[发明专利]一种基于误差传递网络与提升树算法的质量预测方法

说明书

本发明公开一种基于误差传递网络与提升树算法的质量预测方法，建立基于零件加工特征和加工要素的制造资源关系网络；构建制造资源关系网络与质量子网络合并的多工序误差传递网络；确定质量预测模型的输入和输出特征，构建基于误差传递网络与提升树算法的质量预测模型；利用粒子群和网格搜索算法分别对超参数进行优化；建立模型准确率和成熟度的评价指标；利用蒙特卡洛方法生成的生产现场仿真数据，推测产品合格率。本发明实现了产品生产过程的可视化建模，设计了一种预测能力稳定，参数便于优化，效率和准确率高的质量预测方法，解决了企业对产品质量的精准预测，对加工质量做到提前预防与控制，有助于企业质量损失的降低和经济效益的提高。

技术领域

本发明属于加工质量预测领域，具体涉及一种基于误差传递网络与提升树算法的质量预测方法。

背景技术

产品的生产制造质量受人、机、料、法、环、测等多种因素的综合影响，且影响过程是复杂的非线性过程。目前企业多采用SPC等过程状态监控的方式对零件加工质量进行管控，通过模式图的异常判别，反馈加工过程中存在的生产异常情况，再对异常情况进行处理，这种零件加工质量控制的方法属于事后控制，给企业带来产品质量不合格的风险。目前基于智能算法的质量预测方法大部分采用SVR和BP神经网络。BP神经网络结构设计依赖于个人经验，需要的训练数据量大。SVR预测需要考虑的超参数变化范围大，寻优过程复杂且容易陷入局部最优。同时，在多工序复杂工况下，二者均存在预测能力有限，预测精度不高的问题。企业急需一种预测能力稳定，参数便于优化，效率和准确率高的质量预测方法，以运用于多工序复杂工况下的实际生产中，实现产品质量的预测与提前控制，减少经济损失。

发明内容

本发明的目的在于提供一种基于误差传递网络与提升树算法的质量预测方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于误差传递网络与提升树算法的质量预测方法，包括以下步骤：

步骤1，提取网络结点，确定连接关系，构建与零件加工质量特性有关的多工序的误差传递网络

步骤2，根据步骤1得到的误差传递网络，确定质量预测模型的输入和输出特征，基于提升树算法，构建基于误差传递网络与提升树算法的质量预测模型。

步骤3，根据步骤2得到的预测模型，利用粒子群和网格搜索算法分别对提升树算法中连续和离散的超参数进行寻优，得到优化后的质量预测模型。

步骤4，建立模型准确率和成熟度的评价指标，用以评估步骤3得到的模型的优劣，保证模型预测质量。

步骤5，利用蒙特卡洛方法生成样本仿真数据，作为步骤3中训练成熟的预测模型的输入，由输出的预测值推断产品合格率，为生产调整提供依据。

进一步的，步骤1中，根据零件工序间存在传递耦合效应、加工工艺规划及复杂网络理论，生成制造资源关系网络，具体方法是：

101)，将零件加工特征定义为网络结点，特征间的关联关系(基准、演化关系等)定义为网络的边，则零件加工特征结点网络可描述为

G_F＝＜F,E_F＞

式中，F＝{F₁,F₂,…,F_n}表示加工特征集合，n表示加工工序的数量，E_F＝{e_F1,e_F2,…e_Fm}表示加工特征结点的边集，m表示加工特征间存在的边数。

102)，以步骤101)中对零件加工特征的结点网络为基础，定义加工要素为工要素为5M1E理论中影响加工特征质量的所有因素，将各加工要素定义为网络结点，加工要素和加工特征的关联关系定义为网络的边，各加工特征的加工要素网络可描述为