论文部分内容阅读
针对制造过程的在线质量预测的实时性问题,提出了一种融合云加端的在线质量预测架构。该架构在云加端提出一种基于遗传算法（GA）参数优化的隐含层节点自适应增长极端学习机（AGELM）方法,建立了优化的产品质量预测模型。同时,该架构在终端改进了k-means方法并将其应用于在线质量数据流聚类,并将聚类中心序列输入产品质量预测模型,预测产品的质量。通过点焊过程的实验表明该产品质量预测模型方法实时性较BP神经网络和贝叶斯方法有较大优势,能应用于当前制造过程的在线质量预测。