鐘百鴻，王 琳，鐘詩勝,，徐 松，張勇飛，劉興興，王杜林

(1.哈爾濱工業(yè)大學(xué) 機電工程學(xué)院· 哈爾濱·150006；2.哈爾濱工業(yè)大學(xué)(威海)海洋工程學(xué)院· 威海·264209；3.上海航天控制技術(shù)研究所·上?！?01109)

0 引 言

作為紅外導(dǎo)引頭位標器的核心部件，動力隨動陀螺能夠消除導(dǎo)彈運動對測量系統(tǒng)的影響，對目標進行追蹤，被廣泛應(yīng)用于空空導(dǎo)彈、地空導(dǎo)彈等制導(dǎo)武器中。動力隨動陀螺使得制導(dǎo)武器具備對目標追蹤的打擊能力，在現(xiàn)代制導(dǎo)武器中起著舉足輕重的作用。

裝配是產(chǎn)品生產(chǎn)的關(guān)鍵環(huán)節(jié)，裝配質(zhì)量直接決定著產(chǎn)品的使用性能。在動力隨動陀螺裝配過程中，零部件選配組合對陀螺性能的影響很大，如陀螺的漂移性能。陀螺零部件的選配，可改善陀螺漂移性能，進而提高制導(dǎo)武器的精確打擊能力。然而，由于陀螺的結(jié)構(gòu)復(fù)雜、對裝配質(zhì)量的要求高，往往需要人工選配零部件并進行反復(fù)裝拆調(diào)整，才能使陀螺性能滿足要求。陀螺人工選配方式會產(chǎn)生大量的無效裝配，使其難以滿足當前對快速批量化生產(chǎn)的需求。因此，需要建立陀螺零部件選配模型。在裝配開始前，以陀螺某一零部件的裝配參數(shù)特征作為陀螺選配模型的輸入。對待選配的零部件裝配參數(shù)特征進行預(yù)測，根據(jù)預(yù)測結(jié)果匹配適合的零部件并進行選配，進而可減少無效裝配，提高陀螺零部件的裝配效率，以及裝配質(zhì)量的一致性。因此，建立陀螺零部件選配模型對于陀螺零部件裝配而言具有極其重要的指導(dǎo)意義。

目前，針對復(fù)雜精密產(chǎn)品零部件的裝配問題，學(xué)者在工程應(yīng)用中提出了一些選配方法。劉明周等為實現(xiàn)多種裝配要求下的曲柄連桿機構(gòu)選配，提出了一種基于遺傳算法和模擬退火算法的混合算法，建立了曲柄連桿機構(gòu)的復(fù)合目標選配方法。宿彪等以裝配尺寸鏈為約束條件，提出了一種基于蟻群算法的工程機械再制造優(yōu)化選配方法。曹杰等針對復(fù)雜機械產(chǎn)品多質(zhì)量要求下的選配問題，綜合考慮形位公差和尺寸公差，提出了一種基于遺傳算法的選配方法。段黎明等考慮到了零件尺寸鏈與尺寸的關(guān)聯(lián)關(guān)系，建立了一種基于密度的多目標進化算法的機械產(chǎn)品選配方法。姜興宇等以封閉環(huán)尺寸鏈為約束條件，建立了一種基于粒子群遺傳算法的再制造機床優(yōu)化選配方法。然而，現(xiàn)有的產(chǎn)品選配方法多是針對配合公差、形位公差等而展開的。對于動力隨動陀螺這類復(fù)雜精密的產(chǎn)品而言，裝配零部件多、測量難度大、測量成本高，往往需要根據(jù)性能變化值進行零部件的選配調(diào)整，顯然難以利用現(xiàn)有的選配方法指導(dǎo)陀螺零部件的選配。另一方面，陀螺零部件的裝配參數(shù)之間存在復(fù)雜的耦合關(guān)聯(lián)關(guān)系，難以使用陀螺動力學(xué)等理論推導(dǎo)建立陀螺零部件的選配模型。

