CN111177546A - 一种基于深度学习的工艺参数在线智能推荐方法及装置 - Google Patents

一种基于深度学习的工艺参数在线智能推荐方法及装置 Download PDF

Info

Publication number
CN111177546A
CN111177546A CN201911349142.8A CN201911349142A CN111177546A CN 111177546 A CN111177546 A CN 111177546A CN 201911349142 A CN201911349142 A CN 201911349142A CN 111177546 A CN111177546 A CN 111177546A
Authority
CN
China
Prior art keywords
process parameter
neural network
network model
initializing
representing
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
Application number
CN201911349142.8A
Other languages
English (en)
Other versions
CN111177546B (zh
Inventor
黄天仑
马敬奇
王楠
赵勇
雷欢
何峰
卢杏坚
钟震宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Institute of Intelligent Manufacturing
Original Assignee
Guangdong Institute of Intelligent Manufacturing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Institute of Intelligent Manufacturing filed Critical Guangdong Institute of Intelligent Manufacturing
Priority to CN201911349142.8A priority Critical patent/CN111177546B/zh
Publication of CN111177546A publication Critical patent/CN111177546A/zh
Application granted granted Critical
Publication of CN111177546B publication Critical patent/CN111177546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度学习的工艺参数在线智能推荐方法及装置，其中，所述方法包括：基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化；从专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；基于M个现场工艺参数值构建现场工艺参数池；从现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值计算损失函数；将计算后的损失函数返回初始化第一神经网络模型输出最佳的工艺参数数组。在本发明实施例中，可以输出最佳的推荐方案。

Description

一种基于深度学习的工艺参数在线智能推荐方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的工艺参数在线智能推荐方法及装置。
背景技术
目前的轻质型材、模具制造、航空与汽车零部件加工等制造业在设计制造过程中依赖人工经验进行设计制造等工艺参数的确定，造成设计制造周期较长，人工成本较高，生产效率偏低等结果，且存在产品质量难以保证，或多次返修等问题。随着计算机及人工智能的发展，智能推荐算法被用于数控加工、产品设计与制造等领域，根据用户需求智能推荐出对应的工艺产品数据等。因此，为改善以上问题，本发明提出基于深度学习的智能推荐方法，将其应用于工业设计、数控加工等领域，该方法可去掉人工干预，机器能够通过网络对工艺参数的自动学习，自主的设定最适合每个工件的工艺参数，使其根据工艺的改变而自适应的改变工艺参数，不需要人为干预，而且机器还可以在工作中不断学习新工艺参数，根据现场环境的改变而推荐最佳的参数值。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习的工艺参数在线智能推荐方法及装置，可以实现智能的推荐最优的工艺参数数组。
为了解决上述技术问题，本发明实施例提供了一种基于深度学习的工艺参数在线智能推荐方法，所述方法包括：
基于专家给出的经验值构建专家工艺参数池；
分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。
可选的，所述m个专家工艺参数组表示如下：
St＝{St1,St2,...,Sti,...,Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。
可选的，所述现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
可选的，所述现场工艺参数组表示如下：
Ot＝{Ot1,Ot2,...,Oti,...,Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
可选的，所述现场工艺参数组合表达式如下：
S′t＝{S′t1,S′t2,...,S′ti,...,S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。
可选的，所述工艺参数值的计算公式如下：
P′＝S′t+η′·β′t·O′t；
其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
可选的，所述工艺参数组的表达式如下：
O′t＝{O′t1,O′t2,...,O′ti,...,O′tm}；
其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
可选的，所述利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数的计算公式如下：
L＝(St+P′-P)2；
其中，P＝St+η·βt·Ot，P′＝S′t+η′·β′t·O′t，则损失函数公式可以写成如下表达式：
L＝(S′t+η′·β′t·O′t-η·βt·Ot)2；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。
另外，本发明实施例还提供了一种基于深度学习的工艺参数在线智能推荐装置，所述装置包括：
第一构建模块：用于基于专家给出的经验值构建专家工艺参数池；
模型获得模块：用于分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
第一训练输出模块：用于从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
第二构建模块：用于在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
第二训练输出模块：用于从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
损失函数计算模块：用于在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
最佳输出模块：用于将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。
在本发明实施例中，基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组；可以快速的准确的得到最佳的工艺参数数组，给智能的给出推荐方案，无需太多的人工干预，提高了准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于深度学习的工艺参数在线智能推荐方法的流程示意图；
图2是本发明实施例中的基于深度学习的工艺参数在线智能推荐装置的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施例中的基于深度学习的工艺参数在线智能推荐方法的流程示意图。
如图1所示，一种基于深度学习的工艺参数在线智能推荐方法，所述方法包括：
S11：基于专家给出的经验值构建专家工艺参数池；
在本发明具体实施过程中，首先手机专家给出的经验值，在收集到一定数量的专家的经验值之后，利用这些专家给出的一定数量的经验值来构建专家工艺参数池，该专家工艺参数池为专家给出的经验值所提供的工艺参数组合组成的集合，其主要用于后续的训练样本，主要用于训练后的初始化第一神经网模型和后续的损失函数的计算。
S12：分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
在本发明具体实施过程中，分别构建第一神经网络模型和第二神经网络模型，在构建完成之后，分别对第一神经网络模型和第二神经网络模型进行初始化，最终获得初始化第一神经网模型和初始化第二神经网络模型；初始化第一神经网模型主要用于工艺参数组的推荐，推荐出最佳的参数组合；初始化第二神经网络模型主要用于训练现场的工艺参数组，得到最适合现场的工艺参数组。
S13：从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
在本发明具体实施过程中，所述m个专家工艺参数组表示如下：
St＝{St1,St2,...,Sti,...,Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。
进一步的，所述现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
进一步的，所述现场工艺参数组表示如下：
Ot＝{Ot1,Ot2,...,Oti,...,Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
具体的，在该专家工艺参数池随机的选取m个专家工艺参数组St作为初始化第一神经网络模型的输入，然后该初始化第一神经网络模型输出m个专家工艺参数组St下的现场工艺参数值P＝(St,βt,Ot)，其中，βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
该m个专家工艺参数组表示如下：
St＝{St1,St2,...,Sti,...,Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。
该现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
该现场工艺参数组表示如下：
Ot＝{Ot1,Ot2,...,Oti,...,Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
S14：在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
在本发明具体实施过程中，通过上述的S13步骤不断的重复执行，在通过初始化第一神经网络模型输出M个现场工艺参数值之后，利用该M个现场工艺参数值构建现场工艺参数池。
该现场工艺参数池为现场的工艺参数组所组成的参数集合，现场工艺参数池是经过初始化第一神经网络模型M轮迭代之后得到的参数组合，主要作为训练样本，用于训练初始化第二神经网络模型，得到最优模型参数，以输出最佳工艺参数组。
S15：从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
在本发明具体实施过程中，所述现场工艺参数组合表达式如下：
S′t＝{S′t1,S′t2,...,S′ti,...,S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。
进一步的，所述工艺参数值的计算公式如下：
P′＝S′t+η′·β′t·O′t；
其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
进一步的，所述工艺参数组的表达式如下：
O′t＝{O′t1,O′t2,...,O′ti,...,O′tm}；
其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
具体的，在该现场工艺参数池随机选取m个现场工艺参数组合S′t作为初始化第二神经网络模型的训练样本输入，然后该初始化第二神经网络模型输出m个现场工艺参数组合S′t下的现场工艺参数组合下的工艺参数值P′＝(S′t,β′t,O′t)，其中，β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
该现场工艺参数组合表达式如下：
S′t＝{S′t1,S′t2,...,S′ti,...,S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。
该工艺参数值的计算公式如下：
P′＝S′t+η′·β′t·O′t；
其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
该工艺参数组的表达式如下：
O′t＝{O′t1,O′t2,...,O′ti,...,O′tm}；
其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
S16：在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
在本发明具体实施过程中，所述利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数的计算公式如下：
L＝(St+P′-P)2；
其中，P＝St+η·βt·Ot，P′＝S′t+η′·β′t·O′t，则损失函数公式可以写成如下表达式：
L＝(S′t+η′·β′t·O′t-η·βt·Ot)2；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。
具体的，通过上述的初始化第一神经网络模型和初始化第二神经网络模型的输出，即可得到最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合，然后利用最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合来进行损失函数的计算，具体的计算公式如下：
L＝(St+P′-P)2；
其中，P＝St+η·βt·Ot，P′＝S′t+η′·β′t·O′t，则损失函数公式可以写成如下表达式：
L＝(S′t+η′·β′t·O′t-η·βt·Ot)2；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。
通过最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合来对损失函数的计算，可以得到更好的损失函数，更有利于后的的预测准确度。
S17：将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。
在本发明具体实施过程中，在得到相应的损失函数之后，通过该损失函数来返回对初始化第一神经网络模型进行网络参数修正，通过参数修正后的初始化第一神经网络模型即可输出最佳的工艺参数数组。
在本发明实施例中，基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组；可以快速的准确的得到最佳的工艺参数数组，给智能的给出推荐方案，无需太多的人工干预，提高了准确度。
实施例
请参阅图2，图2是本发明实施例中的基于深度学习的工艺参数在线智能推荐装置的结构组成示意图。
如图2所示，一种基于深度学习的工艺参数在线智能推荐装置，所述装置包括：
第一构建模块21：用于基于专家给出的经验值构建专家工艺参数池；
在本发明具体实施过程中，首先手机专家给出的经验值，在收集到一定数量的专家的经验值之后，利用这些专家给出的一定数量的经验值来构建专家工艺参数池，该专家工艺参数池为专家给出的经验值所提供的工艺参数组合组成的集合，其主要用于后续的训练样本，主要用于训练后的初始化第一神经网模型和后续的损失函数的计算。
模型获得模块22：用于分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
在本发明具体实施过程中，分别构建第一神经网络模型和第二神经网络模型，在构建完成之后，分别对第一神经网络模型和第二神经网络模型进行初始化，最终获得初始化第一神经网模型和初始化第二神经网络模型；初始化第一神经网模型主要用于工艺参数组的推荐，推荐出最佳的参数组合；初始化第二神经网络模型主要用于训练现场的工艺参数组，得到最适合现场的工艺参数组。
第一训练输出模块23：用于从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
在本发明具体实施过程中，所述m个专家工艺参数组表示如下：
St＝{St1,St2,...,Sti,...,Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。
进一步的，所述现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
进一步的，所述现场工艺参数组表示如下：
Ot＝{Ot1,Ot2,...,Oti,...,Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
具体的，在该专家工艺参数池随机的选取m个专家工艺参数组St作为初始化第一神经网络模型的输入，然后该初始化第一神经网络模型输出m个专家工艺参数组St下的现场工艺参数值P＝(St,βt,Ot)，其中，βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
该m个专家工艺参数组表示如下：
St＝{St1,St2,...,Sti,...,Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。
该现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
该现场工艺参数组表示如下：
Ot＝{Ot1,Ot2,...,Oti,...,Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
第二构建模块24：用于在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
在本发明具体实施过程中，通过上述的S13步骤不断的重复执行，在通过初始化第一神经网络模型输出M个现场工艺参数值之后，利用该M个现场工艺参数值构建现场工艺参数池。
该现场工艺参数池为现场的工艺参数组所组成的参数集合，现场工艺参数池是经过初始化第一神经网络模型M轮迭代之后得到的参数组合，主要作为训练样本，用于训练初始化第二神经网络模型，得到最优模型参数，以输出最佳工艺参数组。
第二训练输出模块25：用于从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
在本发明具体实施过程中，所述现场工艺参数组合表达式如下：
S′t＝{S′t1,S′t2,...,S′ti,...,S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。
进一步的，所述工艺参数值的计算公式如下：
P′＝S′t+η′·β′t·O′t；
其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
进一步的，所述工艺参数组的表达式如下：
O′t＝{O′t1,O′t2,...,O′ti,...,O′tm}；
其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
具体的，在该现场工艺参数池随机选取m个现场工艺参数组合S′t作为初始化第二神经网络模型的训练样本输入，然后该初始化第二神经网络模型输出m个现场工艺参数组合S′t下的现场工艺参数组合下的工艺参数值P′＝(S′t,β′t,O′t)，其中，β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
该现场工艺参数组合表达式如下：
S′t＝{St′1,S′t2,...,S′ti,...,S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。
该工艺参数值的计算公式如下：
P′＝S′t+η′·β′t·O′t；
其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
该工艺参数组的表达式如下：
O′t＝{O′t1,O′t2,...,O′ti,...,O′tm}；
其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
损失函数计算模块26：用于在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
在本发明具体实施过程中，所述利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数的计算公式如下：
L＝(St+P′-P)2；
其中，P＝St+η·βt·Ot，P′＝S′t+η′·β′t·O′t，则损失函数公式可以写成如下表达式：
L＝(S′t+η′·β′t·O′t-η·βt·Ot)2；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。
具体的，通过上述的初始化第一神经网络模型和初始化第二神经网络模型的输出，即可得到最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合，然后利用最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合来进行损失函数的计算，具体的计算公式如下：
L＝(St+P′-P)2；
其中，P＝St+η·βt·Ot，P′＝Stt+η′·β′t·O′t，则损失函数公式可以写成如下表达式：
L＝(Stt+η′·β′t·O′t-η·βt·Ot)2；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。
通过最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合来对损失函数的计算，可以得到更好的损失函数，更有利于后的的预测准确度。
最佳输出模块27：用于将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。
在本发明具体实施过程中，在得到相应的损失函数之后，通过该损失函数来返回对初始化第一神经网络模型进行网络参数修正，通过参数修正后的初始化第一神经网络模型即可输出最佳的工艺参数数组。
在本发明实施例中，基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组；可以快速的准确的得到最佳的工艺参数数组，给智能的给出推荐方案，无需太多的人工干预，提高了准确度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于深度学习的工艺参数在线智能推荐方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于深度学习的工艺参数在线智能推荐方法，其特征在于，所述方法包括：
基于专家给出的经验值构建专家工艺参数池；
分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
从所述现场工艺参数池随机选取输出现场工艺参数组合下的工艺参数值作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。
2.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述m个专家工艺参数组表示如下：
St＝{St1，St2，...，Sti，...，Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。
3.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。
4.根据权利要求3所述的工艺参数在线智能推荐方法，其特征在于，所述现场工艺参数组表示如下：
Ot＝{Ot1，Ot2，...，Oti，...，Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
5.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述现场工艺参数组合表达式如下：
S′t＝{S′t1，S′t2，...，S′ti，...，S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。
6.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述工艺参数值的计算公式如下：
P′＝S′t+η′·β′t·O′t；
其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。
7.根据权利要求6所述的工艺参数在线智能推荐方法，其特征在于，所述工艺参数组的表达式如下：
O′t＝{O′t1，O′t2，...，O′ti，...，O′tm}；
其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。
8.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数的计算公式如下：
L＝(St+P′-P)2；
其中，P＝St+η·βt·Ot，P′＝S′t+η′·β′t·O′t，则损失函数公式可以写成如下表达式：
L＝(S′t+η′·β′t·O′t-η·βt·Ot)2；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。
9.一种基于深度学习的工艺参数在线智能推荐装置，其特征在于，所述装置包括：
第一构建模块：用于基于专家给出的经验值构建专家工艺参数池；
模型获得模块：用于分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
第一训练输出模块：用于从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
第二构建模块：用于在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
第二训练输出模块：用于从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
损失函数计算模块：用于在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
最佳输出模块：用于将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。
CN201911349142.8A 2019-12-24 2019-12-24 一种基于深度学习的工艺参数在线智能推荐方法及装置 Active CN111177546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911349142.8A CN111177546B (zh) 2019-12-24 2019-12-24 一种基于深度学习的工艺参数在线智能推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911349142.8A CN111177546B (zh) 2019-12-24 2019-12-24 一种基于深度学习的工艺参数在线智能推荐方法及装置

Publications (2)

Publication Number Publication Date
CN111177546A true CN111177546A (zh) 2020-05-19
CN111177546B CN111177546B (zh) 2023-04-14

Family

ID=70650406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911349142.8A Active CN111177546B (zh) 2019-12-24 2019-12-24 一种基于深度学习的工艺参数在线智能推荐方法及装置

Country Status (1)

Country Link
CN (1) CN111177546B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950071A (zh) * 2021-03-30 2021-06-11 北京瑞莱智慧科技有限公司 工艺参数调整模型的训练方法、工艺参数调整方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031954A (zh) * 2018-08-03 2018-12-18 北京深度奇点科技有限公司 基于强化学习的焊接参数确定方法、焊接方法和设备
CN109409520A (zh) * 2018-10-17 2019-03-01 深圳市微埃智能科技有限公司 基于迁移学习的焊接工艺参数推荐方法、装置及机器人

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031954A (zh) * 2018-08-03 2018-12-18 北京深度奇点科技有限公司 基于强化学习的焊接参数确定方法、焊接方法和设备
CN109409520A (zh) * 2018-10-17 2019-03-01 深圳市微埃智能科技有限公司 基于迁移学习的焊接工艺参数推荐方法、装置及机器人

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950071A (zh) * 2021-03-30 2021-06-11 北京瑞莱智慧科技有限公司 工艺参数调整模型的训练方法、工艺参数调整方法及装置

Also Published As

Publication number Publication date
CN111177546B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN109886358B (zh) 基于多时空信息融合卷积神经网络的人体行为识别方法
CN106201849B (zh) 一种有限数据驱动的长寿命部件余寿预测方法
CN109615073A (zh) 一种神经网络模型的构建方法、设备以及存储介质
CN109086930B (zh) 一种基于电力k线图及深度网络的用户用电行为分析方法
CN110287583A (zh) 基于循环神经网络的工业设备剩余寿命预测方法
CN115829024B (zh) 一种模型训练方法、装置、设备及存储介质
CN107230349A (zh) 一种在线式实时短时间交通流预测方法
CN115577647B (zh) 电网故障类型识别方法与智能体构建方法
CN111177546B (zh) 一种基于深度学习的工艺参数在线智能推荐方法及装置
CN110619427A (zh) 基于序列到序列学习模型的交通指数预测方法和装置
CN112634019A (zh) 基于细菌觅食算法优化灰色神经网络的违约概率预测方法
Daubigney et al. Off-policy learning in large-scale POMDP-based dialogue systems
WO2021055442A1 (en) Small and fast video processing networks via neural architecture search
CN112381664A (zh) 电网短期负荷预测方法、预测装置及存储介质
CN112836081A (zh) 一种神经网络模型训练方法、信息推荐方法及存储介质
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN110852808A (zh) 基于深度神经网络的电子产品异步自适应价值评估方法
CN111461284A (zh) 数据离散化方法、装置、设备及介质
CN111950195A (zh) 一种基于画像系统与深度回归模型的工程进度预测方法
CN110633840A (zh) 一种数据处理方法、装置及存储介质
CN114385910A (zh) 基于知识追踪的在线学习内容推荐方法及系统
CN113592064A (zh) 环抛机工艺参数预测方法、系统、应用、终端及介质
CN117034780A (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN111914473A (zh) 一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质
CN112348247A (zh) 一种光能发电的预测方法、装置、计算机设备及存储介质

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