[發明專利]一種基于深度置信神經網絡的大型高速回轉裝備消偏消傾方法

在審

• 申請號: 201911367248.0
• 申請日: 2019-12-26
• 公開（公告）號: CN111178506A
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 劉永猛;譚久彬;王曉明;孫傳智;李成鈿
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01B21/22;G01B21/24
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

本發明公開了一種基于深度置信神經網絡的大型高速回轉裝備消偏消傾方法。步驟1：分析各加工誤差的影響因素；步驟2：評定大型高速回轉裝備真實加工誤差，并獲得未經調心調傾時加工誤差對應的影響因素的測量數據；步驟3：將各加工誤差的影響因素歸一化處理后的數據作為各網絡輸入，各加工誤差作為各網絡輸出，同時按照一定比例將數據分為訓練集和測試集；步驟4：分別構建各加工誤差的深度置信預測神經網絡，實現自動消偏消傾，并通過測試集進行驗證。傳統單級大型高速回轉裝備的加工誤差測量方法需進行復雜的調心調傾過程，本發明利用深度學習強大的數據內部特征機理，提出一種基于深度置信神經網絡的大型高速回轉裝備消偏消傾方法。

技術領域

本發明屬于大型高速回轉裝備加工誤差技術領域；具體涉及一種基于深度置信神經網絡的大型高速回轉裝備消偏消傾方法。

背景技術

多級裝備由單級大型高速回轉裝備堆疊裝配而成，為提高多級裝備裝配質量和一次裝配合格率，需要獲得各單級大型高速回轉裝備的加工誤差。目前，單級大型高速回轉裝備的加工誤差都通過如圖1所示的雙立柱航空發動機超精密裝配測量儀進行測量。然而，由于該儀器誤差評定方法的局限性，無法對大型高速回轉裝備安裝不當造成的偏心、傾斜誤差進行準確補償。只有當大型高速回轉裝備幾何軸線與儀器回轉軸線偏心誤差小于5μm，傾斜誤差角正弦值與大型高速回轉裝備半徑乘積小于5μm，儀器所評定的加工誤差可作為真實誤差值。因此，現有的大型高速回轉裝備加工誤差評定方法需要進行繁瑣耗時的調心調傾過程，該過程極大地降低了多級裝備裝配效率。

發明內容

傳統單級大型高速回轉裝備的加工誤差測量方法需進行復雜的調心調傾過程，本發明利用深度學習強大的數據內部特征機理，提出一種基于深度置信神經網絡的大型高速回轉裝備消偏消傾方法。

本發明通過以下技術方案實現：

一種基于深度置信神經網絡的大型高速回轉裝備消偏消傾方法，所述方法具有以下步驟：

步驟1：分析各加工誤差的影響因素；

步驟2：利用傳統測量方法評定大型高速回轉裝備真實加工誤差，并獲得該大型高速回轉裝備未經調心調傾時加工誤差對應的影響因素的測量數據；

步驟3：將各加工誤差的影響因素歸一化處理后的數據作為各網絡輸入，各加工誤差作為各網絡輸出，同時按照一定比例將數據分為訓練集和測試集；

步驟4：分別構建各加工誤差的深度置信預測神經網絡，實現大型高速回轉裝備自動消偏消傾，并通過測試集進行驗證。

進一步的，所述步驟4針對各加工誤差建立了不同結構的深度置信神經網絡具體為深度置信神經網絡主要由多層受限玻爾茲曼機(RBM)堆疊而成的深度置信網絡(DBN)，以及一層BP網絡組成.

進一步的，所述神經網絡訓練過程包含無監督預訓練和有監督微調兩個步驟，

步驟4.1：無監督預訓練：利用網絡輸入分別單獨訓練RBM1，RBM2，RBM3；RBM組成結構均包含可見層和隱藏層；RBM1中輸入層為可見層，隱含層I為隱藏層；RBM2中隱含層I為可見層，隱含層II為隱藏層；RBM2中隱含層II為可見層，隱含層III為隱藏層；

步驟4.2：有監督微調：所述有監督微調包含前向傳播和反向傳播兩個過程。

進一步的，所述步驟4.1的訓練過程如下：

步驟4.1.1：隨機初始化權值向量W，使其為滿足正態分布N(0，0.01)的隨機數，初始化可見層偏置向量a，隱藏層偏置向量，b為0如式(1)所示

式中，X為輸入向量，即訓練樣本，v為可見層向量，h為隱藏層向量，i和j分別為可見層和隱藏層神經元索引，M為可見層神經元個數，N為隱含層神經元個數；