CN117792404B - 一种用于铝合金压铸零件的数据管理方法 - Google Patents
一种用于铝合金压铸零件的数据管理方法 Download PDFInfo
- Publication number
- CN117792404B CN117792404B CN202410219116.8A CN202410219116A CN117792404B CN 117792404 B CN117792404 B CN 117792404B CN 202410219116 A CN202410219116 A CN 202410219116A CN 117792404 B CN117792404 B CN 117792404B
- Authority
- CN
- China
- Prior art keywords
- cost data
- data
- target cost
- target
- cost
- 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
- 238000004512 die casting Methods 0.000 title claims abstract description 56
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013523 data management Methods 0.000 title claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 67
- 238000007906 compression Methods 0.000 claims abstract description 23
- 230000006835 compression Effects 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009966 trimming Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007907 direct compression Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及用于预测的数据处理技术领域,具体涉及一种用于铝合金压铸零件的数据管理方法,包括:获取若干个铝合金压铸零件的历史成本数据,将历史成本数据划分为若干个子序列,并根据子序列之间的距离以及长度获得目标成本数据以及目标成本数据的波动误差程度,并利用目标成本数据的长度差异和波动误差程度差异调节初始趋势平滑系数,根据新趋势平滑系数进行铝合金压铸零件成本预测。本发明提高了趋势平滑系数进行成本预测时的准确性,从而进一步提高了成本数据的压缩效率。
Description
技术领域
本发明涉及用于预测的数据处理技术领域,具体涉及一种用于铝合金压铸零件的数据管理方法。
背景技术
利用半固态流变压铸成形技术进行铝合金压铸零件制造过程中,需要对每个生产环节产生的成本数据进行存储管理,目前在对成本数据进行压缩存储时,通常采用常规的游程编码算法进行直接压缩存储,但是铝合金压铸零件制造过程中存在成本误差累积导致成本数据中各个环节的成本值存在一定的差异,使成本数据的冗余度不高,因此仅根据成本数据自身的冗余进行游程编码的压缩效率不足。
发明内容
本发明提供一种用于铝合金压铸零件的数据管理方法,以解决现有的问题。
本发明的一种用于铝合金压铸零件的数据管理方法采用如下技术方案:
本发明一个实施例提供了一种用于铝合金压铸零件的数据管理方法,该方法包括以下步骤:
获取若干个铝合金压铸零件的历史成本数据,历史成本数据中任意数据点对应一个生产时间点和一个成本值;
将历史成本数据划分为若干个子序列,根据历史成本数据中不同子序列之间的距离以及子序列的长度,获得若干历史成本数据中的目标成本数据以及目标成本数据的波动误差程度,所述长度为数据点的数量;
获取不同目标成本数据的初始趋势平滑系数,利用不同目标成本数据之间的长度差异和波动误差程度差异,对所有目标成本数据的初始趋势平滑系数进行调节,获得新趋势平滑系数;
根据新趋势平滑系数进行铝合金压铸零件成本预测和压缩存储。
进一步地,所述将历史成本数据划分为若干个子序列,包括的具体方法为:
构建二维坐标系,将历史成本数据中数据点的生产时间点作为二维坐标系的横轴,将历史成本数据中数据点的成本值作为二维坐标系的纵轴,利用层次聚类算法对二维坐标系中所有历史成本数据的数据点进行聚类,获得若干个聚类簇,将各个历史成本数据在聚类簇内的所有数据点形成的序列分别记为每个历史成本数据的子序列。
进一步地,所述根据历史成本数据中不同子序列之间的距离以及子序列的长度,获得若干历史成本数据中的目标成本数据以及目标成本数据的波动误差程度,包括的具体方法为:
根据历史成本数据中子序列之间的距离获得目标成本数据;
将子序列的距离参数与子序列对应聚类簇下的均值子序列的长度之间的比值,记为子序列的距离系数,将目标成本数据中所有子序列的距离系数形成的序列记为目标成本数据的距离序列;
目标成本数据的波动误差程度的具体计算方法为:
其中,表示目标成本数据的波动误差程度;/>表示目标成本数据的距离序列中距离系数的数量;/>表示目标成本数据对应距离序列中第/>个距离系数;/>表示sigmoid归一化函数。
进一步地,所述均值子序列,包括的具体方法为:
利用DTW算法对任意聚类簇内所有子序列进行动态规整,使聚类簇内所有子序列的长度相同,将聚类簇内所有长度相同的子序列记为第一子序列,获取所有第一子序列中相同位置下数据点的平均成本值,将聚类簇内所有相同位置下数据点的平均成本值形成的序列记为对应聚类簇下的均值子序列。
进一步地,所述根据历史成本数据中子序列之间的距离获得目标成本数据,包括的具体方法为:
利用DTW算法获取聚类簇中任意子序列与子序列对应聚类簇下的均值子序列之间的DTW距离记为子序列的距离参数,将任意历史成本数据的所有子序列的距离参数累加值记为历史成本数据的距离因子,将/>记为历史成本数据的参考必要性,其中表示以自然常数为底数的指数函数;
将参考必要性大于预设的参考必要性阈值的历史成本数据记为目标成本数据。
进一步地,所述获取不同目标成本数据的初始趋势平滑系数,包括的具体方法为:
利用霍尔特指数平滑算法获取任意目标成本数据的趋势平滑系数,记为目标成本数据的初始趋势平滑系数。
进一步地,所述利用不同目标成本数据之间的长度差异和波动误差程度差异,对所有目标成本数据的初始趋势平滑系数进行调节,获得新趋势平滑系数,包括的具体方法为:
根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据的匹配程度;
新趋势平滑系数的具体计算方法为:
其中,表示新趋势平滑系数;/>表示第/>个目标成本数据的初始趋势平滑系数,表示第/>个目标成本数据的匹配程度;/>表示目标成本数据的数量。
进一步地,所述根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据的匹配程度,包括的具体方法为:
根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据之间的差异程度因子;
将记为第/>个目标成本数据的匹配程度;/>表示目标成本数据的数量;/>表示第/>个目标成本数据与第/>个目标成本数据外的第j个目标成本数据之间的差异程度因子;/>表示线性归一化函数。
进一步地,所述根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据之间的差异程度因子,包括的具体方法为:
将第个目标成本数据的长度与除第/>个目标成本数据外的第j个目标成本数据的长度的差值绝对值记为第一差值;将第/>个目标成本数据与除第/>个目标成本数据外的第j个目标成本数据之间波动误差程度的差值绝对值记为第二差值;
将第一差值和第二差值的乘积记为第个目标成本数据与第/>个目标成本数据外的第j个目标成本数据之间的差异程度因子。
进一步地,所述根据新趋势平滑系数进行铝合金压铸零件成本预测和压缩存储,包括的具体方法为:
