CN116307946A - 基于加工环境的自适应能耗评估方法、装置、设备及介质 - Google Patents
基于加工环境的自适应能耗评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116307946A CN116307946A CN202310566403.1A CN202310566403A CN116307946A CN 116307946 A CN116307946 A CN 116307946A CN 202310566403 A CN202310566403 A CN 202310566403A CN 116307946 A CN116307946 A CN 116307946A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- information
- working condition
- processing
- processing environment
- 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
Images
Landscapes
- Numerical Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于加工环境的自适应能耗评估方法、装置、设备及介质,涉及数控机床加工技术领域,方法包括:获取加工环境信息,确定加工环境信息所对应的工况条件,并获取工况条件所对应的能耗预测任务;获取工况条件所对应的输入信息;获取能耗预测任务所对应的能耗预测模型,基于能耗预测模型确定输入信息所对应的能耗信息。本发明可基于加工环境信息的工况条件来评估能耗信息,提高了能耗分析的准确率与效率。并且,本发明应用的能耗预测模型是与能耗预测任务对应的,能耗预测任务又是和工况条件对应的,因此即使工况条件发生变化,也可以确定出对应的能耗预测模型来输出能耗信息,提升了本发明的适应性,便于适用于更多的应用场景。
Description
技术领域
本发明涉及数据机床加工技术领域,尤其涉及一种基于加工环境的自适应能耗评估方法、装置、设备及介质。
背景技术
在数控机床加工技术领域中,能耗评估在整个加工过程中起着至关重要的作用,因为能耗不但影响着加工成本还影响着加工质量。而传统能耗评估方法以固定工况下的工艺参数与能耗关系的构建为主,较少考虑可变加工环境下的工况条件信息。
现有技术中,即便考虑工况条件信息的能耗研究中也仅仅是引入了较少工况条件,但是数控机床的加工环境是可变的,一旦加工环境发生变化,工况条件变得复杂,现有的能耗评估方式是无法准确且高效地实现能耗评估。
发明内容
本发明提供一种基于加工环境的自适应能耗评估方法、装置、设备及介质,用以解决现有技术能耗评估方式是无法准确且高效地实现能耗评估的问题。
本发明提供一种基于加工环境的自适应能耗评估方法,包括:
获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
在一种实现方式中,所述获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,包括:
获取待加工工件的所述加工环境信息,基于所述加工环境信息确定所述待加工工件的加工工艺信息和工件基础信息;
根据所述加工工艺信息和所述工件基础信息,确定所述工况条件;
基于所述工况条件,确定所述工况条件所对应的性能指标,并获取所述性能指标所对应的能耗预测任务,所述性能指标为根据所述工况条件预设的能耗指标。
在一种实现方式中,所述根据所述加工工艺信息和所述工件基础信息,确定所述工况条件,包括:
根据所述加工工艺信息,确定所述待加工工件对应的机床信息、刀具信息以及加工过程信息;
根据所述工件基础信息,确定所述待加工工件对应的工件材料信息以及工件尺寸信息;
将所述机床信息、所述刀具信息、所述加工过程信息、所述工件材料信息以及工件尺寸信息作为所述工况条件。
在一种实现方式中,所述获取所述工况条件所对应的输入信息,包括:
基于所述机床信息、所述刀具信息以及所述加工过程信息,获取所述待加工工件的加工参数信息;
根据所述工件材料信息以及工件尺寸信息,确定所述待加工工件的加工图像信息;
将所述加工图像信息与所述加工参数信息作为所述输入信息。
在一种实现方式中,所述能耗预测模型的训练过程包括:
构建包含能耗预测任务的神经网络架构,所述神经网络架构包括卷积神经网络中的卷积层、池化层以及连接算子;
设置所述能耗预测任务对应的样本性能指标,并设置所述样本性能指标对应的样本工况条件;
设置所述样本工况条件对应的样本输入信息,并设置所述样本输入信息对应的样本能耗信息;
基于所述样本输入信息与所述样本能耗信息之间的映射关系训练所述神经网络架构,得到所述能耗预测模型。
在一种实现方式中,所述方法还包括:
若所述加工环境变化,则获取变化后的工况条件,并基于所述变化后的工况条件确定变化后的性能指标;
基于所述变化后的性能指标,调整所述神经网络架构,以对所述能耗预测模型进行更新。
在一种实现方式中,所述基于所述变化后的性能指标,调整所述神经网络架构,以对所述能耗预测模型进行更新,包括:
基于所述变化后的性能指标,更新所述能耗预测任务,并基于更新后的能耗预测任务,调整所述神经网络架构中的卷积层、池化层以及连接算子,得到更新后的能耗预测模型。
本发明还提供一种基于加工环境的自适应能耗评估装置,包括:
预测任务确定模块,用于获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
工况条件分析模块,用于获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
能耗评估确定模块,用于获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
本发明还提供一种电子设备,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如上述任一种所述基于加工环境的自适应能耗评估方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于加工环境的自适应能耗评估方法。
本发明提供的基于加工环节的自适应能耗评估方法、装置、设备及介质,首先获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素。然后,获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息。最后,获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。由此可见,本发明可基于加工环境信息的工况条件来评估能耗信息,提高了能耗分析的准确率与效率。并且,本发明应用的能耗预测模型是与能耗预测任务对应的,能耗预测任务又是和工况条件对应的,因此即使工况条件发生变化,也可以确定出对应的能耗预测模型来输出能耗信息,提升了本发明的适应性,便于适用于更多的应用场景。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于加工环境的自适应能耗评估方法的流程示意图;
图2是本发明提供的基于加工环境的自适应能耗评估装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明的基于加工环境的自适应能耗评估方法。具体应用时,本实施例可首先获取加工环境信息,该加工环境信息反映的是数控机床在对工件进行加工时的环境信息,该加工环境信息包括但不限于加工过程中使用到的机床、刀具等,这些加工环境信息对加工能耗都具有影响作用。为此,本实施例可根据加工环境信息确定出对应的工况条件,这些工况条件用于反映加工环境中影响加工能耗的条件因素。并且,这些工况条件对应有能耗预测任务,该能耗预测任务即为用于预测上述加工环境信息所对应的加工能耗。本实施例中的能耗预测任务与能耗预测模型进行对应,在进行能耗预测时,本实施例是基于工况条件对应的能耗预测任务去找到对应的能耗预测模型,该能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。接着,本实施例获取工况条件对应的输入信息,该输入信息包括工况条件所对应的加工图像信息(比如待加工工件的图像)以及加工参数信息(比如数控机床上输入的加工参数)。当将输入信息输入至能耗预测模型后,该能耗预测模型可根据输入信息自动输出输入信息对应能耗信息,从而实现能耗评估。本实施例可准确且高效地实现对加工能耗的评估,并且,能耗预测模型是与工况条件对应的能耗预测任务对应的,而工况条件是与加工环境信息对应的,因此当加工环境信息变化后,也可以获取到对应的能耗预测模型来进行能耗评估,提高了本实施例方法的场景适应性。
本实施例的基于加工环境的自适应能耗评估方法可应用于终端设备,该终端设备可为智能终端,比如电脑等智能化产品,此时该终端设备可与数控机床连接,以对数控机床进行控制以及对数控机床对待加工工件的加工过程进行分析。此外,本实施例的终端设备可直接集成为数控机床上的控制系统。具体地,如图1中所示,本实施例的基于加工环境的自适应能耗评估方法包括如下步骤:
步骤S100、获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素。
本实施例首先获取待加工工件的加工环境信息,该加工环境信息反映的是数控机床在对工件进行加工时的环境信息,该加工环境信息包括但不限于加工过程中使用到的机床、刀具等信息。加工环境信息又反映出对应的工况条件时,这些工况条件也就是对加工能耗起到影响的条件因素。本实施例在得到工况条件后,可进一步确定出对应的能耗预测任务,该能耗预测任务是根据工况条件来设置的用于实现加工能耗评估的任务。
在一种实现方式中,本实施例的上述步骤S100具体包括如下步骤:
步骤S101、获取待加工工件的所述加工环境信息,基于所述加工环境信息确定所述待加工工件的加工工艺信息和工件基础信息;
步骤S102、根据所述加工工艺信息和所述工件基础信息,确定所述工况条件;
步骤S103、基于所述工况条件,确定所述工况条件所对应的性能指标,并获取所述性能指标所对应的能耗预测任务,所述性能指标为根据所述工况条件预设的能耗指标。
