基于Stacking集成学习的注塑件尺寸预测方法

摘要：

机器学习算法能够处理高维和多变量数据,并在复杂和动态环境中提取数据中的隐藏关系,在注塑件尺寸预测中具有很好的应用前景.注塑件尺寸预测系统的性能取决于机器学习算法的选择,然而,传统的机器学习算法在实际应用中不能达到很好的预测效果.为此,文中提出了一种基于Stacking集成学习的融合模型,首先采用优化的特征选择方法获得最佳的特征数量,然后通过对比分析单一模型的关联度和预测效果、不同Stacking学习器组合方式下模型的预测效果,得到预测性能最佳的模型,该模型的基学习器为极端梯度提升树(XGB)、轻量级梯度提升树(LGB)、核岭回归,元学习器为弹性网络回归.测试结果表明:该模型在注塑件尺寸预测方面的均方根误差和平均绝对误差较XGB和LGB模型分别降低了16％和20％左右,较传统支持向量机模型分别降低了45.22％和46.48％,同时模型预测结果可根据特征解释回溯到实际生产中,为制造工艺和工序的优化提供决策指导.

关键词：注塑成型、预测、机器学习、集成学习、Stacking

所属期刊栏目：50

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划2019YFB1704900

在线出版日期：2022-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：19-26