CN113592064A - 环抛机工艺参数预测方法、系统、应用、终端及介质 - Google Patents

环抛机工艺参数预测方法、系统、应用、终端及介质 Download PDF

Info

Publication number
CN113592064A
CN113592064A CN202110756637.3A CN202110756637A CN113592064A CN 113592064 A CN113592064 A CN 113592064A CN 202110756637 A CN202110756637 A CN 202110756637A CN 113592064 A CN113592064 A CN 113592064A
Authority
CN
China
Prior art keywords
data
surface shape
lstm network
process parameter
prediction
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
CN202110756637.3A
Other languages
English (en)
Other versions
CN113592064B (zh
Inventor
邵建达
杨明红
张驰豪
昂鹏志
徐学科
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.)
Shanghai Institute of Optics and Fine Mechanics of CAS
Original Assignee
Shanghai Institute of Optics and Fine Mechanics of CAS
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 Shanghai Institute of Optics and Fine Mechanics of CAS filed Critical Shanghai Institute of Optics and Fine Mechanics of CAS
Priority to CN202110756637.3A priority Critical patent/CN113592064B/zh
Publication of CN113592064A publication Critical patent/CN113592064A/zh
Application granted granted Critical
Publication of CN113592064B publication Critical patent/CN113592064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

本发明提供了一种环抛机工艺参数预测方法及系统，方法包括：数据获取及预处理；构建双LSTM网络关联模型，对所述双LSTM网络关联模型进行训练；利用训练后的关联模型，得到加工参数期望数据，完成对环抛机工艺参数的预测，得到面形参数实际数据作为新的输入，对LSTM网络模型进行动态优化。同时提供了一种利用环抛机工艺参数预测方法实现的环抛机工位/工件调度方法，其中每一个加工工位均采用环抛机工艺参数预测方法，根据训练过程得到的专用预测模型，利用该模型分别完成工件/工位间交叉预测，根据预测数据完成环抛机工件/工位的优化调度。同时提供了一种终端及介质。本发明能够提升加工效率、减少人力成本。

