基于Attention-BLSTM的复杂产品制造质量预测方法

房鑫洋,张 洁,吕佑龙,左丽玲,刘骁佳

(1.东华大学 机械工程学院,上海 201620; 2. 东华大学 人工智能研究院,上海 201620;3.上海工业大数据与智能系统工程技术研究中心,上海 201620; 4. 上海航天精密机械研究所,上海 201600)

0 引言

产品质量主要形成于设计、制造与售后三大环节,其中60%～70%的产品质量问题出自制造过程[1]。随着客户需求精细化与产品功能复杂化,制造过程中的产品质量控制也日趋困难。例如,半导体作为典型复杂产品,其制造过程不仅包括薄膜、图形化、掺杂、热处理等基本工艺,还伴随大量复杂的工艺组合[2],使得产品质量控制问题具有工艺参数众多、影响关系复杂、作用效果滞后等难点。质量预测作为产品质量控制的重要手段,可以提前预知不同工况下的产品质量水平,对制造工艺进行及时调整,从而避免质量问题、降低经济损失,对于提升产品制造水平具有重要意义[3]。

当前质量预测方法主要分为两大类:传统质量预测方法[4]和基于人工智能技术的质量预测方法[5]。传统方法大多基于统计过程控制理论,通过搭建物理、数学模型进行质量预测。由于产品质量与工艺数据间的不确定性和复杂非线性关系,传统方法往往难以奏效[6]。基于人工智能技术的质量预测方法,主要运用支持向量机、人工神经网络等机器学习算法构建模型,以数据驱动的方式实现质量预测。相比之下,随着传感器、物联网的快速发展,制造业数据呈爆炸式增长趋势,由于设备计算能力的大大提高以及人工智能方法数据挖掘能力的不断提升,基于人工智能技术方法的研究已成为产品质量预测领域的主流方向。……