CN115099123A - 数据与机理融合的卷绕机锭轴装配精度预测方法 - Google Patents

Abstract

本发明涉及一种数据与机理融合的卷绕机锭轴装配精度预测方法，在雅可比旋量模型基础上引入公差域的点云拟合对旋量的实际变动区间进行求解，该方法考虑了并联装配关系和零件表面形貌特征对锭轴装配精度的影响，提高机理模型的预测精度；针对锭轴装配数据少，致使数据补偿机理误差困难的问题，本发明提出深度置信神经网络‑双层BP神经网络的误差补偿模型将机理数据与实测数据进行融合，解决了因数据量不够而导致的模型泛化能力差，且因融入了实测数据，数据预测模型预测精度要优于雅可比旋量模型，对卷绕机的装配设计具有显著的工程实用价值。

Description

数据与机理融合的卷绕机锭轴装配精度预测方法

技术领域

本发明涉及一种工控技术，特别涉及一种数据与机理融合的卷绕机锭轴装配精度预测方法。

背景技术

近年来，我国化纤产量逐步上升，成为化纤生产大国。化纤长丝卷绕成丝饼是化纤长丝生产过程中的最后环节，此过程依赖于高速卷绕机，其工况十分复杂，为变质量、变转速、变刚度运动，这就对高速卷绕机的精密性有着更高的要求。装配作为卷绕机制机的最为关键的环节之一，其质量直接影响到卷绕机的工作性能与使用寿命，然而，受制于装配技术的限制，国产卷绕机的精密性要低于国外标准，这对卷绕机的高速、变频发展有着重要的影响。因此提高化纤卷绕机的制造精度对国产卷绕机的制造有着重要意义。

卷绕机制造精度受制于装配误差的影响，如果可以精确预测装配精度便可指导工人进行安装，从而提高化纤卷绕机装配成功率和一致性。目前卷绕机锭轴装配精度预测主要依靠工人经验和传递三维误差传递数学模型。前者缺乏科学依据，后者由于卷绕机锭轴零件多，装配关系复杂、干扰因素不可控，装配精度往往难以准确预测，致使高速运行状态下的可靠性差，大大降低了使用寿命。

发明内容

针对卷绕机装配精度无法准确预测问题，提出了一种数据与机理融合的卷绕机锭轴装配精度预测方法，实现了高精度卷绕机锭轴装配精度预测，有效提高了产品的装配一致性和成功率，降低了生产成本。

本发明的技术方案为：一种数据与机理融合的卷绕机锭轴装配精度预测方法，具体包括如下步骤：

1)数据采集：采集已装卷绕机的装配件参数、卷绕机锭轴轴端跳动和轴面跳动数据并记录锭轴装配件工艺参数，即尺寸公差、形状公差、位置公差，构成实测样本数据和对应装配工艺参数信息；

2)建立三维误差传递机理：依据小位移旋量理论对所记录装配件工艺参数进行转换，转换为旋量形式表达公差信息；并基于最小二乘拟合算法对多类公差对同一零件的公差域耦合作用对零件进行实际变动区间求解，获得装配零件的公差的实际变动区间；依据装配顺序在各个装配件上建立相应的基础坐标系，并计算建立雅可比传递矩阵；

3)生成机理样本集与精度样本：基于正态分布对旋量形式的公差的实际变动区间生成特征，随机组合，并代入旋量理论和雅可比传递矩阵构成的雅可比旋量模型中进行标签计算，获得机理样本集；根据采集到的已装卷绕机的装配件参数划分截尾正态分布，对于缺少的部分使用样本特征的欧式距离求均进行补充，后续随机抽取特征并基于传递机理计算相应的标签，最终获取足够数量的实测样本扩充数据作为精度样本；

4)建立预测模型：建立深度置信神经网络和双层BP神经网络结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，深度置信神经网络输出后续横向连接下层BP神经网络，两层BP神经网络的连接方式为纵向连接；

5)预测模型训练：利用机理样本集，根据三维误差传递机理数据对上层BP神经网络进行预训练，达到收敛条件或最大训练回合数后将模型参数传至下层BP神经网络，后续使用扩充后的实测样本数据从深度置信神经网络输入进行训练，对下层BP神经网络的参数进行微调，当下层BP神经网络达到收敛条件或最大训练回合数后停止训练；

6)将实测数据构成的测试集数据特征代入上述训练好的预测模型中，将预测结果与实测结果进行对比，验证预测模型预测效果。

进一步，所述步骤2)中公差信息的旋量形式指平动旋量和旋转旋量共同组成描述实际表面变动的小位移旋量，将公差特征转换为平面特征小位移旋量的约束，所述雅可比传递矩阵代表为装配件之间的各自坐标系轴转动关系和原点位置关系。

进一步，所述步骤2)最小二乘拟合算法对旋量进行实际变动区间求解，在公差允许的范围内随机生成点进行平面拟合，既考虑三维误差的耦合性，又考虑零件表面形貌特征对误差传递的影响。

进一步，所述步骤3)精度样本生成方法：

考虑到样本误差和外界噪声的存在，对输入特征施加噪声，输入特征的维度，设置存在规则，将实测样本生成为预训练样本数量的扩充样本；

将采集的装配后实测样本数据进行截尾正态分布统计，将实测样本T根据装配结构分为k组G_k，其中轴类和面类零件与孔类零件误差偏倚方向相反，如下式所示：

式中，y_min为样本标签的最小值，y_max为样本标签的最大值，对于不符合高斯分布的数据基于维度的欧式距离进行填充；将雅可比旋量模型视为规则J(·)，从修正后的样本池中随机抽取输入特征x_i进行机理计算，得到其对应的样本标签y_i；y_i＝J(x_i)

对比实测样本标签范围与生成的扩充样本的范围进行对比，将符合要求的样本放入T'，获得最终精度样本。

一种数据与机理融合的卷绕机锭轴装配精度预测模型建立方法，建立深度置信神经网络和双层BP神经网络结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，后续横向连接其中下层BP神经网络，而两层BP神经网络的连接方式为纵向连接，起参数迁移作用；

将从多类公差对同一零件的公差域耦合和零件表面形貌特征对误差传递获得到的机理样本集送入纵向连接的上层BP神经网络，先对上层BP神经网络进行训练，拟合了三维误差传递机理，后传递参数至下层BP神经网络训练；

实测样本集送入下层深度置信神经网络中，深度置信神经网络输出接下层BP神经网络，训练后对参数微调噪音学习；

深度置信神经网络由多层受限玻尔兹曼机构成，将特征向量映射到不同的特征空间中，将实测样本集输入到深度置信神经网络中进行特征提取有助于后续进行误差反向传播，误差反向传播算法在于利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此下去，就获得了所有其他各层的误差估计，形成将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程。

本发明的有益效果在于：本发明数据与机理融合的卷绕机锭轴装配精度预测方法，相比于传统雅可比旋量模型的装配精度求解方法，本发明在此基础上引入公差域的点云拟合对旋量的实际变动区间进行求解，该方法考虑了并联装配关系和零件表面形貌特征对锭轴装配精度的影响，提高机理模型的预测精度；针对锭轴装配数据少，致使数据补偿机理误差困难的问题，本发明提出DBN-BNN(深度置信神经网络-双层BP神经网络)的误差补偿模型将机理数据与实测数据进行融合，解决了因数据量不够而导致的模型泛化能力差，且因融入了实测数据，数据预测模型预测精度要优于雅可比旋量模型，对卷绕机的装配设计具有显著的工程实用价值。

附图说明

图1为本发明数据与机理融合的卷绕机锭轴装配精度预测方法整体思路图；

图2为本发明卷绕机锭轴组成及其装配件的基坐标传递示意图；

图3为本发明装配件平面误差耦合示意图；

图4为本发明机理与数据融合的演示图；

图5a为本发明第一层BP神经网络损失收敛情况图；

图5b为本发明第二层BP神经网络损失收敛情况图；

图6a为本发明轴面跳动量的模型预测效果图；

图6b为本发明轴端跳动量的模型预测效果图；

图7a为本发明轴面跳动量的模型对比效果图；

图7b为本发明端面跳动量的模型对比效果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示数据与机理融合的卷绕机锭轴装配精度预测方法整体思路图，具体包括如下步骤：

数据采集步骤：采集已装卷绕机的装配件参数、卷绕机锭轴轴端跳动和轴面跳动数据并记录锭轴装配件工艺参数，即尺寸公差、形状公差、位置公差，构成实测样本数据和对应装配工艺参数信息；

建立三维误差传递机理：依据小位移旋量理论对所记录装配件工艺参数进行转换，转换为旋量形式表达公差信息，并基于最小二乘拟合算法对多类公差对同一零件的公差域耦合作用对零件进行实际变动区间求解，获得装配零件的公差的实际变动区间；依据装配顺序在各个装配件上建立相应的基础坐标系，并计算建立雅可比传递矩阵；

机理样本集与实测样本扩充集生成步骤：基于正态分布对旋量形式的公差信息的实际变动区间生成特征，随机组合，并代入对应的雅可比传递矩阵中进行标签计算，作为机理样本集；根据采集到的已装卷绕机的装配件参数划分截尾正态分布，对于缺少的部分使用样本特征的欧式距离求均进行补充，后续随机抽取特征并基于传递机理计算相应的标签，最终获取足够数量的实测样本扩充数据作为精度样本；

预测模型搭建步骤：建立深度置信神经网络(Deep Belief Networks，DBN)和双层BP神经网络(Bilayer Neural Network，BNN)结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，后续横向连接其中一层BP神经网络，而两层BP神经网络的连接方式为纵向连接，起参数迁移作用；

训练步骤：利用机理样本集，根据三维误差传递机理数据对上层BP神经网络进行预训练，达到收敛条件或最大训练回合数后将模型参数传至下层BP神经网络，后续使用精度样本数据从DBN端输入进行训练，对下层BP神经网络的参数进行微调，当下层BP神经网络达到收敛条件或最大训练回合数后停止训练；

对比实验步骤：将实测数据构成的测试集数据特征代入上述训练好的预测模型中，将预测结果与实测结果进行对比，验证预测模型预测效果。

如图2所示卷绕机锭轴组成及其装配件的基坐标传递示意图，卷绕机锭轴装配件有轴承基座、垫片、机箱、法兰等部件构成，其中直接参与卷绕工作的零件为长套，因此其装配精度尤为重要，特别是长套的轴面和端面跳动量，在图2中为沿x轴(长套径向)和沿Y轴(长套轴向)方向上的跳动量，在装配完成后由跳动测量仪可以测得

结合附图对数据与机理融合的卷绕机锭轴装配精度预测方法进一步阐述：

步骤1：记录已装配卷绕机的轴端跳动和轴面跳动和对应的装配件的尺寸误差、形状误差与位置误差；采集卷绕机锭轴各装配件工艺制造标准，即尺寸公差、形状公差、位置公差。

步骤2：为了表达实际表面特征相对于理想表面的变动量，用两组变动矢量分别表示实际表面相对于理想表面的平动变动矢量和旋转变动矢量，平动变动矢量包括三个元素，分别对应x、y、z方向的变动(u、v、w)；旋转变动矢量也包括三个元素，分别对应绕x轴的俯仰角、绕y轴的偏摆角、绕z轴的滚转角(α、β、γ)。平动旋量和旋转旋量共同组成描述实际表面变动的小位移旋量。其表达式如下：

式中，u、v、w分别为沿X、Y、Z轴平动的旋量；α、β、γ分别为绕X、Y、Z轴转动的旋量。以旋量的形式表达公差信息。根据实际表面相对于名义表面的变动建立平面特征小位移旋量的约束方程。雅可比矩阵由虚拟关节的概念转化而来，表达式如下：

其中

[X_i]_3×1、[Y_i]_3×1、[Z_i]_3×1分别表示两个传递坐标系之间沿着x、y、z轴转动的单位方向向量。

其中

表示各坐标系坐标原点之间的变动位置关系向量。

举例：例如图2中，坐标系1通过平移即可得到坐标系3。无需旋转，故旋转矩阵：

由于垫片的厚度为H，坐标系1通过沿z轴平移H即可得到坐标系3，故平移矩阵：

最终误差传递的表达式为：

式中，旋量F式所关注的最终结果的小位移旋量表达式，也是精度综合的目标值，旋量1～n是各零件公差对应的旋量，[J]₁,[J]₂...[J]_n是各零件对应的雅可比传递矩阵。

步骤3：根据卷绕机装配件制造工艺标准，对于同一零件，由于其存在不同类型公差约束，致使公差之间存在耦合性，利用最小二乘拟合算法，可以在公差允许的范围内随机生成点进行平面拟合，从而既考虑了三维误差的耦合性，又考虑了零件表面形貌特征对误差传递的影响。

