[發明專利]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

有效

• 申請號: 202110752786.2
• 申請日: 2021-07-03
• 公開（公告）號: CN113268936B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 趙永滿;潘榮順;余佳昊
• 申請（專利權）人: 石河子大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/12;G06N20/00;G06F111/06;G06F111/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于多目標進化隨機森林特征選擇的關鍵特征識別方法，步驟如下：先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，形成產品質量特性數據集；再利用Relief F算法對參與分類的質量特性進行初選，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；然后將訓練數據集輸入多目標優化隨機森林特征選擇算法，得到關鍵質量特性集；最后利用測試數據集對得到的關鍵質量特性集進行驗證。本發明考慮了多元質量特性對產品最終質量的復雜影響，準確分析產品中關鍵質量特性，為關鍵質量特性識別提供借鑒，為質量控制提供支撐，提高對產品質量預測能力。

技術領域

本發明提供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，屬于質量管理領域。

背景技術

在如今現代化的工業生產中，產品生產過程中會產生海量的過程數據和質量特性數據，其中有生產環境數據、產品特性數據、裝配特性數據和客戶需求特性數據等等。其中一些質量特性對產品的質量有十分重要的影響，有些卻對其影響甚微，因此，識別與產品質量密切相關的關鍵質量特性對產品的持續性改進、產品的質量預測以及產品的質量控制具有十分重要的意義。

傳統的關鍵質量特性識別方法包括關鍵特性展開和質量功能展開，關鍵特性展開方法對產品整體逐層分解，對產品從產品特性、部件特性、零件特性、工藝特性等方面逐層展開，之后應用定性、定量的分析方法，從中識別關鍵質量特性。質量功能展開方法體現了客戶需求導向，關注客戶最關注的部分質量特性，但是單純依據客戶需求容易忽略潛在的關鍵質量特性。復雜產品包含大量零部件級質量特性，質量特性間影響關系復雜，傳統定性、定量方法難以確定各質量特性的相互影響和關鍵程度。

本發明在多目標優化算法和機器學習模型結合的基礎上，利用工業生產中的質量特性數據，給出了關鍵質量特性的識別方法。用于生產過程中的產品持續性改進，提高產品質量控制及產品質量預測等能力。

發明內容

（1）發明目的

本發明的目的是提供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，以解決目前傳統定性定量方法難以識別和確定關鍵質量特性的問題。

（2）技術方案

本發明為解決上述問題提供了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，如附圖1所示，該方法包括以下步驟：

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等質量特性，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，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；

步驟4：利用測試數據集和關鍵質量特性集訓練后的隨機森林分類器對得到的關鍵質量特性集進行驗證和評估；

其中，在步驟1中所述產品質量特性數據集，其構成如附圖2所示，是指是指對同一研究對象（產品）而言，具有一定數量的質量特性（特征屬性）、一定數量的樣本（抽檢產品）和每個樣本（抽檢產品）明確分類的數據集。

其中，在步驟2中所述Relief F算法對參與分類的質量特性進行初選，具體算法流程如附圖3所示，具體方法如下：