一种基于并行张量分解的快速产品质量预测方法技术

本发明专利技术公开了一种基于并行张量分解的快速产品质量预测方法，属于智能制造领域。针对当前产品质量预测方法过度依赖人工经验，并且不能及时准确地调整工艺参数的问题，本发明专利技术提出了基于并行张量分解的快速产品质量预测方法，与当前已有的产品质量预测方法相比，该方法可以有效地提高产品生产的效率，保障产品生产质量。产质量。产质量。

【技术实现步骤摘要】
一种基于并行张量分解的快速产品质量预测方法


[0001]本专利技术属于智能制造领域，具体涉及一种基于并行张量分解的快速产品质量预测方法。

技术介绍

[0002]随着制造业数字化转型的不断推进，客户需求、产品功能日趋复杂化，产品质量要求也愈发严格，这对制造过程中的质量控制提出了巨大挑战。产品质量预测是控制产品质量的重要手段之一，其可以预知不同工艺阶段下的产品质量水平，从而对产品制造工艺进行及时、准确地调整，对于提高产品质量、降低经济损失具有重要意义。同时，新一代智能制造技术已实现了产品制造过程中“人、机器、材料、方法、测量、环境”(5M1E)等参数的互联互通，及全生命周期参数数据的采集与存储，这为应用智能算法深入挖掘各参数与产品质量之间的关联关系、实现产品质量预测奠定了坚实的基础。
[0003]然而，制造过程中产生的数据体量大、类型多、价值密度低、数据源异构性强、实时性高，此外，制造工艺各工序阶段中参数变量多呈现非线性、波动性、时滞性，对产品质量影响各异，这都给产品质量预测带来了巨大的挑战。目前，实际生产过程多借助机理模型或统计学模型来调整工艺参数。此类方法可以在深刻理解生产过程的物理化学规律时，有效地提高产品质量，但这些方法仍存在以下问题：
[0004]1、各工序阶段的参数调整通常需要大量的人工经验，人力和时间成本高、效率低。
[0005]2、产品质量仅可通过成品检测获知，质量反馈滞后，不能及时准确地调整工艺参数。

