基于并联长短期记忆网络的制造装配产品质量预测方法技术

本发明专利技术公开了一种基于并联长短期记忆网络的制造装配产品质量预测方法。产品各个工位步骤的特征获取；产品各个工位步骤的特征预处理过程；基于并联长短期记忆网络的产品质量预测模型的建立；基于并联长短期记忆网络的产品质量预测模型的参数优化训练；基于上述质量预测模型，对待测样本的质量特征进行预测。本发明专利技术用于处理制造装配过程中可能存在并行工步时的产品质量预测问题，其可以自动获取并行工步之间的跨工步工艺过程参数之间的影响，具有较高的产品质量预测精度、灵活性、预测效率和模型重用性。

【技术实现步骤摘要】
基于并联长短期记忆网络的制造装配产品质量预测方法
本专利技术涉及了可能存在并行工步的制造装配过程产品质量预测方法，尤其涉及一种基于并联长短期记忆网络的制造装配过程产品质量预测方法。
技术介绍
目前在机械领域企业的发展中，产品的制造装配质量起到了决定性作用。因此制造装配过程产品质量预测，作为制造装配过程产品质量监控和控制的基础，受到了广泛的关注与研究。然而在制造装配过程中，产品通常经过不同类型的多种工位步骤，不同工位步骤之间又存在相互影响，单独工位步骤内部与多个工位步骤之间包含了很多的耦合性特征与不确定性特征。又由于当前制造装配企业产品定制程度高，产品制造装配工艺及设备使用灵活，不同产品经过的工步很可能不同，导致实现制造装配过程的产品质量预测建模将会更加复杂。同时在制造装配过程中，工步与工步之间存在着两种关系，串联关系和并联关系，这两种关系增加了产品质量工步依赖关系探索的难度，同时增加了制造装配过程产品质量预测的难度。目前存在的制造装配过程产品质量预测装备与方法中，有以下几种方式：基于物理或数学模型的质量预测方法、数据驱动的质量预测方法。基于物理或数学模型的质量预测模型，针对制造装配过程这种复杂的多工步串并联耦合过程，实现起来十分困难，所以目前的该方向的研究往往针对单工步或相邻工步之间的影响。数据驱动的质量预测模型，目前的研究中通常使用以下两种方式：使用判别函数直接拟合、假设制造过程为马尔科夫过程。使用判别函数直接拟合时，不考虑产品制造装配过程工艺参数之间的影响，直接以产品制造装配过程的工艺过程参数作为输入，以质量特征作为输出，寻找一个相对较优的映射函数。此时模型的预测精度低，且可重用性很差。使用马尔科夫过程假设时，忽略了制造装配过程的跨工步之间的影响，假设了制造装配过程的当前工步只和上一工步相关。然而在制造装配过程中，经常会出现跨工步之间的影响很大的情况。因此很有必要开发一种可以获取跨工步之间依赖关系的产品制造装配过程质量预测装置及方法。同时在制造装配过程中，可能存在并行工步的情况，即在产品在同一时刻经过了多个工步，此时传统的长短期记忆网络将无法获取跨工步的依赖关系。因此本专利技术提出了一种长短期记忆网络的变体：并联长短期记忆网络，用于处理存在并行工步情况下的工步依赖关系获取，进而用于产品制造装配过程质量预测。当产品制造装配过程不存在并行工步即所有工步时序上串联连接时，该模型等价于长短期记忆网络。
技术实现思路
为了解决制造装配过程中产品质量无法准确预测的技术问题，本专利技术提出一种数据驱动的制造装配过程跨工步质量参数记忆的产品质量预测装置及方法，针对制造装配过程可能存在并行工步的情况，量化并计算制造装配过程跨工步之间的影响及作用，分析各工步产生的工艺过程参数数据的内在特征，获取其和最终产品质量参数之间的联系，最终预测产品质量。本专利技术所述方法可以广泛用于各种制造装配过程产品质量预测中，所述制造装配过程产品质量预测案例如：大型盾构装备部件制造与整件装配、火箭壳体制造装配、航空发动机部件制造与整件装配、工业汽轮机部件制造与整件装配、水平轴海流能发电机组部件制造与整件装配、空分装备部件制造与整件装配、汽车部件制造与整件装配、高档数控机床部件制造与整件装配、注塑装备部件制造与整件装配等。本专利技术特殊地按照可能存在并行工步的制造装配工序将制造装配过程分为各个模块，并且建立各个模块各自独立的质量预测子模型，设计了并联长短期记忆网络按照零部件工序中的各个时刻的制造步骤将各个模块的质量处理模型通过串联或并联连接起来，获取跨工步过程的影响，同时在所有连接之后的质量处理模型最后加入连接上终处理模型，实现质量分类或回归需求。如图1所示，本专利技术采用了以下技术方案，方法包括以下主要流程步骤：步骤一、产品各个工位步骤的特征获取；步骤二、产品各个工位步骤的特征预处理过程；步骤三、基于并联长短期记忆网络的产品质量预测模型的建立；步骤四、基于并联长短期记忆网络的产品质量预测模型的参数优化训练；步骤五、基于上述质量预测模型，对待测样本的质量特征进行预测；本专利技术方法具体如下：本专利技术是通过以下技术方案步骤实现的，具体的流程图如图2所示。步骤1、数据获取该步骤体现在系统架构的数据获取模块(1)中，数据获取模块(1)与CAPP系统等有接口直接获取工艺过程参数，最终将获取到的工艺过程参数存储在分布式数据库中。通过多传感器获取产品制造装配过程各个工位步骤中的过程参数数据作为输入特征数据，包括产品各个工位步骤的工艺过程参数和测量参数；步骤2、数据预处理该步骤体现在系统架构的数据预处理模块(2)中，数据预处理模块(2)与数据获取模块之间存在数据流，对存储在分布式数据库中的数据做一定的预处理步骤。数据预处理过程包括异常值处理、依据产品制造装配过程的特征分组与排序处理、特征分组组内空缺输入特征的处理、工位步骤不平衡数据集的均衡随机重采样处理、组内特征的降维处理；步骤2-1、样本数据异常值处理在数据获取过程中，可能存在由于人为失误或测量设备故障而出现一些异常数据。所以首先对各个输入特征依据领域知识设定阈值基准，根据参数数据与阈值基准之间的大小关系，判断所有输入特征是否存在异常值或离群点，若存在异常值或离群点则删除；步骤2-2、依据产品制造装配过程的特征分组与排序处理将产品的制造装配过程按照制造装配工序设置不同模块，工序中的每个工位步骤设置一个模块，按照输入特征记录时所处的模块将所有输入特征进行分组，同时按照模块之间工位步骤的时序关系将分好组后的输入特征进行排序，分为并行和串行两种排序方式；并且对于处于同一时刻的多个工位步骤对应的模块之间并行，形成并行模块，并行模块中的各个工位步骤之间的排列顺序无影响；步骤2-3、特征分组组内空缺输入特征的处理一个零件在整个制造装配工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目，质量特征比如产品是否合格、或者产品表面粗糙度；然后作以下判断：若含有空缺输入特征的样本条目的数量少于样本条目总数的30％，针对所有含有空缺输入特征的样本条目中的空缺输入特征，使用其他样本条目中的该空缺输入特征的均值进行填充；若含有空缺输入特征的样本条目的数量不少于样本条目总数的30％，针对所有含有空缺输入特征的样本条目中的空缺输入特征，使用空缺输入特征所在工位步骤的其他特征作为输入，使用回归或分类方法进行预测获得后进行填充；空缺输入特征是指在特征获取过程中由于人员记录失误而未获得的空缺数值。步骤2-4、工位步骤不平衡数据集的均衡随机重采样处理由步骤2-3填充处理获得的所有特征构成数据集，在产品制造装配过程中，往往故障样本的数目会远远少于合格样本的数量，展现出数据集类别极不平衡的特点，同时也会展现出工位步骤样包含样本数目极不平衡的特点，采用工位步骤样本均衡随机重采样算法对数据集进行处理；步骤2-5、组内特征的降维处理由于从不同的工位步骤得到的测量值和工艺过程参数可能存在很多非线性特征，造成特征冗余度高，若直接使用这些粗糙的数据，将会导致模型的训练和预测的时间复杂度和空间复杂度提高，同时导致模型极易过拟合。采用自编码器进行维度缩减，获取产品的特征数据从高维空间到低维空间的非线性映射关系，能够解决导致模型过拟合的问题；步骤2-6、样本数据集划分训练本文档来自技高网...

