CN112488411A - 一种基于近似周期工艺过程的加工稳定性评估方法 - Google Patents

一种基于近似周期工艺过程的加工稳定性评估方法 Download PDF

Info

Publication number
CN112488411A
CN112488411A CN202011453358.1A CN202011453358A CN112488411A CN 112488411 A CN112488411 A CN 112488411A CN 202011453358 A CN202011453358 A CN 202011453358A CN 112488411 A CN112488411 A CN 112488411A
Authority
CN
China
Prior art keywords
stability
approximate
node
nodes
quality
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
Application number
CN202011453358.1A
Other languages
English (en)
Other versions
CN112488411B (zh
Inventor
赵丽萍
刘智
李博豪
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011453358.1A priority Critical patent/CN112488411B/zh
Publication of CN112488411A publication Critical patent/CN112488411A/zh
Application granted granted Critical
Publication of CN112488411B publication Critical patent/CN112488411B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

本发明公开了一种基于近似周期工艺过程的加工稳定性评估方法及系统，通过对近似工艺过程按照特征点划分近似周期，将每一个周期看作一个节点，综合考虑节点影响工艺过程稳定性的特征值，计算节点置信度；其次，通过对近似周期工艺过程节点的稳定性置信度，利用无监督学系对近似周期工艺过程稳定性划分等级；最后，建立近似周期工艺过程质量稳定性评估网络模型，输入工艺过程节点以及对应节点稳定性等级，训练稳定性评价网络，预测工艺过程质量稳定性。

Description

一种基于近似周期工艺过程的加工稳定性评估方法
技术领域
本发明属于工艺过程动态质量控制技术领域，涉及一种基于近似周期工艺过程的加工稳定性评估方法及系统。
背景技术
在产品工艺加工过程中，实现工艺过程的稳定性评估对提高产品质量，提高生产效率，稳定市场和提高自身竞争力具有重要的意义。近似周期工艺过程由于周期有波动，因此周期并不定长，需要对不定长周期数据的处理，而且对整个工艺过程来说影响加工稳定性的影响因素众多，需要同时考虑多个影响因素，因此如何对近似周期工艺过程的数据进行标准化处理，考虑多种加工过程影响因素评估，对工艺过程进行高效、准确的评估是提高产品的加工质量需要解决的关键问题。
目前，传统的工艺过程质量评价方法主要通过加工过程的误差波动，对于周期性质量评价可对比标准周期的误差波动进行稳定性评估，但是无法对近似周期性质量评价，难以处理近似周期的数据，导致最终产品质量难以保证。针对产品工艺过程中的近似周期过程的稳定性评估困难问题，亟需一种近似周期工艺过程稳定性评估方法，能够充分利用近似周期质量数据，分析产品工艺过程波动情况进行评估，为更好的监控工艺过程产品质量提供理论指导，有助于提高工艺过程加工质量。
发明内容
本发明的目的在于解决现有技术中的问题，提供一种基于近似周期工艺过程的加工稳定性评估方法及系统，本发明利用网络理论构建近似周期工艺过程中不同周期的稳定性置信度，结合工序过程影响稳定性的多特征影响，分析近似周期的工艺稳定性等级，利用工序过程稳定性评价网络对加工稳定性进行评估。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于近似周期工艺过程的加工稳定性评估方法，包括以下步骤：
计算近似周期工艺过程质量稳定性置信度；
划分近似周期工艺过程质量稳定性等级；
构建近似周期工艺过程质量稳定性评估网络，对加工稳定性进行评估。
本发明进一步的改进在于：
所述计算近似周期工艺过程质量稳定性置信度的具体方法如下：
步骤S101，将工艺过程划分成周期，每个近似周期为独立的节点，每个节点表示不同的工艺过程周期；
步骤S102，将工艺过程中的近似周期，作为一个序列节点，并且工艺过程序列节点c表示为：
c＝{c1，...，cn}
ci＝{c11，...，cnt}
其中，ci表示第i个节点，cir表示第i节点的第r个子节点；
计算每个节点影响工艺过程稳定性的特征值s表示为：
s＝{s11，...，snm}
其中，sij表示第i个节点的第j个特征值的数值，n表示有n个近似工艺过程节点，m表示影响该加工工艺过程稳定性的特征值有m个；
求解每个节点所对应的稳定性置信度，稳定性置信度是工艺过程节点的特征值与标准节点的特征值的皮尔逊相关系数，第i个节点的稳定性置信度pi表示为：
Figure BDA0002832331640000031
其中，pi表示第i个节点的稳定性置信度，yj表示标准节点的第j个特征值。
所述划分近似周期工艺过程质量稳定性等级的具体方法如下：
步骤S201，根据工艺过程质量的平稳性要求，将工艺过程稳定性等级分类5 级，用二维元组Q表示稳定性以及采取措施的关系如下：
Q＝{(r1，o1)，(r2，o2)，(r3，o3)，(r4，o4)，(r5，o5)}
其中，ri，oi分别表示稳定性等级和对应稳定性等级采取的操作；具体如下：
r1：I级稳定性，o1：加工状态极差停机检修；
r2：II级稳定性，o2：加工不稳定需要检修；
r3：III级稳定性，o3：加工有波动，需要密切监控；
r4：IV级稳定性，o4：加工平稳性较好，较为经济；
r5：V级稳定性，o5：加工平稳性好，能保证较高精度；
通过无监督学习对近似周期工艺过程稳定性进行等级分类，实现对近似周期工艺过程质量进行评估；
步骤S202，根据得到的各个近似工艺过程节点的置信度，利用K-Means算法，将工艺过程节点置信度进行聚类，根据工艺过程质量的平稳性要求，将工艺过程节点的置信度用K近邻方法聚类为5个级别。
所述构建近似周期工艺过程质量稳定性评估网络的具体方法如下：
步骤S301，搭建两层LSTM网络训练模型，训练轮数选择400轮，每批次训练数据为20，优化器选择Adam，选择损失函数为交叉熵损失；
步骤S302，训练稳定性评估网络；
步骤S302，将近似周期工艺过程的节点作为输入，通过训练好的模型对当前节点的稳定性做评价，并且通过工艺过程质量稳定性等级标准对工艺过程进行监控。
所述步骤S302具体如下：
(1)输入样本集合为工艺过程子节点，输入标签集合为对工艺过程的稳定性级别做one-hot编码后的数据集合；
(2)对工艺过程节点进行Padding操作，将子节点长度补0至工艺过程节点中子节点最大数目的1.2倍；
(3)在网络中引入Mark机制消除补0的影响；
(4)训练工艺过程质量稳定性评估网络，并通过调整超参数优化模型直至满足工艺生产要求；
(5)保存模型。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明通过建立近似周期工艺过程质量稳定性评估网络，解决输入不定长周期数据预测的问题，评价近似周期工艺过程稳定性。并通过以近似工艺过程节点稳定性置信度为参考，利用无监督学习进行的近似工艺过程稳定性等级划分。并且在稳定性置信度的计算中，综合考虑了多个影响工艺过程稳定性的特征值。本发明能够对近似周期工艺过程中可能产生的异常预警，提高产品工艺过程稳定性。本发明综合考虑影响加工稳定性的特征值定量评价稳定性；建立近似周期工艺过程质量稳定性等级分类网络模型通过将定量的稳定性评价转换为定性的稳定性评价，将工艺过程稳定性划分为5个等级；建立近似周期工艺过程质量稳定性评估网络模型，解决输入不定长周期数据预测的问题。本发明能够对近似周期工艺过程中可能产生的异常预警，提高产品工艺过程稳定性。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明稳定性评估方法的流程图；
图2为本发明近似周期工艺加工过程的稳定性评价网络图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明实施例提供了一种基于近似周期工艺过程的加工稳定性评估方法及系统，利用网络理论构建近似周期工艺过程中不同周期的稳定性置信度，结合工序过程影响稳定性的多特征影响，分析近似周期的工艺稳定性等级，利用工序过程稳定性评价网络对加工稳定性进行评估。
为了实现近似周期工艺过程质量稳定性评估，首先，通过对近似工艺过程按照特征点划分近似周期，将每一个周期看作一个节点，综合考虑节点影响工艺过程稳定性的特征值，计算节点置信度；其次，通过对近似周期工艺过程节点的稳定性置信度，利用无监督学习对近似周期工艺过程稳定性划分等级；最后，建立近似周期工艺过程质量稳定性评估网络模型，输入工艺过程节点以及对应节点稳定性等级，训练稳定性评价网络，预测工艺过程质量稳定性，从而改善近似周期工艺过程质量，减小工艺过程中的质量波动。
具体的请参阅图1，一种基于近似周期工艺过程的加工稳定性评估方法，包括以下步骤：
步骤S1，近似周期工艺过程稳定性置信度求解
步骤S101，近似周期工艺过程节点数目较多，并且加工设备的各种不良影响都会引起加工过程质量的波动。将工艺过程划分成周期研究，每个近似周期看作独立的节点，每个节点表示不同的工艺过程周期，并针对每个近似周期研究稳定性。
步骤S102，求解工艺过程置信度
近似周期工艺过程是指具有周期特征的工艺过程，但是周期的长度并不严格相等。处理的近似周期工艺过程数据主要包括两类：首先是近似周期工艺过程，虽然具有一定周期特征，但是并不是严格的周期过程；其次是周期工艺过程，但是由于采集系统或工艺设备等其它原因导致采集的数据并不是严格周期的序列数据。主要通过处理近似工艺过程序列数据，对工艺过程进行稳定性评估。对近似周期工艺过程序列数据处理，将工艺过程划分成一个个近似周期，把每个近似周期看作独立的节点，每个节点表示不同的工艺过程周期。首先需要划分节点，对于近似周期工艺过程，选取序列的特征点划分周期，例如序列的峰值、谷值或其他特征点，得到工艺过程近似周期。将工艺过程中的近似周期，作为一个序列节点，并且工艺过程序列节点c表示为：
c＝{c1，...，cn}
ci＝{c11，...，cnt}
其中，ci表示第i个节点，cir表示第i节点的第r个子节点，每个节点的子节点长度并不固定；
计算每个节点影响工艺过程稳定性的特征值s表示为：
s＝{s11，...，snm}
其中，sij表示第i个节点的第j个特征值的数值，n表示有n个近似工艺过程节点，m表示影响该加工工艺过程稳定性的特征值有m个。这里的特征值与影响工艺过程稳定的具体特征值有关，例如工艺过程中的压力变化率和工艺过程压力稳定时间等，根据实际工艺过程选择合适的特征值。
求解每个节点所对应的稳定性置信度，这里的稳定性置信度是工艺过程节点的特征值与标准节点的特征值的皮尔逊相关系数，第i个节点的稳定性置信度pi表示为：
Figure BDA0002832331640000081
其中，pi表示第i个节点的稳定性置信度，yj表示标准节点的第j个特征值。
步骤S2，划分近似周期工艺过程质量稳定性等级
步骤S201，构建工艺过程质量的稳定性等级标准
根据工艺过程质量的平稳性要求，将工艺过程稳定性等级分类5级，用二维元组Q表示稳定性以及采取措施的关系如下：
Q＝{(r1，o1)，(r2，o2)，(r3，o3)，(r4，o4)，(r5，o5)}
其中，ri，oi分别表示稳定性等级和对应稳定性等级采取的操作。具体如下：
r1：I级稳定性，o1：加工状态极差停机检修；
r2：II级稳定性，o2：加工不稳定需要检修；
r3：III级稳定性，o3：加工有波动，需要密切监控；
r4：IV级稳定性，o4：加工平稳性较好，较为经济；
r5：V级稳定性，o5：加工平稳性好，能保证较高精度。
通过无监督学习对近似周期工艺过程稳定性进行等级分类，实现对近似周期工艺过程质量进行评估，针对稳定性等级采取响应反馈调节措施，提高加工稳定性。
步骤S202，对工艺过程质量稳定性等级进行分类
根据得到的各个近似工艺过程节点的置信度，利用K-Means算法，将工艺过程节点置信度进行聚类，根据工艺过程质量的平稳性要求，将工艺过程节点的置信度用K近邻方法聚类为5个级别。
步骤S3，近似周期工艺过程质量稳定性评估网络构建
对输入的近似周期数据进行处理，搭建模型中需要对工艺过程节点进行“补零”操作，使得子节点长度对齐，再通过引用长短时记忆网络中的Mask机制消除补零的影响。将补齐后的节点输入搭建的LSTM网络训练模型，完成训练后保存模型，并输入工艺过程近似周期序列数据进行预测稳定性。
步骤S301，构建稳定性评估网络
如图2所示，搭建两层LSTM网络训练模型，训练轮数选择400轮，每批次训练数据为20，优化器选择Adam，选择损失函数为交叉熵损失；
步骤S302，训练稳定性评估网络
(1)输入样本集合为工艺过程子节点，输入标签集合为对工艺过程的稳定性级别做one-hot编码后的数据集合；
(2)对工艺过程节点进行Padding操作，将子节点长度补0至工艺过程节点中子节点最大数目的1.2倍；
(3)在网络中引入Mark机制消除补0的影响；
(4)训练工艺过程质量稳定性评估网络，并通过调整超参数优化模型直至满足工艺生产要求；
(5)保存模型。
进一步的，将近似周期工艺过程的节点作为输入，通过训练好的模型可以对当前节点的稳定性做评价，并且通过S2中工艺过程质量稳定性等级标准对工艺过程进行监控，使得加工过程质量一直处于稳定波动的状态，提升加工质量。
实施例
S1、近似周期工艺过程稳定性置信度求解
对于选取的工艺过程属于上述提到的周期工艺过程，但是由于采集系统或工艺设备等其它原因导致采集的数据并不是严格周期的序列数据。采集的工艺过程序列数据为工作机油缸压力的数值。该工艺过程的油缸加压过程为主要工艺过程，对质量平稳性影响较大，选择空中加压压力变化率、空中稳压压力变化率和接触加压压力变化率为特征参数。将工艺过程划分近似周期，设置工艺过程节点，并计算各个工艺节点的置信度。
S2、划分近似周期工艺过程质量稳定性等级
利用K近邻算法对工艺节点的置信度进行分类，将工艺过程节点的质量稳定性分为5类。
根据节点特征与标准节点对比，可发现分类效果基本满足实际效果。
S3、近似周期工艺过程质量稳定性评估网络构建
步骤1：输入样本集合为近似周期工艺过程节点，输入标签集合为该工艺过程的稳定性级别做one-hot编码后的数据集合，对样本的每个节点进行Padding 操作，将子节点长度补0至400长度；
步骤2：搭建两层LSTM网络训练模型，训练轮数选择400轮，每批次训练数据为20，优化器选择Adam，选择损失函数为交叉熵损失，在网络中引入Mark 机制消除补0的影响；
步骤3：训练工艺过程质量稳定性评估网络，并通过调整超参数优化模型直至满足工艺生产要求，保存模型。
训练上述质量稳定性评估网络，精度最终收敛在96.8％，通过输入一个工艺过程序列节点，可以预测出该节点的质量稳定性。通过稳定性等级准则做出适当的调整，可以做到早预测早调整，可以提高工艺过程质量，增加近似周期工艺过程质量稳定性。
本发明还具有以下优点：
本发明一种基于近似周期工艺过程的加工稳定性评估方法，综合考虑了工艺过程中影响稳定性的多特征影响，并结合近似周期划分周期以及提取特征的参数，得到近似周期的稳定性置信度；考虑了近似周期输入长度不同于提高稳定性评估准确率，通过近似周期的稳定性置信度，分析近似周期的工艺稳定性等级，利用工艺过程稳定性评价网络对加工稳定性进行评估。
本发明通过对近似工艺过程按照特征点划分近似工艺周期，并对近似工艺周期进行特征值提取。通过计算各节点与标准节点之间的稳定性置信度，定量表示近似工艺过程中各节点与标准节点的稳定性波动。通过无监督学习对工艺过程各节点的置信度进行分类，按照实际工艺过程需求可以分为5个等级，对针对不同等级采取不同措施。近似周期工艺过程质量稳定性评估网络模型，输入工艺过程节点以及对应节点稳定性等级，训练稳定性评价网络，预测工艺过程质量稳定性。在稳定性评估网络模型对子节点进行“补零”操作，使得子节点长度对齐，再通过引用长短时记忆网络中的Mask机制消除补零的影响。
本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如语音识别程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤，例如图1所示。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块 /单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路 (ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列 (Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于近似周期工艺过程的加工稳定性评估方法，其特征在于，包括以下步骤：
计算近似周期工艺过程质量稳定性置信度；
划分近似周期工艺过程质量稳定性等级；
构建近似周期工艺过程质量稳定性评估网络，对加工稳定性进行评估。
2.根据权利要求1所述的基于近似周期工艺过程的加工稳定性评估方法，其特征在于，所述计算近似周期工艺过程质量稳定性置信度的具体方法如下：
步骤S101，将工艺过程划分成周期，每个近似周期为独立的节点，每个节点表示不同的工艺过程周期；
步骤S102，将工艺过程中的近似周期，作为一个序列节点，并且工艺过程序列节点c表示为：
c＝{c1，...，cn}
ci＝{c11，...，cnt}
其中，ci表示第i个节点，cir表示第i节点的第r个子节点；
计算每个节点影响工艺过程稳定性的特征值s表示为：
s＝{s11，...，snm}
其中，sij表示第i个节点的第j个特征值的数值，n表示有n个近似工艺过程节点，m表示影响该加工工艺过程稳定性的特征值有m个；
求解每个节点所对应的稳定性置信度，稳定性置信度是工艺过程节点的特征值与标准节点的特征值的皮尔逊相关系数，第i个节点的稳定性置信度pi表示为：
Figure FDA0002832331630000011
其中，pi表示第i个节点的稳定性置信度，yj表示标准节点的第j个特征值。
3.根据权利要求1所述的基于近似周期工艺过程的加工稳定性评估方法，其特征在于，所述划分近似周期工艺过程质量稳定性等级的具体方法如下：
步骤S201，根据工艺过程质量的平稳性要求，将工艺过程稳定性等级分类5级，用二维元组Q表示稳定性以及采取措施的关系如下：
Q＝{(r1，o1)，(r2，o2)，(r3，o3)，(r4，o4)，(r5，o5)}
其中，ri，oi分别表示稳定性等级和对应稳定性等级采取的操作；具体如下：
r1：I级稳定性，o1：加工状态极差停机检修；
r2：II级稳定性，o2：加工不稳定需要检修；
r3：III级稳定性，o3：加工有波动，需要密切监控；
r4：IV级稳定性，o4：加工平稳性较好，较为经济；
r5：V级稳定性，o5：加工平稳性好，能保证较高精度；
通过无监督学习对近似周期工艺过程稳定性进行等级分类，实现对近似周期工艺过程质量进行评估；
步骤S202，根据得到的各个近似工艺过程节点的置信度，利用K-Means算法，将工艺过程节点置信度进行聚类，根据工艺过程质量的平稳性要求，将工艺过程节点的置信度用K近邻方法聚类为5个级别。
4.根据权利要求1所述的基于近似周期工艺过程的加工稳定性评估方法，其特征在于，所述构建近似周期工艺过程质量稳定性评估网络的具体方法如下：
步骤S301，搭建两层LSTM网络训练模型，训练轮数选择400轮，每批次训练数据为20，优化器选择Adam，选择损失函数为交叉熵损失；
步骤S302，训练稳定性评估网络；
步骤S302，将近似周期工艺过程的节点作为输入，通过训练好的模型对当前节点的稳定性做评价，并且通过工艺过程质量稳定性等级标准对工艺过程进行监控。
5.根据权利要求4所述的基于近似周期工艺过程的加工稳定性评估方法，其特征在于，所述步骤S302具体如下：
(1)输入样本集合为工艺过程子节点，输入标签集合为对工艺过程的稳定性级别做one-hot编码后的数据集合；
(2)对工艺过程节点进行Padding操作，将子节点长度补0至工艺过程节点中子节点最大数目的1.2倍；
(3)在网络中引入Mark机制消除补0的影响；
(4)训练工艺过程质量稳定性评估网络，并通过调整超参数优化模型直至满足工艺生产要求；
(5)保存模型。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
CN202011453358.1A 2020-12-11 2020-12-11 一种基于近似周期工艺过程的加工稳定性评估方法 Active CN112488411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453358.1A CN112488411B (zh) 2020-12-11 2020-12-11 一种基于近似周期工艺过程的加工稳定性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453358.1A CN112488411B (zh) 2020-12-11 2020-12-11 一种基于近似周期工艺过程的加工稳定性评估方法

Publications (2)

Publication Number Publication Date
CN112488411A true CN112488411A (zh) 2021-03-12
CN112488411B CN112488411B (zh) 2023-06-30

Family

ID=74916143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453358.1A Active CN112488411B (zh) 2020-12-11 2020-12-11 一种基于近似周期工艺过程的加工稳定性评估方法

Country Status (1)

Country Link
CN (1) CN112488411B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379279A (zh) * 2021-06-23 2021-09-10 黑龙江大学 基于不完整数据的深度强化学习短期电压稳定性评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090188903A1 (en) * 2008-01-24 2009-07-30 Gm Global Technology Operations, Inc. Method for welding process consistency
CN104360677A (zh) * 2014-12-18 2015-02-18 厦门烟草工业有限责任公司 一种卷烟加工过程质量评价与诊断方法
CN110006630A (zh) * 2019-04-10 2019-07-12 广东工业大学 基于多周期差分采样的在位检测方法及高速点运动设备
CN110032146A (zh) * 2019-04-24 2019-07-19 西安交通大学 一种基于多机协同因子的复杂加工过程稳定性评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090188903A1 (en) * 2008-01-24 2009-07-30 Gm Global Technology Operations, Inc. Method for welding process consistency
CN104360677A (zh) * 2014-12-18 2015-02-18 厦门烟草工业有限责任公司 一种卷烟加工过程质量评价与诊断方法
CN110006630A (zh) * 2019-04-10 2019-07-12 广东工业大学 基于多周期差分采样的在位检测方法及高速点运动设备
CN110032146A (zh) * 2019-04-24 2019-07-19 西安交通大学 一种基于多机协同因子的复杂加工过程稳定性评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAO LIPING ET AL.: "Research on evaluation method of product processiong state based on multidimensional entropy space", PROCEEDINGS OF THE 30TH CHINESE CONTROL AND DECISION CONFERENCE *
赵丽萍等: "基于节点敏感波动分析的质量状态稳定性评估", 计算机集成制造系统, vol. 25, no. 1, pages 35 - 43 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379279A (zh) * 2021-06-23 2021-09-10 黑龙江大学 基于不完整数据的深度强化学习短期电压稳定性评估方法

Also Published As

Publication number Publication date
CN112488411B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
WO2019125874A1 (en) Neural entropy enhanced machine learning
Guh et al. An effective application of decision tree learning for on-line detection of mean shifts in multivariate control charts
CN110008983A (zh) 一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测系统
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN115270986A (zh) 数据异常检测方法、装置和计算机设备
CN114066073A (zh) 电网负荷预测方法
CN111985825A (zh) 一种用于滚磨机定向仪的晶面质量评估方法
CN115730262A (zh) 一种数据驱动的云平台系统的异常诊断方法及装置
CN114399321A (zh) 一种业务系统稳定性分析方法、装置和设备
CN112488411A (zh) 一种基于近似周期工艺过程的加工稳定性评估方法
CN115358301A (zh) 配电网电压数据清洗平台及其清洗方法
CN111125186A (zh) 一种基于调查问卷的数据处理方法及系统
CN114661544A (zh) 基于注意力机制层的大数据平台日志异常检测方法
CN114004162A (zh) 一种多工况场景下的冶炼负荷谐波发射水平的建模方法
WO2020220438A1 (zh) 一种针对虚拟机不同类型的业务并发量预测方法
CN115856694A (zh) 电池寿命预测方法、装置、计算机设备和存储介质
CN115730152A (zh) 基于用户画像分析的大数据处理方法及大数据处理系统
CN110837853A (zh) 一种快速分类模型构建方法
Sisodia et al. Data imputation-based learning models for prediction of diabetes
CN112463964B (zh) 文本分类及模型训练方法、装置、设备及存储介质
CN115935285A (zh) 基于掩码图神经网络模型的多元时间序列异常检测方法和系统
CN110955811B (zh) 基于朴素贝叶斯算法的电力数据分类方法及系统
CN112651455B (zh) 一种基于非负矩阵分解与动态时间规整算法的交通流缺失值填充方法
CN108108758A (zh) 面向工业大数据的多层增量特征提取方法

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