[发明专利]基于跨工步隐式参数记忆的产品加工质量预测装置及方法

权利要求书

1.一种基于跨工步隐式参数记忆的产品加工质量预测装置，其特征在于：

所述装置包含数据获取模块、数据预处理模块、质量预测模型构建模块、参数优化模块、质量特征预测模块、在线更新模块；CAPP系统经数据获取模块连接到分布式数据库，分布式数据库和数据预处理模块连接，数据预处理模块和参数优化模块连接，参数优化模块和质量预测模型构建模块连接，分布式数据库和在线更新模块连接，质量特征预测模块分别和分布式数据库、质量预测模型构建模块连接；

分布式数据库存储特征数据，CAPP系统经数据获取模块向分布式数据库发送采集到的产品各个工位步骤的工艺过程参数和测量参数；分布式数据库向数据预处理模块发送工艺过程参数和测量参数，数据预处理模块进行预处理后发回到分布式数据库；分布式数据库向参数优化模块发送预处理后的工艺过程参数和测量参数以及已标记的质量特征参数进行训练，经参数优化模块将各个优化后的参数发送到质量预测模型构建模块获得优化后的模型；分布式数据库向质量预测模型构建模块发送待测的工艺过程参数和测量参数，质量预测模型构建模块经训练后的模型映射后获得对应的质量特征参数。

2.一种基于跨工步隐式参数记忆的产品加工质量预测方法，其特征在于：

包括以下主要流程步骤：

步骤1、数据获取

通过多传感器获取产品各个工位步骤中的过程参数数据作为输入特征数据，包括产品各个工位步骤的工艺过程参数和测量参数；

步骤2、数据预处理

数据预处理过程包括异常值处理、依据产品制造过程的特征分组与排序、组内未知输入特征的处理、不平衡数据集工位步骤样本均衡随机重采样、组内特征降维；

步骤2-1、样本数据异常值处理

设定阈值基准，根据参数数据与阈值基准之间的大小关系，判断所有输入特征是否存在异常值或离群点，若存在异常值或离群点则删除；

步骤2-2、依据产品制造过程的特征分组与排序

将产品的制造过程按照加工工序设置不同模块，工序中的每个工位步骤设置一个模块，按照输入特征记录时所处的模块将输入特征进行分组，同时按照模块之间的时序关系将分好组后的输入特征进行排序；

步骤2-3、组内未知输入特征的处理

一个零件在整个加工工序中所得到的输入特征以及最终该零件的质量特征组成了样本条目，然后作以下判断：若含有未知输入特征的样本条目的数量少于样本条目总数的30％，针对所有含有未知输入特征的样本条目中的未知输入特征，使用该特征的均值进行填充；若含有未知输入特征的样本条目的数量不少于样本条目总数的30％，针对所有含有未知输入特征的样本条目中的未知输入特征，使用未知输入特征所在工位步骤的其他特征作为输入，使用回归或分类方法进行预测获得后进行填充；

步骤2-4、不平衡数据集工位步骤样本均衡随机重采样

由步骤2-3处理获得的所有特征构成数据集，采用工位步骤样本均衡随机重采样算法或对应改进优化算法方式对数据集进行处理；

步骤2-5、组内特征降维

采用自编码器进行维度缩减，获取产品的特征数据从高维空间到低维空间的非线性映射关系；

步骤3、质量预测模型构建

步骤3-1、质量预测模型结构的构建

针对每个工位步骤的模块构建单独的质量处理模型和长短期记忆网络，每个工位步骤下，建立质量预测子模型和后处理子模型并构成了质量处理模型，质量预测子模型、后处理子模型和长短期记忆网络依次衔接；不同工位步骤根据加工工序共享长短期记忆网络；

在每个工位步骤的模块中，质量预测子模型、后处理子模型和长短期记忆网络依次衔接，每个工位步骤的工艺过程参数和测量参数输入到质量预测子模型中，经质量预测子模型处理获得该工位步骤的隐式质量参数，然后输入到后处理子模型，经后处理子模型升维或降维处理获得规范维度的向量，然后输入到长短期记忆网络，经长短期记忆网络内部处理获得当前长短期神经网络单元内部的单元状态c和隐藏状态h_i，进而用于工位步骤之间的传递；上一个工位步骤的长短期记忆网络获得的长短期记忆网络的单元状态c_i-1和隐藏状态h_i-1，输入到当前工位步骤的长短期记忆网络中用于记忆和传递该工序各个工位步骤的隐式质量参数对最终预测目标的影响情况；同时对于第一个工位步骤，将初始单元状态c₀和初始隐藏状态h₀输入到第一个长短期记忆网络单元中；最后一个工位步骤的长短期记忆网络输出隐藏状态h_N并作为终处理模型的输入，经终处理模型处理后获得输出产品的质量特征；

步骤3-2、模型最优参数优化训练

将步骤2获得样本特征数据与预先已知定义的质量参数一起输入到质量预测模型中进行各自最优参数优化训练，训练获得质量预测子模型、后处理子模型和长短期记忆网络各自的模型参数；

步骤4、待测样本质量特征预测

将步骤2获得待测输入特征数据输入到质量预测模型中各自的质量处理模型中进行预测，预测输出获得待测输入特征数据对应的质量特征，从而完成质量预测。