杨 静，董宝力

（浙江理工大学机械与自动控制学院，浙江杭州 310018）

0 引言

传统产品过程质量管控以抽样检查和统计方法为主，存在管控滞后问题，无法根据监测到的过程质量数据及时反馈产品信息［1］。随着产品复杂度提高，过程质量数据急剧增多且存在噪声数据［2］。针对多工序生产过程质量数据的多特征、多噪声特性［3］，建立产品质量预测模型，可以更好地利用产品过程质量数据对生产过程进行实时监控与分析，对保证产品生产质量具有重要意义。

多工序质量预测研究较多，梳理出以下研究内容：针对加工样本数据不足和加工误差难监测等问题，研究赋值型误差传递网络多工序加工质量预测方法［4］；采用PSO 算法优化支持向量机参数，用于质量预测模型的寻优［5］，但该方法未考虑数据本身对模型性能的影响；在多工序质量预测中采用尺寸关联和偏最小二乘算法提取关键特征［6］，但未考虑数据噪声和小样本问题；针对数据特征复杂、高维、多噪声和异常值等问题，采用PCA 与改进的RNN 构建产品质量预测模型［7］；考虑数据类型的不同，在质量预测模型训练阶段采用半监督堆叠自编码器（SS-SAE），自适应调整训练策略［8］。多工序质量预测需要综合考虑过程质量数据，但针对多特征、多噪声的研究较少。

深度学习是产品质量预测的一种机器学习方法，利用深度置信网络（DBN）进行无监督特征学习，将学习到的特征输入质量预测模型［9］；采用DFAEs 进行无监督学习，完成轴承故障模式识别［10］；……