CN117341261B - 一种伺服直驱螺旋压力机智能控制方法及系统 - Google Patents

Abstract

本发明提供一种伺服直驱螺旋压力机智能控制方法及系统，涉及数据分析技术领域。所述系统包括：数据获取模块，用于获取历史生产数据；数据分类模块，用于对历史生产数据进行分类，构建得到多个生产数据集合；信息提取模块，用于获取待处理工件的目标加工工艺类型，根据目标加工工艺类型从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中提取得到第一目标数据和第二目标数据；控制预测模块，用于通过控制预测模型对待处理工件进行分析，生成预测控制方案；智能控制模块，用于基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试。本发明可以辅助人工进行伺服直驱螺旋压力的控制方案的制定，有效提升生产效率。

Description

一种伺服直驱螺旋压力机智能控制方法及系统

技术领域

本发明涉及数据分析技术领域，特别地涉及一种伺服直驱螺旋压力机智能控制方法及系统。

背景技术

伺服直驱螺旋压力机是工业生产中常用的一种加工设备，作为一种性能优异的模锻设备，相较于传统的螺旋压力机，伺服直驱螺旋压力机修复了传统螺旋压力机中传动环节存在的故障问题，性能更加稳定，可靠性高。

在实际生产过程中，对伺服直驱螺旋压力机的控制多是基于人工经验确定不同加工对象所对应的控制方式，受限于技术人员的稀缺，难以将伺服直驱螺旋压力机大量用于各种产品的加工过程中，为了进一步提高生产效率，需要一种更智能的控制方式。

发明内容

为了解决上述问题，本申请提供一种伺服直驱螺旋压力机智能控制方法，所述方法包括：

获取历史生产数据，历史生产数据包括多个伺服直驱螺旋压力机的运行数据，以及与每个伺服直驱螺旋压力机的运行数据对应的产品加工数据，其中，运行数据包括用于控制伺服直驱螺旋压力机进行生产加工的指令数据和基于指令数据进行生产加工的过程中伺服直驱螺旋压力机的状态监测数据；产品加工数据包括工件基础信息、加工目标信息和加工评测信息；

根据加工工艺类型对历史生产数据进行分类，建立每一种加工工艺类型对应的生产数据库，对于每个生产数据库，按照工件材料类型将生产数据库中的数据进行分类，构建每种工件材料对应的生产数据集合；

获取待处理工件的目标加工工艺类型，根据目标加工工艺类型从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中筛选出与待处理工件的工件材料相同的多组生产数据，基于待处理工件的工件基础信息和加工目标信息分析待处理工件与多组生产数据的相似度，结合每组生产数据的加工评测信息，从多组生产数据中筛选出第一目标数据和第二目标数据，将第一目标数据、第二目标数据和待处理工件的加工目标信息输入到预训练好的控制预测模型中，生成预测控制方案，基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试。

进一步地，对于控制预测模型，还包括：

预测控制模型包括多个预测单元；

将多个生产库数据库输入到构建得到的预测控制模型中，每个生产数据库对其中一个预测单元进行训练；

在预测控制模型的训练过程中，对于任一生产数据库，生产数据库中的工件基础信息和加工目标信息为输入，指令数据和加工评测数据为输出，每一轮迭代训练结束后，先计算每个预测单元的损失函数的值与收敛阈值的差值，用差值最小的预测单元的模型参数对预测控制模型中每个预测单元的模型参数进行更新，再进行下一轮迭代训练，当所有的预测单元达到预设收敛条件后完成对预测控制模型的训练。

进一步地，基于待处理工件的工件基础信息和加工目标信息分析待处理工件与多组生产数据的相似度包括：

基于待处理工件的工件基础信息和加工目标信息提取出待处理工件的多个差异特征，组成待处理工件的第一差异特征向量，根据每组生产数据的产品加工数据确定每组生产数据的第二差异特征向量，基于第一差异特征向量和第二差异特征向量分别计算得到待处理工件与每组生产数据的相似度。

进一步地，从多组生产数据中筛选出第一目标数据和第二目标数据包括：

对于多组生产数据，选取加工评测信息为合格的所有生产数据中与待处理工件的相似度最高的生产数据记为第一目标数据，选取加工评测信息为不合格的所有生产数据中与待处理工件的相似度最高的生产数据记为第二目标数据。

进一步地，从多组生产数据中筛选出第一目标数据和第二目标数据，还包括：

对于多组生产数据，筛除与待处理工件的相似度低于预设相似阈值的生产数据，确定剩余的多组生产数据中每组生产数据的故障率，计算每组生产数据的推荐值，根据推荐值对剩余的多组生产数据进行排序，选取加工评测信息为合格的所有生产数据中推荐值最高的一组生产数据作为第一目标数据，选取加工评测信息为不合格的所有生产数据中推荐值最高的一组生产数据作为第二目标数据。

进一步地，还包括，通过如下公式计算推荐值：Re=αQ1-βQ2；

式中，Q1为生产数据与待处理工件的相似度，Q2为生产数据的故障率，α、β分别为相似度Q1和故障率Q2的权重参数。

进一步地，基于神经网络架构构建得到预测控制模型。

进一步地，相似度的计算公式为余弦相似度、皮尔逊相关系数和杰卡德相似系数中的一种。

本申请还提供一种伺服直驱螺旋压力机智能控制系统，所述系统用于实现上述的一种伺服直驱螺旋压力机智能控制方法，所述系统包括：

数据获取模块，用于获取历史生产数据；

数据分类模块，用于根据加工工艺类型对历史生产数据进行分类，建立每一种加工工艺类型对应的生产数据库，对于每个生产数据库，按照工件材料类型将生产数据库中的数据进行分类，构建每种工件材料对应的生产数据集合；

信息提取模块，用于获取待处理工件的目标加工工艺类型，根据目标加工工艺类型从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中提取得到第一目标数据和第二目标数据；

控制预测模块，用于通过控制预测模型对待处理工件进行分析，生成预测控制方案；

智能控制模块，用于基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试。

进一步地，所述系统还包括：

模型训练模块，用于基于多个生产库数据库对预测控制模型进行训练。

本发明具有以下优点：

本发明基于生产过程中伺服直驱螺旋压力机的大量历史生产数据训练得到控制预测模型，通过控制预测模型生成用于对待处理工件进行生产加工的预测控制方案，辅助人工进行伺服直驱螺旋压力的控制方案的制定，有效提升生产效率。

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，下面将对实施例或现有技术描述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示出的结构获得其他的附图。

图1为本发明实施例中提供的一种伺服直驱螺旋压力机智能控制方法的流程示意图。

图2为本发明实施例中提供的一种伺服直驱螺旋压力机智能控制系统的结构示意图。

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，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。

参见图1，本发明一个实施例中提供的一种伺服直驱螺旋压力机智能控制方法，具体包括：

S1、获取历史生产数据；其中，历史生产数据包括有多个伺服直驱螺旋压力机的运行数据，以及与每个伺服直驱螺旋压力机的运行数据对应的产品加工数据；

示例性的，运行数据包括用于控制伺服直驱螺旋压力机进行生产加工的指令数据，例如滑块速度、滑块行程、打击能量等，和基于指令数据进行生产加工的过程中伺服直驱螺旋压力机的状态监测数据，例如通过传感器监测得到的滑块速度、滑块行程和打击能量的实际值、滑块温度等；产品加工数据包括工件基础信息、加工目标信息和加工评测信息等，其中，工件基础信息包括但并不限于工件的材料信息、尺寸信息、状态信息（不同温度下材料所处的状态），加工目标信息包括但并不限于加工后的材料的尺寸信息、状态信息，加工评测信息可以是产品是否合格的评测信息、不合格之处的位置信息等。

S2、根据加工工艺类型对历史生产数据进行分类，建立每一种加工工艺类型对应的生产数据库；

示例性的，伺服直驱螺旋压力机可以用于多种生产工艺，例如冲孔工艺、切断工艺、成形工艺等，以每个加工工艺类型为核心对历史生产数据进行分类，根据分类结果构建得到多个生产数据库，每个生产数据库单独对应一种加工工艺。

S3、按照工件材料类型对每个生产数据库中的数据进行分类，构建每个生产数据库中每种工件材料对应的生产数据集合；

S4、获取待处理工件的目标加工工艺类型，从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中筛选出与待处理工件的工件材料相同的多组生产数据；

示例性的，目标生产数据的筛选基于目标加工工艺类型，筛选得到的与目标加工工艺类型相同的生产数据库记为目标生产数据库，再基于待处理工件的材料类型从目标生产数据库中选出相关的多组生产数据。

S5、分析待处理工件与多组生产数据的相似度，结合每组生产数据的加工评测信息，从多组生产数据中筛选出第一目标数据和第二目标数据；

其中，相似度的计算公式为余弦相似度、皮尔逊相关系数和杰卡德相似系数中的一种，示例性的，基于余弦相似度计算相似度。

S6、将第一目标数据、第二目标数据和待处理工件的加工目标信息输入到预训练好的控制预测模型中，生成预测控制方案；

S7、基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试。

本发明实施例中提供的一种伺服直驱螺旋压力机智能控制方法，以伺服直驱螺旋压力机大量的历史生产数据为参考，对于待处理工件，从历史生产数据中找出与待处理工件相似的工件以及对应的生产数据，通过预训练得到的价值预测模型对找出的数据进行分析，输出用于控制伺服直驱螺旋压力机对待处理工件进行加工的预测控制方案，相关技术人员可通过预测控制方案进行对待处理工件的测试，相较于传统的基于人工经验确定控制方案的方式，本申请结合了深度学习技术，借助相关设备对历史生产数据进行分析与总结，提供更智能的伺服直驱螺旋压力机的控制方式，输出的预测控制方案可为相关的技术人员确定最终的控制方案提供建议，有效的提高生产效率。

对于上述提供的一种伺服直驱螺旋压力机智能控制方法，下面结合更具体的实施方案对其进行更为详细的说明。

在一种示例性的实施过程中，对于步骤S6中所述的控制预测模型，还包括：

预测控制模型是基于现有的神经网络架构所构建得到的，本实施例中基于卷积神经网络模型构建得到预测控制模型，其中，预测控制模型由多个预测单元组成，初始构建得到的多个预测单元之间不存在差异，预测控制模型通过多个生产库数据库进行训练。

将多个生产库数据库输入到构建得到的预测控制模型中，每个生产数据库用于对其中一个预测单元进行训练；

在预测控制模型的训练过程中，对于任一生产数据库，生产数据库中的工件基础信息和加工目标信息为输入，指令数据和加工评测数据为输出，当所有的预测单元达到预设收敛条件后完成对预测控制模型的训练。

更进一步的，在预测控制模型的迭代训练过程中，为了提升训练速度，在每次迭代训练结束后，分析每个预测单元的收敛性，选取其中最接近收敛阈值的预测单元，基于该预测单元的模型参数对所有预测单元的模型参数进行更新，再进行下一轮迭代训练，具体的，计算每个预测单元的损失函数的值与收敛阈值的差值，用差值最小的预测单元的模型参数对预测控制模型中每个预测单元的模型参数进行更新，包括将预测控制模型中每个预测单元的模型参数更新为最接近收敛阈值的预测单元的参数。

在一种示例性的实施过程中，对于步骤S5，待处理工件与多组生产数据的相似度具体为基于待处理工件的工件基础信息和加工目标信息分析得到，包括如下步骤：

基于待处理工件的工件基础信息和加工目标信息提取出待处理工件的多个差异特征，组成待处理工件的第一差异特征向量；

值得说明的是，工件基础信息和加工目标信息分别记载了待处理工件在加工前后的特征信息，例如尺寸信息、状态信息、温度信息、硬度信息等，每个工件在某个时态下均存在唯一的特征信息，对于同种加工工艺，在经过相关加工工艺的处理够，工件的部分特征信息会发生改变，对于每个特征信息，可以根据整体的取值范围和局部的变化信息对每次加工后特征信息的改变量进行归一化处理，以尺寸信息为例，伺服直驱螺旋压力机滑块的最大行程已经固定，因此在加工过程中，例如成形工艺，被加工工件的尺寸信息的变化不可能超出一个范围，例如被加工工件的高度的变化不可能大于伺服直驱螺旋压力机滑块的最大行程，因此可基于经验参数确定高度这一特征信息的取值范围，在加工过程中，被加工工件在加工前后的高度变化信息可被检测到，因此可通过高度这一特征信息的取值范围对被加工工件在加工前后的高度变化的数值进行归一化处理，最终将变化的数值的取值范围量化在一个具体的范围，例如0至10。

通过上述方式可提取得到待处理工件的多个差异特征，基于待处理工件的多个差异特征构建得到第一差异特征向量，其中，第一特征向量中的每个特征值对应了其中一个特征信息在待处理工件加工前后的差异信息。

同理，根据上述方式可根据每组生产数据的产品加工数据，具体说是产品加工数据中的工件基础信息和加工目标信息，确定每组生产数据的第二差异特征向量；

在确定第一差异特征向量和第二差异特征向量后，可通过相似度计算公式对第一差异特征向量和第二差异特征向量进行相似分析，基于第一差异特征向量和第二差异特征向量分别计算得到待处理工件与每组生产数据的相似度。

在一种示例性的实施过程中，步骤S5中，从多组生产数据中筛选出第一目标数据和第二目标数据，具体包括：

对于多组生产数据，选取加工评测信息为合格的所有生产数据中与待处理工件的相似度最高的生产数据记为第一目标数据，选取加工评测信息为不合格的所有生产数据中与待处理工件的相似度最高的生产数据记为第二目标数据。

值得说明的是，训练得到的控制预测模型，可通过分析待处理工件的工件基础信息和加工目标信息生成预测得到的用于对伺服直驱螺旋压力机进行控制的预测控制方案，但是，因为历史生产数据的数据量过于庞大且涉及到的数据的维度较高，因此在训练控制预测模型的过程中，为了缩短训练成本，可适当降低预设收敛条件，这种方式可以更快得到控制预测模型，但是控制预测模型的精度会有所下降，考虑到这种情况，在后续的数据处理过程中，从多组生产数据中筛选出第一目标数据和第二目标数据，作为先验数据输入到控制预测模型中，提升控制预测模型生成预测控制方案的预测速度与精度，同时降低模型的训练成本。

上述第一目标数据和第二目标数据的差异在于，第一目标数据为与待处理工件最接近的正样本，第二目标数据为与待处理工件的正样本最接近的负样本，将两者所包含的信息输入到控制预测模型中，为控制预测模型的预测提供参考信息。

在一种示例性的实施过程中，步骤S5中，从多组生产数据中筛选出第一目标数据和第二目标数据，还包括：

对于多组生产数据，筛除与待处理工件的相似度低于预设相似阈值的生产数据，确定剩余的多组生产数据中每组生产数据的故障率，其中，故障率可根据产品加工数据中的加工评测信息确定；

计算每组生产数据的推荐值；

其中，推荐值的计算方式如下：

采用下述公式计算得到推荐值：

Re=αQ1-βQ2；

式中，Q1为生产数据与待处理工件的相似度，Q2为生产数据的故障率，α、β分别为相似度Q1和故障率Q2的权重参数。

在计算得到每组生产数据的推荐值后，根据对剩余的多组生产数据进行排序，选取加工评测信息为合格的所有生产数据中推荐值最高的一组生产数据作为第一目标数据，选取加工评测信息为不合格的所有生产数据中推荐值最高的一组生产数据作为第二目标数据；

值得说明的是，在加工过程中，要达到预先设定的加工效果，对伺服直驱螺旋压力机的控制方式可以有很多种，受限于伺服直驱螺旋压力机产品本身的设计，部分控制方式可能导致伺服直驱螺旋压力机在运行过程中的稳定性下降，以成形工艺为例，对工件的处理可以是单次锻压成形，也可以是分为多次锻压成形，其中，单次锻压成形需要的单次打击能量会更高，因此用于控制伺服直驱螺旋压力机进行生产加工的指令数据不同，对应的故障率可能不同，在这种情况下，单纯地考虑加工方式之间的相似性存在着一定的局限性，因此综合故障率进行分析，以确定更具有参考性的第一目标数据和第二目标数据，进一步提升控制预测模型生成预测控制方案的预测速度与精度。

参见图2，在本发明实施例中提供的一种伺服直驱螺旋压力机智能控制方法的基础上，本发明一个实施例中还提供一种伺服直驱螺旋压力机智能控制系统，所述系统包括：

数据获取模块，用于获取历史生产数据；

数据分类模块，用于根据加工工艺类型对历史生产数据进行分类，建立每一种加工工艺类型对应的生产数据库，对于每个生产数据库，按照工件材料类型将生产数据库中的数据进行分类，构建每种工件材料对应的生产数据集合；

信息提取模块，用于获取待处理工件的目标加工工艺类型，根据目标加工工艺类型从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中筛选出与待处理工件的工件材料相同的多组生产数据，基于待处理工件的工件基础信息和加工目标信息分析待处理工件与多组生产数据的相似度，结合每组生产数据的加工评测信息，从多组生产数据中筛选出第一目标数据和第二目标数据；

控制预测模块，用于通过控制预测模型对待处理工件进行分析，生成预测控制方案；

具体的，将第一目标数据、第二目标数据和待处理工件的加工目标信息输入到预训练好的控制预测模型中，生成预测控制方案；

智能控制模块，用于基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试；

模型训练模块，用于基于多个生产库数据库对预测控制模型进行训练；

具体的，预测控制模型包括多个预测单元，将多个生产库数据库输入到构建得到的预测控制模型中，每个生产数据库对其中一个预测单元进行训练。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种伺服直驱螺旋压力机智能控制方法，其特征在于，所述方法包括：

获取历史生产数据，历史生产数据包括多个伺服直驱螺旋压力机的运行数据，以及与每个伺服直驱螺旋压力机的运行数据对应的产品加工数据，其中，运行数据包括用于控制伺服直驱螺旋压力机进行生产加工的指令数据和基于指令数据进行生产加工的过程中伺服直驱螺旋压力机的状态监测数据；产品加工数据包括工件基础信息、加工目标信息和加工评测信息；

根据加工工艺类型对历史生产数据进行分类，建立每一种加工工艺类型对应的生产数据库，对于每个生产数据库，按照工件材料类型将生产数据库中的数据进行分类，构建每种工件材料对应的生产数据集合；

获取待处理工件的目标加工工艺类型，根据目标加工工艺类型从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中筛选出与待处理工件的工件材料相同的多组生产数据，基于待处理工件的工件基础信息和加工目标信息分析待处理工件与多组生产数据的相似度，结合每组生产数据的加工评测信息，从多组生产数据中筛选出第一目标数据和第二目标数据，将第一目标数据、第二目标数据和待处理工件的加工目标信息输入到预训练好的控制预测模型中，生成预测控制方案，基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试；

对于控制预测模型，还包括：

预测控制模型包括多个预测单元；

将多个生产库数据库输入到构建得到的预测控制模型中，每个生产数据库对其中一个预测单元进行训练；

在预测控制模型的训练过程中，对于任一生产数据库，生产数据库中的工件基础信息和加工目标信息为输入，指令数据和加工评测数据为输出，每一轮迭代训练结束后，先计算每个预测单元的损失函数的值与收敛阈值的差值，用差值最小的预测单元的模型参数对预测控制模型中每个预测单元的模型参数进行更新，再进行下一轮迭代训练，当所有的预测单元达到预设收敛条件后完成对预测控制模型的训练；

基于待处理工件的工件基础信息和加工目标信息分析待处理工件与多组生产数据的相似度包括：

基于待处理工件的工件基础信息和加工目标信息提取出待处理工件的多个差异特征，组成待处理工件的第一差异特征向量，根据每组生产数据的产品加工数据确定每组生产数据的第二差异特征向量，基于第一差异特征向量和第二差异特征向量分别计算得到待处理工件与每组生产数据的相似度；

从多组生产数据中筛选出第一目标数据和第二目标数据包括：

对于多组生产数据，选取加工评测信息为合格的所有生产数据中与待处理工件的相似度最高的生产数据记为第一目标数据，选取加工评测信息为不合格的所有生产数据中与待处理工件的相似度最高的生产数据记为第二目标数据。

2.如权利要求1所述的方法，其特征在于，从多组生产数据中筛选出第一目标数据和第二目标数据，还包括：

对于多组生产数据，筛除与待处理工件的相似度低于预设相似阈值的生产数据，确定剩余的多组生产数据中每组生产数据的故障率，计算每组生产数据的推荐值，根据推荐值对剩余的多组生产数据进行排序，选取加工评测信息为合格的所有生产数据中推荐值最高的一组生产数据作为第一目标数据，选取加工评测信息为不合格的所有生产数据中推荐值最高的一组生产数据作为第二目标数据。

3.如权利要求2所述的方法，其特征在于，还包括，通过如下公式计算推荐值：

Re=αQ1-βQ2；

式中，Q1为生产数据与待处理工件的相似度，Q2为生产数据的故障率，α、β分别为相似度Q1和故障率Q2的权重参数。

4.如权利要求1所述的方法，其特征在于，基于神经网络架构构建得到预测控制模型。

5.如权利要求1所述的方法，其特征在于，相似度的计算公式为余弦相似度、皮尔逊相关系数和杰卡德相似系数中的一种。

6.一种伺服直驱螺旋压力机智能控制系统，所述系统应用于上述权利要求1-5任一项所述的方法，其特征在于，所述系统包括：

数据获取模块，用于获取历史生产数据；

数据分类模块，用于根据加工工艺类型对历史生产数据进行分类，建立每一种加工工艺类型对应的生产数据库，对于每个生产数据库，按照工件材料类型将生产数据库中的数据进行分类，构建每种工件材料对应的生产数据集合；

信息提取模块，用于获取待处理工件的目标加工工艺类型，根据目标加工工艺类型从多个生产数据库中筛选出目标生产数据库，从目标生产数据库中提取得到第一目标数据和第二目标数据；

控制预测模块，用于通过控制预测模型对待处理工件进行分析，生成预测控制方案；

智能控制模块，用于基于预测控制方案控制伺服直驱螺旋压力机对待处理工件进行加工测试。

7.如权利要求6所述的系统，其特征在于，所述系统还包括：

模型训练模块，用于基于多个生产库数据库对预测控制模型进行训练。