技术实现思路

[0006]针对现有技术中存在的上述技术问题，本专利技术提出了一种基于并行张量分解的快速产品质量预测方法，设计合理，克服了现有技术的不足，具有良好的效果。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于并行张量分解的快速产品质量预测方法，包括如下步骤：
[0009]步骤1：建立张量分解模型；
[0010]将来自M个产品在N道工序、N*K个工艺参数下的历史产品质量数据记作张量X，K表示第n道工序下使用的工艺参数数量；通过CP分解对张量X进行分解，将产品m在第n道工序、第k个工艺参数下的产品质量建模如下：
[0011][0012]其中，D为特征维度长度，A为产品特征矩阵，B为工序特征矩阵，C
(n)
为第n道工序下工艺参数的特征矩阵，产品特征矩阵A的大小为M*D，工序特征矩阵B的大小为N*D，工艺特征矩阵C的大小为K*D；A
md
表示产品m的第d个特征值；B
nd
表示工序n的第d个特征值；表示第n道工序下第k个工艺参数的第d个特征值；
[0013]为了防止过拟合，加入L2范数得到目标优化函数：
[0014][0015]其中，表示产品m在第n道工序、第k个工艺参数下产品质量的预测值，λ为正则化参数，A
m
表示产品m的特征向量，B
n
表示工序n的特征向量，表示第n道工序下第k个工艺参数的特征向量，‖
·
‖2表示向量的Frobenius范数；
[0016]步骤2：输入包括产品制造工序、工艺参数在内的历史数据、产品质量张量X、产品特征矩阵A、工序特征矩阵B、工艺参数特征矩阵C、学习率α、正则化参数λ以及线程数s；
[0017]步骤3：随机初始化特征矩阵A、B、C；
[0018]步骤4：根据线程数s分割张量X及其特征矩阵A、B、C；
[0019]步骤5：根据互斥规则为各线程分配张量块；
[0020]步骤6：线程数s遍历张量块内所有非空元素，根据公式(3)计算目标函数：
[0021][0022]其中，表示在线程s中产品m在第n道工序、第k个工艺参数下的产品质量，表示在线程s中产品的第d个特征值；表示在线程s中工序n的第d个特征值；表示在线程s中第n道工序下第k个工艺参数的第d个特征值；
[0023]步骤7：各线程对其拥有的张量块执行随机梯度下降，具体公式如下：
[0024][0025][0026][0027]其中，
⊙
表示向量对应元素相乘的运算；
[0028]步骤8：计算张量X的均方根误差，判断模型是否收敛；
[0029]若：前后两次优化得到的均方根误差的差值小于设定的极小值，则判断为已收敛，然后执行步骤9；否则执行步骤4；
[0030]步骤9：输入需要预测的目标位置：产品m、目标工序n以及工艺参数k；
[0031]步骤10：根据公式(1)计算产品m在目标工序n、工艺参数k时的产品质量预测值
[0032][0033]步骤11：输出产品质量预测值
[0034]步骤12：结束。
[0035]优选地，在步骤5中，互斥规则为：迭代更新的张量块在张量X各维度方向上皆互斥、不相交。
[0036]本专利技术所带来的有益技术效果：
[0037]针对当前产品质量预测方法过度依赖人工经验，并且不能及时准确地调整工艺参数的问题，本专利技术提出了基于并行张量分解的快速产品质量预测方法。与当前已有的产品
质量预测方法相比，该方法可以有效地提高产品生产的效率，保障产品生产质量。
附图说明
[0038]图1为线程数3时分块、互斥的三阶张量分解并行更新方法示意图；
[0039]图2为基于并行张量分解的快速产品质量预测方法流程图。
具体实施方式
[0040]下面结合附图以及具体实施方式对本专利技术作进一步详细说明：
[0041]1、张量分解模型
[0042]在产品生产过程中，各工序阶段下的工艺参数不同，其对产品质量的影响也不同。而张量分解作为常用的高维数据处理方法之一，可以很好地应对多阶段多参数情况下的产品质量预测问题。本专利技术将来自M个产品在N道工序、N*K个工艺参数下的历史产品质量数据记作张量X，K表示第n道工序下使用的工艺参数数量。使用CP分解对张量进行分解，将产品m在第n道工序、第k个工艺参数下的产品质量建模如下：
[0043][0044]其中，D为特征维度长度，A为产品特征矩阵，B为工序特征矩阵，C
(n)
为第n道工序下工艺参数的特征矩阵，产品特征矩阵A的大小为M*D，工序特征矩阵B的大小为N*D，工艺特征矩阵C的大小为K*D；A
md
表示产品m的第d个特征值；B
nd
表示工序n的第d个特征值；表示第n道工序下第k个工艺参数的第d个特征值；
[0045]为了防止过拟合，加入L2范数得到目标优化函数：
[0046][0047]其中，表示产品m在第n道工序、第k个工艺参数下产品质量的预测值，λ为正则化参数，A
m
表示产品m的特征向量，B
n
表示工序n的特征向量，表示第n道工序下第k个工艺参数的特征向量，‖
·
‖2表示向量的Frobenius范数；
[0048]2、分块、互斥的张量分解并行更新方法
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于并行张量分解的快速产品质量预测方法，其特征在于：包括如下步骤：步骤1：建立张量分解模型；将来自M个产品在N道工序、N*K个工艺参数下的历史产品质量数据记作张量X，K表示第n道工序下使用的工艺参数数量；通过CP分解对张量X进行分解，将产品m在第n道工序、第k个工艺参数下的产品质量建模如下：其中，D为特征维度长度，A为产品特征矩阵，B为工序特征矩阵，C
(n)
为第n道工序下工艺参数的特征矩阵，产品特征矩阵A的大小为M*D，工序特征矩阵B的大小为N*D，工艺特征矩阵C的大小为K*D；A
md
表示产品m的第d个特征值；B
nd
表示工序n的第d个特征值；表示第n道工序下第k个工艺参数的第d个特征值；为了防止过拟合，加入L2范数得到目标优化函数：其中，表示产品m在第n道工序、第k个工艺参数下产品质量的预测值，λ为正则化参数，A
m
表示产品m的特征向量，B
n
表示工序n的特征向量，表示第n道工序下第k个工艺参数的特征向量，‖
·
‖2表示向量的Frobenius范数；步骤2：输入包括产品制造工序、工艺参数在内的历史数据、产品质量张量X、产品特征矩阵A、工序特征矩阵B、工艺参数特征矩阵C、学习率α、正则化参数λ以及线程数s；...

【专利技术属性】
技术研发人员：赵建立，郑士东，张天恒，曲丽君，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：