CN112947300A - 一种加工质量虚拟量测方法、系统、介质及设备 - Google Patents
一种加工质量虚拟量测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112947300A CN112947300A CN202110197701.9A CN202110197701A CN112947300A CN 112947300 A CN112947300 A CN 112947300A CN 202110197701 A CN202110197701 A CN 202110197701A CN 112947300 A CN112947300 A CN 112947300A
- Authority
- CN
- China
- Prior art keywords
- layer
- fuzzy
- output
- characteristic
- input
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 title claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 43
- 241000282461 Canis lupus Species 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000003746 surface roughness Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000001965 increasing effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004439 roughness measurement Methods 0.000 claims description 4
- 238000007514 turning Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000003754 machining Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000004880 explosion Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003064 k means clustering 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/401—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34242—For measurement only
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种加工质量虚拟量测方法、系统、介质及设备，记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对；建立基于模糊宽度学习系统的虚拟量测模型；利用二值灰狼智能优化方法对中间层特征向量进行特征选择；利用岭回归对经过特征选择的中间层与输出层之间的连接权值进行优化；构建损失函数；逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练，当损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。本发明降低了模糊宽度学习系统训练样本的维度，有效提高了虚拟量测模型的预测精度。
Description
技术领域
本发明属于零件加工质量虚拟量测技术领域，具体涉及一种加工质量虚拟量测方法、系统、介质及设备。
背景技术
随着科学技术的不断进步和经济的快速发展，市场竞争日益激烈，零件加工质量已成为影响机床企业参与市场竞争的关键因素。在数控机床实际加工过程中，影响零件加工质量的因素众多，且各种影响因素之间相互耦合，难以建立较为精准的零件加工质量动态变化机理模型。生产厂商大多都采用传统的离线或在线抽样方式进行质量检测，这样不但不能保证所有加工零件质量的全检，反而增加了生产成本，降低了生产效率。因此，为了权衡加工质量、生产成本和效率三者之间的关系，对零件加工质量进行有效地虚拟量测具有重要的现实意义。
从国内外研究现状分析可知，可靠的零件加工质量虚拟量测是实现智能制造的重要目标之一。虚拟量测技术已成功地运用在半导体、平面显示器、太阳能电池等高科技产业，但由于数控加工过程工况复杂且存在着不确定、非线性、时变等特性，所以在机床产业有效地应用虚拟量测技术进行零件质量检测将面临着严峻的挑战。
已有研究表明，通过监测加工过程中设备运行状态的有效信息，利用神经网络、支持向量机、模糊逻辑系统、多元统计分析等方法可以实现加工试验条件相对理想的质量预测。由于深度学习在信号和图像处理方面表现出强大的优越性，近期也有研究表明将深度学习应用到零件加工质量的虚拟量测领域可以取得较好的预测效果。但是，深度学习模型的训练往往需要大量的训练样本数据，并且训练时间相对较长。因此，基于多传感器数据驱动建立可靠的虚拟量测模型，确定零件加工质量动态变化与设备状态监测信号之间的映射关系，是进行零件加工质量虚拟量测的关键。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种加工质量虚拟量测方法、系统、介质及设备，实现零件加工质量的虚拟量测且提高了模型预测精度，在一定程度上解决了现有技术中存在的预测精度低、“维度灾难”与“规则爆炸”等问题。
本发明采用以下技术方案：
一种加工质量虚拟量测方法，包括以下步骤：
S1、记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；
S2、建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将步骤S1标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；
S3、利用二值灰狼智能优化方法对步骤S2的中间层特征向量进行特征选择；
S4、利用岭回归对步骤S3经过特征选择的中间层与输出层之间的连接权值进行优化；
S5、构建损失函数，评估虚拟量测模型的预测性能，当损失函数值不满足要求时进行步骤S6；
S6、逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练，当步骤S5的损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；
S7、对新加工的零件样本数据进行步骤S1的数据标准化预处理，然后利用步骤S6中的最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。
具体的，步骤S2中，输入层，将样本数据经预处理后作为模型的输入，为进行中间层计算的输入；
中间层，将输入层的输入经过线性或非线性变换为进一步提取抽象特征；
特征层，通过多个模糊子系统利用规则来提取抽象特征；特征层中含有n个模糊子系统，每个模糊子系统包含r个规则；
增强层，将特征层提取的特征经过非线性变换进一步扩展增强抽象特征；增强层中含有m个增强节点；
输出层，将样本的实际测量结果作为模型的输出标签，构成输入输出数据对，实现虚拟量测模型的训练。
具体的，步骤S2具体为：
S201、设置每个模糊子系统中规则的数目，随机初始化规则的后件参数，并将所有模糊子系统的中间输出组成一个特征向量，计算特征层的输出；
S202、随机初始化特征层与增强层之间的连接权值，并将特征层的输出特征向量通过非线性函数变换到增强层，非线性函数为tansig函数，计算增强层的输出；
S203、合并特征层与增强层的输出为模糊宽度学习系统中间层的输出向量。
具体的，步骤S3具体为：
S301、初始化灰狼种群，设定初始狼群的数目、最大迭代次数以及初始化灰狼个体的位置；
S302、构建适应度函数，计算每只灰狼的适应度值，适应度函数为测试样本的均方根误差函数；
S303、根据个体的适应度值大小进行排序，确定alpha、beta和delta狼的当前位置xα、xβ和xδ；
S304、利用两种不同的更新策略对步骤S303中每只搜索灰狼用二值向量更新当前的位置；
S305、判断是否满足步骤S301的终止条件，若满足终止条件则输出最优位置，否则t＝t+1转到步骤S302继续循环迭代；
S306、利用灰狼的最优位置进行中间层输出向量的特征选择。
具体的，步骤S4中，利用岭回归优化计算经步骤S3特征选择后中间层到输出层的连接权值参数
如下：
其中，I为单位矩阵，
为中间层的特征向量，T为矩阵的转置，α为正则项系数，Y为实际测量结果。
具体的，步骤S5中，损失函数使用均方根误差函数RMSE如下：
其中，N表示被处理的样本个数，y(k)和ya(k)分别为第k个预测结果和实际测量结果。
具体的，步骤S6中，通过迭代训练，当损失函数达到最小值时保存模糊子系统、模糊规则、增强层节点的数目以及经特征选择后中间层到输出层的最优连接权值参数。
本发明的另一个技术方案是，一种加工质量虚拟量测系统，包括：
数据预处理模块，记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本的输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；
基于模糊宽度学习的虚拟量测建模模块，建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；
特征选择模块，利用二值灰狼智能优化方法对模糊宽度学习系统的中间层特征输出向量进行特征选择；
参数优化模块，利用岭回归对经过特征选择的中间层与输出层之前的连接权值进行优化；
性能预测模块，构建损失函数，评估虚拟量测模型的预测性能；
模型训练模块，通过逐步增加特征层中的模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当性能预测模块的损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；
虚拟量测模块，对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件的表面粗糙度虚拟量测。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种加工质量虚拟量测方法，基于模糊宽度学习系统，利用二值灰狼智能优化方法进行特征选择的虚拟量测方法，能够有效地实现零件加工质量的预测，以此用来实现零件加工质量的全检，达到降本增效的作用；无需利用梯度下降法更新网络参数，所以计算速度优于深度学习；通过基于模糊宽度学习系统的虚拟量测方法可以提高对零件加工质量的预测精度，当模型预测精度达不到要求时，可以通过增加网络的“宽度”来提升模型预测性能；利用二值灰狼智能优化方法进行重要特征的选择，可以降低训练样本的维度，进而避免了模型中的“维度灾难”与模糊子系统中存在的“规则爆炸”问题。
进一步的，步骤S2建立了包含输入层、中间层和输出层的模糊宽度学习系统，有利于处理不确定、非线性的虚拟量测建模，提高模型的训练速度和预测精度。
进一步的，通过特征层中各个模糊子系统的规则推理提取相关特征，并通过非线性变换来增强样本数据特征，最后合并特征层与增强层的特征向量，使得中间层的输出向量含有更丰富的特征表示。
进一步的，利用二值灰狼智能优化方法中两种不同的更新策略，对中间层的输出向量进行重要特征的选择，以降低模型训练维度，避免模糊规则爆炸。
进一步的，利用岭回归优化中间层与输出层之间的连接权值，以提高模型的训练速度。
进一步的，利用均方根误差函数作为评估模型预测精度的损失函数，计算简便，精度高。
进一步的，通过增加特征层模糊子系统、模糊规则以及增强层节点的数目的方式进行迭代训练，当损失函数达到最小值时保存网络最优权值参数，以此用来实现测试样本的预测。
综上所述，本发明利用二值灰狼智能优化方法进行重要特征选择后，可以降低模糊宽度学习系统中训练样本的维度，避免模糊子系统中的“规则爆炸”问题，进而提高了模型的预测精度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法的网络拓扑结构图；
图2为本发明方法的流程示意图；
图3为各虚拟量测方法预测结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种加工质量虚拟量测方法，将宽度学习的思想应用到虚拟量测中，通过建立加工过程设备状态监测信号与零件加工质量检测结果之间的因果关系，实现零件加工质量的预测，达到零件质量全检的目的。通过进行有效可靠的虚拟量测，可以减少质量检测过程中人为因素的干预，提高机床的稼动率，达到降本增效的作用。
以零件表面粗糙度虚拟量测为基础，本发明的虚拟量测方法拓扑结构如图1所示，在模糊宽度学习系统的框架上，利用二值灰狼智能优化方法实现中间层特征向量的特征选择，进而降低模型训练的维度，避免了模糊子系统中的规则爆炸问题，提高了模型的预测精度。
请参阅图2，本发明一种加工质量虚拟量测方法，包括以下步骤：
S1、记录零件加工时的工艺参数及测量结果，对历史样本的工艺参数及表面粗糙度测量结果进行数据标准化处理；
不同的评价指标具有不同的量纲和量级单位，为了消除不同的量纲与量级对虚拟量测结果的影响，需要进行数据的标准化处理，具体表达式如下：
其中，xi为样本数据，xmax为样本数据的最大值，xmin为样本数据的最小值，
为标准化后的样本数据。
S2、建立基于模糊宽度学习系统的虚拟量测模型；
模糊宽度学习系统包括输入层、中间层和输出层，中间层。
输入层，将样本数据经预处理后作为模型的输入，为进行中间层计算的输入；
中间层，将输入层的输入经过线性或非线性变换为进一步提取抽象特征；
中间层包括特征层和增强层，特征层通过多个模糊子系统利用规则来提取抽象特征，增强层用于将特征层中提取的特征向量经过非线性变换进一步扩展增强抽象特征；
设置模糊宽度学习系统的超参数，特征层中含有n个模糊子系统，每个模糊子系统包含r个规则，增强层含有m个增强节点。
输出层，将样本的实际测量结果(表面粗糙度)作为模型的输出标签，用来构建输入输出数据对进而实现模型的训练。
步骤S2具体流程如下：
S201、计算特征层的输出；
设置每个模糊子系统中规则的数目，此处可设每个模糊子系统的规则数目相同且都为r，模糊隶属函数都是高斯函数，且高斯函数的宽度均为1，高斯函数的中心由K-means聚类算法确定。随机初始化规则的后件参数，并将所有模糊子系统的中间输出组成一个特征向量。
S202、计算增强层的输出；
随机初始化特征层与增强层之间的连接权值，并将特征层的输出特征向量通过非线性函数变换到增强层，非线性函数为tansig函数。
S203、合并特征层与增强层的输出为模糊宽度学习系统中间层的输出向量。
S3、利用二值灰狼智能优化方法进行中间层输出向量的特征选择；
S301、初始化灰狼种群，设定初始狼群的数目、最大迭代次数以及初始化灰狼个体的位置；
S302、构建适应度函数，计算每只灰狼的适应度值，适应度函数为测试样本的均方根误差函数，其计算公式如下：
其中，NTest为测试样本的数目，y(k)和yd(k)分别为第k个测试样本的预测结果和期望结果。
S303、根据个体的适应度值大小进行排序，确定alpha、beta和delta狼的当前位置xα、xβ和xδ；
S304、利用两种不同的更新策略对每只搜索灰狼用二值向量更新当前的位置；
a)基于随机交叉策略的二值灰狼位置更新(BWGO1FBLS)
其中，
和
分别为alpha狼、beta狼和delta狼在d维空间的二值向量表示，其位置更新公式可分别表示为：
其中，
和
分别为alpha、beta和delta狼在d维空间中的位置，而
和
计算如下：
其中
和
分别计算如下：
而
和
分别计算如下：
A＝2a·r1-a
C＝2·r2
Dα＝|C1·Xα-X|
Dβ＝|C2·Xβ-X|
Dδ＝|C3·Xδ-X|
其中，r1和r2是0到1之间的均匀分布的随机数，参数a的取值是从2到0线性减少的。b)基于平均值的二值灰狼位置更新(BWGO2FBLS)
其中，
上述，rand均为0到1之间均匀分布的随机数。
S305、判断是否满足步骤S301的终止条件，若满足终止条件则输出最优位置，否则t＝t+1转到步骤S302继续循环迭代；
S306、利用灰狼的最优位置进行中间层输出向量的特征选择。
S4、利用岭回归优化计算经步骤S3特征选择后中间层向量到输出层的权值参数；
其中，I为单位矩阵，
为中间层的特征向量，T为矩阵的转置，α为正则项系数，Y为实际测量结果。
S5、构建损失函数，评估虚拟量测模型的预测性能，当损失函数值不满足要求时进行步骤S6；
损失函数使用均方根误差函数(RMSE)，其具体表达式如下：
其中，N表示被处理的样本个数，y(k)和ya(k)分别为第k个预测结果和实际测量结果。
S6、逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当损失函数达到最小值时保存模糊宽度学习系统的最优权值参数。
S7、对新加工的零件样本数据同样进行步骤S1的数据标准化预处理，然后利用步骤S6中保存的最优权值参数进行模型的输出计算，进而实现加工零件表面粗糙度的虚拟量测。
本发明再一个实施例中，提供一种加工质量虚拟量测系统，该系统能够用于实现上述加工质量虚拟量测，具体的，该加工质量虚拟量测系统包括数据预处理模块、基于模糊宽度学习的虚拟量测建模模块、特征选择模块、参数优化模块、性能预测模块、模型训练模块以及虚拟量测模块。
其中，数据预处理模块，记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本的输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；
基于模糊宽度学习的虚拟量测建模模块，建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层；将标准化处理后的历史样本输入输出数据对，经过特征层与增强层映射得到中间层的特征向量；
特征选择模块，利用二值灰狼智能优化方法对模糊宽度学习系统的中间层特征输出向量进行特征选择；
参数优化模块，利用岭回归对经过特征选择的中间层与输出层之前的连接权值进行优化；
性能预测模块，构建损失函数，评估虚拟量测模型的预测性能；
模型训练模块，通过逐步增加特征层中的模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当性能预测模块的损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；
虚拟量测模块，对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于加工质量虚拟量测的操作，包括：
记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；利用二值灰狼智能优化方法对中间层特征向量进行特征选择；利用岭回归对经过特征选择的中间层与输出层之间的连接权值进行优化；构建损失函数，评估虚拟量测模型的预测性能，当损失函数值不满足要求时；逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关加工质量虚拟量测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；利用二值灰狼智能优化方法对中间层特征向量进行特征选择；利用岭回归对经过特征选择的中间层与输出层之间的连接权值进行优化；构建损失函数，评估虚拟量测模型的预测性能，当损失函数值不满足要求时；逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。
以实际加工过程中表面粗糙度实验数据为例来验证本发明虚拟量测方法的可行性，以主轴转速、进给率、切削深度、时间脉冲为输入向量，所对应的平均表面粗糙度为输出向量构建虚拟量测模型，共有54组表面粗糙度实验数据集，其中44组作为训练样本数据集，另外10组作为测试样本数据集，如表1所示。
表1实际加工零件表面粗糙度数据集
分别利用宽度学习系统(BLS)、模糊宽度学习系统(FBLS)以及本发明的虚拟量测方法与原文献中所提及的最小二乘支持向量机(LS-SVM)预测结果进行对比，其对比结果如图3所示。以RMSE为模型预测的评估指标，其对比结果如表2所示。由以上对比结果可以看出，本发明的虚拟量测模型具有较高的预测精度。
表2测试数据集的RMSE对比结果
综上所述，本发明一种加工质量虚拟量测方法、系统、介质及设备，基于模糊宽度学习系统，利用二值灰狼智能优化算法进行特征选择的虚拟量测方法，能够有效地实现零件加工质量的预测，以此用来实现零件加工质量的全检，达到降本增效的作用；无需利用梯度下降法更新网络参数，所以计算速度优于深度学习；通过基于模糊宽度学习系统的虚拟量测方法可以提高对零件加工质量的预测精度，当模型预测精度达不到要求时，可以通过增加网络的“宽度”来提升预测能力；利用二值灰狼智能优化算法进行重要特征的选择，可以降低训练样本的维度，进而避免了模型中的“维度灾难”与模糊子系统中存在的“规则爆炸”等问题，最后通过已有文献中提供的实际加工零件表面粗糙度实验数据集进行验证，结果表明本发明虚拟量测方法的可行性与有效性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种加工质量虚拟量测方法，其特征在于，包括以下步骤：
S1、记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；
S2、建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将步骤S1标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；
S3、利用二值灰狼智能优化方法对步骤S2的中间层特征向量进行特征选择；
S4、利用岭回归对步骤S3经过特征选择的中间层与输出层之间的连接权值进行优化；
S5、构建损失函数，评估虚拟量测模型的预测性能，当损失函数值不满足要求时进行步骤S6；
S6、逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当步骤S5的损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；
S7、对新加工的零件样本数据进行步骤S1的数据标准化预处理，然后利用步骤S6中的最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。
2.根据权利要求1所述的方法，其特征在于，步骤S2中，输入层，将样本数据经预处理后作为模型的输入，为进行中间层计算的输入；
中间层，将输入层的输入经过线性或非线性变换为进一步提取抽象特征；
特征层，通过多个模糊子系统利用规则来提取抽象特征；特征层中含有n个模糊子系统，每个模糊子系统包含r个规则；
增强层，将特征层提取的特征经过非线性变换进一步扩展增强抽象特征；增强层中含有m个增强节点；
输出层，将样本的实际测量结果作为模型的输出标签，构成输入输出数据对，实现虚拟量测模型的训练。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
S201、设置每个模糊子系统中规则的数目，随机初始化规则的后件参数，并将所有模糊子系统的中间输出组成一个特征向量，计算特征层的输出；
S202、随机初始化特征层与增强层之间的连接权值，并将特征层的输出特征向量通过非线性函数变换到增强层，非线性函数为tansig函数，计算增强层的输出；
S203、合并特征层与增强层的输出为模糊宽度学习系统中间层的输出向量。
4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
S301、初始化灰狼种群，设定初始狼群的数目、最大迭代次数以及初始化灰狼个体的位置；
S302、构建适应度函数，计算每只灰狼的适应度值，适应度函数为测试样本的均方根误差函数；
S303、根据个体的适应度值大小进行排序，确定alpha、beta和delta狼的当前位置xα、xβ和xδ；
S304、利用两种不同的更新策略对步骤S303中每只搜索灰狼用二值向量更新当前的位置；
S305、判断是否满足步骤S301的终止条件，若满足终止条件则输出最优位置，否则t＝t+1转到步骤S302继续循环迭代；
S306、利用灰狼的最优位置进行中间层输出向量的特征选择。
5.根据权利要求1所述的方法，其特征在于，步骤S4中，利用岭回归优化计算经步骤S3特征选择后中间层到输出层的连接权值参数
如下：
其中，I为单位矩阵，
为中间层的特征向量，T为矩阵的转置，α为正则项系数，Y为实际测量结果。
6.根据权利要求1所述的方法，其特征在于，步骤S5中，损失函数使用均方根误差函数RMSE如下：
其中，N表示被处理的样本个数，y(k)和ya(k)分别为第k个预测结果和实际测量结果。
7.根据权利要求1所述的方法，其特征在于，步骤S6中，通过迭代训练，当损失函数达到最小值时保存模糊子系统、模糊规则、增强层节点的数目以及经特征选择后中间层到输出层的最优连接权值参数。
8.一种加工质量虚拟量测系统，其特征在于，包括：
数据预处理模块，记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本的输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；
基于模糊宽度学习的虚拟量测建模模块，建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；
特征选择模块，利用二值灰狼智能优化方法对模糊宽度学习系统的中间层特征输出向量进行特征选择；
参数优化模块，利用岭回归对经过特征选择的中间层与输出层之前的连接权值进行优化；
性能预测模块，构建损失函数，评估虚拟量测模型的预测性能；
模型训练模块，通过逐步增加特征层中的模糊子系统、模糊规则及增强层节点的数目进行迭代训练、当性能预测模块的损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；
虚拟量测模块，对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件的表面粗糙度虚拟量测。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110197701.9A CN112947300A (zh) | 2021-02-22 | 2021-02-22 | 一种加工质量虚拟量测方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110197701.9A CN112947300A (zh) | 2021-02-22 | 2021-02-22 | 一种加工质量虚拟量测方法、系统、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112947300A true CN112947300A (zh) | 2021-06-11 |
Family
ID=76245198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110197701.9A Pending CN112947300A (zh) | 2021-02-22 | 2021-02-22 | 一种加工质量虚拟量测方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112947300A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254435A (zh) * | 2021-07-15 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及系统 |
| CN113569467A (zh) * | 2021-07-12 | 2021-10-29 | 鞍钢股份有限公司 | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 |
| CN114701135A (zh) * | 2022-05-20 | 2022-07-05 | 深圳市信润富联数字科技有限公司 | 基于虚拟量测模型的注塑工件尺寸预测方法 |
| CN116048002A (zh) * | 2023-04-03 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 数控机床虚拟轴运动控制方法、装置、设备及存储介质 |
| CN116520758A (zh) * | 2023-07-03 | 2023-08-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
| CN117726461A (zh) * | 2024-02-07 | 2024-03-19 | 湖南招采猫信息技术有限公司 | 一种用于电子招采辅助的金融风险预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
| CN110533109A (zh) * | 2019-09-03 | 2019-12-03 | 内蒙古大学 | 一种喷涂生产监测数据的存储及特征分析方法及其装置 |
| CN110929835A (zh) * | 2019-11-22 | 2020-03-27 | 南京航空航天大学 | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 |
| US20200250496A1 (en) * | 2019-02-05 | 2020-08-06 | The Regents Of The University Of Michigan | Sequential minimal optimization algorithm for learning using partially available privileged information |
| CN112084710A (zh) * | 2020-09-07 | 2020-12-15 | 集美大学 | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 |
-
2021
- 2021-02-22 CN CN202110197701.9A patent/CN112947300A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
| US20200250496A1 (en) * | 2019-02-05 | 2020-08-06 | The Regents Of The University Of Michigan | Sequential minimal optimization algorithm for learning using partially available privileged information |
| CN110533109A (zh) * | 2019-09-03 | 2019-12-03 | 内蒙古大学 | 一种喷涂生产监测数据的存储及特征分析方法及其装置 |
| CN110929835A (zh) * | 2019-11-22 | 2020-03-27 | 南京航空航天大学 | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 |
| CN112084710A (zh) * | 2020-09-07 | 2020-12-15 | 集美大学 | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| EMARY E； ZAWBAA HM； HASSANIEN AE: "Binary grey wolf optimization approaches or feature selection", 《NEUROCOMPUTING》 * |
| 朱湘临等: "基于Bayesian的海洋脂肪酶发酵过程软测量建模", 《测控技术》 * |
| 李旺: "稀疏的宽度学习系统及其应用研究", 华南理工大学 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569467A (zh) * | 2021-07-12 | 2021-10-29 | 鞍钢股份有限公司 | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 |
| CN113569467B (zh) * | 2021-07-12 | 2023-11-10 | 鞍钢股份有限公司 | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 |
| CN113254435A (zh) * | 2021-07-15 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及系统 |
| CN113254435B (zh) * | 2021-07-15 | 2021-10-29 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及系统 |
| CN114701135A (zh) * | 2022-05-20 | 2022-07-05 | 深圳市信润富联数字科技有限公司 | 基于虚拟量测模型的注塑工件尺寸预测方法 |
| CN116048002A (zh) * | 2023-04-03 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 数控机床虚拟轴运动控制方法、装置、设备及存储介质 |
| CN116520758A (zh) * | 2023-07-03 | 2023-08-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
| CN116520758B (zh) * | 2023-07-03 | 2023-09-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
| CN117726461A (zh) * | 2024-02-07 | 2024-03-19 | 湖南招采猫信息技术有限公司 | 一种用于电子招采辅助的金融风险预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112947300A (zh) | 一种加工质量虚拟量测方法、系统、介质及设备 | |
| CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
| CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
| Zeng et al. | A GA-based feature selection and parameter optimization for support tucker machine | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| CN112699247A (zh) | 一种基于多类交叉熵对比补全编码的知识表示学习框架 | |
| CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
| CN113281029A (zh) | 一种基于多尺度网络结构的旋转机械故障诊断方法及系统 | |
| CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
| CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN110781686A (zh) | 一种语句相似度计算方法、装置及计算机设备 | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN116307195A (zh) | 一种基于深度学习的带钢精轧宽展预测方法和系统 | |
| CN116644804A (zh) | 分布式训练系统、神经网络模型训练方法、设备和介质 | |
| CN113807596A (zh) | 一种信息化工程造价的管理方法及系统 | |
| CN104573331A (zh) | 一种基于MapReduce的K近邻数据预测方法 | |
| CN114818128B (zh) | 船体局部曲面优化神经网络建模方法及优化方法 | |
| CN116151581A (zh) | 一种柔性车间调度方法、系统及电子设备 | |
| CN114612914A (zh) | 一种多标签不平衡数据分类的机器学习方法及系统 | |
| CN114936413A (zh) | 船体外形优化神经网络建模方法及船体外形优化方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |
|
| RJ01 | Rejection of invention patent application after publication |