基于Attention-BLSTM的复杂产品制造质量预测方法

复杂产品制造过程中工艺数据的高维特性以及工艺数据间的复杂关联特性，使得工艺数据中的深层次关键工艺特征难以挖掘，限制了产品质量的准确预测。鉴于此，提出一种基于注意力机制(Attention)与双向长短期记忆网络(BLSTM)的复杂产品质量预测方法。首先，设计数据预处理环节进行工艺数据清洗以及互信息特征筛选。然后，运用BLSTM网络模拟产品制造过程误差的复杂传递特性，挖掘上下游工艺参数的关联关系，输出BLSTM所有时刻提取的关联化工艺特征；同时，设计了Self-Attention网络，自学习各时刻关联化工艺特征对最终产品质量贡献的差异，对不同时刻工艺特征分配不同注意力权值，以强化关键特征。通过以上两阶段特征处理方式，实现深层次关键工艺特征的挖掘。最后，以关键特征作为输入层，通过反向传播神经网络(BPNN)实现复杂产品质量的准确预测。实验表明，相较于BPNN、长短期记忆神经网络(LSTM)、BLSTM以及XGBoost、基于粒子群优化的支持向量(PSO-SVR)、随机森林-贝叶期优化(BO-RF)等主流质量预测方法，所提方法有效提高了预测精度。     

基于注意力机制—门控循环单元—BP神经网络的智能多工序工艺参数关联预测

鉴于流程制造工序间能质流耦合严重，性能指标影响因素众多，工艺参数时序特征显著，现有制造模式下难以精准预测产品质量，在分析流程制造工艺性能指标多维、强时序、关联耦合特征的基础上，提出一种基于注意力机制—门控循环单元-BP神经网络(Attention AM-GRU-BPNN)的多工序耦合参数关联预测方法。首先采用互信息方法筛选多态异构生产数据作为输入，建立ConvGRU自编码器，通过无监督学习对过程数据、工艺参数、操作参数等进行时序特征提取，同时引入时序注意力机制提取不同工序的耦合关联特征并进行向量嵌入，为不同工序的工艺参数分配注意力权重。在此基础上，设计Attention网络自学习不同时刻下工艺关联特征对质量性能指标的影响差异，再通过门控循环单元网络对重要的关联特征进行增强，并按照时序特征对单工序预测模型进行聚合，实现多工序时序特征融合，最后通过输出层BPNN神经网络精准预测产品工艺质量。实验表明，AM-GRU-BPNN有效提高了预测精度，从多工序角度为生产线工序的加工过程控制提供了依据。     

融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化

为解决流程制造工艺参数优化面临的多工序耦合模型构建复杂、多目标冲突分析困难、实时和准确性难以保障等问题，提出一种融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化方法。设计了适用于多工序耦合生产的训练计算云边协同架构，通过设备边缘节点与云平台的高效协同，完成了预测模型和优化模型的云端训练，边缘端数据收集、模型下载和调用计算。在此基础上，建立了基于GRU-Attention多层神经网络的生产工艺质量预测模型，将输出质量指标作为适应度，调用鲸鱼算法对生产工艺参数进行全局寻优，获得不同工序最优工艺参数组合，实现流程生产不同工序加工质量的实时预测和综合优化。最后，以某流程制丝生产线为例进行了实验验证，结果表明，所提基于深度学习的云边联动方法可实现生产质量的综合动态优化，同时可降低工艺参数调控任务的完成时间。     

基于BOHB-BP的增材制造成型件质量预测方法EI北大核心

表面粗糙度和拉伸强度是衡量熔融沉积制造(FDM)成型件质量的重要指标,但由于FDM工艺参数众多,且与FDM成型件质量之间呈现非线性关系,因此传统方法难以准确预测这两项指标。为此,提出一种贝叶斯超频道优化算法(BOHB)与BP神经网络相结合的FDM 3D打印成型件质量预测方法以提高预测精度与稳定性。将层厚、扫描次数和填充间隔这三个工艺参数作为模型的输入;利用BOHB算法对BP神经网络的超参数进行优化得到BOHB-BP模型;使用中心复合实验获取表面粗糙度和拉伸强度的实验数据,在以上两种数据集上根据留一法验证模型的精度与稳定性;将模型BOHB-BP与模型GA-BP和BP的预测情况进行对比实验,证明了所提方法在不同数据集上均有更好的预测精度与稳定性。     

