开云优惠体育网页版入口

专利名称：基于机器学习的金属制品质量预测方法及系统

专利类型：发明专利

专利申请号：CN202411343146.6

专利申请（专利权）人：龙岩学院
权利人地址：福建省龙岩市新罗区东肖北路1号

专利发明（设计）人：魏铖

专利摘要：本发明公开了基于机器学习的金属制品质量预测方法及系统，方法包括：采集金属制品生产数据、数据预处理、构建金属制品质量预测模型、模型性能提升和金属制品质量预测开云优惠体育网页版入口生成。本发明属于质量管理技术领域，具体是指基于机器学习的金属制品质量预测方法及系统，本方案采用分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；采用进行模型微调，微调时冻结预训练模型下层，计算微调的目标损失，明确微调期间模型参数更新规则，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域。

主权利要求：
1.基于机器学习的金属制品质量预测方法，其特征在于：该方法包括以下步骤：步骤S1：采集金属制品生产数据；
步骤S2：数据预处理；
步骤S3：构建金属制品质量预测模型，具体为分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；
步骤S4：模型性能提升，具体为进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域；
步骤S5：金属制品质量预测开云优惠体育网页版入口生成；
在步骤S3中，所述构建金属制品质量预测模型，包括以下步骤：步骤S31：预测问题分析；
步骤S32：采用基于两阶段不平衡学习的质量预测模型，第一阶段进行关键过程变量选择，用于确定重要变量，第二阶段进行质量不平衡预测，用于对金属制品质量进行预测；
步骤S33：关键过程变量选择，由于原始金属制品质量数据不平衡，通过随机欠采样策略先获取平衡数据集，然后利用改进的极随机树进行关键过程变量的自适应选择，用于解决直接在不平衡数据上选择会出现的错误和偏向的问题；
步骤S34：计算金属制品质量的每个变量的条件熵，用于衡量每个变量对于金属制品质量在给定条件下的不确定性，所用公式如下：；
式中， 表示在给定变量的条件下，金属制品质量的条件熵，Y是金属制品质量，X表示过程变量，R表示变量区间的总数，i表示变量区间的索引， 是每个第i个变量区间的概率，表示第i个变量的具体取值；
步骤S35：划分样本数据，样本数据根据信息增益进行划分，所用公式如下：；
式中， 表示信息增益， 表示目标变量的熵；
步骤S36：质量不平衡预测优化，包括以下步骤：
步骤S361：采用基于差分进化成本敏感型的质量不平衡预测方法来表示数据集，所用公式如下：；
式中，y表示最终质量标签，S表示数据集，xN表示各个样本的特征向量，即关键过程变量的具体取值，yN表示对应的最终质量标签，N表示样本总数量；
步骤S362：从生产的实际角度来看，需要更加重视有缺陷的产品被误归类为合格品的情况，所用公式如下：；
式中，δ是学习率，用于控制每次迭代时调整幅度的大。 表示第k次迭代后的预测函数，用于预测产品是否合格， 表示上一次迭代后的预测函数， 表示在第k次迭代时的权重系数， 表示第k次迭代时的梯度函数；
步骤S363：将集成模型计算为所有树分类器的线性组合，所用公式如下：；
式中， 表示最终的集成模型对输入x的预测结果，sign表示符号函数，K表示树分类器的总数；
步骤S364：设计基于差分进化的超参数联合优化方法，所用公式如下：；
式中，f表示要优化的目标函数值，表示质量的实际值， 表示质量的预测值，表示实际值与预测值之间的复函数；
在步骤S4中，所述模型性能提升，包括以下步骤：
步骤S41：进行模型微调，微调金属制品质量预测模型；
步骤S42：在微调时冻结预训练模型下层；
步骤S43：计算微调的目标损失，所用公式如下：
；
式中， 表示微调的目标损失，是加权参数，用于调节原任务损失的影响程度，是目标任务丢失， 表示原任务的损失，是加权参数，用于调节目标任务损失的影响程度；
步骤S44：明确微调期间的模型参数更新规则，用于保证在微调过程中根据目标损失函数的梯度和学习率来合理更新模型参数，所用公式如下：；
式中， 表示更新后的新的模型参数， 表示模型当前已有的参数，表示学习率，控制参数更新的步长， 表示目标函数相对于模型参数的梯度；
步骤S45：微调迁移学习策略，基于微调的迁移学习策略利用注意力卷积神经网络将学习的特征和权重从源域中的预训练模型转移到目标域，通过使用来自目标域的数据微调传输的模型，适应和泛化到新的任务和数据集。
2.根据权利要求1所述的基于机器学习的金属制品质量预测方法，其特征在于：在步骤S1中，所述采集金属制品数据，包括以下步骤：步骤S11：明确采集目标，确定设置采集点的位置；
步骤S12：设备安装，将测量工具和设备安装到确定的采集点位置，进行调试。
3.根据权利要求1所述的基于机器学习的金属制品质量预测方法，其特征在于：在步骤S2中，所述数据预处理，具体为进行数据清洗，去除无效、错误的金属制品数据，对数据进行特征提。萁鹗糁破返闹柿恐副，提取出具有代表性的特征，观察金属制品数据的质量分布情况。
4.根据权利要求1所述的基于机器学习的金属制品质量预测方法，其特征在于：在步骤S5中，所述金属制品质量预测开云优惠体育网页版入口生成，具体为记录生产过程中的各项参数，包括原材料质量、加工工艺、温度和压力，采用金属制品质量预测模型进行质量预测，对出现的质量问题的因素进行分析总结，针对预测结果，提出修改建议，所述修改建议包括优化原材料的选择和检测、严格控制加工过程中的参数，建立持续监测和反馈机制，及时调整生产策略。
5.基于机器学习的金属制品质量预测系统，用于实现如权利要求1?4中任一项所述的基于机器学习的金属制品质量预测方法，其特征在于：包括采集金属制品生产数据模块、数据预处理模块、构建金属制品质量预测模型模块、模型性能提升模块和金属制品质量预测开云优惠体育网页版入口生成模块。
6.根据权利要求5所述的基于机器学习的金属制品质量预测系统，其特征在于：所述采集金属制品生产数据模块，具体为明确采集目标，进行设备安装；
所述数据预处理模块，具体为进行数据清洗，对数据进行特征提。
所述构建金属制品质量预测模型模块，具体为分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；
所述模型性能提升模块，具体为进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域；
所述金属制品质量预测开云优惠体育网页版入口生成模块，具体为记录生产过程中的各项参数，建立持续监测和反馈机制，及时调整生产策略。 说明书 : 基于机器学习的金属制品质量预测方法及系统技术领域[0001] 本发明属于质量管理技术领域，具体是基于机器学习的金属制品质量预测方法及系统。背景技术[0002] 金属制品质量预测方法是一种利用数据分析和机器学习手段，提前对金属制品的质量状况进行评估和预测，以便及时采取措施优化生产工艺、调整生产参数，旨在有效提高金属制品的质量稳定性和一致性，降低次品率和生产成本，提升企业的竞争力和经济效益。但是现有的金属制品质量预测方法，存在金属制品质量分布不平衡，生产过程中变量复杂耦合，对质量预测产生影响，导致预测不准确的技术问题；存在金属制品质量预测模型特征适应性不够好，不能很好地处理各种情况，面对有限的金属制品质量相关数据时，不能有效利用已有知识和经验来提升性能的技术问题。发明内容[0003] 针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器学习的金属制品质量预测方法及系统，针对存在金属制品质量分布不平衡，生产过程中变量复杂耦合，对质量预测产生影响，导致预测不准确的技术问题，采用分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；针对存在金属制品质量预测模型特征适应性不够好，不能很好地处理各种情况，面对有限的金属制品质量相关数据时，不能有效利用已有知识和经验来提升性能的技术问题，采用进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域。[0004] 本发明采取的技术方案如下：本发明提供的基于机器学习的金属制品质量预测方法，该方法包括以下步骤：[0005] 步骤S1：采集金属制品生产数据，具体为明确采集目标，进行设备安装；[0006] 步骤S2：数据预处理，具体为进行数据清洗，对数据进行特征提。籟0007] 步骤S3：构建金属制品质量预测模型，具体为分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；[0008] 步骤S4：模型性能提升，具体为进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域；[0009] 步骤S5：金属制品质量预测开云优惠体育网页版入口生成，具体为记录生产过程中的各项参数，建立持续监测和反馈机制，及时调整生产策略。