中国机械工程 ›› 2023, Vol. 34 ›› Issue (23): 2842-2853.DOI: 10.3969/j.issn.1004-132X.2023.23.008
刘孝保1;严清秀1;易斌2;姚廷强1;顾文娟1
LIU Xiaobao1;YAN Qingxiu1;YI Bin2;YAO Tingqiang1;GU Wenjuan1
摘要: 针对流程制造过程中工艺过程复杂、多工序耦合严重、工艺参数优化困难等问题,提出一种基于长短期记忆(LSTM)神经网络、极限梯度提升(XGBoost)算法和改进粒子群优化(IPSO)算法的多工序工艺参数融合优化方法。基于LSTM神经网络建立了数据预处理模型,通过LSTM神经网络提取流程工艺数据的时序特征,进而实现了对工艺数据中异常值的处理。在此基础上,通过XGBoost算法拟合工艺参数与质量指标间的非线性关系,并结合粒子群算法构建了PSO-XGBoost质量预测模型,再将预测模型的输出作为适应度,调用改进粒子群算法反向搜索全局最优工艺参数,得到各工序的最优工艺参数组合,从而实现了流程制造加工质量的融合优化。以某企业的一条流程生产线为例,验证了多工序工艺参数融合优化模型的有效性。
中图分类号: