CN115130374A - 一种工业精加工过程加工质量优化方法与系统 - Google Patents

一种工业精加工过程加工质量优化方法与系统 Download PDF

Info

Publication number
CN115130374A
CN115130374A CN202210685790.6A CN202210685790A CN115130374A CN 115130374 A CN115130374 A CN 115130374A CN 202210685790 A CN202210685790 A CN 202210685790A CN 115130374 A CN115130374 A CN 115130374A
Authority
CN
China
Prior art keywords
processing
parameter
quality
mapping relation
processing parameter
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.)
Pending
Application number
CN202210685790.6A
Other languages
English (en)
Inventor
袁烨
刘虔钧
程骋
邬雨蝶
张永
张家军
董欣欣
戴永健
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 CN202210685790.6A priority Critical patent/CN115130374A/zh
Publication of CN115130374A publication Critical patent/CN115130374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Abstract

本发明公开一种工业精加工过程加工质量优化方法与系统，属于精加工领域。包括：从加工参数空间选择加工参数，根据映射关系确定加工质量，判断是否在加工质量范围内，若是，计算与标准质量的差距，否则，重新选择加工参数，迭代上述操作，直至选出最优加工参数，最优加工参数对应的加工质量与标准质量最接近；以最优加工参数为起始点，根据映射关系确定加工质量，计算映射关系在当前起始点的泰勒展开的二阶近似，映射关系在当前起始点的一阶导与负的二阶近似的逆相乘，梯度下降优化，得到最终最优加工参数。本发明通过迭代限制随机搜索快速寻找局部最优加工参数，对局部最优加工参数进行精细优化，得到高精度加工参数，实现精度和效率的同时兼顾。

