CN112950071A - 工艺参数调整模型的训练方法、工艺参数调整方法及装置 - Google Patents
工艺参数调整模型的训练方法、工艺参数调整方法及装置 Download PDFInfo
- Publication number
- CN112950071A CN112950071A CN202110344365.6A CN202110344365A CN112950071A CN 112950071 A CN112950071 A CN 112950071A CN 202110344365 A CN202110344365 A CN 202110344365A CN 112950071 A CN112950071 A CN 112950071A
- Authority
- CN
- China
- Prior art keywords
- adjustment
- parameter
- defect information
- process parameters
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 293
- 230000008569 process Effects 0.000 title claims abstract description 228
- 238000012549 training Methods 0.000 title claims abstract description 122
- 230000007547 defect Effects 0.000 claims abstract description 149
- 239000000047 product Substances 0.000 claims description 130
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000000153 supplemental effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002950 deficient Effects 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 239000000243 solution Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本申请提供一种工艺参数调整模型的训练方法、工艺参数调整方法及装置。工艺参数调整模型的训练方法包括:获取训练样本数据;将训练样本数据输入至初始的网络模型中,得到样本产品基于缺陷信息的多项工艺参数的预测调整数值;基于预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化损失值,对初始的网络模型进行更新,生成工艺参数调整模型。在本申请实施例中,训练完成得到的工艺参数调整模型能够对缺陷的产品进行统一的量化分析,且通过训练好的工艺参数调整模型直接给出所需调整的数值,节省了大量的人力物力。此外,通过上述工艺参数调整模型,有助于后续关于缺陷规则的更新和维护。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种工艺参数调整模型的训练方法、工艺参数调整方法及装置。
背景技术
随着工业化快速推进,制造业规模不断扩大,在市场环境中,价格因素已经不再是用户所衡量需求的首要标准,尤其在家电、汽车、电子等高科技领域的应用中,对产品的质量控制和性能保证提出了更高的要求。产品质量能否提升已成为企业必须面对以及需要迫切解决的核心问题。
从产品生产环节的流程来看,工艺参数是影响产品质量的核心因素。在生产加工过程中,工艺参数的确认、选择和控制对稳定和提升产品质量至关重要。工艺参数的广域定义是指在生产制造过程中会对产品质量产生影响的、人为可控的全部客观因素或者变量,和代表工艺整体的一系列基础数据或者指标。
产品的注塑制造过程复杂多变,既有高度非线性和时变性影响,又存在多参数耦合作用过程。因此,每个参数对最后的制件质量都具有不同程度的影响。设置不合理的参数会引发各种各样的加工缺陷,从而影响到产品质量。
当出现缺陷后,常规情况下主要依赖领域专家的知识与经验对制品缺陷的诊断以及对工艺参数的反馈调整。但此种方法极度依赖专家个人的知识和经验积累;不同专家间个体因为认知差异,也往往无法得到统一量化的解决方案。
发明内容
本申请实施例的目的在于提供一种工艺参数调整模型的训练方法、工艺参数调整方法及装置,以改善“目前对于产品在生产过程中的缺陷调整,极度依赖专家个人的知识和经验积累,无法实现统一量化”的问题。
本发明是这样实现的:
第一方面,本申请实施例提供一种工艺参数调整模型的训练方法,包括:获取训练样本数据;其中,所述训练样本数据包括加工样本产品的多项工艺参数以及所述样本产品的缺陷信息;将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型。
本申请实施例提供一种工艺参数调整模型的训练方法,首先获取训练样本数据,然后将其输入至构建好的初始的网络模型中,再基于真实调整数值对初始的网络模型进行训练,进而使得训练完成得到的工艺参数调整模型能够对缺陷的产品进行统一的量化分析,且通过训练好的工艺参数调整模型直接给出所需调整的数值,节省了大量的人力物力。此外,通过上述工艺参数调整模型,有助于后续关于缺陷规则的更新和维护。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值,包括:将所述训练样本数据输入至所述初始的网络模型中的数值调整参数模块,得到所述样本产品基于所述缺陷信息的部分工艺参数的预测数值调整参数;将所述训练样本数据输入至所述初始的网络模型中的模式调整参数模块,得到所述样本产品基于所述缺陷信息的另一部分工艺参数的预测模式调整参数;其中;所述预测模式调整参数表征与所述样本产品的工艺参数对应的设备的运行状态;所述预测调整数值包括所述预测数值调整参数以及所述预测模式调整参数;相应的,所述基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型,包括:基于所述预测数值调整参数以及预先获取的真实数值调整参数计算第一损失值;基于所述预测模式调整参数以及预先获取的真实模式调整参数计算第二损失值;其中,所述真实调整数值包括所述真实数值调整参数以及所述真实模式调整参数;通过最小化所述第一损失值与所述第二损失值的和,对所述初始的网络模型进行更新,生成所述工艺参数调整模型。
