CN116736796B - 一种钢材尺寸的高精度工控方法 - Google Patents

一种钢材尺寸的高精度工控方法 Download PDF

Info

Publication number
CN116736796B
CN116736796B CN202311016137.1A CN202311016137A CN116736796B CN 116736796 B CN116736796 B CN 116736796B CN 202311016137 A CN202311016137 A CN 202311016137A CN 116736796 B CN116736796 B CN 116736796B
Authority
CN
China
Prior art keywords
machining
parameters
precision
processing
compensation
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
Application number
CN202311016137.1A
Other languages
English (en)
Other versions
CN116736796A (zh
Inventor
罗晓芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhangjiagang Guangda Special Material Co ltd
Original Assignee
Zhangjiagang Guangda Special Material Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhangjiagang Guangda Special Material Co ltd filed Critical Zhangjiagang Guangda Special Material Co ltd
Priority to CN202311016137.1A priority Critical patent/CN116736796B/zh
Publication of CN116736796A publication Critical patent/CN116736796A/zh
Application granted granted Critical
Publication of CN116736796B publication Critical patent/CN116736796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/41—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by interpolation, e.g. the computation of intermediate points between programmed end points to define the path to be followed and the rate of travel along that path
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34083—Interpolation general
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

一种钢材尺寸的高精度工控方法，属于智能加工领域，其中包括：获取钢材零件的历史精密加工数据，获得加工数据集合；对钢材零件进行尺寸检测，获得实时原材尺寸并在加工数据集合进行检索，获得多个待选补偿加工参数；对其进行寻优，获得实时最优补偿加工参数，对钢材原材料进行补偿加工并检测获得实时补偿加工尺寸；将其输入精密加工分析模型内，获得多个预测精密加工参数并进行检索，获取多个预测加工准确率；对加工参数进行加权计算，获得实时精密加工参数，进行目标钢材零件的加工。本申请解决了现有技术中由于加工参数不精准导致钢材加工精度低的技术问题，达到了优化加工参数，减少原材料损耗，提高加工精度和质量的技术效果。

