一种工业精加工过程加工质量实时预测方法和系统技术方案

本发明专利技术公开一种工业精加工过程加工质量实时预测方法和系统，属于MMPs质量预测领域。包括：训练加工质量预测模型，直至满足加工精度要求，所述预测模型，包括：归一化模块，用于对CMM数据归一化；S个特征处理模块中，第一特征处理模块，用于将归一化后CMM进行多次特征计算，第s特征处理模块，用于对第s

【技术实现步骤摘要】
一种工业精加工过程加工质量实时预测方法和系统


[0001]本专利技术属于MMPs(Mutiple Manufacture Process，多阶段制造工艺)质量预测领域，更具体地，涉及一种工业精加工过程加工质量实时预测方法和系统。

技术介绍

[0002]在精加工制造业中，多阶段制造工艺是一个复杂的过程，但往往也很典型。近年来，物联网(Internet of Things,IOT)和先进的数据分析等技术，为在MMPs中实施最终产品质量改进的新方法提供了很多有前途的机会。这一战略与工业4.0旨在实现多阶段制造生产线的持续改进趋势相一致。航空涡轮叶片的加工由多个制造工序组成，以实现最终的产品。每项操作都涉及复杂的制造参数，这些参数不可避免地对产品质量造成微小误差(例如夹具引起的误差、机床刚体误差和热误差)，并在整个生产线上以非线性方式累积和传播。因此，如果能够正确建模工艺参数与最终质量误差之间的非线性映射关系，则可以预测并进一步提高最终产品的质量。这些映射关系的非线性性质，再加上现代工业产品日益增长的质量要求，使得MMPs的质量预测和参数优化成为一个极具挑战性的研究课题。
[0003]在MMPs质量预测方面，人们对多阶段的质量误差建模进行了大量的研究。变异流(stream of variation,SOV)模型是一种有效的工具，已被广泛用于建立包含制造工艺参数和机械加工和装配领域中的误差的误差累积模型。目前，加工设备的封装性和缺乏对关键特征的实时监控，使得分析加工过程变得困难。传统上，外部传感器被嵌入设备中用于数据采集，然而，这增加了安装的复杂性和成本。此外，外部信号的标签不能客观地反映机械加工的运行状况。SOV模型是单纯基于机理构建的，忽略了复杂的人类和环境噪声引起的实际效应的影响。因此，选择复用反映实际加工的质量的CMM数据，不需要额外的传感器；构建包含人机料法环测信息的数据驱动的非线性质量传播模型。
[0004]为了更好地解释MMPs中的复杂不确定性，近年来研究了卷积神经网络(convolutional neural networks,CNN)、循环神经网络(recurrent neural networks,RNN)、深度自动编码器和决策树等机器学习算法。这些方法通常可以分为两类，即基于深度学习的方法和基于树的方法。基于树的方法(例如，XGBoost和随机森林)对于表格数据是有效的。通过对特征重要性矩阵的评估，它们在集合形式中是高度可解释的。然而，它们的性能在很大程度上依赖于特征工程，这在许多工业案例中不是一项微不足道的任务，因为它需要高水平的专家知识。另一方面，基于深度学习的模型是自动学习特征表示的端到端模型，则可以减轻对特征工程的要求。然而，对于表格数据的正确决策流形，深度网络往往不能收敛到最优解。
[0005]因此，非常需要一种深度学习方法，该方法利用表格数据很好地执行MMPs的质量预测，同时还实现了量化所获取的坐标测量机(CMM)数据的每个特征的贡献的可解释性。

技术实现思路

[0006]针对现有技术的缺陷和改进需求，本专利技术提供了一种工业精加工过程加工质量实
时预测方法和系统，其目的在于为大多数多阶段高精度加工过程提供实时的质量预测，防止制造的早期阶段出现的几何误差传播到下游工艺。
[0007]为实现上述目的，按照本专利技术的第一方面，提供了一种工业精加工过程加工质量实时预测方法，该方法包括：
[0008]训练阶段：
[0009]接收目标工序的指定；
[0010]获取多组目标工序各工序当前加工完CMM数据和成品CMM数据，作为训练数据集；
[0011]采用训练数据集训练加工质量预测模型，直至满足加工精度要求，得到训练好的加工质量预测模型；
[0012]所述加工质量预测模型，包括：归一化模块，用于对原始CMM数据进行归一化；S个特征处理模块，其中，第一特征处理模块，用于将归一化后CMM数据进行多次特征计算，得到预处理后的数据，剩下的第s特征处理模块，用于对第s
‑
1特征筛选模块的输出进行多次计算，得到当前步的决策输出，用于预测任务；S
‑
1个特征筛选模块，其中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM数据进行特征筛选，得到第s轮对加工质量具有影响的特征；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出进行全连接，再经过Softmax函数，得到指定维度的CMM数据；
[0013]应用阶段：获取目标工序中各工序当前加工完CMM数据，一起输入至训练好的加工质量预测模型，预测出所有加工工序完成后的CMM数据。
[0014]优选地，所述特征处理模块包括：
[0015]第一特征增强模块，用于对输入数据进行特征增强，分别输出至第二特征增强模块和第三特征增强模块；
[0016]第二特征增强模块，用于对输入数据进行特征增强，分别输出至第三特征增强模块和第四特征增强模块；
[0017]第三特征增强模块，用于对第一特征增强模块输出的特征加权值和第二特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至第四特征增强模块；
[0018]第四特征增强模块，用于对第二特征增强模块输出的特征加权值和第三特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至对应特征筛选模块。
[0019]有益效果：本专利技术通过对输入数据进行四步的特征共性，特性计算，由于输入不同，得到的决策输出结果不同，每一步的计算结果，都为最终预测值结果做出贡献，预测精度更高。
[0020]优选地，所述特征增强模块包括串联的全连接层、归一化层和门控线性单元GLU。
[0021]优选地，权重均为
[0022]有益效果：本专利技术使用进行标准化，以确保整个网络中参数的小差异，有利于网络的稳定性，增加预测的鲁棒性。
[0023]优选地，所述特征筛选模块包括：
[0024]注意力Transformer模块，用于以对应特征处理模块的输出为先验信息，对归一化后CMM数据重新进行加权组合，得到加权CMM矩阵；
[0025]特征掩码模块，用于对前一步的特征处理模块的输出进行特征筛选处理，得到特
征掩码矩阵。
[0026]有益效果：本专利技术在精加工预测模型中引入特征掩码层，筛选出更重要的特征。本专利技术在精加工预测模型中引入注意力Transformer，可以让不同的样本选择不同的特征，减少收敛模型的数据维度，保证预测模型的收敛。
[0027]优选地，所述注意力Transformer模块减小使用次数多的特征的权重占比。
[0028]有益效果：本专利技术通过限制特征的使用次数，减小使用次数较多的特征的权重占比，可增强模型对特征稀疏选择的能力，增强预测模型对关键特征的命中概率。
[0029]优选地，第s特征掩码模块的输出M
s
∈R
N
×
P
如下：
[0030][0031][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业精加工过程加工质量实时预测方法，其特征在于，该方法包括：训练阶段：接收目标工序的指定；获取多组目标工序各工序当前加工完CMM数据和成品CMM数据，作为训练数据集；采用训练数据集训练加工质量预测模型，直至满足加工精度要求，得到训练好的加工质量预测模型；所述加工质量预测模型，包括：归一化模块，用于对原始CMM数据进行归一化；S个特征处理模块，其中，第一特征处理模块，用于将归一化后CMM数据进行多次特征计算，得到预处理后的数据，剩下的第s特征处理模块，用于对第s
‑
1特征筛选模块的输出进行多次计算，得到当前步的决策输出，用于预测任务；S
‑
1个特征筛选模块，其中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM数据进行特征筛选，得到第s轮对加工质量具有影响的特征；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出进行全连接，再经过Softmax函数，得到指定维度的CMM数据；应用阶段：获取目标工序中各工序当前加工完CMM数据，一起输入至训练好的加工质量预测模型，预测出所有加工工序完成后的CMM数据。2.如权利要求1所述的方法，其特征在于，所述特征处理模块包括：第一特征增强模块，用于对输入数据进行特征增强，分别输出至第二特征增强模块和第三特征增强模块；第二特征增强模块，用于对输入数据进行特征增强，分别输出至第三特征增强模块和第四特征增强模块；第三特征增强模块，用于对第一特征增强模块输出的特征加权值和第二特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至第四特征增强模块；第四特征增强模块，用于对第二特征增强模块输出的特征加权值和第三特征增强模块输出的特征求和，对求和后的数据进行特征增强，输出至对应特征筛选模块。3.如权利要求2所述的方法，其特征在于，所述特征增强模块包括串联的全连接层、归一化层和门控线性单元GLU。4.如权利要求2所述的方法，其特征在于，权重均为5.如权利要求1所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：袁烨，刘虔钧，程骋，邬雨蝶，张永，张家军，董欣欣，戴永健，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：