CN117162357B - 碳纤维复合材料的成型优化控制方法及系统 - Google Patents
碳纤维复合材料的成型优化控制方法及系统 Download PDFInfo
- Publication number
- CN117162357B CN117162357B CN202311413476.3A CN202311413476A CN117162357B CN 117162357 B CN117162357 B CN 117162357B CN 202311413476 A CN202311413476 A CN 202311413476A CN 117162357 B CN117162357 B CN 117162357B
- Authority
- CN
- China
- Prior art keywords
- data
- iteration
- result
- equipment
- evaluation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 34
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 34
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 239000002131 composite material Substances 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 117
- 238000000465 moulding Methods 0.000 claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 44
- 230000008030 elimination Effects 0.000 claims description 20
- 238000003379 elimination reaction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000007728 cost analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- 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
- General Factory Administration (AREA)
Abstract
本申请涉及智能控制相关技术领域,提供碳纤维复合材料的成型优化控制方法及系统。交互获得成型设备的设备属性数据,构建设备的控制参数集合,将控制参数集合作为初代参数,构建适应度函数,并进行设备控制参数的优劣评价,并将第一评价权重作为初代繁殖数量约束,构建扩充子集;生成第二评价权重,执行子集迭代,当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。解决了现有技术中存在对于碳纤维复合材料的成型控制不够智能准确,进而导致碳纤维复合材料的成型结果不佳的技术问题。
Description
技术领域
本申请涉及智能控制相关技术领域,特别是涉及碳纤维复合材料的成型优化控制方法及系统。
背景技术
碳纤维复合材料是具有优异性能的先进材料,由碳纤维、树脂等材料复合而成,具有强度、刚度高,耐腐蚀耐高温等优异特性,被广泛应用于航空航天、汽车、船舶等相关领域。航天用碳纤维复合材料对于材料的质量和稳定性需求更高,一般的,成型工艺包括热压罐成型工艺、新型罐外成型工艺、液体成型工艺。在进行热压罐成型工艺的控制过程中,现有技术大多依赖于人工累计的经验,调试控制参数。
综上所述,现有技术中存在对于碳纤维复合材料的成型控制不够智能准确,进而导致碳纤维复合材料的成型结果不佳的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现技术效果的碳纤维复合材料的成型优化控制方法及系统。
第一方面,提供了碳纤维复合材料的成型优化控制方法,方法包括:交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。
第二方面,提供了碳纤维复合材料的成型优化控制系统,系统包括:
基础构建模块,所述基础构建模块用于交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;
数据迭代模块,所述数据迭代模块用于将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;
寻优控制模块,所述寻优控制模块用于通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。
第三方面,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面方法的步骤。
第四方面,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第一方面方法的步骤。
上述碳纤维复合材料的成型优化控制方法及系统,通过对成型设备的设备属性数据采集,并构建控制参数集合,依据成型控制的拟合结果构建成型控制的评价适应度函数,以所述评价适应度函数作为评价值,以所述控制参数集合作为初代参数,通过繁殖数量约束进行所述控制参数集合的子集扩充,通过多轮迭代,将原有的控制参数集合进行数据量扩充,并对扩充结果进行控制寻优,使得可以发掘碳纤维复合材料的成型控制优化参数,解决了存在对于碳纤维复合材料的成型控制不够智能准确,进而导致碳纤维复合材料的成型结果不佳的技术问题,实现通过控制参数的扩充寻优,进而对于碳纤维复合材料的控制更加准确,进而实现提高碳纤维复合材料的生产质量的技术效果。
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为一个实施例中碳纤维复合材料的成型优化控制方法的流程示意图;
图2为一个实施例中碳纤维复合材料的成型优化控制系统的结构框图;
附图标记说明:基础构建模块01,数据迭代模块02,寻优控制模块03。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了碳纤维复合材料的成型优化控制方法,所述方法包括:
交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;
构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;
成型设备为进行碳纤维复合材料的成型控制的设备,以热压罐成型工艺为例,则所述成型设备为热压罐设备,所述热压罐设备包括模具、温度控制单元、压力控制单元等。通过建立与成型设备的系统连接,读取系统中关于成型设备的工作数据(即成型设备的历史控制数据),来构建出成型设备的设备特征数据,所述设备特征数据为反映了成型设备工作的特性的参数,如对于环境、加工参数的适配特性,通过对成型设备的设备特征数据的提取,为后续准确进行成型的优化控制提供了基础支持,避免因为成型设备的固有特征,生成与成型设备并不匹配的优化控制参数。基础参数数据为成型设备的基础数据,包括生产时间、温度和压力的控制精度和调整范围、模具的尺寸、材质等。将基础参数数据和设备特征数据构建为设备属性数据,为后续进行准确的参数控制,提供了基础数据支持,进而为后续找到寻优参数奠定了基础。针对于定义好的碳纤维复合材料,通过对所述成型设备进行设备交互,构建控制参数集合,所述控制参数集合为实现合成所述碳纤维复合材料的多种控制参数的数据集,进一步的,为了对于控制参数集合的丰富化,因此,在构建所述控制参数集合的过程中,还可以以定义好的碳纤维复合材料和设备属性数据(型号)作为基础数据,调用同型号、同任务下的其他设备的控制参数,并将本设备的控制参数和其他设备的控制参数赋予不同的权重标识,以做区隔。将混合控制参数集合作为所述控制参数集合,并将每个控制参数对应的合成质量结果与对应控制参数映射。通过进行控制参数集合的构建,为后续进行控制参数寻优提供了数据支持。
将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;
生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;
执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;
当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;
在构建完成所述控制参数集合后,如果针对于所述控制参数集合直接进行控制寻优,则生成的寻优控制结果具有历史局限性,生成的控制参数可能并非需求的更优化的控制参数。因此,在本发明的方案中,在构建所述控制参数集合后,将已构建的控制参数集合作为初代参数,对所述控制参数集合进行控制参数的扩充。
进一步的,在进行控制参数扩充前,需要首先构建适应度函数,所述适应度函数为评价控制参数的评价指标,它可以反映出控制参数的执行结果的拟合效果,判断控制参数的控制结果优劣,在本方案中的适应度函数依托于本成型设备构建而成,基于成型设备的质量结果和控制参数的映射,建立控制参数与控制结果的评价指标,所述评价指标可以通过经验式和机器学习两种方式构建,这里不进行具体展开。
将所述控制参数集合作为初始种群的初始解集,对所述初始解集进行生长繁殖控制,其中,所述初始解集中的每个个体均为需要扩充的种子个体,所述第一评价权重实质为依据所述适应度函数,对种子个体进行优劣评价后,生成的种子个体的适应度值。将所述适应度值作为各个种子个体的初代繁殖数量约束,进行第一代迭代繁殖的控制,计算初代繁殖数量的公式举例如下:;其中,S为第i个种子个体可以产生的繁殖数量约束,/>为当代进化中最大的适应度值,/>为当代进化的最小适应度值,/>为当代可产生的最大种子数,/>为当代可产生的最小种子数,/>为第i个种子个体的适应度值,/>为向上取整函数。以所述初代繁殖数量约束对初始解集进行数据扩充,扩充的子集以正态分布随机分散在初始解集中对应控制参数的附近,一般而言,第i个种子个体产生的第s个种子的位置为:/>,/>为标准差。当初次迭代完成后,将扩充子集重新作为保留种群,进行下一次的迭代优化。
进一步来说,通过所述适应度函数,对于扩充子集进行进一步的优劣评价,将其作为第二评价权重。为了准确进行种群的竞争生存淘汰,在进行所述扩充子集的迭代时,将所述第一评价权重和所述第二评价权重进行权重混合,重新构建扩充子集的评价权重,以此来进行所述扩充子集的数据迭代。
因为扩充子集是在父代的基础上生成的子集,因此,扩充子集在一定程度上保持了父代数据的特征,不能仅以第二评价权重本身作为后续扩充的扩充约束。混合的方式包括通过预定分布比例,对所述第一评价权重和第二评价权重进行加权计算,一般预定分布比例为了保证既留有父代特征,又保持有本代的特性,一般采用1:9的比例分布,这里仅为示例比例分布,实际分布不做具体限定。
以此类推,执行多轮的子集迭代,当最终的迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合,其中,所述预设阈值可以包括多种中止阈值,如迭代次数约束阈值,样本量约束阈值,评价结果约束阈值等。当进行子集迭代的过程中,满足所述预设阈值中任意一项阈值时,则认为满足中止条件,此时停止数据迭代,完成所述设备控制参数集合的数据扩充,构建迭代数据集合,其中,所述迭代数据集合既包括原有数据,同样也包括扩充后的数据。
通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。
进一步的,进行控制寻优还包括:
将所述设备属性数据、所述适应度函数和所述迭代数据集合发送至寻优筛选网络;
通过执行子网络接收所述设备属性数据和所述迭代数据集合,并进行执行成本分析,生成第一寻优结果;
通过评价子网络接收所述适应度函数和所述迭代数据集合,执行评价分析,生成第二寻优结果;
基于所述第一寻优结果和所述第二寻优结果获得所述优化控制参数。
在构建完成所述迭代数据集合后,为了寻找更加优化的控制参数执行成型优化控制,因此,从设备属性角度和适应度函数两个角度对所述迭代数据集合筛选。在一种实施方式中,通过成型设备的相关大数据,构建寻优筛选网络,其中,所述寻优筛选网络可以内嵌有知识图谱、专家系统或者神经网络的一种或几种的可以进行智能处理的网络,且所述寻优筛选网络的网络结构,至少包括以下处理单元:数据接收单元、数据分类单元、执行子网络、评价子网络、数据整合单元、数据输出单元。将所述设备属性数据、所述适应度函数和所述迭代数据集合通过数据接收单元发送至寻优筛选网络,通过所述数据分类单元对接收数据分类,分别将所述设备属性数据和所述迭代数据集合发送至所述执行子网络,将所述适应度函数和所述迭代数据集合发送至评价子网络,通过执行子网络依据所述设备属性数据,对所述成型设备执行所述迭代数据集合中的控制参数进行执行成本分析,并根据执行成本的评价结果生成第一寻优结果,其中,所述第一寻优结果为依据执行成本的顺序排序,生成的寻优排序结果。通过所述第一寻优结果的输出,为后续准确构建寻优控制参数提供了执行成本方向的数据支持。通过评价子网络进行所述适应度函数对于迭代数据集合的控制参数的执行效果评价,根据效果的顺序排序,生成第二寻优结果。至此,所述迭代数据集合中的每一控制参数均具有第一寻优结果和第二寻优结果两个方向的数据标签。结合用户预设的寻优控制需求,通过所述数据整合单元重新分布所述第一寻优结果和所述第二寻优结果的约束比例,执行综合寻优,根据整合结果生成所述优化控制参数,并通过所述数据输出单元输出。通过两个角度的寻优控制评价,进而使得生成的所述优化控制参数与需求更加的适配,进而实习了通过智能化参数控制,保障了碳纤维复合材料的生产质量和生产成本的技术效果。
本申请还包括:
设置迭代的繁殖保护窗口,其中,所述繁殖保护窗口为一次迭代保护窗口;
当所述更新评价权重不能满足预设标定阈值时,则通过所述繁殖保护窗口进行对应设备控制参数的繁殖保护判定;
若繁殖保护判定通过,则重新分布所述更新评价权重,并将其作为迭代繁殖数量约束,执行所述子集迭代。
在进行子集迭代扩充的过程中,为了保障数据的活性,避免无效数据的多轮繁殖,需要进行数据的竞争性生存判定。本申请中提供了繁殖保护窗口的评价方案,所谓繁殖保护窗口即一次迭代的保护窗口,即若某一子集的当前迭代效果不理想,并不直接执行当前子集的全部淘汰,而是仍然给予当前子集一定的繁殖能力,对它进行繁殖结果的繁殖效果判断。所述繁殖保护窗口并非连续保护窗口,而是一次保护窗口,即若当前子集的子集仍然繁殖不理想,则不能继续生成繁殖保护,需要将当前子集及繁殖子集同步淘汰。在判断是否唤醒所述繁殖保护窗口时,一般包括两个维度的唤醒触发评价,第一个维度为更新评价权重的触发评价,即通过预设标定阈值,来对所述更新评价权重评价,一般而言,预设标定阈值通过经验或人工设定,一般设定为30%的优劣值,第二个维度为是否连续触发保护窗口的评价判断,若两个维度的判断均通过,则繁殖保护判定通过,重新分布所述更新评价权重,并将其作为迭代繁殖数量约束(一般为最小迭代的约束数量),执行所述子集迭代。通过进行繁殖保护窗口的设定,既能保障数据的活性,避免无效数据的多轮繁殖,又能将可能存在的孤立的控制数据繁殖,避免错过最优的控制参数。
进一步的,本申请还包括:
获得子集迭代结果,所述子集迭代结果为所述繁殖保护窗口内的结果;
对所述子集迭代结果进行所述适应度函数的优劣评价;
根据评价结果生成数据优劣均值,将所述数据优劣均值作为第一参考值;
根据评价结果生成数据优劣极大值,将所述数据优劣极大值作为第二参考值;
根据所述第一参考值和所述第二参考值进行所述繁殖保护窗口内数据淘汰,根据淘汰结果完成子集迭代控制。
在所述繁殖保护窗口触发后,则在繁殖保护窗口内的数据均为危险数据,即面临被淘汰的可能,因此,对于数据淘汰与否,需要进行进一步的淘汰判定。接收所述繁殖保护窗口内的子集迭代结果,其中,所述子集迭代结果对应的父代为被标记为繁殖保护窗口的参数,通过所述适应度函数,执行所述子集迭代结果的全部迭代结果的优劣评价,确定优劣均值,所述优劣均值为所述子集迭代结果的全部数据的评价结果的均值,将其作为第一参考值,获得优劣评价结果中的最优评价值,即所述优劣极大值,将所述优劣极大值作为第二参考值,通过所述第一参考值和所述第二参考值对所述繁殖保护窗口内的两代数据进行评价,其中,第一参考值反映了窗口内繁殖结果的平均水平,若平均水平低于预定的平均值,代表整体繁殖结果不理想,此时需要考虑整体的数据淘汰,此时生成与淘汰判定对应的较高标准的筛选方案,对从最优评价值方向筛选,留存子集数据。若平均水平大于等于预定的平均值表明繁殖效果不错,此时即根据标定的淘汰方式,对子集迭代结果进行数据淘汰。通过数据的淘汰判定,保证优秀数据个体能继续繁殖,抑制非优秀个体的迭代繁殖,进而使得迭代数据集合的构建更加快速准确,进而为获得准确的优化控制参数提供了数据支持。
进一步的,本申请还包括:
生成窗口连续判定结果,所述窗口连续判定结果为进行窗口保护的连续判定而生成的;
对所述繁殖保护窗口进行对应设备控制参数的参数优劣判定,生成优劣判定结果;
当所述窗口连续判定结果和所述优劣判定结果均为判定通过时,则繁殖保护判定通过。
在判断是否唤醒所述繁殖保护窗口时,一般包括两个维度的唤醒触发评价:窗口连续判定和参数优劣判定。
通过预设标定阈值,来对所述更新评价权重评价,一般而言,预设标定阈值通过经验或人工设定,一般设定为30%的优劣值,30%为判定的下限值,若繁殖结果不能满足30%,则认为对应的数据不具备繁殖优秀个体的能力,此时直接执行对应数据的淘汰,所述窗口连续判定即为保护窗口的连续触发判定,若窗口被连续触发,则认为对应的父数据繁殖的子数据同样为低价值数据,此时的窗口保护就失去了意义,因此,只有当所述窗口连续判定结果和所述优劣判定结果均为判定通过时,才认为数据中存在优秀个体数据的可能,繁殖保护判定通过。
进一步的,本申请还包括:
设置数据的迭代次数约束、控制参数粒度约束和淘汰约束;
对所述迭代结果进行所述迭代次数约束、所述控制参数粒度约束和所述淘汰约束的约束判定;
当所述迭代结果满足任一约束时,则认为所述迭代结果满足预设阈值,停止数据迭代。
所述迭代次数约束为进行总的迭代周期的约束,即满足预定的迭代次数,则停止进行数据的迭代更新,所述控制参数粒度为进行任意子集的迭代发散的发散结果的约束,它一般依据成型设备的设备控制精度设定,若迭代的数据粒度高于设备控制精度,则生成的数据集并不具有实质意义,因此,当任意子集迭代触发所述控制参数粒度约束,则停止对应子集迭代,所述淘汰约束即为数据质量的约束,若任意子集满足所述淘汰约束,表征对应的子集质量差,不能继续更新。当所述迭代结果满足任一约束时,则认为所述迭代结果满足预设阈值,停止对应数据迭代,直至全部的数据迭代停止,则完成迭代数据集构建。
进一步的,本申请还包括:
构建所述优化控制参数与执行任务的数据关联;
将所述数据关联存储为所述成型设备的设备特征数据;
基于所述设备特征数据进行后续任务的执行寻优参考。
当寻优完成后,通过多个角度,对寻优结果进行寻优的评价,将评价结果作为评价标识值,将所述优化控制参数与对应的执行任务进行一一映射关联,并将数据关联存储为设备特征数据,若后续再进行相近任务执行时,以所述设备特征数据作为寻优的参考比对数据,将远离所述设备特征数据的部分生成影响关联系数,以降低远端数据的活性,减少数据处理的数据量。
在一个实施例中,如图2所示,提供了碳纤维复合材料的成型优化控制系统,所述系统包括:
基础构建模块01,所述基础构建模块01用于交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;
数据迭代模块02,所述数据迭代模块02用于将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;
寻优控制模块03,所述寻优控制模块03用于通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。
进一步的,数据迭代模块02还用于:
设置迭代的繁殖保护窗口,其中,所述繁殖保护窗口为一次迭代保护窗口;
当所述更新评价权重不能满足预设标定阈值时,则通过所述繁殖保护窗口进行对应设备控制参数的繁殖保护判定;
若繁殖保护判定通过,则重新分布所述更新评价权重,并将其作为迭代繁殖数量约束,执行所述子集迭代。
进一步的,数据迭代模块02还用于:
获得子集迭代结果,所述子集迭代结果为所述繁殖保护窗口内的结果;
对所述子集迭代结果进行所述适应度函数的优劣评价;
根据评价结果生成数据优劣均值,将所述数据优劣均值作为第一参考值;
根据评价结果生成数据优劣极大值,将所述数据优劣极大值作为第二参考值;
根据所述第一参考值和所述第二参考值进行所述繁殖保护窗口内数据淘汰,根据淘汰结果完成子集迭代控制。
进一步的,数据迭代模块02还用于:
生成窗口连续判定结果,所述窗口连续判定结果为进行窗口保护的连续判定而生成的;
对所述繁殖保护窗口进行对应设备控制参数的参数优劣判定,生成优劣判定结果;
当所述窗口连续判定结果和所述优劣判定结果均为判定通过时,则繁殖保护判定通过。
进一步的,数据迭代模块02还用于:
设置数据的迭代次数约束、控制参数粒度约束和淘汰约束;
对所述迭代结果进行所述迭代次数约束、所述控制参数粒度约束和所述淘汰约束的约束判定;
当所述迭代结果满足任一约束时,则认为所述迭代结果满足预设阈值,停止数据迭代。
进一步的,寻优控制模块03还用于:
将所述设备属性数据、所述适应度函数和所述迭代数据集合发送至寻优筛选网络;
通过执行子网络接收所述设备属性数据和所述迭代数据集合,并进行执行成本分析,生成第一寻优结果;
通过评价子网络接收所述适应度函数和所述迭代数据集合,执行评价分析,生成第二寻优结果;
基于所述第一寻优结果和所述第二寻优结果获得所述优化控制参数。
进一步的,本系统还包括:
构建所述优化控制参数与执行任务的数据关联;
将所述数据关联存储为所述成型设备的设备特征数据;
基于所述设备特征数据进行后续任务的执行寻优参考。
关于碳纤维复合材料的成型优化控制系统的具体实施例可以参见上文中对于碳纤维复合材料的成型优化控制方法的实施例,在此不再赘述。上述碳纤维复合材料的成型优化控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现碳纤维复合材料的成型优化控制方法。
在一个实施例中,提供了一种计算机可读存储介质,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.碳纤维复合材料的成型优化控制方法,其特征在于,所述方法包括:
交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;
构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;
将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;
生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;
执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;
当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;
通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数;
所述方法还包括:
设置迭代的繁殖保护窗口,其中,所述繁殖保护窗口为一次迭代保护窗口;
当所述更新评价权重不能满足预设标定阈值时,则通过所述繁殖保护窗口进行对应设备控制参数的繁殖保护判定;
