CN108710502A - 数控系统的个性化配置方法及其系统 - Google Patents
数控系统的个性化配置方法及其系统 Download PDFInfo
- Publication number
- CN108710502A CN108710502A CN201810306356.6A CN201810306356A CN108710502A CN 108710502 A CN108710502 A CN 108710502A CN 201810306356 A CN201810306356 A CN 201810306356A CN 108710502 A CN108710502 A CN 108710502A
- Authority
- CN
- China
- Prior art keywords
- information
- control system
- digital control
- user
- configuration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数控系统领域,公开了一种数控系统的个性化配置方法及其系统。解决了利用有限的存储空间为用户提供个性化配置服务的问题。本发明中,包括:获取多个数控系统用户的初始情境信息和配置信息;根据约定的映射关系把初始情境信息映射为标准化的情境信息;根据标准化的情境信息进行聚类得到多个用户类别;根据用户类别和配置信息为数控系统用户发送推荐的配置信息。
Description
技术领域
本申请涉及数控系统技术领域,特别涉及数控系统的智能化、个性化配 置技术领域。
背景技术
随着科技的发展和社会的进步,数控机床领域得到了迅猛发展,数控机 床逐渐朝着极端智能的超精密加工数控机床方向发展。
与此同时,数控系统变得愈加庞大,复杂,加工前需设定的参数,辅助 数控加工的CAM软件等品类亦愈加繁多。
在传统车间中,车间操作工操作不同数控系统时需完成重新设定参数, 筛选通用CAM软件,拷贝加工代码,设定刀具,设定机床配置参数,设定坐 标系参数等工作,造成了数控系统利用率的下降,延缓了车间整体加工进度, 不能满足数控系统智能化的发展方向。
因此,迫切需要一种新的数控系统的个性化配置方案,能够在有限的存 储空间中为用户提供有效的个性化配置服务。
发明内容
本申请的目的在于提供一种数控系统的个性化配置方法及其系统,以解 决利用有限的存储空间为用户提供个性化配置服务的问题。
第一方面,本发明的实施方式公开了一种数控系统的个性化配置方法, 包括:
获取多个数控系统用户的初始情境信息和配置信息;
根据约定的映射关系把该初始情境信息映射为标准化的情境信息;
根据该标准化的情境信息进行聚类得到多个用户类别;
根据该用户类别和该配置信息为数控系统用户发送推荐的配置信息。
在一优选例中,该根据该用户类别和该配置信息为数控系统用户发送推 荐的配置信息,进一步包括
获取目标用户的初始情境信息;
根据该约定的映射关系把该目标用户的初始情境信息映射为标准化的 目标用户初始情境信息;
在该多个用户类别中,得到与该标准化的目标用户初始情境信息最接近 的用户类别;
从该最接近的用户类别中已有的多个数控系统用户的配置信息中选择K 个配置信息,其中K为正整数;
将该K个配置信息发送给该目标用户。
在一优选例中,该初始情境信息至少包括:
数控系统工位信息、所属时间跨度信息、和数控系统交互实时信息。
在一优选例中,该初始情境信息还包括以下之一或其任意组合:
车间状态信息,用户信息。
在一优选例中,该车间状态信息进一步包括以下之一或其任意组合:
车间是否繁忙,是否临近工期。
在一优选例中,该用户信息包括以下之一或其任意组合:
工种,权限,熟练度级别。
在一优选例中,该数控系统工位信息包括以下之一或其任意组合:
机床所属厂家,机床类型,机床所属工位。
在一优选例中,所属时间跨度信息是由工厂加工周期确定的时间段信 息。
在一优选例中,该数控系统交互实时信息包括经标准化的用户交互化操 作信息。
在一优选例中,该经标准化的用户交互化操作信息包括以下之一或其任 意组合:
加工,闲置,使用CAM辅助,机床加工仿真,指令域监控,CAM软件G 代码优化,机床自检。
在一优选例中,该数控系统是:
数控机床、或数控铣床、或数控加工中心。
在一优选例中,该聚类进一步包括:
获取一个时间段内N个用户的行为模式,形成用户行为日志,作为原始 样本数据,共计M个模式,以其中各模式出现的次数作为各模式的置信度, 求得平均置信度,其中N和M均为大于1的整数;
将各模式的置信度减去平均置信度求得简化后的置信度,获得M*N维矩 阵;
使用贝叶斯分解或者奇异矩阵分解将该M*N维矩阵转变为M*r维矩阵, 作为行为模式空间,其中r<M,r<N;
对该样本中全部N个用户的该日志进行数据挖掘,若出现某行为模式, 则在用户行为模式向量取其简化后的置信度作为其在向量对应位置的值,若 无该行为模式则将该位置置为0;
根据该行为模式空间进而计算得到各用户行为模式在该行为模式空间 的映射向量;
根据动态聚类法,通过不断计算用户群重心,比较聚类后各数据与重心 的距离,以不断迭代到相对误差小于充分小的允许误差为准,停止进行迭代, 完成聚类工作。
在一优选例中,该将该K个配置信息发送给该目标用户之后,还包括:
接收该目标用户对该推荐的配置信息的评价信息。
在一优选例中,该从该最接近的用户类别中已有的多个数控系统用户的 配置信息中选择K个配置信息,进一步包括:
根据标准化初始情境信息的相似度和/或该评价信息,选择K个配置信 息。
在一优选例中,该“根据标准化初始情境信息的相似度和/或该评价信 息,选择K个配置信息”,进一步包括:
判断该最接近的用户类别中配置信息的评价信息的数量是否超过预定 门限?如果是则根据该评价信息选择K个配置信息,否则根据标准化初始情 境信息的相似度选择K个配置信息。
在一优选例中,该标准化初始情境信息的相似度包括:该目标用户的标 准化初始情境信息与同一用户类别中已知配置信息的数控系统用户的标准化 初始情境信息的相似度。
第二方面,本发明的实施方式公开了一种数控系统的个性化配置系统, 包括:
采集单元,用于获取多个数控系统用户的初始情境信息和配置信息;
标准化单元,用于根据约定的映射关系把该初始情境信息映射为标准化 的情境信息;
聚类单元,用于根据该标准化的情境信息进行聚类得到多个用户类别;
推荐单元,用于根据该用户类别和该配置信息为数控系统用户发送推荐 的配置信息。
在一优选例中,该推荐单元进一步包括:
获取子单元,用于获取目标用户的初始情境信息;
映射子单元,用于根据该约定的映射关系把该目标用户的初始情境信息 映射为标准化的目标用户初始情境信息;
归类子单元,用于在该多个用户类别中,得到与该标准化的目标用户初 始情境信息最接近的用户类别;
配置选择子单元,用于从该最接近的用户类别中已有的多个数控系统用 户的配置信息中选择K个配置信息,其中K为正整数;
发送子单元,用于将该K个配置信息发送给该目标用户。
在一优选例中,该初始情境信息至少包括:
数控系统工位信息、所属时间跨度信息、和数控系统交互实时信息。
在一优选例中,该初始情境信息还包括以下之一或其任意组合:
车间状态信息,用户信息。
在一优选例中,该车间状态信息进一步包括以下之一或其任意组合:
