贮箱质量评估方法、系统、存储介质、计算机设备及应用技术方案

本发明专利技术属于自动化控制技术领域，公开了一种贮箱质量评估方法、系统、存储介质、计算机设备及应用，获取贮箱生产过程数据集：根据生产流程，对贮箱采集的装配与检测过程中各数据进行采集，得到贮箱原始数据集；判断贮箱原始数据集中数据类型，根据数据类型不同，将数据分为时序数据部分和宽表数据部分；全生产周期数据的数据预处理与特征重构；特征权重提取：输入数据，基于树模型和经验知识，进行特征重要度分析，得到特征重要度；对重要度值使用softmax函数进行输出，得到融合特征权重；对贮箱进行质量评估。本发明专利技术对聚类中心使用加权最小二乘，得出类别标签，保证特征在数据聚类与评级中具有不同的影响程度，给出了更为精准的贮箱质量评估模型。贮箱质量评估模型。贮箱质量评估模型。

【技术实现步骤摘要】
贮箱质量评估方法、系统、存储介质、计算机设备及应用


[0001]本专利技术属于自动化控制
，尤其涉及一种贮箱质量评估方法、系统、存储介质、计算机设备及应用。

技术介绍

[0002]目前：火箭贮箱是火箭箭体的重要组成部分，其生产质量直接影响火箭制造质量及其服役性能。火箭贮箱箱底加工流程为下料、冲压、热处理、切边、校形、镜像铣、整形、性能检测等，工序较多且产生的数据形式不同，每道工序都会对最终产品检测性能产生影响。然而，目前对于贮箱产品进行质量评估，仅仅通过产品检测质量进行判定，并未考虑加工过程质量对产品最终使用的影响，对产品质量评估并不全面。因此，需要结合贮箱箱底加工过程质量和产品检测质量，对产品实施差异化管理。
[0003]全生产周期数据是指零件从来料开始至产品生产完成进行性能检测为止，所产生的所有数据，数据来源多样且数据种类及形态具有复杂性。随着自动化、信息化、智能化等技术在制造业中的广泛应用，在生产过程中必然会产生大量的数据。目前对于数据的清洗与转换，针对生产过程中不同的问题数据，经常使用相关数据处理方法，如数据插补、数据关联、Filter特征选择、遗传算法等方法，基于数据驱动进行数据类型转换，对数据进行形式上统一。然而，在实际使用中发现，由于数据采集的方式、部位等原因，纯靠数据进行特征构建，在工程实践中，并不具有很好的实际效果，而仅靠机理知识，则没有从数据关系层面分析数据规律。如沈克佳在对产品质量管理中使用分类提取法，提取机理经验作为分类指标，作为综合评估依据。陈磊在对电能进行质量评估时，通过提取数据电流谐波、电压偏差等数据进行电能质量划分。本方案在对数据进行构建时，将数据构建时将经验知识融入数据特征构建的过程中，使特征能够反映知识和数据规律，更具合理性。
[0004]在对产品质量评估目前的主要方法是通过获取产品各道工序的输出参数指标构建产品质量评价体系对产品质量进行评估。如林春荣2017年在组合机床与自动化加工技术期刊第10期卷中基于熵值法和序关系分析法的产品质量评估的论文中公开了一种基于熵值法和序关系分析法相结合的产品质量评估方法，分析了输出参数与产品质量之间的影响关系，建立了以各道工序的输出参数为指标的产品质量评价体系，利用熵值法和序关系分析法相结合的组合权重法确定了产品质量评估指标权重，从而获得产品质量评价结果。该方法在分析输出参数与产品质量影响关系的时候，权重计算较为复杂，且使用序关系法，受主观影响较大，同时也增加了评估的难度。贮箱等典型关键产品的制造质量一致性评价是一种系统性工作，需要依托相应的控制指标体系才能开展。但是，现有的质量控制指标体系多依靠历史经验搭建，导致体系内存在部分指标冗余，而部分关键指标未被覆盖的现象，难以全面、切实地展现产品的质量状态。并且当前工程实际应用中，仍然主要采用SPC控制图对贮箱等典型关键产品的各指标进行质量评价与控制，不具备针对单一产品的具体质量描述，所以使用合理的特征指标体系与准确的特征权重对贮箱质量评估至关重要。
[0005]通过上述分析，现有技术存在的问题及缺陷为：现有技术未针对数据源与数据形
式不同结合知识进行综合分析，评估不全面、结果不合理。在获取特征权重时，现有技术未结合生产情况，指标冗余且受主观影响较强，最终评估效果不准确。
[0006]解决以上问题及缺陷的难度为：
[0007]产品全周期生产产生的数据量庞大，数据形式复杂多样，在对特征的构建既要表现数据规律，也要反映工艺知识，合理的特征是一个难点。在特征权重构建时，全生命周期数据内部逻辑层层环扣，在合理的减少主观因素在指标体系中的影响程度的同时，能挖掘特征对质量影响关系与规则，是工作的另一个难点。
[0008]解决以上问题及缺陷的意义为：
[0009]本专利技术在切实研究产线流程基础上，通过合理特征构建，解决全生产周期数据处理困难问题，提高对产品的质量评估的客观性，降低主观性所带来的不全面、不深入的问题。此外，产品生产流程较长，本方法给出一个快速、准确的权重特征指标，降低评估工作量，节约财力物力，提升评估模型准确性。

技术实现思路

[0010]针对现有技术存在的问题，本专利技术提供了一种贮箱质量评估方法、系统、存储介质、计算机设备及应用。
[0011]本专利技术是这样实现的，一种贮箱质量评估方法，所述贮箱质量评估方法包括：
[0012]获取贮箱生产过程数据集I1：根据生产流程，对贮箱采集的装配与检测过程中各数据进行采集，得到贮箱原始数据集I1；
[0013]判断I1中数据类型，根据数据类型不同，将数据分为时序数据部分I
t
和宽表数据部分I
b
；
[0014]全生产周期数据的数据处理：
[0015]特征权重提取：输入数据I2，基于树模型和经验知识，进行特征重要度分析，得到特征重要度；然后对重要度值使用softmax函数进行输出，得到融合特征权重I
w
；
[0016]对贮箱进行质量评估。
[0017]进一步，所述全生产周期数据的数据处理包括：
[0018](1)对于时序数据I
t
：使用小波降噪，去除噪音；结合工艺知识和滑窗分析方法，将时序数据梳理为宽表数据形式；
[0019](2)对于宽表数据I
b
：使用数据预处理方法，对异常值、缺失值和冗余数据进行处理；最后对数据进行归一化，去除数据范围影响；
[0020](3)对数据I
t
和I
b
，根据产品编号进行合并，得到统一形式后数据集I2。
[0021]进一步，所述全生产周期数据的数据处理的全生产周期数据的数据处理进行数据构建，构建为分析数据集I2，包括如下实现步骤：
[0022](1)对于时序数据I
t
处理中，热处理环节和镜像铣环节的含噪模型公式为：
[0023]S(k)＝f(k)+ε*e(k)；
[0024]在模型中，f(k)为真实的工艺时序数据，e(k)是在加工过程中由于设备和环境问题，产生的影响测量结果的噪音，ε为噪音系数的标准偏差；在处理过程中，通过小波变化，对信号进行小波分解，消除噪音e(k)，保留真实信号f(k)；
[0025](2)对于宽表数据Ib处理中，对冲压、校形、整形、性能检测环节中的数据进行异常
值处理时，采用箱线图和3σ方法进行剔除，方法如下：
[0026]UP＝Q3+1.5*IQR；
[0027]LO＝Q1-1.5*IQR；
[0028]其中UP是数据上界，数据超过UP认为是异常数据，Q3是第三四分位数，IQR是Q3-Q1的值，Q1是第一四分位数，LO是数据下界，低于LO认为数据异常，剔除，将剔除数值替换为众数。
[0029]进一步，所述特征权重提取的输入数据I2，基于树模型和经验知识，进行特征重要度分析，得到特征重要度，然后对重要度值使用softmax函数进行输出，得到融合特征权重I
w...

【技术保护点】

【技术特征摘要】
1.一种贮箱质量评估方法，其特征在于，所述贮箱质量评估方法包括：获取贮箱生产过程数据集I1：根据生产流程，对贮箱采集的装配与检测过程中各数据进行采集，得到贮箱原始数据集I1；判断I1中数据类型，根据数据类型不同，将数据分为时序数据部分I
t
和宽表数据部分I
b
；全生产周期数据的数据处理：特征权重提取：输入数据I2，基于树模型和经验知识，进行特征重要度分析，得到特征重要度；然后对重要度值使用softmax函数进行输出，得到融合特征权重I
w
；对贮箱进行质量评估。2.如权利要求1所述的贮箱质量评估方法，其特征在于，所述全生产周期数据的数据处理包括：(1)对于时序数据I
t
：使用小波降噪，去除噪音；结合工艺知识和滑窗分析方法，将时序数据梳理为宽表数据形式；(2)对于宽表数据I
b
：使用数据预处理方法，对异常值、缺失值和冗余数据进行处理；最后对数据进行归一化，去除数据范围影响；(3)对数据I
t
和I
b
，根据产品编号进行合并，得到统一形式后数据集I2。3.如权利要求2所述的贮箱质量评估方法，其特征在于，所述全生产周期数据的数据处理的全生产周期数据的数据处理进行数据构建，构建为分析数据集I2，包括如下实现步骤：(1)对于时序数据I
t
处理中，热处理环节和镜像铣环节的含噪模型公式为：S(k)＝f(k)+ε*e(k)；在模型中，f(k)为真实的工艺时序数据，e(k)是在加工过程中由于设备和环境问题，产生的影响测量结果的噪音，ε为噪音系数的标准偏差；在处理过程中，通过小波变化，对信号进行小波分解，消除噪音e(k)，保留真实信号f(k)；(2)对于宽表数据I
b
处理中，对冲压、校形、整形、性能检测环节中的数据进行异常值处理时，采用箱线图和3σ方法进行剔除，方法如下：UP＝Q3+1.5*IQR；LO＝Q1-1.5*IQR；其中UP是数据上界，数据超过UP认为是异常数据，Q3是第三四分位数，IQR是Q3-Q1的值，Q1是第一四分位数，LO是数据下界，低于LO认为数据异常，剔除，将剔除数值替换为众数。4.如权利要求1所述的贮箱质量评估方法，其特征在于，所述特征权重提取的输入数据I2，基于树模型和经验知识，进行特征重要度分析，得到特征重要度，然后对重要度值使用softmax函数进行输出，得到融合特征权重I
w
，实现步骤为：利用树模型-随机森林算法计算构造后数据I2特征的重要度j
i
，随机森林算法利用袋外数据评估特征重要性；对于随机森林算法中的一颗树T
i
，用OOB样本得到误差e1，使用高斯抽取随机改变OOB中的j
i
列，保持其它列不变，对j
i
列进行随机的上下置换，得到误差e2；使用e
1-e2来刻画特征j
i
的重要性，e
1-e2越大，则表示特征i的重要度ji越大；利用树模型xgboost算法计算构造后数据I2特征的重要度j
i
，xgboost算法利用基尼指数评估特征重要性，基尼指数计算公式为：
其中，k代表k个类别，p
k
代表类别k的样本权重，Gini(j
i
)的数值大小表示了每个特征在随机森林每棵树上做的贡献值大小，Gini(j
i
)越大，则表示特征i的重要度j
i
越大；根据专家经验知识，获取数据特征重要度j
i
；利用三种方式获得的数据特征重要度，利用softmax进行输出，计算公式如下：其中x采用第x种方式获得特征重要度，w表示数据I2中m个特征的第w个特征，I
w
表示通过softmax函数输出后的第w个特征权重值；利用随机森林、xgboost和经验知识提取特征重要度，将特征重要度相加按照softmax函数输出，则将特征权重量化。5.如权利要求1所述的贮箱质量评估方法，其特征在于，所述对贮箱进行质量评估包括：(1)将特征权重I
w
作...

【专利技术属性】
技术研发人员：常建涛，孔宪光，李欣伟，杨胜康，胡蓝，崔江江，袁明坤，吴亮东，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：