基于贝叶斯优化机器学习的多尺度注塑质量预测

注塑质量受到注塑成型过程中多类工艺特征影响,实际生产中采集的特征数据存在时间尺度不同、粒度不统一的问题。对此,提出基于贝叶斯优化机器学习的多尺度注塑质量预测方法。针对注塑生产过程中不同尺度的生产特征进行特征提取,运用机器学习对注塑件的质量进行预测。对注塑数据进行预处理,运用注意力机制门控循环单元提取时序特征,统一注塑机状态数据与注塑过程高频采样数据粒度。特征融合后,使用贝叶斯优化随机森林模型与轻量级梯度提升机模型进行训练与测试。试验表明,对比传统统计值提取特征方法,注意力机制门控循环单元时序提取后的预测效果更好。与普通机器学习相比,贝叶斯优化随机森林模型与轻量级梯度提升机模型预测精度更高。