首页|基于CAE-DNN的多工序质量预测方法

基于CAE-DNN的多工序质量预测方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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％.
Multi-process Quality Prediction Method Based on CAE-DNN

杨静、董宝力

展开 >

浙江理工大学机械与自动控制学院,浙江杭州310018

质量预测 多工序 收缩自编码 深度神经网络 预训练

51475434LY14G010007

2021

10.11907/rjdk.202569

软件导刊
湖北省信息学会

软件导刊

影响因子：0.524
ISSN：1672-7800
年,卷(期)：2021.20(9)
  • 6