CN117420809B - 基于人工智能的曲轴加工优化决策方法及系统 - Google Patents
基于人工智能的曲轴加工优化决策方法及系统 Download PDFInfo
- Publication number
- CN117420809B CN117420809B CN202311738470.3A CN202311738470A CN117420809B CN 117420809 B CN117420809 B CN 117420809B CN 202311738470 A CN202311738470 A CN 202311738470A CN 117420809 B CN117420809 B CN 117420809B
- Authority
- CN
- China
- Prior art keywords
- crankshaft machining
- crankshaft
- machining
- defect
- learning
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 544
- 238000000034 method Methods 0.000 title claims abstract description 139
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 342
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012512 characterization method Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 116
- 230000008569 process Effects 0.000 claims description 109
- 238000009826 distribution Methods 0.000 claims description 85
- 238000012549 training Methods 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000005520 cutting process Methods 0.000 description 63
- 230000003746 surface roughness Effects 0.000 description 14
- 239000000463 material Substances 0.000 description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Testing Of Balance (AREA)
Abstract
本申请提供一种基于人工智能的曲轴加工优化决策方法及系统，通过获取和编码曲轴加工过程中曲轴加工约束数据、曲轴加工监测数据以及多个曲轴加工缺陷标签对应的缺陷映射表征特征，对曲轴加工过程进行深度分析和理解，有助于实现更精细、更科学的曲轴加工决策；利用机器学习的联合知识学习技术，可以持续学习和适应新的曲轴加工事件数据，从而提高预测和决策的准确性；通过生成每一曲轴加工缺陷标签对应的映射置信度，可以提前预测并定位可能出现的曲轴加工缺陷，进而制定有效的优化策略和措施，降低缺陷率，提高产品质量；通过以上步骤，不仅可以提高曲轴加工的精度和质量，还能提高生产效率和资源利用率，降低生产成本。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的曲轴加工优化决策方法及系统。
背景技术
曲轴是内燃机和一些机械设备中的重要部件，其加工质量直接影响到设备的性能和寿命。因此，如何有效地进行曲轴加工，优化生产过程，减少缺陷产生，提高生产效率，一直是工业制造领域关注的问题。
传统的曲轴加工方法主要依赖于经验和规则，往往无法适应复杂和变化的生产环境，也难以保证产品的质量和效率。近年来，虽然有一些利用现代信息技术优化曲轴加工的方法被提出，例如使用模型预测控制、优化算法等进行生产调度和过程控制，但这些方法往往需要对生产过程有精确的数学模型，实施起来相对困难。同时，这些方法也难以处理生产过程中的各种不确定性和突发情况，因此，其应用效果往往受到限制。
在这样的背景下，急需一种新的曲轴加工优化方法，能够充分利用现有的数据和信息，对生产过程进行深度理解和智能化决策，从而提高曲轴加工的质量和效率。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能的曲轴加工优化决策方法及系统。
第一方面，本申请提供一种基于人工智能的曲轴加工优化决策方法，应用于曲轴加工服务系统，所述方法包括：
获取目标曲轴加工事件的曲轴加工约束数据、所述目标曲轴加工事件的曲轴加工监测数据以及多个曲轴加工缺陷标签对应的缺陷映射表征特征，所述曲轴加工约束数据用于表示曲轴加工的优化目标，所述曲轴加工监测数据用于表示各个曲轴加工过程的监测数据，具体包括加工参数数据、选择工艺数据以及设备状态数据，所述曲轴加工缺陷标签用于表示曲轴加工过程中出现的缺陷问题，所述对应的缺陷映射表征特征用于表示所述曲轴加工过程中出现的缺陷问题所对应的特征数据；
依据第一编码器对所述曲轴加工约束数据进行编码描述，生成曲轴加工约束编码向量，依据第二编码器对所述曲轴加工监测数据进行编码描述，生成曲轴加工过程编码向量，依据第三编码器对所述缺陷映射表征特征进行编码描述，生成曲轴加工缺陷编码向量，所述第一编码器、所述第二编码器以及所述第三编码器依据同一轮样例曲轴加工事件数据进行联合知识学习生成的；
基于所述曲轴加工约束编码向量、所述曲轴加工过程编码向量以及所述曲轴加工缺陷编码向量确定所述目标曲轴加工事件与每一曲轴加工缺陷标签对应的映射置信度；
依据所述映射置信度确定所述目标曲轴加工事件的目标曲轴加工缺陷标签，并结合所述目标曲轴加工缺陷标签进行曲轴加工优化决策。
在第一方面的一种可能的实施方式中，所述第二编码器包括第一编码单元和第二编码单元，所述依据第二编码器对所述曲轴加工监测数据进行编码描述，生成曲轴加工过程编码向量，包括：
获取所述曲轴加工监测数据中的定量参数时序序列数据，并依据第一自注意力系数和第一偏移项权重对所述定量参数时序序列数据进行注意力处理，生成定量参数矢量；
获取所述曲轴加工监测数据中的离散参数时序序列数据，并对所述离散参数时序序列数据进行规则化转换，生成目标定量参数时序序列数据；
依据第二自注意力系数和第二偏移项权重对所述目标定量参数时序序列数据进行注意力处理，生成离散参数矢量；
对所述定量参数矢量与所述离散参数矢量进行融合，生成注意力分配特征；
依据所述第二编码单元对所述注意力分配特征进行编码，生成曲轴加工过程编码向量。
在第一方面的一种可能的实施方式中，所述基于所述曲轴加工约束编码向量、所述曲轴加工过程编码向量以及所述曲轴加工缺陷编码向量确定所述目标曲轴加工事件与每一曲轴加工缺陷标签对应的映射置信度，包括：
将所述目标曲轴加工事件的所述曲轴加工约束编码向量和曲轴加工过程编码向量进行交融，确定目标曲轴加工特征数据；
对所述目标曲轴加工特征数据进行加工过程分离获得目标曲轴加工动态过程特征，对各个目标曲轴加工动态过程特征进行路径描述生成对应的曲轴加工描述路径，获得曲轴加工描述路径集；
将曲轴加工描述路径集和各个所述曲轴加工缺陷编码向量传入完成知识学习的曲轴加工缺陷预测模型，确定所述目标曲轴加工特征数据对应的曲轴加工缺陷标签分布，所述曲轴加工缺陷标签分布包括各个曲轴加工缺陷标签的映射置信度；
其中，所述依据所述映射置信度确定所述目标曲轴加工事件的目标曲轴加工缺陷标签的步骤，包括：
将所述曲轴加工缺陷标签分布和曲轴加工描述路径集传入完成知识学习的缺陷标签演变估计模型生成对应的曲轴加工缺陷标签演变图谱，所述完成知识学习的缺陷标签演变估计模型包括在先进行缺陷标签演变特征训练的缺陷标签演变参数值；
结合所述曲轴加工缺陷标签演变图谱确定所述目标曲轴加工特征数据对应的目标曲轴加工缺陷标签，并结合所述目标曲轴加工缺陷标签进行曲轴加工优化决策。
在第一方面的一种可能的实施方式中，所述将所述曲轴加工缺陷标签分布和曲轴加工描述路径集传入完成知识学习的缺陷标签演变估计模型生成对应的曲轴加工缺陷标签演变图谱，所述完成知识学习的缺陷标签演变估计模型包括在先进行缺陷标签演变特征训练的缺陷标签演变参数值，具体包括：
将所述曲轴加工描述路径集作为所述缺陷标签演变估计模型的模型观测数据；
获取设定系数矩阵，结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值确定与所述模型观测数据对应的曲轴加工缺陷标签演变图谱。
在第一方面的一种可能的实施方式中，所述获取设定系数矩阵，结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值确定与所述模型观测数据对应的曲轴加工缺陷标签演变图谱，具体包括：
获取所述模型观测数据对应的目标曲轴加工缺陷路径构成曲轴加工缺陷路径集；
结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值计算所述曲轴加工缺陷路径集中各个目标曲轴加工缺陷路径对应的路径权值；
将最大路径权值所对应的曲轴加工缺陷路径作为模型观测数据对应的曲轴加工缺陷标签演变图谱。
在第一方面的一种可能的实施方式中，在将曲轴加工描述路径集和各个所述曲轴加工缺陷编码向量传入完成知识学习的曲轴加工缺陷预测模型，确定所述目标曲轴加工特征数据对应的曲轴加工缺陷标签分布的步骤之前还包括：
获取模板曲轴加工特征数据集，对所述模板曲轴加工特征数据集进行加工过程分离获得模板曲轴加工动态过程特征分布，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径构成模板曲轴加工描述路径集；
获取所述模板曲轴加工动态过程特征分布对应的先验曲轴加工缺陷标签数据；
将所述模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为曲轴加工缺陷预测的输出进行模型迭代训练，输出所述完成知识学习的曲轴加工缺陷预测模型。
在第一方面的一种可能的实施方式中，所述对所述目标曲轴加工特征数据进行加工过程分离获得目标曲轴加工动态过程特征，对各个目标曲轴加工动态过程特征进行路径描述生成对应的曲轴加工描述路径，获得曲轴加工描述路径集，具体包括：
对所述目标曲轴加工特征数据进行加工过程分离得到目标曲轴加工动态过程特征；
获取当前目标曲轴加工动态过程特征，获取与当前目标曲轴加工动态过程特征对应的协同曲轴加工动态过程特征；
提取当前目标曲轴加工动态过程特征对应的当前曲轴加工描述路径，提取所述协同曲轴加工动态过程特征对应的协同曲轴加工描述路径；
结合所述当前曲轴加工描述路径和所述协同曲轴加工描述路径生成与当前目标曲轴加工动态过程特征对应的目标加工执行路径特征；
结合各个目标曲轴加工动态过程特征对应的目标加工执行路径特征形成与所述目标曲轴加工特征数据对应的曲轴加工描述路径集。
在第一方面的一种可能的实施方式中，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径构成模板曲轴加工描述路径集，以及将所述模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为曲轴加工缺陷预测的输出进行模型迭代训练，输出所述完成知识学习的曲轴加工缺陷预测模型的步骤，包括：
结合基础曲轴加工缺陷预测模型确定候选模型学习样例和联合模型学习样例，所述候选模型学习样例为样例模板曲轴加工动态过程特征分布的模型学习样例，所述联合模型学习样例为依据样例模板曲轴加工动态过程特征分布的各个模型学习样例的动态演变信息进行排列，接近并且位于所述候选模型学习样例之前的模型学习样例，或表征所述样例模板曲轴加工动态过程特征分布触发的承接学习样例，各个所述模型学习样例携带对应的先验曲轴加工缺陷标签数据；
获取所述候选模型学习样例对应的各个模板曲轴加工动态过程特征分布的样例加工节点向量；
结合所述样例加工节点向量和候选模型学习样例在样例模板曲轴加工动态过程特征分布的动态演变信息，获取样例动态演变向量；
将所述样例加工节点向量和所述样例动态演变向量进行集成，确定样例集成向量；
通过递归特征消除算法对所述样例集成向量进行递归特征消除，确定递归权重映射向量；
对所述递归权重映射向量和所述样例集成向量进行加权和正则化处理，确定目标曲轴加工加权向量；
对所述目标曲轴加工加权向量进行加工路径描述，确定第一模板曲轴加工描述路径集；
获取所述联合模型学习样例的先验曲轴加工缺陷标签数据的加工操作源特征，对所述第一模板曲轴加工描述路径集和所述加工操作源特征进行融合，确定所述候选模型学习样例的第二模板曲轴加工描述路径集；
结合所述第一模板曲轴加工描述路径集对所述候选模型学习样例的曲轴加工缺陷标签进行知识学习，确定第一曲轴加工缺陷标签训练结果，结合所述第二模板曲轴加工描述路径集对所述候选模型学习样例的曲轴加工缺陷标签进行知识学习，确定第二曲轴加工缺陷标签训练结果；
结合所述第一曲轴加工缺陷标签训练结果和所述候选模型学习样例的标注曲轴加工缺陷标签向量获取第一偏离度，结合所述第二曲轴加工缺陷标签训练结果和所述标注曲轴加工缺陷标签向量获取第二偏离度，结合所述第一偏离度和所述第二偏离度获取学习损失值，结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
在第一方面的一种可能的实施方式中，所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤之前，所述方法还包括：
确定所述样例模板曲轴加工动态过程特征分布中待进行知识学习的模型学习样例为迭代的候选模型学习样例，结合新的所述候选模型学习样例确定迭代的联合模型学习样例，直至已完成所述样例模板曲轴加工动态过程特征分布的各个模型学习样例的缺陷标签知识学习时，结合各个所述学习损失值确定目标训练代价值；
所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤包括：
结合所述目标训练代价值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型；
所述结合各个所述学习损失值确定目标训练代价值的步骤之后还包括：
确定待进行知识学习的模板曲轴加工动态过程特征分布为新的样例模板曲轴加工动态过程特征分布，直至已完成缺陷标签知识学习的所述模板曲轴加工动态过程特征分布的数量达到目标模板学习数量，结合各个所述学习损失值确定目标训练代价值获取本学习阶段训练代价值；
所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤包括：
结合所述本学习阶段训练代价值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述本学习阶段训练代价值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
第二方面，本申请实施例还提供一种曲轴加工服务系统，所述曲轴加工服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能的曲轴加工优化决策方法。
采用以上任意方面的技术方案，通过获取和编码曲轴加工过程中曲轴加工约束数据、曲轴加工监测数据以及多个曲轴加工缺陷标签对应的缺陷映射表征特征，能够对曲轴加工过程进行深度分析和理解，有助于实现更精细、更科学的曲轴加工决策。此外，利用机器学习的联合知识学习技术，可以持续学习和适应新的曲轴加工事件数据，从而提高预测和决策的准确性。在此基础上，通过生成每一曲轴加工缺陷标签对应的映射置信度，可以提前预测并定位可能出现的曲轴加工缺陷，进而制定有效的优化策略和措施，降低缺陷率，提高产品质量。通过以上步骤，不仅可以提高曲轴加工的精度和质量，还能提高生产效率和资源利用率，降低生产成本。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于人工智能的曲轴加工优化决策方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于人工智能的曲轴加工优化决策方法的曲轴加工服务系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于人工智能的曲轴加工优化决策方法，包括以下步骤。
步骤S110，获取目标曲轴加工事件的曲轴加工约束数据、所述目标曲轴加工事件的曲轴加工监测数据以及多个曲轴加工缺陷标签对应的缺陷映射表征特征。
本实施例中，所述曲轴加工约束数据用于表示曲轴加工的优化目标，所述曲轴加工监测数据用于表示各个曲轴加工过程的监测数据，具体包括加工参数数据、选择工艺数据以及设备状态数据，所述曲轴加工缺陷标签用于表示曲轴加工过程中出现的缺陷问题，所述对应的缺陷映射表征特征用于表示所述曲轴加工过程中出现的缺陷问题所对应的特征数据。
例如，获取了目标曲轴加工事件的约束数据，这可能包括尺寸限制、耐力测试等优化目标。接着，收集了曲轴加工过程的监测数据，包括各个阶段的温度、压力、振动等参数数据，选用的是数控车床还是手动车床的工艺数据，以及设备运行状态数据。同时，还记录了可能出现的任何缺陷问题，如尺寸偏差、表面粗糙等，并为其打上标签。最后，根据每种缺陷问题对应的特征（比如尺寸偏差可能对应于设备刚性不足，表面粗糙可能对应于切削速度过快），生成了缺陷映射表征特征。
示例性的，在生产一种特定的曲轴，其优化目标包括精度0.01毫米和表面粗糙度Ra 0.4。这些就是曲轴加工约束数据。然后，监控整个加工过程，记录下来的数据可能包括：使用的是数控车床、切削速度是1000转/分、切削深度是0.5毫米等工艺参数；设备状态数据显示磨刀器运行状态，冷却液流量状态等设备状态信息。如果在加工过程中发现了尺寸偏差或者表面粗糙等问题，会将它们标记为缺陷，并通过分析找出可能的原因，如尺寸偏差可能由于切削深度设置不准确引起，表面粗糙可能由于切削速度过快引起，这些就是缺陷映射表征特征。
步骤S120，依据第一编码器对所述曲轴加工约束数据进行编码描述，生成曲轴加工约束编码向量，依据第二编码器对所述曲轴加工监测数据进行编码描述，生成曲轴加工过程编码向量，依据第三编码器对所述缺陷映射表征特征进行编码描述，生成曲轴加工缺陷编码向量，所述第一编码器、所述第二编码器以及所述第三编码器依据同一轮样例曲轴加工事件数据进行联合知识学习生成的。
本实施例中，第一编码器、第二编码器以及第三编码器可以理解为机器学习模型，能够根据输入数据，如曲轴加工约束数据、曲轴加工监测数据以及缺陷映射表征特征输出相应的编码向量。
步骤S130，基于所述曲轴加工约束编码向量、所述曲轴加工过程编码向量以及所述曲轴加工缺陷编码向量确定所述目标曲轴加工事件与每一曲轴加工缺陷标签对应的映射置信度。
步骤S140，依据所述映射置信度确定所述目标曲轴加工事件的目标曲轴加工缺陷标签，并结合所述目标曲轴加工缺陷标签进行曲轴加工优化决策。
比如，如果尺寸偏差问题的映射置信度最高，那么可以预测在此次曲轴加工事件中最有可能出现的问题是尺寸偏差。这样，就可以提前采取措施，以避免或减少这种缺陷的发生。
基于以上步骤，通过获取和编码曲轴加工过程中曲轴加工约束数据、曲轴加工监测数据以及多个曲轴加工缺陷标签对应的缺陷映射表征特征，能够对曲轴加工过程进行深度分析和理解，有助于实现更精细、更科学的曲轴加工决策。此外，利用机器学习的联合知识学习技术，可以持续学习和适应新的曲轴加工事件数据，从而提高预测和决策的准确性。在此基础上，通过生成每一曲轴加工缺陷标签对应的映射置信度，可以提前预测并定位可能出现的曲轴加工缺陷，进而制定有效的优化策略和措施，降低缺陷率，提高产品质量。通过以上步骤，不仅可以提高曲轴加工的精度和质量，还能提高生产效率和资源利用率，降低生产成本。
一种可替代的实施方式中，所述第二编码器包括第一编码单元和第二编码单元，步骤S120中，依据第二编码器对所述曲轴加工监测数据进行编码描述，生成曲轴加工过程编码向量，包括：
步骤S121，获取所述曲轴加工监测数据中的定量参数时序序列数据，并依据第一自注意力系数和第一偏移项权重对所述定量参数时序序列数据进行注意力处理，生成定量参数矢量。
例如，在过去的一个小时内，每分钟记录一次的切削速度和切削深度。然后，使用第一自注意力系数和第一偏移项权重对这些曲轴加工监测数据进行注意力处理。注意力处理可以理解为一种数据加权方式，强调对某些数据的关注程度，例如在切削速度突然变化的时刻，可能更需要引起注意。经过处理后，生成了定量参数矢量。
更具体地，假设在过去的一小时内，每分钟记录一次切削速度和切削深度，得到了60个数据点的两个序列。这些定量参数时序序列数据被输入到第一编码单元，这是一个自注意力机制模型。它通过计算每个数据点与其它所有数据点之间的相关性（即自注意力系数），并结合第一偏移项权重（一种用于调整数据的重要性的参数）进行处理，生成一个定量参数矢量。例如，如果某几分钟内切削速度出现了显著变化，那么这段时间的数据可能会被赋予更高的权重。
步骤S122，获取所述曲轴加工监测数据中的离散参数时序序列数据，并对所述离散参数时序序列数据进行规则化转换，生成目标定量参数时序序列数据。
例如在同样的一个小时内，每分钟记录一次的设备状态。这些数据是离散的，表示设备状态正常或异常，将这些离散数据进行规则化转换，也就是将它们转换为可以进行数值计算的形式，生成目标定量参数时序序列数据。例如"正常"对应1，"异常"对应0。
步骤S123，依据第二自注意力系数和第二偏移项权重对所述目标定量参数时序序列数据进行注意力处理，生成离散参数矢量。
例如，具体来说，这个过程与对定量参数时序序列数据的处理类似，也是通过自注意力机制模型计算每个设备状态数据点与其它所有数据点之间的相关性，并结合第二偏移项权重进行处理。
步骤S124，对所述定量参数矢量与所述离散参数矢量进行融合，生成注意力分配特征。
例如，这一步是为了让第二编码器能够同时考虑到两种类型的数据，更好地理解整个曲轴加工过程。例如，本步骤可以理解为把这两类数据（定量和离散）放在一起，考虑他们之间可能存在的相互影响或关联，生成一个更全面、更具代表性的特征。
步骤S124，依据所述第二编码单元对所述注意力分配特征进行编码，生成曲轴加工过程编码向量。
例如，这个过程是为了将复杂的监测数据转换为一个可以方便进行计算的形式，以便于后续的机器学习模型进行处理。也即，将将原始的、多维度的、复杂的注意力分配特征压缩成一个低维度的、便于处理的向量，这个向量就包含了原始数据中的主要信息，方便后续的机器学习模型进行处理。
一种可替代的实施方式中，步骤S130可以包括：
步骤S131，将所述目标曲轴加工事件的所述曲轴加工约束编码向量和曲轴加工过程编码向量进行交融，确定目标曲轴加工特征数据。
举例来说，如果曲轴加工约束编码向量是[0.01，0.4]（表示精度0.01毫米和表面粗糙度Ra 0.4），而曲轴加工过程编码向量是[1000，0.5，1，1]（表示切削速度1000转/分、切削深度0.5毫米，设备状态正常），那么通过某种交融算法，比如简单的拼接或更复杂的神经网络模型，可以得到目标曲轴加工特征数据。
步骤S132，对所述目标曲轴加工特征数据进行加工过程分离获得目标曲轴加工动态过程特征，对各个目标曲轴加工动态过程特征进行路径描述生成对应的曲轴加工描述路径，获得曲轴加工描述路径集。
例如，可以将目标曲轴加工特征数据分解为不同的阶段，如初始切削、精细切削和结束切削，并为每个阶段生成一个描述路径。例如，曲轴加工描述路径集是指在曲轴加工过程中，各个动态过程特征（例如切削速度、切削深度、设备状态等）的演变路径的集合，可以帮助更好地理解和描述整个曲轴加工过程。
假设一个简化的曲轴加工过程可以被分为三个阶段：粗糙切削、半精糙切削和精细切削。在每个阶段中，都会记录下一些重要的加工参数，比如切削速度和切削深度。
在粗糙切削阶段，切削速度可能会设定为较高值以提高材料去除率，而切削深度也可能设定为较大值。可以将这个阶段的参数变化情况记为一个路径，例如"粗糙切削：速度=1500转/分，深度=2mm"。
在半精糙切削阶段，为了减少表面粗糙度，切削速度和切削深度可能会相应降低。可以将这个阶段的参数变化情况记为另一个路径，例如"半精糙切削：速度=1200转/分，深度=1mm"。
在精细切削阶段，为了进一步提高曲轴的表面质量和尺寸精度，切削速度和切削深度可能会设定为最低值。可以将这个阶段的参数变化情况记为第三个路径，例如"精细切削：速度=1000转/分，深度=0.5mm"。
这样，就得到了一个曲轴加工描述路径集，包括"粗糙切削：速度=1500转/分，深度=2mm"、"半精糙切削：速度=1200转/分，深度=1mm"和"精细切削：速度=1000转/分，深度=0.5mm"这三个路径。通过这个路径集，可以清晰地看到整个曲轴加工过程中各个阶段的参数变化情况，以及它们与加工结果（例如曲轴的表面质量和尺寸精度）的关系。
步骤S133，将曲轴加工描述路径集和各个所述曲轴加工缺陷编码向量传入完成知识学习的曲轴加工缺陷预测模型，确定所述目标曲轴加工特征数据对应的曲轴加工缺陷标签分布，所述曲轴加工缺陷标签分布包括各个曲轴加工缺陷标签的映射置信度。
比如，可能会输出这样的结果：尺寸偏差的置信度是0.8，表面粗糙度的置信度是0.2。
其中，步骤S140可以包括：
步骤S141，将所述曲轴加工缺陷标签分布和曲轴加工描述路径集传入完成知识学习的缺陷标签演变估计模型生成对应的曲轴加工缺陷标签演变图谱，所述完成知识学习的缺陷标签演变估计模型包括在先进行缺陷标签演变特征训练的缺陷标签演变参数值。
本实施例中，缺陷标签演变估计模型可以学习到曲轴加工过程中缺陷标签的演变特征，能够预测在未来的加工过程中可能出现的缺陷。其中，缺陷标签演变参数值是指在模型学习过程中得到的一组参数，这些参数可以描述和预测曲轴加工过程中缺陷标签的演变特征。
具体来说，可以将一个完整的曲轴加工过程视为一系列连续的时间点或阶段，并在每个时间点或阶段上观察可能出现的缺陷标签。这些缺陷标签可能会随着加工过程的进行而发生变化，例如，在初期的粗糙切削阶段，可能会出现表面粗糙的缺陷标签；而在后期的精细切削阶段，可能会出现尺寸偏差的缺陷标签。
缺陷标签演变参数值就是用来描述这种缺陷标签随时间或阶段变化的规律的参数。这些参数是通过机器学习模型在大量历史加工数据上进行训练得到的。模型会尝试找出最能解释历史数据中缺陷标签变化规律的参数值，然后将这些参数值用于预测新的加工事件中可能出现的缺陷标签和其演变趋势。
步骤S142，结合所述曲轴加工缺陷标签演变图谱确定所述目标曲轴加工特征数据对应的目标曲轴加工缺陷标签，并结合所述目标曲轴加工缺陷标签进行曲轴加工优化决策。
例如，可以结合这个目标缺陷标签进行曲轴加工优化决策，例如，如果预测结果显示尺寸偏差的置信度最高，那么就需要调整切削参数或设备设置，以优化曲轴的加工精度。
一种可替代的实施方式中，步骤S141可以包括：
步骤S1411，将所述曲轴加工描述路径集作为所述缺陷标签演变估计模型的模型观测数据。
步骤S1412，获取设定系数矩阵，结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值确定与所述模型观测数据对应的曲轴加工缺陷标签演变图谱。
在前面的步骤中，已经得到了曲轴加工缺陷标签分布和曲轴加工描述路径集。现在，需要将这些数据输入到一个已经完成知识学习的缺陷标签演变估计模型中，来生成对应的曲轴加工缺陷标签演变图谱。以下是具体的场景例子：
1. 首先，将曲轴加工描述路径集作为模型的观测数据。假设得到的曲轴加工描述路径集是"粗糙切削：速度=1500转/分，深度=2mm"、"半精糙切削：速度=1200转/分，深度=1mm"和"精细切削：速度=1000转/分，深度=0.5mm"。这些路径反映了整个曲轴加工过程中各个阶段的参数变化情况。
2. 接着，需要获取设定系数矩阵。设定系数矩阵是一个预先设定的参数，用于影响缺陷标签演变图谱的生成。例如，如果更关注尺寸偏差的问题，那么在设定系数矩阵中，与尺寸偏差相关的系数可能会被设定为较大的值。
3. 然后，结合设定系数矩阵、曲轴加工缺陷标签分布和缺陷标签演变参数值来确定与模型观测数据对应的曲轴加工缺陷标签演变图谱。例如，如果得到的曲轴加工缺陷标签分布是尺寸偏差的置信度0.8，表面粗糙度的置信度0.2，那么在生成演变图谱时，可能会根据设定系数矩阵和缺陷标签演变参数值的影响，给予尺寸偏差更多的关注，从而在演变图谱中体现出更强的尺寸偏差趋势。
例如，可以参见下述实施方式。
1、获取所述模型观测数据对应的目标曲轴加工缺陷路径构成曲轴加工缺陷路径集。
2、结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值计算所述曲轴加工缺陷路径集中各个目标曲轴加工缺陷路径对应的路径权值。
3、将最大路径权值所对应的曲轴加工缺陷路径作为模型观测数据对应的曲轴加工缺陷标签演变图谱。
示例性的，首先，需要获取模型观测数据对应的目标曲轴加工缺陷路径，并构成曲轴加工缺陷路径集。比如说，的模型观测数据是"粗糙切削：速度=1500转/分，深度=2mm"、"半精糙切削：速度=1200转/分，深度=1mm"和"精细切削：速度=1000转/分，深度=0.5mm"。然后可以预测，在粗糙切削阶段可能出现表面粗糙的缺陷，半精糙切削阶段可能出现尺寸偏差的缺陷，精细切削阶段可能出现尺寸偏差的缺陷。
接着，需要结合设定系数矩阵、曲轴加工缺陷标签分布和缺陷标签演变参数值来计算曲轴加工缺陷路径集中各个目标曲轴加工缺陷路径对应的路径权值。例如，可以为表面粗糙的缺陷赋予较高的权值，因为设定系数矩阵中与其相关的系数可能被设定为较大的值；而尺寸偏差的缺陷可能会根据其在曲轴加工缺陷标签分布中的置信度和缺陷标签演变参数值来确定其权值。比如，在实际应用中，计算路径权值的具体公式可能会因模型和问题设定的不同而有所差异。然而，以下是一个可能的基本形式：
假设已经有了设定系数矩阵W，曲轴加工缺陷标签分布D，以及缺陷标签演变参数值V。对于每个目标曲轴加工缺陷路径P_i（属于曲轴加工缺陷路径集），其路径权值Weight_i可以由下面的公式计算得出：
Weight_i = W * D_i * V_i
其中，D_i是路径P_i在曲轴加工缺陷标签分布D中的分布值，V_i是路径P_i在缺陷标签演变参数值V中的参数值。
这个公式表明，每个路径的权值是由其在缺陷标签分布中的分布值、在设定系数矩阵中的权重，以及在缺陷标签演变参数值中的参数值共同决定的。通过这种方式，可以考虑到各种影响因素，更准确地计算出每个路径的权值。
最后，将最大路径权值所对应的曲轴加工缺陷路径作为模型观测数据对应的曲轴加工缺陷标签演变图谱。比如说，如果"精细切削：速度=1000转/分，深度=0.5mm"阶段的尺寸偏差缺陷具有最大的路径权值，那么这个路径就会被选为曲轴加工缺陷标签演变图谱。
一种可替代的实施方式中，在步骤S133之前，还可以包括：
步骤S101，获取模板曲轴加工特征数据集，对所述模板曲轴加工特征数据集进行加工过程分离获得模板曲轴加工动态过程特征分布，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径构成模板曲轴加工描述路径集。
步骤S102，获取所述模板曲轴加工动态过程特征分布对应的先验曲轴加工缺陷标签数据。
步骤S103，将所述模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为曲轴加工缺陷预测的输出进行模型迭代训练，输出所述完成知识学习的曲轴加工缺陷预测模型。
以下是具体的场景例子：
1. 首先，需要获取模板曲轴加工特征数据集。这个数据集可能包括大量历史的曲轴加工事件，每个事件都有一组与之对应的曲轴加工特征数据。例如，这些数据可能包括各个加工阶段的切削速度、切削深度、设备状态等信息。
2. 接着，需要对模板曲轴加工特征数据集进行加工过程分离，获得模板曲轴加工动态过程特征分布。也就是说，需要将每个加工事件的特征数据按照时间或加工阶段进行排序和分类，以便理解和描述整个加工过程中各个特征的变化情况。
3. 然后，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径，构成模板曲轴加工描述路径集。例如，可以为每个加工阶段生成一个描述路径，如"粗糙切削：速度=1500转/分，深度=2mm"、"半精糙切削：速度=1200转/分，深度=1mm"和"精细切削：速度=1000转/分，深度=0.5mm"。
4. 接下来，需要获取模板曲轴加工动态过程特征分布对应的先验曲轴加工缺陷标签数据。这些数据可能来源于历史记录或专家经验，告诉在某个具体的加工阶段和条件下，最有可能出现哪种类型的缺陷。
5. 最后，将模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为输出进行模型迭代训练。通过这种方式，模型可以学习到如何从曲轴加工描述路径预测可能出现的缺陷，从而生成完成知识学习的曲轴加工缺陷预测模型。
一种可替代的实施方式中，步骤S132具体可以包括：
步骤S1321，对所述目标曲轴加工特征数据进行加工过程分离得到目标曲轴加工动态过程特征。
例如，可能有一组切削速度和切削深度的时间序列数据，通过加工过程分离，可以将这些数据按照时间或加工阶段进行排序和分类。
步骤S1322，获取当前目标曲轴加工动态过程特征，获取与当前目标曲轴加工动态过程特征对应的协同曲轴加工动态过程特征。
例如，当前目标曲轴加工动态过程特征可能是"粗糙切削：速度=1500转/分，深度=2mm"，而对应的协同曲轴加工动态过程特征可能是"设备状态：正常"。
步骤S1323，提取当前目标曲轴加工动态过程特征对应的当前曲轴加工描述路径，提取所述协同曲轴加工动态过程特征对应的协同曲轴加工描述路径。
例如，根据当前阶段的加工特征（如切削速度、切削深度等）和其他相关特征（如设备状态、材料类型等），生成相应的描述路径。这些路径可以帮助更好地理解和记录整个加工过程。
具体的场景例子如下：
1. 当前目标曲轴加工动态过程特征可能是"粗糙切削：速度=1500转/分，深度=2mm"。这里的"粗糙切削：速度=1500转/分，深度=2mm"就是当前曲轴加工描述路径，它反映了当前加工阶段的主要操作和参数。
2. 协同曲轴加工动态过程特征可能是设备状态，比如"设备状态：正常"。这里的"设备状态：正常"就是协同曲轴加工描述路径，它提供了除主要加工操作之外的其他重要信息，有助于全面理解整个加工过程。
在实际应用中，可能会有更多种类的动态过程特征和对应的描述路径，不仅包括切削参数和设备状态，还可能包括工件材料、环境温湿度等因素。这些信息。
步骤S1324，结合所述当前曲轴加工描述路径和所述协同曲轴加工描述路径生成与当前目标曲轴加工动态过程特征对应的目标加工执行路径特征。
例如，可能会将"粗糙切削：速度=1500转/分，深度=2mm"和"设备状态：正常"这两个路径合并为一个复合路径。
步骤S1325，结合各个目标曲轴加工动态过程特征对应的目标加工执行路径特征形成与所述目标曲轴加工特征数据对应的曲轴加工描述路径集。
例如，可能得到的曲轴加工描述路径集是"粗糙切削：速度=1500转/分，深度=2mm，设备状态：正常"、"半精糙切削：速度=1200转/分，深度=1mm，设备状态：正常"和"精细切削：速度=1000转/分，深度=0.5mm，设备状态：正常"。
一种可替代的实施方式中，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径构成模板曲轴加工描述路径集，以及将所述模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为曲轴加工缺陷预测的输出进行模型迭代训练，输出所述完成知识学习的曲轴加工缺陷预测模型的步骤，包括：
1、结合基础曲轴加工缺陷预测模型确定候选模型学习样例和联合模型学习样例。
本实施例中，所述候选模型学习样例为样例模板曲轴加工动态过程特征分布的模型学习样例，所述联合模型学习样例为依据样例模板曲轴加工动态过程特征分布的各个模型学习样例的动态演变信息进行排列，接近并且位于所述候选模型学习样例之前的模型学习样例，或表征所述样例模板曲轴加工动态过程特征分布触发的承接学习样例，各个所述模型学习样例携带对应的先验曲轴加工缺陷标签数据。
示例性的，候选模型学习样例是指被选中用于模型学习的样例，这些样例具有特定的模板曲轴加工动态过程特征分布。例如，可能根据某些规则（如切削速度、切削深度等）从所有的曲轴加工事件中挑选出一部分作为候选模型学习样例。联合模型学习样例是在候选模型学习样例的基础上，考虑到其动态演变信息进行扩展的样例。这意味着，不仅要考虑每个样例在单个时间点的状态，还要考虑其在时间序列中前后的变化情况。例如，对于一个候选模型学习样例，它之前的一系列样例，如果在动态过程特征分布上与它接近，就可以作为联合模型学习样例。此外，如果某些样例的特征分布能触发其他样例，也可以将这些样例纳入联合模型学习样例。
各个所述模型学习样例携带对应的先验曲轴加工缺陷标签数据"是指，每个模型学习样例都有一个或多个与其相关的先验曲轴加工缺陷标签。这些标签可能来源于历史记录或专家经验，告诉在某个具体的加工阶段和条件下，最有可能出现哪种类型的缺陷。
2、获取所述候选模型学习样例对应的各个模板曲轴加工动态过程特征分布的样例加工节点向量。
例如，每个样例加工节点向量可能包含一个切削阶段的切削速度、切削深度和设备状态等信息。
3、结合所述样例加工节点向量和候选模型学习样例在样例模板曲轴加工动态过程特征分布的动态演变信息，获取样例动态演变向量。
例如，动态演变向量可能会描述切削速度和切削深度随时间的变化情况。
4、将所述样例加工节点向量和所述样例动态演变向量进行集成，确定样例集成向量。
例如，这个样例集成向量将包含所有相关的信息，可以更全面地描述每个曲轴加工事件。
5、通过递归特征消除算法对所述样例集成向量进行递归特征消除，确定递归权重映射向量。
本步骤可以通过消除不重要的特征，保留对预测结果影响最大的特征。例如，使用递归特征消除（Recursive Feature Elimination，RFE）算法来从样例集成向量中选择最重要的特征。RFE算法是一种常用的特征选择方法，它会反复构建模型，然后挑选出对模型预测性能影响最大的特征，或者消除对模型影响最小的特征。通过这种方式，可以获得一个递归权重映射向量，这个向量描述了每个特征的重要性。
例如，假设样例集成向量包含四个特征：切削速度、切削深度、设备状态和材料类型。经过RFE算法，可能得到的递归权重映射向量是[0.4，0.3，0.2，0.1]，这意味着切削速度是最重要的特征，其次是切削深度，再次是设备状态，最不重要的是材料类型。
6、对所述递归权重映射向量和所述样例集成向量进行加权和正则化处理，确定目标曲轴加工加权向量。
例如，根据递归权重映射向量对样例集成向量进行加权，也就是将每个特征的值乘以其对应的权重。然后，还需要对加权后的向量进行正则化处理，使得所有特征的值都落在同一个范围内，避免因为数值大小差异过大而影响模型的性能。通过这种方式，可以得到目标曲轴加工加权向量。
例如，假设的样例集成向量是[1500转/分，2mm，正常，铁]（设备状态和材料类型已经被转换为数值形式），经过加权和正则化处理后，可能得到的目标曲轴加工加权向量是[0.6，0.3，0.1，0.05]。
通过以上步骤，就可以从原始的样例数据中提取出最重要的特征，并给予它们合适的权重，从而更好地训练曲轴加工缺陷预测模型。
7、对所述目标曲轴加工加权向量进行加工路径描述，确定第一模板曲轴加工描述路径集。
例如，在具体的实现中，加工路径可能会包括各个步骤的特征值（如切削速度、切削深度等），以及这些步骤之间的顺序或者关系。每一条加工路径可以被视为一种特定的加工策略或者方案，而所有的加工路径则构成了第一模板曲轴加工描述路径集。
例如，假设目标曲轴加工加权向量是[0.6，0.3，0.1，0.05]，对应的特征是切削速度、切削深度、设备状态和材料类型。那么，可能会生成以下几条加工路径：
路径1：切削速度=1500转/分（权重=0.6） -> 切削深度=2mm（权重=0.3） -> 设备状态=正常（权重=0.1） -> 材料类型=铁（权重=0.05）
路径2：设备状态=正常（权重=0.1） -> 切削深度=2mm（权重=0.3） -> 切削速度=1500转/分（权重=0.6） -> 材料类型=铁（权重=0.05）
路径N：......
以上就是第一模板曲轴加工描述路径集。通过这种方式，可以将复杂的数值向量转化为更直观、更易理解的路径描述，从而方便进行后续的分析和决策。
8、获取所述联合模型学习样例的先验曲轴加工缺陷标签数据的加工操作源特征，对所述第一模板曲轴加工描述路径集和所述加工操作源特征进行融合，确定所述候选模型学习样例的第二模板曲轴加工描述路径集。
例如，首先从联合模型学习样例中获取与其对应的先验曲轴加工缺陷标签数据，这些数据描述了在曲轴加工过程中可能出现的缺陷类型；然后，提取这些缺陷数据的加工操作源特征，即导致这些缺陷的原因或者条件。
接下来，将这些加工操作源特征与第一模板曲轴加工描述路径集进行融合。融合的方式可能包括直接的拼接、数值计算或者其他更复杂的方法，目的是生成一个新的描述路径集，它既包含了原始的加工路径信息，也包含了缺陷的相关信息。
最后，这个新的描述路径集就被定义为候选模型学习样例的第二模板曲轴加工描述路径集。相比于第一模板，第二模板不仅考虑了正常的加工过程，还考虑了可能出现的缺陷，因此能够提供更全面、更准确的信息。
举个例子，假设在第一模板曲轴加工描述路径集中有一条路径："切削速度=1500转/分 -> 切削深度=2mm -> 设备状态=正常 -> 材料类型=铁"，并且知道，在这样的加工条件下，可能会出现表面粗糙度不均匀的缺陷。那么，在第二模板曲轴加工描述路径集中，这条路径可能会被扩展为："切削速度=1500转/分 -> 切削深度=2mm -> 设备状态=正常 -> 材料类型=铁 -> 可能缺陷=表面粗糙度不均匀"。
9、结合所述第一模板曲轴加工描述路径集对所述候选模型学习样例的曲轴加工缺陷标签进行知识学习，确定第一曲轴加工缺陷标签训练结果，结合所述第二模板曲轴加工描述路径集对所述候选模型学习样例的曲轴加工缺陷标签进行知识学习，确定第二曲轴加工缺陷标签训练结果。
例如，知识学习通常指的是通过机器学习算法从数据中提取知识或者规律。在这里，知识学习的目标就是预测或者理解曲轴加工过程中可能出现的缺陷。
候选模型学习样例的曲轴加工缺陷标签则是指每个学习样例所对应的缺陷类型。这些曲轴加工缺陷标签可以从历史记录或者专家经验中获取，用于指导模型的学习。结合第一模板曲轴加工描述路径集进行知识学习，意味着使用包含正常加工过程信息的第一模板来训练模型，并得到第一曲轴加工缺陷标签训练结果。
同样地，结合第二模板曲轴加工描述路径集进行知识学习，意味着使用包含了加工过程和可能出现的缺陷信息的第二模板来训练模型，并得到第二曲轴加工缺陷标签训练结果。
例如，假设目标是预测在特定加工条件下是否会出现表面粗糙度不均匀的缺陷。对于一个候选模型学习样例，可以根据其在第一模板和第二模板中的描述路径，分别使用相应的机器学习算法进行训练，得到两个预测结果。这两个结果可能会有所不同，因为第一模板和第二模板包含的信息并不完全相同。
10、结合所述第一曲轴加工缺陷标签训练结果和所述候选模型学习样例的标注曲轴加工缺陷标签向量获取第一偏离度，结合所述第二曲轴加工缺陷标签训练结果和所述标注曲轴加工缺陷标签向量获取第二偏离度，结合所述第一偏离度和所述第二偏离度获取学习损失值，结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
例如，将使用第一模板训练得到的结果（预测的缺陷标签）与实际的缺陷标签进行比较，计算它们之间的差异或者偏离程度，这个差异就是第一偏离度。类似地，也会计算第二偏离度，即第二模板训练结果（预测的缺陷标签）与实际缺陷标签之间的差异。结合第一偏离度和第二偏离度，可以计算出学习损失值。在机器学习中，损失值通常用来表示模型的预测结果与实际结果之间的差距。如果损失值越小，那么模型的预测性能就越好。根据这个学习损失值，就可以优化基础曲轴加工缺陷预测模型的网络参数信息。这可能涉及到调整模型的各种设置，如学习率、正则化参数等。
这个优化过程会一直进行下去，直到学习损失值小于一个预设的门限数值。当满足这个条件时，就认为模型已经训练好了，可以用来预测曲轴加工过程中的缺陷。
例如，假设第一模板的训练结果是预测出现表面粗糙度不均匀的概率为0.6，而实际标签显示确实存在这个缺陷（标签为1），那么第一偏离度就是0.4。同样，如果第二模板的训练结果是预测出现这个缺陷的概率为0.7，那么第二偏离度就是0.3。将两个偏离度结合起来，可以计算出学习损失值，然后根据这个损失值来调整模型的参数，从而提高模型的预测性能。
一种可替代的实施方式中，所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤之前，可以确定所述样例模板曲轴加工动态过程特征分布中待进行知识学习的模型学习样例为迭代的候选模型学习样例，结合新的所述候选模型学习样例确定迭代的联合模型学习样例，直至已完成所述样例模板曲轴加工动态过程特征分布的各个模型学习样例的缺陷标签知识学习时，结合各个所述学习损失值确定目标训练代价值。
所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤包括：
结合所述目标训练代价值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
所述结合各个所述学习损失值确定目标训练代价值的步骤之后还包括：
确定待进行知识学习的模板曲轴加工动态过程特征分布为新的样例模板曲轴加工动态过程特征分布，直至已完成缺陷标签知识学习的所述模板曲轴加工动态过程特征分布的数量达到目标模板学习数量，结合各个所述学习损失值确定目标训练代价值获取本学习阶段训练代价值。
所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤包括：
结合所述本学习阶段训练代价值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述本学习阶段训练代价值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的曲轴加工服务系统100。
对于一个实施例，图2示出了曲轴加工服务系统100，该曲轴加工服务系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，曲轴加工服务系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，曲轴加工服务系统100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为曲轴加工服务系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为曲轴加工服务系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为曲轴加工服务系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为曲轴加工服务系统100提供接口以依据多个网络通信，曲轴加工服务系统100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中，曲轴加工服务系统100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，曲轴加工服务系统100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，曲轴加工服务系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。
Claims (7)
1.一种基于人工智能的曲轴加工优化决策方法，其特征在于，应用于曲轴加工服务系统，所述方法包括：
获取目标曲轴加工事件的曲轴加工约束数据、所述目标曲轴加工事件的曲轴加工监测数据以及多个曲轴加工缺陷标签对应的缺陷映射表征特征，所述曲轴加工约束数据用于表示曲轴加工的优化目标，所述曲轴加工监测数据用于表示各个曲轴加工过程的监测数据，具体包括加工参数数据、选择工艺数据以及设备状态数据，所述曲轴加工缺陷标签用于表示曲轴加工过程中出现的缺陷问题，所述对应的缺陷映射表征特征用于表示所述曲轴加工过程中出现的缺陷问题所对应的特征数据；
依据第一编码器对所述曲轴加工约束数据进行编码描述，生成曲轴加工约束编码向量，依据第二编码器对所述曲轴加工监测数据进行编码描述，生成曲轴加工过程编码向量，依据第三编码器对所述缺陷映射表征特征进行编码描述，生成曲轴加工缺陷编码向量，所述第一编码器、所述第二编码器以及所述第三编码器依据同一轮样例曲轴加工事件数据进行联合知识学习生成的；
基于所述曲轴加工约束编码向量、所述曲轴加工过程编码向量以及所述曲轴加工缺陷编码向量确定所述目标曲轴加工事件与每一曲轴加工缺陷标签对应的映射置信度；
依据所述映射置信度确定所述目标曲轴加工事件的目标曲轴加工缺陷标签，并结合所述目标曲轴加工缺陷标签进行曲轴加工优化决策；
所述第二编码器包括第一编码单元和第二编码单元，所述依据第二编码器对所述曲轴加工监测数据进行编码描述，生成曲轴加工过程编码向量，包括：
获取所述曲轴加工监测数据中的定量参数时序序列数据，并依据第一自注意力系数和第一偏移项权重对所述定量参数时序序列数据进行注意力处理，生成定量参数矢量；
获取所述曲轴加工监测数据中的离散参数时序序列数据，并对所述离散参数时序序列数据进行规则化转换，生成目标定量参数时序序列数据；
依据第二自注意力系数和第二偏移项权重对所述目标定量参数时序序列数据进行注意力处理，生成离散参数矢量；
对所述定量参数矢量与所述离散参数矢量进行融合，生成注意力分配特征；
依据所述第二编码单元对所述注意力分配特征进行编码，生成曲轴加工过程编码向量；
所述基于所述曲轴加工约束编码向量、所述曲轴加工过程编码向量以及所述曲轴加工缺陷编码向量确定所述目标曲轴加工事件与每一曲轴加工缺陷标签对应的映射置信度，包括：
将所述目标曲轴加工事件的所述曲轴加工约束编码向量和曲轴加工过程编码向量进行交融，确定目标曲轴加工特征数据；
对所述目标曲轴加工特征数据进行加工过程分离获得目标曲轴加工动态过程特征，对各个目标曲轴加工动态过程特征进行路径描述生成对应的曲轴加工描述路径，获得曲轴加工描述路径集；
将曲轴加工描述路径集和各个所述曲轴加工缺陷编码向量传入完成知识学习的曲轴加工缺陷预测模型，确定所述目标曲轴加工特征数据对应的曲轴加工缺陷标签分布，所述曲轴加工缺陷标签分布包括各个曲轴加工缺陷标签的映射置信度；
其中，所述依据所述映射置信度确定所述目标曲轴加工事件的目标曲轴加工缺陷标签的步骤，包括：
将所述曲轴加工缺陷标签分布和曲轴加工描述路径集传入完成知识学习的缺陷标签演变估计模型生成对应的曲轴加工缺陷标签演变图谱，所述完成知识学习的缺陷标签演变估计模型包括在先进行缺陷标签演变特征训练的缺陷标签演变参数值；
结合所述曲轴加工缺陷标签演变图谱确定所述目标曲轴加工特征数据对应的目标曲轴加工缺陷标签；
在将曲轴加工描述路径集和各个所述曲轴加工缺陷编码向量传入完成知识学习的曲轴加工缺陷预测模型，确定所述目标曲轴加工特征数据对应的曲轴加工缺陷标签分布的步骤之前还包括：
获取模板曲轴加工特征数据集，对所述模板曲轴加工特征数据集进行加工过程分离获得模板曲轴加工动态过程特征分布，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径构成模板曲轴加工描述路径集；
获取所述模板曲轴加工动态过程特征分布对应的先验曲轴加工缺陷标签数据；
将所述模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为曲轴加工缺陷预测的输出进行模型迭代训练，输出所述完成知识学习的曲轴加工缺陷预测模型。
2.根据权利要求1所述的基于人工智能的曲轴加工优化决策方法，其特征在于，所述将所述曲轴加工缺陷标签分布和曲轴加工描述路径集传入完成知识学习的缺陷标签演变估计模型生成对应的曲轴加工缺陷标签演变图谱，所述完成知识学习的缺陷标签演变估计模型包括在先进行缺陷标签演变特征训练的缺陷标签演变参数值，具体包括：
将所述曲轴加工描述路径集作为所述缺陷标签演变估计模型的模型观测数据；
获取设定系数矩阵，结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值确定与所述模型观测数据对应的曲轴加工缺陷标签演变图谱。
3.根据权利要求2所述的基于人工智能的曲轴加工优化决策方法，其特征在于，所述获取设定系数矩阵，结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值确定与所述模型观测数据对应的曲轴加工缺陷标签演变图谱，具体包括：
获取所述模型观测数据对应的目标曲轴加工缺陷路径构成曲轴加工缺陷路径集；
结合所述设定系数矩阵、曲轴加工缺陷标签分布和所述缺陷标签演变参数值计算所述曲轴加工缺陷路径集中各个目标曲轴加工缺陷路径对应的路径权值；
将最大路径权值所对应的曲轴加工缺陷路径作为模型观测数据对应的曲轴加工缺陷标签演变图谱。
4.根据权利要求1所述的基于人工智能的曲轴加工优化决策方法，其特征在于，所述对所述目标曲轴加工特征数据进行加工过程分离获得目标曲轴加工动态过程特征，对各个目标曲轴加工动态过程特征进行路径描述生成对应的曲轴加工描述路径，获得曲轴加工描述路径集，具体包括：
对所述目标曲轴加工特征数据进行加工过程分离得到目标曲轴加工动态过程特征；
获取当前目标曲轴加工动态过程特征，获取与当前目标曲轴加工动态过程特征对应的协同曲轴加工动态过程特征；
提取当前目标曲轴加工动态过程特征对应的当前曲轴加工描述路径，提取所述协同曲轴加工动态过程特征对应的协同曲轴加工描述路径；
结合所述当前曲轴加工描述路径和所述协同曲轴加工描述路径生成与当前目标曲轴加工动态过程特征对应的目标加工执行路径特征；
结合各个目标曲轴加工动态过程特征对应的目标加工执行路径特征形成与所述目标曲轴加工特征数据对应的曲轴加工描述路径集。
5.根据权利要求1所述的基于人工智能的曲轴加工优化决策方法，其特征在于，提取各个模板曲轴加工动态过程特征分布对应的曲轴加工描述路径构成模板曲轴加工描述路径集，以及将所述模板曲轴加工描述路径集作为基础曲轴加工缺陷预测模型的输入，将对应的先验曲轴加工缺陷标签数据作为曲轴加工缺陷预测的输出进行模型迭代训练，输出所述完成知识学习的曲轴加工缺陷预测模型的步骤，包括：
结合基础曲轴加工缺陷预测模型确定候选模型学习样例和联合模型学习样例，所述候选模型学习样例为样例模板曲轴加工动态过程特征分布的模型学习样例，所述联合模型学习样例为依据样例模板曲轴加工动态过程特征分布的各个模型学习样例的动态演变信息进行排列，接近并且位于所述候选模型学习样例之前的模型学习样例，或表征所述样例模板曲轴加工动态过程特征分布触发的承接学习样例，各个所述模型学习样例携带对应的先验曲轴加工缺陷标签数据；
获取所述候选模型学习样例对应的各个模板曲轴加工动态过程特征分布的样例加工节点向量；
结合所述样例加工节点向量和候选模型学习样例在样例模板曲轴加工动态过程特征分布的动态演变信息，获取样例动态演变向量；
将所述样例加工节点向量和所述样例动态演变向量进行集成，确定样例集成向量；
通过递归特征消除算法对所述样例集成向量进行递归特征消除，确定递归权重映射向量；
对所述递归权重映射向量和所述样例集成向量进行加权和正则化处理，确定目标曲轴加工加权向量；
对所述目标曲轴加工加权向量进行加工路径描述，确定第一模板曲轴加工描述路径集；
获取所述联合模型学习样例的先验曲轴加工缺陷标签数据的加工操作源特征，对所述第一模板曲轴加工描述路径集和所述加工操作源特征进行融合，确定所述候选模型学习样例的第二模板曲轴加工描述路径集；
结合所述第一模板曲轴加工描述路径集对所述候选模型学习样例的曲轴加工缺陷标签进行知识学习，确定第一曲轴加工缺陷标签训练结果，结合所述第二模板曲轴加工描述路径集对所述候选模型学习样例的曲轴加工缺陷标签进行知识学习，确定第二曲轴加工缺陷标签训练结果；
结合所述第一曲轴加工缺陷标签训练结果和所述候选模型学习样例的标注曲轴加工缺陷标签向量获取第一偏离度，结合所述第二曲轴加工缺陷标签训练结果和所述标注曲轴加工缺陷标签向量获取第二偏离度，结合所述第一偏离度和所述第二偏离度获取学习损失值，结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
6.根据权利要求5所述的基于人工智能的曲轴加工优化决策方法，其特征在于，所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤之前，所述方法还包括：
确定所述样例模板曲轴加工动态过程特征分布中待进行知识学习的模型学习样例为迭代的候选模型学习样例，结合新的所述候选模型学习样例确定迭代的联合模型学习样例，直至已完成所述样例模板曲轴加工动态过程特征分布的各个模型学习样例的缺陷标签知识学习时，结合各个所述学习损失值确定目标训练代价值；
所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤包括：
结合所述目标训练代价值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型；
所述结合各个所述学习损失值确定目标训练代价值的步骤之后还包括：
确定待进行知识学习的模板曲轴加工动态过程特征分布为新的样例模板曲轴加工动态过程特征分布，直至已完成缺陷标签知识学习的所述模板曲轴加工动态过程特征分布的数量达到目标模板学习数量，结合各个所述学习损失值确定目标训练代价值获取本学习阶段训练代价值；
所述结合所述学习损失值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述学习损失值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型的步骤包括：
结合所述本学习阶段训练代价值优化所述基础曲轴加工缺陷预测模型的网络参数信息，直至所述本学习阶段训练代价值小于门限数值，确定所述完成知识学习的曲轴加工缺陷预测模型。
7.一种曲轴加工服务系统，其特征在于，所述曲轴加工服务系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-6中任意一项所述的基于人工智能的曲轴加工优化决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311738470.3A CN117420809B (zh) | 2023-12-18 | 2023-12-18 | 基于人工智能的曲轴加工优化决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311738470.3A CN117420809B (zh) | 2023-12-18 | 2023-12-18 | 基于人工智能的曲轴加工优化决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117420809A CN117420809A (zh) | 2024-01-19 |
| CN117420809B true CN117420809B (zh) | 2024-03-01 |
Family
ID=89531150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311738470.3A Active CN117420809B (zh) | 2023-12-18 | 2023-12-18 | 基于人工智能的曲轴加工优化决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117420809B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
| CN114416421A (zh) * | 2022-01-24 | 2022-04-29 | 北京航空航天大学 | 一种代码缺陷的自动定位与修复方法 |
| CN114708518A (zh) * | 2022-04-12 | 2022-07-05 | 华北电力大学（保定） | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 |
| CN115688563A (zh) * | 2022-10-07 | 2023-02-03 | 华中科技大学 | 一种基于多智能体进化强化学习的加工参数优化方法 |
| CN116524296A (zh) * | 2023-04-23 | 2023-08-01 | 深圳供电局有限公司 | 设备缺陷检测模型的训练方法、装置和设备缺陷检测方法 |
| CN116719947A (zh) * | 2023-04-23 | 2023-09-08 | 湖南工业大学 | 一种用于电力巡检缺陷检测的知识处理方法及装置 |
| CN116777006A (zh) * | 2023-07-04 | 2023-09-19 | 广东工业大学 | 基于样本缺失标签增强的多标签学习方法、装置和设备 |
| CN116881737A (zh) * | 2023-09-06 | 2023-10-13 | 四川川锅环保工程有限公司 | 一种工业智慧监盘系统中的系统分析方法 |
| CN117171893A (zh) * | 2023-10-25 | 2023-12-05 | 天之翼(苏州)科技有限公司 | 基于人工智能的无人机飞行短板分析方法及系统 |
-
2023
- 2023-12-18 CN CN202311738470.3A patent/CN117420809B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
| CN114416421A (zh) * | 2022-01-24 | 2022-04-29 | 北京航空航天大学 | 一种代码缺陷的自动定位与修复方法 |
| CN114708518A (zh) * | 2022-04-12 | 2022-07-05 | 华北电力大学（保定） | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 |
| CN115688563A (zh) * | 2022-10-07 | 2023-02-03 | 华中科技大学 | 一种基于多智能体进化强化学习的加工参数优化方法 |
| CN116524296A (zh) * | 2023-04-23 | 2023-08-01 | 深圳供电局有限公司 | 设备缺陷检测模型的训练方法、装置和设备缺陷检测方法 |
| CN116719947A (zh) * | 2023-04-23 | 2023-09-08 | 湖南工业大学 | 一种用于电力巡检缺陷检测的知识处理方法及装置 |
| CN116777006A (zh) * | 2023-07-04 | 2023-09-19 | 广东工业大学 | 基于样本缺失标签增强的多标签学习方法、装置和设备 |
| CN116881737A (zh) * | 2023-09-06 | 2023-10-13 | 四川川锅环保工程有限公司 | 一种工业智慧监盘系统中的系统分析方法 |
| CN117171893A (zh) * | 2023-10-25 | 2023-12-05 | 天之翼(苏州)科技有限公司 | 基于人工智能的无人机飞行短板分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117420809A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| JP6333868B2 (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
| CN113111589B (zh) | 预测模型的训练方法、预测供热温度的方法、装置和设备 | |
| US11500370B2 (en) | System for predictive maintenance using generative adversarial networks for failure prediction | |
| CN109992866A (zh) | 负荷预测模型的训练方法、装置、可读介质及电子设备 | |
| JP2017094403A (ja) | 加工プログラムの機械学習装置、該機械学習装置を備えた加工組立システムおよび加工プログラムの機械学習方法 | |
| CN118153516B (zh) | 一种处理器功能仿真验证方法及系统 | |
| US20230297453A1 (en) | Automatic error prediction in data centers | |
| CN114386563A (zh) | 神经过程的贝叶斯上下文聚合 | |
| CN112685857A (zh) | 基于传递迁移的轴承剩余寿命预测方法 | |
| CN117697464B (zh) | 一种高精度数控机床的控制方法及系统 | |
| Li et al. | CNN-GRU network-based force prediction approach for variable working condition milling clamping points of deformable parts | |
| Lai et al. | Multi-dimensional self attention based approach for remaining useful life estimation | |
| CN117420809B (zh) | 基于人工智能的曲轴加工优化决策方法及系统 | |
| CN105488193B (zh) | 文章热度的预测方法和装置 | |
| CN117575685A (zh) | 数据分析预警系统及方法 | |
| US11501132B2 (en) | Predictive maintenance system for spatially correlated industrial equipment | |
| CN116738169A (zh) | 一种数据降维的计算机参数异常预测方法及系统 | |
| US20230161653A1 (en) | Method of managing system health | |
| CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
| CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
| TW202316215A (zh) | 用於工業機器的預測性維護 | |
| Chen et al. | Machine Learning–based Fault Prediction and Diagnosis of Brushless Motors |
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 |