為解決上述動力隨動陀螺零部件的裝配問題，提高陀螺裝配的效率，本文以動力隨動陀螺典型零部件的裝配為例，提出了一種基于數(shù)據(jù)驅(qū)動的陀螺零部件選配方法。數(shù)據(jù)驅(qū)動模型已在故障診斷、性能預(yù)測等領(lǐng)域中被成功應(yīng)用。YUAN等采用門控循環(huán)單元(Gated Recurrent Unit，GRU)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型對序列數(shù)據(jù)進行了智能故障診斷；LI等采用CNN與GRU混合神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型對齒輪進行了故障檢測；WANG等采用GRU網(wǎng)絡(luò)對智能車間實時大數(shù)據(jù)進行了處理，獲得了優(yōu)異的預(yù)測性能。基于數(shù)據(jù)驅(qū)動的陀螺零部件選配方法的關(guān)鍵在于數(shù)據(jù)驅(qū)動模型的構(gòu)建，考慮到陀螺裝配參數(shù)間復(fù)雜的耦合關(guān)聯(lián)關(guān)系，本文建立了Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型以提取更多裝配參數(shù)特征，最終實現(xiàn)陀螺零部件的精確選配。將人工智能技術(shù)應(yīng)用于復(fù)雜機械產(chǎn)品的選配，有利于實現(xiàn)產(chǎn)品裝配的智能化。本文建立的Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型可用于復(fù)雜精密產(chǎn)品(如陀螺)的裝配中，通過Stacked-GRU網(wǎng)絡(luò)有效提取裝配參數(shù)間的關(guān)聯(lián)關(guān)系，實現(xiàn)產(chǎn)品零部件的選配，為復(fù)雜精密產(chǎn)品自動化裝配提供技術(shù)支撐，這是本文所提算法在復(fù)雜機械精密產(chǎn)品選配上的應(yīng)用創(chuàng)新。同時，產(chǎn)品選配實驗結(jié)果表明，本文所提數(shù)據(jù)驅(qū)動選配方法能夠?qū)崿F(xiàn)陀螺零部件的選配，且其預(yù)測精度優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)。

本文各部分組織如下：在第一章，描述了動力隨動陀螺的裝配問題；在第二章，介紹了GRU網(wǎng)絡(luò)的基本理論，構(gòu)建了Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動選配方法；在第三章，對實驗結(jié)果進行了分析與討論；最后，在第四章，總結(jié)了本文所做的工作。

1 動力隨動陀螺零部件裝配問題描述

作為一類復(fù)雜的精密產(chǎn)品，動力隨動陀螺的研發(fā)成本高、零部件裝配約束關(guān)系復(fù)雜。為使其裝配質(zhì)量滿足要求，僅提高零部件的加工精度是不經(jīng)濟的。選配方法可以在不增加零部件加工精度的基礎(chǔ)上，通過選配合適的零部件進行組合裝配，以提高產(chǎn)品的裝配精度，滿足裝配的質(zhì)量要求。

目前，由于缺乏選配模型的指導(dǎo)，動力隨動陀螺零部件的選配仍需通過人工試湊法進行產(chǎn)品裝配。其裝配流程如圖1所示，具體的實施步驟如下：

步驟1

裝配人員根據(jù)裝配經(jīng)驗，任意選擇零部件，并將其與待裝配零部件進行裝配；

步驟2

對零部件選配組合裝配質(zhì)量進行檢驗；

步驟3

若滿足裝配質(zhì)量要求，則流入下一裝配環(huán)節(jié)，否則拆解調(diào)整，重復(fù)步驟1，直至滿足裝配質(zhì)量要求。由于裝配人員經(jīng)驗不一，陀螺零部件裝配成功率受人為影響的程度較大，陀螺裝配質(zhì)量的一致性難以得到保證。往往需要經(jīng)過多次裝拆調(diào)整，才能選配出合適的陀螺零部件組合，以滿足性能要求；同時，零部件一次裝配成功率低，會產(chǎn)生大量無效裝配,降低生產(chǎn)效率。為解決上述陀螺裝配問題，本文提出了一種基于數(shù)據(jù)驅(qū)動的陀螺零部件選配方法，如圖1所示。該方法通過建立數(shù)據(jù)驅(qū)動選配模型，挖掘了零部件裝配參數(shù)之間的聯(lián)系，對待選配零部件屬性進行了預(yù)測，以實現(xiàn)零部件的選配。具體而言，假設(shè)A(部件或零件)有