这里对传递性的影响体现在旋量的求解方式不同，耦合性体现在使用耦合公差域内的点云数据，如图3装配件平面误差耦合示意图，对应图2中导轨与垫片的耦合，图2中坐标1是建立在导轨和垫片的结合平面形心处，传统方法对于

的求解是基于公差域的变动不等式。所建立的变动不等式为

如图3所示，以标准矩形平面的形心为基准原点，矩形平面的形心建立xoy坐标系，根据平面旋量的功能要求，其对公差传递的分量为α、β、w。由于矩形的长、宽的尺寸变化不影响公差传递，故假设矩形的长、宽分别为定值2a、2b。T_D表示矩形平面沿z轴方向上的尺寸公差，其中T_DU、T_DL分别为上偏差和下偏差，且T_D＝T_DU-T_DL。T_p表示矩形平面的平行度公差，其变化方向也沿z轴方向。假设平面度公差为t_F，则T_F＝t_F/(cosα·cosβ)，由于小位移旋量理论中的转动变化矢量都十分小，近似可得T_F＝t_F。

对该不等式求解所得到的是旋量的解析解。实际零件加工中，由于零件平面并非理想平面，即表面存在凹凸，故用耦合公差域内的点云去拟合平面，求得拟合平面的旋量变动范围更为贴近零件实际制造过程。具体方法如下：

对于三维点云数据，其拟合平面方程可表示为：ax+by+cz+d＝0。在最小二乘拟合算法中，数据点用泛化关系函数z＝f(x,y)，并将z方向上残差的平方和最小化：

假设求得法向量为

x轴的单位向量为

Y轴的单位向量为

由于转角γ很小，近似的有

在一定量的拟合之后取最大变化范围为误差分量的实际变动区间，可求得α、β、w的实际变动区间为：

根据求解范围按照正态分布随机生成，并代入雅可比旋量模型中计算对应标签，从而构成机理数据训练集。旋量理论和雅可比传递矩阵共同构成了雅可比旋量模型。

步骤4：基于正态分布对旋量的实际变动区间生成特征，随机组合，并代入上一步骤中进行标签计算作为机理样本集；获取卷绕机原始训练样本即实测样本

其中

n为实测样本数量，d为输入特征的维度。设存在规则L(·)，可以生成精度样本集合

其中

n'为预训练样本数量。

T'＝L(T)

考虑到样本误差和外界噪声的存在，对输入特征施加噪声，理论上，实测样本的扩展样本的数量不应超过2^d个，因此精度样本集集的样本数量n'由n、d共同决定，其表达式为。

n×2²≤n'≤n×2^d

由于工人生产零件时，往往遵从“宁返修，勿超差”的原则，卷绕机装配件几何型参数往往不遵从完全正态分布，因此将实测样本进行截尾正态分布(4σ)统计，将实测样本T分为4组(G_k)，其中轴类和面类零件与孔类零件误差偏倚方向相反，如下式所示：

式中，k＝1,2,3,4，y_min为样本标签的最小值，y_max为样本标签的最大值。对于第一类，

y₄＝y_max。

对于不符合高斯分布的数据基于维度的欧式距离进行填充；将上文中的考虑并联配合特征并经过表面形貌特征表达修正过的雅可比旋量模型视为规则J(·)。从修正后的样本池D_p中随机抽取输入特征x_i进行机理计算，得到其对应的样本标签y_i；

y_i＝J(x_i)

对比实测样本标签范围与生成的扩充样本的范围进行对比，将符合要求的样本放入T'。

步骤5：如图4所示，建立深度置信神经网络(Deep Belief Networks，DBN)和双层BP神经网络(Bilayer Neural Network，BNN)结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，后续横向连接其中下层BP神经网络，而两层BP神经网络的连接方式为纵向连接，起参数迁移作用。将步骤3所得到机理样本集，步骤4中获得实测样本集分别喂入纵向连接的上层BP神经网络和下层DBN中，需要注意的是，先对上层BP神经网络进行训练，后传递参数至下层训练。DBN由多层受限玻尔兹曼机构成，其可以将特征向量映射到不同的特征空间中，并尽可能保留有用的信息，这是一种无监督学习的方式。将实测样本集输入到DBN中进行特征提取有助于后续进行误差反向传播，而误差反向传播算法(Error BackPropagation，EBP，简称BP)在于利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差。如此下去，就获得了所有其他各层的误差估计。这样就形成了将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程，而步骤3中的机理数据集已经经过旋量计算，故无需使用DBN进行特征提取，而是直接喂入上层BP神经网络。人工神经网络是由大量简单的基本元件—神经元(neuron)相互连接而成的自适应非线性动态系统，由激活函数进行非线性的转换，神经元是神经网络的基本处理单元，它一般是一个多输入单输出的非线性动态系统，本发明所用算法为监督学习，监督学习的训练算法主要步骤包括：(1)从样本集合中取一个样本(X_i,Y_i)；(2)计算出网络的实际输出O；(3)求D＝Y_i-o；(4)根据D调整权矩阵W；(5)对每个样本重复上述过程，直到对整个样本集来说，误差不超过规定范围。在对模型进行输入时首先需要对原输入特征进行数据处理，输入特征即为经过最大最小值归一化处理的几何型误差，归一化公式：

BP神经网络的输入层和输出层的神经元个数分别为d和2。从输入层到隐藏层的激活函数为Sigmoid激活函数，从隐藏层到输出层不设置激活函数，假设神经网络的输出为y^final，则有：

y^final＝h(z＝ωx+b,g(z))

式中：g(z)表示对z进行激活函数计算，ω和b参数分别为权重和偏置，预测的均方误差为：

根据梯度下降法更新参数：

式中，γ为学习率，其决定了参数更新的大小并使参数最终达到收敛。将步骤3、4所生成的机理数据集和实测样本扩充数据集分别喂入上层BP神经网络和下层DBN中，需要注意的是，先对上层BP神经网络进行训练，后传递参数至下层训练，BP神经网络采用三层，分别为输入层，隐藏层和输出层，神经元个数分别为16，25和2；输入层到隐藏层的激活函数为sigmoid。采用全连接神经网络，模型在训练时采用梯度下降反向传播算法调整神经元的权值，学习率为0.002，损失函数为MSE，总训练的样本个数为500，训练的次数为60000次，当模型的损失函数达到阈值可提前终止训练，其中上层BP设定的阈值为0.65×10^-3，而下层BP设计的阈值为0.48×10^-2,如图5a、5b所示，上层BP神经网络的收敛回合要远大于下层BP神经网络，有两点原因造成：1、上层BP神经网络的初始化参数距离实际收敛参数有过大的差距。2、上层BP神经网路的训练已经拟合了三维误差传递机理，下层BP神经网络只需进行参数微调学习噪音即可。上述结果验证了本发明算法对于小样本数据预测问题的有效性，使下层BP神经网络在60个回合左右达到了收敛，解决了小样本数据预测的过拟合问题。

步骤6：将测试集数据特征代入上述训练好的预测模型中，将预测结果与实测结果进行对比，并与其他机器学习算法进行对比。

本发明所提出锭轴装配精度预测方法的实验结果见图6a、6b，图示为上层神经网络和下层神经网络以及传统J-T模型的对比。由于上层神经网络由机理样本集训练，其模型拟合修正J-T模型机理，对比发现，修正后的J-T模型的周面跳动量和轴端跳动量的预测精度均高于传统J-T模型，与真实跳动量相比，上层神经网络的轴面跳动量平均误差为0.054mm，端面跳动平均误差为0.048mm。下层神经网络分别为0.013mm、0.018mm。而传统J-T模型分别为0.124mm、0.145mm。预测趋势方面，上层神经网络的预测、下层神经网络和传统J-T模型基本一致，验证了精度样本的有效性。上述结果说明，通过上层神经网络将三维公差传递机理拟合，后通过下层神经网络将数据包含的装配误差信息对机理模型，即上层神经网络进行修正，达到了提高预测精度的目的。图7a、7b为本发明算法与DBN-SVR(支持向量回归)和BNN算法的预测对比图，结果表明，本发明提出的DBN-BNN算法比前两种算法更接近实际测量结果。以绝对误差0.02mm为误差阈值，BNN的预测精度为46.7％，DBN-SVR的预测精度为60％，本发明方法的预测精度为93.3％，与其他两种算法相比，本发明针对卷绕机锭轴装配特点对算法进行了改进，显著提高了装配预测精度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，具体包括如下步骤：

