基于机器学习的工件质量预测模型构建方法及预测方法与流程

本发明涉及工件质量预测领域，具体地说是一种基于机器学习的工件质量预测模型构建方法及预测方法。

背景技术：

在工业制造领域实际生产中，同一组工艺参数设定下生产的工件会出现多种质检结果，所以针对各组工艺参数定义其质检标准符合率，即为该组工艺参数生产的工件的质检结果分别符合优、良、合格与不合格四类指标的比率。相比预测各个工件的质检结果，预测该质检标准符合率会更具有实际意义。

工件生产通常会固定某个参数，交由机器去制造。但由于各种环境因素、材料因素、机器状态等影响，固定生产参数的工件也会有质量好坏之分。

基于上述，如何对给定参数的工件进行质量预测、良品率预测，是需要解决的技术问题。

技术实现要素：

本发明的技术任务是针对以上不足，提供一种基于机器学习的工件质量预测模型构建方法及预测方法，来解决如何对给定参数的工件进行质量预测、良品率预测的问题。

第一方面，本发明提供基于机器学习的工件质量预测模型构建方法，包括如下步骤：

采集已制造工件的特征作为训练数据，并对训练数据进行预处理；

基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；

通过采集的特征以及选取的多项式特征组成训练样本，以所述训练样本为输入，对构建的预测模型进行参数优化，得到训练后预测模型，所述预测模型为机器学习决策树模型。

作为优选，对训练数据进行预处理，包括：

对训练数据进行标准化处理或者进行归一化处理；

和/或，训练数据进行异常值处理；

和/或，对训练数据进行空缺值处理；

和/或，对训练数据进行数据增广处理。

作为优选，所述不同标签包括：优秀、良好、合格和不合格。

作为优选，所述机器学习决策树模型为lightgbm模型或catboost模型。

第二方面，本发明提供一种基于机器学习的工件质量预测方法，包括如下步骤：

通过如第一方面任一项所述的基于机器学习的工件质量预测模型构建方法构建预测模型，得到训练后预测模型；

采集待测工件的特征作为测试数据，并对测试数据进行预处理；

基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；

通过采集的特征以及选取的多项式特征组成测试样本，将测试样本输入训练后预测模型，得到每个标签对应的概率；

通过上述每个标签对应的概率组成概率样本，将概率样本输入异常检测模型，去除概率样本中异常概率，得到处理后概率样本；

对处理后概率样本进行求均值计算，以所述均值作为良品率预测。

作为优选，对测试数据进行预处理，包括：

对测试数据进行标准化处理或者进行归一化处理；

和/或，对测试数据进行异常值处理；

和/或，对测试数据进行空缺值处理；

和/或，对测试数据进行数据增广处理。

作为优选，所述不同标签包括：优秀、良好、合格和不合格。

作为优选，所述机器学习决策树模型为lightgbm模型或catboost模型。

作为优选，所述异常检测模型为isolationforest模型。

本发明的一种基于机器学习的工件质量预测模型构建方法及预测方法具有以下优点：

1、以机器学习的决策树模型为预测模型，对数据没有严格的要求，因此省去了繁琐的数据预处理过程；

2、基于采集的特征构造多项式特征，并根据多项特征在不同标签之间的分布，选取分布明显的多项式特征，通过上述多项式特征以及采集的特征作为样本，具有多样性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

下面结合附图对本发明进一步说明。

附图1为实施例1一种基于机器学习的工件质量预测模型构建方法的流程框图；

附图2为实施例2一种基于机器学习的工件质量预测方法的流程框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。

本发明实施例提供一种基于机器学习的工件质量预测模型构建方法及预测方法，用于解决如何对给定参数的工件进行质量预测、良品率预测的技术问题。

实施例1：

本发明的一种基于机器学习的工件质量预测模型构建方法，包括如下步骤：

s100、采集已制造工件的特征作为训练数据，并对训练数据进行预处理；

s200、基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；

s300、通过采集的特征以及选取的多项式特征组成训练样本，以所述训练样本为输入，对构建的预测模型进行参数优化，得到训练后预测模型，所述预测模型为机器学习决策树模型。

其中，步骤s100中采集不同制造时间对应的已制造工件的长度、宽度等特征，上述不同时间的各个特征组成矩阵形式，矩阵中每一列为某个特征在不同时间对应的值。

对特征进行预处理为：对训练数据进行标准化处理；对训练数据进行异常值处理；对训练数据进行空缺值处理以及对训练数据进行数据增广处理。

在实际应用中，可根据实际需求选择性地进行预处理。

其中，设定的不同标签包括：优秀、良好、合格和不合格。

本实施例中预测模型为lightgbm模型。实际应用中，预测模型不限于lightgbm模型，可选用catboost模型。

本发明的基于机器学习的工件质量预测模型构建方法可得到一种训练后预测模型，该训练后预测模型对测试样本进行预测。

通过该预测模型预测时，测试样本的选取方法为：采集待测工件的特征作为测试数据，并对测试数据进行预处理；基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；通过采集的特征以及选取的多项式特征组成测试样本。

实施例2：

本发明的一种基于机器学习的工件质量预测方法，包括如下步骤：

s100、通过如实施例1公开的一种基于机器学习的工件质量预测模型构建方法构建预测模型，得到训练后预测模型；

s200、采集待测工件的特征作为测试数据，并对测试数据进行预处理；

s300、基于上述采集的特征构造至少一个多项式特征，对于每个多项式特征，计算所述多项式特征在不同标签之间的分布，并选取分布差异明显的多项式特征；

s400、通过采集的特征以及选取的多项式特征组成测试样本，将测试样本输入训练后预测模型，得到每个标签对应的概率；

s500、通过上述每个标签对应的概率组成概率样本，将概率样本输入异常检测模型，去除概率样本中异常概率，得到处理后概率样本；

s600、对处理后概率样本进行求均值计算，以所述均值作为良品率预测。

其中，步骤s100中采集不同制造时间对应的待测工件的长度、宽度等特征，上述不同时间的各个特征组成矩阵形式，矩阵中每一列为某个特征在不同时间对应的值。

对特征进行预处理为：对测试数据进行标准化处理；对测试数据进行异常值处理；对测试数据进行空缺值处理以及对测试数据进行数据增广处理。

本实施例中预测模型为lightgbm模型，异常检测模型为isolationforest模型。实际应用中，预测模型不限于lightgbm模型，可选用catboost模型。

本发明的一种基于机器学习的工件质量预测方法可预测工件的良品率。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。