一种基于质量传递网络的电机转子加工质量预测方法

技术领域

本发明涉及了一种电机转子加工质量预测方法，涉及电机加工质量控制领域，具体涉及一种基于质量传递网络的电机转子加工质量预测方法。

背景技术

电机行业作为制造行业的重要组成部分，亟需提高电机产品的质量。然而目前电机制造过程一般采用生产线流水线作业，对电机的上下工序信息以及加工质量一般由人工采集并管理，这样数据的准确率并不高，并且对加工的数据缺乏有效的分析。转子作为电机的重要零部件，用于虽然有些公司已使用capp工艺管理系统以及ERP信息管理系统，对电机的加工工艺有一定的管理和控制,但这两者缺少有效的反馈，导致对转子的缺乏质量控制，生产的转子品质控制水平不高，影响电机的性能。

并且对一些有效的工序质量控制方法(比如统计质量控制SPC)很少使用，况且使用SPC控制图等状态控制方式对零件加工质量进行控制，通过模式图的识别是出于事后的质量控制，对已发生质量问题产品无法处理，无法对产品的事前加工的质量进行预测控制。

发明内容

为了解决背景技术中存在的问题，本发明所提供一种基于质量传递网络的电机转子加工质量预测方法。方法用于提高转子加工质量并且能够优化转子加工的工艺参数。

本发明采用的技术方案是：

本发明的基于质量传递网络的电机转子加工质量预测方法，包括：

步骤1：根据电机转子的各道加工工序，提取网络节点并构建质量传递网络。

步骤2：使用网页排名PageRank算法分析质量传递网络，获得电机转子加工工序中的若干关键工序，即在各个加工工序中提取出影响电机转子加工质量的若干关键工序。

步骤3：根据质量传递网络和各个关键工序，使用改进灰狼-最小二乘支持向量机IGWO-LSSVR算法构建多工序质量预测模型。

步骤4：采集待预测的电机转子加工工序中的各个加工要素并输入多工序质量预测模型中，多工序质量预测模型输出电机转子加工质量预测值，最终实现电机转子加工质量的预测。

所述的步骤1中，根据电机转子的各道加工工序，提取网络节点并构建质量传递网络，具体为使用复杂网络理论将电机转子加工工序中的电机转子的质量特性和加工特征以及夹具、机床和刀具作为网络节点，将各个质量特性之间的关联关系作为网络的边，从而构建为质量传递网络，质量传递网络包括各道加工工序的转子质量特征结点子网络和误差子网络

根据电机转子的工序间的传递耦合效应、加工工艺规划以及复杂网络理论，生成质量传递网路。关联关系包括基准、演化和属性等关系。

所述的每道加工工序的转子质量特征结点子网络具体如下：

N

其中，N

每道加工工序的误差子网络具体如下：

N

其中，N

每道加工工序对应若干加工特征，每个加工特征指向若干质量特征，每个加工特征对应若干加工要素。

所述的电机转子的质量特性包括公称尺寸e

转子加工的质量特征的公称尺寸e

定义加工要素为5M1E理论中的所有可测环节，将可测的加工要素偏差归纳为四类，其中，刀具误差ε

所述的步骤3中，根据质量传递网络和各个关键工序，使用改进灰狼-最小二乘支持向量机IGWO-LSSVR算法构建多工序质量预测模型，具体为针对每个关键工序，首先根据质量传递网络和关键工序，使用最小二乘支持向量机LSSVR算法构建初始单质量预测模型，各个初始单质量预测模型合并为初始多工序质量预测模型，然后使用改进灰狼IGWO算法对初始多工序质量预测模型进行参数优化，最终获得优化完成的多工序质量预测模型Multi-LSSVR，Multi-LSSVR＝{LSSVR1,LSSVR2,···,LSSVRn}，其中，LSSVR1,LSSVR2,···,LSSVRn分别表示第一、二、…、n个单质量预测模型。

所述的每个单质量预测模型具体如下：

x

ε

e

其中，y

第i道加工工序的电机转子加工质量特征值y

所述的改进灰狼IGWO算法具体为将灰狼GWO算法中的收敛因子α设置非线性调整，然后引入柯西变异算子，从而构建为改进灰狼IGWO算法；设置非线性调整后的收敛因子α具体如下：

其中，α

引进柯西变异算子，可以避免灰狼种群中的个体伴随迭代次数的增大慢慢往适应度高的个体集中，使得种群多样性减小，造成GWO算法出现局部极值的情况，具体变异如下：

其中，X(λ+1)表示λ+1代全局极值；X

采用改进灰狼IGWO算法对初始单工序质量预测模型的惩罚函数γ以及核函数σ进行超参数寻优。

本发明的有益效果是：

一、本发明可以实现对转子加工过程可可视化建模，主要对影响较大加工质量的关键工序考虑，为下一步的质量预测提供模型基础。

二、本发明采用最小二乘支持向量机预测方法，样本集不需要太大，也能保持算法的预测能力稳定，准确率高，能够适应小样本数据的复杂工况下的加工质量预测。

三、本发明根据改进灰狼算法对全局寻优，有效的避免算法陷入局部最优的情况，有利于得到模型的最优参数，保证模型的预测质量。

附图说明

图1是质量传递子网络模型示意图；

图2是质量传递网络结点PageRank值图；

图3是多工序质量预测模型示意图；

图4是质量预测模型示意图；

图5示本发明采用的模型参数优化流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

本发明的基于质量传递网络的电机转子加工质量预测方法，包括：

步骤1：根据电机转子的各道加工工序，提取网络节点并构建质量传递网络。

步骤1中，根据电机转子的各道加工工序，提取网络节点并构建质量传递网络，具体为使用复杂网络理论将电机转子加工工序中的电机转子的质量特性和加工特征以及夹具、机床和刀具作为网络节点，将各个质量特性之间的关联关系作为网络的边，从而构建为质量传递网络，质量传递网络包括各道加工工序的转子质量特征结点子网络和误差子网络。

根据电机转子的工序间的传递耦合效应、加工工艺规划以及复杂网络理论，生成质量传递网路。关联关系包括基准、演化和属性等关系。

每道加工工序的转子质量特征结点子网络具体如下：

N

其中，N

每道加工工序的误差子网络具体如下：

N

其中，N

每道加工工序对应若干加工特征，每个加工特征指向若干质量特征，每个加工特征对应若干加工要素。

电机转子的质量特性包括公称尺寸e

转子加工的质量特征的公称尺寸e

定义加工要素为5M1E理论中的所有可测环节，将可测的加工要素偏差归纳为四类，其中，刀具误差ε

步骤2：使用网页排名PageRank算法分析质量传递网络，获得电机转子加工工序中的若干关键工序，即在各个加工工序中提取出影响电机转子加工质量的若干关键工序。

步骤3：根据质量传递网络和各个关键工序，使用改进灰狼-最小二乘支持向量机IGWO-LSSVR算法构建多工序质量预测模型。

步骤3中，根据质量传递网络和各个关键工序，使用改进灰狼-最小二乘支持向量机IGWO-LSSVR算法构建多工序质量预测模型，具体为针对每个关键工序，首先根据质量传递网络和关键工序，使用最小二乘支持向量机LSSVR算法构建初始单质量预测模型，各个初始单质量预测模型合并为初始多工序质量预测模型，然后使用改进灰狼IGWO算法对初始多工序质量预测模型进行参数优化，最终获得优化完成的多工序质量预测模型Multi-LSSVR，Multi-LSSVR＝{LSSVR1,LSSVR2,···,LSSVRn}，其中，LSSVR1,LSSVR2,···,LSSVRn分别表示第一、二、…、n个单质量预测模型。

每个单质量预测模型具体如下：

x

ε

e

其中，y

第i道加工工序的电机转子加工质量特征值y

改进灰狼IGWO算法具体为将灰狼GWO算法中的收敛因子α设置非线性调整，然后引入柯西变异算子，从而构建为改进灰狼IGWO算法；设置非线性调整后的收敛因子α具体如下：

