一种考虑多维影响因素的航空产品加工质量预测方法

1.本发明涉及加工质量预测领域，特别涉及一种考虑多维影响因素的航空产品加工质量预测方法。


背景技术：

2.航空工业作为制造业的重点发展领域，是一个国家综合国力和核心竞争力的具体体现，同时航空制造业是知识密集型、技术密集型、多学科集成的产业，是多品种小批量、离散型制造的典型代表，由于航空产品具有极高的复杂性，零部件数量众多，安全性、可靠性要求高，因此对复杂航空产品进行质量管理十分重要。
3.传统的质量管理单纯依靠质量检测事后把关，不能及时准确地对质量提前控制，近年来随着大数据、人工智能等技术的飞速发展与应用，通过智能算法深入挖掘加工过程数据来预测加工质量实现产品质量的预防性控制逐渐成为研究热点。但是目前对于复杂航空产品加工质量预测的研究仍存在以下问题：
4.1、航空产品加工质量受到加工人员、加工设备、原材料、加工方法、加工环境、测量方式等因素的影响，同时质量检测结果在时间维度上呈现时序变化趋势，无论是横向各种因素的影响还是纵向的时序变化趋势都会影响加工质量，而现有复杂航空产品加工质量预测模型并没有考虑横纵多维因素，从而导致预测精度低。
5.2、复杂航空产品加工质量受多维因素影响，相关数据分布在多个系统中，数据量庞大且复杂，由于各系统对数据采集、上传、管理方式不同无法直接互通形成了数据孤岛，导致现有复杂航空产品加工质量预测方法缺少有效关联整合的完整数据。
6.3、复杂航空产品生产类型为多品种小批量，产品种类众多且每种产品需要加工的尺寸繁杂而批量较小，而现有的复杂航空产品加工质量预测方法并不能将不同数量级的产品尺寸统一，导致无法统一预测航空产品加工质量。


技术实现要素：

7.本发明目的是为了解决现有航空产品加工质量预测方法预测精度低、缺少有效关联整合的完整数据以及无法统一预测航空产品加工质量的问题，而提出了一种考虑多维影响因素的航空产品加工质量预测方法。
8.一种考虑多维影响因素的航空产品加工质量预测方法具体过程为：获取待预测的航空产品加工质量关联数据，将待预测的航空产品加工质量关联数据输入到多输入质量预测模型中，获得航空产品的加工质量；
9.所述航天产品加工质量关联数据包括：横向影响因素、纵向影响因素；
10.所述横向影响因素包括：加工人员、加工设备、原材料、加工方法、加工环境、测量方式；
11.所述纵向影响因素为按加工时间排列的历史质量检测结果；
12.所述多输入质量预测模型，通过以下方式获得：
13.步骤一、获取航空产品加工质量关联数据；
14.步骤二、对航空产品加工质量关联数据进行预处理；
15.所述预处理包括：对航空产品加工质量关联数据进行特征编码；对航空产品加工质量关联数据标签列进行标准化获得质量评价指标；
16.步骤三、将预处理后的复杂航空产品加工质量关联数据进行滑动分组，将滑动分组后的预处理后的航空产品加工质量关联数据划分为训练集和测试集；
17.步骤四、构建质量预测模型，利用训练集训练质量预测模型，获得训练好的质量预测模型，然后对训练好的质量预测模型进行评价，将性能最好的训练好的质量预测模型作为多输入质量预测模型；
18.所述利用训练集训练质量预测模型的过程中，质量预测模型从横向影响因素和纵向影响因素中学习特征，并将两种特征融合。
19.进一步地，所述横向影响因素包括：加工人员、加工设备、原材料、加工方法、加工环境、测量方式，具体如下：
20.所述加工人员，包括：人员的年龄、班组、连续工作时长、工龄、技术等级；
21.所述加工设备，包括：机床、刀具、夹具的厂商、型号以及机床使用时长、刀具磨损程度、刀具润滑程度、刀具切削参数、夹具夹紧方式以及夹持力；
22.所述加工方法，包括：加工工艺、加工压力、加工温度；
23.所述原材料包括：原材料批次、供应商、质量等级；
24.所述加工环境，包括：环境温度、湿度、噪音、照明；
25.所述测量方式，包括：测量工具、测量方法、测量精度。
26.进一步地，所述质量评价指标，如下式：
[0027][0028]
