一种基于迁移成分回归的生产线与装备的预测方法技术

本发明专利技术提供了一种基于迁移成分回归的生产线与装备的预测方法，包括以下步骤：S1、获取生产线与装备的数据信息；S2、根据数据信息，判断主体预测任务是否有标签数据，并划分源域数据和目标域数据；其中，源域数据包括生产线多个特征数据以及多个方向上的标签数据；针对具体目标域热误差预测任务，并通过数据采集平台获取目标域特征数据；S3、对源域数据和目标域特征数据迁移成分分析，计算获得特征映射；S4、建立高维空间内的源域数据和原始空间内热误差标签数据的回归预测模型；S5、微调模型参数，得到目标域适配模型，预测原始空间内的标签数据；S6、将所述热误差值补偿至加工中心位移量。本发明专利技术热误差预测效果好，兼容性良好。兼容性良好。兼容性良好。

【技术实现步骤摘要】
一种基于迁移成分回归的生产线与装备的预测方法


[0001]本专利技术涉及生产线预测
，尤其涉及一种基于迁移成分回归的生产线与装备的预测方法。

技术介绍

[0002]目前，产能、产品寿命、物料消耗等的预测，是产线弹性调节的前提和基础。不同个体机械装备组成单个制造单元，制造单元的集合构成产线。机电装备、轴承、刀具等零部件的剩余寿命预测用于调整其投入产线的使用时长；产品寿命预测用于优化产线工艺；机床热误差预测用于补偿数控系统，面向产线与装备的预测及优化在工业场景中十分普遍。
[0003]现有预测任务虽具有不同的主体和其物理属性，但基于数据驱动的模型均是通过建立自变量和因变量间的映射关系，实现预测。例如不同类型的机床，其主要热误差为生产线在X，Y，Z三个方向上的热误差，温度特征虽有不同数据分布，数据类型具有相似但分布不一致性，以深度学习为核心的数据驱动算法，建立多个温度特征与热误差回归模型实现预测。
[0004]然而，类似预测任务，不同主体、物理属性下的回归模型，现有方法针对一个主体任务，采集完备的特征数据和标签数据，建立对应的回归模型，随后调用该模型，预测新的标签数据，该方法不具备泛化性能，模型的建立依托大量的特征和标签数据，而标签数据的采集耗费人力和物力，工业产线中，机电设备、数控设备很难保证大批量数据采集，一些场景下甚至无法采集标签数据，对标签数据的依赖性过强导致部分场景无法建立模型。因此，现有的生产线预测效率低，精度差，数控系统兼容性不佳，适应范围小。

技术实现思路

[0005]针对以上相关技术的不足，本专利技术提出一种热误差预测存在跨工况、跨设备、多方向、生产线带刀加工时热误差标签数据获取方便以及数控系统与外部语言的兼容性良好的基于迁移成分回归的生产线与装备的预测方法。
[0006]为了解决上述技术问题，本专利技术实施例提供了一种基于迁移成分回归的生产线与装备的预测方法，包括以下步骤：
[0007]S1、获取生产线与装备的数据信息；
[0008]S2、根据所述数据信息，判断主体预测任务是否有标签数据，并划分源域数据D
s
和目标域数据D
t
；其中，所述源域数据D
s
包括生产线多个特征数据X
i
以及多个方向上的标签数据{y
i
|e
x
,e
y
,e
z
}；针对具体目标域热误差预测任务D
t
，并通过数据采集平台获取目标域特征数据X
j
；
[0009]S3、对所述源域数据D
s
和目标域特征数据X
j
迁移成分分析，计算获得特征映射φ，将所述源域数据D
s
和目标域特征数据X
j
映射到高维空间H，最小化源域和目标域特征数据概率分布，以使所述源域数据D
s
和目标域特征数据X
j
成分近似；
[0010]S4、建立所述高维空间H内的源域数据φ(X
s
)和原始空间O内标签数据{y
i
|e
x
,e
y
,
e
z
}的回归预测模型
[0011]S5、在所述高维空间对所述目标域特征数据φ(X
t
)应用源域回归模型)应用源域回归模型微调模型参数，得到目标域适配模型预测原始空间O内的标签数据{y
j
|e`
x
,e`
y
,e`
z
}；
[0012]S6、根据预测的所述标签数据，通过优化热误差补偿系统的热误差补偿方案，获得热误差值，将所述热误差值补偿至加工中心位移量。
[0013]优选的，所述S2具体包括以下子步骤：
[0014]所述数据信息包括生产线的机床主轴的转速、功率、电流和生产线四周多个关键点的温度数据，根据需采集的数据类型，布设相应的传感器。
[0015]优选的，在所述S2中，根据所述生产线布设将所述数控机床分为立式机床和卧式机床，所述立式机床为Z轴方向的热误差e
z
，所述卧式机床包括X轴方向的热误差e
x
和Y轴方向的热误差e
y
。
[0016]优选的，所述S3具体包括以下子步骤：
[0017]源域和目标域距离为如下表达式(1)；
[0018][0019]其中，n1,n2分别表示源域和目标域的样本个数；
[0020]对于映射的求解，引入核矩阵K和矩阵L，K为如下表达式(2)，L为如下表达式(3)；
[0021][0022][0023]源域和目标域距离求解转化为如下表达式(4)，其中tr(
·
)表示矩阵的迹；
[0024]Dist(X
s
,X
t
)＝tr(KL)
‑
λtr(K)
ꢀꢀ
(4)；
[0025]对所述矩阵K降维，并用更低维度的矩阵表示如下表达式(5)；
[0026][0027]其中，W矩阵为比K更低维度的矩阵，表示最小化源域和目标域后的特征映射
[0028]根据低维矩阵W，最小化源域和目标特征数据域概率分布，对原始空间的源域数据分布P(X
s
)以及目标域数据分布P(X
t
)应用特征变换，映射至高维空间H内的源域和目标域近似，表达式如(6)；
[0029][0030]优选的，所述S4具体包括以下子步骤：
[0031]所述回归预测模型包括支持向量回归、随机森林回归、人工神经网络和深层神经网络。
[0032]优选的，所述S5具体包括以下子步骤：
[0033]根据目标域特征数据实际情形和设置合适的超参数，得到目标域适配模型并预测原始空间O内的标签数据{y
j
|e`
x
,e`
y
,e`
z
}；其中，所述超参数包括批量和学习率。
[0034]优选的，所述温度数据包括8个，所述功率为1维功率，所述电流为1维电流；
[0035]其中，在生产线关键位置布置8个温度传感器，采集生产线8个位置的温度数据，传感器连接温度采集卡，并汇总至上位机PC端，完成温度数据的采集；所述功率和电流数据通过数控机床二次开发，以太网通讯协议可直接读取至PC端；热误差数据由生产线分析仪间接采集。
[0036]优选的，所述S6具体包括以下子步骤：
[0037]当低版本数控系统不可兼容模型脚本时，将所述回归预测模型远程部署在外部PC端，在所述PC端预测标签数据，随后通过以太网或无线形式发送给所述数控系统。
[0038]优选的，所述S6具体还包括以下子步骤：
[0039]当高版本数控系统可兼容模型脚本时，将所述模型脚本封装成静态库，内置于数控系统，使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移成分回归的生产线与装备的预测方法，其特征在于，包括以下步骤：S1、获取生产线与装备的数据信息；S2、根据所述数据信息，判断主体预测任务是否有标签数据，并划分源域数据D
s
和目标域数据D
t
；其中，所述源域数据D
s
包括生产线多个特征数据X
i
以及多个方向上的标签数据{y
i
|e
x
，e
y
，e
z
}；针对具体目标域热误差预测任务D
t
，并通过数据采集平台获取目标域特征数据X
j
；S3、对所述源域数据D
s
和目标域特征数据X
j
迁移成分分析，计算获得特征映射φ，将所述源域数据D
s
和目标域特征数据X
j
映射到高维空间H，最小化源域和目标域特征数据概率分布，以使所述源域数据D
s
和目标域特征数据X
j
成分近似；S4、建立所述高维空间H内的源域数据φ(X
s
)和原始空间O内标签数据{y
i
|e
x
，e
y
，e
z
}的回归预测模型S5、在所述高维空间对所述目标域特征数据φ(X
t
)应用源域回归模型)应用源域回归模型微调模型参数，得到目标域适配模型预测原始空间O内的标签数据{y
j
|e`
x
，e`
y
，e`
z
}；S6、根据预测的所述标签数据，通过优化热误差补偿系统的热误差补偿方案，获得热误差值，将所述热误差值补偿至加工中心位移量。2.如权利要求1所述的基于迁移成分回归的生产线与装备的预测方法，其特征在于，所述S1具体包括以下子步骤：所述数据信息包括生产线的机床主轴的转速、功率、电流和生产线四周多个关键点的温度数据，根据需采集的数据类型，布设相应的传感器。3.如权利要求1所述的基于迁移成分回归的生产线与装备的预测方法，其特征在于，在所述S2中，根据所述生产线布设将所述数控机床分为立式机床和卧式机床，所述立式机床为Z轴方向的热误差e
z
，所述卧式机床包括X轴方向的热误差e
x
和Y轴方向的热误差e
y
。4.如权利要求1所述的基于迁移成分回归的生产线与装备的预测方法，其特征在于，所述S3...

【专利技术属性】
技术研发人员：刘强，马帅，陈祝云，严都喜，冷杰武，张定，赵荣丽，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：