一种基于多级结构网络的液压机装配尺寸偏差预测方法
阅读说明：本技术 一种基于多级结构网络的液压机装配尺寸偏差预测方法 (Hydraulic machine assembly size deviation prediction method based on multilevel structure network ) 是由 冯毅雄 计若松 邱皓 于 2021-08-03 设计创作，主要内容包括：本发明公开了一种基于多级结构网络的液压机装配尺寸偏差预测方法。采集液压机中各个部件的各个特征尺寸,以一个部件的一个特征尺寸为一个节点,获得节点偏差信息矩阵；当前时刻的节点偏差信息矩阵实时输入到多级结构网络中处理获得未来时刻的节点偏差信息向量,再根据未来时刻的节点偏差信息向量获得尺寸偏差矩阵,利用尺寸偏差矩阵进行对液压机中的各个部件进行调整减少装配偏差。本发明对于液压机装配工作可以进行误差溯源,进而确定需要改进的公差值和需要采取的维修方案,用于后续的公差尺寸修改或零件修配,提高液压机装配精度。(The invention discloses a hydraulic press assembly size deviation prediction method based on a multilevel structure network. Collecting each characteristic dimension of each component in the hydraulic press, and taking one characteristic dimension of one component as a node to obtain a node deviation information matrix; the node deviation information matrix at the current moment is input into the multi-level structure network in real time to be processed to obtain a node deviation information vector at a future moment, a size deviation matrix is obtained according to the node deviation information vector at the future moment, and each component in the hydraulic machine is adjusted by using the size deviation matrix to reduce assembly deviation. The invention can trace the source of errors in the assembly work of the hydraulic press, further determine the tolerance value to be improved and the maintenance scheme to be adopted, is used for subsequent tolerance size modification or part repair, and improves the assembly precision of the hydraulic press.)
技术领域
本发明涉及液压机装配领域的一种机械器械尺寸数据处理方法，尤其是涉及一种基于多级结构网络的液压机装配尺寸偏差预测方法。
背景技术
液压机是一种以液体为工作介质，用来传递能量以实现各种工艺的机器。由于工作时受载常常达到成百上千吨，且多为变载荷，服役一段时间后经常会出现精度问题。
在工业4.0时代，人工智能和数据科学作为一类新工具为传统工业的智能化生产带来了新的机遇。由多种零部件组成且具有多种配合关系的复杂机械装配体在制造业中发挥着重要的作用。由于在制造、装配和服役过程中存在误差与形变，零部件不可避免的在形状和尺寸方面存在与理想情况的偏差。各零件的偏差积累使得整个装配体存在偏差，导致关键表面的实际位置与理想位置存在偏差，严重影响装配体的功能和使用寿命。由于装配体内部大量零件表面的偏差数据难以测量，现有的检修只能基于少量的测试数据进行，整个过程基本上属于盲目试凑，不仅耗时而且耗力。且现有装配网络的生成方法依赖制造和装配信息，服务于设计阶段的各项任务，缺乏面向服役阶段的复杂机械装配体零件间偏差传递网络模型。目前误差溯源的方法基本都是对重要节点进行质量控制，公差分析也主要集中在设计阶段，没有利用产品使用阶段产生的偏差数据来进行公差尺寸的设计或者零件的修配。
因此如何充分利用这些测试得到的偏差数据实现误差溯源，指导维修过程并改进公差设计值，实现产品服役的可持续性显得尤为重要。
发明内容
为了解决背景技术中存在的问题，本发明提出一种基于多级结构网络的液压机装配尺寸偏差预测方法。本发明是根据已有的尺寸偏差信息通过多级结构网络预测得到未知尺寸偏差信息，进而得到液压机装配体所有尺寸的偏差信息，结合尺寸的偏差信息和该尺寸所带来的不良后果来决定是否进行公差值的改进或者零部件的更换。
本发明采用的技术方案是：
采集液压机中各个部件的各个特征尺寸，以一个部件的一个特征尺寸为一个节点，获得节点偏差信息矩阵；当前时刻的节点偏差信息矩阵实时输入到多级结构网络中处理获得未来时刻的节点偏差标签信息向量，再根据未来时刻的节点偏差标签信息向量获得尺寸偏差矩阵D，利用尺寸偏差矩阵D进行对液压机中的各个部件进行调整减少装配偏差。
预先已知部件之间的标准尺寸和标准装配关系，由各个部件的特征尺寸偏差根据部件之间的标准尺寸和标准装配关系获得各个部件之间的尺寸偏差和装配关系偏差。
部件的特征尺寸包括了部件在笛卡尔三轴坐标系下的三轴方向的尺寸和绕三轴旋转的姿态角度。例如可以为圆柱度等。
所述多级结构网络主要由输入层、多级层和输出层依次连接构成；
所述的输入层的处理表示为：
式中，∪表示串联，即表示J个矩阵的加法运算，J表示注意力机制的头数，P0为输入层输入的液压机已知特征尺寸所构成的节点偏差信息矩阵，P1为输入层输出的结合注意力机制后的液压机各特征尺寸所构成的节点偏差信息矩阵，ZJ是变换矩阵，σ()是非线性ELU激活函数，λJ为系数矩阵。
所述的节点偏差信息为部件的特征尺寸的偏差。
输入层和输出层直接连接，输入层经多级层和输出层连接，使得输入层和多级层的输出经叠加后共同输入到输出层；多级层主要由多个级别依次级联构成，每一个级别均主要由下采样操作和扩大感受野操作依次连接构成，第一个级别串接连接在输入层和输出层之间，之后的每个级别均并联连接在上一个级别中的下采样操作和扩大感受野操作之间；
输入层输出节点偏差信息矩阵到多级层，通过多级层中的下采样操作将输入本级别的节点偏差信息矩阵中的各个节点关系进行缩减处理；扩大感受野操作处理接受更远出的节点偏差信息，扩大感受野之前将本级别输出的节点偏差信息矩阵和下一级级别的节点偏差信息矩阵进行合并，而合并之前先对缩减前的节点偏差信息矩阵进行扩大感受野操作；
所述的输出层为一个softmax分类器，输出每个节点的节点偏差标签X，具体为：
式中，X是节点偏差标签，P*表示多级层输出的节点偏差信息矩阵，P*是P1*和P2n+1*的合并，P1*表示多级层中输入的节点偏差信息矩阵，P2n+1*表示表示多级层中第n个级别输出的节点偏差信息矩阵，J表示多头机制头数；
提取各个节点的节点偏差标签X按照顺序排列构成节点偏差信息向量L。
输入层和输出层均采用注意力机制，为不同的节点分配不同的权重。
这样可以关注重要的节点偏差信息而忽略次要信息，网络中的每个节点偏差信息对应着实际存在的尺寸偏差信息。
所述的下采样操作，包括了依次进行的邻近合并和相似合并处理；
下采样操作意味着图形的减小，本发明利用缩减节点来定义设置下采样操作。
邻近合并包括：
若当前节点至少有一个邻居节点，其中仅一个邻居节点也仅和当前节点具有邻居关系，则将仅和当前节点具有邻居关系的邻居节点与当前节点进行缩减，构成一个缩减节点；
若当前节点有两个以上的邻居节点，其中至少两个邻居节点仅和当前节点具有邻居关系，则将仅和当前节点具有邻居关系的所有邻居节点进行缩减，构成一个缩减节点；
邻居是指不同部件的特征尺寸之间有装配关系，或者相同部件的不同特征尺寸之间有装配关系。
在邻近合并之后再进行相似合并，相似合并包括：
计算每两个节点wi和wj之间的紧密度T(wi,wj)：
式中，A和E分别表示两个节点wi和wj之间的邻接矩阵和度矩阵；邻接矩阵是一个方阵，维数就是节点个数；如果节点wi和节点wj之间没有关系，则Aij值为0；如果节点wi和节点wj之间有关系但不属于同一个零件，则Aij值为1；如果节点wi和节点wj间有联系且属于同一个零件，则Aij值为2。度矩阵是对角阵，对角上的元素为各个节点的度，节点wi的度表示和该节点相关联的边的数量。E(wi)表示节点wi的度矩阵；
然后选择选择紧密度最强的K个节点进行缩减，构成新的缩减节点。
所述的扩大感受野操作，包括
定义了缩减矩阵Ri：
当节点wk在缩减节点Wi j中时：
当节点wk不在缩减节点Wi j中时：
Ri(j,k)＝0
式中，j为收缩集编号，k为Wi中节点编号，Wi j是图Gi中收缩集。
扩大感受野操作按照下式计算：
Pi+1*＝R2n+1-i(j,k)TPi*
式中，Pi+1*是第i+1次扩大感受野之后的节点偏差信息矩阵，Pi*是第i+1次扩大感受野之后的节点偏差信息矩阵，T表示矩阵转置。
所述的尺寸偏差矩阵D用下式求得：
D＝|A*L-LT*AT|
式中，*为带广播机制的点乘操作，A表示总邻接矩阵，为所有每两个节点wi和wj之间的邻接矩阵的合并结果，L表示未来时刻的节点偏差信息向量，是一个由各个部件的节点偏差标签X组成的一维向量。
本发明根据已有的尺寸偏差信息通过机器学习的方法预测得到未知尺寸偏差信息，进而得到液压机装配体所有尺寸的偏差信息。
与已有技术相比，本发明所达到的有益效果体现在：
(1)建立了多级结构网络来对液压机装配体未知尺寸偏差进行预测。多级结构网络主要解决了半监督节点分类中图结构信息的利用问题。该网络采用多级机制学习节点表示，通过在不同级别上迭代使用下采样和扩大感受野操作，有效的获得了节点表示。此外多级结构网络在输入层和预测层结合了注意力机制，可以给邻域不同的节点分配不同的权重，进一步有助于提高标签预测准确率。
(2)根据节点偏差标签提出了基于尺寸偏差矩阵的误差溯源方法。通过尺寸偏差矩阵来对所有尺寸来进行误差溯源，进而确定了需要改进的公差值和需要采取的维修方案。
(3)对于液压机尺寸装配进行误差溯源，为产品维修和设计阶段的公差改进提供进一步指导。进而确定需要改进的公差值和需要采取的维修方案，提高液压机装配精度。
附图说明
图1为本发明所涉及的多级网络结构图。
图2为本发明所涉及的两级多级层节点实例图。
图3为本发明所涉及的一个图的下采样示例。
图4为本发明所涉及的误差溯源流程图。
图5为本发明所涉及的液压机的示意图。
具体实施方式
下面结合液压机这个实施例对本发明作进一步详细描述。
本发明的实施例如下：
采集液压机中各个部件的各个特征尺寸，以一个部件的一个特征尺寸为一个节点，获得节点偏差信息矩阵。
具体实施如图5所示，对于液压机来说，由于滑块工作时频繁往复运动，当滑块移动到最低点时活塞杆达到位置的最大值，此时的偏差累积最大。因此本发明选择此时的位置关系进行分析，然后预测节点偏差信息，得到尺寸偏差矩阵，进而对一些异常尺寸进行误差溯源。
根据现有的已知尺寸数据组成节点偏差信息矩阵实时输入到多级结构网络中处理获得节点偏差标签X,进而获得节点偏差信息向量L。
多级结构网络主要由输入层、多级层和输出层依次连接构成；
输入层的处理表示为：
式中，∪表示串联，即表示J个矩阵的加法运算，J表示注意力机制的头数，P0为输入层输入的液压机已知特征尺寸所构成的节点偏差信息矩阵，P1为输入层输出的结合注意力机制后的液压机各特征尺寸所构成的节点偏差信息矩阵，ZJ是变换矩阵，σ()是非线性ELU激活函数，λJ为系数矩阵。
输入层和输出层直接连接，输入层经多级层和输出层连接，使得输入层和多级层的输出经叠加够共同输入到输出层；多级层主要由多个级别依次级联构成，每一个级别均主要由下采样操作和扩大感受野操作依次连接构成，第一个级别串接连接在输入层和输出层之间，输入层依次经第一个级别的下采样操作和扩大感受野操作后连接于输出层，之后的每个级别均并联连接在上一个级别中的下采样操作和扩大感受野操作之间；
