CN112884081A - 一种多品种小批量生产的工件质量在线智能预测方法 - Google Patents

一种多品种小批量生产的工件质量在线智能预测方法 Download PDF

Info

Publication number
CN112884081A
CN112884081A CN202110344159.5A CN202110344159A CN112884081A CN 112884081 A CN112884081 A CN 112884081A CN 202110344159 A CN202110344159 A CN 202110344159A CN 112884081 A CN112884081 A CN 112884081A
Authority
CN
China
Prior art keywords
lstm
data
output
quality
input
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
CN202110344159.5A
Other languages
English (en)
Other versions
CN112884081B (zh
Inventor
林正英
念志伟
朱圣杰
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110344159.5A priority Critical patent/CN112884081B/zh
Publication of CN112884081A publication Critical patent/CN112884081A/zh
Application granted granted Critical
Publication of CN112884081B publication Critical patent/CN112884081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种多品种小批量生产的工件质量在线智能预测方法，包括以下步骤：步骤S1:获取数控机床设备电参数数据和加工工件质量参数，并随机划分为训练集和验证集；步骤S2:采用K折交叉验证法将训练集划分为i个子训练集；步骤S3:将子训练集分别用于训练CNN‑LSTM算法参数，得到i个已训练的CNN‑LSTM算法模型;步骤S4:通过验证集分别计算CNN‑LSTM算法模型的准确率，将准确率最高的CNN‑LSTM算法模型作为最优模型；步骤S5:将待测数据输入最优模型，得到预测质量。本发明构建的训练数据集内含了数控加工过程的变化信息，利用电参数和加工工件的映射关系，不会被位置光线等因素所局限，能够准确预测工件质量。

Description

一种多品种小批量生产的工件质量在线智能预测方法
技术领域
本发明涉及生产制造技术领域，具体涉及一种多品种小批量生产的工件质量在线智能预测方法。
背景技术
目前有基于钛合金切削力预测的指数模型预测铣削过程预测，在动态切削力仿真的基础之上,进一步研究了切削系统的切削稳定性,对钛合金加工系统进行了平稳切削区域预测；基于支持向量机原理建立铣削力模型作为表面粗糙度预测的方法。但是以上方法有如下不足：
(1)现实的加工中经常会出现长刀杆加工深腔类零件和薄壁零件的情况，在这种情况下仅仅分析机床系统的振动特性将会对稳定性预测造成很大的误差，因此利用铣削力质量预测难以准确预测。
(2)建立铣削力预测模型对于工件质量的预测未考虑切削热的影响。因此有局限性。
发明内容
有鉴于此，本发明的目的在于提供一种多品种小批量生产的工件质量在线智能预测方法，有效提高预测质量。
为实现上述目的，本发明采用如下技术方案：
一种多品种小批量生产的工件质量在线智能预测方法，包括以下步骤：
步骤S1:获取数控机床设备电参数数据和加工工件质量参数，并随机划分为训练集和验证集；
步骤S2:采用K折交叉验证法将训练集划分为i个子训练集；
步骤S3:将子训练集分别用于训练CNN-LSTM算法参数，得到i个已训练的CNN-LSTM算法模型；
步骤S4:通过验证集分别计算CNN-LSTM算法模型的准确率，将准确率最高的CNN-LSTM算法模型作为最优模型；
步骤S5:将待测数据输入最优模型，得到预测质量。
进一步的，所述步骤S1具体为：
步骤S1.1：初始化训练集Ct和验证集Cv分别为空。
步骤S1.2：对获取数控机床设备电参数数据和加工工件质量参量数据进行N次有放回抽样，N为数据条数；将抽到的数据添加入训练集Ct；
步骤S1.3：将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv。
进一步的，所述步骤S3具体为：
步骤S3.1:选取一个子训练集,作为CNN-LSTM算法模型的训练集合；
步骤S3.2:初始化CNN-LSTM算法模型参数；
步骤S3.3：计算CNN-LSTM算法模型的梯度值；
步骤S3.4：定义学习率为η，并进一步获取CNN-LSTM算法模型的权值更新量；
步骤S3.5:循环重复迭代n次，得到模型M1；
步骤S3.6:将剩余子训练集数据依次按(3.2)到(3.6)步骤执行，执行所得模型与M1一同构成待测试模型集合MM＝[M1 M2 … M3]。
进一步的，所述步骤S3.2具体为：
设子训练集Ct1中的数据为x＝[x1 x2 x3 ... xm]T，m为数据条数。y＝[y2 y3 ...ym+1]T为数据x对应的标签。
定义交叉熵损失函数
Figure BDA0003000284310000031
Figure BDA0003000284310000032
其中，
Figure BDA0003000284310000033
为预测标签向量，
Figure BDA0003000284310000034
为第i个预测值；
设置补0填充数P1；
设置卷积核的大小K1和数量F1和步长S1；
设置卷积层的激活函数ReLU(x)
Figure BDA0003000284310000035
设置卷积层输出尺寸O，输入电参数数据尺寸N
Figure BDA0003000284310000036
设置池化层的类型g1，池化核大小k1和步长s1；
池化计算公式z1
Figure BDA0003000284310000037
使用n*1的卷积核对池化层的输出进行卷积运算，得到1维的电参数数据向量T，作为LSTM部分的输入；
设置LSTM激活函数σ(x)，tanh(x)
Figure BDA0003000284310000041
Figure BDA0003000284310000042
定义LSTM遗忘门输出ft
Figure BDA0003000284310000043
定义LSTM输入门候选向量gt：
Figure BDA0003000284310000044
定义LSTM输入门更新状态it：
Figure BDA0003000284310000045
定义LSTM细胞更新状态Ct：
Ct＝ft*ct-1+gt*it
*代表两个矩阵对应位置相乘，下同
定义LSTM输出门细胞状态处理
Figure BDA00030002843100000412
Figure BDA0003000284310000046
定义LSTM细胞状态mt和输出ht
mt＝tanh(ct)
ht＝ot*mt
LSTM输出结果yt为
yt＝Wyhht+by
定义
Figure BDA0003000284310000047
为损失函数对输出的偏导，
Figure BDA0003000284310000048
为损失函数对细胞状态的偏导，
Figure BDA0003000284310000049
为损失函数对输出门激活函数处理前的偏导，
Figure BDA00030002843100000410
为损失函数对遗忘门遗忘程度激活函数处理前的偏导，
Figure BDA00030002843100000411
为损失函数对输入门更新状态激活函数处理前的偏导，
Figure BDA0003000284310000051
为损失函数对输入门候选向量激活函数处理前的偏导。
进一步的，所述步骤S3.3具体为:
计算当前时间节点的梯度为：
Figure BDA0003000284310000052
计算LSTM输出门输出ht1的梯度：
Figure BDA0003000284310000053
计算细胞状态梯度
Figure BDA0003000284310000054
计算向量
Figure BDA0003000284310000055
的梯度
Figure BDA0003000284310000056
计算输入门更新状态
Figure BDA0003000284310000057
的梯度
Figure BDA0003000284310000058
计算输入门遗忘门输出
Figure BDA0003000284310000059
Figure BDA00030002843100000510
计算输出门细胞状态
Figure BDA00030002843100000511
的梯度
Figure BDA0003000284310000061
计算的输入值的梯度
Figure BDA0003000284310000062
进一步的，所述步骤S3.4具体为:
定义学习率为η，则根据下式计算得到，输出单元和细胞状态的权值更新量为ΔWho，输出单元和遗忘的权值更新量ΔWhf，输出单元和更新状态的权值ΔWhi，输出单元和候选向量的权值ΔWhg
Figure BDA0003000284310000063
Figure BDA0003000284310000064
Figure BDA0003000284310000065
Figure BDA0003000284310000066
输出单元和输出结果的权值更新量为ΔWhy，细胞状态和遗忘门的权值更新量ΔWcf，细胞状态更新和输入状态更新的权值ΔWci，细胞状态更新和细胞状态的权值ΔWco
Figure BDA0003000284310000067
Figure BDA0003000284310000068
Figure BDA0003000284310000069
Figure BDA00030002843100000610
输入和细胞状态的权值更新量为ΔWxo，输入和遗忘门的权值更新量ΔWxf，输入和输入状态更新的权值ΔWxi，输入和候选向量的权值ΔWxg
Figure BDA0003000284310000071
Figure BDA0003000284310000072
Figure BDA0003000284310000073
Figure BDA0003000284310000074
进一步的，所述步骤S4具体为：设total为数据量，TR为预测正确的条数，准确率S的计算方式如下：
Figure BDA0003000284310000075
本发明与现有技术相比具有以下有益效果：
1、本发明将数控加工过程中的电参数(电压、电流、功率等)和工件质量参数(表面粗糙度、尺寸误差)纳入训练数据。这样构建的训练数据集内含了数控加工过程的变化信息，利用电参数和加工工件的映射关系，不会被位置光线等因素所局限，能够准确预测工件质量；
2、本发明基于CNN-LSTM算法模型，面对大量特征时，能有效提高准确率。
附图说明
图1-4是本发明一实施例中加工工件；
图5是本发明一实施例中的方法流程。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种多品种小批量生产的工件质量在线智能预测方法，包括以下步骤：
步骤S1:采集加工时的电参数数据(电压、电流、功率)和加工质量参数(表面粗糙度、尺寸误差)，并随机划分为训练集和验证集；
步骤S2:采用K折交叉验证法将训练集划分为i个子训练集；
步骤S3:将子训练集分别用于训练CNN-LSTM算法参数，得到i个已训练的CNN-LSTM算法模型；
步骤S4:通过验证集分别计算CNN-LSTM算法模型的准确率，将准确率最高的CNN-LSTM算法模型作为最优模型；
步骤S5:将待测数据输入最优模型，得到预测质量。
优选的，所述步骤S1具体为：
步骤S1.1：初始化训练集Ct和验证集Cv分别为空。
步骤S1.2：对获取数控机床设备电参数数据和加工工件质量参量数据进行N次有放回抽样，N为数据条数；将抽到的数据添加入训练集Ct；
步骤S1.3：将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv。
优选的，在本实施例中，所述步骤S3具体为：
步骤S3.1:选取一个子训练集,作为CNN-LSTM算法模型的训练集合；
步骤S3.2:初始化CNN-LSTM算法模型参数；
设子训练集Ct1中的数据为x＝[x1 x2 x3 ... xm]T，m为数据条数。y＝[y2 y3 ...ym+1]T为数据x对应的标签。
定义交叉熵损失函数
Figure BDA0003000284310000091
Figure BDA0003000284310000092
其中，
Figure BDA0003000284310000093
为预测标签向量，
Figure BDA0003000284310000094
为第i个预测值；
设置补0填充数P1；
设置卷积核的大小K1和数量F1和步长S1；
设置卷积层的激活函数ReLU(x)
Figure BDA0003000284310000095
设置卷积层输出尺寸O，输入电参数数据尺寸N
Figure BDA0003000284310000096
设置池化层的类型g1，池化核大小k1和步长s1；
池化计算公式z1
Figure BDA0003000284310000097
使用n*1的卷积核对池化层的输出进行卷积运算，得到1维的电参数数据向量T，作为LSTM部分的输入；
设置LSTM激活函数σ(x)，tanh(x)
Figure BDA0003000284310000098
Figure BDA0003000284310000099
定义LSTM遗忘门输出ft
Figure BDA0003000284310000101
定义LSTM输入门候选向量gt：
Figure BDA0003000284310000102
定义LSTM输入门更新状态it：
Figure BDA0003000284310000103
定义LSTM细胞更新状态Ct：
Ct＝ft*ct-1+gt*it
*代表两个矩阵对应位置相乘，下同
定义LSTM输出门细胞状态处理
Figure BDA00030002843100001011
Figure BDA0003000284310000104
定义LSTM细胞状态mt和输出ht
mt＝tanh(ct)
ht＝ot*mt
LSTM输出结果yt为
yt＝Wyhht+by
定义
Figure BDA0003000284310000105
为损失函数对输出的偏导，
Figure BDA0003000284310000106
为损失函数对细胞状态的偏导，
Figure BDA0003000284310000107
为损失函数对输出门激活函数处理前的偏导，
Figure BDA0003000284310000108
为损失函数对遗忘门遗忘程度激活函数处理前的偏导，
Figure BDA0003000284310000109
为损失函数对输入门更新状态激活函数处理前的偏导，
Figure BDA00030002843100001010
为损失函数对输入门候选向量激活函数处理前的偏导；
步骤S3.3：计算CNN-LSTM算法模型的梯度值；
计算当前时间节点的梯度为：
Figure BDA0003000284310000111
计算LSTM输出门输出
Figure BDA00030002843100001113
的梯度：
Figure BDA0003000284310000112
计算细胞状态梯度
Figure BDA0003000284310000113
计算向量
Figure BDA0003000284310000114
的梯度
Figure BDA0003000284310000115
计算输入门更新状态
Figure BDA0003000284310000116
的梯度
Figure BDA0003000284310000117
计算输入门遗忘门输出
Figure BDA0003000284310000118
Figure BDA0003000284310000119
计算输出门细胞状态
Figure BDA00030002843100001110
的梯度
Figure BDA00030002843100001111
计算的输入值的梯度
Figure BDA00030002843100001112
步骤S3.4：定义学习率为η，则根据下式计算得到，输出单元和细胞状态的权值更新量为ΔWho，输出单元和遗忘的权值更新量ΔWhf，输出单元和更新状态的权值ΔWhi，输出单元和候选向量的权值ΔWhg
Figure BDA0003000284310000121
Figure BDA0003000284310000122
Figure BDA0003000284310000123
Figure BDA0003000284310000124
输出单元和输出结果的权值更新量为ΔWhy，细胞状态和遗忘门的权值更新量ΔWcf，细胞状态更新和输入状态更新的权值ΔWci，细胞状态更新和细胞状态的权值ΔWco
Figure BDA0003000284310000125
Figure BDA0003000284310000126
Figure BDA0003000284310000127
Figure BDA0003000284310000128
输入和细胞状态的权值更新量为ΔWxo，输入和遗忘门的权值更新量ΔWxf，输入和输入状态更新的权值ΔWxi，输入和候选向量的权值ΔWxg
Figure BDA0003000284310000129
Figure BDA00030002843100001210
Figure BDA00030002843100001211
Figure BDA00030002843100001212
步骤S3.5:循环重复迭代n次，得到模型M1；
步骤S3.6:将剩余子训练集数据依次按(3.2)到(3.6)步骤执行，执行所得模型与M1一同构成待测试模型集合MM＝[M1 M2 … M3]。。
优选的，所述步骤S4具体为：设total为数据量，TR为预测正确的条数，准确率S的计算方式如下：
Figure BDA0003000284310000131
实施例1：
本实施例中，对图1-4所示的零部件进行加工，根据工艺路线对工件进行加工.根据加工工件类型分为4组，分别对每组中进行了25次加工，测量加工过程的设备的电参数和工件质量参数。为了给后续的数据挖掘模型提供更大的数据量，本文将上诉试验过程重复3次，一共得到300条数据(25×4×3)。
(1)CNN-LSTM算法的参数设置
CNN-LSTM算法需要对参数进行设置，抽样次数N需要与样本个数一样所以取N＝1200，交叉验证折数K越多所得候选模型越多，但算法越耗时，因此K＝5可以均衡模型个数和算法开销，卷积层越多模型的精度也越高，但太多卷积层会造成过拟合，，综合考虑选择卷积层数量为2比较符合本案例，卷积核大小K设为5*5，和数量F设为32，池化层类型选择平均池化，池化核大小5*1，步长为2(。迭代次数太小训练会不充分，迭代次数超过限度后，继续迭代模型精度几乎不会提升，优选的，迭代次数n＝200。
(2)CNN-LSTM模型拟合结果
表1列出候选CNN-LSTM模型在验证集中的准确率。由于采用5折交叉验证，因此有5个候选模型。编号1到5。
表1本发明方法验证集准确率表
Figure BDA0003000284310000141
由表2可知模型1的的准确率最高。因此选用模型1为最终的CNN-LSTM模型。为了说明本发明方法的优越性，本发明用同一数据按照同样的交叉验证法训练LSTM神经网络，所得结果如表5。5折交叉验证产生5个模型。编号1到5。
表2 LSTM神经网络验证集准确率表
Figure BDA0003000284310000142
综合表1、表2可得本发明方法最大准确率为96.5％，平均准确率为92.2％，而LSTM神经网络的最大准确率为92.7％，平均准确率为87.2％，因此在多品种小批量生产工件质量预测方面，本发明方法更优。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，包括以下步骤：
步骤S1:获取数控机床设备电参数数据和加工工件质量参数，并随机划分为训练集和验证集；
步骤S2:采用K折交叉验证法将训练集划分为i个子训练集；
步骤S3:将子训练集分别用于训练CNN-LSTM算法参数，得到i个已训练的CNN-LSTM算法模型；
步骤S4:通过验证集分别计算CNN-LSTM算法模型的准确率，将准确率最高的CNN-LSTM算法模型作为最优模型；
步骤S5:将待测数据输入最优模型，得到预测质量。
2.根据权利要求1所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S1具体为：
步骤S1.1：初始化训练集Ct和验证集Cv分别为空。
步骤S1.2：对获取数控机床设备电参数数据和加工工件质量参量数据进行N次有放回抽样，N为数据条数；将抽到的数据添加入训练集Ct；
步骤S1.3：将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv。
3.根据权利要求1所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S3具体为：
步骤S3.1:选取一个子训练集,作为CNN-LSTM算法模型的训练集合；
步骤S3.2:初始化CNN-LSTM算法模型参数；
步骤S3.3：计算CNN-LSTM算法模型的梯度值；
步骤S3.4：定义学习率为η，并进一步获取CNN-LSTM算法模型的权值更新量；
步骤S3.5:循环重复迭代n次，得到模型M1；
步骤S3.6:将剩余子训练集数据依次按(3.2)到(3.6)步骤执行，执行所得模型与M1一同构成待测试模型集合MM＝[M1 M2 … M3]。
4.根据权利要求3所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S3.2具体为：
设子训练集Ct1中的数据为x＝[x1 x2 x3 ... xm]T，m为数据条数。y＝[y2 y3 ... ym+1]T为数据x对应的标签。
定义交叉熵损失函数
Figure FDA0003000284300000021
Figure FDA0003000284300000022
其中，
Figure FDA0003000284300000023
为预测标签向量，
Figure FDA0003000284300000024
为第i个预测值；
设置补0填充数P1；
设置卷积核的大小K1和数量F1和步长S1；
设置卷积层的激活函数ReLU(x)
Figure FDA0003000284300000025
设置卷积层输出尺寸O，输入电参数数据尺寸N
Figure FDA0003000284300000031
设置池化层的类型g1，池化核大小k1和步长s1；
池化计算公式z1
Figure FDA0003000284300000032
使用n*1的卷积核对池化层的输出进行卷积运算，得到1维的电参数数据向量T，作为LSTM部分的输入；
设置LSTM激活函数σ(x)，tanh(x)
Figure FDA0003000284300000033
Figure FDA0003000284300000034
定义LSTM遗忘门输出ft
Figure FDA0003000284300000035
定义LSTM输入门候选向量gt：
Figure FDA0003000284300000036
定义LSTM输入门更新状态it：
Figure FDA0003000284300000037
定义LSTM细胞更新状态Ct：
Ct＝ft*ct-1+gt*it
*代表两个矩阵对应位置相乘，下同
定义LSTM输出门细胞状态处理
Figure FDA0003000284300000039
Figure FDA0003000284300000038
定义LSTM细胞状态mt和输出ht
mt＝tanh(ct)
ht＝ot*mt
LSTM输出结果yt为
yt＝Wyhht+by
定义
Figure FDA0003000284300000041
为损失函数对输出的偏导，
Figure FDA0003000284300000042
为损失函数对细胞状态的偏导，
Figure FDA0003000284300000043
为损失函数对输出门激活函数处理前的偏导，
Figure FDA0003000284300000044
为损失函数对遗忘门遗忘程度激活函数处理前的偏导，
Figure FDA0003000284300000045
为损失函数对输入门更新状态激活函数处理前的偏导，
Figure FDA0003000284300000046
为损失函数对输入门候选向量激活函数处理前的偏导。
5.根据权利要求3所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S3.3具体为:
计算当前时间节点的梯度为：
Figure FDA0003000284300000047
计算LSTM输出门输出
Figure FDA00030002843000000412
的梯度：
Figure FDA0003000284300000048
计算细胞状态梯度
Figure FDA0003000284300000049
计算向量
Figure FDA00030002843000000410
的梯度
Figure FDA00030002843000000411
计算输入门更新状态
Figure FDA0003000284300000051
的梯度
Figure FDA0003000284300000052
计算输入门遗忘门输出
Figure FDA0003000284300000053
Figure FDA0003000284300000054
计算输出门细胞状态
Figure FDA0003000284300000055
的梯度
Figure FDA0003000284300000056
计算的输入值的梯度
Figure FDA0003000284300000057
6.根据权利要求3所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S3.4具体为:
定义学习率为η，则根据下式计算得到，输出单元和细胞状态的权值更新量为ΔWho，输出单元和遗忘的权值更新量ΔWhf，输出单元和更新状态的权值ΔWhi，输出单元和候选向量的权值ΔWhg
Figure FDA0003000284300000058
Figure FDA0003000284300000059
Figure FDA00030002843000000510
Figure FDA00030002843000000511
输出单元和输出结果的权值更新量为ΔWhy，细胞状态和遗忘门的权值更新量ΔWcf，细胞状态更新和输入状态更新的权值ΔWci，细胞状态更新和细胞状态的权值ΔWco
Figure FDA0003000284300000061
Figure FDA0003000284300000062
Figure FDA0003000284300000063
Figure FDA0003000284300000064
输入和细胞状态的权值更新量为ΔWxo，输入和遗忘门的权值更新量ΔWxf，输入和输入状态更新的权值ΔWxi，输入和候选向量的权值ΔWxg
Figure FDA0003000284300000065
Figure FDA0003000284300000066
Figure FDA0003000284300000067
Figure FDA0003000284300000068
7.根据权利要求1所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S4具体为：设total为数据量，TR为预测正确的条数，准确率S的计算方式如下：
Figure FDA0003000284300000069
CN202110344159.5A 2021-03-31 2021-03-31 一种多品种小批量生产的工件质量在线智能预测方法 Active CN112884081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110344159.5A CN112884081B (zh) 2021-03-31 2021-03-31 一种多品种小批量生产的工件质量在线智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110344159.5A CN112884081B (zh) 2021-03-31 2021-03-31 一种多品种小批量生产的工件质量在线智能预测方法

Publications (2)

Publication Number Publication Date
CN112884081A true CN112884081A (zh) 2021-06-01
CN112884081B CN112884081B (zh) 2023-07-14

Family

ID=76040399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110344159.5A Active CN112884081B (zh) 2021-03-31 2021-03-31 一种多品种小批量生产的工件质量在线智能预测方法

Country Status (1)

Country Link
CN (1) CN112884081B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117079756A (zh) * 2023-10-16 2023-11-17 苏州博洋化学股份有限公司 一种银蚀刻液及其制备方法
CN117520825A (zh) * 2024-01-04 2024-02-06 东北大学 基于多尺度特征融合的工业母机加工工件质量预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180150038A1 (en) * 2016-11-29 2018-05-31 Industrial Technology Research Institute Prediction model building method, predicting method and associated computer software product
CN109389059A (zh) * 2018-09-26 2019-02-26 华南理工大学 一种基于cnn-lstm网络的p300检测方法
CN111105082A (zh) * 2019-12-05 2020-05-05 山东浪潮人工智能研究院有限公司 基于机器学习的工件质量预测模型构建方法及预测方法
CN111814385A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 预测加工件质量的方法、装置和计算机设备
CN112069966A (zh) * 2020-08-31 2020-12-11 中国计量大学 基于改进型lstm网络的表面粗糙度预测方法
CN112257847A (zh) * 2020-10-16 2021-01-22 昆明理工大学 一种基于CNN和LSTM预测地磁Kp指数的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180150038A1 (en) * 2016-11-29 2018-05-31 Industrial Technology Research Institute Prediction model building method, predicting method and associated computer software product
CN109389059A (zh) * 2018-09-26 2019-02-26 华南理工大学 一种基于cnn-lstm网络的p300检测方法
CN111105082A (zh) * 2019-12-05 2020-05-05 山东浪潮人工智能研究院有限公司 基于机器学习的工件质量预测模型构建方法及预测方法
CN111814385A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 预测加工件质量的方法、装置和计算机设备
CN112069966A (zh) * 2020-08-31 2020-12-11 中国计量大学 基于改进型lstm网络的表面粗糙度预测方法
CN112257847A (zh) * 2020-10-16 2021-01-22 昆明理工大学 一种基于CNN和LSTM预测地磁Kp指数的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIJUN BEI ET AL.: "Qualified Rate Prediction of Typical Workpieces in", 《2020 INTERNATIONAL CONFERENCE ON BIG DATA, ARTIFICIAL INTELLIGENCE AND INTERNET OF THINGS ENGINEERING (ICBAIE)》 *
汪开正: "滚珠丝杠副健康状态评估及预测关键技术研究", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技Ⅰ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN117079756A (zh) * 2023-10-16 2023-11-17 苏州博洋化学股份有限公司 一种银蚀刻液及其制备方法
CN117079756B (zh) * 2023-10-16 2024-01-26 苏州博洋化学股份有限公司 一种银蚀刻液及其制备方法
CN117520825A (zh) * 2024-01-04 2024-02-06 东北大学 基于多尺度特征融合的工业母机加工工件质量预测方法
CN117520825B (zh) * 2024-01-04 2024-05-10 东北大学 基于多尺度特征融合的工业母机加工工件质量预测方法

Also Published As

Publication number Publication date
CN112884081B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN112884081A (zh) 一种多品种小批量生产的工件质量在线智能预测方法
Wang et al. A hybrid intelligent method for modelling the EDM process
Tansel et al. Selection of optimal cutting conditions by using GONNS
US20060161290A1 (en) Method and apparatus for generating machining information, and computer product
US20120265331A1 (en) Five-axis flank milling system for machining curved surface and the tool-path planning method thereof
CN108803487B (zh) 一种零件侧铣表面的点位轮廓误差预测方法
CN112733296A (zh) 基于grnn的混联机器人铣削加工误差预测及补偿方法
Shaik Optimal selection of operating parameters in end milling of Al-6061 work materials using multi-objective approach
Jain et al. An integrated approach for tool design in ECM
He et al. A uniform expression model for volumetric errors of machine tools
CN113408195B (zh) 一种过程中刀具磨损状态预测方法
CN106273441A (zh) 打印温度的控制方法及其装置
CN110704959B (zh) 基于迁移行为的moead优化夹具布局的方法及装置
CN113910001B (zh) 一种数控机床空间误差辨识方法
CN111948977B (zh) 一种用于不锈钢加工的多目标优化方法和系统
Krimpenis et al. Assessment of sculptured surface milling strategies using design of experiments
Xi et al. A prediction model of the cutting force–induced deformation while considering the removed material impact
Singh et al. A genetic algorithm based solution to optimum tolerance synthesis of mechanical assemblies with alternate manufacturing processes—benchmarking with the exhaustive search method using the Lagrange multiplier
CN110174871A (zh) 控制装置、机器学习装置以及系统
CN110532667B (zh) 一种用于提高精密机床空间几何误差模型建模精度的方法
CN112733451A (zh) 一种mbd模型的关键检验特性识别及其提取方法
Chen et al. Machining allowance optimal distribution of thin-walled structure based on deformation control
CN113849901B (zh) 针对接触换热系数辨识的改进自适应优化方法及系统
Schröder et al. An optimization approach for a milling dynamics simulation based on Quantum Computing
Jiang et al. Application of an optimized grey system model on 5-Axis CNC machine tool thermal error modeling

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