基于注意力机制—门控循环单元—BP神经网络的智能多工序工艺参数关联预测

鉴于流程制造工序间能质流耦合严重,性能指标影响因素众多,工艺参数时序特征显著,现有制造模式下难以精准预测产品质量,在分析流程制造工艺性能指标多维、强时序、关联耦合特征的基础上,提出一种基于注意力机制—门控循环单元-BP神经网络(Attention AM-GRU-BPNN)的多工序耦合参数关联预测方法。首先采用互信息方法筛选多态异构生产数据作为输入,建立ConvGRU自编码器,通过无监督学习对过程数据、工艺参数、操作参数等进行时序特征提取,同时引入时序注意力机制提取不同工序的耦合关联特征并进行向量嵌入,为不同工序的工艺参数分配注意力权重。在此基础上,设计Attention网络自学习不同时刻下工艺关联特征对质量性能指标的影响差异,再通过门控循环单元网络对重要的关联特征进行增强,并按照时序特征对单工序预测模型进行聚合,实现多工序时序特征融合,最后通过输出层BPNN神经网络精准预测产品工艺质量。实验表明,AM-GRU-BPNN有效提高了预测精度,从多工序角度为生产线工序的加工过程控制提供了依据。

面向流程制造的数字孪生车间可视化监控系统研究

为了解决流程制造过程监控实时性差、准确性不足的问题,在数字孪生技术迅速发展且与制造业结合愈发紧密的背景下,提出基于生产要素数据、生产工艺流程与多工序设备实体对象的数字孪生车间可视化监控系统架构。从要素、状态、运行逻辑等多个维度对多工序耦合生产线实体对象进行孪生建模,基于OPC UA统一架构的数据采集传输,虚拟车间的实时驱动等关键技术,实现了流程制造设备状态、生产要素工艺全流程三维可视化监控。基于某流程制造企业制丝生产试验线开展了应用验证,为提升流程制造过程中全生产要素的预见性、联动性、自治性提供了方法和实现途径。