在本申请实施例中,初始的网络模型中包括数值调整参数模块以及模式调整参数模块,通过二者结合实现对调整数值的预测。通过该方式,使得模型能够学习更多的调整机制。且通过数值以及模式两个维度有助于更好实现消除缺陷的目的。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述将所述训练样本数据输入至所述初始的网络模型中的数值调整参数模块包括:将所述样本产品的多项工艺参数进行特征信息的提取;将所述样本产品的缺陷信息进行编码;将提取特征信息后的多项工艺参数以及编码后的缺陷信息输入至所述初始的网络模型中的数值调整参数模块。
在本申请实施例中,在训练样本数据输入至初始的网络模型的数值调整参数模块之前,首先对样本产品的多项工艺参数进行特征信息的提取,以降低数据的维度,且通过对样本产品的缺陷信息进行编码,以便与后续将样本产品的缺陷信息与多项工艺参数的特征进行关联。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,将所述训练样本数据输入至所述初始的网络模型中的模式调整参数模块包括:将所述样本产品的多项工艺参数进行特征信息的提取;将所述样本产品的缺陷信息进行编码;将提取特征信息后的多项工艺参数以及编码后的缺陷信息输入至所述初始的网络模型中的模式调整参数模块。
在本申请实施例中,在训练样本数据输入至初始的网络模型的模式调整参数模块之前,首先对样本产品的多项工艺参数进行特征信息的提取,以降低数据的维度,且通过对样本产品的缺陷信息进行编码,以便与后续将样本产品的缺陷信息与多项工艺参数的特征进行关联。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述缺陷信息以及所述预先获取的真实调整数值来源于专家系统;所述专家系统包含预先构建的用于消除所述样本产品的缺陷的规则;所述规则中包括基础的缺陷信息以及与所述基础的缺陷信息对应的多项工艺参数的真实调整数值。
在本申请实施例中,缺陷信息以及真实调整数值来源于专家系统,进而使得模型能够对基于专家系统中的规则生成的数据进行学习,从而完美地继承了专家系统的知识内容。且,通过上述工艺参数调整模型,有便于后续关于对新的缺陷规则的更新和维护。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述样本产品的多项工艺参数包括所述样本产品的多项工艺参数的类型和实际数值;所述将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值,包括:将所述样本产品的多项工艺参数的类型以及所述样本产品的缺陷信息输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;相应的,所述基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型,包括:基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成初始的工艺参数调整模型;将所述样本产品的多项工艺参数的实际数值输入至所述初始的工艺参数调整模型中进行训练,生成所述工艺参数调整模型。
也即,本申请实施例提供的训练方法,在训练过程中,先将专家系统的规则(多项工艺参数的类型对应的各缺陷的调整数值)嵌入到初始的模型中,在通过专家系统对初始的模型进行第一次更新后,再利用收集的多项工艺参数的实际数值对该模型进行二次更新。通过该方式,能够减少只使用实际操作数据的模型对数据的需求量,提高模型的训练速度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述专家系统还包括补充规则;所述补充规则包括新增的缺陷信息以及与所述新增的缺陷信息对应的多项工艺参数的真实调整数值;其中,与所述新增的缺陷信息对应的多项工艺参数的真实调整数值均为默认值。
在本申请实施例中,通过对专家系统进行补充,使得补充后的数据中包括专家规则未涉及到的参数和专家规则未覆盖的缺陷情况,提高了数据范围。且通过使得补充的多项工艺参数的真实调整数值均为默认值,利用预测数值与该默认值的误差进行反向传播对模型进行更新,从而实现对新知识和规则的更新。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述缺陷信息包括缺陷类型以及缺陷等级。
在本申请实施例中,缺陷信息具体包括缺陷类型以及缺陷等级。通过细分的缺陷类型以及缺陷等级提高了后续输出的调整数值的准确度。
第二方面,本申请实施例提供一种工艺参数调整方法,包括:获取目标产品的多项工艺参数以及目标产品的缺陷信息;将所述目标产品的多项工艺参数以及所述目标产品的缺陷信息输入至通过上述第一方面实施例提供的工艺参数调整模型的训练方法得到的工艺参数调整模型中,得到所述目标产品基于所述缺陷信息的多项工艺参数的调整数值。
第三方面,本申请实施例一种工艺参数调整模型的训练装置,包括:获取模块,用于获取训练样本数据;其中,所述训练样本数据包括加工样本产品的多项工艺参数以及所述样本产品的缺陷信息;预测模块,用于将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;训练模块,用于基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型。
第四方面,本申请实施例提供一种工艺参数调整装置,包括:获取模块,用于获取目标产品的多项工艺参数以及目标产品的缺陷信息;处理模块,用于将所述目标产品的多项工艺参数以及所述目标产品的缺陷信息输入至通过上述第一方面实施例提供的工艺参数调整模型的训练方法得到的工艺参数调整模型中,得到所述目标产品基于所述缺陷信息的多项工艺参数的调整数值。
第五方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于调用存储在所述存储器中的程序,执行如上述第一方面实施例和/或第二方面实施例提供的方法。
第六方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种工艺参数调整模型的训练方法的步骤流程图。
图3为本申请实施例提供的一种工艺参数调整模型的结构示意图。
图4为本申请实施例提供的一种工艺参数调整方法。
图5为本申请实施例提供的一种工艺参数调整模型的训练装置的模块框图。
图6为本申请实施例提供的一种工艺参数调整装置的模块框图。
图标:100-电子设备;110-处理器;120-存储器;300-工艺参数调整模型的训练装置;301-获取模块;302-预测模块;303-训练模块;400-工艺参数调整装置;401-获取模块;402-处理模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
鉴于目前对于产品在生产过程中的缺陷调整,极度依赖专家个人的知识和经验积累,无法实现统一量化的问题,本申请发明人经过研究探索,提出以下实施例以解决上述问题。
请参阅图1,本申请实施例提供的一种应用工艺参数调整模型的训练方法和/或工艺参数调整方法的电子设备100的示意性结构框图。本申请实施例中,电子设备100可以是,但不限于个人计算机(Personal Computer,PC)、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。在结构上,电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。工艺参数调整模型的训练装置和/或工艺参数调整装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System,OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块,例如,处理器110用于执行工艺参数调整模型的训练装置所包括的软件功能模块及计算机程序等,以实现工艺参数调整模型的训练方法。又例如,处理器110用于执行工艺参数调整装置所包括的软件功能模块及计算机程序等,以实现工艺参数调整方法。
处理器110可以在接收到执行指令后,执行计算机程序。
其中,处理器110可以是一种集成电路芯片,具有信号处理能力。处理器110也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器120用于存储程序,处理器110在接收到执行指令后,执行该程序。
应当理解,图1所示的结构仅为示意,本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件,或是具有与图1所示不同的配置。此外,图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2,图2为本申请实施例提供的工艺参数调整模型的训练方法的步骤流程图,该方法应用于图1所示的电子设备100。需要说明的是,本申请实施例提供的工艺参数调整模型的训练方法不以图2及以下所示的顺序为限制,该方法包括:步骤S101-步骤S103。
步骤S101:获取训练样本数据。
其中,训练样本数据包括加工样本产品的多项工艺参数以及样本产品的缺陷信息。
步骤S102:将训练样本数据输入至初始的网络模型中,得到样本产品基于缺陷信息的多项工艺参数的预测调整数值。
步骤S103:基于预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化损失值,对初始的网络模型进行更新,生成工艺参数调整模型。
综上,本申请实施例提供一种工艺参数调整模型的训练方法,首先获取训练样本数据,然后将其输入至构建好的初始的网络模型中,再基于真实调整数值对初始的网络模型进行训练,进而使得训练完成得到的工艺参数调整模型能够对缺陷的产品进行统一的量化分析,且通过训练好的工艺参数调整模型直接给出所需调整的数值,节省了大量的人力物力。此外,通过上述工艺参数调整模型,有助于后续关于缺陷规则的更新和维护。
下面结合具体的示例对上述工艺参数调整模型的训练方法的具体流程及步骤进行描述。
首先,对训练样本数据进行说明,于本申请实施例中,训练样本数据来源于现场工艺资料(如工艺卡片)以及专家系统。
表1
Chan1 | Chan2 | Chan3 | Chan4 | Chan5 | |
Param1 | 120 | 130 | 80 | 60 | 30 |
Param2 | 70 | 60 | 110 | 140 | 140 |
Param3 | 6 | 50 | 50 | 60 | 5 |
表1为一种工艺卡片的工艺参数示例。其中,Chan1~Chan5为五个工作通道,Param1~Param3为三项工艺参数。示例性的,Param1~Param3为三项冷却风道参数,比如Param1为通道的压力值、Param2为通道的流量值,Param3为通道的工作时长。
而专家系统是一种具有专家水平的,基于知识的、智能化的计算机程序,是研究如何运用专家知识来解决某专门问题而建立的人机系统的方法和技术,在特定领域能以人类专家的水平动态地建立和解决该领域的问题。在应用工艺参数优化系统中,专家系统可以根据要生产制件的尺寸、材料等条件从已经构造确认的规则和公式中,计算和推理合适的参数,作为生产制件的工艺条件。因此,本申请实施例所需的训练样本数据中的样本产品的缺陷信息可以直接来源于专家系统。
而为了使得工艺卡片的信息与专家系统的规则统一,需要对工艺卡片的信息进行调整,调整后的信息请参考表2。
表2
Tooling-channel | kind | item | value |
Chan1 | water | Param1 | 120 |
Chan1 | water | Param2 | 70 |
Chan1 | water | Param3 | 60 |
Chan1 | water | Param4 | 2 |
... | ... | ... | ... |