Description

环抛机工艺参数预测方法、系统、应用、终端及介质
技术领域
本发明涉及光学制造领域的环形抛光加工技术，具体地，涉及一种基于动态双LSTM网络的环抛机工艺参数预测方法、系统、应用、终端及介质。
背景技术
如何提高大口径精密光学元件的加工精度和生产效率是摆在我国光学制造业的难题，环形抛光技术作为一种大工具加工小工件的全口径覆盖加工方式，具有良好的全频谱均匀去除能力、收敛速度快、加工精度高和生产成本低等特点，使其成为大口径光学元件加工的首选方式。但是，影响环抛面形变化的非可调因素众多且难以完全解耦并控制、规律具有时变性，极其依赖于操作者的加工经验，面形控制上具有非确定性的显著特点；此外，由于沥青抛光模的特点，即使是相同工艺参数下制作的抛光盘，其面形响应特性差异仍然很大。为了满足批量加工的产能需求，往往由数台环抛设备组成机群进行多工位批量加工，而每个工位均可能具有各自独立的面形演化规律在这种情况下，工件和工位数量及之间的面形匹配是影响加工精度和效率的重要因素。对于加工出一块符合要求得光学元件，通常需要花费大量的时间，而在整个加工流程中，环抛加工的时间一般占据光学零件整体加工的50％以上。可见，只要提高环形抛光的加工效率，整个加工周期就可以极大地缩减。
目前，国内对于光学加工效率的提升主要在于采用小工具数控加工手段来提高元件抛光技术水平的研究，例如：磁流变抛光、气囊抛光、离子束抛光等，而使用大数据挖掘，尤其是深度学习方法来对传统环抛加工参数进行优化的研究却很少。深度学习方法目前在处理图像、音视频等领域上已经获得了很好的研究成果，但是如果应用于环形抛光加工技术中，则存在如下技术难题：环抛加工数据采集相对困难，加工周期较长，数据量不够，训练模型效果较差；普通的机器学习方法或者深度学习模型并不能很好的找到环抛加工参数之间的动态变化关系以反映抛光盘的内在面形特性，从而无法对加工参数进行优化。
目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足，提供了一种基于动态双LSTM网络的环抛机工艺参数预测方法、系统、应用、终端及介质。
根据本发明的一个方面，提供了一种环抛机工艺参数预测方法，包括：
获取设备历史工艺参数数据及相应的面形参数数据，并进行预处理，得到训练数据集；
构建双LSTM网络关联模型，对所述双LSTM网络关联模型进行训练，包括：
将所述训练数据集中上一次工艺参数数据和相应的面形参数数据以及本次面形参数数据作为第一个LSTM网络关联模型的输入，将本次工艺参数数据作为第一个LSTM网络关联模型的输出；通过误差反向传播对第一个LSTM网络关联模型进行训练；
将所述训练数据集中上一次工艺参数数据和相应的面形参数数据以及本次工艺参数数据作为第二个LSTM网络关联模型的输入，将本次面形参数数据作为第二个LSTM网络关联模型的输出；通过误差反向传播对第二个LSTM网络关联模型进行训练；
利用训练后的所述双LSTM网络关联模型对环抛机工艺参数进行预测，包括：
获取设备上一次工艺参数数据及相应的面形参数数据，进行预处理；
将得到的上一次工艺参数数据和相应的面形参数数据以及下一次面形参数的期望值作为训练后的第一个LSTM网络关联模型的输入，得到下一次工艺参数的预测数据；将得到的所述工艺参数预测数据以及上一次工艺参数数据和相应的面形参数数据作为训练后的第二个LSTM网络关联模型的输入，得到下一次面形参数的预测数据；将得到的下一次面形参数的预测数据与所述面形参数的期望值进行比较，如果差异大于设定阈值，则进一步修改面形参数的期望值，重复此步骤，直至得到所需的面形参数预测数据，并得到相应的工艺参数预测数据，完成对环抛机工艺参数的预测。
优选地，所述获取设备历史工艺参数数据及相应的面形参数数据，并进行预处理，包括：
通过人工记录或读取环抛机工艺参数数据库的方式获取环抛机工艺可调参数，得到工艺参数数据；
利用数字化干涉仪检测设备获取面形分布数据，根据获取的所述面形分布数据计算出对应的产品面形参数数据；
对获得的所述工艺参数数据及相应的面形参数数据进行预处理，包括：去噪和归一化处理，以满足所述双LSTM网络关联模型输入的要求。
优选地，所述双LSTM网络关联模型中的每一个LSTM网络关联模型均包括依次设置的：遗忘门部分、输入门部分和输出门部分；其中：
所述遗忘门部分对所述训练数据集中的数据进行筛选，忘记与预测不相关的信息；所述遗忘门部分的表达式为：
ft＝σ(Wf·[ht-1，xt]+bf) (6)
其中，Wf、bf分别为遗忘门的线性关系的系数和偏移，σ为sigmoid激活函数，ht-1为上一个隐藏层的输出，xt为t时刻的输入数据；
所述输入门部分将筛选后的训练数据集中的与工件精密度相关的数据进行选择性记录；所述输入门部分的表达式为：
Figure BDA0003147889600000031
Figure BDA0003147889600000032
其中，WC、bC分别为输入门的线性关系的系数和偏移，it为能够选择性的从
Figure BDA0003147889600000033
中选择记忆细胞中没有的知识，Wi为输入门的权重矩阵，bi为输入门的偏置项，
Figure BDA0003147889600000034
为LSTM网络关联模型学习到的知识；
所述输出门部分先将待输出信息经过一个tanh层来进行激活，得到的信息即为输出信息；所述输出门部分的表达式为：
ot＝σ(Wo[ht-1，xt]+bo) (9)
ht＝ot *tanh(Ct) (10)
其中，ot为输出门的输出特征，Wo为输出门的线性关系的系数，bo为输出门的线性关系的偏移，ht为隐含状态，Ct为记忆单元。
优选地，所述输入门部分产生一个介于0-1之间的数值来确定需要保留信息的数量；和/或
所述输出门部分产生一个介于0-1之间的数值来确定需要输出信息的数量。
优选地，所述方法，还包括：
对训练后的所述双LSTM网络关联模型进行动态优化，包括：
将得到的下一次工艺参数预测数据应用于环抛设备参数调节，进行环抛加工，获得在此工艺参数条件下的面形参数实际数据；
将所述的面形参数实际数据和面形参数预测数据进行比较，如果偏离大于设定阈值，则将该面形参数实际数据作为新的训练数据，重复执行对双LSTM网络关联模型的训练过程，完成对双LSTM网络关联模型的动态优化。
本发明将得到的所述面形参数实际数据与历史面形参数数据进行对比，检验所述双LSTM网络关联模型的性能。
根据本发明的另一个方面，提供了一种环抛机工艺参数预测系统，包括：
数据获取模块：该模块获取设备加工工艺参数数据及相应的面形参数数据，并进行预处理；
关联模型模块：该模块构建双LSTM网络关联模型，并对所述双LSTM网络关联模型进行训练；其中，所述训练方法包括：
将上一次工艺参数数据和相应的面形参数数据以及本次面形参数数据作为第一个LSTM网络关联模型的输入，将本次工艺参数数据作为第一个LSTM网络关联模型的输出；通过误差反向传播对第一个LSTM网络关联模型进行训练；
将上一次工艺参数数据和相应的面形参数数据以及本次工艺参数数据作为第二个LSTM网络关联模型的输入，将本次面形参数数据作为第二个LSTM网络关联模型的输出；通过误差反向传播对第二个LSTM网络关联模型进行训练；
参数预测模块：该模块利用训练后的所述双LSTM网络关联模型，对环抛机工艺参数进行预测；其中，所述预测方法包括：
获取设备上一次工艺参数数据及相应的面形参数数据，进行预处理；
将得到的上一次工艺参数数据和相应的面形参数数据以及下一次面形参数的期望值作为训练后的第一个LSTM网络关联模型的输入，得到下一次工艺参数的预测数据；将得到的所述工艺参数预测数据以及上一次工艺参数数据和相应的面形参数数据作为训练后的第二个LSTM网络关联模型的输入，得到下一次面形参数的预测数据；将得到的下一次面形参数的预测数据与所述面形参数的期望值进行比较，如果差异大于设定阈值，则进一步修改面形参数的期望值，重复此步骤，直至得到所需的面形参数预测数据，并得到相应的工艺参数预测数据，完成对环抛机工艺参数的预测。
优选地，所述系统，还包括：
关联模型优化模块，该模块对训练后的所述双LSTM网络关联模型进行动态优化；其中，所述优化方法包括：
将得到的下一次工艺参数预测数据应用于环抛设备参数调节，进行环抛加工，获得在此工艺参数条件下的面形参数实际数据；
将所述的面形参数实际数据和面形参数预测数据进行比较，如果偏离大于设定阈值，则将该面形参数实际数据作为新的训练数据，重复执行对双LSTM网络关联模型的训练过程，完成对双LSTM网络关联模型的动态优化。
根据本发明的第三个方面，提供了一种上述任一项所述的环抛机工艺参数预测方法在环抛机群工件及工位调度中的应用，包括：
构建环抛机群中每一个工位专有的双LSTM网络关联模型；
利用每一个工位专有的所述双LSTM网络关联模型，对待加工工件的工艺参数及相应的面形参数数据进行交叉预测，得到相应的预测数据；
根据得到的预测数据以及面形参数预测最优原则，对环抛机群工件及工位进行优化调度。
根据本发明的第四个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一项所述的方法，或，运行上述任一项所述的系统。
根据本发明的第五个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述的方法，或，运行上述任一项所述的系统。
由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：
本发明提供的环抛机工艺参数预测方法、系统、应用、终端及介质，将深度学习方法应用于环抛加工的工艺参数与面形参数预测与优化调度中，达到了提升加工效率、减少人力成本的目的。
本发明提供的环抛机工艺参数预测方法、系统、应用、终端及介质，通过双LSTM网络模型预测环抛加工的工艺参数及面形参数，能够提高环抛加工的整体效率，减少了人工操作出现的主观问题。
本发明提供的环抛机工艺参数预测方法、系统、应用、终端及介质，基于双LSTM网络模型，设计双网络架构和动态训练方法，在环抛加工的场景下，对环抛加工中的需要人工判断的加工参数智能化处理，对环抛加工的工位和工件之间的关系建模，能够有效的提高环抛加工的效率，提高工件的精密度和产量。
本发明提供的环抛机工艺参数预测方法、系统、应用、终端及介质，不需要额外的硬件设备，方法计算量低，操作简单，能够给环抛加工带来极大的方便。
本发明提供的环抛机工艺参数预测方法、系统、应用、终端及介质，有效的解决了环抛加工数据采集和处理的问题，并找到一种基于双LSTM网络的深度学习模型，用于环抛工艺参数预测，即使是与经验最丰富的工人相比，也获得了20％以上的产能提升，有效改善了环抛加工的确定性，降低了环抛技术的人工依赖性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中环抛机工艺参数预测方法流程图。
图2为本发明一优选实施例中环抛机工艺参数预测方法流程图。
图3为本发明一优选实施例中环抛机工艺参数预测方法工作示意图。
图4为本发明一实施例中环抛机工件及工位调度方法工作示意图。
图5为本发明一实施例中环抛机工艺参数预测系统组成模块示意图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
图1为本发明一实施例提供的环抛机工艺参数预测方法流程图。
如图1所示，该实施例提供的环抛机工艺参数预测方法，可以包括如下步骤：
S100，获取设备历史工艺参数数据及相应的面形参数数据，并进行预处理，得到训练数据集；
S200，构建双LSTM网络关联模型，对双LSTM网络关联模型进行训练，可以包括如下步骤：
S201，将训练数据集中上一次工艺参数数据和相应的面形参数数据以及本次面形参数数据作为第一个LSTM网络关联模型的输入，将本次工艺参数数据作为第一个LSTM网络关联模型的输出；通过误差反向传播对第一个LSTM网络关联模型进行训练；
S202，将训练数据集中上一次工艺参数数据和相应的面形参数数据以及本次工艺参数数据作为第二个LSTM网络关联模型的输入，将本次面形参数数据作为第二个LSTM网络关联模型的输出；通过误差反向传播对第二个LSTM网络关联模型进行训练；
S300，利用训练后的双LSTM网络关联模型对环抛机工艺参数进行预测，可以包括如下步骤：
S301，获取设备上一次工艺参数数据及相应的面形参数数据，进行预处理；
S302，将得到的上一次工艺参数数据和相应的面形参数数据以及下一次面形参数的期望值作为训练后的第一个LSTM网络关联模型的输入，得到下一次工艺参数的预测数据；将得到的工艺参数预测数据以及上一次工艺参数数据和相应的面形参数数据作为训练后的第二个LSTM网络关联模型的输入，得到下一次面形参数的预测数据；将得到的下一次面形参数的预测数据与面形参数的期望值进行比较，如果差异大于设定阈值，则进一步修改面形参数的期望值，重复此步骤，直至得到所需的面形参数预测数据，并得到相应的工艺参数预测数据，完成对环抛机工艺参数的预测。
在该实施例的S100中，作为一优选实施例，获取设备历史工艺参数数据及相应的面形参数数据，并进行预处理，可以包括如下步骤：
S101，通过人工记录或读取环抛机工艺参数数据库的方式获取环抛机工艺可调参数，得到工艺参数数据；
S102，利用数字化干涉仪检测设备获取面形分布数据，根据获取的面形分布数据计算出对应的产品面形参数数据；
S103，对获得的工艺参数数据及相应的面形参数数据进行预处理，包括：去噪和归一化处理，以满足双LSTM网络关联模型输入的要求。
在该实施例的S200中，作为一优选实施例，双LSTM网络关联模型中的每一个LSTM网络关联模型均可以包括依次设置的：遗忘门部分、输入门部分和输出门部分；其中：
遗忘门部分对训练数据集中的数据进行筛选，忘记对预测不重要的信息(与预测不相关的信息)；遗忘门部分的表达式可以为：
ft＝σ(Wf·[ht-1，xt]+bf) (11)
其中，Wf、bf分别为遗忘门的线性关系的系数和偏移，σ为sigmoid激活函数，ht-1为上一个隐藏层的输出，xt为t时刻的输入数据；
输入门部分将筛选后的训练数据集中的与工件精密度相关的数据进行选择性记录；输入门部分的表达式可以为：
it＝σ(Wi·[ht-1，xt]+bi) (12)
Figure BDA0003147889600000071
其中，WC、bC分别为输入门的线性关系的系数和偏移，it为能够选择性的从
Figure BDA0003147889600000081
中选择记忆细胞中没有的知识，Wi为输入门的权重矩阵，bi为输入门的偏置项，
Figure BDA0003147889600000082
为LSTM网络关联模型学习到的知识；
输出门部分先将待输出信息经过一个tanh层来进行激活，得到的信息即为输出信息；输出门部分的表达式可以为：
ot＝σ(Wo[ht-1，xt]+bo) (14)
ht＝ot*tanh(Ct) (15)
其中，ot为输出门的输出特征，Wo为输出门的线性关系的系数，bo为输出门的线性关系的偏移，ht为隐含状态，Ct为记忆单元。
在该实施例的S200中，作为一优选实施例，输入门部分可以产生一个介于0-1之间的数值来确定需要保留信息的多少。
在该实施例的S200中，作为一优选实施例，输出门部分可以产生一个介于0-1之间的数值来确定需要输出信息的多少。
在该实施例中，作为一优选实施例，该方法还可以包括如下步骤：
S400，对训练后的双LSTM网络关联模型进行动态优化，可以包括如下步骤：
S401，将得到的下一次工艺参数预测数据应用于环抛设备参数调节，进行环抛加工，获得在此工艺参数条件下的面形参数实际数据；
S402，将的面形参数实际数据和面形参数预测数据进行比较，如果偏离大于设定阈值，则将该面形参数实际数据作为新的训练数据，重复执行对双LSTM网络关联模型的训练过程，完成对双LSTM网络关联模型的动态优化。
在该实施例的S400中，作为一优选实施例，还可以包括如下步骤：
将得到的面形参数实际数据与历史面形参数数据进行对比，检验双LSTM网络关联模型的性能。
本发明上述实施例提供的环抛机工艺参数预测方法，针对环抛加工工艺参数优化中存在的问题，基于动态双LSTM(Long Short-Term Memory)网络模型，实现环抛机工艺参数预测与优化。其中LSTM网络模型是一种特定形式的RNN(Recurrent Neural Network)，而RNN是一系列能够处理序列数据的神经网络的总称，LSTM网络模型能够学习长期依赖关系，而环抛加工参数具有一段时间内的依赖关系，因此本发明上述实施例构建了一个基于双LSTM网络模型的环抛加工工艺参数的预测模型。该预测模型使用了双LSTM网络结构来对环抛加工进行两步预测和优化，第一个LSTM网络预测下一次环抛加工的工艺参数，而第二个LSTM网络模拟加工过程，预测出通过该加工工艺参数能够得到的面形参数，根据该面形参数可以对模型的有效性进行判断。在网络的学习过程中使用动态训练的方式，即每次都会将新加工产生的数据加入到网络中进行训练，学习最新数据的加工规律。通过LSTM网络预测环抛加工的工艺参数，能够提高环抛加工的整体效率，减少了人工操作出现的主观问题；该方法用软件实现，不需要额外的硬件设备，算法计算量比较低，操作简便，能够给环抛加工带来极大的方便。
图2为本发明一优选实施例提供的环抛机工艺参数预测方法流程图。在该优选实施例中，将本发明上述实施例中的技术方案划分为三个部分。
如图2所示，该优选实施例提供的环抛机工艺参数预测方法，主要包括如下三个部分：
(1)设备实时数据采集与预处理。直接读取干涉仪检测设备的文件，根据文件数据格式，读取相应的检测参数信息。针对不同的设备，将数据采集模块的数据实时入库。对干涉仪输出的dat文件进行分析，通过干涉图像计算出对应产品各种面形参数，如PV、POWER、ASTMAG等。对采集数据进行去噪、归一化等预处理以适应网络模型的要求。
(2)加工工艺参数与面形参数预测。通过动态双LSTM网络模型，寻找环抛机工艺参数与产品面形参数之间的关联关系，并通过动态学习不断适应这种关系的变化；根据环抛机的上一个加工参数状态及当前工件面形参数预测下一次加工工艺参数，并通过另一个LSTM网络预测通过该加工工艺参数得到的面形参数，并在学习过程中采用动态的方式对网络进行训练，使网络具有周期性的规律，构建关联模型并进行预测。
(3)根据得到的面形参数与原始数据进行对比，检验面形参数实际数据对应的工艺参数所带来的效果，进而对模型的有效性(性能)进行判断。
在本发明部分实施中：
作为一优选实施例，上述第(1)部分中，设备实时采集数据与预处理，直接读取干涉仪检测设备的文件，根据文件数据格式，读取相应的检测参数信息。针对不同的设备，将数据采集模块的数据实时入库。对干涉仪输出的dat文件进行分析，通过干涉图像计算出对应产品各种面形参数，如PV、POWER、ASTMAG等。对采集数据进行去噪、归一化等预处理以适应网络模型的要求。其具体如下：
