CN116749085A - 一种钢板切割的智能控制方法及系统 - Google Patents
一种钢板切割的智能控制方法及系统 Download PDFInfo
- Publication number
- CN116749085A CN116749085A CN202310883080.9A CN202310883080A CN116749085A CN 116749085 A CN116749085 A CN 116749085A CN 202310883080 A CN202310883080 A CN 202310883080A CN 116749085 A CN116749085 A CN 116749085A
- Authority
- CN
- China
- Prior art keywords
- cutting
- scheme
- target
- factor
- factor 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.)
- Pending
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 494
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 56
- 239000010959 steel Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000012216 screening Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 230000002457 bidirectional effect Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 description 8
- 239000003082 abrasive agent Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
- B24C1/00—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods
- B24C1/04—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods for treating only selected parts of a surface, e.g. for carving stone or glass
- B24C1/045—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods for treating only selected parts of a surface, e.g. for carving stone or glass for cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
- B24C9/00—Appurtenances of abrasive blasting machines or devices, e.g. working chambers, arrangements for handling used abrasive material
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种钢板切割的智能控制方法及系统,涉及智能化控制技术领域,组建切割因素指标集,获取历史切割数据库进行因素指标筛选得到目标因素指标集,进而训练切割深度预测模型;获取预设切割方案并进行模型分析输出第一切割深度预测结果,联合目标切割效率需求阈值筛选第一候选方案;获取目标切割成本需求阈值和目标切割精度需求阈值,进行方案分析确定目标切割方案,进行钢板切割控制,解决了现有技术中对于钢板切割控制方案的筛选方法智能度不足,致使方案与当前工况的契合度不足,导致切割效率低下且切割精准度不足的技术问题,基于多维指标进行方案评估筛选,确定最优方案进行钢板切割,可有效提高切割效率,保障切割精准度。
Description
技术领域
本发明涉及智能化控制技术领域,具体涉及一种钢板切割的智能控制方法及系统。
背景技术
磨料水射流钢板切割技术由于不产生明火、切割效率高、环境适应度高且体积较小等系列优势,存在着广泛的应用,但于切割性能方面存在着一定的劣势。现如今,常规的钢板切割方法基于固定工艺进行,通过调整切割参数实现切割需求,忽略了切割过程中的变量,因此,高效准确计算与当前切割工况相适配的切割参数为重点解决问题,当前技术还存在一定的瑕疵,有待进一步进行技术革新。
现有技术中,对于钢板切割控制方案的筛选方法智能度不足,致使方案与当前工况的契合度不足,导致切割效率低下且切割精准度不足。
发明内容
本申请提供了一种钢板切割的智能控制方法及系统,用于针对解决现有技术中存在的对于钢板切割控制方案的筛选方法智能度不足,致使方案与当前工况的契合度不足,导致切割效率低下且切割精准度不足的技术问题。
鉴于上述问题,本申请提供了一种钢板切割的智能控制方法及系统。
第一方面,本申请提供了一种钢板切割的智能控制方法,所述方法包括:
分析磨料水射流钢板切割并组建切割因素指标集,其中,所述切割因素指标集包括多个因素指标;
获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,其中,所述目标因素指标集包括射流压力、横移速度、靶件间距;
利用所述历史切割数据库中的数据训练得到切割深度预测模型;
获取预设切割方案,其中,所述预设切割方案嵌有第一切割约束,且所述第一切割约束包括第一射流压力、第一横移速度、第一靶件间距;
将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,得到第一切割深度预测结果;
获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案;
依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制。
第二方面,本申请提供了一种钢板切割的智能控制系统,所述系统包括:
指标集组建模块,所述指标集组建模块用于分析磨料水射流钢板切割并组建切割因素指标集,其中,所述切割因素指标集包括多个因素指标;
指标筛选模块,所述指标筛选模块用于获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,其中,所述目标因素指标集包括射流压力、横移速度、靶件间距;
模型训练模块,所述模型训练模块用于利用所述历史切割数据库中的数据训练得到切割深度预测模型;
方案获取模块,所述方案获取模块用于获取预设切割方案,其中,所述预设切割方案嵌有第一切割约束,且所述第一切割约束包括第一射流压力、第一横移速度、第一靶件间距;
结果预测模块,所述结果预测模块用于将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,得到第一切割深度预测结果;
方案筛选模块,所述方案筛选模块用于获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案;
方案确定模块,所述方案确定模块用于依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制。
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:
本申请实施例提供的一种钢板切割的智能控制方法,分析磨料水射流钢板切割并组建切割因素指标集,包括多个因素指标,获取历史切割数据库,对所述多个因素指标进行筛选得到目标因素指标集,包括射流压力、横移速度、靶件间距;利用所述历史切割数据库中的数据训练得到切割深度预测模型;获取预设切割方案,所述预设切割方案嵌有第一切割约束,包括第一射流压力、第一横移速度、第一靶件间距,将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,输出第一切割深度预测结果,获取目标切割效率需求阈值,结合所述第一切割深度预测结果进行方案筛选,得到第一候选方案;依次获取目标切割成本需求阈值和目标切割精度需求阈值,进行方案分析确定目标切割方案,进行钢板切割控制,解决了现有技术中对于钢板切割控制方案的筛选方法智能度不足,致使方案与当前工况的契合度不足,导致切割效率低下且切割精准度不足的技术问题,基于多维指标进行方案评估筛选,确定最优方案进行钢板切割,可有效提高切割效率,保障切割精准度。
附图说明
图1为本申请提供了一种钢板切割的智能控制方法流程示意图;
图2为本申请提供了一种钢板切割的智能控制方法中目标因素指标集获取流程示意图;
图3为本申请提供了一种钢板切割的智能控制方法中切割深度预测模型获取流程示意图;
图4为本申请提供了一种钢板切割的智能控制系统结构示意图。
附图标记说明:指标集组建模块11,指标筛选模块12,模型训练模块13,方案获取模块14,结果预测模块15,方案筛选模块16,方案确定模块17。
具体实施方式
本申请通过提供一种钢板切割的智能控制方法及系统,组建切割因素指标集,获取历史切割数据库进行因素指标筛选得到目标因素指标集,进而训练切割深度预测模型;获取预设切割方案并进行模型分析输出第一切割深度预测结果,联合目标切割效率需求阈值进行方案筛选,得到第一候选方案;依次获取目标切割成本需求阈值和目标切割精度需求阈值,进行方案分析确定目标切割方案,进行钢板切割控制,用于解决现有技术中存在的对于钢板切割控制方案的筛选方法智能度不足,致使方案与当前工况的契合度不足,导致切割效率低下且切割精准度不足的技术问题。
实施例一
如图1所示,本申请提供了一种钢板切割的智能控制方法,所述方法包括:
步骤S100:分析磨料水射流钢板切割并组建切割因素指标集,其中,所述切割因素指标集包括多个因素指标;
具体而言,磨料水射流钢板切割技术由于不产生明火、切割效率高、环境适应度高且体积较小等系列优势,存在着广泛的应用,但于切割性能方面存在着一定的劣势,高效准确计算与当前切割工况相适配的切割参数为重点解决问题,有待进一步进行技术革新。本申请提供的一种钢板切割的智能控制方法,基于多维指标进行切割影响分析,进而建模进行方案分析与筛选,以确定目标适配性的最优切割方案。具体的,对磨料水射流钢板切割工艺进行评测,将水力因素、磨料因素与工况因素作为分析维度,分别进行因素指标鉴别,确定设备切割过程中的影响因素,对确定的多个因素指标进行维度归属与集成,组建所述切割因素指标集,即影响切割深度的指标集合,所述切割因素指标集为初步提取的因素指标,在此基础上进行进一步的筛选分析。
进一步而言,所述分析磨料水射流钢板切割并组建切割因素指标集,本申请步骤S100还包括:
步骤S110:依次获取所述磨料水射流钢板切割的水力因素指标集、磨料因素指标集、工况因素指标集;
步骤S120:其中,所述水力因素指标集包括射流压力、喷嘴直径;
步骤S130:其中,所述磨料因素指标集包括磨料类型、磨料尺寸、磨料形状、磨料配比;
步骤S140:其中,所述工况因素指标集包括横移速度、靶件间距、冲击强度;
步骤S150:对所述水力因素指标集、所述磨料因素指标集和所述工况因素指标集进行并集运算,得到所述切割因素指标集。
具体而言,将水利因素作为指标采集维度,射流压力与切割深度成正比,而喷嘴直径一定程度上会影响泵压,将所述射流压力与所述喷嘴直径作为所述水利因素指标。磨料的具体特征属性不同,对应的切割参数存在差异性,将所述磨料类型、所述磨料尺寸、所述磨料形状与所述磨料配比作为原始待切割信息,作为所述磨料因素指标集,所述磨料因素指标集会影响具体的工况要求。所述横移速度与切割深度呈现负相关指标衰减关系,所述靶件间距与所述冲击强度为切割深度影响指标,进行指标集成生成所述工况因素指标集。基于所述水利因素指标集、所述磨料因素指标集与所述工况因素指标集,进行指标并集,将指标并集结果作为所述切割因素指标集。基于多维度进行指标分析与集成,保障提取指标的准确性与针对性,提高指标覆盖的完备性。
步骤S200:获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,其中,所述目标因素指标集包括射流压力、横移速度、靶件间距;
进一步而言,如图2所示,所述获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,本申请步骤S200还包括:
步骤S210:所述历史切割数据库包括多组切割数据,提取所述多组切割数据中的第一切割数据;
步骤S220:获取所述多个因素指标中的第一因素指标、第二因素指标;
步骤S230:依次获取所述第一切割数据中所述第一因素指标的第一指标参数和所述第二因素指标的第二指标参数;
步骤S240:获取所述第一切割数据中的第一切割深度;
步骤S250:分别计算所述第一指标参数与所述第一切割深度的第一关联度,所述第二指标参数与所述第一切割深度的第二关联度;
步骤S260:对所述第一关联度、所述第二关联度进行降序,得到目标降序列表;
步骤S270:基于预设排序阈值对所述目标降序列表进行提取,并反向匹配对应因素指标,组成所述目标因素指标集。
具体而言,采集多组历史切割数据,构建所述历史切割数据库,进一步分别针对因素指标进行指标参数的提取与切割深度关联度分析,筛选满足阈值标准的因素指标,作为所述目标因素指标集,包括所述射流压力、所述横移速度与所述靶件间距,对应的影响程度依次递减。
具体的,设定预设时间周期,即进行数据采集的时间区间,基于所述预设时间周期进行切割数据采集,获取多组切割数据,集成规整所述多组切割数据,生成所述历史切割数据库。基于所述历史切割数据库,对所述历史切割数据库进行二分类,随机提取一组数据作为所述第一切割数据。基于所述多个因素指标进行提取,获取所述第一因素指标、所述第二因素指标,其中,因素指标的量值并非限定于二,与当前确定的指标数量一致,用于进行因素指标区分。遍历所述第一切割数据,将所述第一因素指标与所述第二因素指标作为索引方向,提取所述第一指标参数与所述第二指标参数,其中,指标参数的量值包括并不限定当前数量,以实际提取数量为准。进一步基于所述第一切割数据,提取所述第一切割深度。
进而对所述第一指标参数与所述第二指标参数分别进行切割深度关联度计算,示例性的,可通过进行单项指标参数验证确定对于切割深度影响程度,影响程度越高,对应的关联度越高,确定所述第一关联度与所述第二关联度,其中,关联度数量与指标参数数量和因素指标数量一致,示例性的,基于灰色关联度算法进行指标参数的关联度计算。对所述第一关联度、所述第二关联度进行降序排列,生成关联度序列,作为所述目标降序列表。通过提取历史切割数据进行分析,规避偶然状况,保障结果的普适性与准确度,提高结果的实际贴合度。进一步配置所述预设排序阈值,即进行关联度限定的临界值,基于所述预设排序阈值对所述目标降序序列进行限定截取,提取其中数值较高的多个关联度,并反向匹配对应的因素指标,组成所述目标因素指标集,所述目标因素指标集为对切割深度影响度较高的多个因素指标,基于所述目标因素指标集进行后续切割分析,筛除低影响因素指标,提高后续分析效率。
步骤S300:利用所述历史切割数据库中的数据训练得到切割深度预测模型;
进一步而言,如图3所示,所述利用所述历史切割数据库中的数据训练得到切割深度预测模型,本申请步骤S300还包括:
步骤S310:提取所述多组切割数据中的第二切割数据;
步骤S320:其中,所述第二切割数据包括第二射流压力、第二横移速度、第二靶件间距、第二切割深度;
步骤S330:将所述第二射流压力、所述第二横移速度、所述第二靶件间距、所述第二切割深度作为训练数据;
步骤S340:划分所述训练数据得到第一数据组、第二数据组;
步骤S350:训练所述第一数据组得到第一模型,训练所述第二数据组得到第二模型;
步骤S360:融合所述第一模型和所述第二模型得到所述切割深度预测模型。
具体而言,基于所述历史切割数据库,提取样本切割数据,进行数据映射关联确定构建数据,进一步进行神经网络训练,生成所述切割深度预测模型。
具体的,基于所述历史切割数据库,提取所述多组切割数据中的所述第二切割数据,其中,所述第一切割数据与所述第二切割数据不存在并集区间。基于所述第二切割数据进行因素指标参数提取,确定所述二射流压力、所述第二横移速度、所述第二靶件间距与所述第二切割深度,进行因素指标参数的映射关联,生成多个参数序列,作为所述训练数据,其中,不同参数对于切割深度的影响存在明显差异。对所述训练数据进行二分类,获取所述第一数据组与所述第二数据组,其中,任一参数序列中,对应的所述第二射流压力、所述第二横移速度与所述第二靶件间距为节点识别数据,所述第二切割深度为节点决策数据。基于所述第一数据组进行神经网络训练,生成所述第一模型;基于所述第二数据组进行神经网络训练,生成所述第二模型。
其中,所述第一模型与所述第二模型的训练方式相同,训练数据不同,最终的模型运行机制存在差异性。基于集成融合方法对所述第一模型与所述第二模型进行融合,基于多个弱学习器构建强学习器,以优化模型性能,进而辅助量纲分析法完善优化模型运行机制,构成所述切割深度预测模型,所述切割深度预测模型的分析效率与输出准确度更高,基于所述切割深度预测模型进行切割方案预测。
步骤S400:获取预设切割方案,其中,所述预设切割方案嵌有第一切割约束,且所述第一切割约束包括第一射流压力、第一横移速度、第一靶件间距;
步骤S500:将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,得到第一切割深度预测结果;
具体而言,通过进行大数据调研,统计集成当前应用的多个切割方案,作为所述预设切割方案。所述预设切割方案嵌有所述第一切割约束,即筛选的多个因素指标,包括所述第一射流压力、所述第一横移速度与所述第一靶件间距,其中,所述切割深度与射流压力正相关,与横移速度负相关,随靶距增大则先增大后减小。进一步的,分别对所述预设切割方案中各方案进行所述第一射流压力、所述第一横移速度与所述第一靶件间距的提取与映射关联,输入所述切割深度预测模型中,通过进行层级数据识别匹配与决策映射,直接输出对应的切割深度预测结果,基于所述预设切割方案对切割深度预测结果进行对应标识,生成所述第一切割深度预测结果,即每秒的切割深度。所述第一切割深度预测结果的获取为后续进行方案筛选提供了参考依据。
步骤S600:获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案;
步骤S700:依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制。
具体而言,遍历所述第一切割深度预测结果,提取所述预设切割方案中各个方案的切割效率。进一步确定所述目标切割效率需求阈值,即进行切割效率限定的临界值,判定各个方案的切割效率是否满足所述目标切割效率需求阈值,提取大于等于所述目标切割效率需求阈值的多个切割效率,通过进行切割方案的反向匹配,确定所述预设切割方案中满足切割效率要求的多个切割方案,作为所述第一候选方案,所述第一候选方案为初级筛选方案集。
进一步的,将切割成本与切割精度作为评估标准,对所述第一候选方案中各个方案分别进行方案评估,确定第一候选方案评估结果。进一步配置所述目标切割成本需求阈值与所述目标切割精度需求阈值,即进行切割成本与切割精度衡量限定的参数临界值,对所述第一候选方案评估结果进行阈值判定,筛选满足所述目标切割成本需求阈值与所述目标切割精度需求阈值的方案,确定优选性切割方案,进一步进行方案的优劣排序,提取首位切割方案,即最佳切割方案,作为所述目标切割方案,基于所述目标切割方案进行钢板的切割控制,实现钢板的高效精准切割。
进一步而言,所述获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案,本申请步骤S600还包括:
步骤S610:所述预设切割方案包括单向单切方案、双向单切方案、单向双切方案、双向双切方案;
步骤S620:根据所述第一切割深度预测结果,分别获取所述单向单切方案的第一切割效率、所述双向单切方案的第二切割效率、所述单向双切方案的第三切割效率、所述双向双切方案的第四切割效率;
步骤S630:根据所述目标切割效率需求阈值对所述第一切割效率、所述第二切割效率、所述第三切割效率和所述第四切割效率进行对比,得到所述第一候选方案。
具体而言,所述预设切割方案包括了多种切割模式,包括单次切割、同向多次切割与交替向多次切割。基于上述多种切割模式,对所述预设切割方案进行划分,确定所述单向单切方案、所述双向单切方案、所述单向双切方案与所述双向双切方案,其中,所述双向双切为交替方向执行的双切割操作,不同切割工况下的适配切割方案存在差异性。遍历所述第一切割深度预测结果,对所述单向单切方案、所述双向单切方案、所述单向双切方案与所述双向双切方案分别进行结果匹配,确定所述第一切割效率、所述第二切割效率、所述第三切割效率与所述第四切割效率,其中,切割效果为附加标注信息。获取所述目标切割效率需求阈值,即进行切割效率限定的临界效率,基于所述目标切割效率需求阈值,对所述第一切割效率、所述第二切割效率、所述第三切割效率与所述第四切割效率进行校对判定,提取其中满足所述目标切割效率需求阈值的切割效率,并进行方案反向匹配,确定所述预设切割方案中满足阈值标准的多个方案,作为所述第一候选方案,其中,所述第一候选方案包括单项方案或多项方案。基于切割效率进行方案的初级筛选,以准确识别切割效率达标的切割方案。
进一步而言,在所述依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制之前,本申请步骤S700还包括:
步骤S710:组建预设方案评估特征集,其中,所述预设方案评估特征集包括方案成本和方案精度;
步骤S720:根据所述预设方案评估特征集对所述第一候选方案进行评估分析,得到第一候选方案评估结果;
步骤S730:其中,所述第一候选方案评估结果包括方案成本评估结果、方案精度评估结果。
进一步而言,所述根据所述预设方案评估特征集对所述第一候选方案进行评估分析,得到第一候选方案评估结果,本申请步骤S720还包括:
步骤S721:获取所述第一候选方案的第一方案试验;
步骤S722:获取所述第一方案试验的第一试验记录;
步骤S723:根据所述预设方案评估特征集分析所述第一试验记录,依次得到第一试验成本、第一试验精度;
步骤S724:将所述第一试验成本和所述第一试验精度作为所述第一方案评估结果;
步骤S725:根据所述第一方案评估结果,组成所述第一候选方案评估结果。
具体而言,对所述第一候选方案进行全面评估,以确定切割效果最优,与当前工况契合度最高的切割方案。将所述方案成本与所述方案精度作为评估特征方向,组建所述预设方案评估特征集。对所述第一候选方案中各方案分别基于所述方案成本与所述方案精度进行评估分析,生成所述第一候选方案评估结果。
具体的,通过进行试验分析进行方案评估,以提高评估结果的实际贴合度。基于所述第一候选方案,随机提取一方案作为所述第一方案,基于所述第一方案进行试切割,确定所述第一方案实验,优选的,基于控制变量法,分别进行单向单切方案、单向双切方案、双向单切方案与双向双切方案的试验。示例性的,可通过构建拟真切割模型进行试验执行,避免试验损耗并提高实验效率。随着所述第一试验实验的进程,获取所述第一试验记录,示例性的,从确定的一个方向对钢板进行切割,统计其每秒切割深度,从而得到切割效率;进行切割能耗分析,例如单向切割耗电等,计算切割成本;切割完成后试验检测,确定方案切割精度。遍历所述第一试验记录,提取所述试验成本与所述试验精度的映射记录数据,确定所述第一试验成本与所述第一试验精度。集成汇总所述第一试验成本与所述第一试验精度,作为所述第一方案的评估结果。对所述第一候选方案中各个方案分别进行评估分析,确定对应的方案评估结果并与映射方案进行关联标识,生成所述第一候选方案评估结果。
其中,所述第一候选方案评估结果包括多条评估结果序列,即方案-方案成本评估结果-方案精度评估结果。通过对所述第一候选方案进行试验评估,保障评估结果的精准度,缩减评估误差的存在,进而将所述第一候选方案评估结果作为筛选依据,择优确定最佳切割方案。
实施例二
基于与前述实施例中一种钢板切割的智能控制方法相同的发明构思,如图4所示,本申请提供了一种钢板切割的智能控制系统,所述系统包括:
指标集组建模块11,所述指标集组建模块11用于分析磨料水射流钢板切割并组建切割因素指标集,其中,所述切割因素指标集包括多个因素指标;
指标筛选模块12,所述指标筛选模块12用于获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,其中,所述目标因素指标集包括射流压力、横移速度、靶件间距;
模型训练模块13,所述模型训练模块13用于利用所述历史切割数据库中的数据训练得到切割深度预测模型;
方案获取模块14,所述方案获取模块14用于获取预设切割方案,其中,所述预设切割方案嵌有第一切割约束,且所述第一切割约束包括第一射流压力、第一横移速度、第一靶件间距;
结果预测模块15,所述结果预测模块15用于将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,得到第一切割深度预测结果;
方案筛选模块16,所述方案筛选模块16用于获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案;
方案确定模块17,所述方案确定模块17用于依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制。
进一步而言,所述系统还包括:
指标获取模块,所述指标获取模块用于依次获取所述磨料水射流钢板切割的水力因素指标集、磨料因素指标集、工况因素指标集;
水力因素指标集剖析模块,所述水力因素指标集剖析模块用于其中,所述水力因素指标集包括射流压力、喷嘴直径;
磨料因素指标集剖析模块,所述磨料因素指标集剖析模块用于其中,所述磨料因素指标集包括磨料类型、磨料尺寸、磨料形状、磨料配比;
工况因素指标集剖析模块,所述工况因素指标集剖析模块用于其中,所述工况因素指标集包括横移速度、靶件间距、冲击强度;
切割因素指标集获取模块,所述切割因素指标集获取模块用于对所述水力因素指标集、所述磨料因素指标集和所述工况因素指标集进行并集运算,得到所述切割因素指标集。
进一步而言,所述系统还包括:
第一切割数据提取模块,所述第一切割数据提取模块用于所述历史切割数据库包括多组切割数据,提取所述多组切割数据中的第一切割数据;
因素指标获取模块,所述因素指标获取模块用于获取所述多个因素指标中的第一因素指标、第二因素指标;
指标参数获取模块,所述指标参数获取模块用于依次获取所述第一切割数据中所述第一因素指标的第一指标参数和所述第二因素指标的第二指标参数;
切割深度获取模块,所述切割深度获取模块用于获取所述第一切割数据中的第一切割深度;
关联度计算模块,所述关联度计算模块用于分别计算所述第一指标参数与所述第一切割深度的第一关联度,所述第二指标参数与所述第一切割深度的第二关联度;
列表生成模块,所述列表生成模块用于对所述第一关联度、所述第二关联度进行降序,得到目标降序列表;
指标匹配模块,所述指标匹配模块用于基于预设排序阈值对所述目标降序列表进行提取,并反向匹配对应因素指标,组成所述目标因素指标集。
进一步而言,所述系统还包括:
第二切割数据提取模块,所述第二切割数据提取模块用于提取所述多组切割数据中的第二切割数据;
第二切割数据剖析模块,所述第二切割数据剖析模块用于其中,所述第二切割数据包括第二射流压力、第二横移速度、第二靶件间距、第二切割深度;
训练数据确定模块,所述训练数据确定模块用于将所述第二射流压力、所述第二横移速度、所述第二靶件间距、所述第二切割深度作为训练数据;
数据划分模块,所述数据划分模块用于划分所述训练数据得到第一数据组、第二数据组;
模型训练模块,所述模型训练模块用于训练所述第一数据组得到第一模型,训练所述第二数据组得到第二模型;
模型融合模块,所述模型融合模块用于融合所述第一模型和所述第二模型得到所述切割深度预测模型。
进一步而言,所述系统还包括:
方案剖析模块,所述方案剖析模块用于所述预设切割方案包括单向单切方案、双向单切方案、单向双切方案、双向双切方案;
切割效率获取模块,所述切割效率获取模块用于根据所述第一切割深度预测结果,分别获取所述单向单切方案的第一切割效率、所述双向单切方案的第二切割效率、所述单向双切方案的第三切割效率、所述双向双切方案的第四切割效率;
效率比对模块,所述效率比对模块用于根据所述目标切割效率需求阈值对所述第一切割效率、所述第二切割效率、所述第三切割效率和所述第四切割效率进行对比,得到所述第一候选方案。
进一步而言,所述系统还包括:
特征集组建模块,所述特征集组建模块用于组建预设方案评估特征集,其中,所述预设方案评估特征集包括方案成本和方案精度;
方案评估模块,所述方案评估模块用于根据所述预设方案评估特征集对所述第一候选方案进行评估分析,得到第一候选方案评估结果;
评估结果剖析模块,所述评估结果剖析模块用于其中,所述第一候选方案评估结果包括方案成本评估结果、方案精度评估结果。
进一步而言,所述系统还包括:
方案实验获取模块,所述方案实验获取模块用于获取所述第一候选方案的第一方案试验;
实验记录获取模块,所述实验记录获取模块用于获取所述第一方案试验的第一试验记录;
实验参数分析模块,所述实验参数分析模块用于根据所述预设方案评估特征集分析所述第一试验记录,依次得到第一试验成本、第一试验精度;
评估结果获取模块,所述评估结果获取模块用于将所述第一试验成本和所述第一试验精度作为所述第一方案评估结果;
候选方案评估结果组成模块,所述候选方案评估结果组成模块用于根据所述第一方案评估结果,组成所述第一候选方案评估结果。
本说明书通过前述对一种钢板切割的智能控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种钢板切割的智能控制方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种钢板切割的智能控制方法,其特征在于,包括:
分析磨料水射流钢板切割并组建切割因素指标集,其中,所述切割因素指标集包括多个因素指标;
获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,其中,所述目标因素指标集包括射流压力、横移速度、靶件间距;
利用所述历史切割数据库中的数据训练得到切割深度预测模型;
获取预设切割方案,其中,所述预设切割方案嵌有第一切割约束,且所述第一切割约束包括第一射流压力、第一横移速度、第一靶件间距;
将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,得到第一切割深度预测结果;
获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案;
依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制。
2.根据权利要求1所述智能控制方法,其特征在于,所述分析磨料水射流钢板切割并组建切割因素指标集,包括:
依次获取所述磨料水射流钢板切割的水力因素指标集、磨料因素指标集、工况因素指标集;
其中,所述水力因素指标集包括射流压力、喷嘴直径;
其中,所述磨料因素指标集包括磨料类型、磨料尺寸、磨料形状、磨料配比;
其中,所述工况因素指标集包括横移速度、靶件间距、冲击强度;
对所述水力因素指标集、所述磨料因素指标集和所述工况因素指标集进行并集运算,得到所述切割因素指标集。
3.根据权利要求2所述智能控制方法,其特征在于,所述获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,包括:
所述历史切割数据库包括多组切割数据,提取所述多组切割数据中的第一切割数据;
获取所述多个因素指标中的第一因素指标、第二因素指标;
依次获取所述第一切割数据中所述第一因素指标的第一指标参数和所述第二因素指标的第二指标参数;
获取所述第一切割数据中的第一切割深度;
分别计算所述第一指标参数与所述第一切割深度的第一关联度,所述第二指标参数与所述第一切割深度的第二关联度;
对所述第一关联度、所述第二关联度进行降序,得到目标降序列表;
基于预设排序阈值对所述目标降序列表进行提取,并反向匹配对应因素指标,组成所述目标因素指标集。
4.根据权利要求3所述智能控制方法,其特征在于,所述利用所述历史切割数据库中的数据训练得到切割深度预测模型,包括:
提取所述多组切割数据中的第二切割数据;
其中,所述第二切割数据包括第二射流压力、第二横移速度、第二靶件间距、第二切割深度;
将所述第二射流压力、所述第二横移速度、所述第二靶件间距、所述第二切割深度作为训练数据;
划分所述训练数据得到第一数据组、第二数据组;
训练所述第一数据组得到第一模型,训练所述第二数据组得到第二模型;
融合所述第一模型和所述第二模型得到所述切割深度预测模型。
5.根据权利要求1所述智能控制方法,其特征在于,所述获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案,包括:
所述预设切割方案包括单向单切方案、双向单切方案、单向双切方案、双向双切方案;
根据所述第一切割深度预测结果,分别获取所述单向单切方案的第一切割效率、所述双向单切方案的第二切割效率、所述单向双切方案的第三切割效率、所述双向双切方案的第四切割效率;
根据所述目标切割效率需求阈值对所述第一切割效率、所述第二切割效率、所述第三切割效率和所述第四切割效率进行对比,得到所述第一候选方案。
6.根据权利要求1所述智能控制方法,其特征在于,在所述依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制之前,包括:
组建预设方案评估特征集,其中,所述预设方案评估特征集包括方案成本和方案精度;
根据所述预设方案评估特征集对所述第一候选方案进行评估分析,得到第一候选方案评估结果;
其中,所述第一候选方案评估结果包括方案成本评估结果、方案精度评估结果。
7.根据权利要求6所述智能控制方法,其特征在于,所述根据所述预设方案评估特征集对所述第一候选方案进行评估分析,得到第一候选方案评估结果,包括:
获取所述第一候选方案的第一方案试验;
获取所述第一方案试验的第一试验记录;
根据所述预设方案评估特征集分析所述第一试验记录,依次得到第一试验成本、第一试验精度;
将所述第一试验成本和所述第一试验精度作为所述第一方案评估结果;
根据所述第一方案评估结果,组成所述第一候选方案评估结果。
8.一种钢板切割的智能控制系统,其特征在于,包括:
指标集组建模块,所述指标集组建模块用于分析磨料水射流钢板切割并组建切割因素指标集,其中,所述切割因素指标集包括多个因素指标;
指标筛选模块,所述指标筛选模块用于获取历史切割数据库,并基于所述历史切割数据库对所述多个因素指标进行筛选,得到目标因素指标集,其中,所述目标因素指标集包括射流压力、横移速度、靶件间距;
模型训练模块,所述模型训练模块用于利用所述历史切割数据库中的数据训练得到切割深度预测模型;
方案获取模块,所述方案获取模块用于获取预设切割方案,其中,所述预设切割方案嵌有第一切割约束,且所述第一切割约束包括第一射流压力、第一横移速度、第一靶件间距;
结果预测模块,所述结果预测模块用于将所述第一射流压力、所述第一横移速度和所述第一靶件间距输入所述切割深度预测模型,得到第一切割深度预测结果;
方案筛选模块,所述方案筛选模块用于获取目标切割效率需求阈值,并结合所述第一切割深度预测结果对所述预设切割方案进行筛选,得到第一候选方案;
方案确定模块,所述方案确定模块用于依次获取目标切割成本需求阈值和目标切割精度需求阈值,并对所述第一候选方案进行分析,确定目标切割方案,其中,所述目标切割方案用于进行钢板切割控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883080.9A CN116749085A (zh) | 2023-07-19 | 2023-07-19 | 一种钢板切割的智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883080.9A CN116749085A (zh) | 2023-07-19 | 2023-07-19 | 一种钢板切割的智能控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116749085A true CN116749085A (zh) | 2023-09-15 |
Family
ID=87959082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310883080.9A Pending CN116749085A (zh) | 2023-07-19 | 2023-07-19 | 一种钢板切割的智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116749085A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117432414A (zh) * | 2023-12-20 | 2024-01-23 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
-
2023
- 2023-07-19 CN CN202310883080.9A patent/CN116749085A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117432414A (zh) * | 2023-12-20 | 2024-01-23 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
CN117432414B (zh) * | 2023-12-20 | 2024-03-19 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375476B (zh) | 一种水电机组健康评估方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
CN116749085A (zh) | 一种钢板切割的智能控制方法及系统 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN106677763B (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
Chen et al. | Identification of λ-fuzzy measures using sampling design and genetic algorithms | |
CN105590283A (zh) | 基于模糊综合评价模型的考试数据分析方法 | |
CN116226726B (zh) | 一种结晶器铜管的应用性能评估方法、系统、设备及介质 | |
CN114168906A (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
CN116224930B (zh) | 一种数控磨床产品的加工控制方法及系统 | |
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 | |
CN105260805A (zh) | 一种基于异构分类器选择性融合的锑矿品位软测量方法 | |
Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
CN112503400A (zh) | 一种供水管网测压点多目标优化布置方法 | |
CN115543973A (zh) | 一种基于知识谱图与机器学习的数据质量规则推荐方法 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN109711727A (zh) | 机电产品加工工艺组合评价系统及其评价方法 | |
CN117235655A (zh) | 基于联邦学习的智慧供热异常工况识别方法及系统 | |
CN101625741A (zh) | 土地评价样点空间配置方法 | |
CN117114176A (zh) | 基于数据分析和机器学习的土地利用变化预测方法及系统 |
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 |