进一步地，所述步骤三中的将预处理后的复杂航空产品加工质量关联数据进行滑动分组，将滑动分组后的预处理后的航空产品加工质量关联数据划分为训练集和测试集，包括以下步骤：
[0029]
首先，对经过步骤二处理后的数据通过设置滑动窗口进行分组，滑动窗口大小为timestep，即前timestep个标签列数据作为纵向影响因素，第timestep+1个特征列数据作为横向影响因素，以横向及纵向影响因素作为输入预测第timestep+1个标签列数据，具体如下式：
[0030]
x1
t
＝[f
t
(1),f
t
(2)
…ft
(m)
…ft
(m)]
[0031]
x2
t
＝[y
t-1
,y
t-2
…yt-timestep
]
[0032]
x
t
＝[x1
t
,x2
t
]
[0033]
其中，x1
t
表示样本t的横向特征输入，f
t
(m)表示样本t的第m个横向影响因素，m是横向影响因素的总数，x2
t
表示样本t的纵向特征输入，yt-timestep表示样本t所在时刻的前timestep时刻的质量评价指标，x
t
是质量预测模型的输入；然后，将滑动分组后的预处理后的航空产品加工质量关联数据随机打乱，在质量评价指标值所在范围进行分层抽样划分训练集与测试集；
[0034]
其中，滑动分组后的预处理后的航空产品加工质量关联数据中每一组数据为一个
样本。
[0035]
进一步地，所述质量预测模型，包括：特征学习层、特征融合层、全连接层、dropout层、输出层；
[0036]
所述特征学习层，包括：横向影响因素特征获取单元、纵向影响因素特征获取单元；
[0037]
所述横向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述横向影响因素特征获取单元，包括：lstm层、全连接层、dropout层；
[0038]
所述lstm层包括多个lstm网络；
[0039]
所述纵向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述纵向影响因素特征获取单元，包括：注意力机制、lstm层、全连接层、dropout层；
[0040]
所述特征融合层：将从训练集中学习到特征进行融合，从测试集中学习到的特征融合；
[0041]
所述全连接层：将特征融合层输出的特征连接成全局特征；
[0042]
所述dropout层：防止质量预测模型过拟合；
[0043]
所述输出层：输出预测的航空产品加工质量。
[0044]
进一步地，所述lstm层的输出，如下式：
[0045]ht
＝o
t
·
activation(c
t
)
[0046]ct
＝f
t
·ct-1
+i
t
·ct
[0047]ct
＝activation(ωc·
(h
t-1
,x
t
)+bc)
[0048]ft
＝recurrentactivation(ωf·
(h
t-1
,x
t
)+bf)
[0049]it
＝recurrentactivation(ωi·
(h
t-1
,x
t
)+bi)
[0050]ot
＝recurrentactivation(ωo·
(h
t-1
,x
t
)+bo)
[0051]
其中，f
t
是遗忘门，i
t
是输入门，o
t
是输出门，c
t
是更新单元状态的过程值，c
t
是样本t的状态，h
t
是lstm层的最终输出，recurrentactivation与activation均为非线性激活函数，ωf、ωi、ωo、ωc表示权重，bf、bi、bo、bc表示偏差。
[0052]
进一步地，所述训练质量预测模型，采用以下损失函数：
[0053][0054]
其中，t是样本标号，n是样本总数，y
t
表示样本真实值，表示样本预测值。
[0055]
进一步地，所述步骤四中的对训练好的质量预测模型进行评价，采用平均绝对百分比误差mape评价，如下式：
[0056][0057]
其中，表示样本真实值的均值，mape最小值对应的训练好的质量预测模型即为性能最好的训练好的质量预测模型。
[0058]
本发明的有益效果为：
[0059]
本发明的数据驱动下考虑多维影响因素的复杂航空产品加工质量预测方法将加工质量影响因素细分为横向因素即加工人员、加工设备、原材料、加工方法、加工环境、测量方式，以及纵向因素即按加工时间排列的历史质量检测结果，综合考虑多维影响因素在不同维度上对加工质量的影响并将其融合进预测模型中，从而提高加工质量预测效果及精度，降低加工成本。
[0060]
本发明考虑到复杂航空产品受多维因素影响，相关数据分布在多个系统中，因此从不同系统中获取相关数据后通过各系统间的业务逻辑对相关数据进行关联整合以精准分析质量问题，获得了有效关联整合的完整数据。
[0061]
本发明考虑到复杂航空产品生产类型为多品种小批量，产品种类众多且每种产品需要加工的尺寸繁杂而批量较小，需要统一质量评价指标以扩大数据量。由于不同尺寸间基准值相差较多，导致测量值不在同一数量级，本发明通过考虑尺寸特征的数据标准化方法将质检结果映射到[-1,1]之间，以统一质量评价指标，保留了加工尺寸的物理特征且将多种尺寸数据统一到同一评价标准下，使本发明统一预测不同尺寸的产品加工质量。
[0062]
本发明的数据驱动下考虑多维影响因素的复杂航空产品加工质量预测模型分别从横、纵向影响因素中学习质量数据特征并通过模型融合层将横纵特征融合，同时考虑了人、机、料、法、环、测等加工质量影响因素以及质量数据的时序特征，有效提高了预测精度，能够提高复杂航空产品的加工质量并降低生产成本，具有很高的实用价值。
附图说明
[0063]
图1为本发明流程图；
[0064]
图2为多输入质量预测模型结构示意图；
[0065]
图3为本发明实施例的训练集预测值与真实值对比图；
[0066]
图4为本发明实施例的测试集预测值与真实值对比图。
具体实施方式
[0067]
具体实施方式一：如图1所示，本实施方式一种考虑多维影响因素的航空产品加工质量预测方法，包括：获取待预测的复杂航空产品加工质量关联数据，将待预测的复杂航空产品加工质量关联数据输入到多输入质量预测模型中，获得复杂航空产品的加工质量；
[0068]
所述航天产品加工质量关联数据包括：横向影响因素、纵向影响因素；
[0069]
所述横向影响因素包括：加工人员、加工设备、原材料、加工方法、加工环境、测量方式；
[0070]
所述纵向影响因素即按加工时间排列的历史质量检测结果。
[0071]
所述多输入质量预测模型，通过以下方式获得：
[0072]
步骤一、获取复杂航空产品加工质量关联数据；
[0073]
从车间各类数字化系统中获取影响加工质量的多维因素即复杂航空产品加工质量关联数据，包括：
[0074]
横向影响因素，包括：加工人员、加工设备、原材料、加工方法、加工环境、测量方式；
[0075]
加工人员具体包括人员的年龄、班组、连续工作时长、工龄、技术等级，以此反映加
工人员精神状态与熟练程度的影响；
[0076]
加工设备包括机床、刀具、夹具的厂商、型号以及机床使用时长、刀具磨损程度、刀具润滑程度、刀具切削参数、夹具夹紧方式以及夹持力等，以此反映设备工作参数与工作状态的影响；
[0077]
加工方法包括加工工艺、加工压力、加工温度，以此反映加工参数的影响；
[0078]
原材料包括其批次、供应商、质量等级，以此反映原材料质量优劣的影响；
[0079]
加工环境包括环境温度、湿度、噪音、照明，以此反映环境因素的影响；
[0080]
测量方式包括测量工具、测量方法、测量精度，以此反映测量误差的影响。
[0081]
纵向影响因素：按加工时间排列的历史质量检测结果；
[0082]
复杂航空产品的加工质量受多维因素影响，相关数据分布在多个系统中，由于各系统对数据采集、上传、管理方式不同无法直接互通形成了数据孤岛，因此从不同系统中获取相关数据后通过各系统间的业务逻辑对相关数据进行关联整合以精准分析质量问题。
[0083]
步骤二、对复杂航空产品加工质量关联数据进行预处理：
[0084]
步骤二一、对复杂航空产品加工质量关联数据进行特征编码；
[0085]
复杂航空产品的加工质量相关原始数据的特征格式复杂，非数值型离散特征较多，采用标签编码方法处理非数值型离散特征。
[0086]
步骤二二、对复杂航空产品加工质量关联数据的标签列即质检结果列进行标准化，获得质量评价指标：
[0087]
复杂航空产品生产类型为多品种小批量，产品种类众多且每种产品需要加工的尺寸繁杂而批量较小，需要用相同的质量评价指标对不同产品及尺寸的数据统一预测以扩大数据量。由于不同尺寸间基准值相差较多，导致质检结果不在同一数量级，需要采用合理的方式将质检结果映射到同一范围内以统一质量评价指标。本发明采用考虑尺寸特征的数据标准化方法处理对质检结果进行标准化，并将标准化结果作为质量评价指标；
[0088]
考虑尺寸特征的数据标准化方法保证了结果映射在[-1,1]之间且符合加工尺寸的物理特征，计算公式如下：
[0089][0090]
步骤三、将预处理后的复杂航空产品加工质量关联数据进行滑动分组，将滑动分组后的预处理后的复杂航空产品加工质量关联数据划分为训练集和测试集：
[0091]
首先，对经过步骤二处理后的数据通过设置滑动窗口进行分组，滑动窗口大小为timestep，即前timestep个标签列数据作为纵向影响因素，第timestep+1个特征列数据作为横向影响因素，以横向及纵向影响因素作为输入预测第timestep+1个标签列数据，具体如下式：
[0092]
x1
t
＝[f
t
(1),f
t
(2)
…ft
(m)
…ft
(m)]
[0093]
x2
t
＝[y
t-1
,y
t-2
…yt-timestep
]
[0094]
x
t
＝[x1
t
,x2
t
]
[0095]
其中，x1
t
表示样本t的横向特征输入，f
t
(m)表示样本t的第m个横向影响因素，m是横向影响因素的总数，x2
t
表示样本t的纵向特征输入，yt-timestep表示样本t所在时刻的前timestep时刻的质量评价指标，x
t
是质量预测模型的输入；
[0096]
然后，将分组完成的数据随机打乱，在质量评价指标值所在范围进行分层抽样划分训练集与测试集，训练集与测试集比值为7：3。
[0097]
其中，训练集和测试集中的一组数据为一个样本；
[0098]
步骤四、构建质量预测模型，利用训练集训练质量预测模型，获得训练好的质量预测模型，然后对训练好的质量预测模型进行评价，将性能最好的训练好的质量预测模型作为多输入质量预测模型，包括以下步骤：
[0099]
步骤四一、构建质量预测模型；
[0100]
所述质量预测模型，包括：特征学习层、特征融合层、全连接层、dropout层、输出层；
[0101]
所述特征学习层，包括：横向影响因素特征获取单元、纵向影响因素特征获取单元；
[0102]
所述横向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述横向影响因素特征获取单元，包括：lstm层、全连接层、dropout层；
[0103]
所述lstm层包括多个lstm网络；
[0104]
所述纵向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述纵向影响因素特征获取单元，包括：注意力机制、lstm层、全连接层、dropout层；
[0105]
所述特征融合层：将从训练集中学习到特征进行融合，从测试集中学习到的特征融合；所述特征融合层采用concatenate函数实现，如下式：
[0106]
merged＝concatenate([output1,output2])
[0107]
其中，output1为学习好的质量数据横向特征，output2为学习好的质量数据纵向特征，concatenate为融合层函数；
[0108]
全连接层为dense层：将提取到的所有局部特征连接成全局特征；
[0109]
dropout层：通过修改隐藏层神经元的个数来防止网络的过拟合；
[0110]
输出层为dense层：用于将结果输出。
[0111]
长短期记忆神经网络即lstm层，由链式单元构成，每个单元包括遗忘门、输入门、输出门，计算公式如下：
[0112]ft
