CN113076977B - 一种多工序加工中的误差溯源方法、设备及存储介质 - Google Patents

一种多工序加工中的误差溯源方法、设备及存储介质 Download PDF

Info

Publication number
CN113076977B
CN113076977B CN202110302309.6A CN202110302309A CN113076977B CN 113076977 B CN113076977 B CN 113076977B CN 202110302309 A CN202110302309 A CN 202110302309A CN 113076977 B CN113076977 B CN 113076977B
Authority
CN
China
Prior art keywords
error
data
neural network
machining
generator
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
CN202110302309.6A
Other languages
English (en)
Other versions
CN113076977A (zh
Inventor
彭芳瑜
张驰
孙豪
赵晟强
张腾
闫蓉
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110302309.6A priority Critical patent/CN113076977B/zh
Publication of CN113076977A publication Critical patent/CN113076977A/zh
Application granted granted Critical
Publication of CN113076977B publication Critical patent/CN113076977B/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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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

Landscapes

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

Abstract

本发明属于多工序加工误差溯源领域，具体涉及一种多工序加工中的误差溯源方法及其应用，包括：根据零件实际的加工工艺规划，建立零件基于状态空间方程的多工序误差流传递模型。另外，根据实际工件特征误差的测量数据，建立对抗神经网络并完成对抗神经网络的训练。将对抗神经网络生成器的输出虚拟数据反向输入生成器，获得各个误差源的分布，由前述建立的误差流模型确定各个误差源的物理意义，从而实现多工序加工误差源的分析。本发明可适用的场景为复杂零件的多工序加工中，通过对抗神经网络简单且有效地实现误差源解耦，极大提高误差溯源的精度和效率。

Description

一种多工序加工中的误差溯源方法、设备及存储介质
技术领域
本发明属于多工序加工误差溯源领域，更具体地，涉及一种多工序加工中的误差溯源方法及其应用。
背景技术
复杂零件加工过程中存在着多个加工工序，加工过程中各个工序之间存在着误差的传递、耦合与累积现象，且加工过程中的误差源多，各误差源对零件特征最终加工误差均会产生一定的影响。为了控制零件的最终加工精度，一方面需要确定各个误差源对最终加工误差的影响，另一方面需要确定各个误差源的分布情况。在实际加工过程中，受限于加工效率要求及测量手段，许多误差源的分布情况无法确定，这也为加工精度的控制带来了较大的困难。因此需要一种有效可行的误差溯源方法来实现对多工序加工过程的控制。传统的方法一是基于机理建模的方法，该方法通过对工件的加工过程进行分析并结合如贝叶斯框架、多元线性回归方法等，构建误差源与实际测量特征误差之间的关系，以此来完成误差溯源工作。这种基于机理模型的方法对机理模型的要求较高，在多工序的情况下，模型维数高，整体的建立与求解过程均较为复杂。另一种方法为基于复杂网络的分析方法，相比于上述的基于机理模型的方法，该方法弱化了机理建模过程，仅需对多工序加工中的误差传递过程进行分析，确定复杂网络中的节点与连接情况，构建复杂网络，之后采集大量加工数据对网络进行训练与计算，由此完成误差溯源工作。但这种方法需要采集大量的加工数据，对加工数据的要求较高，而在实际生产中采集大量的加工数据会提高制造成本，延长加工周期。
发明内容
本发明提供一种多工序加工中的误差溯源方法及其应用，用以解决现有多工序加工误差溯源方法不能简易实现误差源解耦而导致误差溯源精度和效率受限的技术问题。
本发明解决上述技术问题的技术方案如下：一种多工序加工中的误差溯源方法，包括：
基于随机噪声点，采用已训练的对抗神经网络中的生成器，生成与实际测量特征误差数据具有相同误差分布的一组虚拟数据，所述随机噪声点的维度为待溯源误差源个数，该组虚拟数据的维度与所述实际测量特征误差数据的维度相同；
采用反向生成器，将多组所述虚拟数据映射为误差源分布，实现误差源解耦，其中所述反向生成器与所述生成器权重参数相同但输入输出反向；
基于所述误差源分布，采用已构建的多工序误差流传递模型作为多工序加工的先验机理知识，确定各误差源的物理意义，完成误差溯源。
本发明的有益效果是：本发明提出了一种基于对抗神经网络及多工序误差流传递模型的误差溯源方法。采用已构建并训练的对抗神经网络，实现工件加工特征误差数据集的扩充。将生成的虚拟数据反向输入生成器，解耦获得各个误差源的分布情况。进一步，采用已建立的基于状态空间的多工序误差流传递模型，以该模型作为多工序加工的先验机理知识，确定了各误差源的物理意义。通过对抗神经网络简单且有效地实现误差源解耦，极大提高误差溯源的精度和效率，且相比于现有方法，该方法具有采集数据量较少，仅需零件最终特征误差数据，且对机理建模要求较低的特点。
上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述对抗神经网络为深度卷积式对抗神经网络。
本发明的进一步有益效果：上述深度卷积式对抗网络较为成熟，训练过程稳定，生成数据的真实性与多样性较好。
进一步，所述对抗神经网络的训练数据为工件特征误差数据集，其为同一批次所有零件的多维特征误差所构成的数据集，其中，每个零件的多维特征误差的维度为2或3。
本发明的进一步有益效果：选用二维或三维数据的目的一是简化测量过程，节约测量成本，二是二维或三维数据在网络的训练过程中更容易进行可视化的处理，易于判断网络的收敛情况。
进一步，所述确定各误差源的物理意义的实现方式为：
通过穷举假设的方式，假设各误差源物理意义，代入所述多工序误差流传递模型中，计算得到虚拟数据的误差分布；
引入量化指标来衡量虚拟数据的误差分布与实际测量特征误差数据的分布之间的相似程度，将相似程度最大所对应的所述假设各误差源物理意义作为实际的各误差源物理意义。
进一步，所述量化指标为MSE或KL散度。
本发明还提供一种多工序加工中的误差溯源设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现如上所述的一种多工序加工中的误差溯源方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种多工序加工中的误差溯源方法。
附图说明
图1为本发明实施例提供的一种多工序加工中的误差溯源方法流程框图；
图2为本发明实施例提供的对抗神经网络结构示意图；
图3为本发明实施例提供的误差流传递示意图；
图4为本发明实施例提供的3-2-1定位示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种多工序加工中的误差溯源方法，如图1所示，包括：
基于随机噪声点，采用已训练的对抗神经网络中的生成器，生成与实际测量特征误差数据具有相同误差分布的一组虚拟数据，随机噪声点的维度为待溯源误差源个数，该组虚拟数据的维度与所述实际测量特征误差数据的维度相同；
采用反向生成器，将多组虚拟数据映射为误差源分布，实现误差源解耦，其中反向生成器与生成器权重参数相同但输入输出反向；
基于误差源分布，采用已构建的多工序误差流传递模型作为多工序加工的先验机理知识，确定各误差源的物理意义，完成误差溯源。
在复杂零件的加工中，通常存在着多个工序且多个工序之间存在着误差的耦合与传递过程，为了保证加工零件的精度，需要对各个误差源进行分析以确定关键工序，并根据零件特征公差的要求，对各个误差源进行控制。实际加工过程中，仅能测得最终特征的误差数据及部分加工数据，且较难通过实际测量特征误差数据解耦求得实际各个误差源的数据分布情况，通常只能由加工经验以及试切实验来确定需控制的加工工序。鉴于复杂零件多工序加工误差源分析过程中所存在的问题，本实施例提出上述方案。
考虑到在加工中常会产生大量的加工数据，这些数据能反应当前的加工状态以及各误差源的情况，而在大批量数据的处理方面神经网络相关方法有较大的优势，可利用对抗神经网络能完成误差数据的解耦，得到误差源的分布，但因其无法确定输出的误差源分布的物理意义，需要融入多工序误差流建模的机理知识。本实施例提出了一种在复杂零件多工序加工中利用工件实际测量特征误差数据以及工艺规程进行误差溯源的方法。采用已构建并训练的对抗神经网络，以实际测量特征误差数据为训练目标数据，实现测量特征误差数据集的扩充。将生成的虚拟数据输入反向生成器，解耦获得各个误差源的分布情况。进一步，采用已建立的基于状态空间的多工序误差流传递模型，以该模型作为多工序加工的先验机理知识，确定了各误差源的物理意义。
其中，关于对抗神经网络，首先构建对抗神经网络，并以零件加工的实际测量特征误差为目标数据，完成了网络的训练过程。通过网络中的生成器拓展了原有的工件特征误差数据集，并将生成的虚拟数据反向输入生成器，获得了各误差源的分布情况。
(1)网络的构建过程如下：
首先，由于深度卷积式对抗神经网络具有训练过程稳定，生成数据真实性较好等优点，因此本实施例优选采用深度卷积式对抗神经网络，构建的对抗神经网络结构如图2所示。
网络主体由生成器G、鉴别器D以及反向生成器G′组成，其中生成器G 的输入为特定维度的随机噪声点，而生成器G的目标输出即为与实际测量特征误差数据分布相似的虚拟数据。鉴别器D同时接受生成器G生成的虚拟数据和实际测量特征误差数据。网络的训练过程为生成器G与鉴别器D 的对抗过程。记随机噪声输入为z，实际测量特征误差数据为y1,y2，生成器 G的目标为生成与实际测量特征误差数据足够相似的数据G(z)以骗过鉴别器D，鉴别器希望能分辨生成虚拟数据G(z)与实际测量特征误差数据y1，y2。两者在这种对抗中达到纳什平衡状态，此时生成器的输出虚拟数据数据与实际测量特征误差数据基本相似，鉴别器较难分辨出实际测量特征误差数据与生成虚拟数据，训练过程中的目标可用值函数V(G，D)表示为如下最大、最小化问题。
Figure BDA0002986809460000061
此处构建的为深度卷积式的对抗神经网络，其中生成器由转置卷积层组成，而鉴别器由卷积层组成。在网络的训练过程中，多维噪声点输入的具体维数由实际加工流程分析确定，输入的维数即为加工流程中的主要误差源的个数，并以此来调整整体生成器与鉴别器的大小及结构。至此完成了对抗神经网络的构建。
(2)网络的训练过程以及应用方法
实际加工中的各误差源对加工特征的影响高度耦合，误差源的解耦分析是一项非常困难的工作，本实施例利用对抗神经网络完成误差源的解耦。
训练过程中，生成器G接受随机噪声点输入并生成虚拟数据，鉴别器 D同时接受虚拟数据以及实际测量特征误差数据并判断接受数据的类型。在训练的过程中，首先固定生成器G的参数，将随机噪声点输入生成器G，获得生成的虚拟数据，之后将虚拟数据与实际测量特征误差数据组合构成一个批次的数据并按数据类型打上标签输入鉴别器D。此时更新鉴别器D 的参数。完成鉴别器D的更新后固定D的参数，生成器G同样接受随机噪声点数据输入，产生虚拟数据并与实际测量特征误差数据组合构成数据集，但此时标签全为真实数据，将这样的数据输入鉴别器D并根据鉴别器的输出迭代更新生成器G。
按照上述的流程生成器G与鉴别器D交替迭代更新，随着两者不断的对抗，生成器生成的虚拟数据逐渐接近实际测量特征误差数据。在迭代的末期，鉴别器已不能分辨虚拟数据与实际测量特征误差数据，其输出值均值约为0.5。至此完成了对抗神经网络的迭代训练过程。
由训练好的生成器G可以扩充原有的工件特征误差数据集，在噪声空间中取任意点输入生成器G，可获得与实际数据有相似分布情况的虚拟数据。
