CN114169721B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114169721B
CN114169721B CN202111422627.2A CN202111422627A CN114169721B CN 114169721 B CN114169721 B CN 114169721B CN 202111422627 A CN202111422627 A CN 202111422627A CN 114169721 B CN114169721 B CN 114169721B
Authority
CN
China
Prior art keywords
final
full
adaptive fuzzy
processing quality
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.)
Active
Application number
CN202111422627.2A
Other languages
English (en)
Other versions
CN114169721A (zh
Inventor
彭芳瑜
张腾
李冰冰
孙豪
赵晟强
张驰
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 CN202111422627.2A priority Critical patent/CN114169721B/zh
Publication of CN114169721A publication Critical patent/CN114169721A/zh
Application granted granted Critical
Publication of CN114169721B publication Critical patent/CN114169721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了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，构建零件各工序特征尺寸与最终加工质量的数据集，用于训练基于自适应模糊推理的最终加工质量预测模型，从而实现对零件最终加工质量的事先感知和事先干预。对于工艺设计人员，可在获取任意工序加工结束所对应的特征尺寸数据后，经过模型预测，得到零件的最终质量，再从零件设计要求出发调整过程工序的公差等级；对于现场加工人员，在完成过程工序后，对所加工的特征尺寸进行测量，之后经过模型预测即可得到零件最终的加工质量，从而实现对最终加工质量的预先感知，并且可以在预先感知的基础上，在后续的加工过程中做出提前干预，以更好的保证零件的最终加工质量满足要求。

Description

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
技术领域
本发明属于零件加工质量预测领域，更具体地，涉及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。
背景技术
零件的加工是涉及多设备、多步骤的过程，零件的最终加工质量受到多种因素的共同影响。如加工设备的运动误差，夹具与机床配合过程的装配误差，夹具本身的磨损，因重复装夹造成的基准不重合误差，加工误差，刀具磨损等都会直接的影响最终零件加工的质量。这些原因归结起来可以总结为人、机、料、法、环五个部分。这五个环节中的任意一个环节产生偏差都会影响最终零件的加工质量。而零件的最终加工质量是衡量该零件能否正常使用或后续投入应用中能否正常服役的重要指标。
现有的获取最终零件加工质量的方法主要依赖测量，具体而言，测量还可以进一步划分为测量和计量，对于零件最终质量的获取，仅仅通过测量或计量的手段一方面需要测量人员对每一个尺寸进行实际的测量，效率低下，另一方面这些对零件质量的测量是发生在事后的，即零件加工全流程事件结束后才可以获取到零件的最终加工质量，这种事后的测量不能对零件最终质量进行预先干预，也就不能实现相应的过程调控。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了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，由此解决由于仅在零件加工结束后才能获取零件最终加工质量，难以实现加工过程调控的技术问题。
为实现上述目的，按照本发明的第一方面，提供了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，该方法包括：
训练阶段：
S1，获取零件各工序的特征尺寸及零件最终加工质量数据；
S2，以所述零件各工序的特征尺寸为样本输入，以零件最终加工质量数据为样本标签，训练零件各工序的最终加工质量的自适应模糊推理模型；
应用阶段：
将待加工零件任一工序的特征尺寸输入至训练好的所述工序的最终加工质量的自适应模糊推理模型中，得到最终加工质量预测结果。
优选地，步骤S1包括：
从零件的现场加工数据中获取零件各工序的特征尺寸及零件最终加工质量数据。
优选地，步骤S1包括：
