CN111523662A - 基于adaline神经网络的动态过程控制限确定方法及设备 - Google Patents
基于adaline神经网络的动态过程控制限确定方法及设备 Download PDFInfo
- Publication number
- CN111523662A CN111523662A CN202010320237.3A CN202010320237A CN111523662A CN 111523662 A CN111523662 A CN 111523662A CN 202010320237 A CN202010320237 A CN 202010320237A CN 111523662 A CN111523662 A CN 111523662A
- Authority
- CN
- China
- Prior art keywords
- control limit
- control
- processing
- data
- process control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000004886 process control Methods 0.000 title claims abstract description 98
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 110
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000003754 machining Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000003252 repetitive effect Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于ADALINE神经网络的动态过程控制限确定方法，该方法包括：确定加工过程初始控制限；收集实时加工过程信号；使用加工过程控制限更新模型；动态调节加工过程控制限；对所述加工控制限进行控制精度训练以及对加工过程进行状态监测。本发明还提供了一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中处理器运行所述计算机程序时执行本发明的基于ADALINE神经网络的动态过程控制限确定方法。
Description
技术领域
本发明涉及一种重复性加工过程中过程控制限确认方法，具体地涉及通过产品加工生产线传感器采集动态过程信息(包括但不限于振动信号、声发射信号)，利用ADALINE神经网络(自适应线性神经网络)实现加工过程控制限自动更新方法以及执行该方法的设备。
背景技术
现代化车间生产综合了先进机床设备、工业机器人、自动测量系统、自动装夹系统和物料输送等技术，能够按照预先设定程序和参数进行自动化生产。但是对于加工环节而言，依然存在很多影响自动化加工的不稳定因素进而影响最终产品质量，例如错误的程序和操作、错误的装夹、不稳定的工件材料和毛坯质量、不稳定的刀具质量、不合理的工艺参数设定及其他不稳定的加工工况等。
加工过程中出现的各种不稳定因素和失误，不止会影响自动化生产，还会造成经济损失和浪费很多辅助时间。使用统计过程控制思想建立加工过程控制限，实现加工过程质量控制是一种有效思路。传统基于统计的控制限大多为静态控制限，例如根据产品的均值和标准差±3σ法，其时效性差，对于异常状态并不能准确做出判断和及时反应，而实际加工过程的状态监测需要实时性强、准确度高的控制限，传统静态控制限往往无法有效适用。本发明改造过去静态控制限为与点位相关的动态控制，该方式时变特性优越，相对于传统方法有更强适用性，可用于变量剧烈变化的强周期重复性加工过程状态控制。
发明内容
加工过程中各种不稳定因素监控和排查存在严重依赖现场操作者经验、判断反应不准确等弊端，使用过程统计控制思想建立加工过程控制限是一种有效思路。但目前大多数传统静态控制限不具有时变特性不能很好满足实际运用，基于此根据本发明的实施方式提供了一种基于ADALINE神经网络的过程控制限确定方法，ADALINE神经网络为一种具有良好自适应性的线性人工神经网络方法。在强周期重复性加工过程中，利用先进传感器主轴功率 /切削力等工艺参数的实时变化被及时跟踪，通过对历史加工过程数据进行挖掘和学习，对重复性加工过程相同点位的工艺参数设置动态跟随的控制限，进而对加工过程的工艺参数进行时空动态控制，针对异常状态发出警报和暂停作业，实现提高加工稳定性、降低废品率和生产风险。
根据本发明的一个实施方式提供了一种基于ADALINE神经网络的动态过程控制限确定方法，包括：确定加工过程初始控制限；收集实时加工过程信号；使用加工过程控制限更新模型；动态调节加工过程控制限；对所述加工控制限进行控制精度训练以及对加工过程进行状态监测。
