制造產(chǎn)品在線質(zhì)量預(yù)測方法研究

易向華

摘 要：針對制造過程的在線質(zhì)量預(yù)測的實時性問題，提出了一種制造產(chǎn)品在線質(zhì)量預(yù)測方法。該方法在分為在線和離線兩個部分。離線部分基于粒子群（PSO）與極端學(xué)習(xí)機（ELM）建立了優(yōu)化的產(chǎn)品質(zhì)量預(yù)測模型。同時，在線端改進(jìn)了k-means方法并將其應(yīng)用于在線質(zhì)量數(shù)據(jù)流聚類，引用模型預(yù)測產(chǎn)品的質(zhì)量。仿真實驗表明該方法實時性較貝葉斯方法和BP神經(jīng)網(wǎng)絡(luò)有較大優(yōu)勢，能應(yīng)用于當(dāng)前制造過程的在線質(zhì)量預(yù)測。

關(guān)鍵詞：制造過程；在線質(zhì)量預(yù)測；數(shù)據(jù)流；k-means

DOI：10.16640/j.cnki.37-1222/t.2017.09.179

0 引言

隨著人們對質(zhì)量水平要求的不斷提高，使得企業(yè)對于產(chǎn)品質(zhì)量的控制紛紛轉(zhuǎn)向?qū)χ圃爝^程的監(jiān)控和分析，使得生產(chǎn)成本得以減少。制造過程作為一種復(fù)雜生產(chǎn)過程，具有工藝參數(shù)眾多、非線性顯著和動態(tài)變化等特點，難以建立其精確的數(shù)學(xué)模型。近年來，隨著數(shù)據(jù)采集技術(shù)和計算機技術(shù)的快速發(fā)展，制造過程質(zhì)量特征參數(shù)的獲取變得容易[1]。現(xiàn)有的預(yù)測方法如：人工神經(jīng)網(wǎng)絡(luò)[2]，貝葉斯方法[3]等方法可以對產(chǎn)品質(zhì)量進(jìn)行分析預(yù)測。但是，上述方法并不能實時的預(yù)測當(dāng)前的質(zhì)量。本文針對制造過程中的質(zhì)量數(shù)據(jù)以數(shù)據(jù)流的形式存在的特點，提出了一種在線質(zhì)量預(yù)測方法，即通過離線部分對海量的數(shù)據(jù)構(gòu)建ELM模型，并且對模型的相關(guān)參數(shù)進(jìn)行了PSO優(yōu)化；在線部分應(yīng)用基于數(shù)據(jù)流計算框架的改進(jìn)k-means方法對工況進(jìn)行聚類；最后，將離線部分優(yōu)化的預(yù)測模型傳輸至在線部分完成質(zhì)量的在線預(yù)測。

1 離線部分產(chǎn)品質(zhì)量預(yù)測模型的構(gòu)建

極端學(xué)習(xí)機[4]（ELM）是一種基于單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，有著學(xué)習(xí)時間短、算法運行快、結(jié)構(gòu)確定簡便等等。

在ELM中，輸入權(quán)值是隨機產(chǎn)生的，這種方式確定的輸出權(quán)值準(zhǔn)確率不高。粒子群算法（PSO）[5]是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機搜索優(yōu)化算法。將PSO優(yōu)化算法應(yīng)用于ELM建模中可以極大地優(yōu)化ELM的三個參數(shù)，得到更高的預(yù)測精度與效率。PSO算法優(yōu)化ELM的建模過程如下所示：

（1）將離線部分歷史的過程數(shù)據(jù)作為建模數(shù)據(jù)，隨機產(chǎn)生輸入權(quán)值ω、隱含層閾值t，并通過實驗初始化ELM的網(wǎng)絡(luò)結(jié)構(gòu)；

（2）應(yīng)用計算出來的輸出層權(quán)值、根據(jù)式（2）對預(yù)測集進(jìn)行預(yù)測和驗證，計算出其標(biāo)準(zhǔn)均方根誤差E。

（3）通過PSO算法優(yōu)化輸入權(quán)值ω、隱含層閾值t和輸出層權(quán)值，并通過最優(yōu)的粒子建立ELM模型。

2 在線部分?jǐn)?shù)據(jù)流的處理

聚類分析[6]是數(shù)據(jù)挖掘研究的一項重要技術(shù)，屬于無監(jiān)督機器學(xué)習(xí)方法。k-means方法將一個含有n個樣本的集合劃分為K個子集合，其中每個子集合代表一個類簇。近幾年，隨著數(shù)據(jù)規(guī)模的無限擴大，分布式并行的k-means算法越來越受到人們的青睞。而MapReduce云計算框架[7]作為當(dāng)下管理大型計算機集群能力的一種流行方式得到重視。本文基于數(shù)據(jù)流的計算框架提出了一種處理在線數(shù)據(jù)流的方法。