S11，对零件各工序的特征尺寸进行蒙特卡罗随机仿真，得到零件各工序的随机仿真特征尺寸；
S12，将所述随机仿真特征尺寸与设计尺寸之间的误差代入至零件加工全流程误差传递模型，得到特征尺寸的最终误差；
S13，根据所述特征尺寸的最终误差，得到零件最终加工质量数据。
优选地，所述零件各工序的随机仿真特征尺寸服从均值方差的正态分布。
优选地，所述方法还包括：
构建基于所述零件各工序最终加工质量的自适应模糊推理模型得到的零件最终加工质量的预测结果与基于所述零件加工全流程误差传递模型得到的零件最终加工质量的模型计算结果之间的线性关系；
所述线性关系为：
y＝b0+b1y1+b2y2+…+bNyN
其中，y为基于所述零件加工全流程误差传递模型得到的零件最终加工质量的模型计算结果，y1、y2、…、yN分别为零件第1道工序、第2道工序、…、第N道工序最终加工质量的自适应模糊推模型的预测结果。
优选地，采用以下方法构建所述零件加工全流程误差传递模型：
对多工序加工过程所涉及的误差分别进行建模，并整合误差传递和变换过程，得到零件加工全流程误差传递模型为：
x(k)＝A(k)x(k-1)+B(k)u(k)+v(k)
y(k)＝C(k)x(k)+w(k)
其中，A(k)、B(k)、C(k)分别为系统矩阵、控制矩阵、输出矩阵；w(k)、v(k)分别为测量系统和状态转移过程中的随机噪声误差；x(k)、x(k-1)分别为第k和第k-1步工序形成的零件特征误差；u(k)为第k道工序引入的误差，y(k)为第k步的误差观测输出。
优选地，根据以下公式确定零件的关键工序：
其中，KP为关键工序的工序号。
优选地，所述最终加工质量的自适应模糊推理模型包括：模糊层、融合层、归一化层、加权层和整合输出层。
优选地，所述步骤S1之后，还包括：
将所述零件各工序的特征尺寸及零件最终加工质量数据进行归一化处理后，按照预设比例划分为训练集和测试集，采用训练集对最终加工质量的自适应模糊推理模型进行训练，采用测试集对最终加工质量自适应模糊推理模型进行测试。
按照本发明的第二方面，提供了一种基于自适应模糊推理的全流程零件加工质量预测系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的基于自适应模糊推理的全流程零件加工质量预测方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供的基于自适应模糊推理的全流程零件加工质量预测方法，构建零件各工序特征尺寸与最终加工质量的数据集，用于训练最终加工质量自适应模糊推理模型，从而实现零件最终加工质量的预测。本发明提供方法可以在获取到任一工序加工结束所对应的特征尺寸数据后，利用自适应模糊推理模型预测出最终零件的加工质量，从而实现对零件加工质量的事先感知、事先干预的目的。
2、本发明提供的基于自适应模糊推理的全流程零件加工质量预测方法，对零件加工全流程进行建模，并且通过中间工序零件的加工质量推测最终成型工序零件的加工质量，对于零件最终加工质量的保证具有重要的意义。除此之外，在工艺设计阶段，该方法也可以为工艺员在确定各工序公差等级过程中提供参考。采用训练好的零件各工序最终加工质量的自适应模糊推理模型，对于工艺设计人员，可在获取任一工序加工结束所对应的特征尺寸数据后，经过模型计算，预测出零件的最终质量，再从零件最终要求出发调整过程工序的公差等级；对于现场加工人员，在完成过程工序后，对所加工的特征尺寸进行测量，之后经过模型计算即可预测出最终的零件质量，从而实现对最终质量的预先感知，并且可以在预先感知的基础上，在后续的加工过程中做出提前干预，以更好的保证零件的最终加工质量满足要求。
3、本发明提供的基于自适应模糊推理的全流程零件加工质量预测方法，在构建零件各工序相关的数据集时，可通过搜集零件批量加工现场的历史记录数据的方式；并且，考虑到对于一些高端制造领域，由于零件的产量不多，难以在加工现场采集足够的数据，对此，本发明实施例进一步提出了利用蒙特卡罗随机数构建数据集，即将蒙特卡罗随机数构建的特征尺寸所对应的误差向量输入到全流程误差传递模型中，计算零件加工的最终特征误差，进而确定零件加工质量，以完成数据集的构建。因此，本发明提供的方法适用于不同制造领域的零件质量预测，具有适用性广、通用性强等优点。
4、本发明提供的基于自适应模糊推理的全流程零件加工质量预测方法，考虑到关键工序是制造过程质量控制的关键环节，进一步提出了可借助于全流程误差传递模型获取零件的关键工序，从而能够为工艺设计阶段提供数据参考，以及为现场加工人员及零件加工过程中的质量控制提供理论支持。
附图说明
图1为本发明提供的基于自适应模糊推理的全流程加工质量预测方法的工作流程图之一。
图2为多工序加工系统各工序间误差传递示意图。
图3为零件多工序加工的状态空间计算逻辑。
图4为常见的隶度函数曲线图。
图5为自适应模糊推理模型的训练过程。
图6为数据集的构建流程图。
图7为壁厚差计算示意图。
图8为Takagi-Sugeno型自适应模糊推理模型结构图。
图9为构造各工序最终加工质量自适应模糊推理模型预测结果与全流程误差传递计算结果之间线性模型的流程图。
图10为本发明提供的基于自适应模糊推理的全流程加工质量预测方法的工作流程图之二。
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。
本发明实施例提供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，如图1所示，包括：
训练阶段：
S1，获取零件各工序的特征尺寸及零件最终加工质量数据；
具体地，数据集的构建有两种方法，第一种为现场加工数据获取，第二种为根据所构建的全流程误差传递模型进行基于蒙特卡罗的随机仿真构建数据集。
进一步地，步骤S1包括：
从零件批量加工的现场加工数据中获取零件各工序的特征尺寸及零件最终加工质量数据。
具体地，对于研究的零件，当其为批量加工的零件时，所加工的零件数目众多，加工现场由于要确保零件加工质量，会对零件加工过程中各特征的实际尺寸以及零件加工结束后所有待检测指标的实测值进行测量并记录，因此现场采集零件各工序相关的特征加工尺寸以及零件加工质量数据，即可完成数据集的构建。
然而，对于一些高端制造领域，由于零件的产量不多，难以在加工现场采集足够的数据，对此，本发明实施例进一步提出了利用蒙特卡罗随机数构建数据集，即利用全流程误差传递模型计算零件加工的最终特征误差，进而确定零件最终加工质量。
进一步地，步骤S1包括：
S11，对零件各工序的特征尺寸进行蒙特卡罗随机仿真，得到零件各工序的随机仿真特征尺寸；
S12，将所述随机仿真特征尺寸与设计尺寸之间的误差代入至零件加工全流程误差传递模型，得到特征尺寸的最终误差；
S13，根据所述特征尺寸的最终误差，得到零件最终加工质量数据。
进一步地，所述零件各工序的随机仿真特征尺寸服从均值方差的正态分布。
进一步地，采用以下方法构建所述零件加工全流程误差传递模型：
对多工序加工过程所涉及的误差分别进行建模，并整合误差传递和变换过程，得到零件加工全流程误差传递模型为：
x(k)＝A(k)x(k-1)+B(k)u(k)+v(k)
y(k)＝C(k)x(k)+w(k)
其中，A(k)、B(k)、C(k)分别为系统矩阵、控制矩阵、输出矩阵；w(k)、v(k)分别为测量系统和状态转移过程中的随机噪声误差；x(k)、x(k-1)分别为第k和第k-1步工序形成的零件特征误差；u(k)为第k道工序引入的误差，y(k)为第k步的误差观测输出。
下面首先对构建零件加工全流程误差传递模型的详细过程进行介绍：
(1)前提和假设。在构建零件多工序误差传递模型时，通常认为误差是微小量，这种前提假设也符合实际加工问题中误差的量级，在实际的精加工或半精加工场景中，误差的量级约为几微米到几十微米，加工特征的尺度约为几十毫米到几百毫米，因此误差的尺度相对于特征的尺度而言很小，固可以被认定为微小量。后续在研究误差的产生、传递以及多误差源的耦合问题上，通常将误差以微分运动矢量的形式来表示。也正是因为这个原因，在具体的计算过程中，可以忽略误差传递过程展开操作所带来的二阶与更高阶误差项，因此整个计算和传递过程都是一阶计算。此外由于在误差传递过程中涉及多个坐标系，对于坐标系的转化过程，实际使用中将使用奇次变换矩阵进行描述。
(2)状态空间模型构建。有了上述的假设后，全流程加工过程误差传递可以用如下所示的状态空间方程进行建模，计算公式如下所示：
x(k)＝A(k)x(k-1)+B(k)u(k)+v(k)
y(k)＝C(k)x(k)+w(k)
上式中各个量所表示是含义可以归纳如下：
A(k)表示工序k-1的误差对k工序加工完成后零件特征误差的影响方式和程度，通常称之为系统矩阵；
B(k)表示k工序中引入的各种误差对k工序加工完成后零件特征误差的影响方式和程度，通常称之为控制矩阵；
C(k)表示k工序观测操作引入的各种误差对零件特征误差观测值的影响方式和程度，在建模中通常仅考虑加工过程的误差传递和演变，因此C(k)矩阵通常是与x(k)同形的单位矩阵，即C(k)＝I，通常称为输出矩阵；
w(k)、v(k)分别表示测量系统和状态转移过程中的随机噪声误差；
x(k)、x(k-1)分别表示第k和第k-1步工序形成的零件特征误差；
u(k)表示第k道工序引入的误差。
(3)具体各矩阵的构建。在(2)中完成了状态空间模型的构建，但对于系统矩阵A(k)，控制矩阵B(k)尚未明确解析，因此本步骤将对上述两个矩阵的构建进行介绍。
(3-1)如图2所示，当零件被上一道工序k-1加工完成后，进入到第k步加工流程中，首先需要做的是将零件装夹到第k步工序所对应的夹具上，这个过程中会导致对误差的衡量基准发生变化，因此需要在重新装夹后进行特征的重新描述，即完成从工序k-1到工序k参考坐标系的转换，以便于后续误差在新的参考坐标系中的描述。具体可以描述为：
x0(k)＝A1(k)x(k-1)
其中A1(k)为两个工序之间的参考坐标系的系数转移矩阵，x0(k)表示参与建模特征的尺寸误差在第k道工序参考坐标系下的微分运动矢量。
(3-2)零件安装到第k道工序所在的夹具上后，由于上道工序k-1所加工面作为了本道工序的基准，因此会将上道工序k-1的误差以基准的形式传递到本道工序k中，具体可以描述为：
式中R(k)表示第k步工序的参考坐标系，FCS(k)表示第k道工序的夹具坐标系。表示第k道工序的基准误差，所描述的是零件坐标系与夹具坐标系之间的误差。