在一个可选的实施方式中，确定加工过程初始控制限的步骤包括：对于初次加工产品无历史数据，用第一次加工实测所得时序数据乘上根据经验所得的系数取得。
在另一个可选的实施方式中，确定加工过程初始控制限的步骤还可包括：收集强周期重复性加工过程历史数据；对该历史数据进行预处理，包括数据清洗，选择加工过程状态关联密切的过程特征参数时序数据进行降噪以及标准化处理；对预处理后所得加工过程数据用3σ法初步确定加工过程上下控制限，得到初始控制限。
在另一个可选的实施方式中，收集实时加工过程信号的步骤包括：根据产品加工机理以及现场机械加工设备设施特点，将传感器合理布置在相应位置，并以该传感器采集加工过程数据；判断实时数据是否为健康数据；对于非健康数据则先判断过程控制限是否漏报再生成记录，然后对每个周期加工过程实时测得数据进行预处理并记录动态数据。
在另一个可选的实施方式中，使用加工过程控制限更新模型的步骤包括：构建加工过程控制限更新模型，所建加工过程控制限更新模型中更新后的加工过程控制限由两部分组成，一部分是上一周期确定控制限，另一部分根据所述加工过程数据，两者之间分别乘上权重，进而完成对加工过程控制限的更新。
在另一个可选的实施方式中，动态调节加工过程控制限的步骤包括：制定控制限调节策略；判别加工过程控制限是否误报并生成记录；然后结合前序步骤所得漏报的计数来计算控制成功率，并按需要设定控制成功率阈值；当不满足控制成功率时，利用ADALINE神经网络调节加工过程控制限更新模型中的权重，以实现过程控制限自动更新并满足所设控制成功率要求。
在另一个可选的实施方式中，对所述加工控制限进行控制精度训练以及对加工过程进行状态监测的步骤包括：重复所述收集实时加工过程信号，使用加工过程控制限更新模型，和动态调节加工过程控制限步骤，对过所述加工程控制限进行训练，迭代更新加工过程控制限，减小上下控制限的波动范围以提高控制精度，并在更新过程中保证过程控制限的控制成功率满足设计要求，得到满足控制精度要求的加工过程控制限
本发明的另一个实施方式提供了一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本发明的的基于ADALINE神经网络的动态过程控制限确定方法。
根据本发明的另一个实施方式提供的基于ADALINE神经网络的动态过程控制限确定方法，包括如下步骤：
步骤一：确定加工过程初始控制限，
收集强周期重复性加工过程历史数据并对其进行预处理，首先对历史数据进行数据清洗，选择加工过程状态关联密切的过程特征参数时序数据进行降噪以及标准化处理，对预处理后所得加工过程数据用3σ法初步确定加工过程上下控制限，得到的控制限称之为初始控制限LOLD，对于初次加工产品无历史数据也可用第一次加工实测所得时序数据乘上系数±s取得，s的具体值由经验给出；
步骤二：收集实时加工过程信号，
根据产品加工机理以及现场机械加工设备设施特点，合理布置相应传感器位置并采集加工过程数据，再判断实时数据是否为健康数据，对于非健康则先判断过程控制限是否漏报再生成记录，然后对每个周期加工过程实时测得数据进行预处理并记为LNEW；
步骤三：使用加工过程控制限更新模型，
构建加工过程控制限更新模型，所建模型中更新后的过程控制限由两部分组成，一部分是上一周期确定控制限L(n-1)，另一部分根据动态数据LNEW，两者之间分别乘上权重，进而完成对控制限的更新，初始权重ω根据生产经验给出；
步骤四：加工过程控制限动态调节，
制定控制限调节策略，先判别过程控制限是否误报并生成记录，然后结合步骤二所得漏报数计算控制成功率R，按所需设定控制成功率阈值R*，当不满足控制成功率时，利用ADALINE神经网络调节加工过程控制限更新模型中的权重ω以实现过程控制限自动更新并满足所设控制成功率要求，保证其时变能力；
步骤五：控制限的控制精度训练与加工过程状态监测，
重复步骤二、三、四步，对过程控制限进行训练，迭代更新过程控制限，减小上下控制限的波动范围以提高控制精度，并在更新过程中保证过程控制限的控制成功率满足设计要求，最终得到满足控制精度要求的加工过程控制限。
根据本发明的实施方式提供的基于ADALINE神经网络的动态过程控制限确定方法至少包括以下优点。本发明提出一种基于ADALINE神经网络的过程控制限确定方法，针对加工过程状态监控和排查存在严重依赖现场操作者经验，传统静态控制限不具有时变特性等弊端，限制了现场加工状态检测与健康诊断技术的应用，基于此本发明通过对历史加工过程数据进行挖掘和学习，对重复性加工过程相同点位的工艺参数设置动态跟随的控制限，进而对加工过程的工艺参数进行时空动态控制，根据流程所得到过程控制限不仅能够反映实时加工过程状态，而且能够直观反应监测参数数据分布为后期故障排查提供指导。本发明提供了一种基于ADALINE神经网络的过程控制限确定方法，是一种指导性的加工过程状态监测技术，面向变量剧烈变化的强周期重复性加工过程其能结合最新状态的数据变化实现控制限的更新并保证控制精度，其具有高时效性与自适应性，更加符合真实加工实际状况。
