一种质量评估模型构建方法、装置、设备及储存介质与流程

1.本发明涉及质量评估技术领域，特别是涉及一种基于熵权法深度学习用于战斗部含能材料压制成型的质量评估模型构建方法、装置、设备及储存介质。


背景技术：

2.战斗部是各类弹药和导弹毁伤目标的最终毁伤单元，主要由壳体、战斗装药、引爆装置和保险装置组成，是现代化国防科技工业最基础的产品之一。现代战争对战斗部的杀伤威力或毁伤效率提出了更高要求，目前世界各国都在积极研制与发展采用各种毁伤机理的新型战斗部技术，以提高弹药和导弹的高效毁伤能力。
3.含能药柱作为战斗部的关键毁伤部件，其压制成型结果直接决定战斗部精准高效毁伤性能和过载安全性，压药过程的控制参数又直接影响着药柱成型质量。长期以来战斗部含能药柱压药工艺都采用定位法或定压法，缺乏对含能药柱压药过程工艺参数与压药质量耦合关系研究以及先进控制技术的工程化应用，目前还未形成有效的控制手段确保药柱关键质量参数的一致性，如果炸药在压制成型过程中存在裂纹、孔隙等问题，最终会影响战斗部的毁伤效应和使用安全。随着战斗部压装药技术的不断发展，对装药质量、可靠性方面提出更高要求，传统的定压装药方式对工艺参数的变化缺乏自适应性，原因在于现有工艺参数数值相对固定且基于人工经验，对工艺参数与质量参数之间的机理模型研究不够深入，已不能满足现代化军事装备生产需要。
4.采用质量评估模型对含能药柱压药过程工艺参数与压药质量进行评估，是提高产品质量、可靠性及降低质量成本的重要手段。目前战斗部生产过程中主要采用批量抽样检验等统计学方法，这些方法虽然能够较为准确的检测出批量产品的质量，但对产品个体并未做到全覆盖，真实质量数据与检测质量数据之间存在一定的误差。随着武器装备生产过程的智能化和复杂化，评估制造过程质量时涉及大量质量参数，现有质量模型并未充分利用制造过程中的质量数据，在评估数据定性、定量时拥有较高的不确定性，数据处理方面也缺乏有效性，且质量模型无法对生产工艺进行指导优化。
5.另一方面，传统基于统计学的质量评估方法不仅质量检测成本高，评估方式过于粗放，还难以充分利用制造过程中的质量数据进行客观、科学地分析评估。同时传统方法过分依赖专家诊断经验，受到各种主观因素的影响和制约，从而降低评估结果的客观性和正确性。


技术实现要素：

6.鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种质量评估模型构建方法、装置、设备及储存介质。针对战斗部含能药柱压制成型过程中工艺参数与质量参数耦合关系研究技术手段缺乏、成型工艺参数难以精确控制，无法有效确保药柱的尺寸、密度等质量参数问题，通过压制过程中的工艺数据采集，建立一种含能药柱压制成型的质量预测模型，为后续战斗部装药质量的自适应控制，提高含能材料成型质量，
促进含能材料成型过程工艺优化与数字化转型升级打下夯实基础，系统提升含能药柱压药自主化国产化水平，以满足国防安全战略需求。
7.本发明提供了如下方案：
8.一种质量评估模型构建方法，包括：
9.获取战斗部含能材料压制成型过程中的工艺参数以及质量参数；
10.采用目标熵权法对所述质量参数的权重进行计算，并利用隶属度函数对所述质量参数的质量状态进行分类，计算获得质量综合评估值；
11.将所述工艺参数以及所述质量综合评估值分别作为输入参数以及输出参数输入深度置信神经网络，以便构建获得所述含能药柱质量评估模型。
12.优选地：所述工艺参数包括压药压力值、压药压力的上升率、压药速度、位移、温度、真空度、压力补偿、压药次数、保压时间、缸体液压油的流量、预压、卸压复压；
13.将所述工艺参数进行归一化处理后作为输入参数输入深度置信神经网络；
14.归一化函数为下式所示：
[0015][0016]
式中：xi为第i个工艺参数向量；x
min.i
为第i个工艺参数向量中的最小值； x
max.i
为第i个工艺参数向量中的最大值；x
nol.i
为第i个工艺参数归一化向量。
[0017]
优选地：利用隶属度函数对所述质量参数的质量状态进行分类之前对所述质量参数进行归一化处理；归一化函数如下式所示：
[0018][0019]
式中：yi为第i个质量参数实测值；y
s.i
为第i个质量参数标准值；y
d.i
为第 i个质量参数下阈值；y
u.i
为第i个质量参数上阈值。
[0020]
优选地：所述隶属度函数包括岭型分布隶属度函数。
[0021]
优选地：所述岭型分布隶属度函数如下式所示：
[0022][0023]
[0024][0025][0026]
式中：μ1(λi)、μ2(λi)、μ3(λi)、μ4(λi)分别为第i个质量参数归一化后λi隶属于优秀、良好、一般、不合格质量状态的隶属度函数，具有m个质量参数的模糊关系矩阵表示为：
[0027][0028]
根据模糊关系矩阵w：
[0029][0030]
式中：r为“优秀”、“良好”、“一般”、“不合格”4个状态等级的奖励向量，奖励值分别为r1、r2、r3、r4；“·”表示矩阵相乘，dm表示第m个质量参数的状态等级评分。
[0031]
优选地：所述目标熵权法的计算步骤包括：
[0032]
正向化处理：
[0033][0034][0035]
式中：yi为第i个质量参数向量；y
best.i
为第i个质量参数向量的中间指标； y
pos.i
为第i个质量参数向量正向化处理后的向量；将m个质量参数正向化向量 y
pos.i
组合形成y矩阵，矩阵的第i行为第i个质量参数向量y
pos.i
，n为样本数量；
[0036]
概率计算：
[0037][0038]
式中：y
ij
表示y矩阵第i行第j列的元素，p
ij
表示y
ij
所占该行所有元素之和的比重；
[0039]
指标熵权计算：
[0040][0041][0042]
式中：hj为第j个质量参数指标的信息熵；wj表示第j个质量参数的熵权值(权重)向量。
[0043]
优选地：将第j个质量参数指标的信息熵hj结合第m个质量参数的状态等级评分dm，计算第n个样本质量综合评分sn：
[0044][0045]
式中：wm为第m个质量参数的权重；d
mn
为第n个样本第m个质量参数的状态等级评分。
[0046]
一种质量评估模型构建装置，所述装置包括：
[0047]
参数获取单元，用于获取战斗部含能材料压制成型过程中的工艺参数以及质量参数；
[0048]
质量综合评估值计算单元，用于采用目标熵权法对所述质量参数的权重进行计算，并利用隶属度函数对所述质量参数的质量状态进行分类，计算获得质量综合评估值；
[0049]
构建单元，用于将所述工艺参数以及所述质量综合评估值分别作为输入参数以及输出参数输入深度置信神经网络，以便构建获得所述含能药柱质量评估模型。
[0050]
一种质量评估模型构建设备，所述设备包括处理器以及存储器：
[0051]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0052]
所述处理器用于根据所述程序代码中的指令执行上述的质量评估模型构建方法。
[0053]
一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的质量评估模型构建方法。
[0054]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0055]
本技术实施例提供的一种质量评估模型构建方法、装置、设备及储存介质，克服了传统战斗部含能药柱质量评估时资源信息未被充分利用的缺点，将制造过程中的工艺参数与质量参数利用深度学习的方式耦合关联，实现质量评估模型的快速评估计算，同时模型具备对生产过程的工艺进行指导优化的能力。
[0056]
另外，在优选的实施方式下，克服了现有战斗部含能药柱生产过程中采用批量抽
样方法时只能反映批量整体质量，无法准确反映每个产品个体质量状态的缺点。利用隶属度函数与熵权法相结合的方式解决了传统质量状态分类过于粗放，无法表达相邻质量状态的相关性的问题，评估过程不依赖任何先验知识，不再受专家经验制约，规避了主观因素的影响，提高了质量评估的客观性与正确性。
[0057]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0058]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0059]
图1是本发明实施例提供的一种质量评估模型构建方法的流程图；
[0060]
图2是本发明实施例提供的质量评估模型的框架图；
[0061]
图3是本发明实施例提供的dbn网络结构示意图；
[0062]
图4是本发明实施例提供的一种质量评估模型构建方法的另一流程图；
[0063]
图5是本发明实施例提供的一种质量评估模型构建装置的示意图。
具体实施方式
[0064]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
参见图1，为本发明实施例提供的一种质量评估模型构建方法，如图1所示，该方法可以包括：
[0066]
s101：获取战斗部含能材料压制成型过程中的工艺参数以及质量参数；
[0067]
s102：采用目标熵权法对所述质量参数的权重进行计算，并利用隶属度函数对所述质量参数的质量状态进行分类，计算获得质量综合评估值；
[0068]
s103：将所述工艺参数以及所述质量综合评估值分别作为输入参数以及输出参数输入深度置信神经网络，以便构建获得所述含能药柱质量评估模型。
[0069]
本技术实施例提供了一种基于熵权法的深度学习质量评估模型构建方法。该评估方式是利用深度置信神经网络(dbn网络)和熵权法(ewm)建立基于工艺参数和质量参数的质量评估模型，质量评估具体技术思路步骤如下：
[0070]
(1)利用数据采集技术，将工艺参数与质量参数在战斗部含能材料压制成型过程中进行在线的数据收集与检测；
[0071]
(2)通过熵权法对质量参数的权重进行计算，并利用隶属度函数对质量参数质量状态进行分类，计算质量综合评估得分；
[0072]
(3)将战斗部含能药柱压制成型过程中的工艺参数与质量综合评估值利用深度置信神经网络进行耦合，形成基于工艺参数的快速质量综合评估求解模型。
[0073]
本技术实施例提出的战斗部含能药柱压制成型质量综估模型框架如图2 所示，展
示了方案实现的具体思路。图2中关于含能材料压制成型过程的工艺参数，诸如压药压力、加压速度、保压时间等重要工艺参数直接影响压药质量。为了提高战斗部含能药柱成型压药的质量，保证压药过程的安全性，在压药过程中，需要对压药压力值、压药压力的上升率、压药速度、位移、温度、真空度、压力补偿、压药次数、保压时间、缸体液压油的流量，以及预压与卸压复压等相关工艺参数进行检测与采集。这些信息或是设定参数，或是其它采集参数通过一定算法计算得来，参数需要通过可靠、稳定、可视化、非破坏性的检测手段实时感知设备状态来获得，所以根据压机的生产情况，综合采用通信、安装相应的各类传感器直接测量或间接测量等多种途径，实现各类工艺参数的数据采集。
[0074]
质量参数的数据采集是基于其检测方法包括抽样理化分析、超声、激光外观检测、密度分析等手段获取，探究压药成型过程的工艺参数对药柱密度场、裂隙分布等特征的影响，从而实时检测成型过程中的质量参数以及异常现象的发生。
[0075]
本技术实施例所提到的质量参数在进行隶属度计算质量状态前要进行归一化处理，采用的归一化函数如式(1)所示：
[0076][0077]
式中：yi为第i个质量参数实测值；y
s.i
为第i个质量参数标准值；y
d.i
为第i 个质量参数下阈值；y
u.i
为第i个质量参数上阈值。各质量参数归一化处理时，当参数检测值接近标准值，归一化值为0；当参数检测值接近上下阈值，归一化值为1，即质量特征参数的质量状态随着λi增大而降低。
[0078]
同时工艺参数作为dbn神经网络输入特征，训练前也需进行归一化处理，采用的归一化函数为式(2)所示：
[0079][0080]
式中：xi为第i个工艺参数向量；x
min.i
