CN115146875A - 基于历史数据的工艺参数推荐方法、设备、系统及介质 - Google Patents
基于历史数据的工艺参数推荐方法、设备、系统及介质 Download PDFInfo
- Publication number
- CN115146875A CN115146875A CN202211067802.5A CN202211067802A CN115146875A CN 115146875 A CN115146875 A CN 115146875A CN 202211067802 A CN202211067802 A CN 202211067802A CN 115146875 A CN115146875 A CN 115146875A
- Authority
- CN
- China
- Prior art keywords
- process parameters
- historical data
- regression model
- material attributes
- historical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 269
- 239000000463 material Substances 0.000 claims abstract description 175
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001746 injection moulding Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于历史数据的工艺参数推荐方法、设备、系统及介质。在一具体实施方式中,所述方法包括:基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数;以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数。本发明实施例的推荐方法,在基于历史数据进行工艺参数推荐的基础上,能够不断优化和更新,从而确定与实际加工中最契合的局部最优工艺参数,利用该方法确定的局部最优工艺参数过程简单、精度高,有效提高生产效率,降低工艺成本。
Description
技术领域
本发明涉及工艺参数推荐领域。更具体地,涉及一种基于历史数据的工艺参数推荐方法、设备、系统及介质。
背景技术
在工艺生产中,由于不同批次的物料的属性存在差异,往往需要工艺人员根据生产经验对工艺参数进行调整,根据每次尝试产出的产品再去纠正所选择的工艺参数,直至产出合格品。该过程严重依赖于工艺人员的经验水平,且往往会造成财力、物力的浪费以及时间成本的增加。
相关技术中,CN112434391A公开了一种基于注塑件相似度比较推荐工艺参数的方法,包括:获取注塑件的物料清单及历史工艺参数集合;进行注塑件待比较维度的初步影响权重排序;根据排序进行历史注塑件与新注塑件的多维度的相似度比较;从历史注塑件集合中筛选与新注塑件最相似的若干最近似的历史注塑件,并计算作为推荐结果的新注塑件的工艺参数集合。该发明减少了对工艺人员经验水平的依赖程度,一定程度上节省了财力、物力及时间成本。
CN112434391A所采用的方案是基于近似历史注塑件的设定参数推荐新注塑件的工艺参数设置,找出3个最近似的历史注塑件的设定参数,计算近似系数,并基于近似系数得到推荐结果,然而尽管该方案综合考虑了多个历史数据,但得到的推荐结果并不是最优的方案。进一步,即便工艺人员可以以此为基础人为对工艺参数进行调节,但也未必能达到最优的方案,尤其是在存在大量工艺参数的情况下。
发明内容
本发明的目的在于提供一种基于历史数据的工艺参数推荐方法、设备、系统及介质,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供了一种基于历史数据的工艺参数推荐方法,所述方法包括:
基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数;
以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数。
进一步的,所述历史数据包括:物料属性、工艺参数、检测结果数据以及辅助记录数据,其中,所述工艺参数为使用对应的物料属性的物料进行加工且检测结果为合格时的生产参数。
进一步的,所述方法还包括:
基于所述映射关系的历史数据,构建并训练回归模型,其中所述回归模型包含物料属性、工艺参数和测量结果的对应关系;
所述物料属性为训练所述回归模型时的第一输入;
所述工艺参数为训练所述回归模型时的第二输入。
进一步的,所述基于所述映射关系的历史数据,构建并训练回归模型,包括:
将所述基于所述映射关系的历史数据进行多次拆分得到不同的训练集和测试集,每次拆分得到的训练集中的历史数据中存在相同的历史数据,每次拆分得到的测试集中的历史数据存在相同的历史数据;
利用所述训练集训练构建的回归模型,并利用测试集测试所述构建的回归模型。
进一步的,所述基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数,包括:
基于所述物料属性的维度,并根据所述维度对应的所述历史数据构建物料多维度空间;
在所述物料多维度空间中检索与所述当前物料属性的相似度最大的历史物料属性;
基于所述映射关系以所述历史物料属性对应的历史数据中的工艺参数作为推荐工艺参数。
进一步的,在所述检索关于物料属性与工艺参数的映射关系的历史数据之前,所述方法还包括:
将生产后的合格产品的物料属性和所述物料属性对应的工艺参数的映射关系存入数据库作为历史数据;
或者
所述方法还包括:
利用所述局部最优工艺参数和所述当前的物料属性更新所述历史数据。
进一步的,所述以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数,包括:
根据所述回归模型确定不同种类的工艺参数对测量结果的影响权重;
根据所述影响权重对所述工艺参数进行调整并将调整后的工艺参数输入所述回归模型直到所述回归模型的输出满足所述期望测量结果,以所述期望测量结果对应的工艺参数为局部最优工艺参数。
本发明第二方面提供了一种计算机可读存储介质,该程序被处理器执行时实现本发明第一方面提供的方法。
本发明第三方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明第一方面提供的方法。
本发明第四方面提供了一种工艺参数推荐系统,包括
本发明第三方面的一种计算机设备;以及
对所述物料进行加工的工艺设备。
本发明的有益效果如下:
本发明实施例的方法,先通过当前的物料属性确定历史数据中与当前物料属性最接近的推荐工艺参数,再以该推荐工艺参数为寻优起点,输入到训练的回归模型从而得到既符合当前物料属性、又满足工艺要求的局部最优工艺参数,本发明实施例的推荐方法,在基于历史数据进行工艺参数推荐的基础上,利用回归模型能够不断优化和更新,从而确定与实际加工中最契合的局部最优工艺参数,利用该方法确定的局部最优工艺参数过程简单、精度高,有效提高生产效率,降低工艺成本。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明一个实施例的工艺参数推荐方法的流程示意图;
图2示出本发明另一个实施例的工艺参数推荐方法的流程示意图;
图3示出本发明实施例的以数据表形式存储的历史数据的示意图;
图4示出本发明实施例的步骤S21的流程示意图;
图5示出本发明实施例的步骤S3的流程示意图;
图6示出本发明实施例的步骤S4的流程示意图;
图7示出本发明实施例的不同工艺参数的影响权重示意图;
图8示出本发明另一个实施例的工艺参数推荐方法的流程示意图;
图9示出本发明的另一个实施例的种计算机设备的架构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明第一个实施例提出一种基于历史数据的工艺参数推荐方法,包括:
S3、基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数;
S4、以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数。
本发明实施例的方法,先通过当前的物料属性确定历史数据中的最接近的推荐工艺参数,再以该推荐工艺参数为寻优起点,输入到训练的回归模型从而得到既符合当前物料属性、又满足工艺要求的局部最优工艺参数,本发明实施例的推荐方法,在基于历史数据进行工艺参数推荐的基础上,能够不断优化和更新,从而确定与实际加工中最契合的局部最优工艺参数,利用该方法确定的局部最优工艺参数过程简单、精度高,有效提高生产效率,降低工艺成本。
现以具体示例对本实施例的工艺参数推荐方法进行说明,如图2所示,在一个可选的实施例中,该方法还包括:
S1、将生产后的合格产品的物料属性和所述物料属性对应的工艺参数的映射关系存入数据库作为历史数据。
在一个可选的实施例中,如图3所示,所述历史数据包括:所述历史数据包括:物料属性、工艺参数、检测结果数据以及辅助记录数据,其中,所述工艺参数为使用对应的物料属性的物料进行加工且检测结果为合格时的生产参数。
示例性的,物料属性为实际生产工艺中与物料自身相关的参数,在一个可选的实施例中,物料属性包括边框尺寸、翘曲以及偏差等等的。由于不同批次的物料存在特异性,因此,实际生产工艺中,每一批次的物料属性是不同的,示例性的,以边框尺寸为例,物料的合格边框尺寸为一个合格范围,第一批次的边框尺寸的平均值在合格范围之内,第二批次的平均值同样在合格范围之内,第二批次的平均值同样在合格范围之内,虽然每一批次的物料属性均在合格范围内,但是不同批次的边框尺寸的尺寸是不同的,因此,精细化加工时根据不同尺寸进行更准确的工艺参数的确定,确保工艺精度。
进一步的,对于不同类型的物料,其物料属性有所不同,不同物料属性的物料对应不同的工艺参数,在一个可选的实施例中,所述工艺参数包括:超声时间、超声功率、焊接压力、热台温度等与制作该物料的参数。例如,物料A的工艺为丝焊,物料B的工艺为压铸,此时,对于不同物料需要准确且快速地确定对应物料的工艺参数。
物料属性和工艺参数作为加工前的准备,对物料进行加工后,生成测量结果,在一个可选的实施例中,所述测量结果包括弧高、跨距、变形量等需要满足加工组装的物料尺寸。对于不同的物料属性,本实施例通过构建物料属性和工艺参数的映射关系,示例性的,如图3所示,某一物料的物料属性(边框尺寸、翘曲、偏差)、工艺参数(超声时间、超声功率、焊接压力、热台温度)以及测量结果数据(弧高、跨距、变形量)形成了对应于该物料的映射关系,便于快速准确地确定工艺需求。为了进一步提高工艺精度,本实施例的映射关系是基于合格产品确定的,本实施例中的测量结果为判定合格产品的物料的数据。
在一个可选的实施例中,辅助记录数据包括序号、时间、操作人员、设备状态等与该次生产相关的记录,例如操作日志、设备故障记录以及设备工作记录等。
本实施例中,将上述历史数据以映射关系数据表的方式进行存储,以便于历史数据的快速查找,并且,将存储的历史数据中的映射关系作为回归模型的输入,能够构建符合历史数据的回归模型。
一个可选的实施例中,如图2所示,所述方法还包括:
S2、基于所述映射关系的历史数据,构建并训练回归模型,其中所述回归模型包含物料属性、工艺参数和测量结果的对应关系。
在一个可选的实施例中,该步骤S2“基于所述映射关系的历史数据,构建并训练回归模型,其中所述回归模型包含物料属性、工艺参数和测量结果的对应关系”还包括:
S21、基于所述映射关系的历史数据,构建并训练回归模型,其中所述回归模型包含物料属性、工艺参数和测量结果的对应关系。
本实施例中,将映射关系中的所述物料属性和所述工艺参数为所述回归模型的输入。在映射关系中,一部分的数据作为训练所述回归模型时的第一输入,例如所述历史数据中的物料属性,另一部分的数据作为训练所述回归模型时的第二输入,例如工艺参数,将其输入至回归模型后,则能够得到对应当前输入的模型输出数据,根据模型输出数据和历史数据中的检测结果数据的偏离程度,则能够确定当前的模型输出数据距期望的最优结果之间的差异。
本实施例中,回归模型有多种算法,包括线性回归,多项式回归,岭回归,支持向量机,随机森林,神经网络等。不同的回归模型中,物料属性、工艺参数以及测量结果的对应关系并不相同,本领域技术人员根据数据的训练接对所选择的回归模型进行训练以及校验,从而得到能够用于实际应用中的回归模型。
在一个可选的实施例中,如图4所示,步骤S21进一步包括、所述基于所述映射关系的历史数据,构建并训练回归模型,包括:
S211、将所述基于所述映射关系的历史数据进行多次拆分得到不同的训练集和测试集,每次拆分得到的训练集中的历史数据中包括相同的历史数据,每次拆分得到的测试集中的历史数据包括相同的历史数据。
本实施例中,将用于训练的历史数据进行多次拆分,组合为不同的训练集和测试集,本实施例的拆分不仅仅是将历史数据拆分为多组,还是将历史数据进行混合后的重组,即,不同的训练集中存在相同的历史数据,也就是说,不同的训练集中存在交集,同样的,不同的测试集经拆分和重组后也存在交集,通过该设置能够实现数据集之间的交叉混合,从而提高利用不同的训练集和测试集的进行训练的训练精度。
在一个实施例中,训练集和测试集中存在相同的历史数据,即某次训练集中的历史数据在下次可能成为测试集中的历史数据,形成训练接和测试集之间的数据交叉,从而提高训练的回归模型的精度。
S212、利用所述训练集训练构建的回归模型,并利用测试集测试所述构建的回归模型。
本实施例中,基于上述通过多个不同训练接和测试集对回归模型进行交叉训练的过程,能够得到准确度较高的回归模型。
S3、基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数。
在一个可选的实施例中,如图5所示,步骤S3包括:
S31、基于所述物料属性的维度,并根据所述维度对应的所述历史数据构建物料多维度空间。
本实施例中,如图3所示的历史数据表中,每一参数均代表一个维度,即,物料属性的尺寸为一个维度,物料属性的翘曲度为另一个维度,以上述两个维度构建的物料多维度空间即为二维空间。以尺寸、翘曲度以及偏差所构成的维度即为三维空间。也就是说,选择的物料属性越多,其所构成的空间维度越多。并且,基于前述的物料属性和工艺参数的映射关系,本实施例的所构建的四维空间中的各个维度的映射关系是唯一的,即,维度空间中每一维度对应有唯一的历史数据中的工艺参数。
由于物料属性的多样性,本实施例用于构建物料多维空间的维度可任意组合,对于当前要确定工艺参数的物料,可通过测量当前物料确定该物料的一些物料属性,例如,用卡尺测量其各个方向的尺寸,从而能够明确的该物料的物料属性,实现物料的专属性设置。然后从映射关系的多种物料属性中选择与已知的当前物料属性作为维度,通过该步骤,能够构建与当前物料完全对应的物料多维空间,具有唯一性,从而提高了为当前物料提供推荐工艺参数的准确性。
本实施例通过构建维度空间的方式,使得各个维度之间的关联性更明显。便于后续步骤中快速查找历史物料属性。
S32、在所述物料多维度空间中检索与所述当前物料属性的相似度最大的历史物料属性。
通过本实施例上一步骤所构建的物料多维空间,由于历史数据的数量众多,因此,需要在物料多维空间中进一步检索,检索与当前物料自身的物料属性最接近的历史物料属性。
在一个可选的实施例中,当前物料属性和历史物料属性的相似度可以通过计算他们之间的欧式距离得到,当前物料属性与每一个历史物料数据之间存在对应的欧氏距离,当欧式距离最小时,该欧式距离对应的历史物料属性即最接近于当前物料属性。
以前述以尺寸、翘曲度以及偏差所构成的维度即为三维空间为例,相似度最大的历史物料属性在尺寸、翘曲度以及偏差上均与当前的物料相近,因此,在工艺上可进行参考。
S33、基于所述映射关系,并以所述历史物料属性对应的历史数据中的工艺参数作为推荐工艺参数。
基于前述步骤中得到的映射关系,由于本实施例的映射关系包含了工艺参数和物料属性的对应关系,因此,当根据物料多维空间确定了与当前物料属性最接近的历史物料属性,进一步根据映射关系即可确定历史物料属性所对应的工艺参数,并以该工艺参数作为推荐工艺参数。也就是说,本实施例的推荐工艺参数为从海量的历史数据中,检索与当前物料属性最为接近的历史物料属性对应的工艺参数得到的,该推荐工艺参数可作为当前物料的所需工艺参数的参考,整个工艺参数确定过程方便高效且准确。
S4、以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整参数直到获得满足期望测量结果的局部最优工艺参数。
该步骤中,以前述步骤所实现的从海量的历史数据中检索与当前物料属性最为接近的历史物料属性对应的工艺参数作为推荐工艺参数,在推荐工艺参数的基础上,将推荐工艺参数输入到训练好的回归模型中进行寻优,在推荐工艺参数已经具有一定的精度的基础上,经回归模型寻优后得到的最优工艺参数的精度更加精确。
在一个可选的实施例中,如图6所示,该步骤S4“所述以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数”,包括:
S41、根据所述回归模型确定不同种类的工艺参数对测量结果的影响权重。
由前述可知,如图3所示的映射关系中,物料属性、工艺参数以及测量结果均存在多种类别,例如,所述测量结果包括:弧高,跨距,变形量。因此,在物料属性已经确定的情况下,可通过调整不同的工艺参数以进一步实现不同类别的工艺参数之间的最优搭配,得到最优工艺参数,因此,本实施例利用回归模型确定映射关系中的不同的工艺参数对影响结果的影响权重。
如图7所示,不同工艺参数的影响权重可以条形图的方式显示,供用户清楚的明确各种工艺参数中对加工工艺的影响程度,以给出在推荐工艺参数的基础上进行调整的调整思路。示例性的,如图7所示,影响测量结果的因素包括多个工艺参数,当工艺参数数量较多时,可以预设的权重阈值确定对测量结果影响较高的工艺参数,例如,对测量结果有影响的工艺参数的数量为20个,取其中前10个工艺参数分别确定影响权重。
在一个具体示例中,图7示出了9个工艺参数的不同影响权重的排序,各个工艺参数的影响权重的顺序依次为:工艺参数1、工艺参数3、工艺参数6、工艺参数2、工艺参数4、工艺参数5、工艺参数7以及工艺参数9。基于该影响权重,能够有效和准确地对影响权重较高的工艺参数在模型中进行调整。
S42、根据所述影响权重对所述工艺参数进行调整并将调整后的工艺参数输入所述回归模型直到所述回归模型的输出满足所述期望测量结果,以所述期望测量结果对应的工艺参数为局部最优工艺参数。
本实施例中,在以推荐工艺参数作为第一次寻优的基础上,后续的寻优通过调整工艺参数进行,通过不断迭代,以寻找最优的推荐工艺参数。在每次回归模型根据输入的当前物料属性和工艺参数输入模拟的测量结果后,将模拟测量结果和期望测量结果进行比较,根据模拟测量结果的偏离程度调整工艺参数,并重复该过程直到模拟测量结果满足期望测量结果,则表明当前的模拟测量结果所对应的工艺参数为局部最优工艺参数,该局部最优工艺参数不仅仅适应于当前物料的物料属性,并且以该工艺参数进行加工后能够得到期望工艺产品,整个过程既提高了确定工艺参数的准确性,又保证了工艺精度。
在一个可选的实施例中,如图8所示,所述方法还包括:
S5、利用所述局部最优工艺参数和所述当前的物料属性更新所述历史数据。
也就是说,本实施例的历史数据是不断更新的,将局部最优工艺参数、该局部最优工艺参数对应的物料属性以及根据该局部最优工艺参数和物料属性进行生产得到的测量结果生成映射关系,并将该映射关系存入历史数据。
经过上述步骤,本实施例的历史数据所存储的为局部最优工艺参数,较之前的历史数据的准确性变高,并且,更新的历史数据能够用于其他物料的工艺参数推荐过程中,该方法能够不断优化和更新,确定与实际加工中最契合的局部最优工艺参数。
基于上述的方法,本发明另一个实施例提出一种工艺参数推荐系统,包括:
计算机设备,执行本发明上述实施例的方法。例如该计算机设备执行:基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数;以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数。
对所述物料进行加工的工艺设备,示例性的,所述工艺设备包括丝焊机、贴片机、点涂机、铣床、车床等等具有对物料进行加工能力的设备。
本实施例的工艺参数推荐系统,计算机设备能够确定当前物料加工时的最优的工艺参数,工艺设备根据确定的最优工艺参数能够加工得到满足期望测量结果的工艺产品,整个过程高效准确,加工精度高。
本发明的另一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现:基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数;以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数。
在实际应用中,所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
如图9所示,本发明的另一个实施例提供的一种计算机设备的结构示意图。图9显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示,通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图9所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图9中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种基于历史数据的工艺参数推荐方法。
在本发明的描述中,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“包括一个……”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。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于本领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种基于历史数据的工艺参数推荐方法,其特征在于,所述方法包括:
基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数;
以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数。
2.根据权利要求1所述的推荐方法,其特征在于,所述历史数据包括:物料属性、工艺参数、检测结果数据以及辅助记录数据,其中,所述工艺参数为使用对应的物料属性的物料进行加工且检测结果为合格时的生产参数。
3.根据权利要求1所述的推荐方法,其特征在于,所述方法还包括:
基于所述映射关系的历史数据,构建并训练回归模型,其中所述回归模型包含物料属性、工艺参数和测量结果的对应关系;
所述历史数据中的物料属性为训练所述回归模型时的第一输入;
所述历史数据中的工艺参数为训练所述回归模型时的第二输入。
4.根据权利要求3所述的推荐方法,其特征在于,所述基于所述映射关系的历史数据,构建并训练回归模型,包括:
将所述基于所述映射关系的历史数据进行多次拆分得到不同的训练集和测试集,每次拆分得到的训练集中的历史数据中包括相同的历史数据,每次拆分得到的测试集中的历史数据包括相同的历史数据;
利用所述训练集训练构建的回归模型,并利用测试集测试所述构建的回归模型。
5.根据权利要求1所述的推荐方法,其特征在于,所述基于当前的物料属性,检索关于物料属性与工艺参数的映射关系的历史数据,得到与当前物料属性最接近的历史物料属性对应的推荐工艺参数,包括:
基于所述物料属性的维度,并根据所述维度对应的所述历史数据构建物料多维度空间;
在所述物料多维度空间中检索与所述当前物料属性的相似度最大的历史物料属性;
基于所述映射关系,并以所述历史物料属性对应的历史数据中的工艺参数作为推荐工艺参数。
6.根据权利要求1所述的推荐方法,其特征在于,在所述检索关于物料属性与工艺参数的映射关系的历史数据之前,所述方法还包括:
将生产后的合格产品的物料属性和所述物料属性对应的工艺参数的映射关系存入数据库作为历史数据;
或者
所述方法还包括:
利用所述局部最优工艺参数和所述当前的物料属性更新所述历史数据。
7.根据权利要求1-6中任一项所述的推荐方法,其特征在于,所述以所述推荐工艺参数作为寻优起点,基于训练的回归模型,调整工艺参数直到获得满足期望测量结果的局部最优工艺参数,包括:
根据所述回归模型确定不同的工艺参数对测量结果的影响权重;
根据所述影响权重对所述工艺参数进行调整并将调整后的工艺参数输入所述回归模型直到所述回归模型的输出满足所述期望测量结果,以所述期望测量结果对应的工艺参数为局部最优工艺参数。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。
10.一种工艺参数推荐系统,其特征在于,包括:
如权利要求9所述的计算机设备;以及
对所述物料进行加工的工艺设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211067802.5A CN115146875B (zh) | 2022-09-02 | 2022-09-02 | 基于历史数据的工艺参数推荐方法、设备、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211067802.5A CN115146875B (zh) | 2022-09-02 | 2022-09-02 | 基于历史数据的工艺参数推荐方法、设备、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146875A true CN115146875A (zh) | 2022-10-04 |
CN115146875B CN115146875B (zh) | 2022-12-13 |
Family
ID=83416639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211067802.5A Active CN115146875B (zh) | 2022-09-02 | 2022-09-02 | 基于历史数据的工艺参数推荐方法、设备、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146875B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965166A (zh) * | 2023-03-16 | 2023-04-14 | 昆山市恒达精密机械工业有限公司 | 一种塑胶产品生产工艺的优化方法及系统 |
CN116052798A (zh) * | 2022-12-14 | 2023-05-02 | 明度智云(浙江)科技有限公司 | 一种用于生产执行系统的电子配方管理方法、系统和存储介质 |
CN116842768A (zh) * | 2023-09-01 | 2023-10-03 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
CN117884816A (zh) * | 2024-03-18 | 2024-04-16 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766573A (zh) * | 2017-11-13 | 2018-03-06 | 深圳乐信软件技术有限公司 | 基于数据处理的商品推荐方法、装置、设备和存储介质 |
CN109993638A (zh) * | 2019-05-05 | 2019-07-09 | 重庆天蓬网络有限公司 | 产品推荐的方法、装置、介质和电子设备 |
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 |
CN112712314A (zh) * | 2020-12-29 | 2021-04-27 | 江阴华西化工码头有限公司 | 一种基于物联网传感器的物流数据推荐方法 |
-
2022
- 2022-09-02 CN CN202211067802.5A patent/CN115146875B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766573A (zh) * | 2017-11-13 | 2018-03-06 | 深圳乐信软件技术有限公司 | 基于数据处理的商品推荐方法、装置、设备和存储介质 |
CN109993638A (zh) * | 2019-05-05 | 2019-07-09 | 重庆天蓬网络有限公司 | 产品推荐的方法、装置、介质和电子设备 |
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 |
CN112712314A (zh) * | 2020-12-29 | 2021-04-27 | 江阴华西化工码头有限公司 | 一种基于物联网传感器的物流数据推荐方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052798A (zh) * | 2022-12-14 | 2023-05-02 | 明度智云(浙江)科技有限公司 | 一种用于生产执行系统的电子配方管理方法、系统和存储介质 |
CN115965166A (zh) * | 2023-03-16 | 2023-04-14 | 昆山市恒达精密机械工业有限公司 | 一种塑胶产品生产工艺的优化方法及系统 |
CN116842768A (zh) * | 2023-09-01 | 2023-10-03 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
CN116842768B (zh) * | 2023-09-01 | 2023-11-28 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
CN117884816A (zh) * | 2024-03-18 | 2024-04-16 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
CN117884816B (zh) * | 2024-03-18 | 2024-05-17 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115146875B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115146875B (zh) | 基于历史数据的工艺参数推荐方法、设备、系统及介质 | |
EP3819821A1 (en) | User feature generating method, device, and apparatus, and computer-readable storage medium | |
US20190102098A1 (en) | Configurable machine learning systems through graphical user interfaces | |
KR20180061769A (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
Elmaraghy et al. | Quality prediction for reconfigurable manufacturing systems via human error modelling | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
CN110880136A (zh) | 配套产品的推荐方法、系统、设备和存储介质 | |
US11537905B2 (en) | Inference-based assignment of data type to data | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
JP7144676B2 (ja) | 情報処理装置、品質関連式生成方法、および品質関連式生成プログラム | |
US10572827B2 (en) | Prediction quality assessment | |
Ding et al. | Impedance control and parameter optimization of surface polishing robot based on reinforcement learning | |
JPWO2019167282A1 (ja) | 応答処理プログラム、応答処理方法、応答処理装置および応答処理システム | |
CN109948050B (zh) | 信息处理方法和装置,存储介质和电子设备 | |
CN110895781A (zh) | 菜品类别推荐方法、装置、电子设备及存储介质 | |
US20180253677A1 (en) | Method for Performing Dynamic Data Analytics | |
US11762562B2 (en) | Performance analysis apparatus and performance analysis method | |
CN115293536A (zh) | 元宇宙下的数据处理方法、设备及存储介质 | |
CN115472257A (zh) | 一种招募用户的方法、装置、电子设备及存储介质 | |
CN112307086B (zh) | 一种消防业务中自动化数据校验方法及装置 | |
CN116703046A (zh) | 实时派工顺序的控制方法及系统、电子设备和存储介质 | |
Li et al. | Optimal measurement area determination algorithm of articulated arm measuring machine based on improved FOA | |
CN114328524A (zh) | 单据处理方法、查询方法、系统、设备和介质 | |
CN113850454A (zh) | 基于工业神经网络的零件制造方法、装置、设备及介质 | |
US9349115B2 (en) | Data management and control using data importance levels |
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 |