CN117420804A - 一种金属箱体流水线智能优化控制方法 - Google Patents
一种金属箱体流水线智能优化控制方法 Download PDFInfo
- Publication number
- CN117420804A CN117420804A CN202311499281.5A CN202311499281A CN117420804A CN 117420804 A CN117420804 A CN 117420804A CN 202311499281 A CN202311499281 A CN 202311499281A CN 117420804 A CN117420804 A CN 117420804A
- Authority
- CN
- China
- Prior art keywords
- processing
- box
- box body
- optimization
- parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 167
- 238000005457 optimization Methods 0.000 title claims abstract description 118
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 85
- 239000002184 metal Substances 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 316
- 238000005516 engineering process Methods 0.000 claims abstract description 32
- 238000003754 machining Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001962 electrophoresis Methods 0.000 description 3
- 238000004381 surface treatment Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种金属箱体流水线智能优化控制方法，涉及金属加工技术领域，所述方法包括：获取目标金属箱体的需求特征信息，基于需求特征信息确定目标金属箱体的箱体加工步序，箱体加工步序包括多个箱体加工工艺；设置多个箱体加工工艺中所有工艺加工参数的可变动范围；基于可变动范围，对多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；基于可变动范围构建加工参数优化空间，在加工参数优化空间中对多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；基于优选箱体加工方案控制金属箱体流水线进行加工。进而达成参数调整及时、优化周期短，可推广性佳的技术效果。
Description
技术领域
本发明涉及金属加工技术领域，特别涉及一种金属箱体流水线智能优化控制方法。
背景技术
流水线作为工业加工技术中的重要实现方法，具有加工效率高，质量稳定等多种优势，相应地，流水线布设紧密，生产步骤多，需要进行精细化的控制优化，确保流水线运行的效果和效率。现有的流水线控制方法存在参数调整时效性差、优化周期长，可推广性差的技术问题。
发明内容
本申请的目的在于提供一种金属箱体流水线智能优化控制方法。用以解决现有技术中参数调整时效性差、优化周期长，可推广性差的技术问题。
鉴于以上技术问题，本申请提供了一种金属箱体流水线智能优化控制方法。
第一方面，本申请提供了一种金属箱体流水线智能优化控制方法，其中，所述方法包括：
获取目标金属箱体的需求特征信息，基于所述需求特征信息确定所述目标金属箱体的箱体加工步序，所述箱体加工步序包括多个箱体加工工艺；设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围；基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；基于所述可变动范围构建加工参数优化空间，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；基于所述优选箱体加工方案控制金属箱体流水线进行加工。
第二方面，本申请还提供了一种金属箱体流水线智能优化控制系统，其中，所述系统包括：
工艺采集模块，所述工艺采集模块用于获取目标金属箱体的需求特征信息，基于所述需求特征信息确定所述目标金属箱体的箱体加工步序，所述箱体加工步序包括多个箱体加工工艺；调优约束模块，所述调优约束模块用于设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围；初始化模块，所述初始化模块用于基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；优化迭代模块，所述优化迭代模块用于基于所述可变动范围构建加工参数优化空间，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；生成控制模块，所述生成控制模块用于基于所述优选箱体加工方案控制金属箱体流水线进行加工。
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：
通过获取目标金属箱体的需求特征信息，基于需求特征信息确定目标金属箱体的箱体加工步序，箱体加工步序包括多个箱体加工工艺；设置多个箱体加工工艺中所有工艺加工参数的可变动范围；基于可变动范围，对多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；基于可变动范围构建加工参数优化空间，在加工参数优化空间中对多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；基于优选箱体加工方案控制金属箱体流水线进行加工。进而达成参数调整及时、优化周期短，可推广性佳的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进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及其他目的、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
本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：
图1为本申请一种金属箱体流水线智能优化控制方法的流程示意图；
图2为本申请一种金属箱体流水线智能优化控制方法中设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围的流程示意图；
图3为本申请一种金属箱体流水线智能优化控制系统的结构示意图。
附图标记说明：工艺采集模块11、调优约束模块12、初始化模块13、优化迭代模块14、生成控制模块15。
具体实施方式
本申请通过提供一种金属箱体流水线智能优化控制方法，解决了现有技术面临的参数调整时效性差、优化周期长，可推广性差的技术问题。
本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：
首先，获得目标金属箱体的需求特征信息。基于这些需求特征信息，确定目标金属箱体的箱体加工步序。而后，在确定了加工步序后，为多个箱体加工工艺中的所有工艺加工参数设置可变动范围。接下来，基于这些可变动范围，对多个箱体加工工艺进行加工参数初始化。随后，基于可变动范围构建加工参数优化空间。这是一个参数组合的空间，用于在其中对多个初始箱体加工方案进行优化迭代。最后，基于不同的参数组合寻找最佳的加工方案，并基于该加工方案进行金属箱体的流水线加工。进而达成参数调整及时、优化周期短，可推广性佳的技术效果。
为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种金属箱体流水线智能优化控制方法，所述方法包括：
S100：获取目标金属箱体的需求特征信息，基于所述需求特征信息确定所述目标金属箱体的箱体加工步序，所述箱体加工步序包括多个箱体加工工艺；
目标金属箱体的需求特征信息是指目标金属箱体产品的特性或属性，该需求特征信息获取来源包括产品规格书、设计文档等。具体的，目标金属箱体的需求特征信息基于其用途或使用情景确定。示例性的，包括防水等级、承压能力、防尘等级、外形尺寸、抗腐蚀能力、外形尺寸、孔洞或开口设置等。
可选的，对于产品规格书或设计文档不明确的目标金属箱体，通过交互金属箱体加工步序数据库进行加工工艺遴选，或交由专业技术人员及专家系统进行加工工艺选择确定箱体加工步序。
目标金属箱体的需求特征信息影响箱体加工步序，不同的产品用途、防护要求和负载，对应的加工步序、步骤设置也不尽相同。箱体加工步序是指由多个箱体加工工艺按照一定序列构成的流线结构，其中，该加工步序具有时间节点安排。示例性的，箱体加工工艺包括：材料切割(切割工具、激光切割、水切割等)、材料弯折或成型(弯折、冲压等)、焊接(点焊、TIG焊、MIG焊等)、加工孔洞或开槽(切割、冲孔等)、表面处理(喷涂、电泳、阳极氧化、电泳等)、装配、质检和测试等。
通过获取目标金属箱体的需求特征信息，进而确定箱体加工步序和包含的箱体加工工艺，为后续工艺加工参数的确定提供了依据，同时便于根据不同目标箱体获取其对应的需求特征信息，加工工艺，提高了本申请的一种方法的可迁移性及适应性。
S200：设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围；
可选的，工艺加工参数是指加工工艺中需要进行控制调整的参数。所有工艺加工参数共同决定了工艺加工效果及产品质量，通过在可变动范围内工艺加工参数进行调节优化，得以实现对目标箱体质量的控制。具体的，工艺加工参数根据加工工艺确定，包括温度范围、时间范围、电流范围、流量范围、压力范围、浓度范围、pH范围等。工艺加工参数的范围根据材料性质、加工设备性能参数等确定。
进一步的，如图2所示，设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围，步骤S200包括：
遍历所述多个箱体加工工艺，获取第一箱体加工工艺，基于所述第一箱体加工工艺获取第一工艺加工参数集；
遍历所述第一工艺加工参数集，获取第一工艺加工参数；