输入层输出节点偏差信息矩阵到多级层，通过多级层中的下采样操作将输入本级别的节点偏差信息矩阵中的各个节点关系进行缩减处理，将某几个节点合并成一个较大的节点，去除不重要的节点，使得节点的数量下降，因此经过下采样操作可以得到一个由较大节点组成的小图，小图的大小约为原图大小的一半；扩大感受野操作处理接受更远离的偏差信息，使得某一处节点接受更远处节点的偏差信息，扩大感受野之前将本级别输出的节点偏差关系图和下一级级别的节点偏差信息矩阵进行合并，而合并之前先对缩减前的节点偏差关系图进行扩大感受野操作；
输出层为一个softmax分类器，输出每个节点的节点偏差标签X，具体为：
提取各个节点的节点偏差标签X按照顺序排列构成了节点偏差信息向量L。
下采样操作，包括了依次进行的邻近合并和相似合并处理；
邻近合并包括：
若当前节点仅有一个邻居节点，其中仅一个邻居节点也仅和当前节点具有邻居关系，则将仅和当前节点具有邻居关系的邻居节点与当前节点进行缩减，构成一个缩减节点；
若当前节点有两个以上的邻居节点，其中至少两个邻居节点仅和当前节点具有邻居关系，则将仅和当前节点具有邻居关系的所有邻居节点进行缩减，构成一个缩减节点；
每一个缩减节点都对应着下采样操作后图上的一个较大节点。缩减后节点数量下降一半。
在邻近合并之后再进行相似合并，相似合并包括：
计算每两个节点wi和wj之间的紧密度T(wi,wj)：
对于那些邻域较少的节点被选进缩减节点的概率很低，然后选择选择紧密度最强的K个节点进行缩减，构成新的缩减节点。
扩大感受野操作，包括
定义了缩减矩阵Ri：
当节点wk在缩减节点Wi j中时：
当节点wk不在缩减节点Wi j中时：
Ri(j,k)＝0
扩大感受野操作按照下式计算：
Pi+1*＝R2n+1-i(j,k)TPi*
多级层中以节点偏差关系图P1*为输入，最终输出节点偏差信息矩阵P2n+1*。
本发明在下采样之后采用了扩大感受野操作，能够恢复网络的结构信息。
扩大感受野操作从下采样得到的本级别的节点偏差信息矩阵上的节点偏差信息。平均化曾经在较大节点中的节点偏差信息，导致节点偏差信息在最相关的节点之间有效的传递，再通过不断地进行扩大感受野，一个节点可以接受到更远地方的偏差信息。
再根据节点偏差信息向量获得尺寸偏差矩阵D，来对重要尺寸进行误差溯源，利用尺寸偏差矩阵D进行对液压机中的各个部件进行调整减少装配偏差。具体可以是，改进公差值或者对零件进行修配，但不限于此。
尺寸偏差矩阵D用下式求得：
D＝|A*L-LT*AT|
本发明将图5所示的液压机所有节点信息分为三类数据集。其中训练集被用来训练神经网络，包含易测信息的所有节点，验证集用于选择超参数，测试集用于测试算法最终的准确性。
液压机的一些基本的节点偏差信息是可以用相应的工具(如千分尺)进行测量计算的，对于剩下的一些不易测量的节点则可以利用已知的节点偏差信息结合多级结构网络进行预测。如图5所示，在图上一共有6个零件，每个零件都有一些对应的节点偏差信息。首先使用工具对一些基本易测的尺寸进行测量，然后根据这些已知的基本节点偏差信息通过多级结构网络进行预测出所有节点的偏差信息，最后根据这些预测值得到尺寸偏差矩阵，尺寸偏差矩阵中的一些异常值可以为后续的修改公差或者更换零件提供一个参考，进而完成了误差溯源并进行方案改进。
如图5所示，为了清楚表示液压机各节点的信息，首先定义工作台1上表面的平面度为基本节点1a，(节点为液压机中的各个部件的位置，节点对应的尺寸偏差矩阵为平面度、垂直度、宽度或长度等)，然后在每个相关表面(节点)建立局部参考坐标系。
例如本案例中若尺寸偏差矩阵中代表滑块2的上表面的与下表面的平行度、活塞杆5的外圆柱面的轴心与工作台1上表面的垂直度和立柱3的外圆柱面的轴心与工作台1上表面的垂直度的偏差数据非常大，代表横梁4上下表面平面度和立柱6外圆柱面的轴心与工作台1上表面的垂直度的数据较大。则说明此种情况下是滑块2的上表面和与滑块2连接的活塞杆5的外圆柱面由于立柱3外圆柱面的变形而产生较大变形，横梁4上下表面与立柱6外圆柱的连接部分偏差较大。因此根据实际生产经验，更换立柱3，调整横梁4上下表面的螺栓使横梁4水平是最佳的维修策略。