基于数据增强的发动机部件加工质量预测方法及介质

本发明属于火箭发动机，更具体地，涉及一种基于数据增强的发动机部件加工质量预测方法及介质。

背景技术：

1、燃烧室壳体是火箭发动机的主体结构之一，是动力系统所有功能实现的基础。若加工的燃烧室壳体存在质量问题，会严重影响后续的制造加工工序。对火箭发动机燃烧室壳体的初始加工阶段进行加工质量预测，为将来探明影响壳体加工过程形变的原因以及指导工艺优化具有重要意义。机械加工过程的质量预测是判定产品加工质量控制方向的重要手段，其目的是基于产品加工的历史质量信息对产品最终输出质量进行预测，从而对可能出现质量超差的产品进行预防。

2、数据驱动的加工质量预测方法通过数据改变模型，即通过预期结果改变模型参数适配数据，因此，数据驱动模型并不依赖先验知识。先前通常采用定性分析预测方法进行质量预测，该方法过于依赖工艺人员的经验和能力，因此，利用该方法所获得的预测值往往过于主观。为了提高加工质量预测的精度与泛化性，需要收集壳体旋压加工过程的不同批次多种工艺场景的监测数据，然后开发预测模型才能实现。在实际工程中，由于燃烧室壳体加工过程的监测难度大，很难收集到足够数量的壳体工件样本，不满足深度神经网络的数据要求。

技术实现思路

1、针对现有技术的缺陷和改进需求，本发明提供了一种基于数据增强的发动机部件加工质量预测方法及介质，其目的在于解决发动机部件加工质量预测时数据样本不足的问题，从而提高加工质量预测精度。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于数据增强的发动机部件加工质量预测方法，包括模型训练阶段s1-s3以及预测阶段s4；s1，获取发动机部件加工过程中的原始加工参数和加工质量结果，基于所述原始加工参数中两两数据之间的相关度对所述原始加工参数进行数据的降维重构，得到降维加工参数；s2，将所述加工质量结果作为条件信息，结合随机噪声和所述降维加工参数共同训练条件生成对抗网络，利用训练后的条件生成对抗网络对所述降维加工参数和所述加工质量结果组成的初始样本集进行数据增强，得到扩充样本集；s3，以所述扩充样本集中的降维加工参数为输入、加工质量结果为标签训练混合神经网络，所述混合神经网络包括特征注意力增强子网络、时间卷积子网络和长短期记忆子网络；s4，将后续批次的加工参数输入所述混合神经网络，预测得到对应的加工质量结果。

3、更进一步地，所述s1中进行数据的降维重构之前还包括对所述原始加工参数依次进行数据清洗及归一化处理，所述数据清洗包括：对无效值和空值进行众数填充，以及对异常值进行四分位数法处理；所述s1中基于归一化处理后的原始加工参数中两两数据之间的相关度对归一化处理后的原始加工参数进行数据的降维重构，得到所述降维加工参数。

4、更进一步地，所述基于所述原始加工参数中两两数据之间的相关度对所述原始加工参数进行数据的降维重构，包括：将所述原始加工参数划分为位置数据和速度数据；计算各所述位置数据和各所述速度数据之间的斯皮尔曼相关系数作为所述相关度；利用主成分分析法对相关度高于相关阈值的位置数据和速度数据进行降维删除，以得到所述降维加工参数。

5、更进一步地，所述s2中训练条件生成对抗网络包括：将所述加工质量结果作为条件信息和所述随机噪声输入所述条件生成对抗网络的生成器，得到增强后的加工参数；将所述降维加工参数与所述加工质量结果输入所述条件生成对抗网络的判别器，得到判别概率；以所述判别概率以及增强后的加工参数满足二元极小极大值对抗过程为约束，训练所述条件生成对抗网络。

6、更进一步地，所述二元极小极大值对抗过程为：

7、

8、其中，v(d,g)为目标函数，x为所述降维加工参数，y为所述加工质量结果，z为所述随机噪声，d(x|y)为所述判别概率，g(z|y)为增强后的加工参数，e()表示分布的期望，pdata(x)为x的样本分布，pz(z)为z的样本分布。

9、更进一步地，所述s2中对所述初始样本集进行不同扩充倍数的数据增强，得到不同扩充倍数的扩充样本集；所述s3中利用不同扩充倍数的扩充样本集分别训练所述混合神经网络，并将训练后预测误差最小的混合神经网络作为最终的混合神经网络。

10、更进一步地，训练过程中所述特征注意力增强子网络的特征注意力权重为：

11、

12、w＝σ(conv1dk(g(xf)))

13、其中，g()表示时间步长的全局平均池化，xf为第f个特征的数据，l、w分别为一个注意力通道的长、宽，w为计算得到的特征注意力权重，σ()为sigmoid激活函数，conv1dk()为一维卷积运算。

14、更进一步地，训练过程中所述长短期记忆子网络的权重为：

15、ft＝σ(wfxxt+ufhht-1+bf)

16、it＝σ(wixxt+uihht-1+bi)

17、

18、

19、ot＝σ(woxxt+uohht-1+bo)

20、

21、其中，ft为遗忘门输出，it为输入门输出，ct为当前时刻的记忆单元，为记忆单元状态候选值，ot为输出门的输出，ht为隐藏层输出，xt为当前时刻的输入，wfx、wix、wcx、wox分别为输入到所述长短期记忆子网络的遗忘门、输入门、状态更新门、输出门之间的权重，bf、bi、bc、bo分别为遗忘门、输入门、状态更新门、输出门中的偏差向量，ufh、uih、uch、uoh分别为遗忘门、输入门、状态更新门、输出门中循环连接的权重，tanh()表示双曲正切函数，表示元素相乘，σ()为sigmoid激活函数。

22、更进一步地，所述加工质量结果包括q部跳动和中部跳动，所述s4之后还包括：利用最小二乘法对所述q部跳动和所述中部跳动进行协同修正；当修正后的加工质量结果高于相应阈值时，根据修正后的加工质量结果调整后续批次的加工参数，直至预测得到对应的加工质量结果修正后低于相应阈值。

23、按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的基于数据增强的发动机部件加工质量预测方法。

24、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

25、(1)提供一种基于数据增强的发动机部件加工质量预测方法，通过数据降维解决原始数据的多重共线性问题，采用条件生成对抗网络进行数据增强，生成更多符合加工过程质量要求的样本以解决小批量样本不足的问题，通过融合不同的神经网络层，强化了模型的特征提取能力，实现对加工过程关联规则的快速挖掘，从而提高预测精度和预测效率；

26、(2)将原始加工参数划分为位置数据和速度数据，基于斯皮尔曼相关系数对位置数据和速度数据分开进行特征相关性分析以及后续的降维删除，减少了数据降维的运算量，提高处理速度；

27、(3)利用混合神经网络的预测误差作为指标，挑选出最优的数据增强倍数，从而获得具有最小预测误差的混合神经网络，进一步提高预测精度；

28、(4)通过tcn-lstm混合神经网络对中部跳动和q部跳动这一双质量指标进行预测，并使用最小二乘法对预测结果进行协同修正，解决了加工过程多目标质量指标存在互相耦合的问题，提高了预测准确性。