m

個裝配屬性值，B(部件或零件)有

n

個裝配屬性值，構(gòu)建數(shù)據(jù)驅(qū)動選配模型挖掘

m

個裝配屬性值與

n

個裝配屬性值之間的關(guān)聯(lián)關(guān)系，使得在裝配開始前，可將A的

m

個裝配屬性值作為數(shù)據(jù)驅(qū)動選配模型的輸入，對待選配的B的

n

個裝配屬性值進行預(yù)測。根據(jù)預(yù)測結(jié)果，在B中選擇相應(yīng)零部件與A進行裝配，使零部件選配一次成功，避免了由試湊法反復(fù)裝拆調(diào)整而造成的精度下降，提高了裝配的效率和裝配質(zhì)量的一致性。

圖1 陀螺零部件選配流程示意圖Fig.1 The selective assembly flow chart of gyro parts

2 基于Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動的陀螺零部件選配模型構(gòu)建

基于數(shù)據(jù)驅(qū)動的動力隨動陀螺零部件選配方法的關(guān)鍵在于數(shù)據(jù)驅(qū)動模型的構(gòu)建，本文建立了Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型以指導(dǎo)陀螺零部件的選配，技術(shù)流程如圖2所示。本節(jié)在介紹了基礎(chǔ)的GRU網(wǎng)絡(luò)之后，建立了Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動選配模型，并對Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動選配模型進行了詳細介紹。

圖2 基于Stacked-GRU的網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動陀螺零部件的選配流程示意圖Fig.2 The selective assembly flow chart of gyro parts based on stacked-GRU network data driven model

2.1 門控循環(huán)單元(GRU)

門控循環(huán)單元(GRU)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)的一種變體，通過引入門控機制來改進循環(huán)神經(jīng)網(wǎng)絡(luò)中的長距離依賴問題，具備信息學(xué)習長期依賴能力，能夠有效解決簡單循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失和梯度爆炸的問題，其單元結(jié)構(gòu)如圖3所示。

圖3 GRU的結(jié)構(gòu)示意圖Fig.3 The structural diagram of GRU

圖3中，

x

(

t

)、

h

(

t

)、

r

、

z

、

c

分別表示

t

時刻GRU單元的輸入、輸出、重置門、更新門與短期記憶，

σ

為sigmoid激活函數(shù)，?為向量元素乘積，⊕為向量和。更新門

z

的取值為0～1，

z

越接近1，記憶下來的信息越多。

z

值決定了上一單元記憶信息的保留數(shù)量。重置門

c

將新的輸入與上一單元的記憶信息進行了結(jié)合。GRU單元的更新公式如式(1)～式(4)所示

z

=

σ

(-1+)

(1)

=

σ

(-1+)

(2)

=tanh((-1?

r

)+)

(3)

=(?)+((1-)?-1)

(4)

式中,

t

、

t

-1指的是

t

時刻與前一時刻，、、、、、為可訓(xùn)練權(quán)重層。

2.2 Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動選配模型的構(gòu)建

通過堆疊多個GRU形成更深的Stacked-GRU網(wǎng)絡(luò)，以獲得更好的特征提取能力。本文在傳統(tǒng)的GRU網(wǎng)絡(luò)基礎(chǔ)上，建立了Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動陀螺零部件選配模型，模型如圖4所示。

圖4 基于Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動陀螺零部件選配模型示意圖Fig.4 The gyro parts selective assembly schematic diagram of data driven model based on stacked GRU network

(5)

(6)

通過Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型指導(dǎo)陀螺零部件的選配，有利于減少陀螺在裝配過程中的無效裝配，提高裝配效率。

3 實例驗證與分析

本文實驗操作平臺為Windows10，工具為Python，所開發(fā)的神經(jīng)網(wǎng)絡(luò)是在Keras框架下搭建的。本節(jié)對實驗數(shù)據(jù)進行了描述，設(shè)置了所開發(fā)網(wǎng)絡(luò)的超參數(shù)，并對實驗結(jié)果進行了分析與討論。

3.1 實驗樣本

本文以動力隨動陀螺典型的零部件裝配——陀螺轉(zhuǎn)子與調(diào)漂螺釘裝配為例，進行了實驗，兩者的裝配簡圖如圖5所示。陀螺零部件材料分布不均、加工誤差等因素的存在，使得陀螺轉(zhuǎn)子的質(zhì)心偏移了其旋轉(zhuǎn)軸，導(dǎo)致陀螺漂移性能變差，無法對目標進行精確追蹤。通過在陀螺轉(zhuǎn)子頂部位置裝配合適的調(diào)漂螺釘，能夠調(diào)整陀螺轉(zhuǎn)子的質(zhì)心位置，使其盡可能落在其旋轉(zhuǎn)軸上，以改善陀螺的漂移性能。調(diào)漂螺釘除長短不同外，其余的屬性一致，在裝配參數(shù)上使用調(diào)漂螺釘質(zhì)量這一參數(shù)來進行表征。

圖5 陀螺轉(zhuǎn)子與調(diào)漂螺釘裝配示意圖Fig.5 The assembly diagram of gyro rotor and drift adjusting screw

選擇不同質(zhì)量的調(diào)漂螺釘與陀螺轉(zhuǎn)子進行裝配，實際上是根據(jù)陀螺零部件裝配誤差、陀螺轉(zhuǎn)子質(zhì)量分布不平衡量等參數(shù)進行選擇的。然而，由于測量成本高以及測量難度大，難以對每一個裝配誤差值等參數(shù)進行精確測量。目前，裝配人員根據(jù)從陀螺漂移測試中獲取的+

X

、+

Y

、+

Z

、-

Y

、-

Z

五個方向的漂移最大值選擇不同質(zhì)量的調(diào)漂螺釘與陀螺轉(zhuǎn)子進行裝配，直至選配的調(diào)漂螺釘使陀螺轉(zhuǎn)子的漂移性能能夠滿足要求為止。否則，需要進行拆解，重新選擇調(diào)漂螺釘進行裝配與漂移測試，陀螺轉(zhuǎn)子裝配調(diào)漂螺釘前后的漂移測試結(jié)果如圖6所示。

(a)陀螺轉(zhuǎn)子漂移值(裝配前)

因此，本文的實驗數(shù)據(jù)集由陀螺轉(zhuǎn)子在+

X

、+

Y

、+

Z

、-

Y

、-

Z

五個方向上的漂移最大值與調(diào)漂螺釘質(zhì)量共六項參數(shù)組成，并在實際裝配中收集了528個陀螺裝配樣本用于本文分析。同時，將裝配樣本按4∶1的比例隨機劃分成了訓(xùn)練集與測試集。本文將陀螺轉(zhuǎn)子在五個方向上的漂移值作為Stacked-GRU網(wǎng)絡(luò)的輸入，對調(diào)漂螺釘質(zhì)量進行了回歸預(yù)測。根據(jù)預(yù)測結(jié)果，指導(dǎo)了陀螺轉(zhuǎn)子與調(diào)漂螺釘?shù)倪x配。對于回歸任務(wù)而言，期望預(yù)測值與實際值的差距越小越好。因此，實驗評價指標采用了平均絕對誤差(

E

)與根均方誤差(

E

)，如式(7)、式(8)所示

(7)

(8)

3.2 超參數(shù)設(shè)置

對于神經(jīng)網(wǎng)絡(luò)而言，目前仍無針對超參數(shù)(如隱藏層數(shù)、隱藏層節(jié)點數(shù)等)的公認的設(shè)置與優(yōu)化方法?？紤]到本文訓(xùn)練的樣本量有限，可以借鑒一些超參數(shù)設(shè)置的經(jīng)驗性建議進行設(shè)置。實驗還進行了多組對比實驗。其中，GRU為傳統(tǒng)單層GRU神經(jīng)網(wǎng)絡(luò)模型，ANN為傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型。ABR為自適應(yīng)增強回歸(Adaptive Boosting Regression，ABR)模型，它是集成學(xué)習的典型模型之一。各神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)設(shè)置如表1所示。此外，在對比模型ABR中，設(shè)置基學(xué)習器為分類與回歸樹(Classification and Regression Trees,CART)。同時，采用線性損失，設(shè)置學(xué)習率為1，最大迭代次數(shù)為50。其中，在基學(xué)習器中設(shè)置決策樹的最大深度為3，在內(nèi)部節(jié)點中劃分最小樣本數(shù)為2，再劃分葉子節(jié)點最小樣本數(shù)為1。

在表1中，3指的是在ANN中，隱藏層采用3層全連接層堆疊形成，而不是GRU層。

表1 神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置Tab.1 The parameters setting of neural networks

3.3 實驗結(jié)果與分析

本節(jié)展示了數(shù)據(jù)驅(qū)動模型的實驗結(jié)果，并對實驗結(jié)果進行了討論與分析。在實驗開始前，對樣本數(shù)據(jù)進行了標準化處理，消除了由各裝配參數(shù)因量綱與取值范圍不同而帶來的影響。進行了多種不同方法的對比實驗。在對比實驗中，神經(jīng)網(wǎng)絡(luò)模型的參數(shù)保持了一致。同時，為消除隨機性對實驗的影響，每組實驗各進行了10次，得到的實驗結(jié)果如表2、表3以及圖7所示。

表2 調(diào)漂螺釘質(zhì)量預(yù)測結(jié)果對比Tab.2 Comparison of the mass of drift adjusting screws prediction results

表3 部分調(diào)漂螺釘質(zhì)量預(yù)測結(jié)果Tab.3 The partial prediction results for the mass of drift adjusting screw

圖7 部分調(diào)漂螺釘質(zhì)量預(yù)測結(jié)果對比Fig.7 Comparison of the partial prediction results for the mass of drift adjusting screw

表2中，標注加粗部分為實驗最優(yōu)結(jié)果，表3則給出了部分調(diào)漂螺釘質(zhì)量的預(yù)測結(jié)果。從表2的實驗結(jié)果可以看到，由本文所提的Stacked-GRU數(shù)據(jù)驅(qū)動模型得到的實驗結(jié)果最優(yōu)，其平均絕對誤差與根均方誤差均是最優(yōu)的。與傳統(tǒng)GRU網(wǎng)絡(luò)相比，本文所提方法的平均絕對誤差與根均方誤差分別降低了1.50%、1.70%，這說明所提的Stacked-GRU模型的預(yù)測精度更好。其中的原因在于，通過堆疊更多的GRU、構(gòu)建更深的網(wǎng)絡(luò)，能夠提取更多的裝配參數(shù)特征，進而具備更好的預(yù)測能力。與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)(ANN)相比，所提方法具備信息記憶能力，能夠更有效地捕捉到陀螺轉(zhuǎn)子裝配參數(shù)之間與調(diào)漂螺釘裝配參數(shù)之間的關(guān)聯(lián)關(guān)系，其平均絕對誤差與根均方誤差分別降低了57.19%、49.48%，預(yù)測精度明顯優(yōu)于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)；同樣地，傳統(tǒng)GRU網(wǎng)絡(luò)的預(yù)測精度優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，也體現(xiàn)出了這一點。在訓(xùn)練樣本有限的情況下，淺層的機器模型具備優(yōu)良的預(yù)測性能表現(xiàn)，這也是ABR能夠具備較好的預(yù)測能力的原因。即便如此，本文所提方法的平均絕對誤差與根均方誤差仍然優(yōu)于ABR，這表明了本文所提方法的有效性。

結(jié)合表2、表3、圖7的結(jié)果可以看出，雖然所提方法得到的實驗結(jié)果最優(yōu)，但仍有部分裝配樣本的調(diào)漂螺釘質(zhì)量值的預(yù)測誤差較大。這其中的原因在于，針對所選配的調(diào)漂螺釘?shù)馁|(zhì)量，沒有一個明確的量化評價指標，只要求其在裝配后滿足性能要求即可，因此調(diào)漂螺釘?shù)馁|(zhì)量可以在一定范圍內(nèi)波動；另一方面，是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本有限，對裝配參數(shù)的一些細微特征難以進行有效的捕捉，而通過進一步增加訓(xùn)練樣本，可有效提升模型的預(yù)測精度。

本文在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，采用平均絕對誤差作為損失函數(shù)(如式7所示)對模型進行了優(yōu)化，得到所提方法最優(yōu)模型的損失曲線變化趨勢如圖8所示。從圖8可以看到，隨著迭代次數(shù)的增加，模型損失值逐漸減小并趨于收斂，這表明所提模型具備很好的預(yù)測能力。圖9與圖10分別展示了所提方法最優(yōu)模型調(diào)漂螺釘質(zhì)量預(yù)測結(jié)果的相對誤差值及其相對誤差分布直方圖。

圖8 Stacked-GRU網(wǎng)絡(luò)最優(yōu)模型損失曲線變化趨勢Fig.8 The loss curve variation trend of the best stacked GRU network

圖9 調(diào)漂螺釘質(zhì)量預(yù)測結(jié)果的相對誤差值Fig.9 The relative error value of prediction results for the mass of drift adjusting screw

圖10 調(diào)漂螺釘質(zhì)量預(yù)測結(jié)果相對誤差分布直方圖Fig.10 The prediction results relative error distribution histogram for the mass of drift adjusting screw

從圖9、圖10可以看出，本文所提的Stacked-GRU網(wǎng)絡(luò)在測試集上的預(yù)測結(jié)果的相對誤差值均在較小范圍內(nèi)，且絕大部分在5%以內(nèi)。由于允許調(diào)漂螺釘質(zhì)量在一定范圍內(nèi)波動，即使調(diào)漂螺釘質(zhì)量預(yù)測值與實際值存在誤差，也可滿足實際裝配的要求，這說明所提方法具備很好的預(yù)測能力。通過所提方法對調(diào)漂螺釘質(zhì)量進行回歸預(yù)測，能夠?qū)崿F(xiàn)陀螺轉(zhuǎn)子與調(diào)漂螺釘?shù)倪x配。

4 結(jié) 論

本文分析了動力隨動陀螺在其裝配過程中存在的零部件一次裝配成功率低的問題。為提高陀螺零部件的裝配效率，提出了一種基于Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動的陀螺零部件選配方法。該方法在傳統(tǒng)GRU網(wǎng)絡(luò)的基礎(chǔ)上，通過堆疊更多的GRU層、構(gòu)建了更深的網(wǎng)絡(luò)，以提取更多、更豐富的陀螺裝配參數(shù)特征，提高了預(yù)測精度。以陀螺轉(zhuǎn)子與調(diào)漂螺釘裝配為例，驗證了所提方法的預(yù)測結(jié)果能夠有效指導(dǎo)陀螺零部件的選配，且預(yù)測精度優(yōu)于傳統(tǒng)的GRU網(wǎng)絡(luò)、傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)。

本文建立的Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動選配方法克服了傳統(tǒng)選配方法對高精度測量技術(shù)的過度依賴。根據(jù)裝配參數(shù)，所提方法可實現(xiàn)陀螺零部件的精確選配，可有效避免由測量成本高而導(dǎo)致的生產(chǎn)成本高的問題，提高企業(yè)的生產(chǎn)效益。同時，本文所建立的Stacked-GRU網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動模型對復(fù)雜精密產(chǎn)品零部件的選配具有較好的適應(yīng)性，其創(chuàng)新性地將人工智能技術(shù)引入到了復(fù)雜精密產(chǎn)品的裝配中，有效解決產(chǎn)品因人工裝配經(jīng)驗不足而導(dǎo)致的反復(fù)裝配調(diào)整工作，以及產(chǎn)品裝配精度下降的問題，具有良好的工程應(yīng)用價值。此外，本文所提的數(shù)據(jù)驅(qū)動選配方法也為復(fù)雜精密產(chǎn)品零部件的選配提供了一種新的解決方案，有助于提高復(fù)雜精密產(chǎn)品的自動化生產(chǎn)水平，實現(xiàn)復(fù)雜精密產(chǎn)品制造模式的升級。