交互流水线控制系统，基于所述流水线控制系统确定所述第一工艺加工参数的第一变动范围；
将所述第一变动范围加入所述可变动范围中。
可选的，对于不同的需求特征信息，对应的加工工艺及工艺参数也不尽相同，根据第一箱体加工工艺，获取第一工艺加工参数集，获取方式包括交互工艺参数库、查询工艺加工设备手册等。
可选的，第一工艺加工参数为第一工艺加工参数集中随机选的任意一加工参数，当获取当前第一工艺加工参数的第一变动范围后，于第一工艺加工参数集中随机选取未获取变动范围的工艺参数，作为新的第一工艺加工参数，直至获取第一工艺加工参数集中的全部工艺加工参数的变动范围，获取第一工艺的可变动范围。
具体的，第一工艺的可变动范围通过交互流水线控制系统确定。示例性的，首先，交互流水线控制系统，获取流水线控制系统参数调节范围，生成参数控制范围集；而后，获取第一工艺历史生产数据，筛选得到第一工艺同源历史生产数据，并根据该第一工艺同源历史生产数据，获取历史参数控制范围集；进而求取与参数控制范围集历史参数控制范围集的交集，作为第一工艺的可变动范围。其中，第一工艺同源历史生产数据是指与目标金属箱体相同或相似处理工艺的历史生产记录，包括设备型号、工艺流程、材料参数等。通过交互流水线系统确定第一工艺加工参数的第一变动范围，确保了获取的第一变动范围的准确性和可操作性。避免了偏离当前流水线参数调控能力外的无效优化，提高了优化的准确性和置信度。
可选的，遍历多个箱体加工工艺，获取多个工艺的可变动范围，并加入可变动范围，得到所有工艺加工参数的可变动范围。
示例性的，对于铝材，适用的表面处理工艺包括阳极氧化、电泳、喷涂等而不适用常用于钢材的电镀工艺。相应的表面处理工艺所对应的工艺加工参数也有所区别。
S300：基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；
加工参数初始化是指设定生成多个初始箱体加工方案。其中，多个初始箱体加工方案为可变动范围内的箱体加工方案。多个初始箱体加工方案具有相同的步序，同时各自的多个加工参数取值不同。
进一步的，基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案，步骤S300包括：
获取第一工艺加工参数，基于所述第一工艺加工参数调取第一变动范围；
为所述第一变动范围设置第一分割段数，基于所述第一分割段数对所述第一变动范围进行分割，获取多段第一变动子范围；
取第一变动子范围的中间值，初始化所述第一工艺加工参数，获取第一工艺加工参数值；
按照所述多个箱体加工工艺对工艺加工参数值进行排列组合，获取多个初始箱体加工方案。
可选的，第一分割段数基于第一变动范围大小，工艺设备参数调节精度共同确定，其中，工艺设备参数调节精度决定了第一变动范围的最小长度。较大的分割段数可以实现更均匀全面初始化，生成的多个初始箱体加工方案覆盖精度更高，相应的，也会产生后续寻优过程耗时更长，影响优化控制时效性和效率的情况。具体的，第一分割段数由专业技术人员根据参数的第一变动范围大小和工艺设备参数调节精度进行取值。优选的，第一变动子范围的最小长度为工艺设备参数调节精度的n倍，n≥4。
可选的，取第一变动子范围的中间值作为第一工艺加工参数的一个初始值，初始化第一工艺加工参数，多段第一变动子范围初始化生成了阶梯化的多个第一工艺加工参数值。
可选的，对第一变动范围的分割，基于历史加工记录参数取值频次或频率，进行可变第一变动子范围的分割，具体的，在第一变动范围内，实际加工记录中产生取值频次或频率高的区段第一变动子范围的范围长度短，相应的初始化生成的第一工艺加工参数值密集。进而实现了初始化取值的优化，有助于后续优化迭代的更快收敛。
可选的，通过对每个工艺的参数组合进行排列组合，将多个工艺中的参数组合起来，生成多个初始箱体加工方案。每个方案都包括了不同工艺的参数组合。用于比较不同的生产策略，获取最适配生产需求和目标的加工方案。
S400：基于所述可变动范围构建加工参数优化空间，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；
进一步的，基于所述可变动范围构建加工参数优化空间，步骤S400包括：
调取所有的工艺加工参数，以任一工艺加工参数为坐标轴，以可变动范围为所述工艺加工参数的取值范围，构建参数坐标系；
以所述多段第一变动子范围对相应的工艺加工参数进行划分，获取多个加工参数优化子空间，其中，每个加工参数优化子空间的中心对应一个初始箱体加工方案；
所述多个加工参数优化子空间构成加工参数优化空间。
可选的，加工参数优化空间为工艺加工参数对应的K维多维空间，该优化空间的K个维度对应全部的K个工艺加工参数，可变动范围为该K维空间的空间边界，表示了在该优化空间中进行取值的约束边界。
可选的，通过每个加工参数优化子空间的中心在加工参数优化空间中的多维坐标为对应的初始箱体加工方案的参数取值集。每个加工参数优化子空间的中心点都代表了一个可能的初始箱体加工方案。通过该初始点位的位移体现参数的优化和变动。
进一步的，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案，步骤S400还包括：
基于所述需求特征信息，构建所述目标金属箱体的箱体评估体系；
在所述加工参数优化子空间中，基于箱体评估体系，分别对其中的初始箱体加工方案进行子空间优化，获取多个第二箱体加工方案，其中，每个第二箱体加工方案对应一个加工参数优化子空间；
基于所述多个第二箱体加工方案，获取优选箱体加工方案。
其中，箱体评估体系是指用于衡量箱体加工方案与目标金属箱体适配度的体系，具体的，包括模型、函数或特有的评价规则。第二箱体加工方案是指优化后的初始箱体加工方案，多个第二箱体加工方案对应多个加工参数优化子空间中位移后的加工参数优化子空间的中心点。
可选的，对初始箱体加工方案进行子空间优化，采取的优化算法包括遗传算法、粒子群优化算法、蚁群算法、帝国优化算法等。其中，加工参数优化子空间对应优化算法中的解空间、箱体评估体系对应优化算法中的判别函数(如帝国优化算法中的代价函数)。
通过对可变动范围进行分割，排列组合生成多个加工参数优化子空间，具有较大解空间的复杂问题分解为多个相对解空间减小的简单问题，便于加工方案优化的并行处理，提高了优化效率。
进一步的，基于所述多个第二箱体加工方案，获取优选箱体加工方案，步骤还包括：
基于所述箱体评估体系对多个第二箱体加工方案进行评分，并进行均值计算，获取多个第二箱体加工方案的第二评分平均值；
对低于所述第二评分平均值的第二箱体加工方案及其对应的加工参数优化子空间进行消除；
基于未消除的加工参数优化子空间继续进行迭代优化，依次类推，获取优选箱体加工方案。
可选的，通过多个第二箱体加工方案的评分结果均值进行第二箱体加工方案的遴选，实现了较差生产效果的方案的剔除。具体的，每次迭代优化，所需进行优化的第二箱体加工方案均减量，减轻了迭代优化的工作量与算力消耗，提高了迭代优化的优化效率。
示例性的，对多个第二箱体加工方案进行评分，首先，通过仿真模拟软件或金属箱体加工大数据获取第二箱体加工方案的预期性能参数，即预计获得的需求特征。而后，基于上述箱体评估体系进行第二箱体加工方案的评分值的计算，获取第二箱体加工方案的评分结果。
可选的，综合考虑所有的第二箱体加工方案，选择其中最符合需求特征信息和评估体系的第二箱体加工方案作为最终的箱体加工方案。
S500：基于所述优选箱体加工方案控制金属箱体流水线进行加工。
可选的，将优选箱体加工方案传输至流水线控制系统，流水线控制系统对该优选箱体加工方案进行方案解析和指令编码，将方案中的语句转化为工艺设备能够理解并执行的机器语句，对金属箱体流水线进行加工控制。
可选的，流水线控制系统基于优选箱体加工方案进行金属箱体流水线的加工控制前，通过数据校验算法对接收到的优选箱体加工方案进行验证，确保该方案未发生数据缺失、数据篡改、数据重复等错误。保证优选箱体加工方案的实现效果。
进一步的，本申请的一种金属箱体流水线智能优化控制方法，还包括：
基于所述优选箱体加工方案，进行目标金属箱体试生产，获取预制目标金属箱；
基于所述箱体评估体系对所述预制目标金属箱进行成品评估，获取成品箱体评估结果；
基于所述成品箱体评估结果对所述优选箱体加工方案进行方案补偿，获取补偿箱体加工方案；
以所述补偿箱体加工方案对所述金属箱体流水线进行加工控制。
可选的，基于优选箱体加工方案进行金属箱体流水线的加工控制前，进行目标金属箱体的试生产，对优选箱体加工方案进行方案验证，通过小批量的试生产，获取预制目标金属箱，并基于该预制目标金属箱进行产品评估，通过箱体评估体系获取预制目标金属箱与目标金属箱体的需求特征信息的适配度。进而根据该适配度进行优选箱体加工方案的评估补偿。有助于避免因优化参数设置误差导致的生产浪费，获取的补偿箱体加工方案提高了流水线智能优化控制的可靠性。
综上所述，本发明所提供的一种金属箱体流水线智能优化控制方法具有如下技术效果：
通过获取目标金属箱体的需求特征信息，基于需求特征信息确定目标金属箱体的箱体加工步序，箱体加工步序包括多个箱体加工工艺；设置多个箱体加工工艺中所有工艺加工参数的可变动范围；基于可变动范围，对多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；基于可变动范围构建加工参数优化空间，在加工参数优化空间中对多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；基于优选箱体加工方案控制金属箱体流水线进行加工。进而达成参数调整及时、优化周期短，可推广性佳的技术效果。
实施例二
基于与所述实施例中一种金属箱体流水线智能优化控制方法同样的构思，如图3所示，本申请还提供了一种金属箱体流水线智能优化控制系统，所述系统包括：
工艺采集模块11，用于获取目标金属箱体的需求特征信息，基于所述需求特征信息确定所述目标金属箱体的箱体加工步序，所述箱体加工步序包括多个箱体加工工艺；
调优约束模块12，用于设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围；
初始化模块13，所述初始化模块用于基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；
优化迭代模块14，用于基于所述可变动范围构建加工参数优化空间，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；
生成控制模块15，用于基于所述优选箱体加工方案控制金属箱体流水线进行加工。
进一步的，调优约束模块12还包括：