(3-3)由于夹具磨损，会导致实际的夹具坐标系和理想的夹具坐标系之间存在偏差，这个偏差可描述为：
uf(k)表示夹具等效六点定位点的尺寸偏差向量，表示第k道工序上的夹具误差，具体所描述的是理想夹具坐标系相对于实际夹具坐标系之间的偏差。
(3-4)由于加工过程会存在刀具磨损，刀具热膨胀，零件变形所导致的让刀等因素，直观反映出来的是刀具误差，综合考虑夹具误差和刀具误差后第k道工序的特征误差可以描述为：
式中um(k)表示刀具误差，ut(k)表示第k道工序的总误差，该部分的系数矩阵为A4(k)。
(3-5)第k道工序加工后的特征尺寸总误差受到前一道k-1工序加工产生的基准误差的影响和自身第k道工序的加工所产生的尺寸误差综合影响，因此综合考虑后，第k道工序加工后的总误差可以表示为：
(3-6)由于加工过程会随着工序的不断推进出现新的尺寸特征，但(3-1)中只对上一步工序中的尺寸误差进行了传递，因此，还应该考虑本道工序所产生的新尺寸误差，因此将两部分合并后，可以表示为：
x(k)＝x0(k)+A5(k)xn(k)
其中A5(k)矩阵是选择矩阵，对应新尺寸出现的位置为单位矩阵，反之其余地方为0矩阵。
(3-7)将上述涉及到的表征进行整理带入和展开，最终式子可以表示为：
其中，
A(k)＝[A1(k)+A5(k)A4(k)A2(k)A1(k)]
B(k)＝A5(k)[A4(k)A3(k)I6×6]
至此就完成了相邻工序的误差传递建模操作，对于多工序的误差传递本质上是对相邻工序误差传递的拓展，具体拓展变量接口如图3所示。可以理解的是，可利用车间现有的少量数据对上述零件加工全流程误差传递模型进行准确度的验证。后续将借助该模型进行获取零件各工序的特征尺寸及零件最终加工质量数据。
对于零件各工序的特征尺寸进行蒙特卡罗随机仿真，该仿真需要明确所要仿真变量的概率特征，因此在仿真前有一个假设，即零件在大批量生产时，所加工特征的实际尺寸分布符合正态分布：尺寸分布围绕一个中心对称，越往中心，尺寸分布越多，反之远离中心，尺寸分布越少。具体在仿真过程中，正态分布的均值设定为零件公差带的中心值，如下公式所示：
其中xiMAX、xiMIN表示第i个特征的最大设计尺寸和最小设计尺寸。
正态分布的方差借助3σ法则进行反向计算，一般认为，对于批量生产的零件，实际现场的加工质量一般情况是可以保证零件加工质量符合公差要求，认为符合加工质量公差要求的零件占所有零件的比例位于正态分布3σ区间内，因此方差的计算公式可以如下式表述：
因此对于所关注的特征的尺寸可以利用符合上述计算的均值、方差的正态的分布进行模拟，所关注的特征的尺寸在分布上符合如下分布规律：
X～N(μi,σi)
概率密度函数可以表示为：
通过对各个特征的随机仿真后即可获得符合各特征均值、方差的随机数。将各特征的随机仿真尺寸与设计尺寸的之间的差值定义为误差，可以表示为：
Δ＝xi-xnormal
式中的xnormal为特征尺寸的名义值，将上述误差作用于步骤S1构建的全流程误差传递模型，即可计算出零件加工的最终特征尺寸。
也即，将各工序各个特征的误差输入至上述建立的全流程误差传递模型，可得到相应的y值即全流程误差传递模型计算出的误差值，根据所述误差值及设计尺寸即可计算出零件加工的最终特征尺寸。根据上述步骤计算出的零件加工的最终特征尺寸，进而可以确定零件最终加工质量。这里对于不同零件的加工质量有不同的考量，例如对于回转类零件，通常考虑圆度、圆跳动；对于块状零件，常考虑平面度，直线度等。这里不做详细限定，但通过全流程误差传递模型计算出的最终加工特征误差值，经过针对性的转换，即可得到相应的最终加工质量。
可以理解的是，通过本方法得到的最终特征误差可间接确定出零件的加工质量，具体的确定/计算方法根据零件的不同而不同，此处不再赘述。
利用上述两种方法即可完成与数据集的构建，后续可开展自适应推理模型的构建及训练工作。
S2，以所述零件各工序的特征尺寸为样本输入，以零件最终加工质量数据为样本标签，训练零件各工序的最终加工质量的自适应模糊推理模型；
进一步地，所述各工序的最终加工质量的自适应模糊推理模型包括：模糊层、融合层、归一化层、加权层和整合输出层。
具体地，定义最终构建的第p个工序的数据集为D＝{Xp,Y}，其中Xp∈Rn×m,Y∈Rn×1，n表示样本数目，m表示所关注的特征的数目，此处Y为利用全流程误差传递模型计算出的零件最终加工质量。。
(1)模型构建。构建工序p特征尺寸与最终加工质量之间的ANIFSp模型。模型构建需要提前设置如下参数：
①每一维变量的隶度函数数目为num；
②每一个隶度函数的类型，常见的隶度函数如图4所示,在实际操作过程中，可以根据模型预测准确度进行调整；
③解模糊器算法，常用的解模糊方法有：最大隶属度法、重心法、加权平均法等解模糊器，常用的解模糊器为加权平均法；
④设定优化方法、迭代次数及误差界。常用的优化方法主要有反向传播和反向传播_最小二乘法混合优化方法，迭代次数与误差界的选择通常也会根据预测准确度进行调整，整个模型的学习过程如图5所示。
(2)模型具体计算流程：
第一层：模糊层。该层主要是对输入变量的隶度函数值进行计算，计算公式可以表示为：
其中表示第j个输出变量的第i个隶度函数，常见的隶度函数如图4所示，以高斯隶度函数为例，具体的计算公式为：
第二层：融合层。该层是对第一层计算的隶度值执行相乘操作，
第三层：归一化层。该层是对第二层输出进行归一化处理，对应的输出可以表示为：
第四层：加权层。该层是将归一化强度和一阶多项式进行相乘操作：
其中fe表示第e条规则，那么该规则可以表示为： then fe＝a0e+a1eX1+a2eX2+…+ameXm，其中{a0e,a1e,…,ame}为fe的决定参数。
第五层：整合输出层。该层为输出整合层，其输出可以表示为
归纳起来为整个模型的参数，利用图5所示的训练方法进行训练即可。至此完成了第p个工序特征尺寸与最终加工质量之间的ANFIS模型，该模型记作ANIFSp，p＝1,2,…，N。其余工序的模型按照同样的方式开展。
进一步地，所述步骤S1之后，还包括：
将所述零件各工序的特征尺寸及零件最终加工质量数据进行归一化处理后，按照预设比例划分为训练集和测试集，采用训练集对最终加工质量的自适应模糊推理模型进行训练，采用测试集对最终加工质量的自适应模糊推理模型进行测试。
具体地，完成模型的构建后，数据集处理过程及模型的训练和测试过程如下：
(3)数据集处理：
①为了减少由于各个维度数值范围存在差异，使得部分维度在其余维度数值较大情况下对输出结果作用偏斜的影响，对数据集进行归一化，常用的归一化方法有最大-最小归一化、Z-score归一化。
②按照一定比例对归一化后的数据集进行训练集和测试集拆分，分别用于模型的训练和测试，通常训练集和测试集按照4:1比例进行划分。
(4)模型训练及测试。模型的训练过程如图5所示，模型的测试精度可以用下述两个指标进行描述
其中，是加工质量真实值的平均值，/>表示加工质量的预测值，yi表示加工质量的真实值。R2越接近1，说明模型预测精度越高；RMSE越小说明模型预测精度越高。
进一步地，在完成各工序ANFIS模型构建后，可以对个ANFIS模型的预测结果与通过全流程误差传递模型计算出的零件最终加工质量之间构建线性模型，表示为：
y＝b0+b1y1+b2y2+…+bNyN；
其中，y为通过全流程误差传递模型计算出的零件最终加工质量，y1 y1、y2、…、yN分别为零件第1道工序、第2道工序、…、第N道工序的最终加工质量的自适应模糊推理模型的预测结果。
通过分析即可得到零件全流程加工过程中的关键工序，其中，KP为关键工序的工序号。
通过上述方法，可借助于全流程误差传递模型获取零件的关键工序，从而为零件加工过程中的质量控制提供理论支持。
应用阶段：
将待加工零件任一工序的特征尺寸输入至训练好的所述工序的最终加工的自适应模糊推理模型，得到最终加工质量预测结果。
进一步地，步骤S1包括：
从零件的现场加工数据中获取所述零件各工序的特征尺寸及零件质量数据。
下面以一个具体的例子对本发明提供的基于自适应模糊推理的全流程零件加工质量预测方法进行进一步的说明。
具体的对于数据的仿真，有如下流程。
1、分析各工序零件加工的特征尺寸公差和车间数据，利用3σ原则对各工序特征尺寸值进行仿真。
2、之后利用图6中的步骤II示意的方式，求取仿真出的特征点在零件坐标系下的向量与零件在该截面的设计向量/>之间的误差向量，其中误差向量的规模为6×1，即可以表示为：
ΔPI＝[ΔxI,ΔyI,ΔzI,ΔαI,ΔβI,ΔγI]T、ΔPO＝[ΔxO,ΔyO,ΔzO,ΔαO,ΔβO,ΔγO]T。
5、后续利用图6中的步骤III所示的全流程误差传递模型，将利用步骤II计算出的误差向量按照工序依次输入到模型中，即可求解出零件加工完成后最终的加工质量，第p个工序的数据集可以表示为：D＝{Xp,Y}，其中Xp∈Rn×m,Y∈Rn×1，n表示样本数目，m表示所关注的特征的数目，此处Y为利用全流程误差传递模型计算出的零件最终加工质量。
下面以轴类零件加工为例，描述加工过程特征尺寸与最终壁厚差之间的关系。
壁厚差的计算流程如图7所示。
具体而言，计算壁厚差的第一步是对壁厚的获取，对于回转体零件，通常在加工的过程中，由于受到各种因素的影响，例如零件两端顶尖不同心，被加工回转体自身存在误差进而引起误差复印，加工过程中刀具磨损等情况，实际加工出来的表面会出现如上图所示的内外表面的波动。工程上对于壁厚的测量，通常使用接触式探针对圆柱内外的四条母线选点测量，对于同一截面可以获取到四条母线位置处的壁厚，分别记作δi1、δi2、δi3、δi4，对于该截面来说，壁厚差可以表示为：BHCi＝max(δi1、δi2、δi3、δi4)-min(δi1、δi2、δi3、δi4)
对于整个轴类零件而言，最终的壁厚差为所有截面壁厚差中的最大值，即：BHC＝max(BHCi)i＝1,2,…s，其中s为所研究的截面数目。
对于壁厚的获取，
其中δi为第i个截面的名义壁厚，ΔxiO、ΔxiI分别表示第i个截面外圆和内孔误差向量的x向分量，ΔyiO、ΔyiI分别表示第i个截面外圆和内孔误差向量的y向分量。
经过上述流程后，即可将不同工序中随机生成的内孔和外圆特征尺寸值通过误差传递模型和最终的壁厚差加工质量建立起对应的关联。构成每个工序特征尺寸与最终加工质量对应的数据集。
在本实施例中，所开展的是轴类零件最终加工质量感知研究，所研究的是轴的4个外圆面和1个内孔面特征尺寸对于该轴最终加工壁厚差的影响问题，因此整个模型是5输入1输出的MISO问题，这里模型每个维度的隶度函数数目设置为3，整个自适应模糊推理模型的结构如图8所示。
下面详细描述第p个工序的自适应模糊推理最终加工质量预测模型的构建过程。
第一层的每一个节点都是隶度函数的计算函数，对应的输出可以表示为：
其中表示第j个输出变量的第i个隶度函数，/>是对应第j个输入特征的隶度函数，本文选择高斯隶度函数，表达式为：
其中是隶度函数的参数，这些参数唯一确定了高斯隶度函数的函数表达式。
第二层是用符号Π表示的，也就是说这一层需要执行相乘操作。
第三层用符号N表示，对第二层的输出进行归一化操作，对应的输出可以表示为：这里的/>称作归一化强度。
第四层是自适应层，输出为归一化强度和一阶多项式的乘积。
其中fm表示第m条规则，那么该规则可以表示为：
then fm＝amφ1+bmφ2+cmφ3+dmφ4+emφ5+gm
由于所构建ANFIS系统是一阶系统，因此这里fm的是一次线性表达式，{am,bm,cm,dm,em,g}为fm的参数。
第五层是输出整合层，其输出可以表示为：
在结构固定好后，即可利用上述所构建的数据集进行模型的训练。模型的优化方法选择混合学习算法，即将梯度下降方法和最小二乘法一起使用来对模型中的参数进行训练和调整。区别于常规的BP方法对参数的调整，有收敛速度快，全局寻优能力强的优势。
模型训练好后，即可用于对零件加工质量的预测。
至此所完成的是第p步工序的ANFIS模型，其余工序原理一致，不再赘述。
构建好单个工序的自适应模糊推理最终加工质量预测模型之后，如图9-10所示，可以对各工序的ANFIS模型的预测结果与通过全流程误差传递模型计算处的零件最终加工质量之间构建线性模型，表示为：
y＝b0+b1y1+b2y2+…+bNyN；
其中，y为通过全流程误差传递模型计算出的零件最终加工质量，y1、y2、…、yN分别为零件第1道工序、第2道工序、…、第N道工序所构建的最终加工质量的自适应模糊推理模型的预测结果。通过分析：
即可得到零件全流程加工过程中的关键工序，其中，KP为关键工序的工序号。
下面对本发明提供的基于自适应模糊推理的全流程零件加工质量预测系统进行描述，下文描述的基于自适应模糊推理的全流程零件加工质量预测系统与上文描述的基于自适应模糊推理的全流程零件加工质量预测方法可相互对应参照。
本发明实施例提供一种基于自适应模糊推理的全流程零件加工质量预测系统，包括：
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如上述任一实施例所述的基于自适应模糊推理的全流程零件加工质量预测方法。
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 (8)

1.一种基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，该方法包括：
训练阶段：
S1，获取零件各工序的特征尺寸及零件最终加工质量数据；
S2，以所述零件各工序的特征尺寸为样本输入，以零件最终加工质量数据为样本标签，训练零件各工序的最终加工质量的自适应模糊推理模型；
应用阶段：
将待加工零件任一工序的特征尺寸输入至训练好的所述工序的最终加工质量的自适应模糊推理模型中，得到最终加工质量预测结果；
步骤S1包括：
S11，对零件各工序的特征尺寸进行蒙特卡罗随机仿真，得到零件各工序的随机仿真特征尺寸；
S12，将所述随机仿真特征尺寸与设计尺寸之间的误差代入至零件加工全流程误差传递模型，得到特征尺寸的最终误差；
S13，根据所述特征尺寸的最终误差，得到零件最终加工质量数据；
采用以下方法构建所述零件加工全流程误差传递模型：
对多工序加工过程所涉及的误差分别进行建模，并整合误差传递和变换过程，得到零件加工全流程误差传递模型为：
x(k)＝A(k)x(k-1)+B(k)u(k)+v(k)
y(k)＝C(k)x(k)+w(k)
其中，A(k)、B(k)、C(k)分别为系统矩阵、控制矩阵、输出矩阵；w(k)、v(k)分别为测量系统和状态转移过程中的随机噪声误差；x(k)、x(k-1)分别为第k和第k-1步工序形成的零件特征误差；u(k)为第k道工序引入的误差，y(k)为第k步的误差观测输出。
2.如权利要求1所述的基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，步骤S1包括：
从零件的现场加工数据中获取零件各工序的特征尺寸及零件最终加工质量数据。
3.如权利要求2所述的基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，所述零件各工序的随机仿真特征尺寸服从均值方差/>的正态分布。
4.如权利要求1所述的基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，所述方法还包括：
构建基于所述零件各工序的最终加工质量的自适应模糊推理模型得到的零件最终加工质量的预测结果与基于所述零件加工全流程误差传递模型得到的零件最终加工质量的模型计算结果之间的线性关系；
所述线性关系为：
y＝b0+b1y1+b2y2++bNyN