其中，α

引进柯西变异算子，可以避免灰狼种群中的个体伴随迭代次数的增大慢慢往适应度高的个体集中，使得种群多样性减小，造成GWO算法出现局部极值的情况，具体变异如下：

其中，X(λ+1)表示λ+1代全局极值；X

采用改进灰狼IGWO算法对初始单工序质量预测模型的惩罚函数γ以及核函数σ进行超参数寻优。

步骤4：采集待预测的电机转子加工工序中的各个加工要素并输入多工序质量预测模型中，多工序质量预测模型输出电机转子加工质量预测值，最终实现电机转子加工质量的预测。

本发明的具体实施例如下：

本发明提供一种基于质量传递网络和机器学习的电机转子加工质量预测控制方法，包括以下步骤：

根据转子的工序间的传递耦合效应、加工工艺规划以及复杂网络理论，生成质量传递网路，具体方法是：将零件的加工特征、质量特性、机床、夹具定义为网络结点，质量特性之间的关联关系(基准、演化、属性的等关系)网络的边。以下表1是转子的加工工序信息。

表1

将转子的每道工序分解成多个加工特征，每个加工特征都有其特有的质量特征，转子的加工特征及其对应的主要质量特征如下表2所示。

表2

如图1所示，为转子加工质量传递子网络示意图，图中的ER、BR和AR分别表示演化关系、基准关系和属性关系。如图2所示，为误差质量子网络示意图。将转子加工特征和加工特征的加工要素网络进行合并，即对的节点网络N

如图2所示为网络结点的各个PageRank值，其中磨削轴伸的圆跳动、两端面钻孔的同轴度、磨削风叶档的圆柱度、钻孔攻丝、铣键槽、钻左右两端面的影响度较大，钻孔左右两端面工序的质量特征对其他工序的基准，对后续的工序的质量影响较大，因此需要作为关键工序控制。以钻孔左右两端面工序为基准，车，磨削风叶档共同形成的质量特征圆柱度，车，磨削轴伸共同形成的圆跳动质量特征，键槽的对称度质量特征，以上面的关键工序建立单工序及多工序质量预测模型Multi-LSSVR。

如图3所示为多工序质量预测模型示意图，其中，Q

如图4所示为质量预测模型示意图，需要确定质量预测模型的输入、输出特征具体过程，定义加工要素为5M1E理论中的所有可测环节，可测的加工要素偏差归纳为四类：刀具误差ε

刀具误差ε

其中，t′表示刀具已使用的时间；t表示刀具寿命或者换刀周期。

机床误差ε

表3

转子加工的质量特征可归纳分为三类：公称尺寸e

最后采用IGWO-LSSVR算法建立模型并对LSSVR参数寻优，其寻优过程如图5所示，首先读取电机转子的样本数据，然后将样本数据分为测试集和训练集，再将样本数据进行归一化处理。

其中，x′是归一化后的数值，x

在构建完成多工序质量预测模型后对模型进行评估，建立模型的准确率和成熟度的评价指标：

a)模型的准确率指标具体如下：

其中，S

b)模型成熟度指标具体如下：

其中，M表示工件的成熟度值，N为已加工工件数量。

成熟度满足设定的指标表示模型已经经过足够的样本训练，可以进行误差预测。对于一般精度的加工特征，规定准确率与成熟度指标超过85％的模型满足训练准确率和成熟度的要求，才能用于实际质量的预测。对于精度要求高的质量特征，规定准确率与成熟度指标需要超过95％或更高，方可用于实际质量预测。

使用esp32嵌入式采集器通过Modbus协议采集广州数数控系统实际转子加工的数据，以下表4为Modbus协议采集信息对应的接口地址。另外温度传感器采集实际加工过程的温度，材料的硬度通过ERP系统可知。

表4

输入的样本数据集x＝{x

本发明提供一种基于质量传递网络与机器学习的质量预测控制方法，根据转子的工序间的传递耦合效应、加工工艺规划以及复杂网络理论，将零件的加工特征、质量特性、机床、夹具定义为网络结点，通过边的关系连接各节点，将转子加工过程可视化建模。使用PageRank算法对质量传递网络分析，确定转子加工的基准工序以及关键工序。然后建立最小二乘支持向量机的预测模型，通过灰狼算法实现参数寻优，构建预测模型的准确率和成熟度的指标，评估预测模型的预测效果。利用基于esp32嵌入式采集器采集生产现场的数据，将数据归一化处理后作为模型的训练集，将使用spc统计过程控制图对预测结果的控制，但出现异常时，对目前的生产工艺或者生产状态进行及时调整。本发明采用基于esp32的嵌入式采集器利用Modbus协议对数控系统实际加工信息采集，实际加工数据样本集能够使预测模型更有益于实际生产情况下的质量预测，有助于企业质量损失降低和提高经济效益。