买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学

摘要：本发明公开了一种基于组合模型的复杂设备产品质量实时预测系统及方法，所述系统包括：复杂设备生产数据处理模块，用于复杂设备生产数据的异常数据处理、高噪声数据滤波、归一化等预处理方法和生产特征的选择，生成完整且高质量的复杂设备产品质量预测模型中所需的训练集和测试集；产品质量子预测模型构建模块，用于多个复杂设备产品质量子预测模型的建立与参数调整；产品质量组合预测模块，用于基于最优加权法得到子预测模型的权重，通过比较组合预测模型和子模型的预测精度选择最优模型作为复杂设备产品质量预测模型。本发明解决了预测模型的结构与复杂设备的生产特点不完全匹配带来的预测精度缺陷，提高了复杂设备实时预测的精度。

主权项：1.一种基于组合模型的复杂设备产品质量实时预测系统，其特征在于，包括：复杂设备生产数据处理模块，用于历史生产数据获取、预处理以及生产特征选择；产品质量子预测模型构建模块，用于建立与复杂设备对应的多个产品质量子预测模型；产品质量组合预测模块，用于根据多个产品质量子预测模型的指标实现组合预测模型的权重计算，根据权重的物理意义完成预测值的输出；所述复杂设备生产数据处理模块具体实现如下：步骤1.1、历史生产数据获取：获取复杂设备的历史生产数据，包括生产环境数据E、设备工艺参数M、关键控制参数C、产品质量参数Q；步骤1.2、历史生产数据预处理：将所有历史生产数据经异常值处理、时滞数据对齐、滤波、归一化四个步骤的处理后，得到完整可靠的历史生产数据；步骤1.3、特征选择：基于完整可靠的历史生产数据，通过皮尔逊相关系数选择与产品质量存在强相关线性关系的生产特征，包括，当皮尔逊相关系数大于等于预设阈值时，所述生产特征与产品质量属于强相关线性关系，保留该生产特征；反之，丢弃该生产特征；所述产品质量子预测模型构建模块具体实现如下：步骤2.1、子预测模型建立：分别构建具有不同结构的子预测模型，其中，不同结构的子预测模型包括ELM、LightGBM和LSTM模型；步骤2.2、子预测模型训练：将经由预处理和特征选择后的历史生产数据分别调整为符合不同预测模型输入的格式，输入至对应的子预测模型中进行子预测模型的训练与调参，得到复杂设备产品质量分别在ELM、LightGBM和LSTM模型下的最优预测结果；所述产品质量组合预测模块具体实现如下：步骤3.1、子预测模型指标计算：采用平均绝对误差法计算由ELM、LightGBM和LSTM模型构成的组合预测模型中每个子预测模型的预测效果；步骤3.2、子预测模型权重计算：通过最优加权法计算组合预测模型中三个子预测模型的最优组合权重，所述分别对应ELM模型、LightGBM模型和LSTM模型的权重，三个权重加和为1；步骤3.3、判断子预测模型权重的物理意义：当步骤3.2计算出的三个权重中任意一个权重超出[0-1]的范围时，判定权重丢失了其物理意义，执行步骤3.5；当三个权重都在[0-1]范围内时，判定组合预测模型的效果较好，执行步骤3.4；步骤3.4、组合预测值：利用公式计算得到组合预测值，其中，是t时刻的组合预测值，是第k个预测模型的在t时刻的预测值，是第k个子预测模型的权重，k=1,2,3；步骤3.5、单预测值：根据步骤3.1计算的每个子预测模型的平均绝对误差，选取平均绝对误差最小的子预测模型的预测值作为输出。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于组合模型的复杂设备产品质量实时预测系统及方法