一种多品种小批量生产的工件质量在线智能预测方法技术

本发明专利技术涉及一种多品种小批量生产的工件质量在线智能预测方法，包括以下步骤：步骤S1:获取数控机床设备电参数数据和加工工件质量参数，并随机划分为训练集和验证集；步骤S2:采用K折交叉验证法将训练集划分为

【技术实现步骤摘要】
一种多品种小批量生产的工件质量在线智能预测方法
本专利技术涉及生产制造
，具体涉及一种多品种小批量生产的工件质量在线智能预测方法。
技术介绍
目前有基于钛合金切削力预测的指数模型预测铣削过程预测，在动态切削力仿真的基础之上,进一步研究了切削系统的切削稳定性,对钛合金加工系统进行了平稳切削区域预测；基于支持向量机原理建立铣削力模型作为表面粗糙度预测的方法。但是以上方法有如下不足：(1)现实的加工中经常会出现长刀杆加工深腔类零件和薄壁零件的情况，在这种情况下仅仅分析机床系统的振动特性将会对稳定性预测造成很大的误差，因此利用铣削力质量预测难以准确预测。(2)建立铣削力预测模型对于工件质量的预测未考虑切削热的影响。因此有局限性。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种多品种小批量生产的工件质量在线智能预测方法，有效提高预测质量。为实现上述目的，本专利技术采用如下技术方案：一种多品种小批量生产的工件质量在线智能预测方法，包括以下步骤：步骤S1:获取数控机床设备电参数数据和加工本文档来自技高网...

【技术保护点】
1.一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，包括以下步骤：/n步骤S1:获取数控机床设备电参数数据和加工工件质量参数，并随机划分为训练集和验证集；/n步骤S2:采用K折交叉验证法将训练集划分为i个子训练集；/n步骤S3:将子训练集分别用于训练CNN-LSTM算法参数，得到i个已训练的CNN-LSTM算法模型；/n步骤S4:通过验证集分别计算CNN-LSTM算法模型的准确率，将准确率最高的CNN-LSTM算法模型作为最优模型；/n步骤S5:将待测数据输入最优模型，得到预测质量。/n

【技术特征摘要】
1.一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，包括以下步骤：
步骤S1:获取数控机床设备电参数数据和加工工件质量参数，并随机划分为训练集和验证集；
步骤S2:采用K折交叉验证法将训练集划分为i个子训练集；
步骤S3:将子训练集分别用于训练CNN-LSTM算法参数，得到i个已训练的CNN-LSTM算法模型；
步骤S4:通过验证集分别计算CNN-LSTM算法模型的准确率，将准确率最高的CNN-LSTM算法模型作为最优模型；
步骤S5:将待测数据输入最优模型，得到预测质量。


2.根据权利要求1所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S1具体为：
步骤S1.1：初始化训练集Ct和验证集Cv分别为空。
步骤S1.2：对获取数控机床设备电参数数据和加工工件质量参量数据进行N次有放回抽样，N为数据条数；将抽到的数据添加入训练集Ct；
步骤S1.3：将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv。


3.根据权利要求1所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S3具体为：
步骤S3.1:选取一个子训练集,作为CNN-LSTM算法模型的训练集合；
步骤S3.2:初始化CNN-LSTM算法模型参数；
步骤S3.3：计算CNN-LSTM算法模型的梯度值；
步骤S3.4：定义学习率为η，并进一步获取CNN-LSTM算法模型的权值更新量；
步骤S3.5:循环重复迭代n次，得到模型M1；
步骤S3.6:将剩余子训练集数据依次按(3.2)到(3.6)步骤执行，执行所得模型与M1一同构成待测试模型集合MM＝[M1M2…M3]。


4.根据权利要求3所述的一种多品种小批量生产的工件质量在线智能预测方法，其特征在于，所述步骤S3.2具体为：
设子训练集Ct1中的数据为x＝[x1x2x3...xm]T，m为数据条数。y＝[y2y3...ym+1]T为数据x对应的标签。
定义交叉熵损失函数



其中，为预测标签向量，为第i个预测值；
设置补0填充数P1；
设置卷积核的大小K1和数量F1和步长S1；
设置卷积层的激活函数ReLU(x)



设置卷积层输出尺寸O，输入电参数数据尺寸N



设置池化层的类型g1，池化核大小k1和步长s1；
池化计算公式z1



使用n*1的卷积核对池化层的输出进行卷积运算，得到1维的电参数数据向量T，作为LSTM部分的输入；
设置LSTM激活函数σ(x)，tanh(x)

【专利技术属性】
技术研发人员：林正英，念志伟，朱圣杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35