CN115509196B - 一种基于机器学习的制造工艺优化方法及装置 - Google Patents
一种基于机器学习的制造工艺优化方法及装置 Download PDFInfo
- Publication number
- CN115509196B CN115509196B CN202211329820.6A CN202211329820A CN115509196B CN 115509196 B CN115509196 B CN 115509196B CN 202211329820 A CN202211329820 A CN 202211329820A CN 115509196 B CN115509196 B CN 115509196B
- Authority
- CN
- China
- Prior art keywords
- data
- optimization
- index data
- disturbance
- index
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 283
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000003754 machining Methods 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 108
- 238000009826 distribution Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000003672 processing method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013386 optimize process Methods 0.000 claims 2
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31396—Business management, production, document, asset, regulatory management, high level
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明提出了一种基于机器学习的制造工艺优化方法及装置,通过构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型,所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成,根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据,使用所述训练样本数据训练所述工艺优化模型,根据优化需求从所述历史加工数据中选择目标优化数据,确定用于执行制造工艺迭代优化的扰动项,使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化,在生产制造过程中利用机器学习算法对制造工艺进行优化迭代,成本低效率高。
Description
技术领域
本发明涉及工业制造技术领域,特别涉及一种基于机器学习的制造工艺优化方法及装置。
背景技术
随着社会的进步和技术的发展,采用机械设备进行自动化生产早已替代人工生产成为当今社会的生产主力,制造精度、生产效率、生产成本等是自动化生产的重要指标,对这些指标进行持续的改进、优化以提高产品质量、提高生产效益、降低生产成本的是制造企业维持竞争力的重要方式。但是随着自动化生产的广泛应用,人们对生产设备和制造工艺的研究也更加深入,生产设备的精密程度越来越高,制造工艺也越来越复杂,进而影响产品制造精度、生产效率以及制造成本的因素也逐渐增多,对制造工艺的优化变得极其困难。目前对制造工艺的优化只能依赖于经验丰富的工程师手动调参进行测试优化,需要对巨量的参数所形成的各种可能的组合优化方案进行大量的实验验证,制造工艺的优化过程需要耗费大量的时间和生产物料,效率低下且成本较高。
发明内容
本发明正是基于上述问题,提出了一种基于机器学习的制造工艺优化方法及装置,在生产制造过程中利用机器学习算法对制造工艺进行优化迭代,成本低效率高。
有鉴于此,本发明的第一方面提出了一种基于机器学习的制造工艺优化方法,包括:
构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型,所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成;
根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据,所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据,所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据;
使用所述训练样本数据训练所述工艺优化模型;
根据优化需求从所述历史加工数据中选择目标优化数据;
确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数;
使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化。
进一步的,在上述的制造工艺优化方法中,根据优化需求从所述历史加工数据中选择目标优化数据的步骤具体包括:
