CN114722729B - 一种刀具自动推荐方法、装置、终端及存储介质 - Google Patents
一种刀具自动推荐方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114722729B CN114722729B CN202210613710.6A CN202210613710A CN114722729B CN 114722729 B CN114722729 B CN 114722729B CN 202210613710 A CN202210613710 A CN 202210613710A CN 114722729 B CN114722729 B CN 114722729B
- Authority
- CN
- China
- Prior art keywords
- processing
- sub
- target
- quality
- enterprise
- 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.)
- Active
Links
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q1/00—Members which are comprised in the general build-up of a form of machine, particularly relatively large fixed members
- B23Q1/0009—Energy-transferring means or control lines for movable machine parts; Control panels or boxes; Control parts
-
- 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
- G06N3/04—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
- G06N3/08—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种刀具自动推荐方法、装置、终端及存储介质,本发明预先训练了一个目标质量预测模型,该模型预先学习了工件类型、工艺类型以及刀具类型的不同组合与加工质量之间的关系,可以实现刀具自动推荐。解决了现有技术中,数控机床控制软件通常由专业人员基于工件的几何特征进行刀具选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性的问题。
Description
技术领域
本发明涉及数控技术领域,尤其涉及的是一种刀具自动推荐方法、装置、终端及存储介质。
背景技术
刀具的选择是数控加工工艺中的重要内容之一,它不仅影响机床的加工效率,更会直接影响工件的加工质量。目前数控机床控制软件在刀具选择时,大多由专业人员基于工件的几何特征进行选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种刀具自动推荐方法、装置、终端及存储介质,旨在解决现有技术中,数控机床控制软件通常由专业人员基于工件的几何特征进行刀具选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种刀具自动推荐方法,其中,所述方法包括:
获取待加工工件对应的工件特征和工艺特征;
获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;
将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;
根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。
在一种实施方式中,所述目标质量预测模型预先经过训练,所述目标质量预测模型的训练过程包括:
获取所述目标企业对应的企业历史加工记录数据,其中,所述企业历史加工记录数据用于反映所述目标企业的数控机床的所有历史加工记录;
根据所述企业历史加工记录数据确定若干子图谱和若干所述子图谱分别对应的标准加工质量等级,其中,每一所述子图谱基于所述目标企业的数控机床的一次历史加工记录确定,用于反映该次历史加工记录对应的若干加工要素和若干所述加工要素分别对应的要素特征集,其中,若干所述加工要素的类型包括该次历史加工记录对应的刀具,工艺以及工件,每一所述要素特征集中包括若干要素特征;
根据若干所述子图谱和若干所述子图谱分别对应的所述标准加工质量等级生成训练数据集;
根据所述训练数据集对质量预测模型进行训练,训练后得到所述目标质量预测模型。
在一种实施方式中,所述根据所述企业历史加工记录数据确定若干子图谱,包括:
根据所述企业历史加工记录数据,确定所述目标企业对应的历史加工知识图谱,其中,所述历史加工知识图谱用于反映不同加工要素之间的关联关系和不同要素特征之间的关联关系;
根据所述历史加工知识图谱进行若干次一阶邻域采样,得到若干所述子图谱,其中,每一次所述一阶邻域采样以一次历史加工记录对应的各加工要素为匹配基础,每一次所述一阶邻域采样生成一个所述子图谱。
在一种实施方式中,所述根据若干子图谱和若干所述子图谱分别对应的所述标准加工质量等级生成训练数据集,包括:
根据每一所述子图谱生成每一所述子图谱对应的若干三元组,其中,每一三元组包括两个点向量和一个边向量,每一所述点向量用于表示一个加工要素或者要素特征,所述边向量用于表示两个所述点向量之间的关联关系;
根据每一所述子图谱对应的所述标准加工质量等级,生成每一所述子图谱对应的真实标签;
根据每一所述子图谱对应的若干所述三元组和所述真实标签,组成所述训练数据集。
在一种实施方式中,所述根据所述训练数据集对质量预测模型进行训练,训练后得到所述目标质量预测模型,包括:
将每一所述子图谱对应的若干所述三元组输入所述质量预测模型,通过所述质量预测模型生成每一所述子图谱对应的预测质量等级;
根据每一所述子图谱对应的所述预测质量等级和所述真实标签对所述质量预测模型进行迭代更新,迭代更新完毕后得到所述目标质量预测模型,其中,每次更新基于一个所述子图谱的所述预测质量等级和所述真实标签计算模型损失函数值,根据所述模型损失函数值对所述质量预测模型进行更新。
在一种实施方式中,每一所述加工要素对应的所述要素特征集包括该加工要素对应的定量特征和定性特征,其中,所述定量特征用于反映该加工要素对应的被量化的特征,所述定性特征用于反映该加工要素对应的本质属性的特征。
在一种实施方式中,所述根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具,包括:
根据若干所述刀具的所述加工质量等级中的最高等级,确定目标刀具。
第二方面,本发明实施例还提供一种刀具自动推荐装置,其中,所述装置包括:
第一获取模块,用于获取待加工工件对应的工件特征和工艺特征;
第二获取模块,用于获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;
质量预测模块,用于将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;
刀具选择模块,用于根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。
第三方面,本发明实施例还提供一种终端,其中,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如上述任一所述的刀具自动推荐方法的指令;所述处理器用于执行所述程序。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其中,所述指令适用于由处理器加载并执行,以实现上述任一所述的刀具自动推荐方法的步骤。
本发明的有益效果:本发明实施例通过获取待加工工件对应的工件特征和工艺特征;获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。本发明预先训练了一个目标质量预测模型,该模型预先学习了工件类型、工艺类型以及刀具类型的不同组合与加工质量之间的关系,可以实现刀具自动推荐。解决了现有技术中,数控机床控制软件通常由专业人员基于工件的几何特征进行刀具选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的刀具自动推荐方法的应用流程示意图。
图2是本发明实施例提供的质量预测模型的工作流程图。
图3是本发明实施例提供的质量预测模型的工作原理图。
图4是本发明实施例提供的质量预测模型的训练流程示意图。
图5是本发明实施例提供的刀具自动推荐装置的内部模块示意图。
图6是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种刀具自动推荐方法、装置、终端及存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
刀具的选择是数控加工工艺中的重要内容之一,它不仅影响机床的加工效率,更会直接影响工件的加工质量。目前数控机床控制软件在刀具选择时,大多由专业人员基于工件的几何特征进行选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性。
针对现有技术的上述缺陷,本发明提供一种刀具自动推荐方法,所述方法通过获取待加工工件对应的工件类型和工艺类型;获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床对应的若干刀具类型;将若干所述刀具类型分别与所述工件类型、所述工艺类型输入目标质量预测模型中,得到若干所述刀具类型分别对应的加工质量等级;根据若干所述刀具类型分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。本发明预先训练了一个目标质量预测模型,该模型预先学习了工件类型、工艺类型以及刀具类型的不同组合与加工质量之间的关系,可以实现刀具自动推荐。解决了现有技术中,数控机床控制软件通常由专业人员基于工件的几何特征进行刀具选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性的问题。
如图1所示,所述方法包括如下步骤:
步骤S100、获取待加工工件对应的工件类型和工艺类型。
具体地,本实施例中的待加工工件可以为任意一个当前需要进行数控加工的工件。为了确定与该待加工工件的数控加工过程适配的刀具,本实施例需要先确定该加工工件的工件特征和工艺特征,例如工件的形状、结构、尺寸等特征,工艺的时长、环节数量等特征。
如图1所示,所述方法还包括如下步骤:
步骤S200、获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具。
具体地,本实施例将对待加工工件进行数控加工的企业定义为目标企业,由于目标企业中可能与多个刀具供应商合作,每个刀具供应商提供的刀具的类型、特征是不同的,因此目标企业的数控机床在加工时可以选择的刀具有很多种。本实施例将目标企业的数控机床可能选择的所有刀具的汇总定义为目标企业的刀具集合。后续就在该刀具集合中选择出与待加工工件的加工过程最适配的目标刀具。
如图1所示,所述方法还包括如下步骤:
步骤S300、将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级。
为了实现刀具自动推荐,本实施例预先构建并训练了目标质量预测模型,该目标质量预测模型预先学习了不同工件特征、工艺特征以及刀具特征之间的组合与加工质量之间的关系。将刀具集合中的各刀具依次与待加工工件的工件特征、工艺特征输入目标质量预测模型中,即可得到各刀具分别对应的加工质量等级,由于待加工工件的工件特征和工艺特征确定,因此影响加工质量等级的主要因素就是刀具的选择。针对每一刀具,若该刀具的加工质量等级越高,表示数控机床采用该刀具对待加工工件进行加工后得到的加工工件的质量越好,反之越差。
在一种实现方式中,所述目标质量预测模型预先经过训练,所述目标质量预测模型的训练过程包括:
步骤S301、获取所述目标企业对应的企业历史加工记录数据,其中,所述企业历史加工记录数据用于反映所述目标企业的数控机床的所有历史加工记录;
步骤S302、根据所述企业历史加工记录数据确定若干子图谱和若干所述子图谱分别对应的标准加工质量等级,其中,每一所述子图谱基于所述目标企业的数控机床的一次历史加工记录确定,用于反映该次历史加工记录对应的若干加工要素和若干所述加工要素分别对应的要素特征集,其中,若干所述加工要素的类型包括该次历史加工记录对应的刀具,工艺以及工件,每一所述要素特征集中包括若干要素特征;
步骤S303、根据若干所述子图谱和若干所述子图谱分别对应的所述标准加工质量等级生成训练数据集;
步骤S304、根据所述训练数据集对质量预测模型进行训练,训练后得到所述目标质量预测模型。
具体地,为了生成用于训练模型的训练数据集,本实施例需要先获取目标企业的企业历史加工记录数据,通过企业历史加工记录数据可以查看任何目标企业中任何一台数控机床的任意一次历史加工记录。由于企业历史加工记录数据中包括太多信息,因此本实施例需要进行信息筛选和整合。具体地,本实施例根据预设的加工要素的类型(刀具、工艺以及工件),筛选出各加工要素分别对应的要素特征集合。然后基于获取到的所有筛选信息整理成若干子图谱,通过每一子图谱反映一次历史加工记录对应的筛选信息。由于企业历史加工记录数据中还包含有每一次历史加工过程完成后对加工工件的质量评级,因此还可以基于企业历史加工记录数据生成每一子图谱对应的标准加工质量等级。将各子图谱作为训练数据,将每一子图谱的标准加工质量等级作为其对应的真实标签,生成模型训练时采用的训练数据集。本实施例将未完成训练的模型定义为质量预测模型,完成训练的模型定义为目标质量预测模型。通过该训练数据集对质量预测模型进行训练,训练完毕后即得到目标质量预测模型,通过目标质量模型即可实现刀具自动推荐。
在一种实现方式中,每一所述加工要素对应的所述要素特征集包括该加工要素对应的定量特征和定性特征,其中,所述定量特征用于反映该加工要素对应的被量化的特征,所述定性特征用于反映该加工要素对应的本质属性的特征。
举例说明,可以预先通过梳理数控机床使用企业保存生产要素数据的管理系统(制造执行系统(MES)、企业资源计划系统(ERP)、刀具管理系统、计算机辅助过程计划系统(CAPP)等),以及基于行业经验梳理数控机床加工要素(刀具、工艺、工件)匹配所需考虑的各种不同维度的要素特征,例如工艺加工时长特征、工件材料性质特征、工件与刀具几何结构特征、刀具性能参数特征以及其他复杂定量或定性特征(如工件和刀具供应厂商、刀具使用次数等),从而得到各加工要素的类型和各加工要素分别对应的要素特征的类型。
在一种实现方式中,所述步骤S302具体包括如下步骤:
步骤S3021、根据所述企业历史加工记录数据,确定所述目标企业对应的历史加工知识图谱,其中,所述历史加工知识图谱用于反映不同加工要素之间的关联关系和不同要素特征之间的关联关系;
步骤S3022、根据所述历史加工知识图谱进行若干次一阶邻域采样,得到若干所述子图谱,其中,每一次所述一阶邻域采样以一次历史加工记录对应的各加工要素为匹配基础,每一次所述一阶邻域采样生成一个所述子图谱。
具体地,本实施例先从企业历史加工记录数据中筛选出所有预设类型的加工要素和每一加工要素分别对应的各个要素特征,然后基于要素与要素之间的关联关系、要素与特征之间的关联关系,例如刀具-工艺-工件之间的匹配关系、工艺之间的依赖关系、要素与特征之间的对应关系,生成目标企业的历史加工知识图谱。然后以数控机床的每一次历史加工记录对应的各加工要素(刀具、工艺、工件)为匹配基础,在历史加工知识图谱中对其一阶邻域进行采样,以得到该次历史加工记录的各加工要素分别对应的各要素特征,进而形成该次历史加工记录对应的子图谱。可以理解的是,历史加工知识图谱是基于目标企业的所有历史加工记录形成的,而每一子图谱是基于目标企业的一次加工历史记录形成,相当于历史加工知识图谱和各子图谱是包含关系。
举例说明,如图4所示,访问目标企业保存生产要素数据的各个管理系统内的键值对关系表,基于表数据特征(如超文本标记、表格键(列)与值(行)位置与名称等),结合结构化查询语言(SQL)、正则表达式和条件逻辑设计启发式信息提取规则,从表格数据中提取加工要素、要素对应特征以及每次要素匹配的质量等级(质量等级可根据企业需求以量表方式确定,如1-10级)。其中,启发式规则的设计可以基于先验定义的语义关系,自动建立三类生产要素的两两匹配关系、要素-特征关系、工艺依赖关系(紧前紧后、并行生产、循环生产等),形成历史加工知识图谱,并在图谱数据库Neo4j中保存。
在一种实现方式中,确定要素与要素之间的关联关系和要素与特征之间的关联关系之后,还需要对这些关联关系进行标准化。例如,刀具、工艺、工件之间的关联关系为匹配关系、要素与特征之间的关联关系为对应关系,工艺之间的关联关系为依赖关系。
在一种实现方式中,所述步骤S303具体包括如下步骤:
步骤S3031、根据每一所述子图谱生成每一所述子图谱对应的若干三元组,其中,每一三元组包括两个点向量和一个边向量,每一所述点向量用于表示一个加工要素或者要素特征,所述边向量用于表示两个所述点向量之间的关联关系;
步骤S3032、根据每一所述子图谱对应的所述标准加工质量等级,生成每一所述子图谱对应的真实标签;
步骤S3033、根据每一所述子图谱对应的若干所述三元组和所述真实标签,组成所述训练数据集。
由于模型难以直接对子图谱进行处理,因此本实施例需要先将子图片转换为向量形式。具体地,针对每一子图谱,本实施例需要构建该子图谱对应的多个三元组,其中和为两个在该子图谱内具有直接关联关系的两个点形成的点向量,为边向量,用于反映这两个点向量之间的关联关系。由于各子图谱对应的三元组是向量形式,因此这些三元组可以作为质量预测模型的输入数据。为了评判每次质量预测模型的输出结果的好坏,本实施例还基于各子图谱对应的标准加工质量等级生成了各子图谱对应的真实标签。具有对应关系的若干三元组和真实标签为一组训练数据,各组训练数据一起形成训练数据集。
举例说明,从开源数据集采集数控机床领域字词语义向量(50-300维数值向量),以子图谱内所有点-边指代要素名称的预训练字词向量初始化图谱。针对每一子图谱,遍历该子图谱中每个点,采集与当前点直接关联的点与边形成多个三元组。构建虚拟节点,与子图内刀具、工艺和工件建立虚关系,代表模型预测的使用当前要素匹配生产对应的加工质量等级。
在一种实现方式中,所述步骤S304具体包括如下步骤:
步骤S3041、将每一所述子图谱对应的若干所述三元组输入所述质量预测模型,通过所述质量预测模型生成每一所述子图谱对应的预测质量等级;
步骤S3042根据每一所述子图谱对应的所述预测质量等级和所述真实标签对所述质量预测模型进行迭代更新,迭代更新完毕后得到所述目标质量预测模型,其中,每次更新基于一个所述子图谱的所述预测质量等级和所述真实标签计算模型损失函数值,根据所述模型损失函数值对所述质量预测模型进行更新。
本实施例中对质量预测模型采用的模型训练方法是迭代更新方式,每次基于一组训练数据对质量预测模型的模型参数进行更新。具体地,一组训练数据包括一个子图谱对应的多个三元组和真实标签,将该子图谱的所有三元组输入质量预测模型中,质量预测模型会基于这些三元组自动输出该子图谱的预测质量等级,然后将预测质量等级与该子图谱对应的真实标签计算当前质量预测模型的模型损失函数值。由于模型损失函数值可以反映当前质量预测模型的预测偏差,因此基于模型损失函数值对质量预测模型的模型参数进行更新,可以收敛质量预测模型的预测结果与真实结果之间的差距,当模型损失函数值缩小至预测阈值时,表示当前质量预测模型已经迭代更新完毕,即得到目标质量预测模型。
在一种实现方式中,如图2和图3所示,所述质量预测模型为图注意力模型(GAT),所述图注意力模型包括两个可训练参数矩阵W1和W2,拼接操作模块Concat,非线性激活函数模块Relu。将每一子图谱对应的若干三元组输入所述注意力模型之后,会先经过可训练参数矩阵W1和W2,得到各三元组分别对应的绝对权重值,即图2中的beta值;然后各三元组分别对应的绝对权重值再输入softmax模块,得到各三元组分别对应的相对权重值,即图2中的alpha值。将各三元组与其对应的绝对权重值和相对权重值关联保存在列表Ai中。经过K次迭代后(k代表迭代更新次数,例如2次)在各三元组分别对应的预测质量级别的虚拟节点上,通过对各三元组的向量加权求和点方式更新预测质量级别对应的虚拟节点的最终向量:
本实施例还预先设置前馈神经网络(DNN)和softmax作为全链层,将虚拟节点的数值向量转换为预测质量等级,其维度与真实质量等级标签值域相同。然后设置交叉熵损失函数和随机梯度下降(SGD)模型优化器。最后将预测质量等级与真实标签进行对比,计算当前损失,基于优化器进行随机梯度下降与反向传播,实现更新GAT和DNN参数。
在一种实现方式中,将各子图谱分别对应的多个三元组和真实标签以预设比例划分为训练集、验证集以及测试集。使用训练集训练迭代质量预测模型的模型参数,使用验证集调整优化质量预测模型的超参数(如模型进行梯度下降的学习率和GAT迭代次数k等),使用测试集评估质量预测模型的表现。
如图1所示,所述方法还包括如下步骤:
步骤S400、根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。
具体地,针对每一刀具,根据该刀具对应的加工质量等级可以反映出数控机床基于该刀具对待加工工件进行加工后得到的成品工件的质量,因此可以基于各刀具分别对应的加工质量等级可以选择出与待加工工件的工件特征和工艺特征最适配的刀具,即得到目标刀具。
在一种实现方式中,所述步骤S400具体包括如下步骤:
步骤S401、根据若干所述刀具的所述加工质量等级中的最高等级,确定目标刀具。
可以理解的是,目标质量预测模型预测出的刀具的加工质量等级越高,表示该刀具与待加工工件的工件特征和工艺特征越适配,生成的加工工件的质量越高,因此本实施例将加工质量等级最高的刀具作为目标刀具。
本发明的优点在于:
1.图谱数据格式可有效融合定量特征(几何参数、性能参数等)、定性特征(如刀具类型和供应商信息等)以及复杂语义关系拓扑特征(如可以考虑前序工艺对当前工艺刀具选择的影响),克服了在特征匹配时局限于刀具或工件几何特征,忽略其他特征,匹配度不高的问题。
2.本发明基于数控机床使用企业历史生产数据训练质量预测模型,集成兼容该企业所有供应商数据,克服已有刀具管理系统局限于单一供应商缺点,具备高度可扩展性。
3.训练质量预测模型只需一次性梳理数控机床生产要素关键特征,模型可自动提取历史匹配数据特征以及基于注意力机制自动迭代不同特征与匹配关系和生产质量的影响权重,无需人工定义权重或反复根据工艺和工件属性修改规则,最大程度减少了人工依赖。
基于上述实施例,本发明还提供了一种刀具自动推荐装置,如图5所示,所述装置包括:
第一获取模块01,用于获取待加工工件对应的工件特征和工艺特征;
第二获取模块02,用于获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;
质量预测模块03,用于将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;
刀具选择模块04,用于根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图6所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现刀具自动推荐方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图6中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述终端的存储器中存储有一个或者一个以上的程序,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行刀具自动推荐方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种刀具自动推荐方法、装置、终端及存储介质,所述方法通过获取待加工工件对应的工件特征和工艺特征;获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具。本发明预先训练了一个目标质量预测模型,该模型预先学习了工件类型、工艺类型以及刀具类型的不同组合与加工质量之间的关系,可以实现刀具自动推荐。解决了现有技术中,数控机床控制软件通常由专业人员基于工件的几何特征进行刀具选择,不仅需要耗费大量人力成本,且难以保证刀具选择的准确性的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种刀具自动推荐方法,其特征在于,所述方法包括:
获取待加工工件对应的工件特征和工艺特征;
获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;
将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;
根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具;
所述目标质量预测模型预先经过训练,所述目标质量预测模型的训练过程包括:
获取所述目标企业对应的企业历史加工记录数据,其中,所述企业历史加工记录数据用于反映所述目标企业的数控机床的所有历史加工记录;
根据所述企业历史加工记录数据确定若干子图谱和若干所述子图谱分别对应的标准加工质量等级,其中,每一所述子图谱基于所述目标企业的数控机床的一次历史加工记录确定,用于反映该次历史加工记录对应的若干加工要素和若干所述加工要素分别对应的要素特征集,其中,若干所述加工要素的类型包括该次历史加工记录对应的刀具,工艺以及工件,每一所述要素特征集中包括若干要素特征;
根据若干所述子图谱和若干所述子图谱分别对应的所述标准加工质量等级生成训练数据集;
根据所述训练数据集对质量预测模型进行训练,训练后得到所述目标质量预测模型。
2.根据权利要求1所述的刀具自动推荐方法,其特征在于,所述根据所述企业历史加工记录数据确定若干子图谱,包括:
根据所述企业历史加工记录数据,确定所述目标企业对应的历史加工知识图谱,其中,所述历史加工知识图谱用于反映不同加工要素之间的关联关系和不同要素特征之间的关联关系;
根据所述历史加工知识图谱进行若干次一阶邻域采样,得到若干所述子图谱,其中,每一次所述一阶邻域采样以一次历史加工记录对应的各加工要素为匹配基础,每一次所述一阶邻域采样生成一个所述子图谱。
3.根据权利要求2所述的刀具自动推荐方法,其特征在于,所述根据若干子图谱和若干所述子图谱分别对应的所述标准加工质量等级生成训练数据集,包括:
根据每一所述子图谱生成每一所述子图谱对应的若干三元组,其中,每一三元组包括两个点向量和一个边向量,每一所述点向量用于表示一个加工要素或者要素特征,所述边向量用于表示两个所述点向量之间的关联关系;
根据每一所述子图谱对应的所述标准加工质量等级,生成每一所述子图谱对应的真实标签;
根据每一所述子图谱对应的若干所述三元组和所述真实标签,组成所述训练数据集。
4.根据权利要求3所述的刀具自动推荐方法,其特征在于,所述根据所述训练数据集对质量预测模型进行训练,训练后得到所述目标质量预测模型,包括:
将每一所述子图谱对应的若干所述三元组输入所述质量预测模型,通过所述质量预测模型生成每一所述子图谱对应的预测质量等级;
根据每一所述子图谱对应的所述预测质量等级和所述真实标签对所述质量预测模型进行迭代更新,迭代更新完毕后得到所述目标质量预测模型,其中,每次更新基于一个所述子图谱的所述预测质量等级和所述真实标签计算模型损失函数值,根据所述模型损失函数值对所述质量预测模型进行更新。
5.根据权利要求1所述的刀具自动推荐方法,其特征在于,每一所述加工要素对应的所述要素特征集包括该加工要素对应的定量特征和定性特征,其中,所述定量特征用于反映该加工要素对应的被量化的特征,所述定性特征用于反映该加工要素对应的本质属性的特征。
6.根据权利要求1所述的刀具自动推荐方法,其特征在于,所述根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具,包括:
根据若干所述刀具的所述加工质量等级中的最高等级,确定目标刀具。
7.一种刀具自动推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取待加工工件对应的工件特征和工艺特征;
第二获取模块,用于获取目标企业对应的刀具集合,其中,所述目标企业为对所述待加工工件进行加工的企业,所述刀具集合包括所述目标企业的数控机床具备的若干刀具;
质量预测模块,用于将若干所述刀具分别对应的刀具特征与所述工件特征、所述工艺特征输入目标质量预测模型中,得到若干所述刀具分别对应的加工质量等级;
刀具选择模块,用于根据若干所述刀具分别对应的所述加工质量等级,确定对所述待加工工件进行加工的目标刀具;
所述目标质量预测模型预先经过训练,所述目标质量预测模型的训练过程包括:
获取所述目标企业对应的企业历史加工记录数据,其中,所述企业历史加工记录数据用于反映所述目标企业的数控机床的所有历史加工记录;
根据所述企业历史加工记录数据确定若干子图谱和若干所述子图谱分别对应的标准加工质量等级,其中,每一所述子图谱基于所述目标企业的数控机床的一次历史加工记录确定,用于反映该次历史加工记录对应的若干加工要素和若干所述加工要素分别对应的要素特征集,其中,若干所述加工要素的类型包括该次历史加工记录对应的刀具,工艺以及工件,每一所述要素特征集中包括若干要素特征;
根据若干所述子图谱和若干所述子图谱分别对应的所述标准加工质量等级生成训练数据集;
根据所述训练数据集对质量预测模型进行训练,训练后得到所述目标质量预测模型。
8.一种终端,其特征在于,所述终端包括有存储器和一个以上处理器;所述存储器存储有一个以上的程序;所述程序包含用于执行如权利要求1-6中任一所述的刀具自动推荐方法的指令;所述处理器用于执行所述程序。
9.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-6任一所述的刀具自动推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613710.6A CN114722729B (zh) | 2022-06-01 | 2022-06-01 | 一种刀具自动推荐方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613710.6A CN114722729B (zh) | 2022-06-01 | 2022-06-01 | 一种刀具自动推荐方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722729A CN114722729A (zh) | 2022-07-08 |
CN114722729B true CN114722729B (zh) | 2022-09-13 |
Family
ID=82232750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210613710.6A Active CN114722729B (zh) | 2022-06-01 | 2022-06-01 | 一种刀具自动推荐方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722729B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679614B (zh) * | 2023-07-08 | 2024-02-02 | 四川大学 | 基于演化博弈的多特征刀具综合适配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268339A (zh) * | 2014-09-26 | 2015-01-07 | 山东大学 | 基于加工特征选择切削用量并自动设置参数的方法及系统 |
CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
CN111045384A (zh) * | 2019-12-31 | 2020-04-21 | 西北工业大学 | 数控加工方法、加工装置与数控机床 |
CN111198988A (zh) * | 2019-12-25 | 2020-05-26 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021178558A1 (en) * | 2020-03-03 | 2021-09-10 | D.P. Technology Corp. | Systems and methods for automated prediction of machining workflow in computer aided manufacturing |
-
2022
- 2022-06-01 CN CN202210613710.6A patent/CN114722729B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268339A (zh) * | 2014-09-26 | 2015-01-07 | 山东大学 | 基于加工特征选择切削用量并自动设置参数的方法及系统 |
CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
CN111198988A (zh) * | 2019-12-25 | 2020-05-26 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
CN111045384A (zh) * | 2019-12-31 | 2020-04-21 | 西北工业大学 | 数控加工方法、加工装置与数控机床 |
Non-Patent Citations (2)
Title |
---|
具有自学习功能的车削专家系统的研究;周志雄等;《湖南大学学报(自然科学版)》;20100831;第24-27页 * |
基于规则推理的铣削刀具选择系统开发与应用;胡炳星等;《制造业自动化》;20150325(第06期);第123-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114722729A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11327935B2 (en) | Intelligent data quality | |
US20170330078A1 (en) | Method and system for automated model building | |
CN111126668B (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
EP2369506B1 (en) | System and method of optimizing performance of schema matching | |
EP3726442A1 (en) | Semantic modeling and machine learning-based generation of conceptual plans for manufacturing assemblies | |
US20130024167A1 (en) | Computer-Implemented Systems And Methods For Large Scale Automatic Forecast Combinations | |
EP3846034A1 (en) | Systems and methods for automated testing using artificial intelligence techniques | |
CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
Coyle | The technical elements of the system dynamics approach | |
US10013510B1 (en) | Replacement part suggestion methods and systems | |
CN114722729B (zh) | 一种刀具自动推荐方法、装置、终端及存储介质 | |
US20060004701A1 (en) | System and method for adaptive decision making analysis and assessment | |
JP2023511464A (ja) | 製品不良要因を分析するシステム及び方法、コンピュータ可読媒体 | |
CN117235929B (zh) | 基于知识图谱和机器学习的三维cad生成式设计方法 | |
Letaief et al. | An approach of CAD/CAM data reuse for manufacturing cost estimation | |
CN109582724B (zh) | 分布式自动特征工程系统架构 | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
US10331808B1 (en) | Feature recognition in engineering methods and systems | |
Khoroshko et al. | Information environment for the design of industrial processes | |
KR102375880B1 (ko) | 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템 | |
WO2020167316A1 (en) | Machine learning-based generative design for process planning | |
White et al. | Variant generation of software-defined mechatronic systems in model-based systems engineering | |
CN111160662A (zh) | 一种风险预测方法、电子设备及存储介质 | |
Apollo | Prognostic and diagnostic capabilities of OOBN in assessing investment risk of complex construction projects | |
US11830081B2 (en) | Automated return evaluation with anomoly detection |
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 |