[发明专利]一种基于机器学习的智能产线产品质量管控方法及系统

权利要求书

1.一种基于机器学习的智能产线产品质量管控方法，其特征在于，包括以下步骤：

S1、根据产品的工艺流程确定智能制造生产线上的设备状态数据、刀具状态数据、环境状态数据和夹具状态数据，建立产品加工误差与复杂工况因素之间的映射关系；

S2、获取工件的关键尺寸测量数据，对工件关键尺寸测量数据以及S1获取得到的设备状态数据、刀具状态数据、环境状态数据和夹具状态数据进行分类处理，将分类后的数据存储至产品数据库内作为训练样本数据；

S3、采用BP神经网络算法结合产品加工误差与复杂工况因素之间的映射关系建立误差溯源模型，将S2的训练样本数据作为BP神经网络的网络输入，通过对BP神经网络的输入层、隐藏层和输出层进行关系建模形成误差溯源模型；

S4、通过在线测量设备实时测量工件关键尺寸，通过在线测量结果对工件的加工质量进行判断，得到超差工件和合格工件；

S5、将S4的超差工件加工信息输入S3形成的误差溯源模型中，对超差工件误差进行溯源分析，输出影响误差的主次要因素；同时，将S4的超差工件数据集成到S2的训练样本数据中，再次训练网络，实时更新误差溯源模型；

S6、对S5的溯源结果给出误差补偿建议，并将补偿建议传达至产品质量管控系统，对工艺参数进行调整，实现质量管控。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，复杂工况因素向加工误差的映射表示为：

Y＝F(X)

加工误差向复杂工况因素的映射表示为：

X＝F(Y)

其中，X表示复杂工况因素；Y示产品加工误差项。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，对获取得到的多源数据和工件尺寸测量数据进行分类处理具体为：

将在线测量设备获取的工件尺寸的测量数据与工件尺寸的理论数据进行对比，若工件尺寸超差，分析尺寸误差原因，并用编码符号表示，记入超差工件数据库，同时将超差工件的超差尺寸及对应的多源数据记入超差工件数据库；

若工件尺寸合格，则将工件的关键尺寸测量数据及对应的多源数据记入合格工件数据库。

4.根据权利要求3所述的方法，其特征在于，超差工件数据库中的数据包括设备状态数据、刀具状态数据、夹具状态数据、环境状态数据和工件超差尺寸。

5.根据权利要求1所述的方法，其特征在于，步骤S3建立误差溯源模型具体为：

S301、依据提取的训练数据样本，将设备状态数据、刀具状态数据、夹具状态数据、环境状态数据、超差尺寸数据、关联尺寸作为网络输入；

S302、分别采用遗传算法、思维进化算法、粒子群算法优化BP神经网络的初始权值w、阈值b，得到第一优化的权值w₁和阈值b₁，放入神经网络进行迭代计算溯源误差，通过溯源误差调整权值、阈值直至满足结束条件，得到第二优化的权值w₂和阈值b₂作为全局最优解，分别建立基于遗传算法的BP神经网络溯源模型。

6.根据权利要求5所述的方法，其特征在于，步骤S302中，溯源误差计算如下：

其中，E为迭代结束后的输出溯源误差值，d_k为输出层节点k的期望溯源输出值，l为输出节点总数，o_k为输出层节点k的实际溯源输出值。

7.根据权利要求5所述的方法，其特征在于，步骤S302中，通过溯源误差调整权值、阈值的原则是使溯源误差不断减小，权值的调整量与误差的梯度下降成正比，具体为：

其中，Δw_ab为权值w_ab的调整量，η_ab为学习速率，x_ab为任意一层节点a到下一层节点b的输入，δ_b为误差信号。