丁鹏程1,战洪飞1+,林颖俊2,余军合1,王瑞1
DING Pengcheng1,ZHAN Honfei1+,LIN Yingjun2,YU Junhe1,WANG Rui1
摘要: 在产品生产过程中,准确快地预测产品质量有助于企业及时调整制造工艺,降低损失。针对实际生产过程中,现场采集的工艺数据存在维度高、相关性复杂且用传统方法难以准确预测的问题,提出一种基于改进多隐层极限学习机(Improved Multiple Hidden Layer Extreme Learning Machine,LCGWO-DMKEA-BLSTM)的方法。首先,通过互信息法(Mutual Information,MI)对采集的生产工艺特征参数进行筛选,组成模型输入初始特征集。其次,将高斯核函数与反余弦核函数加权结合,构造出新的混合核函数,并引入自动编码器对极限学习机进行改进,建立深度多内核极限学习机自编码器(Deep Multi-Kernel Extreme Learning Machine Auto-encoder,DMKEA)特征挖掘模型,从高维复杂工艺特征集中提取最能反映产品质量的关键特征信息,输入决策层双向长短时神经网络(Bidirectional Long Short-term Memory Network,BLSTM)中进行质量预测。在DMKEA学习训练中,采用基于Circle混沌映射和Levy飞行策略改进的灰狼算法(Improved Grey Wolf Optimizer,LCGWO),优化惩罚系数、核参数以及核函数组合权重,提高DMKEA的特征挖掘能力。最后用半导体薄膜晶体管液晶显示器生产线的工艺数据实验验证了所提出方法的有效性。研究成果有助于企业实现准确地产品质量预测,也为企业生产的数据赋能提供参考。
中图分类号: