李岸达，张 阳,b，刘晓杰,b

(天津商业大学 a.管理学院；b管理创新与评价研究中心，天津 300134)

0 引言

复杂产品结构复杂、零部件众多，其复杂制造过程包含大量影响产品质量的潜在因素(包括过程参数、零部件尺寸参数等)。从大量潜在因素中识别显著影响产品质量的关键因素，是复杂产品质量改进和控制[1-2]前中的关键步骤。近年来，智能传感器、智能制造等技术的应用极大降低了制造过程数据的收集难度，为识别关键质量因素奠定了数据基础[3]。如何构建针对大规模、高维制造过程数据的关键质量因素识别方法成为近年来质量工程领域关注的热点问题。

特征(变量)选择是数据挖掘和机器学习领域的重要降维方法，该方法能够有效识别影响类标签的关键特征(变量)[4-6]。由于能够有效处理高维数据，近年来部分学者构建了基于特征选择的关键质量因素识别方法[7-12]。特征选择模型可构建为最大化特征对类标签预测性能和最小化特征数的多目标优化问题。基于该思路，文献[10]构建了最大化质量因素对产品质量预测精度和最小化质量因素数的关键因素识别模型。然而，该模型没有考虑制造过程数据的非平衡性(生产线收集的不同质量水平产品的数量不平衡)。针对此，文献[11]将识别模型构建为最大化分类性能指标“G-mean”和最小化质量因素数的优化问题，并采用改进多目标直接搜索(Improved Direct Multisearch, IDMS)算法求解模型。然而，IDMS算法收敛速度较慢，如何针对识别模型构建快速高效的多目标优化算法值得进一步研究。……