Chan5 | wind | Param1 | 30 |
Chan5 | wind | Param2 | 140 |
Chan5 | wind | Param3 | 5 |
Chan5 | wind | Param4 | 2 |
表2中,Tooling-channel表示工作通道类别,kind表示工作通道的冷却介质类别(冷却介质类别可选填,其中,water表示工作通道的冷却介质为水,wind表示工作通道的介质为气流),item为工艺参数类别,value表示数值类别。其中,Param4为增设的模式参数,Param4具体为对应的工作通道的当前工作模式,包括自动、关闭和开启模式。Param4对应的数值为0、1、2;比如可以是自动对应数值1,关闭对应数值0、开启对应数值2;也可以是自动对应数值2,关闭对应数值0、开启对应数值1,本申请不作限定。
然后将专家系统中的规则与表2对应,其中,专家系统包含预先构建的用于消除样本产品的缺陷的规则;规则中包括基础的缺陷信息以及与基础的缺陷信息对应的多项工艺参数的真实调整数值。
将二者关联的示意图可参考表3。
表3
defect-position | 1012 | 1012 | 1023 | 1023 | 1033 | 1033 |
defect-level | 1 | 2 | 1 | 2 | 1 | 2 |
Chan1-param1 | ||||||
Chan1-param2 | ||||||
Chan1-param3 | ||||||
Chan1-param4 | 0 | 0 | 1 | 1 | ||
... | ... | ... | ... | ... | ... | ... |
Chan5-param1 | -5 | -10 | ||||
Chan5-param2 | -5 | -10 | ||||
Chan5-param3 | -20 | -50 | ||||
Chan5-param4 |
表3中,defect-position为缺陷类型,每一组数值为一种缺陷类型,也即,预先将各缺陷类型通过一组数值进行编排,1012、1023、1033代表三种不同的缺陷类型。defect-level表示缺陷等级,不同通道的参数依据专家规则填写。数值参数如Chan1-param1~Chan1-param3,表格中填写的为调整前后的数值差;模式调整参数如Chan1-param4,表格中填写的为调整后的模式值。如缺陷类型为1012,缺陷等级为1对应的Chan5-param1根据专家规则填写-5,又如缺陷类型为1023,缺陷等级为1对应的Chan1-param4根据专家规则填写0。
于本申请实施例中,缺陷信息具体包括缺陷类型以及缺陷等级。通过细分的缺陷类型以及缺陷等级提高了后续输出的调整数值的准确度。当然,在其他实施例中,上述的缺陷信息也可以仅包括缺陷类型,本申请均不作限定。
此外,上述的参数、数量、调整数值、缺陷类型等均为示例。且上述的训练样本数据中可以仅包括数值参数;也可以仅包括模式调整参数。
需要说明的是,由于专家系统中的规则只涉及到固定的参数和缺陷类型。为保证后续模型可直接用于学习其它参数的调节,于本申请实施例中,还对现有的专家规则进行扩充。补充可能会调节但专家规则中未涉及到的参数和专家规则未覆盖的缺陷情况。也即,该专家系统中还增设补充规则,补充规则包括新增的缺陷信息以及与新增的缺陷信息对应的多项工艺参数的真实调整数值;其中,与新增的缺陷信息对应的多项工艺参数的真实调整数值均为默认值。于本申请实施例中,数值参数默认值填充为0,模式参数为默认状态值,比如通道默认为开启,开启对应的数值2,则模式参数的默认值为2,当然,其他实施例中,默认值还可以是其他数值,本申请不作限定。
表4
表4中,defect-position为1055的一项即为新增的缺陷信息以及与新增的缺陷信息对应的多项工艺参数的真实调整数值。而专家规则中其他的未填写项也采用上述规则进行填充。可见,通过对专家系统进行补充,使得补充后的数据中包括专家规则未涉及到的参数和专家规则未覆盖的缺陷情况,提高了数据范围。且通过使得补充的多项工艺参数的真实调整数值均为默认值,利用预测数值与该默认值的误差进行反向传播对模型进行更新,从而实现对新知识和规则的更新。
通过上述过程即可得到训练样本数据。比如,将表3中的每列规则数据作为训练样本数据,又比如,将表4中的每列规则数据作为训练样本数据。
可以理解的是,在其他实施例中,上述的训练样本数据还可以是来源于网络上的数据等,本申请不作限定。
当然,为了能够后续对网络模型进行验证,还可以将从表中提取的每列规则数据划分为训练数据以及测试数据。具体的,可以采用一定比例(如7:3、6:4)将上述规则数据进行划分。于本申请实施例中,为了保证网络模型的有效学习和测试,规则数据需大于一万条数据。
在通过上述任一方式获取得到训练样本数据后,将训练样本数据输入至初始的网络模型中进行训练。
作为第一种实施方式,当训练样本数据仅包括数值参数时,上述的训练步骤为:将训练样本数据输入至初始的网络模型中的数值调整参数模块,得到样本产品基于缺陷信息的多项工艺参数的预测数值调整参数;基于预测数值调整参数以及预先获取的真实数值调整参数计算损失值;并通过最小化损失值,对初始的网络模型进行更新,生成工艺参数调整模型。
其中,预测数值调整参数即为预测调整数值。
数值调整参数模块为全连接网络。全连接网络的中间层数可根据学习数据的效果而设定,训练过程中可根据数据情况的变化动态调整,此处不作限定。由于数值调整为回归问题,于本申请实施例中,采用均方误差(MSE,Mean Squared error)作为损失函数进行训练。
作为第二种实施方式,当训练样本数据仅包括模式参数时,上述的训练步骤为:将训练样本数据输入至初始的网络模型中的模式调整参数模块,得到样本产品基于缺陷信息的多项工艺参数的预测模式调整参数;基于预测模式调整参数以及预先获取的真实调整数值计算损失值,并通过最小化损失值,对初始的网络模型进行更新,生成工艺参数调整模型。
其中,预测模式调整参数表征与样本产品的工艺参数对应的设备的运行状态,包括开启、关闭和自动。
模式调整参数模块为全连接网络。全连接网络的中间层数可根据学习数据的效果而设定,训练过程中可根据数据情况的变化动态调整,此处不作限定。由于模式调整为分类问题,于本申请实施例中,采用交叉熵作为损失函数进行训练。
