CN117113109B - 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 - Google Patents

基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 Download PDF

Info

Publication number
CN117113109B
CN117113109B CN202310925960.8A CN202310925960A CN117113109B CN 117113109 B CN117113109 B CN 117113109B CN 202310925960 A CN202310925960 A CN 202310925960A CN 117113109 B CN117113109 B CN 117113109B
Authority
CN
China
Prior art keywords
manufacturing process
copper pipe
cost
performance
data
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
CN202310925960.8A
Other languages
English (en)
Other versions
CN117113109A (zh
Inventor
葛会见
王辉
丁晓林
高世明
赵春笋
杨涛
吴金宝
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.)
Changzhou Runlai Technology Co ltd
Original Assignee
Changzhou Runlai Technology 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 Changzhou Runlai Technology Co ltd filed Critical Changzhou Runlai Technology Co ltd
Priority to CN202310925960.8A priority Critical patent/CN117113109B/zh
Publication of CN117113109A publication Critical patent/CN117113109A/zh
Application granted granted Critical
Publication of CN117113109B publication Critical patent/CN117113109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及铜管制造的技术领域，特别是涉及一种基于机器学习的无缝内螺纹铜管制造工艺确定方法，其提高工艺确定的效率，并降低人为因素的影响；方法包括：采集无缝内螺纹铜管的多种制造工艺数据，并根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合；对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，每个制造工艺分类集合包含相似的铜管性能特征；遍历各个制造工艺分类集合，生成对应制造工艺的成本列表；获取需要设计生产铜管的成品性能要求和生产成本要求；根据成品性能要求匹配相对应的制造工艺分类集合。

Description

基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统
技术领域
本发明涉及铜管制造的技术领域，特别是涉及一种基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统。
背景技术
无缝内螺纹铜管在各种工业领域和应用中广泛使用，由于铜的良好导热性、耐腐蚀性和可塑性，以及内螺纹结构的优势，无缝内螺纹铜管常用于液体或气体的输送、供暖、空调、制冷系统、石油化工、食品加工等领域；它们被广泛应用于建筑、航空航天、汽车工业和电子产业等领域。
现有的无缝内螺纹铜管在生产制造过程中，铜管的制造工艺需要有经验的师傅根据成品性能要求和成本要求进行制定，由于设计师的认知有所差异有可能会造成相同要求的无缝内螺纹铜管制造工艺不同，没有统一的制造工艺确认方法。
发明内容
为解决上述技术问题，本发明提供一种提高工艺确定的效率，并降低人为因素的影响的基于机器学习的无缝内螺纹铜管制造工艺确定方法。
第一方面，本发明提供了基于机器学习的无缝内螺纹铜管制造工艺确定方法，所述方法包括：
采集无缝内螺纹铜管的多种制造工艺数据；
根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合；
对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，每个制造工艺分类集合包含相似的铜管性能特征；
遍历各个制造工艺分类集合，生成对应制造工艺的成本列表；
获取需要设计生产铜管的成品性能要求和生产成本要求；
根据成品性能要求匹配相对应的制造工艺分类集合；
判断匹配的制造工艺分类集合中每种制造工艺的成本是否满足生产成本要求，将满足生产成本要求的多种制造工艺按成本进行排序，生成制造工艺成本排序列表；
根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为本铜管的制造工艺。
另一方面，本申请还提供了基于机器学习的无缝内螺纹铜管制造工艺确定系统，所述系统包括：数据采集模块，用于采集无缝内螺纹铜管的多种制造工艺数据，并发送；
特征标注模块，用于接收多种制造工艺数据，并根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合，并发送；
聚类分析模块，用于接收铜管性能特征集合，并对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，并发送；
成本计算模块，用于接收多个制造工艺分类集合，并遍历各个制造工艺分类集合，生成对应制造工艺的成本列表，并发送；
需求匹配模块，用于获取需要设计生产铜管的成品性能要求和生产成本要求，并根据成品性能要求匹配相对应的制造工艺分类集合，并发送；
成本排序模块，用于接收制造工艺的成本列表和需求匹配模块发送的制造工艺分类集合，同时判断匹配的制造工艺分类集合中每种制造工艺的成本是否满足生产成本要求，将满足生产成本要求的多种制造工艺按成本进行排序，生成制造工艺成本排序列表，并发送；
制造工艺确定模块，用于接收制造工艺成本排序列表，并根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为本铜管的制造工艺。
第三方面，本申请提供了一种电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地，所述将满足生产成本要求的多种制造工艺按成本进行排序的过程中，将每种制造工艺的成本与预设的设备相关系数进行计算，并按计算结果进行排序，生成制造工艺成本排序列表。
进一步地，所述设备相关系数与制造工艺所应用到的生产设备的产能利用率和生产设备的效率有关；所述设备相关系数计算方式包括：
n = w1*q2+ w2*p2+ k*logat
其中，n为设备相关系数，q为生产设备的产能利用率，p为生产设备的效率，w1为产能利用率的权重，w2为生产设备效率的权重, k为稳定性系数，t为设备使用总时长，a的取值范围为0到1。
进一步地，所述根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，包括以下方法：
收集利用多种制造工艺生产的铜管的成品性能数据；
将铜管的成品性能转换成性能标签向量，性能标签向量的每个元素代表一个特定的成品性能指标；
将制造工艺转换成制造工艺标签向量，制造工艺标签向量的每个元素代表一个特定的加工方法；
将制造工艺标签向量和对应的成品性能标签向量组合起来，形成一个样本的标注数据；
依次处理所有的制造工艺，得到铜管性能特征集合。
进一步地，其中成品性能指标包括抗拉强度、抗压强度、延展性、耐腐蚀性和密封性。
进一步地，其中加工方法包括热处理工艺、表面处理工艺和成型工艺。
进一步地，采用决策树模型作为核心处理模型来实现无缝内螺纹铜管制造工艺确定，包括以下方法：
采集无缝内螺纹铜管的多种制造工艺数据，并根据铜管的成品性能对这些数据进行特征标注，组成数据集；
对数据进行预处理和特征工程，确保数据适用于决策树模型的训练；
将数据集划分为训练集和测试集；
使用训练集训练决策树模型；
使用测试集评估训练好的决策树模型的性能；
利用经过训练和评估的决策树模型，根据铜管的成品性能要求，预测最适合的制造工艺分类集合；
针对匹配的制造工艺分类集合，判断每种制造工艺的成本是否满足生产成本要求，对满足生产成本要求的多种制造工艺进行成本排序，生成制造工艺成本排序列表；
根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为铜管的制造工艺。
与现有技术相比本发明的有益效果为：通过采集大量无缝内螺纹铜管的制造工艺数据和铜管的成品性能数据，并对其进行特征标注和聚类分析，能够从数据中发现潜在的规律和模式；实现无缝内螺纹铜管的制造工艺自动确定，减少对有经验的师傅的依赖；提高工艺确定的效率，并降低人为因素的影响，避免设计师认知差异导致不同工艺，确保相同要求的无缝内螺纹铜管具有一致的制造工艺。
附图说明
图1是无缝内螺纹铜管制造工艺确定方法的流程图；
图2是对制造工艺数据进行特征标注的流程图；
图3是无缝内螺纹铜管制造工艺确定系统的模块化结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图2所示，本发明的基于机器学习的无缝内螺纹铜管制造工艺确定方法，方法包括：
S1、采集无缝内螺纹铜管的多种制造工艺数据；
在本步骤中，采集无缝内螺纹铜管的多种制造工艺数据是基于现有生产中的实际情况进行的。具体包括以下几个方面：
收集数据来源：为了获取多种制造工艺数据，可以在实际生产过程中收集数据；这包括与制造工艺相关的参数、操作方法、设备设置等信息；这些数据可以通过现场观察、仪器记录、传感器采集或工艺记录表等方式进行收集。
数据收集范围：确保收集的数据范围广泛且具有代表性，包括不同产品规格、不同工序的铜管制造数据；这可以通过选择多个生产批次或在不同时间段内收集数据来实现。
数据类型：根据实际情况，可以收集各种相关数据，如成品性能指标，具体包括抗拉强度、抗压强度、延展性、耐腐蚀性和密封性等；生产制造工艺，制造工艺中具体加工方法包括热处理工艺、表面处理工艺和成型工艺等。
数据质量控制：在数据收集过程中，需要进行质量控制以保证数据的准确性和可靠性；这包括记录数据收集的时间、地点、采集人员等信息，进行数据验证和清洗，排除异常值或错误数据。
这些数据将用于后续的特征标注和分析，从而为制造工艺的确定提供定量化的依据；上述参数仅仅是较为典型的部分参数，其他能够被获取及利用的参数也均在本发明的保护范围内。
S2、根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合；
在本步骤中，具体通过以下方法对制造工艺数据进行特征标注：
S21、收集利用多种制造工艺生产的铜管的成品性能数据；收集来自实际生产的多种无缝内螺纹铜管的成品性能数据；这些数据可以包括长度、直径、壁厚、拉伸强度、延展性、冲击强度、抗腐蚀性和密封性等多个指标。
S22、将铜管的成品性能转换成性能标签向量，性能标签向量的每个元素代表一个特定的成品性能指标；例如，可以使用一个包含 n 个元素的向量，每个元素表示一个特定的性能指标；将每个成品性能指标归一化或标准化，以确保它们在相同的范围内；构建一个包含多个元素的性能标签向量，每个元素对应一个特定的成品性能指标。
S23、将制造工艺转换成制造工艺标签向量，制造工艺标签向量的每个元素代表一个特定的加工方法；其中加工方法包括热处理工艺、表面处理工艺和成型工艺等；其中热处理工艺包括：淬火：通过快速冷却材料，使其获得高硬度和强度；回火：在淬火之后，对材料进行中温热处理，以减轻淬火带来的脆性，增加韧性；预淬火：在正式淬火之前进行的较轻微的淬火处理，以改善淬火效果；焊后热处理：对焊接后的工件进行热处理，以消除应力和改善焊接区域的性能；
表面处理工艺包括：镀层：在材料表面形成一层覆盖保护层或功能膜层，如电镀、热浸镀、喷涂、化学镀等；电解抛光：通过电化学反应使材料表面得到光滑和腐蚀性能改善；化学处理：使用化学物质处理材料表面，如酸洗、碱洗、氧化处理等；涂装和喷涂：在材料表面涂覆涂料或漆料，形成保护层、装饰层等；
成型工艺包括：铸造：将熔融金属或液态材料注入模具，凝固成型；锻造：通过施加压力和高温使金属材料变形，得到所需形状；冲压：利用模具施加力量对金属板材进行变形，制作零件；冷拔成型：通过冷加工将金属材料拉伸成型。
对于每种制造工艺，根据其加工方法，构建一个制造工艺标签向量；这个向量可以是二进制编码表示，其中每个元素对应一种加工方法的存在与否；例如总共有12种制造工艺，并且以采用回火、电解抛光和冷拔的制造工艺生产出的铜管为例，可以将制造工艺转换为一个4*3的制造工艺标签向量，其中每个位置表示一个加工方法的存在与否；构建如下的制造工艺标签向量：
[0,0,0],第1行：其他加工方法都不存在
[0,0,0],第2行：其他加工方法都不存在
[1,1,1],第3行：回火、电解抛光和冷拔存在
[0,0,0]；第4行：其他加工方法都不存在
在上述矩阵中，每个元素的值为1表示该加工方法存在于对应的制造工艺中，值为0表示不存在；这样，制造工艺标签向量以矩阵的形式表示具体的制造工艺，满足要求，同时也方便记录、分析和查询相关信息。
S24、将制造工艺标签向量和对应的成品性能标签向量组合起来，形成一个样本的标注数据；将每个样本的制造工艺标签向量和成品性能标签向量按照一定的规则进行组合，形成一个样本的标注数据；可以将两个向量拼接在一起，形成一个更长的向量，表示一个完整的样本；具体的，在S23中例子的基础上假设有5个成品性能指标：长度、直径、壁厚、拉伸强度和抗腐蚀性；以一个铜管样本为例，该样本采用了回火热处理、电解抛光表面处理和冷拔成型工艺，对应的成品性能指标分别为：长度为100mm、直径为20mm、壁厚为2mm、拉伸强度为500MPa、抗腐蚀性为优良；；
首先，将成品性能标签向量进行归一化或标准化处理，以确保它们在相同的范围内；例如，长度、直径、壁厚和拉伸强度统一单位，长度、直径和壁厚的单位采用毫米，拉伸强度的单位采用兆帕，抗腐蚀性转换为数值表示，如优良为1，良好为0.5，一般为0；将标准化后的成品性能标签向量为：[100,20,2,500,1]；
将制造工艺标签向量和成品性能标签向量进行拼接，形成一个样本的标注数据：[0,0,0, 0,0,0, 1,1,1,0,0,0,100,20,2,500,1]；在这个样本的标注数据中，前15个元素表示制造工艺的存在与否，后面的5个元素依次代表成品性能指标的数值。S25、依次处理所有的制造工艺，得到铜管性能特征集合；针对每种制造工艺，重复执行上述步骤，生成对应的铜管性能特征集合；每个样本的标注数据可以看作是一个数据点，根据这些数据点可以构建一个特征集合，在该集合中每个特征代表一种制造工艺和相应的性能指标。
根据成品性能要求对采集到的多种制造工艺数据进行特征标注，以便为下一步的聚类分析和制造工艺分类提供准确的数据表示；这将有助于提取出与成品性能相关的重要特征，并为机器学习模型构建提供基础。
S3、对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，每个制造工艺分类集合包含相似的铜管性能特征；
具体的，聚类分析是一种机器学习技术，旨在将具有相似特征的数据样本分组或聚类在一起；通过将使用聚类分析来将无缝内螺纹铜管的性能特征进行分组，以便将相似的铜管性能特征归为一类。
聚类算法旨在基于特定的相似性指标将数据样本进行分组；常用的聚类算法包括k-means、层次聚类等；使用适当的聚类算法来根据铜管性能特征将数据样本分成多个不同的制造工艺分类集合；每个制造工艺分类集合中的数据样本应该具有相似的铜管性能特征，以实现制造工艺的归类和分类。
通过聚类分析得到多个制造工艺分类集合，每个集合中包含相似的铜管性能特征；这些分类集合将成为后续步骤中匹配成品性能要求和生产成本要求的基础；聚类分析的结果取决于所使用的聚类算法、相似性指标以及特征标注的准确性；因此，在进行聚类分析时，需要综合考虑这些因素，选择合适的方法以确保结果的准确性和可靠性。
S4、遍历各个制造工艺分类集合，生成对应制造工艺的成本列表；
在本步骤中，对于每个制造工艺分类集合，需要考虑与制造工艺相关的成本因素；这些成本因素包括所需材料的成本、设备和工具的费用、加工和生产过程中的人工成本等。
首先，针对每个制造工艺分类集合，需要综合考虑所需材料的成本；根据铜管的规格、管径、壁厚等因素，以及相关的材料市场价格，可以估算出使用该制造工艺进行生产所需材料的成本。
其次，考虑设备和工具的费用；不同制造工艺可能需要不同的设备和工具，这些设备和工具的购买或租用成本将纳入考虑范围。
还需考虑加工和生产过程中的人工成本；这包括操作人员的薪资和培训成本，以及相关人工操作的时间和效率。
综合考虑上述因素，针对每个制造工艺分类集合，生成对应的成本列表；该列表将包含每种制造工艺的估计成本；这些成本列表将为后续步骤中的成本匹配和排序提供依据；需要注意的是，在生成成本列表时，必须基于实际可行性和可靠性进行估算，并结合相应的行业经验和市场情况，以确保成本数据的准确性和合理性。
S5、获取需要设计生产铜管的成品性能要求和生产成本要求；
本步骤是将上述训练后的模型应用于实际设计当中，在应用之前需要获取并明确定义成品性能要求和生产成本要求；通过与客户、市场需求以及产品规范相结合来确定；在获取成品性能要求时，设计专家需要仔细了解铜管所需的性能指标，包括长度、直径、壁厚、拉伸强度、延展性、冲击强度、抗腐蚀性或密封性等多个指标；并确保这些指标与所设计的应用要求一致；而生产成本要求的获取需要考虑预算限制和企业的成本要求；了解和明确这些要求是确保设计出满足性能要求且在可承受的成本范围内的铜管关键步骤。
S6、根据成品性能要求匹配相对应的制造工艺分类集合；
具体在本步骤，对于给定的成品性能要求，将该要求与聚类分析生成的不同制造工艺分类集合进行比较；评估每个制造工艺分类集合内的铜管性能特征是否与成品性能要求相匹配；这可以通过比较性能指标的数值范围或要求的精度来实现。之后根据评估结果确定与成品性能要求最为匹配的制造工艺分类集合。根据成品性能要求选择相对应的制造工艺分类集合，这有助于减少主观因素对制造工艺的影响，提高制造工艺的一致性和可控性。
S7、判断匹配的制造工艺分类集合中每种制造工艺的成本是否满足生产成本要求，将满足生产成本要求的多种制造工艺按成本进行排序，生成制造工艺成本排序列表；
具体在本步骤中，对于每种匹配的制造工艺，在S4步骤中我们已经生成了对应制造工艺的成本列表；在S7步骤中对这些成本进行判断，以确定哪些制造工艺满足生产成本要求；生产成本要求是通过S5步骤获取的，用于设计生产铜管的成本指标。
对于每一种制造工艺，获取其对应的成本列表；逐一检查每种制造工艺的成本是否满足生产成本要求；通过将成本指标与生产成本要求进行比较来实现；将满足生产成本要求的制造工艺筛选出来，并按成本大小对它们进行排序，生成制造工艺成本排序列表。
通过以上步骤，根据生产成本要求对匹配的制造工艺分类集合中的制造工艺进行评估和排序；这有助于确定满足成品性能要求和生产成本要求的最佳制造工艺方案。
S8、根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为本铜管的制造工艺；
在本步骤中，根据S7步骤中的判断，已经将满足生产成本要求的多种制造工艺按照成本进行排序，生成了制造工艺成本排序列表；这个列表按照成本从低到高的顺序列出了各个制造工艺，成本最低的排在前面。
预设位次是在设计阶段根据具体需求设定的位置，用于确定最终选择的制造工艺；在制造工艺成本排序列表中，每个制造工艺都有一个对应的位次；根据预设位次，从制造工艺成本排序列表中选择对应位次的制造工艺作为本铜管的制造工艺；如果预设位次为1，即选择成本最低的制造工艺；如果预设位次为2，则选择第二低成本的制造工艺，依此类推。
通过这个步骤，我们可以利用制造工艺成本排序列表中的位次来确定具体使用的制造工艺；根据预设位次的设置，可以根据成本和其他因素来平衡，选择最适合的制造工艺；这样可以确保在满足成品性能要求和生产成本要求的前提下，选取最优的制造工艺方案；铜管设计专家可以根据具体情况和需求对预设位次进行调整，以获得最理想的制造方案。
更为具体的，通过其他因素来平衡并选择最适合的制造工艺，例如，在将满足生产成本要求的多种制造工艺按成本进行排序的过程中，将每种制造工艺的成本与预设的设备相关系数进行计算，并按计算结果进行排序，生成制造工艺成本排序列表；设备相关系数与制造工艺所应用到的生产设备的产能利用率和生产设备的效率有关；设备相关系数计算方式包括：
