【技术实现步骤摘要】
本专利技术属于工业数据分析领域，具体涉及一种基于图神经网络和迁移学习的工艺质量时间序列预测方法。
技术介绍
1、在车间的生产过程中，主要是以在各个生产阶段设置检查点的方式保证末端工序的制造品质。但是，这种方式带来了增加产品时间成本、提高员工技能要求及增大设备巡检难度等。因此，研究不同工艺参数对产品品质的影响情况，设计产品质量精准预测模型，对于提高车间生产效率和支撑车间智能分析与调控有重要的意义。
2、工业数据多由工业传感器按照一定时间间隔采集而来，因此，工业数据多为典型的时间序列，多数方法往往从时间序列预测的角度展开。然而，从空间上看，各个变量间还存在相互控制关系，这些控制关系表现为数据间的影响关系。
3、针对传统数据分析方法难以分析车间数据在时间与空间上的复杂依赖关系，提出一种基于图神经网络和迁移学习的工艺质量时间序列预测方法，利用图神经网络计算参数间的空间信息，利用双向长短时记忆网络建模车间加工质量指标序列在时间上的复杂依赖关系，针对所提模型设计了相关预训练与迁移学习机制，形成时间与空间双重特征驱动下的车间加工质量精准预测。
技术实现思路
1、本专利技术提出了一种基于图神经网络和迁移学习的工艺质量时间序列预测方法，考虑了生产数据在时间与空间上的依赖关系，利用迁移学习实现模型的更新，实现了产品质量的提前精准预测，对于提高车间生产效率、支撑车间智能分析与调控具有一定意义。
2、本专利技术的技术方案如下：
3、一种基于图神经网络和迁移学
4、优选地，具体步骤如下：
5、步骤1，数据集构建：在mes系统中导出生产线的工艺参数数据和质量指标数据，按时间步长滑动窗口的方式构造数据集，数据集包含输入数据和质量指标真实值两部分，其中，输入数据分别为工艺参数数据和质量指标数据输出数据为质量指标真实值y＝y1，y2，...，yn；设滑动窗口的时间步长为s，则和分别为yi在前s个时刻内所对应的工艺参数与质量指标数据；
6、步骤2，空间特征提取：将车间的工艺参数和质量参数构建节点集合v，按照工艺流程将它们的影响关系构建集合e，构建与e对应的权重集合w，形成车间图数据g＝(v，e，w)；为了方便计算，将车间的图数据g＝(v，e，w)进行编码，若节点i影响节点j，则存在边eji，构建邻接矩阵a，a内元素aij计算方式如式所示；在此基础上，将步骤1所建数据集中的作为输入，引入图神经网络计算公式通过全连接层f(·)对h′进行特征变换，得到质量指标的空间特征
7、步骤3，时序特征提取：考虑到质量参数数据的时间依赖主要是其自身的，对于时间步长为s的计算，引入对质量指标自身的时序特征进行提取并输出特征；按照bilstm的公式构建预测模型f(·)，将步骤1所建数据集中的作为输入，将输入到时间序列预测模型f(·)中，输出第s+1时刻的数据
8、步骤4，特征融合：设图计算层的输出维度为dg，bilstm输出层输出维度为dt，对于步骤2中求得的空间特征和步骤3中求得的时间特征其输出维度分别为m×dg和m×dt，在第二维度上对这两个特征进行拼接操作，则得到输出维度为m×[dg+dt]的特征；在此基础上，搭建维度为[dg+dt]×do的全连接层作为输出层，do为输出层的输出维度，最终得到特征维度为m×do的输出特征yi；
9、步骤5，模型训练与更新：按照反向传播的方式对模型进行训练，针对生产过程中的工艺调整，构建迁移学习策略tr(·)对模型进行更新，整个模型的更新策略包含如下几个子步骤：
10、步骤5.1：通过对输出维度为m×do的预测值y与真实值y计算loss，以反向传播的方式更新各网络层的权重；判断当前模型预测的拟合度是否大于90％；若预测的拟合精度达标，直接采用原始模型，否则转到步骤5.2；
11、步骤5.2：判断工艺调整的类型，若不涉及到参数间影响关系的改变，转到步骤5.3；否则转到步骤5.4；
12、步骤5.3：迁移所有参数到新模型，训练模型，直至满足精度；
13、步骤5.4：判断质量参数是否被调整；若质量参数被调整，则重新训练模型，直至满足精度；若质量参数没有被调整，转到步骤5.5；
14、步骤5.5：仅迁移bilstm的参数，不对gnn模型的参数进行迁移，训练模型，直至满足精度。
15、本专利技术的有益效果：
16、本专利技术采用历史生产数据即可完成模型的训练，训练后的模型具有较高的预测精度。对于提高车间生产效率、支撑车间智能分析与调控具有重要意义。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络和迁移学习的工艺质量时间序列预测方法，其特征在于，包括如下步骤：首先，通过MES系统对生产线工艺参数与质量指标数据进行采集并形成数据集；其次，将所有变量映射为节点，变量对应的生产数据作为节点特征，将工艺参数与质量指标之间的控制关系映射为节点间的边，完成工艺关系到图数据的转化，并利用图神经网络计算图数据内的空间特征；同时，借助双向长短期记忆网络计算质量指标自身的时序特征；最终，将空间信息和时序特征拼接进而得到预测结果，引入迁移学习机制来实现模型的更新并输出预测结果。
2.根据权利要求1所述基于图神经网络和迁移学习的工艺质量时间序列预测方法，其特征在于，具体步骤如下：
【技术特征摘要】
1.一种基于图神经网络和迁移学习的工艺质量时间序列预测方法，其特征在于，包括如下步骤：首先，通过mes系统对生产线工艺参数与质量指标数据进行采集并形成数据集；其次，将所有变量映射为节点，变量对应的生产数据作为节点特征，将工艺参数与质量指标之间的控制关系映射为节点间的边，完成工艺关系到图数据的转化，并利...
【专利技术属性】
技术研发人员：易斌，张超，唐军，林文强，方俊俊，奚玉棋，许晓黎，秦鹏，杨耀晶，张立斌，谭国治，何邦华，刘丹楹，聂蓉，李雯琦，
申请(专利权)人：云南中烟工业有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。