一种基于领域对抗元学习的压铸质量预测方法
本发明涉及工业过程建模领域,具体涉及一种基于领域对抗元学习的压铸质量预测方法。
背景技术:
1、在压铸生产过程中,受原材料批次、模具状态、设备运行参数、环境条件以及工艺设定变化等因素影响,生产工况发生变化是常见现象,不同工况或不同生产批次下的数据分布往往存在明显差异。传统监督学习方法通常假设训练数据与测试数据服从相同分布,当模型应用于分布存在差异的工况或生产批次时,容易因数据分布偏移而导致关键质量指标预测精度下降。现有多模型方法通常需要针对不同工况分别建立模型,模型维护成本较高;即时学习方法依赖在线样本检索与局部建模,难以满足复杂压铸过程快速预测与稳定应用的需求。现有迁移学习或域适应方法虽然能够在一定程度上减小不同工况之间的分布差异,但通常需要额外的目标工况样本参与训练,且在多源工况分布差异条件下的稳定泛化能力仍然有限。为此,需要一种能够充分利用多源历史工况数据并能在多工况条件下稳定泛化的压铸质量预测方法,以提高模型在工况变化条件下的预测精度。
技术实现思路
1、针对现有技术的不足,本发明提出一种基于领域对抗元学习的压铸质量预测方法,通过融合多层感知机与多头注意力机制的特征提取方法,提取不同压铸工况或不同生产批次下的加权融合特征表示;同时引入领域判别机制,通过域判别器与梯度反转层减小不同源域之间的特征分布差异,使模型能够学习具有跨工况泛化能力的特征表示;进一步地,本发明将els策略嵌入领域判别过程,抑制域判别器对源域分布边界的过度拟合,提高对抗训练稳定性;并结合元学习的双层参数更新机制,模拟模型在不同工况之间的迁移过程,从而提升压铸质量预测模型在工况变化条件下的预测精度与泛化可靠性。
2、本发明的目的通过如下的技术方案来实现:
3、一种基于领域对抗元学习的压铸质量预测方法,包括以下步骤:
4、s1:收集历史生产工况下的压铸工艺数据及其质量变量,对其进行预处理后构建压铸质量预测数据集,并根据不同生产工况将数据划分为多个源域数据和目标域数据,从多个源域数据集中选取部分源域作为元训练域,其余源域作为元测试域;
5、s2:构建包括特征提取网络、回归预测器和域判别器的压铸质量预测模型;在每轮训练过程中,从多个源域中选取一个源域作为元测试域,其余源域作为元训练域;元训练阶段,将元训练域样本输入特征提取网络,对输入特征进行非线性映射,得到隐含特征,并进一步对隐含特征进行多头注意力加权聚合,从多个特征子空间对隐含特征进行加权融合,得到加权融合特征;将加权融合特征输入回归预测器,输出压铸关键质量指标预测值,并计算元训练域的质量变量预测损失;同时,将加权融合特征经梯度反转层输入域判别器,判断其所属的源域,并利用环境标签平滑后的源域标签计算域判别损失;最后根据质量变量预测损失和域判别损失得到元训练域损失,根据元训练域损失对特征提取网络、回归预测器和域判别器进行内层参数更新;元测试阶段,将元测试域样本输入内层参数更新后的压铸质量预测模型,计算元测试域的质量变量预测损失,作为元测试域损失;根据元测试域损失,对压铸质量预测模型进行外层参数更新,得到训练完成的压铸质量预测模型;
6、s3:采集目标工况下的压铸工艺数据,输入训练后的特征提取网络、多头注意力加权聚合模块和回归预测器,输出目标工况下质量变量的预测结果。
7、一种基于领域对抗元学习的压铸质量预测装置,包括一个或多个处理器,用于实现基于领域对抗元学习的压铸质量预测方法。
8、一种电子设备,其特征在于,包括:
9、一个或多个处理器;
10、存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述电子设备执行时,使得所述电子设备实现基于领域对抗元学习的压铸质量预测方法。
11、一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现基于领域对抗元学习的压铸质量预测方法。
12、本发明的有益效果如下:
13、1. 本发明通过融合多层感知机与多头注意力机制,增强了压铸质量预测模型对压铸过程复杂非线性关系和关键特征信息的表征能力;通过引入域判别器、梯度反转和els策略,实现不同压铸工况之间的对抗性分布对齐,降低了压铸质量预测模型对单一源域分布的过拟合风险,提高对抗训练稳定性;通过基于元学习的双层参数更新机制,模拟压铸质量预测模型在不同源域工况之间的迁移过程,提高了模型在多工况数据分布差异条件下的跨域泛化能力和鲁棒性。
14、2. 本发明的预测方法在工况变化或不同生产批次下的预测精度高,解决了现有方法在工况变化时因数据分布差异导致预测性能下降的问题。
1.一种基于领域对抗元学习的压铸质量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于领域对抗元学习的压铸质量预测方法,其特征在于,所述预处理包括异常值剔除、缺失值填补、特征筛选和标准化处理。
3.根据权利要求1所述的基于领域对抗元学习的压铸质量预测方法,其特征在于,所述特征提取网络包括多层感知机网络和多头注意力加权聚合模块,所述多层感知机网络用于提取隐含特征,所述多头注意力加权聚合模块从多个特征子空间对隐含特征进行加权融合,得到加权融合特征。
4.根据权利要求1所述的基于领域对抗元学习的压铸质量预测方法,其特征在于,所述特征提取网络、回归预测器、域判别器均由多层感知机网络构成。
5.根据权利要求1所述的基于领域对抗元学习的压铸质量预测方法,其特征在于,所述加权融合特征用于保留原始工况特征信息,并突出与关键质量指标预测相关的重要变量及关键特征组合。
6.根据权利要求1所述的基于领域对抗元学习的压铸质量预测方法,其特征在于,在特征提取网络与域判别器之间引入的梯度反转层在前向传播过程中保持输入特征不变,在反向传播过程中对梯度乘以负系数。
7.一种基于领域对抗元学习的压铸质量预测装置,其特征在于,包括一个或多个处理器,用于实现权利要求1~6中任意一项所述的基于领域对抗元学习的压铸质量预测方法。
8.一种电子设备,其特征在于,包括:
9.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1~6中任意一项所述的基于领域对抗元学习的压铸质量预测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com