过程工艺曲线综合相似模型及应用

本文针对复杂过程工艺控制性能在线预测,提出进行过程工艺曲线的相似性模型研究,以离散数据序列的差分为基础表征曲线的形态变化,综合考虑复杂生产过程多个工艺参数的不同影响以及工艺历程各阶段影响程度不同的特点,以信息熵来表征曲线间相似性的分布特点,建立过程工艺曲线综合相似性模型,并在磁瓦烧结工艺温度曲线相似性分析中进行应用.     

面向制造的飞机钣金零件数据集研究开发

在数字化制造环境下,针对设计数据无法直接应用到制造阶段的情况,研究飞机钣金零件制造数据集。根据数字化要求并结合钣金制造工艺特点,分析了钣金制造数据集的范围定义、数据组成及组元关系,对经验知识进行总结,依照各制造状态工艺特点和数据表达方式完成数据集层次构建,使设计数据顺利转变为制造数据。在CATIA环境下开发完成飞机钣金制造数据集系统,系统对几何特征信息和非几何信息分开组织管理,实现了制造数据的快速集成,帮助工艺人员提高飞机钣金的设计生产效率。     

离散制造车间质量管控模式研究

为解决复杂产品离散制造过程中质量数据分散、质量问题难追溯、缺乏完善的质量管理模式等问题,开展了离散制造车间制造质量管控模式研究.通过对离散制造车间质量管控业务运行流程和质量数据链路进行分析,明确了车间质量管理的痛点与难点;提出了离散制造车间质量集成管控框架,建立了多工序质量传递模型,通过采用数字化检测设备与车间M ES...     

5G技术赋能的智能离散制造车间主动调度模式

分析了当前离散制造车间调度模式的不足和面临的挑战，在此基础上，提出一种5G技术赋能的智能离散制造车间主动调度模式，将生产过程的传统被动调度模式转化为“互联-预测-调控”的主动调度模式。针对实际生产中交货期变化、机器故障等异常工况，通过5G技术构建云-边-端协同的车间多源异构数据互联互通体系，打通各层级之间的通信壁垒，实现全生产要素的数据实时感知与互联以及生产指令的上传下达；基于感知数据，采用深度学习等人工智能技术实现车间运行状态与异常事件的精准预测；根据预测结果主动调控生产计划，优化资源配置，构建了云-边-端协同的主动调度机制，实现调度“规则+算法”的混合联动，降低异常事件对生产过程的影响，实现复杂动态制造环境下的车间性能优化。     

分层实体制造快速成形工艺参数的人工神经网络预测

针对分层实体制造快速成形中工艺准备繁杂及工艺参数非线性的特点,提出分层实体制造快速成形工艺参数预测的人工神经网络方法,建立相应的人工神经网络模型,检验该模型用于分层实体制造工艺参数预测的合理性和可行性。     

制造工艺知识粒度描述方法与获取算法研究

针对制造工艺知识的复杂性和不确定性,以及应用中需要知识模式易于描述的特征,在论述工艺知识信息颗粒概念的基础上,探讨了多形态制造工艺知识的结构化处理方法.通过对工艺知识粒度形式化描述概念的定义和对工艺知识多粒度特性的分析,提出了用工艺知识论域、属性函数和工艺知识论域结构的三元组(K,F,T)描述工艺设计过程中知识以及工艺知识元素之间关系的方法,并讨论了运用语义匹配、分类操作、关联规则和聚类分析等多种数据挖掘方式进行基于知识粒度的知识获取发现方法.该方法对于解决工艺知识的多模式、多层次和应用多策略的问题具有理论指导意义.     

面向引线焊线工艺的参数预测模型与规律分析

芯片封装的引线键合质量受键合温度、功率、压力、速度、时间等多参数的影响,各参数间相互耦合,存在着非线性关系,难以用准确的数学模型来表达其间的关系,影响芯片键合质量的提高.应用方差分析法开展正交试验的数据分析,得出各工艺参数对键合质量关键评价指标(剪切力和压扁球直径)的影响程度,确定描述工艺模型的6个关键参数.提出基于自适应神经模糊推理系统的焊线工艺预测模型的构建方法,并通过焊线机上的多组试验数据进行模型训练.将所建模型的预测结果与实际数据相比较,结果显示剪切力和压扁球直径预测模型所产生的平均误差分别为3.16%和1.24%.基于所建预测模型,确定关键工艺参数对键合质量的影响规律,为进一步实现焊线工艺过程的最优参数组合提供支持.     

生命周期大数据驱动的复杂产品智能制造服务新模式研究

在分析当前制造企业产品生命周期管理面临的挑战与现有制造服务模式不足的基础上,针对复杂产品生命周期数据呈现的大数据特性,提出一种生命周期大数据驱动的复杂产品智能制造服务新模式,并设计了一种体系构架。以产品生命周期为主线,提出并详细阐述了生命周期大数据驱动的智能制造服务新模式的关键技术体系与实现框架,包括制造和运维动态数据驱动的产品与服务设计、实时多源数据驱动的生产过程分析与优化、面向服务的运维数据故障演化分析与预测等。通过上述体系构架及关键技术的实施,可有效促进生命周期各阶段数据和知识的集成应用,进而构建一种产品设计闭环创新、生产过程实时优化、运维服务动态预测的产品生命周期管理与运作机制,以提升全制造流程和全生命周期管理的智能决策能力。所提体系和框架可为生命周期大数据驱动的智能制造服务研究和应用提供一种参考模型。     

数据挖掘技术在工艺参数优化中的应用

针对制造过程中工艺参数的复杂性和特殊性,为了有效地对工艺参数进行优化,应用数据挖掘的技术和方法,通过属性权重分析和分类分析算法进行工艺参数影响因素的分析和建模,通过选取满足一定误差范围内的数据记录,综合关联知识发现的规则,挑选出满足要求的工艺参数优化方案,并给出实例验证.     

汽车发动机部件螺纹挤压加工底孔尺寸优化

螺纹挤压成型工艺广泛应用于当今汽车发动机制造业,其底孔尺寸直接影响成型螺纹精度和机械强度.为提高汽车发动机内螺纹加工质量,基于有限元仿真对螺纹挤压加工的底孔尺寸进行优化,为螺纹制造过程底孔尺寸参数寻优提供参考.应用Deform-3D软件进行压铸铝合金工件螺纹挤压成型数值仿真,预测螺纹成型尺寸及加工载荷.进而构建底孔尺寸...     

数据驱动的锂离子电池健康状态综合评分及异常电池筛选

锂离子电池是电动汽车和储能系统最重要的组成部分,其故障预测和健康管理对于运行维护至关重要.数据驱动的方法较基于模型的方法更适合大规模工程应用,针对实际应用中工况复杂和数据质量较差的场景,提出数据驱动的健康状态综合评分及异常筛选算法,具有较强的适应性.首先,针对电池实际运行工况提出一种新的特征提取方案,可适用于非恒流的不稳定工况.开发了基于多维特征和混合聚类算法的健康状态综合评分体系,该方案采用无监督学习的算法框架,对可提取特征的数量和质量要求不高,无需进行事先的模型训练和复杂的超参数调整.然后,在麻省理工学院和斯坦福大学提供的公开数据集进行了算法验证,基于电池生命周期各阶段特征集进行健康度等级预测,并应用于健康度高低分选,均能达到92％以上的准确率.在某用户侧储能电站实现了该算法的应用,采用早期运行数据即可快速筛选异常电池,有利于尽早维护,提高电池系统的安全性和经济性.     