车间是否繁忙,是否临近工期。
在一优选例中,该用户信息包括以下之一或其任意组合:
工种,权限,熟练度级别。
在一优选例中,该数控系统工位信息包括以下之一或其任意组合:
机床所属厂家,机床类型,机床所属工位。
在一优选例中,所属时间跨度信息是由工厂加工周期确定的时间段信 息。
在一优选例中,该数控系统交互实时信息包括经标准化的用户交互化操 作信息。
在一优选例中,该经标准化的用户交互化操作信息包括以下之一或其任 意组合:
加工,闲置,使用CAM辅助,机床加工仿真,指令域监控,CAM软件G 代码优化,机床自检。
在一优选例中,该数控系统是:
数控机床、或数控铣床、或数控加工中心。
在一优选例中,该聚类单元进一步包括:
行为模式获取子单元,用于获取一个时间段内N个用户的行为模式,形 成用户行为日志,作为原始样本数据,共计M个模式,以其中各模式出现的 次数作为各模式的置信度,求得平均置信度,其中N和M均为大于1的整数;
简化子单元,用于将各模式的置信度减去平均置信度求得简化后的置信 度,获得M*N维矩阵;
降维子单元,用于使用贝叶斯分解或者奇异矩阵分解将该M*N维矩阵转 变为M*r维矩阵,作为行为模式空间,其中r<M,r<N;
数据挖掘子单元,用于对该样本中全部N个用户的该日志进行数据挖掘, 若出现某行为模式,则在用户行为模式向量取其简化后的置信度作为其在向 量对应位置的值,若无该行为模式则将该位置置为0;
映射向量计算子单元,用于根据该行为模式空间进而计算得到各用户行 为模式在该行为模式空间的映射向量;
动态聚类子单元,根据动态聚类法,通过不断计算用户群重心,比较聚 类后各数据与重心的距离,以不断迭代到相对误差小于充分小的允许误差为 准,停止进行迭代,完成聚类工作。
在一优选例中,还包括:
评价接收单元,用于接收该目标用户对该推荐的配置信息的评价信息。
在一优选例中,该推荐单元14进一步用于根据标准化初始情境信息的 相似度和/或该评价信息,选择K个配置信息。
在一优选例中,该推荐单元14进一步包括:
第一选择子单元,用于根据该评价信息选择K个配置信息;
第二选择子单元,用于根据标准化初始情境信息的相似度选择K个配置 信息
判断子单元,用于判断该最接近的用户类别中配置信息的评价信息的数 量是否超过预定门限,如果是则调用该第一选择子单元根据该评价信息选择 K个配置信息,否则调用该第二选择子单元根据标准化初始情境信息的相似 度选择K个配置信息。
在一优选例中,该标准化初始情境信息的相似度包括:该目标用户的标 准化初始情境信息与同一用户类别中已知配置信息的数控系统用户的标准化 初始情境信息的相似度。
第三方面,本发明的实施方式公开了一种数控系统的个性化配置系统, 包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行该计算机可执行指令时实现上文所述的数控系统的 个性化配置方法的步骤。
第四方面,本发明的实施方式公开了一种计算机可读存储介质,该计算 机可读存储介质中存储有计算机可执行指令,该计算机可执行指令被处理器 执行时实现上文所述的数控系统的个性化配置方法的步骤。
本发明实施方式与现有技术相比,使用标准化信息的方式,大大减少了 初始情境信息的复杂度,通过聚类获得户行为模式的用户类别,使得配置信 息的个性化推荐更为精准。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如 果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得 说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技 术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开 的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这 些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在 技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子 中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技 术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组 合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E 的方案应当视为已经被记载。
附图说明
图1是本发明第一实施方式中一种数控系统的个性化配置方法的流程示 意图;
图2本发明第一实施方式中一种数控系统的个性化配置方法的具体步骤 的流程示意图;
图3是本发明第一实施方式中一种数控系统的个性化配置方法的具体步 骤的流程示意图;
图4是是本发明第二实施方式中一种数控系统的个性化配置系统的结构 示意图;
图5是本发明实施方式中的基于矩阵分解的数控系统个性化配置系统的 车间网络空间及过程示意图;
图6是本发明实施方式中的基于矩阵分解的数控系统个性化配置系统的 标准车间信息结构示意图;
图7是本发明实施方式中的基于矩阵分解的数控系统个性化配置方法的 具体步骤的流程示意图。
图8是本发明实施方式中的基于矩阵分解的数控系统个性化配置方法的 用户推荐评分反馈机制流程示意图。
在各附图中,
11:采集单元
12:标准化单元
13:聚类单元
14:推荐单元
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细 节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于 以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方 案。
术语解释:
数控系统:是数字控制系统的简称(Numerical Control System),根 据计算机存储器中存储的控制程序,执行部分或全部数值控制功能,并配有 接口电路和伺服驱动装置的专用计算机系统。通过利用数字、文字和符号组 成的数字指令来实现一台或多台机械系统动作控制,它所控制的通常是位置、 角度、速度等机械量和开关量等。
初始情境信息:原始的未经规范化的复杂的实时场景信息
标准化情境信息:经过标准化处理的实时场景信息
配置信息:界面配置,CAM推荐,系统参数配置等信息
本发明人经过广泛而深入的研究发现,为数控系统注册用户提供基于情 境感知的个性化推荐服务,选择所有的初始情境信息用于建模,采用张量的 数据形式,将尽可能多的初始情境信息作为额外的维数,并让算法自动选择, 是十分有效的方式。但在复杂的情境环境和众多操作面前,用户数据过于特 定化将导致其所对应的数学模型即所形成的矩阵是高度稀疏的,且维度极高, 因此,所需存储空间将面临指数爆炸式的增长。故如何有效的在有限的存储 空间中为用户提供个性化配置服务成为迫在眉睫的问题。
由此,本发明实施方式提供了一种基于矩阵分解降低情境维数的数控系 统智能化配置方案,通过车间网络将用户的行为习惯,如车间铣削加工,机 床配置工作,使用机床智能APP中心常用车间辅助软件等,结合时间及地点 等情境信息创建用户的行为模式,并根据用户的行为模式数控系统智能化完 成配置软件界面,配置常用加工代码及参数,APP中心智能推荐车间辅助软 件等工作。
