论文部分内容阅读
制造企业在享受两化融合带来的红利的同时又面临新的挑战——“数据爆炸、信息匮乏”。各种信息系统中存储的海量数据并未进行深度数据挖掘,未能将海量数据隐藏的信息加以利用,是对资源的浪费。尤其是表面贴装技术(Surface Mounted Technology,SMT)生产线,它的自动化和信息化程度相比于其他制造业更先进,生产性更高,传统的质量预测方式已经不能满足大数据时代的数据处理需求。本文从大数据挖掘的角度出发,采用工业大数据的核心技术,重点对SMT的锡膏印刷环节的产品质量进行预测。本文的主要研究工作和创新点如下:1.详细梳理了SMT工艺流程和SMT大数据资源,制定出SMT产品质量预测流程,主要包含特征工程、数据包构建、数据预处理、质量预测模型构建和模型优化,结合机理分析和特征选择方法确定了影响锡膏印刷质量的关键因素和预测的质量特性。2.提出一种基于时序特性的特征重构方式,用t-1时刻的产品质量特性作为t时刻待预测产品的输入,最小化一些重要不可控不可采集因素的信息损失。提出用可控可采集的离散定性和离散定量小要素对原始数据切分,确定了根据PCB板长划分数据包的依据,并且提出在SMT质量预测过程中设定时间窗口T,实时动态更新数据,最终构建的时间序列数据包,提高了模型预测准确率。3.提出了对层次聚类算法(Agglomerative NESting,AGNES)的改进策略,将对聚类簇数k值的寻优转化为寻找最佳的聚类类间间距λ;提出用AGNES算法分析数据特点确定径向基(Radial Basis Function,RBF)神经网络隐含层神经元个数和隐含层中心点的方式;提出用粒子群算法(Particle Swarm Optimization,PSO)对聚类算法中的关键参数进行寻优,综合形成了基于AGNES和PSO优化的RBF神经网络的质量预测模型的构建和优化。4.最后以某企业SMT生产线的数据对本文提出的分析思路和方法进行对比验证,结果表明本方法预测效果最理想,验证了方法和思路的准确性和可行性。