Quality prediction model and sensitivity analysis of process parameters based on BP-PSO
-
摘要: 机械产品的质量预测可有效提高产品合格率，提升工厂效益。基于电驱生产工艺中的质量追溯与生产工艺数据，以电驱产线MES系统收集到的数据为训练和测试样本，建立了BP-PSO电驱质量预测模型。依据实际生产数据，确立气密性监测为关键质量特性，经过数据相关性分析提取关键工位数据作为此模型的输入，以气密性检测值作为输出。经过对比实验表明该模型在平均绝对误差和平均绝对误差百分比上比传统BP模型有良好的提升，能够较为精准地对生产质量进行预测。并在此模型基础上利用Sobol全局敏感性分析方法获取生产工艺参数的总敏感度和一阶敏感度并对其进行排序，分析了生产工艺参数对生产质量的影响。Abstract: The quality prediction of mechanical products can effectively improve the product qualification rate and improve the efficiency of the factory. Based on the quality traceability and production process data in the electric drive production process, the paper uses the data collected by the MES system of the electric drive production line as the training and test samples, and establishes the BP-PSO electric drive quality prediction model. According to the actual production data, the air tightness monitoring is established as the key quality characteristic, and the key station data is extracted as the input of this model after data correlation analysis, and the air tightness detection value is used as the output. Comparative experiments show that the model has a good improvement over the traditional BP model in terms of average absolute error and average absolute error percentage, and can accurately predict the production quality. On the basis of this model, the total sensitivity and first-order sensitivity of production process parameters are obtained and sorted by Sobol global sensitivity analysis method, and the influence of production process parameters on production quality is analyzed.
-
表 3 工艺数据共线性分析
系数 模型 显著性 共线性 容差 VIF 常量 0.014 工序1 0.017 0.982 1.019 工序2 0.007 0.992 1.008 工序3 0.028 0.998 1.002 工序4 0.030 0.979 1.021 
下载: 导出CSV
表 4 模型验证不同隐含层神经元个数均方根值
BP-PSO 隐含神经元个数 4 5 6 7 8 9 10 11 12 RMSE 0.756 0.712 0.999 1.003 0.738 0.758 0.710 0.886 0.696
下载: 导出CSV
表 5 BP模型对装配质量结果预测
编号 实际值/Pa BP预测值/Pa 绝对误差 绝对误差百分比/(%) 1 1.878 2.163 0.285 15.192 2 3.219 3.278 0.059 1.861 3 2.236 3.070 0.834 37.301 4 2.871 2.208 0.663 23.091 5 1.929 1.840 0.088 4.605 ··· ··· ··· ··· ··· 45 2.301 2.761 0.460 20.016
下载: 导出CSV
表 6 BP-PSO模型对装配质量结果预测
编号 实际值/Pa BP-PSO预测/Pa 绝对误差 绝对误差百分比/(%) 1 1.878 2.106 0.229 12.191 2 3.219 3.027 0.191 5.946 3 2.236 2.414 0.178 7.976 4 2.871 2.986 0.115 4.017 5 1.929 1.956 0.028 1.450 ··· ··· ··· ··· ··· 45 2.301 2.290 0.010 0.441
下载: 导出CSV
表 8 电驱生产质量参数敏感度
敏感度类型 定子紧固 压板密封 总成紧固 壳体压装 一阶敏感度 0.488 6 0.023 6 0.027 8 0.050 3 总敏感度 0.910 9 0.420 6 0.452 2 0.489 2
下载: 导出CSV
-
[1] 程刚. 承压设备制造质量管理信息系统的开发与研究[J]. 电站辅机, 2021, 42(1): 46-52. doi: 10.3969/j.issn.1672-0210.2021.01.012 [2] 杨剑锋, 乔莹莹, 夏西强. 智能制造生产方式的质量保证模式研究[J]. 科技经济导刊, 2018(18): 12-13. [3] Zhou P, Chen W Q, Yi C M, et al. Fast just-in-time-learning recursive multi-output LSSVR for quality prediction and control of multivariable dynamic systems[J]. Engineering Applications of Artificial Intelligence, 2021, 100: 104168. doi: 10.1016/j.engappai.2021.104168 [4] 尹超, 马春斌, 刘飞, 等. 车间生产异常事件实时管理系统研究[J]. 计算机集成制造系统, 2009, 15(4): 719-725,731. doi: 10.13196/j.cims.2009.04.97.yinch.004 [5] 刘冰洁, 陈炳发, 丁力平. 基于卷积神经网络的微电机装配故障诊断研究[J]. 机械制造与自动化, 2021, 50(3): 171-174. doi: 10.19344/j.cnki.issn1671-5276.2021.03.043 [6] 张彦如, 赵明志. 变速箱装配质量控制方法研究[J]. 农业装备与车辆工程, 2017, 55(12): 80-83. doi: 10.3969/j.issn.1673-3142.2017.12.020 [7] 陶海龙. 基于混合智能算法的铁路运量预测研究[D]. 兰州: 兰州交通大学, 2012. [8] 林春金, 杨晓达, 龚英杰, 等. 基于PSO-BP的土压盾构土仓压力预测模型及掘进参数敏感性分析[J]. 应用基础与工程科学学报, 2021, 29(5): 1220-1233. doi: 10.16058/j.issn.1005-0930.2021.05.011 [9] 郭杰, 苏路, 朱海浪, 等. 基于IBAS-BP神经网络的短期风电功率预测[J]. 信息技术, 2021(10): 38-43. doi: 10.13274/j.cnki.hdzj.2021.10.006 [10] 张扬, 张维刚, 马桃, 等. 基于全局敏感性分析和动态代理模型的复杂非线性系统优化设计方法[J]. 机械工程学报, 2015, 51(4): 126-131. -
下载:
点击查看大图
图(6) / 表(8)
计量
- 文章访问数: 41
- HTML全文浏览量: 71
- PDF下载量: 13
- 被引次数: 0
