.png){kind=icon}
返回
An evolutionary multi-objective ensemble learning algorithm for quality prediction in complex manufacturing processes
.png){kind=icon}
PRE
AI
DOI：10.1080/00207543.2026.2718791.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现代工业中，复杂制造过程（CMPs）中的质量预测（QP）对于控制复杂产品质量至关重要，因为直接质量测量通常耗时且成本高昂。然而，数据驱动的QP方法在处理高维过程变量、复杂的变量间交互作用以及样本数量有限的数据时面临挑战。为解决这些问题，本文提出EMEL-NB，一种新颖的进化多目标集成学习算法，用于QP，并采用两阶段模型构建流程。首先，EMEL-NB整合了基于提升法的样本权重调整策略与进化特征选择算法，以生成样本高效的朴素贝叶斯基学习器的基因型，促进学习器在特征和样本空间中的多样性。其次，采用
-正则化的逻辑回归元学习器构建稀疏集成。提出一种知识迁移策略，在特征选择（FS）过程中利用评估数据训练元学习器，以提高其泛化性能。在真实CMP数据集上的实验结果表明，EMEL-NB比本研究中评估的其他方法具有更好的整体预测性能。此外，在在线预测过程中保持低计算成本，支持其在工业QP应用中的潜在使用。该算法还通过量化过程变量的重要性来支持模型解释。
Keyword:
Quality prediction
ensemble learning
multi-objective evolutionary algorithms
feature selection
complex manufacturing processes
Quality control
evolutionary computation
genetic algorithms
期刊
IF:
7.3
论文数:
1.1W
被引数:
3.7W
机构
引用论文
Deep learning-enabled fault diagnosis with vision transformers and domain-informed data augmentation for advanced quality control in semiconductor manufacturing基于视觉Transformer和领域知识数据增强的深度学习故障诊断，用于半导体制造的高级质量控制
.png){kind=icon}
PREAI
分享收藏An adaptive online learning scheme for anomaly detection in IIoT data streams under varying operating conditions一种适用于IIoT数据流在变化运行条件下的异常检测自适应在线学习方案
PREAI
分享收藏
分享收藏分享收藏Digital twin key technology in semiconductor manufacturing: multi-batch wafer PCD-IVM based on mixed multi-scale entropy and density clustering半导体制造中的数字孪体关键技术：基于混合多尺度熵和密度聚类的多批次晶圆PCD-IVM
PREAI
分享收藏
查看更多内容