n = w1*q2+ w2*p2+ k*logat
其中，n为设备相关系数，q为生产设备的产能利用率，p为生产设备的效率，w1为产能利用率的权重，w2为生产设备效率的权重, k为稳定性系数，t为设备使用总时长，a的取值范围为0到1。具体来说，通过采集和记录与无缝内螺纹铜管制造相关的生产设备的产能数据；这些数据可以包括设备的最大生产能力、生产速率、设备利用率等指标；将满足生产成本要求的多种制造工艺按照成本排序，生成一个成本排序列表；对于每种制造工艺，结合其所应用到的生产设备的产能数据，计算出一个综合指标即设备相关系数；在计算综合指标后，对满足成本要求的制造工艺进行重新排序，将综合指标作为一个额外的排序因素。
根据更新后的排序结果，确定其中预设位次所对应的制造工艺作为最终的制造工艺；通过引入生产设备的产能作为排序因素，能够更好地综合考虑产品成本和生产能力之间的关系，以便根据实际可行性做出更准确的决策；这有助于优化整个生产过程，提高生产效率，并确保制造工艺与工厂实际情况相匹配。
实施例二
在无缝内螺纹铜管制造工艺确定方法中，采用决策树模型作为核心来根据铜管的成品性能要求来预测最适合的制造工艺分类集合，实现无缝内螺纹铜管制造工艺确定，包括以下步骤：
A1、收集不同制造工艺的无缝内螺纹铜管数据，并根据铜管的成品性能要求对数据进行特征标注；这些特征包括铜管的尺寸、材质、内螺纹参数等；
A2、对采集到的数据进行预处理，包括数据清洗、缺失值处理和特征缩放等；然后进行特征工程，可以使用特征选择、特征变换等方法，以获得更有信息量的特征；
A3、将处理后的数据集划分为训练集和测试集；训练集用于训练决策树模型，测试集用于评估模型的性能；
A4、使用训练集对决策树模型进行训练；决策树模型通过学习数据中的特征和标签之间的关系，构建一颗树状的决策规则；
A5、使用测试集评估训练好的决策树模型的性能；评估指标可以是准确率、精确率、召回率等，用于评估模型的分类性能；
A6、利用经过训练和评估的决策树模型，根据铜管的成品性能要求进行预测；模型会根据输入的特征值沿着决策树的分支进行判断，并最终预测出最适合的制造工艺分类集合；
A7、对匹配的制造工艺分类集合，判断每种制造工艺的成本是否满足生产成本要求；将满足生产成本要求的多种制造工艺进行成本排序，生成制造工艺成本排序列表；
A8、根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为铜管的最终制造工艺。
在本实施例中，决策树模型能够生成可解释的规则，易于理解和解释给定特征对制造工艺的影响；决策树模型可以根据特征的重要性自动选择最相关的特征，减少了人工选择特征的工作量和主观性；决策树模型对于数据中的噪声和缺失值具有一定的鲁棒性，能够应对部分数据的不完整性；决策树模型在训练过程中的计算复杂度相对较低，适用于处理中小规模的制造工艺数据集；决策树模型可以通过集成学习方法进行扩展，提高模型的预测性能和稳定性。
通过使用决策树模型，可以辅助设计专家进行无缝内螺纹铜管制造工艺的确定，提高工艺设计的效率和一致性；同时，决策树模型还能够实现自动化的工艺预测和成本排序，帮助设计专家更准确地选择适合要求的制造工艺，从而提高产品质量和降低成本。
实施例三
如图3所示，一种基于机器学习的无缝内螺纹铜管制造工艺确定系统，系统包括：
数据采集模块，用于采集无缝内螺纹铜管的多种制造工艺数据，并发送；
特征标注模块，用于接收多种制造工艺数据，并根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合，并发送；
聚类分析模块，用于接收铜管性能特征集合，并对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，并发送；
成本计算模块，用于接收多个制造工艺分类集合，并遍历各个制造工艺分类集合，生成对应制造工艺的成本列表，并发送；
需求匹配模块，用于获取需要设计生产铜管的成品性能要求和生产成本要求，并根据成品性能要求匹配相对应的制造工艺分类集合，并发送；
成本排序模块，用于接收制造工艺的成本列表和需求匹配模块发送的制造工艺分类集合，同时判断匹配的制造工艺分类集合中每种制造工艺的成本是否满足生产成本要求，将满足生产成本要求的多种制造工艺按成本进行排序，生成制造工艺成本排序列表，并发送；
制造工艺确定模块，用于接收制造工艺成本排序列表，并根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为本铜管的制造工艺。
利用机器学习技术，系统能够自动地从大量的制造工艺数据中学习，并根据成品性能要求和成本要求进行智能化的制造工艺确定；这减少了对经验丰富的师傅依赖并提高了生产效率；系统通过数据采集模块和特征标注模块，获取了无缝内螺纹铜管的多种制造工艺数据和对应的成品性能特征集合；这使系统可以基于实际数据进行分析和决策，减少了基于主观经验的制造工艺确定。
聚类分析模块将铜管性能特征集合进行聚类，生成多个制造工艺分类集合；这有助于将具有相似性能特征的铜管归为一类，提高了对不同制造工艺的理解和区分，从而更准确地确定适合不同要求的制造工艺分类；成本计算模块遍历各个制造工艺分类集合，生成对应制造工艺的成本列表，然后通过成本排序模块将满足生产成本要求的制造工艺按照成本进行排序；这样可以帮助找到成本最低且仍满足要求的制造工艺方案，提高了生产效益和经济效益。
