CN111275328B - 基于综合灰关联序的rngru位标器零部件选配方法 - Google Patents

基于综合灰关联序的rngru位标器零部件选配方法 Download PDF

Info

Publication number
CN111275328B
CN111275328B CN202010061793.3A CN202010061793A CN111275328B CN 111275328 B CN111275328 B CN 111275328B CN 202010061793 A CN202010061793 A CN 202010061793A CN 111275328 B CN111275328 B CN 111275328B
Authority
CN
China
Prior art keywords
sequence
matching
adjusting screw
rngru
formula
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
Application number
CN202010061793.3A
Other languages
English (en)
Other versions
CN111275328A (zh
Inventor
王琳
钟诗胜
王瑞
钟百鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202010061793.3A priority Critical patent/CN111275328B/zh
Publication of CN111275328A publication Critical patent/CN111275328A/zh
Application granted granted Critical
Publication of CN111275328B publication Critical patent/CN111275328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于综合灰关联序模型的RNGRU位标器零部件选配方法，该方法包括以下步骤：Ⅰ、综合灰关联序模型构建；Ⅱ、基于综合灰关联序模型对位标器装配参数进行关联分析，找出的陀螺转子与调漂螺钉选配的关键装配参数；Ⅲ、构建RNGRU选配预测模型，以关键装配参数作为RNGRU的输入，调漂螺钉的质量作为输出，进行调漂螺钉质量回归预测，完成陀螺转子与调漂螺钉的选配。本发明所公开的方法，实现陀螺转子与调漂螺钉的精准选配，提高了位标器零部件装配成功率，可减少无效装配，避免反复装拆调整，有效提高装配效率与降低装配成本。

Description

基于综合灰关联序的RNGRU位标器零部件选配方法
技术领域
本发明涉及一种选配方法，尤其涉及一种基于综合灰关联序模型的RNGRU位标器零部件选配方法。
背景技术
装配作为位标器研制过程的关键环节，位标器装配质量直接决定着其装配性能。漂移性能作为位标器的一项关键装配性能，它直接影响到制导武器的制导精度。在位标器装配中，通过选配合适的零部件装配在一起，可改善位标器漂移性能。但在位标器实际装配中，由于位标器零部件装配参数多，零部件选配又受到装配参数的影响，但影响程度还不得而知，是一个典型灰色系统，这使得零部件一次选配成功率低，往往需要反复装拆选配与调试，才能使其漂移性能达标，不但影响装配的效率，还易造成位标器装配精度下降。因此，亟需提供一种基于综合灰关联序的RNGRU位标器零部件选配方法，以提高位标器零部件装配效率与装配精度。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于综合灰关联序模型的RNGRU位标器零部件选配方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于综合灰关联序的RNGRU位标器零部件选配方法，包括以下步骤：
Ⅰ、综合灰关联序模型构建
1)确定分析序列：以因变量为参考序列，自变量为比较序列，参考序列、比较序列统称为变量序列；
设置参考序列，如公式①所示：
X′0＝(x′0(1),x′0(2),…,x′0(m)) 公式①
式中，m为变量序列长度，x'0(m)为参考序列元素；
设置比较序列，如公式②所示：
Xi′＝(xi′(1),xi′(2),…,xi′(m))T 公式②
式中，i＝1,2,…,n；n为比较序列个数，xi'(m)为比较序列元素；
2)变量序列的无量纲化：对变量序列进行无量纲化处理，处理结果如公式③所示：
Figure GDA0003462227540000021
式中，X表示一个矩阵，x表示矩阵中的元素；
3)计算灰关联系数：利用公式④计算X0对Xi在第k点的灰关联系数ζi(k)，公式④如下所示：
Figure GDA0003462227540000022
式中，k＝1,…,m；ρ为分辨系数，0＜ρ＜1；
4)计算关联度：利用参考序列与比较序列的各个点所对应的灰关联系数的平均值得到关联度r0i，如公式⑤所示：
Figure GDA0003462227540000023
5)采用多种无量纲化处理方法分别对变量序列进行处理，得到每一无量纲化处理方法对应的关联序，经加和处理后，得到每一变量的加和关联序；加和关联序通过公式⑥计算而得，公式⑥如下所示：
Figure GDA0003462227540000031
式中，j＝1,2,...,t；C0i为第i个变量对应的加和关联序，
Figure GDA0003462227540000032
为第i个变量对应的第j种无量纲化处理方法得到的关联序序号，t为变量采用无量纲化处理方法种数；
6)对加和关联序按照大小进行排序，得到综合灰关联序模型；
Ⅱ、基于综合灰关联序模型对位标器装配参数进行关联分析
选择位标器的关键零部件陀螺转子、调漂螺钉为关联分析对象，通过综合会关联序模型对陀螺转子装配数据进行关联分析，找出影响陀螺转子与调漂螺钉选配的关键装配参数；
Ⅲ、构建RNGRU选配预测模型
结合门控神经网络和残差神经网络的优点，建立残差门控循环神经网络，即RNGRU；
基于步骤Ⅱ找出的陀螺转子与调漂螺钉选配的关键装配参数，以此作为残差门控循环神经网络的输入，调漂螺钉的质量作为输出，进行调漂螺钉质量回归预测，完成陀螺转子与调漂螺钉的选配。
进一步地，步骤Ⅱ中，陀螺转子的装配数据为陀螺转子测试中涉及到的相关装配参数，包括如下11项装配参数：初始动平衡量、后配重大小、后配重位置、前配重大小、前配重位置、调试后动平衡量、+X方向初始漂移值、+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值。
进一步地，步骤Ⅱ中，找出的关键装配参数为：+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值、后动平衡量、前配重位置。
进一步地，步骤Ⅱ中，关联分析的过程为：将调漂螺钉质量为参考序列X'0，陀螺转子的11项装配参数作为比较序列X′i(i＝1，2，...，11)，对变量序列数据进行多种无量纲化处理，然后计算每种无量纲化处理方法对应的参考序列与比较序列的灰关联系数、灰关联度、关联序，进而得到加和关联序、综合灰关联序，最后通过综合灰关联序，确定影响陀螺转子与调漂螺钉选配的关键装配参数。
进一步地，多种无量纲化处理方式包括初始值化法、均值化法、区间化法。
进一步地，变量序列初始值化法的处理如公式⑦所示：
Figure GDA0003462227540000041
式中，i'＝0,1,2,…,n；xi'(k)为X中各变量序列元素；xi′'(k)、xi′'(1)分别为无量纲化处理前各变量序列元素、各变量序列初值。
进一步地，均值化法的处理如公式⑧所示：
Figure GDA0003462227540000042
进一步地，区间化法的处理如公式⑨所示：
Figure GDA0003462227540000043
式中，x′max、x′min分别为变量序列最大值与最小值。
本发明所公开的基于综合灰关联序模型的RNGRU位标器零部件选配方法，在装配开始前，以关键零部件陀螺转子的装配参数为输入，建立选配预测模型进行零部件匹配预测，实现陀螺转子与调漂螺钉的精准选配，提高了位标器零部件装配成功率，可减少无效装配，避免反复装拆调整，有效提高装配效率与降低装配成本；在实际装配中，对找出的关键装配参数进行严格管控，对提高位标器的装配质量有着重要意义。
附图说明
图1为本发明调漂螺钉与陀螺转子装配前的状态图。
图2为本发明调漂螺钉与陀螺转子装配后的状态图。
图3为本发明门控循环神经网络(GRU)的单元结构示意图。
图4为本发明残差神经网络中两层残差块结构示意图。
图5为本发明残差门控循环神经网络(RNGRU)的模型结构示意图。
图6为实施例中部分调漂螺钉质量RNGRU神经网络预测结果对比图。
图7为实施例中不同方法下调漂螺钉质量预测结果对比图。
图8为实施例中不同方法下相对误差值对比图。
图中，1、调漂螺钉；2、陀螺转子。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于综合灰关联序的RNGRU位标器零部件选配方法，包括以下步骤：
Ⅰ、综合灰关联序(CGRO)模型构建
1)灰色关联分析(GRA)是通过关联度顺序(GRO)来对因素间关系的强弱、次序进行描述，以因素的数据列为依据，用数学的方法研究因素间的几何对应关系；为构建CGRO模型，首先进行灰色关联分析，具体步骤如下：
确定分析序列：以因变量为参考序列，自变量为比较序列，参考序列、比较序列统称为变量序列；
设置参考序列，如公式①所示：
X′0＝(x′0(1),x′0(2),…,x′0(m)) 公式①
式中，m为变量序列长度，x'0(m)为参考序列元素；
设置比较序列，如公式②所示：
Xi′＝(xi′(1),xi′(2),…,xi′(m))T 公式②
式中，i＝1,2,…,n；n为比较序列个数，xi'(m)为比较序列元素；
2)变量序列的无量纲化：通常变量序列的量纲与取值范围是不同的，因此，对变量序列进行无量纲化处理，常用的处理方法有初值化法、均值化法、区间化法等；采取任一方法对变量序列进行无量纲化处理，设变量经过无量纲化处理后为公式③所示：
Figure GDA0003462227540000061
式中，X表示一个矩阵，x表示矩阵中的元素；
3)计算灰关联系数：利用公式④计算X0对Xi在第k点的灰关联系数ζi(k)，公式④如下所示：
Figure GDA0003462227540000062
式中，k＝1,…,m；ρ为分辨系数，0＜ρ＜1；通常ρ取值为0.5，本发明的ρ取值为0.5；
4)计算关联度：利用参考序列与比较序列的各个点所对应的灰关联系数的平均值得到关联度r0i，如公式⑤所示：
Figure GDA0003462227540000063
5)采用灰关联分析时，灰关联序会受到无量纲化处理方法的影响，由此，本发明采用综合灰关联序模型(CGRO)，综合考虑多种无量纲化处理方法对关联序的影响；
在上述灰关联分析的基础上，采用多种无量纲化处理方法分别对变量序列进行处理，得到每一无量纲化处理方法对应的关联序，先对每一变量对应的每一无量纲化处理得到的关联序进行加和处理，得到每一变量的加和关联序；加和关联序通过公式⑥计算而得，公式⑥如下所示：
Figure GDA0003462227540000071
式中，j＝1,2,...,t；C0i为第i个变量对应的加和关联序，
Figure GDA0003462227540000072
为第i个变量对应的第j种无量纲化处理方法得到的关联序序号，t为变量采用无量纲化处理方法种数；
6)然后，对加和关联序按照大小进行排序，得到综合灰关联序模型。
Ⅱ、基于综合灰关联序模型对位标器装配参数进行关联分析
选择位标器的关键零部件陀螺转子、调漂螺钉为关联分析对象，通过综合会关联序模型对陀螺转子装配数据进行关联分析，找出影响陀螺转子与调漂螺钉选配的关键装配参数；
陀螺转子与调漂螺钉作为位标器的关键零部件，两者之间的选配决定着位标器的漂移性能，二者装配简图如图1和图2所示，图1为调漂螺钉与陀螺转子装配前的状态图，图2为调漂螺钉与陀螺转子装配后的状态图，附图标记1代表调漂螺钉，附图标记2代表陀螺转子；
在实际装配中，装配人员根据测试情况选择合适的调漂螺钉与陀螺转子进行选配，使其漂移性能达标；然而，这种选配方式高度依赖装配人员经验，且一次选配成功率低，需要反复装拆调整，造成位标器装配效率低、装配精度下降；同时，测试过程中的装配参数对陀螺转子与调漂螺钉选配有一定影响，但影响程度还不得而知，呈现出灰色系统特征，进一步提高了陀螺转子与调漂螺钉的选配难度；
由此，本发明通过综合灰关联序模型对陀螺转子装配数据进行关联分析，找出影响陀螺转子与调漂螺钉选配的关键装配参数，以降低陀螺转子与调漂螺钉的选配难度，并提高位标器装配质量；具体的过程为：
首先，调漂螺钉除长短不同外，其他属性均一致，体现在装配参数上为调漂螺钉质量；因此，陀螺转子与调漂螺钉的选配，实质上是通过选配合适质量的调漂螺钉与陀螺转子装配，使其质心位置发生改变，从而改善位标器漂移性能；
在陀螺转子测试中涉及到的相关装配参数主要包括11项装配参数，具体为：初始动平衡量、后配重大小、后配重位置、前配重大小、前配重位置、调试后动平衡量、+X方向初始漂移值、+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值；因此，可将调漂螺钉质量为参考序列X'0，陀螺转子的11项装配参数作为比较序列X′i(i＝1，2，...，11)；
考虑到不同无量纲化处理方法对关联序的影响，本发明采用三种常用的无量纲化处理方法进行数据规范化，分别为初始值化法、均值化法、区间化法；具有处理方式如下所示：
变量序列初始值化法的处理如公式⑦所示：
Figure GDA0003462227540000081
式中，i'＝0,1,2,…,n；xi'(k)为X中各变量序列元素；xi′'(k)、xi′'(1)分别为无量纲化处理前各变量序列元素、各变量序列初值；
均值化法的处理如公式⑧所示：
Figure GDA0003462227540000082
区间化法的处理如公式⑨所示：
Figure GDA0003462227540000083
式中，x′max、x′min分别为变量序列最大值与最小值。
根据实际生产，收集陀螺转子的装配数据，部分原始数据见表1所示，应用本发明的综合灰关联序(CGRO)模型，对陀螺转子11项装配参数与调漂螺钉重量进行关联分析，先对原始数据进行三种无量纲化处理，然后计算每种无量纲化处理方法对应的参考序列与比较序列的灰关联系数、灰关联度、关联序，进而得到加和关联序、综合灰关联序，最后通过综合灰关联序，确定影响陀螺转子与调漂螺钉选配的关键装配参数，若加和关联序相同，则视为同等重要，得到实验结果见表2所示；
表1 部分原始数据
Figure GDA0003462227540000091
表2 陀螺转子装配参数综合灰关联分析结果
Figure GDA0003462227540000092
结果表明，采用不同的无量纲化对变量进行初始化处理，得到的关联序不同。
对于不同无量纲化对变量进行初始化处理得到的关联序不同，难以确定因素的相对主次顺序；由此，通过本发明的综合灰关联序(CGRO)模型，综合考虑各无量纲化对变量进行初始化处理后得到的关联序，给出影响调漂螺钉与陀螺转子装配的装配参数的相对主次顺序，依次为：+Z方向初始漂移值、﹣Y方向初始漂移值(+Z方向初始漂移值，两者重要程度相当)、+Y方向初始漂移值、调试后动平衡量、前配重位置、+X方向初始漂移值(后配重大小与初始动平衡量)、后配重位置、前配重大小；
已知，在位表器传统的装配过程中，装配人员主要根据+Y、+Z、﹣Y、﹣Z这四个方向初始漂移值选择调漂螺钉与陀螺转子进行装配，通过综合关联分析可以得到，这4方向初始漂移值对调漂螺钉与陀螺转子装配的影响确实很大，符合实际装配情况；同时，陀螺转子调试后动平衡量、前配重位置这2项装配参数对调漂螺钉的装配影响也很大，这2项装配参数需要在装配环节中进行严格管控，从而提高产品装配质量；由此，找出的关键装配参数为：+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值、后动平衡量、前配重位置。
Ⅲ、构建RNGRU选配预测模型
结合门控神经网络和残差神经网络的优点，建立残差门控循环神经网络，即RNGRU；
基于步骤Ⅱ找出的陀螺转子与调漂螺钉装配的关键装配参数，以此作为残差门控循环神经网络(RNGRU)的输入，调漂螺钉的质量作为输出，进行调漂螺钉质量回归预测，完成陀螺转子与调漂螺钉的选配，通过该残差门控循环神经网络(RNGRU)，有效提高了位标器零部件的一次装配成功率与装配精度。
其中，门控循环神经网络(GRU)，是循环神经网络的一种变体，能够学习信息长期依赖，它是通过引入门控机制来保存当前状态信息对之前状态信息的依赖，其单元结构如图3所示，图中，x(t)、h(t)、r、z、c分别表示t时刻单元的输入、输出、重置门、更新门与短期记忆，σ为sigmoid激活函数；更新门决定了保留上一单元记忆信息的多少，重置门将新的输入与上一单元的记忆信息结合起来；GRU单元更新公式见公式⑩至公式
Figure GDA0003462227540000111
所示：
z＝σ(Wzht-1+Uzxt) 公式⑩
Figure GDA0003462227540000112
Figure GDA0003462227540000113
Figure GDA0003462227540000114
式中，Wz、Wr、Wc、Uz、Ur、Uc为可训练权重层，
Figure GDA0003462227540000115
为矩阵乘法；
训练神经网络的最大挑战在于神经网络涉及反向传播时容易出现梯度消失和梯度爆炸的现象，而残差神经网络RN)中的残差块设计可以有效减缓这种情况，图4所示为2层残差块结构，图3中，X为残差块输入，W1、W2分别为残差块的权重层，F(X)为求和前神经网络映射，H(X)是从输入到求和后的神经网络映射，假设Y为残差块的输出，则有：
Figure GDA0003462227540000116
Figure GDA0003462227540000117
式中，σ为ReLU激活函数。
门控循环神经网络通过隐藏或记忆状态引入数据前后信息之间的依赖关系，以保存当前状态的关键信息，并通过反向传播方式训练网络；而残差神经网络中残差块的设计可以很好地缓解神经网络反向传播时出现梯度消失和梯度爆炸的问题；从而，结合门控循环神经网络与残差神经网络的优点，构建了残差循环神经网络网络(RNGRU)，结果如图5所示。在该残差循环神经网络网络(RNGRU)中的残差块主要由GRU单元组成，且比起传统多个GRU单元堆叠而成的GRU神经网络来说，RNGRU在多个GRU单元之间多了残差连接模块；最终，以关键装配参数作为残差门控循环神经网络(RNGRU)的输入，调漂螺钉的质量作为输出，进行调漂螺钉质量回归预测，完成陀螺转子与调漂螺钉的选配。
下面结合具体的实施例，多本发明的内容，做进一步解释。
【实施例】
本实施例的样本来源为528个某型号导弹位标器的装配样本数据，部分数据如表1所示。
在综合灰关联序(CGRO)分析基础上，设计四组实验，分别以CGRO确定的3、4、5、6项关键装配参数为RNGRU的输入，输出为调漂螺钉质量，具体如下所示：
第一组：以CGRO分析得到的前3项关键装配参数为RNGRU模型输入，依次为：-Z方向初始漂移值、-Y方向初始漂移值、+Z方向初始漂移值，模型输出为调漂螺钉质量，记为CGRO-3；
第二组：以4项关键装配参数为输入，依次为：+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值，输出为调漂螺钉质量，记为CGRO-4；
第三组：以5项关键装配参数为输入，依次为：-Z方向初始漂移值、-Y方向初始漂移值、+Z方向初始漂移值、+Y方向初始漂移值、调试后动平衡，输出为调漂螺钉质量，记为CGRO-5；
第四组：以4项关键装配参数为输入，依次为：-Z方向初始漂移值、-Y方向初始漂移值、+Z方向初始漂移值、+Y方向初始漂移值、调试后动平衡、前配重位置，输出为调漂螺钉质量，记为CGRO-6；
