一种基于元学习的产品制造质量预测方法

本发明涉及产品制造质量预测，尤其涉及一种基于元学习的产品制造质量预测方法。

背景技术：

1、近年来，国内外制造业逐渐向将传统的加工工艺与数字孪生、人工智能有机结合的方向发展，以求通过虚拟孪生系统对加工过程进行智能调控。在航空航天领域存在复杂结构件，其制造过程是一个非线性的多场耦合加工过程，伴随着材料去除和表面创成，多种复杂的物理过程高度耦合，综合影响目标构件的形状精度与表面状态。

2、对于数据驱动的加工状态预测问题，传统的机器学习算法例如支持向量机等，面对多种工艺耦合的复杂工业场景存在泛化性能的局限性。深度神经网络具有良好的预测性能，例如递归神经网络、长短期记忆网络等，能够捕捉数据中的时间动态行为，但比较依赖于数据量，对于小样本量数据的预测表现一般，无法充分利用数据样本，难以实现在复杂工艺过程下小样本量预测的准确性。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于元学习的产品制造质量预测方法，解决了小样本量数据无法支持对多生产工序的复杂工业结构件的质量预测的技术问题。

2、为解决上述技术问题，本发明提供了如下技术方案：一种基于元学习的产品制造质量预测方法，该预测方法包括以下步骤：

3、s1、获取制造复杂结构件过程中各个制造工序的样本数据，样本数据包括工艺参数、相关传感器数据和质量指标；

4、s2、对样本数据进行预处理得到若干个样本数据集，并将样本数据集划分为训练集、验证集和测试集，再将每个样本数据集划分出支持集与查询集；

5、s3、将样本数据集对应不同工序的样本特征映射至相同维度，并根据各工序的先后顺序对特征进行时间序列编码作为补充特征；

6、s4、通过支持集中的样本数据对与测量指标相关的反映样本共性的期望表征进行挖掘作为新生成的补充特征；

7、s5、构建解码器，结合支持集的输入与补充特征，对查询集中样本的质量指标进行预测得到质量预测结果；

8、s6、对新生成的补充特征与质量预测结果分别构建损失函数，并通过反向传播算法更新参数得到新的数字孪生模型；

9、s7、将复杂结构件制造过程的样本输入至新的数字孪生模型完成对工业制造过程的制造质量预测。

10、进一步地，在步骤s2中，具体过程包括以下步骤：

11、s201、对各制造工序的工艺参数和复杂结构件的质量指标的样本数据进行异常值处理与归一化处理得到样本数据集；

12、s202、将样本数据集划分为训练集、验证集和测试集，并在此基础上取出各数据集中的前k个样本作为支持集，其余作为查询集。

13、进一步地，在步骤s3中，具体过程包括以下步骤：

14、s301、将每个不同工序所对应的不同维度的样本特征通过一个全连接神经网络映射至相同的维度；

15、进一步地，不同维度的样本特征映射至相同的维度采用下述公式完成：

16、；

17、其中，示样本特征，表示映射至相同维度后的特征表示；

18、s302、根据各工序的先后顺序，构建双向长短期记忆网络bilstm，随后对样本特征进行编码，将样本中映射后的各工序的样本特征作为输入，双向长短期记忆网络bilstm的双向的隐藏状态拼接为输出，作为各工序的时间序列特征；

