融合生成对抗网络和难例挖掘的产品质量预测模型

TP18; 针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题.为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗网络(WGAN)方法扩增不合格样本数量;通过类别权重优化Focal Loss函数以提高困难样本识别率;通过轻量级梯度提升机算法结合阈值移动策略,构建基于WGAN数据增强和难例挖掘技术的质量预测模型(WGAN_Focal Loss_LGB(TM)).将所提模型应用于开源SECOM数据集,验证了所提方法的有效性....

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 10; pp. 3698 - 3707
Main Authors 李剑锋, 柏雪, 赵春财, 钱朋超, 王洪涛, 徐伟风
Format Journal Article
LanguageChinese
Published 中国计量大学经济与管理学院,浙江 杭州 310018%新凤鸣集团研究院质量管理部,浙江 桐乡 314513%杭州古珀医疗科技有限公司研发中心,浙江 杭州 311200 31.10.2024
Subjects
Focal Loss function
hard case mining
product quality prediction
high-dimensional data
threshold moving
阈值移动
LightGBM algorithm
难例挖掘
轻量级梯度提升机算法
Focal Loss函数
高维数据
产品质量预测
Wasserstein generative adversarial network
Wasserstein生成式对抗网络
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.0532

Cover

More Information
Summary:TP18; 针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题.为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗网络(WGAN)方法扩增不合格样本数量;通过类别权重优化Focal Loss函数以提高困难样本识别率;通过轻量级梯度提升机算法结合阈值移动策略,构建基于WGAN数据增强和难例挖掘技术的质量预测模型(WGAN_Focal Loss_LGB(TM)).将所提模型应用于开源SECOM数据集,验证了所提方法的有效性.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.0532