基于孪生数据的产品装配过程质量预测模型

摘要

针对制造企业在产品装配过程中普遍存在的质量问题难以预测等问题,在构建了基于量子粒子群(quantum-behaved particle swarm optimization,QPSO)参数优化的支持向量回归(support vector regression,SVR)的质量预测模型基础上,结合数字孪生技术,提出了一种基于孪生数据的QPSO-SVR质量预测模型,该模型能够预测质量数据的未来状态,为产品装配环节提供事前控制的支持。以引用发动机多工序装配环节中的曲轴装配质量参数为例,将量子粒子群参数优化随机森林回归(random forest regression,RFR)的质量预测模型与QPSO-SVR作对比,结果表明QPSO-SVR质量预测模型泛化能力更强、预测精度更高以及收敛速度更快,验证了QPSO-SVR质量预测模型具备更好的预测性能与适用性。