CN115048422A - 一种工艺推荐方法、装置、设备及存储介质 - Google Patents
一种工艺推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115048422A CN115048422A CN202210529679.8A CN202210529679A CN115048422A CN 115048422 A CN115048422 A CN 115048422A CN 202210529679 A CN202210529679 A CN 202210529679A CN 115048422 A CN115048422 A CN 115048422A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- parameters
- machine tool
- optimal
- response
- 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 431
- 230000008569 process Effects 0.000 title claims abstract description 368
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims description 37
- 238000005520 cutting process Methods 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000003754 machining Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Numerical Control (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种工艺推荐方法、装置、设备及存储介质。其中，应用于服务侧的方法包括：接收来自机床侧的工艺推荐请求，所述工艺推荐请求中携带有所述机床侧的若干设备参数；调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应，所述工艺推荐响应中携带有所述若干工艺参数。该方案具有适用场景广泛、推荐参数准确的优点。
Description
技术领域
本发明一个或多个实施例涉及人工智能技术领域，尤其涉及一种工艺推荐方法、装置、设备及存储介质。
背景技术
为了在机床的具体状况、待加工材料的具体特性等各不相同的情况下保持良好的加工效率和加工质量，进行诸如切割、穿孔等加工前往往需要人工调试以得到相应的工艺参数，故而相关技术中，大多在机床出厂前由厂商进行预调试并提供参考文件。
但上述方案中，厂商所提供的参考文件内容有限，如果要得到适应于具体场景更加准确全面的工艺参数，则需联系厂商或技术专家进行再调试，因而将对加工效率和加工成本产生不利影响；另一方面，对人工经验的依赖也限制了所得工艺参数的准确性。
因此，如何高效准确地得到各类工艺参数以保障机床侧的加工效率及加工质量，成为目前亟待解决的技术问题。
发明内容
有鉴于此，本发明一个或多个实施例提供一种工艺推荐方法、装置、设备及存储介质。
为实现上述目的，本发明一个或多个实施例提供的技术方案如下：
根据本发明一个或多个实施例的第一方面，提出了一种工艺推荐方法，所述方法用于服务侧，所述方法包括：
接收来自机床侧的工艺推荐请求；所述工艺推荐请求中携带有所述机床侧的若干设备参数；
调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有所述若干工艺参数。
在一种可选择的实现方式下，在调用当前的最佳推荐模型前，所述方法还包括：
针对所述工艺推荐请求进行身份验证和流量控制；
在身份验证和流量控制通过的情况下，对所述若干设备参数进行数据预处理，后续步骤基于数据预处理后的所述若干设备参数执行。
在一种可选择的实现方式下，在向机床侧返回工艺推荐响应后，所述方法还包括：
接收来自机床侧针对所述工艺推荐响应的反馈并进行数据存储；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
在一种可选择的实现方式下，所述方法还包括：
周期性地调用当前的最佳推荐模型，利用已存储的各次工艺推荐响应以及所述工艺推荐响应的反馈对所述最佳推荐模型进行再训练；
对再训练前的最佳推荐模型和再训练后的最佳推荐模型进行分别评分，在再训练后的最佳推荐模型优于再训练前的最佳推荐模型的情况下，更新再训练后的最佳推荐模型为后续应用的最佳推荐模型。
在一种可选择的实现方式下，所述方法还包括：
周期性地接收来自各个机床侧的工艺记录并进行数据存储；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数；
在对当前的最佳推荐模型进行再训练时，还利用已存储的各个机床侧的工艺记录对所述最佳推荐模型进行再训练。
在一种可选择的实现方式下，所述若干设备参数包括以下参数中的一或多项：
材料类型、材料厚度、机床年限、切割头参数和激光器参数。
在一种可选择的实现方式下，所述若干工艺参数包括切割参数和/或穿孔参数；
其中，所述切割参数包括以下参数中的一或多项：切割速度、切割高度、气体种类、气压、激光器焦点和激光器占空比；
所述穿孔参数包括以下参数中的一或多项：穿孔时间、穿孔类型、气体种类、气压和激光器占空比。
根据本发明一个或多个实施例的第二方面，提出了一种工艺推荐方法，所述方法应用于机床侧，所述方法包括：
获取本次加工的若干设备参数，并向服务侧发送携带有所述若干设备参数的工艺推荐请求，以使所述服务侧调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
接收来自所述服务侧针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应携带有所述若干工艺参数。
在一种可选择的实现方式下，在接收工艺推荐响应后，所述方法还包括：
确定是否采用所述若干工艺参数进行加工，并向所述服务侧发送针对所述工艺推荐响应的反馈；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
在一种可选择的实现方式下，所述方法还包括：
周期性地向所述服务侧发送工艺记录；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数。
根据本发明一个或多个实施例的第三方面，提出了一种工艺推荐装置，所述装置应用于服务侧，所述装置包括请求接收单元、参数推荐单元以及响应返回单元；其中：
所述请求接收单元，用于接收来自机床侧的工艺推荐请求；所述工艺推荐请求中携带有所述机床侧的若干设备参数；
所述参数推荐单元，用于调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
所述响应返回单元，用于向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有所述若干工艺参数。
根据本发明一个或多个实施例的第四方面，提出了一种工艺推荐装置，所述装置应用于机床侧，所述装置包括请求发送单元以及响应接收单元；其中：
所述请求发送单元，用于获取本次加工的若干设备参数，并向服务侧发送携带有所述若干设备参数的工艺推荐请求，以使所述服务侧调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
所述响应接收单元，用于接收来自所述服务侧针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应携带有所述若干工艺参数。
根据本发明一个或多个实施例的第五方面，提出了一种电子设备，包括：
处理器、以及用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令实现上述第一方面或第二方面所述方法中的步骤。
根据本发明一个或多个实施例的第六方面，提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第二当面所述方法中的步骤。
由以上描述可以看出，本发明设有服务侧以智能化方式向机床侧实现工艺推荐，机床侧可基于本次加工的具体设备参数向机床侧请求工艺推荐，服务侧将在接收请求后调用可更新的最佳推荐模型确定对应的工艺参数并响应，机床侧在收到工艺推荐响应后即可得到服务侧针对本次加工所推荐的工艺参数。
该方案能够适应于不同状况下的机床及各类待加工材料，具有适用场景广泛、推荐参数准确的优点，能够有效保障机床侧的加工效率和加工质量，并降低人工成本。
附图说明
图1是一示例性实施例提供的组网架构示意图。
图2是一示例性实施例提供的一种工艺推荐方法的流程图。
图3是一示例性实施例示出的确定工艺参数的方法流程图。
图4是另一示例性实施例示出的一种工艺推荐方法的流程图。
图5是一示例性实施例示出的更新最佳推荐模型的方法流程图。
图6是另一示例性实施例示出的更新最佳推荐模型的方法流程图。
图7是一示例性实施例提供的另一种工艺推荐方法的流程图。
图8是一示例性实施例提供的机床侧与服务侧间实现工艺推荐的交互示意图。
图9是一示例性实施例提供的一种工艺推荐装置所在电子设备的结构示意图。
图10是一示例性实施例提供的一种工艺推荐装置的框图。
图11是一示例性实施例提供的另一种工艺推荐装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本发明示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本发明所描述的更多或更少。此外，本发明中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本发明中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
在激光切割等应用场景下，诸如切割速度、气压等用于实际加工的工艺参数往往需要适应于待加工材料的材料特性以及机床的具体状况进行调整，从而达到更好的加工效率和加工质量。比较常见的，机床厂商一般会在机床出厂前针对一些使用频率较高的材料进行机床的预调试并向用户提供参考文件，机床用户后续可以查阅此参考文件以明确工艺参数。
但是，由于参考文件涉及的材料种类有限，且仅包含少量基础参数，为了得到适应于其他材料的工艺参数或是更为详尽全面的高级参数，机床用户经常需要联系厂商或技术专家进行再调试，因而造成了加工效率的降低和额外的人力成本；另一方面，人工调试得到的工艺参数受到经验影响，有时也存在着不够准确的问题。
因此，如何高效地得到能够适应于不同机床状况和各类材料特性的准确工艺参数，进而保障机床加工的效率及质量，成为目前亟待解决的技术问题。
有鉴于此，本发明提出一种工艺推荐方法，所述方法设有服务侧以智能化方式向机床侧实现工艺推荐；其中，所述服务侧可以为服务器、服务器集群等设备，而所述机床侧则可以为机床或是其他协同机床工作的计算机等设备。
请参考图1，图1所示为本发明一示例性实施例提供的组网架构示意图。
本实施例中，多个机床侧的工艺推荐可以由同一服务侧完成，如图1所示，机床M1至机床Mn均与服务器S进行交互以实现工艺推荐。可以理解的是，此组网架构仅用以示例说明，多个机床侧的工艺推荐也可以分别由不同服务侧完成；例如，机床M1至机床Mn与服务器集群{S1…Sm}可以通过平台P中转交互以实现工艺推荐，任一机床的工艺推荐请求首先达到平台P进行负载均衡，然后被分配至服务器集群中的某一服务器加以处理，而任一服务器的工艺推荐响应同样先到达平台P，然后再转达至目标机床。
请参考图2，图2所示为本发明一示例性实施例提供的一种工艺推荐方法的流程图。
所述工艺推荐方法应用于服务侧，可以包括如下具体步骤：
步骤202，接收来自机床侧的工艺推荐请求；所述工艺推荐请求中携带有所述机床侧的若干设备参数。
本实施例中，首先，可以由服务侧接收来自机床侧的工艺推荐请求。在各机床用户统一使用服务侧提供的工艺推荐服务的情况下，所述工艺推荐请求可以来自任一机床；而在各机床用户自行选择是否使用所述工艺推荐服务的情况下，所述工艺推荐请求则来自选择使用所述工艺推荐服务的任一机床，未使用所述工艺推荐服务的机床将不会向服务侧发送工艺推荐请求。
来自各机床侧的工艺推荐请求具体基于何种协议发送、以及具体采用何种数据格式实现不做限制，但所述工艺推荐请求中携带有机床侧针对本次加工所获取的若干设备参数。
所述设备参数一般为能够表征机床状态和材料特性的参数；举例来说，所述若干设备参数可以包括以下参数中的一或多项：材料类型、材料厚度、机床年限、切割头参数和激光器参数。可以理解的是，此处仅示出了可能涉及到的设备参数中的一部分，工艺推荐请求中所携带的若干设备参数可以视实际应用场景进行设置，具体不做限制。
要说明的是，所述若干设备参数与机床侧当前的机床状态以及本次待加工材料的材料特性等相关联，不同机床发送的设备参数可以不同，同一机床本次加工发送的设备参数与下次加工发送的设备参数也可以不同。
步骤204，调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数。
本实施例中，服务侧在接收到机床侧发送的工艺推荐请求后，可以调用已训练模型以智能化方式确定待推荐的若干工艺参数，具体地，所述服务侧可以基于所述工艺推荐请求中所携带的若干设备参数确定模型入参，然后由当前已训练的最佳推荐模型的输出结果确定所述若干工艺参数。
一种情况下，当前的最佳推荐模型可以是唯一的，即，服务侧同一时刻收到的多个工艺推荐请求均采用同一推荐模型加以处理；而另一情况下，当前的最佳推荐模型也可以是不唯一的，所述服务侧可以基于接收到的设备参数，从多个模型中选择调用某一特定的推荐模型，举例来说，所述服务侧可以基于机床功率的大小，从不同类型的模型中选择与之对应的推荐模型加以应用。
所述最佳推荐模型存在多种可选择的实现算法，包括但不限于：多元回归、主成分分析、聚类分析、深度神经网络。要说明的是，基于模型输出结果确定所述若干工艺参数的具体方式应适应于模型实现算法，以神经网络实现最佳推荐模型为例，利用已接收的若干设备参数及已训练模型的权重矩阵可以计算出对应的若干工艺参数。
而所述最佳推荐模型的具体训练过程，同样适应于模型实现算法，可以是有监督的，也可以是无监督的，训练所采用的样本数据既可以来自机床厂商，也可以来自实际加工历史。
请参考图3，图3所示为本发明一示例性实施例示出的确定工艺参数的方法流程图。
在一种可选择的实现方式下，为了保障服务侧能够安全高效地处理各机床侧的工艺推荐请求，所述服务侧在调用当前的最佳推荐模型前可以对工艺推荐请求进行削峰和鉴权，该实现方式下，步骤204可以包括：
步骤2042，针对所述工艺推荐请求进行身份验证和流量控制；
步骤2044，在身份验证和流量控制通过的情况下，对所述若干设备参数进行数据预处理；
步骤2046，调用当前的最佳推荐模型，基于数据预处理后的所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数。
为了避免服务器处理来自未授权机床的工艺推荐请求、以及过多机床的工艺推荐请求同时涌入造成服务器宕机等情况的发生，在接收到来自机床侧的工艺推荐请求后，所述服务侧可以先基于所述工艺推荐请求对所述机床侧进行身份认证和流量控制，具体地，所述服务侧可以基于所述工艺推荐请求确定所述机床侧诸如IP、ID等信息，进而对所述机床侧进行身份认证，和/或安排消息队列缓冲所述机床侧的工艺推荐请求。可以理解的是，服务侧也可以仅进行身份认证及流量控制中的任一项，或是不进行身份认证及流量控制而直接调用模型。
在身份验证和流量控制均通过的情况下，所述服务侧可以处理所述机床侧的本次工艺推荐请求，例如，对所述工艺推荐请求中所携带的若干设备参数进行诸如异常过滤、缺失处理、数据标准化等数据预处理，然后，调用当前的最佳推荐模型，将数据预处理后的所述若干设备参数作为入参输入所述最佳推荐模型，并基于所述最佳推荐模型的输出结果确定若干工艺参数。
步骤206，向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有若干工艺参数。
本实施例中，服务侧在调用当前最佳推荐模型确定若干工艺参数后，可以向发送工艺推荐请求的机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应具体基于何种协议返回、以及具体采用何种数据格式实现不做限制，但所述工艺推荐响应中携带有所述若干工艺参数。
所述工艺参数一般为机床侧实现加工所需明确的参数，举例来说，所述工艺参数可以包括切割参数和/或穿孔参数；其中，所述切割参数包括以下参数中的一或多项：切割速度、切割高度、气体种类、气压、激光器焦点、激光器占空比；而所述穿孔参数包括以下参数中的一或多项：穿孔时间、穿孔类型、气体种类、气压、激光器占空比。可以理解的是，此处仅示出了可能涉及到的工艺参数中的一部分，工艺推荐响应中所携带的若干工艺参数可以视实际应用场景进行设置，具体不做限制。
要说明的是，工艺推荐响应中携带的工艺参数与工艺推荐请求中携带的设备参数具有对应关系，针对不同工艺推荐请求返回的工艺参数可以不同。
请参考图4，图4所示为本发明另一示例性实施例示出的一种工艺推荐方法的流程图。
在一种可选择的实现方式下，服务侧后续可以利用机床侧实际是否采用其所推荐的工艺参数的反馈数据对原有的最佳推荐模型进行更新，在步骤206向机床侧返回工艺推荐响应后，所述工艺推荐方法还可以包括：
步骤208，接收来自机床侧针对所述工艺推荐响应的反馈并进行数据存储；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
本实施例中，机床用户可以自行选择是否在本次加工中采用服务侧推荐的若干工艺参数，所述服务侧在向所述机床侧返回工艺推荐响应后，还可以接收所述机床侧针对所述工艺推荐响应的反馈并进行数据存储，所述数据存储可以在服务侧本地实现，也可以与第三方数据库交互实现，后续所述服务侧可以利用存储的反馈数据对原有的最佳推荐模型进行优化更新。
所述针对工艺推荐响应的反馈，可以携带本次加工中机床用户实际是否采用所述服务侧所推荐的若干工艺参数的结果，并在机床用户实际未采用所述服务侧推荐的若干工艺参数的情况下，进一步包括所述机床侧针对所述若干设备参数最终实际采用的若干工艺参数；而所述反馈具体基于何种协议发送、以及具体采用何种数据格式实现则不做限制。
由以上描述可以看出，本发明设有服务侧以智能化方式向机床侧实现工艺推荐，机床侧可基于本次加工的具体设备参数向机床侧请求工艺推荐，服务侧将在接收请求后调用可更新的最佳推荐模型确定对应的工艺参数并响应，机床侧在收到工艺推荐响应后即可得到服务侧针对本次加工所推荐的工艺参数。
该方案能够适应于不同状况下的机床及各类待加工材料，具有适用场景广泛、推荐参数准确的优点，能够有效保障机床侧的加工效率和加工质量，并降低人工成本。
要说明的是，本发明中用于确定待推荐的若干工艺参数的最佳推荐模型为可更新模型，从而通过及时更新优化原有的最佳推荐模型达到更好的推荐效果，下面就最佳推荐模型的更新过程做进一步的详细说明。
所述最佳推荐模型的更新，包括：其一，服务侧可以利用最新存储的数据对原有的最佳推荐模型进行再训练，然后，将再训练后的模型更新为新的最佳推荐模型；其二，服务侧也可以利用最新存储的数据对其他算法更优的模型进行训练，然后，将训练后的其他算法更优的模型更新为新的最佳推荐模型。
所述服务侧对所述最佳推荐模型的更新可以周期性地进行，也可以按数据量进行，举例来说，所述服务侧可以每月更新所述最佳推荐模型，也可以在存储数据每新增10000条时更新所述最佳推荐模型，具体地，可以通过设置数据拉取标识位实现。
请参考图5，图5所示为本发明一示例性实施例示出的更新最佳推荐模型的方法流程图。
在一种可选择的实现方式下，所述服务侧利用各机床侧实际是否采用其所推荐的工艺参数的反馈数据对原有的最佳推荐模型进行更新，其更新过程可以包括：
步骤A02，周期性地调用当前的最佳推荐模型，利用已存储的各次工艺推荐响应以及所述工艺推荐响应的反馈对所述最佳推荐模型进行再训练；
步骤A04，对再训练前的最佳推荐模型和再训练后的最佳推荐模型进行分别评分，在再训练后的最佳推荐模型优于再训练前的最佳推荐模型的情况下，更新再训练后的最佳推荐模型为后续应用的最佳推荐模型。
本实施例中，服务侧以同类型模型的周期性再训练作为模型更新优化的方式，具体地，在预设的更新周期到达后，所述服务侧可以拉取当前的最佳推荐模型，并利用已存储的各机床侧针对各次工艺推荐响应的反馈对当前的最佳推荐模型进行再训练。
完成再训练后，所述服务侧可以对再训练后的最佳推荐模型进行评分，并与再训练前原有的最佳推荐模型的评分进行比较，若再训练后的最佳推荐模型的评分高于原有模型，则将再训练后的模型更新为后续应用的最佳推荐模型，下一周期内接收到的工艺推荐请求采用再训练后的模型加以处理。
而对最佳推荐模型的评分可以基于误差等指标进行设计，具体不做赘述。
可以理解的是，所述服务侧也可以按数据量进行更新，或利用机床侧针对工艺推荐响应的反馈训练不同类型的模型并评分，确定其中算法最优的模型为后续应用的最佳推荐模型。
请参考图6，图6所示为本发明另一示例性实施例示出的更新最佳推荐模型的方法流程图。
在另一种可选择的实现方式下，所述服务侧还可以利用各机床侧每次加工中的设备参数及实际采用的工艺参数对原有的最佳推荐模型进行更新，其更新过程可以包括：
步骤B02，周期性地接收来自各个机床侧的工艺记录并进行数据存储；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数；
步骤B04，周期性地调用当前的最佳推荐模型，利用已存储的各个机床侧的工艺记录对所述最佳推荐模型进行再训练；
步骤B06，对再训练前的最佳推荐模型和再训练后的最佳推荐模型进行分别评分，在再训练后的最佳推荐模型优于再训练前的最佳推荐模型的情况下，更新再训练后的最佳推荐模型为后续应用的最佳推荐模型。
本实施例中，服务侧还可以周期性地利用已存储的各机床侧的工艺记录对当前的最佳推荐模型进行再训练、评分及更新，而所述服务侧接收各机床侧的工艺记录的周期与其更新最佳推荐模型的周期可以一致，也可以不一致。
所述服务侧接收的工艺记录可以为使用服务侧所提供工艺推荐服务的各个机床侧的数据记录，也可以进一步包括其他未使用所述工艺推荐服务的各个机床侧的数据记录；而任一机床侧的工艺记录则可以包括所述机床侧在多次加工中的设备参数和工艺参数，每次加工中的若干设备参数以及实际采用的若干工艺参数具有对应关系。
可以理解的是，所述服务侧也可以按数据量进行更新，或利用各个机床侧的工艺记录训练不同类型的模型并评分，确定其中算法最优的模型为后续应用的最佳推荐模型。
要说明的是，上述两种更新最佳推荐模型的实现方式，可以仅执行其中任一种，也可以两种均予以执行；在两种均予以执行的情况下，可以分别独立执行，也可以结合执行。
具体地，一个例子中，服务侧可以在一次再训练过程中，先利用使用了工艺推荐服务的各机床侧的反馈数据对当前拉取到的最佳推荐模型进行一次训练，然后利用所有机床侧的工艺记录对一次训练后的最佳推荐模型进行二次训练，然后进行模型评分及更新；另一个例子中，服务侧也可以基于不同的更新周期，分别利用反馈数据和工艺记录对最佳推荐模型进行相互独立的再训练、评分及更新。
与上述由服务侧执行的工艺推荐方法对应地，本发明还提供由服务侧执行的工艺推荐方法。
请参考图7，图7所示为本发明一示例性实施例提供的另一种工艺推荐方法的流程图。
所述工艺推荐方法应用于机床侧，可以包括如下具体步骤：
步骤702，获取本次加工的若干设备参数，并向服务侧发送携带有所述若干设备参数的工艺推荐请求，以使所述服务侧调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
步骤704，接收来自所述服务侧针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有若干工艺参数。
本实施例中，针对任一使用服务侧所提供的工艺推荐服务的机床用户，其机床侧首先可以获取本次加工中的若干设备参数，并向所述服务侧发送携带有所述若干设备参数的工艺推荐请求，等待所述服务侧调用最佳推荐模型确定适应于所述若干设备参数的若干工艺参数后，接收所述服务侧返回的携带有所述若干工艺参数的工艺推荐响应。
在一种可选择的实现方式下，机床侧可以向服务侧发送其是否采用所述服务侧推荐的工艺参数的反馈数据，以供所述服务侧对原有的最佳推荐模型进行更新，在步骤704接收服务侧返回的工艺推荐响应后，所述工艺推荐方法还可以包括：
步骤706，确定是否采用所述若干工艺参数进行加工，并向所述服务侧发送针对所述工艺推荐响应的反馈；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
在一种可选择的实现方式下，机床侧可以周期性地向服务侧发送工艺记录，以供所述服务侧对原有的最佳推荐模型进行更新，所述工艺推荐方法还包括：
周期性地向所述服务侧发送工艺记录；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数。
要说明的是，在机床侧使用服务侧提供的工艺推荐服务的情况下，所述机床侧可以向所述服务侧发送工艺推荐请求，而无论机床侧使用所述工艺推荐服务与否，所述机床侧均可以向所述服务侧上传工艺记录。
由以上描述可以看出，本发明设有服务侧以智能化方式向机床侧实现工艺推荐，机床侧可基于本次加工的具体设备参数向机床侧请求工艺推荐，服务侧将在接收请求后调用可更新的最佳推荐模型确定对应的工艺参数并响应，机床侧在收到工艺推荐响应后即可得到服务侧针对本次加工所推荐的工艺参数。
该方案能够适应于不同状况下的机床及各类待加工材料，具有适用场景广泛、推荐参数准确的优点，能够有效保障机床侧的加工效率和加工质量，并降低人工成本。
为了使本领域技术人员能够更好地理解本发明的技术方案，下面以图1所示的组网架构为例，假设机床M1使用服务器S提供的工艺推荐服务并与服务器S交互实现一次工艺推荐，而机床M2则未使用所述工艺推荐服务。
请参考图8，图8所示为本发明一示例性实施例提供的机床侧与服务侧间实现工艺推荐的交互示意图。
所述机床侧与服务侧之间的工艺推荐过程，可以包括如下具体步骤：
步骤801，机床M1获取本次加工中的设备参数，包括材料类型tm1、材料厚度w1、机床年限y1以及切割头参数k1，并向服务器S发送携带有上述设备参数的工艺推荐请求Q1。
步骤802，服务器S接收到来自机床M1的工艺推荐请求Q1后，基于工艺推荐请求Q1确定M1为授权使用工艺推荐服务的合法用户并完成缓冲；然后，对工艺推荐请求Q1携带的设备参数进行数据归一化，得到材料类型
材料厚度
机床年限
以及切割头参数
调用当前的最佳推荐模型D1，将材料类型
材料厚度
机床年限
以及切割头参数
作为入参输入最佳推荐模型D1，由最佳推荐模型D1的输出结果最终确定本次加工待推荐的工艺参数，包括切割速度s1、切割高度h1、气体种类tg1以及气压p1。
步骤803，服务器S向机床M1返回针对工艺推荐请求Q1的工艺推荐响应A1，工艺推荐响应A1携带有上述工艺参数：切割速度s1、切割高度h1、气体种类tg1以及气压p1。
步骤804，机床M1接收到来自服务器S的工艺推荐响应A1后，确定采用工艺推荐响应A1携带的工艺参数，并向服务器S发送针对工艺推荐响应A1的反馈F1，反馈F1携带有机床M1采用工艺推荐响应A1的结果。
步骤805，服务器S接收来自机床M1针对工艺推荐响应A1的反馈F1并进行数据存储。
步骤806，服务器S基于工艺记录的上传周期Cr，接收来自机床M1的工艺记录R1以及来自机床M2的工艺记录R2并进行数据存储。
步骤807，服务器基于推荐模型的更新周期Cu，利用包括反馈F1在内的反馈数据、以及包括工艺记录R1和R2在内的工艺记录数据，对当前的最佳推荐模型D进行再训练和评分，确定再训练后的最佳推荐模型D2评分高于再训练前原有的最佳推荐模型D1的评分，更新应用最佳推荐模型D2处理后续请求。
请参考图9，图9所示为本发明一示例性实施例提供的一种工艺推荐装置所在电子设备的结构示意图。在硬件层面，所述电子设备包括处理器902、内部总线904、网络接口906、内存908以及非易失性存储器910，当然还可能包括其他业务所需要的硬件。本发明一个或多个实施例可以基于软件方式来实现，比如由处理器902从非易失性存储器910中读取对应的计算机程序到内存908中然后运行。当然，除了软件实现方式之外，本发明一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
请参考图10，图10所示为本发明一示例性实施例提供的一种工艺推荐装置，所述工艺推荐装置可以应用于如图9所示的电子设备中，以实现本发明的技术方案。所述工艺推荐装置应用于服务侧，包括请求接收单元1010、参数推荐单元1020以及响应返回单元1030；其中：
所述请求接收单元1010，用于接收来自机床侧的工艺推荐请求；所述工艺推荐请求中携带有所述机床侧的若干设备参数；
所述参数推荐单元1020，用于调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
所述响应返回单元1030，用于向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有若干工艺参数。
可选择地，所述参数推荐单元1020，在调用当前的最佳推荐模型前，还用于：
针对所述工艺推荐请求进行身份验证和流量控制；
在身份验证和流量控制通过的情况下，对所述若干设备参数进行数据预处理，后续步骤基于数据预处理后的所述若干设备参数执行。
可选择地，所述工艺推荐装置还包括数据存储单元1040：
所述数据存储单元1040，用于在向机床侧响应工艺推荐响应后，接收来自机床侧针对所述工艺推荐响应的反馈并进行数据存储；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
可选择地，所述工艺推荐装置还包括模型更新单元1050：
所述模型更新单元1050，用于周期性地调用当前的最佳推荐模型，利用已存储的各次工艺推荐响应以及所述工艺推荐响应的反馈对所述最佳推荐模型进行再训练；
对再训练前的最佳推荐模型和再训练后的最佳推荐模型进行分别评分，在再训练后的最佳推荐模型优于再训练前的最佳推荐模型的情况下，更新再训练后的最佳推荐模型为后续应用的最佳推荐模型。
可选择地，所述数据存储单元1040，还用于：
周期性地接收来自各个机床侧的工艺记录并进行数据存储；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数；
所述模型更新单元1050，还用于：
在对当前的最佳推荐模型进行再训练时，还利用已存储的各个机床侧的工艺记录对所述最佳推荐模型进行再训练。
可选择地，所述若干设备参数包括以下参数中的一或多项：
材料类型、材料厚度、机床年限、切割头参数和激光器参数。
可选择地，所述若干工艺参数包括切割参数和/或穿孔参数；
其中，所述切割参数包括以下参数中的一或多项：切割速度、切割高度、气体种类、气压、激光器焦点和激光器占空比；
所述穿孔参数包括以下参数中的一或多项：穿孔时间、穿孔类型、气体种类、气压和激光器占空比。
请参考图11，图11所示为本发明一示例性实施例提供的另一种工艺推荐装置，所述工艺推荐装置可以应用于如图9所示的电子设备中，以实现本发明的技术方案。其中，所述工艺推荐装置应用于机床侧，包括请求发送单元1110以及响应接收单元1120；其中：
所述请求发送单元1110，用于获取本次加工的若干设备参数，并向服务侧发送携带有所述若干设备参数的工艺推荐请求，以使所述服务侧调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
所述响应接收单元1120，用于接收来自所述服务侧针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有若干工艺参数。
可选择地，所述工艺推荐装置还包括反馈发送单元1130：
所述反馈发送单元1130，用于在接收工艺推荐响应后，确定是否采用所述若干工艺参数进行加工，并向所述服务侧发送针对所述工艺推荐响应的反馈；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
可选择地，所述工艺推荐装置还包括记录发送单元1140：
所述记录发送单元1140，用于周期性地向所述服务侧发送工艺记录；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本发明一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在…时”或“当…时”或“响应于确定”。
以上所述仅为本发明一个或多个实施例的较佳实施例而已，并不用以限制本发明一个或多个实施例，凡在本发明一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明一个或多个实施例保护的范围之内。
Claims (14)
1.一种工艺推荐方法，其特征在于，所述方法应用于服务侧，所述方法包括：
接收来自机床侧的工艺推荐请求；所述工艺推荐请求中携带有所述机床侧的若干设备参数；
调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有所述若干工艺参数。
2.根据权利要求1所述的方法，其特征在于，在调用当前的最佳推荐模型前，所述方法还包括：
针对所述工艺推荐请求进行身份验证和流量控制；
在身份验证和流量控制通过的情况下，对所述若干设备参数进行数据预处理，后续步骤基于数据预处理后的所述若干设备参数执行。
3.根据权利要求1所述的方法，其特征在于，在向机床侧返回工艺推荐响应后，所述方法还包括：
接收来自机床侧针对所述工艺推荐响应的反馈并进行数据存储；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
周期性地调用当前的最佳推荐模型，利用已存储的各次工艺推荐响应以及所述工艺推荐响应的反馈对所述最佳推荐模型进行再训练；
对再训练前的最佳推荐模型和再训练后的最佳推荐模型进行分别评分，在再训练后的最佳推荐模型优于再训练前的最佳推荐模型的情况下，更新再训练后的最佳推荐模型为后续应用的最佳推荐模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
周期性地接收来自各个机床侧的工艺记录并进行数据存储；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数；
在对当前的最佳推荐模型进行再训练时，还利用已存储的各个机床侧的工艺记录对所述最佳推荐模型进行再训练。
6.根据权利要求1所述的方法，其特征在于，所述若干设备参数包括以下参数中的一或多项：
材料类型、材料厚度、机床年限、切割头参数和激光器参数。
7.根据权利要求1所述的方法，其特征在于，所述若干工艺参数包括切割参数和/或穿孔参数；
其中，所述切割参数包括以下参数中的一或多项：切割速度、切割高度、气体种类、气压、激光器焦点和激光器占空比；
所述穿孔参数包括以下参数中的一或多项：穿孔时间、穿孔类型、气体种类、气压和激光器占空比。
8.一种工艺推荐方法，其特征在于，所述方法应用于机床侧，所述方法包括：
获取本次加工的若干设备参数，并向服务侧发送携带有所述若干设备参数的工艺推荐请求，以使所述服务侧调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
接收来自所述服务侧针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有所述若干工艺参数。
9.根据权利要求8所述的方法，其特征在于，在接收工艺推荐响应后，所述方法还包括：
确定是否采用所述若干工艺参数进行加工，并向所述服务侧发送针对所述工艺推荐响应的反馈；所述针对所述工艺推荐响应的反馈中携带有所述机床侧是否采用所述工艺推荐响应的结果，和/或所述机床侧针对所述若干设备参数实际采用的若干工艺参数。
10.根据权利要求8所述的方法，其特征在于，所述方法还包括：
周期性地向所述服务侧发送工艺记录；所述工艺记录包括所述机床侧针对多组不同的设备参数所实际采用的多组工艺参数。
11.一种工艺推荐装置，其特征在于，所述装置应用于服务侧，所述装置包括请求接收单元、参数推荐单元以及响应返回单元；其中：
所述请求接收单元，用于接收来自机床侧的工艺推荐请求；所述工艺推荐请求中携带有所述机床侧的若干设备参数；
所述参数推荐单元，用于调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
所述响应返回单元，用于向所述机床侧返回针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有所述若干工艺参数。
12.一种工艺推荐装置，其特征在于，所述装置应用于机床侧，所述装置包括请求发送单元以及响应接收单元；其中：
所述请求发送单元，用于获取本次加工的若干设备参数，并向服务侧发送携带有所述若干设备参数的工艺推荐请求，以使所述服务侧调用当前的最佳推荐模型，基于所述若干设备参数，由所述最佳推荐模型的输出结果确定若干工艺参数；
所述响应接收单元，用于接收来自所述服务侧针对所述工艺推荐请求的工艺推荐响应；所述工艺推荐响应中携带有所述若干工艺参数。
13.一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令实现权利要求1-10中任一项所述方法中的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210529679.8A CN115048422A (zh) | 2022-05-16 | 2022-05-16 | 一种工艺推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210529679.8A CN115048422A (zh) | 2022-05-16 | 2022-05-16 | 一种工艺推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115048422A true CN115048422A (zh) | 2022-09-13 |
Family
ID=83158085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210529679.8A Pending CN115048422A (zh) | 2022-05-16 | 2022-05-16 | 一种工艺推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048422A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010146537A (ja) * | 2008-12-19 | 2010-07-01 | Nasada:Kk | 人工知能化した加工支援監視方法と人工知能化した加工支援監視システム |
| CN106776712A (zh) * | 2016-11-15 | 2017-05-31 | 沈阳机床(集团)有限责任公司 | 基于i5智能数控车床的车削工艺数据库及其应用方法 |
| CN111352398A (zh) * | 2020-02-28 | 2020-06-30 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 智能精密加工单元 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN111625918A (zh) * | 2019-02-27 | 2020-09-04 | 阿里巴巴集团控股有限公司 | 一种工艺参数推荐方法、装置及电子设备 |
| CN111633469A (zh) * | 2020-06-11 | 2020-09-08 | 深圳市彼络科技有限公司 | 一种基于强化学习的自动刀具补偿方法 |
| CN112859754A (zh) * | 2019-11-28 | 2021-05-28 | 智能云科信息科技有限公司 | 机床加工控制方法、装置、存储介质、边缘设备及服务器 |
| 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 |
| CN114417739A (zh) * | 2022-03-29 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
-
2022
- 2022-05-16 CN CN202210529679.8A patent/CN115048422A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010146537A (ja) * | 2008-12-19 | 2010-07-01 | Nasada:Kk | 人工知能化した加工支援監視方法と人工知能化した加工支援監視システム |
| CN106776712A (zh) * | 2016-11-15 | 2017-05-31 | 沈阳机床(集团)有限责任公司 | 基于i5智能数控车床的车削工艺数据库及其应用方法 |
| CN111625918A (zh) * | 2019-02-27 | 2020-09-04 | 阿里巴巴集团控股有限公司 | 一种工艺参数推荐方法、装置及电子设备 |
| CN112859754A (zh) * | 2019-11-28 | 2021-05-28 | 智能云科信息科技有限公司 | 机床加工控制方法、装置、存储介质、边缘设备及服务器 |
| CN111352398A (zh) * | 2020-02-28 | 2020-06-30 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 智能精密加工单元 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN111633469A (zh) * | 2020-06-11 | 2020-09-08 | 深圳市彼络科技有限公司 | 一种基于强化学习的自动刀具补偿方法 |
| 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 |
| CN114417739A (zh) * | 2022-03-29 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 牛中伟;谢强;黄卫东;: "基于领域本体的高性能加工工艺参数推荐方法", 计算机工程, no. 1, 15 December 2011 (2011-12-15), pages 291 - 293 * |
| 邓佳佶: "数智化转型人工智能的金融实践", vol. 2022, 30 April 2022, 中国科学技术出版社, pages: 52 - 60 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108920654B (zh) | 一种问答文本语义匹配的方法和装置 | |
| CN107545889B (zh) | 适用于模式识别的模型的优化方法、装置及终端设备 | |
| US20150278706A1 (en) | Method, Predictive Analytics System, and Computer Program Product for Performing Online and Offline Learning | |
| US20150170053A1 (en) | Personalized machine learning models | |
| EP4053716A1 (en) | Information recommendation method, apparatus, recommendation server and storage medium | |
| CN112883257B (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
| CN109766422A (zh) | 信息处理方法、装置及系统、存储介质、终端 | |
| CN111582341A (zh) | 用户异常操作预测方法及装置 | |
| CN111611228B (zh) | 一种基于分布式数据库的负载均衡调整方法及装置 | |
| CN110928941B (zh) | 一种数据分片抽取方法及装置 | |
| CN115048422A (zh) | 一种工艺推荐方法、装置、设备及存储介质 | |
| CN115442262B (zh) | 一种资源评估方法、装置、电子设备及存储介质 | |
| CN110413750A (zh) | 根据用户问句召回标准问句的方法和装置 | |
| CN115883391A (zh) | 单用户服务选择方法及装置 | |
| CN111428886B (zh) | 一种故障诊断的深度学习模型自适应更新的方法及装置 | |
| CN114638998A (zh) | 模型更新方法、装置、系统及设备 | |
| CN113296951A (zh) | 一种资源配置方案确定方法及设备 | |
| CN103856535A (zh) | 一种获取用户数据的方法和装置 | |
| CN110597849B (zh) | 数据查询方法及装置 | |
| CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
| CN117194991B (zh) | 基于gpu集群的高维数据推荐系统及方法 | |
| CN113794900B (zh) | 视频处理方法和装置 | |
| CN114327294B (zh) | 一种用于多级存储的数据读取系统 | |
| CN115658454B (zh) | 应用于深度学习的电商信息处理方法及人工智能系统 | |
| CN111881217B (zh) | 一种基于区块链智能合约的工业数据处理方法及系统 |
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 |