根据需要优化的方向确定目标优化指标为所述加工精度、所述生产时间以及所述生产成本中的一个或多个;
对所述目标优化指标的分布密度进行统计,所述分布密度为所述历史指标数据在不同数值区间下的所述历史加工数据的数量;
根据所述分布密度选择所述目标优化指标的优化区间;
将所述历史指标数据落入所述优化区间的历史加工数据确定为所述目标优化数据。
进一步的,在上述的制造工艺优化方法中,所述分布密度包括按零件类型统计的零件分布密度,根据所述分布密度选择所述目标优化指标的优化区间的步骤具体包括:
获取所述历史指标数据的中位数;
将差于所述中位数的所述历史指标数据划分为若干个数值区间;
对所述历史指标数据落入每个数值区间的所述历史加工数据的零件类型进行统计;
将每个数值区间中数量占比最高的零件类型在相应数值区间中所占的比例确定为相应数值区间的零件最高比值;
将所述零件最高比值最大的数值区间确定为所述优化区间。
进一步的,在上述的制造工艺优化方法中,所述加工方法特征包括加工参数集合,确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数的步骤具体包括:
遍历所述历史加工参数以计算得到任意两项历史加工数据的加工参数相似度以及指标差值;
将所述加工参数相似度大于第一阈值且指标差值大于第二阈值的历史加工数据中的差异加工参数确定为候选扰动项;
获取所述候选扰动项的数量n;
遍历所述k组扰动项,将所述k组扰动项中的每一组扰动项作为所述目标扰动项执行所述使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤。
进一步的,在上述的制造工艺优化方法中,使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤具体包括:
在所述目标扰动项的基础上叠加扰动值输入所述工艺优化模型获取预测指标数据;
将所述预测指标数据与所述目标优化数据的指标数据进行比较;
如果所述预测指标数据优于所述目标优化数据的指标数据,则将叠加扰动值的加工数据确定为候选优化加工数据;
在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据差于前一次叠加输出的预测指标数据。
进一步的,在上述的制造工艺优化方法中,在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据小于前一次叠加输出的预测指标数据的步骤之后,还包括:
将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据;
当所述实测指标数据优于所述目标优化数据的指标数据的数量高于一定比例,且所述实测指标数据呈现与所述预测指标数据相同的上升或下降趋势时,确定所述工艺优化模型具备稳定性;
将最后一次叠加扰动值的候选优化加工数据作为优化加工数据。
进一步的,在上述的制造工艺优化方法中,在将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据的步骤之后,还包括:
当所述实测指标数据优于所述目标优化数据的指标数据的数量低于一定比例,和/或实测的指标数据不具备收敛趋势时,确定所述工艺优化模型不具备稳定性;
更换所述训练样本数据重新训练所述工艺优化模型。
进一步的,在上述的制造工艺优化方法中,在将最后一次叠加扰动值的候选优化加工数据作为优化加工数据的步骤之后,还包括:
将所述实测指标数据优于所述目标优化数据的指标数据的加工数据及其所述实测指标数据加入候选样本数据;
当所述候选样本数据的数量大于第三阈值时,将所述候选样本数据作为所述训练样本数据对所述工艺优化模型进行训练。
进一步的,在上述的制造工艺优化方法中,在将所述预测指标数据与所述目标优化数据的指标数据进行比较的步骤之后,还包括:
如果所述预测指标数据差于所述目标优化数据的指标数据,继续叠加扰动值获取预测指标数据;
判断所述预测指标数据是否具备优化趋势;
判断为否时,丢弃所述目标扰动项。
本发明的第二方面提出了一种基于机器学习的制造工艺优化装置,包括处理器和存储器,所述处理器执行所述存储器中存储的计算机程序实现本发明第一方面中任一项所述的基于机器学习的制造工艺优化方法。
本发明提出了一种基于机器学习的制造工艺优化方法及装置,通过构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型,所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成,根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据,所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据,所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据,使用所述训练样本数据训练所述工艺优化模型,根据优化需求从所述历史加工数据中选择目标优化数据,确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数,使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化,在生产制造过程中利用机器学习算法对制造工艺进行优化迭代,成本低效率高。
附图说明
图1是本发明一个实施例提供的一种基于机器学习的制造工艺优化方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
在本发明的描述中,术语“多个”则指两个或两个以上,除非另有明确的限定,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本说明书的描述中,术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
下面参照附图来描述根据本发明一些实施方式提供的一种基于机器学习的制造工艺优化方法及装置。
如图1所示,本发明的第一方面提出了一种基于机器学习的制造工艺优化方法,包括:
构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型,所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成;
根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据,所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据,所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据;
使用所述训练样本数据训练所述工艺优化模型;
根据优化需求从所述历史加工数据中选择目标优化数据;
确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数;
使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化。
具体的,所述工艺优化模型可以为加工精度优化模型、生产时间优化模型以及生产成本优化模型中的一个或多个。在上述技术方案中,设每个零件从初始形态被加工到最终形态需要经历ns个加工阶段Si,其中i=(1,2,…,ns),每一个加工阶段Si会将该零件从位形特征Fi加工为位形特征Fi+1,即包括初始形态和最终形态在内该零件共有ns+1个位形特征。每一个加工阶段Si有pm种可选的加工方法Mij,其中j=(1,2,…,pm),每一种加工方法Mij有qd种可选的加工设备Dijk,其中k=(1,2,…,qd)。所述工艺优化模型中的零件位形特征、加工阶段特征、加工方法特征以及加工设备特征分别对应所述零件从初始形态被加工到最终形态过程中的位形特征Fi,加工阶段Si,加工方法Mij以及加工设备Dijk。所述加工精度是每个零件被加工到最终形态后测量得到的实际尺寸与预期的标准尺寸之间的差值,所述生产时间是每个零件从初始形态被加工到最终形态所经历的时间,所述生产成本是每个零件被加工到最终形态所消耗的物料成本。所述历史加工数据与所述历史指标数据具有一一对应关系。
示例性的,当所述工艺优化模型为加工精度优化模型时,所述历史加工数据包括每一个零件加工过程中的位形特征、加工阶段加工方法、以及加工设备数据,所述历史指标数据为当次加工完毕即该零件被加工到最终形态后测量得到的实际尺寸与预期的标准尺寸之间的差值。
所述目标优化数据为按照优化需求从所述历史加工数据中选择的用于作为优化基础数据的加工数据。例如,当所述优化需求为对历史加工数据中加工精度较高的加工数据进行进一步优化,则所述目标优化数据可以为从所述历史加工数据中选择的对应的历史指标数据中加工精度值较小的部分加工数据。
采用上述技术方案,通过有针对性地选择目标优化数据和扰动项,能够实现按照预期的优化方向对相应的加工参数进行优化。在确定了优化方向以及需要优化的加工参数后,在原有加工方法的基础上,以一个较小的扰动值将所选择的加工参数作为扰动项输入训练好的所述工艺优化模型中进行迭代优化,能够精准地得到多种可能的制造工艺优化方案。
在上述的制造工艺优化方法中,根据优化需求从所述历史加工数据中选择目标优化数据的步骤具体包括:
根据需要优化的方向确定目标优化指标为所述加工精度、所述生产时间以及所述生产成本中的一个或多个;
对所述目标优化指标的分布密度进行统计,所述分布密度为所述历史指标数据在不同数值区间下的所述历史加工数据的数量;
根据所述分布密度选择所述目标优化指标的优化区间;
将所述历史指标数据落入所述优化区间的历史加工数据确定为所述目标优化数据。
在上述的制造工艺优化方法中,所述分布密度包括按零件类型统计的零件分布密度,根据所述分布密度选择所述目标优化指标的优化区间的步骤具体包括:
获取所述历史指标数据的中位数;
将差于所述中位数的所述历史指标数据划分为若干个数值区间;
对所述历史指标数据落入每个数值区间的所述历史加工数据的零件类型进行统计;
将每个数值区间中数量占比最高的零件类型在相应数值区间中所占的比例确定为相应数值区间的零件最高比值;
将所述零件最高比值最大的数值区间确定为所述优化区间。
具体的,假设所述历史指标数据的中位数为P0.5,差于所述中位数的数值范围为[Pmin,P0.5]或者[P0.5,Pmax],以所述目标优化指标为生产成本为例,生产成本数值越小越好,则在差于所述中位数P0.5的数值范围中,所述中位数P0.5应当为最小值,即所述数值范围为[P0.5,Pmax]。上述实施方式的技术方案,采用预设大小的分割粒度将该数值范围划分为多个数值区间,例如当所述目标优化指标为加工精度时,以0.1毫米作为分割粒度对所述数值范围进行平均分割,统计所述历史指标数据中落入每个数值区间的数量从而得到所述目标优化指标的分布密度。进而可以根据分布密度从这些数值区间中确定一个需要优化的优化区间,例如,在一个数值区间中某种类型的零件在该数值区间中占比最高,且该比值在所有数值区间的最高占比零件比值中也为最高,则将该比值所对应的数值区间确定为优化区间,将指标数据落入该优化区间的历史加工数据确定为所述目标优化数据。
由于同类型零件的历史加工数据即其制造工艺具有较高的相似度,当某种类型零件在所述目标优化指标的较差的数值范围内以最高的比例占据某个数值区间时,表示该零件的制造工艺存在较大的优化空间。采用上述实施方式的技术方案,以目标优化指标的分布密度以及零件类型在不同数值区间中的占比来确定优化区间,能够在保障所述工艺优化模型具备普适性的同时,使得制造工艺的优化方向更加明确。为了实现更有针对性的对制造工艺进行优化,在本发明的另一些实施方式中,所述根据优化需求从所述历史加工数据中选择目标优化数据的步骤也可以为将某种类型的零件的历史加工数据确定为所述目标优化数据,该零件的类型可以采用预先配置、人为实时指定或者通过按零件类型统计所述目标优化指标,取其中平均指标值最低的零件类型作为所述目标优化数据对应的零件类型等。
在上述的制造工艺优化方法中,所述加工方法特征包括加工参数集合,确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数的步骤具体包括:
遍历所述历史加工参数以计算得到任意两项历史加工数据的加工参数相似度以及指标差值;
将所述加工参数相似度大于第一阈值且指标差值大于第二阈值的历史加工数据中的差异加工参数确定为候选扰动项;
获取所述候选扰动项的数量nr;
遍历所述kr组扰动项,将所述kr组扰动项中的每一组扰动项作为所述目标扰动项执行所述使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤。
例如,在一种情况下,当存在两项不同的历史加工数据,其大部分加工参数相同,仅有少量的加工参数存在差异,则认为该两项历史加工数据具有较高的相似度。在另一种情况下,当两项历史加工数据的所有加工参数均不相同,但其大部分加工参数之间的差值均在较小的范围内,仅有少量的加工参数存在较大的差值时,认为该两项历史加工数据具有较高的相似度。在上述示例的情况中,这些少量的加工参数即为所述的差异加工参数。采用上述实施方式的技术方案,加工参数具有较高相似度但指标差值较大的两项历史加工数据中的差异加工参数,是所述历史加工数据中对所述历史指标数据影响较大的加工参数,选取这些加工参数作为所述候选扰动项,能够在后续的优化步骤中更加准确地生成优化方案。
在上述的制造工艺优化方法中,使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤具体包括:
在所述目标扰动项的基础上叠加扰动值输入所述工艺优化模型获取预测指标数据;
将所述预测指标数据与所述目标优化数据的指标数据进行比较;
如果所述预测指标数据优于所述目标优化数据的指标数据,则将叠加扰动值的加工数据确定为候选优化加工数据;
在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据差于前一次叠加输出的预测指标数据。
具体的,所述扰动值被配置为远小于目标扰动项基础数值,所述目标扰动项的基础数值指的是在所述目标优化数据中,所述目标扰动项的取值。通过细微的扰动值对目标扰动项进行微调后输入训练好的所述工艺优化模型中以获得预测指标数据。由于目标扰动项是所述历史加工数据中对所述历史指标数据影响较大的加工参数,因此在目标扰动项上叠加的较小的扰动值有可能使所述预测指标数据发生较大的变化,通过多次在所述目标扰动项上叠加扰动值获取预测指标数据,能够预测得到在所述目标扰动项的变化范围内的最优工艺方案。
在上述实施方式的技术方案中,在预测指标数据优于目标优化数据的指标数据的情况下,在所述目标扰动项上持续地叠加扰动值以进行下一步预测,直至所述工艺优化模型不再输出更优的预测指标数据为止。采用该实施方式的技术方案,每一次叠加扰动值所输出的预测指标数据都优于或等同于本次叠加前的预测指标数据,因此在对所述目标扰动项停止迭代优化之前,所述预测指标数据呈持续的上升或下降的趋势。
在上述的制造工艺优化方法中,在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据小于前一次叠加输出的预测指标数据的步骤之后,还包括:
将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据;
当所述实测指标数据优于所述目标优化数据的指标数据的数量高于一定比例,且所述实测指标数据呈现与所述预测指标数据相同的上升或下降趋势时,确定所述工艺优化模型具备稳定性;
将最后一次叠加扰动值的候选优化加工数据作为优化加工数据。
在上述实施方式的技术方案中,由于所述候选优化加工数据是通过工艺优化模型的预测指标数据从所述目标优化数据中筛选出来的,所述候选优化加工数据的预测指标数据均优于所述目标优化数据的指标数据,当所述实测指标数据优于所述目标优化数据的指标数据的数量高于一定比例,且所述实测指标数据呈现与所述预测指标数据相同的上升或下降趋势时,表示所述预测指标数据与所述实测指标数据具有较高的相似度,可以认为所述工艺优化模型的预测结果具有较高的准确性,即所述工艺优化模型具备稳定性。
在上述的制造工艺优化方法中,在将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据的步骤之后,还包括:
当所述实测指标数据优于所述目标优化数据的指标数据的数量低于一定比例,和/或实测的指标数据不具备收敛趋势时,确定所述工艺优化模型不具备稳定性;
更换所述训练样本数据重新训练所述工艺优化模型。
在上述实施方式的技术方案中,当存在所述实测指标数据优于所述目标优化数据的指标数据的数量低于一定比例的情况时,表示所述工艺优化模型所输出的预测指标数据和实测指标数据具有较大的差异,即工艺优化模型的预测结果准确性较低。
同理,预测指标数据具备收敛趋势,当实测的指标数据不具备收敛趋势时,表示预测指标数据和实测指标数据具有较大的差异,可以认为所述工艺优化模型的预测结果的准确性较差,即所述工艺优化模型不具备稳定性。
在上述的制造工艺优化方法中,在将最后一次叠加扰动值的候选优化加工数据作为优化加工数据的步骤之后,还包括:
将所述实测指标数据优于所述目标优化数据的指标数据的加工数据及其所述实测指标数据加入候选样本数据;
当所述候选样本数据的数量大于第三阈值时,将所述候选样本数据作为所述训练样本数据对所述工艺优化模型进行训练。
采用上述实施方式的技术方案,在生产实践过程中,不断使用实测指标数据更优的加工数据作为训练样本数据来对所述工艺优化模型进行训练,持续优化所述工艺优化模型的参数,使模型预测结果更加准确。
在上述的制造工艺优化方法中,在将所述预测指标数据与所述目标优化数据的指标数据进行比较的步骤之后,还包括:
如果所述预测指标数据差于所述目标优化数据的指标数据,继续叠加扰动值获取预测指标数据;
判断所述预测指标数据是否具备优化趋势;
判断为否时,丢弃所述目标扰动项。
在上述的制造工艺优化方法中,判断所述预测指标数据是否具备优化趋势的步骤具体包括:
判断所述预测指标数据是否呈现递增或递减的趋势;
无递增或递减趋势时,确定不具备优化趋势,执行丢弃所述目标扰动项的步骤;
有递增或递减趋势时,判断是否存在优于所述目标优化数据的指标数据的预测指标数据;
存在优于所述目标优化数据的指标数据的预测指标数据时,确定具备优化趋势,继续执行优化步骤;
不存在优于所述目标优化数据的指标数据的预测指标数据时,判断所述目标优化数据的指标数据与所述预测指标数据的差值是否具备收敛趋势;
不具备收敛趋势时,确定不具备优化趋势,执行丢弃所述目标扰动项的步骤;
具备收敛趋势时,确定具备优化趋势,继续执行优化步骤。
在上述的制造工艺优化方法中,在丢弃目标扰动项的步骤之后还包括从候选扰动项中确定下一组扰动项为目标扰动项。
本发明的第二方面提出了一种基于机器学习的制造工艺优化装置,包括处理器和存储器,所述处理器执行所述存储器中存储的计算机程序实现本发明第一方面中任一项所述的基于机器学习的制造工艺优化方法。
本发明提出了一种基于机器学习的制造工艺优化方法及装置,通过构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型,所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成,根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据,所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据,所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据,使用所述训练样本数据训练所述工艺优化模型,根据优化需求从所述历史加工数据中选择目标优化数据,确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数,使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化,在生产制造过程中利用机器学习算法对制造工艺进行优化迭代,成本低效率高。
应当说明的是,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。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。显然,根据以上描述,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于机器学习的制造工艺优化方法,其特征在于,包括:
构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型,所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成;
根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据,所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据,所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据;
使用所述训练样本数据训练所述工艺优化模型;
根据优化需求从所述历史加工数据中选择目标优化数据;
确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数;
使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化。
2.根据权利要求1所述的制造工艺优化方法,其特征在于,根据优化需求从所述历史加工数据中选择目标优化数据的步骤具体包括:
根据需要优化的方向确定目标优化指标为所述加工精度、所述生产时间以及所述生产成本中的一个或多个;
对所述目标优化指标的分布密度进行统计,所述分布密度为所述历史指标数据在不同数值区间下的所述历史加工数据的数量;
根据所述分布密度选择所述目标优化指标的优化区间;
将所述历史指标数据落入所述优化区间的历史加工数据确定为所述目标优化数据。
3.根据权利要求2所述的制造工艺优化方法,其特征在于,所述分布密度包括按零件类型统计的零件分布密度,根据所述分布密度选择所述目标优化指标的优化区间的步骤具体包括:
获取所述历史指标数据的中位数;
将差于所述中位数的所述历史指标数据划分为若干个数值区间;
对所述历史指标数据落入每个数值区间的所述历史加工数据的零件类型进行统计;
将每个数值区间中数量占比最高的零件类型在相应数值区间中所占的比例确定为相应数值区间的零件最高比值;
将所述零件最高比值最大的数值区间确定为所述优化区间。
4.根据权利要求1至3任一项所述的制造工艺优化方法,其特征在于,所述加工方法特征包括加工参数集合,确定用于执行制造工艺迭代优化的扰动项,所述扰动项为所述制造工艺中的至少一项加工参数的步骤具体包括:
遍历所述历史加工数据以计算得到任意两项历史加工数据的加工参数相似度以及指标差值;
将所述加工参数相似度大于第一阈值且指标差值大于第二阈值的历史加工数据中的差异加工参数确定为候选扰动项;
获取所述候选扰动项的数量;
配置一个从1到的遍历变量,将所述候选扰动项划分为组扰动项,每组扰动项包括个候选扰动项,使得;
遍历所述组扰动项,将所述组扰动项中的每一组扰动项作为目标扰动项执行所述使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤。
5.根据权利要求4所述的制造工艺优化方法,其特征在于,使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤具体包括:
在所述目标扰动项的基础上叠加扰动值输入所述工艺优化模型获取预测指标数据;
将所述预测指标数据与所述目标优化数据的指标数据进行比较;
如果所述预测指标数据优于所述目标优化数据的指标数据,则将叠加扰动值的加工数据确定为候选优化加工数据;
在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据差于前一次叠加输出的预测指标数据。
6.根据权利要求5所述的制造工艺优化方法,其特征在于,在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据小于前一次叠加输出的预测指标数据的步骤之后,还包括:
将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据;
当所述实测指标数据优于所述目标优化数据的指标数据的数量高于一定比例,且所述实测指标数据呈现与所述预测指标数据相同的上升或下降趋势时,确定所述工艺优化模型具备稳定性;
将最后一次叠加扰动值的候选优化加工数据作为优化加工数据。
7.根据权利要求6所述的制造工艺优化方法,其特征在于,在将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据的步骤之后,还包括:
当所述实测指标数据优于所述目标优化数据的指标数据的数量低于一定比例,和/或实测的指标数据不具备收敛趋势时,确定所述工艺优化模型不具备稳定性;
更换所述训练样本数据重新训练所述工艺优化模型。
8.根据权利要求6或7所述的制造工艺优化方法,其特征在于,在将最后一次叠加扰动值的候选优化加工数据作为优化加工数据的步骤之后,还包括:
将所述实测指标数据优于所述目标优化数据的指标数据的加工数据及其所述实测指标数据加入候选样本数据;
当所述候选样本数据的数量大于第三阈值时,将所述候选样本数据作为所述训练样本数据对所述工艺优化模型进行训练。
9.根据权利要求5所述的制造工艺优化方法,其特征在于,在将所述预测指标数据与所述目标优化数据的指标数据进行比较的步骤之后,还包括:
如果所述预测指标数据差于所述目标优化数据的指标数据,继续叠加扰动值获取预测指标数据;
判断所述预测指标数据是否呈现递增或递减的趋势;
无递增或递减趋势时,确定不具备优化趋势,执行丢弃所述目标扰动项的步骤;
有递增或递减趋势时,判断是否存在优于所述目标优化数据的指标数据的预测指标数据;
存在优于所述目标优化数据的指标数据的预测指标数据时,确定具备优化趋势,继续执行优化步骤;
不存在优于所述目标优化数据的指标数据的预测指标数据时,判断所述目标优化数据的指标数据与所述预测指标数据的差值是否具备收敛趋势;
不具备收敛趋势时,确定不具备优化趋势,执行丢弃所述目标扰动项的步骤;
具备收敛趋势时,确定具备优化趋势,继续执行优化步骤。
10.一种基于机器学习的制造工艺优化装置,其特征在于,包括处理器和存储器,所述处理器执行所述存储器中存储的计算机程序实现如权利要求1-9中任一项所述的基于机器学习的制造工艺优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329820.6A CN115509196B (zh) | 2022-10-27 | 2022-10-27 | 一种基于机器学习的制造工艺优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329820.6A CN115509196B (zh) | 2022-10-27 | 2022-10-27 | 一种基于机器学习的制造工艺优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115509196A CN115509196A (zh) | 2022-12-23 |
CN115509196B true CN115509196B (zh) | 2023-05-02 |
Family
ID=84513220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329820.6A Active CN115509196B (zh) | 2022-10-27 | 2022-10-27 | 一种基于机器学习的制造工艺优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115509196B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11055639B1 (en) * | 2020-04-28 | 2021-07-06 | Sas Institute Inc. | Optimizing manufacturing processes using one or more machine learning models |
CN111597729B (zh) * | 2020-05-27 | 2023-07-25 | 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 |
CN112115579A (zh) * | 2020-08-12 | 2020-12-22 | 江苏师范大学 | 一种玻璃纤维增强塑料注塑工艺参数多目标优化方法 |
CN112990682A (zh) * | 2021-03-09 | 2021-06-18 | 万华化学集团股份有限公司 | 一种基于大数据的化工装置控制参数优化方法和系统 |
CN113176761B (zh) * | 2021-04-28 | 2022-09-06 | 西安电子科技大学 | 多加工特征薄板零件质量预测与工艺参数优化方法 |
CN113886989B (zh) * | 2021-10-08 | 2024-03-29 | 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 |
-
2022
- 2022-10-27 CN CN202211329820.6A patent/CN115509196B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115509196A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245802B (zh) | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 | |
Tyler et al. | Performance monitoring of control systems using likelihood methods | |
CN109241601B (zh) | 一种基于改进型拉开档次法的数控机床综合性能评价方法 | |
CN113051683B (zh) | 一种数控机床刀具寿命预测方法、系统、设备及存储介质 | |
CN112051506B (zh) | 一种相似产品可迁移样本筛选方法、系统及用途 | |
CN111079788A (zh) | 一种基于密度Canopy的K-means聚类方法 | |
CN111459094A (zh) | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN116609720A (zh) | 基于数据驱动的台式万用表误差智能补偿方法及系统 | |
CN112749840A (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
JP2024509741A (ja) | パーツ、センサ、および計測データ統合 | |
CN112289392A (zh) | 一种铝电解电容器用阳极铝箔性能预测方法 | |
CN115455359A (zh) | 小批量误差数据的自动校正与分布拟合方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN115509196B (zh) | 一种基于机器学习的制造工艺优化方法及装置 | |
CN112861433B (zh) | 一种基于多层级集成框架的产品低碳设计的方法 | |
CN110766234A (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN110196797A (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN113821975B (zh) | 一种燃料电池性能衰减预测方法及系统 | |
Wang et al. | A differential evolutionary algorithm for flatness error evaluation | |
CN115600492A (zh) | 一种激光切割工艺设计方法及系统 | |
CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN112988564B (zh) | 一种考虑成本-可靠性的srgm决策模型及其构建方法 | |
CN114462699A (zh) | 一种基于随机森林的光纤生产合格指标预测方法 | |
CN116484752B (zh) | 刀具刃型设计方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |