CN116700001A - 一种基于层级特征融合多注意力机制的压装预测控制方法 - Google Patents
一种基于层级特征融合多注意力机制的压装预测控制方法 Download PDFInfo
- Publication number
- CN116700001A CN116700001A CN202310764244.6A CN202310764244A CN116700001A CN 116700001 A CN116700001 A CN 116700001A CN 202310764244 A CN202310764244 A CN 202310764244A CN 116700001 A CN116700001 A CN 116700001A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- assembly
- pressure
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 230000007246 mechanism Effects 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009125 negative feedback regulation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及制造工程技术领域，尤其涉及一种基于层级特征融合多注意力机制的压装预测控制方法。方法包括：确定试验零件的装配数据；通过装配数据针对混合注意力结构进行训练，得到压力预测模型；获取待控制零件的实时数据，输入实时数据至压力预测模型，得到预测压力值；获取待控制零件的实时压力值，判断实时压力值和预测压力值是否相等，如果不相等，针对实时压力值进行调节控制；依据时序迭代执行前述步骤，用于使实时压力值无限接近预测压力值。本申请通过训练压力预测模型，用于根据待控制零件的实时数据确定待控制零件在当前时刻的压力预测值，再依据压力预测值针对压装系统的输出进行实时调整，有利于提前做出准确的决策。
Description
技术领域
本申请涉及制造工程技术领域，尤其涉及一种基于层级特征融合多注意力机制的压装预测控制方法。
背景技术
在零件自动压装技术中，过盈零件的装配质量是产品合格的重要保证。其中，零件的装配质量一直是困扰工作人员的研究重点与难点。
零件装配普遍采用固定的压力\速度模式进行装配，该模式忽略装配过程的压力变化对零件造成的影响。为了提高装配质量，在装配过程合理控制压力成为提高产品质量的关键问题。使用预测控制的方法对压装过程进行控制，丢弃固定压力\速度模式，依据合理的压力装配曲线进行装配，针对相应的装配零件用层级特征融合多注意力预测模型对压力预测，依据预测值与反馈值进行校正后给出装配过程不同时刻合理的控制量，优化压装过程，提高对设备的保护和装配过程的合理性。
但是，针对装配过程，操作人员依据零件仿真结果和人为经验，设置固定压装速度、压力直接控制整个装配过程，忽略装配过程中的压力变化对零件产生的影响。PID压装控制过程中依据固定参考值的模式，无法对压装过程中不同时刻的压力进行合理控制；同时PID参数调节复杂，产生的误差大，容易引起超调，过大的压力变化会对零件造成损伤，影响装配质量。
发明内容
本申请提供了一种基于层级特征融合多注意力机制的压装预测控制方法，能够解决现有的PID压装控制系统无法对压装过程中所需压力值进行给定并进行优化控制，最终导致影响装配质量的问题。
本申请的技术方案是一种基于层级特征融合多注意力机制的压装预测控制方法，方法包括：
S1：确定试验零件的装配数据，装配数据包括：类型、过盈量以及基于针对试验零件进行的压力装配实验确定的试验零件在装配过程中相应于连续装配时刻的若干个连续的试验位移值、若干个连续的试验速度值和若干个连续的试验压力值；
S2：搭建基于多层级特征融合多注意力机制的包括卷积层、若干层Encoder-LSTM单元和若干层Decoder-LSTM单元的混合注意力结构；
通过装配数据针对混合注意力结构进行训练，得到以包括类型、过盈量、连续装配时刻、若干个连续的实时位移值、若干个连续的实时速度值和和若干个连续的实时压力值的实时数据为输入项并且以预测压力值为输出项的压力预测模型；
S3：获取待控制零件在装配过程中相应于处于当前时刻以前的连续装配时刻的实时数据，以及输入所述实时数据至压力预测模型，得到相应于当前时刻的预测压力值；
S4：获取待控制零件在当前时刻的实时压力值，以及判断相应于当前时刻的实时压力值和预测压力值是否相等，如果不相等，根据预测压力值以及基于滚动预测公式针对待控制零件的实时压力值进行调节控制；
S5：依据时序迭代执行步骤S3～S4，用于使实时压力值无限接近预测压力值。
可选地，所述步骤S2包括：
S21：针对装配数据依次进行包括剔除装配失败时间段的预处理以及标准化处理，得到矩阵形式的标准数据；
S22：搭建基于多层级特征融合多注意力机制的包括卷积层、若干层Encoder-LSTM单元和若干层Decoder-LSTM单元的混合注意力结构；
S23：通过标准数据针对混合注意力结构进行训练，得到以包括类型、过盈量、连续装配时刻、若干个连续的实时位移值、若干个连续的实时速度值和和若干个连续的实时压力值的实时数据为输入项并且以预测压力值为输出项的压力预测模型。
可选地，所述步骤S3包括：
S31：获取待控制零件在装配过程中相应于处于当前时刻以前的连续装配时刻的实时数据和若干个连续的实时压力值，以及输入实时数据至压力预测模型；
S32：基于连续装配时刻的时序，通过卷积层针对实时数据进行特征提取，得到相应于实时数据的若干个隐藏向量，以及针对若干个隐藏向量进行全连接处理，得到相应于处于当前时刻以前的连续装配时刻的若干个特征向量；
S33：基于连续装配时刻的时序，根据特征向量确定分别相应于Encoder-LSTM单元不同隐藏层和Decoder-LSTM单元的隐藏状态；
基于层级注意力机制，针对分别相应于Encoder-LSTM单元以及Decoder-LSTM单元的隐藏状态进行特征融合，得到分别相应于编码器和解码器的融合隐藏状态；
S34：基于连续装配时刻的时序，基于时间注意力机制以及根据分别相应于编码器和解码器的融合隐藏状态，确定解码器的累积隐藏状态；
根据解码器的累积隐藏状态，确定相应于当前时刻的预测压力值。
可选地，所述步骤S32包括：
S321：通过包括Nc个卷积核的卷积层以及基于连续装配时刻的时序，针对实时数据进行特征提取，得到相应于实时数据的Nc张特征图；
相应于卷积核的特征提取的提取公式如下所示：
xk＝RELU(Wk*Xt+bk)；
式中，*表示卷积；RELU表示激活函数；
xk表示第k个卷积核卷积后输出的一维向量；Xt表示矩阵形式的输入数据；
Wk表示第k个卷积核的权重参数；
bk表示第k个卷积核的偏置参数；
S322：基于连续装配时刻的时序，针对Nc张特征图进行全连接处理，得到相应于标准数据的特征向量；
全连接处理的公式如下所示：
式中，Nc表示卷积核的数目；
xk(i，j)表示第K张特征图中i行j列的值；
表示所有卷积核卷积后得到的特征向量。
可选地，所述步骤S33包括：
S331：基于连续装配时刻的时序以及根据相应于标准数据的特征向量，确认Encoder-LSTM单元的隐藏状态和Decoder-LSTM的隐藏状态；
确认Encoder-LSTM单元的隐藏状态的计算公式如下所示：
式中，表示Encoder-LSTM单元的隐藏状态；fe表示Encoder-LSTM单元；
表示t-1时刻编码器的隐藏状态；Xt表示过往时刻输入的特征数据；
表示t时刻卷积后的特征向量；/>表示拼接操作；
确认Decoder-LSTM单元的隐藏状态的计算公式如下所示：
式中，表示Decoder-LSTM单元的隐藏状态；fd表示Decoder-LSTM单元；
表示t-1时刻编码器的隐藏状态；X′t表示未来时刻的已知特征数据；
表示t时刻卷积后的特征向量；/>表示拼接操作；
S332：针对编码器和解码器不同层的隐藏状态引入层级注意力，得到相应于不同层隐藏状态的融合注意力值；
确定层级注意力值的计算公式如下所示：
ui＝vitanh(Wihi+Uiht)；
式中，ui表示相应于第i层LSTM的隐藏特征的融合注意力值，i表示不同的隐藏层，1≤i≤K；
vi、Wi和Ui均为需要训练的参数；
hi表示第i层LSTM的隐藏特征，ht表示当前时刻的隐藏特征；
S333：基于连续装配时刻的时序以及根据相应于不同隐藏层的融合注意力值，确定隐藏层的融合注意力权重；
隐藏层的融合注意力权重的计算公式如下所示：
式中，αi表示第i层LSTM的隐藏特征的融合注意力权重；
S334：基于连续装配时刻的时序以及根据隐藏层的融合注意力权重，分别确定相应于编码器的由Encoder-LSTM输出的融合隐藏状态以及相应于解码器的由Decoder-LSTM输出的融合隐藏状态；
融合隐藏状态的计算公式如下所示：
式中，表示t时刻的编码器中不同LSTM层特征融合后的融合隐藏状态；
表示t时刻的解码器中不同LSTM层特征融合后的融合隐藏状态。
可选地，所述步骤S34包括：
S341：根据相应于不同时刻的Encoder-LSTM层输出的融合隐藏状态，通过解码器相应地确定时间注意力值；
确定时间注意力的计算公式如下所示：
式中，ld表示时间注意力值；
vd、Wd和Ud均为需要训练的参数；
表示d时刻的编码器的融合隐藏状态；/>表示t时刻的解码器的融合隐藏状态；
S342：根据不同时刻的时间注意力值，确定相应于不同时刻的解码器隐藏层的时间注意力权重；
确定时间注意力权重的计算公式如下所示：
式中，βd表示d时刻的解码器隐藏层的时间注意力权重；
S343：根据相应于不同时刻的解码器隐藏层的时间注意力权重，确定当前时刻的累积隐藏状态；
确定累积隐藏状态的计算公式如下所示：
式中，表示t时刻的解码器的累积隐藏状态；
表示d时刻的编码器的融合隐藏状态，1≤d≤T；
S344：根据当前时刻的累积隐藏状态进行全连接处理，得到相应于当前时刻的预测压力值；
确定预测压力值的计算公式如下所示：
式中，Wo和b表示线性变换的参数；Y′t表示当前时刻的预测值。
可选地，所述步骤S1包括：
S11：确定试验零件的装配数据，装配数据包括：类型、过盈量以及基于针对试验零件进行的压力装配实验确定的试验零件在装配过程中相应于连续装配时刻的若干个连续的试验位移值、若干个连续的试验速度值和若干个连续的试验压力值；
S12：根据装配数据，确定参考装配曲线；
以及，所述步骤S4包括：
S41：获取待控制零件在当前时刻的实时数据，以及根据实时数据确定实际装配曲线；
S42：构建预测控制模型，通过预测控制模型判断相应于当前时刻的实时压力值和预测压力值是否相等，如果不相等，根据实时压力值和参考装配曲线确定参考轨迹；
所述参考轨迹的表示如下所示：
yr(t)＝y(t)；
yr(t+i)＝aryr(t+i-1)+(1-ar)r(t)；
式中，y(t)表示压装系统的实际输出值；
yr(t)表示压装系统的设定输出值；
ar表示柔化因子，ar∈[0，1)；
r(t)表示参考装配曲线中相应于压力预测值的压力参考值；
S43：根据参考轨迹，通过预测控制模型确定校正预测反馈输出；
校正预测反馈输出的计算公式如下所示：
yp(t+1|t)＝ym(t)+h[y(t)-ym(t)]；
式中，ym(t)表示压力预测值，ym(t)＝Y′t；h表示校正权重；
S44：基于滚动预测公式，通过预测控制模型针对待控制零件的实时压力值进行调节控制；
所述滚动预测公式如下所示：
式中，p表示预测时域的未来p时刻；
yr(t+p)表示参考轨迹在未来p时刻的压力参考值；
yp(t+p)表示压力预测模型在未来p时刻的压力预测值；
q表示控制时域的未来q时刻；
λj表示加权系数；
u(t+j-1)表示在未来不同时刻u(t+1)、u(t+2)、……、u(t+q-1)的压装系统的控制压力值。
可选地，所述方法还包括：
S6：基于当前时刻，计算压力预测值和压力实时值之间的均方误差，根据均方误差以及参考轨迹与实际装配曲线之间的区别，判断待控制零件的压装质量是否合格。
有益效果：
首先，本申请通过使用Modbus通讯方式对伺服装配设备进行装配数据采集，不同的装配数据预处理后，经过卷积网络初步对装配过程数据特征进行捕捉并作为编码器和解码器LSTM隐藏状态提供输入，预处理后的数据传入编码器和解码器的LSTM层，并利用层级注意力得到过去不同时刻的融合特征向量，利用时间注意力得到解码器当前时刻与过去时刻融合隐藏向量的关系，最终经过全连接层输出预测结果，即压力预测结果。预测压力经过校正反馈后调节电机的控制量，形成完整的预测控制，优化压力装配过程；
其次，本申请改变了PID控制模式和设置固定压力/速度参数的方法，采用预测模型结合预测控制方法控制压装过程，利用合适的压力装配曲线作为参考轨迹，将层级融合预测模型预测结果经过校正反馈与参考值比较，通过优化控制器对控制量进行调节，使装配过程中保持合理的控制量，对压装电机的调节和控制更加合理有效，提高装配质量，优化零件装配过程，减少在装配过程中对零件造成损伤，提高装配质量，延长零件使用寿命；
综上可知，本申请通过训练压力预测模型，用于根据待控制零件的实时数据确定待控制零件在当前时刻的压力预测值，再依据压力预测值针对压装系统的输出进行实时调整；整个过程依据待控制零件的压装过程实时自动完成，不仅提高控制过程的响应速度，提前做出准确的决策，而且依据合理的参考轨迹可以优化压装的控制过程，避免过大的压力等不当的操作对零件本身造成一定的损伤。在装配过程中更加智能化，自动化，同时增加了设备和零件的质量与使用寿命，大大提高了压力调节的准确性和实用性；
因此，本申请能够解决现有的PID压装控制系统无法对压装过程中所需压力值进行给定并进行优化控制，最终导致影响装配质量的问题。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中基于层级特征融合多注意力机制的压装预测控制方法的流程示意图；
图2为本申请实施例中基于层级特征融合多注意力机制的压装预测控制方法的逻辑示意图；
图3为本申请实施例中的LFM模块针对不同Encoder-LSTM单元进行层级注意力融合的流程示意图；
图4为本申请实施例中多注意力机制的原理示意图；
图5为本申请实施例中根据压力预测值进行压装过程调控的流程示意图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
本申请提供了一种基于层级特征融合多注意力机制的压装预测控制方法，如图1和图2所示，图1为本申请实施例中基于层级特征融合多注意力机制的压装预测控制方法的流程示意图，图2为本申请实施例中基于层级特征融合多注意力机制的压装预测控制方法的逻辑示意图，方法包括：
S1：确定试验零件的装配数据，装配数据包括：类型、过盈量以及基于针对试验零件进行的压力装配实验确定的试验零件在装配过程中相应于连续装配时刻的若干个连续的试验位移值、若干个连续的试验速度值和若干个连续的试验压力值。
其中，步骤S1包括：
S11：确定试验零件的装配数据，装配数据包括：类型、过盈量以及基于针对试验零件进行的压力装配实验确定的试验零件在装配过程中相应于连续装配时刻的若干个连续的试验位移值、若干个连续的试验速度值和若干个连续的试验压力值。
S12：根据装配数据，确定参考装配曲线。
具体地，通过伺服压装机对不同过盈量的特定类型零件进行压力装配实验，通过Modbus通讯方式获取数据。记录零件的类型和过盈量并采集零件装配过程中不同零件的时间、位移、压力，共六个特征数据。
压力参考装配曲线为装配数据的点在坐标系描点后表现为压力曲线。
一条压力参考装配曲线为一组周期性数据，压力装配数据由多组装配曲线组成。
S2：搭建基于多层级特征融合多注意力机制的包括卷积层、若干层Encoder-LSTM单元和若干层Decoder-LSTM单元的混合注意力结构。
通过装配数据针对混合注意力结构进行训练，得到以包括类型、过盈量、连续装配时刻、若干个连续的实时位移值、若干个连续的实时速度值和和若干个连续的实时压力值的实时数据为输入项并且以预测压力值为输出项的压力预测模型。
步骤S2包括：
S21：针对装配数据依次进行包括剔除装配失败时间段的预处理以及标准化处理，得到矩阵形式的标准数据。
具体地，由于操作不当问题等原因，需要将获得的装配数据进行装配失败时间段的剔除处理，即为预处理。预处理过后，得到预处理数据。
在预处理过后，还需要进行min-max标准化处理，标准化公式如下所示：
式中，x表示预处理数据；
min表示预处理数据中的最小值；max表示预处理数据中的最大值；
X为相应于预处理数据的标准数据，具体为不同过盈量零件在不同的工况下的装配数据矩阵，表示不同零件装配不同时刻对应的压装速度、位移等六个特征的变化情况。
在一些实施例中，可将标准化后的标准数据按照7：2：1的比例划分为训练集，验证集，测试集。后续通过训练集对模型进行训练。
S22：搭建基于多层级特征融合多注意力机制的包括卷积层、若干层Encoder-LSTM单元和若干层Decoder-LSTM单元的混合注意力结构。
具体地，Seq2seq模型的参数设置如表1所示。
表1 Seq2seq模型的参数设置
| 编码器 | 解码器 | 卷积核 | 编码器FC | 外部FC | |
| 第一层 | 1000，8，32 | 1000，8，32 | 32*6*1 | 8，64 | 8，6 |
| 第二次 | 1000，8，64 | 1000，8，64 | 64*6*1 | 8，64 | |
| 第三层 | 1000，8，128 | 1000，8，128 | 128*6*1 | 8，64 |
S23：通过标准数据针对混合注意力结构进行训练，得到以包括类型、过盈量、连续装配时刻、若干个连续的实时位移值、若干个连续的实时速度值和和若干个连续的实时压力值的实时数据为输入项并且以预测压力值为输出项的压力预测模型。
具体地，模型的训练过程中，通过反向传播算法来训练网络，采用Adam优化算法。
S3：获取待控制零件在装配过程中相应于处于当前时刻以前的连续装配时刻的实时数据，以及输入所述实时数据至压力预测模型，得到相应于当前时刻的预测压力值。
步骤S3包括：
S31：获取待控制零件在装配过程中相应于处于当前时刻以前的连续装配时刻的实时数据和若干个连续的实时压力值，以及输入实时数据至压力预测模型。
S32：基于连续装配时刻的时序，通过卷积层针对实时数据进行特征提取，得到相应于实时数据的若干个隐藏向量，以及针对若干个隐藏向量进行全连接处理，得到相应于处于当前时刻以前的连续装配时刻的若干个特征向量。
其中，步骤S32包括：
S321：通过包括Nc个卷积核的卷积层以及基于连续装配时刻的时序，针对实时数据进行特征提取，得到相应于实时数据的Nc张特征图；
相应于卷积核的特征提取的提取公式如下所示：
xk＝RELU(Wk*Xt+bk)；
式中，*表示卷积；RELU表示激活函数；
xk表示第k个卷积核卷积后输出的一维向量；Xt表示矩阵形式的输入数据；
Wk表示第k个卷积核的权重参数；
bk表示第k个卷积核的偏置参数。
具体地，通过卷积层进行特征提取网络，不包括池化过程卷积层可以提取变量之间的自相关和互相关性。横向卷积层使用多个维度为W*H的卷积核(W表示卷积核的宽度，同时表示特征的数目，H为卷积核的高度)。
S322：基于连续装配时刻的时序，针对Nc张特征图进行全连接处理，得到相应于标准数据的特征向量；
全连接处理的公式如下所示：
式中，Nc表示卷积核的数目；
xk(i，j)表示第K张特征图中i行j列的值；
表示所有卷积核卷积后得到的特征向量。
具体地，设置输入数据维度为(1000，8，6)，三层LSTM中间层隐藏状态大小分别为(8，32)，(8，64)，(8，128)，由LSTM得到的隐藏状态是对每个时刻数据到下一时刻数据进行特征提取，对应的卷积的大小的宽度为特征维度W，W为6，高度H为时间步长1，相应的卷积核数为32，64，128，不同个数的卷积核卷积后的特征维度对应三层LSTM中间层隐藏状态。经过卷积后得到参数分别作为编码器和解码器中的三层LSTM隐藏层在同维度的状态特征的一部分。
S33：基于连续装配时刻的时序，根据特征向量确定分别相应于Encoder-LSTM单元不同隐藏层和Decoder-LSTM单元的隐藏状态；
基于层级注意力机制，针对分别相应于Encoder-LSTM单元以及Decoder-LSTM单元的隐藏状态进行特征融合，得到分别相应于编码器和解码器的融合隐藏状态。
具体地，多层级特征融合是特征向量作为Encoder-LSTM单元的输入，对编码器的三层LSTM单元结构输出的隐藏向量通过注意力去实现特征融合。
注意力特征融合是对隐藏向量首先进行全连接，使得不同层获取的隐藏状态维度相同，然后进行层级注意力处理。
其中，步骤S33包括：
S331：基于连续装配时刻的时序以及根据相应于标准数据的特征向量，确认Encoder-LSTM单元的隐藏状态和Decoder-LSTM的隐藏状态；
确认Encoder-LSTM单元的隐藏状态的计算公式如下所示：
式中，表示Encoder-LSTM单元的隐藏状态；fe表示Encoder-LSTM单元；
表示t-1时刻编码器的隐藏状态；Xt表示过往时刻输入的特征数据；
表示t时刻卷积后的特征向量；/>表示拼接操作；
确认Decoder-LSTM单元的隐藏状态的计算公式如下所示：
式中，表示Decoder-LSTM单元的隐藏状态；fd表示Decoder-LSTM单元；
表示t-1时刻编码器的隐藏状态；X’t表示未来时刻的已知特征数据；
