论文部分内容阅读
随着人工智能技术不断发展、工业要求不断提高,各种机器学习、深度学习技术在工业领域内逐渐兴起。“德国工业4.0”、“中国制造2025”等口号的提出也再次加速了工业技术的发展。在TFT-LCD(薄膜晶体管液晶显示器)的质量检测过程中,原始采用抽样检测的方法对整个样本质量进行预估,但这种方式不全面且不具有时效性。随着工业大数据的迅速发展,工业产品质量要求的不断提高,这种简单的质量检测方式已经无法满足日益严格的工业质量要求,更好的工业智能预测技术亟待被发明创造。针对以上问题,论文对TFT-LCD质量预测数据进行分析。对标签的范围和数据集的特点进行分析;对数据预处理的方法以及选取有效数据的方式进行研究,对不同类型的数据进行encoder编码转换;针对该数据集样本少、纬度高的特点,对传统的降维方法进行研究,使用PCA方式对数据进行特征提取。在质量预测阶段,对传统机器学习算法的分类如有监督与无监督学习方法进行研究。通过文献查找与实验比对相结合的方法,对表现较好的预测算法如:随机森林、SVM算法进行深入研究。在此基础上,将随机森林在决策树上的运用思想应用于SVM算法中,设计了一种新的回归预测方法“RAN-SVM”算法,降低了单一SVM算法对数据的敏感性。最后将RAN-SVM算法与传统的随机森林算法进行结合,使用残差拟合的思想,将两类模型融合,并与传统算法中的决策树,KNN,线性回归等算法进行比较。RAN-SVM与随机森林进行融合之后的结果有效提高了整个样本的准确率和鲁棒性,利用该模型进行预测后的结果明显低于其它模型的均方误差值。新的研究算法在实验数据上的良好表现也为机器学习算法的发展提供了新的思考方向,为随机森林思想在传统算法上的应用拓展了空间。将这种算法运用于TFT-LCD的预测当中,可以更加快捷准确的得到产品的最终质量结果,而不是通过传统抽样调查的方式对产品进行最终的检验。使用新的预测技术可以基于预先知道的结果去做对应的决策和应变,对客户负责,对制造生产更加敏感,提升效率,提高产品质量,提高客户满意度。