企改中基于M ES的加工過(guò)程質(zhì)量控制與預(yù)測(cè)研究

辛梅

（西安航空職業(yè)技術(shù)學(xué)院 航空制造工程學(xué)院，西安 710089）

企改中基于M ES的加工過(guò)程質(zhì)量控制與預(yù)測(cè)研究

辛梅

（西安航空職業(yè)技術(shù)學(xué)院 航空制造工程學(xué)院，西安 710089）

針對(duì)制造加工零部件生產(chǎn)高精度控制的需求，結(jié)合加工質(zhì)量控制理論，提出一種基于人工智能算法的質(zhì)量控制與預(yù)測(cè)系統(tǒng)。為提高質(zhì)量控制精度，提出一種基于改進(jìn)的SVR預(yù)測(cè)模型。借助SVR預(yù)測(cè)算法可處理非線性和高維度等復(fù)雜問(wèn)題，以及粒子算法在全局搜索方面的優(yōu)勢(shì)，對(duì)SVR預(yù)測(cè)的參數(shù)進(jìn)行優(yōu)化。同時(shí)根據(jù)上述的算法，構(gòu)建加工質(zhì)量預(yù)測(cè)控制模型。最后，通過(guò)MatLab軟件對(duì)上述算法進(jìn)行驗(yàn)證，結(jié)果表明上述加工方法具有可行性。

加工質(zhì)量；制造執(zhí)行系統(tǒng)；預(yù)測(cè)；粒子群算法；支持向量機(jī)

隨著現(xiàn)代加工過(guò)程的數(shù)字化發(fā)展，以及基于制造執(zhí)行系統(tǒng)（MES）控制的信息化，產(chǎn)品批量化生產(chǎn)成為離散制造業(yè)發(fā)展的一種趨勢(shì)，而加強(qiáng)質(zhì)量控制成為核心。目前，針對(duì)制造企業(yè)加工過(guò)程質(zhì)量控制，主要集中在人工智能控制和基于SPC工序質(zhì)量控制兩類。如魏青云（2012）提出借助神經(jīng)網(wǎng)絡(luò)算法、薛麗（2016）則提出通過(guò)抽樣區(qū)間算法及EWMA控制圖、牛占文（2010）提出通過(guò)的累積和控制圖及指數(shù)加權(quán)移動(dòng)平均指數(shù)等方法，都對(duì)零部件加工質(zhì)量進(jìn)行了控制。對(duì)此，基于MES系統(tǒng)和上述的研究成果，提出一種對(duì)批量化產(chǎn)品生產(chǎn)質(zhì)量預(yù)測(cè)算法，并對(duì)算法的可行性進(jìn)行驗(yàn)證。

一、支持向量回歸原理

（一）不敏感損失函數(shù)

SVR回歸算法中，將損失函數(shù)的定義為：

公式（1）表示，如估計(jì)器輸出的結(jié)果y與期望值d之間的偏差的絕對(duì)值小于某個(gè)指定的參數(shù)ε，則其值等于0，否則等于偏差減去絕對(duì)值減去指定參數(shù)ε。

（二）基于ε不敏感損失函數(shù)的SVR

對(duì)SVR回歸的描述：假設(shè)在n維空間當(dāng)中，存在l個(gè)數(shù)據(jù)樣本對(duì){（xi，yi），i=1，2，…l}，其中，xi∈Rn表示第i個(gè)樣本的輸入向量，yi∈R表示為與相對(duì)應(yīng)的輸出值，由此在n維空間中存在超平面f（x）=wx+b，使得該平面與任意的一個(gè)樣本點(diǎn)的距離最大。同時(shí)，考慮到在數(shù)據(jù)的采集中存在干擾的問(wèn)題，引入松弛變量ξ和ξ*及誤差懲罰因子C，其中ξ和ξ*分別代表數(shù)據(jù)點(diǎn)超出不敏感區(qū)的上限誤差和下限誤差，由此可以得到以下優(yōu)化問(wèn)題：

其中，C值越大，表示其對(duì)錯(cuò)分的懲罰也就越重，分類也就越嚴(yán)格。

為求解上述的方程，引入拉格朗日乘子法，引入乘子αi和βi，并根據(jù)KKT原則，可得到ε-SVR模型求解的對(duì)偶形式：

對(duì)公式（3）進(jìn)行求解，可以得到最優(yōu)分類面函數(shù)：

其中，αi*、βi*、b*分別表示二次規(guī)劃函數(shù)最優(yōu)解，K（xi，x）表示核函數(shù)。

核函數(shù)選擇RBF核函數(shù)。

其中，σ表示高斯核寬度參數(shù)。

由此，通過(guò)上述公式的表達(dá)式可以看出，在SVR模型中，影響模型的分類性能的參數(shù)只有σ和C懲罰因子。因此，要保證模型得到最優(yōu)解，只需要對(duì)參數(shù)σ和C進(jìn)行優(yōu)化即可。

二、基于PSO-SVR的質(zhì)量控制與預(yù)測(cè)模型構(gòu)建

要保證參數(shù)σ和C參數(shù)最優(yōu)，就必須防止陷入局部最優(yōu)。因此，引入PSO在全局搜索方面的優(yōu)勢(shì)，對(duì)參數(shù)σ和C兩個(gè)參數(shù)進(jìn)行優(yōu)化，從而得到最優(yōu)的參數(shù)。PSO算法的原理是借助個(gè)體之間的競(jìng)爭(zhēng)、交流、合作和信息共享等機(jī)制來(lái)實(shí)現(xiàn)最優(yōu)解。在求解最優(yōu)的過(guò)程中，假設(shè)最優(yōu)可行解在D維空間上面的點(diǎn)，即“粒子”要求解該粒子，首先會(huì)產(chǎn)生N={X1，X2，…，XN}個(gè)潛在解，在每個(gè)Xi中會(huì)產(chǎn)生xi1～xid個(gè)當(dāng)前解。在迭代的過(guò)程中，每個(gè)粒子會(huì)之前的種群最優(yōu)和個(gè)體最優(yōu)信息不斷的調(diào)整自身的位置。對(duì)此引入慣性權(quán)重和學(xué)習(xí)因子對(duì)其調(diào)整進(jìn)行表示，具體表達(dá)式為：

其中，c1和c2表示加速度因子，根據(jù)經(jīng)驗(yàn)，c1=c2=1.5；ω表示慣性權(quán)重，該值越大越有利于全局搜素，越小越有利于局部搜索。

同時(shí)，為進(jìn)一步對(duì)產(chǎn)品加工進(jìn)行修正，引入誤差補(bǔ)償思想，即通過(guò)PSO-SVR模型求解得到加工工序的預(yù)測(cè)誤差，然后將該預(yù)測(cè)誤差與實(shí)際誤差進(jìn)行比較，如果在誤差范圍之內(nèi)，那么統(tǒng)計(jì)下一個(gè)工件的誤差，如果超過(guò)誤差要求的范圍，對(duì)誤差進(jìn)行補(bǔ)償或者調(diào)整加工工藝，從而達(dá)到對(duì)批量產(chǎn)品質(zhì)量調(diào)整的目標(biāo)。由此，綜上可以得到質(zhì)量預(yù)測(cè)控制流程，具體（如下圖所示）。

質(zhì)量預(yù)測(cè)控制模型圖

三、仿真驗(yàn)證

為驗(yàn)證上述上述優(yōu)化算法的效果，利用Matlab軟件進(jìn)行仿真。設(shè)數(shù)據(jù)樣本為20，其中學(xué)習(xí)樣本15，測(cè)試樣本5，c1=c2=1.5，最大迭代次數(shù)為200次，慣性權(quán)重采用二次曲線進(jìn)行動(dòng)態(tài)調(diào)整，C∈[1，1000]，σ∈[0.001,3.8]，ε∈[10-5，10-4]。通過(guò)上述的仿真，當(dāng)適應(yīng)度函數(shù)值最小時(shí)，可以得到當(dāng)?shù)螖?shù)為120次，得到最優(yōu)粒子向量參數(shù)。同時(shí)，將上述的最優(yōu)粒子向量代入到SVR模型中，得到預(yù)測(cè)值和實(shí)際測(cè)量值之間的誤差在[-0.002，0.002]的水平，說(shuō)明本文構(gòu)建的質(zhì)量預(yù)測(cè)控制模型有效，并且可滿足短期誤差控制需求。

四、結(jié)語(yǔ)

本文結(jié)合批量加工質(zhì)量控制需求，結(jié)合其非線性的特點(diǎn)，提出一種適合于非線性優(yōu)化的SVR支持向量回歸模型，并利用PSO算法的優(yōu)勢(shì)，對(duì)參數(shù)進(jìn)行優(yōu)化，從而提高加工誤差預(yù)測(cè)的精度。

[1]魏青云.基于改進(jìn)型灰色RBF神經(jīng)網(wǎng)絡(luò)的小批量產(chǎn)品質(zhì)量控制研究[D].鄭州：鄭州大學(xué)，2012.

[2]薛麗.可變抽樣區(qū)間的二項(xiàng)變量累積和控制圖設(shè)計(jì)[J].統(tǒng)計(jì)與決策，2016，(9)：27-30.

[責(zé)任編輯 劉嬌嬌]

C931

A

1673-291X（2017）21-0011-02

2017-02-07

辛梅（1979-），女，湖北恩施人，講師，碩士，從事機(jī)械設(shè)計(jì)與制造、數(shù)控技術(shù)等研究。