一种抗工况漂移的压铸质量预测方法

本发明属于工业过程建模领域，具体涉及一种抗工况漂移的压铸质量预测方法。

背景技术：

1、压铸作为一种精密成型工艺，在汽车零部件、航空航天结构件及电子信息设备外壳制造等领域具有广泛应用。随着制造业智能化转型的推进，基于数据驱动的质量预测技术逐渐成为压铸生产过程质量控制的研究热点。

2、由于国内压铸行业数字化建设起步相对较晚，生产现场的数据采集体系尚不完善，压铸过程中的关键质量指标（如气孔率、浇铸剩余厚度等）多依赖于批次抽样检测的方式获取。此种检测方式决定了质量数据并非对每一件产品的全量记录，而是以抽检批次为单位进行离散采集，从而导致可用于建模的有效历史数据累积量偏少，难以支撑传统深度学习方法对大规模训练样本的需求。同时由于市场需求不断变化，压铸制造原材料和产品随着时间变更，生产工况动态变动。这种工况漂移现象使得不同生产批次之间的数据分布存在显著差异。

3、现有的质量预测算法，如偏最小二乘回归（plsr）、主成分回归（pcr）、支持向量回归（svr）以及基于深度神经网络的方法等，通常建立在"训练集与测试集数据满足独立同分布假设"的基础之上，因此工况变动后分布发生偏移情况下无法提供准确的质量变量预测。

技术实现思路

1、针对现有的基于独立同分布假设的压铸质量预测方法在压铸工况动态变化的场景下无法有效适应数据分布的变化，缺乏对工况漂移的鲁棒性的不足，本发明提出一种抗工况漂移的压铸质量预测方法，具体技术方案如下：

2、一种抗工况漂移的压铸质量预测方法，包括如下步骤：

3、s1：收集压铸过程数据，构建源域数据集；同时收集压铸设备变到新工况的数据，构建目标域数据集；

4、s2：对源域和目标域数据进行预处理，包括异常值处理、归一化及滑动窗口切片，得到固定长度的输入序列；

5、s3：构建基于循环神经网络的抗工况漂移质量预测模型、高斯混合模型和时间序列聚类器；所述抗工况漂移质量预测模型包括特征提取骨干网络、回归瓶颈层、回归头、域判别瓶颈层、域判别头、互信息均值网络以及互信息方差网络；所述高斯混合模型的成份数量为k个；所述时间序列聚类器的参数包括k个聚类中心和类别的toeplitz协方差矩阵；

6、s4：引入基于toeplitz逆协方差的时间序列聚类方法，优化最大似然损失，求解得到k类别的聚类中心，按照聚类中心最近原则对时间序列进行类别划分；

7、s5：分别优化抗工况漂移质量预测模型的回归分支和域判别分支，利用计算得到的梯度，更新抗工况漂移质量预测模型的各部分参数，得到训练后的抗工况漂移质量预测模型；

8、s6：利用训练后的抗工况漂移质量预测模型进行在线的压铸质量预测。

9、进一步地，s2中的异常值处理具体为：

10、利用孤立森林方法检测筛选后的数据中的异常值，对于每条异常数据，采用局部线性回归方法，根据异常数据附近的正常数据，计算出回归预测值，替换掉原来的异常数据。

11、进一步地，s4包括如下子步骤：

12、s4.1：按照em算法预先训练高斯混合模型，将用于域判别的特征输入高斯混合模型，并预测类别，将高斯混合模型的输出作为初始类别标签；

13、s4.2：基于s4.1得到的初始类别标签，计算k个类别的聚类中心，并计算每个类别的toeplitz协方差矩阵；

14、s4.3：优化损失函数和时间序列聚类器的参数，直至达到收敛条件；

15、s4.4：计算时间窗口与时间序列聚类器的聚类中心距离，选择最小距离的类别作为最终的类别标签。

16、进一步地，s5包括如下子步骤：

17、s5.1：计算源域预测误差损失和聚类标签判别损失，优化回归分支的模型参数；

18、s5.2：计算聚类标签判别损失、相关性损失、互信息均值网络和方差网络估计得到的均值和标准差，优化域判别分支的模型参数；

19、s5.3：迭代进行s5.1和s5.2，得到训练后的抗工况漂移质量预测模型。

20、进一步地，所述抗工况漂移质量预测模型中，所述特征提取骨干网络用于从输入序列中提取出隐向量，所述回归瓶颈层接收输入的隐向量，过滤出用于回归的特征；所述域瓶颈层接收输入的隐向量，过滤出用于域判别的特征；所述互信息均值网络和方差网络依据用于域判别的特征估计质量变量条件概率的均值和方差。

21、一种抗工况漂移的压铸质量预测装置，包括一个或多个处理器，用于实现抗工况漂移的压铸质量预测方法。

22、一种电子设备，包括：

23、一个或多个处理器；

24、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述电子设备执行时，使得所述电子设备实现抗工况漂移的压铸质量预测方法。

25、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现抗工况漂移的压铸质量预测方法。

26、本发明的有益效果如下：

27、（1）针对压铸工况动态变化的问题，本发明通过引入时序聚类，促进多源域域对抗训练，结合变量筛选机制，使预测模型能够学习领域不变特征，克服了传统方法基于独立同分布假设的固有局限，对原材料变更、产品规格切换、模具状态变化等引起的工况漂移具有良好的应对能力，在新工况下仍能提供准确可靠的质量变量预测结果。

28、（2）该方法能够适应实际生产中常见的工况动态变化，避免了因模型失效导致的频繁离线重训练，从而为压铸生产过程的质量在线监控和工艺参数优化提供了可靠的技术支撑，有助于提升产品良率、降低废品损失，具有良好的工业应用价值。

1.一种抗工况漂移的压铸质量预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的抗工况漂移的压铸质量预测方法，其特征在于，s2中的异常值处理具体为：

3.根据权利要求1所述的抗工况漂移的压铸质量预测方法，其特征在于，s4包括如下子步骤：

4.根据权利要求1所述的抗工况漂移的压铸质量预测方法，其特征在于，s5包括如下子步骤：

5.根据权利要求1所述的抗工况漂移的压铸质量预测方法，其特征在于，所述抗工况漂移质量预测模型中，所述特征提取骨干网络用于从输入序列中提取出隐向量，所述回归瓶颈层接收输入的隐向量，过滤出用于回归的特征；所述域瓶颈层接收输入的隐向量，过滤出用于域判别的特征；所述互信息均值网络和方差网络依据用于域判别的特征估计质量变量条件概率的均值和方差。

6.一种抗工况漂移的压铸质量预测装置，其特征在于，包括一个或多个处理器，用于实现权利要求1~5中任一项所述的抗工况漂移的压铸质量预测方法。

7.一种电子设备，其特征在于，包括：

8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1~5中任一项所述的抗工况漂移的压铸质量预测方法。