CN111931307A - 一种零件质量预测和评估优化方法及系统 - Google Patents
一种零件质量预测和评估优化方法及系统 Download PDFInfo
- Publication number
- CN111931307A CN111931307A CN202010799314.8A CN202010799314A CN111931307A CN 111931307 A CN111931307 A CN 111931307A CN 202010799314 A CN202010799314 A CN 202010799314A CN 111931307 A CN111931307 A CN 111931307A
- Authority
- CN
- China
- Prior art keywords
- quality
- parameters
- function
- response surface
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Abstract
本发明公开了一种零件质量预测和评估优化方法及系统。该方法依据典型材料的切削机理的理论指导,结合质量检测数据,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数,将相关系数与SVR模型中的高斯核函数进行融合,得到权值高斯核函数,运用具有权值高斯核函数的SVR模型和粒子群算法训练零件质量预测模型,并判断模型输出的零件质量特征是否符合质量要求完成质量评估,对不符合质量要求的零件利用粒子群算法进行关键参数优化。采用本发明的方法及系统,能够实现零件加工质量的智能决策,解决了在零件加工过程中决策依赖人工、决策方法滞后性严重的问题。
Description
技术领域
本发明涉及零件加工质量智能预测技术领域,特别是涉及一种零件质量预测和评估优化方法及系统。
背景技术
缸体缸盖在发动机中有较强的功能性,是发动机零件中关键核心零部件。但其工作环境较为复杂,且长期处于腐蚀环境下。这种情况下,加工质量不佳会加剧缸体缸盖的损坏,从而影响发动机的整体性能。目前,自动化加工生产设备已经广泛的运用于汽车发动机生产制造。但是,对缸体缸盖零件加工质量决策方法研究目前主要仍是采用针对刀具、机床等提出的监控换刀法、机床寿命预测模型等手段,且决策过程严重依赖人工,已不满足汽车制造智能化的需求。针对上述情况,就如何实现在零件加工过程中,依靠现有数据,快速完成对其质量的预测和评估及完成相对应的工艺优化,达成智能决策目的,是缸体缸盖制造领域急需解决的问题。
发明内容
本发明的目的是提供一种零件质量预测和评估优化方法及系统,将典型材料的切削机理与质量检测数据相结合,从而进行零件加工质量智能决策,解决了在零件加工过程中决策依赖人工、决策方法滞后性严重的问题。
为实现上述目的,本发明提供了如下方案:
一种零件质量预测和评估优化方法,包括:
获取训练样本数据集;所述训练样本数据集中包括多个零件信息数据集,所述零件信息数据集包括生产零件参数和零件质量参数,所述生产零件参数包括刀具参数、工艺参数和机床参数;
根据切削机理建立响应面经验函数模型,并采用最小二乘法估计所述响应面经验函数模型的系数,得到拟合后的响应面经验函数;所述响应面经验函数模型反映切削规律与零件质量偏离程度的关系;
根据所述拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数;所述关键参数的相关系数反映所述关键参数与拟合后的响应面经验函数值的相关性;所述关键参数包括切削深度、进给量和切削速度;
将各个关键参数的相关系数作为对角矩阵中主对角线上的元素,得到关键参数的权值矩阵;
将所述权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据所述权值高斯核函数建立零件质量预测模型;
根据所述训练样本数据集,采用粒子群算法与k-fold交叉验证方法对所述零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型;
获取待预测零件信息数据,并将所述待预测零件信息数据输入所述训练好的零件质量预测模型,得到零件质量特征;
判断所述零件质量特征是否符合质量要求;若符合质量要求,则输出零件质量合格指令;若不符合质量要求,则对所述待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数。
可选的,所述根据切削机理建立响应面经验函数模型,并采用最小二乘法估计所述响应面经验函数模型的系数,得到拟合后的响应面经验函数,具体包括:
根据如下公式建立响应面经验函数模型:
将所述响应面经验函数模型中的F、T、Ds、FT、FDs、TDs、F2、T2、Ds 2作为自变量,将所述响应面经验函数模型转换为多元线性函数;
将所述训练样本数据集代入所述多元线性函数后,采用最小二乘法估计所述回归系数;
根据所述回归系数得到拟合后的响应面经验函数。
可选的,所述根据所述拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数,具体包括:
根据如下公式计算进给量的相关系数rf:
可选的,所述将所述权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据所述权值高斯核函数建立零件质量预测模型,具体包括:
根据如下公式将所述权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数:
式中,K(Px,Px')表示权值高斯核函数,P表示权值矩阵,K(x,x')表示高斯核函数,x表示输入变量,x'表示高斯核函数中心,σ2表示高斯核函数参数;
根据如下公式建立零件质量预测模型:
可选的,在所述根据所述训练样本数据集,采用粒子群算法与k-fold交叉验证方法对所述零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型,之前还包括:
对所述训练样本数据集中的数据采用如下公式进行归一化处理,得到归一化后的数据x(1):
对所述归一化后的数据采用如下公式进行标准化处理,得到数据处理后的训练样本数据集x(2):
式中,xmax表示样本中的最大值,xmin表示样本中的最小值,μ表示总体样本的均值,σ表示总体样本的标准差。
可选的,所述判断所述零件质量特征是否符合质量要求,具体包括:
对所述零件质量特征进行划分,得到一级质量特征和二级质量特征;所述一级质量特征与零件质量存在直接关系,所述二级质量特征与零件质量存在间接关系;
根据质量评价准则,确定所述二级质量特征的评价结果矩阵;其中,所述质量评价准则为根据零件的极限尺寸数据和尺寸公差得到的四个尺寸范围,四个尺寸范围分别对应零件质量的优、良、合格和不合格四个级别;所述评价结果矩阵为1*4矩阵,所述评价结果矩阵中的元素依次对应零件质量的优、良、合格和不合格四个级别,当元素值为1时表示所述二级质量特征在相应尺寸范围内,当元素为0时表示所述二级质量特征不在相应尺寸范围内;
获取二级评价因素权重矩阵,将所述二级评价因素权重矩阵与所述二级质量特征的评价结果矩阵的乘积确定为一级评价因素结果;
获取一级评价因素权重矩阵,将所述一级评价因素权重矩阵与所述一级评价因素结果的乘积确定为质量评估结果;所述质量评估结果为1*4矩阵,所述质量评估结果中的元素值依次对应零件质量的优、良、合格和不合格四个级别;
将所述质量评估结果中的最大元素值对应的级别确定为零件质量的级别;
判断所述零件质量的级别是否为优,若为优,则符合质量要求,否则,不符合质量要求。
可选的,所述对所述待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数,具体包括:
对所述待预测零件信息数据中的关键参数采用粒子群算法进行优化,得到初始优化关键参数;
将所述初始优化关键参数与所述待预测零件信息数据中的关键参数进行参数一致性对比;若对比结果一致,则停止优化;若对比结果不一致,则将初始优化关键参数作为优化后的关键参数。
本发明还提供一种零件质量预测和评估优化系统,包括:
训练样本数据集获取模块,用于获取训练样本数据集;所述训练样本数据集中包括多个零件信息数据集,所述零件信息数据集包括生产零件参数和零件质量参数,所述生产零件参数包括刀具参数、工艺参数和机床参数;
响应面经验函数生成模块,用于根据切削机理建立响应面经验函数模型,并采用最小二乘法估计所述响应面经验函数模型的系数,得到拟合后的响应面经验函数;所述响应面经验函数模型反映切削规律与零件质量偏离程度的关系;
关键参数的相关系数计算模块,用于根据所述拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数;所述关键参数的相关系数反映所述关键参数与拟合后的响应面经验函数值的相关性;所述关键参数包括切削深度、进给量和切削速度;
权值矩阵生成模块,用于将各个关键参数的相关系数作为对角矩阵中主对角线上的元素,得到关键参数的权值矩阵;
零件质量预测模型建立模块,用于将所述权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据所述权值高斯核函数建立零件质量预测模型;
零件质量预测模型训练模块,用于根据所述训练样本数据集,采用粒子群算法与k-fold交叉验证方法对所述零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型;
零件质量特征生成模块,用于获取待预测零件信息数据,并将所述待预测零件信息数据输入所述训练好的零件质量预测模型,得到零件质量特征;
判断模块,用于判断所述零件质量特征是否符合质量要求;若符合质量要求,则执行输出模块;若不符合质量要求,则执行关键参数优化模块;
输出模块,用于输出零件质量合格指令;
关键参数优化模块,用于对所述待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数。
与现有技术相比,本发明的有益效果是:
本发明提出了一种零件质量预测和评估优化方法及系统,依据典型材料的切削机理的理论指导,结合质量检测数据,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数,将相关系数与SVR模型中的高斯核函数进行融合,得到权值高斯核函数,运用具有权值高斯核函数的SVR模型和粒子群算法训练零件质量预测模型,并判断模型输出的零件质量特征是否符合质量要求完成质量评估,对不符合质量要求的零件利用粒子群算法进行关键参数优化,能够实现零件加工质量的智能决策,解决了在零件加工过程中决策依赖人工、决策方法滞后性严重的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中零件质量预测和评估优化方法流程图;
