(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111337443.6 (22)申请日 2021.11.09 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 宋建　叶永锋　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 代理人 李斌 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于自定义LightGBM模型损失的注塑 制品尺寸预测方法 (57)摘要 本发明公开了一种基于自定义LightGBM模 型损失的注塑制品尺寸预测方法， 包括以下步 骤： S1、 获取注塑制品成型过程的历史SPC数据、 充模过程状态检测传感器的历史高频采样数据 并进行预处理； S2、 从充模过程状态检测传感器 的历史高频采样数据提取高频特征， 并与注塑制 品成型过程的历史SPC数据进行拼接， 形成数据 集； S3、 对数据集作方差过滤； S4、 将数据集划分 为训练集与测试集； S5、 利用训练集训练自定义 损失的LightGBM模型， 并在测试集上验证预测效 果， 最终将LightGBM模型用于注塑制品尺寸预 测。 本发明方法与传统离线检测方法相比， 大大 提高了检测效率， 使得产品的全检得以实现。 权利要求书2页 说明书5页 附图2页 CN 114239378 A 2022.03.25 CN 114239378 A 1.一种基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其特征在于， 包括以 下步骤： S1、 获取注塑制品成型过程的历史SPC数据、 充模过程状态检测传感器的历史高频采样 数据并进行 预处理； S2、 从充模过程状态检测传感器的历史高频采样数据提取高频特征， 并与注塑制品成 型过程的历史S PC数据进行拼接， 形成数据集； S3、 对数据集作方差过 滤； S4、 将数据集划分为训练集与测试集； S5、 利用训练集训练自定义损失的Li ghtGBM模型， 并在测试集上验证预测效果， 最终将 LightGBM模型用于注塑制品尺寸预测。 2.根据权利要求1所述的基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其 特征在于， 步骤S1具体包括： S11、 对注塑制品成型 过程的历史S PC数据中存在的缺失值进行均值 填充； S12、 对充模过程状态检测传感器的历史高频采样数据中存在的缺失值进行均值 填充。 3.根据权利要求1所述的基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其 特征在于， 步骤S2中， 高频特征为充模过程状态检测传感器的历史高频采样数据中每一列 特征的最小值。 4.根据权利要求1所述的基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其 特征在于， 步骤S3具体包括： S31、 计算数据集每一列特 征的方差； S32、 将方差为 零的特征剔除。 5.根据权利要求1所述的基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其 特征在于， 步骤S5具体包括： S51、 在LightGBM的损失函数中引入惩罚因子； S52、 使用训练集训练LightGBM模型， 并在测试集上进行注塑制品的尺寸预测， 统计预 测结果的均方误差 MSE、 漏判率以及误判率， 验证预测结果。 6.根据权利要求5所述的基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其 特征在于， 损失函数 具体为： 其中， N为样本数量， yi为第i个样本的真实值， 为第i个样本的预测值， Ω为与正则项 相关的结构损失， 为目标惩罚因子， 其取值如下： 其中， ω1为误判情况下的目标惩罚因子， ω2为漏判情况下的目标惩罚因子， LL为尺寸 下限， UL为尺寸上限， yi为第i个样本的真实值， 为第i个样本的预测值。权　利　要　求　书 1/2 页 2 CN 114239378 A 27.根据权利要求5所述的基于自定义LightGBM模型损失的注塑制品尺寸预测方法， 其 特征在于， 漏判率具体为： 漏判率＝预测样本的漏判个数/预测样本的总个数 误判率具体为： 误判率＝预测样本的误判个数/预测样本的总个数 其中， 预测样本的漏判个数具体为， 注塑制品尺寸真实值大于尺寸上限UL或小于尺寸 下限LL， 但预测值大于等于尺寸下限L L且小于等于尺寸上限UL的样本个数； 预判样本的误判个数具体为， 注塑制品尺寸真实值大于等于尺寸下限LL且小于等于尺 寸上限UL， 但预测值大于尺寸上限UL或小于尺寸下限L L的样本个数。权　利　要　求　书 2/2 页 3 CN 114239378 A 3