Description

一种钢材尺寸的高精度工控方法
技术领域
本发明涉及智能加工领域，具体涉及一种钢材尺寸的高精度工控方法。
背景技术
钢材加工是机械制造业中的重要环节，高精度加工技术的使用可以大大提高钢材零件的加工质量和收益。目前，钢材高精度加工技术主要采用人工经验判断和简单的数学模型进行参数设定与控制，难以实现高效准确的加工效果。
发明内容
本申请通过提供了一种钢材尺寸的高精度工控方法，旨在解决现有技术中由于加工参数不精准导致钢材加工精度低的技术问题。
鉴于上述问题，本申请提供了一种钢材尺寸的高精度工控方法。
本申请公开的第一个方面，提供了一种钢材尺寸的高精度工控方法，该方法包括：获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率；对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据实时原材尺寸，在加工数据集合内进行检索，获得对应的多个待选补偿加工参数；以提升补偿加工准确率和降低原材料成本为目的，对多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸；将实时补偿加工尺寸输入基于加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，其中，精密加工分析模型基于集成学习构建，包括多个精密加工分析单元；根据实时补偿加工尺寸和多个预测精密加工参数，在加工数据集合内进行检索，获取多个预测加工准确率；根据多个预测加工准确率和多个精密加工分析单元的准确率，对多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行目标钢材零件的加工。
本申请公开的另一个方面，提供了一种钢材尺寸的高精度工控系统，该系统包括：加工数据集合模块，用于获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率；待选补偿参数模块，用于对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据实时原材尺寸，在加工数据集合内进行检索，获得对应的多个待选补偿加工参数；实时补偿加工尺寸模块，用于以提升补偿加工准确率和降低原材料成本为目的，对多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸；预测精密加工参数模块，用于将实时补偿加工尺寸输入基于加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，其中，精密加工分析模型基于集成学习构建，包括多个精密加工分析单元；预测加工准确率模块，用于根据实时补偿加工尺寸和多个预测精密加工参数，在加工数据集合内进行检索，获取多个预测加工准确率；精密加工模块，用于根据多个预测加工准确率和多个精密加工分析单元的准确率，对多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行目标钢材零件的加工。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获取目标钢材零件的加工数据集合，检测待加工钢材零件的原材尺寸，在加工数据集合中检索获得多个待选补偿加工参数，优化选择实时最优补偿加工参数，进行补偿加工并检测获得补偿加工尺寸，将补偿加工尺寸输入基于加工数据集合构建的精密加工分析模型，预测获得多个精密加工参数，再根据补偿加工尺寸和预测精密加工参数检索获得多个预测加工准确率，最后，根据预测加工准确率和精密加工分析单元的准确率，对预测精密加工参数进行加权计算，获得实时精密加工参数，实现目标钢材零件的高精度加工的技术方案，解决了现有技术中由于加工参数不精准导致钢材加工精度低的技术问题，达到了优化加工参数，减少原材料损耗，提高加工精度和质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种钢材尺寸的高精度工控方法可能的流程示意图；
图2为本申请实施例提供了一种钢材尺寸的高精度工控方法中获得多个待选补偿加工参数可能的流程示意图；
图3为本申请实施例提供了一种钢材尺寸的高精度工控方法中获得多个预测精密加工参数可能的流程示意图；
图4为本申请实施例提供了一种钢材尺寸的高精度工控系统可能的结构示意图。
附图说明：加工数据集合模块11，待选补偿参数模块12，实时补偿加工尺寸模块13，预测精密加工参数模块14，预测加工准确率模块15，精密加工模块16。
具体实施方式
本申请实施例提供的技术方案总体思路如下：
收集历史加工数据，构建加工数据集合，作为优化加工参数的数据基础；检测待加工钢材零件的原材尺寸，根据原材尺寸在加工数据集合中检索，获得多个待选补偿加工参数，为补偿加工参数提供数据支持；优化选择实时最优补偿加工参数，综合考虑补偿加工准确率和原材料成本，实现补偿加工；检测获取实时补偿加工尺寸，并将补偿加工尺寸输入精密加工分析模型，利用模型预测获得多个精密加工参数；根据补偿加工尺寸和预测精密加工参数，在加工数据集合中检索，获得多个预测加工准确率；根据预测加工准确率和精密加工分析单元的准确率，对预测精密加工参数进行加权计算，获得实时精密加工参数，对目标钢材零件进行精加工。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例1
如图1所示，本申请实施例提供了一种钢材尺寸的高精度工控方法，该方法包括：
步骤S100：获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率；
具体而言，采集目标钢材零件在预设的历史时间范围内进行精密加工时的加工数据，得到加工数据集合。其中，预设历史时间范围一般设置为6个月到2年。
加工数据是指在一次精密加工过程中采集的全过程数据，每条加工数据包含原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率，每条加工数据均是在同一件目标钢材零件的连续完整加工过程中采集的数据，包含从原材料到成品的全过程信息，因此具有较高的相关性。其中，原材尺寸是指目标钢材零件的原材料尺寸参数，影响后续加工工序和最终加工质量；补偿加工参数是指为了纠正原材料尺寸误差和提高加工质量，在精密加工工序之前进行的补偿加工所采用的关键加工参数，在进行补偿加工后一般还留有进行精密加工的补偿余量，补偿加工参数具体为例如补偿切削量等；补偿加工尺寸是指进行补偿加工后获得的钢材零件的尺寸参数；精密加工参数是指精密加工工序中用于获得零件设计尺寸和品质的关键加工参数，例如主轴转速、进给速度、切削深度等；加工准确率是指精加工结束后，通过检测获得的零件关键尺寸参数与理论设计值的偏差，用以评估加工质量和精度。通过获得加工数据集合，为后续的工艺控制和优化提供数据基础。
步骤S200：对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据所述实时原材尺寸，在所述加工数据集合内进行检索，获得对应的多个待选补偿加工参数；
