一种改进的小样本数据下产品关键工艺质量预测方法

本发明涉及小样本数据下的产品关键工艺质量预测方法设计，涉及残差连接网络下的小样本数据产品关键工艺质量学习元预测模型建立、多目标质量预测因素关键工艺参数优化设计和多目标协同进化全局快速梯度质量预测优化求解算法设计。

背景技术：

1、本发明所针对的小样本数据下的产品关键工艺质量预测方法是提高产品质量，实现生产“零”次品的重要技术手段。然而，在实际的产品装配过程中，由于工艺参数众多、获取过程繁琐，工艺和质量的潜在变化特征人为提取难度较大，且产品质量数据量的不足使工艺质量参数全局优化变得困难，因此小样本数据下的产品关键工艺质量预测方法等相关技术发展缓慢。但是随着计算机科学技术的发展，智能算法被逐渐应用于产品生产过程中的工艺优化和监测分析，为解放生产过程中的人力资源，提高工人的安全性与生产效率提供了可能。因此开展小样本数据下的产品关键工艺质量预测方法具有现实意义，如何利用智能算法对小样本数据下的产品关键工艺质量预测引发了国内外学者大量关注。文献[a.slowik and h.kwasnicka,"nature inspired methods and their industryapplications—swarm intelligence algorithms,"in ieee transactions onindustrial informatics,vol.14,no.3,pp.1004-1015,march 2018]研究了群体协同进化等群体智能算法，并将群体协同进化算法应用于产品工艺质量预测上，取得了较好的效果。但是常规的群体协同进化算法在解决多目标控制等新问题时存在手动修改算法非常耗时等问题。为了解决群体协同进化算法调试修改效率低下等相关问题，文献[c.l.camacho-villalón and m.dorigo,"pso-x:a component-based framework for the automaticdesign of particle swarm optimization algorithms,"in ieee transactions onevolutionary computation,vol.26,no.3,pp.402-416,june 2022]提出一种使用自动设计来克服手动查找执行群体协同进化算法的限制方法，提高了群体协同进化算法的调试效率。为了解决小样本数据下的产品装配过程中工艺参数众多且复杂情况下的工艺质量难以预测问题，提高产品的生产工作效率、保证生产安全和降低生产成本，一种改进的小样本数据下产品关键工艺质量预测方法对工业生产具有重要意义。

技术实现思路

1、本发明要解决小样本数据下的产品装配过程中由于产品数据量少、工艺参数众多，工艺和质量的潜在变化特征人为提取难度较大，产品工艺质量预测困难、准确度差等问题。

2、本发明解决上述问题所采用的方法是基于灰色关联分析法的关键工艺参数提取、构建残差连接网络下的小样本数据产品关键工艺质量学习元预测模型以及设计产品质量预测的多目标协同进化全局快速梯度优化求解算法。通过基于灰色关联分析法的关键工艺参数提取方法，获取产品质量预测的关键工艺参数，构建小样本数据下基于残差网络的产品关键工艺质量学习元预测模型，融合产品质量相应工艺参数约束，对产品质量预测关键工艺参数下的多目标质量因素进行优化；进一步地，基于反向精英策略和列维飞行下的工艺参数全局优化迭代策略，设计产品质量预测的多目标协同进化全局快速梯度优化求解算法，从而获取小样本数据下具有全局优化特性的产品关键工艺质量参数。本发明能够有效提高小样本数据下产品质量预测优化算法的收敛速度、全局优化效率。

3、首先，基于灰色关联分析法，利用产品装配过程中工艺参数和质量数据进行关联度计算：

4、

5、其中xi(k)表示第k个数据的第i个特征，y(k)表示第k个数据的标签，则第k个数据的特征i与第k个数据的标签的关联系数ξi(k)，|·|表示相关变量的绝对值，ρ为灰色关联系数，通常为0.5。和分别表示在任意满足条件的k和i的取值下|y(k)-xi(k)|能得到的最大值和最小值。利用关联性阈值对产品质量工艺参数关联度进行分级，从而将关联度较高的作为质量预测优化待定关键工艺参数。

6、其次，将与产品质量关联的关键工艺参数作为模型的输入训练数据，并将数据划分为多批次、多任务产品质量数据，通过内环和外环交替并行梯度更新实现模型的参数更新，构建小样本数据下基于残差网络的产品关键工艺质量学习元预测模型。模型参数的内环和外环梯度更新和损失函数的公式如下：

7、

8、其中，θ是产品质量预测模型的参数，是一个分类任务，是包含多个分类任务的任务批次，θi′是任务内环梯度更新后的模型参数，θ″i是任务外环梯度更新后的模型参数；α为内环学习率，β为外环学习率，是任务的损失函数，是内环梯度更新时任务的损失函数的梯度方向，是外环梯度更新时批次任务中每个分类任务损失函数的梯度方向矢量和；y(j)是数据x(j)的标签，是数据x(j)预测的概率，表示任务中每个数据x(j)和其标签y(j)交叉熵运算之和。

9、进一步地，将与产品质量关联的关键工艺质量参数作为目标优化参数，建立相应的产品质量多因素优化目标函数，并结合小样本数据下产品关键工艺质量学习元预测模型以及关键工艺质量参数的物理特性约束，对产品质量预测关键工艺参数下的多目标质量因素进行优化。构建的小样本数据下产品质量预测关键工艺参数下的多目标质量因素的目标函数为：

10、

11、其中，{x1,x2,…,xn}是关键工艺参数，是由产品关键工艺质量参数的物理特性约束条件，表示满足f(x1,x2,…,xn)最小时(x1,x2,…,xn)的取值。而fu为第u个目标函数，可以用下式表示：

12、fu(x1,x2,…,xn)＝fmodel(x1,x2,…,xn)-yu (4)

13、其中，fmodel是小样本数据下产品质量预测模型，{x1,x2,…,xn}是关键工艺参数，yu是第u个目标函数的期望输出。

14、最后通过一种改进的目标协同进化全局快速梯度优化求解算法，来实现小样本数据下的产品关键工艺质量参数的全局优化。其主要步骤如下：

15、第一，为了减少搜索空间的范围，提高收敛速度，通过反向精英策略生成反向种群：

16、

17、其中：i∈(1,m)，m是种群个体的数量；j∈(1,n)，n是关键工艺参数的个数。xij(t)为种群的第i个体在第j个关键工艺参数上的分量，k是介于0～1的随机数。为xij(t)对应的精英反向解。

18、第二，通过融入列维飞行策略的改进群体协同进化算法来更新产品关键工艺质量参数的数值：

19、

20、vi(k)和xi(k)是第i个个体在第k次迭代时的速度和位置，vi(k+1)和xi(k+1)是第i个个体在第k+1此迭代时的速度和位置。w是惯性系数，c1和c2为自身认知因子和社会认知因子。为第i个个体在迭代过程中的最佳适应度值，gbest为所有个体的最佳适应度值。而levy(s)是个随机步长，其公式如下：

21、

22、其中：γ为伽马函数，γ为常数，通常取值γ＝1.5。levy(s)～s表示levy(s)等价于步长s，表示ν等价于数学期望为0，方差为的正态分布，表示μ等价于数学期望为0，方差为的正态分布。

23、第三，为了避免算法陷入局部最优解，通过全局梯度优化策略来判断关键工艺参数的新解代替个体历史最优解的概率：

24、

25、其中，g(xi(k))是第i个个体在k次迭代时的适应度值，是第i个个体历史最优适应度值，t(k)为当前迭代过程中的温度。通过比较随机生成的概率p与pi(k)的大小，如果p＞pi(k)，则用个体的新解代替个体最优解。