因此在本申请的实施方式中,用户首先通过人脸识别等手段注册个人信 息,更新本地用户信息库通过车间网络大数据结合标准化的情境信息,提取 用户个人行为模式,将本地个人行为模式通过矩阵分解手段降维,化简为超 级用户模式空间中超级行为模式的加权向量,通过对降维后的向量的近似性 判断为该用户推荐相似用户TOP K的行为模式,并根据该模式配置数控系统。
在上述应用场景中,本发明实施方式至少采用了以下技术手段。
(1)标准化用户情境信息,将传统的时间戳信息标准化的分为是否为 繁忙期,及一段时间跨度,如星期一早上等,将不带特征信息的地理位置信 息标准化为某加工类型某号机床,例如:某汽车零件厂汽车齿轮3号加工机 床。将用户实时使用信息标准化为:加工,闲置,使用CAM辅助等。
(2)标准化用户个人信息,用户个人信息不单单是如操作工这样简单 的用户权限信息,还需结合用户自身工种及熟练度,具化用户个人,使得用 户个人信息不只是一个登陆系统的标签。
(3)根据车间网络及大数据技术提取较长时间内用户行为模式信息构 建一定维度的行为模式日志,作为原始数据,参考各个行为模式的出现次数, 作为各行为模式置信度的参考。并对个人用户进行数据挖掘构建个人行为模 式置信度矩阵。
(4)针对行为日志高稀疏性问题,对原始数据采用矩阵分解的方式进 行降维,将多个不同的行为模式抽象出隐含的公共习惯,从而提取超级行为 模式。
具体的,上述方法包括如下2种:
第一种方式:贝叶斯分解。
具体的,基于Gibbs采样将M*N维矩阵分解为M*r维矩阵和r*N维矩阵 的乘积。
第二种方式:奇异矩阵分解。
具体的,将M*N维矩阵分解为M*r,r*r,r*N维矩阵,使用特征向量的 方法,先得到r*r维矩阵,进而求解。
总的行为模式矩阵为M*N,无论使用贝叶斯还是奇异矩阵分解之后,均 会生成M*r,r*N的矩阵,在M*r的矩阵中,每列即一个超级行为模式,在 r*N的矩阵中每列即用户的超级行为模式向量。即所谓的用户在超级行为模 式空间中的映射。
(5)将用户个人行为日志,进行分解得到其对应的超级行为模式的各 列的加权,权值组合构成用户的向量,即用户个人行为模式对应超级行为模 式的映射,并将该向量存储在本地空间内。将用户个人行为模式向量作为用 户聚类的标准。利用统计学方法,使用动态聚类法,以明考夫斯基距离为基 础将用户聚类。
(6)建立针对数控机床的加权评分反馈机制,在用户体验定制化数控 系统后,使用评分的方式为该模式提供反馈。在用户的评价基数较少时,采 用比较用户相似性的方式,推荐TOP K个用户上传的配置模式。
(7)为各项数据进行加权评分以此为基础,再为相似性用户推荐评分 中TOP K个(即评分最高的K个)个性化定制服务。
请注意,在本发明实施方式中,服务的对象并不同于一般推荐机制中的 个人服务定制,服务对象是一类人。
现有的根据相似度推荐的方式在相似度计算方面,一般没有此前的聚类 工作,但此聚类工作可大量减少在寻找TOP K个相似用户时的相似度计算量, 大大提高匹配效率。
在基于评分反馈机制的推荐方式中,亦是为一类用户提供服务,此外此 前的推荐评分并未发现有加权评分的方式,此处对评分进行加权,不同用户 类别的用户倾向性不同,在数据挖掘过程中,亦能得到不同的权值,因此更 能准确地进行反馈。
上述技术方案能够实现以下技术效果:
(1)通过使用标准化信息的方式,大大减少了情境信息的复杂度,使 用户行为模式的提取成为可能。
(2)通过使用矩阵分解的方法,进一步简化用户行为模式,从而完成 聚类工作。具体的,使个性化服务的用户从个体变成一类人,减轻了个性化 服务系统的负担。
(3)通过相似度与反馈机制相结合的方式,使系统能快速完成推荐工 作,并在用户反馈过程中自行改变推荐模式,降低了推荐的复杂度,同时亦 更能适配用户。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申 请的实施方式作进一步地详细描述。
本发明第一实施方式涉及一种数控系统的个性化配置方法。图1是该数 控系统的个性化配置方法的流程示意图。在服务器端执行以下步骤:
步骤101,获取多个数控系统用户的初始情境信息和配置信息。
其中,初始情境信息和配置信息可以直接由服务器从数控系统和其他信 息管理系统采集,并可以保存在数据库中。
此后进入步骤102,根据约定的映射关系把初始情境信息映射为标准化 的情境信息。在实施例中,映射关系是预先设定的,其中是多条映射规则, 每一条映射规则规定了某一种初始情境信息如何映射为某一种标准化的情境 信息。
此后进入步骤103,根据标准化的情境信息进行聚类得到多个用户类别。
可选的,步骤103进一步包括:
步骤1031:获取一个时间段内N个用户的行为模式,形成用户行为日志, 作为原始样本数据,共计M个模式,以其中各模式出现的次数作为各模式的 置信度,求得平均置信度,其中N和M均为大于1的整数。
步骤1032:将各模式的置信度减去平均置信度求得简化后的置信度,获 得M*N维矩阵。
步骤1033:使用贝叶斯分解或者奇异矩阵分解将M*N维矩阵转变为M*r 维矩阵,作为行为模式空间,其中r<M,r<N。
步骤1034:对样本中全部N个用户的日志进行数据挖掘,若出现某行为 模式,则在用户行为模式向量取其简化后的置信度作为其在向量对应位置的 值,若无该行为模式则将该位置置为0。
步骤1035:根据行为模式空间进而计算得到各用户行为模式在行为模式 空间的映射向量。
步骤1036:根据动态聚类法,通过不断计算用户群重心,比较聚类后各 数据与重心的距离,以不断迭代到相对误差小于充分小的允许误差为准,停 止进行迭代,完成聚类工作。
此外,可以理解,对于步骤103的实现方式,也可以采用其他的聚类方 法,只要能够针对标准化的情境信息,有效的进行聚类即可。
此后进入步骤104,根据用户类别和配置信息为数控系统用户发送推荐 的配置信息。
具体的,推荐的配置信息可以由服务器发送到用户终端,或发送到用户 正在使用的数控系统。用户可以从收到的配置信息中选择一个直接使用,也 可以在收到的配置信息的基础上进行个性化的修改,或者根据收到的配置信 息修改自己已有的配置信息,可以是人工输入到数控系统中,也可以自动加 载到数控系统中。可以是为已有配置信息的老用户提供推荐的配置信息以供 其优化,也可以是为没有配置信息的新用户推荐配置信息。
这种做法的好处在于,使用标准化信息的方式,大大减少了初始情境信 息的复杂度,通过聚类获得户行为模式的用户类别,使得配置信息的个性化 推荐更为精准。
可选的,如果不断地获得新的数控系统用户的初始情境信息和配置信 息,可以将新加入的数据和已有的数据一起重新聚类。
进一步的,这个重新聚类的过程,可以周期性的执行,也可以不定期的 执行。
可选的,步骤104进一步包括以下子步骤:
步骤1041:获取目标用户的初始情境信息。
步骤1042:根据约定的映射关系把目标用户的初始情境信息映射为标准 化的目标用户初始情境信息。
步骤1043:在多个用户类别中,得到与标准化的目标用户初始情境信息 最接近的用户类别。在一个实施例中,每一个用户类别在多维空间中都有一 个中心点,与目标用户初始情境信息所构成的矢量最接近的中心点所对应的 用户类别就是最接近的用户类别。
步骤1044:从最接近的用户类别中已有的多个数控系统用户的配置信息 中选择K个配置信息,其中K为正整数。
步骤1045:将K个配置信息发送给目标用户。
可选的,初始情境信息包括:数控系统工位信息、所属时间跨度信息、 和数控系统交互实时信息,车间状态信息,用户信息,等等。在一个实施例 中,为了实现比较准确的个性化配置推荐,初始情境信息至少包括数控系统 工位信息、所属时间跨度信息、和数控系统交互实时信息。
可选的,车间状态信息包括:车间是否繁忙,是否临近工期,等等。
可选的,用户信息包括:工种,权限,熟练度级别,等等。
可选的,数控系统工位信息包括:机床所属厂家,机床类型,机床所属 工位,等等。
可选的,所属时间跨度信息是由工厂加工周期确定的时间段信息。
可选的,数控系统交互实时信息包括经标准化的用户交互化操作信息。
可选的,经标准化的用户交互化操作信息包括:加工,闲置,使用CAM 辅助,机床加工仿真,指令域监控,CAM软件G代码优化,机床自检,等等。
可选的,数控系统是:数控机床、或数控铣床、或数控加工中心,等等。
可选的,步骤104之后,还可以包括以下步骤:
接收用户对推荐的配置信息的评价信息。此后,判断最接近的用户类别 中配置信息的评价信息的数量是否超过预定门限?如果是,则根据评价信息 选择K个配置信息,否则,根据标准化初始情境信息的相似度选择K个配置 信息。
其中,标准化初始情境信息的相似度包括:目标用户的标准化初始情境 信息与同一用户类别中已知配置信息的数控系统用户的标准化初始情境信息 的相似度。
上述实施方式可以通过多种方式来实现,下面通过其中一个具体实现方 式,以便对上述实施方式做进一步说明。
图6是本发明实施方式中的基于矩阵分解的数控系统个性化配置系统的 标准车间信息结构示意图。
图7是本发明实施方式中的基于矩阵分解的数控系统个性化配置方法的 具体步骤的流程示意图。
如图7所示,配置方法包括以下步骤:
步骤701:用户通过人脸识别,账号密码登陆等手段注册个人信息,从 而获取访问本地数据库的权限。
步骤702:车间情境信息库及车间个人信息库的建立。
具体的,如图6所示,可将车间信息分为如下几个部分:
车间信息库包含个人信息库、标准情境信息库。
个人信息库包含车间工种信息、车间权限信息。
具体的,标准情境信息库包含车间状态信息、机床工位信息、所属时间 跨度、机床实时操作。
具体的,个人信息库主要存储当前用户操作权限,诸如:机床操作工, 车间管理员,机床厂家,数控厂家,系统管理员,此信息定义为非空信息。
具体的,车间工种信息则是可以为空的个人信息,在用户是车间管理员 或操作工时,辅助记录其平时主要工作内容。
具体的,标准化的情境信息库亦为整个数控系统个人化配置的重要一 环,其对车间个人行为日志的降维起到重要作用。其中车间状态信息主要包 括:
(1)车间状态信息——布尔值,用于记录车间是否繁忙,是否临近工 期
(2)机床工位信息——复杂地理位置信息的标准化,记录机床所属厂 家,机床类型,机床所属工位等信息。
(3)所属时间跨度信息——时间信息的标准化,不再采用传统时间戳 的方式,转而使用根据工厂加工周期从而衍生出的信息,例如:玻璃厂日常 工作周期为1周,故在此可将时间跨度信息定为周一早上等类似信息。
(4)机床实时信息——用户交互化操作信息的标准化,诸如:机床加 工仿真,指令域监控,CAM软件G代码优化,机床自检等,此类信息用户类 别繁多,在此不再一一赘述。
步骤703:用户超级行为模式向量的提取及聚类。
具体的,在车间网络及大数据的支持下,可预先采取一段较长时间的N 个用户的行为模式,形成用户行为日志,作为原始样本数据。共计M个模式, 以其中各模式出现的次数作为各模式的置信度设为coni,求得平均置信度 将各置信度减去平均置信度求得简化后的置信度。
完成上述操作后则形成了M*N维矩阵,将其存储在本地存储空间。
可选的,使用贝叶斯分解或者奇异矩阵分解技术即可得到维数为 M*r(r<<M,N)的稠密低维的超级行为模式空间。
可选的,此后,再对样本中全部N个用户的工作日志进行数据挖掘,若 出现某行为模式,则在用户个人行为模式向量取其简化后的置信度作为其在 向量对应位置的值,若无该行为模式则将该位置置为0。根据超级行为模式 空间进而可计算得到各用户行为模式在超级行为模式空间的映射向量。再根 据动态聚类法,通过不断计算用户群重心,比较聚类后各数据与重心的距离, 以不断迭代到相对误差小于充分小的允许误差ε为准,停止进行迭代,完成 聚类工作。
步骤704:评分机制未有足够大基数时,使用相似度计算,推荐数控系 统配置方式。
具体的,将聚类后信息按类存储在云端数据库。各类中各用户的参数设 定,机床辅助CAM软件等信息可选择性上传到云端,在评分机制没有足够的 评分基数时,没有足够多的标准来确定云端用户配置信息是否符合该类其他 用户需求,不宜直接进行推荐。
因此,可在前期,计算变量相关系数,通过对用户类别内用户相似系数 的排序,确定TOP K个用户行为配置模式,并将其推荐给用户。
设两用户向量分别为:
x1={x11,x21,x31...xr1},x2={x12,x22,x32...xr2}
则可通过如下相似度计算公式计算用户相似度:
以此系数为基准,筛选出已上传配置方案的TOP K个方案,将这些方案 推荐给用户
步骤705:通过用户反馈形成闭环系统。
同时推荐给用户之后,用户可为该配置模式的界面配置,CAM推荐,参 数配置进行综合评分。
假定界面配置分数为g1,CAM推荐分数为g2,参数配置分数为g3,各项 系数权重比为α1,α2,α3……,权重和为一,则综合评分为:
g=α1*g1+α2*g2+α3*g3……
将用户评分与推荐机制相互结合则可形成闭环的系统。
步骤706:形成基于用户评分的推荐体系
具体的,在用户评分足够多后,则为用户推荐评分榜上TOP K个用户配 置模式。完成整个推荐工作。
图8示出整个闭环推荐配置机制。如图8所示:
步骤801:用户登录。
步骤802:访问云端数据库。
步骤803:根据云端数据库中的数据,判断用户评价基数是否足够。换 句话说,是否达到阈值。如果是,则执行步骤804,否则,执行步骤085。
步骤804:根据评分推荐K个配置。
步骤805:计算用户类别中用户相似度系数。
步骤806:推荐相似度最高的K个用户的配置。
步骤807:判断是否进行评分,如果是,则返回步骤802,否则,流程 结束。
上述实施方式的优点至少包含:
(1)通过使用标准化信息的方式,大大减少了情境信息的复杂度,使 用户行为模式的提取成为可能。
(2)通过使用矩阵分解的方法,进一步简化用户行为模式,从而完成 聚类工作。具体的,使个性化服务的用户从个体变成一类人,减轻了个性化 服务系统的负担。
(3)通过相似度与反馈机制相结合的方式,使系统能快速完成推荐工 作,并在用户反馈过程中自行改变推荐模式,降低了推荐的复杂度,同时亦 更能适配用户。
本发明第二实施方式涉及一种数控系统的个性化配置系统。图2是该数 控系统的个性化配置系统的结构示意图。该数控系统的个性化配置系统包括 采集单元11、标准化单元12、聚类单元13,和推荐单元14。
具体的,采集单元11,用于获取多个数控系统用户的初始情境信息和配 置信息。标准化单元12,用于根据约定的映射关系把初始情境信息映射为标 准化的情境信息。聚类单元13,用于根据标准化的情境信息进行聚类得到多 个用户类别。推荐单元14,用于根据用户类别和配置信息为数控系统用户发 送推荐的配置信息。
可选的,推荐单元14进一步包括:
获取子单元,用于获取目标用户的初始情境信息。
映射子单元,用于根据约定的映射关系把目标用户的初始情境信息映射 为标准化的目标用户初始情境信息。
归类子单元,用于在多个用户类别中,得到与标准化的目标用户初始情 境信息最接近的用户类别。
配置选择子单元,用于从最接近的用户类别中已有的多个数控系统用户 的配置信息中选择K个配置信息,其中K为正整数。
发送子单元,用于将K个配置信息发送给目标用户。
可选的,初始情境信息至少包括:数控系统工位信息、所属时间跨度信 息、和数控系统交互实时信息。
可选的,初始情境信息还包括以下之一或其任意组合:车间状态信息, 用户信息。
可选的,车间状态信息进一步包括以下之一或其任意组合:车间是否繁 忙,是否临近工期。
可选的,用户信息包括以下之一或其任意组合:工种,权限,熟练度级 别。
可选的,数控系统工位信息包括以下之一或其任意组合:机床所属厂家, 机床类型,机床所属工位。
可选的,所属时间跨度信息是由工厂加工周期确定的时间段信息。
可选的,数控系统交互实时信息包括经标准化的用户交互化操作信息。
可选的,经标准化的用户交互化操作信息包括以下之一或其任意组合: 加工,闲置,使用CAM辅助,机床加工仿真,指令域监控,CAM软件G代码 优化,机床自检。
可选的,数控系统是:数控机床、或数控铣床、或数控加工中心。
可选的,聚类单元进一步包括:
行为模式获取子单元,用于获取一个时间段内N个用户的行为模式,形 成用户行为日志,作为原始样本数据,共计M个模式,以其中各模式出现的 次数作为各模式的置信度,求得平均置信度,其中N和M均为大于1的整数。
简化子单元,用于将各模式的置信度减去平均置信度求得简化后的置信 度,获得M*N维矩阵。
降维子单元,用于使用贝叶斯分解或者奇异矩阵分解将M*N维矩阵转变 为M*r维矩阵,作为行为模式空间,其中r<M,r<N。总的行为模式矩阵为M*N, 无论使用贝叶斯还是奇异矩阵分解之后,均会生成M*r,r*N的矩阵,在M*r 的矩阵中,每列即一个超级行为模式,在r*N的矩阵中每列即用户的超级行 为模式向量。即所谓的用户在超级行为模式空间中的映射。
数据挖掘子单元,用于对样本中全部N个用户的日志进行数据挖掘,若 出现某行为模式,则在用户行为模式向量取其简化后的置信度作为其在向量 对应位置的值,若无该行为模式则将该位置置为0。
映射向量计算子单元,用于根据行为模式空间进而计算得到各用户行为 模式在行为模式空间的映射向量。
动态聚类子单元,根据动态聚类法,通过不断计算用户群重心,比较聚 类后各数据与重心的距离,以不断迭代到相对误差小于充分小的允许误差为 准,停止进行迭代,完成聚类工作。
可选地,数控系统的个性化配置系统还可以包括评价接收单元,用于接 收目标用户对推荐的配置信息的评价信息。
可选的,推荐单元14进一步用于根据标准化初始情境信息的相似度和/ 或评价信息,选择K个配置信息。
在这种情况下,推荐单元14进一步包括:
第一选择子单元,用于根据评价信息选择K个配置信息。
第二选择子单元,用于根据标准化初始情境信息的相似度选择K个配置 信息
判断子单元,用于判断最接近的用户类别中配置信息的评价信息的数量 是否超过预定门限,如果是则调用第一选择子单元根据评价信息选择K个配 置信息,否则调用第二选择子单元根据标准化初始情境信息的相似度选择K 个配置信息。
可选的,标准化初始情境信息的相似度包括:目标用户的标准化初始情 境信息与同一用户类别中已知配置信息的数控系统用户的标准化初始情境信 息的相似度。
上述实施方式的优点至少包含:
(1)通过使用标准化信息的方式,大大减少了情境信息的复杂度,使 用户行为模式的提取成为可能。
(2)通过使用矩阵分解的方法,进一步简化用户行为模式,从而完成 聚类工作。具体的,使个性化服务的用户从个体变成一类人,减轻了个性化 服务系统的负担。
(3)通过相似度与反馈机制相结合的方式,使系统能快速完成推荐工 作,并在用户反馈过程中自行改变推荐模式,降低了推荐的复杂度,同时亦 更能适配用户。
第一实施方式是与本实施方式相对应的方法实施方式,本实施方式可与 第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施 方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提 到的相关技术细节也可应用在第一实施方式中。
需要说明的是,本发明各系统实施方式中提到的各单元都是逻辑单元, 在物理上,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一 部分,还可以以多个物理单元的组合实现,这些逻辑单元本身的物理实现方 式并不是最重要的,这些逻辑单元所实现的功能的组合才是解决本发明所提 出的技术问题的关键。此外,为了突出本发明的创新部分,本发明上述各系 统实施方式并没有将与解决本发明所提出的技术问题关系不太密切的单元引 入,这并不表明上述系统实施方式并不存在其它的单元。
相应地,本发明实施方式还提供一种计算机存储介质,其中存储有计算 机可执行指令,该计算机可执行指令被处理器执行时实现本发明的各方法实 施方式。
此外,本发明实施方式还提供一种数控系统的个性化配置系统,其中包 括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执 行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。
需要说明的是,本领域技术人员应当理解,上述数控系统的个性化配置 系统的实施方式中所示的各模块的实现功能可参照前述数控系统的个性化配 置方法的相关描述而理解。上述数控系统的个性化配置系统的实施方式中所 示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也 可通过具体的逻辑电路而实现。本发明实施方式上述用户系统如果以软件功 能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算 机可读取存储介质中。基于这样的理解,本发明实施方式的技术方案本质上 或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算 机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机系统 (可以是个人计算机、服务器、或者网络系统等)执行本发明各个实施方式 所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存 储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的 介质。这样,本发明实施方式不限制于任何特定的硬件和软件结合。
需要说明的是,在本专利的申请文件中,诸如第一和第二等之类的关系 术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定 要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且, 术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从 而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而 且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品 或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个”限 定的要素,并不排除在包括所述要素的过程、方法、物品或者系统中还存在 另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为, 则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该 要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种 等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都在本申请中引用作为参考,就如同每一篇文 献被单独引用作为参考那样。此外应理解,在阅读了本申请的上述讲授内容 之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样 落于本申请所要求保护的范围。
Claims (34)
1.一种数控系统的个性化配置方法,其特征在于,包括:
获取多个数控系统用户的初始情境信息和配置信息;
根据约定的映射关系把所述初始情境信息映射为标准化的情境信息;
根据所述标准化的情境信息进行聚类,得到多个用户类别;
根据所述用户类别和所述配置信息为数控系统用户发送推荐的配置信息。
2.根据权利要求1所述的数控系统的个性化配置方法,其特征在于,所述根据所述用户类别和所述配置信息为数控系统用户发送推荐的配置信息,进一步包括:
获取目标用户的初始情境信息;
根据所述约定的映射关系把所述目标用户的初始情境信息映射为标准化的目标用户初始情境信息;
在所述多个用户类别中,得到与所述标准化的目标用户初始情境信息最接近的用户类别;
从所述最接近的用户类别中已有的多个数控系统用户的配置信息中选择K个配置信息,其中K为正整数;
将所述K个配置信息发送给所述目标用户。
3.根据权利要求1所述的数控系统的个性化配置方法,其特征在于,所述初始情境信息至少包括:
数控系统工位信息、所属时间跨度信息、和数控系统交互实时信息。
4.根据权利要求3所述的数控系统的个性化配置方法,其特征在于,所述初始情境信息还包括以下之一或其任意组合:
车间状态信息,用户信息。
5.根据权利要求4所述的数控系统的个性化配置方法,其特征在于,所述车间状态信息进一步包括以下之一或其任意组合:
车间是否繁忙,是否临近工期。
6.根据权利要求4所述的数控系统的个性化配置方法,其特征在于,所述用户信息包括以下之一或其任意组合:
工种,权限,熟练度级别。
7.根据权利要求3所述的数控系统的个性化配置方法,其特征在于,所述数控系统工位信息包括以下之一或其任意组合:
机床所属厂家,机床类型,机床所属工位。
8.根据权利要求3所述的数控系统的个性化配置方法,其特征在于,所属时间跨度信息是由工厂加工周期确定的时间段信息。
9.根据权利要求3所述的数控系统的个性化配置方法,其特征在于,所述数控系统交互实时信息包括经标准化的用户交互化操作信息。
10.根据权利要求9所述的数控系统的个性化配置方法,其特征在于,所述经标准化的用户交互化操作信息包括以下之一或其任意组合:
加工,闲置,使用CAM辅助,机床加工仿真,指令域监控,CAM软件G代码优化,机床自检。
11.根据权利要求1所述的数控系统的个性化配置方法,其特征在于,所述数控系统是:
数控机床、或数控铣床、或数控加工中心。
12.根据权利要求1所述的数控系统的个性化配置方法,其特征在于,所述根据所述标准化的情境信息进行聚类,得到多个用户类别的步骤,进一步包括:
获取一个时间段内N个用户的行为模式,形成用户行为日志,作为原始样本数据,共计M个模式,以其中各模式出现的次数作为各模式的置信度,求得平均置信度,其中N和M均为大于1的整数;
将各模式的置信度减去平均置信度求得简化后的置信度,获得M*N维矩阵;
使用贝叶斯分解或者奇异矩阵分解将所述M*N维矩阵转变为M*r维矩阵,作为行为模式空间,其中r<M,r<N,在r*N的矩阵中每列即用户的行为模式向量;
对所述样本中全部N个用户的所述日志进行数据挖掘,若出现某行为模式,则在用户行为模式向量取其简化后的置信度作为其在向量对应位置的值,若无该行为模式则将该位置置为0;
根据所述行为模式空间进而计算得到各用户行为模式在所述行为模式空间的映射向量;
根据动态聚类法,通过不断计算用户群重心,比较聚类后各数据与重心的距离,以不断迭代到相对误差小于充分小的允许误差为准,停止进行迭代,完成聚类工作。
13.根据权利要求1至12中任一项所述的数控系统的个性化配置方法,其特征在于,所述将所述K个配置信息发送给所述目标用户的步骤之后,还包括:
接收所述目标用户对所述推荐的配置信息的评价信息。
14.根据权利要求13所述的数控系统的个性化配置方法,其特征在于,所述从所述最接近的用户类别中已有的多个数控系统用户的配置信息中选择K个配置信息的步骤,进一步包括:
根据标准化初始情境信息的相似度和/或所述评价信息,选择K个配置信息。
15.根据权利要求14所述的数控系统的个性化配置方法,其特征在于,所述根据标准化初始情境信息的相似度和/或所述评价信息,选择K个配置信息的步骤,进一步包括:
判断所述最接近的用户类别中配置信息的评价信息的数量是否超过预定门限?如果是,则根据所述评价信息选择K个配置信息,否则根据标准化初始情境信息的相似度选择K个配置信息。
16.根据权利要求14所述的数控系统的个性化配置方法,其特征在于,所述标准化初始情境信息的相似度包括:所述目标用户的标准化初始情境信息与同一用户类别中已知配置信息的数控系统用户的标准化初始情境信息的相似度。
17.一种数控系统的个性化配置系统,其特征在于,包括:
采集单元,用于获取多个数控系统用户的初始情境信息和配置信息;
标准化单元,用于根据约定的映射关系把所述初始情境信息映射为标准化的情境信息;
聚类单元,用于根据所述标准化的情境信息进行聚类得到多个用户类别;
推荐单元,用于根据所述用户类别和所述配置信息为数控系统用户发送推荐的配置信息。
18.根据权利要求17所述的数控系统的个性化配置系统,其特征在于,所述推荐单元进一步包括:
获取子单元,用于获取目标用户的初始情境信息;
映射子单元,用于根据所述约定的映射关系把所述目标用户的初始情境信息映射为标准化的目标用户初始情境信息;
归类子单元,用于在所述多个用户类别中,得到与所述标准化的目标用户初始情境信息最接近的用户类别;
配置选择子单元,用于从所述最接近的用户类别中已有的多个数控系统用户的配置信息中选择K个配置信息,其中K为正整数;
发送子单元,用于将所述K个配置信息发送给所述目标用户。
19.根据权利要求17所述的数控系统的个性化配置系统,其特征在于,所述初始情境信息至少包括:
数控系统工位信息、所属时间跨度信息、和数控系统交互实时信息。
20.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所述初始情境信息还包括以下之一或其任意组合:
车间状态信息,用户信息。
21.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所述车间状态信息进一步包括以下之一或其任意组合:
车间是否繁忙,是否临近工期。
22.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所述用户信息包括以下之一或其任意组合:
工种,权限,熟练度级别。
23.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所述数控系统工位信息包括以下之一或其任意组合:
机床所属厂家,机床类型,机床所属工位。
24.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所属时间跨度信息是由工厂加工周期确定的时间段信息。
25.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所述数控系统交互实时信息包括经标准化的用户交互化操作信息。
26.根据权利要求19所述的数控系统的个性化配置系统,其特征在于,所述经标准化的用户交互化操作信息包括以下之一或其任意组合:
加工,闲置,使用CAM辅助,机床加工仿真,指令域监控,CAM软件G代码优化,机床自检。
27.根据权利要求17所述的数控系统的个性化配置系统,其特征在于,所述数控系统是:
数控机床、或数控铣床、或数控加工中心。
28.根据权利要求17所述的数控系统的个性化配置系统,其特征在于,所述聚类单元进一步包括:
行为模式获取子单元,用于获取一个时间段内N个用户的行为模式,形成用户行为日志,作为原始样本数据,共计M个模式,以其中各模式出现的次数作为各模式的置信度,求得平均置信度,其中N和M均为大于1的整数;
简化子单元,用于将各模式的置信度减去平均置信度求得简化后的置信度,获得M*N维矩阵;
降维子单元,用于使用贝叶斯分解或者奇异矩阵分解将所述M*N维矩阵转变为M*r维矩阵,作为行为模式空间,其中r<M,r<N;
数据挖掘子单元,用于对所述样本中全部N个用户的所述日志进行数据挖掘,若出现某行为模式,则在用户行为模式向量取其简化后的置信度作为其在向量对应位置的值,若无该行为模式则将该位置置为0;
映射向量计算子单元,用于根据所述行为模式空间进而计算得到各用户行为模式在所述行为模式空间的映射向量;
动态聚类子单元,根据动态聚类法,通过不断计算用户群重心,比较聚类后各数据与重心的距离,以不断迭代到相对误差小于充分小的允许误差为准,停止进行迭代,完成聚类工作。
29.根据权利要求17至28中任一项所述的数控系统的个性化配置系统,其特征在于,还包括:
评价接收单元,用于接收所述目标用户对所述推荐的配置信息的评价信息。
30.根据权利要求29所述的数控系统的个性化配置系统,其特征在于,所述推荐单元14进一步用于根据标准化初始情境信息的相似度和/或所述评价信息,选择K个配置信息。
31.根据权利要求30所述的数控系统的个性化配置系统,其特征在于,所述推荐单元14进一步包括:
第一选择子单元,用于根据所述评价信息选择K个配置信息;
第二选择子单元,用于根据标准化初始情境信息的相似度选择K个配置信息
判断子单元,用于判断所述最接近的用户类别中配置信息的评价信息的数量是否超过预定门限,如果是则调用所述第一选择子单元根据所述评价信息选择K个配置信息,否则调用所述第二选择子单元根据标准化初始情境信息的相似度选择K个配置信息。
32.根据权利要求30所述的数控系统的个性化配置系统,其特征在于,所述标准化初始情境信息的相似度包括:所述目标用户的标准化初始情境信息与同一用户类别中已知配置信息的数控系统用户的标准化初始情境信息的相似度。
33.一种数控系统的个性化配置系统,其特征在于,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如权利要求1至16中任意一项所述的数控系统的个性化配置方法的步骤。
34.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1至16中任意一项所述的数控系统的个性化配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810306356.6A CN108710502B (zh) | 2018-04-08 | 2018-04-08 | 数控系统的个性化配置方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810306356.6A CN108710502B (zh) | 2018-04-08 | 2018-04-08 | 数控系统的个性化配置方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710502A true CN108710502A (zh) | 2018-10-26 |
CN108710502B CN108710502B (zh) | 2020-09-29 |
Family
ID=63867106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810306356.6A Active CN108710502B (zh) | 2018-04-08 | 2018-04-08 | 数控系统的个性化配置方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710502B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597645A (zh) * | 2018-12-11 | 2019-04-09 | 平安科技(深圳)有限公司 | 一种属性参数修改方法和相关装置 |
CN110531722A (zh) * | 2019-09-12 | 2019-12-03 | 四川长虹电器股份有限公司 | 基于数据采集的工艺参数推荐系统及方法 |
CN112818377A (zh) * | 2019-11-18 | 2021-05-18 | 广东美云智数科技有限公司 | 权限数据推荐、权限设置方法及系统、电子设备及介质 |
WO2021109083A1 (zh) * | 2019-12-05 | 2021-06-10 | 西门子股份公司 | 推荐数据预处理算法的方法、装置、计算设备和介质 |
CN115128997A (zh) * | 2022-06-28 | 2022-09-30 | 华中科技大学 | 一种基于指令域与朴素贝叶斯的有效样本提取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853239A (zh) * | 2010-05-06 | 2010-10-06 | 复旦大学 | 一种用于聚类的基于非负矩阵分解的降维方法 |
KR20120092459A (ko) * | 2011-02-11 | 2012-08-21 | 서울대학교산학협력단 | 모바일 단말을 이용한 상황 인식 서비스 제공 방법 및 그 시스템 |
CN103294801A (zh) * | 2013-05-29 | 2013-09-11 | 中国科学技术大学 | 基于情境感知的联系人个性化推荐服务器、客户端及方法 |
CN106951436A (zh) * | 2017-02-09 | 2017-07-14 | 华南理工大学 | 一种基于移动情境的大规模在线推荐方法 |
-
2018
- 2018-04-08 CN CN201810306356.6A patent/CN108710502B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853239A (zh) * | 2010-05-06 | 2010-10-06 | 复旦大学 | 一种用于聚类的基于非负矩阵分解的降维方法 |
KR20120092459A (ko) * | 2011-02-11 | 2012-08-21 | 서울대학교산학협력단 | 모바일 단말을 이용한 상황 인식 서비스 제공 방법 및 그 시스템 |
CN103294801A (zh) * | 2013-05-29 | 2013-09-11 | 中国科学技术大学 | 基于情境感知的联系人个性化推荐服务器、客户端及方法 |
CN106951436A (zh) * | 2017-02-09 | 2017-07-14 | 华南理工大学 | 一种基于移动情境的大规模在线推荐方法 |
Non-Patent Citations (1)
Title |
---|
李炳燃等: "智能制造环境下的数控系统发展需求", 《航空制造技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597645A (zh) * | 2018-12-11 | 2019-04-09 | 平安科技(深圳)有限公司 | 一种属性参数修改方法和相关装置 |
CN109597645B (zh) * | 2018-12-11 | 2022-02-01 | 平安科技(深圳)有限公司 | 一种属性参数修改方法和相关装置 |
CN110531722A (zh) * | 2019-09-12 | 2019-12-03 | 四川长虹电器股份有限公司 | 基于数据采集的工艺参数推荐系统及方法 |
CN110531722B (zh) * | 2019-09-12 | 2021-05-28 | 四川长虹电器股份有限公司 | 基于数据采集的工艺参数推荐系统及方法 |
CN112818377A (zh) * | 2019-11-18 | 2021-05-18 | 广东美云智数科技有限公司 | 权限数据推荐、权限设置方法及系统、电子设备及介质 |
WO2021109083A1 (zh) * | 2019-12-05 | 2021-06-10 | 西门子股份公司 | 推荐数据预处理算法的方法、装置、计算设备和介质 |
CN115128997A (zh) * | 2022-06-28 | 2022-09-30 | 华中科技大学 | 一种基于指令域与朴素贝叶斯的有效样本提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108710502B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710502A (zh) | 数控系统的个性化配置方法及其系统 | |
Karshenas et al. | Rank, stock, order, and epidemic effects in the diffusion of new process technologies: An empirical model | |
Xu* et al. | A polychromatic sets approach to the conceptual design of machine tools | |
CN107230108A (zh) | 业务数据的处理方法及装置 | |
US20180322580A1 (en) | Intelligent Financial Management System | |
CN103839183A (zh) | 智能授信方法及智能授信装置 | |
CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
CN110070134A (zh) | 一种基于用户兴趣感知的推荐方法及装置 | |
CN108710609A (zh) | 一种基于多特征融合的社交平台用户信息的分析方法 | |
Gross et al. | Unveiling ecological assembly rules from commonalities in trait distributions | |
Prasanna et al. | An analysis on stock market prediction using data mining techniques | |
CN115238153B (zh) | 一种基于虚拟仿真的文档管理方法及系统 | |
CN104915388B (zh) | 一种基于谱聚类和众包技术的图书标签推荐方法 | |
CN114004654A (zh) | 基于大数据分析的互联网卡用户画像构建方法及系统 | |
Parrish et al. | Crystal cube: Multidisciplinary approach to disruptive events prediction | |
CN115168900A (zh) | 一种用于智慧交通系统的轨迹数据隐私保护方法及系统 | |
CN106407468B (zh) | 一种描述事物空间属性并基于所述描述进行查找的方法 | |
CN115907611A (zh) | 一种基于配件市场价值的配件库存管控方法 | |
Zhou | [Retracted] Optimization of the Rapid Design System for Arts and Crafts Based on Big Data and 3D Technology | |
Giudici et al. | Network models to improve robot advisory portfolios | |
CN101404073B (zh) | 一种复杂产品模糊层次配置方法 | |
CN113947476A (zh) | 失信客户识别方法、装置、设备及存储介质 | |
Bâra et al. | Improving decision support systems with data mining techniques | |
CN117436679A (zh) | 一种元宇宙资源匹配方法及其系统 | |
CN116258356B (zh) | 基于WaveNet的工单派发方法、装置及相关介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |