CN113919601A - 基于产品性能和过程数据模型的树脂工艺预测方法及装置 - Google Patents

基于产品性能和过程数据模型的树脂工艺预测方法及装置 Download PDF

Info

Publication number
CN113919601A
CN113919601A CN202111497849.0A CN202111497849A CN113919601A CN 113919601 A CN113919601 A CN 113919601A CN 202111497849 A CN202111497849 A CN 202111497849A CN 113919601 A CN113919601 A CN 113919601A
Authority
CN
China
Prior art keywords
data
performance
neural network
interval
network 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.)
Pending
Application number
CN202111497849.0A
Other languages
English (en)
Inventor
安士才
王涛
牟文青
丁未汀
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.)
Shandong Jerei Digital Technology Co Ltd
Original Assignee
Shandong Jerei Digital Technology Co Ltd
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 Shandong Jerei Digital Technology Co Ltd filed Critical Shandong Jerei Digital Technology Co Ltd
Priority to CN202111497849.0A priority Critical patent/CN113919601A/zh
Publication of CN113919601A publication Critical patent/CN113919601A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Casting Or Compression Moulding Of Plastics Or The Like (AREA)

Abstract

本发明的一种基于产品性能和过程数据模型的树脂工艺预测方法包括：采集生产工艺和过程数据；对采集的连续变化数据进行特征值变换处理；对批次产品进行采样检验，并记录其性能指标和质量指标；对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；对神经网络模型进行评估和验证，并进行优化；定义一个性能参数的搜索区间并在其内寻找与性能指标最接近的数据作为数据集；根据数据集中原始参数数据，计算各工艺参数的取值区间；从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。本发明解决了当前生产工艺优化难，配方实验过程效率低下的问题，提高了产品质量和性能的稳定性。