若繁殖保护判定通过,则重新分布所述更新评价权重,并将其作为迭代繁殖数量约束,执行所述子集迭代;
所述方法还包括:
将所述设备属性数据、所述适应度函数和所述迭代数据集合发送至寻优筛选网络;
通过执行子网络接收所述设备属性数据和所述迭代数据集合,并进行执行成本分析,生成第一寻优结果;
通过评价子网络接收所述适应度函数和所述迭代数据集合,执行评价分析,生成第二寻优结果;
基于所述第一寻优结果和所述第二寻优结果获得所述优化控制参数。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得子集迭代结果,所述子集迭代结果为所述繁殖保护窗口内的结果;
对所述子集迭代结果进行所述适应度函数的优劣评价;
根据评价结果生成数据优劣均值,将所述数据优劣均值作为第一参考值;
根据评价结果生成数据优劣极大值,将所述数据优劣极大值作为第二参考值;
根据所述第一参考值和所述第二参考值进行所述繁殖保护窗口内数据淘汰,根据淘汰结果完成子集迭代控制。
3.如权利要求2所述的方法,其特征在于,所述通过所述繁殖保护窗口进行对应设备控制参数的繁殖保护判定,还包括:
生成窗口连续判定结果,所述窗口连续判定结果为进行窗口保护的连续判定而生成的;
对所述繁殖保护窗口进行对应设备控制参数的参数优劣判定,生成优劣判定结果;
当所述窗口连续判定结果和所述优劣判定结果均为判定通过时,则繁殖保护判定通过。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
设置数据的迭代次数约束、控制参数粒度约束和淘汰约束;
对所述迭代结果进行所述迭代次数约束、所述控制参数粒度约束和所述淘汰约束的约束判定;
当所述迭代结果满足任一约束时,则认为所述迭代结果满足预设阈值,停止数据迭代。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
构建所述优化控制参数与执行任务的数据关联;
将所述数据关联存储为所述成型设备的设备特征数据;
基于所述设备特征数据进行后续任务的执行寻优参考。
6.碳纤维复合材料的成型优化控制系统,其特征在于,所述系统执行权利要求1-5任一项所述的方法,所述系统包括:
基础构建模块,所述基础构建模块用于交互获得成型设备的设备属性数据,其中,所述设备属性数据包括基础参数数据、设备特征数据;构建设备的控制参数集合,其中,所述控制参数集合为依据所述成型设备数据采集构建而成,且所述控制参数集合带有质量结果的映射;
数据迭代模块,所述数据迭代模块用于将所述控制参数集合作为初代参数,基于所述质量结果构建成型控制结果的适应度函数,并进行设备控制参数的优劣评价,生成第一评价权重,并将所述第一评价权重作为初代繁殖数量约束,进行所述控制参数集合的迭代繁殖,构建扩充子集;生成第二评价权重,所述第二评价权重为依据所述适应度函数进行所述扩充子集的优劣评价而获得的;执行子集迭代,所述子集迭代过程包括依据预定关联值混合所述第一评价权重和所述第二评价权重,生成更新评价权重,并将所述更新评价权重作为迭代繁殖数量约束,进行子集迭代;当迭代结果满足预设阈值,则停止数据迭代,生成迭代数据集合;
寻优控制模块,所述寻优控制模块用于通过所述设备属性数据和所述适应度函数进行所述迭代数据集合的数据筛选,生成优化控制参数。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311413476.3A CN117162357B (zh) | 2023-10-30 | 2023-10-30 | 碳纤维复合材料的成型优化控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311413476.3A CN117162357B (zh) | 2023-10-30 | 2023-10-30 | 碳纤维复合材料的成型优化控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117162357A CN117162357A (zh) | 2023-12-05 |
CN117162357B true CN117162357B (zh) | 2024-01-26 |
Family
ID=88947018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311413476.3A Active CN117162357B (zh) | 2023-10-30 | 2023-10-30 | 碳纤维复合材料的成型优化控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117162357B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118244729B (zh) * | 2024-05-29 | 2024-08-13 | 沈阳宏远电磁线股份有限公司 | 基于mes的生产车间动态管理方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
CN113298090A (zh) * | 2021-05-19 | 2021-08-24 | 成都飞机工业(集团)有限责任公司 | 一种基于最大轮廓的热压罐航空复合材料坯料识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12001931B2 (en) * | 2018-10-31 | 2024-06-04 | Allstate Insurance Company | Simultaneous hyper parameter and feature selection optimization using evolutionary boosting machines |
-
2023
- 2023-10-30 CN CN202311413476.3A patent/CN117162357B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
CN113298090A (zh) * | 2021-05-19 | 2021-08-24 | 成都飞机工业(集团)有限责任公司 | 一种基于最大轮廓的热压罐航空复合材料坯料识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117162357A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117162357B (zh) | 碳纤维复合材料的成型优化控制方法及系统 | |
CN109886388A (zh) | 一种基于变分自编码器的训练样本数据扩充方法和装置 | |
CN110287332B (zh) | 云环境下仿真模型选择方法与装置 | |
CN112052951B (zh) | 一种剪枝神经网络方法、系统、设备及可读存储介质 | |
WO2008130912A2 (en) | Forecasting system | |
CN111861023B (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN110992432B (zh) | 基于深度神经网络最小方差梯度量化压缩及图像处理方法 | |
CN114970396A (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
CN116233026B (zh) | 一种用于数据中心的智能管理方法及系统 | |
CN115952832A (zh) | 自适应模型量化方法及装置、存储介质及电子装置 | |
CN114706840A (zh) | 面向负载感知的多模数据库ArangoDB参数调优的方法 | |
CN115550195A (zh) | 流量抑制预测方法、电子设备、存储介质 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN116187838A (zh) | 一种电力设备的质量评估方法、系统、装置及存储介质 | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
CN117913796A (zh) | 电力经济耦合协调关系确定方法、装置、设备和存储介质 | |
CN112149870B (zh) | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 | |
CN112906883A (zh) | 用于深度神经网络的混合精度量化策略确定方法和系统 | |
CN115730646A (zh) | 一种基于部分量化的混合专家网络优化方法 | |
CN115827618A (zh) | 一种全局数据整合方法及装置 | |
CN111652384B (zh) | 一种数据量分布的平衡方法及数据处理方法 | |
CN114358910A (zh) | 异常财务数据处理方法、装置、设备及存储介质 | |
CN114723147A (zh) | 基于改进的小波变换与神经网络的新能源功率预测方法 | |
CN112464541A (zh) | 一种考虑多尺度不确定性的混合复合材料铺层方法 |
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 |