CN116933657A - 一种复杂型面加工参数特征提取方法、系统、设备及介质 - Google Patents
一种复杂型面加工参数特征提取方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116933657A CN116933657A CN202310984418.XA CN202310984418A CN116933657A CN 116933657 A CN116933657 A CN 116933657A CN 202310984418 A CN202310984418 A CN 202310984418A CN 116933657 A CN116933657 A CN 116933657A
- Authority
- CN
- China
- Prior art keywords
- processing parameter
- parameter
- processing
- feature subset
- feature
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 353
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 238000003754 machining Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 108
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 50
- 230000008569 process Effects 0.000 abstract description 37
- 238000005457 optimization Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000013209 evaluation strategy Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Genetics & Genomics (AREA)
- Numerical Control (AREA)
Abstract
本发明公开一种复杂型面加工参数特征提取方法、系统、设备及介质,涉及工程应用与信息科学领域。该方法包括:获取复杂型面的历史加工数据,并构造加工参数特征子集;根据历史加工数据训练多参数振动力预测模型;根据加工参数特征子集、历史加工数据和仿真加工数据构造加工参数组合;根据多参数振动力预测模型预测加工参数组合对应的振动力峰值,并计算振动力峰值的均方差;根据加工参数特征子集中加工参数项的数量和振动力峰值的均方差计算目标函数值;采用改进遗传算法根据目标函数值迭代确定对振动力峰值影响最大且参数量最小的最优特征子集。本发明能够降低加工参数优化过程中的试错成本,提高复杂型面加工参数的优化效率。
Description
技术领域
本发明涉及工程应用与信息科学领域,特别是涉及一种复杂型面加工参数特征提取方法、系统、设备及介质。
背景技术
在航空发动机叶片、燃气涡轮和高端模具等复杂型面零件加工制造过程中,加工参数往往对零件加工效率和精度具有显著影响。通常情况下,在零件加工过程中涉及包括温度、湿度、刀具类型、加工路径、材料以及人工等在内的多种影响因素,不同因素对加工效率和加工精度的影响也不同。由于复杂型面零件的加工成本往往过高,对于大量参数进行优化调整需要较高的成本,因此在实际应用中通常基于工程师本身的经验对某些可能的关键参数进行优化。基于上述原因,以历史加工数据为支撑设计加工参数特征提取方法,剔除冗余参数项并保留关键参数进行下一步优化,能够有效地提升加工精度和效率。
目前常见的特征提取方法主要基于统计方法、降维方法、模型方法等。这类方法往往依赖于大量完整的数据,并且无法实现对同类任务的快速迁移。而复杂型面的类型多种多样,并且历史数据往往由于采集流程不规范而存在缺失问题。因此,这类基于大量数据的方法在面向复杂型面的特征提取任务中往往存在性能不足的问题。元启发式方法作为一种通用的优化框架,辅以特定的特征子集评价模型,能够基于少量数据完成特征提取的工作,并且提取出的特征子集相对比较准确。因此,研究基于元启发式方法的复杂型面加工参数特征提取方法是有价值的。
发明内容
本发明的目的是提供一种复杂型面加工参数特征提取方法、系统、设备及介质,以降低加工参数优化过程中的试错成本,提高复杂型面加工参数的优化效率。
为实现上述目的,本发明提供了如下方案:
一种复杂型面加工参数特征提取方法,包括:
获取复杂型面的历史加工数据,并构造加工参数特征子集;所述历史加工数据包括:若干组加工参数的历史数据和对应的振动力峰值;每个加工参数特征子集中至少包括一项加工参数;
根据所述历史加工数据训练多参数振动力预测模型;所述多参数振动力预测模型用于根据输入的加工参数预测复杂型面加工过程中的振动力峰值;
根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合;所述仿真加工数据用于在所述历史加工数据被移除目标加工参数项后进行数据填充;所述目标加工参数项为所述加工参数特征子集中不具备的加工参数项;
根据所述多参数振动力预测模型预测所述加工参数组合对应的振动力峰值,并计算振动力峰值的均方差;
根据所述加工参数特征子集中加工参数项的数量和所述振动力峰值的均方差计算目标函数值;
采用改进遗传算法根据所述目标函数值迭代确定最优特征子集;所述改进遗传算法通过将特征子集全局扩张策略和特征子集局部增强策略嵌入至遗传算法框架中得到;所述最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合。
可选地,采用改进遗传算法根据所述目标函数值迭代确定最优特征子集,具体包括:
采用特征子集全局扩张策略,根据所述目标函数值和所述加工参数特征子集构造出现概率矩阵,并根据所述出现概率矩阵确定候选特征子集;
采用特征子集局部增强策略,根据所述目标函数值对所述候选特征子集中的加工参数项进行调整,得到最优特征子集。
可选地,采用特征子集全局扩张策略,根据所述目标函数值和所述加工参数特征子集构造出现概率矩阵,并根据所述出现概率矩阵确定候选特征子集,具体包括:
将所述目标函数值最小的若干个加工参数特征子集确定为精英特征子集;
计算所述精英特征子集中各加工参数项的出现概率,得到出现概率矩阵;
任意选取一个加工参数特征子集作为特征模板;
根据所述出现概率矩阵依次选择剩余加工参数项中出现概率最大的加工参数项替换所述特征模板中出现概率最小的加工参数项,并计算替换后的目标函数值;
若替换后的目标函数值大于原始的目标函数值,则不更新所述特征模板;
若替换后的目标函数值小于或等于原始的目标函数值,则以替换后的加工参数特征子集更新所述特征模板;
将所有加工参数项遍历完毕后得到的特征模板确定为候选特征子集。
可选地,采用特征子集局部增强策略,根据所述目标函数值对所述候选特征子集中的加工参数项进行调整,得到最优特征子集,具体包括:
对所述候选特征子集中的加工参数项进行逐个删减,并计算删减后的目标函数值;
若删减后的目标函数值大于原始的目标函数值,则不更新所述候选特征子集;
若删减后的目标函数值小于或等于原始的目标函数值,则以删减后的候选特征子集更新所述候选特征子集;
对所述候选特征子集中不具备的加工参数项进行逐个增加,并计算增加后的目标函数值;
若增加后的目标函数值大于或等于原始的目标函数值,则不更新所述候选特征子集;
若增加后的目标函数值小于原始的目标函数值,则以增加后的候选特征子集更新所述候选特征子集;
将所有加工参数项遍历完毕后得到的候选特征子集确定为最优特征子集。
可选地,根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合,具体包括:
从所述历史加工数据中随机抽取一组加工参数的历史数据,作为初始加工参数样本;
从所述初始加工参数样本中移除所述加工参数特征子集中不具备的加工参数项,得到临时加工参数样本;
根据被移除的加工参数项的上界和下界,随机生成若干组服从均匀分布的加工参数值作为仿真加工数据;
将所述仿真加工数据填充至所述临时加工参数样本中,得到加工参数组合。
可选地,根据所述历史加工数据训练多参数振动力预测模型,具体包括:
以所述历史加工数据中的加工参数的历史数据为输入,以加工参数的历史数据对应的振动力峰值为标签,基于均方误差函数训练具有三层感知机结构的多参数振动力预测模型。
可选地,所述多参数振动力预测模型包括顺次连接的输入层、隐藏层和输出层;所述输入层的输入特征为加工参数的历史数据,输入特征数为加工参数数量n,所述输入层的输出特征数为2n/3;所述隐藏层的输入特征数为2n/3,所述隐藏层的输出特征数为4n/9;所述输出层的输入特征数为4n/9,所述输出层的输出特征为振动力峰值的预测值,输出特征数为1。
一种复杂型面加工参数特征提取系统,包括:
加工参数特征子集构造模块,用于获取复杂型面的历史加工数据,并构造加工参数特征子集;所述历史加工数据包括:若干组加工参数的历史数据和对应的振动力峰值;每个加工参数特征子集中至少包括一项加工参数;
多参数振动力预测模型训练模块,用于根据所述历史加工数据训练多参数振动力预测模型;所述多参数振动力预测模型用于根据输入的加工参数预测复杂型面加工过程中的振动力峰值;
加工参数组合构造模块,用于根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合;所述仿真加工数据用于在所述历史加工数据被移除目标加工参数项后进行数据填充;所述目标加工参数项为所述加工参数特征子集中不具备的加工参数项;
均方差计算模块,用于根据所述多参数振动力预测模型预测所述加工参数组合对应的振动力峰值,并计算振动力峰值的均方差;
目标函数值计算模块,用于根据所述加工参数特征子集中加工参数项的数量和所述振动力峰值的均方差计算目标函数值;
最优特征子集确定模块,用于采用改进遗传算法根据所述目标函数值迭代确定最优特征子集;所述改进遗传算法通过将特征子集全局扩张策略和特征子集局部增强策略嵌入至遗传算法框架中得到;所述最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的复杂型面加工参数特征提取方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的复杂型面加工参数特征提取方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的复杂型面加工参数特征提取方法,将复杂型面加工参数作为输入,将加工过程中的振动力峰值作为标签,训练了多参数振动力预测模型,从而能基于输入的加工参数预测振动力峰值,并计算振动力峰值的均方差,进而将加工参数特征子集中加工参数项的数量和振动力峰值的均方差作为评估复杂型面加工参数集合质量的指标,计算目标函数值,采用嵌入了特征子集全局扩张策略和特征子集局部增强策略的改进遗传算法,根据目标函数值迭代确定最优特征子集,所得到的最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合,工程师可以根据这组复杂型面加工参数集合剔除对振动力峰值影响较小的冗余加工参数,从而降低加工参数优化过程中的试错成本,提高复杂型面加工参数的优化效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明提供的复杂型面加工参数特征提取方法的流程图;
图2为本发明提供的复杂型面加工参数特征提取方法的总体流程框图;
图3为本发明提供的多参数振动力预测模型的结构图;
图4为本发明提供的多参数组合综合评价流程图;
图5为本发明提供的特征子集全局扩张策略流程图;
图6为本发明提供的特征子集局部增强策略流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明的目的是提供一种复杂型面加工参数特征提取方法、系统、设备及介质,基于复杂型面加工参数的历史数据或仿真数据,提取复杂型面的关键加工参数子集,从而降低加工参数优化过程中的试错成本,提高复杂型面加工参数的优化效率。此外,本发明还提供一种面向复杂型面加工振动力预测的神经网络模型,即多参数振动力预测模型,工程师可基于现有加工参数预测加工过程中的振动力峰值,从而判定加工策略的可行性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明实施例提供一种复杂型面加工参数特征提取方法,具体流程参见图1及图2,包括:
步骤S1:获取复杂型面的历史加工数据,并构造加工参数特征子集;所述历史加工数据包括:若干组加工参数的历史数据和对应的振动力峰值;每个加工参数特征子集中至少包括一项加工参数。
步骤S2:根据所述历史加工数据训练多参数振动力预测模型;所述多参数振动力预测模型用于根据输入的加工参数预测复杂型面加工过程中的振动力峰值。
优选地,以所述历史加工数据中的加工参数的历史数据为输入,以加工参数的历史数据对应的振动力峰值为标签,基于均方误差函数训练具有三层感知机结构的多参数振动力预测模型。
其中,所述多参数振动力预测模型包括顺次连接的输入层、隐藏层和输出层;所述输入层的输入特征为加工参数的历史数据,输入特征数为加工参数数量n,所述输入层的输出特征数为2n/3;所述隐藏层的输入特征数为2n/3,所述隐藏层的输出特征数为4n/9;所述输出层的输入特征数为4n/9,所述输出层的输出特征为振动力峰值的预测值,输出特征数为1。多参数振动力预测模型的结构参见图3,其中f1-f9表示输入层的输入特征,x1-x6表示隐藏层的输入特征,y1-y4表示输出层的输入特征,z表示输出层的输出特征。
加工参数对加工过程中的振动力峰值具有重要影响。在振动力峰值预测模型中,主要包含三个线性全连接层。振动力峰值预测模型的输入是加工参数历史数据,具体包括机床型号、温度、湿度、刀具型号、零件材料以及零件尺寸。而模型的输出则是振动力峰值预测值。振动力峰值预测模型的网络结构定义如下:若加工参数数量为n,则第一个线性层的输入特征数为n,输出特征数为2n/3,采用ReLU函数激活;第二个线性层的输入特征数为2n/3,输出特征数为4n/9,同样采用ReLU函数激活;第三个线性层为输出层,因此其输入特征数为4n/9,输出特征数为1。输出层直接输出预测的加工过程的振动力峰值。模型训练过程中采用均方误差损失作为预测损失函数,采用Adam优化器进行神经网络参数优化。对一组训练数据集训练1000个世代后保存神经网络模型以进行复杂型面加工振动力预测。
步骤S3:根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合;所述仿真加工数据用于在所述历史加工数据被移除目标加工参数项后进行数据填充;所述目标加工参数项为所述加工参数特征子集中不具备的加工参数项。
优选地,从所述历史加工数据中随机抽取一组加工参数的历史数据,作为初始加工参数样本;从所述初始加工参数样本中移除所述加工参数特征子集中不具备的加工参数项,得到临时加工参数样本;根据被移除的加工参数项的上界和下界,随机生成若干组服从均匀分布的加工参数值作为仿真加工数据;将所述仿真加工数据填充至所述临时加工参数样本中,得到加工参数组合。
步骤S4:根据所述多参数振动力预测模型预测所述加工参数组合对应的振动力峰值,并计算振动力峰值的均方差。
步骤S5:根据所述加工参数特征子集中加工参数项的数量和所述振动力峰值的均方差计算目标函数值。
优选地,基于多参数组合综合评价策略,构造复杂型面加工参数的特征提取评价函数,即目标函数,从而计算目标函数值。
