一种基于跨模态阶段感知过程记忆的多阶段制造过程质量预测方法

本发明属于智能制造质量预测，具体涉及一种基于跨模态阶段感知过程记忆的多阶段制造过程质量预测方法。该方法适用于注射成型、压铸及其他多阶段批量制造过程，可在新生产周期开始前，仅依据预设工艺参数预测产品质量，并辅助工艺参数优化。

背景技术：

1、在智能制造中，产品质量预测是稳定生产和工艺优化的重要基础。以注射成型和压铸等多阶段批量制造过程为例，产品质量受注射、保压、冷却、开模等阶段共同影响，各阶段中的压力、速度、位置、温度和力等过程信号存在明显的阶段差异。传统参数优化通常依赖人工经验和多轮试模，每次调整参数后都需要完成实际生产并检测重量、尺寸、透过率或外观质量，反馈周期长、材料消耗大，难以满足快速试制和稳定量产需求。

2、现有质量预测方法多依赖当前周期采集到的传感器轨迹。这类方法能够利用当前周期的真实过程信息，但必须等生产开始后才能运行，无法在生产前筛除高风险参数。另一些方法仅使用预设工艺参数建立参数到质量之间的直接映射，虽然可以事前预测，但其映射过程没有利用历史周期中记录的传感器轨迹，容易丢失质量形成过程中的关键证据。

3、此外，多阶段制造过程的历史传感器轨迹不宜被简单压缩为全局序列。不同阶段受不同物理机制支配，若不进行合理分段，容易模糊阶段差异；若仅依赖固定规则或单一通道分段，又可能因阶段时刻漂移或传感器噪声导致错误断点。因此，需要一种能够从历史周期中提取阶段化、质量敏感过程记忆，并能被新工艺参数检索的方法，使模型在没有当前周期传感器数据的情况下仍能完成事前质量预测。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种基于跨模态阶段感知过程记忆的多阶段制造过程质量预测方法。该方法将历史生产周期中的多通道传感器轨迹划分为具有物理意义的阶段，利用预设工艺参数引导的跨模态注意力机制筛选阶段内相关传感器响应，并通过时间自适应注意力和质量监督构建可检索的过程记忆库。新周期推理时，模型只需要接收当前预设工艺参数，即可查询历史过程记忆并输出产品质量预测值。

2、一种基于跨模态阶段感知过程记忆的多阶段制造过程质量预测方法，包括以下步骤：

3、（1）采集多阶段制造的多个生产周期数据，每个周期数据包括预设工艺参数、多通道过程传感器轨迹以及产品的实测质量；

4、（2）取任一未遍历的生产周期作为当前周期，对其内每个传感器轨迹分别进行平滑和标准化处理，得到对应的标准化时间序列；

5、（3）对每个传感器通道对应的标准化时间序列分别执行单通道动态规划，得到对应的候选阶段断点集合；

6、（4）根据候选阶段断点集合判断不同通道断点之间的一致性，并筛选出可靠传感器通道集合；

7、（5）将可靠传感器通道集合中的所有传感器通道按列拼接为多变量序列，并执行动态规划，得到当前周期的阶段边界；后根据阶段边界将当前周期的多通道传感器轨迹同步截取为多个阶段，并形成多个按照工艺顺序排列的阶段数据块；

8、（6）重复步骤（2）~（5），直至所有生产周期遍历完毕，得到所有生产周期对应的按照工艺顺序排列的阶段数据块；

9、（7）利用采集的预设工艺参数、实测质量以及步骤（6）得到的阶段数据块对构建的质量预测网络进行训练优化；

10、（8）以待预测周期的预设工艺参数为输入，利用优化后的质量预测网络输出对应的质量预测值。

11、上述步骤（1）中：

12、作为优选，所述多阶段制造为注射成型、压铸成型、热压成型中的一种。

13、作为优选，预设工艺参数包括模具温度、注射速度、注射压力、料筒各温区温度和热流道温度等中的一种或多种。

14、作为优选，每个传感器通道对应一个过程变量，采集到的数据为一个传感器轨迹；其中过程变量包括合模力、注射压力、注射速度、螺杆位置、螺杆速度和喷嘴温度等中的一种或多种。

15、作为优选，实测质量包括制品重量、关键尺寸及尺寸偏差、收缩率、翘曲量、表面外观缺陷等级、力学性能、透过率、雾度、色差等中的一种或多种。

16、上述步骤（2）中：

17、作为优选，采用滚动中值对每个传感器轨迹进行平滑处理，使每个传感器轨迹得到与原始采样长度一致的平滑序列，以抑制瞬时尖峰和孤立异常点（脉冲噪声）。设窗口长度，其中h为非负整数；对于采样时刻t的原始值，采用以时刻t为中心、包含w个采样点的窗口进行滚动中值平滑，得到平滑处理结果：

18、

19、其中，表示以时刻t为中心、窗口长度为的局部中值平滑结果；表示取中位数。

20、作为优选，对于平滑后仍超过预设统计阈值的残余异常值（剩余离群采样点），可采用相邻正常采样点线性插值或局部中位数替换的方式对异常值进行处理。

21、作为优选，对每个平滑序列独立进行z-score标准化，以消除不同量纲和幅值范围的影响，得到标准化时间序列。z-score标准化属于常规尺度归一化处理，其处理公式为：

22、

23、其中，表示标准化时间序列；和分别表示平滑序列（所有时刻的平滑结果）的均值和标准差；为防止分母为零的极小正数，优选取。

24、上述步骤（3）中：

25、设一个生产周期划分为k个工艺阶段，则每个传感器通道通过单通道动态规划得到个按时间先后排列的候选阶段断点，并形成集合；传感器通道i的候选阶段断点集合记为，集合中的元素均为候选阶段断点对应的采样时刻或物理时间。

26、上述步骤（4）中：

27、作为优选，得到可靠传感器通道集合的具体步骤为：

28、（4.1）对于任意两个传感器通道，分别计算二者对应的候选阶段断点集合中每一对同一序号候选断点的差值，得到多个对应的时间差，取其中最大值作为最大时间差；

29、（4.2）判断最大时间差与设定阈值的大小：

30、若最大时间差小于等于设定阈值，则认为该两个传感器通道的阶段断点一致，具备一致性；

31、否则，二者的阶段断点不一致；

32、（4.3）重复步骤（4.1）~（4.2），找出当前周期内所有阶段断点一致的传感器通道对，并组成临时集合；

33、（4.4）以临时集合中各传感器通道为节点，以满足阶段断点一致性关系为边建立无向图，选取图中传感器通道数量最大、其中两两阶段断点相互一致的通道子集作为可靠传感器通道集合。

34、作为进一步优选，步骤（4.1）中，最大时间差通过下式计算得到：

35、

36、其中，表示第i个和第j个传感器通道的最大时间差；和分别表示传感器通道i、j的第k个断点时刻；表示在范围内取使最大的值；表示候选阶段断点集合中元素的个数。

37、反映两个传感器通道在全部阶段转折时刻上的最坏对齐误差；当不超过（小于等于）一致性阈值（设定阈值）时，认为两个传感器通道的阶段断点一致。

38、作为进一步优选，步骤（4.4）中得到的可靠传感器通道集合中，任意两个传感器通道均具有阶段断点一致性；其筛选公式为：

39、，满足

40、其中，表示筛选出的满足两两断点一致性约束且传感器通道数量最大的可靠传感器通道集合；表示在候选通道子集中选取传感器通道数量最大的集合；表示任一候选通道子集中的传感器通道数量。步骤（4.4）中，通过构建无向图，可以得到多个候选通道子集，每个候选通道子集中的任两个传感器通道均满足阶段断点一致性要求。

41、作为进一步优选，若当前周期内没有传感器通道对满足断点一致性要求，则针对每个传感器通道，根据单通道动态规划的阶段拟合残差和候选断点间隔计算对应的通道质量评分，并将通道质量评分最高的传感器通道作为可靠传感器通道，并进入下一步；

42、其中，当前周期第个传感器通道的通道质量评分 通过下式计算：

43、

44、式中， 表示当前周期内的总采样点数； 表示当前周期的阶段数量；表示第  个传感器通道在第  个阶段内的残差平方和，即该阶段内各采样值相对于该阶段均值的偏差平方和； 表示第  个传感器通道的标准化时间序列； 表示标准化时间序列的总体方差； 表示相邻阶段边界之间的时间间隔，通过下式计算得到：

45、

46、其中， 表示第  个传感器通道的第  个阶段的边界；并令，，；

47、通过下式计算：

48、

49、式中，第i个传感器通道在时刻t对应的值；表示第i个传感器通道的总体均值。

50、上述通道质量评分计算公式中的第一项用于衡量动态规划分段后的拟合质量；第二项用于衡量最短阶段相对于整个生产周期的长度比例。通道质量评分越大，表示相应传感器通道的动态规划拟合误差越小且断点间隔越清晰。

51、上述步骤（5）中：

52、作为优选，对多变量序列执行动态规划的具体操作为：

53、对于可靠传感器通道集合，其中每个采样时刻对应的所有传感器通道的数值组成该采样时刻的采样向量；根据候选阶段断点的个数确定当前周期划分的阶段数，对于每一个阶段，求其中每个采样时刻的采样向量与该生产阶段所有采样时刻的均值向量的和平方偏差；以所有生产阶段的和平方偏差之和最小为目标，在保持断点时间顺序的约束下搜索全局最优断点组合，从而得到当前周期的阶段边界。

54、具体地，第k个阶段的平方偏差和（和平方偏差）可表示为：

55、

56、其中，表示第k个阶段的平方偏差和，k∈[1，k]，k为当前周期的阶段数；表示第k个阶段第i个采样时刻的采样向量，i∈[1，n]，n为第k个阶段的采样点数；表示第k个阶段的均值向量，计算公式为：

57、

58、形成的每个阶段数据块包含当前周期内所有传感器通道对应该阶段的时间序列。对于第m个周期的第n个阶段，其传感器轨迹（时间序列）记为，维数为，其中s为传感器通道的个数，为第n个阶段内的采样点数。

59、上述步骤（7）中：

60、作为优选，质量预测网络包括历史周期编码器、过程记忆库构建模块、参数查询解码器、质量预测头以及仅在训练阶段使用的辅助质量预测头；对其进行训练优化的具体过程如下：

61、（7.1）针对每个生产周期，以其预设工艺参数和对应的阶段数据块为输入，通过历史周期编码器输出对应的过程记忆向量；

62、（7.2）取任一未遍历的生产周期作为当前周期，根据除当前周期外的其余生产周期对应的过程记忆向量，利用过程记忆库构建模块构建当前过程记忆库；

63、（7.3）以当前周期的预设工艺参数和当前过程记忆库为输入，利用参数查询解码器，得到上下文向量；

64、（7.4）以上下文向量为输入，通过质量预测头获得当前周期的主质量预测向量，并根据当前周期的实测质量计算主损失；同时将构建当前过程记忆库的每个生产周期的过程记忆向量分别输入辅助质量预测头，得到对应的辅助质量预测向量，并根据构建当前过程记忆库的各生产周期对应的实测质量计算辅助损失；再根据主损失和辅助损失计算总损失；

65、（7.5）以总损失最小为目标进行反向传播，更新历史周期编码器、过程记忆库构建模块、参数查询解码器、质量预测头及辅助质量预测头的网络参数；

66、（7.6）将各生产周期依次或分批作为当前周期，重复步骤（7.1）~（7.5），直至满足预设训练终止条件，得到优化后的网络参数；

67、（7.7）利用优化后的历史周期编码器对所有生产周期重新编码，得到对应的过程记忆向量，并利用优化后的过程记忆库构建模块构建最终过程记忆库；

68、（7.8）将最终过程记忆库与优化后的参数查询解码器和质量预测头共同用于待预测周期的质量预测。

69、作为进一步优选，步骤（7.1）中获得一个生产周期的过程记忆向量的具体操作为：

70、将该生产周期内的每个阶段数据块在阶段内进行一维卷积，提取阶段传感器特征矩阵；预设工艺参数经全连接层投影获得查询向量；以查询向量为查询，以阶段传感器特征矩阵为键和值，利用跨模态注意力计算阶段融合特征；再利用时间自适应注意力计算各阶段的注意力权重，并对各阶段融合特征进行加权求和，得到该生产周期的过程记忆向量。

71、作为更进一步优选，提取任一阶段数据块的阶段传感器特征矩阵的具体过程为：

72、利用阶段级多模态编码器，首先将一阶段数据块输入至两层一维卷积网络，每层包括一维卷积、批归一化和relu激活，以提取各传感器通道的局部时序特征；再对每个传感器通道的局部时序特征分别执行全局平均池化和全局最大池化，后将两类池化结果拼接并投影到d维，即得到阶段传感器特征矩阵。

73、作为更进一步优选，利用跨模态注意力计算阶段融合特征的公式如下：

74、

75、其中，表示第m个周期第n个阶段的阶段融合特征；为查询向量，作为查询q；为第m个周期第n个阶段的阶段传感器特征矩阵，分别作为键k和值v；mha表示多头交叉注意力；dropout表示随机失活；layernorm表示层归一化；残差项用于稳定训练；

76、过程记忆向量的计算公式为：

77、

78、

79、

80、其中，表示第m个生产周期的过程记忆向量；n∈[1,n]，j∈[1,n]，n表示第m个生产周期的阶段总数；表示第n个阶段的归一化注意力权重；表示第n个阶段的阶段融合特征；和分别为时间自适应注意力的可训练权重矩阵和偏置向量；为时间自适应注意力的可训练上下文向量；exp表示指数函数；表示双曲正切激活函数。

81、作为进一步优选，步骤（7.2）中，过程记忆库的构建公式为：

82、

83、其中，表示过程记忆库；表示将m个过程记忆向量按行堆叠；为可训练权重矩阵；为可训练偏置向量，并对m行进行广播；relu表示非线性激活函数。

84、作为进一步优选，步骤（7.3）中，利用参数查询解码器获得上下文向量的公式为：

85、

86、其中，表示获得的上下文向量；表示查询向量，由当前周期的预设工艺参数向量（由各预设工艺参数按固定顺序排列而成）经全连接层映射得到；表示输入的过程记忆库；mha表示多头交叉注意力；dropout表示随机失活；layernorm表示层归一化；残差项用于稳定训练。

87、作为进一步优选，步骤（7.4）中，主损失的计算公式为：

88、

89、其中，l表示质量指标的数量，；表示当前周期中第个质量指标的实测质量；表示当前周期主质量预测向量的第个分量，；

90、主质量预测向量通过下式计算得到：

91、

92、式中，和分别表示质量预测头的可训练权重矩阵；和分别表示质量预测头的可训练偏置向量；relu表示非线性激活函数；dropout表示随机失活。

93、作为进一步优选，步骤（7.4）中，辅助损失的计算公式为：

94、

95、其中，l表示质量指标的数量，；表示当前过程记忆库中的生产周期数量，；表示第m个生产周期中第个质量指标的实测质量；表示第m个生产周期辅助质量预测向量的第个分量，；

96、辅助质量预测向量通过下式计算得到：

97、

98、式中，和分别表示辅助质量预测头的可训练权重矩阵； 和分别表示辅助质量预测头的可训练偏置向量；表示第m个生产周期的过程记忆向量；relu表示非线性激活函数。

99、作为进一步优选，步骤（7.4）中，总损失通过下式得到：

100、

101、其中，表示总损失；表示辅助监督权重，用于平衡主损失和辅助损失，优选根据验证集确定；具体地，λ在模型训练前作为超参数设定，后通过在候选取值集合上分别训练模型并比较验证集性能确定。

102、步骤（7.6）中，将各生产周期依次或分批作为当前周期，重复步骤（7.1）~（7.5），并根据总损失更新网络参数，直至满足预设训练终止条件。每完成一次训练迭代，更新一次网络参数，下一次训练在前一次更新后的网络参数基础上进行。

103、其中，对于训练目标样本（当前周期），仅将其预设工艺参数作为参数查询解码器的查询；其余训练样本的预设工艺参数、传感器轨迹和实测质量经历史周期编码器和过程记忆库构建模块形成当前过程记忆库，采用留一法避免目标样本检索自身，并根据总损失联合更新网络参数。

104、作为优选，可将训练优化后的质量预测网络作为代理模型嵌入多目标优化算法，以各质量指标预测值与目标值之间的偏差最小为优化目标，获得推荐工艺参数。本发明方法除用于生产前质量预测外，还可用于生产前风险识别和工艺参数推荐。

105、其中，多目标优化算法可以选用nsga-ii。

106、与现有技术相比，本发明的有益效果为：

107、本发明的基于跨模态阶段感知过程记忆的多阶段制造过程质量预测方法，通过对多阶段制造历史生产周期的数据进行分段处理，并利用处理后的数据训练质量预测网络，使后续质量预测过程中仅需要输入预设工艺参数即可得到预测质量；即推理阶段不需要当前周期传感器数据，可在生产前进行质量预测，无需对每个设定工艺参数进行真实试模，有效减少生产耗材和试验时间。过程记忆库显式保存历史传感器轨迹中的阶段化质量形成证据，优于仅学习参数到质量的直接映射；基于通道阶段断点一致性的动态规划能够抑制单一噪声通道造成的错误断点；工艺参数引导的跨模态注意力能够根据不同参数条件筛选重要传感器响应；对周期级过程记忆向量施加辅助质量监督，使过程记忆更面向最终质量，更有利于提高预测精度和工艺优化可靠性。本发明实现了多阶段制造过程的仅参数事前质量预测，可用于生产前风险识别、工艺参数推荐和智能制造质量决策。