基于改进LSTM的数码雷管模组印刷质量预测

摘要

由于数码雷管模组印刷过程中生产工艺复杂、强时序性等特点，其质量的精准预测已成为提高产品质量管理水平的关键。基于此提出一种改进长短期记忆(long short-term memory, LSTM)网络的数码雷管模组印刷质量预测模型。首先根据数码雷管模组印刷过程提炼机器运行参数、环境参数与检测参数作为印刷产品质量的原始特征，并对关键检测参数进行时序特征重构以增强特征表达能力；其次基于改进的LSTM网络建立数码雷管模组印刷特征提取框架，采用卷积神经网络提取空间特征避免LSTM挖掘高维印刷特征时隐含关系的不足，通过全局注意力机制自适应学习不同时刻印刷特征对印刷产品质量的贡献度，为LSTM提取的深层时序特征分配不同权值；最后以深层特征作为输入，通过全连接网络实现数码雷管模组印刷产品的质量预测。实验结果表明，相较于BP神经网络、门控循环单元网络、LSTM等预测方法，改进的LSTM网络有效提高了数码雷管模组印刷产品质量的预测精度。

关键词

模组印刷 / 质量预测 / 长短期记忆网络 / 特征重构