CN115018162B - 一种工业精加工过程加工质量实时预测方法和系统 - Google Patents
一种工业精加工过程加工质量实时预测方法和系统 Download PDFInfo
- Publication number
- CN115018162B CN115018162B CN202210651460.5A CN202210651460A CN115018162B CN 115018162 B CN115018162 B CN 115018162B CN 202210651460 A CN202210651460 A CN 202210651460A CN 115018162 B CN115018162 B CN 115018162B
- Authority
- CN
- China
- Prior art keywords
- feature
- module
- data
- cmm
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 title claims abstract description 55
- 238000007730 finishing process Methods 0.000 title claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000003754 machining Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 102000002274 Matrix Metalloproteinases Human genes 0.000 abstract 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 239000013598 vector Substances 0.000 description 11
- 239000000047 product Substances 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003801 milling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011143 downstream manufacturing Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- NTIZESTWPVYFNL-UHFFFAOYSA-N Methyl isobutyl ketone Chemical compound CC(C)CC(C)=O NTIZESTWPVYFNL-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013383 initial experiment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种工业精加工过程加工质量实时预测方法和系统，属于MMPs质量预测领域。包括：训练加工质量预测模型，直至满足加工精度要求，所述预测模型，包括：归一化模块，用于对CMM数据归一化；S个特征处理模块中，第一特征处理模块，用于将归一化后CMM进行多次特征计算，第s特征处理模块，用于对第s‑1特征筛选模块的输出进行多次计算，得到当前步决策输出；S‑1个特征筛选模块中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM特征筛选；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出全连接，经Softmax函数，得到CMM数据；获取目标工序中各工序当前加工完CMM数据，输入至训练好预测模型，得到预测结果。
Description
技术领域
本发明属于MMPs(Mutiple Manufacture Process，多阶段制造工艺)质量预测领域，更具体地，涉及一种工业精加工过程加工质量实时预测方法和系统。
背景技术
在精加工制造业中，多阶段制造工艺是一个复杂的过程，但往往也很典型。近年来，物联网(Internet of Things,IOT)和先进的数据分析等技术，为在MMPs中实施最终产品质量改进的新方法提供了很多有前途的机会。这一战略与工业4.0旨在实现多阶段制造生产线的持续改进趋势相一致。航空涡轮叶片的加工由多个制造工序组成，以实现最终的产品。每项操作都涉及复杂的制造参数，这些参数不可避免地对产品质量造成微小误差(例如夹具引起的误差、机床刚体误差和热误差)，并在整个生产线上以非线性方式累积和传播。因此，如果能够正确建模工艺参数与最终质量误差之间的非线性映射关系，则可以预测并进一步提高最终产品的质量。这些映射关系的非线性性质，再加上现代工业产品日益增长的质量要求，使得MMPs的质量预测和参数优化成为一个极具挑战性的研究课题。
在MMPs质量预测方面，人们对多阶段的质量误差建模进行了大量的研究。变异流(stream of variation,SOV)模型是一种有效的工具，已被广泛用于建立包含制造工艺参数和机械加工和装配领域中的误差的误差累积模型。目前，加工设备的封装性和缺乏对关键特征的实时监控，使得分析加工过程变得困难。传统上，外部传感器被嵌入设备中用于数据采集，然而，这增加了安装的复杂性和成本。此外，外部信号的标签不能客观地反映机械加工的运行状况。SOV模型是单纯基于机理构建的，忽略了复杂的人类和环境噪声引起的实际效应的影响。因此，选择复用反映实际加工的质量的CMM数据，不需要额外的传感器；构建包含人机料法环测信息的数据驱动的非线性质量传播模型。
为了更好地解释MMPs中的复杂不确定性，近年来研究了卷积神经网络(convolutional neural networks,CNN)、循环神经网络(recurrent neural networks,RNN)、深度自动编码器和决策树等机器学习算法。这些方法通常可以分为两类，即基于深度学习的方法和基于树的方法。基于树的方法(例如，XGBoost和随机森林)对于表格数据是有效的。通过对特征重要性矩阵的评估，它们在集合形式中是高度可解释的。然而，它们的性能在很大程度上依赖于特征工程，这在许多工业案例中不是一项微不足道的任务，因为它需要高水平的专家知识。另一方面，基于深度学习的模型是自动学习特征表示的端到端模型，则可以减轻对特征工程的要求。然而，对于表格数据的正确决策流形，深度网络往往不能收敛到最优解。
因此，非常需要一种深度学习方法，该方法利用表格数据很好地执行MMPs的质量预测，同时还实现了量化所获取的坐标测量机(CMM)数据的每个特征的贡献的可解释性。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种工业精加工过程加工质量实时预测方法和系统，其目的在于为大多数多阶段高精度加工过程提供实时的质量预测，防止制造的早期阶段出现的几何误差传播到下游工艺。
为实现上述目的，按照本发明的第一方面，提供了一种工业精加工过程加工质量实时预测方法，该方法包括：
训练阶段：
接收目标工序的指定；
获取多组目标工序各工序当前加工完CMM数据和成品CMM数据，作为训练数据集；
采用训练数据集训练加工质量预测模型，直至满足加工精度要求，得到训练好的加工质量预测模型；
所述加工质量预测模型，包括：归一化模块，用于对原始CMM数据进行归一化；S个特征处理模块，其中，第一特征处理模块，用于将归一化后CMM数据进行多次特征计算，得到预处理后的数据，剩下的第s特征处理模块，用于对第s-1特征筛选模块的输出进行多次计算，得到当前步的决策输出，用于预测任务；S-1个特征筛选模块，其中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM数据进行特征筛选，得到第s轮对加工质量具有影响的特征；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出进行全连接，再经过Softmax函数，得到指定维度的CMM数据；
应用阶段：获取目标工序中各工序当前加工完CMM数据，一起输入至训练好的加工质量预测模型，预测出所有加工工序完成后的CMM数据。
优选地，所述特征处理模块包括：
第一特征增强模块，用于对输入数据进行特征增强，分别输出至第二特征增强模块和第三特征增强模块；
第二特征增强模块，用于对输入数据进行特征增强，分别输出至第三特征增强模块和第四特征增强模块；
第三特征增强模块，用于对第一特征增强模块输出的特征加权值和第二特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至第四特征增强模块；
第四特征增强模块，用于对第二特征增强模块输出的特征加权值和第三特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至对应特征筛选模块。
有益效果：本发明通过对输入数据进行四步的特征共性，特性计算，由于输入不同，得到的决策输出结果不同，每一步的计算结果，都为最终预测值结果做出贡献，预测精度更高。
优选地，所述特征增强模块包括串联的全连接层、归一化层和门控线性单元GLU。
优选地，权重均为
有益效果：本发明使用进行标准化，以确保整个网络中参数的小差异，有利于网络的稳定性，增加预测的鲁棒性。
优选地，所述特征筛选模块包括：
注意力Transformer模块，用于以对应特征处理模块的输出为先验信息，对归一化后CMM数据重新进行加权组合，得到加权CMM矩阵；
特征掩码模块，用于对前一步的特征处理模块的输出进行特征筛选处理，得到特征掩码矩阵。
有益效果：本发明在精加工预测模型中引入特征掩码层，筛选出更重要的特征。本发明在精加工预测模型中引入注意力Transformer，可以让不同的样本选择不同的特征，减少收敛模型的数据维度，保证预测模型的收敛。
优选地，所述注意力Transformer模块减小使用次数多的特征的权重占比。
有益效果：本发明通过限制特征的使用次数，减小使用次数较多的特征的权重占比，可增强模型对特征稀疏选择的能力，增强预测模型对关键特征的命中概率。
优选地，第s特征掩码模块的输出Ms∈RN×P如下：
其中，N为CMM数据对应的工件总数，P为CMM数据的维度，sparsemax为一种规范化过程，它通过将欧氏投影映射到概率单形来实现稀疏性，σs-1∈RN×p为由s-1步得到的先验尺度矩阵，为当前第s步的权重，hs-1为s-1步得到的部分决策输出，γ为松弛参数。
有益效果：本发明通过使用前一步的特征计算层的输出与先验尺度相乘，由于先验尺度会限制特征的使用次数，减少使用次数多的特征的权重占比，从而达到特征的系数选择功能，使得预测结果更加符合实际加工过程。
优选地，训练阶段的损失函数由两部分组成：用于最小化预测误差的均方误差损失函数lr和用于进一步控制所选特征的稀疏性的稀疏性正则化lsparse：
l＝lr+λlsparse
其中，和/>分别为加工后工件的实际CMM数据和预测CMM数据；λ为控制lr和ls之间的平衡的参数，ε为增加数值的稳定性的极小数。
有益效果：本发明通过增加特征掩码矩阵熵作为正则项，由于当Ms的分布尽量趋近于0或1，Lsparse越小，Ms越稀疏，实现特征的稀疏选择作用，忽略预测的干扰因素，提升预测的准确。
为实现上述目的，按照本发明的第二方面，提供了一种工业精加工过程加工质量实时预测系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的工业精加工过程加工质量实时预测方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明复用反映实际加工的质量的CMM数据，不需要额外的传感器，降低了成本。缩短了生产周期；本发明构建包含人机料法环测信息的非线性质量传播模型，该模型是数据驱动的，量化所获取的CMM数据的每个特征的贡献的可解释性。整个预测方法适用于单阶段制造工艺和多阶段制造工艺。
附图说明
图1为本发明提供的一种工业精加工过程加工质量实时预测方法流程图；
图2为本发明提供的多阶段制造精加工过程加工质量实时预测过程示意图；
图3为本发明提供的序列多步深度学习模型示意图；
图4为本发明提供的注意力Transformer模块的详细结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种工业精加工过程加工质量实时预测方法100，包括：
结构110、数据导入层，其具有导入对加工过程低侵入的特点，导入无需额外增加传感器的加工过程质量特征数据，有效避免复杂的加工环境对导入数据有效性的影响。
结构120、特征掩码层，其具有特征处理模块和注意力Transformer模块，其可以挖掘对结果重要程度较大的特征。
结构130、输出模块，其具有质量预测和汇总特征贡献的功能。
作为一种低侵入式解决方案应用于大多数多阶段高精度加工过程中，其中算法的输入为CMM数据，而不需要嵌入额外的传感器，可以为大多数多阶段高精度加工过程提供实时的质量预测，达到防止制造的早期阶段出现的几何误差传播到下游工艺的目的。
具体地，首先，在结构110中，不需要在机器上额外增加传感器，而是从三坐标测量机原始数据中提取有效特征，得到模型的输入。这样降低了安装传感器的复杂性和成本。缩短了生产周期。
然后，结构120每一步输出的向量将切成两部分，一部分用于计算模型的最终输出，而另一部分流入下一步；每一步再进行特征处理模块之后，通过Split层，将特征处理层输出的向量切成两部分，用公式[d[i],a[i]]＝fi(M[i]·f)表示，其中的d[i]将用于计算模型的最终输出，而a[i]则用来计算下一步的特征掩码层。
本发明采用了顺序多步框架，构造了一种类似于加性模型的神经网络，每一步相当于一颗决策树，可以实现特征的可解释性。特征掩码层有多个特征处理模块和注意力attentive模块，每一步的Mask矩阵由顺序前步的输出矩阵决定。输入数据首先经过注意力Transformer模块，再经过特征处理模块，然后流入下一步。
注意力Transformer模块可以对不同特征进行组合，对于不同的样本，其各个特征注意力权重也不同.注意力Transformer模块可以根据上一步的结果得到当前步的M矩阵，并尽量使得M矩阵是稀疏且不重复的。值得注意的是，不同样本的M向量可以不同，所述框架可以让不同的样本选择不同的特征。注意力Transformer可以限制特征的使用次数，其可以在后续步中减小使用次数较多的特征的权重占比。
如图2所示，定义了具有N个工件的CMM的数据集为 并将其输入到包含S判定步骤的序列深度网络中。对于特定的步骤s(除了步骤1)，步骤s-1的信息hs-1流向一个注意力转化模块(关于其结构，见图3)，以生成特征选择掩码Ms：
其中，Ms∈RN×P。注意到每个工件对于n＝[1,2,...,n]都有sparsemax是一种规范化过程，它通过将欧氏投影映射到概率单形来实现稀疏性。sparsemax层增强了对特征稀疏选择的能力，之前步使用次数较多的特征将会较少地被运用在后续步。
