制造產品在線質量預測方法研究

易向華

摘 要：針對制造過程的在線質量預測的實時性問題，提出了一種制造產品在線質量預測方法。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）與極端學習機（ELM）建立了優化的產品質量預測模型。同時，在線端改進了k-means方法并將其應用于在線質量數據流聚類，引用模型預測產品的質量。仿真實驗表明該方法實時性較貝葉斯方法和BP神經網絡有較大優勢，能應用于當前制造過程的在線質量預測。

關鍵詞：制造過程；在線質量預測；數據流；k-means

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

0 引言

隨著人們對質量水平要求的不斷提高，使得企業對于產品質量的控制紛紛轉向對制造過程的監控和分析，使得生產成本得以減少。制造過程作為一種復雜生產過程，具有工藝參數眾多、非線性顯著和動態變化等特點，難以建立其精確的數學模型。近年來，隨著數據采集技術和計算機技術的快速發展，制造過程質量特征參數的獲取變得容易[1]?，F有的預測方法如：人工神經網絡[2]，貝葉斯方法[3]等方法可以對產品質量進行分析預測。但是，上述方法并不能實時的預測當前的質量。本文針對制造過程中的質量數據以數據流的形式存在的特點，提出了一種在線質量預測方法，即通過離線部分對海量的數據構建ELM模型，并且對模型的相關參數進行了PSO優化；在線部分應用基于數據流計算框架的改進k-means方法對工況進行聚類；最后，將離線部分優化的預測模型傳輸至在線部分完成質量的在線預測。

1 離線部分產品質量預測模型的構建

極端學習機[4]（ELM）是一種基于單隱層前饋神經網絡的學習方法，有著學習時間短、算法運行快、結構確定簡便等等。

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

（1）將離線部分歷史的過程數據作為建模數據，隨機產生輸入權值ω、隱含層閾值t，并通過實驗初始化ELM的網絡結構；

（2）應用計算出來的輸出層權值、根據式（2）對預測集進行預測和驗證，計算出其標準均方根誤差E。

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

2 在線部分數據流的處理

聚類分析[6]是數據挖掘研究的一項重要技術，屬于無監督機器學習方法。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，隨著數據規模的無限擴大，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。本文基于數據流的計算框架提出了一種處理在線數據流的方法。

基于數據流的改進K-means算法執行過程如下：

（1）計算每個數據對象到k個初始聚類中心的距離，根據最近鄰原則分配到簇，定義一個結構體{cluster[i]，distance[i]}，其中，cluster[i]表示第i個數據對象的類簇標簽；distance[i]表示第i個數據對象到最近中心點的距離。

令，j為對象i最近的簇標簽；

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，算法結束，輸出最終聚類結果。

（1）

3 仿真實驗分析

本文以車身點焊過程為例，根據實際生產經驗，點焊接頭強度是點焊質量的重要指標，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量進行預測。通過生產過程中的200組過程參數數據，在PC上進行實驗。用本文方法和BP神經網絡和貝葉斯方法可以得到預測的熔核直徑如圖1所示。

由圖1可知，本文方法的預測平均相對誤差在5%以內，因為本文在離線部分采用了PSO-ELM方法構建預測模型，并且在線部分基于數據流的計算框架，改進k-means方法極大限度的提高了算法的效率。反觀神經網絡，為了保持高精度必須經過大幅度的訓練和測試，時間復雜度高。與貝葉斯方法相比，本文應用PSO算法優化了輸入權值和隱含層閾值，縮短了建模時間和提升了預測精度。

4 結束語

鑒于制造產品的在線質量預測是一個非常重要的研究領域，并且具有廣闊的前景，而現有的方法不能滿足日益提升的數據量和預測的實時性要求，本文提出了一種制造產品的在線質量預測方法。實驗結果表明，相對其他兩種方法，本文方法具有良好的預測精度和較高的效率，能適應當前制造過程中產品質量的在線預測。

參考文獻：

[1]姜興宇，干世杰，趙凱等.面向網絡化制造的智能工序質量控制系統[J].機械工程學報，2010，46（04）：186-194.

[2]徐蘭，方志耕，劉思峰.基于粒子群BP神經網絡的質量預測模型[J].工業工程，2012，15（04）：17-20.

[3]丁鋼堅，張小剛.貝葉斯分類算法應用于回轉窯燒結溫度預測模型[J].計算機系統應用，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.基于粒子群優化的構造性極端學習機的研究[D].江蘇大學，2015.