一种基于误差传递网络与提升树算法的质量预测方法技术

本发明专利技术公开一种基于误差传递网络与提升树算法的质量预测方法，建立基于零件加工特征和加工要素的制造资源关系网络；构建制造资源关系网络与质量子网络合并的多工序误差传递网络；确定质量预测模型的输入和输出特征，构建基于误差传递网络与提升树算法的质量预测模型；利用粒子群和网格搜索算法分别对超参数进行优化；建立模型准确率和成熟度的评价指标；利用蒙特卡洛方法生成的生产现场仿真数据，推测产品合格率。本发明专利技术实现了产品生产过程的可视化建模，设计了一种预测能力稳定，参数便于优化，效率和准确率高的质量预测方法，解决了企业对产品质量的精准预测，对加工质量做到提前预防与控制，有助于企业质量损失的降低和经济效益的提高。

A Quality Prediction Method Based on Error Transfer Network and Lifting Tree Algorithms

【技术实现步骤摘要】
一种基于误差传递网络与提升树算法的质量预测方法
本专利技术属于加工质量预测领域，具体涉及一种基于误差传递网络与提升树算法的质量预测方法。
技术介绍
产品的生产制造质量受人、机、料、法、环、测等多种因素的综合影响，且影响过程是复杂的非线性过程。目前企业多采用SPC等过程状态监控的方式对零件加工质量进行管控，通过模式图的异常判别，反馈加工过程中存在的生产异常情况，再对异常情况进行处理，这种零件加工质量控制的方法属于事后控制，给企业带来产品质量不合格的风险。目前基于智能算法的质量预测方法大部分采用SVR和BP神经网络。BP神经网络结构设计依赖于个人经验，需要的训练数据量大。SVR预测需要考虑的超参数变化范围大，寻优过程复杂且容易陷入局部最优。同时，在多工序复杂工况下，二者均存在预测能力有限，预测精度不高的问题。企业急需一种预测能力稳定，参数便于优化，效率和准确率高的质量预测方法，以运用于多工序复杂工况下的实际生产中，实现产品质量的预测与提前控制，减少经济损失。
技术实现思路
本专利技术的目的在于提供一种基于误差传递网络与提升树算法的质量预测方法，以解决上述问题。为实现上述目的，本专利技术采用以本文档来自技高网...

【技术保护点】
1.一种基于误差传递网络与提升树算法的质量预测方法，其特征在于，包括以下步骤：步骤1，提取网络结点，确定连接关系，构建与零件加工质量特性有关的多工序误差传递网络；步骤2，根据步骤1得到的多工序误差传递网络，确定质量预测模型的输入和输出特征，基于提升树算法，构建基于误差传递网络与提升树算法的质量预测模型；步骤3，根据步骤2得到的质量预测模型，利用粒子群和网格搜索算法分别对提升树算法中连续和离散的超参数进行寻优，得到优化后的质量预测模型；步骤4，建立模型准确率和成熟度的评价指标，用以评估步骤3得到的质量模型的优劣，保证所述质量模型预测质量；步骤5，利用蒙特卡洛方法生成样本仿真数据，作为步骤3中训练...

【技术特征摘要】
1.一种基于误差传递网络与提升树算法的质量预测方法，其特征在于，包括以下步骤：步骤1，提取网络结点，确定连接关系，构建与零件加工质量特性有关的多工序误差传递网络；步骤2，根据步骤1得到的多工序误差传递网络，确定质量预测模型的输入和输出特征，基于提升树算法，构建基于误差传递网络与提升树算法的质量预测模型；步骤3，根据步骤2得到的质量预测模型，利用粒子群和网格搜索算法分别对提升树算法中连续和离散的超参数进行寻优，得到优化后的质量预测模型；步骤4，建立模型准确率和成熟度的评价指标，用以评估步骤3得到的质量模型的优劣，保证所述质量模型预测质量；步骤5，利用蒙特卡洛方法生成样本仿真数据，作为步骤3中训练成熟的预测模型的输入，根据预测模型输出的预测值推断产品合格率，为生产调整提供依据。2.根据权利要求1所述的基于误差传递网络与提升树算法的质量预测方法，其特征在于，步骤1中，根据零件工序间存在传递耦合效应、加工工艺规划及复杂网络理论，生成误差传递网络，具体方法是：步骤101，将零件加工特征和加工要素定义为网络结点，其中加工要素定义为5M1E理论中影响加工特征质量的所有因素，加工特征间以及加工要素和加工特征间的关联关系定义为网络的边，得到关于零件加工要素和加工特征的制造资源关系网络；G'＝<{F,D},E'>式中，边集E'＝{e1,…,er'}，加工特征结点集合F＝{F1,…,Fn'}，加工要素结点集合D＝{D1,…,Dm'}，其中，r'为制造资源关系网络边数，n'为加工特征结点数，m'为加工要素结点数；步骤102，建立基于加工特征Fi的质量子网络GQi，表达式为GQi＝<{Fi,Qi},EQi>式中，Qi＝{Qi1,Qi2,…,Qil}为加工特征Fi的质量特征集，l表示加工特征Fi的质量特征的数量；EQi＝{eQi1,…,eQil}，eQij是二元组<Fi,Qij>，表示无向边，质量特征点Qij从属于加工特征点Fi；步骤103，将步骤101所得的制造资源关系网络与步骤102得到的质量子网络相同的结点合并，最终形成误差传递网络，过程描述为G＝<V,E>＝G'∪GQ1∪…∪GQn＝<{F,D},E'>∪<{F1,Q1},EQ1>∪…∪<{Fn,Qn},EQn>式中，G为误差传递网络，V＝{F1∪…∪Fn∪D1∪…∪Dm∪Q1∪…∪Ql}为误差传递网络结点集，网络边集E＝{e1,e2,…,er}，r为误差传递网络边数，n、m和l分别为加工特征、加工要素和质量特性的结点数量。3.根据权利要求1所述的基于误差传递网络与提升树算法的质量预测方法，其特征在于，步骤2中确定质量预测模型的输入和输出特征具体过程为：步骤201，模型采用的输入值和输出值为加工要素和加工质量特性的偏差值，加工要素为5M1E理论中的所有可测环节，归纳可测的加工要素和可测的加工质量特性，可测的加工要素归纳为三类，分别是刀具误差εT、机床误差εM和夹具误差εF；可测的加工质量特性归纳为三类，分别是公称尺寸e1、形位公差e2和表面质量e3；步骤202，根据步骤201中归纳的加工要素和加工质量特性，确定质量预测模型的输出特征，y＝eo式中，y为预测模型的输出特征，eo为需要预测的质量特性误差值；输入特征为多工序误差传递网络中影响该质量特性误差的加工要素的误差和加工质量特性偏差，x＝{εi,ei}式中，x为预测模型的输入特征集合，εi＝{εTi,εMi,εFi}为影响输出特征的加工质量特性偏差集合，ei＝{ei1,ei2,ei3}为影响输出特征的加工要素偏差集合；步骤203，以步骤202所述输入特征和输出特征为基础，构建以提升树算法为基础的质量预测模型，得到单棵回归树质量预测模型；步骤204，以步骤203所得单棵回归树质量预测模型为基础，采用前向分布算法，得到提升树质量预测模型。4.根据权利...

【专利技术属性】
技术研发人员：陈琨，娄洪，李兴炜，李丽丽，高建民，高智勇，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61