对于注意力转化模块，是注意力转换模块的一个权重，注意力转换模块连接了一个全连接层，然后是批量归一化。参数σ∈RN×p是一个先验尺度矩阵，它决定了前一步中特定特征的使用量：
其中，γ是松弛参数。当γ＝1时，一个特征只能在一个判定步骤中使用。随着γ值的增加，在多个决策步骤中使用一个特征可以提供更大的灵活性。最初在步骤1的σ1＝1N×P，表明没有事先使用的屏蔽特征。
回想一下，网络的设计是为了构造连续的步骤，以便在每个决策步骤中选择要推理的特征。因此Ms可用于特征软选择，即保持每个步骤的相关特征，消除不相关特征的影响，从而得到一个更有效的参数模型。将步骤s的特征处理模块的输出定义为Hs：
其中，Hs＝[os,hs]是决策步输出和后续步/>超参数调整信息的连接。参数gs(·)表示特征处理模块的非线性函数，其参数是/>可以看出该块有四个可训练层。前两层的权重在所有决策步骤中共享，而后两层的权重依赖于决策步骤。每个完全连接的层之后是批量归一化和门控线性单元。标准化的剩余连接，使用/>进行标准化，以确保整个网络中参数的小差异。然后，决策步输出os(即，每一步的选择特征)将用于决策树形式的聚合，将通过一个线性映射函数和一个ReLU激活函数预测输出
其中，θo为全连接层的最终输出的权重。最终损失函数由两部分组成：用于最小化预测误差的均方误差损失函数lr和用于进一步控制所选特征的稀疏性的稀疏性正则化ls。这些定义如下：
其中，和/>分别为加工后工件的实际外观特征的特征点和预测外观特征的特征点。最后，要最小化的目标函数l＝lr+λlsparse，其中，λ是控制lr和ls之间的平衡的参数。本发明在反向传播中使用Adam优化器进行参数训练，以更新模型权重。
最后，在结构130中，通过特征掩码层后，再通过一个FC层加权各步输出得到最终的输出。输出层能够汇总特征重要程度，实现特征的可解释性。
此外本实施案例用来表示第i步对最后结果的贡献，其中Nd表示特征的数量，dc表示第c个特征输出值，那么归一化后的特征全局重要性可以表示为：
这样就可以展示所述模型中的特征重要性了。
具体为，图4给出了MMPs的示意图,MMPs的状态向量由符合坐标测量机工作原理的特征点组成。在阶段k，用状态向量Xk＝[xk(1),xk(2),...xk(p)]T∈RP，其中，P是特征点的维度。注意，在不同的阶段，P可能是不同的，因为它与那个阶段的CMM的产品几何形状和工作原理有关。模型输出是对产品质量的测量，用Yk∈RP表示。请注意，Yk不一定在每个阶段都可用。通过建立阶段转移矩阵来描述MMPs的产品质量信息流，如下所示。
Xk＝fk(Wk,Uk,Xk-1)
Yk＝Xk+Vk
XK＝Fk(Wk,Uk,Xk)
其中，k＝{1,2，...，k-1}。对状态向量Xk-1应用误差传递函数fk，通过阶段k后变成Xk，对于多个制造过程，过程误差函数Fk从初始阶段k＝{1,2，...，k-1}直到XK的k阶段完成。过程故障(例如，夹具误差、人为因素、加工误差或加工过程中的热误差)由状态向量Uk∈RP表示，该状态向量被视为误差传递函数fk在k阶段的元素。过程未建模误差和未发现的场景干扰由系统的噪声输入Wk表示。本发明假设Wk∈RP是零均值，并且Wk的分量彼此独立。注意，在实际工业生产中，Wk并不独立于Uk。最后，对于输出Yk，其相应的测量噪声由零均值随机向量Vk∈RP表示。V的分量是相互独立的。此外，Vk独立于Uk、Wk和
为了提高最终阶段的产品质量，将进行两个步骤：(1)提出由学习模型组成的质量预测模型，以估计将产品质量信息Xk转换为最终阶段结果Yk的非线性函数；(2)使用上面提出的预测模型来构建映射，该映射包含(X1,X2,...XK)所有过程和YK的所有参数。
为了验证上述工业精加工过程加工质量预测问题的有效性，本实施例引用了在中国无锡涡轮叶片有限公司的一条高精度航空涡轮叶片生产线上获得的数据集。
首先，数据集描述。本实施例在两批叶片上进行了尺寸和几何差异较小的实验，分别表示为叶片A和叶片B。它们是在相同的金属丝网制造的，在每个数据集中，使用Hexon/Zeiss高精度三坐标测量机测量三个关键阶段(即铣叶根、综合铣削和最终检验)的特征点。采样点的数量、位置和最佳探测顺序由三坐标测量机检验计划预先确定。A、B叶片的人、机、料、方法、测量、环境信息(以5M1E表示)生产线的运行情况汇总在表2中，A、B叶片的样本数和特征数可参见表1。
表1叶片A和叶片B的数据集详细信息
表2叶片A和叶片B的“5M1E”信息
然后，评价指标，使用两个度量来评估预测性能：(1)均方根误差(RMSE)。用于计算每个叶片的预测形状特征与实际形状特征之间的误差；(2)使用误差标准差(SDE)来计算每个叶片的误差波动。
其中，和/>分别是加工后工件的实际外观特征和预测外观特征的第p个特征点。Ntest为测试样本数量，/>是Errorp的平均值。
