[发明专利]一种基于深度置信神经网络的大型高速回转装备消偏消倾方法

说明书

本发明公开了一种基于深度置信神经网络的大型高速回转装备消偏消倾方法。步骤1：分析各加工误差的影响因素；步骤2：评定大型高速回转装备真实加工误差，并获得未经调心调倾时加工误差对应的影响因素的测量数据；步骤3：将各加工误差的影响因素归一化处理后的数据作为各网络输入，各加工误差作为各网络输出，同时按照一定比例将数据分为训练集和测试集；步骤4：分别构建各加工误差的深度置信预测神经网络，实现自动消偏消倾，并通过测试集进行验证。传统单级大型高速回转装备的加工误差测量方法需进行复杂的调心调倾过程，本发明利用深度学习强大的数据内部特征机理，提出一种基于深度置信神经网络的大型高速回转装备消偏消倾方法。

技术领域

本发明属于大型高速回转装备加工误差技术领域；具体涉及一种基于深度置信神经网络的大型高速回转装备消偏消倾方法。

背景技术

多级装备由单级大型高速回转装备堆叠装配而成，为提高多级装备装配质量和一次装配合格率，需要获得各单级大型高速回转装备的加工误差。目前，单级大型高速回转装备的加工误差都通过如图1所示的双立柱航空发动机超精密装配测量仪进行测量。然而，由于该仪器误差评定方法的局限性，无法对大型高速回转装备安装不当造成的偏心、倾斜误差进行准确补偿。只有当大型高速回转装备几何轴线与仪器回转轴线偏心误差小于5μm，倾斜误差角正弦值与大型高速回转装备半径乘积小于5μm，仪器所评定的加工误差可作为真实误差值。因此，现有的大型高速回转装备加工误差评定方法需要进行繁琐耗时的调心调倾过程，该过程极大地降低了多级装备装配效率。

发明内容

传统单级大型高速回转装备的加工误差测量方法需进行复杂的调心调倾过程，本发明利用深度学习强大的数据内部特征机理，提出一种基于深度置信神经网络的大型高速回转装备消偏消倾方法。

本发明通过以下技术方案实现：

一种基于深度置信神经网络的大型高速回转装备消偏消倾方法，所述方法具有以下步骤：

步骤1：分析各加工误差的影响因素；

步骤2：利用传统测量方法评定大型高速回转装备真实加工误差，并获得该大型高速回转装备未经调心调倾时加工误差对应的影响因素的测量数据；

步骤3：将各加工误差的影响因素归一化处理后的数据作为各网络输入，各加工误差作为各网络输出，同时按照一定比例将数据分为训练集和测试集；

步骤4：分别构建各加工误差的深度置信预测神经网络，实现大型高速回转装备自动消偏消倾，并通过测试集进行验证。

进一步的，所述步骤4针对各加工误差建立了不同结构的深度置信神经网络具体为深度置信神经网络主要由多层受限玻尔兹曼机(RBM)堆叠而成的深度置信网络(DBN)，以及一层BP网络组成.

进一步的，所述神经网络训练过程包含无监督预训练和有监督微调两个步骤，

步骤4.1：无监督预训练：利用网络输入分别单独训练RBM1，RBM2，RBM3；RBM组成结构均包含可见层和隐藏层；RBM1中输入层为可见层，隐含层I为隐藏层；RBM2中隐含层I为可见层，隐含层II为隐藏层；RBM2中隐含层II为可见层，隐含层III为隐藏层；

步骤4.2：有监督微调：所述有监督微调包含前向传播和反向传播两个过程。

进一步的，所述步骤4.1的训练过程如下：

步骤4.1.1：随机初始化权值向量W，使其为满足正态分布N(0，0.01)的随机数，初始化可见层偏置向量a，隐藏层偏置向量，b为0如式(1)所示

式中，X为输入向量，即训练样本，v为可见层向量，h为隐藏层向量，i和j分别为可见层和隐藏层神经元索引，M为可见层神经元个数，N为隐含层神经元个数；