表示t时刻卷积后的特征向量；/>表示拼接操作；
S332：针对编码器和解码器不同层的隐藏状态引入层级注意力，得到相应于不同层隐藏状态的融合注意力值；
确定层级注意力值的计算公式如下所示：
ui＝vitanh(Wihi+Uiht)；
式中，ui表示相应于第i层LSTM的隐藏特征的融合注意力值，i表示不同的隐藏层，1≤i≤K；
vi、Wi和Ui均为需要训练的参数；
hi表示第i层LSTM的隐藏特征，ht表示当前时刻的隐藏特征；
S333：基于连续装配时刻的时序以及根据相应于不同隐藏层的融合注意力值，确定隐藏层的融合注意力权重；
隐藏层的融合注意力权重的计算公式如下所示：
式中，αi表示第i层LSTM的隐藏特征的融合注意力权重；
S334：基于连续装配时刻的时序以及根据隐藏层的融合注意力权重，分别确定相应于编码器的由Encoder-LSTM输出的融合隐藏状态以及相应于解码器的由Decoder-LSTM输出的融合隐藏状态；
融合隐藏状态的计算公式如下所示：
式中，表示t时刻的编码器中不同LSTM层特征融合后的融合隐藏状态；
表示t时刻的解码器中不同LSTM层特征融合后的融合隐藏状态。
具体地，如图3和图4所示，图3为本申请实施例中的LFM模块针对不同Encoder-LSTM单元进行层级注意力融合的流程示意图，图4为本申请实施例中多注意力机制的原理示意图。
S34：基于连续装配时刻的时序，基于时间注意力机制以及根据分别相应于编码器和解码器的融合隐藏状态，确定解码器的累积隐藏状态；
根据解码器的累积隐藏状态，确定相应于当前时刻的预测压力值。
具体地，编码器过去各个时刻的状态对解码器不同时刻的输出有着不同的影响，由于当前时刻的特征与过去时刻存在关联性，可以从过去不同时刻的融合特征状态信息中获取主要特征。在编码后的得到融合隐藏向量加入时间注意力机制。
其中，步骤S34包括：
S341：根据相应于不同时刻的Encoder-LSTM层输出的融合隐藏状态，通过解码器相应地确定时间注意力值；
确定时间注意力的计算公式如下所示：
式中，ld表示时间注意力值；
vd、Wd和Ud均为需要训练的参数；
表示d时刻的编码器的融合隐藏状态；/>表示t时刻的解码器的融合隐藏状态。
具体地，对不同时刻Encoder-LSTM层输出的融合隐藏状态作为预测时刻的上下文向量，依据当前时刻对过去时刻隐藏状态进行利用，在过去不同时刻的隐藏向量加入注意力有助于捕捉过去时刻对预测时刻的重要特征。
S342：根据不同时刻的时间注意力值，确定相应于不同时刻的解码器隐藏层的时间注意力权重；
确定时间注意力权重的计算公式如下所示：
式中，βd表示d时刻的解码器隐藏层的时间注意力权重；
S343：根据相应于不同时刻的解码器隐藏层的时间注意力权重，确定当前时刻的累积隐藏状态；
确定累积隐藏状态的计算公式如下所示：
式中，表示t时刻的解码器的累积隐藏状态；
表示d时刻的编码器的融合隐藏状态，1≤d≤T；
S344：根据当前时刻的累积隐藏状态进行全连接处理，得到相应于当前时刻的预测压力值；
确定预测压力值的计算公式如下所示：
式中，Wo和b表示线性变换的参数；Y′t表示当前时刻的预测值。
S4：获取待控制零件在当前时刻的实时压力值，以及判断相应于当前时刻的实时压力值和预测压力值是否相等，如果不相等，根据预测压力值以及基于滚动预测公式针对待控制零件的实时压力值进行调节控制。
具体地，如图5所示，图5为本申请实施例中根据压力预测值进行压装过程调控的流程示意图，本申请实施例采用预测控制方法进行控制。装配过程中设定值过大，PID方法在初始控制过程中的控制量大，可能造成设备及零件的损害。
预测控制可以在达到设定值之前按照参考轨迹进行调整控制量的大小，将压力预测模型输出的预测结果传入预测控制模型，模型预测结果作为比较器的负反馈调节的来源，并通过实际反馈结果与预测结果进行校正，压力预测模型的输出结果，使得控制过程更稳定，装配效果更好。
其中，步骤S4包括：
S41：获取待控制零件在当前时刻的实时数据，以及根据实时数据确定实际装配曲线。
S42：构建预测控制模型，通过预测控制模型判断相应于当前时刻的实时压力值和预测压力值是否相等，如果不相等，根据实时压力值和参考装配曲线确定参考轨迹。
参考轨迹的表示如下所示：
yr(t)＝y(t)。
yr(t+i)＝aryr(t+i-1)+(1-ar)r(t)。
式中，y(t)表示压装系统的实际输出值。
yr(t)表示压装系统的设定输出值。
ar表示柔化因子，ar∈[0，1)。
r(t)表示参考装配曲线中相应于压力预测值的压力参考值。
具体地，参考轨迹的设置目的是为了使压装系统的输出y(t)沿预先设定装配曲线达到压力设定值，避免控制量过大影响压装质量。
参考轨迹可依据具体装配过程提供理论依据的曲线进行设计。
S43：根据参考轨迹，通过预测控制模型确定校正预测反馈输出。
校正预测反馈输出的计算公式如下所示：
yp(t+1|t)＝ym(t)+h[y(t)-ym(t)]。
式中，ym(t)表示压力预测值，ym(t)＝Y′t；h表示校正权重。
S44：基于滚动预测公式，通过预测控制模型针对待控制零件的实时压力值进行调节控制。
滚动预测公式如下所示：
式中，p表示预测时域的未来p时刻。
yr(t+p)表示参考轨迹在未来p时刻的压力参考值。
yp(t+p)表示压力预测模型在未来p时刻的压力预测值。
q表示控制时域的未来q时刻。
λj表示加权系数。
u(t+j-1)表示在未来不同时刻u(t+1)、u(t+2)、……、u(t+q-1)的压装系统的控制压力值。
具体地，当Jc(t)取最小时，可求得未来时刻的控制量大小u(t+q-1)。依据控制量对压装过程进行实时控制，优化了装配过程，提高零件的装配质量。
S5：依据时序迭代执行步骤S3～S4，用于使实时压力值无限接近预测压力值。
S6：基于当前时刻，计算压力预测值和压力实时值之间的均方误差，根据均方误差以及参考轨迹与实际装配曲线之间的区别，判断待控制零件的压装质量是否合格。
具体地，采用均方误差来衡量模型的预测效果，公式如下所示：
式中，y’i表示压力预测值，yi表示压力实时值。
以上对本申请的实施例进行了详细说明，但内容仅为本申请的较佳实施例，不能被认为用于限定本申请的实施范围。凡依本申请范围所作的均等变化与改进等，均应仍属于本申请的专利涵盖范围之内。
Claims (8)
1.一种基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，包括：
S1：确定试验零件的装配数据，装配数据包括：类型、过盈量以及基于针对试验零件进行的压力装配实验确定的试验零件在装配过程中相应于连续装配时刻的若干个连续的试验位移值、若干个连续的试验速度值和若干个连续的试验压力值；
S2：搭建基于多层级特征融合多注意力机制的包括卷积层、若干层Encoder-LSTM单元和若干层Decoder-LSTM单元的混合注意力结构；
通过装配数据针对混合注意力结构进行训练，得到以包括类型、过盈量、连续装配时刻、若干个连续的实时位移值、若干个连续的实时速度值和和若干个连续的实时压力值的实时数据为输入项并且以预测压力值为输出项的压力预测模型；
S3：获取待控制零件在装配过程中相应于处于当前时刻以前的连续装配时刻的实时数据，以及输入所述实时数据至压力预测模型，得到相应于当前时刻的预测压力值；
S4：获取待控制零件在当前时刻的实时压力值，以及判断相应于当前时刻的实时压力值和预测压力值是否相等，如果不相等，根据预测压力值以及基于滚动预测公式针对待控制零件的实时压力值进行调节控制；
S5：依据时序迭代执行步骤S3～S4，用于使实时压力值无限接近预测压力值。
2.根据权利要求1所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述步骤S2包括：
S21：针对装配数据依次进行包括剔除装配失败时间段的预处理以及标准化处理，得到矩阵形式的标准数据；
S22：搭建基于多层级特征融合多注意力机制的包括卷积层、若干层Encoder-LSTM单元和若干层Decoder-LSTM单元的混合注意力结构；
S23：通过标准数据针对混合注意力结构进行训练，得到以包括类型、过盈量、连续装配时刻、若干个连续的实时位移值、若干个连续的实时速度值和和若干个连续的实时压力值的实时数据为输入项并且以预测压力值为输出项的压力预测模型。
3.根据权利要求1所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述步骤S3包括：
S31：获取待控制零件在装配过程中相应于处于当前时刻以前的连续装配时刻的实时数据和若干个连续的实时压力值，以及输入实时数据至压力预测模型；
S32：基于连续装配时刻的时序，通过卷积层针对实时数据进行特征提取，得到相应于实时数据的若干个隐藏向量，以及针对若干个隐藏向量进行全连接处理，得到相应于处于当前时刻以前的连续装配时刻的若干个特征向量；
S33：基于连续装配时刻的时序，根据特征向量确定分别相应于Encoder-LSTM单元不同隐藏层和Decoder-LSTM单元的隐藏状态；
基于层级注意力机制，针对分别相应于Encoder-LSTM单元以及Decoder-LSTM单元的隐藏状态进行特征融合，得到分别相应于编码器和解码器的融合隐藏状态；
S34：基于连续装配时刻的时序，基于时间注意力机制以及根据分别相应于编码器和解码器的融合隐藏状态，确定解码器的累积隐藏状态；
根据解码器的累积隐藏状态，确定相应于当前时刻的预测压力值。
4.根据权利要求3所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述步骤S32包括：
S321：通过包括Nc个卷积核的卷积层以及基于连续装配时刻的时序，针对实时数据进行特征提取，得到相应于实时数据的Nc张特征图；
相应于卷积核的特征提取的提取公式如下所示：
xk＝RELU(Wk*Xt+bk)；
式中，*表示卷积；ERLU表示激活函数；
xk表示第k个卷积核卷积后输出的一维向量；Xt表示矩阵形式的输入数据；
Wk表示第k个卷积核的权重参数；
bk表示第k个卷积核的偏置参数；
S322：基于连续装配时刻的时序，针对Nc张特征图进行全连接处理，得到相应于标准数据的特征向量；
全连接处理的公式如下所示：
式中，Nc表示卷积核的数目；
xk(i,j)表示第K张特征图中i行j列的值；
表示所有卷积核卷积后得到的特征向量。
5.根据权利要求3所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述步骤S33包括：
S331：基于连续装配时刻的时序以及根据相应于标准数据的特征向量，确认Encoder-LSTM单元的隐藏状态和Decoder-LSTM的隐藏状态；
确认Encoder-LSTM单元的隐藏状态的计算公式如下所示：
式中，表示Encoder-LSTM单元的隐藏状态；fe表示Encoder-LSTM单元；
表示t-1时刻编码器的隐藏状态；Xt表示过往时刻输入的特征数据；
表示t时刻卷积后的特征向量；/>表示拼接操作；
确认Decoder-LSTM单元的隐藏状态的计算公式如下所示：
式中，表示Decoder-LSTM单元的隐藏状态；fd表示Decoder-LSTM单元；
表示t-1时刻编码器的隐藏状态；X’t表示未来时刻的已知特征数据；
表示t时刻卷积后的特征向量；/>表示拼接操作；
S332：针对编码器和解码器不同层的隐藏状态引入层级注意力，得到相应于不同层隐藏状态的融合注意力值；
确定层级注意力值的计算公式如下所示：
ui＝vitanh(Wihi+Uiht)；
式中，ui表示相应于第i层LSTM的隐藏特征的融合注意力值，i表示不同的隐藏层，1≤i≤K；
vi、Wi和Ui均为需要训练的参数；
hi表示第i层LSTM的隐藏特征，ht表示当前时刻的隐藏特征；
S333：基于连续装配时刻的时序以及根据相应于不同隐藏层的融合注意力值，确定隐藏层的融合注意力权重；
隐藏层的融合注意力权重的计算公式如下所示：
式中，αi表示第i层LSTM的隐藏特征的融合注意力权重；
S334：基于连续装配时刻的时序以及根据隐藏层的融合注意力权重，分别确定相应于编码器的由Encoder-LSTM输出的融合隐藏状态以及相应于解码器的由Decoder-LSTM输出的融合隐藏状态；
融合隐藏状态的计算公式如下所示：
式中，表示t时刻的编码器中不同LSTM层特征融合后的融合隐藏状态；
表示t时刻的解码器中不同LSTM层特征融合后的融合隐藏状态。
6.根据权利要求4所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述步骤S34包括：
S341：根据相应于不同时刻的Encoder-LSTM层输出的融合隐藏状态，通过解码器相应地确定时间注意力值；
确定时间注意力的计算公式如下所示：
式中，ld表示时间注意力值；
vd、Wd和Ud均为需要训练的参数；
表示d时刻的编码器的融合隐藏状态；/>表示t时刻的解码器的融合隐藏状态；
S342：根据不同时刻的时间注意力值，确定相应于不同时刻的解码器隐藏层的时间注意力权重；
确定时间注意力权重的计算公式如下所示：
式中，βd表示d时刻的解码器隐藏层的时间注意力权重；
S343：根据相应于不同时刻的解码器隐藏层的时间注意力权重，确定当前时刻的累积隐藏状态；
确定累积隐藏状态的计算公式如下所示：
式中，表示t时刻的解码器的累积隐藏状态；
表示d时刻的编码器的融合隐藏状态，1≤d≤T；
S344：根据当前时刻的累积隐藏状态进行全连接处理，得到相应于当前时刻的预测压力值；
确定预测压力值的计算公式如下所示：
式中，Wo和b表示线性变换的参数；Y't表示当前时刻的预测值。
7.根据权利要求1所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述步骤S1包括：
S11：确定试验零件的装配数据，装配数据包括：类型、过盈量以及基于针对试验零件进行的压力装配实验确定的试验零件在装配过程中相应于连续装配时刻的若干个连续的试验位移值、若干个连续的试验速度值和若干个连续的试验压力值；
S12：根据装配数据，确定参考装配曲线；
以及，所述步骤S4包括：
S41：获取待控制零件在当前时刻的实时数据，以及根据实时数据确定实际装配曲线；
S42：构建预测控制模型，通过预测控制模型判断相应于当前时刻的实时压力值和预测压力值是否相等，如果不相等，根据实时压力值和参考装配曲线确定参考轨迹；
所述参考轨迹的表示如下所示：
yr(t)＝y(t)；
yr(t+i)＝aryr(t+i-1)+(1-ar)r(t)；
式中，y(t)表示压装系统的实际输出值；
yr(t)表示压装系统的设定输出值；
ar表示柔化因子，ar∈[0,1)；
r(t)表示参考装配曲线中相应于压力预测值的压力参考值；
S43：根据参考轨迹，通过预测控制模型确定校正预测反馈输出；
校正预测反馈输出的计算公式如下所示：
yp(t+1|t)＝ym(t)+h[y(t)-ym(t)]；
式中，ym(t)表示压力预测值，ym(t)＝Y't；h表示校正权重；
S44：基于滚动预测公式，通过预测控制模型针对待控制零件的实时压力值进行调节控制；
所述滚动预测公式如下所示：
式中，p表示预测时域的未来p时刻；
yr(t+p)表示参考轨迹在未来p时刻的压力参考值；
yp(t+p)表示压力预测模型在未来p时刻的压力预测值；
q表示控制时域的未来q时刻；
λj表示加权系数；
u(t+j-1)表示在未来不同时刻u(t+1)、u(t+2)、……、u(t+q-1)的压装系统的控制压力值。
8.根据权利要求7所述的基于层级特征融合多注意力机制的压装预测控制方法，其特征在于，所述方法还包括：