最后，质量预测，该实施案例利用工业生产关键单个或多个过程后的CMM测量数据作为模型输入。通过特征提取和模型训练，建立加工过程的工艺特征与产品输出质量之间的映射关系，预测抛光后的汇总数据，即工件的输出外观特征。在该实施案例中，采用了不同的方法，并进行了比较，以显示所提出的方法的有效性。具体来说，以下代表性的方法已经实现，它们具有类似的实验设置所提出的方法。
支持向量回归(Support vector regression,SVR)：SVR作为一种广泛应用的机器学习预测方法，在故障诊断和预测领域具有良好的性能[15]。在这里，它是作为基准与提出的算法相比较。
卷积神经网络(Convolutional neural networks,CNN)：CNN是一种深度学习方法，已被证明在轴承和零件处理领域具有良好的故障诊断和误差跟踪性能[3]。
基于SVR的主成分分析分析方法(Principal component analysis(PCA)+SVR)：在最初的实验中，发现SVR的效果比较理想，但在实际应用中，SVR的效果并不理想，因此，本发明提出了一种基于SVR的主成分分析分析方法。据推测，造成这种情况的原因是小数据样本。为了进一步提高参考数据集的标准，将支持向量回归算法与主成分分析相结合，解决了数据维数过高的问题。
为了便于后续描述，将铣叶根过程和综合铣削过程分别用第1阶段和第2阶段来表示。将过程1数据、过程2数据以及过程1和过程2的组合数据分别输入到所提出的方法和比较方法中。根据专家经验和超差概率确定10个关键特征点作为预测输出。对于所提出的序列多步网络，决策步骤s＝7，特征流到下一步骤的维数设置为13(这个值应该随着预测维数的增加而提高)。学习率设置为0.1，批量大小为24。当样本容量较大时，需要更大的批量，因此需要相应地调整学习速率。对于CNN来说,迭代次数epochs被设定为400。使用了一维卷积网络，具体是通过三个卷积层与三个最大池化层，最后通过一个全连接层输出特征点的预测值。主成分分析选择累积方差贡献率大于90％的主成分。采用径向基核函数训练支持向量机，其停止准则和正则化参数的容差分别为0.001和1。
总的来说，所提出的序列多步网络在关键特征的预测方面表现良好。结果表明，该方法和其他方法相比，对于一半以上的输出特征预测值，叶片a和叶片b都能获得最小的RMSE值，所有输出特征预测值RMSE值的方差也最小。为了进一步研究比较结果，表3汇总了每个叶片和每个阶段的平均RMSE和SDE。在这里，参考误差是基于实际生产需求的所有外观特征的上限和下限的平均总和，它由referenceerror＝UDL-LDL定义。可以看出，该网络在两个阶段都能获得最小的RMSE和SDE值。此外，经过比较，在所有情况下，只有所提出的网络得到的预测结果始终低于1/8的参考误差限，进一步证实了所提出的预测模型的前景。
表3用不同的方法对叶片A/B进行了预测
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种工业精加工过程加工质量实时预测方法，其特征在于，该方法包括：
训练阶段：
接收目标工序的指定；
获取多组目标工序各工序当前加工完CMM数据和成品CMM数据，作为训练数据集；
采用训练数据集训练加工质量预测模型，直至满足加工精度要求，得到训练好的加工质量预测模型；
所述加工质量预测模型，包括：归一化模块，用于对原始CMM数据进行归一化；S个特征处理模块，其中，第一特征处理模块，用于将归一化后CMM数据进行多次特征计算，得到预处理后的数据，剩下的第s特征处理模块，用于对第s-1特征筛选模块的输出进行多次计算，得到当前步的决策输出，用于预测任务；S-1个特征筛选模块，其中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM数据进行特征筛选，得到第s轮对加工质量具有影响的特征；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出进行全连接，再经过Softmax函数，得到指定维度的CMM数据；
应用阶段：获取目标工序中各工序当前加工完CMM数据，一起输入至训练好的加工质量预测模型，预测出所有加工工序完成后的CMM数据；
所述特征处理模块包括：
第一特征增强模块，用于对输入数据进行特征增强，分别输出至第二特征增强模块和第三特征增强模块；
第二特征增强模块，用于对输入数据进行特征增强，分别输出至第三特征增强模块和第四特征增强模块；
第三特征增强模块，用于对第一特征增强模块输出的特征加权值和第二特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至第四特征增强模块；
第四特征增强模块，用于对第二特征增强模块输出的特征加权值和第三特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至对应特征筛选模块；
所述特征增强模块包括串联的全连接层、归一化层和门控线性单元GLU；
所述特征筛选模块包括：
注意力Transformer模块，用于以对应特征处理模块的输出为先验信息，对归一化后CMM数据重新进行加权组合，得到加权CMM矩阵；
特征掩码模块，用于对前一步的特征处理模块的输出进行特征筛选处理，得到特征掩码矩阵。
2.如权利要求1所述的方法，其特征在于，权重均为
3.如权利要求1所述的方法，其特征在于，所述注意力Transformer模块减小使用次数多的特征的权重占比。
4.如权利要求1所述的方法，其特征在于，第s特征掩码模块的输出Ms∈RN×P如下：
其中，N为CMM数据对应的工件总数，P为CMM数据的维度，sparsemax为一种规范化过程，它通过将欧氏投影映射到概率单形来实现稀疏性，σs-1∈RN×p为由s-1步得到的先验尺度矩阵，为当前第s步的权重，hs-1为s-1步得到的部分决策输出，γ为松弛参数。
5.如权利要求4所述的方法，其特征在于，训练阶段的损失函数由两部分组成：用于最小化预测误差的均方误差损失函数lr和用于进一步控制所选特征的稀疏性的稀疏性正则化lsparse：
l＝lr+λlsparse
其中，和/>分别为加工后工件的实际CMM数据和预测CMM数据；λ为控制lr和ls之间的平衡的参数，ε为增加数值的稳定性的极小数。
6.一种工业精加工过程加工质量实时预测系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的工业精加工过程加工质量实时预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210651460.5A CN115018162B (zh) | 2022-06-09 | 2022-06-09 | 一种工业精加工过程加工质量实时预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210651460.5A CN115018162B (zh) | 2022-06-09 | 2022-06-09 | 一种工业精加工过程加工质量实时预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115018162A CN115018162A (zh) | 2022-09-06 |
| CN115018162B true CN115018162B (zh) | 2024-06-04 |
Family
ID=83073305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210651460.5A Active CN115018162B (zh) | 2022-06-09 | 2022-06-09 | 一种工业精加工过程加工质量实时预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018162B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649906B (zh) * | 2024-01-30 | 2024-04-26 | 浙江大学 | 一体化铝合金结构件铸造质量预测方法、电子设备、介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020228932A1 (en) * | 2019-05-11 | 2020-11-19 | Big Data In Manufacturing Gmbh | Artificial intelligence in discrete manufacturing |
| CN114169721A (zh) * | 2021-11-26 | 2022-03-11 | 华中科技大学 | 一种基于自适应模糊推理的全流程零件加工质量预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120245980A1 (en) * | 2011-03-22 | 2012-09-27 | Accenture Global Services Limited | Productivity prediction technique and system |
| TWI481978B (zh) * | 2012-11-05 | 2015-04-21 | Univ Nat Cheng Kung | 工具機之加工品質的預測方法 |
-
2022
- 2022-06-09 CN CN202210651460.5A patent/CN115018162B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020228932A1 (en) * | 2019-05-11 | 2020-11-19 | Big Data In Manufacturing Gmbh | Artificial intelligence in discrete manufacturing |
| CN114169721A (zh) * | 2021-11-26 | 2022-03-11 | 华中科技大学 | 一种基于自适应模糊推理的全流程零件加工质量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于赋值型误差传递网络的多工序加工质量预测;江平宇;王岩;王焕发;郑镁;;机械工程学报;20130320(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115018162A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651089B (zh) | 生产调度问题的分布集鲁棒模型的建模及优化求解方法 | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109240204B (zh) | 一种基于两步法的数控机床热误差建模方法 | |
| JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN106372278A (zh) | 一种联合考虑输入参数不确定性和代理模型不确定性的灵敏度分析方法 | |
| CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
| Lu et al. | Uncertainty-guided intelligent sampling strategy for high-efficiency surface measurement via free-knot B-spline regression modelling | |
| CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| Sharma et al. | Machine learning based effort estimation using standardization | |
| CN115018162B (zh) | 一种工业精加工过程加工质量实时预测方法和系统 | |
| CN102663495A (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
| Diao et al. | A dynamic quality control approach by improving dominant factors based on improved principal component analysis | |
| CN116127695A (zh) | 一种基于综合性能评价的生产线构建方法及系统 | |
| CN114611758A (zh) | 一种基于二维经验模态分解的门控循环单元网络负荷预测方法 | |
| CN112966449B (zh) | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 | |
| Sunny et al. | An artificial neural network residual kriging based surrogate model for shape and size optimization of a stiffened panel | |
| Wu et al. | Custom machine learning architectures: towards realtime anomaly detection for flight testing | |
| Hartwig et al. | Compressor blade design for stationary gas turbines using dimension reduced surrogate modeling | |
| Liu et al. | Quality-related fault detection based on approximate kernel partial least squares method | |
| CN117310277A (zh) | 电动汽车非车载充电机电能计量方法、系统、设备及介质 | |
| CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation | |
| Campi et al. | Parametric cost modelling of components for turbomachines: Preliminary study | |
| Liu et al. | Ensemble of surrogates with an evolutionary multi-agent system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |