CN110458606A - 基于深度学习的非标刀具价格预测方法 - Google Patents
基于深度学习的非标刀具价格预测方法 Download PDFInfo
- Publication number
- CN110458606A CN110458606A CN201910657296.7A CN201910657296A CN110458606A CN 110458606 A CN110458606 A CN 110458606A CN 201910657296 A CN201910657296 A CN 201910657296A CN 110458606 A CN110458606 A CN 110458606A
- Authority
- CN
- China
- Prior art keywords
- parameter
- nonstandard cutter
- indicates
- value
- label
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000003754 machining Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 6
- 238000003801 milling Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于深度学习的非标刀具价格预测方法,用于解决现有非标刀具价格预测方法实用性差的技术问题。技术方案是利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系,以实现非标刀具价格预测。首先对刀具设计参数建模,为每个参数添加标签;然后采用GA‑BP神经网络预测非标刀具的加工工时,从而与机床单位时间成本相乘得到制造成本;最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型,输出多组预测值,通过价值评估算法筛选出合理的预测结果输出,作为最终的价格,实用性好。
Description
技术领域
本发明涉及一种非标刀具价格预测方法,特别是涉及一种基于深度学习的非标刀具价格预测方法。
背景技术
非标刀具价格受成本的影响大,在确定订单前,刀具厂商需要对非标刀具价格进行预测。目前,刀具厂商通过人工经验的方法对非标刀具价格进行预测,预测结果并不准确。另一方面,非标刀具类型众多、形状多样、结构复杂,在进行价格预测时涉及到大量的参数计算,价格预测人员在进行计算时要花费大量的时间,而且容易出错。因此,研究非标刀具价格预测方法具有重要意义。
文献“基于实例库的产品快速报价方法研究,机械设计与制造,2010,Vol.10,p246-248”公开了一种基于产品订单报价实例库的快速报价方法。该方法以企业已有产品订单报价实例库为基础,通过产品特征属性检索相似产品,运用相似类比和模糊数学方法,建立报价与产品特征属性间的数学模型,并按照相似匹配算法从样本实例库中检索出最大相似度的乡四十里,依相似度的大小进行相应的加权调整计算,最终得到待报价产品的价格,并对样本实例库进行相应的更新。但是该方法的准确性取决于实例数据是否充分和准确,以及对样本实例的选取具有较高的要求,而且对于全新的产品并不能够快速准确的给出产品的价格。非标刀具形状类型多样,该方法预测精度降低,具有局限性。
发明内容
为了克服现有非标刀具价格预测方法实用性差的不足,本发明提供一种基于深度学习的非标刀具价格预测方法。该方法利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系,以实现非标刀具价格预测。首先对刀具设计参数建模,为每个参数添加标签;然后采用GA-BP神经网络预测非标刀具的加工工时,从而与机床单位时间成本相乘得到制造成本;最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型,输出多组预测值,通过价值评估算法筛选出合理的预测结果输出,作为最终的价格,实用性好。
本发明解决其技术问题所采用的技术方案是:一种基于深度学习的非标刀具价格预测方法,其特点是包括以下步骤:
步骤一、非标刀具设计参数建模:为非标刀具设计参数添加标签信息,将设计参数与对应的标签组成输入数据。
X=(L,L值,A,A值,D,D值,R,R值,S,m,m值) (1)
式中,L表示长度参数标签,包括非标刀具刀杆长度、刀片到基准线的长度、到头长度、退刀槽宽度;L值表示长度参数标签对应的具体数值;A表示角度参数标签,包括非标刀具的刀片偏角、刀尖角;A值表示角度参数标签对应的具体数值;D表示直径参数标签,包括刀具的刀杆直径、刀头直径、阶梯直径;D值表示直径参数标签对应的具体数值;R表示半径参数标签,包括刀尖圆弧半径;R值表示半径参数标签对应的具体数值;S表示精度参数;m表示材料参数标签;m值表示材料参数标签对应的具体材料。
对精度参数单独建模:
S=(P,s1,s2,s3) (2)
其中,P表示刀具设计参数中的精度参数的标签;s1表示精度标定的数值,s2表示精度上界,s3表示精度下界。
由于各输入单位和数量级不一样,为了输入的便捷性和统一性,对非标刀具设计参数进行归一化处理。
其中,xmax和xmin分别为样本初始数据的最大值和最小值;x和y分别是归一化处理前后的数据。
步骤二、非标刀具加工工时预测:对于非标刀具制造成本不可知的情况,通过GA-BP神经网络预测非标刀具加工工时,从而与机床单位时间成本相乘得到制造成本。
T=f(X,θ) (4)
C=T·B (5)
式中,X表示非标刀具设计参数,包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数;θ表示在网络训练中需要优化的参数;T表示非标刀具加工工时;f()是通过有监督学习获得的映射关系;C表示非标刀具制造成本;B表示机床单位时间加工成本。
步骤三、非标刀具价格预测:将步骤二中得到的非标刀具制造成本与非标刀具设计参数组成向量,通过DBN多专家模型预测非标刀具的价格。
Y=φ(X,C) (6)
式中,X表示非标刀具设计参数,包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数;C表示非标刀具制造成本;Y表示非标刀具价格;φ()表示通过有监督学习获得的映射关系。
本发明的有益效果是:该方法利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系,以实现非标刀具价格预测。首先对刀具设计参数建模,为每个参数添加标签;然后采用GA-BP神经网络预测非标刀具的加工工时,从而与机床单位时间成本相乘得到制造成本;最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型,输出多组预测值,通过价值评估算法筛选出合理的预测结果输出,作为最终的价格,实用性好。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于深度学习的非标刀具价格预测方法具体步骤如下:
首先将非标刀具设计参数以向量的形式表示,非标刀具设计参数可以分为六类,长度参数、角度参数、直径参数、半径参数、精度参数、材料参数,参数向量的表示及包含的具体属性如下。
非标刀具设计参数向量如下:
X=(L,L值,A,A值,D,D值,R,R值,S,m,m值) (1)
其中,L表示长度参数标签,L=(l1,l2,l3,l4,l5,l6)共有6个长度参数;L值表示长度参数标签对应的具体数值;A表示角度参数标签,A=(a1,a2,a3,a4)共有4个角度参数;A值表示角度参数标签对应的具体数值;D表示直径参数标签,D=(d1,d2,d3,d4,d5)共有5个直径参数;D值表示直径参数标签对应的具体数值;R表示半径参数标签,R=(r1,r2)共有2个半径参数;R值表示半径参数标签对应的具体数值;S表示精度参数;m表示材料参数标签;m值表示材料参数标签对应的具体材料。
特别的,对于精度参数有上下界之分,因此对精度参数单独建模,如下所示:
S=(P,s1,s2,s3) (2)
其中,P表示刀具设计参数中的精度参数的标签,P=(p1,p2)共有2个精度参数;s1表示精度标定的数值,s2表示精度上界,s3表示精度下界。
由于各输入单位和数量级不一样,为了输入的便捷性和统一性,对非标刀具设计参数进行归一化处理。
其中,xmax和xmin分别为样本初始数据的最大值和最小值;x和y分别是归一化处理前后的数据。
将归一化后的非标刀具设计参数输入GA-BP神经网络模型进行有监督的学习,预测得到非标刀具制造阶段的车床加工工时、铣床加工工时和加工中心加工工时,与相应的机床单位时间成本相乘,从而得到非标刀具的制造成本。
T=f(X,θ) (4)
C=T·B (5)
式中,X表示非标刀具设计参数,包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数;θ表示在网络训练中需要优化的参数;T=(lt,mt,ct)表示非标刀具车床加工工时、铣床加工工时和加工中心;f()是通过有监督学习获得的映射关系;C=(lc,mc,cc)表示非标刀具车床加工成本、铣床加工成本和加工中心加工成本;B表示机床单位时间加工成本。
将非标刀具设计参数与前一步骤得到的非标刀具车床加工成本、铣床加工成本、加工中心加工成本组成一个新的向量。采用DBN深度信念网络建立多组预测模型,多组预测模型组成DBN多专家模型,这样可以避免单一的预测模型产生的误差。
Y=φ(X,C) (6)
式中,X表示非标刀具设计参数,包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数;C=(lc,mc,cc)表示非标刀具车床加工成本、铣床加工成本和加工中心加工成本;Y表示非标刀具价格;φ()表示通过有监督学习获得的映射关系。
将组成的新向量输入DBN多专家模型,预测出多组结果,求出多组结果的平均值,计算每组结果与平均值之间的距离,将距离最小的预测结果作为最终的价格输出。
Claims (1)
1.一种基于深度学习的非标刀具价格预测方法,其特征在于包括以下步骤:
步骤一、非标刀具设计参数建模:为非标刀具设计参数添加标签信息,将设计参数与对应的标签组成输入数据;
X=(L,L值,A,A值,D,D值,R,R值,S,m,m值) (1)
式中,L表示长度参数标签,包括非标刀具刀杆长度、刀片到基准线的长度、到头长度、退刀槽宽度;L值表示长度参数标签对应的具体数值;A表示角度参数标签,包括非标刀具的刀片偏角、刀尖角;A值表示角度参数标签对应的具体数值;D表示直径参数标签,包括刀具的刀杆直径、刀头直径、阶梯直径;D值表示直径参数标签对应的具体数值;R表示半径参数标签,包括刀尖圆弧半径;R值表示半径参数标签对应的具体数值;S表示精度参数;m表示材料参数标签;m值表示材料参数标签对应的具体材料;
对精度参数单独建模:
S=(P,s1,s2,s3) (2)
其中,P表示刀具设计参数中的精度参数的标签;s1表示精度标定的数值,s2表示精度上界,s3表示精度下界;
由于各输入单位和数量级不一样,为了输入的便捷性和统一性,对非标刀具设计参数进行归一化处理;
其中,xmax和xmin分别为样本初始数据的最大值和最小值;x和y分别是归一化处理前后的数据;
步骤二、非标刀具加工工时预测:对于非标刀具制造成本不可知的情况,通过GA-BP神经网络预测非标刀具加工工时,从而与机床单位时间成本相乘得到制造成本;
T=f(X,θ) (4)
C=T·B (5)
式中,X表示非标刀具设计参数,包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数;θ表示在网络训练中需要优化的参数;T表示非标刀具加工工时;f()是通过有监督学习获得的映射关系;C表示非标刀具制造成本;B表示机床单位时间加工成本;
步骤三、非标刀具价格预测:将步骤二中得到的非标刀具制造成本与非标刀具设计参数组成向量,通过DBN多专家模型预测非标刀具的价格;
Y=φ(X,C) (6)
式中,X表示非标刀具设计参数,包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数;C表示非标刀具制造成本;Y表示非标刀具价格;φ()表示通过有监督学习获得的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910657296.7A CN110458606A (zh) | 2019-07-19 | 2019-07-19 | 基于深度学习的非标刀具价格预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910657296.7A CN110458606A (zh) | 2019-07-19 | 2019-07-19 | 基于深度学习的非标刀具价格预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458606A true CN110458606A (zh) | 2019-11-15 |
Family
ID=68481598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910657296.7A Pending CN110458606A (zh) | 2019-07-19 | 2019-07-19 | 基于深度学习的非标刀具价格预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458606A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242747A (zh) * | 2020-01-21 | 2020-06-05 | 北京爱数智慧科技有限公司 | 一种订单报价方法和装置 |
CN113721549A (zh) * | 2021-08-30 | 2021-11-30 | 上汽通用五菱汽车股份有限公司 | 一种适用于刀具成本管理的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
CN102236838A (zh) * | 2010-05-07 | 2011-11-09 | 株式会社日立制作所 | 信息处理装置、成本预测计算方法及成本预测计算程序 |
CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
CN107363645A (zh) * | 2017-08-21 | 2017-11-21 | 温州大学 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN109165784A (zh) * | 2018-08-20 | 2019-01-08 | 江苏金迪木业股份有限公司 | 基于制造数据库的木门加工时间预测方法 |
CN109492827A (zh) * | 2018-12-06 | 2019-03-19 | 深圳市中农易讯信息技术有限公司 | 商品价格预测方法、装置、计算机设备及存储介质 |
CN110009160A (zh) * | 2019-04-11 | 2019-07-12 | 东北大学 | 一种基于改进的深度信念网络的电力价格预测方法 |
-
2019
- 2019-07-19 CN CN201910657296.7A patent/CN110458606A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
CN102236838A (zh) * | 2010-05-07 | 2011-11-09 | 株式会社日立制作所 | 信息处理装置、成本预测计算方法及成本预测计算程序 |
CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
CN107363645A (zh) * | 2017-08-21 | 2017-11-21 | 温州大学 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN109165784A (zh) * | 2018-08-20 | 2019-01-08 | 江苏金迪木业股份有限公司 | 基于制造数据库的木门加工时间预测方法 |
CN109492827A (zh) * | 2018-12-06 | 2019-03-19 | 深圳市中农易讯信息技术有限公司 | 商品价格预测方法、装置、计算机设备及存储介质 |
CN110009160A (zh) * | 2019-04-11 | 2019-07-12 | 东北大学 | 一种基于改进的深度信念网络的电力价格预测方法 |
Non-Patent Citations (3)
Title |
---|
MINGWEI WANG等: "A Bayesian network-based classifier for machining error prediction" * |
吴美琼: "电网工程设备材料价格影响因素分析与预测模型研究" * |
柳伟等: "基于反向传播神经网络的注塑模具用零件报价模型" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242747A (zh) * | 2020-01-21 | 2020-06-05 | 北京爱数智慧科技有限公司 | 一种订单报价方法和装置 |
CN113721549A (zh) * | 2021-08-30 | 2021-11-30 | 上汽通用五菱汽车股份有限公司 | 一种适用于刀具成本管理的方法及系统 |
CN113721549B (zh) * | 2021-08-30 | 2023-09-15 | 上汽通用五菱汽车股份有限公司 | 一种适用于刀具成本管理的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
CN108107838A (zh) | 一种基于云知识库和机器学习的数控装备刀具磨损检测方法 | |
CN110458606A (zh) | 基于深度学习的非标刀具价格预测方法 | |
CN109901512A (zh) | 一种基于加工参数标准化的车削工时定额方法 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
Bharati | Hesitant fuzzy computational algorithm for multiobjective optimization problems | |
CN103226728A (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN109631905B (zh) | 一种基于动态参考点的nsgaⅲ的路径规划方法 | |
CN108068294B (zh) | 塑胶押出制程控制方法及参数调整系统 | |
CN110221540A (zh) | 基于Hammerstein模型的连续搅拌反应器系统控制方法 | |
CN106547899A (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
CN108470214A (zh) | 一种基于区间优化算法的有界误差参数估计方法 | |
CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN116703254A (zh) | 模具机械零部件生产信息管理系统 | |
CN108445855A (zh) | 基于K-means的注塑机配方参数优化方法 | |
CN110084376A (zh) | 对数据自动分箱的方法及装置 | |
Sapkal et al. | Application of multi-attribute decision making methods for fused deposition modelling | |
CN111597499B (zh) | 一种工业设备故障维修方案生成方法及系统 | |
Wang et al. | Optimization of the tool selection based on big data | |
CN116484752B (zh) | 刀具刃型设计方法、系统、设备及存储介质 | |
CN110209131B (zh) | 一种基于误差传递网络与提升树算法的质量预测方法 | |
Munoz-Tamayo et al. | Design of optimal experiments for parameter estimation of microalgae growth models | |
CN104598720B (zh) | 基于聚类和多任务学习的化学机械研磨时间设定方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
WD01 | Invention patent application deemed withdrawn after publication |