一、智能制造企业生产运行质量预测思路
而智能制造企业生产过程是一个由各种细小环节构成的极为复杂的过程，影响因素众多，生产质量的波动性或变异性较大；同时企业生产制造管控系统又是企业运行质量管理中重要内容，是企业获取利益和可持续发展的关键。效率效益是企业运行的结果表现，高质量的产品和服务是其中的关键指标，主要与生产质量有关。工业统计数据表明：60%～70%的产品质量问题来自于制造过程，而制造过程大多依托于工序生产，生产环境与产品质量息息相关。
只有对未来的产品质量特性进行估计，才能在产品质量缺陷产生前进行调整，因此本文以生产运行过程中的生产产品质量为预测对象。为了满足客户的多元性需求和个性化的产品层次结构，产品加工过程工艺流程日趋复杂，影响因素日渐增多，致使整个智能制造企业生产数据呈现出高维信息化、复杂非线性相关和非正态等特点。针对大数据下智能制造企业中多工序复杂生产运行过程，考虑数据的高维和非线性相关特点。
分析建立质量预测模型，探究产品质量与产品生产运行过程影响因素之间的关系，以便更好地利用生产过程数据信息，来提高生产运行质量。生产过程中的产品质量主要依赖于原材料品质及其综合生产环境，可视为原料在特定生产环境下的显式表达。当前智能制造生产企业通常都具备详细原材料筛选机制，以确保原料品质统一。
当忽略产品原料品质因素时，生产过程产品质量指数则主要是取决于综合生产环境的差异。生产环境是指产品进行制造的地点，包含众多生产步骤，表现为生产各个环节各个加工工序信息的集成。要构建生产运行质量预测模型，高维信息变量集成和生产运行质量模型构建是关键技术和难点。
产品的生产运行环境通常包含多个方面，例如在半导体生产过程中，通常涉及不同反应机台的温度、气压、流速、含氧量、液体流量、功率、制成时间等近万个影响因素；同时实际环境中，这些因素信息间往往又存在多重共线性效应、交互关联效应和替代效应等。如何对蕴含这些效应的高维变量信息进行集成，进而实现对生产环境状态的量化，对于构建后续的质量预测模型具有重要意义。
目前针对高维数据特征的集成方法主要是数据降维方法，如：线性判别分析法、主成分分析方法和LASSO等。Ludwig等和王宁等的研究表明：不论目标变量是连续、二元或者多元离散，LASSO降维既能避免参数过拟合，又能提高模型的可解释性。因此本文主要采用LASSO降维方法对生产环境的综合状态进行集成构造。经过高维信息变量集成与特征提取后，综合生产环境状态得到准确量化，同时信息维数大大降低。针对有限信息特征，目前主流方法是灰色预测模型。
传统的灰色预测模型可分为线性模型和非线性模型，这些灰色模型往往需要数据通过特定的数据检验，考虑到产品评测系统数据的复杂性，其变化规律往往未知，且具有线性或非线性特征，使得建模数据难以满足上述检验条件，从而制约了传统灰色模型在质量指数建模中的预测性能。因此本文在构建综合生产环境状态下的质量模型过程中，建立了一种新的非等间隔灰色黎卡提-伯努利模型，该模型被证明具有足够的柔韧性，能够处理线性或非线性预测问题。
二、实证结果分析及其意义
当企业进行生产运行质量中产品质量预测时，一般来说，需要对生产过程的数据训练样本进行采样检测，企业如何选择训练样本数据，关系到生产产品质量的预测精度和企业的人力和资金成本。因此企业在日常的生产过程抽检中，更多采用抽样检验方法。结合半导体企业的实际生产过程数据实证结果，得到如下两个结论。
的拟合效果不是最好，但是预测效果相对于其他模型，表现是较稳定和占优势的，没有出现过拟合现象。然而，机器学习模型SVM和RBF模型在机器O和机器J上拟合效果好，预测效果差，从而证明在小样本情况下，机器学习方法可能会存在过拟合现象。因为当生产过程中采样的样本量不足时，样本是有偏的，采样样本不足以代替生产过程的整体样本；
而机器学习方法相对比较复杂，对样本的偏态过度学习，导致了这个方法是有偏的，从而产生了过拟合现象。但随着采样数量逐渐增大时，机器学习方法的预测精度可能会逐步逼近甚至反超模型。这也说明了当企业预算资金有限时，企业在生产过程中的采样频率受到约束，导致样本量偏低，此时采用模型可能会得到一个理想的结果；
而当企业预算资金足够，能够获取足量样本的时候，使用机器学习方法可能会取得更好的预测结果。因此当面对高昂的采样和检测费用时，如果企业资金预算充足，在生产过程中能够采集足够大的样本时，则优先使用机器学习方法去进行生产产品质量预测，其预测效果可能要优于灰色模型和统计模型。
相反，当企业预算资金有限和无法抽取足量的样本时，则推荐使用模型进行生产产品质量预测，其预测结果的精度要高于其他传统的灰色方法和机器学习方法。总体来说，对于企业管理者来说，当管理者需要对复杂系统进行量化解析时，使用该模型能够减少抽样频率，降低企业成本。本文针对高维信息特征和综合生产环境状态，结合LASSO降维方法和灰预测模型，然后使用改进花粉算法优化模型参数以提高新模型的预测精度；
最后将该模型应用于半导体智能制造企业的质量预测中。通过与7个机器学习模型、统计模型及灰色模型进行比较分析，且稳定性较高。同时发现在小样本情况下，有的机器学习模型存在过拟合现象；但随着样本量的逐渐增大，机器学习模型的预测精度会逐步提高甚至可能会优于模型。本文的研究有助于平衡企业生产运行质量管理过程中产品抽样成本与质量预测精度之间的矛盾。
在实际企业质量管理系统中，生产运行质量管理占据企业运行质量管理中的主要地位，然而过去的预测实践表明，更高的预测精度往往依赖更大规模的产品抽样，但由此带来的高昂抽样成本又使得诸多中小型企业难以承担。实证结果表明当智能制造企业预算资金有限，企业在生产运行过程中的产品采样频率受到约束时，则适合采用模型进行产品质量预测；而当智能制造企业资金量和样本量足够时，则适合使用机器学习模型进行产品质量预测。
友情提示
本站部分转载文章，皆来自互联网，仅供参考及分享，并不用于任何商业用途；版权归原作者所有，如涉及作品内容、版权和其他问题，请与本网联系，我们将在第一时间删除内容！
联系邮箱：1042463605@qq.com