CN114789364B - 多指标钻孔质量控制方法及其装置、设备 - Google Patents
多指标钻孔质量控制方法及其装置、设备 Download PDFInfo
- Publication number
- CN114789364B CN114789364B CN202210402354.3A CN202210402354A CN114789364B CN 114789364 B CN114789364 B CN 114789364B CN 202210402354 A CN202210402354 A CN 202210402354A CN 114789364 B CN114789364 B CN 114789364B
- Authority
- CN
- China
- Prior art keywords
- drilling
- historical
- drilling quality
- prediction model
- parameters
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 473
- 238000003908 quality control method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000005299 abrasion Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 241000587161 Gomphocarpus Species 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
-
- 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
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
-
- 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)
- Mechanical Engineering (AREA)
- Earth Drilling (AREA)
Abstract
本申请提供了一种多指标钻孔质量控制方法及其装置、设备，该方法包括：获取钻削参数和钻头磨损值；将钻削参数和钻头磨损值输入至目标钻孔质量预测模型中，得到N个预测钻孔质量指标；根据N个预测钻孔质量指标和N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数；控制钻削设备按照目标钻削参数执行钻削操作。这样，目标钻孔质量预测模型可以同时考虑钻削参数和钻头磨损值对多个钻孔质量指标的影响，进而优化钻削参数，钻削设备可以在不更换钻头的情况下，按照优化后的目标钻削参数执行钻削操作，以使实际的多个钻孔质量指标能够向多个目标钻孔质量指标靠齐。由此，在保证钻孔质量指标精度的同时提高钻头利用率，从而降低生产成本。
Description
技术领域
本申请属于工件质量预测和控制技术领域，尤其涉及一种多指标钻孔质量控制方法及其装置、设备。
背景技术
在待钻削工件的钻削加工中，为使钻削加工后的工件能够满足后续的工艺要求，实时监测及控制工件的钻孔质量指标是必要的。
随着持续钻削过程中钻削设备的钻头会产生磨损，不可避免地会影响钻孔质量指标，目前可以选择更换掉磨损的钻头以保证钻孔质量指标的精度，然而直接更换钻头可能会存在钻头的利用率较低，生产成本较高的问题。因此，现有的钻孔质量控制方法往往难以同时满足低生产成本以及高精度的多指标钻孔质量指标的需求。
发明内容
本申请实施例提供一种多指标钻孔质量控制方法及其装置、设备，以解决现有的钻孔质量控制方法难以同时满足低生产成本以及高精度的多指标钻孔质量指标的需求的技术问题。
第一方面，本申请实施例提供一种多指标钻孔质量控制方法，方法包括：
获取钻削参数和钻头磨损值；
将所述钻削参数和所述钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；
根据所述N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化所述钻削参数，得到目标钻削参数；
控制钻削设备按照所述目标钻削参数执行钻削操作。
第二方面，本申请实施例提供了一种多指标钻孔质量控制装置，装置包括：
第一获取模块，用于获取钻削参数和钻头磨损值；
预测模块，用于将所述钻削参数和所述钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；
第一优化模块，用于根据所述N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化所述钻削参数，得到目标钻削参数；
第一控制模块，控制钻削设备按照所述目标钻削参数执行钻削操作。
第三方面，本申请实施例提供了一种电子设备，设备包括：
处理器以及存储有程序或指令的存储器；
所述处理器执行所述程序或指令时实现上述的方法。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现上述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行上述方法。
本申请实施例的多指标钻孔质量控制方法及其装置、设备，能够获取钻削参数和钻头磨损值；将钻削参数和钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数；控制钻削设备按照目标钻削参数执行钻削操作。
这样，目标钻孔质量预测模型在对多个钻孔质量指标进行预测时，可以同时考虑钻削参数和钻头磨损值对多个钻孔质量指标的影响，进而可以根据多个预测钻孔质量指标和预设的多个目标钻孔质量指标，优化钻削参数，钻削设备可以在不更换钻头的情况下，按照优化后的目标钻削参数执行钻削操作，以使实际的多个钻孔质量指标能够向多个目标钻孔质量指标靠齐。由此，可以在保证多个钻孔质量指标的精度的同时提高钻头利用率，从而降低生产成本。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请一个实施例提供的多指标钻孔质量控制方法的流程示意图；
图2是本申请实施例提供的多指标钻孔质量控制方法中优化第一钻孔质量预测模型的流程示意图；
图3是本申请实施例提供的多指标钻孔质量控制方法的一个场景实施例流程图；
图4是本申请实施例提供的多指标钻孔质量控制方法的另一个场景实施例流程图；
图5是本申请另一个实施例提供的多指标钻孔质量控制装置的结构示意图；
图6是本申请又一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在一些待钻削工件的高速钻削加工中，一方面不同的钻削参数直接影响钻孔质量指标，另一方面在确定的钻削参数下，持续钻削过程中的钻头磨损也不可避免地影响钻孔质量指标，最终影响工件的使用性能和良品率。以多层电路板为例，多层电路板的钻孔质量指标主要包括孔径、孔壁粗糙度、孔位精度、钉头厚度和毛刺高度等多个指标。为使钻削加工后多层电路板的钻孔质量指标满足后续的工艺要求，最终的多个钻孔质量指标必须满足规定的质量要求。本申请实施例可以通过建立多层电路板的目标钻孔质量预测模型，控制钻削设备按照优化后的目标钻削参数执行钻削操作，可以有效提高多层电路板的多个钻孔质量指标和加工效率，降低了生产成本。
本申请实施例提供了一种多指标钻孔质量控制方法及其装置、设备。下面首先对本申请实施例所提供的多指标钻孔质量控制方法进行介绍。
图1示出了本申请一个实施例提供的多指标钻孔质量控制方法的流程示意图。如图1所示，多指标钻孔质量控制方法可以包括如下步骤：
步骤101，获取钻削参数和钻头磨损值；
步骤102，将钻削参数和钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；
步骤103，根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数；
步骤104，控制钻削设备按照目标钻削参数执行钻削操作。
上述各个步骤的具体实现方式将在下文中进行详细描述。
在本申请实施例中，多指标钻孔质量控制方法能够获取钻削参数和钻头磨损值；将钻削参数和钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数；控制钻削设备按照目标钻削参数执行钻削操作。
这样，目标钻孔质量预测模型在对多个钻孔质量指标进行预测时，可以同时考虑钻削参数和钻头磨损值对多个钻孔质量指标的影响，进而可以根据多个预测钻孔质量指标和预设的多个目标钻孔质量指标，优化钻削参数，钻削设备可以在不更换钻头的情况下，按照优化后的目标钻削参数执行钻削操作，以使实际的多个钻孔质量指标能够向多个目标钻孔质量指标靠齐。由此，可以在保证多个钻孔质量指标的精度的同时提高钻头利用率，从而降低生产成本。
下面介绍上述各个步骤的具体实现方式。
在步骤101中，钻削参数可以包括预先设定的主轴转速、进给速度和退刀速度。钻头磨损值可以基于监测装置实时测量获取得到，也可以预先训练的监测模型预测得到，此处不作具体限定。例如可以通过电流传感器、振动传感器和声发射传感器等监测钻头的工作状态，进而获取到钻头磨损值。
在步骤102中，可以将获取到的钻削参数和钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标。其中目标钻孔质量预测模型可以基于历史钻削状态参数集和N个历史钻孔质量指标构建得到，历史钻削状态参数集可以包括历史操作过程中的钻削参数和钻头磨损值。示例地，可以将历史钻削状态参数集作为模型输入量，将N个历史钻孔质量指标作为模型输出量，训练得到目标钻孔质量预测模型。
在当前钻削操作前，可以将当前钻削操作所对应的钻削参数和钻头磨损值输入至该目标钻孔质量预测模型中，由目标钻孔质量预测模型输出N个预测钻孔质量指标。N个预测钻孔质量指标可以表示为若按照当前的钻削参数和钻头磨损值执行钻削操作，则待钻削工件最终的N个实际钻孔质量指标可以无限接近于N个预测钻孔质量指标。
可以理解的是，待钻削工件的N个钻孔质量指标可以包括孔径公差、孔位精度和孔壁质量等多个维度的质量指标，不同类型的待钻削工件其对应的具体钻孔质量指标也有所不同。例如多层电路板N个钻孔质量指标可以包括孔径误差、孔位精度、孔壁粗糙度、钉头厚度和毛刺高度中至少两项。
为了便于理解本申请实施例所提供的技术方案，下文将以待钻削工件为多层电路板，且多层电路板的N个钻孔质量指标包括孔径误差、孔位精度、孔壁粗糙度、钉头厚度和毛刺高度为例进行说明。
在步骤103中，预设的N个目标钻孔质量指标可以表示为多层电路板期望达到的钻孔质量指标。可以通过对比N个预测钻孔质量指标和N个目标钻孔质量指标，确定当前获取到的钻削参数是否能够加工出符合质量要求的多层电路板。若N个预测钻孔质量指标与N个目标钻孔质量指标不相同，则可以说明基于该钻削参数加工出的多层电路板的钻孔质量指标不符合质量要求。因此可以根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数。
示例地，钻削参数的优化过程的适应度函数可以如公式(1)所示：
E＝∑(Y-Ygoal)2＝∑(f(X)-Ygoal)2 (1)
其中，Ygoal可以为N个目标钻孔质量指标，Y＝f(X)可以为N个预测钻孔质量指标，E可以为综合钻孔质量指标波动。
钻削参数的优化过程可以如公式(2)所示：
其中，Ygoal可以为N个目标钻孔质量指标，Y＝f(X)可以为N个预测钻孔质量指标，E可以为综合钻孔质量指标波动。其中X＝(n，f，fT)，X可以标识钻削参数，n可以为主轴转速，f可以为进给速度，fT可以为退刀速度。
示例地，可以根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，以综合钻孔质量指标波动最小为目标，采用差分进化算法(DifferentialEvolution，DE)对钻削参数进行优化。DE是一种基于群体进化的算法，具有记忆个体最优解和种群内信息共享的特点，即可以通过种群内个体间的合作与竞争来实现对优化问题的求解。考虑最小化函数优化问题如公式(3)所示：
min f(x),x＝[x1,x2,…,xd],lk≤xd≤uk,k＝1,2,…,d (3)
其中，uk和lk分别表示第k维变量的搜索上界和下界，d为优化问题的维数。
如图2所示，DE可以包括如下步骤：
(1)初始化：每一个个体对应一个解xi＝[xi,1,xi,2,…,xi,d]，xi也表示种群中的第i个个体。算法随机产生N个个体构成初始种群可以如公式(4)所示：
xi,k(0)＝lk+rand()·(uk-lk) (4)
其中，rand()可以表示0～1之间均匀分布的随机数，uk和lk分别表示第k维变量的搜索上界和下界。
(2)变异：在每一代搜索中，通过变异操作为当前种群的每一个个体xi(g)生成一个目标个体ti(g)，g代表进化代数。变异机制可以如公式(5)所示：
其中，r1,r2,r3,r4∈{1,2,…,N}为不等于i的互不相同的整数，xbest(g)表示第g代种群中的最好个体，F为取值0～1之间的缩放比例因子。
(3)交叉：通过将当前个体xi的部分变量用目标个体ti的对应变量替换，从而生成测试个体vi，由此保留个体中比较优良的变量，并增强局部区域的探索。采用二相交叉的方法可以如公式(6)所示：
其中，rnd为1～d之间均匀分布的整数，用于确保至少有一维分量继承于目标个体ti。
(4)选择：采用贪婪选择方式，对于测试个体vi(g)和当前个体xi(g)，选择较好的个体进入下一代搜索，即可以如公式(7)所示：
通过贪婪选择机制保证了下一代种群中的个体至少不比当前种群个体差，从而使得种群的平均性能提高，并逐步达到最优解或满意解。
在步骤104中，得到目标钻削参数后，可以控制钻削设备按照目标钻削参数执行钻削操作，以使多层电路板的钻孔质量指标能够满足质量需求。
本申请实施例可实现实时监测磨损状态情况下工件质量在线预测与控制。以综合加工质量指标波动最小为目标，在不超过钻孔质量阈值的情况下采用差分进化算法优化钻削参数，提高了钻头的利用率，保证了钻孔质量，降低了生产成本。
在一些实施例中，构建目标钻孔质量预测模型，可以包括如下步骤：
获取历史钻削操作的历史数据，历史数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标；
将第一历史钻头磨损值和第一历史钻削参数作为输入量，将N个第一历史钻孔质量指标作为输出量，通过多输出支持向量回归算法，构建第一钻孔质量预测模型；
基于差分进化算法优化第一钻孔质量预测模型，得到目标钻孔质量预测模型。
在本实施例中，可以基于历史钻削操作的历史数据来构建目标钻孔质量预测模型，历史数据可以包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标。
获取历史钻削操作的历史数据可以是设计多层电路板钻削实验的钻削参数和试验方案，通过正交实验采集多层电路板钻削过程中的钻头磨损值VB(X1)和钻削参数，钻削参数可以包括主轴转速n(X2)、进给速度f(X3)和退刀速度fT(X4)，得到钻削状态参数集X＝{X1,X2,X3,X4}。N个钻孔质量指标包括孔径误差Tr(Y1)、孔位精度Cpk(Y2)、孔壁粗糙度Rmax(Y3)、钉头厚度b(Y4)和毛刺高度H(Y5)，得到钻孔质量参数集Y＝{Y1,Y2,Y3,Y4,Y5}。最终可以得到目标钻孔质量预测模型的数据集{X,Y}，并可以进行数据的归一化处理得到归一化数据集{X',Y}。
示例地，对数据集{X,Y}中的输入参数集进行归一化处理，可以将数据归一化至区间[0,1]内，以消除数据量纲不同的影响，归一化处理可以如公式(8)所示：
其中，xi为原始数据，xi'为归一化后数据，xmin为同种输入数据中的最小值，xmax为同种输入数据的最大值。
例如，采用正交实验采集多层电路板钻削过程中的钻头磨损值和钻削参数时，钻削参数可以分别选取20mm/s、30mm/s、40mm/s三种不同进给速度，100krpm、125krpm、150krpm三种不同主轴转速进行试验，钻削实验参数组合如表1所示。针对9组组合的试验，每一组都进行一次刀具全寿命周期的加工试验，每完成1000孔都测量一次VB值，记下当前刀头磨损值。完成加工部分的试验后，可以测量不同钻削参数及不同刀具磨损状态下加工孔的孔位精度(Cpk)、孔壁粗糙度(Rmax)和钉头厚度(b)。实验中每钻1000孔，就可以钻削5个孔测量Rmax、b和Cpk，并取测量结果的平均值。采集的原始数据集{X,Y}如表1所示：
表1
归一化处理后得到归一化数据集{X',Y}，可以将第一历史钻头磨损值和第一历史钻削参数(即X')作为输入量，将N个第一历史钻孔质量指标(即Y)作为输出量，通过多输出支持向量回归算法，构建第一钻孔质量预测模型。
可以理解的是，多层电路板高速钻削过程中，影响钻孔质量指标的因素很多，其中主要的因素就是钻头磨损值和钻削参数。评价多层电路板的钻孔质量指标较多，主要是多层电路板的钻孔三要素(孔径、孔位和孔壁)决定的孔径公差、孔位精度、孔壁粗糙度、钉头厚度以及毛刺高度等，且这些因素又相互耦合，因此在钻头磨损值、钻削参数以及钻孔质量指标之间存在复杂的非线性关系。为了提高模型精度，往往需要考虑输出变量之间的耦合关系。基于此本实施例可以以多输出支持向量回归模型为目标钻孔质量预测模型，其考虑了整体的误差，对钻孔质量指标具有较高的预测精度以及较强的鲁棒性。
为了验证多输出支持向量回归模型(Multioutput Support Vector Machine,MSVR)的预测效果，可以将其与其他的多输出机器学习回归算法线性回归(LinearRegression,LR)、K近邻回归(K-Nearest Neighbors Regression,KNNR)、决策树回归(Classification and Regression Tree,CART)、随机森林回归(Random ForestRegression,RFR)进行对比，采用均方根误差(RMSE)和平均绝对百分误差(MAPE)作为模型的评价指标比较不同模型的结果。一般来说，RMSE越小代表模型预测性能越好，MAPE越小代表模型预测性能越好。
对比结果如表2所示：
表2
从表2中可以看出，MSVR有着良好的预测性能。通过上述的模型构建过程和预测结果对比分析得出，基于多输出支持向量回归模型的钻孔质量预测方法可以有效预测多层电路板钻孔质量指标。
多输出支持向量回归模型的构建可以包括如下步骤：
获取用于构建模型的训练集数据，训练集数据可以为{Xtrain,Ytrain}＝{(Xi,Yi)|Xi∈Rm,Yi∈Rn,i＝1,2,…,l}，m和n分别表示输入和输出向量的维数。建立输入数据和输出数据之间的回归函数可以如公式(9)所示：
Yi＝f(Xi)＝Wf(Xi)+B (9)
其中，Xi＝[xi,1 xi,2 … xi,m]T,Yi＝[yi,1 yi,2 … yi,n]T为输入输出向量，W＝[W1W2 … Wn]T为输出权重，B＝[b1 b2 … bn]T为偏置系数向量。
多输出支持向量回归模型的目标函数可以如公式(10)所示：
其中，ei＝yi-Wφ(Xi)-B，C是误差惩罚系数，L(u)为损失函数，如公式(11)所示：
其中，ε是超球面不敏感域。通过引入拉格朗日乘子αi可以得到拉格朗日函数，如公式(12)所示：
将L(W,B)对Wj,bj,ui和αi求偏导得方程组如公式(13)所示：
其中，φ＝[φ(X1),φ(X2),…,φ(Xl)]T,Dα＝diag{α1 α2 … αl},α＝[α1 α2 …αl]T,I＝[1 1 … 1]T。Wj表示为输入样本在高维特征空间的映射组合，可以如公式(14)所示：
其方程组可以改写为公式(15)所示：
其中，Ki,j＝K(Xi,Xj)＝φT(Xi)φ(Xj)为核函数，第一钻孔质量预测模型可以选择REF核函数，其计算公式可以如公式(16)所示：
其中，σ为核函数参数。
最终得到多输出支持向量回归模型(即第一钻孔质量预测模型)，可以如公式(17)所示：
可以理解的是，在求解每一个输出函数的回归量βj和bj时，会同时兼顾到其他输出分量的拟合效果，从而得到整体拟合最优解，进而可以保证第一钻孔质量预测模型的可靠性。
构建第一钻孔质量预测模型，可以对第一钻孔质量预测模型进行优化，以得到精度更高的目标钻孔质量预测模型。示例地，第一钻孔质量预测模型参数优化过程可以选取均方根误差作为适应度函数，适应度函数可以如公式(18)所示：
其中，n表示样本数量，Yi为第i个样本值，为模型对应的预测值。可以采用差分进化算法离线优化第一钻孔质量预测模型参数，得到目标钻孔质量预测模型。差分进化算法的优化过程可如上文所言，此处不做赘述。
可以理解的是，差分进化算法通用性强，容易实现，运算时间短，具有较强的搜索能力，并且将差分进化算法与多输出支持向量回归模型进行有机结合，可以得到预测精度更高的预测模型，进而提高了模型的可靠性和准确性。
在一些实施例中，上述步骤101可以包括如下步骤：
获取历史钻削操作的历史数据；
基于交叉验证算法划分历史数据，得到训练集数据和测试集数据，训练集数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标，测试集数据包括第二历史钻头磨损值、第二历史钻削参数和N个第二历史钻孔质量指标；
上述基于差分进化算法优化第一钻孔质量预测模型，得到目标钻孔质量预测模型，可以包括如下步骤：
基于差分进化算法优化第一钻孔质量预测模型，得到第二钻孔质量预测模型；
将第二历史钻头磨损值和第二历史钻削参数输入至第二钻孔质量预测模型中，得到N个测试钻孔质量指标；
根据N个测试钻孔质量指标和N个第二历史钻孔质量指标，确定钻孔质量指标的测试误差；
在测试误差小于或等于预设误差阈值的情况下，将第二钻孔质量预测模型确定为目标钻孔质量预测模型。
在本实施例中，为了进一步提高模型的可靠性和准确性，可以基于交叉验证算法划分历史数据，得到训练集数据和测试集数据。其中训练集数据可以包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标，可以用于构建多输出支持向量回归模型作为第一钻孔质量预测模型，再基于差分进化算法优化第一钻孔质量预测模型，得到优化后的第二钻孔质量预测模型。
测试集数据可以包括第二历史钻头磨损值、第二历史钻削参数和N个第二历史钻孔质量指标，可以用于测试第二钻孔质量预测模型的准确度。示例地，可以将第二历史钻头磨损值和第二历史钻削参数输入至第二钻孔质量预测模型中，然后将第二钻孔质量预测模型输出的N个测试钻孔质量指标与实际的N个第二历史钻孔质量指标进行比对，确定钻孔质量指标的测试误差。若测试误差小于或等于预设误差阈值，则可以认为第二钻孔质量预测模型的准确性达标，可以将第二钻孔质量预测模型确定为目标钻孔质量预测模型。若测试误差大于预设误差阈值，则可以认为第二钻孔质量预测模型的准确性不达标，此时可以再次优化第二钻孔质量预测模型参数，直至优化后的钻孔质量预测模型的精度达标为止。
本实施例通过采用训练集数据构建模型，测试集数据测试模型准确度的方式，进一步提高了目标钻孔质量预测模型的可靠性和准确性。
为了便于理解上述实施例提供的多指标钻孔质量控制方法，以下以一个具体的场景实施例对上述多指标钻孔质量控制方法进行说明。图2示出了上述多指标钻孔质量控制方法的一个场景实施例流程图。
如图3所示，可以采用正交实验设计多层电路板钻削过程中的主轴转速n、进给速度f和退刀速度fT等钻削参数，并基于工业用电荷耦合器件(charge coupled device，CCD)相机测量钻头后刀面磨损带宽度，得到钻头磨损值VB，基于钻削参数执行钻削操作，随后进行多指标钻孔质量测量，以获取多个钻孔质量指标。示例地，可以由显微镜测量钻孔的孔径误差Tr，孔位检测机测量孔位精度(用制程能力指数Cpk评价)，采用研磨抛光方式制作钻孔的切片并采用金相显微镜测量孔壁粗糙度Rmax、钉头厚度b和毛刺高度H。
获取到原始数据集{X,Y}后，可以进行归一化处理，得到归一化数据集{X',Y}，随后采用交叉验证算法将归一化数据集{X',Y}划分为训练集数据{Xtrain,Ytrain}和测试集数据{Xtest,Ytest}。
将训练集数据中Xtrain作为预测模型的输入，Ytrain作为预测模型的输出，采用多输出支持向量回归进行建模，同时采用差分进化算法优化模型参数，得到训练后的第二钻孔质量预测模型。并将测试集数据{Xtest,Ytest}输入第二钻孔质量预测模型验证模型的有效性。
在一些实施例中，上述步骤103可以包括如下步骤：
确定N个预测钻孔质量指标是否满足预设钻孔质量条件；
在N个预测钻孔质量指标满足预设钻孔质量条件的情况下，根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数。
在本实施例中，得到N个预测钻孔质量指标后，可以先判断N个预测钻孔质量指标是否满足预设钻孔质量条件，若N个预测钻孔质量指标满足预设钻孔质量条件，则可以根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数。
示例地，可以判断N个预测钻孔质量指标是否超出了预先设定的钻孔阈值，若超出阈值，则可以认为此时钻头的刀面磨损严重，此时优化钻削参数也可以难以满足质量需求。因此，可以在N个预测钻孔质量指标没有超出预先设定的钻孔阈值的情况下，根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，基于差分进化算法优化钻削参数，得到目标钻削参数。
这样，可以进一步使实际钻孔质量指标能够向N个目标钻孔质量指标靠齐。由此，可以在提高钻头利用率的同时，有效保证钻孔质量指标的精度。
在一些实施例中，上述确定N个预测钻孔质量指标是否满足预设钻孔质量条件之后，多指标钻孔质量控制方法还可以包括如下步骤：
在N个预测钻孔质量指标不满足预设钻孔质量条件的情况下，控制钻削设备关闭并发出提示信息，提示信息用于提醒更换钻削设备的钻头。
在本实施例中，若N个预测钻孔质量指标不满足预设钻孔质量条件，例如N个预测钻孔质量指标超出了预先设定的钻孔阈值，则可以认为此时钻头的刀面磨损严重，可以控制钻削设备关闭并发出提示信息，操作者可以在接收到提示信息后更换新的钻头刀具。从而进一步保证多个钻孔质量指标的精度。
为了便于理解上述实施例提供的多指标钻孔质量控制方法，以下以一个具体的场景实施例对上述多指标钻孔质量控制方法进行说明。图4示出了上述多指标钻孔质量控制方法的另一个场景实施例流程图。
如图4所示，刀具磨损监测模型可以实时监测钻头磨损值，将钻头磨损值和钻削设备的钻削参数输入至基于MSVR钻孔质量预测模型内，钻孔质量预测模型可以输出N个预测钻孔质量指标。判断N个预测钻孔质量指标是否超过设定的钻孔阈值，若超过，则可以控制钻削设备关闭更换钻头刀具；若没有超过，则可以基于差分进化算法优化钻削参数，得到优化后的目标钻削参数，钻削设备可以根据目标钻削参数继续加工。
基于上述实施例提供的多指标钻孔质量控制方法，本申请还提供了一种多指标钻孔质量控制装置的实施例。
图5示出了本申请另一个实施例提供的多指标钻孔质量控制装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，多指标钻孔质量控制装置500可以包括：
第一获取模块501，用于获取钻削参数和钻头磨损值；
预测模块502，用于将钻削参数和钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；
优化模块503，用于根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数；
第一控制模块504，控制钻削设备按照目标钻削参数执行钻削操作。
在一些实施例中，多指标钻孔质量控制装置500还可以包括：
第二获取模块，用于获取历史钻削操作的历史数据，历史数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标；
构建模块，用于将第一历史钻头磨损值和第一历史钻削参数作为输入量，将N个第一历史钻孔质量指标作为输出量，通过多输出支持向量回归算法，构建第一钻孔质量预测模型；
优化模块，用于基于差分进化算法优化第一钻孔质量预测模型，得到目标钻孔质量预测模型。
在一些实施例中，上述第一获取模块501，可以包括：
获取单元，用于获取历史钻削操作的历史数据；
划分单元，用于基于交叉验证算法划分历史数据，得到训练集数据和测试集数据，训练集数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标，测试集数据包括第二历史钻头磨损值、第二历史钻削参数和N个第二历史钻孔质量指标；
上述优化模块可以包括：
优化单元，用于基于差分进化算法优化第一钻孔质量预测模型，得到第二钻孔质量预测模型；
测试单元，用于将第二历史钻头磨损值和第二历史钻削参数输入至第二钻孔质量预测模型中，得到N个测试钻孔质量指标；
第一确定单元，用于根据N个测试钻孔质量指标和N个第二历史钻孔质量指标，确定钻孔质量指标的测试误差；
第二确认单元，用于在测试误差小于或等于预设误差阈值的情况下，将第二钻孔质量预测模型确定为目标钻孔质量预测模型。
在一些实施例中，上述优化模块503，可以包括：
第三确认单元，用于确定N个预测钻孔质量指标是否满足预设钻孔质量条件；
优化单元，用于在N个预测钻孔质量指标满足预设钻孔质量条件的情况下，根据N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化钻削参数，得到目标钻削参数。
在一些实施例中，多指标钻孔质量控制装置500还可以包括：
第二控制模块，用于在N个预测钻孔质量指标不满足预设钻孔质量条件的情况下，控制钻削设备关闭并发出提示信息，提示信息用于提醒更换钻削设备的钻头。
在一些实施例中，钻削参数可以包括主轴转速、进给速度和退刀速度，N个预测钻孔质量指标可以包括孔径误差、孔位精度、孔壁粗糙度、钉头厚度和毛刺高度。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，与本申请方法实施例基于同一构思，是与上述多指标钻孔质量控制方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6示出了本申请又一个实施例提供的电子设备的硬件结构示意图。
设备可以包括处理器601以及存储有程序或指令的存储器602。
处理器601执行程序时实现上述任意各个方法实施例中的步骤。
示例性的，程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列程序指令段，该指令段用于描述程序在设备中的执行过程。
具体地，上述处理器601可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。
存储器可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的程序或指令，以实现上述实施例中的任意一种方法。
在一个示例中，电子设备还可包括通信接口603和总线610。其中，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的方法，本申请实施例可提供一种可读存储介质来实现。该可读存储介质上存储有程序或指令；该程序或指令被处理器执行时实现上述实施例中的任意一种方法。该可读存储介质可以被如计算机等机器读取。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本申请实施例提供一种计算机程序产品，该程序产品被存储在可读存储介质中，该程序产品被至少一个处理器执行以实现如上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网格被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序或指令实现。这些程序或指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种多指标钻孔质量控制方法，其特征在于，包括：
获取钻削参数和钻头磨损值；
将所述钻削参数和所述钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；
根据所述N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化所述钻削参数，得到目标钻削参数；
控制钻削设备按照所述目标钻削参数执行钻削操作；
构建所述目标钻孔质量预测模型，包括：
获取历史钻削操作的历史数据，所述历史数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标；
将所述第一历史钻头磨损值和所述第一历史钻削参数作为输入量，将所述N个第一历史钻孔质量指标作为输出量，通过多输出支持向量回归算法，构建第一钻孔质量预测模型；
基于差分进化算法优化所述第一钻孔质量预测模型，得到目标钻孔质量预测模型；
所述获取历史钻削操作的历史数据，包括：
获取历史钻削操作的历史数据；
基于交叉验证算法划分所述历史数据，得到训练集数据和测试集数据，所述训练集数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标，所述测试集数据包括第二历史钻头磨损值、第二历史钻削参数和N个第二历史钻孔质量指标；
所述基于差分进化算法优化所述第一钻孔质量预测模型，得到目标钻孔质量预测模型，包括：
基于差分进化算法优化所述第一钻孔质量预测模型，得到第二钻孔质量预测模型；
将所述第二历史钻头磨损值和所述第二历史钻削参数输入至所述第二钻孔质量预测模型中，得到N个测试钻孔质量指标；
根据所述N个测试钻孔质量指标和所述N个第二历史钻孔质量指标，确定钻孔质量指标的测试误差；
在所述测试误差小于或等于预设误差阈值的情况下，将所述第二钻孔质量预测模型确定为目标钻孔质量预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化所述钻削参数，得到目标钻削参数，包括：
确定所述N个预测钻孔质量指标是否满足预设钻孔质量条件；
在所述N个预测钻孔质量指标满足预设钻孔质量条件的情况下，根据所述N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化所述钻削参数，得到目标钻削参数。
3.根据权利要求2所述的方法，其特征在于，所述确定所述N个预测钻孔质量指标是否满足预设钻孔质量条件之后，所述方法还包括：
在所述N个预测钻孔质量指标不满足预设钻孔质量条件的情况下，控制所述钻削设备关闭并发出提示信息，所述提示信息用于提醒更换所述钻削设备的钻头。
4.根据权利要求1所述的方法，其特征在于，所述钻削参数包括主轴转速、进给速度和退刀速度，所述N个预测钻孔质量指标包括孔径误差、孔位精度、孔壁粗糙度、钉头厚度和毛刺高度。
5.一种多指标钻孔质量控制装置，其特征在于，所述装置包括：
第一获取模块，用于获取钻削参数和钻头磨损值；
预测模块，用于将所述钻削参数和所述钻头磨损值输入至预先构建的目标钻孔质量预测模型中，得到N个预测钻孔质量指标，N为大于1的整数；
第一优化模块，用于根据所述N个预测钻孔质量指标和预设的N个目标钻孔质量指标，优化所述钻削参数，得到目标钻削参数；
第一控制模块，控制钻削设备按照所述目标钻削参数执行钻削操作；
所述装置还包括：
第二获取模块，用于获取历史钻削操作的历史数据，所述历史数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标；
构建模块，用于将所述第一历史钻头磨损值和所述第一历史钻削参数作为输入量，将所述N个第一历史钻孔质量指标作为输出量，通过多输出支持向量回归算法，构建第一钻孔质量预测模型；
优化模块，用于基于差分进化算法优化所述第一钻孔质量预测模型，得到目标钻孔质量预测模型；
所述第二获取模块包括：
获取单元，用于获取历史钻削操作的历史数据；
划分单元，用于基于交叉验证算法划分所述历史数据，得到训练集数据和测试集数据，所述训练集数据包括第一历史钻头磨损值、第一历史钻削参数和N个第一历史钻孔质量指标，所述测试集数据包括第二历史钻头磨损值、第二历史钻削参数和N个第二历史钻孔质量指标；
所述优化模块包括：
优化单元，用于基于差分进化算法优化所述第一钻孔质量预测模型，得到第二钻孔质量预测模型；
测试单元，用于将所述第二历史钻头磨损值和所述第二历史钻削参数输入至所述第二钻孔质量预测模型中，得到N个测试钻孔质量指标；
第一确定单元，用于根据所述N个测试钻孔质量指标和所述N个第二历史钻孔质量指标，确定钻孔质量指标的测试误差；
第二确认单元，用于在所述测试误差小于或等于预设误差阈值的情况下，将所述第二钻孔质量预测模型确定为目标钻孔质量预测模型。
6.一种电子设备，其特征在于，所述设备包括：处理器以及存储有程序或指令的存储器；
所述处理器执行所述程序或指令时实现如权利要求1-4任意一项所述的方法。
7.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如权利要求1-4任意一项所述的方法。
8.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-4任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210402354.3A CN114789364B (zh) | 2022-04-18 | 2022-04-18 | 多指标钻孔质量控制方法及其装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210402354.3A CN114789364B (zh) | 2022-04-18 | 2022-04-18 | 多指标钻孔质量控制方法及其装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114789364A CN114789364A (zh) | 2022-07-26 |
| CN114789364B true CN114789364B (zh) | 2023-11-24 |
Family
ID=82462715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210402354.3A Active CN114789364B (zh) | 2022-04-18 | 2022-04-18 | 多指标钻孔质量控制方法及其装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114789364B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115903652B (zh) * | 2022-11-09 | 2023-10-27 | 苏州富邦机械链传动制造有限公司 | 一种用于零件加工的对位冲孔方法及系统 |
| CN116460931B (zh) * | 2023-04-25 | 2023-09-05 | 广州赛志系统科技有限公司 | 机器人智能钻孔方法、终端及板材生产线 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
| CN113724199A (zh) * | 2021-08-02 | 2021-11-30 | 青岛明思为科技有限公司 | 考虑微钻磨损量特征的印制电路板孔壁粗糙度预测方法 |
| CN113886989A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070185696A1 (en) * | 2006-02-06 | 2007-08-09 | Smith International, Inc. | Method of real-time drilling simulation |
| US11066917B2 (en) * | 2018-05-10 | 2021-07-20 | Baker Hughes Holdings Llc | Earth-boring tool rate of penetration and wear prediction system and related methods |
-
2022
- 2022-04-18 CN CN202210402354.3A patent/CN114789364B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
| CN113724199A (zh) * | 2021-08-02 | 2021-11-30 | 青岛明思为科技有限公司 | 考虑微钻磨损量特征的印制电路板孔壁粗糙度预测方法 |
| CN113886989A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114789364A (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114789364B (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
| Shen et al. | Predicting tool wear size across multi-cutting conditions using advanced machine learning techniques | |
| CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
| Jiang et al. | Real-time quality monitoring and predicting model based on error propagation networks for multistage machining processes | |
| Park et al. | A generalized data-driven energy prediction model with uncertainty for a milling machine tool using Gaussian Process | |
| JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
| Asiltürk | Predicting surface roughness of hardened AISI 1040 based on cutting parameters using neural networks and multiple regression | |
| CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
| Denkena et al. | Material identification based on machine-learning algorithms for hybrid workpieces during cylindrical operations | |
| CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
| Zaretalab et al. | A mathematical model for the joint optimization of machining conditions and tool replacement policy with stochastic tool life in the milling process | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| Ouerhani et al. | Data-driven thermal deviation prediction in turning machine-tool-a comparative analysis of machine learning algorithms | |
| Xie et al. | A generic evolutionary ensemble learning framework for surface roughness prediction in manufacturing | |
| US11829124B2 (en) | Method for predicting occurrence of tool processing event and virtual metrology application and computer program product thereof | |
| CN101893430A (zh) | 基于cnc齿轮测量中心的测量异常值处理方法 | |
| CN117113109B (zh) | 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 | |
| CN113811905B (zh) | 用于提供复杂制造系统的关键性能指标的预测的方法和设备 | |
| CN117555287A (zh) | 一种基于cae的数控机床加工动态性能监控方法及系统 | |
| Gokulachandran et al. | Predicting remaining useful life of cutting tools with regression and ANN analysis | |
| Vallejo et al. | Cost-effective supervisory control system in peripheral milling using HSM | |
| CN117034601A (zh) | 一种多工况选矿过程溢流粒度的软测量建模方法 | |
| Ak et al. | Ensemble neural network model for predicting the energy consumption of a milling machine | |
| CN114800036A (zh) | 一种设备健康状态评估方法 | |
| El Ouafi et al. | An ANN based multi-sensor integration approach for in-process monitoring of product quality in turning operations |
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 |