量、所述第二特征向量和所述第三特征向量拼接，获取总特征向量；根据所述总特征向量和多层感知神经网络，获取预测质量信息，其中，所述多层感知神经网络的输入层神经元数目与所述总特征向量的维数相同。可选地，在第一方面的一种可能实现方式中，所述根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取预测质量信息之前，包括：获取总特征向量样本以所述总特征向量样本产生的预测质量信息样本；以所述预测质量信息样本为输出量，以所述总特征向量样本为输入量，对初始质量预测模型进行学习获取所述预设的质量预测模型。本专利技术的第二方面，一种产品质量预测装置，其特征在于，包括：特征获取模块，用于获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；非时序特征处理模块，用于根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；时序特征处理模块，用于对所述时序特征数据进行特征数据序列处理得到第三特征向量；质量预测模块，用于根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。可选地，在第二方面的一种可能实现方式中，所述非时序特征数据包括：连续型特征数据和离散型特征数据。可选地，在第二方面的一种可能实现方式中，所述根据所述非时序特征数据获取第一特征向量，包括：对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征向量；将所述离散型特征数据进行独热编码，获取一维特征向量，并将所述一维特征向量两两一组进行特征数据关联处理构造交叉特征向量；将所述一维特征向量、所述交叉特征向量与所述连续型特征向量进行拼接，获取高维输入向量；以预设的所述单层神经网络模型对所述高维输入向量进行处理，获取所述第一特征向量。可选地，在第二方面的一种可能实现方式中，所述对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征数据向量，包括：根据公式一对所述连续型特征数据归一化处理，获取连续型特征向量；其中，x′代表连续型特征向量，x代表所述连续型特征数据，μ代表所述连续型特征数据所有数据的平均数，σ代表所述连续型特征数据所有数据的标准差。可选地，在第二方面的一种可能实现方式中，所述根据所述非时序特征数据获取第二特征向量，包括：对所述连续型特征数据归一化处理，获取归一化处理后的连续型稠密特征向量；将所述离散型特征数据添加嵌入层，获取离散型稠密特征数据；将所述连续型稠密特征向量与所述离散型稠密特征拼接，获取稠密特征向量；以预设的多层感知机对所述稠密特征向量进行特征数据优化处理，获取所述第二特征向量。可选地，在第二方面的一种可能实现方式中，所述时序特征处理模块用于根据所述时序特征数据构造出多个对应所述时序特征数据的时序特征向量数据；将多个所述时序特征向量数据降维，获取关键时序特征向量数据；以预设的长短时记忆网络模型对所述关键时序特征向量数据进行特征数据序列处理，获取第三特征向量。可选地，在第二方面的一种可能实现方式中，所述将多个所述时序特征向量数据降维，获取关本文档来自技高网...

【技术保护点】
1.一种产品质量预测的方法，其特征在于，包括：获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；对所述时序特征数据进行特征数据序列处理得到第三特征向量；根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。

【技术特征摘要】
1.一种产品质量预测的方法，其特征在于，包括：获取产品生成过程中的关键特征数据，所述关键特征数据包括非时序特征数据和时序特征数据；根据所述非时序特征数据获取第一特征向量和第二特征向量，其中，所述第一特征向量是以对所述非时序特征数据进行特征数据关联处理得到的，所述第二特征向量是以对所述非时序特征数据进行特征数据优化处理得到的；对所述时序特征数据进行特征数据序列处理得到第三特征向量；根据所述第一特征向量、所述第二特征向量、所述第三特征向量和预设的质量预测模型，获取所述产品的预测质量信息。2.根据权利要求1所述的方法，其特征在于，所述非时序特征数据包括：连续型特征数据和离散型特征数据。3.根据权利要求2所述的方法，其特征在于，所述根据所述非时序特征数据获取第一特征向量，包括：对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征向量；将所述离散型特征数据进行独热编码，获取一维特征向量，并将所述一维特征向量两两一组进行特征数据关联处理构造交叉特征向量；将所述一维特征向量、所述交叉特征向量与所述连续型特征向量进行拼接，获取高维输入向量；以预设的单层神经网络模型对所述高维输入向量进行处理，获取所述第一特征向量。4.根据权利要求3所述的方法，其特征在于，所述对所述连续型特征数据归一化处理，获取归一化处理后的连续型特征数据向量，包括：根据公式一对所述连续型特征数据归一化处理，获取连续型特征向量；其中，x′代表连续型特征向量，x代表所述连续型特征数据，μ代表所述连续型特征数据所有数据的平均数，σ代表所述连续型特征数据所有数据的标准差。5.根据权利要求2所述的方法，其特征在于，所述根据所述非时序特征数据获取第二特征向量，包括：对所述连续型特征数据归一化处理，获取归一化处理后的连续型稠密特征向量；将所述离散型特征数据添加嵌入层，获取离散型稠密特征数据；将所述连续型稠密特征向量与所述离散型稠密特征拼接，获取稠密特征向量；以预设的多层感知机对所述稠密特征向量进行特征数据优化处理，获取所述第二特征向量。6.根据权利要求1所述的方法，其特征在于，所述对所述时序特征数据进行特征数据序列处理得到第三特征向量，包括：根据所述时序特征...

【专利技术属性】
技术研发人员：任磊，孟子豪，成学军，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11