[发明专利]一种加工质量虚拟量测方法、系统、介质及设备

说明书

本发明公开了一种加工质量虚拟量测方法、系统、介质及设备，记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对；建立基于模糊宽度学习系统的虚拟量测模型；利用二值灰狼智能优化方法对中间层特征向量进行特征选择；利用岭回归对经过特征选择的中间层与输出层之间的连接权值进行优化；构建损失函数；逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练，当损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；对新加工的零件样本数据进行数据标准化预处理，然后利用最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。本发明降低了模糊宽度学习系统训练样本的维度，有效提高了虚拟量测模型的预测精度。

技术领域

本发明属于零件加工质量虚拟量测技术领域，具体涉及一种加工质量虚拟量测方法、系统、介质及设备。

背景技术

随着科学技术的不断进步和经济的快速发展，市场竞争日益激烈，零件加工质量已成为影响机床企业参与市场竞争的关键因素。在数控机床实际加工过程中，影响零件加工质量的因素众多，且各种影响因素之间相互耦合，难以建立较为精准的零件加工质量动态变化机理模型。生产厂商大多都采用传统的离线或在线抽样方式进行质量检测，这样不但不能保证所有加工零件质量的全检，反而增加了生产成本，降低了生产效率。因此，为了权衡加工质量、生产成本和效率三者之间的关系，对零件加工质量进行有效地虚拟量测具有重要的现实意义。

从国内外研究现状分析可知，可靠的零件加工质量虚拟量测是实现智能制造的重要目标之一。虚拟量测技术已成功地运用在半导体、平面显示器、太阳能电池等高科技产业，但由于数控加工过程工况复杂且存在着不确定、非线性、时变等特性，所以在机床产业有效地应用虚拟量测技术进行零件质量检测将面临着严峻的挑战。

已有研究表明，通过监测加工过程中设备运行状态的有效信息，利用神经网络、支持向量机、模糊逻辑系统、多元统计分析等方法可以实现加工试验条件相对理想的质量预测。由于深度学习在信号和图像处理方面表现出强大的优越性，近期也有研究表明将深度学习应用到零件加工质量的虚拟量测领域可以取得较好的预测效果。但是，深度学习模型的训练往往需要大量的训练样本数据，并且训练时间相对较长。因此，基于多传感器数据驱动建立可靠的虚拟量测模型，确定零件加工质量动态变化与设备状态监测信号之间的映射关系，是进行零件加工质量虚拟量测的关键。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种加工质量虚拟量测方法、系统、介质及设备，实现零件加工质量的虚拟量测且提高了模型预测精度，在一定程度上解决了现有技术中存在的预测精度低、“维度灾难”与“规则爆炸”等问题。

本发明采用以下技术方案：

一种加工质量虚拟量测方法，包括以下步骤：

S1、记录零件加工时的工艺参数及表面粗糙度实际测量结果，构建历史样本输入输出数据对，对历史样本输入输出数据对进行数据标准化处理；

S2、建立模糊宽度学习系统，包括输入层、中间层和输出层，中间层包括特征层和增强层，将步骤S1标准化处理后的历史样本输入输出数据对经过特征层与增强层映射得到中间层的特征向量；

S3、利用二值灰狼智能优化方法对步骤S2的中间层特征向量进行特征选择；

S4、利用岭回归对步骤S3经过特征选择的中间层与输出层之间的连接权值进行优化；

S5、构建损失函数，评估虚拟量测模型的预测性能，当损失函数值不满足要求时进行步骤S6；

S6、逐步增加特征层中模糊子系统、模糊规则及增强层节点的数目进行迭代训练，当步骤S5的损失函数达到最小值时保存模糊宽度学习系统的最优权值参数；

S7、对新加工的零件样本数据进行步骤S1的数据标准化预处理，然后利用步骤S6中的最优权值参数进行模型输出计算，实现加工零件表面粗糙度的虚拟量测。