制造业产业是一个信息化和工业化高度融合的产业。制造业生产过程的每一个环节都会积累大量的数据。而在关于生产产品质量抽测的过程中,当发现质量不佳的产品,若要修正,通常却为时已晚。因此,对生产信息进行数据挖掘,由机器生产参数去预测产品的质量可以及时、全面地知晓生产结果,并且根据预先得到的结果做出对应的决策可以有效地提高产品的质量。XGBoost算法是一种高效准确的回归算法,本文将XGBoost算法应用于制造业质量预测中,从而实现了准确预测产品质量的目的,为制造业生产产品质量预测提供了一种有效的方法。 相应产品批次的质量指标值，取值范围为［0，1本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/  ］质量预测中的应用-电动数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机。由于原始数据无法直接建模，需要对数据表开展性征工程设计。针对数值型和类别型数据，采用ont－hotencode编码;对于缺失值，采用均值进行填充。时序型数据根据时间将加工进度划分成5个阶段，提取加工进度每个阶段对应的温度、线速度等的最大值、最小值、平均数、众数、方差的统计量。另外，也要提取加工进度50%时的参数统计量。研究中，针对特定产品批次下，产品加工到100%的过程中，温度、转速、流量等参数在加工的阶段中值的变化情况，可得效果绘制呈现如图1所示。参数值的变化直接影响产品批次的质量。!"#!$%!$#&’(’)*+’),!!"#$!-!图1特定批次加工进度下的参数统计变化Fig异常值处理异常值通常会影响建模和预测的结果［9］。需要对数据中存在的异常值进行处理。在时序状态监控表中，加工环节中张力指标随着时间变化产生了小部分的数据，并且这些数据都是间断产生的，可能对产品的质量造成一定的影响，此类参数对建模并无明确参考价值，因此剔除张力指标值。2回归建模2．1XGBoost算法Boosting算法是数据挖掘领域比较流行有效的集成学习算法，通过将各个弱分类器加权叠加形成强分类器，从而有效降低误差，达到准确的分类效果。GradientBoosting［10］是在Boosting［11］基础上的成果改进，算法思想是不断地降低残差质量预测中的应用-电动数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/