评估加工参数特征子集的质量是加工参数特征提取的关键组成部分之一。具体而言,若令种群中的加工参数特征子集sk为{1,0,1,0,1,1},则sk中被剔除的加工参数项为温度(第二项加工参数)与刀具型号(第四项加工参数)。在sk的评估过程中,首先加载训练好的多参数振动力(峰值)预测模型,然后从用户提供的复杂型面加工参数的历史数据中随机选择一组加工参数样本,剔除其中温度与刀具型号对应的参数值并将该样本复制若干份(本实施例中为10份)。然后在温度与刀具型号的上界与下界之间基于均匀分布随机生成10组数据分别填充到样本中,并将10组样本分别作为多参数振动力峰值预测模型的输入预测每组样本对应的振动力峰值。然后,计算10组样本对应的振动力峰值的均方差。若均方差较小,则意味着温度和刀具型号对振动力峰值的影响越小,即特征子集sk剔除了冗余的加工参数项。若均方差较大,则意味着温度和刀具型号对振动力峰值的影响较大,特征子集sk错误地剔除了关键加工参数项。此外,考虑到在加工参数特征提取过程中,特征子集所包含的特征数量同样是重要指标,本发明设计了目标函数f(sk)用于综合评估特征子集sk的质量,f(sk)按下式计算:
f(sk)=α1*D(sk)+α2*|sk|
其中,D(sk)为基于上述若干组样本(即加工参数组合)计算所得的特征子集sk对应的均方差,而|sk|表示特征子集sk中包含的加工参数项的数量。α1与α2分别为均方差与参数项数量的权重,本发明中根据历史加工数据分布将α1与α2设为1。显然,特征子集sk对应的均方差D(sk)与加工参数项数量|sk|越小,则特征子集sk的质量越好。由于f(sk)同时考虑了特征子集中的参数数量与振动力峰值的稳定性,因此采用f(sk)评估种群中的加工参数特征子集可以快速搜索到加工参数项较少且振动力峰值稳定性高的加工参数特征子集,多参数组合综合评价策略的详细处理流程参见图4。
步骤S6:采用改进遗传算法根据所述目标函数值迭代确定最优特征子集;所述改进遗传算法通过将特征子集全局扩张策略和特征子集局部增强策略嵌入至遗传算法框架中得到;所述最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合。
优选地,采用特征子集全局扩张策略,根据所述目标函数值和所述加工参数特征子集构造出现概率矩阵,并根据所述出现概率矩阵确定候选特征子集;采用特征子集局部增强策略,根据所述目标函数值对所述候选特征子集中的加工参数项进行调整,得到最优特征子集。所述调整包括:删除加工参数项和增加加工参数项。
其中,采用特征子集全局扩张策略执行全局搜索,采用特征子集局部增强策略进行局部搜索,将二者嵌入遗传算法框架中实现复杂型面加工参数的特征提取,能够提高搜索效率。
采用特征子集全局扩张策略,根据所述目标函数值和所述加工参数特征子集构造出现概率矩阵,并根据所述出现概率矩阵确定候选特征子集,具体包括:
首先,将所述目标函数值最小的若干个加工参数特征子集确定为精英特征子集;计算所述精英特征子集中各加工参数项的出现概率,得到出现概率矩阵。
其次,任意选取一个加工参数特征子集作为特征模板,并确定剩余加工参数项;根据所述出现概率矩阵依次选择剩余加工参数项中出现概率最大的加工参数项替换所述特征模板中出现概率最小的加工参数项,并计算替换后的目标函数值;若替换后的目标函数值大于原始的目标函数值,则不更新所述特征模板;若替换后的目标函数值小于或等于原始的目标函数值,则以替换后的加工参数特征子集更新所述特征模板。
最后,将所有加工参数项遍历完毕后得到的特征模板确定为候选特征子集。
在加工参数特征提取过程中,由于最优特征子集数量未知,因此需要保证振动力峰值稳定的同时,最大程度缩减特征子集中的参数量,这无疑使得问题空间十分庞大。因此,为了提高搜索效率以及精度,本发明设计了特征子集全局扩张策略进行全局搜索。首先,基于上述目标函数f(sk)评估种群中所有加工参数特征子集,并提取目标函数值较小的精英加工参数特征子集。然后基于种群中精英特征子集的特征分布计算每种特征的出现概率并构造出现概率矩阵。最后基于出现概率矩阵贪心地优化当前最优特征子集。
特征子集全局扩张策略的具体过程如下:假设当前种群中存在50个特征子集,首先令目标函数值最小的l个特征子集为精英特征子集。然后针对每一项加工参数分别计算其出现概率。如果参数特征k在所有精英特征子集中出现的次数为m,则参数特征k的出现概率为p=m/l。计算出所有参数特征的出现概率后,随机从种群中抽取一个特征子集作为特征模板。如果特征模板中包含的加工参数量为j,则根据出现概率对参数特征进行非递增排序,并依次选择出现概率较大的特征替换当前特征模板中出现概率最小的加工参数。具体而言,若当前选定的特征已经存在于当前特征模板中,则直接跳过该特征。若当前选定的特征不存在于特征模板,则首先找到特征子集中出现概率最小的参数特征,将其替换后计算特征子集的目标函数值。若目标函数值减小或保持不变,则表明新的特征子集优于当前子集,保留新的特征子集;若目标函数值增大,则表明新的特征子集劣于当前特征子集,保持原有特征子集作为参数特征模板。当j个出现概率较大的特征(即加工参数项)均被尝试放入特征子集后,将特征模板保存在种群中。特征子集全局扩张策略的具体流程参见图5。
采用特征子集局部增强策略,根据所述目标函数值对所述候选特征子集中的加工参数项进行调整,得到最优特征子集,具体包括:
首先,对所述候选特征子集中的加工参数项进行逐个删减,并计算删减后的目标函数值;若删减后的目标函数值大于原始的目标函数值,则不更新所述候选特征子集;若删减后的目标函数值小于或等于原始的目标函数值,则以删减后的候选特征子集更新所述候选特征子集。
其次,对所述候选特征子集中不具备的加工参数项进行逐个增加,并计算增加后的目标函数值;若增加后的目标函数值大于或等于原始的目标函数值,则不更新所述候选特征子集;若增加后的目标函数值小于原始的目标函数值,则以增加后的候选特征子集更新所述候选特征子集。
最后,将所有加工参数项遍历完毕后得到的候选特征子集确定为最优特征子集。
尽管特征子集全局扩张策略能高效地扰动特征子集中的关键参数特征项。但该策略无法缩减特征子集中的特征数量,即经过全局扩张策略后特征模板中参数特征的数量仍然保持不变。这显然无法达到特征选择的目的。因此,本发明采用特征子集局部增强策略在小范围内优化特征子集中的特征数量。
特征子集局部增强策略的具体过程如下:在种群迭代过程中,特征子集局部增强策略针对当前最优的特征子集采用特征删减和增加操作进行局部增强搜索。具体而言,首先针对特征子集中的特征进行逐个删减,若删减后的特征子集目标函数值减小或保持不变,则采用删减后的特征子集代替原有的特征子集,否则特征子集保持不变。然后针对特征子集中不包含的特征进行逐个增加,若增加特征后的特征子集目标函数值减小,则采用增加后的特征子集代替原有的特征子集,否则特征子集保持不变。值得注意的是,若多次删减或多次增加后特征子集均未发生变化,则提前跳出特征子集局部增强策略,否则,当所有特征均被遍历后,将最终的特征子集放入种群中。特征子集局部增强策略的具体流程参见图6。
下面提供一个具体实施例,对上述步骤做进一步的详细说明。
步骤1:根据待提取的加工参数项即机床型号、温度、湿度、刀具型号、零件材料以及零件尺寸,基于用户定义的种群数量随机构造若干组加工参数特征子集。
步骤2:根据用户提供的复杂型面历史加工数据以及预定义的多参数振动力预测模型结构,以加工参数项即机床型号、温度、湿度、刀具型号、零件材料以及零件尺寸作为输入,以实际加工过程中的振动力峰值作为标签,训练多参数振动力预测模型并保存模型中所有神经元的权重值。
步骤3:根据步骤1中生成的加工参数特征子集以及用户提供的复杂型面历史加工数据,加载步骤2中训练的多参数振动力预测模型及其权重值,采用多参数组合评价策略计算每个特征子集sk的目标函数值f(sk),并根据f(sk)评估每个特征子集的质量。
步骤4:根据步骤3中的特征子集与目标函数值,提取目标函数值较小的精英特征子集,并基于精英特征子集构造特征概率模型以反映不同加工参数项在精英特征子集中出现的频次。最后基于特征概率模型对种群中的随机加工参数特征子集进行全局扩张。具体而言,若6个加工参数项的出现频率分别为{0.2,0.4,0.1,0.3,0.5,0.8},令加工参数特征子集sk={1,0,1,0,1,1},则sk出现概率最小的加工参数项为湿度,其出现概率为0.1。然后,根据每个加工参数项出现的概率选取不包含于sk的加工参数项。显然,第一个加工参数项为温度,其出现概率为0.4,将温度添加至s'k中并移除湿度,此时sk为{1,1,0,0,1,1}。根据步骤3计算s'k的目标函数值,若s'k的目标函数值优于sk,则以s'k替换sk。从而得到新的种群。
步骤5:根据步骤4中输出的种群及每个特征子集的目标函数值,得到目标函数值最小的特征子集sbest,然后对sbest中的加工参数项分别进行逐个删减与增加,并始终保留目标函数值较小的特征子集。具体而言,令sbest为{1,1,1,0,1,1},首先基于删减操作构造新的特征子集s'best={0,1,1,0,1,1},然后根据步骤3评估s'best的目标函数值,若s'best的目标函数值优于sbest的目标函数值则采用s'best替换sbest。上述过程多次循环直至所有加工参数项均被遍历。紧接着,针对最终的sbest,逐个执行添加操作并构造新的特征子集s'best,若s'best的目标函数值优于sbest,则将sbest替换为s'best。上述过程多次循环直至所有加工参数项均被遍历。特征子集局部增强策略的输出为新的种群。
步骤6:以步骤5中输出的种群为输入,迭代执行步骤4与步骤5直至满足迭代终止条件。最终输出为一组目标函数值最优的关键特征子集sbest。具体而言,若sbest为{1,1,1,0,1,1},则意味着刀具型号是对振动力峰值无显著影响的加工参数项,因此工程师在参数校准过程中可忽略刀具型号。
本发明利用多参数振动力预测模型以及遗传算法进行复杂型面加工参数特征提取,所采用的主体框架为遗传算法,可划分为初始化阶段与迭代优化阶段,参见图2。具体而言,若令复杂型面加工过程中的参数包括机床型号、温度、湿度、刀具型号、零件材料和零件尺寸,则完整的加工参数集合包括以上6个加工参数。在初始化阶段,首先随机构造多个加工参数特征子集S={s1,s2,…,sn},每个加工参数特征子集sk中仅包含一部分加工参数。例如,加工参数特征子集sk可编码为sk={1,0,1,0,1,1}。其中1表示对应位置的加工参数包含于特征子集sk中,而0表示对应位置的加工参数被特征子集sk剔除。若被剔除的加工参数对振动力峰值无显著影响,则表明该参数为冗余加工参数。
为了提取加工参数与振动力峰值之间的关联关系,本发明基于复杂型面的历史加工数据与仿真加工数据以及人工神经网络方法构造了多参数振动力预测模型。在训练过程中,该模型以历史加工数据与仿真加工数据为输入,以实际加工过程中的振动力峰值为标签值,训练神经网络中每个神经元的权重,从而在多次迭代后输出一组最优的权重。在振动力峰值预测过程中,该模型以仿真加工参数和神经元权重为输入,对振动力峰值进行预测。
为了评估之前随机初始化的特征子集,首先从复杂型面历史加工参数数据中随机抽取一组加工参数,然后根据每个加工参数特征子集中保留的加工参数项构造新的仿真加工参数集合。具体而言,首先从加工参数中移除在特征子集中被剔除的加工参数项。然后将剩余的加工参数项复制10份。紧接着,在被移除加工参数项的上界与下界之间生成10组服从均匀分布的加工参数值并分别填充至10组加工参数中。最后,基于多参数振动力预测模型分别预测10组加工参数的振动力峰值并计算方差。然后根据不同特征子集中的加工参数项的数量与振动力峰值方差为每个特征子集赋予目标函数值。
在迭代优化阶段,将随机生成的特征子集作为初始种群,引入特征子集全局扩张策略进行特征子集的全局搜索,通过不同特征子集的信息流通置换不同特征子集中被剔除与被保留的加工参数项。然后,采用特征子集局部增强策略执行局部搜索,通过在较好的特征子集中不断置换加工参数项搜索更好的特征子集。上述过程不断循环直至满足迭代终止条件。本发明最终输出一组关键加工参数集合。这组关键加工参数集合剔除了对振动力峰值无显著影响的冗余加工参数项,从而有利于提升工程师校准加工参数的效率。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种复杂型面加工参数特征提取系统,包括:
加工参数特征子集构造模块,用于获取复杂型面的历史加工数据,并构造加工参数特征子集;所述历史加工数据包括:若干组加工参数的历史数据和对应的振动力峰值;每个加工参数特征子集中至少包括一项加工参数。
多参数振动力预测模型训练模块,用于根据所述历史加工数据训练多参数振动力预测模型;所述多参数振动力预测模型用于根据输入的加工参数预测复杂型面加工过程中的振动力峰值。
加工参数组合构造模块,用于根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合;所述仿真加工数据用于在所述历史加工数据被移除目标加工参数项后进行数据填充;所述目标加工参数项为所述加工参数特征子集中不具备的加工参数项。
均方差计算模块,用于根据所述多参数振动力预测模型预测所述加工参数组合对应的振动力峰值,并计算振动力峰值的均方差。
目标函数值计算模块,用于根据所述加工参数特征子集中加工参数项的数量和所述振动力峰值的均方差计算目标函数值。
最优特征子集确定模块,用于采用改进遗传算法根据所述目标函数值迭代确定最优特征子集;所述改进遗传算法通过将特征子集全局扩张策略和特征子集局部增强策略嵌入至遗传算法框架中得到;所述最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合。
实施例三
本发明实施例还提供一种电子设备,包括存储器和处理器,该存储器用于存储计算机程序,该处理器用于运行计算机程序以使电子设备执行实施例一中的复杂型面加工参数特征提取方法。所述电子设备可以是服务器。
另外,本发明还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一中的复杂型面加工参数特征提取方法。
综上所述,本发明以复杂型面加工参数的历史数据与仿真数据为基础,以人工神经网络为手段,将复杂型面加工参数作为输入,将加工过程中的振动力峰值作为标签,训练了多参数振动力预测模型,从而能基于输入的加工参数预测振动力峰值,并将振动力峰值的预测值作为评估复杂型面加工参数集合质量的指标之一。此外,本发明以遗传算法为优化框架,融入多参数组合综合评价策略、特征子集全局扩张策略以及特征子集局部增强策略,形成了一种新颖的复杂型面加工参数特征提取方法。其中,多参数组合综合评价策略以多参数振动力预测模型为基础,基于仿真加工参数样本评估一组复杂型面加工参数的质量,能有效地提升加工参数集合的评估效率并降低评估成本。同时,特征子集全局扩张策略与特征子集局部增强策略能在迭代过程中能快速搜索对振动力峰值具有显著影响的加工参数集合,并尽可能缩减关键加工参数的数量,快速搜索质量更高的加工参数集合。复杂型面加工参数特征提取方法的输出是一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合,工程师可以根据这组复杂型面加工参数集合剔除对振动力峰值影响较小的冗余加工参数,从而提升关键参数校准的效率。本发明经过扩展后,还可应用于多种复杂零件的加工参数特征提取。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种复杂型面加工参数特征提取方法,其特征在于,包括:
获取复杂型面的历史加工数据,并构造加工参数特征子集;所述历史加工数据包括:若干组加工参数的历史数据和对应的振动力峰值;每个加工参数特征子集中至少包括一项加工参数;
根据所述历史加工数据训练多参数振动力预测模型;所述多参数振动力预测模型用于根据输入的加工参数预测复杂型面加工过程中的振动力峰值;
根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合;所述仿真加工数据用于在所述历史加工数据被移除目标加工参数项后进行数据填充;所述目标加工参数项为所述加工参数特征子集中不具备的加工参数项;
根据所述多参数振动力预测模型预测所述加工参数组合对应的振动力峰值,并计算振动力峰值的均方差;
根据所述加工参数特征子集中加工参数项的数量和所述振动力峰值的均方差计算目标函数值;
采用改进遗传算法根据所述目标函数值迭代确定最优特征子集;所述改进遗传算法通过将特征子集全局扩张策略和特征子集局部增强策略嵌入至遗传算法框架中得到;所述最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合。
2.根据权利要求1所述的复杂型面加工参数特征提取方法,其特征在于,采用改进遗传算法根据所述目标函数值迭代确定最优特征子集,具体包括:
采用特征子集全局扩张策略,根据所述目标函数值和所述加工参数特征子集构造出现概率矩阵,并根据所述出现概率矩阵确定候选特征子集;
采用特征子集局部增强策略,根据所述目标函数值对所述候选特征子集中的加工参数项进行调整,得到最优特征子集。
3.根据权利要求2所述的复杂型面加工参数特征提取方法,其特征在于,采用特征子集全局扩张策略,根据所述目标函数值和所述加工参数特征子集构造出现概率矩阵,并根据所述出现概率矩阵确定候选特征子集,具体包括:
将所述目标函数值最小的若干个加工参数特征子集确定为精英特征子集;
计算所述精英特征子集中各加工参数项的出现概率,得到出现概率矩阵;
任意选取一个加工参数特征子集作为特征模板;
根据所述出现概率矩阵依次选择剩余加工参数项中出现概率最大的加工参数项替换所述特征模板中出现概率最小的加工参数项,并计算替换后的目标函数值;
若替换后的目标函数值大于原始的目标函数值,则不更新所述特征模板;
若替换后的目标函数值小于或等于原始的目标函数值,则以替换后的加工参数特征子集更新所述特征模板;
将所有加工参数项遍历完毕后得到的特征模板确定为候选特征子集。
4.根据权利要求2所述的复杂型面加工参数特征提取方法,其特征在于,采用特征子集局部增强策略,根据所述目标函数值对所述候选特征子集中的加工参数项进行调整,得到最优特征子集,具体包括:
对所述候选特征子集中的加工参数项进行逐个删减,并计算删减后的目标函数值;
若删减后的目标函数值大于原始的目标函数值,则不更新所述候选特征子集;
若删减后的目标函数值小于或等于原始的目标函数值,则以删减后的候选特征子集更新所述候选特征子集;
对所述候选特征子集中不具备的加工参数项进行逐个增加,并计算增加后的目标函数值;
若增加后的目标函数值大于或等于原始的目标函数值,则不更新所述候选特征子集;
若增加后的目标函数值小于原始的目标函数值,则以增加后的候选特征子集更新所述候选特征子集;
将所有加工参数项遍历完毕后得到的候选特征子集确定为最优特征子集。
5.根据权利要求1所述的复杂型面加工参数特征提取方法,其特征在于,根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合,具体包括:
从所述历史加工数据中随机抽取一组加工参数的历史数据,作为初始加工参数样本;
从所述初始加工参数样本中移除所述加工参数特征子集中不具备的加工参数项,得到临时加工参数样本;
根据被移除的加工参数项的上界和下界,随机生成若干组服从均匀分布的加工参数值作为仿真加工数据;
将所述仿真加工数据填充至所述临时加工参数样本中,得到加工参数组合。
6.根据权利要求1所述的复杂型面加工参数特征提取方法,其特征在于,根据所述历史加工数据训练多参数振动力预测模型,具体包括:
以所述历史加工数据中的加工参数的历史数据为输入,以加工参数的历史数据对应的振动力峰值为标签,基于均方误差函数训练具有三层感知机结构的多参数振动力预测模型。
7.根据权利要求6所述的复杂型面加工参数特征提取方法,其特征在于,所述多参数振动力预测模型包括顺次连接的输入层、隐藏层和输出层;所述输入层的输入特征为加工参数的历史数据,输入特征数为加工参数数量n,所述输入层的输出特征数为2n/3;所述隐藏层的输入特征数为2n/3,所述隐藏层的输出特征数为4n/9;所述输出层的输入特征数为4n/9,所述输出层的输出特征为振动力峰值的预测值,输出特征数为1。
8.一种复杂型面加工参数特征提取系统,其特征在于,包括:
加工参数特征子集构造模块,用于获取复杂型面的历史加工数据,并构造加工参数特征子集;所述历史加工数据包括:若干组加工参数的历史数据和对应的振动力峰值;每个加工参数特征子集中至少包括一项加工参数;
多参数振动力预测模型训练模块,用于根据所述历史加工数据训练多参数振动力预测模型;所述多参数振动力预测模型用于根据输入的加工参数预测复杂型面加工过程中的振动力峰值;
加工参数组合构造模块,用于根据所述加工参数特征子集、所述历史加工数据和仿真加工数据构造加工参数组合;所述仿真加工数据用于在所述历史加工数据被移除目标加工参数项后进行数据填充;所述目标加工参数项为所述加工参数特征子集中不具备的加工参数项;
均方差计算模块,用于根据所述多参数振动力预测模型预测所述加工参数组合对应的振动力峰值,并计算振动力峰值的均方差;
目标函数值计算模块,用于根据所述加工参数特征子集中加工参数项的数量和所述振动力峰值的均方差计算目标函数值;
最优特征子集确定模块,用于采用改进遗传算法根据所述目标函数值迭代确定最优特征子集;所述改进遗传算法通过将特征子集全局扩张策略和特征子集局部增强策略嵌入至遗传算法框架中得到;所述最优特征子集为一组对振动力峰值影响最大且参数量最小的复杂型面加工参数集合。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的复杂型面加工参数特征提取方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的复杂型面加工参数特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310984418.XA CN116933657A (zh) | 2023-08-07 | 2023-08-07 | 一种复杂型面加工参数特征提取方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310984418.XA CN116933657A (zh) | 2023-08-07 | 2023-08-07 | 一种复杂型面加工参数特征提取方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933657A true CN116933657A (zh) | 2023-10-24 |
Family
ID=88378977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310984418.XA Pending CN116933657A (zh) | 2023-08-07 | 2023-08-07 | 一种复杂型面加工参数特征提取方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117762086A (zh) * | 2024-02-22 | 2024-03-26 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-08-07 CN CN202310984418.XA patent/CN116933657A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117762086A (zh) * | 2024-02-22 | 2024-03-26 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
CN117762086B (zh) * | 2024-02-22 | 2024-05-28 | 东莞市微振科技有限公司 | 机床参数处理方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304679A (zh) | 一种自适应可靠性分析方法 | |
CN105550393B (zh) | 一种支持方案快速生成的枪械变型设计方法 | |
CN109947652A (zh) | 一种软件缺陷预测的改进排序学习方法 | |
CN116933657A (zh) | 一种复杂型面加工参数特征提取方法、系统、设备及介质 | |
CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN111062517A (zh) | 一种基于GBDT的LightGBM模型的冷、热负荷预测方法 | |
CN116306923A (zh) | 一种基于知识图谱的评价权重计算方法 | |
CN113408802B (zh) | 能耗预测网络的训练、能耗预测方法、装置和计算机设备 | |
CN114647790A (zh) | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 | |
KR100895481B1 (ko) | 다중 클래스 svm을 이용한 영역 기반 이미지 검색 방법 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN112926147B (zh) | 含缺陷加筋柱壳的后验优化设计方法 | |
CN113869033A (zh) | 融入迭代式句对关系预测的图神经网络句子排序方法 | |
CN112463378B (zh) | 一种服务器资产扫描方法、系统、电子设备及存储介质 | |
CN114721330A (zh) | 基于cbas-elm算法的切削过程能耗仿真预测方法 | |
CN114842923A (zh) | 一种基于深度主动学习的高通量虚拟筛选方法 | |
CN117010538A (zh) | 一种用于农机服务资源备件预测的方法及系统 | |
CN116629348B (zh) | 一种智能车间数据采集分析方法、装置及计算机设备 | |
CN114254764B (zh) | 基于反馈的机器学习模型搜索方法、系统、设备及介质 | |
US20230367303A1 (en) | Automated intelligence facilitation of routing operations | |
US20230368085A1 (en) | Automated intelligence facilitation of routing operations | |
US20230368086A1 (en) | Automated intelligence facilitation of routing operations | |
CN112287991B (zh) | 基于L1-正则化逻辑回归和GBDT的dpi特征选择方法 | |
CN114580758B (zh) | 一种多城市自动能源负荷预测方法及系统 |
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 |