[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

说明书

本发明提供的一种基于机器学习的智能产线产品加工质量管控方法及系统，首先，建立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，输出影响误差的主次要因素，给出误差补偿建议；由于超差尺寸与误差源之间存在复杂的非线性关系，且误差源错综复杂，采用传统的数理方法会导致误差溯源模型建立困难及实际应用效果较差，BP神经网络具有非线性映射功能，设计合理能够以任意精度逼近任意复杂的非线性映射，基于此方法建立模型步骤简单，且误差追溯精度大大提高。

技术领域

本发明涉及智能制造领域，特别涉及一种基于机器学习的智能产线产品加工质量管控方法及系统。

背景技术

当前，新一轮科技革命和产业变革加速发展，新一代信息技术正在与制造业深度融合，数字化、网络化、智能化已经成为全球制造业发展的重要方向。在产品批量生产过程中,产品的加工精度会受到加工负载、刀具磨损、设备健康状态和加工工艺参数等多种工况因素影响。因此，在智能制造环境下，企业制造车间应具有产品加工质量智能管控环节，可以对产品加工质量进行评估，并对不合格工件进行误差溯源，从而提高产品质量，增强企业市场竞争力。

而目前，利用智能制造单元对产品质量的管控未达到工艺要求。

较为缺乏探索智能制造单元产品质量与制造大数据的关联关系，将机器学习应用于产品加工质量管控的案例，总体实施效果未达到对智能车间进行高效产品质量管控的要求。

发明内容

本发明的目的在于提供一种基于机器学习的智能产线产品加工质量管控方法及系统，解决了现有的缺乏探索智能制造单元产品质量与制造大数据的关联关系，将机器学习应用于产品加工质量管控的案例，总体实施效果未达到对智能车间进行高效产品质量管控的要求。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种基于机器学习的智能产线产品质量管控方法，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。

优选地，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。

优选地，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：