Description

一种工业精加工过程加工质量优化方法与系统
技术领域
本发明属于工业精加工技术领域，更具体地，涉及一种工业精加工过程加工质量优化方法与系统。
背景技术
提高制造效率和质量是云制造最重要的目标。因此，为了实现上述目标，先进的数据分析技术在过去十年中得到了极大的重视。然而，大多数技术都集中在提高单级单产品制造系统的精度；这些改进在多阶段制造过程(MMPs)中很难实现，多台机器之间的坐标转换。特别是，大多数现有研究都是侵入性的解决方案，将传感器安装在机器上。这在加工环境复杂且有多种影响因素的精加工领域难以适用。
在MMPs的参数优化问题中，影响高精度产品质量的因素很多，如制造过程中产生的噪声、机械状况、生产效率要求等。智能优化算法具有良好的全局优化性能，通用性强，且很适合并行处理，例如，差分进化(DE)，遗传算法(GA)，粒子群优化(PSO)。当种群变化时，遗传算法会忘记之前的知识；差分进化算法更适合于解决低维问题；粒子群算法产生过多的群，会减慢整体优化时间。
由此可见现有的优化方法存在精度约束和效率约束(工期)无法同时兼顾、原始ICRS算法无法直接适用于精密加工等问题。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种工业精加工过程加工质量优化方法与系统，其目的在于加工质量优化过程能够同时兼顾精度约束和效率约束。
为实现上述目的，按照本发明的第一方面，提供了一种工业精加工过程加工质量优化方法，工业精加工过程的加工质量范围、标准质量、加工参数空间、加工参数与加工质量之间的映射关系均已知，该方法包括：
S1.从加工参数空间选择加工参数，根据映射关系确定加工质量，判断是否在加工质量范围内，若是，计算其与标准质量的差距，否则，重新选择加工参数，迭代上述操作，直至选出最优加工参数，所述最优加工参数对应的加工质量与标准质量最接近；
S2.以步骤S1确定的最优加工参数为起始点，根据映射关系确定加工质量，计算映射关系在当前起始点的泰勒展开的二阶近似，映射关系在当前起始点的一阶导与负的二阶近似的逆相乘，再采用梯度下降进行优化，得到最终最优加工参数。
优选地，步骤S1中，依据正态分布采样加工参数空间，得到加工参数。
有益效果：本发明优选正态分布采样，由于最优加工参数组合主要分布在采样空间的中值附近，实现了优化算法在采样空间范围中值附近更密集地采样，从而更高效地找寻到参数组合最优解。
优选地，步骤S1具体如下：
S11.设定符合加工参数空间的初始值，输入收敛容限值、空间放大系数、扩大加工参数空间差值参数、缩小加工参数空间差值参数、寻优次数上限；
S12.计算加工参数空间的上限和下限的差值，作为加工参数空间差值，依据初始值、加工参数与加工质量的映射关系，计算当前加工质量；
S13.以初始值为均值，以空间放大系数与加工参数空间差值的乘积为方差，进行正态分布采样；分别对采集到的样本依照加工参数与加工质量之间的映射关系，计算出不同的加工质量，并与当前加工质量进行对比；如果存在更好的加工质量，则将当前加工参数空间差值乘以扩大加工参数空间差值参数，否则，则将当前加工参数空间差值乘以缩小加工参数空间差值参数；
S14.重复步骤S13，直到满足下列两个条件之一，满足条件后输出一个当前最优参数解：条件1)当前加工质量小于等于收敛容限值；条件2)达到寻优次数上限。
有益效果：本发明优选改进ICRS热启动算法快速寻找局部最优加工参数，由于先使用改进的ICRS寻找较好的起始点而后使用二阶牛顿近似负梯度的梯度下降求解，实现了梯度下降算法在有接近最优解附近的起始点时候能高速地找到最优解的效果。
优选地，步骤S11中，空间放大系数≥1。
有益效果：本发明使用空间放大系数来扩大差值参数，实现了避免算法在较小标准差空间采样时失准的情况。
优选地，步骤S11中，扩大加工参数空间差值参数≥1，0<缩小加工参数空间差值参数<1。
有益效果：扩大加工参数空间差值参数，可保证对优选结果附近的充分搜索。缩小加工参数空间差值参数，可缩小差值参数范围来保证整个算法的收敛。
优选地，优化目标的损失函数为各特征点表观损失值的加权和；
其中，各加权系数是根据实际诊断需要预设，所述表观损失值为每个所述产品要求样本和其对应的所述生成样本所有维度的差值绝对值之和。
有益效果：本发明优选上述优化目标的损失函数，由于实际工厂产品交付的评价标准往往就是产品各特征点的表观损失值，实现算法贴合实际加工交付的标准。
为实现上述目的，按照本发明的第二方面，提供了一种工业精加工过程加工质量优化系统，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，执行第一方面所述的工业精加工过程加工质量优化方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明提供一种工业精加工过程加工质量优化方法，通过迭代限制随机搜索快速寻找局部最优加工参数，再对局部最优加工参数进行精细优化，得到高精度加工参数，实现精度和效率的同时兼顾。
附图说明
图1为本发明提供的一种工业精加工过程加工质量优化方法流程图。
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。
如图1所示，本发明提供了一种工业精加工过程加工质量优化方法，工业精加工过程的加工质量范围、标准质量、加工参数空间、加工参数与加工质量之间的映射关系均已知，该方法包括：
步骤S1.从加工参数空间选择加工参数，根据映射关系确定加工质量，判断是否在加工质量范围内，若是，计算其与标准质量的差距，否则，重新选择加工参数，迭代上述操作，直至选出最优加工参数，所述最优加工参数对应的加工质量与标准质量最接近。
优选地，步骤S1中，依据正态分布采样加工参数空间，得到加工参数。
优选地，步骤S1具体如下：
S11.设定符合加工参数空间的初始值，输入收敛容限值、空间放大系数、扩大加工参数空间差值参数、缩小加工参数空间差值参数、寻优次数上限；
S12.计算加工参数空间的上限和下限的差值，作为加工参数空间差值，依据初始值、加工参数与加工质量的映射关系，计算当前加工质量；
S13.以初始值为均值，以空间放大系数与加工参数空间差值的乘积为方差，进行正态分布采样；分别对采集到的样本依照加工参数与加工质量之间的映射关系，计算出不同的加工质量，并与当前加工质量进行对比；如果存在更好的加工质量，则将当前加工参数空间差值乘以扩大加工参数空间差值参数，否则，则将当前加工参数空间差值乘以缩小加工参数空间差值参数；
S14.重复步骤S13，直到满足下列两个条件之一，满足条件后输出一个当前最优参数解：条件1)当前加工质量小于等于收敛容限值；条件2)达到寻优次数上限。
优选地，步骤S11中，空间放大系数≥1。
