【技术实现步骤摘要】
一种机电产品装配误差在线预测方法
[0001]本专利技术属于机电产品装配质量领域,特别是一种基于自编码器与Boosting
‑
OSKELM算法的机电产品装配误差在线预测方法。
技术介绍
[0002]智能制造是机电产品制造的重要方向,对促进机械、信息、电子等行业的发展具有重要意义。机电产品种类繁多、功能多样,已被广泛应用于民用生活、设备生产、海洋探索、航空航天等多个领域,在保证民生和国家战略层面具有重要地位。
[0003]机电产品,尤其是高精密装备机电产品,往往有着十分复杂的装配过程,其装配活动多是由装配操作人员在特定的环境下,通过工人手动地,或是操作机器设备,按照规定的装配工艺对产品进行装配。由于装配的不确定性,机电产品装配质量会受到多种不同因素的影响,难以对装配误差进行合理、准确的预测,不利于企业的装配活动的开展与产品质量的控制,加重了企业生产负担。
[0004]在机电产品的装配活动中,会产生大量的工业数据,如装配顺序、装配力、焊点应力等。这些数据从多个层级、多个角度隐式地影响着产品装配误差。然而,受限于数据分析能力与装配数据特点,企业并未能很好地利用这部分数据建立起工艺参数与装配误差的映射关系。因此,如何基于这部分工业数据实现对装配误差的科学预测,对于改进装配工艺、提高企业装配效率、降低企业装配成本具有重要意义。
技术实现思路
[0005]本专利技术的目的在于提供一种基于自编码器与Boosting
‑
OSKELM算法的机电产品装配误差在线预测方法 ...
【技术保护点】
【技术特征摘要】
1.一种基于自编码器与Boosting
‑
OSKELM算法的机电产品装配误差在线预测方法,其特征在于,包括以下步骤:步骤1、构建训练样本数据集:确定机电产品装配线中某一工序的装配工艺参数与装配误差;根据历史装配过程数据,组建样本集,每个样本点的输入即为工序的装配工艺参数,输出即为与之对应的装配误差;随后,对该样本集的输入与输出分别做无量纲化处理;最后,将样本数据分为训练集与测试集;步骤2、基于带有Fine
‑
Tuning技巧的自编码器进行样本数据降阶表征:根据样本集输入维度数目,搭建自编码器神经网络结构;该神经网络结构分为编码器与解码器部分,编码器是由神经元数量逐渐减少的网络层堆叠而成,而解码器是由神经元数量逐渐增加的网络层堆叠而成;接着,在编码器的输出层拼接多层感知机,其输出结果为所要预测的装配误差;然后,结合修正后的整体网络损失函数,使用梯度下降法更新整体网络连接权重与偏置;训练完成后,将整体网络前部的自编码器剥离下来,结合自编码器重构损失函数,重新训练;随后,将自编码器前部的编码器部分剥离下来,并将原样本数据中的工艺输入数据输入至该结构中,输出结果即为原样本输入数据的降维结果;最后,将该降维结果与原样本输出数据组建成新的训练数据集,从而实现样本数据的降阶表征;步骤3、基于Boosting
‑
OSKELM的装配误差在线预测:确定可供选择的核函数以及核函数中可供选取的超参数取值;采用Boosting提升策略,确定不同核的提升顺序;在既定超参数与提升顺序下,使用基于第一个核的核极限学习机在降阶后的训练集上进行预测,并将预测结果的残差替换掉样本集中的输出;同样地,使用基于第二个核的核极限学习机在样本集上进行预测,并将预测结果的残差替换掉上一次的残差,依此类推,直至所有的核极限学习机均完成预测;随后,将不同核极限学习机的预测结果进行累加,即可得到Boosting
‑
KELM的预测性能;通过对预测性能的比较,筛选出预测精度最高的Boosting
‑
KELM模型及其对应的核函数超参数与提升顺序;最后,基于最优超参数与最优提升顺序,按照在线贯序极限学习机的增量学习递推公式,实现装配误差的在线预测。2.根据权利要求1所述的基于自编码器与Boosting
‑
OSKELM算法的机电产品装配误差在线预测方法,其特征在于,步骤1、构建训练样本数据集,具体包括以下步骤:根据某一工序历史数据,构建其相应的数据集,将数据集的80%划分为训练集D,剩余的20%划分为测试集E,二者仅在样本数据量上有差别,而在特征结构及输出结构上保持一致;记训练集X为工艺输入,Y为误差输出,训练集矩阵如下所示:训练集矩阵中,每一行为一个样本点,N为样本数量,M1与M2分别为工艺参数与误差的维度数目;对于第i个样本点,将其输入与输出分别记为x
i
=[x
i1
,x
i2
,x
i3
,...]与y
i
=[y
i1
,y
i2
,y
i3
,...];按照归一化数据预处理方法,将训练集矩阵D的每一列数据放缩至[0,1]的范围内,归一化公式如下:
式中,d
(j)
与d
′
(j)
分别为原训练集矩阵与预处理后的第j列,与分别为训练集矩阵第j列的最小值与最大值;同样地,对于测试集E也要进行归一化处理,其归一化公式如下:式中,e
(j)
与e
′
(j)
分别为原测试集矩阵与预处理后的第j列。最后,将预处理后的训练集矩阵与测试集矩阵分别记为D
′
和E
′
。3.根据权利要求1所述的基于自编码器与Boosting
‑
OSKELM算法的机电产品装配误差在线预测方法,其特征在于,步骤2、基于自编码器进行样本数据降阶表征,具体包括以下步骤:(1)基于Fine
‑
Tuning技巧搭建预测网络结构:自编码器的输入层与输出层的神经元数目与训练集中的输入维度数目M1一致,编码器部分与解码器部分呈对称结构,中间隐层神经元遵循先逐渐减小再逐渐增大的原则,激活函数选择Tanh函数,Tanh函数如下:多层感知机的输入层神经元数目为M1,输出层的数目与训练集中的输出维度数目M2一致,其中间隐层元数目遵循先增大再减小的原则,激活函数选择ReLU函数,ReLU函数如下:在确定自编码器与多层感知机的网络结构后,将多层感知机的输入层拼接在自编码器的输出层,形成整体网络;(2)初始化:随机初始化整体网络连接权重W与偏置b、设置优化器学习率η以及终止条件迭代总次数Epoch;(3)梯度下降法更新网络连接权重:对整体网络结构的损失函数按照下式进行修正:L=α1L1+α2L2式中,α1与α2为平衡系数,L1为自编码器的重构损失,L2为整体网络的预测损失...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。