具体而言，首先对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，以获得实时原材尺寸参数，实时原材尺寸是指通过检测技术手段测得的当前待加工原材料的关键尺寸参数。其中，对实时原材尺寸的检测技术手段包括三坐标测量仪、激光扫描、光学尺寸检测、机器视觉检测等。然后，根据获得的实时原材尺寸，在加工数据集合内进行检索，以实时原材尺寸作为关键词，在加工数据集合中搜索与其尺寸相同或相近且工艺参数相关的历史加工数据，通过检索可以找到多个与当前实时原材尺寸高度相关的目标历史加工数据。最后，从找到的多个目标历史加工数据中提取补偿加工参数，获得对应的多个待选补偿加工参数。补偿加工参数是指用于提高加工精度和质量的预加工参数，例如加工宽度、厚度、补偿设备转速、补齐切削量等。
通过目标历史加工数据中的补偿加工参数，可以得出多个可选的待选补偿加工参数，为后续参数优选提供选择范围。
步骤S300：以提升补偿加工准确率和降低原材料成本为目的，对所述多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对所述钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸；
具体而言，为了达到提升补偿加工准确率和降低原材料成本的目的，对多个待选补偿加工参数进行优化选取，得到实时最优补偿加工参数。对所述多个待选补偿加工参数进行寻优可以采用加权评分法、遗传算法、粒子群算法、神经网络等方法。以加权评分法为例，首先根据加工数据集合确定待选补偿加工参数对应的理论补偿加工尺寸和实际可加工成本参数；然后结合目标钢材零件的设计尺寸，计算各个参数方案的补偿加工精度和成本数据；再通过加权计算方法，综合考虑补偿加工精度与成本，对多个参数方案进行评分，选择评分最高的方案作为实时最优补偿加工参数。
获得实时最优补偿加工参数后，利用相应的加工设备对钢材原材料进行补偿加工，即进一步修正原材料尺寸，提高加工准确性和产品质量。补偿加工结束后，采用三坐标测量仪、激光扫描、光学尺寸检测等检测方法对加工后的钢材原材料重新进行检测，获取实时补偿加工尺寸参数。
通过计算机优化算法和补偿加工设备，获得实时最优补偿加工参数并进行补偿加工，实现了对原材料的尺寸修正，从而降低原材料成本，提高加工精度。
步骤S400：将所述实时补偿加工尺寸输入基于所述加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，其中，所述精密加工分析模型基于集成学习构建，包括多个精密加工分析单元；
具体而言，精密加工分析模型是指通过集成学习算法构建的预测模型，用于预测精密加工参数。集成学习是指综合利用多个学习算法或模型构建集成而成的人工智能系统的方法。
基于加工数据集合，分别采用多个不同的机器学习方法构建多个精密加工分析单元，如神经网络、支持向量机、决策树等机器学习方法；然后通过加权融合的方法，将这些单元集成为一个精密加工分析模型。模型输入为实时补偿加工尺寸，经过每个单元的预测计算，输出多个预测精密加工参数。其中，预测精密加工参数是指要使目标钢材零件达到设计目标对实时补偿加工尺寸需要进行精加工工序的关键加工参数，例如主轴转速、进给速度、切削深度等。各个精密加工分析单元分别基于不同的学习机制对精密加工参数进行建模和预测，可以提高预测精确度，得到更可靠的精密加工参数预测值，具有更强的泛化能力。
通过将实时补偿加工尺寸输入精密加工分析模型可以快速输出多个预测精密加工参数，为后续加工参数选择和加工优化提供决策依据，实现对精密加工的有效控制，提高加工的精度和质量。
步骤S500：根据所述实时补偿加工尺寸和多个预测精密加工参数，在所述加工数据集合内进行检索，获取多个预测加工准确率；
具体而言，根据实时补偿加工尺寸和预测精密加工参数，检索获得多个预测加工准确率。首先根据得到的实时补偿加工尺寸参数和得到的多个预测精密加工参数，在构建的加工数据集合内进行检索，以给定的实时补偿加工尺寸和预测精密加工参数为关键词，在加工数据集合中搜索相关的、最相近的历史加工数据。由于加工数据集合包含大量的历史加工数据，每个数据都对应一组实际采用的补偿加工参数和精密加工参数，以及相应的加工精度数据。因此，通过检索可以找到多个与当前实时补偿加工尺寸和设计精度要求相匹配的目标加工数据。然后，从找到的多个目标加工数据中提取多个预测加工准确率。其中，预测加工准确率是指采用检索得到的某目标加工数据中的补偿加工参数和精密加工参数进行加工，可以达到的预期加工精度，用以评估当前工艺参数的可靠性。
通过对历史加工数据集合的检索，获得多个预测加工准确率，为精密加工参数的选用提供参考依据。如果预测加工准确率高于设计精度要求，则为预测精密加工参数设置高权重；如果预测加工准确率低于要求，则对该预测精密加工参数设置较低权重或者舍弃该预测精密加工参数。利用历史数据对实时补偿加工尺寸和多个预测精密加工参数进行检索并进行准确率评估，从而实现对精密加工参数的合理选择，提高精密加工质量与效率。
步骤S600：根据所述多个预测加工准确率和所述多个精密加工分析单元的准确率，对所述多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行所述目标钢材零件的加工。
具体而言，预测加工准确率反映了各个预测精密加工参数进行精密加工后的加工精度与设计目标的差距，准确率越高精度越高，精度越高的预测精密加工参数在加权计算中权重越大。精密加工分析单元的准确率反映了针对实时补偿加工尺寸，各个精密加工分析单元预测精密加工参数的准确性，准确性越高的精密加工分析单元在加权计算中权重越大。通过加权计算，综合考虑了多个预测加工准确率和多个精密加工分析单元的准确率，获得一组实时精密加工参数。实时精密加工参数是各个预测精密加工参数的加权平均值，能够在保证加工精度的同时具有很高的准确性。然后，采用实时精密加工参数对目标钢材零件进行精密加工，实现钢材尺寸的高精度控制。
通过对多个预测精密加工参数进行加权计算，获得一组综合考虑各因素的实时精密加工参数，用于对钢材零件进行精密加工，实现了钢材尺寸的高精度控制，达到了优化精密加工参数，提高加工精度和质量的技术效果。
进一步的，如图2所示，本申请实施例还包括：
步骤S210：根据所述实时原材尺寸设置检索符；
步骤S220：根据所述检索符，在所述加工数据集合内进行检索，获得具有所述实时原材尺寸的多个目标加工数据，并将所述多个目标加工数据内的补偿加工参数输出，获得所述多个待选补偿加工参数。
具体而言，根据检测获得的实时原材尺寸信息设置检索符，检索符可以是实时原材尺寸的上下限范围，也可以是与实时原材尺寸最匹配的某个标准尺寸，通过设置检索符将原始加工数据集合中的数据缩小范围，为后续检索出目标加工数据提供检索基础。根据所设置的检索符，在加工数据集合中进行检索，获得多个目标加工数据，目标加工数据是检索符对应范围内的加工数据，包含实时原材尺寸最匹配或最接近的加工数据。然后，从多个目标加工数据中提取其中的补偿加工参数，输出作为多个待选补偿加工参数。补偿加工参数是用于对实时原材尺寸进行补偿加工的关键参数，影响补偿加工的精度和效率。
通过选择多个待选补偿加工参数为后续寻优步骤中选择最优补偿加工参数提供数据支持，以实现补偿加工。如果直接选择目标加工数据内的某一补偿加工参数，难以保证选择的补偿加工参数是最优的。而提供多个可选补偿加工参数，然后综合考虑加工成本、加工精度等因素进行寻优，可以获得最优补偿加工参数，从而提高整体补偿加工的效率和质量。
进一步的，本申请实施例还包括：
步骤S310：根据所述加工数据集合，获取所述多个待选补偿加工参数对应的多个补偿加工尺寸；
步骤S320：根据所述多个待选补偿加工参数，获取进行补偿加工后的多个理论补偿加工尺寸；