为消除陀螺转子装配参数之间因量纲不同以及数据取值范围不同带来的影响，对装配数据进行预处理，见公式
Figure GDA0003462227540000121
所示：
Figure GDA0003462227540000122
式中，xn、x、
Figure GDA0003462227540000131
s分别表示为样本标准化后数据、样本原始数据、样本数据均值、样本数据标准偏差；
评价指标采用MAE、MSE，见公式
Figure GDA0003462227540000132
公式
Figure GDA0003462227540000133
所示：
Figure GDA0003462227540000134
Figure GDA0003462227540000135
式中，yk为调漂螺钉质量实际值，y′k为调漂螺钉质量预测值，M为训练样本量；
利用python工具，设置RNGRU模型参数，如表3所示，得到的预测结果见表4和图6所示；
表3 RNGRU模型参数
Figure GDA0003462227540000136
表4 调漂螺钉RNGRU神经网络预测结果
Figure GDA0003462227540000137
表4中，标注加粗部分为最优结果，即CGRO-5的预测结果，图6所示为CGRO-5的部分调漂螺钉质量RNGRU神经网络预测值与真实值对比。结合表4中及图6的结果可以得到：
CGRO-5得到的结果最优，其MAE、MSE均比CGRO-3、ORIG-4、CGRO-6的结果好；CGRO-3、CGRO-4的结果没有CGRO-5得到的结果好，可能在于以3或4项装配参数作为输入训练神经网络，得到的信息量不足导致；CGRO-6的结果也没有CGRO-5得到的结果理想，可能在于所选的参数中存在冗余信息，影响了神经网络预测精度；综上可知，以3、4或6项关键装配参数为输入时，虽能完成陀螺转子与调漂螺钉的选配，但以5项关键装配参数为输入时，预测效果是最精准的。
从图6所示可以看到，采用RNGRU神经网络进行陀螺转子选配调漂螺钉预测是可行的，其预测结果能很好地反映出实际中陀螺转子选配调漂螺钉的情况，但存在部分预测值与实际值偏差较大，原因一方面在于训练样本量受限，另一方面是实际选配调漂螺钉质量使位标器漂移性能达标即可，没有确定的量化评价指标，使得选配的调漂螺钉质量可以在一定范围内波动。
此外，根据以上四组的预测结果，在CGRO-5基础上，还采用了多组不同方法的进行预测结果的对比，对比方法分别为：GRU、BP、SVM，结果见表5、表6与图7、图8所示：
表5 调漂螺钉预测结果对比
Figure GDA0003462227540000141
表6 部分调漂螺钉质量预测结果对比
Figure GDA0003462227540000142
Figure GDA0003462227540000151
表5中，SVM为基于核函数为RBF的支持向量机模型；标注加粗部分为本实施例所提方法与最优结果。从表5中的预测结果可以得到：本实施例所提方法(RNGRU)得到的预测结果最佳，其MAE、MSE均是最优值；本实施例所提方法与传统GRU神经网络相比，其MAE提高了10.2％，MSE提高了13.9％，说明在传统的GRU神经网络模型中，加入残差块设计的RNGRU模型具备更好的预测能力，进一步突出本发明所提方法的优越性。
再通表6与图7、图8，可以得到，本实施例所提方法(RNGRU)得到的预测值曲线与真实值曲线变化基本一致，其平均相对误差值更小。
综上可知，本发明所公开的基于综合灰关联序模型的RNGRU位标器零部件选配方法，与现有技术相比，有益效果主要如下：
(1)本发明所提出的一种基于CGRO的RNGRU位标器零部件选配方法，该方法通过CGRO得到陀螺转子关键装配参数，以此建立RNGRU选配预测模型，进行调漂螺钉质量回归预测，实现陀螺转子与调漂螺钉的选配，可用于引导装配人员进行位标器零部件装配，提高位标器零部件装配效率与降低装配成本。
(2)通过综合灰关联序模型，综合考虑无量纲化处理方法对关联序的影响，以该方式确定影响陀螺转子与调漂螺钉选配的装配参数主次顺序更为可靠。
(3)在位标器零部件选配的对比中可知，本发明所提方法具备最好的预测效果；同时发现，在传统门控循环神经网络中加入残差块结构，可提高预测模型的预测能力，使其具备更好的预测精度。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (8)

1.基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：所述选配方法包括以下步骤：
Ⅰ、综合灰关联序模型构建
1)确定分析序列：以因变量为参考序列，自变量为比较序列，参考序列、比较序列统称为变量序列；
设置参考序列，如公式①所示：
X′0＝(x′0(1),x′0(2),…,x′0(m)) 公式①
式中，m为变量序列长度，x'0(m)为参考序列元素；
设置比较序列，如公式②所示：
X′i＝(x′i(1),x′i(2),…,x′i(m))T 公式②
式中，i＝1,2,…,n；n为比较序列个数，x'i(m)为比较序列元素；
2)变量序列的无量纲化：对变量序列进行无量纲化处理，处理结果如公式③所示：
Figure FDA0003462227530000011
式中，X表示一个矩阵，
Figure FDA0003462227530000012
表示矩阵中的元素；
3)计算灰关联系数：利用公式④计算X0对Xi在第k点的灰关联系数ζi(k)，公式④如下所示：
Figure FDA0003462227530000013
式中，k＝1,…,m；ρ为分辨系数，0＜ρ＜1；
4)计算关联度：利用参考序列与比较序列的各个点所对应的灰关联系数的平均值得到关联度r0i，如公式⑤所示：
Figure FDA0003462227530000021
5)采用多种无量纲化处理方法分别对变量序列进行处理，得到每一无量纲化处理方法对应的关联序，经加和处理后，得到每一变量的加和关联序；加和关联序通过公式⑥计算而得，公式⑥如下所示：
Figure FDA0003462227530000022
式中，j＝1,2,...,t；C0i为第i个变量对应的加和关联序，
Figure FDA0003462227530000023
为第i个变量对应的第j种无量纲化处理方法得到的关联序序号，t为变量采用无量纲化处理方法种数；
6)对加和关联序按照大小进行排序，得到综合灰关联序模型；
Ⅱ、基于综合灰关联序模型对位标器装配参数进行关联分析
选择位标器的关键零部件陀螺转子、调漂螺钉为关联分析对象，通过综合会关联序模型对陀螺转子装配数据进行关联分析，找出影响陀螺转子与调漂螺钉选配的关键装配参数；
Ⅲ、构建RNGRU选配预测模型
结合门控神经网络和残差神经网络的优点，建立残差门控循环神经网络，即RNGRU；
基于步骤Ⅱ找出的陀螺转子与调漂螺钉选配的关键装配参数，以此作为残差门控循环神经网络的输入，调漂螺钉的质量作为输出，进行调漂螺钉质量回归预测，完成陀螺转子与调漂螺钉的选配。
2.根据权利要求1所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：步骤Ⅱ中，陀螺转子的装配数据为陀螺转子测试中涉及到的相关装配参数，包括如下11项装配参数：初始动平衡量、后配重大小、后配重位置、前配重大小、前配重位置、调试后动平衡量、+X方向初始漂移值、+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值。
3.根据权利要求2所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：步骤Ⅱ中，找出的关键装配参数为：+Y方向初始漂移值、+Z方向初始漂移值、-Y方向初始漂移值、-Z方向初始漂移值、后动平衡量、前配重位置。
4.根据权利要求3所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：步骤Ⅱ中，关联分析的过程为：将调漂螺钉质量为参考序列X'0，陀螺转子的11项装配参数作为比较序列X′i(i＝1，2，...，11)，对变量序列数据进行多种无量纲化处理，然后计算每种无量纲化处理方法对应的参考序列与比较序列的灰关联系数、灰关联度、关联序，进而得到加和关联序、综合灰关联序，最后通过综合灰关联序，确定影响陀螺转子与调漂螺钉选配的关键装配参数。
5.根据权利要求4所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：多种无量纲化处理方式包括初始值化法、均值化法、区间化法。
6.根据权利要求5所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：变量序列初始值化法的处理如公式⑦所示：
Figure FDA0003462227530000031
式中，i'＝0,1,2,…,n；xi'(k)为X中各变量序列元素；x′i'(k)、x′i'(1)分别为无量纲化处理前各变量序列元素、各变量序列初值。
7.根据权利要求6所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：均值化法的处理如公式⑧所示：
Figure FDA0003462227530000041
8.根据权利要求7所述的基于综合灰关联序的RNGRU位标器零部件选配方法，其特征在于：区间化法的处理如公式⑨所示：
Figure FDA0003462227530000042
式中，x′max、x′min分别为变量序列最大值与最小值。
CN202010061793.3A 2020-01-19 2020-01-19 基于综合灰关联序的rngru位标器零部件选配方法 Active CN111275328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061793.3A CN111275328B (zh) 2020-01-19 2020-01-19 基于综合灰关联序的rngru位标器零部件选配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061793.3A CN111275328B (zh) 2020-01-19 2020-01-19 基于综合灰关联序的rngru位标器零部件选配方法

Publications (2)

Publication Number Publication Date
CN111275328A CN111275328A (zh) 2020-06-12
CN111275328B true CN111275328B (zh) 2022-02-22

Family

ID=70998931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061793.3A Active CN111275328B (zh) 2020-01-19 2020-01-19 基于综合灰关联序的rngru位标器零部件选配方法

Country Status (1)

Country Link
CN (1) CN111275328B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686372A (zh) * 2020-12-28 2021-04-20 哈尔滨工业大学（威海） 基于深度残差gru神经网络的产品性能预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984287A (zh) * 2014-03-12 2014-08-13 江苏齐航数控机床有限责任公司 一种数控机床热误差补偿灰色神经网络建模方法
CN105466693A (zh) * 2015-11-13 2016-04-06 哈尔滨工程大学 基于灰色模型的柴油机燃油系统故障预诊断方法
CN107330149A (zh) * 2017-05-27 2017-11-07 哈尔滨工业大学 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法
CN108984892A (zh) * 2018-07-09 2018-12-11 中国计量大学 一种基于轴向游隙贡献量的轴承套圈零件匹配方法
CN110378542A (zh) * 2018-04-12 2019-10-25 南京理工大学 选配过程中零部件测量数据统计特性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190205939A1 (en) * 2017-12-31 2019-07-04 OneMarket Network LLC Using Machine Learned Visitor Intent Propensity to Greet and Guide a Visitor at a Physical Venue

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984287A (zh) * 2014-03-12 2014-08-13 江苏齐航数控机床有限责任公司 一种数控机床热误差补偿灰色神经网络建模方法
CN105466693A (zh) * 2015-11-13 2016-04-06 哈尔滨工程大学 基于灰色模型的柴油机燃油系统故障预诊断方法
CN107330149A (zh) * 2017-05-27 2017-11-07 哈尔滨工业大学 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法
CN110378542A (zh) * 2018-04-12 2019-10-25 南京理工大学 选配过程中零部件测量数据统计特性分析方法
CN108984892A (zh) * 2018-07-09 2018-12-11 中国计量大学 一种基于轴向游隙贡献量的轴承套圈零件匹配方法

Also Published As

Publication number Publication date
CN111275328A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN113593631B (zh) 一种预测蛋白质-多肽结合位点的方法及系统
CN110766044B (zh) 一种基于高斯过程先验指导的神经网络训练方法
WO2020232874A1 (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN112231839B (zh) 针对高耗时约束的飞行器追峰采样智能探索方法
CN113012766B (zh) 一种基于在线选择性集成的自适应软测量建模方法
US20210090552A1 (en) Learning apparatus, speech recognition rank estimating apparatus, methods thereof, and program
CN111275328B (zh) 基于综合灰关联序的rngru位标器零部件选配方法
CN113191092A (zh) 一种基于正交增量随机配置网络的工业过程产品质量软测量方法
CN114840375B (zh) 一种半导体存储产品的老化性能测试方法及系统
Liu et al. Stochastic iterative graph matching
CN112036062A (zh) 一种金属材料弯曲成形回弹角预测方法
CN105913078A (zh) 改进自适应仿射传播聚类的多模型软测量方法
CN114004871A (zh) 一种基于点云补全的点云配准方法及系统
CN115906638A (zh) 建立火控系统故障预测模型、故障预测方法及相关装置
CN115795011A (zh) 一种基于改进生成对抗网络的情感对话生成方法
CN116363423A (zh) 面向小样本学习的知识蒸馏方法、装置及存储介质
McDermott et al. A derivation of minimum classification error from the theoretical classification risk using Parzen estimation
JPH06337852A (ja) ニューラルネットワークによる時系列予測方法
CN112163632A (zh) 基于蝙蝠算法的半监督极限学习机在工业检测中的应用
Westphal et al. Improving model selection by employing the test data
CN114282440B (zh) 一种抽水蓄能机组调节系统鲁棒辨识方法
US20230402133A1 (en) Predicting protein structures over multiple iterations using recycling
CN112241811B (zh) “互联网+”环境下定制产品的分层混合性能预测方法
KR20230125038A (ko) 단백질 구조 임베딩에 조건화된 생성형 모델을 사용한단백질 아미노산 서열 예측
CN114186771A (zh) 一种混合正则化随机配置网络工业过程运行指标估计方法

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
GR01 Patent grant
GR01 Patent grant