【技术保护点】
1.一种基于并联长短期记忆网络的制造装配产品质量预测方法，其特征在于：所述方法包括以下主要流程步骤：步骤一、产品各个工位步骤的特征获取；步骤二、产品各个工位步骤的特征预处理过程；步骤三、基于并联长短期记忆网络的产品质量预测模型的建立；步骤四、基于并联长短期记忆网络的产品质量预测模型的参数优化训练；步骤五、基于上述质量预测模型，对待测样本的质量特征进行预测；方法具体如下：步骤1、数据获取通过多传感器获取产品制造装配过程各个工位步骤中的过程参数数据作为输入特征数据，包括产品各个工位步骤的工艺过程参数和测量参数；步骤2、数据预处理数据预处理过程包括异常值处理、依据产品制造装配过程的特征分组与排序处理、特征分组组内空缺输入特征的处理、工位步骤不平衡数据集的均衡随机重采样处理、组内特征的降维处理；步骤2‑1、样本数据异常值处理设定阈值基准，根据参数数据与阈值基准之间的大小关系，判断所有输入特征是否存在异常值或离群点，若存在异常值或离群点则删除；步骤2‑2、依据产品制造装配过程的特征分组与排序处理将产品的制造装配过程按照制造装配工序设置不同模块，工序中的每个工位步骤设置一个模块，按照输入特征记录时所处的模块将所有输入特征进行分组，同时按照模块之间工位步骤的时序关系将分好组后的输入特征进行排序，分为并行和串行两种排序方式，处于同一时刻的多个工位步骤对应的模块形成并行模块，并行模块中的各个工位步骤之间的排列顺序无影响；步骤2‑3、特征分组组内空缺输入特征的处理一个零件在整个制造装配工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目，然后作以下判断：若含有空缺输入特征的样本条目的数量少于样本条目总数的30％，针对所有含有空缺输入特征的样本条目中的空缺输入特征，使用其他样本条目中的该空缺输入特征的均值进行填充；若含有空缺输入特征的样本条目的数量不少于样本条目总数的30％，针对所有含有空缺输入特征的样本条目中的空缺输入特征，使用空缺输入特征所在工位步骤的其他特征作为输入，使用回归或分类方法进行预测获得后进行填充；步骤2‑4、工位步骤不平衡数据集的均衡随机重采样处理由步骤2‑3填充处理获得的所有特征构成数据集，采用工位步骤样本均衡随机重采样算法对数据集进行处理；步骤2‑5、组内特征的降维处理采用自编码器进行维度缩减，获取产品的特征数据从高维空间到低维空间的非线性映射关系；步骤3、基于并联长短期记忆网络的制造装配过程产品质量预测模型构建针对每个工位步骤的模块构建单独的质量特征嵌入模型、并联长短期记忆网络和终处理模型，质量特征嵌入模型由质量预测子模型和后处理子模型构成，并联长短期记忆网络由长短期记忆单元、传输门和输出门构成；不同工位步骤根据制造装配工序的时序关系共享并联长短期记忆网络；在每个工位步骤的模块中，质量特征嵌入模型和长短期记忆单元依次衔接，每个工位步骤的工艺过程参数和测量参数输入到质量预测子模型中，经质量预测子模型处理获得该工位步骤的隐式质量参数，然后输入到后处理子模型，经后处理子模型升维或降维处理获得规范维度的向量，由规范维度的向量得到工位步骤对应的工步特征嵌入et,j；然后输入到长短期记忆单元，经长短期记忆单元处理获得长短期记忆单元的单元状态...

【技术特征摘要】
1.一种基于并联长短期记忆网络的制造装配产品质量预测方法，其特征在于：所述方法包括以下主要流程步骤：步骤一、产品各个工位步骤的特征获取；步骤二、产品各个工位步骤的特征预处理过程；步骤三、基于并联长短期记忆网络的产品质量预测模型的建立；步骤四、基于并联长短期记忆网络的产品质量预测模型的参数优化训练；步骤五、基于上述质量预测模型，对待测样本的质量特征进行预测；方法具体如下：步骤1、数据获取通过多传感器获取产品制造装配过程各个工位步骤中的过程参数数据作为输入特征数据，包括产品各个工位步骤的工艺过程参数和测量参数；步骤2、数据预处理数据预处理过程包括异常值处理、依据产品制造装配过程的特征分组与排序处理、特征分组组内空缺输入特征的处理、工位步骤不平衡数据集的均衡随机重采样处理、组内特征的降维处理；步骤2-1、样本数据异常值处理设定阈值基准，根据参数数据与阈值基准之间的大小关系，判断所有输入特征是否存在异常值或离群点，若存在异常值或离群点则删除；步骤2-2、依据产品制造装配过程的特征分组与排序处理将产品的制造装配过程按照制造装配工序设置不同模块，工序中的每个工位步骤设置一个模块，按照输入特征记录时所处的模块将所有输入特征进行分组，同时按照模块之间工位步骤的时序关系将分好组后的输入特征进行排序，分为并行和串行两种排序方式，处于同一时刻的多个工位步骤对应的模块形成并行模块，并行模块中的各个工位步骤之间的排列顺序无影响；步骤2-3、特征分组组内空缺输入特征的处理一个零件在整个制造装配工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目，然后作以下判断：若含有空缺输入特征的样本条目的数量少于样本条目总数的30％，针对所有含有空缺输入特征的样本条目中的空缺输入特征，使用其他样本条目中的该空缺输入特征的均值进行填充；若含有空缺输入特征的样本条目的数量不少于样本条目总数的30％，针对所有含有空缺输入特征的样本条目中的空缺输入特征，使用空缺输入特征所在工位步骤的其他特征作为输入，使用回归或分类方法进行预测获得后进行填充；步骤2-4、工位步骤不平衡数据集的均衡随机重采样处理由步骤2-3填充处理获得的所有特征构成数据集，采用工位步骤样本均衡随机重采样算法对数据集进行处理；步骤2-5、组内特征的降维处理采用自编码器进行维度缩减，获取产品的特征数据从高维空间到低维空间的非线性映射关系；步骤3、基于并联长短期记忆网络的制造装配过程产品质量预测模型构建针对每个工位步骤的模块构建单独的质量特征嵌入模型、并联长短期记忆网络和终处理模型，质量特征嵌入模型由质量预测子模型和后处理子模型构成，并联长短期记忆网络由长短期记忆单元、传输门和输出门构成；不同工位步骤根据制造装配工序的时序关系共享并联长短期记忆网络；在每个工位步骤的模块中，质量特征嵌入模型和长短期记忆单元依次衔接，每个工位步骤的工艺过程参数和测量参数输入到质量预测子模型中，经质量预测子模型处理获得该工位步骤的隐式质量参数，然后输入到后处理子模型，经后处理子模型升维或降维处理获得规范维度的向量，由规范维度的向量得到工位步骤对应的工步特征嵌入et,j；然后输入到长短期记忆单元，经长短期记忆单元处理获得长短期记忆单元的单元状态和隐藏状态进而用于工位步骤之间的传递；在相邻时刻并行工位步骤对应的并行模块之间的设置连接有多个传输门，传输门的数量和处于下一时刻的并行模块中的工位步骤数量相同，在终处理模型和最后一个并行工位步骤对应的并行模块之间设置连接有一个输出门；上一个时刻的以及上一时刻之前所有的工位步骤的长短期记忆单元获得的长短期记忆单元的单元状态和隐藏状态输入到后面所连接的传输门中，传输门中将上一时刻的以及上一时刻之前的所有并行工位步...

【专利技术属性】
技术研发人员：刘振宇，张栋豪，郏维强，刘惠，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33