需求匹配模块可以获取设计生产铜管的成品性能要求和成本要求，并根据这些需求匹配相应的制造工艺分类集合；这确保了最终选择的制造工艺与设计要求相匹配，提高了产品质量和满足客户需求的能力。
综上，基于机器学习的无缝内螺纹铜管制造工艺确定系统通过数据驱动和自动化决策的方式，提高了生产效率、产品质量和成本效益，减少了对专业师傅经验的依赖，是一个高效且可靠的工具。
前述实施例一中的基于机器学习的无缝内螺纹铜管制造工艺确定方法的各种变化方式和具体实施例同样适用于本实施例的基于机器学习的无缝内螺纹铜管制造工艺确定系统,通过前述对基于机器学习的无缝内螺纹铜管制造工艺确定方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于机器学习的无缝内螺纹铜管制造工艺确定系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、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,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种基于机器学习的无缝内螺纹铜管制造工艺确定方法，其特征在于，所述方法包括：
采集无缝内螺纹铜管的多种制造工艺数据；
根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合；
对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，每个制造工艺分类集合包含相似的铜管性能特征；
遍历各个制造工艺分类集合，生成对应制造工艺的成本列表；
获取需要设计生产铜管的成品性能要求和生产成本要求；
根据成品性能要求匹配相对应的制造工艺分类集合；
判断匹配的制造工艺分类集合中每种制造工艺的成本是否满足生产成本要求，将满足生产成本要求的多种制造工艺按成本进行排序，生成制造工艺成本排序列表；
根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为本铜管的制造工艺；
所述根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，包括以下方法：
收集利用多种制造工艺生产的铜管的成品性能数据；
将铜管的成品性能转换成性能标签向量，性能标签向量的每个元素代表一个特定的成品性能指标；
将制造工艺转换成制造工艺标签向量，制造工艺标签向量的每个元素代表一个特定的加工方法；
将制造工艺标签向量和对应的成品性能标签向量组合起来，形成一个样本的标注数据；
依次处理所有的制造工艺，得到铜管性能特征集合；
采用决策树模型作为核心处理模型来实现无缝内螺纹铜管制造工艺确定，包括以下方法：
采集无缝内螺纹铜管的多种制造工艺数据，并根据铜管的成品性能对这些数据进行特征标注，组成数据集；
对数据进行预处理和特征工程，确保数据适用于决策树模型的训练；
将数据集划分为训练集和测试集；
使用训练集训练决策树模型；
使用测试集评估训练好的决策树模型的性能；
利用经过训练和评估的决策树模型，根据铜管的成品性能要求，预测最适合的制造工艺分类集合；
针对匹配的制造工艺分类集合，判断每种制造工艺的成本是否满足生产成本要求，对满足生产成本要求的多种制造工艺进行成本排序，生成制造工艺成本排序列表；
根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为铜管的制造工艺。
2.如权利要求1所述的基于机器学习的无缝内螺纹铜管制造工艺确定方法，其特征在于，所述将满足生产成本要求的多种制造工艺按成本进行排序的过程中，将每种制造工艺的成本与预设的设备相关系数进行计算，并按计算结果进行排序，生成制造工艺成本排序列表。
3.如权利要求2所述的基于机器学习的无缝内螺纹铜管制造工艺确定方法，其特征在于，所述设备相关系数与制造工艺所应用到的生产设备的产能利用率和生产设备的效率有关；所述设备相关系数计算方式包括：
n = w1*q2 + w2*p2 + k*logat
其中，n为设备相关系数，q为生产设备的产能利用率，p为生产设备的效率，w1为产能利用率的权重，w2为生产设备效率的权重, k为稳定性系数，t为设备使用总时长，a的取值范围为0到1。
4.如权利要求1所述的基于机器学习的无缝内螺纹铜管制造工艺确定方法，其特征在于，其中成品性能指标包括抗拉强度、抗压强度、延展性、耐腐蚀性和密封性。
5.如权利要求1所述的基于机器学习的无缝内螺纹铜管制造工艺确定方法，其特征在于，其中加工方法包括热处理工艺、表面处理工艺和成型工艺。
6.一种基于机器学习的无缝内螺纹铜管制造工艺确定系统，其特征在于，所述系统包括：
数据采集模块，用于采集无缝内螺纹铜管的多种制造工艺数据，并发送；
特征标注模块，用于接收多种制造工艺数据，并根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，生成铜管性能特征集合，并发送；
聚类分析模块，用于接收铜管性能特征集合，并对铜管性能特征集合进行聚类分析，生成多个制造工艺分类集合，并发送；
成本计算模块，用于接收多个制造工艺分类集合，并遍历各个制造工艺分类集合，生成对应制造工艺的成本列表，并发送；
需求匹配模块，用于获取需要设计生产铜管的成品性能要求和生产成本要求，并根据成品性能要求匹配相对应的制造工艺分类集合，并发送；
成本排序模块，用于接收制造工艺的成本列表和需求匹配模块发送的制造工艺分类集合，同时判断匹配的制造工艺分类集合中每种制造工艺的成本是否满足生产成本要求，将满足生产成本要求的多种制造工艺按成本进行排序，生成制造工艺成本排序列表，并发送；
制造工艺确定模块，用于接收制造工艺成本排序列表，并根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为本铜管的制造工艺；所述根据无缝内螺纹铜管的成品性能对多种制造工艺数据进行特征标注，包括以下方法：
收集利用多种制造工艺生产的铜管的成品性能数据；
将铜管的成品性能转换成性能标签向量，性能标签向量的每个元素代表一个特定的成品性能指标；
将制造工艺转换成制造工艺标签向量，制造工艺标签向量的每个元素代表一个特定的加工方法；
将制造工艺标签向量和对应的成品性能标签向量组合起来，形成一个样本的标注数据；
依次处理所有的制造工艺，得到铜管性能特征集合；
采用决策树模型作为核心处理模型来实现无缝内螺纹铜管制造工艺确定，包括以下方法：
采集无缝内螺纹铜管的多种制造工艺数据，并根据铜管的成品性能对这些数据进行特征标注，组成数据集；
对数据进行预处理和特征工程，确保数据适用于决策树模型的训练；
将数据集划分为训练集和测试集；
使用训练集训练决策树模型；
使用测试集评估训练好的决策树模型的性能；
利用经过训练和评估的决策树模型，根据铜管的成品性能要求，预测最适合的制造工艺分类集合；
针对匹配的制造工艺分类集合，判断每种制造工艺的成本是否满足生产成本要求，对满足生产成本要求的多种制造工艺进行成本排序，生成制造工艺成本排序列表；
根据制造工艺成本排序列表，确定其中预设位次所对应的制造工艺为铜管的制造工艺。
7.一种基于机器学习的无缝内螺纹铜管制造工艺确定的电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
8.一种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1-5中任一项所述方法中的步骤。
CN202310925960.8A 2023-07-26 2023-07-26 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统 Active CN117113109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310925960.8A CN117113109B (zh) 2023-07-26 2023-07-26 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310925960.8A CN117113109B (zh) 2023-07-26 2023-07-26 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统

Publications (2)

Publication Number Publication Date
CN117113109A CN117113109A (zh) 2023-11-24
CN117113109B true CN117113109B (zh) 2024-02-27

Family

ID=88806488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310925960.8A Active CN117113109B (zh) 2023-07-26 2023-07-26 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统

Country Status (1)

Country Link
CN (1) CN117113109B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118329422A (zh) * 2024-04-30 2024-07-12 常州润来科技有限公司 内螺纹铜管螺纹质量检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788819A (zh) * 2010-03-08 2010-07-28 清华大学 大规模生产过程一种基于迭代式分解和流松驰的调度方法
CN112241832A (zh) * 2020-09-28 2021-01-19 北京科技大学 一种产品质量分级评价标准设计方法及系统
CN114444986A (zh) * 2022-04-11 2022-05-06 成都数之联科技股份有限公司 产品分析方法及系统及装置及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10281902B2 (en) * 2016-11-01 2019-05-07 Xometry, Inc. Methods and apparatus for machine learning predictions of manufacture processes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788819A (zh) * 2010-03-08 2010-07-28 清华大学 大规模生产过程一种基于迭代式分解和流松驰的调度方法
CN112241832A (zh) * 2020-09-28 2021-01-19 北京科技大学 一种产品质量分级评价标准设计方法及系统
CN114444986A (zh) * 2022-04-11 2022-05-06 成都数之联科技股份有限公司 产品分析方法及系统及装置及介质

Also Published As

Publication number Publication date
CN117113109A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
Mukherjee et al. A review of optimization techniques in metal cutting processes
CN117113109B (zh) 基于机器学习的无缝内螺纹铜管制造工艺确定方法及系统
CN107146009B (zh) 一种供水管网运行状态评估方法
CN104914723B (zh) 基于协同训练偏最小二乘模型的工业过程软测量建模方法
Anand et al. Six sigma-based approach to optimize deep drawing operation variables
CN116933419B (zh) 基于工艺分析的精密铜管性能评估方法及系统
Wang Multiple-objective optimisation of machining operations based on neural networks
CN110757510B (zh) 一种机器人剩余寿命预测方法及系统
Mota-Gutiérrez et al. Mahalanobis-Taguchi system: state of the art
CN114789364B (zh) 多指标钻孔质量控制方法及其装置、设备
CN113467375A (zh) 基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法
CN113811905A (zh) 用于提供复杂制造系统的关键性能指标的预测的方法和设备
CN110084301A (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
Hamdi et al. Multi-objective analysis and optimization of energy aspects during dry and MQL turning of unreinforced polypropylene (PP): an approach based on ANOVA, ANN, MOWCA, and MOALO
JP7103514B2 (ja) 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法
CN114154820A (zh) 基于增量简单循环单元和双重注意力的生产瓶颈预测方法
CN106682773A (zh) 一种基于模拟退火算法的人机焊接工时预测方法
CN112241832B (zh) 一种产品质量分级评价标准设计方法及系统
CN111861002A (zh) 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法
Atia et al. An ANN parametric approach for the estimation of total production operation time
CN112966449B (zh) 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
Vafadar et al. Evaluation of the effect of product demand uncertainty on manufacturing system selection
CN112084598B (zh) 一种离心泵叶轮可再制造性评估方法
Volk et al. Determining the optimal area-dependent blank holder forces in deep drawing using the response surface method
Das et al. Cutting forces in drilling operation: measurement and modeling for medium-scale manufacturing firms

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