作为第三种实施方式,当训练样本数据既包括数值参数,又包括模式参数时,上述的训练步骤为:将训练样本数据输入至初始的网络模型中的数值调整参数模块,得到样本产品基于缺陷信息的部分工艺参数的预测数值调整参数;将训练样本数据输入至初始的网络模型中的模式调整参数模块,得到样本产品基于缺陷信息的另一部分工艺参数的预测模式调整参数;预测调整数值包括预测数值调整参数以及预测模式调整参数;基于预测数值调整参数以及预先获取的真实数值调整参数计算第一损失值;基于预测模式调整参数以及预先获取的真实模式调整参数计算第二损失值;其中,真实调整数值包括真实数值调整参数以及真实模式调整参数;通过最小化第一损失值与第二损失值的和,对初始的网络模型进行更新,生成工艺参数调整模型。
也即,初始的网络模型中同时包括两个模块,分别是数值调整参数模块和模式调整参数模块。然后将训练样本数据分别输入至两个模块中,两个模块输出对应的预测调整数值,然后与各自对应的真实调整数值计算损失值,将两个损失值相加作为总损失值,通过最小化总损失值的方式,对初始的网络模型进行更新,优化网络模型的参数,进而得到工艺参数调整模型。通过该方式,使得模型能够学习更多的调整机制。且通过数值以及模式两个维度有助于更好实现消除缺陷的目的。
可选地,在训练样本数据输入至初始的网络模型之前,还需对训练样本数据进行初始化。
具体的,当训练样本数据为多项工艺参数时,需要对多项工艺参数进行特征提取,也即,在多项工艺参数输入至初始的网络模型中之前,先通过特征提取(featureextraction)模块对特征进行提取。
于本申请实施例中,feature extraction模块采用两层全连接网络,两层网络之间使用Relu(Rectified Linear Unit,线性整流)函数。通过该模块能够实现对原始的多项工艺参数进行特征提取,进而降低数据的维度。
当训练样本数据为样本产品的缺陷信息时,需要对样本产品的缺陷信息进行编码。也即,在样本产品的缺陷信息输入至初始的网络模型中之前,先通过编码层对样本产品的缺陷信息进行编码。
于本申请实施例中,通过embedding(嵌入)层作为编码层进行编码,且同时使用矩阵记录所有缺陷信息的特征,将缺陷进行排序,矩阵的不同行的向量分别对应不同缺陷的特征。embedding模块使用pytorch(一种开源的机器学习库)自带的embedding类,将十种缩松缺陷的文本表达转化为数据表达。表达缺陷的特征向量维度(failure_dim)作为模型的超参数根据实际情况进行调整。
综上,在本申请实施例中,在训练样本数据输入至初始的网络模型的数值调整参数模块之前,首先对样本产品的多项工艺参数进行特征信息的提取,以降低数据的维度,且通过对样本产品的缺陷信息进行编码,以便与后续将样本产品的缺陷信息与多项工艺参数的特征进行关联。
为了便于理解上述过程,请参阅图3,训练样本数据包括加工样本产品的多项工艺参数以及样本产品的缺陷信息。分别对两组数据进行初始化,工艺参数输入至特征提取模块进行特征提取,缺陷信息输入至编码层进行编码。然后将提取特征后的多项工艺参数以及编码后的缺陷信息共同输入至初始的网络模型中的数值调整参数模块以及模式调整参数模块中。通过两个模块输出的调整值(数值调整值、模式调整值),然后与各自对应的真实调整数值计算损失值,将两个损失值相加作为总损失值,通过最小化总损失值的方式,对初始的网络模型进行更新,优化网络模型的参数,进而得到工艺参数调整模型。
通过上述步骤,即可实现对工艺参数调整模型的完整训练过程,后续即可通过测试数据对上述的工艺参数调整模型进行测试验证。
此外,本申请实施例还提供另一种对于工艺参数调整模型的训练方法,其中,样本产品的多项工艺参数包括样本产品的多项工艺参数的类型和实际数值,该方法具体包括:将样本产品的多项工艺参数的类型以及样本产品的缺陷信息输入至初始的网络模型中,得到样本产品基于缺陷信息的多项工艺参数的预测调整数值;基于预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化损失值,对初始的网络模型进行更新,生成初始的工艺参数调整模型;将样本产品的多项工艺参数的实际数值输入至初始的工艺参数调整模型中进行训练,生成工艺参数调整模型。
也即,本申请实施例提供的另一种训练方法,在训练过程中,先将专家系统的规则(多项工艺参数的类型对应的各缺陷的调整数值)嵌入到初始的模型中,在通过专家系统对初始的模型进行第一次更新后,再利用收集的多项工艺参数的实际数值对该模型进行二次更新。通过该方式,能够减少只使用实际操作数据的模型对数据的需求量,提高模型的训练速度。
请参阅图4,基于同一发明构思,本申请实施例还提供一种工艺参数调整方法,也即,该方法即为上述训练完成的工艺参数调整模型的应用过程,该方法同样应用于图1所示的电子设备100。该方法包括:步骤S201-步骤S202。
步骤S201:获取目标产品的多项工艺参数以及目标产品的缺陷信息。
需要说明的是,该步骤中的目标产品与训练时样本产品为相同的产品,比如目标产品和样本产品均为液晶电视或均为汽车,本申请不作限定。
步骤S202:将目标产品的多项工艺参数以及所述目标产品的缺陷信息输入至通过前述实施例所提供的工艺参数调整模型的训练方法得到的工艺参数调整模型中,得到目标产品基于缺陷信息的多项工艺参数的调整数值。
请参阅图5,基于同一发明构思,本申请实施例还提供一种工艺参数调整模型的训练装置300,包括:获取模块301、预测模块302、训练模块303。
获取模块301,用于获取训练样本数据;其中,所述训练样本数据包括加工样本产品的多项工艺参数以及所述样本产品的缺陷信息;
预测模块302,用于将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;
训练模块303,用于基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型。