工艺解析单元，用于遍历所述多个箱体加工工艺，获取第一箱体加工工艺，基于所述第一箱体加工工艺获取第一工艺加工参数集；
参数选取单元，用于遍历所述第一工艺加工参数集，获取第一工艺加工参数；
范围采集单元，用于交互流水线控制系统，基于所述流水线控制系统确定所述第一工艺加工参数的第一变动范围；
约束生成单元，用于将所述第一变动范围加入所述可变动范围中。
进一步的，初始化模块13还包括：
约束调用单元，用于获取第一工艺加工参数，基于所述第一工艺加工参数调取第一变动范围；
分段设定单元，用于为所述第一变动范围设置第一分割段数，基于所述第一分割段数对所述第一变动范围进行分割，获取多段第一变动子范围；
参数取值单元，用于取第一变动子范围的中间值，初始化所述第一工艺加工参数，获取第一工艺加工参数值；
方案组建单元，用于按照所述多个箱体加工工艺对工艺加工参数值进行排列组合，获取多个初始箱体加工方案。
进一步的，优化迭代模块14还包括：
多维坐标单元，用于调取所有的工艺加工参数，以任一工艺加工参数为坐标轴，以可变动范围为所述工艺加工参数的取值范围，构建参数坐标系；
空间划分单元，用于以所述多段第一变动子范围对相应的工艺加工参数进行划分，获取多个加工参数优化子空间，其中，每个加工参数优化子空间的中心对应一个初始箱体加工方案；
空间设定单元，用于以所述多个加工参数优化子空间构成加工参数优化空间。
进一步的，优化迭代模块14还包括：
评价设置单元，用于基于所述需求特征信息，构建所述目标金属箱体的箱体评估体系；
优化选取单元，用于在所述加工参数优化子空间中，基于箱体评估体系，分别对其中的初始箱体加工方案进行子空间优化，获取多个第二箱体加工方案，其中，每个第二箱体加工方案对应一个加工参数优化子空间；
择优单元，用于基于所述多个第二箱体加工方案，获取优选箱体加工方案。
进一步的，择优单元还包括：
均值计算单元，用于基于所述箱体评估体系对多个第二箱体加工方案进行评分，并进行均值计算，获取多个第二箱体加工方案的第二评分平均值；
方案筛除单元，用于对低于所述第二评分平均值的第二箱体加工方案及其对应的加工参数优化子空间进行消除；
迭代单元，用于基于未消除的加工参数优化子空间继续进行迭代优化，依次类推，获取优选箱体加工方案。
进一步的，所述系统还包括：
试产单元，用于基于所述优选箱体加工方案，进行目标金属箱体试生产，获取预制目标金属箱；
样品评估单元，用于基于所述箱体评估体系对所述预制目标金属箱进行成品评估，获取成品箱体评估结果；
补偿单元，用于基于所述成品箱体评估结果对所述优选箱体加工方案进行方案补偿，获取补偿箱体加工方案；
优化控制单元，用于以所述补偿箱体加工方案对所述金属箱体流水线进行加工控制。
应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的一种金属箱体流水线智能优化控制系统，为了说明书的简洁，在此不做进一步的展开。
应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。
Claims (8)
1.一种金属箱体流水线智能优化控制方法，其特征在于，所述方法包括：
获取目标金属箱体的需求特征信息，基于所述需求特征信息确定所述目标金属箱体的箱体加工步序，所述箱体加工步序包括多个箱体加工工艺；
设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围；
基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；
基于所述可变动范围构建加工参数优化空间，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；
基于所述优选箱体加工方案控制金属箱体流水线进行加工。
2.根据权利要求1所述的方法，其特征在于，设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围，包括：
遍历所述多个箱体加工工艺，获取第一箱体加工工艺，基于所述第一箱体加工工艺获取第一工艺加工参数集；
遍历所述第一工艺加工参数集，获取第一工艺加工参数；
交互流水线控制系统，基于所述流水线控制系统确定所述第一工艺加工参数的第一变动范围；
将所述第一变动范围加入所述可变动范围中。
3.根据权利要求2所述的方法，其特征在于，基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案，包括：
获取第一工艺加工参数，基于所述第一工艺加工参数调取第一变动范围；
为所述第一变动范围设置第一分割段数，基于所述第一分割段数对所述第一变动范围进行分割，获取多段第一变动子范围；
取第一变动子范围的中间值，初始化所述第一工艺加工参数，获取第一工艺加工参数值；
按照所述多个箱体加工工艺对工艺加工参数值进行排列组合，获取多个初始箱体加工方案。
4.根据权利要求3所述的方法，其特征在于，基于所述可变动范围构建加工参数优化空间，包括：
调取所有的工艺加工参数，以任一工艺加工参数为坐标轴，以可变动范围为所述工艺加工参数的取值范围，构建参数坐标系；
以所述多段第一变动子范围对相应的工艺加工参数进行划分，获取多个加工参数优化子空间，其中，每个加工参数优化子空间的中心对应一个初始箱体加工方案；
所述多个加工参数优化子空间构成加工参数优化空间。
5.根据权利要求4所述的方法，其特征在于，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案，包括：
基于所述需求特征信息，构建所述目标金属箱体的箱体评估体系；
在所述加工参数优化子空间中，基于箱体评估体系，分别对其中的初始箱体加工方案进行子空间优化，获取多个第二箱体加工方案，其中，每个第二箱体加工方案对应一个加工参数优化子空间；
基于所述多个第二箱体加工方案，获取优选箱体加工方案。
6.根据权利要求5所述的方法，其特征在于，基于所述多个第二箱体加工方案，获取优选箱体加工方案，包括：
基于所述箱体评估体系对多个第二箱体加工方案进行评分，并进行均值计算，获取多个第二箱体加工方案的第二评分平均值；
对低于所述第二评分平均值的第二箱体加工方案及其对应的加工参数优化子空间进行消除；
基于未消除的加工参数优化子空间继续进行迭代优化，依次类推，获取优选箱体加工方案。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
基于所述优选箱体加工方案，进行目标金属箱体试生产，获取预制目标金属箱；
基于所述箱体评估体系对所述预制目标金属箱进行成品评估，获取成品箱体评估结果；
基于所述成品箱体评估结果对所述优选箱体加工方案进行方案补偿，获取补偿箱体加工方案；
以所述补偿箱体加工方案对所述金属箱体流水线进行加工控制。
8.一种金属箱体流水线智能优化控制系统，其特征在于，所述系统包括：
工艺采集模块，所述工艺采集模块用于获取目标金属箱体的需求特征信息，基于所述需求特征信息确定所述目标金属箱体的箱体加工步序，所述箱体加工步序包括多个箱体加工工艺；
调优约束模块，所述调优约束模块用于设置所述多个箱体加工工艺中所有工艺加工参数的可变动范围；
初始化模块，所述初始化模块用于基于所述可变动范围，对所述多个箱体加工工艺进行加工参数初始化，获取多个初始箱体加工方案；
优化迭代模块，所述优化迭代模块用于基于所述可变动范围构建加工参数优化空间，在所述加工参数优化空间中对所述多个初始箱体加工方案进行优化迭代，获取优选箱体加工方案；
生成控制模块，所述生成控制模块用于基于所述优选箱体加工方案控制金属箱体流水线进行加工。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499281.5A CN117420804B (zh) | 2023-11-13 | 2023-11-13 | 一种金属箱体流水线智能优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499281.5A CN117420804B (zh) | 2023-11-13 | 2023-11-13 | 一种金属箱体流水线智能优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117420804A true CN117420804A (zh) | 2024-01-19 |
| CN117420804B CN117420804B (zh) | 2024-03-26 |
Family
ID=89530071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311499281.5A Active CN117420804B (zh) | 2023-11-13 | 2023-11-13 | 一种金属箱体流水线智能优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117420804B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150356485A1 (en) * | 2014-06-05 | 2015-12-10 | General Electric Company | Methods and systems for intelligent evolutionary optimization of workflows using big data infrastucture |
| CN108197381A (zh) * | 2017-12-29 | 2018-06-22 | 河海大学 | 基于寻优空间形态分析的参数辨识方法 |
| CN109801337A (zh) * | 2019-01-21 | 2019-05-24 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
| CN110276481A (zh) * | 2019-05-31 | 2019-09-24 | 清华大学 | 一种分布式混合流水线调度优化方法 |
| CN111290360A (zh) * | 2020-03-25 | 2020-06-16 | 湖南大学 | 一种铸造生产线多目标优化方法 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN112836295A (zh) * | 2021-01-26 | 2021-05-25 | 北京航空航天大学 | 一种基于子区间逐维法的类桁架微结构鲁棒拓扑优化方法 |
