摘要
针对复杂多阶段(多质量属性)产品在最终制造阶段进行质量预测时,难以对造成质量异常的潜在工艺参数进行在线溯源及实时优化导致质量预测精度较低的问题。提出数据驱动的复杂多阶段产品质量预测模型。首先,通过对历史工艺参数和质量数据应用基于规则的深度置信网络(RBDBN)形成各阶段质量分类规则及应用动态自适应模型对制造过程中异常工艺参数进行实时优化形成更优的质量分类规则;其次,应用Catboost算法建立基于各阶段的在线质量预测模型以提高最终产品质量的预测精度及制造高质量的产品。最后,将该模型应用于注塑制品多阶段多质量属性预测案例中,研究结果表明该预测模型的有效性及较高质量预测精度。
作者
任黎明
石宇强
王俊佳
REN Li-ming;SHI Yu-qiang;WANG Jun-jia
出处
《制造业自动化》
CSCD
北大核心
2022年第3期54-58,共5页
Manufacturing Automation
基金
四川省教育厅资助科研项目(18ZA0497)。