Description

基于产品性能和过程数据模型的树脂工艺预测方法及装置
技术领域
本发明涉及一种基于产品性能和过程数据模型的树脂工艺预测方法及装置，属于工艺过程数据挖掘技术领域。
背景技术
预浸料是制造复合材料及其制件的中间材料，构成了复合材料的基本单元，其质量的均匀性和稳定性，是保证复合材料及其制件质量和可靠性的重要环节。
碳纤维预浸布是以合成树脂和碳纤维织布、环氧树脂/酚醛树脂/氰酸酯树脂、离型纸为基础原料制造而成的，通常根据客户对材料的性能需求进行按单生产，因为客户对产品的性能需求是基于实际工况而提出的，所以需要根据性能指标来配制碳纤维布生产所需要的树脂。
但目前的涂料生产工艺受工程师经验限制，需要进行多次试验来确定原料配比，当前生产工艺优化难，配方实验过程效率低下，可能导致了整批产品性能不达标，从而造成库存积压和订单交期延误。
发明内容
为了解决上述问题，本发明提出了一种基于产品性能和过程数据模型的树脂工艺预测方法及装置，能够解决当前生产工艺优化难，配方实验过程效率低下的问题。
本发明解决其技术问题采取的技术方案是：
第一方面，本发明实施例提供的一种基于产品性能和过程数据模型的树脂工艺预测方法，包括以下步骤：
采集生产工艺和过程数据；所述数据包括非连续数据和连续变化数据；
对采集的连续变化数据进行特征值变换处理；
对批次产品进行采样检验，并记录该批次产品的性能指标P和质量指标Q；
对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；
对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型；
定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集；
根据数据集中原始参数数据，计算各工艺参数的取值区间；
从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。
作为本实施例一种可能的实现方式，所述采集生产工艺和过程数据，包括：
建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围；
采集生产工艺和过程数据，记录各批次的生产开始和结束时间，对非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
作为本实施例一种可能的实现方式，所述生产工艺和过程数据包括：合成树脂各原料成本的配比、反应温度和时间数据、碳纤维织机纱线张力、辊压机辊缝间距和加热温度。
作为本实施例一种可能的实现方式，所述对采集的连续变化数据进行特征值变换处理，包括：每个批次生产完成之后，将该批次对应时间内的连续数值进行特征值变换，通过分段聚合近似(PAA)方法将该批次生产期间的数据转换为一个或几个数值进行存储，以方便后续建模过程。
作为本实施例一种可能的实现方式，所述对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型，包括：
使用深度神经网络(DNN)方法对多个批次的生产工艺数据和性能、质量数据分别建立神经网络模型M0，此处可以使用Tensorflow或PyTorch等公开的神经网络工具包构建此模型；
所述对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型，包括：
对神经网络模型M0进行评估和验证，通过调整网络层数和学习率参数进行模型优化，得到优化后的神经网络模型M1。
作为本实施例一种可能的实现方式，所述定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集，包括：
根据新订单的产品性能参数需求，定义一个性能参数的搜索区间[p0, p1]，以此在历史批次数据中寻找与性能指标最接近的数据，分别按照减小和扩大的趋势为每个性能指标p各寻找一条相关数据，记为dpL和dpH，如果在区间内找不到有效数据，则逐次按照5%的步长在搜索方向上减少或扩大p0和p1的值，直到得到符合条件的目标数据或批次数据搜索完成，将该数据集记录为集合D。
作为本实施例一种可能的实现方式，所述根据数据集中原始参数数据，计算各工艺参数的取值区间，包括：
根据集合D中的各批次的原始参数数据，计算出各工艺参数的取值区间[pL, pH]∈S，如果缺少某个区间边界的数据，则将该边界定为0或者一个经验值。
作为本实施例一种可能的实现方式，所述从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间，包括：
为各工艺参数搜索区间分别定义搜索步长A，从区间下限pL开始对所有参数的组合进行搜索，通过优化后的神经网络模型M1计算产品性能指标，得出工艺参数取值区间[rL,rH]∈R。
第二方面，本发明实施例提供的一种基于产品性能和过程数据模型的树脂工艺预测装置，包括：
数据采集模块，用于采集生产工艺和过程数据；所述数据包括非连续数据和连续变化数据；
数据变换模块，用于对采集的连续变化数据进行特征值变换处理；
采样检验模块，用于对批次产品进行采样检验，并记录该批次产品的性能指标P和质量指标Q；
模型建立模块，用于对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；
模型优化模块，用于对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型；
