基于改进LASSO-RF的复杂产品质量预测研究

作     者：乔佩蕊 

作者单位：郑州大学 

学位级别：硕士

导师姓名：杨剑锋

授予年度：2019年

学科分类：120202[管理学-企业管理（含：财务管理、市场营销、人力资源管理）] 12[管理学] 1202[管理学-工商管理] 

主      题：复杂产品 关键质量特性 质量预测 K-split Lasso 随机森林 

摘      要：随着智能制造、物联网、大数据等技术的不断发展以及个性化、多样化、定制化消费方式的到来,复杂产品制造过程质量控制难度大大加大,不仅导致复杂产品制造企业的产品合格率普遍较低,产生高额的劣质产品生产成本和质量特性检测成本,而且还影响着产品的及时交付率和后期的售后服务成本。因此,复杂产品制造过程质量保证问题越来越受关注,如何有效识别复杂产品制造过程关键质量特性并预测复杂产品质量,已成为国内外质量管理领域的研究热点。针对复杂产品一般采用单件小批生产方式,工艺和制造过程复杂,原材料和返工成本高,合格产品和不合格产品数量差距大,其质量特性数据集具有高维度、小样本、数据不平衡的特点,本文提出了基于质量预测的复杂产品质量保证方法。该方法通过建立改进的Lasso-RF(随机森林)产品质量预测模型,通过制造过程数据和产品质量数据对产品质量合格与否进行预测,从而避免和减少复杂产品质量不合格带来的质量损失和返工风险。针对复杂产品质量特性数据集的特点,为了有效识别制造过程关键质量特性,降低质量预测的复杂性,本文提出了Bootstrap-K-split Lasso集成特征选择算法(B-K-Lasso算法),增加了特征选择的稳定性和有效性。为了减少数据不平衡对最终预测结果的影响,本文采用SMOTE算法平衡数据集后,选择RF集成分类算法进行产品质量预测。最终构建了基于B-K-Lasso RF的复杂产品质量二分类预测模型,并进行了仿真研究和对比分析。仿真研究表明,B-K-Lasso集成特征选择算法能够有效识别复杂产品制造过程关键质量特性,降低质量特性数据集的维度,提高特征选择的稳定性。当参数K取值适当时,其后续RF集成分类算法的分类性能优于Lasso、K-split Lasso、Bootstrap Lasso算法。对于复杂产品质量预测,特别是具有数据不平衡特点的质量特性数据集,基于B-K-Lasso RF的质量预测模型优于基于B-K-Lasso SVM的质量预测模型,RF集成分类算法更适用于复杂产品质量预测。