CN113987938A - 工艺参数优化方法、装置、设备以及存储介质 - Google Patents
工艺参数优化方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113987938A CN113987938A CN202111258196.0A CN202111258196A CN113987938A CN 113987938 A CN113987938 A CN 113987938A CN 202111258196 A CN202111258196 A CN 202111258196A CN 113987938 A CN113987938 A CN 113987938A
- Authority
- CN
- China
- Prior art keywords
- process parameters
- groups
- parameters
- sets
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 434
- 230000008569 process Effects 0.000 title claims abstract description 363
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims description 72
- 229910000831 Steel Inorganic materials 0.000 claims description 18
- 239000010959 steel Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 16
- 238000005246 galvanizing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 239000004033 plastic Substances 0.000 description 10
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 8
- 238000001746 injection moulding Methods 0.000 description 8
- 238000005554 pickling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000002844 melting Methods 0.000 description 5
- 230000008018 melting Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 229910000746 Structural steel Inorganic materials 0.000 description 3
- 229910000870 Weathering steel Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 2
- 239000004793 Polystyrene Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 239000011572 manganese Substances 0.000 description 2
- 229920002223 polystyrene Polymers 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004014 plasticizer Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种工艺参数优化方法、模型训练方法、装置、设备、存储介质以及计算机程序产品，涉及人工智能技术领域，具体为深度学习、工业大数据技术领域，可应用于工艺参数优化等场景。具体实现方案为：获取多组初始工艺参数，并对当前迭代次数进行初始化；基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数；对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将迭代次数累加一次；响应于迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。根据预先训练的仿真模型执行选择、交叉、变异操作，确定出目标工艺参数，提高了工艺参数选择的准确性。
Description
技术领域
本公开涉及人工智能技术领域，具体为深度学习、工业大数据技术领域，可应用于工艺参数优化等场景，尤其涉及一种工艺参数优化方法、模型训练方法、装置、设备、存储介质以及计算机程序产品。
背景技术
目前在钢铁镀锌工艺中，通常是基于行业经验及历史产出进行镀锌工艺优化，没有建模分析。
发明内容
本公开提供了一种工艺参数优化方法、模型训练方法、装置、设备、存储介质以及计算机程序产品，提高了工艺参数选择的准确性。
根据本公开的一方面，提供了一种工艺参数优化方法，包括：获取多组初始工艺参数，并对当前迭代次数进行初始化；基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数；对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将当前迭代次数累加一次；响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。
根据本公开的另一方面，提供了一种模型训练方法，包括：确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围；从数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据；将多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型，得到数值范围对应的训练后的仿真模型。
根据本公开的又一方面，提供了一种工艺参数优化装置，包括：第一获取模块，被配置为获取多组初始工艺参数，并对当前迭代次数进行初始化；选择模块，被配置为基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数；交叉变异模块，被配置为对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将当前迭代次数累加一次；迭代模块，被配置为响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。
根据本公开的又一方面，提供了一种模型训练装置，包括：第二确定模块，被配置为确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围；第二获取模块，被配置为从数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据；训练模块，被配置为将多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型，得到数值范围对应的训练后的仿真模型。
根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述工艺参数优化方法及模型训练方法。
根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行上述工艺参数优化方法及模型训练方法。
根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现上述工艺参数优化方法及模型训练方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性系统架构图；
图2是根据本公开的工艺参数优化方法的一个实施例的流程图；
图3是根据本公开的工艺参数优化方法的另一个实施例的流程图；
图4是根据本公开的工艺参数优化方法的又一个实施例的流程图；
图5是根据本公开的模型训练方法的一个实施例的流程图；
图6是根据本公开的工艺参数优化装置的一个实施例的结构示意图；
图7是根据本公开的模型训练装置的一个实施例的结构示意图；
图8是用来实现本公开实施例的工艺参数优化方法或模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本公开的工艺参数优化方法或模型训练方法或工艺参数优化装置或模型训练装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以获取目标工艺参数等。终端设备101、102、103上可以安装有各种客户端应用，例如工艺参数处理应用等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种基于确定目标工艺参数的服务。例如，服务器105可以对从终端设备101、102、103获取到的初始工艺参数进行分析和处理，并生成处理结果(例如确定出目标工艺参数等)。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的工艺参数优化方法或模型训练方法一般由服务器105执行，相应地，工艺参数优化装置或模型训练装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开的工艺参数优化方法的一个实施例的流程200。该工艺参数优化方法包括以下步骤：
步骤201、获取多组初始工艺参数，并对当前迭代次数进行初始化。
在本实施例中，工艺参数优化方法的执行主体(例如图1所示的服务器105)可以获取多组初始工艺参数。其中，工艺参数可以是焊接工艺的焊条直径参数、焊接电流参数，也可以是注塑模工艺的熔化温度、模具温度等参数，本公开对此不做限定。初始工艺参数是在进行工艺参数优化之前，赋予工艺参数的初始值，可以获取存储工艺参数的数值库，从数值库中选取存储时间最近的多组数值作为多组初始工艺参数，也可以对数值库中的每个数值配置权重，将数值按照权重从大到小进行排列，选取多组数值作为多组初始工艺参数，本公开对此不做限定。迭代次数是用来记录工艺参数优化过程的执行次数的数值，迭代次数是一个可以变化的数值，每执行一次工艺参数的优化过程，将迭代次数的数值累加一次，当前迭代次数是当前累计执行优化过程的次数，在对工艺参数进行优化之前，对当前迭代次数进行初始化，可以将当前迭代次数初始化为任意自然数，示例性的，将当前迭代次数初始化为0。
步骤202、基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数。
在本实施例中，上述执行主体可以基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数。其中，预先训练的仿真模型是一种输入工艺参数，可以得到对应的计算结果的模型，示例性的，预先训练的仿真模型可以是树模型，树模型是一种监督学习算法，输入变量和输出变量可以是离散值或连续值，在决策树中，可以根据输入变量中最具有区分性的变量，把数据集或样本分割为两个或两个以上的子集合，预先训练的仿真模型也可以是神经网络模型，神经网络模型是一种具有大规模并行、分布式存储和处理、自组织、自适应和自学能力的模型，预先训练的仿真模型也可以是回归模型，回归模型是对统计关系进行定量描述的一种数学模型，本公开对此不做限定，其中，由于树模型不需要很多样本数据即可得到较好的效果，可以优选树模型作为预先训练的仿真模型。将多组初始工艺参数输入预先训练的仿真模型，得到对应的多组计算结果，根据对应的多组计算结果，对多组初始工艺参数进行选择，从多组初始工艺参数中选出至少两组初始工艺参数，作为至少两组候选工艺参数。
步骤203、对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将当前迭代次数累加一次。
在本实施例中，上述执行主体在得到至少两组候选工艺参数之后，可以对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数。其中，对至少两组候选工艺参数执行交叉操作和变异操作，可以得到与至少两组候选工艺参数的数值不同，且多于至少两组的工艺参数，将执行交叉操作和变异操作之后得到的多组工艺参数确定为多组更新工艺参数。对至少两组候选工艺参数执行交叉操作和变异操作之后，一次完整的工艺参数优化过程执行完毕，因此，将当前迭代次数累加一次。
步骤204、响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。
在本实施例中，上述执行主体在将当前迭代次数累加一次之后，可以将当前迭代次数与预设迭代次数进行比较，响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行工艺参数优化过程，即将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作、交叉操作和变异操作。其中，预设迭代次数是预先设置的一个数值，示例性的，预设迭代次数为30次。
从图2中可以看出，本实施例中的工艺参数优化方法通过对初始工艺参数执行选择操作、交叉操作、变异操作的优化过程，寻找目标工艺参数，使得到的目标工艺参数更加准确，提高了工艺参数选择的准确性。
进一步继续参考图3，其示出了根据本公开的工艺参数优化方法的另一个实施例的流程300。该工艺参数优化方法包括以下步骤：
步骤301、获取多组初始工艺参数，并对当前迭代次数进行初始化。
在本实施例中，步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍，在此不再赘述。
步骤302、确定初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数。
在本实施例中，上述执行主体在获取初始工艺参数之后，可以进一步确定初始工艺参数的数值范围，及待加工物料的特性参数和目标力学参数。其中，待加工物料可以是待加工的木材，也可以是待加工的塑料，本公开对此不做限定。待加工物料的特性参数可以是待加工物料的成分参数值，示例性的，待加工物料是待加工的塑料，待加工物料的特性参数可以是通过检测，获取待加工的塑料的密度值、合成树脂含量、增塑剂含量等。初始工艺参数是加工待加工物料所需工艺的工艺参数，可以首先确定加工待加工物料所需工艺，相应的，可以确定所需工艺参数，进一步，可以根据所需工艺参数的常规取值范围、硬件设备的质量和历史经验值，得到初始工艺参数的数值范围，示例性的，待加工物料是待加工的塑料，加工工艺是注塑模工艺，注塑模工艺所需的工艺参数包括熔化温度、模具温度等，相应的，可以确定注塑模工艺所需的熔化温度是220℃-260℃，模具温度是50℃-95℃。目标力学参数是确定了加工物料的特性参数、及加工工艺后，在该条件下的所能达到的最优力学参数，可以通过计算获取目标力学参数的数值。
在本实施例的一些可选方式中，待加工物料可以是钢铁，加工工艺是给钢铁镀锌，待加工物料的特性参数可以是待镀锌的钢铁物料的材料类型和物理尺寸，示例性的，待镀锌的钢铁是35号优质碳素结构钢，材料类型可以是35号优质碳素结构钢的碳含量是0.35％，锰含量是0.6％，硅含量是0.2％，硫含量是0.035％等，物理尺寸可以是施加实验力之前用于测量尺寸变化部分的长度80mm等。钢铁镀锌的工艺可以是热镀锌工艺，热镀锌工艺的工艺参数包括酸洗时的盐酸含量、酸洗时的振动上升角度等，相应的，初始工艺参数的数值范围可以是酸洗时的盐酸含量为18％-20％，酸洗时的振动上升角度为≤15°。在待镀锌的钢铁是35号优质碳素结构钢、钢铁镀锌的工艺可以是热镀锌工艺的条件下，所能达到的最优力学参数可以是屈服强度是320Mpa，抗拉强度是530Mpa，断后延伸率是20％。
步骤303、从多个预先训练的仿真模型中，选出与初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数，相对应的预先训练的仿真模型。
在本实施例中，上述执行主体在确定初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数后，可以得到对应的预先训练的仿真模型。其中，预先训练的仿真模型是一种输入工艺参数和待加工物料的特性参数，可以得到对应的目标力学参数的模型，示例性的，预先训练的仿真模型可以是树模型，可以是神经网络模型，也可以是回归模型，本公开对此不做限定。可以基于初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数，从多个预先训练的仿真模型中，选出相对应的预先训练的仿真模型。
步骤304、基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数。
步骤305、对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将当前迭代次数累加一次。
步骤306、响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。
在本实施例中，步骤304-306具体操作已在图2所示的实施例中步骤202-204进行了详细的介绍，在此不再赘述。
步骤307、响应于当前迭代次数等于预设迭代次数，从至少两组候选工艺参数中确定出目标工艺参数。
在本实施例中，上述执行主体在得到更新的迭代次数后，可以将当前迭代次数与预设迭代次数进行比较，响应于当前迭代次数等于预设迭代次数，从至少两组候选工艺参数中确定出目标工艺参数。具体地，可以根据将至少两组候选工艺参数分别输入预先训练的仿真模型，得到的对应的多组计算结果，从至少两组候选工艺参数中选出计算结果最准确地一组候选工艺参数，作为目标工艺参数。
从图3中可以看出，与图2对应的实施例相比，本实施例中的工艺参数优化方法通过确定初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数，得到对应的预先训练的仿真模型，并当当前迭代次数等于预设迭代次数时，从至少两组候选工艺参数中确定出计算结果最准确的一组候选工艺参数作为目标工艺参数，进一步提高了工艺参数选择的准确性。
进一步继续参考图4，其示出了根据本公开的工艺参数优化方法的又一个实施例的流程400。该工艺参数优化方法包括以下步骤：
步骤401、在初始工艺参数的数值范围内随机取值多次，得到多组初始工艺参数，并对当前迭代次数进行初始化。
在本实施例中，上述执行主体可以在初始工艺参数的数值范围内随机取值多次，得到多组初始工艺参数。其中，初始工艺参数的数值范围的确定方法已在图3所示的实施例中步骤302进行了详细的介绍，在此不再赘述。在初始工艺参数的数值范围内随机取值多次，可以得到多组初始工艺参数，并对当前迭代次数进行初始化。其中，当前迭代次数具体操作已在图2所示的实施例中步骤201进行了详细的介绍，在此不再赘述。
步骤402、基于预先训练的仿真模型，计算多组初始工艺参数对应的合格率指标。
在本实施例中，上述执行主体可以在获取多组初始工艺参数后，可以基于预先训练的仿真模型，计算多组初始工艺参数对应的合格率指标。具体地，可以将预先确定的待加工物料的特性参数、目标力学参数和多组初始工艺参数输入预先训练的仿真模型，得到多组初始工艺参数对应的多个合格率指标计算结果。其中，合格率指标是基于目标力学参数计算的，示例性的，目标力学参数包括屈服强度、抗拉强度和断后延伸率，将每一组初始工艺参数输入预先训练的仿真模型，也会计算出相应的屈服强度、抗拉强度和断后延伸率，每一组初始工艺参数对应的合格率指标是分别计算屈服强度、抗拉强度和断后延伸率的合格值，示例性的，屈服强度的合格值是(计算屈服强度-目标屈服强度)/目标屈服强度*100％。
步骤403、基于合格率指标，计算多组初始工艺参数对应的适应度值。
在本实施例中，上述执行主体可以基于合格率指标，计算多组初始工艺参数对应的适应度值。在本实施例中，可以用合格率指标来衡量计算结果，因此，可以设置多组初始工艺参数对应的适应度值等于多组初始工艺参数对应的合格率指标。
步骤404、基于适应度值，从多组初始工艺参数中选出至少两组候选工艺参数。
在本实施例中，上述执行主体在得到适应度值后，可以基于适应度值，从多组初始工艺参数中选出至少两组候选工艺参数。具体地，可以预先设定合格值，基于多组初始工艺参数对应的适应度值和预先设定的合格值，从多组初始工艺参数中选出至少两组候选工艺参数。示例性的，目标力学参数包括屈服强度、抗拉强度和断后延伸率，将每一组初始工艺参数输入预先训练的仿真模型，得到的对应的合格率指标也包括三个数值：屈服强度的合格率：(计算屈服强度-目标屈服强度)/目标屈服强度*100％，抗拉强度的合格率：(计算抗拉强度-目标抗拉强度)/目标抗拉强度*100％，断后延伸率的合格率：(计算断后延伸率-目标断后延伸率)/目标断后延伸率*100％。预先设定的合格值也包括三个数值，示例性的，预先设定的合格值包括屈服强度的合格值是5％，抗拉强度的合格值是5％，断后延伸率的合格值是2％，由于每一组初始工艺参数对应的适应度值等于相应的合格率指标，则对于每一组初始工艺参数，若同时满足对应的屈服强度的合格率的绝对值小于5％，抗拉强度的合格率的绝对值小于5％，断后延伸率的合格率的绝对值小于2％，则该组初始工艺参数对应的适应度值合格，将该组初始工艺参数确定为一组候选工艺参数。将从多组初始工艺参数中选出的所有适应度值合格的初始工艺参数，确定为至少两组候选工艺参数。
步骤405、对至少两组候选工艺参数进行交叉，得到至少两组交叉工艺参数。
在本实施例中，上述执行主体在获取至少两组候选工艺参数后，可以对至少两组候选工艺参数进行交叉，得到至少两组交叉工艺参数。其中，交叉即将至少两组候选工艺参数进行两两组合，将每一组组合中的两组候选工艺参数分为一组父候选工艺参数和一组母候选工艺参数，获取一组候选工艺参数的参数个数M，在1到M之间随机产生一个随机数N，其中，M、N均为自然数，且N的数值大于等于1，小于等于M，则将一组父候选工艺参数和一组母候选工艺参数的后N位数值进行交换，得到两组交叉工艺参数，将每一组组合都执行上述操作，得到至少两组交叉工艺参数。示例性的，上述执行主体获取到两组候选工艺参数，将两组候选工艺参数分为一组父候选工艺参数和一组母候选工艺参数，每一组候选工艺参数包括7个数值，在1到7之间随机产生一个随机数3，则将一组父候选工艺参数和一组母候选工艺参数的后三位数值进行交换，得到两组交叉工艺参数。
在本实施例的一些可选方式中，也可以将一组组合中的一组父候选工艺参数和一组母候选工艺参数，各取一半数值进行交换，得到两组交叉工艺参数，对每一组组合都执行上述操作，得到至少两组交叉工艺参数。
步骤406、对至少两组候选工艺参数进行变异，得到至少两组变异工艺参数。
在本实施例中，上述执行主体可以对至少两组候选工艺参数进行变异，得到至少两组变异工艺参数。其中，变异即对至少两组候选工艺参数中的每一组候选工艺参数，获取一组候选工艺参数的参数个数M，在1到M之间随机产生一个随机数N，其中，M、N均为自然数，且N的数值大于等于1，小于等于M，则将一组候选工艺参数中的第N位数值变异为与第N位数值不同的数值，对至少两组候选工艺参数均执行上述变异操作，得到至少两组变异工艺参数。
步骤407、将至少两组交叉工艺参数和至少两组变异工艺参数，确定为多组更新工艺参数，并将当前迭代次数累加一次。
在本实施例中，上述执行主体对至少两组候选工艺参数执行完交叉操作和变异操作后，将得到的至少两组交叉工艺参数和至少两组变异工艺参数，确定为多组更新工艺参数。至此，工艺参数的优化过程执行完一次，因此，将当前迭代次数累加一次，记录当前共完成的迭代次数。
步骤408、响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。
在本实施例中，步骤408具体操作已在图2所示的实施例中步骤204进行了详细的介绍，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的工艺参数优化方法通过随机取值的方式获取多组初始工艺参数，通过计算合格率指标和适应度值，从多组初始工艺参数中选出至少两组候选工艺参数，并将执行交叉操作和变异操作后的至少两组交叉工艺参数和至少两组变异工艺参数，确定为多组更新工艺参数，使工艺参数的选择更严谨、更准确。
进一步继续参考图5，其示出了根据本公开的模型训练方法的一个实施例的流程500。该模型训练方法包括以下步骤：
步骤501、确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围。
在本实施例中，上述执行主体可以确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围。具体地，待加工物料可以是待加工的木材，也可以是待加工的塑料，本公开对此不做限定。待加工物料的特性参数可以是待加工物料的成分，示例性的，待加工物料是待加工的塑料，待加工物料的特性参数可以是待加工的塑料的密度是0.89-0.91g/cm3，连续使用温度是110℃-120℃。工艺参数是加工待加工物料所需工艺的工艺参数，可以首先确定加工待加工物料所需工艺，相应的，可以确定所需工艺参数，进一步，可以根据所需工艺参数的常规取值范围、硬件设备的质量和历史经验值，得到工艺参数的数值范围，示例性的，待加工物料是待加工的塑料，加工工艺是注塑模工艺，注塑模工艺所需的工艺参数包括熔化温度、模具温度等，相应的，可以确定注塑模工艺所需的熔化温度是220℃-260℃，模具温度是50℃-95℃。目标力学参数是确定了加工物料的特性参数、及加工工艺后，在该条件下的所能达到的力学参数，示例性的，待加工物料是待加工的聚苯乙烯塑料，加工工艺是注塑模工艺，加工后的聚苯乙烯塑料的目标力学参数是，抗弯强度为6-9.74kPa，断裂伸长率为1.2％-2.5％。
在本实施例的一些可选方式中，待加工物料可以是钢铁，加工工艺是给钢铁镀锌，示例性的，待镀锌的钢铁是耐候钢，耐候钢的特性参数可以是耐候钢的碳含量是0.12％-0.21％，锰含量是0.7％-2％，硅含量是0.2％-2％，硫含量小于等于0.036％等，施加实验力之前用于测量尺寸变化部分的长度80mm等。钢铁镀锌的工艺可以是热镀锌工艺，热镀锌工艺的工艺参数包括酸洗时的盐酸含量、酸洗时的振动上升角度等，相应的，初始工艺参数的数值范围可以是酸洗时的盐酸含量为18％-20％，酸洗时的振动上升角度为≤15°。在待镀锌的钢铁是耐候钢、钢铁镀锌的工艺可以是热镀锌工艺的条件下，所能达到的目标力学参数可以是屈服强度是大于等于390Mpa，抗拉强度是大于等于295Mpa，断后延伸率是大于等于22％。
步骤502、从数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据。
在本实施例中，上述执行主体在确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围后，可以从数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据。具体地，可以在数值范围内随机取值多次，得到多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据。
步骤503、将多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型，得到数值范围对应的训练后的仿真模型。
在本实施例中，上述执行主体可以将多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型。其中，初始仿真模型可以是树模型、神经网络模型或者回归模型。基于样本数据训练初始仿真模型，可以得到数值范围对应的训练后的仿真模型。将一组工艺参数数据、待加工物料的特性参数数据输入到对应的训练后的仿真模型中，对应的训练后的仿真模型可以准确地输出对应的目标力学参数数据。
从图5中可以看出，本实施例中的模型训练方法可以得到对应的训练后的仿真模型，基于对应的训练后的仿真模型可以准确地输出对应的力学参数数据，提高了模型模拟的准确性。
进一步参考图6，作为对上述工艺参数优化方法的实现，本公开提供了一种工艺参数优化装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的工艺参数优化装置600可以包括第一获取模块601，选择模块602，交叉变异模块603，迭代模块604。其中，第一获取模块601，被配置为获取多组初始工艺参数，并对当前迭代次数进行初始化；选择模块602，被配置为基于预先训练的仿真模型，对多组初始工艺参数执行选择操作，得到至少两组候选工艺参数；交叉变异模块603，被配置为对至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将当前迭代次数累加一次；迭代模块604，被配置为响应于当前迭代次数小于预设迭代次数，将多组更新工艺参数确定为多组初始工艺参数，再次执行选择操作。
在本实施例中，工艺参数优化装置600：第一获取模块601，选择模块602，交叉变异模块603和迭代模块604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选实现方式中，工艺参数优化装置600还包括：第一确定模块，被配置为响应于当前迭代次数等于预设迭代次数，从至少两组候选工艺参数中确定出目标工艺参数。
在本实施例的一些可选实现方式中，选择模块602包括：确定子模块，被配置为确定初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数；第一选择子模块，被配置为从多个预先训练的仿真模型中，选出与初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数，相对应的预先训练的仿真模型。
在本实施例的一些可选实现方式中，工艺参数优化装置600中的待加工物料的特性参数包括：待镀锌的钢铁物料的材料类型和物理尺寸。
在本实施例的一些可选实现方式中，选择模块602还包括：第一计算子模块，被配置为基于预先训练的仿真模型，计算多组初始工艺参数对应的合格率指标；第二计算子模块，被配置为基于合格率指标，计算多组初始工艺参数对应的适应度值；第二选择子模块，被配置为基于适应度值，从多组初始工艺参数中选出至少两组候选工艺参数。
在本实施例的一些可选实现方式中，交叉变异模块603包括：交叉子模块，被配置为对至少两组候选工艺参数进行交叉，得到至少两组交叉工艺参数；变异子模块，被配置为对至少两组候选工艺参数进行变异，得到至少两组变异工艺参数；组合子模块，被配置为将至少两组交叉工艺参数和至少两组变异工艺参数，确定为多组更新工艺参数。
在本实施例的一些可选实现方式中，第一获取模块601包括：获取子模块，被配置为在初始工艺参数的数值范围内随机取值多次，得到多组初始工艺参数。
进一步参考图7，作为对上述模型训练方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的模型训练装置700可以包括第二确定模块701，第二获取模块702，训练模块703。其中，第二确定模块701，被配置为确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围；第二获取模块702，被配置为从数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据；训练模块703，被配置为将多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型，得到数值范围对应的训练后的仿真模型。
在本实施例中，模型训练装置700：第二确定模块701，第二获取模块702和训练模块703的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-503的相关说明，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如工艺参数优化方法或模型训练方法。例如，在一些实施例中，工艺参数优化方法或模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的工艺参数优化方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行工艺参数优化方法或模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种工艺参数优化方法，包括：
获取多组初始工艺参数，并对当前迭代次数进行初始化；
基于预先训练的仿真模型，对所述多组初始工艺参数执行选择操作，得到至少两组候选工艺参数；
对所述至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将所述当前迭代次数累加一次；
响应于所述当前迭代次数小于预设迭代次数，将所述多组更新工艺参数确定为所述多组初始工艺参数，再次执行所述选择操作。
2.根据权利要求1所述的方法，还包括：
响应于所述当前迭代次数等于所述预设迭代次数，从所述至少两组候选工艺参数中确定出目标工艺参数。
3.根据权利要求1或2所述的方法，其中，所述预先训练的仿真模型通过以下步骤获取：
确定所述初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数；
从多个预先训练的仿真模型中，选出与所述初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数，相对应的预先训练的仿真模型。
4.根据权利要求3所述的方法，其中，所述待加工物料的特性参数包括：待镀锌的钢铁物料的材料类型和物理尺寸。
5.根据权利要求4所述的方法，其中，所述基于预先训练的仿真模型，对所述多组初始工艺参数执行选择操作，得到至少两组候选工艺参数包括：
基于所述预先训练的仿真模型，计算所述多组初始工艺参数对应的合格率指标；
基于所述合格率指标，计算所述多组初始工艺参数对应的适应度值；
基于所述适应度值，从所述多组初始工艺参数中选出所述至少两组候选工艺参数。
6.根据权利要求1-5任一项所述的方法，其中，所述对所述至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数包括：
对所述至少两组候选工艺参数进行交叉，得到至少两组交叉工艺参数；
对所述至少两组候选工艺参数进行变异，得到至少两组变异工艺参数；
将所述至少两组交叉工艺参数和所述至少两组变异工艺参数，确定为所述多组更新工艺参数。
7.根据权利要求3所述的方法，其中，所述获取多组初始工艺参数包括：
在所述初始工艺参数的数值范围内随机取值多次，得到所述多组初始工艺参数。
8.一种模型训练方法，包括：
确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围；
从所述数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据；
将所述多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型，得到所述数值范围对应的训练后的仿真模型。
9.一种工艺参数优化装置，所述装置包括：
第一获取模块，被配置为获取多组初始工艺参数，并对当前迭代次数进行初始化；
选择模块，被配置为基于预先训练的仿真模型，对所述多组初始工艺参数执行选择操作，得到至少两组候选工艺参数；
交叉变异模块，被配置为对所述至少两组候选工艺参数执行交叉操作和变异操作，得到多组更新工艺参数，并将所述当前迭代次数累加一次；
迭代模块，被配置为响应于所述当前迭代次数小于预设迭代次数，将所述多组更新工艺参数确定为所述多组初始工艺参数，再次执行所述选择操作。
10.根据权利要求9所述的装置，还包括：
第一确定模块，被配置为响应于所述当前迭代次数等于所述预设迭代次数，从所述至少两组候选工艺参数中确定出目标工艺参数。
11.根据权利要求9或10所述的装置，其中，所述选择模块包括：
确定子模块，被配置为确定所述初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数；
第一选择子模块，被配置为从多个预先训练的仿真模型中，选出与所述初始工艺参数的数值范围、待加工物料的特性参数和目标力学参数，相对应的预先训练的仿真模型。
12.根据权利要求11所述的装置，其中，所述待加工物料的特性参数包括：待镀锌的钢铁物料的材料类型和物理尺寸。
13.根据权利要求12所述的装置，其中，所述选择模块还包括：
第一计算子模块，被配置为基于所述预先训练的仿真模型，计算所述多组初始工艺参数对应的合格率指标；
第二计算子模块，被配置为基于所述合格率指标，计算所述多组初始工艺参数对应的适应度值；
第二选择子模块，被配置为基于所述适应度值，从所述多组初始工艺参数中选出所述至少两组候选工艺参数。
14.根据权利要求9-13任一项所述的装置，其中，所述交叉变异模块包括：
交叉子模块，被配置为对所述至少两组候选工艺参数进行交叉，得到至少两组交叉工艺参数；
变异子模块，被配置为对所述至少两组候选工艺参数进行变异，得到至少两组变异工艺参数；
组合子模块，被配置为将所述至少两组交叉工艺参数和所述至少两组变异工艺参数，确定为所述多组更新工艺参数。
15.根据权利要求11所述的装置，其中，所述第一获取模块包括：
获取子模块，被配置为在所述初始工艺参数的数值范围内随机取值多次，得到所述多组初始工艺参数。
16.一种模型训练装置，所述装置包括：
第二确定模块，被配置为确定工艺参数、待加工物料的特性参数和目标力学参数的数值范围；
第二获取模块，被配置为从所述数值范围中，获取多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据；
训练模块，被配置为将所述多组工艺参数数据、待加工物料的特性参数数据和目标力学参数数据作为样本数据，训练初始仿真模型，得到所述数值范围对应的训练后的仿真模型。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111258196.0A CN113987938A (zh) | 2021-10-27 | 2021-10-27 | 工艺参数优化方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111258196.0A CN113987938A (zh) | 2021-10-27 | 2021-10-27 | 工艺参数优化方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113987938A true CN113987938A (zh) | 2022-01-28 |
Family
ID=79742852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111258196.0A Pending CN113987938A (zh) | 2021-10-27 | 2021-10-27 | 工艺参数优化方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113987938A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117420804A (zh) * | 2023-11-13 | 2024-01-19 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
| CN117725705A (zh) * | 2024-02-08 | 2024-03-19 | 中国汽车技术研究中心有限公司 | 一种肋骨形状的优化方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
| CN104846306A (zh) * | 2015-05-07 | 2015-08-19 | 浙江中控研究院有限公司 | 一种镀锌厚度控制系统及方法 |
| AR101300A2 (es) * | 2015-07-24 | 2016-12-07 | Ppg Ind Ohio Inc | Composiciones de recubrimiento que exhiben propiedades de resistencia a la corrosión, sustratos recubiertos y métodos relacionados |
| CN107782997A (zh) * | 2017-10-27 | 2018-03-09 | 北京邮电大学 | 一种混响室内工作区域确定方法及装置 |
| US20200319057A1 (en) * | 2019-04-03 | 2020-10-08 | Tongji University | Method for acquiring water leakage amount of leakage area in water distribution system |
| CN112580885A (zh) * | 2020-12-24 | 2021-03-30 | 深圳大学 | 一种配件合格率的预测方法、装置、设备及存储介质 |
-
2021
- 2021-10-27 CN CN202111258196.0A patent/CN113987938A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
| CN104846306A (zh) * | 2015-05-07 | 2015-08-19 | 浙江中控研究院有限公司 | 一种镀锌厚度控制系统及方法 |
| AR101300A2 (es) * | 2015-07-24 | 2016-12-07 | Ppg Ind Ohio Inc | Composiciones de recubrimiento que exhiben propiedades de resistencia a la corrosión, sustratos recubiertos y métodos relacionados |
| CN107782997A (zh) * | 2017-10-27 | 2018-03-09 | 北京邮电大学 | 一种混响室内工作区域确定方法及装置 |
| US20200319057A1 (en) * | 2019-04-03 | 2020-10-08 | Tongji University | Method for acquiring water leakage amount of leakage area in water distribution system |
| CN112580885A (zh) * | 2020-12-24 | 2021-03-30 | 深圳大学 | 一种配件合格率的预测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LIXIN TANG 等: "An efficient optimal solution to the coil sequencing problem in electro-galvanizing line", 《COMPUTERS & OPERATIONS RESEARCH》 * |
| 刘皋 等: "基于神经网络遗传算法的激光熔钎焊参数优化", 《光学技术》 * |
| 舒服华: "用神经网络和遗传算法优化电镀锌镍磷工艺参数", 《材料保护》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117420804A (zh) * | 2023-11-13 | 2024-01-19 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
| CN117420804B (zh) * | 2023-11-13 | 2024-03-26 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
| CN117725705A (zh) * | 2024-02-08 | 2024-03-19 | 中国汽车技术研究中心有限公司 | 一种肋骨形状的优化方法、装置、设备及存储介质 |
| CN117725705B (zh) * | 2024-02-08 | 2024-05-31 | 中国汽车技术研究中心有限公司 | 一种肋骨形状的优化方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6963627B2 (ja) | 畳み込みニューラルネットワークのためのニューラルアーキテクチャ検索 | |
| CN113987938A (zh) | 工艺参数优化方法、装置、设备以及存储介质 | |
| CN108537327B (zh) | 一种基于时间序列bp神经网络预测方法及装置 | |
| CN107578093A (zh) | 滑坡变形的Elman神经网络动态预测方法 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN105335375B (zh) | 主题挖掘方法和装置 | |
| CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
| CN114186479A (zh) | 冲压工艺参数处理方法、装置、电子设备及存储介质 | |
| CN114818913A (zh) | 决策生成方法和装置 | |
| CN109074415A (zh) | 用于材料本构建模的系统和方法 | |
| CN113409898A (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
| CN116562156A (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
| CN113435718B (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
| CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
| CN114251075B (zh) | 基于多目标参数的储层开采方案确定方法、装置及设备 | |
| CN113627513A (zh) | 一种训练数据生成方法、系统、电子设备及存储介质 | |
| CN113222414A (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
| CN107016564A (zh) | 一种进行指标预测的方法和设备 | |
| CN110378717B (zh) | 用于输出信息的方法和装置 | |
| CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
| CN111563767A (zh) | 股票价格预测方法及装置 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
| KR102553918B1 (ko) | 인공 신경망을 이용하여 실시간 유동 신호를 처리하는 방법 및 장치 | |
| CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |