一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法技术

本发明专利技术公开了一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法，该方法主要包括三个模块：特征自适应处理模块、数据融合模块、质量趋势预测模块。该方法的实现主要包括以下几个步骤：(1)设计相应参数生成建立该模型的数据；(2)应用误差影响程度算法建立特征自适应选择模块；(3)应用KPCA数据融合方法建立数据融合模块；(4)应用改进的思维进化算法优化多层感知器(MLPNN)网络建立质量趋势预测模块。通过建立该方法，本发明专利技术能够实施在质量趋势预测领域，能够自适应根据不同类型的数据选择不同的特征进行预测，并且应用数据融合、算法改进提高产品质量趋势预测的精度，及时采取适当的方式进行修正。

【技术实现步骤摘要】
一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法
本专利技术属于智能制造及智能质量监控领域，特别涉及一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法。
技术介绍
在航天、航空、船舶、汽车等领域应用广泛，由于在这些领域的产品大部分需要的质量数据精度相对较高，在生产过程中产品会时常会受到人、机、料、法、环、测等多种因素的影响，同时质量数据常常具有时变性、非线性、相关性和动态等特性常常会导致产品产生较大的质量问题无法及时预测趋势提出修改措施，严重影响产品的使用性能和质量。一直以来控制图作为质量控制及预测的辅助手段广泛用于生产过程中。控制图控制质量数据的上下限捕捉产品质量的波动与异常，随着技术的发展与生产节奏的加快只通过控制图的上下限来判断质量波动经常会出现较大的质量问题，无法适应现代加工数据采集等现代化手段进行质量控制。目前有很多学者也开始研究控制图的模式以追求质量的精准控制，但是大多数研究的模式较少、不对混合模式进行研究或是无法适应数据的动态变化不能对数据进行自适应精准控制、识别、预测并且大多采用线下识别，智能化程度不够。为实现产品智能化质量控制、提高产品质量提出一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法。本专利技术可实现智能化质量预测与控制，及时提出措施进行修正并提高产品质量。
技术实现思路
本专利技术的目的：针对质量数据的动态性、时变性等特性，基于控制图的多种模式提出一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法实现多种模式识别并根据质量数据的时变性自适应选择特征预测动态生产过程中的线上产品质量趋势，同时还应用改进思维进化算法优化MLPNN网络提高质量趋势的识别精度。解决现有质量趋势智能化识别模式少、精度低、不能自适应变化、质量控制力度不够的问题，提高良品率达到智能化生产及智能化趋势预测。本专利技术提出来一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法解决上述问题，构建趋势预测模型以便能够预测异常状态。为实现上述目的，本专利技术采用以下技术方案：一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法包括以下步骤：步骤1：生成模型建立所需数据。生成9种模式的数据分别为正常模式(NOR)、周期模式(CYC)、系统模式(SYS)、分层模式(STR)、上升趋势模式(IT)、下降趋势模式(DT)、向上阶跃模式(US)、向下阶跃模式(DS)、混合模式(MIX)。步骤2：特征自适应处理模块建立。在质量趋势预测的过程中，一般的常用方法直接应用数据进行趋势的预测精度不高，该步骤的建立可将特征合理选择并进一步提高智能化程度。该模块建立分为两步：第一步：建立特征提取模型，根据研究表明提取的数据特征包括以下统计特征和形状特征更有说服力；其中，质量数据的统计特征包括：MEAN、VS、STD、SKEW、KURT、A；质量数据的形状特征包括：SL、NC1、NC2、APML、APLS、AASL、ACLPI、SRANGE、SB、PSMLSC、REAE、ABDPE。下列特征为质量数据在观测窗口所提取的，各个符号的含义如下：MEAE：质量数据的均值；VS：质量数据的均方值；STD：质量数据的标准差；SKEW：质量数据的偏态系数；KURT：质量数据的峰态系数；A：质量数据的自相关系数；SL：质量数据拟合的最小二乘回归线斜率；NC1：质量数据所成曲线与平均值所成线的交叉点数；NC2：质量数据所成曲线与最小二乘回归线的交叉点数；APML：质量数据所成曲线与平均线之间的面积；APLS：质量数据所成曲线与最小二乘回归线之间的面积；AASL：质量数据所成曲线分为四个区域，各区域中点组合连线所形成曲线斜率的平均值ACLPI：APML与质量数据的标准差之比；SRANGE：质量数据所成曲线分为四个区域，各区域中点连线所成斜率的最大值与最小值之差；SB：质量数据最小二乘回归线的斜率标识符；PSMLSC：质量数据与中心线交点、最小二乘回归线交点和的平均值；REAE：质量数据的MSE与分成四个区域数据MSE平均值的误差之比；ABDPE：将质量数据所成曲线分为两个区域时，整体质量数据所成曲线最小二乘回归线斜率与两个区域最小二乘回归线斜率平均值之差的绝对值。第二步：建立自适应特征选取模型，该模型建立引入误差影响计算的方法。若有新的数据可根据数据特性应用该模块选择合适的特征。基于不同种类的质量数据，根据特征重要的程度选取不同的特征。建立该模型的方法如下：a)设质量数据特征有N个，将质量数据特征进行预处理；b)建立初始MLPNN神经网络，并应用处理好的质量数据特征进行训练；c)若有新数据输入，预处理新质量数据特征并将每种质量数据特征数值分别增加10％、减少10％共生成2N组数据，将每组数据分别带入MLPNN中进行识别得到2N个误差值，然后将每种质量数据特征对应的增加10％、减少10％所得误差取平均值得到N个误差值；d)将误差由大到小排序选取前85％的特征规定为影响该质量数据程度较高的特征。e)完成自适应质量数据特征选择模型。步骤3：数据特征融合模块。为了能更加精准的进行趋势的预测，将原始数据与自适应选择的数据进行融合。若将原始数据直接与选择的特征进行质量趋势的预测，输入数据太过庞大、大大增加了模型的计算复杂性，在数据降维方法中分为线性数据降维、非线性数据降维，该模块采用KPCA数据降维方法将原始数据与特征数据进行融合，建立该模块的方法步骤如下:a)将组合数据进行标准化、中心化；b)构造组合数据的核函数，将数据映射到高维度中并计算核矩阵；c)计算的特征值、选择特征向量；d)进行数据降维、融合；步骤4：建立质量趋势预测模块。基于自适应特征融合后的数据建立3层感知器MLPNN神经网络模型，使用改进的思维进化算法对MLPNN神经网络权值、阈值进行优化。一般的思维进化算法主要是通过迭代优化的学习方式，进化过程中所有的个体叫做群体，一个群体分为若干个子群。子群包括优胜子群和临时子群。在思维进化时优胜子群和临时子群在飞行进化过程中是以最优的粒子为中心随机产生的子群没有任何的限制，子群内粒子之间包含的信息程度也无法判断，从而产生对进化没有意义的粒子。在这里引入互信息理论来判定子群进化的优劣程度。当子群内产生的粒子与中心粒子包含的信息程度大于85％则认为此粒子为无效粒子，同时若某粒子的得分大于中心粒子则保留，否则就重新生成该粒子。建立改进思维进化算法方法步骤如下：a)初始化种群产生，在空间内生成种群；b)在初始化种群中选择得分较高的粒子分别作为优胜子群中心、临时子群中心并产生子群。c)引入信息判断算子：分别计算各优胜子群、临时子群的粒子与本身子群的中心粒子之间的互信息程度，若个体粒子与中心本文档来自技高网...

【技术保护点】
1.一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法，其特征在于：该方法的建模分为以下四个步骤：/n步骤1：生成产品质量模型建立所需数据，模拟产品的质量数据；该模拟产品的质量数据的模式包括正常模式、周期模式、混合模式、系统模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式；/n步骤2：建立特征自适应处理模块，根据步骤1所述产品数据进行预处理，该特征自适应处理模块建立分为两步：提取产品质量数据特征及应用初始化MLPNN网络建立自适应特征选择模型；/n步骤3：建立数据特征融合模块，应用KPCA方法实现特征的融合、数据的降维，从而简化后续产品质量趋势预测模块；/n步骤4：建立产品质量趋势预测模块，利用改进的思维进化算法优化MLPNN神经网络，该模型的优化目标为预测准确率，通过增加互信息判断算子同时引入熵变理论使算法得到预测模型。/n

【技术特征摘要】
1.一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法，其特征在于：该方法的建模分为以下四个步骤：
步骤1：生成产品质量模型建立所需数据，模拟产品的质量数据；该模拟产品的质量数据的模式包括正常模式、周期模式、混合模式、系统模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式；
步骤2：建立特征自适应处理模块，根据步骤1所述产品数据进行预处理，该特征自适应处理模块建立分为两步：提取产品质量数据特征及应用初始化MLPNN网络建立自适应特征选择模型；
步骤3：建立数据特征融合模块，应用KPCA方法实现特征的融合、数据的降维，从而简化后续产品质量趋势预测模块；
步骤4：建立产品质量趋势预测模块，利用改进的思维进化算法优化MLPNN神经网络，该模型的优化目标为预测准确率，通过增加互信息判断算子同时引入熵变理论使算法得到预测模型。


2.根据权利要求1所述一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法，其特征在于，步骤1中生成9种模式的数据分别为：正常模式NOR、周期模式...

【专利技术属性】
技术研发人员：初红艳，赵凯林，程强，刘宸菲，李瑞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11