其中，y为基于所述零件加工全流程误差传递模型得到的零件最终加工质量的模型计算结果，y1、y2、…、yN分别为零件第1道工序、第2道工序、…、第N道工序的最终加工质量的自适应模糊推理模型的预测结果。
5.如权利要求1所述的基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，根据以下公式确定零件的关键工序：
其中，KP为关键工序的工序号。
6.如权利要求1所述的基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，所述最终加工质量的自适应模糊推理模型包括：模糊层、融合层、归一化层、加权层和整合输出层。
7.如权利要求6所述的基于自适应模糊推理的全流程零件加工质量预测方法，其特征在于，所述步骤S1之后，还包括：
将所述零件各工序的特征尺寸及零件最终加工质量数据进行归一化处理后，按照预设比例划分为训练集和测试集，采用训练集对最终加工质量的自适应模糊推理模型进行训练，采用测试集对最终加工质量自适应模糊推理模型进行测试。
8.一种基于自适应模糊推理的全流程零件加工质量预测系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如权利要求1-7任一项所述的基于自适应模糊推理的全流程零件加工质量预测方法。
CN202111422627.2A 2021-11-26 2021-11-26 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 Active CN114169721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422627.2A CN114169721B (zh) 2021-11-26 2021-11-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422627.2A CN114169721B (zh) 2021-11-26 2021-11-26 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

Publications (2)

Publication Number Publication Date
CN114169721A CN114169721A (zh) 2022-03-11
CN114169721B true CN114169721B (zh) 2024-06-18

Family

ID=80481157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422627.2A Active CN114169721B (zh) 2021-11-26 2021-11-26 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

Country Status (1)

Country Link
CN (1) CN114169721B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018162B (zh) * 2022-06-09 2024-06-04 华中科技大学 一种工业精加工过程加工质量实时预测方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709197A (zh) * 2016-12-31 2017-05-24 浙江大学 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统
KR102374326B1 (ko) * 2019-11-21 2022-03-15 경북대학교 산학협력단 주의 계층적 적응 신경 퍼지 추론 시스템을 이용한 유방암 예측 방법, 이를 수행하기 위한 기록 매체 및 장치
CN112947300A (zh) * 2021-02-22 2021-06-11 西安交通大学 一种加工质量虚拟量测方法、系统、介质及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709197A (zh) * 2016-12-31 2017-05-24 浙江大学 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于赋值型误差传递网络的多工序加工质量预测;江平宇;王岩;王焕发;郑镁;;机械工程学报;20130320(06);全文 *

Also Published As

Publication number Publication date
CN114169721A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
Ceglarek et al. Time-based competition in multistage manufacturing: Stream-of-variation analysis (SOVA) methodology
Jiang et al. Real-time quality monitoring and predicting model based on error propagation networks for multistage machining processes
Huang et al. Diagnosis of multi-operational machining processes through variation propagation analysis
Duran et al. Comparisons between two types of neural networks for manufacturing cost estimation of piping elements
Moroni et al. Optimal inspection strategy planning for geometric tolerance verification
Garg et al. A two-phase approach for reliability and maintainability analysis of an industrial system
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
US10983501B2 (en) Tool-life prediction system and method thereof
Ong et al. A fuzzy set AHP-based DFM tool for rotational parts
CN114169721B (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
Papananias et al. Inspection by exception: A new machine learning-based approach for multistage manufacturing
Zhao et al. Circular and cylindrical profile monitoring considering spatial correlations
Sun et al. Uncertainty calibration and quantification of surrogate model for estimating the machining distortion of thin-walled parts
Huang et al. A Kriging-based non-probability interval optimization of loading path in T-shape tube hydroforming
Aguiar et al. Estimating high precision hole diameters of aerospace alloys using artificial intelligence systems: a comparative analysis of different techniques
CN112990601B (zh) 基于数据挖掘的蜗轮加工精度自愈系统及方法
CN112084598B (zh) 一种离心泵叶轮可再制造性评估方法
Savadamuthu et al. Quality Improvement in Turning Process using Taguchi's Loss Function
CN109117597B (zh) 一种基于对应分析法的加工关键因素分级方法
Sun et al. A hybrid mechanism-based and data-driven approach for the calibration of physical properties of Ni-based superalloy GH3128
Wang et al. Thermal error modeling of a machine tool using data mining scheme
Park et al. Development of automatic assembly sequence generating system based on the new type of parts liaison graph
Yu et al. Prediction of thin-walled workpiece machining error: a transfer learning approach
Flynn et al. Improving error models of machine tools with metrology data
Zhang et al. A Knowledge-Embedded End-to-End Intelligent Reasoning Method for Processing Quality of Shaft Parts

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