指标搜索模块，用于定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集；
参数计算模块，用于根据数据集中原始参数数据，计算各工艺参数的取值区间；
参数取值确定模块，用于从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。
作为本实施例一种可能的实现方式，所述数据采集模块包括：
规范建立模块，用于建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围；
数据采集及记录模块，用于采集生产工艺和过程数据，记录各批次的生产开始和结束时间，对非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
作为本实施例一种可能的实现方式，所述生产工艺和过程数据包括：合成树脂各原料成本的配比、反应温度和时间数据、碳纤维织机纱线张力、辊压机辊缝间距和加热温度。
作为本实施例一种可能的实现方式，所述对采集的连续变化数据进行特征值变换处理，包括：每个批次生产完成之后，将该批次对应时间内的连续数值进行特征值变换，通过分段聚合近似(PAA)方法将该批次生产期间的数据转换为一个或几个数值进行存储，以方便后续建模过程。
作为本实施例一种可能的实现方式，所述对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型，包括：
使用深度神经网络(DNN)方法对多个批次的生产工艺数据和性能、质量数据分别建立神经网络模型M0，此处可以使用Tensorflow或PyTorch等公开的神经网络工具包构建此模型。
作为本实施例一种可能的实现方式，所述对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型，包括：对神经网络模型M0进行评估和验证，通过调整网络层数和学习率参数进行模型优化，得到优化后的神经网络模型M1。
作为本实施例一种可能的实现方式，所述定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集，包括：
根据新订单的产品性能参数需求，定义一个性能参数的搜索区间[p0, p1]，以此在历史批次数据中寻找与性能指标最接近的数据，分别按照减小和扩大的趋势为每个性能指标p各寻找一条相关数据，记为dpL和dpH，如果在区间内找不到有效数据，则逐次按照5%的步长在搜索方向上减少或扩大p0和p1的值，直到得到符合条件的目标数据或批次数据搜索完成，将该数据集记录为集合D。
作为本实施例一种可能的实现方式，所述根据数据集中原始参数数据，计算各工艺参数的取值区间，包括：
根据集合D中的各批次的原始参数数据，计算出各工艺参数的取值区间[pL, pH]∈S，如果缺少某个区间边界的数据，则将该边界定为0或者一个经验值。
作为本实施例一种可能的实现方式，所述从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间，包括：
为各工艺参数搜索区间分别定义搜索步长A，从区间下限pL开始对所有参数的组合进行搜索，通过优化后的神经网络模型M1计算产品性能指标，得出工艺参数取值区间[rL, rH]∈R。
本发明实施例的技术方案可以具有的有益效果如下：
本发明通过采集工艺原料配比参数、涂料和预浸布生产过程中的反应时间、温度、速度和压力控制等参数，并与实验室的质检结果建立产品性能和质量数据分析模型，对涂料原材料的合成和后续复合材料的生产工艺进行数据建模，分析工艺对产品性能和质量影响因素，并根据性能指标要求结合历史数据和分析模型推算求解树脂原材料的配比区间，显著减少实验和产品试制成本，提高产品质量和性能的稳定性。
本发明通过数据模型来实现生产工艺和产品性能的相关性分析，通过模型预测工艺参数，约束了参数的取值区间，有效减少工程师的实验工作量，提升工艺设计效率。
本发明通过对树脂工艺预测可以验证工程师的工艺设计，减少不必要的实验程序，同时能够提高工艺参数的准确度，能够有效地将产品性能和成本控制在合理的范围内。
本发明提供了一种面向树脂基复合材料生产工艺优化领域的，为生产厂家建立生产工艺参数与质量和产品性能的数据模型，解决了当前生产工艺优化难，配方实验过程效率低下的问题。
附图说明
图1是根据一示例性实施例示出的一种基于产品性能和过程数据模型的树脂工艺预测方法的流程图；
图2是根据一示例性实施例示出的一种基于产品性能和过程数据模型的树脂工艺预测装置的结构示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的一种基于产品性能和过程数据模型的树脂工艺预测方法的流程图。如图1所示，本发明实施例提供的一种基于产品性能和过程数据模型的树脂工艺预测方法，包括以下步骤：
采集生产工艺和过程数据；所述数据包括非连续数据和连续变化数据；
对采集的连续变化数据进行特征值变换处理；
对批次产品进行采样检验，并记录该批次产品的性能指标P和质量指标Q；
对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；
对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型；
定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集；
根据数据集中原始参数数据，计算各工艺参数的取值区间；
从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。
作为本实施例一种可能的实现方式，所述采集生产工艺和过程数据，包括：
建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围；
采集生产工艺和过程数据，记录各批次的生产开始和结束时间，对非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
作为本实施例一种可能的实现方式，所述生产工艺和过程数据包括：合成树脂各原料成本的配比、反应温度和时间数据、碳纤维织机纱线张力、辊压机辊缝间距和加热温度。
作为本实施例一种可能的实现方式，所述对采集的连续变化数据进行特征值变换处理，包括：每个批次生产完成之后，将该批次对应时间内的连续数值进行特征值变换，通过分段聚合近似(PAA)方法将该批次生产期间的数据转换为一个或几个数值进行存储，以方便后续建模过程。
作为本实施例一种可能的实现方式，所述对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型，包括：
使用深度神经网络(DNN)方法对多个批次的生产工艺数据和性能、质量数据分别建立神经网络模型M0，此处可以使用Tensorflow或PyTorch等公开的神经网络工具包构建此模型；
所述对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型，包括：
对神经网络模型M0进行评估和验证，通过调整网络层数和学习率参数进行模型优化，得到优化后的神经网络模型M1。
作为本实施例一种可能的实现方式，所述定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集，包括：
根据新订单的产品性能参数需求，定义一个性能参数的搜索区间[p0, p1]，以此在历史批次数据中寻找与性能指标最接近的数据，分别按照减小和扩大的趋势为每个性能指标p各寻找一条相关数据，记为dpL和dpH，如果在区间内找不到有效数据，则逐次按照5%的步长在搜索方向上减少或扩大p0和p1的值，直到得到符合条件的目标数据或批次数据搜索完成，将该数据集记录为集合D。
作为本实施例一种可能的实现方式，所述根据数据集中原始参数数据，计算各工艺参数的取值区间，包括：
根据集合D中的各批次的原始参数数据，计算出各工艺参数的取值区间[pL, pH]∈S，S为原始工艺参数的取值区间，如果缺少某个区间边界的数据，则将该边界定为0或者一个经验值。
作为本实施例一种可能的实现方式，所述从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间，包括：
为各工艺参数搜索区间分别定义搜索步长A，从区间下限pL开始对所有参数的组合进行搜索，通过优化后的神经网络模型M1计算产品性能指标，得出工艺参数取值区间[rL,rH]∈R，R为优化后的神经网络模型M1计算的工艺参数的取值区间。
如图2所示，本发明实施例提供的一种基于产品性能和过程数据模型的树脂工艺预测装置，包括：
数据采集模块，用于采集生产工艺和过程数据；所述数据包括非连续数据和连续变化数据；
数据变换模块，用于对采集的连续变化数据进行特征值变换处理；
采样检验模块，用于对批次产品进行采样检验，并记录该批次产品的性能指标P和质量指标Q；
模型建立模块，用于对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；
模型优化模块，用于对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型；
指标搜索模块，用于定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集；
参数计算模块，用于根据数据集中原始参数数据，计算各工艺参数的取值区间；
参数取值确定模块，用于从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。
作为本实施例一种可能的实现方式，所述数据采集模块包括：
规范建立模块，用于建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围；
数据采集及记录模块，用于采集生产工艺和过程数据，记录各批次的生产开始和结束时间，对非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
采用本发明所述的树脂工艺预测装置进行树脂工艺预测的过程如下。
1.建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围，例如合成树脂（常用环氧树脂、酚醛树脂和氰酸酯树脂）各原料成本的配比、反应温度和时间数据、碳纤维织机纱线张力、辊压机辊缝间距和加热温度等。
2.采集步骤１中所涉及的各项数据，记录各批次的生产开始和结束时间，对原料配比等非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
3.每个批次生产完成之后，将该批次对应时间内的连续数值做特征值变换，通过分段聚合近似(PAA)等方法将该批次生产期间的数据转换为一个或几个数值进行存储，以方便后续建模过程。其中对于树脂生产过程，取溶解、聚合、中和和脱水各工艺步骤的连续温度值，分别计算各阶段的反应时间和平均反应温度作为工艺特征值；对于非恒温过程，可以使用分段聚合近似(PAA)等方法，对连续的时间分段取平均值，作为该过程的工艺特征值。
4.对该批次产品进行采样检验，记录该批次产品的性能指标P和质量指标Q。
5.使用深度神经网络(DNN)方法对多个批次的生产工艺数据和性能、质量数据分别建立神经网络模型M0。激活函数使用ReLU/Sigmoid/Tanh/Softmax等函数进行测试。此处可以使用TensorFlow或PyTorch等公开的神经网络框架来实现此过程，以下是一个具体示例实现：
from tensorflow.keras.layers import Input, Dense,Activation,Dropout
from tensorflow.keras.models import Model
input.layer =Input(shape =(X.shape[1],))
#定义网络结构
#确定隐含层节点数: 一般有3个经验公式:
# m=math.sqrt(n+l)+a
# m=math. log(n,2)
# m=math. sqrt(n * I)
#式中，m为要设置的隐含层节点数; n为输入层节点数; 1为输出层节点数; a为1至10之间的常数。
#节点数少的情况下，模型误差明显偏大，所以在经验公式的基础上，适当增加节点数，层数不必多，可以通过优化学习率来降低层数
LAYER_UNITS =[80，40，20]
#激活函数中linear/leaky_relu/relu/softplus效果较好，对于本线性模型来说更适用，如果需要捕获非线性关系，可使用relu函数
ACTIVATION = "leaky.relu"
layer =None
for i, units in zip(range(len(LAYER_UNITS)), LAYER UNITS):
layer = Dense(units, activation=ACTIVATION)(input_layer if layer isNone else layer)
print("Layer #%s，units = %s，layer = %s" % (i + 1，units, layer))
output - Dense(1)(layer)
import tensorflow as tf
#设置优化器学习率参数
# https://blog. csdn. net/Light2077/article/detai ls/106629697
exponential_ decay = tf.keras.optimizers.schedules.ExponentialDecay(
initial_learning.rate-0.05，decay. steps =1000，decay rate 0.96)
optimizer=tf.keras.optimizers.Adam(exponential_decay)
model = Model(inputs=sinput_layer, outputs=output)
model.compile(loss="mean_squared_error",optimizer-optimizer,metrics=["mean_squared_error"])。
6. 对模型M0进行评估和验证，通过调整网络层数和学习率等参数进行模型优化，分别测试3至6层网络，各层网络节点数介于8至32之间，激活函数使用Sigmoid/ReLU/Tanh/Softmax等不同的参数组合下，模型在测试集的精度表现，选择精度表现最优且泛化能力足够好的模型，得到优化后的模型M1。
7.根据新订单的产品性能参数需求，定义一个性能参数的搜索区间[p0, p1]，以此在历史批次数据中寻找与性能指标最接近的数据，分别按照减小和扩大的趋势为每个性能指标p各寻找一条相关数据，记为dpL和dpH，如果在区间内找不到有效数据，则逐次按照5%的步长在搜索方向上减少或扩大p0和p1的值，直到得到符合条件的目标数据或批次数据搜索完成，将该数据集记录为集合D。
8.根据集合D中的各批次的原始参数数据，计算出各工艺参数的取值区间[pL,pH] ∈ S，如果缺少某个区间边界的数据，则将该边界定为0或者一个经验值；该经验值根据工艺取可能的最大值或最小值，介于0-1之间。
9.为各工艺参数搜索区间分别定义搜索步长A，从区间下限pL开始，对所有参数的组合进行搜索，通过模型M1估算产品性能指标，得出可接受的工艺参数取值区间[rL, rH]∈ R。
10.在工艺参数取值区间内对产品进行试制，得出可行的生产工艺设计。
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，模块的划分，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，多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，包括以下步骤：
采集生产工艺和过程数据；所述数据包括非连续数据和连续变化数据；
对采集的连续变化数据进行特征值变换处理；
对批次产品进行采样检验，并记录该批次产品的性能指标P和质量指标Q；
对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；
对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型；
定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集；
根据数据集中原始参数数据，计算各工艺参数的取值区间；
从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。
2.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述采集生产工艺和过程数据，包括：
建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围；
采集生产工艺和过程数据，记录各批次的生产开始和结束时间，对非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
3.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述生产工艺和过程数据包括：合成树脂各原料成本的配比、反应温度和时间数据、碳纤维织机纱线张力、辊压机辊缝间距和加热温度。
4.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述对采集的连续变化数据进行特征值变换处理，包括：每个批次生产完成之后，将该批次对应时间内的连续数值进行特征值变换，通过分段聚合近似方法将该批次生产期间的数据转换为一个或几个数值进行存储，以方便后续建模过程。
5.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型，包括：
使用深度神经网络方法对多个批次的生产工艺数据和性能、质量数据分别建立神经网络模型M0；
所述对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型，包括：
对神经网络模型M0进行评估和验证，通过调整网络层数和学习率参数进行模型优化，得到优化后的神经网络模型M1。
6.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集，包括：
根据新订单的产品性能参数需求，定义一个性能参数的搜索区间[p0,p1]，以此在历史批次数据中寻找与性能指标最接近的数据，分别按照减小和扩大的趋势为每个性能指标p各寻找一条相关数据，记为dpL和dpH，如果在区间内找不到有效数据，则逐次按照5%的步长在搜索方向上减少或扩大p0和p1的值，直到得到符合条件的目标数据或批次数据搜索完成，将该数据集记录为集合D。
7.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述根据数据集中原始参数数据，计算各工艺参数的取值区间，包括：
根据集合D中的各批次的原始参数数据，计算出各工艺参数的取值区间[pL, pH]，如果缺少某个区间边界的数据，则将该边界定为0或者一个经验值。
8.根据权利要求1所述的基于产品性能和过程数据模型的树脂工艺预测方法，其特征是，所述从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间，包括：
为各工艺参数搜索区间分别定义搜索步长A，从区间下限pL开始对所有参数的组合进行搜索，通过优化后的神经网络模型M1计算产品性能指标，得出工艺参数取值区间[rL,rH]。
9.一种基于产品性能和过程数据模型的树脂工艺预测装置，其特征是，包括：
数据采集模块，用于采集生产工艺和过程数据；所述数据包括非连续数据和连续变化数据；
数据变换模块，用于对采集的连续变化数据进行特征值变换处理；
采样检验模块，用于对批次产品进行采样检验，并记录该批次产品的性能指标P和质量指标Q；
模型建立模块，用于对多个批次的生产工艺数据、性能数据和质量数据分别建立神经网络模型；
模型优化模块，用于对神经网络模型进行评估和验证，并进行优化得到优化后的神经网络模型；
指标搜索模块，用于定义一个性能参数的搜索区间，并在搜索区间内寻找与性能指标最接近的数据作为数据集；
参数计算模块，用于根据数据集中原始参数数据，计算各工艺参数的取值区间；
参数取值确定模块，用于从区间下限开始进行搜索，并通过优化后的神经网络模型计算产品性能指标，得出工艺参数取值区间。
10.根据权利要求9所述的基于产品性能和过程数据模型的树脂工艺预测装置，其特征是，所述数据采集模块包括：
规范建立模块，用于建立生产工艺和过程数据的采集规范，根据生产工艺特点决定数据采集范围；
数据采集及记录模块，用于采集生产工艺和过程数据，记录各批次的生产开始和结束时间，对非连续数值记录其与批次号T之间的对应关系，对连续变化的数值进行不间断采集并记录时间。
CN202111497849.0A 2021-12-09 2021-12-09 基于产品性能和过程数据模型的树脂工艺预测方法及装置 Pending CN113919601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111497849.0A CN113919601A (zh) 2021-12-09 2021-12-09 基于产品性能和过程数据模型的树脂工艺预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111497849.0A CN113919601A (zh) 2021-12-09 2021-12-09 基于产品性能和过程数据模型的树脂工艺预测方法及装置

Publications (1)

Publication Number Publication Date
CN113919601A true CN113919601A (zh) 2022-01-11

Family

ID=79248779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111497849.0A Pending CN113919601A (zh) 2021-12-09 2021-12-09 基于产品性能和过程数据模型的树脂工艺预测方法及装置

Country Status (1)

Country Link
CN (1) CN113919601A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202262A (zh) * 2022-02-21 2022-03-18 德州联合拓普复合材料科技有限公司 基于神经网络的预浸料工艺改进方法、系统和存储介质
CN114358966A (zh) * 2022-03-16 2022-04-15 希望知舟技术(深圳)有限公司 一种基于机器学习的生产排产方法、装置及存储介质
CN115101141A (zh) * 2022-06-24 2022-09-23 湖北远见高新材料有限公司 一种水性工业涂料的配方优化方法及系统
CN116128102A (zh) * 2022-12-09 2023-05-16 常熟中佳新材料有限公司 一种制冷设备用异形铜管生产优化方法及系统
CN116934168A (zh) * 2023-08-01 2023-10-24 浙江羲和新材料科技有限公司 用于液晶产品的密封剂质量评估方法及系统
CN117250931A (zh) * 2023-11-16 2023-12-19 一夫科技股份有限公司 基于数据融合的石膏板生产智能控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372426A (zh) * 2016-08-31 2017-02-01 郑州航空工业管理学院 基于主成分分析与神经网络的多响应参数优化方法
CN107169565A (zh) * 2017-04-27 2017-09-15 西安工程大学 基于烟花算法改进bp神经网络的纺纱质量预测方法
CN109871937A (zh) * 2018-11-14 2019-06-11 江苏师范大学 一种基于rbf神经网络的铝型材机械性能预测方法
CN110955147A (zh) * 2019-12-16 2020-04-03 泉州华中科技大学智能制造研究院 一种施胶工艺参数优化方法
CN112036701A (zh) * 2020-07-30 2020-12-04 杭州安脉盛智能技术有限公司 一种面向多工序工业生产过程的工艺参数优化方法
CN112289392A (zh) * 2020-10-28 2021-01-29 广西贺州市桂东电子科技有限责任公司 一种铝电解电容器用阳极铝箔性能预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372426A (zh) * 2016-08-31 2017-02-01 郑州航空工业管理学院 基于主成分分析与神经网络的多响应参数优化方法
CN107169565A (zh) * 2017-04-27 2017-09-15 西安工程大学 基于烟花算法改进bp神经网络的纺纱质量预测方法
CN109871937A (zh) * 2018-11-14 2019-06-11 江苏师范大学 一种基于rbf神经网络的铝型材机械性能预测方法
CN110955147A (zh) * 2019-12-16 2020-04-03 泉州华中科技大学智能制造研究院 一种施胶工艺参数优化方法
CN112036701A (zh) * 2020-07-30 2020-12-04 杭州安脉盛智能技术有限公司 一种面向多工序工业生产过程的工艺参数优化方法
CN112289392A (zh) * 2020-10-28 2021-01-29 广西贺州市桂东电子科技有限责任公司 一种铝电解电容器用阳极铝箔性能预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐伟民: "《商学前沿探索 当代商学研究文集 第1辑》", 31 December 2004, 上海人民出版社 *
辜小花等: "面向抽油机节能的GRNN过程建模及工艺参数优化", 《重庆大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202262A (zh) * 2022-02-21 2022-03-18 德州联合拓普复合材料科技有限公司 基于神经网络的预浸料工艺改进方法、系统和存储介质
CN114358966A (zh) * 2022-03-16 2022-04-15 希望知舟技术(深圳)有限公司 一种基于机器学习的生产排产方法、装置及存储介质
CN115101141A (zh) * 2022-06-24 2022-09-23 湖北远见高新材料有限公司 一种水性工业涂料的配方优化方法及系统
CN115101141B (zh) * 2022-06-24 2022-12-20 湖北远见高新材料有限公司 一种水性工业涂料的配方优化方法及系统
CN116128102A (zh) * 2022-12-09 2023-05-16 常熟中佳新材料有限公司 一种制冷设备用异形铜管生产优化方法及系统
CN116128102B (zh) * 2022-12-09 2024-01-23 常熟中佳新材料有限公司 一种制冷设备用异形铜管生产优化方法及系统
CN116934168A (zh) * 2023-08-01 2023-10-24 浙江羲和新材料科技有限公司 用于液晶产品的密封剂质量评估方法及系统
CN116934168B (zh) * 2023-08-01 2024-04-16 浙江羲和新材料科技有限公司 用于液晶产品的密封剂质量评估方法及系统
CN117250931A (zh) * 2023-11-16 2023-12-19 一夫科技股份有限公司 基于数据融合的石膏板生产智能控制方法及系统
CN117250931B (zh) * 2023-11-16 2024-01-23 一夫科技股份有限公司 基于数据融合的石膏板生产智能控制方法及系统

Similar Documents

Publication Publication Date Title
CN113919601A (zh) 基于产品性能和过程数据模型的树脂工艺预测方法及装置
CN109685314B (zh) 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN104407589B (zh) 面向车间制造过程的实时生产性能主动感知与异常分析方法
CN109297689B (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN107423414A (zh) 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
US11403535B2 (en) Model-based machine learning system
CN109255440B (zh) 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法
CN109145948A (zh) 一种基于集成学习的注塑机堵料异常检测方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN112749840B (zh) 一种火电机组能效特征指标基准值的获取方法
TWI709922B (zh) 基於模型之機器學習系統
Tian et al. An outliers detection method of time series data for soft sensor modeling
CN113705897B (zh) 一种面向工业铜箔生产的产品质量预测方法及系统
CN108198268A (zh) 一种生产设备数据标定方法
CN117195747B (zh) 一种磁性材料烘干用均匀热分布优化方法
CN116915122B (zh) 一种煤矿变频设备的自适应控制方法及系统
CN110083797A (zh) 一种滴灌管生产线异常实时监测方法及系统
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN111523711A (zh) 一种用于注塑机液压驱动系统泄露故障的诊断方法
LU504745B1 (en) Supply chain quality optimization method and system based on gradient descent
CN105956615B (zh) 一种卫星遥测数据的混合建模方法
CN115498629B (zh) 一种场景增强型电力负荷运行控制方法及装置
CN117408572B (zh) 力致变色弹性薄膜的制备优化方法及系统
CN113591384B (zh) 一种基于门控卷积网络的水泥成品比表面积预测方法
CN117436848B (zh) 基于人工智能的电机能耗监测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220111

RJ01 Rejection of invention patent application after publication