步骤S330：获取所述目标钢材零件的理论尺寸，结合所述多个补偿加工尺寸，计算获得多个原料成本参数；
步骤S340：根据所述多个理论补偿加工尺寸和所述多个补偿加工尺寸，计算获得多个补偿加工准确率参数；
步骤S350：对所述多个原料成本参数和所述多个补偿加工准确率参数进行加权计算，获得所述多个待选补偿加工参数的多个适应度；
步骤S360：将所述多个适应度中的最大值对应的待选补偿加工参数作为所述实时最优补偿加工参数。
具体而言，根据加工数据集合获得多个待选补偿加工参数对应的补偿加工尺寸，是指加工数据集合中待选补偿加工参数对应的对历史钢材原材料进行补偿加工后获得的零件尺寸。然后，针对补偿加工设备，采用机械加工理论、数值仿真等方法构建补偿加工理论模型，将多个待选补偿加工参数输入补偿加工理论模型中，计算获得相应的理论补偿加工尺寸，理论补偿加工尺寸是补偿加工理论模型预测的加工结果。将目标钢材零件的理论尺寸与多个历史补偿加工尺寸结合，计算获得多个原料成本参数，例如计算历史补偿加工尺寸与理论尺寸的差值与理论尺寸的比值，再进行取倒数处理，反映了各个待选补偿加工参数对应的原材消耗和成本。通过计算理论尺寸和补偿加工尺寸的偏差，得到补偿加工后余量的大小，进而计算原料成本参数，余量越大，则浪费越大，则原料成本参数越小。
根据所得的多个补偿加工尺寸和理论补偿加工尺寸，计算获得多个补偿加工精度参数，反映了各个待选补偿加工参数补偿加工的准确度，可以采用补偿加工尺寸与理论补偿加工尺寸的偏差百分比来计算，例如：假设有3个待选补偿加工参数，对应的补偿加工尺寸为{10mm，11mm，9mm}，理论补偿加工尺寸为{10mm，10mm，10mm}，则补偿加工误差参数为：参数1的误差率为(10mm-10mm)/10mm×100%=0%，参数2的误差率为(10mm-11mm)/10mm×100%=10%，参数3的误差率为(10mm-9mm)/10mm×100%=10%；补偿加工误差参数1为0，表示使用待选补偿加工参数1补偿加工的精度最高，其对应的补偿加工准确率参数为100%，补偿加工误差参数2和3都为10%，其对应的补偿加工准确率参数为90%，表示使用这两个待选补偿加工参数的补偿加工精度相同，比参数1略低。通过获取多个补偿加工准确率参数可以直观地反映各个待选补偿加工参数的补偿加工精度，为获得最优补偿加工参数提供参考依据。
对多个原料成本参数和多个补偿加工准确率参数进行归一化处理，分别获得0-1之间的成本权重和准确率权重，成本权重越大表示原料成本越低，精度权重越大表示补偿加工精度越高。设置成本权重和准确率权重的比例系数为α和β，并且α+β=1。其中，比例系数α和β的设置需要综合考虑成本和精度的重要性，例如取α=β=0.5。采用加权平均算法计算适应度，计算公式为：适应度=α×成本权重+β×精度权重。适应度的值越大，表示可选补偿加工参数既能达到较高的补偿加工精度，又减少了钢材原料的浪费，补偿加工的余量较少，具有较低的成本，是更优的选择。通过计算原料成本参数、补偿加工精度参数和适应度，并选择适应度最大的可选补偿加工参数，获得最优补偿加工参数，实现了成本低、精度高的补偿加工参数，提高补偿加工的经济效益和质量。
进一步的，如图3所示，本申请实施例还包括：
步骤S410：根据所述加工数据集合，获得P个样本补偿加工尺寸和P个样本精密加工参数，P为大于1的整数；
步骤S420：对所述P个样本补偿加工尺寸和P个样本精密加工参数进行组合，获得P组构建数据；
步骤S430：采用所述P组构建数据，构建所述精密加工分析模型内的多个精密加工分析单元；
步骤S440：将所述实时补偿加工尺寸输入所述多个精密加工分析单元，获得所述多个预测精密加工参数。
具体而言，根据加工数据集合获得P个样本补偿加工尺寸和P个样本精密加工参数。样本数据是构建精密加工分析模型的基础数据，P值越大，样本数据越丰富，模型构建精度越高，样本数据中至少包含一个样本补偿加工尺寸和一个样本精密加工参数。对获得的样本补偿加工尺寸和样本精密加工参数进行组合，获得P组构建数据，用于构建精密加工分析模型。
采用获得的P组构建数据构建精密加工分析模型内的多个精密加工分析单元，精密加工分析单元是模型的基本单元，多个精密加工分析单元的组合构成整个精密加工分析模型。首先，根据P组构建数据的特征，选择适合的数据模型，可以是线性回归模型、树模型、神经网络模型等，不同的数据模型适用于不同类型的数据集。将P组构建数据划分为训练集、验证集和测试集。其中训练集用于模型训练，验证集用来对模型的超参数进行调整，测试集用来模型的最终评估。然后，对训练集进行特征工程的处理，如去除噪音数据、归一化、特征选择等，提高模型的预测精度。选定模型的超参数，如神经网络的层数、节点数，决策树的最大深度等。对训练集使用选定的模型和超参数进行训练，获得多个精密加工分析单元，如多个神经网络或决策树等。接着，使用测试集评估多个精密加工分析单元的预测精度，选择预测精度更高的单元构建最终的精密加工分析模型。精密加工分析模型构建完成后，可以用来预测新输入的实时补偿加工尺寸对应的精密加工参数，预测精度越高，说明构建的模型越优。
将实时补偿加工尺寸分别输入多个精密加工分析单元，获得多个预测精密加工参数。通过建立多个精密加工分析单元对实时补偿加工尺寸进行精密加工参数预测，与单一模型进行预测相比，可靠性更高，同时为后续根据多个预测精密加工参数寻优获得最优的精密加工参数提供数据基础，从而实现对钢材尺寸的高精度加工。
进一步的，本申请实施例还包括：
步骤S431：对所述P组构建数据进行数据标识，并分配P个第一权值，每个第一权值为1/P；
步骤S432：基于神经网络，构建所述多个精密加工分析单元内的第一精密加工分析单元，所述第一精密加工分析单元的输入数据为补偿加工尺寸，输出数据为精密加工参数；
步骤S433：采用所述P组构建数据，对所述第一精密加工分析单元进行监督训练和网络参数更新；
步骤S434：在训练结束后，采用所述P组构建数据对所述第一精密加工分析单元进行测试，获得P个测试结果，每个测试结果内包括预测值是否等于真实值的判断结果，并获取所述第一精密加工分析单元的第一准确率；
步骤S435：根据所述P个测试结果和P个第一权值，对所述P组构建数据分配权重，获得P个第二权值；
步骤S436：基于神经网络，构建所述多个精密加工分析单元内的第二精密加工分析单元，根据所述P个第二权值的大小，分配对所述P组构建数据进行训练的算力，并采用所述P组构建数据对所述第二精密加工分析单元进行监督训练和网络参数更新；
步骤S437：在训练结束后，采用所述P组构建数据对所述第一精密加工分析单元进行测试，并继续构建获得其他多个精密加工分析单元。
具体而言，对P组构建数据进行数据标识，并分配P个第一权值，每个第一权值为1/P，P组构建数据的初始化权值为相等，表示P组构建数据的权重相等。基于神经网络构建精密加工分析单元，该单元的输入为补偿加工尺寸，输出为精密加工参数。首先确定神经网络的结构，包括输入层、隐藏层和输出层的节点数，选择神经网络的类型，如多层感知机、递归神经网络、前馈神经网络等；然后，确定神经网络的激活函数，如ReLU、sigmoid、tanh等，确定神经网络的损失函数，如交叉熵损失、均方误差损失等；接着，选择神经网络的优化算法，如SGD、Adam、RMSprop等，确定神经网络的学习率、批量大小、迭代次数等超参数；最后，基于上述超参数，构建神经网络模型结构。例如，一组用于构建精密加工分析模型的构建数据，包括补偿加工尺寸和对应精密加工参数，输入特征为补偿加工尺寸，输出变量为精密加工参数，任务目标是预测输入的补偿加工尺寸对应的精密加工参数。首先，确定神经网络结构为：输入层10个节点（输入特征维度）、隐藏层50个节点、输出层3个节点（输出变量维度）。选择神经网络类型为多层感知机，该类型网络结构简单，计算开销低，适合于预测任务；确定激活函数为ReLU，有效地提高模型的非线性映射能力；确定损失函数为均方误差损失，可以衡量预测精密加工参数与真实参数的差异；选择优化算法为Adam，可以快速地更新网络参数；确定学习率为0.01，批量大小为32，迭代次数为1000；基于上述信息构建多层感知机网络结构，使用Keras框架实现。
然后，采用P组构建数据对精密加工分析单元进行监督训练和网络参数更新，实现了对精密加工分析单元的训练。训练结束后，采用P组构建数据对得到的精密加工分析单元进行测试，获得P个测试结果，测试结果中包括针对P组构建数据中的P个样本补偿加工尺寸所预测的精密加工参数，将精密加工分析单元预测所得的精密加工参数与P组构建数据中的P个样本精密加工参数进行比较，判断预测值是否等于真实值，获取该精密加工分析单元的准确率，该准确率反映该精密加工分析单元针对补偿加工尺寸队精密加工参数的预测准确度。
根据P个测试结果和P个第一权值，对P组构建数据分配权重，获得P个第二权值。第二权值的分配结合第一精密加工分析单元对各个训练数据的预测精度，赋予预测错误的构建数据更大的权重。基于神经网络与构建第一精密加工分析单元方法相似构建第二精密加工分析单元，根据P个第二权值的大小，分配对P组构建数据进行训练的算力，并采用P组构建数据训练第二个精密加工分析单元，实现了第二个精密加工分析单元的训练，训练过程中权重更大的训练数据被赋予更多的训练资源，例如训练次数，或者训练顺序等。训练结束后，采用P组构建数据对第二个精密加工分析单元进行测试，并基于相同的方法，继续构建其他精密加工分析单元，直至获取多个精密加工分析单元。
通过构建第一个精密加工分析单元、测试评估第一个精密加工分析单元、重新分配P组构建数据的权重、构建第二个精密加工分析单元，然后以此类推的方法，实现了精密加工分析模型内多个精密加工分析单元的构建。构建的每个精密加工分析单元对P组构建数据的预测精度决定下一单元构建时P组构建数据的权重分配，权重更大的数据得到更多的训练资源，实现预测单元的强耦合，提高后续构建单元的预测精度。
进一步的，本申请实施例还包括：
根据所述P个测试结果和P个第一权值，对所述P组构建数据分配权重，获得P个第二权值，如下式：，i=1，2，3...T；
其中，为构建数据x在第i+1精密加工分析单元训练中的权值，/>为构建数据x在第i精密加工分析单元训练中的权值，/>为第i精密加工分析单元中P组构建数据的权重之和，T为多个精密加工分析单元的数量，为大于1的整数，例如为10，/>为第i精密加工分析单元的准确率与全部i个精密加工分析单元的准确率之和的比值。
具体而言，首先得到前一个精密加工分析单元对P组构建数据的测试结果，每个测试结果包含预测值是否等于真实值的判断结果。然后根据前一个精密加工分析单元的准确率和P个第一权值，对P组构建数据分配新的权重，获得P个第二权值。
当前一个精密加工分析单元对构建数据x的预测值等于真实值时，构建后一个精密加工分析单元所用到的P组构建数据的权重分配公式为：
该情况下，由于预测值等于真实值，所以第二权值会减小，减小的幅度与前一个精密加工分析单元的准确率成正相关，即/>越大，/>减小的幅度越大。这是因为前一个精密加工分析单元的预测性能较好，所以可以适当减小构建数据的训练权重，分配更多资源给其他预测精度较差的数据。
当前一个精密加工分析单元对构建数据x的预测值不等于真实值时，构建后一个精密加工分析单元所用到的P组构建数据的权重分配公式为：
该情况下，由于预测值不等于真实值，所以第二权值会增大，增大的幅度与前一个精密加工分析单元的准确率成正相关，即/>越大，/>增加的幅度越大。这是因为前一个精密加工分析单元的预测性能较差，所以应增加构建数据的训练权重，以提高后一个精密加工分析单元对该数据的学习和预测精度。
结合前一个精密加工分析单元的测试结果通过权重分配公式充分分配权重，对后一个精密加工分析单元进行训练，实现了根据前一个精密加工分析单元的预测精度动态调整P组构建数据在下一个精密加工分析单元训练中的权重，权重更大的数据得到更多的训练资源，有利于精密加工分析单元的预测精度提高，从而获得高预测精度的精密加工分析模型。
进一步的，本申请实施例还包括：
步骤S610：根据所述多个预测加工准确率的大小，进行权重分配，获得多个第一权重值；
步骤S620：根据所述多个精密加工分析单元的准确率的大小，进行权重分配，获得多个第二权重值；
步骤S630：根据所述多个第一权重值和所述多个第二权重值，计算获得多个综合权重值；
步骤S640：采用所述多个综合权重值，对所述多个预测精密加工参数进行加权计算，获得所述实时精密加工参数。
具体而言，根据多个预测加工准确率的大小，进行权重分配，获得多个第一权重值，其中，示例性地，计算每个预测加工准确率与多个预测加工准确率之和的比值，获得多个第一权重值。根据多个精密加工分析单元的准确率的大小，进行权重分配，获得多个第二权重值，其中，准确率越高的精密加工分析单元，其第二权重值越大，示例如计算每个精密加工分析单元的准确率与多个精密加工分析单元的准确率之和的比值，获得多个第二权重值。根据多个第一权重值和多个第二权重值，计算获得多个综合权重值，综合了预测加工准确率和准确率，反映各个预测精密加工参数的综合准确性。
示例性地，计算每个预测精密加工参数对应的预测加工准确率的第一权重值和对应的精密加工分析单元的第二权重值的乘积，获得多个乘积，然后计算每个乘积与多个乘积之和的比值，获得多个综合权重值。
根据预测加工准确率和精密加工分析单元的准确率两个维度对所预测的精密加工参数进行限制，动态确定各个预测精密加工参数在实时精密加工参数中的权重，从而获得最终稳定可靠的实时精密加工参数，达到优化加工数据，提高加工精度和质量的技术效果。
综上所述，本申请实施例所提供的一种钢材尺寸的高精度工控方法具有如下技术效果：
获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率，为后续提高精密加工参数提供数据支持；对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据实时原材尺寸，在加工数据集合内进行检索，获得对应的多个待选补偿加工参数，为优化补偿加工参数提供候选方案；以提升补偿加工准确率和降低原材料成本为目的，对多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸，达到提高补偿加工准确率的目的，实现补偿加工；将实时补偿加工尺寸输入基于加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，为后续精密加工提供参数方案；根据实时补偿加工尺寸和多个预测精密加工参数，在加工数据集合内进行检索，获取多个预测加工准确率，为预测精密加工参数的加权计算提供依据；根据多个预测加工准确率和多个精密加工分析单元的准确率，对多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行目标钢材零件的加工，实现目标钢材零件的高精度加工，达到了优化加工参数，减少原材料损耗，提高加工精度和质量的技术效果。
实施例2
基于与前述实施例中一种钢材尺寸的高精度工控方法相同的发明构思，如图4所示，本申请实施例提供了一种钢材尺寸的高精度工控系统，包括：
加工数据集合模块11，用于获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率；
待选补偿参数模块12，用于对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据所述实时原材尺寸，在所述加工数据集合内进行检索，获得对应的多个待选补偿加工参数；
实时补偿加工尺寸模块13，用于以提升补偿加工准确率和降低原材料成本为目的，对所述多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对所述钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸；
预测精密加工参数模块14，用于将所述实时补偿加工尺寸输入基于所述加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，其中，所述精密加工分析模型基于集成学习构建，包括多个精密加工分析单元；
预测加工准确率模块15，用于根据所述实时补偿加工尺寸和多个预测精密加工参数，在所述加工数据集合内进行检索，获取多个预测加工准确率；
精密加工模块16，用于根据所述多个预测加工准确率和所述多个精密加工分析单元的准确率，对所述多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行所述目标钢材零件的加工。
进一步的，本申请实施例还包括：
检索符设置模块，用于根据所述实时原材尺寸设置检索符；
补偿参数获取模块，用于根据所述检索符，在所述加工数据集合内进行检索，获得具有所述实时原材尺寸的多个目标加工数据，并将所述多个目标加工数据内的补偿加工参数输出，获得所述多个待选补偿加工参数。
进一步的，本申请实施例包括：
补偿加工尺寸获取模块，用于根据所述加工数据集合，获取所述多个待选补偿加工参数对应的多个补偿加工尺寸；
理论补偿加工尺寸模块，用于根据所述多个待选补偿加工参数，获取进行补偿加工后的多个理论补偿加工尺寸；
原成本参数模块，用于获取所述目标钢材零件的理论尺寸，结合所述多个补偿加工尺寸，计算获得多个原料成本参数；
补偿加工准确率参数模块，用于根据所述多个理论补偿加工尺寸和所述多个补偿加工尺寸，计算获得多个补偿加工准确率参数；
适应度获取模块，用于对所述多个原料成本参数和所述多个补偿加工准确率参数进行加权计算，获得所述多个待选补偿加工参数的多个适应度；
最优补偿加工参数模块，用于将所述多个适应度中的最大值对应的待选补偿加工参数作为所述实时最优补偿加工参数。
进一步的，本申请实施例还包括：
样本数据获取模块，用于根据所述加工数据集合，获得P个样本补偿加工尺寸和P个样本精密加工参数，P为大于1的整数；
构建数据获取模块，用于对所述P个样本补偿加工尺寸和P个样本精密加工参数进行组合，获得P组构建数据；
精密加工分析单元模块，用于采用所述P组构建数据，构建所述精密加工分析模型内的多个精密加工分析单元；
预测精密加工参数模块，用于将所述实时补偿加工尺寸输入所述多个精密加工分析单元，获得所述多个预测精密加工参数。
进一步的，本申请实施例包括：
第一权值模块，用于对所述P组构建数据进行数据标识，并分配P个第一权值，每个第一权值为1/P；
第一精密加工分析单元模块，用于基于神经网络，构建所述多个精密加工分析单元内的第一精密加工分析单元，所述第一精密加工分析单元的输入数据为补偿加工尺寸，输出数据为精密加工参数；
监督学习模块，用于采用所述P组构建数据，对所述第一精密加工分析单元进行监督训练和网络参数更新；
分析单元测试模块，用于在训练结束后，采用所述P组构建数据对所述第一精密加工分析单元进行测试，获得P个测试结果，每个测试结果内包括预测值是否等于真实值的判断结果，并获取所述第一精密加工分析单元的第一准确率；
第二权值模块，用于根据所述P个测试结果和P个第一权值，对所述P组构建数据分配权重，获得P个第二权值；
第二精密加工分析单元模块，用于基于神经网络，构建所述多个精密加工分析单元内的第二精密加工分析单元，根据所述P个第二权值的大小，分配对所述P组构建数据进行训练的算力，并采用所述P组构建数据对所述第二精密加工分析单元进行监督训练和网络参数更新；
多个分析单元构建模块，用于在训练结束后，采用所述P组构建数据对所述第一精密加工分析单元进行测试，并继续构建获得其他多个精密加工分析单元。进一步的，本申请实施例还包括：
获得P个第二权值，如下式：
，i=1，2，3...T；
其中，为构建数据x在第i+1精密加工分析单元训练中的权值，/>为构建数据x在第i精密加工分析单元训练中的权值，/>为第i精密加工分析单元中P组构建数据的权重之和，T为多个精密加工分析单元的数量，/>为第i精密加工分析单元的准确率与全部i个精密加工分析单元的准确率之和的比值。
进一步的，本申请实施例还包括：
第一权重值模块，用于根据所述多个预测加工准确率的大小，进行权重分配，获得多个第一权重值；
第二权重值模块，用于根据所述多个精密加工分析单元的准确率的大小，进行权重分配，获得多个第二权重值；
综合权重值模块，用于根据所述多个第一权重值和所述多个第二权重值，计算获得多个综合权重值；
实时精密加工参数模块，用于采用所述多个综合权重值，对所述多个预测精密加工参数进行加权计算，获得所述实时精密加工参数。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种钢材尺寸的高精度工控方法，其特征在于，所述方法包括：
获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率；
对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据所述实时原材尺寸，在所述加工数据集合内进行检索，获得对应的多个待选补偿加工参数；
以提升补偿加工准确率和降低原材料成本为目的，对所述多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对所述钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸；
将所述实时补偿加工尺寸输入基于所述加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，其中，所述精密加工分析模型基于集成学习构建，包括多个精密加工分析单元；
根据所述实时补偿加工尺寸和多个预测精密加工参数，在所述加工数据集合内进行检索，获取多个预测加工准确率，包括：根据得到的实时补偿加工尺寸参数和得到的多个预测精密加工参数，在构建的加工数据集合内进行检索，以给定的实时补偿加工尺寸和预测精密加工参数为关键词，在加工数据集合中搜索相关的、最相近的历史加工数据，由于加工数据集合包含大量的历史加工数据，每个数据都对应一组实际采用的补偿加工参数和精密加工参数，以及相应的加工精度数据，通过检索找到多个与当前实时补偿加工尺寸和设计精度要求相匹配的目标加工数据，从找到的多个目标加工数据中提取多个预测加工准确率；
根据所述多个预测加工准确率和所述多个精密加工分析单元的准确率，对所述多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行所述目标钢材零件的加工；
其中，以提升补偿加工准确率和降低原材料成本为目的，对所述多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，包括：
根据所述加工数据集合，获取所述多个待选补偿加工参数对应的多个补偿加工尺寸；
根据所述多个待选补偿加工参数，获取进行补偿加工后的多个理论补偿加工尺寸；
获取所述目标钢材零件的理论尺寸，结合所述多个补偿加工尺寸，计算获得多个原料成本参数；
根据所述多个理论补偿加工尺寸和所述多个补偿加工尺寸，计算获得多个补偿加工准确率参数；
对所述多个原料成本参数和所述多个补偿加工准确率参数进行加权计算，获得所述多个待选补偿加工参数的多个适应度；
将所述多个适应度中的最大值对应的待选补偿加工参数作为所述实时最优补偿加工参数。
2.根据权利要求1所述的方法，其特征在于，根据所述实时原材尺寸，在所述加工数据集合内进行检索，包括：
根据所述实时原材尺寸设置检索符；
根据所述检索符，在所述加工数据集合内进行检索，获得具有所述实时原材尺寸的多个目标加工数据，并将所述多个目标加工数据内的补偿加工参数输出，获得所述多个待选补偿加工参数。
3.根据权利要求1所述的方法，其特征在于，将所述实时补偿加工尺寸输入基于所述加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，包括：
根据所述加工数据集合，获得P个样本补偿加工尺寸和P个样本精密加工参数，P为大于1的整数；
对所述P个样本补偿加工尺寸和P个样本精密加工参数进行组合，获得P组构建数据；
采用所述P组构建数据，构建所述精密加工分析模型内的多个精密加工分析单元；
将所述实时补偿加工尺寸输入所述多个精密加工分析单元，获得所述多个预测精密加工参数。
4.根据权利要求3所述的方法，其特征在于，采用所述P组构建数据，构建所述精密加工分析模型内的多个精密加工分析单元，包括：
对所述P组构建数据进行数据标识，并分配P个第一权值，每个第一权值为1/P；
基于神经网络，构建所述多个精密加工分析单元内的第一精密加工分析单元，所述第一精密加工分析单元的输入数据为补偿加工尺寸，输出数据为精密加工参数；
采用所述P组构建数据，对所述第一精密加工分析单元进行监督训练和网络参数更新；
在训练结束后，采用所述P组构建数据对所述第一精密加工分析单元进行测试，获得P个测试结果，每个测试结果内包括预测值是否等于真实值的判断结果，并获取所述第一精密加工分析单元的第一准确率；
根据所述P个测试结果和P个第一权值，对所述P组构建数据分配权重，获得P个第二权值；
基于神经网络，构建所述多个精密加工分析单元内的第二精密加工分析单元，根据所述P个第二权值的大小，分配对所述P组构建数据进行训练的算力，并采用所述P组构建数据对所述第二精密加工分析单元进行监督训练和网络参数更新；
在训练结束后，采用所述P组构建数据对所述第一精密加工分析单元进行测试，并继续构建获得其他多个精密加工分析单元。
5.根据权利要求4所述的方法，其特征在于，根据所述P个测试结果和P个第一权值，对所述P组构建数据分配权重，获得P个第二权值，如下式：
其中，Wi+1为构建数据x在第i+1精密加工分析单元训练中的权值，Wi(x)为构建数据x在第i精密加工分析单元训练中的权值，WPi为第i精密加工分析单元中P组构建数据的权重之和，T为多个精密加工分析单元的数量，Qi为第i精密加工分析单元的准确率与全部i个精密加工分析单元的准确率之和的比值。
6.根据权利要求1所述的方法，其特征在于，根据所述多个预测加工准确率和所述多个精密加工分析单元的准确率，对所述多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行所述目标钢材零件的加工，包括：
根据所述多个预测加工准确率的大小，进行权重分配，获得多个第一权重值；
根据所述多个精密加工分析单元的准确率的大小，进行权重分配，获得多个第二权重值；
根据所述多个第一权重值和所述多个第二权重值，计算获得多个综合权重值；
采用所述多个综合权重值，对所述多个预测精密加工参数进行加权计算，获得所述实时精密加工参数。
7.一种钢材尺寸的高精度工控系统，其特征在于，所述系统包括：
加工数据集合模块，所述加工数据集合模块用于获取目标钢材零件在预设历史时间范围内进行精密加工的加工数据，获得加工数据集合，每条加工数据内均包括原材尺寸、补偿加工参数、补偿加工尺寸、精密加工参数和加工准确率；
待选补偿参数模块，所述待选补偿参数模块用于对当前待加工的目标钢材零件的钢材原材料进行尺寸检测，获得实时原材尺寸，根据所述实时原材尺寸，在所述加工数据集合内进行检索，获得对应的多个待选补偿加工参数；
实时补偿加工尺寸模块，所述实时补偿加工尺寸模块用于以提升补偿加工准确率和降低原材料成本为目的，对所述多个待选补偿加工参数进行寻优，获得实时最优补偿加工参数，对所述钢材原材料进行补偿加工，并检测获得实时补偿加工尺寸；
预测精密加工参数模块，所述预测精密加工参数模块用于将所述实时补偿加工尺寸输入基于所述加工数据集合构建的精密加工分析模型内，获得多个预测精密加工参数，其中，所述精密加工分析模型基于集成学习构建，包括多个精密加工分析单元；
预测加工准确率模块，所述预测加工准确率模块用于根据所述实时补偿加工尺寸和多个预测精密加工参数，在所述加工数据集合内进行检索，获取多个预测加工准确率，包括：根据得到的实时补偿加工尺寸参数和得到的多个预测精密加工参数，在构建的加工数据集合内进行检索，以给定的实时补偿加工尺寸和预测精密加工参数为关键词，在加工数据集合中搜索相关的、最相近的历史加工数据，由于加工数据集合包含大量的历史加工数据，每个数据都对应一组实际采用的补偿加工参数和精密加工参数，以及相应的加工精度数据，通过检索找到多个与当前实时补偿加工尺寸和设计精度要求相匹配的目标加工数据，从找到的多个目标加工数据中提取多个预测加工准确率；
精密加工模块，所述精密加工模块用于根据所述多个预测加工准确率和所述多个精密加工分析单元的准确率，对所述多个预测精密加工参数进行加权计算，获得实时精密加工参数，进行所述目标钢材零件的加工；
其中，所述实时补偿加工尺寸模块包括：
补偿加工尺寸获取模块，用于根据所述加工数据集合，获取所述多个待选补偿加工参数对应的多个补偿加工尺寸；
理论补偿加工尺寸模块，用于根据所述多个待选补偿加工参数，获取进行补偿加工后的多个理论补偿加工尺寸；
原成本参数模块，用于获取所述目标钢材零件的理论尺寸，结合所述多个补偿加工尺寸，计算获得多个原料成本参数；
补偿加工准确率参数模块，用于根据所述多个理论补偿加工尺寸和所述多个补偿加工尺寸，计算获得多个补偿加工准确率参数；
适应度获取模块，用于对所述多个原料成本参数和所述多个补偿加工准确率参数进行加权计算，获得所述多个待选补偿加工参数的多个适应度；
最优补偿加工参数模块，用于将所述多个适应度中的最大值对应的待选补偿加工参数作为所述实时最优补偿加工参数。
CN202311016137.1A 2023-08-14 2023-08-14 一种钢材尺寸的高精度工控方法 Active CN116736796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311016137.1A CN116736796B (zh) 2023-08-14 2023-08-14 一种钢材尺寸的高精度工控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311016137.1A CN116736796B (zh) 2023-08-14 2023-08-14 一种钢材尺寸的高精度工控方法

Publications (2)

Publication Number Publication Date
CN116736796A CN116736796A (zh) 2023-09-12
CN116736796B true CN116736796B (zh) 2023-11-28

Family

ID=87906448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311016137.1A Active CN116736796B (zh) 2023-08-14 2023-08-14 一种钢材尺寸的高精度工控方法

Country Status (1)

Country Link
CN (1) CN116736796B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004013433A1 (de) * 2004-03-18 2005-10-13 Weigl Engineering Gmbh Verfahren zum Optimieren von Fertigungsprozessen für Werkstücke
EP3889705A1 (en) * 2020-04-01 2021-10-06 Siemens Aktiengesellschaft Reduction of friction within a machine tool
CN115685877A (zh) * 2023-01-05 2023-02-03 日照福瑞德科技有限公司 一种玻璃镜片智能加工的控制方法及系统
CN115877807A (zh) * 2022-12-13 2023-03-31 苏州富邦机械链传动制造有限公司 一种基于机器识别的机械链条生产工艺调控方法及系统
CN115903652A (zh) * 2022-11-09 2023-04-04 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004013433A1 (de) * 2004-03-18 2005-10-13 Weigl Engineering Gmbh Verfahren zum Optimieren von Fertigungsprozessen für Werkstücke
EP3889705A1 (en) * 2020-04-01 2021-10-06 Siemens Aktiengesellschaft Reduction of friction within a machine tool
CN115903652A (zh) * 2022-11-09 2023-04-04 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
CN115877807A (zh) * 2022-12-13 2023-03-31 苏州富邦机械链传动制造有限公司 一种基于机器识别的机械链条生产工艺调控方法及系统
CN115685877A (zh) * 2023-01-05 2023-02-03 日照福瑞德科技有限公司 一种玻璃镜片智能加工的控制方法及系统

Also Published As

Publication number Publication date
CN116736796A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN109472057B (zh) 基于跨工步隐式参数记忆的产品加工质量预测装置及方法
CN108197744B (zh) 一种光伏发电功率的确定方法及系统
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN112884056A (zh) 基于优化的lstm神经网络的污水水质预测方法
CN111768000A (zh) 在线自适应微调深度学习的工业过程数据建模方法
CN110610225A (zh) 一种基于kriging代理模型加点策略的多目标粒子群优化算法
Cao et al. A novel multi-objective optimization approach of machining parameters with small sample problem in gear hobbing
CN115130749A (zh) 融合nsga-ⅲ和topsis的数据驱动多目标优化方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
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
CN112417764A (zh) 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN113393057A (zh) 一种基于深度融合机器学习模型的小麦产量集成预测方法
CN113515891B (zh) 一种乳化炸药质量预测和优化方法
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
CN116736796B (zh) 一种钢材尺寸的高精度工控方法
CN117390960A (zh) 一种数控机床用加工精度智能分析方法
CN117290752A (zh) 一种磨煤机煤粉细度的预测方法
CN109829115B (zh) 搜索引擎关键词优化方法
CN114926075B (zh) 基于工时预测的机械零件生产调度方法
CN115394381A (zh) 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置
CN115034140A (zh) 一种基于关键控制因子的地表水水质变化趋势预测方法
CN115981236B (zh) 一种数控车床车削过程能耗预测方法
CN114254915B (zh) 轴类零件全流程加工质量合格状态决策及优化方法
CN110543724A (zh) 面向总体设计的卫星结构性能预测方法
CN115600769B (zh) 一种基于半导体产业链的半导体设备管理优化方法及系统

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
GR01 Patent grant
GR01 Patent grant