通过参考附图和以下说明，本发明的其它装置、设备、系统、方法、特征和优点将是明显的。包括在本说明书中的所有的另外的这种系统、方法、特征和优点都在本发明的范围内，且由所附权利要求保护。
附图说明
结合附图以及下面的详细描述，可更容易理解本发明的前述特征，其中：
图1示出了根据本发明的实施方式的基于ADALINE神经网络的过程控制限确定的方法流程；
图2示出了根据本发明的实施自适应控制限的调整策略示意图；
图3(a)示出了根据本发明实施方式实际应用的ADLINE神经网络原始结构图；
图3(b)示出了根据本发明实施方式实际应用的ADLINE神经网络结构图；
图4示出了根据本发明的实施方式的小波分析分层效果图；
图5示出了根据本发明的实施方式的数据预处理前后对比图；
图6示出了根据本发明的实施方式中控制限迭代变化效果图。
图中序号、符号、代号说明如下
L(n-1)：上一周期所确定的过程控制限
L(n)：本周期所更新的过程控制限
L：训练完成所采用的控制限
x1,x2,…,xn：ADLINE神经网络输入向量
w1,w2,…,wn：ADLINE神经网络输入权重
T：线性转移函数
LMS：最小均方算法
y：ADLINE神经网络输出
r：ADLINE神经网络训练目标
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
下面结合附图对本发明的具体实施方式进行说明。这里所使用的某些术语仅仅是为了方便并不被认为是对本发明的限制。例如，诸如“上”、“下”、“左”、“右”、“水平”、“垂直”、“向上”和“向下”等术语仅仅描述附图中所示的构造。实际上，部件可以被定向在任何方向上，且因此除非以其它方式指出了，术语应当被理解为包括所有这种变化。在本说明中，词“包括”应理解为其“开放”意义，即“具有”的意思，因此不应被限制为“封闭”意义，即“仅包括”的意思。相应的意思也适用于相应的词“包括”，“包括有”等。尽管可能使用例如“第1”、“第2”、“第一”和“第二”的表述来描述本发明的各个元件，但它们并未意于限定相对应的元件。例如，上述表述并未旨在限定相对应元件的顺序或重要性。上述表述仅用于将一个部件和另一个部件区分开。
根据本发明的一个实施方式提供了一种基于ADALINE神经网络的动态过程控制限确定方法，该方法包括：确定加工过程初始控制限；收集实时加工过程信号；使用加工过程控制限更新模型；动态调节加工过程控制限；对所述加工控制限进行控制精度训练以及对加工过程进行状态监测；重复以上收集实时加工过程信号，使用加工过程控制限更新模型，和动态调节加工过程控制限步骤，对过所述加工程控制限进行训练，迭代更新加工过程控制限，减小上下控制限的波动范围以提高控制精度，并在更新过程中保证过程控制限的控制成功率满足设计要求，得到满足控制精度要求的加工过程控制限。
图1示出了根据本发明的实施方式的基于ADALINE神经网络的过程控制限确定的方法流程。以下结合图1对本发明的另一个实施方式提出的一种基于ADALINE神经网络的过程控制限确定方法进行说明。该方法的一个实施方式包括以下实施步骤。
步骤一：确定加工过程初始控制限。
收集强周期重复性加工过程历史数据并对其进行预处理，首先对历史数据进行数据清洗，选择加工过程状态关联密切的过程特征参数时序数据进行降噪以及标准化处理，对预处理后所得加工过程数据用3σ法初步确定加工过程上下控制限，得到的控制限称之为初始控制限LOLD，对于初次加工产品无历史数据也可用第一次加工实测所得时序数据乘上系数±s取得，s的具体值由经验给出。
步骤二：收集实时加工过程信号。
根据产品加工机理以及现场机械加工设备设施特点，合理布置相应传感器位置并采集加工过程数据，再判断实时数据是否为健康数据，对于非健康则先判断过程控制限是否漏报再生成记录，然后对每个周期加工过程实时测得数据进行预处理并记为LNEW。
步骤三：使用加工过程控制限更新模型。
构建加工过程控制限更新模型，所建模型中更新后的过程控制限由两部分组成，一部分是上一周期确定控制限L(n-1)，另一部分根据动态数据LNEW，两者之间分别乘上权重，进而完成对控制限的更新，初始权重ω根据生产经验给出。
步骤四：加工过程控制限动态调节。
制定控制限调节策略，先判别过程控制限是否误报并生成记录，然后结合步骤二所得漏报数计算控制成功率R，按所需设定控制成功率阈值R*，当不满足控制成功率时，利用ADALINE神经网络调节加工过程控制限更新模型中的权重ω以实现过程控制限自动更新并满足所设控制成功率要求，保证其时变能力。
步骤五：控制限的控制精度训练与加工过程状态监测。
接着可重复步骤二三、四对过程控制限进行训练，迭代更新过程控制限，减小上下控制限的波动范围以提高控制精度，并更新过程中保证过程控制限的控制成功率满足设计要求，最终得到满足控制精度要求的加工过程控制限。
可选地，在步骤一中所述的“历史数据”，主要是指与实时监测加工方式相同所采集的加工过程状态所有周期数据。
可选地，在步骤一中所述的“预处理”，主要是指数据清洗、降噪以及标准化处理，其中“数据清洗”是指对数据开展识别并剔除离群点、光滑噪声数据、填写缺失值等一系列操作；“降噪”是指排除原始信号中噪声数据对后续分析干扰的手段，这里提到一种使用多分辨分析原理的小波分析技术，将待分析信号分解到不同尺度中，由于有用信号和噪声信号在不同尺度上的特性不同，进而将噪声从待分析信号里分离出去的处理手段；“标准化处理”是指使其数据满足标准正态分布的手段，这里具体方式如下所示。
对同一加工过程而言，同一采样点测量值不同数据可以看做真值和随机波动误差之和，随机波动误差服从正态分布，设fi(k)为系统第i个周期得到的数据矩阵，fij(k)表示为第j个变量在第i个周期的测量值。则有， fij(k)＝Fij(k)+ξij(k)，(i,j＝1,2，…,n)其中Fij(k)和ξij(k)分别为第j个变量在第i个周期中的第k个采样点的真值和随机波动误差。
设Mj(k)＝(f1j(k),f1j(k),…fnj(k))，由于是同一工序的数据，所以同一采样点处的真值在不同周期是相等的，即fij(k)＝Fi(k)+ξij(k)，随机波动误差服从正态分布，根据正态分布可加性质，Mj(k)符合正态分布。设fij *(k)为该数据标准化处理结果。其标准化方法为：
其中，
即为Mj(k)的均值，A为测试选取周期数。
其中，
即为Mj(k)的标准差。
Sj(k)，
依然符合标准正态分布，故标准化处理后的fij *(k)依然符合正态分布。
可选地，在步骤一中所述的“关联密切的过程特征参数时序数据”，主要是指传感器采集到可以反映加工过程状态运行好坏程度，按时间顺序记录的数据。
可选地，在步骤一中所述的“3σ法”，是指利用3σ准则构建控制限的方法，利用步骤一所得数据，设σ代表标准差,μ代表均值。3σ准则为数值分布在(μ-σ,μ+σ)中的概率为0.6826，数值分布在(μ-2σ,μ+2σ)中的概率为0.9544，数值分布在(μ-3σ,μ+3σ)中的概率为0.9974，可以认为统计量的取值几乎全部集中在(μ-3σ,μ+3σ)]区间内，超出这个范围的可能性仅占不到0.3％。故通过这种方式可确定最简单的粗大误差判别准则，使用标准差σ来创建包络线其上下控制限为μ±3σ，其中μ和σ的计算方式如下：
在步骤二中所述的“健康数据”，是指传感器采集到的根据加工结果判断为满足合格产品要求所对应的加工过程数据。
在步骤三中所述的“更新模型”是指控制限进行更新所用的计算公式， L(n-1)是上一周期确定控制限，为步骤二所得LNEW动态数据，L为确定的过程控制限，ω表示权重，0＜ω＜1，其计算方式为，
图2示出了根据本发明的实施自适应控制限的调整策略示意图。可选地，在步骤四中所述的“控制限调节策略”，是指依据一定步骤使用控制限更新模型对过程控制限进行调节采用的流程，具体内容可参见图2所示。
图3(a)示出了根据本发明实施方式实际应用的ADLINE神经网络原始结构图。图3(b)示出了根据本发明实施方式实际应用的ADLINE神经网络结构图。
可选地，在步骤四中所述的“ADALINE神经网络”，是指Widrow教授于“AdaptiveSignal Processing”(Bernard Widrow.Adaptive Signal Processing [M],Pearson1985-03-25)所提及自适应学习算法，其拓扑结构参见图3(a) 和图3(b)所示，图3(a)中n维向量X为ADALINE的输入，n维向量W 是待调整的权值。使用LMS学习算法调整权值，转移函数T为线性函数。 ADALINE的学习方式为有监督学习，即网络的输出y时刻与期望输出r相比较，将误差ε＝r-y送到LMS算法中去，不断在线调整权值向量W，使输出y尽量接近目标r，当最终ε足够小时，W收敛即达到预期的效果。
LMS学习规则的权重调整算法如下：
ΔW＝η(r-WX)XT (5)
η为选取的学习率，表示学习的快慢；X为输入向量；W为权重向量。转移函数是线性函数，故上式可以表示为，
ΔW＝η(r-y)XT＝ηεXT (6)
Δε＝Δ(r-WX)＝Δr-ΔWX (7)
由于r是常数，故Δr＝0，所以Δε＝-ΔWX，代入上式，得到Δε＝-ηεXTX＝-ηε|X|2，显然Δε和-ε同向，使得y和r不断接近。
对于本系统而言，系统的本次输出取决于系统的上一个周期确定的L(n-1) 和第n个数据周期收集到的实时数据LNEW，由此我们得到ADALINE的结构，如图3(b)所示，图中的x1是上一个周期确定的控制限，x2是第n个数据周期收集到的实时数据，ω1，ω2为其权重，T是线性转移函数，y是计算出来的控制成功率，r是期望值。ADALINE根据网络的输出r与步骤四的实际输出 y不断调整权值向量，当ε足够小时，自适应神经元的权值收敛，即为我们所求的ω。
可选地，在步骤四中所述的“控制成功率”，指产品正常且被设定的控制限判断为健康数据加上产品为故障且被判断为故障的比例和，其阈值R*由实际具体加工过程自行给出。其计算方式如下所示：
其中T为健康数据周期总数，F为故障数据周期总数；TT为产品正常且被设定的控制限判断为健康数据的数量；FF为产品故障且被设定的控制限判断为异常的数量。
还可选地，在步骤五中所述的“控制精度”指加工单位根据合格品要求对该加工过程所需控制波动范围的规定，其阈值G*由实际具体加工过程自行给出。其计算方式为给加工出的产品质量以百分制打分，计算公式为如下所示：
其中G为过程控制限的控制精度，一共进行n次加工，gi为第i个周期所加工产品质量得分，统计最近k个周期内加工所得产品质量得分，进而得到其均值以此作为该加工过程的控制精度。
根据本发明的一个实施案例，提供了一种基于ADALINE神经网络的过程控制限确定方法。在实际加工过程中刀具的各种不稳定因素和失误会对最终产品表面粗糙度造成较大的影响，需要利用本发明所提到的方法对其加工过程状态进行控制。
图4示出了根据本发明的实施方式的小波分析分层效果图。图5示出了根据本发明的实施方式的数据预处理前后对比图。图6示出了根据本发明的实施方式中控制限迭代变化效果图。
以下将结合附图4-6对将本发明的实施方式的方法应用在车削加工过程控制中的示例性实例，该实例进行说明。该示例性实例的步骤包括。
步骤一：针对零件切削加工过程质量的控制。本示例性案例中收集车削加工过程的300个历史周期数据。该过程中采集声压信号，采样频率为50Khz。试验参数设置为主轴转速600r/min，进给速度0.25mm/r，切削深度为1mm。每次沿着圆筒轴向加工4mm为一次加工所采集的信号作为一个周期数据，将采集到的数据进行预处理。本算例首先使用小波分析方法进行降噪处理，针对的是声波振动数据，本方法选用小波基为sym6，其适合于精确重构和快速算法。阈值设定为软阈值，得到结果如图4所示，从该图中可以明显看出该方法滤除信号中的噪声分量的变化，第四层分解在保留大部分信号信息的同时去掉较多的噪声，故其具有较好的效果，再利用公式1对收集的数据进行标准化处理得到结果如图5所示。得到的300个周期数据，基于过程数据的均值和标准差，采用3σ法初步确定上下控制限，使用标准差σ来创建包络线，其上下控制限为μ±3σ，这里得到的控制限为初始控制限LOLD。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在其他更合适的信号预处理以及初始控制限取得的方法，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。
步骤二：收集实时加工过程信号。根据产品加工机理以及现场机械加工设备设施特点，合理布置相应传感器位置并采集加工过程数据，再判断实时数据是否为健康数据，对于非健康则先判断过程控制限是否漏报再生成记录，然后对每个周期加工过程实时测得数据进行预处理，此处的预处理方法与步骤一相同，使用小波包进行降噪处理并选用小波基sym6，阈值选用软阈值，处理后所得实时数据记为LNEW。
步骤三：使用加工过程控制限更新模型。构建加工过程控制限更新模型，模型计算方式如公式4所示，所建模型中更新后的过程控制限L(n)由两部分组成，一部分是上一周期确定控制限L(n-1)，另一部分根据动态数据LNEW，设定初始的权重ω为0.2，两者之间分别乘上权重ω进而完成对控制限的更新。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在设置其他更合适初始权重取值用于更新模型训练，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。
步骤四：加工过程控制限动态调节。制定控制限调节策略见图2所示，先判别过程控制限是否误报并生成记录，然后结合步骤二所得漏报数计算控制成功率R，R的计算为公式8所示，设定控制成功率阈值R*为95％，当不满足控制成功率时，利用ADALINE神经网络调节加工过程控制限更新模型中的权重ω以实现过程控制限自动更新并满足所设控制成功率要求，保证其时变能力。控制成功率阈值R*设定为98％，然后按照公式8计算控制成功率，判断控制成功率是否达到设计要求，如果未满足设计要求则使用ADALINE 神经网络重新设定ω再对控制限进行更新，如果满足设计要求则输出当前更新的控制限L(n)。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在设置其他更合适计算控制成功率的方式以及取值，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。
步骤五：控制限的控制精度训练与加工过程状态监测。重复步骤三、步骤四，按照步骤四对控制限的控制精度进行训练，迭代更新控制限并减小控制上下限的波动范围，达到提高切削工序稳定的目的，本案例满足设计要求的控制精度阈值G*设定为80％，按照公式9计算控制精度G，其中k取20，以此为控制限精度训练目标，最终得到满足要求的上下控制限间距结果如图 6所示，可以观察到随着训练进行控制精度不断提升，最后生产的工件表面粗糙度优良度大幅提高。
本领域技术人员应理解，以上是根据本发明的实施方式中的试验数据所得到的结果，并不排除存在其他更合适的控制精度阈值取值，在此仅举例说明根据本发明的实施方式的实施步骤而不应作为对本发明的任何限制。本发明的实施方式还提供了一种终端设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行根据本发明的实施方式的基于ADALINE神经网络的动态过程控制限确定方法。
需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/ 或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种基于ADALINE神经网络的动态过程控制限确定方法，其特征在于所述方法包括：
确定加工过程初始控制限；
收集实时加工过程信号；
使用加工过程控制限更新模型；
动态调节加工过程控制限；以及
对所述加工控制限进行控制精度训练以及对加工过程进行状态监测。
2.如权利要求1所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于确定加工过程初始控制限的步骤包括：
对于初次加工产品无历史数据，用第一次加工实测所得时序数据乘上根据经验所得的系数得到初始控制限。
3.如权利要求1或2所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于确定加工过程初始控制限的步骤包括：
收集强周期重复性加工过程历史数据；
对该历史数据进行预处理，包括数据清洗，选择加工过程状态关联密切的过程特征参数时序数据进行降噪以及标准化处理；以及
对预处理后所得加工过程数据用3σ法初步确定加工过程上下控制限，得到初始控制限。
4.如权利要求1所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于收集实时加工过程信号的步骤包括：
根据产品加工机理以及现场机械加工设备设施特点，将传感器合理布置在相应位置，并由该传感器采集加工过程数据；
判断实时数据是否为健康数据；以及
对于非健康数据则先判断过程控制限是否漏报再生成记录，然后对每个周期加工过程实时测得数据进行预处理并记录动态数据。
5.如权利要求4所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于使用加工过程控制限更新模型的步骤包括：
构建加工过程控制限更新模型，所建加工过程控制限更新模型中更新后的加工过程控制限由两部分组成，一部分是上一周期确定控制限，另一部分根据所述加工过程数据，两者之间分别乘上权重，进而完成对加工过程控制限的更新。
6.如权利要求4所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于动态调节加工过程控制限的步骤包括：
制定控制限调节策略；
判别加工过程控制限是否误报并生成记录；
然后结合前序步骤所得漏报的计数来计算控制成功率，并按需要设定控制成功率阈值；以及
当不满足控制成功率时，利用ADALINE神经网络调节加工过程控制限更新模型中的权重，以实现过程控制限自动更新并满足所设控制成功率要求。
7.如权利要求1所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于对所述加工控制限进行控制精度训练以及对加工过程进行状态监测的步骤包括：
重复所述收集实时加工过程信号，使用加工过程控制限更新模型，和动态调节加工过程控制限步骤；
对过所述加工程控制限进行训练，迭代更新加工过程控制限，减小上下控制限的波动范围以提高控制精度，并在更新过程中保证过程控制限的控制成功率满足设计要求，得到满足控制精度要求的加工过程控制限。
8.一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1-7中任一项所述的基于ADALINE神经网络的动态过程控制限确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010320237.3A CN111523662B (zh) | 2020-04-22 | 2020-04-22 | 基于adaline神经网络的动态过程控制限确定方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010320237.3A CN111523662B (zh) | 2020-04-22 | 2020-04-22 | 基于adaline神经网络的动态过程控制限确定方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523662A true CN111523662A (zh) | 2020-08-11 |
| CN111523662B CN111523662B (zh) | 2023-07-07 |
Family
ID=71902811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010320237.3A Active CN111523662B (zh) | 2020-04-22 | 2020-04-22 | 基于adaline神经网络的动态过程控制限确定方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523662B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112970733A (zh) * | 2021-02-09 | 2021-06-18 | 广东电网有限责任公司广州供电局 | 输电线路多棱镜驱鸟装置 |
| CN117455456A (zh) * | 2023-11-09 | 2024-01-26 | 中通信息服务有限公司 | 一种电信物料区管理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5740324A (en) * | 1990-10-10 | 1998-04-14 | Honeywell | Method for process system identification using neural network |
| CN101322083A (zh) * | 2005-12-05 | 2008-12-10 | 费舍-柔斯芒特系统股份有限公司 | 利用并行过程仿真的多目标预测过程优化 |
| CN101872163A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种基于递推非线性部分最小二乘的过程监控方法 |
| CN105020705A (zh) * | 2015-03-04 | 2015-11-04 | 内蒙古瑞特优化科技股份有限公司 | 循环流化床锅炉燃烧性能实时优化控制方法及系统 |
| US20160019454A1 (en) * | 2014-07-18 | 2016-01-21 | James LaRue | J Patrick's Ladder A Machine Learning Enhancement Tool |
| CN107346122A (zh) * | 2017-05-27 | 2017-11-14 | 四川用联信息技术有限公司 | 改进模糊支持向量机的制造过程多元质量诊断分类器 |
| CN108122293A (zh) * | 2017-03-27 | 2018-06-05 | 沈阳工业大学 | 一种废旧产品再制造过程质量控制方法 |
-
2020
- 2020-04-22 CN CN202010320237.3A patent/CN111523662B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5740324A (en) * | 1990-10-10 | 1998-04-14 | Honeywell | Method for process system identification using neural network |
| CN101322083A (zh) * | 2005-12-05 | 2008-12-10 | 费舍-柔斯芒特系统股份有限公司 | 利用并行过程仿真的多目标预测过程优化 |
| CN101872163A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种基于递推非线性部分最小二乘的过程监控方法 |
| US20160019454A1 (en) * | 2014-07-18 | 2016-01-21 | James LaRue | J Patrick's Ladder A Machine Learning Enhancement Tool |
| CN105020705A (zh) * | 2015-03-04 | 2015-11-04 | 内蒙古瑞特优化科技股份有限公司 | 循环流化床锅炉燃烧性能实时优化控制方法及系统 |
| CN108122293A (zh) * | 2017-03-27 | 2018-06-05 | 沈阳工业大学 | 一种废旧产品再制造过程质量控制方法 |
| CN107346122A (zh) * | 2017-05-27 | 2017-11-14 | 四川用联信息技术有限公司 | 改进模糊支持向量机的制造过程多元质量诊断分类器 |
Non-Patent Citations (1)
| Title |
|---|
| 杨辉 等: "基于二阶Adaline 网络的位标器自适应逆控制方法", 《红外与激光工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112970733A (zh) * | 2021-02-09 | 2021-06-18 | 广东电网有限责任公司广州供电局 | 输电线路多棱镜驱鸟装置 |
| CN117455456A (zh) * | 2023-11-09 | 2024-01-26 | 中通信息服务有限公司 | 一种电信物料区管理方法及系统 |
| CN117455456B (zh) * | 2023-11-09 | 2024-08-16 | 中通信息服务有限公司 | 一种电信物料区管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523662B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN111523662A (zh) | 基于adaline神经网络的动态过程控制限确定方法及设备 | |
| CN110488754A (zh) | 一种基于ga-bp神经网络算法的机床自适应控制方法 | |
| CN110472800A (zh) | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 | |
| CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
| CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
| CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
| CN114871850B (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
| CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
| DE102020102863A1 (de) | Parametrierung einer Komponente in der Automatisierungsanlage | |
| CN113752089A (zh) | 一种基于奇异性李氏指数的刀具状态监测方法 | |
| CN118228130B (zh) | 一种基于设备健康状态的监测方法、系统和存储介质 | |
| CN114757087A (zh) | 一种基于动态主成分分析与lstm的刀具磨损预测方法 | |
| Wang et al. | Research on tool remaining life prediction method based on CNN-LSTM-PSO | |
| CN110727669A (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
| CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
| CN117390960A (zh) | 一种数控机床用加工精度智能分析方法 | |
| CN114049964A (zh) | 一种跨脑区人工神经通路的建模方法 | |
| CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
| CN117032080A (zh) | 一种提升数控机床状态监控能力的算法的实施方法及应用 | |
| CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
| Dey et al. | Performance improvement techniques for neural networks in tool condition monitoring | |
| DE102019213431A1 (de) | Steuervorrichtung, CNC-Vorrichtung und Steuerverfahren | |
| CN114218980A (zh) | 滚动轴承剩余寿命预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |