多维非线性特征重构与融合的复杂产品工期预测方法

制造企业复杂产品零部件种类众多、加工和装配工序复杂,质量、工艺、设备等各类数据呈现多维度、多尺度、多噪声等特点,工期的关键影响特征提取难度大,预测精度难以保证。针对上述问题,提出一种多维非线性特征重构与融合的复杂产品工期预测方法,首先提出基于集成堆栈式自编码器的多维非线性特征重构与融合方法并构建相应模型,建立特征间的复杂关联耦合关系,形成工期关键因素特征池;基于深度学习算法构建多维非线性重构与融合的复杂产品工期预测模型,实现复杂产品工期的准确预测。选取某企业断路器和3D打印产品为对象进行工期预测的应用验证和对比分析,本方法的均方根误差平均值为1.28,平均绝对百分比误差平均值为3.01%,与未进行特征重构融合的方法,以及支持向量机、神经网络等方法相比,在精度方面均有提升,方均根误差至少降低了约10.87%,平均绝对百分比误差至少降低了约7.74%,证明所提方法的有效性和实用性。