S6：基于当前时刻，计算压力预测值和压力实时值之间的均方误差，根据均方误差以及参考轨迹与实际装配曲线之间的区别，判断待控制零件的压装质量是否合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310764244.6A CN116700001A (zh) | 2023-06-27 | 2023-06-27 | 一种基于层级特征融合多注意力机制的压装预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310764244.6A CN116700001A (zh) | 2023-06-27 | 2023-06-27 | 一种基于层级特征融合多注意力机制的压装预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116700001A true CN116700001A (zh) | 2023-09-05 |
Family
ID=87837289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310764244.6A Pending CN116700001A (zh) | 2023-06-27 | 2023-06-27 | 一种基于层级特征融合多注意力机制的压装预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700001A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494071A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
-
2023
- 2023-06-27 CN CN202310764244.6A patent/CN116700001A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494071A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
| CN117494071B (zh) * | 2023-12-29 | 2024-04-16 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
| CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
| CN111815053B (zh) | 一种针对工业时序数据的预测方法及系统 | |
| CN116700001A (zh) | 一种基于层级特征融合多注意力机制的压装预测控制方法 | |
| CN113093536A (zh) | 非线性系统执行器故障的自适应增量优化容错控制方法 | |
| CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
| CN111581832A (zh) | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 | |
| CN108303672B (zh) | 基于位置指纹的wlan室内定位误差修正方法及系统 | |
| CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
| CN112439794A (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
| CN110488759A (zh) | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 | |
| JP5150371B2 (ja) | 制御器、制御方法および制御プログラム | |
| CN110674928B (zh) | 一种融合人工神经网络和神经形态计算的在线学习方法 | |
| CN112819224B (zh) | 基于深度学习融合模型的机组出力预测及置信评估方法 | |
| CN111290282A (zh) | 火电机组协调系统的预见式预测控制方法 | |
| CN116197904A (zh) | 基于深度学习的多自由度3d打印校正方法 | |
| CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
| CN114442557A (zh) | 一种机床温度场快速辨识方法及系统 | |
| JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
| CN115982555A (zh) | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 | |
| CN114764827A (zh) | 一种自适应低光照场景下的桑叶病虫害检测方法 | |
| US11783194B1 (en) | Evolutionary deep learning with extended Kalman filter for modeling and data assimilation | |
| CN106780358A (zh) | 基于全变分模型的irfpa非均匀性神经网络校正方法 | |
| CN113469262A (zh) | 一种基于Fisher信息矩阵的增量学习方法 | |
| Patan | Training of the dynamic neural networks via constrained optimisation |
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 |