1)数据采集：采集已装卷绕机的装配件参数、卷绕机锭轴轴端跳动和轴面跳动数据并记录锭轴装配件工艺参数，即尺寸公差、形状公差、位置公差，构成实测样本数据和对应装配工艺参数信息；

2)建立三维误差传递机理：依据小位移旋量理论对所记录装配件工艺参数进行转换，转换为旋量形式表达公差信息；并基于最小二乘拟合算法对多类公差对同一零件的公差域耦合作用对零件进行实际变动区间求解，获得装配零件的公差的实际变动区间；依据装配顺序在各个装配件上建立相应的基础坐标系，并计算建立雅可比传递矩阵；

3)生成机理样本集与精度样本：基于正态分布对旋量形式的公差的实际变动区间生成特征，随机组合，并代入旋量理论和雅可比传递矩阵构成的雅可比旋量模型中进行标签计算，获得机理样本集；根据采集到的已装卷绕机的装配件参数划分截尾正态分布，对于缺少的部分使用样本特征的欧式距离求均进行补充，后续随机抽取特征并基于传递机理计算相应的标签，最终获取足够数量的实测样本扩充数据作为精度样本；

4)建立预测模型：建立深度置信神经网络和双层BP神经网络结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，深度置信神经网络输出后续横向连接下层BP神经网络，两层BP神经网络的连接方式为纵向连接；

5)预测模型训练：利用机理样本集，根据三维误差传递机理数据对上层BP神经网络进行预训练，达到收敛条件或最大训练回合数后将模型参数传至下层BP神经网络，后续使用扩充后的实测样本数据从深度置信神经网络输入进行训练，对下层BP神经网络的参数进行微调，当下层BP神经网络达到收敛条件或最大训练回合数后停止训练；

6)将实测数据构成的测试集数据特征代入上述训练好的预测模型中，将预测结果与实测结果进行对比，验证预测模型预测效果。

2.根据权利要求1所述数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，所述步骤2)中公差信息的旋量形式指平动旋量和旋转旋量共同组成描述实际表面变动的小位移旋量，将公差特征转换为平面特征小位移旋量的约束，所述雅可比传递矩阵代表为装配件之间的各自坐标系轴转动关系和原点位置关系。

3.根据权利要求2所述数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，所述步骤2)最小二乘拟合算法对旋量进行实际变动区间求解，在公差允许的范围内随机生成点进行平面拟合，既考虑三维误差的耦合性，又考虑零件表面形貌特征对误差传递的影响。

4.根据权利要求3所述数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，所述步骤3)精度样本生成方法：

考虑到样本误差和外界噪声的存在，对输入特征施加噪声，输入特征的维度，设置存在规则，将实测样本生成为预训练样本数量的扩充样本；

将采集的装配后实测样本数据进行截尾正态分布统计，将实测样本T根据装配结构分为k组G_k，其中轴类和面类零件与孔类零件误差偏倚方向相反，如下式所示：

式中，y_min为样本标签的最小值，y_max为样本标签的最大值，对于不符合高斯分布的数据基于维度的欧式距离进行填充；将雅可比旋量模型视为规则J(·)，从修正后的样本池中随机抽取输入特征x_i进行机理计算，得到其对应的样本标签y_i；y_i＝J(x_i)

对比实测样本标签范围与生成的扩充样本的范围进行对比，将符合要求的样本放入T'，获得最终精度样本。

5.一种数据与机理融合的卷绕机锭轴装配精度预测模型建立方法，其特征在于，建立深度置信神经网络和双层BP神经网络结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，后续横向连接其中下层BP神经网络，而两层BP神经网络的连接方式为纵向连接，起参数迁移作用；

将从多类公差对同一零件的公差域耦合和零件表面形貌特征对误差传递获得到的机理样本集送入纵向连接的上层BP神经网络，先对上层BP神经网络进行训练，拟合了三维误差传递机理，后传递参数至下层BP神经网络训练；

实测样本集送入下层深度置信神经网络中，深度置信神经网络输出接下层BP神经网络，训练后对参数微调噪音学习；

深度置信神经网络由多层受限玻尔兹曼机构成，将特征向量映射到不同的特征空间中，将实测样本集输入到深度置信神经网络中进行特征提取有助于后续进行误差反向传播，误差反向传播算法在于利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此下去，就获得了所有其他各层的误差估计，形成将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程。

Images