在本实施例中,当获取到待加工工件的加工环境信息后,可根据该加工环境信息确定待加工工件的加工工艺信息和工件基础信息。该加工工艺信息反映的是待加工工件的工艺流程,该工艺流程中包括有加工过程中使用的机床信息、刀具信息、加工参数信息等。该工件基础信息反映的是待加工工件的本身尺寸信息以及本身材料信息,并且还可以反映出该待加工工件在整个加工过程中的变化信息,比如尺寸变化等。而这些加工工艺信息和工件基础信息都会对加工能耗产生一定的影响,在一定程度上属于加工能耗的影响因素。因此,本实施例可根据加工工艺信息和工件基础信息,确定所述工况条件。
在一种实现方式中,本实施例根据所述加工工艺信息,确定所述待加工工件对应的机床信息、刀具信息以及加工过程信息。该机床信息可包括机床型号、机床剩余寿命、机床新旧程度等信息。该刀具信息可包括刀具型号、刀具剩余寿命以及刀具磨损程度等信息。该加工过程信息可包括加工过程中使用到的冷却液的数据以及润滑数据等。接着,本实施例还可根据所述工件基础信息,确定所述待加工工件对应的工件材料信息以及工件尺寸信息。在本实施例中,工件材料信息反映的是待加工工件的材料、工件尺寸信息反映的是待加工工件的原始尺寸以及加工过程中的尺寸变化数据。本实施例获取到的所述机床信息、所述刀具信息、所述加工过程信息、所述工件材料信息以及工件尺寸信息都是在加工环境中影响加工能耗的条件因素,因此,本实施例可将所述机床信息、所述刀具信息、所述加工过程信息、所述工件材料信息以及工件尺寸信息汇总并作为所述工况条件。
进一步地,当确定出工况条件后,本实施例可基于该工况条件,确定性能指标,该性能指标反映的是利用现有加工环境信息下的工况条件所能达到预期能耗指标,因此,本实施例的性能指标是可预先根据确定的工况条件来设置。比如,预先设置各种工况条件所对应的性能指标,比如,机床型号对应的性能指标为W1、刀具材料对应的性能指标为W2等。当设置完所有工况条件对应的性能指标后,可形成一性能指标匹配数据库或者性能指标匹配表格,当获取到当前加工环境下的工况条件后,就可以基于该性能指标匹配数据库或者性能指标匹配表格出对应的性能指标。当确定出性能指标后,本实施例可获取性能指标所对应的能耗预测任务,以便根据该能耗预测任务获取到对应的能耗预测模型。由于本实施例获取到的是各个工况条件的性能指标,在确定能耗预测任务时,可基于性能指标最高的工况条件来确定能耗预测任务,这样可保证基于该能耗预测任务获取到的能耗预测模型可满足所有工况条件,也就可以对所有的工况条件来进行能耗评估。可见,本实施例基于加工环境信息进行分析,确定工况条件,进而根据工况条件对于加工能耗的影响来确定能耗预测任务,以便更准确且便捷地确定出能耗预测模型,并且确定出的能耗预测模型也有针对性的。
步骤S200、获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息。
本实施例获取到工况条件后,可获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息。该加工图像信息为待加工工件在加工过程中的图像信息,比如待加工工件的原始图像、待加工工件在加工过程中因外形结果或者尺寸变化所产生的形态变化图像等。该工艺参数信息可在对待加工工件进行加工时,数控机床上输入的加工参数。本实施例通过工况条件获取到的对应输入信息,可实时反映出该待加工工件的加工状态,便于实现对加工能耗的预测与评估。
具体实施时,本实施例可基于所述机床信息、所述刀具信息以及所述加工过程信息,获取所述待加工工件的加工参数信息。然后根据所述工件材料信息以及工件尺寸信息,确定所述待加工工件的加工图像信息,该加工图像信息可基于图像采集设备来采集得到。最后,本实施例可将所述加工图像信息与所述加工参数信息作为所述输入信息。本实施例中的输入信息包括了加工图像与加工参数两个维度,这两个维度更全面的反映出了数控机床对于待加工工件的加工情况。因此,当将该输入信息输入至能耗预测模型后,可从两个维度进行能耗预测,提高了能耗预测的全面性。
步骤S300、获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
在进行能耗预测时,本实施例将输入信息输入至能耗预测任务所对应的能耗预测模型中,由于该能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型,因此,该能耗预测模型可自动输出与输入信息所对应的能耗信息,本实施例的能耗信息可为具体的数值信息或者用于表示能耗高低的程度信息。
在本实施例中,能耗预测模型在训练时,主要包括以下步骤:首先,本实施例首先构建包含能耗预测任务的神经网络架构,所述神经网络架构包括卷积神经网络中的卷积层、池化层以及连接算子。当然,该神经网络架构中可包含多个能耗预测任务,以便使用相同的神经网络架构来对不同的能耗预测任务进行能耗预测。接着,本实施例设置所述能耗预测任务对应的样本性能指标,并设置所述样本性能指标对应的样本工况条件。本实施例在设置样本性能指标以及样本工况条件时,可基于能耗预测任务对应的样本零件在加工过程中的标准工艺信息来设置,由于标准工艺零件中记录有加工过程中使用的机床、刀具以及一些加工参数等数据,并且标准工艺零件中还记录有加工质量要求等数据,因此就可以基于该标准工艺文件来设置该能耗预测任务对应的样本性能指标,以及设置样本工况条件对应的样本工况条件。
然后,本实施例设置所述样本工况条件对应的样本输入信息,并设置所述样本输入信息对应的样本能耗信息。同样地,本实施例可根据样本零件实际加工过程的历史记录来设置样本图像信息以及样本加工参数,也就得到了样本输入信息。并且还实时记录该样本在实际加工过程中能耗数据,作为样本能耗信息。最后,本实施例基于所述样本输入信息与所述样本能耗信息之间的映射关系训练所述神经网络架构,得到所述能耗预测模型。在实际的训练过程中,本实施例可使用图遍历算法来搜索在某一加工环境信息下的最优的神经网络架构,从而得到性能最优的能耗预测模型。
在一种实现方式中,本实施例还可以在将上述神经网络架构应用于加工环境中某一特定工况条件发生变动的能耗预测任务上,通过训练网络,来优化神经网络架构的结构,进而优化能耗预测模型。具体地,若所述加工环境变化,则获取变化后的工况条件,并基于所述变化后的工况条件确定变化后的性能指标。然后基于所述变化后的性能指标,更新所述能耗预测任务,并基于更新后的能耗预测任务,调整所述神经网络架构中的卷积层、池化层以及连接算子,得到所述更新后的能耗预测模型。也就是说,本实施例使用微调策略来训练能耗预测模型,在已有的神经网络架构上微调网络参数,以适应新的能耗预测任务。本实施例也可以基于同时变化的多种工况条件来更新能耗预测模型,以提高能耗预测模型的复杂度。当然,随着工况条件不断变化的能耗预测任务的到达,神经网络结构需要进行调整以适应不同的能耗预测任务需求。本实施例可以使用一些自适应调整策略,如神经架构搜索(NAS)或自适应学习率等方法,来调整任务特定的网络层的结构。这样可以根据能耗预测任务之间的差异来自适应地调整神经网络架构,从而提高能耗预测模型的性能。
此外,在多任务模式下的神经网络架构的搜索空间中,本实施例还可使用强化学习算法搜索最优的神经网络架构,该神经网络架构包括多个共享网络层和多个任务特定的网络层,以最小化多个能耗预测任务的损失函数。将搜索到的最优网络结构应用于所有能耗预测任务,其中共享网络层将被用于所有能耗预测任务,以共享相同的特征提取器。这样可减少参数的数量,并提高能耗预测模型的泛化能力。
下面对本发明提供的基于加工环境的自适应能耗评估装置进行描述,下文描述的基于加工环境的自适应能耗评估装置与上文描述的基于加工环境的自适应能耗评估方法可相互对应参照。
如图2中所示,本发明还提供一种基于加工环境的自适应能耗评估装置,所述装置包括:预测任务确定模块210、工况条件分析模块220以及能耗评估确定模块230。具体地,本实施例的预测任务确定模块210,用于获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映所述加工环境中影响加工能耗的条件因素。所述工况条件分析模块220,用于获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息。所述能耗评估确定模块230,用于获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行基于加工环境的自适应能耗评估方法,该方法包括:
获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于加工环境的自适应能耗评估方法,该方法包括:
获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于加工环境的自适应能耗评估方法,该方法包括:
获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于加工环境的自适应能耗评估方法,其特征在于,包括:
获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
2.根据权利要求1所述的基于加工环境的自适应能耗评估方法,其特征在于,所述获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,包括:
获取待加工工件的所述加工环境信息,基于所述加工环境信息确定所述待加工工件的加工工艺信息和工件基础信息;
根据所述加工工艺信息和所述工件基础信息,确定所述工况条件;
基于所述工况条件,确定所述工况条件所对应的性能指标,并获取所述性能指标所对应的能耗预测任务,所述性能指标为根据所述工况条件预设的能耗指标。
3.根据权利要求2所述的基于加工环境的自适应能耗评估方法,其特征在于,所述根据所述加工工艺信息和所述工件基础信息,确定所述工况条件,包括:
根据所述加工工艺信息,确定所述待加工工件对应的机床信息、刀具信息以及加工过程信息;
根据所述工件基础信息,确定所述待加工工件对应的工件材料信息以及工件尺寸信息;
将所述机床信息、所述刀具信息、所述加工过程信息、所述工件材料信息以及工件尺寸信息作为所述工况条件。
4.根据权利要求3所述的基于加工环境的自适应能耗评估方法,其特征在于,所述获取所述工况条件所对应的输入信息,包括:
基于所述机床信息、所述刀具信息以及所述加工过程信息,获取所述待加工工件的加工参数信息;
根据所述工件材料信息以及工件尺寸信息,确定所述待加工工件的加工图像信息;
将所述加工图像信息与所述加工参数信息作为所述输入信息。
5.根据权利要求1所述的基于加工环境的自适应能耗评估方法,其特征在于,所述能耗预测模型的训练过程包括:
构建包含能耗预测任务的神经网络架构,所述神经网络架构包括卷积神经网络中的卷积层、池化层以及连接算子;
设置所述能耗预测任务对应的样本性能指标,并设置所述样本性能指标对应的样本工况条件;
设置所述样本工况条件对应的样本输入信息,并设置所述样本输入信息对应的样本能耗信息;
基于所述样本输入信息与所述样本能耗信息之间的映射关系训练所述神经网络架构,得到所述能耗预测模型。
6.根据权利要求5所述的基于加工环境的自适应能耗评估方法,其特征在于,所述方法还包括:
若所述加工环境变化,则获取变化后的工况条件,并基于所述变化后的工况条件确定变化后的性能指标;
基于所述变化后的性能指标,调整所述神经网络架构,以对所述能耗预测模型进行更新。
7.根据权利要求6所述的基于加工环境的自适应能耗评估方法,其特征在于,所述基于所述变化后的性能指标,调整所述神经网络架构,以对所述能耗预测模型进行更新,包括:
基于所述变化后的性能指标,更新所述能耗预测任务,并基于更新后的能耗预测任务,调整所述神经网络架构中的卷积层、池化层以及连接算子,得到更新后的能耗预测模型。
8.一种基于加工环境的自适应能耗评估装置,其特征在于,包括:
预测任务确定模块,用于获取加工环境信息,确定所述加工环境信息所对应的工况条件,并获取所述工况条件所对应的能耗预测任务,其中,所述工况条件用于反映加工环境中影响加工能耗的条件因素;
工况条件分析模块,用于获取所述工况条件所对应的输入信息,所述输入信息用于反映所述工况条件所对应的加工图像信息以及加工参数信息;
能耗评估确定模块,用于获取所述能耗预测任务所对应的能耗预测模型,基于所述能耗预测模型确定所述输入信息所对应的能耗信息,其中,所述能耗预测模型是根据样本输入信息与样本能耗信息之间的映射关系训练得到的模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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至7任一项所述基于加工环境的自适应能耗评估方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于加工环境的自适应能耗评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566403.1A CN116307946B (zh) | 2023-05-19 | 2023-05-19 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566403.1A CN116307946B (zh) | 2023-05-19 | 2023-05-19 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307946A true CN116307946A (zh) | 2023-06-23 |
CN116307946B CN116307946B (zh) | 2023-08-18 |
Family
ID=86801744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310566403.1A Active CN116307946B (zh) | 2023-05-19 | 2023-05-19 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307946B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520758A (zh) * | 2023-07-03 | 2023-08-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
WO2022111232A1 (zh) * | 2020-11-30 | 2022-06-02 | 中兴通讯股份有限公司 | 水冷系统的控制模型优化方法、电子设备和存储介质 |
CN114861542A (zh) * | 2022-05-16 | 2022-08-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 直流输电工程损耗评估方法、装置、设备和存储介质 |
CN115167279A (zh) * | 2022-09-07 | 2022-10-11 | 中科航迈数控软件(深圳)有限公司 | 针对数控机床的能耗预测方法、系统及相关设备 |
EP4123864A1 (en) * | 2021-07-21 | 2023-01-25 | Passiv UK Limited | A system for controlling energy supply and/or consumption from an energy network |
CN115952954A (zh) * | 2022-12-05 | 2023-04-11 | 北京数极智能科技有限公司 | 一种企业生产能耗评估方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-19 CN CN202310566403.1A patent/CN116307946B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
WO2022111232A1 (zh) * | 2020-11-30 | 2022-06-02 | 中兴通讯股份有限公司 | 水冷系统的控制模型优化方法、电子设备和存储介质 |
EP4123864A1 (en) * | 2021-07-21 | 2023-01-25 | Passiv UK Limited | A system for controlling energy supply and/or consumption from an energy network |
CN114861542A (zh) * | 2022-05-16 | 2022-08-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 直流输电工程损耗评估方法、装置、设备和存储介质 |
CN115167279A (zh) * | 2022-09-07 | 2022-10-11 | 中科航迈数控软件(深圳)有限公司 | 针对数控机床的能耗预测方法、系统及相关设备 |
CN115952954A (zh) * | 2022-12-05 | 2023-04-11 | 北京数极智能科技有限公司 | 一种企业生产能耗评估方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王全景主编: "《数控加工技术》", 北京:机械工业出版社, pages: 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520758A (zh) * | 2023-07-03 | 2023-08-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
CN116520758B (zh) * | 2023-07-03 | 2023-09-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116307946B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307946B (zh) | 基于加工环境的自适应能耗评估方法、装置、设备及介质 | |
JP2020528996A (ja) | ディスプレイスクリーン品質検査方法、装置、電子機器及び記憶媒体 | |
EP3471344A1 (en) | System and method for selecting proxy computer | |
CN116184988B (zh) | 基于多模态数据的故障预测方法、装置、设备及存储介质 | |
CN115470905B (zh) | 一种大数据分析处理方法及系统 | |
CN115993804B (zh) | 一种基于数控机床的刀具参数调整方法及相关设备 | |
CN109726195A (zh) | 一种数据增强方法及装置 | |
CN113240226A (zh) | 一种卫星地面站间的资源分配方法及装置 | |
CN113469345A (zh) | 量化模型的优化方法和装置、存储介质及电子装置 | |
CN116363452A (zh) | 任务模型训练方法以及装置 | |
Naing et al. | Feature Selection for Customer Churn Prediction: A Review on the Methods & Techniques applied in the Telecom Industry | |
CN110968835A (zh) | 一种近似分位数计算方法及装置 | |
CN116579409A (zh) | 基于重参数化的智能相机模型剪枝加速方法及加速系统 | |
CN111177644A (zh) | 模型参数的优化方法、装置、设备及存储介质 | |
EP4339843A1 (en) | Neural network optimization method and apparatus | |
CN114862099B (zh) | 一种基于规则引擎的连铸质量预判模型在线系统 | |
CN116090349A (zh) | 一种光学薄膜生产工艺优化方法、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 | |
CN108229071A (zh) | 基于ar模型与svdd算法的刀具性能退化评估方法及系统 | |
CN116068962B (zh) | 一种基于数控机床的工艺路线规划方法及相关设备 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN112200275A (zh) | 人工神经网络的量化方法及装置 | |
CN116208297B (zh) | 一种数控机床传输数据自适应编码方法、装置及相关设备 | |
CN110990766A (zh) | 一种数据预测方法及存储介质 |
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 |