当完成了网络的训练之后，由生成器G能生成基本与实际测量特征误差数据相同的虚拟数据，此时隐藏层中的各个参数均会影响虚拟数据的分布。可认为生成器G中的各隐层参数是虚拟数据的特征，而生成器中每一层的运算即为数据的耦合过程。其中，在反向生成器的构建中，基础构建框架与生成器相同，但将生成器中的转置卷积层更换为卷积层并更换输入输出方向。同时，保持生成器的各隐层参数不变，将其作为反向生成器的各隐层参数。将生成的虚拟数据输入反向生成器即可完成数据的解耦，获得各个误差源x1～xn的分布，如图2所示得到各误差源的分布图，其中图像横轴为误差源数据的大小，纵轴为数据分布的概率p。
需要说明的是，训练所用的训练数据采用以下方法构建：
构建工件特征误差测量数据的数据集，由实际加工中的工件特征误差测量数据，选取相同工序下零件的两个相关特征的误差测量数据y1，y2作为原始数据，将相同工件的特征误差测量数据划分为同一组，测量同一批次的所有零件，构建零件特征误差数据集。此处测量二维数据的目的一是简化测量过程，节约测量成本，二是二维数据在网络的训练过程中更容易进行可视化的处理，易于判断网络的收敛情况。
另外，关于多工序误差流传递模型，本实施例构建了基于状态空间的多工序误差流传递模型。根据上述对抗神经网络可以获得各误差源的分布情况，但输出的数据没有实际的物理意义，需要根据工艺流程确定各数据分布的物理意义。本实例应用基于状态空间的误差流传递模型进行工艺流程分析。
(1)多工序误差流模型的建立流程
在一步新的工序下，首先固定工件确定工件定位的基准误差，该误差由上一步加工中的特征误差产生，属于误差的传递部分。之后确定当前工序的夹具误差以及加工误差，这些误差由当前工序产生。最后将计算所有误差在最终特征上产生的误差，得到当前工序加工之后的总误差。误差流传递示意图如图3所示，图3展示的即为在多工序加工过程中的误差流情况，当加工中以上一步的加工特征作为基准时，在当前工序下即会引入基准误差。而当前工序同时存在夹具误差以及加工误差，这些误差会导致加工特征偏移理想特征位置，将这种误差表示为实际特征坐标系与理想特征坐标系之间的偏移。在多工序加工过程中的误差传递计算公式如下：
X(k+1)＝A(k)X(k)+B(k)u(k)+w(k)
Y(k)＝C(k)X(k)+V(k)
式中k表示第k步加工工序，X(k)表示k-1步工序完成后在各特征上产生的误差，但这些特征被用作后续工序加工的基准时便会引入基准误差。 A(k)表示基准误差的转移矩阵。A(k)X(k)表示前一步加工误差在当前加工中引入的特征点偏移。u(k)为当前工序下各误差源的输入误差，B(k)为当前工序误差的转移矩阵。w(k)为建模中未考虑的噪声误差。当引入测量误差后可得，Y(k)表示实际的误差测量值，C(k)表示实际误差与误差测量值之间的转换关系，v(k)表示测量中引入的噪声量。假设模型共有M个需要控制的关键特征，则X(k)为一6M行的列向量，其中包含了模型所有需控制的关键特征的误差信息。最初时可认为模型无误差输入即X(0)为零。
在上述模型将输入的误差简化为夹具误差、基准误差以及加工误差。实际加工中的误差源更加复杂，此时需要对加工误差进行细化。本专利仅介绍基于3-2-1定位方式下的夹具误差以及基准误差的计算方式。
基准误差计算流程如下：3-2-1定位方式下的夹具块布置如图4所示。图4中有4个坐标系，分别为实际夹具坐标系OFXFYFZF，零件基准坐标系 ORXRYRZR，第二定位平面坐标系O2X2Y2Z2，第三定位平面坐标系O3X3Y3Z3。在加工定位过程中，首先保证零件定位基准面与夹具主定位平面贴合，之后移动工件保证其分别于第二定位平面以及第三定位平面接触。在完成定位夹紧时夹具块与零件接触贴合。此时夹具误差的计算公式如下：
Figure BDA0002986809460000091
式中
Figure BDA0002986809460000092
为夹具误差，
Figure BDA0002986809460000093
为第二定位平面上产生的误差，
Figure BDA0002986809460000094
为第三定位平面上产生的误差。T1，T2为误差传递矩阵，可由零件的定位装夹方案确定。具体的通过零件的定位方案，首先可以列出定位块P1，P2，P3在夹具坐标系下的坐标与在基准坐标系下的坐标之间关系。根据定位块与工件接触可得其在各自定位平面坐标系下的Z坐标为0，可以列出相应的方程求解出T1， T2。由此，当确定了零件各个定位平面的误差后能求解出当前工序的基准误差。
夹具误差的求解思路如下：
此处夹具误差主要考虑因定位块的磨损或者位置偏移引起的夹具误差，按照上述坐标系的规定方式，给出零件的理想夹具坐标系与实际夹具坐标之间的相对位姿关系。即考虑定位块磨损与偏移时夹具坐标系的偏移即为夹具误差。至此完成了多工序误差流的建模工作。
(2)由多工序误差流传递模型确定神经网络输出的物理意义：
在完成了上述神经网络的构建与训练后，能通过生成的虚拟数据获得多个虚拟数据的分布情况。但生成的各个数据分布没有实际的物理意义，需要应用前述的多工序误差流传递模型来确定其物理意义。
对于多工序加工中部分易于测量或已知的误差源，可将已知的分布情况与对抗神经网络生成的分布情况进行比较，以确定生成数据的物理意义。对于难以测量的未知误差源，为了确定各误差源与上述生成数据的对应关系，需要将解耦求得的误差源分布带入多工序误差流传递模型。具体的，首先假定各误差源数据的物理意义，并带入多工序误差流传递模型中，求得特征的误差分布情况，采用穷举的方法，依次带入模型进行计算，记录各次计算结果。引入量化指标如MSE或KL散度，衡量模型计算所得特征误差数据与实际测量特征误差数据的相近程度，当两者最为相近时，可认为此时解耦求得的误差源数据对应的物理意义为其实际的物理意义，至此求得多工序加工过程中各误差源的分布情况，完成了误差溯源工作。需要注意的是，在多工序误差流建模过程中，引入了噪声项，而在实际的应用计算过程中，若认为噪声项对加工误差的影响较小，可不考虑该项，并相应的调整对抗神经网络的输入噪声点维数。
实施例二
一种多工序加工中的误差溯源设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现如实施例一所述的一种多工序加工中的误差溯源方法。相关技术方案同实施例一，在此不再赘述。
实施例三
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上实施例一所述的一种多工序加工中的误差溯源方法。相关技术方案同实施例一，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种多工序加工中的误差溯源方法，其特征在于，包括：
基于随机噪声点，采用已训练的对抗神经网络中的生成器，生成与实际测量特征误差数据具有相同误差分布的一组虚拟数据，其中，所述随机噪声点的维度为待溯源误差源个数，且该组虚拟数据的维度与所述实际测量特征误差数据的维度相同；
采用反向生成器，将多组所述虚拟数据映射为误差源分布，实现误差源解耦，其中所述反向生成器与所述生成器权重参数相同但输入输出反向；
基于所述误差源分布，采用已构建的多工序误差流传递模型作为多工序加工的先验机理知识，确定各误差源的物理意义，完成误差溯源。
2.根据权利要求1所述的一种多工序加工中的误差溯源方法，其特征在于，所述对抗神经网络为深度卷积式对抗神经网络。
3.根据权利要求1所述的一种多工序加工中的误差溯源方法，其特征在于，所述对抗神经网络的训练数据为工件特征误差数据集，其为同一批次所有零件的多维特征误差所构成的数据集，其中，每个零件的多维特征误差的维度为2或3。
4.根据权利要求1所述的一种多工序加工中的误差溯源方法，其特征在于，所述确定各误差源的物理意义的实现方式为：
通过穷举假设的方式，假设各误差源物理意义，代入所述多工序误差流传递模型中，计算得到虚拟数据的误差分布；
引入量化指标来衡量虚拟数据的误差分布与实际测量特征误差数据的分布之间的相似程度，将相似程度最大所对应的所述假设各误差源物理意义作为实际的各误差源物理意义。
5.根据权利要求4所述的一种多工序加工中的误差溯源方法，其特征在于，所述量化指标为MSE或KL散度。
6.一种多工序加工中的误差溯源设备，其特征在于，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现如权利要求1至5任一项所述的一种多工序加工中的误差溯源方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至5任一项所述的一种多工序加工中的误差溯源方法。
CN202110302309.6A 2021-03-22 2021-03-22 一种多工序加工中的误差溯源方法、设备及存储介质 Active CN113076977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110302309.6A CN113076977B (zh) 2021-03-22 2021-03-22 一种多工序加工中的误差溯源方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110302309.6A CN113076977B (zh) 2021-03-22 2021-03-22 一种多工序加工中的误差溯源方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113076977A CN113076977A (zh) 2021-07-06
CN113076977B true CN113076977B (zh) 2022-04-19

Family

ID=76613428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110302309.6A Active CN113076977B (zh) 2021-03-22 2021-03-22 一种多工序加工中的误差溯源方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113076977B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469593A (zh) * 2024-05-29 2024-08-09 武汉自然萃创新科技有限公司 基于区块链技术的纯梨膏生产溯源方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251754A (zh) * 2008-03-13 2008-08-27 西安交通大学 一种多工序加工过程误差流的处理及控制方法
CN102830618A (zh) * 2012-08-16 2012-12-19 西北工业大学 多工序加工过程质量波动预测方法
CN103440416A (zh) * 2013-08-27 2013-12-11 西北工业大学 基于扩展误差流的叶片加工过程误差预测方法
CN104298171A (zh) * 2014-09-24 2015-01-21 北京理工大学 一种介观尺度零件加工误差预测以及控制方法
CN107340758A (zh) * 2017-07-04 2017-11-10 北京理工大学 一种面向多工序制造过程的工艺可靠性评估及控制方法
CN109886403A (zh) * 2019-01-28 2019-06-14 中国石油大学(华东) 一种基于神经网络模型的工业数据生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019162364A1 (en) * 2018-02-23 2019-08-29 Robert Bosch Gmbh Adversarial probabilistic regularization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251754A (zh) * 2008-03-13 2008-08-27 西安交通大学 一种多工序加工过程误差流的处理及控制方法
CN102830618A (zh) * 2012-08-16 2012-12-19 西北工业大学 多工序加工过程质量波动预测方法
CN103440416A (zh) * 2013-08-27 2013-12-11 西北工业大学 基于扩展误差流的叶片加工过程误差预测方法
CN104298171A (zh) * 2014-09-24 2015-01-21 北京理工大学 一种介观尺度零件加工误差预测以及控制方法
CN107340758A (zh) * 2017-07-04 2017-11-10 北京理工大学 一种面向多工序制造过程的工艺可靠性评估及控制方法
CN109886403A (zh) * 2019-01-28 2019-06-14 中国石油大学(华东) 一种基于神经网络模型的工业数据生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-Level Error-Resilient Neural Networks with Learning;Amir Hesam Salavati等;《IEEE》;20120621;第1-8页 *
混合机械加工过程的偏差网络建模与误差溯源;祝鹏等;《计算机集成制造系统》;20200331(第3期);第664-675页 *

Also Published As

Publication number Publication date
CN113076977A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN104036102B (zh) 一种产品装配偏差的计算方法及装置
CN109948207A (zh) 一种航空发动机高压转子装配误差预测方法
CN112651944B (zh) 基于cad模型的3c部件高精度六维位姿估计方法及系统
CN105654483A (zh) 三维点云全自动配准方法
CN104484508A (zh) 复杂曲面零件非接触式三维匹配检测优化方法
CN112926152B (zh) 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法
CN116401794B (zh) 基于注意力引导的深度点云配准的叶片三维精确重建方法
CN118447205B (zh) 基于深度学习的航发叶片多视场点云型线数据拼合方法
CN113076977B (zh) 一种多工序加工中的误差溯源方法、设备及存储介质
CN111488498A (zh) 基于图神经网络的“节点-图”跨层图匹配方法及系统
CN113910001A (zh) 一种数控机床空间误差辨识方法
García-Alfonso et al. Comparison of uncertainty analysis of the Montecarlo and Latin Hypercube algorithms in a camera calibration model
CN112648997A (zh) 一种基于多任务网络模型定位的方法及系统
Ge et al. Semi-supervised impedance inversion by Bayesian neural network based on 2-D CNN pre-training
Zuo et al. Modeling method for assembly variation propagation taking account of form error
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
CN114169721A (zh) 一种基于自适应模糊推理的全流程零件加工质量预测方法
Li et al. An allowance optimal distribution method based on improved iterative closest point algorithm
Chen et al. An efficient point-set registration algorithm with dual terms based on total least squares
Ahn et al. Least squares orthogonal distance fitting of implicit curves and surfaces
CN107944182A (zh) 转角轨迹失败的判断方法、电子设备和计算机存储介质
CN116010760B (zh) 一种双层优化驱动的动态系统方程发现方法
Jin et al. Online Hand-Eye Calibration with Decoupling by 3D Textureless Object Tracking
CN109949357B (zh) 一种立体影像对相对姿态恢复方法
Al Khawli et al. Calibration methods for high precision robot assisted industrial automation

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