[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

说明书

本发明涉及一种数据与机理融合的卷绕机锭轴装配精度预测方法，在雅可比旋量模型基础上引入公差域的点云拟合对旋量的实际变动区间进行求解，该方法考虑了并联装配关系和零件表面形貌特征对锭轴装配精度的影响，提高机理模型的预测精度；针对锭轴装配数据少，致使数据补偿机理误差困难的问题，本发明提出深度置信神经网络‑双层BP神经网络的误差补偿模型将机理数据与实测数据进行融合，解决了因数据量不够而导致的模型泛化能力差，且因融入了实测数据，数据预测模型预测精度要优于雅可比旋量模型，对卷绕机的装配设计具有显著的工程实用价值。

技术领域

本发明涉及一种工控技术，特别涉及一种数据与机理融合的卷绕机锭轴装配精度预测方法。

背景技术

近年来，我国化纤产量逐步上升，成为化纤生产大国。化纤长丝卷绕成丝饼是化纤长丝生产过程中的最后环节，此过程依赖于高速卷绕机，其工况十分复杂，为变质量、变转速、变刚度运动，这就对高速卷绕机的精密性有着更高的要求。装配作为卷绕机制机的最为关键的环节之一，其质量直接影响到卷绕机的工作性能与使用寿命，然而，受制于装配技术的限制，国产卷绕机的精密性要低于国外标准，这对卷绕机的高速、变频发展有着重要的影响。因此提高化纤卷绕机的制造精度对国产卷绕机的制造有着重要意义。

卷绕机制造精度受制于装配误差的影响，如果可以精确预测装配精度便可指导工人进行安装，从而提高化纤卷绕机装配成功率和一致性。目前卷绕机锭轴装配精度预测主要依靠工人经验和传递三维误差传递数学模型。前者缺乏科学依据，后者由于卷绕机锭轴零件多，装配关系复杂、干扰因素不可控，装配精度往往难以准确预测，致使高速运行状态下的可靠性差，大大降低了使用寿命。

发明内容

针对卷绕机装配精度无法准确预测问题，提出了一种数据与机理融合的卷绕机锭轴装配精度预测方法，实现了高精度卷绕机锭轴装配精度预测，有效提高了产品的装配一致性和成功率，降低了生产成本。

本发明的技术方案为：一种数据与机理融合的卷绕机锭轴装配精度预测方法，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。