可选地,预测模块302还用于将所述训练样本数据输入至所述初始的网络模型中的数值调整参数模块,得到所述样本产品基于所述缺陷信息的部分工艺参数的预测数值调整参数;将所述训练样本数据输入至所述初始的网络模型中的模式调整参数模块,得到所述样本产品基于所述缺陷信息的另一部分工艺参数的预测模式调整参数;其中;所述预测模式调整参数表征与所述样本产品的工艺参数对应的设备的运行状态;所述预测调整数值包括所述预测数值调整参数以及所述预测模式调整参数。
相应的,训练模块303还用于基于所述预测数值调整参数以及预先获取的真实数值调整参数计算第一损失值;基于所述预测模式调整参数以及预先获取的真实模式调整参数计算第二损失值;其中,所述真实调整数值包括所述真实数值调整参数以及所述真实模式调整参数;通过最小化所述第一损失值与所述第二损失值的和,对所述初始的网络模型进行更新,生成所述工艺参数调整模型。
可选地,预测模块302还具体用于将所述样本产品的多项工艺参数进行特征信息的提取;将所述样本产品的缺陷信息进行编码;将提取特征信息后的多项工艺参数以及编码后的缺陷信息输入至所述初始的网络模型中的数值调整参数模块。
可选地,预测模块302还具体用于将所述样本产品的多项工艺参数进行特征信息的提取;将所述样本产品的缺陷信息进行编码;将提取特征信息后的多项工艺参数以及编码后的缺陷信息输入至所述初始的网络模型中的模式调整参数模块。
请参阅图6,基于同一发明构思,本申请实施例还提供一种工艺参数调整装置400,包括:
获取模块401,用于获取目标产品的多项工艺参数以及目标产品的缺陷信息;
处理模块402,用于将所述目标产品的多项工艺参数以及所述目标产品的缺陷信息输入至通过如前述实施例所提供的工艺参数调整模型的训练方法得到的工艺参数调整模型中,得到所述目标产品基于所述缺陷信息的多项工艺参数的调整数值。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,本申请实施例还提供一种存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种工艺参数调整模型的训练方法,其特征在于,包括:
获取训练样本数据;其中,所述训练样本数据包括加工样本产品的多项工艺参数以及所述样本产品的缺陷信息;
将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;
基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型。
2.根据权利要求1所述的工艺参数调整模型的训练方法,其特征在于,所述将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值,包括:
将所述训练样本数据输入至所述初始的网络模型中的数值调整参数模块,得到所述样本产品基于所述缺陷信息的部分工艺参数的预测数值调整参数;
将所述训练样本数据输入至所述初始的网络模型中的模式调整参数模块,得到所述样本产品基于所述缺陷信息的另一部分工艺参数的预测模式调整参数;其中;所述预测模式调整参数表征与所述样本产品的工艺参数对应的设备的运行状态;所述预测调整数值包括所述预测数值调整参数以及所述预测模式调整参数;
相应的,所述基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型,包括:
基于所述预测数值调整参数以及预先获取的真实数值调整参数计算第一损失值;
基于所述预测模式调整参数以及预先获取的真实模式调整参数计算第二损失值;其中,所述真实调整数值包括所述真实数值调整参数以及所述真实模式调整参数;
通过最小化所述第一损失值与所述第二损失值的和,对所述初始的网络模型进行更新,生成所述工艺参数调整模型。
3.根据权利要求2所述的工艺参数调整模型的训练方法,其特征在于,所述将所述训练样本数据输入至所述初始的网络模型中的数值调整参数模块包括:
将所述样本产品的多项工艺参数进行特征信息的提取;
将所述样本产品的缺陷信息进行编码;
将提取特征信息后的多项工艺参数以及编码后的缺陷信息输入至所述初始的网络模型中的数值调整参数模块。
4.根据权利要求2所述的工艺参数调整模型的训练方法,其特征在于,将所述训练样本数据输入至所述初始的网络模型中的模式调整参数模块包括:
将所述样本产品的多项工艺参数进行特征信息的提取;
将所述样本产品的缺陷信息进行编码;
将提取特征信息后的多项工艺参数以及编码后的缺陷信息输入至所述初始的网络模型中的模式调整参数模块。
5.根据权利要求1所述的工艺参数调整模型的训练方法,其特征在于,所述缺陷信息以及所述预先获取的真实调整数值来源于专家系统;所述专家系统包含预先构建的用于消除所述样本产品的缺陷的规则;所述规则中包括基础的缺陷信息以及与所述基础的缺陷信息对应的多项工艺参数的真实调整数值。
6.根据权利要求5所述的工艺参数调整模型的训练方法,其特征在于,所述样本产品的多项工艺参数包括所述样本产品的多项工艺参数的类型和实际数值;所述将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值,包括:
将所述样本产品的多项工艺参数的类型以及所述样本产品的缺陷信息输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;
相应的,所述基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型,包括:
基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成初始的工艺参数调整模型;
将所述样本产品的多项工艺参数的实际数值输入至所述初始的工艺参数调整模型中进行训练,生成所述工艺参数调整模型。
7.根据权利要求5所述工艺参数调整模型的训练方法,其特征在于,所述专家系统还包括补充规则;所述补充规则包括新增的缺陷信息以及与所述新增的缺陷信息对应的多项工艺参数的真实调整数值;其中,与所述新增的缺陷信息对应的多项工艺参数的真实调整数值均为默认值。
8.根据权利要求1-7中任一项所述的工艺参数调整模型的训练方法,其特征在于,所述缺陷信息包括缺陷类型以及缺陷等级。
9.一种工艺参数调整方法,其特征在于,包括:
获取目标产品的多项工艺参数以及目标产品的缺陷信息;
将所述目标产品的多项工艺参数以及所述目标产品的缺陷信息输入至通过如权利要求1-8中任一项所述的工艺参数调整模型的训练方法得到的工艺参数调整模型中,得到所述目标产品基于所述缺陷信息的多项工艺参数的调整数值。
10.一种工艺参数调整模型的训练装置,其特征在于,包括:
获取模块,用于获取训练样本数据;其中,所述训练样本数据包括加工样本产品的多项工艺参数以及所述样本产品的缺陷信息;
预测模块,用于将所述训练样本数据输入至初始的网络模型中,得到所述样本产品基于所述缺陷信息的多项工艺参数的预测调整数值;
训练模块,用于基于所述预测调整数值以及预先获取的真实调整数值计算损失值,并通过最小化所述损失值,对所述初始的网络模型进行更新,生成工艺参数调整模型。
11.一种工艺参数调整装置,其特征在于,包括:
获取模块,用于获取目标产品的多项工艺参数以及目标产品的缺陷信息;
处理模块,用于将所述目标产品的多项工艺参数以及所述目标产品的缺陷信息输入至通过如权利要求1-8中任一项所述的工艺参数调整模型的训练方法得到的工艺参数调整模型中,得到所述目标产品基于所述缺陷信息的多项工艺参数的调整数值。
12.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求1-8中任一项所述的方法,和/或执行如权利要求9所述的方法。
13.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求1-8中任一项所述的方法,和/或执行如权利要求9所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344365.6A CN112950071B (zh) | 2021-03-30 | 2021-03-30 | 工艺参数调整模型的训练方法、工艺参数调整方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344365.6A CN112950071B (zh) | 2021-03-30 | 2021-03-30 | 工艺参数调整模型的训练方法、工艺参数调整方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950071A true CN112950071A (zh) | 2021-06-11 |
CN112950071B CN112950071B (zh) | 2022-07-08 |
Family
ID=76231077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344365.6A Active CN112950071B (zh) | 2021-03-30 | 2021-03-30 | 工艺参数调整模型的训练方法、工艺参数调整方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950071B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113771289A (zh) * | 2021-09-16 | 2021-12-10 | 健大电业制品(昆山)有限公司 | 一种注塑成型工艺参数优化的方法和系统 |
CN114083770A (zh) * | 2021-10-29 | 2022-02-25 | 北京百度网讯科技有限公司 | 工艺参数调整及模型训练方法、装置、设备与存储介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
CN115510029A (zh) * | 2022-09-26 | 2022-12-23 | 煤炭科学研究总院有限公司 | 基于煤炭工业主题域的数据对象模型构建方法和装置 |
CN116167313A (zh) * | 2023-02-22 | 2023-05-26 | 深圳市摩尔芯创科技有限公司 | 一种用于集成电路设计的训练数据生成方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956326A (zh) * | 2016-05-24 | 2016-09-21 | 南京工业大学 | 基于响应面模型的轧辊冷却系统工艺参数优化方法 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN111177546A (zh) * | 2019-12-24 | 2020-05-19 | 广东省智能制造研究所 | 一种基于深度学习的工艺参数在线智能推荐方法及装置 |
CN112453351A (zh) * | 2020-11-06 | 2021-03-09 | 中信戴卡股份有限公司 | 一种压铸机工艺参数调整方法、系统及存储介质 |
-
2021
- 2021-03-30 CN CN202110344365.6A patent/CN112950071B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956326A (zh) * | 2016-05-24 | 2016-09-21 | 南京工业大学 | 基于响应面模型的轧辊冷却系统工艺参数优化方法 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN111177546A (zh) * | 2019-12-24 | 2020-05-19 | 广东省智能制造研究所 | 一种基于深度学习的工艺参数在线智能推荐方法及装置 |
CN112453351A (zh) * | 2020-11-06 | 2021-03-09 | 中信戴卡股份有限公司 | 一种压铸机工艺参数调整方法、系统及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113771289A (zh) * | 2021-09-16 | 2021-12-10 | 健大电业制品(昆山)有限公司 | 一种注塑成型工艺参数优化的方法和系统 |
CN115230067A (zh) * | 2021-09-16 | 2022-10-25 | 健大电业制品(昆山)有限公司 | 一种注塑成型工艺参数智能化确定方法和系统 |
CN115230067B (zh) * | 2021-09-16 | 2023-11-14 | 健大电业制品(昆山)有限公司 | 一种注塑成型工艺参数智能化确定方法和系统 |
CN114083770A (zh) * | 2021-10-29 | 2022-02-25 | 北京百度网讯科技有限公司 | 工艺参数调整及模型训练方法、装置、设备与存储介质 |
CN114083770B (zh) * | 2021-10-29 | 2024-03-22 | 北京百度网讯科技有限公司 | 工艺参数调整及模型训练方法、装置、设备与存储介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
US11681283B1 (en) | 2022-05-17 | 2023-06-20 | Chengdu Qinchuan Iot Technology Co., Ltd. | Intelligent manufacturing industrial Internet of Things based on distributed control, control methods and media thereof |
CN115510029A (zh) * | 2022-09-26 | 2022-12-23 | 煤炭科学研究总院有限公司 | 基于煤炭工业主题域的数据对象模型构建方法和装置 |
CN115510029B (zh) * | 2022-09-26 | 2024-04-12 | 煤炭科学研究总院有限公司 | 基于煤炭工业主题域的数据对象模型构建方法和装置 |
CN116167313A (zh) * | 2023-02-22 | 2023-05-26 | 深圳市摩尔芯创科技有限公司 | 一种用于集成电路设计的训练数据生成方法和系统 |
CN116167313B (zh) * | 2023-02-22 | 2023-09-12 | 深圳市摩尔芯创科技有限公司 | 一种用于集成电路设计的训练数据生成方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112950071B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950071B (zh) | 工艺参数调整模型的训练方法、工艺参数调整方法及装置 | |
JP7320053B2 (ja) | 予測モデルの改良 | |
CN109918499A (zh) | 一种文本分类方法、装置、计算机设备及存储介质 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
US10338547B2 (en) | System, method and apparatuses for determining parameter settings for a power generation system and a tangible computer readable medium | |
CN110135090B (zh) | 一种基于响应面法的电路系统容差建模与分析方法 | |
CN117094782A (zh) | 基于大数据分析的农产品市场价格预警管理系统 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
CN115659791A (zh) | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 | |
US11215659B2 (en) | Method for faster testing of manufactured PCB, apparatus, system, and storage medium used in method | |
CN114510469A (zh) | 电力系统不良数据辨识方法、装置、设备及介质 | |
Wang et al. | Replacing self-attentions with convolutional layers in multivariate long sequence time-series forecasting | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN111768220A (zh) | 生成车辆定价模型的方法和装置 | |
CN114330147B (zh) | 模型训练方法、色彩配方的预测方法、系统、设备及介质 | |
CN115081200B (zh) | 复杂设备的加速因子及失效边界域分析方法 | |
CN109766255B (zh) | 设备状态分析方法、装置、存储介质及电子设备 | |
Singh et al. | SISO method using modified pole clustering and simulated annealing algorithm | |
CN114968329B (zh) | 一种自定义模型全流程管理方法 | |
CN116662160B (zh) | 基于代价敏感宽度学习的软件缺陷预测方法及处理装置 | |
Jiang et al. | Mobile Base Station Traffic Prediction Based on Traffic Data Analysis [J] | |
Tian et al. | Key process variable identification for quality classification based on PLSR model and wrapper feature selection | |
CN116993001A (zh) | 一种碳排放预测数据的获取方法、终端设备及存储介质 | |
CN118133681A (zh) | 优化纺织品防火性能的方法、装置、设备及可读存储介质 |
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 |