1.一種基于多目標進化隨機森林特征選擇的關鍵質量特性識別方法，其特征在于，包括以下步驟：步驟1：通過車間數字化檢測來獲取生產過程中的多元質量特性數據信息，包含若干過程參數、產品尺寸參數和產品等級分類質量特性，這些質量特性是影響產品整體質量水平的重要因素，從而形成產品質量特性數據集；步驟2：利用Relief F算法對參與分類的質量特性進行初選，得出質量特性的算法權重，剔除類間距離小于類內距離的質量特性，將初選后的數據集劃分為兩部分：產品質量特性訓練數據集與產品質量特性測試數據集；步驟3：將訓練數據集輸入多目標進化隨機森林特征選擇算法，建立多個相對應算法目標，生成初始種群，設置迭代種群代數，得到優勢關鍵質量特性集， 步驟3將訓練數據集分為內部訓練集和內部測試集，內部訓練集用于訓練隨機森林模型分類器，內部測試集用來評估算法生成的被選擇的質量特性集合s的部分目標函數值， 然后輸入多目標進化隨機森林特征選擇算法，建立多個相對應算法目標，生成初始種群，設置迭代種群代數，得到優勢關鍵質量特性集，其中多目標進化隨機森林特征選擇算法流程由兩部分組成，一是多目標進化算法，選取NSGAⅡ算法，利用Matlab軟件實現；二是隨機森林分類器，利用Python實現，整體算法實現過程由Matlab和Python交互實現， 算法具體步驟如下：3-1：初始化種群，隨機產生種群Pt，Pt中每個個體都是一些被選擇的質量特性的集合s, Pt=(s1,s2,s3,s4,s5,…,sn), n為種群中個體數量，種群中的個體基因編碼方式采用二進制編碼方法，令解s的編碼為C，則C=(c1,c2,c3,c4,c5,…,cN)為1×N的向量；N為總質量特性數量，每個元素ci∈{0,1}(i=1,2,3,…,n)代表第i個特征有沒有被選擇，若是為‘1’則被選擇，為‘0’則沒被選擇， 每個編碼對應一個解，也就是一個質量特性子集，3-2：對種群Pt進行遺傳、交叉和變異得到種群Pt，3-2具體步驟如下：3-2-1：其種群中遺傳方式為二進制錦標賽選擇，每次從父代群體中選擇兩個個體，對比兩個個體（使用擁擠對比算子），更優者加入子代群體；3-2-2：種群中個體之間的交叉方法選用單點交叉方法，個體C1=(c11,c12,c13,c14,c15,…,c1N)，C2=(c21,c22,c23,c24,c25,…,c2N)以交叉概率pc進行交叉操作生成兩個新個體：C1=(c11,c12,c13,…,c1e-1,c2e…,c2N)，C2=(c21,c22,c23,…,c2e-1,c1e…,c1N)；3-2-3：種群中個體的變異方式選用多點變異方法，個體C=(c1,c2,c3,c4,c5,…,cN)每個基因以變異概率pm進行變異操作生成新個體：若原位為‘0’則變異為‘1’，原位為‘1’，則變異為‘0’；3-3：利用算法設置的目標函數對種群Rt=Pt +Pt’每個個體計算適應度函數值，其算法目標由實際生產要求設置，包括但不限于Min F(s)={f1(s),f2(s),f3(s)}，f1 為分類錯誤率,f2為Relief F算法下s的權重和的倒數,f3為質量特性子集大小，對每個個體進行適應度評價，每個個體都會獲得目標值{f1(s),f2(s),f3(s)}，3-3具體步驟為：3-3-1：將R中每個個體解碼為對應的質量特性集合；3-3-2：解碼后對應的質量特性集合，質量特性的數量為適應度函數f3(s)的值；3-3-3：解碼后對應的質量特性集合，對應Relief F算法下s的權重和的倒數為函數f2(s)的值；3-3-4：抽取內部訓練集相對應的質量特性數據集分別對隨機森林分類器進行訓練；3-3-5：抽取內部測試集相對應的質量特性數據集分別對訓練后的隨機森林分類器驗證預測精度，得出適應度函數f1(s)的值；3-4：利用快速非支配排序方法對Rt每個個體進行非支配等級排序，種群中個體的非支配排序依據為：對于最小化多目標優化問題，對于n個目標分量fi(s),(i=1,2,…,n)，任意給定兩個決策變量Xa ,Xb，如果有以下兩個條件成立，則稱Xa支配Xb：1，對于任意i∈1,2,…,n，都有fi(Xa)≤fi(Xb)成立；2，存在i∈1,2,…,n，使得fi(Xa)≤fi(Xb)成立， 如果對于一個決策變量，不存在其他決策變量能夠支配他，那么就稱該決策變量為非支配解，在一組解中，非支配解Pareto等級定義為1，將非支配解從解的集合中刪除，剩下解的Pareto等級定義為2，依次類推，可以得到該解集合中所有解的Pareto等級，3-5：選擇當前非支配等級最小的個體入選種群Pt+1，直至Pt+1種群無法容納下一等級為止，3-6：利用擁擠距離分配方法對下一非支配等級個體進行擁擠距離排序，具體方法為：擁擠度表示在種群中給定點的周圍個體的密度，用id表示，直觀上用個體i周圍包含個體i但不包含其余個體的最大長方形的長來表示，3-7：選擇擁擠距離最大的個體入選種群Pt+1，直至補全種群Pt+1， 3-8：重復步驟3-2至3-7，直到達到算法終止條件，輸出算法終止后的種群個體，解碼后就是識別出的關鍵質量特性集合，步驟4：利用測試數據集對得到的關鍵質量特性集進行驗證和評估。