图2为本发明实施例中方法的总体流程图;
图3为本发明实施例中预测模型训练流程图;
图4为本发明实施例中质量评估关系树示意图;
图5为本发明实施例中工艺优化流程图;
图6为本发明实施例中零件质量预测和评估优化系统结构图。
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,所描述的实施例仅仅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。
本发明的目的是提供一种零件质量预测和评估优化方法及系统,将典型材料的切削机理与质量检测数据相结合,从而进行零件加工质量智能决策,解决了在零件加工过程中决策依赖人工、决策方法滞后性严重的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,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。
实施例
图1为本发明实施例中零件质量预测和评估优化方法流程图,如图1所示,一种零件质量预测和评估优化方法,包括:
步骤101:获取训练样本数据集;训练样本数据集中包括多个零件信息数据集,零件信息数据集包括生产零件参数和零件质量参数,生产零件参数包括刀具参数、工艺参数和机床参数。
步骤102:根据切削机理建立响应面经验函数模型,并采用最小二乘法估计响应面经验函数模型的系数,得到拟合后的响应面经验函数;响应面经验函数模型反映切削规律与零件质量偏离程度的关系。
步骤102,具体包括:
根据如下公式建立响应面经验函数模型:
将训练样本数据集代入多元线性函数后,采用最小二乘法估计回归系数;
根据回归系数得到拟合后的响应面经验函数。
步骤103:根据拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数;关键参数的相关系数反映关键参数与拟合后的响应面经验函数值的相关性;关键参数包括切削深度、进给量和切削速度。
步骤103,具体包括:
根据如下公式计算进给量的相关系数rf:
步骤104:将各个关键参数的相关系数作为对角矩阵中主对角线上的元素,得到关键参数的权值矩阵。
步骤105:将权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据权值高斯核函数建立零件质量预测模型。
步骤105,具体包括:
根据如下公式将权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数:
式中,K(Px,Px')表示权值高斯核函数,P表示权值矩阵,K(x,x')表示高斯核函数,x表示输入变量,x'表示高斯核函数中心,σ2表示高斯核函数参数;
根据如下公式建立零件质量预测模型:
步骤106:根据训练样本数据集,采用粒子群算法与k-fold交叉验证方法对零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型。
步骤106之前还包括:
对训练样本数据集中的数据采用如下公式进行归一化处理,得到归一化后的数据x(1):
对归一化后的数据采用如下公式进行标准化处理,得到数据处理后的训练样本数据集x(2):
式中,xmax表示样本中的最大值,xmin表示样本中的最小值,μ表示总体样本的均值,σ表示总体样本的标准差。
步骤107:获取待预测零件信息数据,并将待预测零件信息数据输入训练好的零件质量预测模型,得到零件质量特征。
步骤108:判断零件质量特征是否符合质量要求;若符合质量要求,则执行步骤110;若不符合质量要求,则执行步骤109。
步骤108,具体包括:
对零件质量特征进行划分,得到一级质量特征和二级质量特征;一级质量特征与零件质量存在直接关系,二级质量特征与零件质量存在间接关系;
根据质量评价准则,确定二级质量特征的评价结果矩阵;其中,质量评价准则为根据零件的极限尺寸数据和尺寸公差得到的四个尺寸范围,四个尺寸范围分别对应零件质量的优、良、合格和不合格四个级别;评价结果矩阵为1*4矩阵,评价结果矩阵中的元素依次对应零件质量的优、良、合格和不合格四个级别,当元素值为1时表示二级质量特征在相应尺寸范围内,当元素为0时表示二级质量特征不在相应尺寸范围内;
获取二级评价因素权重矩阵,将二级评价因素权重矩阵与二级质量特征的评价结果矩阵的乘积确定为一级评价因素结果;
获取一级评价因素权重矩阵,将一级评价因素权重矩阵与一级评价因素结果的乘积确定为质量评估结果;质量评估结果为1*4矩阵,质量评估结果中的元素值依次对应零件质量的优、良、合格和不合格四个级别;
将质量评估结果中的最大元素值对应的级别确定为零件质量的级别;
判断零件质量的级别是否为优,若为优,则符合质量要求,否则,不符合质量要求。
步骤109:对待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数。
步骤109,具体包括:
对待预测零件信息数据中的关键参数采用粒子群算法进行优化,得到初始优化关键参数;
将初始优化关键参数与待预测零件信息数据中的关键参数进行参数一致性对比;若对比结果一致,则停止优化,若对比结果不一致,则将初始优化关键参数作为优化后的关键参数。优化后的关键参数用于优化零件的质量。
步骤110:输出零件质量合格指令。
本发明依据典型材料的切削机理的理论指导,结合质量检测数据,运用支持向量机和粒子群算法训练出智能预测模型,并根据质量数据按照给定的评估方法完成质量评估,最后结合预测模型利用粒子群优化得到工艺优化方案。
