【技术实现步骤摘要】
本申请涉及注塑加工，尤其是涉及一种基于小样本数据的注塑产品质量在线预测方法。
技术介绍
1、注塑成型是制造塑料产品最广泛的过程之一。其成型过程高度非线性。注塑过程参数、成型机状态参数、模具参数和注塑成型产品质量之间存在复杂的关系。在注塑成型产品处理过程中，质量通常由成品的随机检查决定，检查方法主要涉及人工检查，智能化水平较低。因此，当产品质量问题出现时，生产无法及时停止，过程参数无法调整，导致生产成本增加。
2、同时，随着客户对注塑制品质量要求越来越严格，促使注塑企业对制造工艺和技术不断革新，以便在市场上站稳脚跟。因客户需求不断发生变化，制造业未来的生产模式倾向于从单品种大批量逐渐转向多品种小批量，需要考虑的主要因素是降低生产成本和提升产品质量。
3、近年来，深度学习技术在工业领域的应用显著增加，特别是在质量预测、寿命预测和故障诊断等领域。深度学习网络需要足够的数据来训练和构建具有快速预测和决策能力的网络。然而，在复杂的工业环境中，并不总是有足够的训练数据样本，这将导致深度学习网络训练不足，进而影响质量预测、寿命预测和故障诊断等的准确性。
技术实现思路
1、本申请的其中一个目的在于提供一种能够解决上述
技术介绍
中至少一个缺陷的基于小样本数据的注塑产品质量在线预测方法。
2、为达到上述的至少一个目的，本申请采用的技术方案为：一种基于小样本数据的注塑产品质量在线预测方法，包括如下步骤：
3、s100：基于dl-bigru多特征融合，得到注塑
4、s200：通过源域的大样本数据对质量预测基础模型进行模型预训练，获得最佳的源域模型；
5、s300：基于源域模型的深度迁移学习方法，对源域模型中的注塑共性知识进行知识迁移，并于模型中引入维度统一层得到目标域的质量预测模型。
6、优选的，步骤s100包括如下过程：
7、s110：通过建立dl-bigru时间序列网络对注塑过程中传感器的高频序列数据进行深度挖掘；
8、s120：基于获得的传感器的高频序列数据，结合传感器的高频瞬时特征数据以及成型机的状态数据，构建基于深度学习的多特征融合的质量预测基础模型。
9、优选的，源域模型的结构包括：输入层，用于源域的数据输入；维度统一层，用于质量预测基础模型与源域数据的维度统一；时序处理层，利用dl-bigru时间序列网络对传感器高频时序特征进行提取；单特征提取层，用于将时序处理层的最后一个序列特征输入值全连接层并进行特征提取；补充特征融合层，用于将传感器的高频瞬时特征和成型机的状态特征进行融合；补充特征提取层，用于对补充特征件的关联关系进行挖掘；多特征融合层，用于传感器高频时序特征和补充特征的融合；多特征提取层，用于对融合的特征进行深度提取，挖掘多种特征之间的关联关系；输出层，用于进行注塑制品尺寸预测结果的输出。
10、优选的，质量预测模型中区别于质量预测基础模型的结构包括：输入层，用于目标域的数据输入；维度统一层，用于将输入层的数据维度转化为源域模型的输入层数据维度；输出层，用于小样本注塑制品的重量预测结果的输出。
11、优选的，在进行迁移学习时，需要对源域与目标域的任务相似性进行评估；其中，进行相似性评估的任务包括任务定义、目标函数以及评估指标。
12、优选的，源域为大样本的注塑制品的尺寸和过程数据，包括每模次对应产品尺寸参数、成型机状态数据和传感器高频数据；目标域为小样本的注塑制品的重量及过程数据，包括每模次对应产品的重量参数、成型机状态数据和传感器高频数据。
13、优选的，在完成步骤s100后，通过实验对质量预测基础模型进行预测性能评估，采用均方误差mse和平均绝对误差mae作为评分函数对实验结果进行评估；具体的计算公式如下：
14、
15、其中，为预测值，yi为实验值，n为样本总数。
16、优选的，基于预测性能评估的结果，通过对质量预测基础模型的超参数进行调参以获得最佳模型质量；利用网格搜索的方法进行超参数值优化的过程如下：首先，从大范围的超参数值开始，对较小的epoch数或较小的训练集进行粗网格搜索；然后，使用更多的epoch数或更大的训练集进行更窄的搜索。
17、优选的，基于预测性能评估的结果，对质量预测基础模型进行有效性、稳定性以及结果分析；对于有效性分析采用消融分析的方法，具体包括如下过程：通过对单一种类型特征进行预测，或对多种类特征进行预测；根据预测的结果分别与采用传统gru、dl-gru、以及bigru模型的结果进行对比；对于稳定性分析包括如下过程：对消融模型进行多次训练和测试，绘制消融模型的误差箱型图并进行分析；对于结果分析采用浅层学习与深度学习进行对比的方式。
18、优选的，在完成步骤s300后，通过实验对质量预测模型进行有效性和预测性能评估，选择可决系数r2作为评估回归模型拟合优度的指标，可决系数r2的计算公式如下：
19、
20、其中，为预测值，yi为实验值，为实验值的平均值。
21、与现有技术相比，本申请的有益效果在于：
22、本申请通过深度学习和迁移学习方法对注塑共性进行知识迁移，在大样本和小样本数据下实现了较高的预测精度，对企业在多品种小批量生产过程中建立质量预测模型具有重要意义。
本文档来自技高网...【技术保护点】
1.一种基于小样本数据的注塑产品质量在线预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，步骤S100包括如下过程：
3.如权利要求2所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，源域模型的结构包括：
4.如权利要求3所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，质量预测模型中区别于质量预测基础模型的结构包括：
5.如权利要求1所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，在进行迁移学习时，需要对源域与目标域的任务相似性进行评估；
6.如权利要求1所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，源域为大样本的注塑制品的尺寸和过程数据，包括每模次对应产品尺寸参数、成型机状态数据和传感器高频数据；
7.如权利要求1-6任一项所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，在完成步骤S100后，通过实验对质量预测基础模型进行预测性能评估，采用均方误差MSE和平均绝对误差MAE作为评分函数
8.如权利要求7所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，基于预测性能评估的结果，通过对质量预测基础模型的超参数进行调参以获得最佳模型质量；
9.如权利要求7所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，基于预测性能评估的结果，对质量预测基础模型进行有效性、稳定性以及结果分析；
10.如权利要求1-6任一项所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，在完成步骤S300后，通过实验对质量预测模型进行有效性和预测性能评估，选择可决系数R2作为评估回归模型拟合优度的指标，可决系数R2的计算公式如下：
...【技术特征摘要】
1.一种基于小样本数据的注塑产品质量在线预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，步骤s100包括如下过程：
3.如权利要求2所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，源域模型的结构包括：
4.如权利要求3所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，质量预测模型中区别于质量预测基础模型的结构包括：
5.如权利要求1所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，在进行迁移学习时，需要对源域与目标域的任务相似性进行评估；
6.如权利要求1所述的基于小样本数据的注塑产品质量在线预测方法，其特征在于，源域为大样本的注塑制品的尺寸和过程数据，包括每模次对应产品尺寸参数、成型机状态数据和传感器高频数据；
7.如权利要求1-...
【专利技术属性】
技术研发人员：姚益江，钱铜庆，石宇杰，
申请(专利权)人：宁波创基机械股份有限公司，
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。