企改中基于M ES的加工過程質量控制與預測研究

辛梅

（西安航空職業技術學院 航空制造工程學院，西安 710089）

企改中基于M ES的加工過程質量控制與預測研究

辛梅

（西安航空職業技術學院 航空制造工程學院，西安 710089）

針對制造加工零部件生產高精度控制的需求，結合加工質量控制理論，提出一種基于人工智能算法的質量控制與預測系統。為提高質量控制精度，提出一種基于改進的SVR預測模型。借助SVR預測算法可處理非線性和高維度等復雜問題，以及粒子算法在全局搜索方面的優勢，對SVR預測的參數進行優化。同時根據上述的算法，構建加工質量預測控制模型。最后，通過MatLab軟件對上述算法進行驗證，結果表明上述加工方法具有可行性。

加工質量；制造執行系統；預測；粒子群算法；支持向量機

隨著現代加工過程的數字化發展，以及基于制造執行系統（MES）控制的信息化，產品批量化生產成為離散制造業發展的一種趨勢，而加強質量控制成為核心。目前，針對制造企業加工過程質量控制，主要集中在人工智能控制和基于SPC工序質量控制兩類。如魏青云（2012）提出借助神經網絡算法、薛麗（2016）則提出通過抽樣區間算法及EWMA控制圖、牛占文（2010）提出通過的累積和控制圖及指數加權移動平均指數等方法，都對零部件加工質量進行了控制。對此，基于MES系統和上述的研究成果，提出一種對批量化產品生產質量預測算法，并對算法的可行性進行驗證。

一、支持向量回歸原理

（一）不敏感損失函數

SVR回歸算法中，將損失函數的定義為：

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

（二）基于ε不敏感損失函數的SVR

對SVR回歸的描述：假設在n維空間當中，存在l個數據樣本對{（xi，yi），i=1，2，…l}，其中，xi∈Rn表示第i個樣本的輸入向量，yi∈R表示為與相對應的輸出值，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樣本點的距離最大。同時，考慮到在數據的采集中存在干擾的問題，引入松弛變量ξ和ξ*及誤差懲罰因子C，其中ξ和ξ*分別代表數據點超出不敏感區的上限誤差和下限誤差，由此可以得到以下優化問題：

其中，C值越大，表示其對錯分的懲罰也就越重，分類也就越嚴格。

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KKT原則，可得到ε-SVR模型求解的對偶形式：

對公式（3）進行求解，可以得到最優分類面函數：

其中，αi*、βi*、b*分別表示二次規劃函數最優解，K（xi，x）表示核函數。

核函數選擇RBF核函數。

其中，σ表示高斯核寬度參數。

由此，通過上述公式的表達式可以看出，在SVR模型中，影響模型的分類性能的參數只有σ和C懲罰因子。因此，要保證模型得到最優解，只需要對參數σ和C進行優化即可。

二、基于PSO-SVR的質量控制與預測模型構建

要保證參數σ和C參數最優，就必須防止陷入局部最優。因此，引入PSO在全局搜索方面的優勢，對參數σ和C兩個參數進行優化，從而得到最優的參數。PSO算法的原理是借助個體之間的競爭、交流、合作和信息共享等機制來實現最優解。在求解最優的過程中，假設最優可行解在D維空間上面的點，即“粒子”要求解該粒子，首先會產生N={X1，X2，…，XN}個潛在解，在每個Xi中會產生xi1～xid個當前解。在迭代的過程中，每個粒子會之前的種群最優和個體最優信息不斷的調整自身的位置。對此引入慣性權重和學習因子對其調整進行表示，具體表達式為：

其中，c1和c2表示加速度因子，根據經驗，c1=c2=1.5；ω表示慣性權重，該值越大越有利于全局搜素，越小越有利于局部搜索。

同時，為進一步對產品加工進行修正，引入誤差補償思想，即通過PSO-SVR模型求解得到加工工序的預測誤差，然后將該預測誤差與實際誤差進行比較，如果在誤差范圍之內，那么統計下一個工件的誤差，如果超過誤差要求的范圍，對誤差進行補償或者調整加工工藝，從而達到對批量產品質量調整的目標。由此，綜上可以得到質量預測控制流程，具體（如下圖所示）。

質量預測控制模型圖

三、仿真驗證

為驗證上述上述優化算法的效果，利用Matlab軟件進行仿真。設數據樣本為20，其中學習樣本15，測試樣本5，c1=c2=1.5，最大迭代次數為200次，慣性權重采用二次曲線進行動態調整，C∈[1，1000]，σ∈[0.001,3.8]，ε∈[10-5，10-4]。通過上述的仿真，當適應度函數值最小時，可以得到當迭代次數為120次，得到最優粒子向量參數。同時，將上述的最優粒子向量代入到SVR模型中，得到預測值和實際測量值之間的誤差在[-0.002，0.002]的水平，說明本文構建的質量預測控制模型有效，并且可滿足短期誤差控制需求。

四、結語

本文結合批量加工質量控制需求，結合其非線性的特點，提出一種適合于非線性優化的SVR支持向量回歸模型，并利用PSO算法的優勢，對參數進行優化，從而提高加工誤差預測的精度。

[1]魏青云.基于改進型灰色RBF神經網絡的小批量產品質量控制研究[D].鄭州：鄭州大學，2012.

[2]薛麗.可變抽樣區間的二項變量累積和控制圖設計[J].統計與決策，2016，(9)：27-30.

[責任編輯 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，從事機械設計與制造、數控技術等研究。