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！

摘要：本发明公开了一种基于异构因果图注意力网络的大规模定制质量预测方法。本发明针对大规模定制生产模式模块化生产、定制化组装等特点以及数据中多尺度、数据混杂的问题设计质量预测方法。首先，提出了一种PCAM因果发现算法，利用机理和数据联合构建因果骨架，基于加性噪声模型并引入了评分机制获得可靠的因果图结构；然后基于因果图结构，针对多尺度问题，设计了异构因果图注意力网络HCGAT，利用不同的权重参数矩阵，将不同维度的节点特征映射到相同维度上，再通过图注意力网络进行训练。最后，针对大规模定制生产定制化产品的特点，提出了一种适合于大规模定制生产的质量预测框架，通过定制化组装信息设计了定制化编码，并基于此构建了筛选器和判断器对数据进行分类和处理，再利用HCGAT作为子模型对不同种类产品数据进行质量预测。

主权项：1.一种基于异构因果图注意力网络的大规模定制生产质量预测方法，其特征在于，所述方法包括以下步骤：步骤1：根据大规模定制生产模式的特点，对于大规模定制生产模式制造过程和采集的数据进行了定义，其制造过程大致可以分为模块化设计、定制化组装以及产品生产及测试三个步骤：1.1对产品的配件设计提出了更高的要求，为了能适配更多的产品，配件设计更趋于标准化，形成通用配件模块；1.2在定制化组装过程中，不同种类和数量的配件进行选配，形成由多种产品构成的产品系列，用以供顾客选择；1.3进入生产和测试环节，对挑选的产品进行生产和测试，用产品质量参数确保最终的产品质量合格；在此过程中定义相应的采集的数据，包括：1配件的质量数据，对于每种配件定义其关键的质量参数代表配件的质量情况，通常选择一个关键的质量参数作为代表，该数据为本方案的输入数据；2定制化组装数据，定义一种定制化的编码向量代表产品的定制化组装信息，用以表示该产品的组装使用到的配件种类和数量信息；3产品的质量数据，对于最终得到的产品，在测试阶段，选择其关键的质量参数代表最终产品的质量情况，通常选择一个关键的质量参数作为代表，该数据为本方案的目标数据；最终在大规模定制生产制造过程中可以采集到的数据被定义为X： 其中Xpi表示第i类产品的生产和测试数据，包括定制化组装数据、配件质量数据以及产品质量数据，p表示产品类别总数；npi表示实际生产的第i类产品的数量；a表示配件类别总数；qpi表示第i类产品生产过程所使用的所有配件的质量参数的总数；lpi表示第i类产品测试过程所得到的质量指标的总数；步骤2：整体的质量预测可以分为离线训练和在线测试两个环节，在离线训练中的训练数据由于定制化组装和柔性共线生产的特点，导致存在多种产品的数据混杂的情况，利用采集数据中的定制化编码向量构建筛选器用于大规模定制数据的筛选和分类，得到不同产品种类的数据；步骤3：设计了一种PCAM因果发现方法，针对由筛选器分类得到的不同产品的数据，发掘变量间关系，构建因果图结构，其步骤如下：3.1因果骨架构建，首先利用在生产中易获取的机理知识和专家经验判断是否存在因果关系，然后利用变量间的独立性检验方法判断剩余变量之间是否存在因果关系，构建一张因果骨架图；3.2因果方向确定，在因果骨架图的基础上，利用加性噪声模型确定变量间的因果方向，通过多层感知机MLP进行正向和反向的非线性拟合，通过原因变量和噪声之间的独立性判断因果方向；3.3整体结构优化，利用贝叶斯准则作评分函数，针对加性噪声模型判断存在模糊和失效的情况，通过增删新的边和改变因果方向，判断最终的整体得分是否得到改进，以此确定最终的因果图结构；步骤4：基于得到的因果图，构建并训练异构因果图神经网络HCGAT，对于每一种产品数据训练对应的子模型，其步骤如下：4.1借鉴异构图应对异构数据的思想，本发明利用不同权重参数矩阵应对多尺度数据。针对不同的变量维度，利用不同权重参数矩阵将其映射到相同维度：hii＝Wi·hi其中，hi是不同节点的特征，Wi是针对该节点特征维度和所要映射的特征维度构建的权重参数矩阵，通过不同的W，将所有的节点特征h映射到相同维度的变量hii上；4.2当获得相同维度的变量数据后，利用图注意力网络进行训练，更新函数如下： 其中σ是激活函数，αij是节点间的注意力系数表示，W是注意力机制中的权重矩阵，这里的W是同构图中的，针对于上述映射到相同维度后的节点特征；步骤5：在在线测试环节，其大致步骤如下：5.1获取配件质量数据和定制化组装数据作为测试数据，将训练过程中筛选器中分类信息提取出来设计判断器，通过与筛选器中的分类信息的编码进行对比，判断测试数据所属产品种类；5.2根据分类情况，选择对应的训练好的HCGAT子模型，用于该类产品的质量预测。

全文数据：

权利要求：

百度查询： 中国计量大学 一种基于异构因果图注意力网络的大规模定制质量预测方法