步骤1-1，对干涉仪软件输出的.dat文件进行处理，.dat文件具有其固定的格式，通过dat_to_xyz.exe对.dat文件转化，可以得到其加工状态的所有数据。读取对应txt文件中的数据，提取出所需的面形参数数据，包括PV、POWER、ASTMAG等。
步骤1-2，实时读取环抛机的加工工艺参数，包括偏心距、大盘转速、加工状态等。
步骤1-3，对数据进行去噪、归一化等预处理，消除各个数据之间的量纲区别。
步骤1-4，将该工件的工艺参数和面形参数存入数据库中方便以后进行调用和比对。
作为一优选实施例，上述第(2)部分中，加工工艺参数与面形参数预测，通过动态双LSTM网络模型，根据环抛机的上一个加工参数状态及当前工件面形参数预测下一次加工的工件面形参数和加工工艺参数，其具体如下：
步骤2-1，将LSTM网络模块所需的参数进行提取，以模型所需的格式输入到预测模型中，根据加工参数之间的关联性，主要选取加工参数偏心距、大盘转速，面形参数PV、POWER、ASTMAG作为预测的对象。
步骤2-2，动态网络学习。在每一次加工的数据都输入到网络中进行训练，不断的更新该网络的参数，使LSTM网络具有周期性。将处理后的数据输入到LSTM网络中，LSTM网络保留之前的所有状态信息，每次有新的数据加入时，就会有相应的操作来决定舍弃什么历史信息以及添加什么新的信息。因此会对加工数据进行筛选，选择对优化面形参数有效的数据进行训练。
步骤2-3，基于双LSTM网络模型的两步工艺参数预测。第一个网络将前后两次的工件面形参数和前一次的工艺参数作为输入，后一次的加工工艺参数作为输出，第二个网络输入为前后两次的工艺参数和前一次的面形参数，输出为后一次的面形参数。在网络的预测过程中，第一个网络将前一次的面形参数和工艺参数以及期望的面形参数作为输入，预测输出得到下一次加工的工艺参数，第二个网络输入为预测得到的工艺参数以及上一次的面形参数和工艺参数，输出为预测的面形参数，该面形参数可以用于对模型的有效性(性能)进行判断。
作为一优选实施例，在每一个LSTM网络模型中，输入的数据会经过模型的三个部分，分别为遗忘门、输入门、输出门。在遗忘门中，LSTM网络会选择的对历史数据进行筛选，忘记某些不重要的信息，遗忘门的表达式为：
ft＝σ(Wf·[ht-1，xt]+bf) (16)
其中，Wf、bf分别为遗忘门的线性关系的系数和偏移，σ为sigmoid激活函数，ht-1为上一个隐藏层的输出，xt为t时刻的输入数据。
经过输入门，输入门为选择记忆阶段，也就是对输入有选择性地进行“记忆”，将历史数据中更重要的记录下来，对于加工数据中可能有很多无效的加工，也就是对工件精密度无意义的加工，因此LSTM网络对其适用度很高。输入门决定了要往当前状态中保存什么新的信息，它输入上一状态的输出和当前输入的信息到sigmoid函数中，产生一个介于0-1之间的数值来确定需要保留多少的新信息。输入门的主要表达式为：
it＝σ(Wi·[ht-1，xt]+bi) (17)
Figure BDA0003147889600000111
其中，WC、bC分别为输入门的线性关系的系数和偏移，it为可以选择性的从
Figure BDA0003147889600000112
中选择记忆细胞中没有的知识，Wi为输入门的权重矩阵，bi为输入门的偏置项，
Figure BDA0003147889600000113
为LSTM网络关联模型新学习到的知识。
输出门决定了要输出什么信息，通过Sigmoid函数产生一个介于0-1之间的数值来确定输出门之后需要输出多少信息，在输出最后的信息之前会先经过一个tanh层来进行激活，最后得到的就是LSTM网络的输出。输出门的表达式为：
ot＝σ(Wo[ht-1，xt]+bo) (19)
ht＝ot*tanh(Ct) (20)
其中，ot为输出门的输出特征，Wo为输出门的线性关系的系数，bo为输出门的线性关系的偏移，ht为隐含状态，Ct为记忆单元。
进一步地，经过第一个LSTM网络之后得到预测的加工工艺参数，可以用于后续的加工，再使用第二个LSTM网络模拟加工过程，预测出通过该加工工艺参数能够得到的面形参数，根据该面形参数可以用于对模型的有效性进行判断，还可以用于后续对工位选择进行调度。
如图3所示，在该优选实施例中，经过对数据的预处理之后，采用动态双LSTM网络进行训练和预测加工工艺参数和面形参数。第一个网络用来预测工艺参数，训练时输入参数为上一次加工的工艺参数与面形参数、后一次加工的面形参数，预测时输入参数为上一次加工的工艺参数与面形参数、期望的面形参数。第二个网络用来预测在第一个网络得到的工艺参数下加工得到的面形参数，训练时输入参数为上一次加工的工艺参数与面形参数、后一次加工的工艺参数，预测时输入参数为上一次加工的工艺参数与面形参数、第一个模型预测得到的工艺参数。根据第二个LSTM网络模型预测得到的面形参数可以和原数据进行对比，检验该工艺参数所能带来的效果的提升。
图4为本发明一实施例中环抛机群工件及工位调度方法工作示意图。
如图4所示，该实施例提供的环抛机群工件及工位调度方法，其中每一个加工工位均采用上述任一项的环抛机工艺参数预测方法，根据训练过程交叉预测得到的面形参数预测数据和待加工工件的工艺参数预测数据，根据得到的预测数据以及面形参数预测最优原则，对环抛机群工件及工位进行优化调度。其中：
如果待抛工件大于工位数量，则表现为工位选择工件，完成工件调度；
如果待抛工件小于工位数量，则表现为工件选择工位，完成工位调度。
该实施例提供的环抛机群工件及工位调度方法，可以包括如下步骤：
步骤1，构建环抛机群中每一个工位专有的双LSTM网络关联模型；
步骤2，利用每一个工位专有的所述双LSTM网络关联模型，对待加工工件的工艺参数及相应的面形参数数据进行交叉预测，得到相应的预测数据；
步骤3，根据得到的预测数据以及面形参数预测最优原则，对环抛机群工件及工位进行优化调度。
在该实施例中，作为一优选实施例，该工件及工位调度方法，还包括：
根据预测过程实现环抛机工件加工。
该实施例提供的环抛机群工件及工位调度方法，通过交叉匹配分析，寻找工件与环抛机加工工位之间的关系，通过这种关系实现对工件加工工位的调度，其具体如下：
根据对不同工位的加工数据，分析系统的加工规律以及设备的参数状况，进行工件加工的调度，每个产品从待加工工件入库开始就有一个唯一的ID，该ID是唯一的，直到产品出库为止。调度系统根据数据采集系统采集的数据以及数据分析结果动态安排环抛机、清洗剂、干涉仪等设备。
对不同工位的数据进行提取，对于各个工位分别训练一个LSTM网络，输入为当前工件的加工工艺参数和面形参数，输出预测中效果最好的下一次加工的工位。
在该实施例中，在工位调度上，对于不同工位分别进行训练，经过第一个LSTM网络得到预测的加工参数，再经过第二个LSTM网络预测经过该加工参数加工可以得到的面形参数，通过比较多个工位上模型预测的面形参数，选择面形参数更优的工位进行加工，加工参数选择该工位的第一个LSTM网络预测得到的加工参数进行加工。
图5为本发明一实施例提供的环抛机工艺参数预测系统组成模块示意图。
如图5所示，该实施例提供的环抛机工艺参数预测系统，可以包括：数据获取模块、关联模型模块以及参数预测模块；其中：
数据获取模块：该模块获取设备加工工艺参数数据及相应的面形参数数据，并进行预处理；
关联模型模块：该模块构建双LSTM网络关联模型，并对双LSTM网络关联模型进行训练；其中，训练方法包括：
将上一次工艺参数数据和相应的面形参数数据以及本次面形参数数据作为第一个LSTM网络关联模型的输入，将本次工艺参数数据作为第一个LSTM网络关联模型的输出；通过误差反向传播对第一个LSTM网络关联模型进行训练；
将上一次工艺参数数据和相应的面形参数数据以及本次工艺参数数据作为第二个LSTM网络关联模型的输入，将本次面形参数数据作为第二个LSTM网络关联模型的输出；通过误差反向传播对第二个LSTM网络关联模型进行训练；
参数预测模块：该模块利用训练后的双LSTM网络关联模型，对环抛机工艺参数进行预测；其中，预测方法包括：
获取设备上一次工艺参数数据及相应的面形参数数据，进行预处理；
将得到的上一次工艺参数数据和相应的面形参数数据以及下一次面形参数的期望值作为训练后的第一个LSTM网络关联模型的输入，得到下一次工艺参数的预测数据；将得到的工艺参数预测数据以及上一次工艺参数数据和相应的面形参数数据作为训练后的第二个LSTM网络关联模型的输入，得到下一次面形参数的预测数据；将得到的下一次面形参数的预测数据与面形参数的期望值进行比较，如果差异大于设定阈值，则进一步修改面形参数的期望值，重复此步骤，直至得到所需的面形参数预测数据，并得到相应的工艺参数预测数据，完成对环抛机工艺参数的预测。
在该实施例中，作为一优选实施例，该系统还可以包括如下模块：
关联模型优化模块，该模块对训练后的双LSTM网络关联模型进行动态优化；其中，优化方法包括：
将得到的下一次工艺参数预测数据应用于环抛设备参数调节，进行环抛加工，获得在此工艺参数条件下的面形参数实际数据；
将的面形参数实际数据和面形参数预测数据进行比较，如果偏离大于设定阈值，则将该面形参数实际数据作为新的训练数据，重复执行对双LSTM网络关联模型的训练过程，完成对双LSTM网络关联模型的动态优化。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
本发明一实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行上述实施例中任一项的方法(工艺参数预测方法、工件工位调度方法)，或，运行上述实施例中任一项的系统。
本发明一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述实施例中任一项的方法(工艺参数预测方法、工件工位调度方法)，或，运行上述实施例中任一项的系统。
在上述两个实施例中，可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic RandomAccess Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
本发明上述实施例提供的工艺参数预测、工位调度方法、系统、终端及介质，基于动态双LSTM网络，通过LSTM网络对环抛机加工参数进行预测，从而提高环抛机的加工效率，减少人力成本。本发明上述实施例提供的工艺参数预测、工位调度方法、系统、终端及介质，基于于LSTM网络模型，设计双网络架构和动态训练方法，在环抛加工的场景下，对环抛加工中的需要人工判断的加工参数智能化处理，对环抛加工的工位和工件建模，能够有效的提高环抛加工的效率，提高工件的精密度和产量。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种环抛机工艺参数预测方法，其特征在于，包括：
获取设备历史工艺参数数据及相应的面形参数数据，并进行预处理，得到训练数据集；
构建双LSTM网络关联模型，对所述双LSTM网络关联模型进行训练，包括：
将所述训练数据集中上一次工艺参数数据和相应的面形参数数据以及本次面形参数数据作为第一个LSTM网络关联模型的输入，将本次工艺参数数据作为第一个LSTM网络关联模型的输出；通过误差反向传播对第一个LSTM网络关联模型进行训练；
将所述训练数据集中上一次工艺参数数据和相应的面形参数数据以及本次工艺参数数据作为第二个LSTM网络关联模型的输入，将本次面形参数数据作为第二个LSTM网络关联模型的输出；通过误差反向传播对第二个LSTM网络关联模型进行训练；
利用训练后的所述双LSTM网络关联模型对环抛机工艺参数进行预测，包括：
获取设备上一次工艺参数数据及相应的面形参数数据，进行预处理；
将得到的上一次工艺参数数据和相应的面形参数数据以及下一次面形参数的期望值作为训练后的第一个LSTM网络关联模型的输入，得到下一次工艺参数的预测数据；将得到的所述工艺参数预测数据以及上一次工艺参数数据和相应的面形参数数据作为训练后的第二个LSTM网络关联模型的输入，得到下一次面形参数的预测数据；将得到的下一次面形参数的预测数据与所述面形参数的期望值进行比较，如果差异大于设定阈值，则进一步修改面形参数的期望值，重复此步骤，直至得到所需的面形参数预测数据，并得到相应的工艺参数预测数据，完成对环抛机工艺参数的预测。
2.根据权利要求1所述的环抛机工艺参数预测方法，其特征在于，所述获取设备历史工艺参数数据及相应的面形参数数据，并进行预处理，包括：
通过人工记录或读取环抛机工艺参数数据库的方式获取环抛机工艺可调参数，得到工艺参数数据；
利用数字化干涉仪检测设备获取面形分布数据，根据获取的所述面形分布数据计算出对应的产品面形参数数据；
对获得的所述工艺参数数据及相应的面形参数数据进行预处理，包括：去噪和归一化处理，以满足所述双LSTM网络关联模型输入的要求。
3.根据权利要求1所述的环抛机工艺参数预测方法，其特征在于，所述双LSTM网络关联模型中的每一个LSTM网络关联模型均包括依次设置的：遗忘门部分、输入门部分和输出门部分；其中：
所述遗忘门部分对所述训练数据集中的数据进行筛选，忘记与预测不相关的信息；所述遗忘门部分的表达式为：
ft＝σ(Wf·[ht-1，xt]+Bf) (1)
其中，Wf、bf分别为遗忘门的线性关系的系数和偏移，σ为sigmoid激活函数，ht-1为上一个隐藏层的输出，xt为t时刻的输入数据；
所述输入门部分将筛选后的训练数据集中的与工件精密度相关的数据进行选择性记录；所述输入门部分的表达式为：
it＝σ(Wi·[ht-1，xt]+bi) (2)
Figure FDA0003147889590000021
其中，WC、bC分别为输入门的线性关系的系数和偏移，it为能够选择性的从
Figure FDA0003147889590000022
中选择记忆细胞中没有的知识，Wi为输入门的权重矩阵，bi为输入门的偏置项，
Figure FDA0003147889590000023
为LSTM网络关联模型学习到的知识；
所述输出门部分先将待输出信息经过一个tanh层来进行激活，得到的信息即为输出信息；所述输出门部分的表达式为：
ot＝σ(Wo[ht-1，xt]+bo) (4)
ht＝ot*tanh(Ct) (5)
其中，ot为输出门的输出特征，Wo为输出门的线性关系的系数，bo为输出门的线性关系的偏移，ht为隐含状态，Ct为记忆单元。
4.根据权利要求3所述的环抛机工艺参数预测方法，其特征在于，所述输入门部分产生一个介于0-1之间的数值来确定需要保留信息的数量；和/或
所述输出门部分产生一个介于0-1之间的数值来确定需要输出信息的数量。
5.根据权利要求1-4中任一项所述的环抛机工艺参数预测方法，其特征在于，还包括：
对训练后的所述双LSTM网络关联模型进行动态优化，包括：
将得到的下一次工艺参数预测数据应用于环抛设备参数调节，进行环抛加工，获得在此工艺参数条件下的面形参数实际数据；
将所述的面形参数实际数据和面形参数预测数据进行比较，如果偏离大于设定阈值，则将该面形参数实际数据作为新的训练数据，重复执行对双LSTM网络关联模型的训练过程，完成对双LSTM网络关联模型的动态优化。
6.一种环抛机工艺参数预测系统，其特征在于，包括：
数据获取模块：该模块获取设备加工工艺参数数据及相应的面形参数数据，并进行预处理；
关联模型模块：该模块构建双LSTM网络关联模型，并对所述双LSTM网络关联模型进行训练；其中，所述训练方法包括：
将上一次工艺参数数据和相应的面形参数数据以及本次面形参数数据作为第一个LSTM网络关联模型的输入，将本次工艺参数数据作为第一个LSTM网络关联模型的输出；通过误差反向传播对第一个LSTM网络关联模型进行训练；
将上一次工艺参数数据和相应的面形参数数据以及本次工艺参数数据作为第二个LSTM网络关联模型的输入，将本次面形参数数据作为第二个LSTM网络关联模型的输出；通过误差反向传播对第二个LSTM网络关联模型进行训练；
参数预测模块：该模块利用训练后的所述双LSTM网络关联模型，对环抛机工艺参数进行预测；其中，所述预测方法包括：
获取设备上一次工艺参数数据及相应的面形参数数据，进行预处理；
将得到的上一次工艺参数数据和相应的面形参数数据以及下一次面形参数的期望值作为训练后的第一个LSTM网络关联模型的输入，得到下一次工艺参数的预测数据；将得到的所述工艺参数预测数据以及上一次工艺参数数据和相应的面形参数数据作为训练后的第二个LSTM网络关联模型的输入，得到下一次面形参数的预测数据；将得到的下一次面形参数的预测数据与所述面形参数的期望值进行比较，如果差异大于设定阈值，则进一步修改面形参数的期望值，重复此步骤，直至得到所需的面形参数预测数据，并得到相应的工艺参数预测数据，完成对环抛机工艺参数的预测。
7.根据权利要求6所述的环抛机工艺参数预测系统，其特征在于，还包括：
关联模型优化模块，该模块对训练后的所述双LSTM网络关联模型进行动态优化；其中，所述优化方法包括：
将得到的下一次工艺参数预测数据应用于环抛设备参数调节，进行环抛加工，获得在此工艺参数条件下的面形参数实际数据；
将所述的面形参数实际数据和面形参数预测数据进行比较，如果偏离大于设定阈值，则将该面形参数实际数据作为新的训练数据，重复执行对双LSTM网络关联模型的训练过程，完成对双LSTM网络关联模型的动态优化。
8.一种权利要求1-5中任一项所述的环抛机工艺参数预测方法在环抛机群工件及工位调度中的应用，其特征在于，包括：
构建环抛机群中每一个工位专有的双LSTM网络关联模型；
利用每一个工位专有的所述双LSTM网络关联模型，对待加工工件的工艺参数及相应的面形参数数据进行交叉预测，得到相应的预测数据；
根据得到的预测数据以及面形参数预测最优原则，对环抛机群工件及工位进行优化调度。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-5或8中任一项所述的方法，或，运行权利要求6-7中任一项所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-5或8中任一项所述的方法，或，运行权利要求6-7中任一项所述的系统。
CN202110756637.3A 2021-07-05 2021-07-05 环抛机工艺参数预测方法、系统、应用、终端及介质 Active CN113592064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110756637.3A CN113592064B (zh) 2021-07-05 2021-07-05 环抛机工艺参数预测方法、系统、应用、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756637.3A CN113592064B (zh) 2021-07-05 2021-07-05 环抛机工艺参数预测方法、系统、应用、终端及介质

Publications (2)

Publication Number Publication Date
CN113592064A true CN113592064A (zh) 2021-11-02
CN113592064B CN113592064B (zh) 2024-02-09

Family

ID=78245880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110756637.3A Active CN113592064B (zh) 2021-07-05 2021-07-05 环抛机工艺参数预测方法、系统、应用、终端及介质

Country Status (1)

Country Link
CN (1) CN113592064B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114871858A (zh) * 2022-04-25 2022-08-09 中国工程物理研究院激光聚变研究中心 一种机器人全口径研磨抛光系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472057A (zh) * 2018-10-16 2019-03-15 浙江大学 基于跨工步隐式参数记忆的产品加工质量预测装置及方法
CN109711714A (zh) * 2018-12-24 2019-05-03 浙江大学 基于并联长短期记忆网络的制造装配产品质量预测方法
CN110442099A (zh) * 2019-08-05 2019-11-12 湘潭大学 一种基于长短期记忆的数控加工工艺参数优化方法
US20200167649A1 (en) * 2018-11-28 2020-05-28 Element Ai Inc. Systems and methods for error reduction in materials casting
CN112069966A (zh) * 2020-08-31 2020-12-11 中国计量大学 基于改进型lstm网络的表面粗糙度预测方法
US20210063999A1 (en) * 2019-08-27 2021-03-04 Samsung Electronics Co., Ltd. Method and electronic device for guiding semiconductor manufacturing process
US20210103221A1 (en) * 2019-10-08 2021-04-08 International Business Machines Corporation Tool control using multistage lstm for predicting on-wafer measurements
CN112668227A (zh) * 2020-12-31 2021-04-16 华中科技大学 一种薄壁件让刀变形误差预测模型建立方法及其应用
CN112884081A (zh) * 2021-03-31 2021-06-01 福州大学 一种多品种小批量生产的工件质量在线智能预测方法
CN113051830A (zh) * 2021-04-01 2021-06-29 重庆大学 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472057A (zh) * 2018-10-16 2019-03-15 浙江大学 基于跨工步隐式参数记忆的产品加工质量预测装置及方法
US20200167649A1 (en) * 2018-11-28 2020-05-28 Element Ai Inc. Systems and methods for error reduction in materials casting
CN109711714A (zh) * 2018-12-24 2019-05-03 浙江大学 基于并联长短期记忆网络的制造装配产品质量预测方法
CN110442099A (zh) * 2019-08-05 2019-11-12 湘潭大学 一种基于长短期记忆的数控加工工艺参数优化方法
US20210063999A1 (en) * 2019-08-27 2021-03-04 Samsung Electronics Co., Ltd. Method and electronic device for guiding semiconductor manufacturing process
US20210103221A1 (en) * 2019-10-08 2021-04-08 International Business Machines Corporation Tool control using multistage lstm for predicting on-wafer measurements
CN112069966A (zh) * 2020-08-31 2020-12-11 中国计量大学 基于改进型lstm网络的表面粗糙度预测方法
CN112668227A (zh) * 2020-12-31 2021-04-16 华中科技大学 一种薄壁件让刀变形误差预测模型建立方法及其应用
CN112884081A (zh) * 2021-03-31 2021-06-01 福州大学 一种多品种小批量生产的工件质量在线智能预测方法
CN113051830A (zh) * 2021-04-01 2021-06-29 重庆大学 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114871858A (zh) * 2022-04-25 2022-08-09 中国工程物理研究院激光聚变研究中心 一种机器人全口径研磨抛光系统及方法

Also Published As

Publication number Publication date
CN113592064B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN107888669B (zh) 一种基于深度学习神经网络的大规模资源调度系统及方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN110135635B (zh) 一种区域电力饱和负荷预测方法及系统
CN107506865A (zh) 一种基于lssvm优化的负荷预测方法及系统
CN110909941B (zh) 基于lstm神经网络的电力负荷预测方法、装置及系统
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN111985845B (zh) 一种异构Spark集群的节点优先级调优方法
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN113867295A (zh) 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
CN113592064B (zh) 环抛机工艺参数预测方法、系统、应用、终端及介质
CN112308298A (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN115759552A (zh) 一种基于多智能体架构的面向智慧工厂的实时调度方法
CN114757512A (zh) 一种基于图神经网络的作业车间调度方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
CN108134687B (zh) 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法
CN115081609A (zh) 一种智能决策中的加速方法、终端设备及存储介质
CN114969148A (zh) 一种基于深度学习的系统访问量预测方法、介质和设备
CN114492967A (zh) 基于ceemdan和blstm组合模型的城轨车站客流预测方法和介质
CN113158134A (zh) 非侵入式负荷辨识模型的构建方法、装置和存储介质
CN113344317A (zh) 一种基于双深度时序差分神经网络的紧密协作型供应链任务调度方法
CN116681266B (zh) 一种镜面放电加工机的生产调度方法及系统
CN112085459B (zh) 一种风电项目投资估算方法及装置

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