具体的,
图2为本发明实施例中方法的总体流程图。本发明先后通过建立质量影响模型、计算关键参数权值、训练质量预测模型、建立质量评估模型和质量评估计算、工艺优化的步骤建立了一种融合检测数据和切削机理的零件质量预测评估及工艺优化方法。
图3为本发明实施例中预测模型训练流程图。首先,结合训练样本,模拟出质量影响数学模型,并据此计算出关键参数的权值,将权值融入高斯核函数代入支持向量机回归预测模型(SVR)中。接着,预处理数据样本,初始化模型参数(C,σ,ε)和粒子群算法参数。以k-fold交叉验证原理将训练集分集,以当前模型参数结合训练分集完成一次SVR模型训练,并不断更换测试集,总计训练K次模型,得到k个模型平均测试误差,计算总体平均误差并据此得出当前(C,σ,ε)粒子种群个体和总体最优位置。判断误差适应度是否满足要求,如果不满足则根据最优位置更新粒子种群位置和速度,并重复上述训练过程,直到得到满足误差适应度要求的粒子(C,σ,ε)和SVR模型。
图4为本发明实施例中质量评估关系树示意图。本发明依据此关系树,首先从底层关键尺寸开始,按照评价准则,得出关键尺寸评价向量,并构建二级评价矩阵;根据二级评价因素权重,计算得出一级评价向量,并构建一级评价矩阵;根据一级评价权重计算零件整体质量并给出评价结果。
图5为本发明实施例中工艺优化流程图。如图5中所示,本发明首先通过质量评估模型对质量数据进行判断,根据判断结果决定是否需要优化。如果需要优化,则以粒子群优化算法为算法框架,以训练完的质量预测模型和质量评估模型为计算和评价手段,以工艺等参数为优化对象,针对较差特征,通过循环迭代遍历计算,得出符合质量评估要求的最优工艺等参数,完成对工艺等参数的优化,并给出工艺优化方案,以提高较差特征质量。
如图2-图5所示,本发明提供的融合检测数据和切削机理的零件质量预测和评估优化,包括如下步骤:
(1)样本数据读取(本步骤主要获取样本数据)
从数据库中提取零件加工过程中的质量检测数据和关键工艺信息。提取过程中,数据样本应当依据同一批次原则,即保证数据样本是同一种零件的加工信息。首先,提取N组样本作为训练样本,样本数据集为Q。
Q={q1,q2,…,qi,…,qn’}
其中,qi表示同一批零件中零件i的信息数据集。根据缸体缸盖零件重要特征位置划分,提取关键特征位置的加工信息,包括该特征的刀具参数、工艺参数、机床参数、特征关键质量指标数据。
qi={PCi,PTi,PNi|Dqi}
(2)质量影响模型建立
结合典型切削机理:切削力规律函数F(ap,f,uc…),切削温度规律函数T(ap,f,vc,…),切削位移规律函数Ds(ap,f,vc…),建立响应面经验函数。
式中,α0…αg为待计算的回归系数,ap为切削深度,f为进给量,vc为切削速度,…代指未具体列出的包括工艺、刀具、机床等关键参数。
其中,Y为质量偏离程度,计算方式如下:
式中,A为质量目标值,y为实际值。
响应面函数模型采用线性化和最小二乘估计法来求解,具体解算过程如下。
首先将中F,T,Ds,FT,FDs,TDs,F2,T2,Ds 2做自变量处理,将变成多元线性函数。
将样本数据集Q中的n个样本数据代入中F(F,T,Ds),可得下列矩阵:
Y=[Y1,Y2,…,Yn]T
α=[α3,α2,…,α9]T
ε=[ε1,ε2,…,εn]T
且满足Y=Xα+ε。
对α求导,可得一组正规方程组,并得到:
由XTX满秩,则有:
(3)关键参数权值矩阵计算:
权值矩阵p将用于后续步骤中高斯核函数的融合。
(4)样本数据处理:首先采用归一化处理,用Min-Max Normalization法将数据归一至(0,1)范围。
式中,xmin,xmax为样本中的最小和最大值,x为样本初始值,x′为处理值。
归一化处理后,还需要对样本进行标准化处理,即使用Z-score法进行处理,将数据。
(5)训练质量预测模型:
模型建立:
根据回归预测原理,提出以下基础预测模型:
F(x)=ωx+b (1)
式中,F(x)为输出的质量预测结果,ω为未知模型参数向量,x为输入变量,即由关键参数ap,f,υc…组成的向量类型变量,b为未知常数。
根据支持向量机理论,引入惩罚因子C和损失参数ε,对上述基础模型F(x)提出如下优化目标及其条件:
优化目标为一个凸二次优化问题。引入拉格朗日乘子,求解对偶问题,并依据KKT原理其优化目标(2)及条件(3)转化为以下形式并获得新的预测模型形式。
式中,ai,ai *为拉式乘数,可通过数据训练获得。
高斯核函数,
融合权值矩阵P,
式中,σ2为待优化参数,x′为高斯核函数中心。
最终SVR预测模型形式:
在最终SVR预测模型(7)中及其优化目标(4)和条件(5)中,C,σ,ε为人为确定的模型参数,有待优化;ai,ai *可通过数据训练获得。
以下是SVR预测模型参数的优化和模型训练步骤:
步骤1):初始化SVR预测模型参数,包括:惩罚因子C,损失函数ε,高斯核函数参数σ,及其各自范围;
步骤2):初始化PSO算法参数,包括c1,c2学习因子,vd,max最大搜寻速度,更迭次数maxgen,惯性权重w,种群数m;
步骤3):根据初始模型参数C,ε,σ值及其范围,随机给出C,ε,σ种群粒子初始位置和速度;
以此种方式遍历C,ε,σ粒子种群,获得m个粒子的总体平均误差ε*1,ε*2,ε*3,…,ε*m,并以此作为每个粒子的适应度评价。
步骤6):根据步骤5)所得的适应度评价获得个体粒子最优位置(C,ε,σ)p和粒子种群最优位置(C,ε,σ)g,并根据最优位置更新(C,ε,σ)粒子速度和位置。
步骤7):根据(C,ε,σ)种群最优位置,判断其适应度是否达到预测精度要求。如果未达到预测精度要求,则以更新的(C,ε,σ)粒子速度和位置转入步骤5)继续计算;如果达到预测精度要求,则完成SVR预测模型参数C,ε,σ优化,得到符合预测精度要求的最优SVR预测模型参数C,ε,σ并进行下一步;
步骤9):测试模型,以作为测试集对模型进行测试。如果不满足测试精度要求,则重新进行步骤1);如果满足测试精度要求,则预测模型训练结束。将作为最终质量预测模型,用于结合由与质量特征对应的关键参数ap,f,vc…组成的向量类型变量x对零件各个特征质量的预测。
(6)质量评估:
构建质量评估模型:
零件加工质量评估采取逐级评估方式,首先,将零件关键加工质量特征设置为一级评价因素M={m1,m2,m3,…,mn},其中m1,m2,m3,…,mn依次为上述质量特征。其的权重集为A={α1,α2,α3,…,αn},满足如评价关系树所示,一级评价因素包括其各自的二级评价因素j为当前二级评价因素所包含因素总量。其权重为满足具体步骤如下:
表1质量评价准则
步骤b:根据步骤a,获得底层(二层)质量特征评价结果矩阵:
式中x1,x2,x3,x4依次对应“优”、“良”、“合格”、“不合格”。当测量尺寸处于其中一个区间时其对应x值为1,其他为0。
步骤c:依据二级评价因素权重,计算一级评价因素结果;
计算如下:
步骤d:依据一级评价因素权重,计算完整质量评估结果;
步骤e:根据计算结果,评质量。如果不合格指数不为0,则直接判定为不合格。
以下为计算样例:
假设质量特征数为5,且其质量数据评价结果如下:
假设:B1=(0.5,0.5),B2=(1),B3=(1),B4=(1),B5=(1)则:
假设:A=(0,1,0.2.0,2,0.3,0.2),则:
由计算结果可知“良”占比较高,零件质量为“良”。
(7)工艺优化:
工艺优化以预测模型和质量评估为评价依据,以工艺等参数为优化对象,以PSO算法为优化手段,具体步骤如下:
p1:根据质量评估结果判断,如果符合质量要求,则不进行优化;如果不符合质量要求,则针对质量评估中评估结果较差的特征,确定其所用工艺的待优化参数ap,f,vc…,根据参数当前值,确定参数的初始值(ap,f,vc…)0及其范围;
p2:初始化PSO算法参数,包括c1,c2学习因子,vd,max最大搜寻速度,更迭次数maxgen,惯性权重w;
p3:结合随机函数rand(),初始化(ap,f,vc…)种群粒子位置和速度;
p5:根据适应度值,获取目前个体粒子最优位置(ap,f,vc…)p和种群粒子最优位置(ap,f,vc…)g;
p6:根据当前个体最优粒子位置(ap,f,υc…)p和种群最优粒子位置(ap,f,vc…)g进行(ap,f,vc…)粒子种群的位置和速度更新;
p7:判断适应度是否满足要求,即粒子预测质量及其评估结果是否满足要求,不满足,则转至p1;满足,则输出满足条件的工艺方案(ap,f,vc…)*进行下一步;
p8:对比满足质量评估要求的当前工艺方案(ap,f,vc…)*与初始工艺方案(ap,f,vc…)0。如果无差异,则不需优化;如果有差异,则以当前工艺方案为基准,针对差异给出优化意见,完成优化。
图6为本发明实施例中零件质量预测和评估优化系统结构图。如图6所示,一种零件质量预测和评估优化系统,包括:
训练样本数据集获取模块201,用于获取训练样本数据集;训练样本数据集中包括多个零件信息数据集,零件信息数据集包括生产零件参数和零件质量参数,生产零件参数包括刀具参数、工艺参数和机床参数。
响应面经验函数生成模块202,用于根据切削机理建立响应面经验函数模型,并采用最小二乘法估计响应面经验函数模型的系数,得到拟合后的响应面经验函数;响应面经验函数模型反映切削规律与零件质量偏离程度的关系。
关键参数的相关系数计算模块203,用于根据拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数;关键参数的相关系数反映关键参数与拟合后的响应面经验函数值的相关性;关键参数包括切削深度、进给量和切削速度。
权值矩阵生成模块204,用于将各个关键参数的相关系数作为对角矩阵中主对角线上的元素,得到关键参数的权值矩阵。
零件质量预测模型建立模块205,用于将权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据权值高斯核函数建立零件质量预测模型。
零件质量预测模型训练模块206,用于根据训练样本数据集,采用粒子群算法与k-fold交叉验证方法对零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型。
零件质量特征生成模块207,用于获取待预测零件信息数据,并将待预测零件信息数据输入训练好的零件质量预测模型,得到零件质量特征。
判断模块208,用于判断零件质量特征是否符合质量要求;若符合质量要求,则执行输出模块210;若不符合质量要求,则执行关键参数优化模块209。
关键参数优化模块209,用于对待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数。
输出模块210,用于输出零件质量合格指令。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明依据从固体力学、热力学、损伤力学为理论基础得到的典型材料切削机理和质量影响规律,确定关键参数权值,融入核函数中,并利用粒子群算法和支持向量机算法结,合交叉验证原理,训练质量预测模型,显著的降低了智能算法对于样本数据量的依赖性,同时提高了样本的可靠性,有效的改善了制造加工领域在多品种小批量生产条件下由于数据量不足导致的无法与智能决策有效结合的情况。本发明运用粒子群算法优化参数使预测模型更加精准和高效;通过再次使用预测模型和粒子群算法遍历计算优化得出工艺参数的调整方案相对人工方案更加全面和精准。本发明以质量评估为目标结果,综合了加工过程中对质量影响的各种要素,相对一般以单要素尺度或多要素尺度为目标结果的优化方法更具备全面性。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种零件质量预测和评估优化方法,其特征在于,包括:
获取训练样本数据集;所述训练样本数据集中包括多个零件信息数据集,所述零件信息数据集包括生产零件参数和零件质量参数,所述生产零件参数包括刀具参数、工艺参数和机床参数;
根据切削机理建立响应面经验函数模型,并采用最小二乘法估计所述响应面经验函数模型的系数,得到拟合后的响应面经验函数;所述响应面经验函数模型反映切削规律与零件质量偏离程度的关系;
根据所述拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数;所述关键参数的相关系数反映所述关键参数与拟合后的响应面经验函数值的相关性;所述关键参数包括切削深度、进给量和切削速度;
将各个关键参数的相关系数作为对角矩阵中主对角线上的元素,得到关键参数的权值矩阵;
将所述权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据所述权值高斯核函数建立零件质量预测模型;
根据所述训练样本数据集,采用粒子群算法与k-fold交叉验证方法对所述零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型;
获取待预测零件信息数据,并将所述待预测零件信息数据输入所述训练好的零件质量预测模型,得到零件质量特征;
判断所述零件质量特征是否符合质量要求;若符合质量要求,则输出零件质量合格指令;若不符合质量要求,则对所述待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数。
2.根据权利要求1所述的零件质量预测和评估优化方法,其特征在于,所述根据切削机理建立响应面经验函数模型,并采用最小二乘法估计所述响应面经验函数模型的系数,得到拟合后的响应面经验函数,具体包括:
根据如下公式建立响应面经验函数模型:
将所述训练样本数据集代入所述多元线性函数后,采用最小二乘法估计所述回归系数;
根据所述回归系数得到拟合后的响应面经验函数。
6.根据权利要求5所述的零件质量预测和评估优化方法,其特征在于,所述判断所述零件质量特征是否符合质量要求,具体包括:
对所述零件质量特征进行划分,得到一级质量特征和二级质量特征;所述一级质量特征与零件质量存在直接关系,所述二级质量特征与零件质量存在间接关系;
根据质量评价准则,确定所述二级质量特征的评价结果矩阵;其中,所述质量评价准则为根据零件的极限尺寸数据和尺寸公差得到的四个尺寸范围,四个尺寸范围分别对应零件质量的优、良、合格和不合格四个级别;所述评价结果矩阵为1*4矩阵,所述评价结果矩阵中的元素依次对应零件质量的优、良、合格和不合格四个级别,当元素值为1时表示所述二级质量特征在相应尺寸范围内,当元素为0时表示所述二级质量特征不在相应尺寸范围内;
获取二级评价因素权重矩阵,将所述二级评价因素权重矩阵与所述二级质量特征的评价结果矩阵的乘积确定为一级评价因素结果;
获取一级评价因素权重矩阵,将所述一级评价因素权重矩阵与所述一级评价因素结果的乘积确定为质量评估结果;所述质量评估结果为1*4矩阵,所述质量评估结果中的元素值依次对应零件质量的优、良、合格和不合格四个级别;
将所述质量评估结果中的最大元素值对应的级别确定为零件质量的级别;
判断所述零件质量的级别是否为优,若为优,则符合质量要求,否则,不符合质量要求。
7.根据权利要求6所述的零件质量预测和评估优化方法,其特征在于,所述对所述待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数,具体包括:
对所述待预测零件信息数据中的关键参数采用粒子群算法进行优化,得到初始优化关键参数;
将所述初始优化关键参数与所述待预测零件信息数据中的关键参数进行参数一致性对比;若对比结果一致,则停止优化;若对比结果不一致,则将初始优化关键参数作为优化后的关键参数。
8.一种零件质量预测和评估优化系统,其特征在于,包括:
训练样本数据集获取模块,用于获取训练样本数据集;所述训练样本数据集中包括多个零件信息数据集,所述零件信息数据集包括生产零件参数和零件质量参数,所述生产零件参数包括刀具参数、工艺参数和机床参数;
响应面经验函数生成模块,用于根据切削机理建立响应面经验函数模型,并采用最小二乘法估计所述响应面经验函数模型的系数,得到拟合后的响应面经验函数;所述响应面经验函数模型反映切削规律与零件质量偏离程度的关系;
关键参数的相关系数计算模块,用于根据所述拟合后的响应面经验函数,采用皮尔森相关系数公式计算零件质量参数中关键参数的相关系数;所述关键参数的相关系数反映所述关键参数与拟合后的响应面经验函数值的相关性;所述关键参数包括切削深度、进给量和切削速度;
权值矩阵生成模块,用于将各个关键参数的相关系数作为对角矩阵中主对角线上的元素,得到关键参数的权值矩阵;
零件质量预测模型建立模块,用于将所述权值矩阵与SVR模型中的核函数进行融合,得到权值高斯核函数,并根据所述权值高斯核函数建立零件质量预测模型;
零件质量预测模型训练模块,用于根据所述训练样本数据集,采用粒子群算法与k-fold交叉验证方法对所述零件质量预测模型中的参数进行训练,得到训练好的零件质量预测模型;
零件质量特征生成模块,用于获取待预测零件信息数据,并将所述待预测零件信息数据输入所述训练好的零件质量预测模型,得到零件质量特征;
判断模块,用于判断所述零件质量特征是否符合质量要求;若符合质量要求,则执行输出模块;若不符合质量要求,则执行关键参数优化模块;
输出模块,用于输出零件质量合格指令;
关键参数优化模块,用于对所述待预测零件信息数据中的关键参数进行优化,得到优化后的关键参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799314.8A CN111931307B (zh) | 2020-08-11 | 2020-08-11 | 一种零件质量预测和评估优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799314.8A CN111931307B (zh) | 2020-08-11 | 2020-08-11 | 一种零件质量预测和评估优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931307A true CN111931307A (zh) | 2020-11-13 |
CN111931307B CN111931307B (zh) | 2022-07-12 |
Family
ID=73307303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010799314.8A Active CN111931307B (zh) | 2020-08-11 | 2020-08-11 | 一种零件质量预测和评估优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931307B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN115993077A (zh) * | 2023-03-22 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 复杂路况运输情况下惯导系统优选决策方法及系统 |
Citations (10)
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 |
CN102495932A (zh) * | 2011-12-13 | 2012-06-13 | 哈尔滨工业大学 | 一种基于响应面建模和改进粒子群算法的有限元模型修正方法 |
CN106599462A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种涡轮盘锻件预成形工艺的优化设计方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
US20170293048A1 (en) * | 2016-04-09 | 2017-10-12 | Powerchina Huadong Engineering Corporation Limited | Response Surface Method for Identifying The Parameters of Burgers Model for Slope Soil |
CN107832546A (zh) * | 2017-11-24 | 2018-03-23 | 西北工业大学 | 一种叠层结构钻削轴向力的预测方法及系统 |
CN109145477A (zh) * | 2018-08-31 | 2019-01-04 | 西北工业大学 | 一种基于sph切削模型的切削参数优化方法 |
CN110321631A (zh) * | 2019-07-02 | 2019-10-11 | 江苏科技大学 | 一种面向船用柴油机机身质量特征加工可靠性评估方法 |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2020
- 2020-08-11 CN CN202010799314.8A patent/CN111931307B/zh active Active
Patent Citations (10)
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 |
CN102495932A (zh) * | 2011-12-13 | 2012-06-13 | 哈尔滨工业大学 | 一种基于响应面建模和改进粒子群算法的有限元模型修正方法 |
US20170293048A1 (en) * | 2016-04-09 | 2017-10-12 | Powerchina Huadong Engineering Corporation Limited | Response Surface Method for Identifying The Parameters of Burgers Model for Slope Soil |
CN106599462A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种涡轮盘锻件预成形工艺的优化设计方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107832546A (zh) * | 2017-11-24 | 2018-03-23 | 西北工业大学 | 一种叠层结构钻削轴向力的预测方法及系统 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
CN109145477A (zh) * | 2018-08-31 | 2019-01-04 | 西北工业大学 | 一种基于sph切削模型的切削参数优化方法 |
CN110321631A (zh) * | 2019-07-02 | 2019-10-11 | 江苏科技大学 | 一种面向船用柴油机机身质量特征加工可靠性评估方法 |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
Non-Patent Citations (2)
Title |
---|
MENG, QINGXUN;CAI, JIN;CHENG, HUI;ZHANG, KAIFU: "Investigation of CFRP cutting mechanism variation and the induced effects on cutting response and damage distribution", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
邓聪颖等: "基于SVR-GA算法的广义加工空间机床切削稳定性预测与优化研究", 《仪器仪表学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN115993077A (zh) * | 2023-03-22 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 复杂路况运输情况下惯导系统优选决策方法及系统 |
CN115993077B (zh) * | 2023-03-22 | 2023-06-06 | 中国人民解放军火箭军工程大学 | 复杂路况运输情况下惯导系统优选决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111931307B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931307B (zh) | 一种零件质量预测和评估优化方法及系统 | |
CN107451101B (zh) | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN109766930A (zh) | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 | |
CN111062508B (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
JP5068637B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN113822499A (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN114254915A (zh) | 轴类零件全流程加工质量合格状态决策及优化方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
Dammak et al. | Crisp multi-criteria decision making methods: State of the art | |
CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
CN110288005B (zh) | 基于svm的毫米波探测器干扰效果评估方法 | |
Chan et al. | Melt index prediction with a mixture of Gaussian process regression with embedded clustering and variable selections | |
CN114800036B (zh) | 一种设备健康状态评估方法 | |
CN113642029B (zh) | 一种度量数据样本与模型决策边界相关性的方法及系统 | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN111610514B (zh) | 一种蒸发波导传播特性的反演方法及装置 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN109656202B (zh) | 基于局部和结构一致性流形gmm的多模态过程监测方法 |
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 |