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。     

[数字孪生驱动的智能制造]基于数字孪生的航天制造车间生产管控方法

针对目前航天制造车间生产管控中存在的效率低、精细度差、动态响应能力不足等难题,研究了基于数字孪生的制造车间生产管控方法,设计了基于跨网段信息异步交互的航天数字孪生车间架构,提出了航天数字孪生车间的基本组成和虚实融合的制造车间分层管控模式,阐述了面向不同对象的制造智能（MI）和商业智能（BI）场景应用,为军工企业车间生产管控提供了可行的技术途径。     

基于图像形态学的焊缝区域提取与对比度提升技术

铝板焊接后可使用X射线进行焊缝内部缺陷检测,由于X射线成像存在噪声多、对比度低、焊缝区域边缘模糊、焊缝区域与背景区域灰度分布较为相似等问题,使用传统边缘检测方法效果欠佳。提出了一种自动提取焊缝区域并提高其对比度的方法,通过去噪处理、边缘检测、形态学操作等步骤,最终确定焊缝区域位置,并对焊缝区域内像素值进行线性变换,提高了焊缝区域的对比度。实验结果表明,该方法针对大批量的铝板X射线图片,都能够自动提高焊缝区域的对比度,具有良好的鲁棒性和准确性。