[发明专利]数据与机理融合的卷绕机锭轴装配精度预测方法

权利要求书

1.一种数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，具体包括如下步骤：

1)数据采集：采集已装卷绕机的装配件参数、卷绕机锭轴轴端跳动和轴面跳动数据并记录锭轴装配件工艺参数，即尺寸公差、形状公差、位置公差，构成实测样本数据和对应装配工艺参数信息；

2)建立三维误差传递机理：依据小位移旋量理论对所记录装配件工艺参数进行转换，转换为旋量形式表达公差信息；并基于最小二乘拟合算法对多类公差对同一零件的公差域耦合作用对零件进行实际变动区间求解，获得装配零件的公差的实际变动区间；依据装配顺序在各个装配件上建立相应的基础坐标系，并计算建立雅可比传递矩阵；

3)生成机理样本集与精度样本：基于正态分布对旋量形式的公差的实际变动区间生成特征，随机组合，并代入旋量理论和雅可比传递矩阵构成的雅可比旋量模型中进行标签计算，获得机理样本集；根据采集到的已装卷绕机的装配件参数划分截尾正态分布，对于缺少的部分使用样本特征的欧式距离求均进行补充，后续随机抽取特征并基于传递机理计算相应的标签，最终获取足够数量的实测样本扩充数据作为精度样本；

4)建立预测模型：建立深度置信神经网络和双层BP神经网络结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，深度置信神经网络输出后续横向连接下层BP神经网络，两层BP神经网络的连接方式为纵向连接；

5)预测模型训练：利用机理样本集，根据三维误差传递机理数据对上层BP神经网络进行预训练，达到收敛条件或最大训练回合数后将模型参数传至下层BP神经网络，后续使用扩充后的实测样本数据从深度置信神经网络输入进行训练，对下层BP神经网络的参数进行微调，当下层BP神经网络达到收敛条件或最大训练回合数后停止训练；

6)将实测数据构成的测试集数据特征代入上述训练好的预测模型中，将预测结果与实测结果进行对比，验证预测模型预测效果。

2.根据权利要求1所述数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，所述步骤2)中公差信息的旋量形式指平动旋量和旋转旋量共同组成描述实际表面变动的小位移旋量，将公差特征转换为平面特征小位移旋量的约束，所述雅可比传递矩阵代表为装配件之间的各自坐标系轴转动关系和原点位置关系。

3.根据权利要求2所述数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，所述步骤2)最小二乘拟合算法对旋量进行实际变动区间求解，在公差允许的范围内随机生成点进行平面拟合，既考虑三维误差的耦合性，又考虑零件表面形貌特征对误差传递的影响。

4.根据权利要求3所述数据与机理融合的卷绕机锭轴装配精度预测方法，其特征在于，所述步骤3)精度样本生成方法：

考虑到样本误差和外界噪声的存在，对输入特征施加噪声，输入特征的维度，设置存在规则，将实测样本生成为预训练样本数量的扩充样本；

将采集的装配后实测样本数据进行截尾正态分布统计，将实测样本T根据装配结构分为k组G_k，其中轴类和面类零件与孔类零件误差偏倚方向相反，如下式所示：

式中，y_min为样本标签的最小值，y_max为样本标签的最大值，对于不符合高斯分布的数据基于维度的欧式距离进行填充；将雅可比旋量模型视为规则J(·)，从修正后的样本池中随机抽取输入特征x_i进行机理计算，得到其对应的样本标签y_i；y_i＝J(x_i)

对比实测样本标签范围与生成的扩充样本的范围进行对比，将符合要求的样本放入T'，获得最终精度样本。

5.一种数据与机理融合的卷绕机锭轴装配精度预测模型建立方法，其特征在于，建立深度置信神经网络和双层BP神经网络结合的预测模型，其中深度置信神经网络由三层受限玻尔兹曼层构成，后续横向连接其中下层BP神经网络，而两层BP神经网络的连接方式为纵向连接，起参数迁移作用；

将从多类公差对同一零件的公差域耦合和零件表面形貌特征对误差传递获得到的机理样本集送入纵向连接的上层BP神经网络，先对上层BP神经网络进行训练，拟合了三维误差传递机理，后传递参数至下层BP神经网络训练；

实测样本集送入下层深度置信神经网络中，深度置信神经网络输出接下层BP神经网络，训练后对参数微调噪音学习；

深度置信神经网络由多层受限玻尔兹曼机构成，将特征向量映射到不同的特征空间中，将实测样本集输入到深度置信神经网络中进行特征提取有助于后续进行误差反向传播，误差反向传播算法在于利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此下去，就获得了所有其他各层的误差估计，形成将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程。