19、s303、将维度映射至相同维度的样本特征与时间序列特征相拼接，作为样本的初始特征编码。

20、进一步地，在步骤s4中，具体过程包括以下步骤：

21、s401、将样本的初始特征编码与质量指标进行拼接作为新的样本表示；

22、s402、将新的样本表示输多头入注意力机制，输出作为个样本的更新表示，其中包含了个样本间的相关性；

23、s403、将所有支持样本的更新表示通过一层的全连接网络，取平均并放缩后作为新生成的补充特征。

24、进一步地，新生成的补充特征采用下述公式完成：

25、；

26、其中，表示支持集特征表示与质量指标拼接后的新样本表示，k表示支持集样本数量，表示的维度，反映第j个样本对第i个样本的重要性，为对样本i的更新表示。

27、；

28、其中，为补充特征的临时表示，k表示支持集样本数量，为补充特征，表示权重矩阵，表示偏置项。

29、进一步地，在步骤s5中，具体过程包括以下步骤：

30、s501、将支持集的样本表示与新生成的补充特征相结合作为支持集的输入特征表示，将查询集经编码后的特征表示作为查询集的输入；

31、s502、计算支持样本的更新表示作为解码器的部分输入；

32、s503、通过注意力机制计算支持集与查询集样本之间的相关性，其中每个支持样本的重要性被视为解码器中生成的权重参数；

33、s504、通过支持样本的生成参数与查询样本特征表示相乘加偏执，获得对查询样本的质量预测结果。

34、进一步地，在步骤s6中，具体过程包括以下步骤：

35、s601、对新生成的补充特征、预测结果和解码器的生成参数分别构建多元损失函数；

36、s602、对多元损失函数加权求和作为数字孪生模型的总损失函数；

37、s603、通过反向传播算法对数字孪生模型的参数进行迭代更新得到新的数字孪生模型。

38、借由上述技术方案，本发明提供了一种基于元学习的产品制造质量预测方法，至少具备以下有益效果：

39、1、本发明通过双向的长短期记忆网络可以挖掘出与产品工艺流程中各个工序所对应的时序特征，在特征中保留了不同工序间相互耦合的影响关系；

40、基于元学习的思想，通过多头注意力机制挖掘数据中与各质量指标对应的反映样本共性的先验知识作为特征的补充，能够充分利用有限的数据，使预测具有更好可解释性；解码预测过程基于注意力机制，结合已知结果样本与未知结果样本之间的关系，能够有效的提高小样本两支持下的预测准确性。

41、2、本发明能够实现对航空航天领域复杂结构件加工状态的预测，并进一步实现工艺调控，显著提高航空发动机关键构件的加工效率和质量，并能保证加工过程的安全性。

42、3、本发明采用元学习的思想，结合注意力机制对样本实例当中的先验知识进行挖掘，充分利用数据样本，有利于提高复杂工艺过程下小样本量预测的准确性。

技术特征：

1.一种基于元学习的产品制造质量预测方法，其特征在于，该预测方法包括以下步骤：

2.根据权利要求1所述的产品制造质量预测方法，其特征在于，在步骤s2中，具体过程包括以下步骤：

3.根据权利要求1所述的产品制造质量预测方法，其特征在于，在步骤s3中，具体过程包括以下步骤：

4.根据权利要求3所述的产品制造质量预测方法，其特征在于，在步骤s301中，不同维度的样本特征映射至相同的维度采用下述公式完成：

5.根据权利要求1所述的产品制造质量预测方法，其特征在于，在步骤s4中，具体过程包括以下步骤：

6.根据权利要求5所述的产品制造质量预测方法，其特征在于，在步骤s4中，新生成的补充特征采用下述公式完成：

7.根据权利要求1所述的产品制造质量预测方法，其特征在于，在步骤s5中，具体过程包括以下步骤：

8.根据权利要求1所述的产品制造质量预测方法，其特征在于，在步骤s6中，具体过程包括以下步骤：

9.根据权利要求8所述的产品制造质量预测方法，其特征在于，在步骤s61中，多元损失函数、和分别为：

技术总结
本发明涉及产品制造质量预测技术领域，解决了小样本量数据无法支持对多生产工序的复杂工业结构件的质量预测的技术问题，尤其涉及一种基于元学习的产品制造质量预测方法，该预测方法包括以下步骤：S1、获取制造复杂结构件过程中各个制造工序的样本数据，样本数据包括工艺参数、相关传感器数据和质量指标；S2、对样本数据进行预处理得到若干个样本数据集，并将样本数据集划分为训练集、验证集和测试集，再将每个样本数据集划分出支持集与查询集。本发明能够实现对航空航天领域复杂结构件加工状态的预测，并进一步实现工艺调控，显著提高航空发动机关键构件的加工效率和质量，并能保证加工过程的安全性。

技术研发人员：单忠德,张朔山,汪俊,单鹏飞,李大伟
受保护的技术使用者：南京航空航天大学
技术研发日：
技术公布日：2024/1/13