基于數(shù)據(jù)流的改進(jìn)K-means算法執(zhí)行過程如下：

（1）計算每個數(shù)據(jù)對象到k個初始聚類中心的距離，根據(jù)最近鄰原則分配到簇，定義一個結(jié)構(gòu)體{cluster[i]，distance[i]}，其中，cluster[i]表示第i個數(shù)據(jù)對象的類簇標(biāo)簽；distance[i]表示第i個數(shù)據(jù)對象到最近中心點的距離。

令，j為對象i最近的簇標(biāo)簽；

令，其中，center[j]為第j個類的聚類中心，為到最近中心點的距離。

（2）按照平均法計算各個簇的質(zhì)心，得到新的簇中心。

（3）利用式（1）計算誤差平方和，判斷是否收斂，若收斂，算法結(jié)束，輸出最終聚類結(jié)果。

（1）

3 仿真實驗分析

本文以車身點焊過程為例，根據(jù)實際生產(chǎn)經(jīng)驗，點焊接頭強度是點焊質(zhì)量的重要指標(biāo)，而點焊接頭的強度主要取決于點焊熔核直徑[8]。ELM模型以焊接電流（I）、電極間電壓（V）、動態(tài)電阻（R）、焊接時間（T）為輸入，以點焊熔核直徑L做為輸出，對點焊過程中的工序質(zhì)量進(jìn)行預(yù)測。通過生產(chǎn)過程中的200組過程參數(shù)數(shù)據(jù)，在PC上進(jìn)行實驗。用本文方法和BP神經(jīng)網(wǎng)絡(luò)和貝葉斯方法可以得到預(yù)測的熔核直徑如圖1所示。

由圖1可知，本文方法的預(yù)測平均相對誤差在5%以內(nèi)，因為本文在離線部分采用了PSO-ELM方法構(gòu)建預(yù)測模型，并且在線部分基于數(shù)據(jù)流的計算框架，改進(jìn)k-means方法極大限度的提高了算法的效率。反觀神經(jīng)網(wǎng)絡(luò)，為了保持高精度必須經(jīng)過大幅度的訓(xùn)練和測試，時間復(fù)雜度高。與貝葉斯方法相比，本文應(yīng)用PSO算法優(yōu)化了輸入權(quán)值和隱含層閾值，縮短了建模時間和提升了預(yù)測精度。

4 結(jié)束語

鑒于制造產(chǎn)品的在線質(zhì)量預(yù)測是一個非常重要的研究領(lǐng)域，并且具有廣闊的前景，而現(xiàn)有的方法不能滿足日益提升的數(shù)據(jù)量和預(yù)測的實時性要求，本文提出了一種制造產(chǎn)品的在線質(zhì)量預(yù)測方法。實驗結(jié)果表明，相對其他兩種方法，本文方法具有良好的預(yù)測精度和較高的效率，能適應(yīng)當(dāng)前制造過程中產(chǎn)品質(zhì)量的在線預(yù)測。

參考文獻(xiàn)：

[1]姜興宇，干世杰，趙凱等.面向網(wǎng)絡(luò)化制造的智能工序質(zhì)量控制系統(tǒng)[J].機械工程學(xué)報，2010，46（04）：186-194.

[2]徐蘭，方志耕，劉思峰.基于粒子群BP神經(jīng)網(wǎng)絡(luò)的質(zhì)量預(yù)測模型[J].工業(yè)工程，2012，15（04）：17-20.

[3]丁鋼堅，張小剛.貝葉斯分類算法應(yīng)用于回轉(zhuǎn)窯燒結(jié)溫度預(yù)測模型[J].計算機系統(tǒng)應(yīng)用，2011，20（09）：200-203.

[4]Jun Guo.Shunsheng Guo，Xiaobing Yu.Monitoring and Diagnosis of Manufacturing Process Using Extreme Learning Machine [J]Advanced Science Letters，2011（04）：2236-2239.

[5]趙敏汝.基于粒子群優(yōu)化的構(gòu)造性極端學(xué)習(xí)機的研究[D].江蘇大學(xué)，2015.