本发明属于装备制造领域，尤其涉及一种基于多场时空迁移学习的产品多层次装配质量检测方法与系统。
背景技术：
1、装配是产品研制过程的关键环节，在很大程度上决定了产品的最终质量和使用寿命。装配是一个具有丰富内涵的有机整体，它不仅仅是将零件简单组装到一起的过程，更重要的是组装后的产品能够实现相应的功能，体现产品的质量。随着机械加工设备、检测设备等精度的不断提升，目前机械加工装配环节已成为影响最终产品质量，制约产品性能提升的关键步骤。为此，围绕装配过程展开产品质量诊断识别，已成为当前亟待研究的重要问题。
2、围绕装配质量诊断主要可分为一元工序质量诊断、基于t2统计量分解的诊断方法、模糊诊断方法、基于神经网络的诊断方法。在一元工序质量诊断方法方面，通常对于只包含一个质量指标（一元）、且影响质量指标的因素只有一个（单因素）的加工过程，利用shewhart 控制图可以在对异常工序质量进行预警的同时，指出导致工序质量异常的原因。然而，对于一元多因素的工序加工过程，shewhart 控制图无法对导致工序质量异常的原因进行诊断，致使其极少用于实际的装配任务中。进一步，围绕基于t2统计量分解的产品装配质量诊断方面，由于其对统计特征的选取偏好的差异性，致使t2统计量选择具有较大差异性。因此在质量分量数目较多时，会导致诊断体系的规模急剧增大，难以应用到包含众多质量分量的航空产品的制造过程中。在基于模糊诊断的装配质量方面，在异常因素与异常现象之间的隶属度函数已知的条件下，建立模糊关系方程组对导致工序质量异常的原因进行诊断是可行的。然而对于航空产品，其制造过程的复杂性导致异常因素与异常现象之间的隶属度函数往往是未知的。对于必须依赖于严格的约束条件才能有确定模糊关系的方程组，其求解过程的复杂性在很大程度上限制了模糊诊断理论在航空产品制造过程中的应用。
3、目前，基于神经网络、机器学习的产品装配质量检测方法已成为当前主流，在基于神经网络的故障诊断方面，东北大学郝博等人提出了一种基于机器学习的零件装配质量数字化检测系统，该系统通过构建面向装配过程的图像采集模块、图像分析模块等，实现了流程化、模块化、自动化、高效化的零件装配过程中制孔及铆接的质量检测。合肥工业大学王赞赞提出了一种基于lstm（长短时记忆网络）的装配过程质量控制方法，该方法通过分析装配间的耦合关系，从而完成装配质量的预测与识别，从而实现不同时间窗范围内的装配质量预测。江苏大学 ma zheng等人在申请的美国专利中提出了一种基于流线型的风幕清洗系统装配质量检测装置及方法。当前围绕产品装配质量方面已取得许多专利，并已取得许多显著效果。
4、然而，当前围绕针对产品装配质量检测缺乏对于产品层次装配质量因素的考虑，致使现有方法难以适用于复杂产品的装配过程。现有复杂产品，如航空航天产品、军工产品等，其具有明显的多层次结构，现有方法仅考虑多工序间的耦合影响，缺乏产品层次间耦合影响因素的计算，致使其难以直接用于复杂产品的装配质量检测过程。此外，现有方法对于装配过程的时序衰退效应缺乏相关考虑，无法解决多层次、多工序间的时序衰退耦合影响，致使其难以直接用于复杂产品的长时装配质量诊断。
技术实现思路
1、基于上述技术问题，本发明提出了一种基于多场时空迁移学习的产品多层次装配质量检测方法与系统。首先提出了一种面向融合装配全流程的数据采集、监测、以及数据清洗系统。在此基础上，提出了一种基于开放平台通信统一架构（opc ua）信息模型的装配过程产品组件模块动态跟踪方法，用于获取装配过程全流程数据。进一步，基于获取的全流程数据，本发明融合提出的基于时空迁移学习的装配过程产品故障诊断方法，对产品组件模块进行虚拟装配测试与故障诊断，实现面向装配全流程的产品故障诊断。利用该方法，从而实现装配过程产品故障诊断。
2、为解决上述技术问题，本发明的一种基于多场时空迁移学习的产品多层次装配质量检测方法与系统的具体技术方案如下：
3、步骤1：面向多层次装配过程的装配数据跟踪，通过模糊互补判断矩阵对任意两个装配环节的影响因素进行比较，从而实现对装配过程的关键误差环节进行判别，获取装配过程的关键因素；
4、步骤2：构建基于时序基类与高维时序基类的云边端协同架构时序数据模型，将采集的基于关键因素的时序数据定义为树结构，然后按照不同维度分为维度向量；
5、步骤3：基于改进型opc ua信息模型的装配产品组件虚拟动态映射，获取不同类型的时序数据；首先基于opc ua信息模型对步骤2获取的基于时序基类与高维时序基类的数据实时采集并进行排序组织，基于支持向量机-隐马尔可夫的时序传感数据中的异常数据筛选方法对采集数据进行筛选，并输出筛选后数据的用途及存储地址；在完成采集队列消息统一后，采用消息队列遥测传输协议的方式，进行云端直连，将采集到的数据直接传送至云端队列，实现消息的动态快速追踪；
6、步骤4：基于多场时空迁移学习的多层次装配质量预测；
7、步骤4.1：基于正则化高斯混合聚类模型的相似度装配过程属性聚类方法，将装配过程中采集的数据进行聚类；
8、步骤4.2基于最大均值差异-均方误差的多任务随机迁移方法，实现多时空场域的迁移学习与训练，构建面向多层次长时空队列的装配质量预测模型；
9、步骤5：基于多层次长时空队列的装配质量预测模型，对装配过程进行实时质量检测。
10、本发明还提供一种基于多场时空迁移学习的产品多层次装配质量检测系统，包括前端交互界面、装配数据采集模块、时序数据处理模块、opc ua客户端、多层次装配质量预测模块；
11、其中，装配数据采集模块负责采集装配线上的数据，将数据根据权重值筛选后，传输至时序数据处理模块；
12、时序数据处理模块负责对数据进行时序多维度处理，将采集的基于关键因素的时序数据定义为树结构，然后按照不同维度分为维度向量，然后将处理好的时序多维度数据上传至opc ua客户端；
13、opc ua客户端将接收到的数据按照不同类型进行不同的中间处理，基于支持向量机-隐马尔可夫的时序传感数据中的异常数据筛选方法对采集数据进行筛选，然后将筛选后的数据直接传送至云端队列以及多层次装配质量预测模块；opc ua客户端利用用户交互界面与用户进行交互；
14、多层次装配质量预测模块负责对装配数据进行质量预测；具体的，该模块包括正则化高斯混合聚类模型和装配质量预测模型；首先基于基于正则化高斯混合聚类模型，将装配过程中采集的不同类别属性进行聚类，然后基于装配质量预测模型，实现装配质量预测，最终质量预测结果通过前端交互界面显示。
15、本发明的有益效果如下：
16、（1）相较于传统装配质量诊断方法，本发明能够实现对于具有多层次装配特点的复杂产品装配过程全流程追踪，获取高层次组件、低层次组件等各组件的装配过程实时状态信息，能够实现面向复杂产品装配全流程的动态追踪。
17、（2）相较于传统发明与方法，无法实现对于多层次组件的数据动态追踪与虚拟适配，本发明提出了基于改进型opc ua信息模型的产线多类别组件虚拟映射方法。该方法通过对于各个组件分配虚拟ip与对应数据库，实现了对于各个组件在虚拟空间的基于状态的实时动态追踪。
18、（3）相较于传统发明与方法，只能对多工序顺序间耦合质量进行分析。本发明提出了基于多场时空迁移学习的装配质量预测方法，该方法能够通过对于复杂产品过程组件装配过程进行追踪，又可以对于产品最终装配质量进行追踪，从而实现对于多层次复杂产品装配质量综合判断。
1.一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述步骤1具体如下：
3.根据权利要求1所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述基于支持向量机-隐马尔可夫的时序传感数据中的异常数据筛选方法对采集数据进行筛选的过程具体如下：
4.根据权利要求1所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述步骤3中，在进行自动采集后，使用增采样和上采样对采集数据进行扩充；具体的，针对每一个传感器采集的数据定义为，利用最大化函数进行函数制定如下：
5.根据权利要求1所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述步骤4.1具体如下：
6.根据权利要求5所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述似然函数迭代方式分为两种，一种是e-step，按照轮替顺序进行；一种是m-step，每一次迭代时使用正则化协方差估计作为输入，本发明两种迭代方式同时进行；在e-step中，协变量矩阵x中的第i行混合分量k中的估计如下：
7.根据权利要求6所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述步骤4.2具体如下：
8.根据权利要求7所述的一种基于多场时空迁移学习的产品多层次装配质量检测方法，其特征在于，所述多层次预测模型在训练优化过程中，采用自适应矩算法adam进行训练。
9. 一种基于多场时空迁移学习的产品多层次装配质量检测系统，其特征在于，系统包括前端交互界面、装配数据采集模块、时序数据处理模块、opc ua客户端、多层次装配质量预测模块；