优选地，步骤S11中，扩大加工参数空间差值参数≥1，0<缩小加工参数空间差值参数<1。
参数空间差值参数，可缩小差值参数范围来保证整个算法的收敛。
具体地，为了优化MMPs的参数，给出工艺修正区间，采用了一种ICRS优化方法来估计加工质量与预测模型识别的关键特征点之间的映射关系。加工工件的P维特征空间RP为搜索空间。其候选解是Xk，
Figure BDA0003697797380000051
是使优化目标函数最小化的最优解Iopt：
Figure BDA0003697797380000052
其中，
Figure BDA0003697797380000053
是工件n的标准三坐标测量机外观。考虑到模型的预测误差较低，假设
Figure BDA0003697797380000054
产品质量的优化问题可以表示为：给定Iopt，求解
Figure BDA0003697797380000055
在ICRS中，特征数P是需要优化的参数，每次迭代的解被认为是代表P维空间中的一个点的最优解候选
Figure BDA0003697797380000061
步骤S2.以步骤S1确定的最优加工参数为起始点，根据映射关系确定加工质量，计算映射关系在当前起始点的泰勒展开的二阶近似，映射关系在当前起始点的一阶导与负的二阶近似的逆相乘，再采用梯度下降进行优化，得到最终最优加工参数。
优选地，优化目标的损失函数为各特征点表观损失值的加权和；其中，各加权系数是根据实际诊断需要预设，所述表观损失值为每个所述产品要求样本和其对应的所述生成样本所有维度的差值绝对值之和。
具体地，在ICRS算法完成后，采用基于局部梯度的搜索L-BFGS算法，对每一种方法产生的点进行局部最小值的识别。这相当于在随机全局搜索(预过滤)之后使用局部梯度搜索优化来优化解。
其中L-BFGS算法本质是一种拟牛顿方法。经过m的迭代，
Figure BDA0003697797380000062
在
Figure BDA0003697797380000063
处展开为一个泰勒级数，并采用二阶近似。在展开中，Hessian矩阵的逆近似为一个矩阵Hk，m，它不包含二阶导数，Hk，m的表达式为：
Figure BDA0003697797380000064
其中，Plbfgs和Qlbfgs计算为：
Figure BDA0003697797380000065
Figure BDA0003697797380000066
具体地，图1中110所示的质量映射层可以得到加工工艺参数和生产质量特征的映射关系，其使用的模型为Tabnet模型。
优选地，所述特征掩码层包括：注意力Transformer和特征处理层，其功能是借助特征掩码输出的不同特征进行处理从而筛选出影响加工质量的特征重要程度排序。
具体地，Tabnet模型中含有注意力Transformer和特征处理层，其中注意力Transformer层可以对不同特征进行组合，特征处理层完成计算，经过两层结构后，经过计算后，可以提取出重要特征，得到特征重要程度排序。
质量优化系统包括：热启动模型，用于对所述特征提取器生成的每个特征进行加速优化模块，得到局部最优解；精优化模型，用于对所述热启动后的局部最优工艺参数进行精细优化，得到全局最优解；其中，所述热启动模型和精优化模型的优化目标函数相同。
具体地，在热启动层中，其使用迭代限制随机搜索来热启动优化算法模块，在精优化模型中，其使用一个限制拟牛顿法在热启动的局部最优点开始优化，从而提升优化精度的同时节省时间。
为了验证上述工业精加工过程加工质量预测问题的有效性，本实施例引用了在中国无锡涡轮叶片有限公司的一条高精度航空涡轮叶片生产线上获得的数据集。
评价指标选择了RMS与CP和CPK三个指标。可以反映进程的集中度。CP和CPK描述见ISO/TR 22514-4，是MMPs中常见的测量标准，也是实现ISO 9000质量认证的关键标准，Cp和Cpk值越大，最终产品质量越好。具体表达式如下：
Figure BDA0003697797380000071
Figure BDA0003697797380000072
Figure BDA0003697797380000073
其中，
Figure BDA0003697797380000074
是标准外观中的第p个特征点。考虑到模型的预测误差较小，YN和
Figure BDA0003697797380000081
近似相等。UDL和LDL合格特征的设计上限和下限。
Figure BDA0003697797380000082
为测试目标特征点的平均值，σ是相应的标准差，
Figure BDA0003697797380000083
接下来，为了研究在实际工业条件下涡轮叶片制造过程的参数优化性能，比较了几种最有代表性的优化方法，即PSO、GA、DE和ASFA(artificial fish swarm algorithm)。
实施详情为：目标函数的维度(输入参数个数)为阶段1和阶段2的特征点之和。对于所提出的方法，可变收敛容差设置为1e-5，缩减偏差因子k1设置为1.0/6.0，扩展偏差因子k2设置为0.5，最大失败次数设置为6 200，迭代次数设置为100000。对于PSO算法，单次迭代产生的粒子数设置为400个，最大迭代次数设置为1000个，认知参数c1和c2均设置为2；对于GA，最大迭代次数为800次，变异概率为0.001。标准精度设置为1e-7。对于DE方法，聚类数为50，迭代次数为800。ASFA算法的最大捕食次数为100次，最大运动规模为0.5次，最大感知距离为0.3次。在完成每种随机优化搜索方法的运行后，启动基于局部梯度的搜索，以确定距离每种方法产生的点最近的局部极小值。这相当于在随机搜索(预滤波)之后使用局部梯度搜索优化进行解细化。
实验结果如表1所示，在涡轮叶片的真实MMP线上，RMSE标准被设置为1/4的参考误差。可以看出，对于叶片A和叶片B，所提出的ICRS方法的均方根值分别为0.030mm和0.032mm。此外，与其他方法不同，所提出的方法的RMSE得分都低于满足制造要求的预定1/4参考误差。根据工厂经验和国际标准化组织的标准，1.33≤Cp≤1.67表示加工能力“良好”，CP>1.67表示加工能力“优秀”。也就是说，较大的CP和CPK值表示更好的制造质量。可以看出，所提出的优化方法对于CP和CPK都获得了最大的CP和CPK值，也超过了“优秀”质量的要求。综合工厂生产经验和加工标准，结果表明，该框架优化后的加工工艺达到了高精度制造的水平。
表1不同方法对叶片A/B的优化结果
Figure BDA0003697797380000091
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)

1.一种工业精加工过程加工质量优化方法，其特征在于，工业精加工过程的加工质量范围、标准质量、加工参数空间、加工参数与加工质量之间的映射关系均已知，该方法包括：
S1.从加工参数空间选择加工参数，根据映射关系确定加工质量，判断是否在加工质量范围内，若是，计算其与标准质量的差距，否则，重新选择加工参数，迭代上述操作，直至选出最优加工参数，所述最优加工参数对应的加工质量与标准质量最接近；
S2.以步骤S1确定的最优加工参数为起始点，根据映射关系确定加工质量，计算映射关系在当前起始点的泰勒展开的二阶近似，映射关系在当前起始点的一阶导与负的二阶近似的逆相乘，再采用梯度下降进行优化，得到最终最优加工参数。
2.如权利要求1所述的方法，其特征在于，步骤S1中，依据正态分布采样加工参数空间，得到加工参数。
3.如权利要求1所述的方法，其特征在于，步骤S1具体如下：
S11.设定符合加工参数空间的初始值，输入收敛容限值、空间放大系数、扩大加工参数空间差值参数、缩小加工参数空间差值参数、寻优次数上限；
S12.计算加工参数空间的上限和下限的差值，作为加工参数空间差值，依据初始值、加工参数与加工质量的映射关系，计算当前加工质量；
S13.以初始值为均值，以空间放大系数与加工参数空间差值的乘积为方差，进行正态分布采样；分别对采集到的样本依照加工参数与加工质量之间的映射关系，计算出不同的加工质量，并与当前加工质量进行对比；如果存在更好的加工质量，则将当前加工参数空间差值乘以扩大加工参数空间差值参数，否则，则将当前加工参数空间差值乘以缩小加工参数空间差值参数；
S14.重复步骤S13，直到满足下列两个条件之一，满足条件后输出一个当前最优参数解：条件1)当前加工质量小于等于收敛容限值；条件2)达到寻优次数上限。
4.如权利要求3所述的方法，其特征在于，步骤S11中，空间放大系数≥1。
5.如权利要求3所述的方法，其特征在于，步骤S11中，扩大加工参数空间差值参数≥1，0<缩小加工参数空间差值参数<1。
6.如权利要求1所述的方法，其特征在于，优化目标的损失函数为各特征点表观损失值的加权和；
其中，各加权系数是根据实际诊断需要预设，所述表观损失值为每个所述产品要求样本和其对应的所述生成样本所有维度的差值绝对值之和。
7.一种工业精加工过程加工质量优化系统，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，执行权利要求1至6任一项所述的工业精加工过程加工质量优化方法。
CN202210685790.6A 2022-06-16 2022-06-16 一种工业精加工过程加工质量优化方法与系统 Pending CN115130374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210685790.6A CN115130374A (zh) 2022-06-16 2022-06-16 一种工业精加工过程加工质量优化方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210685790.6A CN115130374A (zh) 2022-06-16 2022-06-16 一种工业精加工过程加工质量优化方法与系统

Publications (1)

Publication Number Publication Date
CN115130374A true CN115130374A (zh) 2022-09-30

Family

ID=83378807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210685790.6A Pending CN115130374A (zh) 2022-06-16 2022-06-16 一种工业精加工过程加工质量优化方法与系统

Country Status (1)

Country Link
CN (1) CN115130374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116027756A (zh) * 2023-02-24 2023-04-28 季华实验室 生产参数在线最优化方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116027756A (zh) * 2023-02-24 2023-04-28 季华实验室 生产参数在线最优化方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111914090B (zh) 一种企业行业分类识别及其特征污染物识别的方法及装置
EP3608801A1 (en) Method of rapidly searching element information in a bim model
CN112597610B (zh) 机械臂结构轻量化设计的优化方法、装置及设备
CN113205225A (zh) 一种碳排放达峰的关键因子识别方法、系统及数据平台
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测系统
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN110717687A (zh) 一种评价指数获取的方法及系统
CN110442911B (zh) 一种基于统计机器学习的高维复杂系统不确定性分析方法
CN115130374A (zh) 一种工业精加工过程加工质量优化方法与系统
CN112526470A (zh) 标定雷达参数的方法和装置、电子设备、存储介质
CN112381940A (zh) 一种点云数据生成数字高程模型的处理方法、装置及终端设备
CN117251798A (zh) 一种基于两层渐进式的气象设备异常检测方法
CN115237878A (zh) 基于增材制造的工艺数据库构建方法及介质
CN114429090A (zh) 一种基于数据驱动的压气机叶片鲁棒性设计方法
CN112200252A (zh) 基于概率盒全局灵敏度分析和主动子空间的联合降维方法
CN114861800A (zh) 模型训练方法、概率确定方法、装置、设备、介质及产品
CN114781083A (zh) 一种发动机稳态数据层次分析与稳态数据特征值提取方法
CN114880792A (zh) 一种基于形变预测的全方位多角度优化方法
CN114429172A (zh) 基于变电站用户构成的负荷聚类方法、装置、设备及介质
CN108898321B (zh) 一种基于语义模板的制造技术问题标准冲突参数获取方法
CN109344409B (zh) 翻译机器人选择方法
CN113177078A (zh) 基于条件生成模型的高效近似查询处理算法
CN114371950A (zh) 应用业务异常的根因定位方法及装置
CN114580758B (zh) 一种多城市自动能源负荷预测方法及系统
CN116089844B (zh) 一种无人机位姿数据的非高斯特征验证方法

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