基于WGAN数据增强和难例挖掘的质量预测模型的构建方法技术

本发明专利技术公开了基于WGAN数据增强和难例挖掘的质量预测模型的构建方法，先对SECOM数据集进行数据预处理，再通过融合One‑Class F‑score和mRMR的特征选择方法在特征选择上的优势，得到两组SECOM特征数据子集，分别为未通过检测数据点和通过检测数据点；再引入WGAN模型进行少数类样本扩增，以期在学习少数类样本分布的前提下扩增少数类样本数量用于降低数据的不平衡程度；使用基于Focal Loss的难例挖掘技术对LightGBM模型进行优化，并结合阈值移动方法调整LightGBM模型的决策边界，构建难例挖掘的LightGBM质量预测模型。本发明专利技术在数据分布失衡的制造数据集上拥有良好的预测性能，能够较好的拟合出复杂工序产品制造数据中的非线性关系，并兼顾不合格样本的召回率与整体产品的预测准确率。

【技术实现步骤摘要】

本专利技术涉及产品质量预测，具体涉及基于wgan数据增强和难例挖掘的质量预测模型的构建方法。

技术介绍

1、随着工业发展及人们对产品质量需求的提高，企业质量管理模式也在改变。企业对产品质量的控制不再仅仅依赖于操作者经验，而是纷纷转向对制造过程的监控和分析。在日常生产中，如果某项监测指标发生异常，生产人员往往会凭借自己的经验知识对相关参数进行决策与调整，以使生产恢复正常。然而由于生产的各个环节紧密相连，一道生产工序的异常就可能造成生产工艺与标准工艺之间的偏差，并随着生产各个步骤传递累积，最终表现为产品质量的不合格。此时若根据监测数据进行事后分析就会明显滞后于生产，且考虑到生产过程中各变量之间的耦合性，生产监测设备在捕捉到监测变量的异常状态之前，产品的质量可能已经出现了巨大的波动。因此，若能够提前预知产品质量，生产人员就可提前准备相应的质量改进工作。

2、另外，现代流程工业生产过程的空间规模和功能复杂性迅速增加，可监测的数据指标成倍增长，各种对象和过程之间紧密联系，普遍存在多回路、多尺度耦合现象(shangc,you f.data analytic本文档来自技高网...

【技术保护点】

1.基于WGAN数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于WGAN数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：步骤1中，所述融合One-Class F-score和mRMR的特征选择方法的具体步骤包括：

3.根据权利要求1所述的基于WGAN数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：步骤2中的所述WGAN模型包括生成器网络和判别器网络，步骤2的具体步骤包括：

4.根据权利要求1所述的基于WGAN数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：步骤3中在LightG...

【技术特征摘要】

1.基于wgan数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于wgan数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：步骤1中，所述融合one-class f-score和mrmr的特征选择方法的具体步骤包括：

3.根据权利要求1所述的基于wgan数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：步骤2中的所述wgan模型包括生成器网络和判别器网络，步骤2的具体步骤包括：

4.根据权利要求1所述的基于wgan数据增强和难例挖掘的质量预测模型的构建方法，其特征在于：步骤3中在lightgbm中的原始交叉...

【专利技术属性】
技术研发人员：李剑锋，柏雪，赵春财，钱鹏超，王洪涛，徐伟风，
申请(专利权)人：杭州阿虎科技有限公司，
类型：发明
国别省市：