一、智能制造企業生産運作品質預測思路
而智能制造企業生産過程是一個由各種細小環節構成的極為複雜的過程，影響因素衆多，生産品質的波動性或變異性較大；同時企業生産制造管控系統又是企業運作品質管理中重要内容，是企業擷取利益和可持續發展的關鍵。效率效益是企業運作的結果表現，高品質的産品和服務是其中的關鍵名額，主要與生産品質有關。工業統計資料表明：60%～70%的産品品質問題來自于制造過程，而制造過程大多依托于工序生産，生産環境與産品品質息息相關。
隻有對未來的産品品質特性進行估計，才能在産品品質缺陷産生前進行調整，是以本文以生産運作過程中的生産産品品質為預測對象。為了滿足客戶的多元性需求和個性化的産品層次結構，産品加工過程工藝流程日趨複雜，影響因素日漸增多，緻使整個智能制造企業生産資料呈現出高維資訊化、複雜非線性相關和非正态等特點。針對大資料下智能制造企業中多工序複雜生産運作過程，考慮資料的高維和非線性相關特點。
分析建立品質預測模型，探究産品品質與産品生産運作過程影響因素之間的關系，以便更好地利用生産過程資料資訊，來提高生産運作品質。生産過程中的産品品質主要依賴于原材料品質及其綜合生産環境，可視為原料在特定生産環境下的顯式表達。目前智能制造生産企業通常都具備詳細原材料篩選機制，以確定原料品質統一。
當忽略産品原料品質因素時，生産過程産品品質指數則主要是取決于綜合生産環境的差異。生産環境是指産品進行制造的地點，包含衆多生産步驟，表現為生産各個環節各個加工工序資訊的內建。要建構生産運作品質預測模型，高維資訊變量內建和生産運作品質模型建構是關鍵技術和難點。
産品的生産運作環境通常包含多個方面，例如在半導體生産過程中，通常涉及不同反應機台的溫度、氣壓、流速、含氧量、液體流量、功率、制成時間等近萬個影響因素；同時實際環境中，這些因素資訊間往往又存在多重共線性效應、互動關聯效應和替代效應等。如何對蘊含這些效應的高維變量資訊進行內建，進而實作對生産環境狀态的量化，對于建構後續的品質預測模型具有重要意義。
目前針對高維資料特征的內建方法主要是資料降維方法，如：線性判别分析法、主成分分析方法和LASSO等。Ludwig等和王甯等的研究表明：不論目标變量是連續、二進制或者多元離散，LASSO降維既能避免參數過拟合，又能提高模型的可解釋性。是以本文主要采用LASSO降維方法對生産環境的綜合狀态進行內建構造。經過高維資訊變量內建與特征提取後，綜合生産環境狀态得到準确量化，同時資訊維數大大降低。針對有限資訊特征，目前主流方法是灰色預測模型。
傳統的灰色預測模型可分為線性模型和非線性模型，這些灰色模型往往需要資料通過特定的資料檢驗，考慮到産品評測系統資料的複雜性，其變化規律往往未知，且具有線性或非線性特征，使得模組化資料難以滿足上述檢驗條件，進而制約了傳統灰色模型在品質指數模組化中的預測性能。是以本文在建構綜合生産環境狀态下的品質模型過程中，建立了一種新的非等間隔灰色黎卡提-伯努利模型，該模型被證明具有足夠的柔韌性，能夠處理線性或非線性預測問題。
二、實證結果分析及其意義
當企業進行生産運作品質中産品品質預測時，一般來說，需要對生産過程的資料訓練樣本進行采樣檢測，企業如何選擇訓練樣本資料，關系到生産産品品質的預測精度和企業的人力和資金成本。是以企業在日常的生産過程抽檢中，更多采用抽樣檢驗方法。結合半導體企業的實際生産過程資料實證結果，得到如下兩個結論。
的拟合效果不是最好，但是預測效果相對于其他模型，表現是較穩定和占優勢的，沒有出現過拟合現象。然而，機器學習模型SVM和RBF模型在機器O和機器J上拟合效果好，預測效果差，進而證明在小樣本情況下，機器學習方法可能會存在過拟合現象。因為當生産過程中采樣的樣本量不足時，樣本是有偏的，采樣樣本不足以代替生産過程的整體樣本；
而機器學習方法相對比較複雜，對樣本的偏态過度學習，導緻了這個方法是有偏的，進而産生了過拟合現象。但随着采樣數量逐漸增大時，機器學習方法的預測精度可能會逐漸逼近甚至反超模型。這也說明了當企業預算資金有限時，企業在生産過程中的采樣頻率受到限制，導緻樣本量偏低，此時采用模型可能會得到一個理想的結果；
而當企業預算資金足夠，能夠擷取足量樣本的時候，使用機器學習方法可能會取得更好的預測結果。是以當面對高昂的采樣和檢測費用時，如果企業資金預算充足，在生産過程中能夠采集足夠大的樣本時，則優先使用機器學習方法去進行生産産品品質預測，其預測效果可能要優于灰色模型和統計模型。
相反，當企業預算資金有限和無法抽取足量的樣本時，則推薦使用模型進行生産産品品質預測，其預測結果的精度要高于其他傳統的灰色方法和機器學習方法。總體來說，對于企業管理者來說，當管理者需要對複雜系統進行量化解析時，使用該模型能夠減少抽樣頻率，降低企業成本。本文針對高維資訊特征和綜合生産環境狀态，結合LASSO降維方法和灰預測模型，然後使用改進花粉算法優化模型參數以提高新模型的預測精度；
最後将該模型應用于半導體智能制造企業的品質預測中。通過與7個機器學習模型、統計模型及灰色模型進行比較分析，且穩定性較高。同時發現在小樣本情況下，有的機器學習模型存在過拟合現象；但随着樣本量的逐漸增大，機器學習模型的預測精度會逐漸提高甚至可能會優于模型。本文的研究有助于平衡企業生産運作品質管理過程中産品抽樣成本與品質預測精度之間的沖突。
在實際企業品質管理系統中，生産運作品質管理占據企業運作品質管理中的主要地位，然而過去的預測實踐表明，更高的預測精度往往依賴更大規模的産品抽樣，但由此帶來的高昂抽樣成本又使得諸多中小型企業難以承擔。實證結果表明當智能制造企業預算資金有限，企業在生産運作過程中的産品采樣頻率受到限制時，則适合采用模型進行産品品質預測；而當智能制造企業資金量和樣本量足夠時，則适合使用機器學習模型進行産品品質預測。