CN109472057A - 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 - Google Patents
基于跨工步隐式参数记忆的产品加工质量预测装置及方法 Download PDFInfo
- Publication number
- CN109472057A CN109472057A CN201811203181.2A CN201811203181A CN109472057A CN 109472057 A CN109472057 A CN 109472057A CN 201811203181 A CN201811203181 A CN 201811203181A CN 109472057 A CN109472057 A CN 109472057A
- Authority
- CN
- China
- Prior art keywords
- quality
- prediction
- model
- module
- parameter
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于跨工步隐式参数记忆的产品加工质量预测装置及方法。所述装置包含数据获取模块、数据预处理模块、质量预测模型构建模块、参数优化模块、质量特征预测模块、在线更新模块;方法包括数据获取;数据预处理(样本数据异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维);质量预测模型构建(质量预测模型结构的构建、模型最优参数优化训练);待测样本质量特征预测的步骤。本发明可以自动获取离散制造过程跨工步工艺过程参数之间的影响,具有较高的产品质量预测精度、灵活性、预测效率和模型重用性。
Description
技术领域
本发明涉及了产品制造过程的质量预测装置及方法,尤其涉及一种基于跨工步隐式参数记忆的产品加工质量预测装置及方法。
背景技术
产品制造过程质量特征的测量往往是一个高成本、低效率的过程,同时很多质量的测量对于产品产生破坏性作用,导致一个产品的彻底报废。因此很有必要提供一种产品质量预测装置及方法,建立工艺过程参数与质量特征的映射关系,降低产品质量特征实验测量造成的成本损失与时间损失。然而对于离散制造这一常见的制造模式,存在一些技术难点。离散型制造企业的生产过程,常常分解成很多个加工任务,而每一个加工任务只需要极少的资源就可以完成,但零件从一个工作环节到另一个工作环节,之间常进行不同类型和要求的多种加工任务,不同加工任务之间又存在着相互之间的影响,其中包含了很多的变化与不确定性因素。同时,又因离散型企业产品定制程度高,其零件加工工艺及设备使用过于灵活,使其品质控制上难度极高。所以要想实现离散制造过程的过程控制与质量预测建模将会更加复杂。本发明旨在解决离散制造过程的质量预测建模中的一些问题,并为该领域的研究提供一定的思路。目前已经存在一些技术对制造业产品制造过程质量预测模型建立进行了一定的研究,其研究可以分为两类:基于数据驱动的质量预测模型和基于物理或数学模型的质量预测模型。
基于数据驱动的质量预测模型。如见中国专利申请文件“一种可重组生产线产品质量预测方法”(申请号CN200810202402.4,申请日2008.11.07),公开了一种可重组生产线产品质量预测方法,其根据选取的关键工序质量控制点,采用贝叶斯统计的方法对关键质量特征进行预测,对检测获得的误差序列进行实时建模,求出生产的预测数值。另有中国专利申请文件“多工序制造过程质量波动预测方法”(申请号CN201210292407.7,申请日期2012.08.16),公开了一种多工序制造过程质量波动预测方法,采用贝叶斯状态空间的方法设计质量波动模型,同时采用小波滤波的方法对质量波动模型中的噪声进行处理,最终使用多元质量控制图进行制造过程监控。另有中国专利申请文件“一种高炉多元铁水质量预测控制方法及系统”(申请号CN201610825945.6,申请日期2016.09.14),公开了一种高炉多元铁水质量预测控制方法及系统,对于铁水质量预测模型的建立是以热风温度、热风压力、富氧率、设定喷煤量为输入,以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型。
基于物理或数学模型的质量预测与精度预测模型。如见中国专利申请文件“一种基于动态工件-装夹系统的铣削加工表面误差预测方法”(申请号CN201510609382.2,申请日期2015.09.22),提供了一种基于动态工件-装夹系统的铣削加工表面误差预测方法,建立工位与定位元件系统坐标系,构建工件-定位元件接触模型,分析定位元件与工件之间的接触刚度随法向接触力的变化,构建工件-定位元件系统模型。另有中国专利申请文件“一种数控切割机床切割精度的预测方法”(申请号CN201710993224.0,申请日期2017.10.23),提供了一种数控切割机床切割精度预测方法,计算了数控机床供电电压幅值、频率、谐波含量以及数控机床的切割速度和待加工工件的长度对切割精度的影响因子,最终综合各影响因子,计算出数控机床的切割精度。
从调研情况看出,当前很少有针对离散制造多工步且存在跨工步影响的特点的研究。目前存在的制造过程产品质量预测装备与方法中,基于物理或数学模型的质量预测模型,将会设置很多的假设条件同时应用很多的经验公式,大大限制了预测模型的使用范围,同时针对制造过程这种复杂的多工步过程,不确定性和复杂度很高,只使用物理或数学模型将很难完成整体的质量预测建模,所以目前的该方向的研究往往针对单工步或相邻工步之间影响的研究。对于数据驱动的质量预测模型建立方法,目前的研究中通常使用以下两种方式:使用判别函数直接拟合、假设制造过程为马尔科夫过程。使用判别函数直接拟合时,不考虑产品制造过程工艺参数的相互影响,直接以产品制造过程的所有工艺过程参数作为输入,以质量特征作为输出,寻找一个相对较优的映射函数。此时模型的预测精度低,且可重用性很差,工序发生一点变化就需要重新构建整个模型进行训练。使用马尔科夫过程假设时,忽略了制造过程的跨工步之间的影响,假设了制造过程的当前工步只和上一工步相关。然而在离散制造过程中,经常会出现这样的情况,比如目前存在一个产品的制造过程:精铣-倒角-研磨。在这个过程中,倒角步骤对于研磨步骤的隐式质量特征的影响程度小于精铣步骤对于研磨步骤的影响程度,然而此时如果只假设制造过程为马尔科夫过程,将会丢弃精铣对研磨过程的影响,导致模型的预测精度下降。因此很有必要开发一种可以获取跨工步之间依赖关系的产品制造过程质量预测装置及方法。
发明内容
为了解决背景技术存在的问题,本发明目的在于提出一种数据驱动的离散制造过程跨工步质量参数记忆的产品质量预测装置及方法,量化并计算离散制造过程跨工步之间的影响及作用,分析离散制造过程中各工步产生的工艺过程参数数据的内在特征,获取其和最终产品质量参数之间的联系,最终预测产品质量并进行反馈调节。
本发明采用了以下技术方案:
一、一种基于跨工步隐式参数记忆的产品加工质量预测装置:
所述装置包含数据获取模块、数据预处理模块、具有基于长短期记忆网络的质量预测模型构建模块、参数优化模块、质量特征预测模块、在线更新模块;CAPP系统经数据获取模块连接到分布式数据库,分布式数据库和数据预处理模块连接,数据预处理模块和参数优化模块连接,参数优化模块和质量预测模型构建模块连接,分布式数据库和在线更新模块连接,质量特征预测模块分别和分布式数据库、质量预测模型构建模块连接。
其中数据获取模块与CAPP系统等具有接口可以直接获取制造过程工艺过程参数;数据预处理模块用于制造过程产品工艺参数数据的预处理;质量预测模型构建模块使用基于长短期记忆网络方法的产品质量预测模型架构;参数优化模块用于基于长短期记忆网络方法的产品质量预测模型的参数优化过程;质量特征预测模块基于上述质量预测模型,对新样本的质量特征进行预测。
本发明创新于质量预测模型构建模块以及适配的参数优化模块。
分布式数据库存储特征数据,CAPP系统经数据获取模块向分布式数据库发送采集到的产品各个工位步骤的工艺过程参数和测量参数;分布式数据库向数据预处理模块发送工艺过程参数和测量参数,数据预处理模块进行预处理后发回到分布式数据库;分布式数据库向参数优化模块发送预处理后的工艺过程参数和测量参数以及已标记的质量特征参数进行训练,经参数优化模块将各个优化后的参数发送到质量预测模型构建模块获得优化后的模型;分布式数据库向质量预测模型构建模块发送待测的工艺过程参数和测量参数,质量预测模型构建模块经训练后的模型映射后获得对应的质量特征参数,最终向用户反馈。
二、一种基于跨工步隐式参数记忆的产品加工质量预测方法:
本发明包括具有基于循环神经网络单元的产品质量预测模型架构的确立步骤、基于循环神经网络单元的产品质量预测模型的参数优化步骤。
所述方法包括以下主要流程步骤:
步骤一、产品各个工位步骤的特征获取;
步骤二、产品各个工位步骤的特征预处理过程;
步骤三、产品质量预测模型架构的确立;
步骤四、产品质量预测模型的参数优化训练过程;
步骤五、基于上述质量预测模型,对待测样本的质量特征进行预测。
本发明方法具体如下:
本发明是通过以下技术方案步骤实现的,具体的流程图如图2所示。
步骤1、数据获取
该步骤体现在系统架构的数据获取模块1中,数据获取模块1与CAPP系统等有接口直接获取工艺过程参数,最终将获取到的工艺过程参数存储在分布式数据库中。通过多传感器获取产品各个工位步骤中的过程参数数据作为输入特征数据,包括产品各个工位步骤的工艺过程参数和测量参数;
步骤2、数据预处理
该步骤体现在系统架构的数据预处理模块2中,数据预处理模块2与数据获取模块之间存在数据流,对存储在分布式数据库中的数据做一定的预处理步骤。数据预处理过程包括异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维;
步骤2-1、样本数据异常值处理
在数据获取过程中,可能存在由于人为失误或测量设备故障而出现一些异常数据。所以首先对各个输入特征依据领域知识设定阈值基准,根据参数数据与阈值基准之间的大小关系,判断所有输入特征是否存在异常值或离群点,若存在异常值或离群点则删除;
步骤2-2、依据产品制造过程的特征分组与排序
将产品的制造过程按照加工工序,即制造过程中工位步骤的串联关系,设置不同模块,工序中的每个工位步骤设置一个模块,按照输入特征记录时所处的模块将输入特征进行分组,同时按照模块之间的时序关系将分好组后的输入特征进行排序;
步骤2-3、组内未知输入特征的处理
一个零件在整个加工工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目,质量特征比如产品是否合格、或者产品表面粗糙度;然后作以下判断:若含有未知输入特征的样本条目的数量少于样本条目总数的30%,针对所有含有未知输入特征的样本条目中的未知输入特征,使用该特征的均值进行填充;若含有未知输入特征的样本条目的数量不少于样本条目总数的30%,针对所有含有未知输入特征的样本条目中的未知输入特征,使用未知输入特征所在工位步骤的其他特征作为输入,使用回归或分类方法进行预测获得后进行填充;
未知输入特征是指在特征获取过程中由于人员记录失误而未获得的空缺数值。
步骤2-4、不平衡数据集工位步骤样本均衡随机重采样
由步骤2-3处理获得的所有特征构成数据集,在零件制造过程中,往往故障样本的数目会远远少于合格样本的数量,展现出数据集类别极不平衡的特点,同时也会展现出工位步骤样包含样本数目极不平衡的特点,采用工位步骤样本均衡随机重采样算法或对应改进优化算法方式对数据集进行处理;
步骤2-5、组内特征降维
由于从不同的工位步骤得到的测量值和工艺过程参数可能存在很多非线性特征,造成特征冗余度高,若直接使用这些粗糙的数据,将会导致模型的训练和预测的时间复杂度和空间复杂度提高,同时导致模型极易过拟合。
采用自编码器进行维度缩减,获取产品的特征数据从高维空间到低维空间的非线性映射关系,能够解决导致模型过拟合的问题;
步骤2-6、样本数据集划分训练集与验证集
具体实施中,在构建模型的过程中,涉及到很多模型超参数的选择以及过拟合判断,合适的超参数选择及合适的模型复杂度会对模型的表现有很大的帮助。划分出验证集,使用交叉验证的方法评估当前模型在某一超参数或复杂度下对未知数据的表现能力;
步骤3、质量预测模型构建
步骤3-1、质量预测模型结构的构建
该步骤体现在系统架构的质量预测模型构建模块(4)。模型结构图如图3所示,
针对每个工位步骤的模块构建单独的质量处理模型和长短期记忆网络,每个工位步骤下,建立质量预测子模型和后处理子模型并构成了质量处理模型,质量预测子模型、后处理子模型和长短期记忆网络依次衔接;不同工位步骤根据加工工序共享长短期记忆网络;
本发明使用了长短期记忆网络(8)来进行记忆,获取制造工序中第i步的子制造过程(SPi)对其后一系列子制造过程(SPi+1,...SPn)的影响作用。每个长短期记忆网络实现状态的传递,可以让模型自主选取需要记忆的状态,学习不同工位步骤之间的长期依赖关系。
对于质量预测子模型(6)的建立,理论上可尝试使用任何让模型泛化能力最优的方法,比如前馈神经网络、支持向量回归、随机森林、梯度提升树、深度森林甚至该工位步骤制造过程的数学或物理模型等等。这也是本发明提出的制造过程产品质量预测模型灵活性的体现。
对于后处理子模型(7),连接了某一工位步骤质量预测子模型和长短期记忆网络,其主要作用是提取出该工位步骤质量预测子模型单元输出量的关键参数,同时规范长短期记忆网络的输入维度。
对于终处理模型(9),以最后一个工位步骤的长短期记忆网络的隐藏状态hN作为输入,以最终的产品质量特征预测任务作为输出,综合所有工步加工阶段对最终产品制造质量的影响,获得一个较优的输出值。
在每个工位步骤的模块中,质量预测子模型、后处理子模型和长短期记忆网络依次衔接,每个工位步骤的工艺过程参数和测量参数输入到质量预测子模型中,经质量预测子模型处理获得该工位步骤的隐式质量参数,然后输入到后处理子模型,经后处理子模型升维或降维处理获得规范维度的向量,然后输入到长短期记忆网络,经长短期记忆网络内部处理获得当前长短期神经网络单元内部的单元状态ci和隐藏状态hi,进而用于工位步骤之间的传递;上一个工位步骤的长短期记忆网络获得的长短期记忆网络的单元状态ci-1和隐藏状态hi-1,输入到当前工位步骤的长短期记忆网络中用于记忆和传递该工序各个工位步骤的隐式质量参数对最终预测目标的影响情况;同时对于第一个工位步骤,将初始单元状态c0和初始隐藏状态h0输入到第一个长短期记忆网络单元中;最后一个工位步骤的长短期记忆网络输出隐藏状态hN并作为终处理模型的输入,经终处理模型处理后获得输出产品的质量特征;
其中隐式质量参数是指对某一工位步骤的工艺过程参数或测量参数经过某一函数映射后,获得的不可解释的但对最终产品质量特征的预测产生影响的参数向量。初始单元状态c0是指在第一个工位步骤之前所有工位步骤积累的隐式质量参数对最终预测目标的影响情况。初始隐藏状态h0是指第一个工位步骤的上一个工位步骤的隐式质量参数对第一个工位步骤的隐式质量参数的影响情况。一般初始单元状态c0和初始隐藏状态h0均初始化为维度相同的0向量,代表在第一个工位步骤之前,不存在其他的隐式质量参数对第一个工位步骤的隐式质量参数和最终预测目标产生影响。
作为示例,本发明中具体化了质量预测模型的一种结构,如图4所示。其将质量预测子模型和后处理子模型组合起来使用多层前馈神经网络的结构来表示,使其同时具有隐式质量参数提取的能力和规范维度的能力。目的是便于进行模型最优参数搜寻,同时简化本发明中提出的质量预测模型的概念结构。则每一个工位步骤的质量预测子模型和后处理子模型组合的多层前馈神经网络的层数为Li,每一层的单元数为ul,其中i=1,...,N,代表了当前质量预测子模型和后处理子模型所处的工位步骤的位置,l=1,...Li,代表了当前单元数所处的工位步骤的质量预测子模型和后处理子模型的多层前馈神经网络的层数位置。
对于每一个工位步骤的长短期记忆网络单元接收上一个工位步骤的长短期记忆网络的单元状态ci-1和隐藏状态hi-1,以及该工位步骤的质量预测子模型和后处理子模型组合起来的多层前馈神经网络的最后一层单元的输出mi作为输入,以获取该工位步骤的长短期记忆网络的单元状态ci和隐藏状态hi。
终处理模型具体结构为多层前馈神经网络,若最终目标为分类问题,如预测产品是否合格,则对应多层前馈神经网络的最后一层的激活函数为sigmoid激活函数,使用反向传播算法时对应的损失函数使用交叉熵损失函数;若最终目标为回归问题,即预测产品最终的表面粗糙度等质量特征,则对应多层前馈神经网络的最后一层的激活函数为线性激活函数,使用反向传播算法时对应的损失函数使用均方误差损失函数。
从图4中可以看出,模型中以每个工位步骤为一个模块,每个模块中包含了作为质量预测子模型和后处理子模型的多层前馈神经网络和一个长短期记忆网络单元。其中多层前馈神经网络以该工位步骤的工艺过程参数和测量参数组成的向量xi作为输入向量,其中i=1,...,N,经多层前馈神经网络映射后获得mi作为输出向量,接下来将mi和上一工位步骤的长短期记忆网络单元内部的单元状态ci-1和隐藏状态hi-1作为当前长短期记忆网络单元的输入向量,获得当前长短期记忆网络单元内部的单元状态ci和隐藏状态hi,直至最后一个工位步骤。取最后一个工位步骤中的长短期记忆网络单元的输出向量hN作为终处理模型的输入,经终处理模型的多层前馈神经网络映射后,即可得到最终预测的产品质量特征y,此处预测问题可以是分类问题,也可以是回归问题,由终处理模型的最后一层激活函数和损失函数来变更整体模型的预测目标。
步骤3-2、模型最优参数优化训练
该步骤体现在系统架构的参数优化模块(5)。将步骤2获得样本特征数据与预先已知定义的质量参数一起输入到质量预测模型中进行各自最优参数优化训练,训练获得质量预测子模型、后处理子模型和长短期记忆网络各自的模型参数;
步骤4、待测样本质量特征预测
将步骤2获得待测输入特征数据输入到质量预测模型中各自的质量处理模型中进行预测,预测输出获得待测输入特征数据对应的质量特征,从而完成质量预测。
该步骤体现在系统架构的质量特征预测模块(3)。针对已知该新样本对应制造过程质量预测模型的质量特征预测,只需将该样本对应各个工位步骤的制造过程工艺过程参数及制造过程测量参数输入至对应的制造过程模块的质量预测模型中即可。
本发明特殊地按照加工工序将制造过程分为各个模块,并且建立各个模块各自独立的质量预测子模型,使用循环神经网络按照零部件工序中的加工步骤将各个模块的质量处理模型通过串联和传递连接起来,获取跨工步过程的影响,同时在所有连接之后的质量处理模型最后加入连接上终处理模型,实现质量分类或回归需求。
所述步骤3-2的模型最优参数优化训练分为两种情况,该步骤体现在系统架构的参数优化模块5:针对加工工序中各工位步骤的质量预测子模型的模型参数已知的情况的最优参数优化训练和针对加工工序中各工位步骤的质量预测子模型的模型参数未知的情况的最优参数优化训练;
1)针对加工工序中各工位步骤的质量预测子模型的模型参数已知的情况
针对该情况,可以将各个工位步骤按照本发明中提出的产品制造过程质量预测模型的架构连接起来,再使用训练数据集调整后处理子模型参数、终处理模型参数和长短期记忆网络中的共享参数;
针对该情况,可以通过基于时间的反向传播算法迭代获取最优的模型参数,同时使用交叉验证的方法对比多个模型超参数的影响,获取模型的最优超参数。当需要对新的产品进行质量特征预测时,若该产品的制造过程与训练集样本中的制造过程相同,则可以直接使用该流程对应的所有参数;若该产品的制造过程与训练集样本中的制造过程不同,则需要使用少量样本数据按照情况1)中所示的方法进行剩余参数的参数优化。
2)针对加工工序中各工位步骤的质量预测子模型的模型参数未知的情况
针对该情况,可以采用两种方式获取质量预测子模型最优模型和模型参数:依据单一零件批量制造过程的数据集进行优化;依据多个零件小批量制造过程的多个制造过程的数据集进行优化。
针对该情况,首先需要考虑所有不同的零部件所涉及到的所有制造过程的各个工位步骤,将各个工位步骤设立对应质量预测子模型,集合所有的工位步骤预质量预测子模型的对应情况形成质量预测子模型库。将各个零件按照各自的工序流程,从质量预测子模型库中选择相匹配的工位步骤质量预测子模型,然后使用质量预测模型的结构表示出该产品的制造过程。最后将工位步骤相似的样本数据组成样本数据组,使用基于时间的反向传播算法进行参数迭代优化。在最终得到最优的模型后,可以将所有制造过程中所涉及到的工位步骤质量预测子模型保存起来,实现模型的重用效果。当需要对新的产品进行质量特征预测时,若该产品的制造过程与训练集样本中存在的某一制造过程相同,则可以直接使用该流程对应的所有参数;若该产品的制造过程与训练集中的所有制造过程均不同,则需要使用少量样本数据按照情况1)中所示的方法进行剩余参数的参数优化。
所述制造过程为离散制造过程。
本发明使用递归神经网络RNN单元按照零部件的加工工序将各个模块的质量预测模型连接起来,获取跨工步过程的影响,同时在连接之后的质量预测模型最后加入后处理层,实现相应的质量分类或回归需求。
本发明最终模型的优势可以从4个角度进行评估,包括模型复杂度、模型预测精度、模型可重用性、模型灵活性。
从模型的复杂度角度出发,本发明提出的制造过程产品质量预测模型的优势在于:离散制造产生的数据的其中一个关键特点便是特征维度高,这是由于各个加工工序的各个工位步骤的连接造成的。为了完成高纬度数据集的拟合目标,往往对预测模型的模型复杂度提出较高的要求,这种高模型复杂度的模型往往又需要大量的样本数据支撑才可以减弱模型的过拟合现象,所以模型复杂度不是越高越好。长短期记忆网络的一个关键特点是单元内部参数共享,同时使用模块化的思想处理工序中各个工位步骤,单一模块质量预测子模型的模型参数可以在不同零件之间共享。正是由于该方法中存在的这两个参数共享点,在新的加工零件中,只需更新少量的长短期记忆网络中的参数即可。
从模型的预测精度角度出发,本发明提出的制造过程产品质量预测模型的优势在于:从实际的领域知识出发,离散制造过程虽然被叫做“离散”,但是加工工序中各工位步骤之间的影响并不是离散的。而且某一工位步骤很大几率对后续的很多工位步骤都会产生影响。独立工位步骤没有考虑工位步骤之间的相互影响,马尔科夫过程只考虑了某一工位步骤对下一步工位步骤的影响,只有长短期记忆网络才考虑了各个工位步骤影响的长期依赖作用。所以理论上使用了长短期记忆网络的质量预测模型才更加接近离散制造的实际领域特点,可以更好的对该制造过程进行质量预测。
从模型的可重用性角度出发,本发明提出的制造过程产品质量预测模型的优势在于:如果独立考虑每个工位步骤,模型的假设空间将会十分庞大,需要合适的算法进行最合理假设的搜寻,同时该方法只适用于大批量单一零件的加工情况,当制造过程改变时,模型的假设空间将会发生改变,同样需要重新搜索最优假设。如果直接学习一个判别函数,不引入领域知识,则该函数只对和训练集同分布的样本具有好的泛化能力,即依旧只能用于大批量单一零件的质量预测工作。而如果使用基于长短期记忆网络的质量预测模型,则可以将不同加工步骤模块化,工序的改变只会影响到模块化质量预测模型的连接顺序,而不会对单一模块的质量预测模型产生影响,最后使用长短期记忆网络将各个模块连接起来,自主学习模块之间的相互影响。
从模型的灵活性角度出发,本发明提出的制造过程产品质量预测模型的优势在于:使用基于长短期记忆网络方法的离散制造零件质量预测,各个工位步骤作为一个模块,模块内部使用的算法并没有受到约束,可以根据模块的特点构建不同的子模块预测模型,具有极高的灵活性。
由此,本发明的有益效果是:
本发明中的模型可以自动获取离散制造过程跨工步工艺过程参数之间的影响,这使其具有较高的产品质量预测精度。而且,模块化各个工位步骤的思想使其具有较高的灵活性和重用性,不同工序之间可以重用质量预测子模型的模型参数。同时模型内部的参数共享机制,降低了模型的复杂性,可以使用相对较少的数据进行模型最优参数的搜寻。
附图说明
图1是本发明产品制造过程质量预测模型装置的系统架构数据流图。
图2是本发明产品制造过程质量预测模型方法的实施流程图。
图3是本发明实施过程的产品制造过程质量预测模型结构概念图,其中假设某一零件的制造工序中共有N个工位步骤。
图4是本发明实施过程的产品制造过程质量预测模型结构示例图,其中假设某一零件的制造工序中共有N个工位步骤。
图5是示例数据集未经过工位步骤均衡重采样时,每个工位步骤含有的样本数的分布情况。
图6是示例数据集经过工位步骤均衡重采样后,每个工位步骤含有的样本数的分布情况。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图2所示,本发明的实施例及其具体实施过程如下:
步骤1、数据获取
通过多传感器获取产品加工工序中各个工位步骤中的过程参数数据作为输入特征数据,包括产品加工工序中各个工位步骤的工艺过程参数和测量参数。每个工位步骤的输入特征比如:切削速度、进给量、切削深度、主轴转速、工件转速、加工时间、背吃刀量、进给次数、偏心量、毛坯材料类别、刀具材料类别、刀具的几何角度、夹具类别编号、切削液类别、测量尺寸精度、测量形状精度、测量位置精度等。
该步骤体现在系统架构的数据获取模块1中,数据获取模块1与CAPP系统等有接口直接获取工艺过程参数,最终将获取到的工艺过程参数存储在分布式数据库中。
步骤2、数据预处理
该步骤体现在系统架构的数据预处理模块2中,数据预处理模块2与数据获取模块之间存在数据流,对存储在分布式数据库中的数据做一定的预处理步骤。数据预处理过程包括异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维;
步骤2-1、样本数据异常值处理
设定阈值基准,根据参数数据与阈值基准之间的大小关系,判断所有输入特征是否存在异常值或离群点,若存在异常值或离群点则删除;
步骤2-2、依据产品制造过程的特征分组与排序
将产品的制造过程按照加工工序设置不同模块,工序中的每个工位步骤设置一个模块,按照输入特征记录时所处的模块将输入特征进行分组,同时按照模块之间的时序关系将分好组后的输入特征进行排序;
步骤2-3、组内未知输入特征的处理
一个零件在整个加工工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目,然后作以下判断:若含有未知输入特征的样本条目的数量少于样本条目总数的30%,针对所有含有未知输入特征的样本条目中的未知输入特征,使用该特征的均值进行填充;若含有未知输入特征的样本条目的数量不少于样本条目总数的30%,针对所有含有未知输入特征的样本条目中的未知输入特征,使用未知输入特征所在工位步骤的其他特征作为输入,使用回归或分类方法进行预测获得后进行填充;
步骤2-4、不平衡数据集的工位步骤样本均衡随机重采样
由步骤2-3处理获得的所有特征构成数据集,采用多标签随机重采样算法或对应改进算法方式对数据集的正例样本和负例样本分别进行工位步骤样本均衡随机重采样处理;
步骤2-5、组内特征降维
采用自编码器对步骤2-3处理获得的数据集的各个工位步骤的特征进行维度缩减,获取产品的特征数据从高维空间到低维空间的非线性映射关系;
步骤2-6、样本数据集划分训练集与验证集
具体实施中,在构建模型的过程中,涉及到很多模型超参数的选择以及过拟合判断,合适的超参数选择及合适的模型复杂度会对模型的表现有很大的帮助。划分出验证集,使用交叉验证的方法评估当前模型在某一超参数或复杂度下对未知数据的表现能力。
步骤3、基于长短期记忆网络的质量预测模型构建
步骤3-1、质量预测模型结构的构建
该步骤体现在系统架构的质量预测模型构建模块(4)。模型结构图如图3所示,针对每个工位步骤的模块构建单独的质量处理模型和长短期记忆网络,每个工位步骤下,建立质量预测子模型和后处理子模型并构成了过程参数预处理模型,同时在该工位步骤下,质量预测子模型、后处理子模型和长短期记忆网络依次衔接;不同工位步骤的过程参数预处理模型共享长短期记忆网络参数;
在每个工位步骤的模块中,质量预测子模型、后处理子模型和长短期记忆网络依次衔接,每个工位步骤的工艺过程参数和测量参数输入到质量预测子模型中,经质量预测子模型处理获得该工位步骤的隐式质量参数,然后将其输入到后处理子模型,经后处理子模型升维或降维处理可以获得规范维度的向量,然后输入到长短期记忆网络,经长短期记忆网络内部的处理,可获得当前长短期神经网络单元内部的单元状态ci和隐藏状态hi,将其用于工位步骤之间的传递;
其中隐式质量参数是指对某一工位步骤的工艺过程参数或测量参数经过某一函数映射后,获得的不可解释的但对最终产品质量特征的预测产生影响的参数向量。
上一个工位步骤的长短期记忆网络获得的长短期记忆网络的单元状态ci-1和隐藏状态hi-1,输入到当前工位步骤的长短期记忆网络中,用于记忆和传递该工序各个工位步骤的隐式质量参数对最终预测目标的影响情况。
同时对于第一个工位步骤,初始单元状态c0输入和初始隐藏状态h0输入到第一个长短期记忆网络单元中,初始单元状态c0是指在第一个工位步骤之前所有工位步骤积累的隐式质量参数对最终预测目标的影响情况。初始隐藏状态h0是指第一个工位步骤的上一个工位步骤的隐式质量参数对第一个工位步骤的隐式质量参数的影响情况。一般初始单元状态c0和初始隐藏状态h0均初始化为维度相同的0向量,代表在第一个工位步骤之前,不存在其他的隐式质量参数对第一个工位步骤的隐式质量参数和最终预测目标产生影响。
最后一个工位步骤的长短期记忆网络输出其隐藏状态hN,将其输入到终处理模型,经终处理模型处理后获得输出产品的质量特征。
作为示例,本发明中具体化了质量预测模型的一种结构,如图4所示。其将质量预测子模型和后处理子模型组合起来使用多层前馈神经网络的结构来表示,使其同时具有隐式质量参数提取的能力和规范维度的能力。目的是便于进行模型最优参数搜寻,同时简化本发明中提出的质量预测模型的概念结构。则每一个工位步骤的质量预测子模型和后处理子模型组合的多层前馈神经网络的层数为Li,每一层的单元数为ul,其中i=1,...,N,代表了当前质量预测子模型和后处理子模型所处的工位步骤的位置,l=1,...Li,代表了当前单元数所处的工位步骤的质量预测子模型和后处理子模型的多层前馈神经网络的层数位置。
对于每一个工位步骤的长短期记忆网络单元接收上一个工位步骤的长短期记忆网络的单元状态ci-1和隐藏状态hi-1,以及该工位步骤的质量预测子模型和后处理子模型组合起来的多层前馈神经网络的最后一层单元的输出mi作为输入,以获取该工位步骤的长短期记忆网络的单元状态ci和隐藏状态hi。
终处理模型具体结构为多层前馈神经网络,若最终目标为分类问题,如预测产品是否合格,则对应多层前馈神经网络的最后一层的激活函数为sigmoid激活函数,使用反向传播算法时对应的损失函数使用交叉熵损失函数;若最终目标为回归问题,即预测产品最终的表面粗糙度等质量特征,则对应多层前馈神经网络的最后一层的激活函数为线性激活函数,使用反向传播算法时对应的损失函数使用均方误差损失函数。
从图4中可以看出,模型中以每个工位步骤为一个模块,每个模块中包含了作为质量预测子模型和后处理子模型的多层前馈神经网络和一个长短期记忆网络单元。其中多层前馈神经网络以该工位步骤的工艺过程参数或测量参数组成的向量xi作为输入向量,其中i=1,...,N,经多层前馈神经网络映射后获得mi作为输出向量,接下来将mi和上一工位步骤的长短期记忆网络单元内部的单元状态ci-1和隐藏状态hi-1作为当前长短期记忆网络单元的输入向量,获得当前长短期记忆网络单元内部的单元状态ci和隐藏状态hi,直至最后一个工位步骤。取最后一个工位步骤中的长短期记忆网络单元的输出向量hN作为终处理模型的输入,经终处理模型的多层前馈神经网络映射后,即可得到最终预测的产品质量特征y,此处预测问题可以是分类问题,也可以是回归问题,由终处理模型的最后一层激活函数和损失函数来变更整体模型的预测目标。
步骤3-2、模型最优参数优化训练
将步骤2获得样本特征数据与预先已知定义的质量参数一起输入到质量预测模型中进行各自最优参数优化训练,训练获得质量预测子模型、后处理子模型和长短期记忆网络各自的模型参数;
对于示例中具体化的质量预测模型的一种结构,可以首先根据预测目标为分类或回归,选择合适的损失函数。若为分类问题,则选择交叉熵损失函数,若为回归问题,则选择均方误差损失函数。再根据训练集中的数据,在前馈神经网络层与层之间使用反向传播算法,在长短期记忆网络单元之间使用基于时间的反向传播算法,来实现终处理模型的多层前馈神经网络、长短期记忆网络单元、质量预测子模型和后处理子模型的多层前馈神经网络的参数更新。
步骤4、新样本质量特征预测
将步骤2获得待测输入特征数据输入到质量预测模型中各自的质量预测模型中进行预测,获得待测输入特征数据对应的质量特征,完成质量预测。
该步骤体现在系统架构的质量特征预测模块(3)。针对已知该新样本对应制造过程质量预测模型的质量特征预测,只需将该样本对应各个工位步骤的制造过程工艺过程参数及制造过程测量参数输入至对应的制造过程模块的质量预测模型中即可。
此处以博世装配线的数据集为例,说明专利具体实施过程,博世装配线数据集是德国罗伯特·博世有限公司于2016年在kaggle比赛中更新的一个公开数据集。该数据集共有4条生产线,52个工位步骤,968个数值型特征。其中的一条样本数据如表1所示,此处只展示了零件经过的工位所具有的特征值。其中Id代表零件的编号;“Lx_Sx_Fx”代表零件的特征编号,比如“L3S29F3315”代表特征编号为3315的特征位于第3条生产线的第29号工位步骤;Response代表该零件的输出质量特征,若Response的值为1,代表零件未通过质量检测,若Response的值为0,代表零件通过质量检测。
获取上述数据集后,接下来需要进行数据预处理步骤(步骤2),数据预处理过程包括异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维;
步骤2-1、样本数据异常值处理
计算每一特征的上界(UB)=75%分位数+(75%分位数-25%分位数)*1.5和下界(LB)=25%分位数-(75%分位数-25%分位数)*1.5。若某一数据集的某一特征比该特征的上界大或比该特征的下界小,则判断为异常样本,将其删除;
步骤2-2、依据产品制造过程的特征分组与排序
将产品的制造过程按照加工工序设置不同模块,工序中的每个工位步骤设置一个模块,按照输入特征记录时所处的模块将输入特征进行分组,同时按照模块之间的时序关系将分好组后的输入特征进行排序。比如针对表1中所示的数据,首先顺序提取出其经过的工位,如表2所示,然后再将每一工位下的特征模块化存储起来;
步骤2-3、组内未知输入特征的处理
经统计,该数据集含有未知输入特征的样本条目的数量少于样本条目总数的30%,所以针对所有含有未知输入特征的样本条目中的未知输入特征,使用该特征的均值进行填充;
步骤2-4、不平衡数据集的工位步骤样本均衡随机重采样
由步骤2-3处理获得的所有特征构成数据集,采用多标签随机重采样算法或对应改进算法方式对数据集的正例样本和负例样本分别进行工位步骤样本均衡随机重采样处理,图5是博世装配线数据集未经过工位步骤均衡重采样时,每个工位步骤含有的样本数的分布情况,图6是博世装配线数据集经过工位步骤均衡重采样后,每个工位步骤含有的样本数的分布情况;
步骤2-5、组内特征降维
采用自编码器对步骤2-3处理获得的数据集的各个工位步骤的特征进行维度缩减,获取产品的特征数据从高维空间到低维空间的非线性映射关系;
步骤2-6、样本数据集划分训练集与验证集
使用交叉验证的方法评估当前模型在某一超参数或复杂度下对未知数据的表现能力,该数据集选取的训练集与验证集的比例为7∶3。
步骤3、基于长短期记忆网络的质量预测模型构建
步骤3-1、质量预测模型结构的构建
针对该数据集,本发明使用了如图4所示的质量预测模型的具体化结构。由于该数据集一共含有52个工位步骤,所以其质量预测子模型库中一共含有52个对应的模型。当输入数据如表1所示时,其经过了14个工位步骤,则从质量预测子模型库中顺序选取这14个工位步骤对应的多层前馈神经网络。每一个工位步骤的质量预测子模型和后处理子模型组合的多层前馈神经网络的层数为Li,每一层的单元数为ul,其中i=1,...,14,代表了当前质量预测子模型和后处理子模型所处的工位步骤的位置,l=1,...Li,代表了当前单元数所处的工位步骤的质量预测子模型和后处理子模型的多层前馈神经网络的层数位置。
模型中以每个工位步骤为一个模块,每个模块中包含了作为质量预测子模型和后处理子模型的多层前馈神经网络和一个长短期记忆网络单元。其中多层前馈神经网络以该工位步骤的工艺过程参数或测量参数组成的向量xi作为输入向量,其中i=1,...,14,经多层前馈神经网络映射后获得mi作为输出向量,接下来将mi和上一工位步骤的长短期记忆网络单元内部的单元状态ci-1和隐藏状态hi-1作为当前长短期记忆网络单元的输入向量,获得当前长短期记忆网络单元内部的单元状态ci和隐藏状态hi,直至最后一个工位步骤。取最后一个工位步骤中的长短期记忆网络单元的输出向量hN作为终处理模型的输入,经终处理模型的多层前馈神经网络映射后,即可得到最终预测的产品质量特征y,该数据集的最终目标为分类问题,所以对应多层前馈神经网络的最后一层的激活函数为sigmoid激活函数,使用反向传播算法时对应的损失函数使用交叉熵损失函数。
步骤3-2、模型最优参数优化训练
由于该数据集为分类问题,所以选择损失函数为交叉熵损失函数,再根据训练集中的数据,在前馈神经网络层与层之间使用反向传播算法,在长短期记忆网络单元之间使用基于时间的反向传播算法,来实现终处理模型的多层前馈神经网络、长短期记忆网络单元、质量预测子模型和后处理子模型的多层前馈神经网络的参数更新。
步骤4、新样本质量特征预测
对于分类问题,在预测之前还需要使用交叉验证的方法,通过比较分类的准确度或使用其他评判指标,来选取最佳的分类阈值。此处,分类阈值选取为0.41,即当模型输出大于等于0.41时,模型输出为1,该样本未能通过质量检测;否则,模型输出为0,该样本通过了质量检测。针对表1中所示的样本,将步骤2获得各个工位步骤的特征输入到该工位对应的质量预测子模型和后处理子模型组成的前馈神经网络中,然后经过质量预测模型的前向传播过程,即可得到输出的质量特征,经测试,模型输出为0.7849,大于0.41,故预测该样本的Response值为1,该样本未能通过质量检测,和原始数据的Response值相符。
表1
表2
Claims (6)
1.一种基于跨工步隐式参数记忆的产品加工质量预测装置,其特征在于:
所述装置包含数据获取模块、数据预处理模块、质量预测模型构建模块、参数优化模块、质量特征预测模块、在线更新模块;CAPP系统经数据获取模块连接到分布式数据库,分布式数据库和数据预处理模块连接,数据预处理模块和参数优化模块连接,参数优化模块和质量预测模型构建模块连接,分布式数据库和在线更新模块连接,质量特征预测模块分别和分布式数据库、质量预测模型构建模块连接。
2.根据权利要求1所述的一种基于跨工步隐式参数记忆的产品加工质量预测装置,其特征在于:分布式数据库存储特征数据,CAPP系统经数据获取模块向分布式数据库发送采集到的产品各个工位步骤的工艺过程参数和测量参数;分布式数据库向数据预处理模块发送工艺过程参数和测量参数,数据预处理模块进行预处理后发回到分布式数据库;分布式数据库向参数优化模块发送预处理后的工艺过程参数和测量参数以及已标记的质量特征参数进行训练,经参数优化模块将各个优化后的参数发送到质量预测模型构建模块获得优化后的模型;分布式数据库向质量预测模型构建模块发送待测的工艺过程参数和测量参数,质量预测模型构建模块经训练后的模型映射后获得对应的质量特征参数。
3.一种基于跨工步隐式参数记忆的产品加工质量预测方法,其特征在于:
所述方法包括以下主要流程步骤:
步骤一、产品各个工位步骤的特征获取;
步骤二、产品各个工位步骤的特征预处理过程;
步骤三、产品质量预测模型架构的确立;
步骤四、产品质量预测模型的参数优化训练过程;
步骤五、基于上述质量预测模型,对待测样本的质量特征进行预测。
4.根据权利要求3所述的一种基于跨工步隐式参数记忆的产品加工质量预测方法,其特征在于:方法具体如下:
步骤1、数据获取
通过多传感器获取产品各个工位步骤中的过程参数数据作为输入特征数据,包括产品各个工位步骤的工艺过程参数和测量参数;
步骤2、数据预处理
数据预处理过程包括异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维;
步骤2-1、样本数据异常值处理
设定阈值基准,根据参数数据与阈值基准之间的大小关系,判断所有输入特征是否存在异常值或离群点,若存在异常值或离群点则删除;
步骤2-2、依据产品制造过程的特征分组与排序
将产品的制造过程按照加工工序设置不同模块,工序中的每个工位步骤设置一个模块,按照输入特征记录时所处的模块将输入特征进行分组,同时按照模块之间的时序关系将分好组后的输入特征进行排序;
步骤2-3、组内未知输入特征的处理
一个零件在整个加工工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目,然后作以下判断:若含有未知输入特征的样本条目的数量少于样本条目总数的30%,针对所有含有未知输入特征的样本条目中的未知输入特征,使用该特征的均值进行填充;若含有未知输入特征的样本条目的数量不少于样本条目总数的30%,针对所有含有未知输入特征的样本条目中的未知输入特征,使用未知输入特征所在工位步骤的其他特征作为输入,使用回归或分类方法进行预测获得后进行填充;
步骤2-4、不平衡数据集工位步骤样本均衡随机重采样
由步骤2-3处理获得的所有特征构成数据集,采用工位步骤样本均衡随机重采样算法或对应改进优化算法方式对数据集进行处理;
步骤2-5、组内特征降维
采用自编码器进行维度缩减,获取产品的特征数据从高维空间到低维空间的非线性映射关系;
步骤3、质量预测模型构建
步骤3-1、质量预测模型结构的构建
针对每个工位步骤的模块构建单独的质量处理模型和长短期记忆网络,每个工位步骤下,建立质量预测子模型和后处理子模型并构成了质量处理模型,质量预测子模型、后处理子模型和长短期记忆网络依次衔接;不同工位步骤根据加工工序共享长短期记忆网络;
在每个工位步骤的模块中,质量预测子模型、后处理子模型和长短期记忆网络依次衔接,每个工位步骤的工艺过程参数和测量参数输入到质量预测子模型中,经质量预测子模型处理获得该工位步骤的隐式质量参数,然后输入到后处理子模型,经后处理子模型升维或降维处理获得规范维度的向量,然后输入到长短期记忆网络,经长短期记忆网络内部处理获得当前长短期神经网络单元内部的单元状态ci和隐藏状态hi,进而用于工位步骤之间的传递;上一个工位步骤的长短期记忆网络获得的长短期记忆网络的单元状态ci-1和隐藏状态hi-1,输入到当前工位步骤的长短期记忆网络中用于记忆和传递该工序各个工位步骤的隐式质量参数对最终预测目标的影响情况;同时对于第一个工位步骤,将初始单元状态c0和初始隐藏状态h0输入到第一个长短期记忆网络单元中;最后一个工位步骤的长短期记忆网络输出隐藏状态hN并作为终处理模型的输入,经终处理模型处理后获得输出产品的质量特征;
步骤3-2、模型最优参数优化训练
将步骤2获得样本特征数据与预先已知定义的质量参数一起输入到质量预测模型中进行各自最优参数优化训练,训练获得质量预测子模型、后处理子模型和长短期记忆网络各自的模型参数;
步骤4、待测样本质量特征预测
将步骤2获得待测输入特征数据输入到质量预测模型中各自的质量处理模型中进行预测,预测输出获得待测输入特征数据对应的质量特征,从而完成质量预测。
5.根据权利要求4所述的一种基于跨工步隐式参数记忆的产品加工质量预测方法,其特征在于:
所述步骤3-2的模型最优参数优化训练分为两种情况:针对加工工序中各工位步骤的质量预测子模型的模型参数已知的情况的最优参数优化训练和针对加工工序中各工位步骤的质量预测子模型的模型参数未知的情况的最优参数优化训练;
1)针对加工工序中各工位步骤的质量预测子模型的模型参数已知的情况
针对该情况,可以将各个工位步骤按照本发明中提出的产品制造过程质量预测模型的架构连接起来,再使用训练数据集调整后处理子模型参数、终处理模型参数和长短期记忆网络中的共享参数;
2)针对加工工序中各工位步骤的质量预测子模型的模型参数未知的情况
针对该情况,可以采用两种方式获取质量预测子模型最优模型和模型参数:依据单一零件批量制造过程的数据集进行优化;依据多个零件小批量制造过程的多个制造过程的数据集进行优化。
6.根据权利要求4所述的一种基于跨工步隐式参数记忆的产品加工质量预测方法,其特征在于:所述制造过程为离散制造过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811203181.2A CN109472057B (zh) | 2018-10-16 | 2018-10-16 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811203181.2A CN109472057B (zh) | 2018-10-16 | 2018-10-16 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472057A true CN109472057A (zh) | 2019-03-15 |
CN109472057B CN109472057B (zh) | 2023-05-23 |
Family
ID=65664991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811203181.2A Active CN109472057B (zh) | 2018-10-16 | 2018-10-16 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472057B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110673556A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种用于胀管过程的质量管控方法及系统 |
CN112766059A (zh) * | 2020-12-30 | 2021-05-07 | 深圳市裕展精密科技有限公司 | 产品加工品质的检测方法、检测装置 |
CN113065630A (zh) * | 2021-03-23 | 2021-07-02 | 重庆大学 | 用于砂带磨削加工的工艺参数优化方法 |
CN113516285A (zh) * | 2021-05-12 | 2021-10-19 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113554321A (zh) * | 2021-07-28 | 2021-10-26 | 陕西科技大学 | 一种乳制品冷链物流质量安全预警方法 |
CN113592064A (zh) * | 2021-07-05 | 2021-11-02 | 中国科学院上海光学精密机械研究所 | 环抛机工艺参数预测方法、系统、应用、终端及介质 |
CN114760969A (zh) * | 2019-11-28 | 2022-07-15 | 花王株式会社 | 质量测量方法和质量测量装置 |
CN115080812A (zh) * | 2022-07-22 | 2022-09-20 | 山东长江机械设备有限公司 | 基于plc的双回旋刀横向分切机位置精度的监测方法 |
CN115204321A (zh) * | 2022-09-15 | 2022-10-18 | 江苏海力达机电制造有限公司 | 一种自动车床加工的精度波动控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
CN102906650A (zh) * | 2010-05-21 | 2013-01-30 | 费希尔-罗斯蒙特系统公司 | 多阶段过程建模方法 |
CN103019094A (zh) * | 2011-09-19 | 2013-04-03 | 费希尔-罗斯蒙特系统公司 | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 |
US20180188717A1 (en) * | 2016-12-30 | 2018-07-05 | National Cheng Kung University | Product quality prediction method for mass customization |
-
2018
- 2018-10-16 CN CN201811203181.2A patent/CN109472057B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
CN102906650A (zh) * | 2010-05-21 | 2013-01-30 | 费希尔-罗斯蒙特系统公司 | 多阶段过程建模方法 |
CN103019094A (zh) * | 2011-09-19 | 2013-04-03 | 费希尔-罗斯蒙特系统公司 | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 |
US20180188717A1 (en) * | 2016-12-30 | 2018-07-05 | National Cheng Kung University | Product quality prediction method for mass customization |
Non-Patent Citations (2)
Title |
---|
杨静萍等: "基于PSO-SVM的多阶段产品质量预测控制方法研究", 《大连民族学院学报》 * |
王丹民: "采用神经网络预估法建立板材力学性能预测模型", 《计算机测量与控制》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263972B (zh) * | 2019-05-15 | 2021-02-09 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110673556A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种用于胀管过程的质量管控方法及系统 |
CN114760969A (zh) * | 2019-11-28 | 2022-07-15 | 花王株式会社 | 质量测量方法和质量测量装置 |
CN112766059A (zh) * | 2020-12-30 | 2021-05-07 | 深圳市裕展精密科技有限公司 | 产品加工品质的检测方法、检测装置 |
CN112766059B (zh) * | 2020-12-30 | 2024-05-03 | 富联裕展科技(深圳)有限公司 | 产品加工品质的检测方法、检测装置 |
CN113065630A (zh) * | 2021-03-23 | 2021-07-02 | 重庆大学 | 用于砂带磨削加工的工艺参数优化方法 |
CN113516285A (zh) * | 2021-05-12 | 2021-10-19 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113516285B (zh) * | 2021-05-12 | 2024-02-13 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113592064B (zh) * | 2021-07-05 | 2024-02-09 | 中国科学院上海光学精密机械研究所 | 环抛机工艺参数预测方法、系统、应用、终端及介质 |
CN113592064A (zh) * | 2021-07-05 | 2021-11-02 | 中国科学院上海光学精密机械研究所 | 环抛机工艺参数预测方法、系统、应用、终端及介质 |
CN113554321A (zh) * | 2021-07-28 | 2021-10-26 | 陕西科技大学 | 一种乳制品冷链物流质量安全预警方法 |
CN115080812B (zh) * | 2022-07-22 | 2022-10-25 | 山东长江机械设备有限公司 | 基于plc的双回旋刀横向分切机位置精度的监测方法 |
CN115080812A (zh) * | 2022-07-22 | 2022-09-20 | 山东长江机械设备有限公司 | 基于plc的双回旋刀横向分切机位置精度的监测方法 |
CN115204321A (zh) * | 2022-09-15 | 2022-10-18 | 江苏海力达机电制造有限公司 | 一种自动车床加工的精度波动控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109472057B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472057A (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
CN109711714B (zh) | 基于并联长短期记忆网络的制造装配产品质量预测方法 | |
CN104537415B (zh) | 一种基于压缩感知和dros‑elm的非线性过程工业故障预测及识别方法 | |
DE69321952T2 (de) | System und verfahren zur steuerung einer anlage | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN115422814B (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN110007645A (zh) | 一种基于动力学及深度神经网络的进给系统混合建模方法 | |
CN113504768B (zh) | 面向装配质量预测的高精密产品数字孪生可计算性方法 | |
JP2024509741A (ja) | パーツ、センサ、および計測データ統合 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
Lindemann et al. | Cloud-based control approach in discrete manufacturing using a self-learning architecture | |
CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
CN112053019B (zh) | 一种实现光纤预制棒沉积工序智能化的方法 | |
CN110378035A (zh) | 一种基于深度学习的加氢裂化软测量建模方法 | |
CN114757407A (zh) | 一种lng接收站能耗优化大数据分析方法及系统 | |
CN111142488A (zh) | 基于工况比对驱动的流程工业优化方法 | |
Banadaki | On the use of machine learning for additive manufacturing technology in industry 4.0 | |
CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
Zhou et al. | Multihorizons transfer strategy for continuous online prediction of time‐series data in complex systems | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
Parnianifard et al. | Robust simulation-optimization of dynamic-stochastic production/inventory control system under uncertainty using computational intelligence |
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 |