[0010] 进一步地，在步骤S1中，所述采集金属制品数据，包括以下步骤：[0011] 步骤S11：明确采集目标，包括金属制品的尺寸、重量、硬度和表面粗糙度，规划采集点，根据生产流程和目标数据，确定设置采集点的位置；[0012] 步骤S12：设备安装，将测量工具和设备安装到确定的采集点位置，进行调试，确保能稳定运行并与数据采集系统有效连接。[0013] 进一步地，在步骤S2中，所述数据预处理，具体为进行数据清洗，去除无效、错误的金属制品数据，确保数据的准确性，对数据进行特征提。萁鹗糁破返闹柿恐副，提取出具有代表性的特征，观察金属制品数据的质量分布情况。[0014] 进一步地，在步骤S3中，所述构建金属制品质量预测模型，包括以下步骤：[0015] 步骤S31：预测问题分析，大多数金属制品的最终质量是合格的，只有少数是有缺陷的，导致金属制品质量分布不平衡的问题，使传统的质量预测模型难以获得精确的分类边界；生产过程中变量之间复杂耦合，难以识别关键过程变量且冗余变量影响计算时间和性能；[0016] 所述关键过程变量指在生产过程中对最终产品质量、性能和特性至关重要的变量；[0017] 步骤S32：采用基于两阶段不平衡学习的质量预测模型，第一阶段进行关键过程变量选择，用于确定重要变量，第二阶段进行质量不平衡预测，用于更准确地对金属制品质量进行预测；[0018] 步骤S33：关键过程变量选择，由于原始金属制品质量数据不平衡，通过随机欠采样策略先获取平衡数据集，然后利用改进的极随机树进行关键过程变量的自适应选择，用于解决直接在不平衡数据上选择会出现的错误和偏向的问题；[0019] 步骤S34：计算金属制品质量的每个变量的条件熵，用于衡量每个变量对于金属制品质量在给定条件下的不确定性，所用公式如下：[0020] ；[0021] 式中， 表示在给定变量的条件下，金属制品质量的条件熵，Y是金属制品质量，X表示过程变量，R表示变量区间的总数，i表示变量区间的索引， 是每个第i个变量区间的概率，表示第i个变量的具体取值；[0022] 步骤S35：划分样本数据，样本数据根据信息增益进行划分，提高决策树的预测准确性，所用公式如下：[0023] ；[0024] 式中， 表示信息增益， 表示目标变量的熵；[0025] 步骤S36：质量不平衡预测优化，包括以下步骤：[0026] 步骤S361：选择关键过程变量后，将所选关键过程变量和相关的质量标签视为质量预测模型的输入和输出，由于不平衡的质量标签限制了传统模型，采用基于差分进化成本敏感型的质量不平衡预测方法来表示数据集，所述差分进化表示一种优化算法，通过模拟生物进化过程中的变异、交叉和选择寻找最优解，所述成本敏感型表示这种方法特别关注不同类别带来的成本差异，在质量不平衡预测中，少数类别的错误预测成本要高于其他类别，因此在进化过程中进行有针对的调整和优化，更好地处理质量不平衡数据的预测问题，提高对少数重要类别的预测准确性，所用公式如下：[0027] ；[0028] 式中，y表示最终质量标签，S表示数据集， 表示各个样本的特征向量，即关键过程变量的具体取值， 表示对应的最终质量标签，N表示样本总数量；[0029] 步骤S362：从生产的实际角度来看，需要更加重视有缺陷的产品被误归类为合格品的情况，因此预测为合格产品的故障产品的分类成本相对较高，所用公式如下：[0030] ；[0031] 式中，δ是学习率，用于控制每次迭代时调整幅度的大。 表示第k次迭代后的预测函数，用于预测产品是否合格， 表示上一次迭代后的预测函数， 表示在第k次迭代时的权重系数， 表示第k次迭代时的梯度函数；[0032] 步骤S363：将集成模型计算为所有树分类器的线性组合，所用公式如下：[0033] ；[0034] 式中， 表示最终的集成模型对输入x的预测结果，sign表示符号函数，K表示树分类器的总数；[0035] 步骤S364：设计基于差分进化的超参数联合优化方法，所用公式如下：[0036] ；[0037] 式中，f表示要优化的目标函数值， 表示质量的实际值， 表示质量的预测值，表示实际值与预测值之间的复函数。[0038] 进一步地，在步骤S4中，所述模型性能提升，包括以下步骤：[0039] 步骤S41：进行模型微调，微调金属制品质量预测模型；[0040] 步骤S42：在微调时冻结预训练模型下层，让更高层针对金属制品质量预测这个目标任务进行专门的调整和适应，更好地捕捉与质量相关的细微特征；[0041] 步骤S43：计算微调的目标损失，通过调整加权参数来平衡原任务损失和目标任务损失的影响，从而使模型在金属制品质量预测任务中找到最适合的参数配置，所用公式如下：[0042] ；[0043] 式中， 表示微调的目标损失，是加权参数，用于调节原任务损失的影响程度，是目标任务丢失， 表示原任务的损失，是加权参数，用于调节目标任务损失的影响程度；[0044] 步骤S44：明确微调期间的模型参数更新规则，用于保证在微调过程中根据目标损失函数的梯度和学习率来合理更新模型参数，使得模型逐渐优化以适应金属制品质量预测的需求，通过微调策略，即使金属制品质量预测可用的标记数据有限，也能利用预训练模型的知识表示，大大减少所需要的数据量，所用公式如下：[0045] ；[0046] 式中， 表示更新后的新的模型参数， 表示模型当前已有的参数，表示学习率，控制参数更新的步长， 表示目标函数相对于模型参数的梯度；[0047] 步骤S45：微调迁移学习策略，基于微调的迁移学习策略利用注意力卷积神经网络将学习的特征和权重从源域中的预训练模型转移到目标域，通过使用来自目标域的数据微调传输的模型，注意力卷积神经网络可以有效地适应和泛化到新的任务和数据集。[0048] 进一步地，在步骤S5中，所述金属制品质量预测开云优惠体育网页版入口生成，具体为记录生产过程中的各项参数，包括原材料质量、加工工艺、温度和压力，采用金属制品质量预测模型进行质量预测，对可能出现的质量问题的因素进行分析总结，针对预测结果，提出修改建议，所述修改建议包括优化原材料的选择和检测、严格控制加工过程中的关键参数，建立持续监测和反馈机制，以便及时调整生产策略。[0049] 本发明提供的基于机器学习的金属制品质量预测系统，包括采集金属制品生产数据模块、数据预处理模块、构建金属制品质量预测模型模块、模型性能提升模块和金属制品质量预测开云优惠体育网页版入口生成模块；[0050] 所述采集金属制品生产数据模块，具体为明确采集目标，进行设备安装；[0051] 所述数据预处理模块，具体为进行数据清洗，对数据进行特征提。籟0052] 所述构建金属制品质量预测模型模块，具体为分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；[0053] 所述模型性能提升模块，具体为进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域；[0054] 所述金属制品质量预测开云优惠体育网页版入口生成模块，具体为记录生产过程中的各项参数，建立持续监测和反馈机制，及时调整生产策略。[0055] 采用上述方案本发明取得的有益开云优惠体育网页版入口如下：[0056] （1）针对存在金属制品质量分布不平衡，生产过程中变量复杂耦合，对质量预测产生影响，导致预测不准确的技术问题，采用分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；[0057] （2）针对存在金属制品质量预测模型特征适应性不够好，不能很好地处理各种情况，面对有限的金属制品质量相关数据时，不能有效利用已有知识和经验来提升性能的技术问题，采用进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域。附图说明[0058] 图1为本发明提供的基于机器学习的金属制品质量预测方法的流程示意图；[0059] 图2为本发明提供的基于机器学习的金属制品质量预测系统的示意图；[0060] 图3为步骤S3的流程示意图；[0061] 图4为步骤S4的流程示意图。[0062] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。具体实施方式[0063] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0064] 在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。[0065] 实施例一，参阅图1，本发明提供的基于机器学习的金属制品质量预测方法，该方法包括以下步骤：[0066] 步骤S1：采集金属制品生产数据，具体为明确采集目标，进行设备安装；[0067] 步骤S2：数据预处理，具体为进行数据清洗，对数据进行特征提。籟0068] 步骤S3：构建金属制品质量预测模型，具体为分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；[0069] 步骤S4：模型性能提升，具体为进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域；[0070] 步骤S5：金属制品质量预测开云优惠体育网页版入口生成，具体为记录生产过程中的各项参数，建立持续监测和反馈机制，及时调整生产策略。[0071] 实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，所述采集金属制品数据，包括以下步骤：[0072] 步骤S11：明确采集目标，包括金属制品的尺寸、重量、硬度和表面粗糙度，规划采集点，根据生产流程和目标数据，确定设置采集点的位置；[0073] 步骤S12：设备安装，将测量工具和设备安装到确定的采集点位置，进行调试，确保能稳定运行并与数据采集系统有效连接。[0074] 实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，所述数据预处理，具体为进行数据清洗，去除无效、错误的金属制品数据，确保数据的准确性，对数据进行特征提。萁鹗糁破返闹柿恐副，提取出具有代表性的特征，观察金属制品数据的质量分布情况。[0075] 实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，所述构建金属制品质量预测模型，包括以下步骤：[0076] 步骤S31：预测问题分析，大多数金属制品的最终质量是合格的，只有少数是有缺陷的，导致金属制品质量分布不平衡的问题，使传统的质量预测模型难以获得精确的分类边界；生产过程中变量之间复杂耦合，难以识别关键过程变量且冗余变量影响计算时间和性能；[0077] 所述关键过程变量指在生产过程中对最终产品质量、性能和特性至关重要的变量；[0078] 步骤S32：采用基于两阶段不平衡学习的质量预测模型，第一阶段进行关键过程变量选择，用于确定重要变量，第二阶段进行质量不平衡预测，用于更准确地对金属制品质量进行预测；[0079] 步骤S33：关键过程变量选择，由于原始金属制品质量数据不平衡，通过随机欠采样策略先获取平衡数据集，然后利用改进的极随机树进行关键过程变量的自适应选择，用于解决直接在不平衡数据上选择会出现的错误和偏向的问题；[0080] 步骤S34：计算金属制品质量的每个变量的条件熵，用于衡量每个变量对于金属制品质量在给定条件下的不确定性，所用公式如下：[0081] ；[0082] 式中， 表示在给定变量的条件下，金属制品质量的条件熵，Y是金属制品质量，X表示过程变量，R表示变量区间的总数，i表示变量区间的索引， 是每个第i个变量区间的概率，表示第i个变量的具体取值；[0083] 步骤S35：划分样本数据，样本数据根据信息增益进行划分，提高决策树的预测准确性，所用公式如下：[0084] ；[0085] 式中， 表示信息增益， 表示目标变量的熵；[0086] 步骤S36：质量不平衡预测优化，包括以下步骤：[0087] 步骤S361：选择关键过程变量后，将所选关键过程变量和相关的质量标签视为质量预测模型的输入和输出，由于不平衡的质量标签限制了传统模型，采用基于差分进化成本敏感型的质量不平衡预测方法来表示数据集，所述差分进化表示一种优化算法，通过模拟生物进化过程中的变异、交叉和选择寻找最优解，所述成本敏感型表示这种方法特别关注不同类别带来的成本差异，在质量不平衡预测中，少数类别的错误预测成本要高于其他类别，因此在进化过程中进行有针对的调整和优化，更好地处理质量不平衡数据的预测问题，提高对少数重要类别的预测准确性，所用公式如下：[0088] ；[0089] 式中，y表示最终质量标签，S表示数据集， 表示各个样本的特征向量，即关键过程变量的具体取值， 表示对应的最终质量标签，N表示样本总数量；[0090] 步骤S362：从生产的实际角度来看，需要更加重视有缺陷的产品被误归类为合格品的情况，因此预测为合格产品的故障产品的分类成本相对较高，所用公式如下：[0091] ；[0092] 式中，δ是学习率，用于控制每次迭代时调整幅度的大。 表示第k次迭代后的预测函数，用于预测产品是否合格， 表示上一次迭代后的预测函数， 表示在第k次迭代时的权重系数， 表示第k次迭代时的梯度函数；[0093] 步骤S363：将集成模型计算为所有树分类器的线性组合，所用公式如下：[0094] ；[0095] 式中， 表示最终的集成模型对输入x的预测结果，sign表示符号函数，K表示树分类器的总数；[0096] 步骤S364：设计基于差分进化的超参数联合优化方法，所用公式如下：[0097] ；[0098] 式中，f表示要优化的目标函数值， 表示质量的实际值， 表示质量的预测值，表示实际值与预测值之间的复函数。[0099] 通过执行上述操作，采用分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新，解决了金属制品质量分布不平衡，生产过程中变量复杂耦合，对质量预测产生影响，导致预测不准确的技术问题。[0100] 实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，所述模型性能提升，包括以下步骤：[0101] 步骤S41：进行模型微调，微调金属制品质量预测模型；[0102] 步骤S42：在微调时冻结预训练模型下层，让更高层针对金属制品质量预测这个目标任务进行专门的调整和适应，更好地捕捉与质量相关的细微特征；[0103] 步骤S43：计算微调的目标损失，通过调整加权参数来平衡原任务损失和目标任务损失的影响，从而使模型在金属制品质量预测任务中找到最适合的参数配置，所用公式如下：[0104] ；[0105] 式中， 表示微调的目标损失，是加权参数，用于调节原任务损失的影响程度，是目标任务丢失， 表示原任务的损失，是加权参数，用于调节目标任务损失的影响程度；[0106] 步骤S44：明确微调期间的模型参数更新规则，用于保证在微调过程中根据目标损失函数的梯度和学习率来合理更新模型参数，使得模型逐渐优化以适应金属制品质量预测的需求，通过微调策略，即使金属制品质量预测可用的标记数据有限，也能利用预训练模型的知识表示，大大减少所需要的数据量，所用公式如下：[0107] ；[0108] 式中， 表示更新后的新的模型参数， 表示模型当前已有的参数，表示学习率，控制参数更新的步长， 表示目标函数相对于模型参数的梯度；[0109] 步骤S45：微调迁移学习策略，基于微调的迁移学习策略利用注意力卷积神经网络将学习的特征和权重从源域中的预训练模型转移到目标域，通过使用来自目标域的数据微调传输的模型，注意力卷积神经网络可以有效地适应和泛化到新的任务和数据集。[0110] 通过执行上述操作，采用模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域，解决了金属制品质量预测模型特征适应性不够好，不能很好地处理各种情况，面对有限的金属制品质量相关数据时，不能有效利用已有知识和经验来提升性能的技术问题。[0111] 实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，所述金属制品质量预测开云优惠体育网页版入口生成，具体为记录生产过程中的各项参数，包括原材料质量、加工工艺、温度和压力，采用金属制品质量预测模型进行质量预测，对可能出现的质量问题的因素进行分析总结，针对预测结果，提出修改建议，所述修改建议包括优化原材料的选择和检测、严格控制加工过程中的关键参数，建立持续监测和反馈机制，以便及时调整生产策略。[0112] 实施例七，参阅图2，该实施例基于上述实施例，本发明提供的基于机器学习的金属制品质量预测系统，包括采集金属制品生产数据模块、数据预处理模块、构建金属制品质量预测模型模块、模型性能提升模块和金属制品质量预测开云优惠体育网页版入口生成模块；[0113] 所述采集金属制品生产数据模块，具体为明确采集目标，进行设备安装；[0114] 所述数据预处理模块，具体为进行数据清洗，对数据进行特征提。籟0115] 所述构建金属制品质量预测模型模块，具体为分析质量预测问题，采用基于两阶段不平衡学习的质量预测模型，进行关键过程变量选择和质量不平衡预测优化，从实际角度出发，重视有缺陷产品被误归类的情况，通过迭代公式进行预测函数更新；[0116] 所述模型性能提升模块，具体为进行模型微调，微调时冻结预训练模型下层，让更高层对目标任务进行调整适应，计算微调的目标损失，明确微调期间模型参数更新规则，采用微调的迁移学习策略，通过注意力卷积神经网络将源域预训练模型的特征和权重转移到目标域；[0117] 所述金属制品质量预测开云优惠体育网页版入口生成模块，具体为记录生产过程中的各项参数，建立持续监测和反馈机制，及时调整生产策略。[0118] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。[0119] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。[0120] 以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

专利地区：福建

专利申请日期：2024-09-25

专利公开日期：2024-11-29

专利公告号：CN118866210B