＝recurrentactivation(ωf·
(h
t-1
,x
t
)+bf)
[0113]it
＝recurrentactivation(ωi·
(h
t-1
,x
t
)+bi)
[0114]ot
＝recurrentactivation(ωo·
(h
t-1
,x
t
)+bo)
[0115]ct
＝activation(ωc·
(h
t-1
,x
t
)+bc)
[0116]ct
＝f
t
·ct-1
+i
t
·ct
[0117]ht
＝o
t
·
activation(c
t
)
[0118]
其中，f
t
表示遗忘门，i
t
表示输入门，o
t
表示输出门，c
t
为更新单元状态的过程值，c
t
表示样本t的状态，h
t
表示lstm层的最终输出，recurrentactivation与activation均为非线性激活函数，ωf、ωi、ωo、ωc表示权重，bf、bi、bo、bc表示权重和偏差；
[0119]
其中，h
t
经过全连接层后输出样本预测值
[0120]
步骤四二、利用训练集训练质量预测模型，获得训练好的质量预测模型；
[0121]
所述训练质量预测模型，采用如下损失函数：
[0122]
以均方误差作为模型的损失函数，t是样本标号，n是样本总数。
[0123]
步骤四三、对训练好的质量预测模型进行性能评估，将性能最好的训练好的质量预测模型作为多输入质量预测模型：
[0124]
采用平均绝对百分比误差mape作为评价指标对模型进行评估，验证质量预测模型的性能；
[0125]
选择mape最小值对应的训练好的质量预测模型，作为多输入质量预测模型；计算公式如下：
[0126][0127]
其中，y
t
表示样本真实值，表示样本预测值，表示真实值的均值。
[0128]
实施例：
[0129]
本发明以航空机匣产品为例进行说明，图1为复杂航空产品加工质量预测流程图。
[0130]
步骤一，获取复杂航空产品加工质量关联大数据。从车间各类数字化系统中获取影响加工质量的多维因素，包括横向影响因素即加工人员、加工设备、原材料、加工方法、加工环境、测量方式，以及纵向影响因素即按加工时间排列的历史质量检测结果。其中加工人员具体包括人员的年龄、班组、连续工作时长、工龄、技术等级，以此反映加工人员精神状态与熟练程度的影响；加工设备包括机床、刀具、夹具的厂商、型号以及机床使用时长、刀具磨损程度、刀具润滑程度、刀具切削参数、夹具夹紧方式以及夹持力等，以此反映设备工作参数与工作状态的影响；原材料包括其批次、供应商、质量等级，以此反映原材料质量优劣的影响；加工方法包括加工工艺、加工压力、加工温度，以此反映加工参数的影响；加工环境包括环境温度、湿度、噪音、照明，以此反映环境因素的影响；测量方式包括测量工具、测量方法、测量精度，以此反映测量误差的影响。
[0131]
该企业车间各类数字化系统包括制造执行系统(mes)、质量管理系统(qms)、资源管理系统(sap)以及车间详细制造数据和过程系统(mdc)，从中导出产品加工相关数据，包括质检表、班产流水表、报工流水表、订单及交付情况表，获取加工产品的质检信息、班产信息、报工信息、订单信息，并将不同系统中的数据按照零件号、尺寸号、报工时间等关键词进行关联整合，得到产品加工质量关联大数据，按照报工时间作为唯一id对数据进行排序。
[0132]
步骤二，数据预处理。
[0133]
特征编码采用标签编码方法处理非数值型离散型特征，如不同加工工人编码为w1、w2等。
[0134]
采用考虑尺寸特征的数据标准化方法处理对质检结果进行标准化，并将标准化结果作为质量评价指标，本方法保证了结果映射在[-1,1]之间且符合加工尺寸的物理特征，计算公式如下：
[0135][0136]
如实施例中某条数据为质检结果为9.12，该尺寸基准值为9.00，尺寸下限8.80，尺
寸上限9.20，则进行如下计算得到标准化结果：
[0137]
尺寸公差＝9.20-8.80＝0.40
[0138][0139]
步骤三、对经过步骤二处理后的数据通过设置滑动窗口进行分组，滑动窗口大小为timestep，即通过前timestep个标签列数据作为纵向影响因素及，第timestep+1个特征列数据作为横向影响因素的影响因素，以横向及纵向影响因素作为输入预测第timestep+1个标签列数据，具体如下式:
[0140]
x1
t
＝[f
t
(1),f
t
(2)
…ft
(m)
…ft
(m)]
[0141]
x2
t
＝[y
t-1
,y
t-2
…yt-timestep
]
[0142]
x
t
＝[x1
t
,x2
t
]
[0143]
其中，x1
t
表示样本t的横向特征输入，f
t
(m)表示样本t的第m个横向影响因素，m是横向影响因素的总数，x2
t
表示样本t的纵向特征输入，yt-timestep表示样本t所在时刻的前timestep时刻的质量评价指标，x
t
是质量预测模型的输入；
[0144]
将分组完成的数据随机打乱，根据质量评价指标值所在范围进行分层抽样划分训练集与测试集；
[0145]
本实施例中，横向特征输入包括加工工人、加工机床、加工订单、加工工艺，纵向特征输入为前50个时刻的质量评价指标，即timestep＝50。
[0146]
步骤四，设计神经网络构建多输入质量预测模型，模型结构如图2，包括：特征学习层、特征融合层、全连接层、dropout层、输出层；
[0147]
所述特征学习层，包括：横向影响因素特征获取单元、纵向影响因素特征获取单元；
[0148]
所述横向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述横向影响因素特征获取单元，包括：lstm层、全连接层、dropout层；
[0149]
所述lstm层包括多个lstm网络；
[0150]
所述纵向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述纵向影响因素特征获取单元，包括：注意力机制、lstm层、全连接层、dropout层；
[0151]
所述特征融合层：将从训练集中学习到特征进行融合，从测试集中学习到的特征融合；
[0152]
质量预测模型的长短期记忆神经网络即lstm层，由链式单元构成，每个单元包括遗忘门、输入门、输出门，计算公式如下：
[0153]ft
＝recurrentactivation(ωf·
(h
t-1
,x
t
)+bf)
[0154]it
＝recurrentactivation(ωi·
(h
t-1
,x
t
)+bi)
[0155]ot
＝recurrentactivation(ωo·
(h
t-1
,x
t
)+bo)
[0156]ct
＝activation(ωc·
(h
t-1
,x
t
)+bc)
[0157]ct
＝f
t
·ct-1
+i
t
·ct
[0158]ht
＝o
t
·
activation(c
t
)
[0159]
其中，f
t
表示遗忘门，i
t
表示输入门，o
t
表示输出门，c
t
为更新单元状态的过程值，c
t
表示样本t的的状态，h
t
表示lstm层的最终输出，ωf、ωi、ωo、ωc表示权重，bf、bi、bo、bc表示权重和偏差，recurrentactivation与activation均为非线性激活函数，recurrentactivation为遗忘门、输入门、输出门的激活函数，本实施例中设置为hard_sigmoid，activation为更新单元状态以及最终输出的激活函数，本实施例中设置为relu，ω与b表示权重和偏差。
[0160]
步骤五，训练质量预测模型。设计损失函数，以均方误差作为模型的损失函数。质量预测模型的参数设置如下表1所示。
[0161]
表1多输入质量预测模型训练参数
[0162][0163]
步骤六、对质量预测模型进行性能评估，获得多输入质量预测模型。
[0164]
按照表1的参数对模型进行1000次训练，采用平均绝对百分比误差mape作为评价指标对模型进行评估，验证质量预测模型的性能，计算公式如下：
[0165][0166]
其中，n表示测试集中样本总个数，y
t
表示样本真实值，表示样本预测值，表示真实值的均值。训练集与测试集的真实值与预测值对比分别如图3、图4所示，性能指标结果如下表2所示，质量预测模型在测试集中预测精度达到90.69％。
[0167]
表2评价指标结果
[0168][0169]
本发明的上述算例仅为详细说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

技术特征：
1.一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于所述方法具体过程为：获取待预测的航空产品加工质量关联数据，将待预测的航空产品加工质量关联数据输入到多输入质量预测模型中，获得航空产品的加工质量；所述航天产品加工质量关联数据包括：横向影响因素、纵向影响因素；所述横向影响因素包括：加工人员、加工设备、原材料、加工方法、加工环境、测量方式；所述纵向影响因素为按加工时间排列的历史质量检测结果；所述多输入质量预测模型，通过以下方式获得：步骤一、获取航空产品加工质量关联数据；步骤二、对航空产品加工质量关联数据进行预处理；所述预处理包括：对航空产品加工质量关联数据进行特征编码；对航空产品加工质量关联数据标签列进行标准化获得质量评价指标；步骤三、将预处理后的复杂航空产品加工质量关联数据进行滑动分组，将滑动分组后的预处理后的航空产品加工质量关联数据划分为训练集和测试集；步骤四、构建质量预测模型，利用训练集训练质量预测模型，获得训练好的质量预测模型，然后对训练好的质量预测模型进行评价，将性能最好的训练好的质量预测模型作为多输入质量预测模型；所述利用训练集训练质量预测模型的过程中，质量预测模型从横向影响因素和纵向影响因素中学习特征，并将两种特征融合。2.根据权利要求1所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述横向影响因素包括：加工人员、加工设备、原材料、加工方法、加工环境、测量方式，具体如下：所述加工人员，包括：人员的年龄、班组、连续工作时长、工龄、技术等级；所述加工设备，包括：机床、刀具、夹具的厂商、型号以及机床使用时长、刀具磨损程度、刀具润滑程度、刀具切削参数、夹具夹紧方式以及夹持力；所述加工方法，包括：加工工艺、加工压力、加工温度；所述原材料包括：原材料批次、供应商、质量等级；所述加工环境，包括：环境温度、湿度、噪音、照明；所述测量方式，包括：测量工具、测量方法、测量精度。3.根据权利要求1所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述质量评价指标，如下式：4.根据权利要求3所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述步骤三中的将预处理后的复杂航空产品加工质量关联数据进行滑动分组，将滑动分组后的预处理后的航空产品加工质量关联数据划分为训练集和测试集，包括以下步骤：首先，对经过步骤二处理后的数据通过设置滑动窗口进行分组，滑动窗口大小为timestep，即前timestep个标签列数据作为纵向影响因素，第timestep+1个特征列数据作为横向影响因素，以横向及纵向影响因素作为输入预测第timestep+1个标签列数据，具体
如下式：x1
t
＝[f
t
(1)，f1(2)...f
t
(m)...f
t
(m)]x2
t
＝[y
t-1
，y
t-2
...y
t-timestep
]x
t
＝[x1
t
，x2
t
]其中，x1
t
表示样本t的横向特征输入，f
t
(m)表示样本t的第m个横向影响因素，m是横向影响因素的总数，x2
t
表示样本t的纵向特征输入，yt-timestep表示样本t所在时刻的前timestep时刻的质量评价指标，x
t
是质量预测模型的输入；然后，将滑动分组后的预处理后的航空产品加工质量关联数据随机打乱，在质量评价指标值所在范围进行分层抽样划分训练集与测试集；其中，滑动分组后的预处理后的航空产品加工质量关联数据中每一组数据为一个样本。5.根据权利要求4所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述质量预测模型，包括：特征学习层、特征融合层、全连接层、dropout层、输出层；所述特征学习层，包括：横向影响因素特征获取单元、纵向影响因素特征获取单元；所述横向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述横向影响因素特征获取单元，包括：lstm层、全连接层、dropout层；所述lstm层包括多个lstm网络；所述纵向影响因素特征获取单元：从训练集和测试集中的横向影响因素中学习质量数据特征；所述纵向影响因素特征获取单元，包括：注意力机制、lstm层、全连接层、dropout层；所述特征融合层：将从训练集中学习到特征进行融合，从测试集中学习到的特征融合；所述全连接层：将特征融合层输出的特征连接成全局特征；所述dropout层：防止质量预测模型过拟合；所述输出层：输出预测的航空产品加工质量。6.根据权利要求5所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述lstm层的输出，如下式：h
t
＝o
t
·
activation(c
t
)c
t
＝f
t
·
c
t-1
+i
t
·
c
t
c
t
＝activation(ω
c
·
(h
t-1
，x
t
)+b
c
)f
t
＝recurrentactivation(ω
f
·
(h
t-1
，x
t
)+b
f
)i
t
＝recurrentactivation(ω
i
·
(h
t-1
，x
t
)+b
i
)o
t
＝recurrentactivation(ω
o
·
(h
t-1
，x
t
)+b
o
)其中，f
t
是遗忘门，i
t
是输入门，o
t
是输出门，c
t
是更新单元状态的过程值，c
t
是样本t的状态，h
t
是lstm层的最终输出，recurrentactivation与activation均为非线性激活函数，ω
f
、ω
i
、ω
o
、ω
c
表示权重，b
f
、b
i
、b
o
、b
c
表示偏差。7.根据权利要求6所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述训练质量预测模型，采用以下损失函数：
其中，t是样本标号，n是样本总数，y
t
表示样本真实值，表示样本预测值。8.根据权利要求7所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述特征融合层采用concatenate函数实现。9.根据权利要求8所述的一种考虑多维影响因素的航空产品加工质量预测方法，其特征在于：所述步骤四中的对训练好的质量预测模型进行评价，采用平均绝对百分比误差mape评价，如下式：其中，表示样本真实值的均值，mape最小值对应的训练好的质量预测模型即为性能最好的训练好的质量预测模型。

技术总结
一种考虑多维影响因素的航空产品加工质量预测方法，涉及加工质量预测领域。本发明是为了解决现有航空产品加工质量预测方法预测精度低、缺少有效关联整合的完整数据和无法统一预测航空产品加工质量的问题。本发明包括：获取航空产品加工质量关联数据并进行预处理；将预处理后的数据滑动分组，将滑动分组后的数据分为训练集和测试集；构建质量预测模型，分别从横、纵向影响因素中学习质量数据特征并通过模型融合层将横纵特征融合，进而得到多输入质量预测模型；利用训练质量预测模型，对训练好的质量预测模型评价，性能最好的质量预测模型为多输入质量预测模型；利用多输入质量预测模型获得航空产品的加工质量。本发明用于预测航空产品加工质量。航空产品加工质量。航空产品加工质量。


技术研发人员：闫纪红 胡佳宁 张明阳
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.05.11
技术公布日：2023/7/26