| CN113987938A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 工艺参数优化方法、装置、设备以及存储介质 |
| CN114800556A (zh) * | 2022-04-26 | 2022-07-29 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动化加工生产线 |
| US11544136B1 (en) * | 2021-08-05 | 2023-01-03 | Sap Se | Hyper-parameter space optimization for machine learning data processing pipeline |
| CN116501003A (zh) * | 2023-06-29 | 2023-07-28 | 张家港广大特材股份有限公司 | 一种用于特种钢材冶炼的加工管控方法及系统 |
| US20230259079A1 (en) * | 2020-09-18 | 2023-08-17 | Bystronic Laser Ag | Computer Implemented Method Of And Optimisation Tool For Refinement Of Laser Cutting Processing Parameters By Means Of An Optimization Tool |
| CN116680070A (zh) * | 2023-05-18 | 2023-09-01 | 中山大学 | 基于混合流水线并行的边缘端协同深度神经网络训练方法 |
| US20230305528A1 (en) * | 2020-08-31 | 2023-09-28 | Epistra Inc. | Production process optimization method and production process optimization system |
-
2023
- 2023-11-13 CN CN202311499281.5A patent/CN117420804B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150356485A1 (en) * | 2014-06-05 | 2015-12-10 | General Electric Company | Methods and systems for intelligent evolutionary optimization of workflows using big data infrastucture |
| CN108197381A (zh) * | 2017-12-29 | 2018-06-22 | 河海大学 | 基于寻优空间形态分析的参数辨识方法 |
| CN109801337A (zh) * | 2019-01-21 | 2019-05-24 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
| CN110276481A (zh) * | 2019-05-31 | 2019-09-24 | 清华大学 | 一种分布式混合流水线调度优化方法 |
| CN111290360A (zh) * | 2020-03-25 | 2020-06-16 | 湖南大学 | 一种铸造生产线多目标优化方法 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| US20230305528A1 (en) * | 2020-08-31 | 2023-09-28 | Epistra Inc. | Production process optimization method and production process optimization system |
| US20230259079A1 (en) * | 2020-09-18 | 2023-08-17 | Bystronic Laser Ag | Computer Implemented Method Of And Optimisation Tool For Refinement Of Laser Cutting Processing Parameters By Means Of An Optimization Tool |
| CN112836295A (zh) * | 2021-01-26 | 2021-05-25 | 北京航空航天大学 | 一种基于子区间逐维法的类桁架微结构鲁棒拓扑优化方法 |
| US11544136B1 (en) * | 2021-08-05 | 2023-01-03 | Sap Se | Hyper-parameter space optimization for machine learning data processing pipeline |
| CN113987938A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 工艺参数优化方法、装置、设备以及存储介质 |
| CN114800556A (zh) * | 2022-04-26 | 2022-07-29 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动化加工生产线 |
| CN116680070A (zh) * | 2023-05-18 | 2023-09-01 | 中山大学 | 基于混合流水线并行的边缘端协同深度神经网络训练方法 |
| CN116501003A (zh) * | 2023-06-29 | 2023-07-28 | 张家港广大特材股份有限公司 | 一种用于特种钢材冶炼的加工管控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117420804B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Multi-objective optimisation of machining process parameters using deep learning-based data-driven genetic algorithm and TOPSIS | |
| CN105260532B (zh) | 基于序列近似优化的薄板拉伸变压边力不确定性设计方法 | |
| CN113762410B (zh) | 基于机器学习的关键焊接工艺参数预测方法 | |
| Lin et al. | Cost-tolerance analysis model based on a neural networks method | |
| CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
| CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
| Ahmed et al. | Quality characteristics optimization in CNC end milling of A36 K02600 using Taguchi’s approach coupled with artificial neural network and genetic algorithm | |
| CN109352655B (zh) | 一种基于多输出高斯过程回归的机器人变形补偿方法 | |
| CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
| CN111721835A (zh) | 空心钻磨削砂轮状态智能监测方法 | |
| Rodić et al. | Fuzzy logic and sub-clustering approaches to predict main cutting force in high-pressure jet assisted turning | |
| CN112149714A (zh) | 基于数据挖掘确定煤电机组能效特征指标基准值的方法 | |
| Wang et al. | An intelligent process parameters determination method based on multi-algorithm fusion: a case study in five-axis milling | |
| CN109736720A (zh) | 一种基于改进Kriging模型的深海连接器密封结构优化方法 | |
| CN117420804B (zh) | 一种金属箱体流水线智能优化控制方法 | |
| Jin et al. | Artificial intelligence enabled energy-saving drive unit with speed and displacement variable pumps for electro-hydraulic systems | |
| CN116861224B (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 | |
| CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
| CN115659529A (zh) | 综合考虑加工精度与气动性能的离心压气机叶轮再设计方法 | |
| CN116011269A (zh) | 一种航空管接头密封性能多目标优化方法 | |
| CN115221622A (zh) | 一种大尺寸复合材料机身壁板装配定位夹持布局优化方法 | |
| CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 | |
| CN114880792A (zh) | 一种基于形变预测的全方位多角度优化方法 | |
| CN110096742B (zh) | 一种基于预测模型及粒子群算法的预锻成形模具设计方法 | |
| Khalid et al. | Direct optimization of an automotive sheet metal part using ANSYS |
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 |