[发明专利]基于ADALINE神经网络的动态过程控制限确定方法及设备

权利要求书

1.一种基于ADALINE神经网络的动态过程控制限确定方法，其特征在于所述方法包括：

确定加工过程初始控制限；

收集实时加工过程信号；

使用加工过程控制限更新模型，更新模型是指控制限进行更新所用的模型，该模型中更新后的过程控制限由两部分组成，一部分是上一周期确定控制限L(n-1)，另一部分根据实时数据L_NEW，两者之间分别乘上权重，进而完成对控制限的更新，初始权重ω根据生产经验给出，得到加工过程控制限更新模型L为确定的过程控制限，ω表示权重，0＜ω＜1，L_OLD为初始控制限其表示方式为，

动态调节加工过程控制限；以及

对所述加工过程控制限进行控制精度训练以及对加工过程进行状态监测，

其中，所述动态调节加工过程控制限的步骤进一步包括以下步骤：

制定加工过程控制限调节策略；

判别加工过程控制限是否误报并生成记录；

然后结合前序步骤所得漏报的计数来计算控制成功率，并按需要设定控制成功率阈值；以及

当不满足控制成功率时，利用ADALINE神经网络调节加工过程控制限更新模型中的权重，以实现加工过程控制限自动更新并满足所设控制成功率要求，

其中，利用ADALINE神经网络调节加工过程控制限更新模型中的权重包括以下步骤：

n维向量X为ADALINE神经网络的输入，n维向量W是待调整的权值，转移函数T为线性函数，ADALINE神经网络的输出y时刻与期望输出r相比较，将误差ε＝r-y送到LMS学习规则中去，不断在线调整权值向量W，使输出y尽量接近目标期望输出r，当最终ε足够小时，权值向量W收敛即达到预期的效果，

LMS学习规则的权重调整算法如下：

ΔW＝η(r-WX)X^T

η为选取的学习率，表示学习的快慢；X为输入向量；W为权值向量，转移函数T是线性函数，上式可表示为，

ΔW＝η(r-y)X^T＝ηεX^T

Δε＝Δ(r-WX)＝Δr-ΔWX

由于r是常数，故Δr＝0，所以Δε＝-ΔWX，得到Δε＝-ηεX^TX＝-ηεX²，由于Δε和-ε同向，使得y和r不断接近；

本次输出取决于上一个周期确定控制限L(n-1)和第n个数据周期收集到的实时数据L_NEW，ADALINE神经网络的实际输出y与期望输出r的比较不断调整权值向量，当ε足够小时，自适应神经元的权值W收敛，即为更新的权重ω。

2.如权利要求1所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于确定加工过程初始控制限的步骤包括：

对于初次加工产品无历史数据，用第一次加工实测所得时序数据乘上根据经验所得的系数得到初始控制限。

3.如权利要求1或2所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于确定加工过程初始控制限的步骤包括：

收集强周期重复性加工过程历史数据；

对该加工过程历史数据进行预处理，包括数据清洗，选择加工过程状态关联密切的过程特征参数时序数据进行降噪以及标准化处理；以及

对预处理后所得加工过程数据用3σ法初步确定加工过程上下控制限，得到加工过程初始控制限。

4.如权利要求1所述的基于ADALINE神经网络的动态过程控制限确定方法，其特征在于收集实时加工过程信号的步骤包括：

根据产品加工机理以及现场机械加工设备设施特点，将传感器合理布置在相应位置，并由该传感器采集加工过程数据；

判断实时数据是否为健康数据；以及

对于非健康数据则先判断加工过程控制限是否漏报再生成记录，然后对每个周期加工过程实时测得数据进行预处理并记录动态数据。