基于CAE-DNN的多工序质量预测方法

• 作者: 杨静 董宝力
• 来源期刊: 软件导刊
• 关键词: 质量预测 多工序 收缩自编码 深度神经网络 预训练
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 18-22
• 页数: 5页
• 分类号: TP301
• 语种: 中文
• DOI: 10.11907/rjdk.202569

摘要

针对多工序产品过程质量数据多特征、多噪声特性,提出一种基于收缩自编码器—深度神经网络的多工序产品质量预测方法.为了减少质量预测模型对噪声数据的敏感性,首先基于收缩自编码器的特征提取模型,完成预训练;然后将预训练网络的权重和偏置参数传递至多尺度卷积神经网络,作为预测模型的初始化参数,并增加批量归一化层、Dropout和L2正则化,优化神经网络结构,减少过拟合.以天池智能制造质量预测数据为例进行实验验证,结果表明该混合模型算法相较于AE-DNN、DNN、PCA-BP和PCA-SVR,MSE值分别降低了27.68％、30.94％、54.02％、48.16％.