基于人工神经网络的导管数控弯曲成形工艺参数预测方法

阐述了导管数控弯曲成形过程的要素,分析主要工艺参数对导管弯曲成形质量的影响,并建立预测工艺参数的BP(Back Propagation)人工神经网络模型.选取实验数据作为样本,采用LM(Levenberg_Marquardt)贝叶斯正则化算法对该模型进行训练,确定模型的主要参数.通过实例预测并与实验数据进行比较,验证该方法的有效性.与其他BP训练算法进行比较,结果表明,该算法收敛速度快、预测精度高、稳定性好.     

[数据驱动的智能服务]数据驱动的复杂产品智能服务技术与应用

随着传感器、数据采集装置和其他具备感知能力的模块在复杂产品服务运行阶段的应用,复杂产品运维系统的数字化和智能化程度越来越高,具有实时、多源、异构、海量等特性的数据成为提高复杂产品系统可靠和低成本运行的决策依据,数字孪生技术提供了一种有效途径。介绍了数据驱动的复杂产品智能服务研究进展;分析了数据驱动的智能服务基本特征与框架模型;提出了数据驱动的复杂产品智能服务方法,主要包括面向服务的复杂产品建模与仿真方法、数据驱动的服务需求获取与精准分析预测方法、基于数字孪生的设备故障识别与动态性能预测方法、数据驱动的装备视情维修与备件库存联合多目标决策优化方法、基于数字孪生的复杂产品辅助维修技术、多要素协同的复杂装备能效精准分析预测方法、基于数据挖掘的复杂产品运行优化控制方法等;给出了智能服务系统的应用案例。所提出的框架和方法可为现代制造服务的智能化转型升级提供参考。     

基于尺寸关联和偏最小二乘回归的多工序质量分析与预测

针对数字制造下多工序机械加工过程的质量控制问题,根据零件加工特征和基准,构建了基于尺寸链的工序关联矩阵,应用特征描述法存储零件工艺信息.在此基础上提出一种依据加工特征和基准的工序关联检索算法,用于提取关联工序.建立基于偏最小二乘回归方法的多工序质量分析与预测模型,通过偏最小二乘回归方法,提取对工序质量影响强的成分,以解决工艺过程中存在的自变量之间的多重相关问量题,提高了多工序质量分析与预测的精度,该模型已应用于轴套零件加工过程中多工序质量的分析与预测.     

大数据驱动的晶圆工期预测关键参数识别方法

工期是晶圆制造中的重要性能指标,对其进行精准预测可促进系统运行优化,保证订单的准时交付率。针对晶圆工期影响参数多、数据体量大且作用机理复杂的特点,提出数据驱动的晶圆工期关键参数过滤方法,识别影响晶圆工期波动的关键参数。分析晶圆工期潜在影响参数,构建候选参数集;基于信息熵方法设计关键参数的入选测度,综合度量参数间的相关性、冗余性与互补性;提出过滤式的关键参数识别算法,滤取影响工期波动的关键参数子集。采用实例数据,从1 202个候选参数中过滤得到78个关键参数,并采用神经网络模型进行工期预测,结果表明,该方法在预测精度和稳定性上都优于采用全局参数的多元线性回归与神经网络方法。     

先进制造模式的多阶段扩散模型研究

为了揭示先进制造模式的扩散规律,为企业决策及政府调控提供理论依据,从先进制造模式扩散的阶段性视角对其扩散行为进行研究.首先讨论先进制造模式扩散过程中的影响因素,分析扩散的特点和扩散机制,然后对企业的应用能力进行区分,并且考虑外部影响,建立先进制造模式的多阶段扩散模型;随后对该模型的稳定性及灵敏度进行分析;最后以计算机集成制造系统(CIMS)的扩散为例,建立多阶段扩散模型,并应用Vensim软件对模型进行仿真及分析,验证模型的正确性,同时给出模型的应用策略.