为第i个工艺参数向量中的最小值；x
max.i
为第i个工艺参数向量中的最大值；x
nol.i
为第i个工艺参数归一化向量。
[0081]
由于每个质量特征参数的质量状态之间没有明确的边界，即战斗部含能药柱压装成型质量参数质量状态从某一状态到相邻状态不存在明确划分，具有一定的模糊性。根据质量状态特性，本发明采用岭型分布隶属度函数进行质量状态计算，岭型分布隶属度函数具有主值区间宽、过渡带平缓的特点，具备表征药柱成型各质量状态间的不确定关系。
[0082]
本技术实施例为避免隶属度划分过于粗糙，无法充分表征质量参数对于质量状态等级的隶属度，故将质量状态划分为“优秀”、“良好”、“一般”、“不合格”4个等级，相对足够详细，并选取如式(3)所示的隶属度函数：
[0083][0084]
式中：μ1(λi)、μ2(λi)、μ3(λi)、μ4(λi)分别为第i个质量参数归一化后λi隶属于优秀、良好、一般、不合格质量状态的隶属度函数，具有m个质量参数的模糊关系矩阵可以表示为：
[0085][0086]
根据(4)式模糊关系矩阵w，计算某一个样本各质量参数状态等级评分：
[0087][0088]
式中：r为“优秀”、“良好”、“一般”、“不合格”4个状态等级的奖励向量，奖励值分别为r1、r2、r3、r4；“·”表示矩阵相乘，dm表示第m个质量参数的状态等级评分。
[0089]
本技术实施例为避免依赖任何专家经验、先验知识等主观因素介入，以客观成型质量参数信息为根基，确保评估结果的客观性和正确性，拟采用一种通过熵权法对各质量参数的权重进行计算。计算步骤为：
[0090]
(1)正向化处理
[0091][0092][0093]
由于本技术实施例所提的质量参数指标都为中间型，yi为第i个质量参数向量；y
best.i
为第i个质量参数向量的中间指标；y
pos.i
为第i个质量参数向量正向化处理后的向量。将m个质量参数正向化向量y
pos.i
组合形成y矩阵，矩阵的第i行相当于第i个质量参数向量y
pos.i
，n为样本数量。
[0094]
(2)概率计算
[0095][0096]
式中：y
ij
表示y矩阵第i行第j列的元素，p
ij
表示y
ij
所占该行所有元素之和的比重,该比重被看作熵计算用的概率。
[0097]
(3)指标熵权计算
[0098][0099]
式中：hj为第j个质量参数指标的信息熵，信息熵越大，对应的信息量就越小；wj表示第j个质量参数的熵权值(权重)向量。
[0100]
将(9)式计算结果结合前文(5)式某一个样本不同质量参数状态等级评分，计算第n个样本质量综合评分sn：
[0101][0102]
式中：wm为第m个质量参数的权重；d
mn
为第n个样本第m个质量参数的状态等级评分。
[0103]
为实现质量评估模型的快速求解以及利用质量模型实现对工艺参数的控制优化，本技术实施例将样本工艺特征参数与样本质量综合评分利用dbn进行深度学习，其中dbn结构如图3所示，dbn由若干层受限玻尔兹曼机(rbm) 和一层bp神经网络栈式叠加而成，标签层采用sigmoid函数作为回归层激活函数预测标签值，输入层的输入特征为各工艺特征参数，标签层的标签为质量综合评分。
[0104]
dbn在训练阶段可以分为预训练和微调两个阶段，第一阶段为预训练，利用贪心无
监督学习算法对dbn进行初始化，然后按顺序依次训练每一层 rbm网络，将特征向量映射到不同特征空间，将原始特征组合成更为紧凑的高层次特征；第二阶段为微调，用bp算法有监督地对整个网络自上到下所有神经元层的相关参数进行优化和微调，从而达到训练效果最优。
[0105]
综上所述，图4展示了战斗部含能药柱成型质量评估的流程图，具体如下：
[0106]
s1：根据传感器等感知、检测设备进行数据采集与获取，具体可分为：成型工艺参数和成型质量参数。
[0107]
s2：根据若干样本的成型工艺参数和成型质量参数不同特征，分别对其进行式(2)和式(1)方式下的数据归一化处理。
[0108]
s3：在若干样本的成型质量参数归一化后，利用式(3)进行不同质量参数特征的隶属度计算。
[0109]
s4：在质量参数隶属度值计算的基础上，利用式(4)、式(5)计算各质量参数的状态等级评分。
[0110]
s5：若干样本的成型质量参数归一化后，利用式(6)～式(9)对各质量参数进行正向化处理、概率计算和熵权计算。
[0111]
s6：根据s4计算得出的各质量参数的状态等级评分，以及s5计算出的各质量参数熵权，利用式(10)计算质量参数的成型质量综合评分。
[0112]
s7：将各样本质量参数的成型质量综合评分重新进行归一化处理。
[0113]
s8：将归一化处理后的工艺参数和成型质量综合评分分别作为dbn神经网络的输入与输出进行有监督的训练学习，并最终形成成型质量评估模型。
[0114]
目前国内战斗部含能药柱压装成型的质量评估采用批量抽样的方式，该类评估方法只能评估批量整体质量，并不能反映每个产品个体的质量状况。本发明基于数据采集的方式，充分利用含能药柱压制过程中每个产品的工艺参数和质量数据。
[0115]
同时，常规的产品质量评估模型没有将制造过程中的工艺参数与质量参数耦合关联，质量评估模型没法对生产进行指导和控制优化。本发明通过质量参数构建成型质量综合评估模型，利用深度学习的方式将工艺参数与质量参数综合评分进行耦合，让工艺参数反映出产品质量的评估。
[0116]
另外，目前战斗部含能药柱制造过程中的质量评估方式过于粗放，信息资源未被充分利用，同时评估过程过分依赖专家经验，各类主观因素影响严重，制约了评估结果的客观性和准确性。
[0117]
总之，本技术提供的质量评估模型构建方法，克服了传统战斗部含能药柱质量评估时资源信息未被充分利用的缺点，将制造过程中的工艺参数与质量参数利用深度学习的方式耦合关联，实现质量评估模型的快速评估计算，同时模型具备对生产过程的工艺进行指导优化的能力。克服了现有战斗部含能药柱生产过程中采用批量抽样方法时只能反映批量整体质量，无法准确反映每个产品个体质量状态的缺点。利用隶属度函数与熵权法相结合的方式解决了传统质量状态分类过于粗放，无法表达相邻质量状态的相关性的问题，评估过程不依赖任何先验知识，不再受专家经验制约，规避了主观因素的影响，提高了质量评估的客观性与正确性。
[0118]
参见图5，本技术实施例还可以提供一种质量评估模型构建装置，该装置包括：
[0119]
参数获取单元501，用于获取战斗部含能材料压制成型过程中的工艺参数以及质量参数；
[0120]
质量综合评估值计算单元502，用于采用目标熵权法对所述质量参数的权重进行计算，并利用隶属度函数对所述质量参数的质量状态进行分类，计算获得质量综合评估值；
[0121]
构建单元503，用于将所述工艺参数以及所述质量综合评估值分别作为输入参数以及输出参数输入深度置信神经网络，以便构建获得所述含能药柱质量评估模型。
[0122]
本技术实施例还可以提供一种质量评估模型构建设备，所述设备包括处理器以及存储器：
[0123]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0124]
所述处理器用于根据所述程序代码中的指令执行上述的质量评估模型构建方法。
[0125]
本技术实施例还可以提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的质量评估模型构建方法。
[0126]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0127]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例或者实施例的某些部分所述的方法。
[0128]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0129]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。