将铝合金压铸零件在所经过的所有生产环节下的成本值形成的序列记为第一成本数据,利用预设长度的滑动窗口对第一成本数据进行滑动遍历,结合新趋势平滑系数并利用霍尔特指数平滑算法获取滑动窗口的最后一个数据点的下一个数据点的成本预测值,将记为第一成本数据中数据点的压缩系数,其中/>表示第一成本数据中数据点的成本值,/>表示第一成本数据中数据点的预测成本值,/>表示以自然常数为底数的指数函数,/>表示绝对值符号,将第一成本数据中所有压缩系数大于预设的压缩系数阈值的数据点对应成本值置为0,小于等于预设的压缩系数阈值的数据点保持不变,获得第二成本数据,对第二成本数据进行游程编码压缩获得压缩成本数据。
本发明的技术方案的有益效果是:通过将历史成本数据划分为多个子序列,提高了获取历史成本数据中变化趋势相近的数据点所形成子序列的准确性,根据不同子序列之间的距离以及子序列的长度获得目标成本数据的波动误差程度,提高了对目标成本数据中不同子序列之间变化趋势的差异进行量化的准确性,进一步利用目标成本数据之间波动误差程度的差异对初始趋势平滑系数进行调节,提高了对目标成本数据对应趋势平滑系数的准确性,因此通过得到的新趋势平滑对铝合金压铸零件的成本数据进行预测时,减小了在变化趋势上实际成本与预测成本之间的差异,提高了对铝合金压铸零件的成本预测值的准确性,从而提高了成本预测的可靠性,进而提高了对成本数据的压缩效率。
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获得其他的附图。
图1为本发明的一种用于铝合金压铸零件的数据管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于铝合金压铸零件的数据管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请提供一种用于铝合金压铸零件的数据管理方法,通过将若干个铝合金压铸零件的历史成本数据中变化趋势相近的数据点进行划分,并根据不同位置处数据的变化波动情况对霍尔特指数平滑算法的趋势平滑系数进行优化调节,使趋势平滑系数更能够准确反映铝合金压铸零件在不同生产环节下对应成本值的变化趋势,以进一步提高对铝合金压铸零件成本预测的准确性。
下面结合附图对本申请所提供的一种用于铝合金压铸零件的数据管理方法进行示例性的说明。
请参阅图1,其示出了本发明一个实施例提供的一种用于铝合金压铸零件的数据管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取若干个铝合金压铸零件的历史成本数据。
需要说明的是,在铝合金压铸零件成本预测时,由于受到半固态流变压铸成形技术、环境因素以及生产材料的影响,使得铝合金压铸零件制造过程中在多个生产环节上存在成本误差累积,例如,通常情况下铝合金压铸零件的生产环节包括:材料准备、铸造、压铸、修整去毛刺、热处理、表面处理、质检以及包装,在材料准备环节中材料选择不当或采购价格波动会导致成本误差,此外如果材料质量无法得到有效控制,可能会导致零件质量问题,增加返工和废品处理的成本;在铸造和压铸环节中如果压力、温度或时间等参数控制不准确,会导致零件存在结构紧密度和缺陷率方面的问题,增加后续修整和质量控制的成本;在修整去毛刺环节中操作不当导致零件损坏或者去毛刺不彻底导致表面质量问题,会增加返工和废品处理的成本;热处理环节中温度、时间控制不准确可能导致零件性能不达标,增加成本;表面处理环节中涂层或电镀质量不符合要求可能导致零件退化或者重新处理的成本增加;质检环节中检验方法或者设备的准确性会对零件质量评估结果产生影响,进而影响产品质量和成本控制;包装环节中如果包装材料选择不当或者包装方式不合理,会导致运输途中零件受损或者损失,增加成本。
在上述铝合金压铸零件的多个生产环节中,由于生产环节的实际成本会与该生产环节所规定的成本之间存在一定差异即为成本误差,在多个生产环节下成本误差逐渐增大,就形成了成本误差累积。
因此本申请通过对历史成本数据的波动特征进行分析,实现趋势平滑系数的优化调整,获取精准成本预测结果,以提高成本数据的压缩存储效率。
具体的,为了实现本实施例提出的一种用于铝合金压铸零件的数据管理方法,首先需要采集历史成本数据,具体过程为:
按照铝合金压铸零件生产过程中所有生产环节的顺序,获取任意一个铝合金压铸零件在所有所经过的生产环节的成本值形成的序列记为铝合金压铸零件的历史成本数据,获取若干个铝合金压铸零件的历史成本数据;所述历史成本数据中包含若干个数据点,一个数据点对应一个生产环节,任意数据点对应一个生产时间点和一个成本值。
需要说明的是,由于铝合金压铸零件是按照生产环节的顺序进行制造的,且在铝合金压铸零件生产过程中由于成本控制或零件生产不合格等原因存在部分生产环节跳过,因此铝合金压铸零件的历史成本数据中数据点的数量不等,另外历史成本数据中数据点对应的生产时间点相当于铝合金压铸零件在生产制造时所处生产环节的顺序,因此历史成本数据也相当于时序数据。
至此,通过上述方法得到历史成本数据。
步骤S002:将历史成本数据划分为若干个子序列,根据历史成本数据中不同子序列之间的距离以及子序列的长度,获得若干历史成本数据中的目标成本数据以及目标成本数据的波动误差程度。
需要说明的是,由于受到多种因素影响使得历史成本数据存在误差累积,因此利用传统的霍尔特指数平滑算法对历史成本数据进行预测获取趋势平滑系数时,历史成本数据的不同生产环节对趋势平滑系数具有不同的贡献程度,使得对历史成本数据的趋势项存在较大的影响,因此,本实施例通过分析历史成本数据在生产时间上的波动特征,并根据成本曲线的匹配程度,量化其成本曲线上的变化趋势对于趋势平滑系数的影响,构建出影响趋势平滑系数的权重系数,实现对于霍尔特指数平滑算法的趋势平滑系数的调整,提升其对历史成本数据进行成本预测的准确性。
可选地,利用DTW算法对所有历史成本数据进行动态规整,使得所有历史成本数据的长度相同,通过均匀划分的方法将所有长度相同的历史成本数据划分为若干个相同长度的子序列,所述长度为数据点的数量,获取所有历史成本数据的子序列中相同位置的数据点的平均成本值,该相同位置是指所有历史成本数据的相同序号子序列中序号相同的位置,将子序列中所有相同位置的数据点的平均成本值形成的序列记为均值子序列。
可选地,还可以通过聚类的方法将所有历史成本数据划分为若干个子序列并获得均值子序列。
具体地,构建二维坐标系,将历史成本数据中数据点的生产时间点作为二维坐标系的横轴,将历史成本数据中数据点的成本值作为二维坐标系的纵轴,利用层次聚类算法对二维坐标系中所有历史成本数据的数据点进行聚类,获得若干个聚类簇,将任意历史成本数据在聚类簇内的所有数据点形成的序列记为历史成本数据的子序列;利用DTW算法对任意聚类簇内所有子序列进行动态规整,使聚类簇内所有子序列的长度相同,将聚类簇内所有长度相同的子序列记为第一子序列,获取所有第一子序列中相同位置下数据点的平均成本值,该相同位置是指所有第一子序列中序号相同的位置,将聚类簇内所有相同位置下数据点的平均成本值形成的序列记为对应聚类簇下的均值子序列。
需要说明的是,由于层次聚类算法为现有的聚类算法,因此本实施例不进行赘述。
需要说明的是,通过构建二维坐标系并使用层次聚类算法对所有历史成本数据进行聚类,获得的聚类簇中所有子序列反映了所包括数据点在对应生产环节下的相近似的成本值变化趋势,即每个聚类簇代表一种变化趋势,这样可以更清晰地了解不同生产环节下的成本值波动情况,便于后续获取对应生产环节的成本值变化趋势,以更好地预测成本值。
需要说明的是,本实施例通过层次聚类的方法将变化趋势相近的数据点聚为一类,并通过DTW算法对聚类簇内的子序列进行动态规整,所得到的均值子序列反映了在均值子序列中数据点对应的生产时间点形成的区间内,所有历史成本数据的平均变化趋势,使后续可以准确获取趋势平滑系数,用以准确预测铝合金压铸零件的生产成本。
需要说明的是,DTW(Dynamic Time Warping)算法的中文名称为动态时间规则算法,由于DTW算法为现有算法,因此本实施例不进行赘述。
进一步地,利用DTW算法获取聚类簇中任意子序列与子序列对应聚类簇下的均值子序列之间的DTW距离记为子序列的距离参数,将任意历史成本数据的所有子序列的距离参数累加值记为历史成本数据的距离因子,将/>记为历史成本数据的参考必要性,其中/>表示以自然常数为底数的指数函数。
进一步地,将参考必要性大于预设的参考必要性阈值的历史成本数据记为目标成本数据;获取目标成本数据中所有子序列的距离参数,将子序列的距离参数与子序列对应聚类簇下的均值子序列的长度之间的比值,记为子序列的距离系数,将目标成本数据中所有子序列的距离系数形成的序列记为目标成本数据的距离序列;获取目标成本数据的波动误差程度,具体计算方法为:
其中,表示目标成本数据的波动误差程度;/>表示目标成本数据的距离序列中距离系数的数量;/>表示目标成本数据对应距离序列中第/>个距离系数;/>表示sigmoid归一化函数。
需要说明的是,根据经验预设参考必要性阈值为0.35,可根据实际情况进行调整,本实施例不具体限定;由于任意一个聚类簇内包含历史成本数据的若干不同生产环节,当子序列的生产环节组成与聚类簇内整体生产环节总成差异过大时,其误差样本累积特征的参考意义较小,因此本实施例通过参考必要性对历史成本数据进行筛选,获取能够提高铝合金压铸零件成本预测准确性的目标成本数据,即所述目标成本数据能够为成本预测提供更好的参考意义。
需要说明的是,目标成本数据的波动误差程度的计算方法中,距离系数用于描述子序列的变化特征的显著程度,因此目标成本数据中所有子序列的距离系数均值反应了目标成本数据的变化趋势,由于不同目标成本数据之间存在变化趋势上的差异,目标成本数据中各数据点对应生产环节的成本值的波动程度不断变大,使得目标成本数据的变化趋势变大,表明目标成本数据中数据点受到误差累积的影响程度越大,其对于铝合金压铸零件成本预测的贡献程度就越小,获得成本曲线的波动误差程度。
至此,通过上述方法得到目标成本数据的波动误差程度。
步骤S003:获取不同目标成本数据的初始趋势平滑系数,利用不同目标成本数据之间的长度差异和波动误差程度差异,对所有目标成本数据的初始趋势平滑系数进行调节,获得新趋势平滑系数。
具体的,首先,利用霍尔特指数平滑算法获取任意目标成本数据的趋势平滑系数记为初始趋势平滑系数。
然后,获取目标成本数据的匹配程度,具体计算方法为:
其中,表示第/>个目标成本数据的匹配程度;/>表示目标成本数据的数量,/>表示第/>个目标成本数据的长度;/>表示除第/>个目标成本数据外的第j个目标成本数据的长度;/>表示第/>个目标成本数据与第/>个目标成本数据外的第j个目标成本数据之间波动误差程度的差值绝对值;/>表示绝对值符号;/>表示线性归一化函数。
需要说明的是,目标成本数据的匹配程度反映了目标成本数据对应波动误差程度的分布特征,根据目标成本数据与其他目标成本数据的波动误差程度差异以及数据长度差异获取,反映了目标成本数据与其他目标成本数据之间的相似程度,目标成本数据的匹配程度越大,则目标成本数据与其他所有目标成本数据之间在长度和波动误差程度上的差异越小,目标成本数据与其他目标成本数据之间的变化趋势越相似,因此该目标成本数据在用于成本预测时,对提高成本预测结果准确性的作用就越大。
最后,利用匹配程度对趋势平滑系数进行调整,获得新趋势平滑系数,具体计算方法为:
其中,表示新趋势平滑系数;/>表示第/>个目标成本数据的初始趋势平滑系数,表示第/>个目标成本数据的匹配程度;/>表示目标成本数据的数量。
需要说明的是,由于不同目标成本数据的匹配程度存在不同,且匹配程度越大,越能够提高对成本预测结果的准确性,因此本实施通过将目标成本数据的匹配程度作为权重,对目标成本数据的趋势平滑系数进行加权,使趋势平滑系数更能够准确反映铝合金压铸零件在各个生产环节中对应成本值的变化趋势,提高霍尔特指数平滑算法得到的趋势平滑系数的准确性。
需要说明的是,根据获取的不同目标成本数据的波动误差程度,其成本曲线在二维空间上的由于其各个生产阶段的具体生产情况不同,其整个生产流程的成本存在不同程度的差异,可表现为成本曲线的生产时间长短不同,且在二维样本空间上的分布不同。对于霍尔特指数平滑算法进行时序预测的过程,其成本曲线的分布情况越不显著,其越能表征生产流程上的一般性成本。
至此,通过上述方法得到新趋势平滑系数。
步骤S004:根据新趋势平滑系数进行铝合金压铸零件成本预测和压缩存储。
具体的,将铝合金压铸零件在所经过的所有生产环节下的成本值形成的序列记为第一成本数据,利用预设长度的滑动窗口对第一成本数据进行滑动遍历,结合新趋势平滑系数并利用霍尔特指数平滑算法获取滑动窗口的最后一个数据点的下一个数据点的成本预测值,将记为第一成本数据中数据点的压缩系数,其中/>表示第一成本数据中数据点的成本值,/>表示第一成本数据中数据点的预测成本值,/>表示以自然常数为底数的指数函数,/>表示绝对值符号,将第一成本数据中所有压缩系数大于预设的压缩系数阈值的数据点对应成本值置为0,小于等于预设的压缩系数阈值的数据点保持不变,获得第二成本数据,对第二成本数据进行游程编码压缩获得压缩成本数据。
进一步地,对压缩成本数据进行解压缩时,利用游程编码数据将压缩成本数据解压为第二成本数据,再利用滑动窗口对第二成本数据进行遍历,在遍历过程中结合新趋势平滑系数并利用霍尔特指数平滑算法预测滑动窗口最后一个数据点的下一个数据点的成本值,将成本值置为0的数据点还原,获得第一成本数据,完成解压缩。
需要说明的是,根据经验预设滑动窗口的长度和压缩系数阈值分别为5和0.7,可根据实际情况分别进行调整,本实施例不进行具体限定。
通过以上步骤,完成对铝合金压铸零件成本数据的存储管理。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种用于铝合金压铸零件的数据管理方法,其特征在于,该方法包括以下步骤:
获取若干个铝合金压铸零件的历史成本数据,历史成本数据中任意数据点对应一个生产时间点和一个成本值;
将历史成本数据划分为若干个子序列,根据历史成本数据中不同子序列之间的距离以及子序列的长度,获得若干历史成本数据中的目标成本数据以及目标成本数据的波动误差程度,所述长度为数据点的数量;
获取不同目标成本数据的初始趋势平滑系数,利用不同目标成本数据之间的长度差异和波动误差程度差异,对所有目标成本数据的初始趋势平滑系数进行调节,获得新趋势平滑系数;
根据新趋势平滑系数进行铝合金压铸零件成本预测和压缩存储;
所述将历史成本数据划分为若干个子序列,包括的具体方法为:
构建二维坐标系,将历史成本数据中数据点的生产时间点作为二维坐标系的横轴,将历史成本数据中数据点的成本值作为二维坐标系的纵轴,利用层次聚类算法对二维坐标系中所有历史成本数据的数据点进行聚类,获得若干个聚类簇,将各个历史成本数据在聚类簇内的所有数据点形成的序列分别记为每个历史成本数据的子序列;
所述根据历史成本数据中不同子序列之间的距离以及子序列的长度,获得若干历史成本数据中的目标成本数据以及目标成本数据的波动误差程度,包括的具体方法为:
根据历史成本数据中子序列之间的距离获得目标成本数据;
将子序列的距离参数与子序列对应聚类簇下的均值子序列的长度之间的比值,记为子序列的距离系数,将目标成本数据中所有子序列的距离系数形成的序列记为目标成本数据的距离序列;
目标成本数据的波动误差程度的具体计算方法为:
其中,表示目标成本数据的波动误差程度;/>表示目标成本数据的距离序列中距离系数的数量;/>表示目标成本数据对应距离序列中第/>个距离系数;/>表示sigmoid归一化函数;
所述根据历史成本数据中子序列之间的距离获得目标成本数据,包括的具体方法为:
利用DTW算法获取聚类簇中任意子序列与子序列对应聚类簇下的均值子序列之间的DTW距离记为子序列的距离参数,将任意历史成本数据的所有子序列的距离参数累加值记为历史成本数据的距离因子,将/>记为历史成本数据的参考必要性,其中/>表示以自然常数为底数的指数函数;
将参考必要性大于预设的参考必要性阈值的历史成本数据记为目标成本数据;
所述利用不同目标成本数据之间的长度差异和波动误差程度差异,对所有目标成本数据的初始趋势平滑系数进行调节,获得新趋势平滑系数,包括的具体方法为:
根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据的匹配程度;
新趋势平滑系数的具体计算方法为:
其中,表示新趋势平滑系数;/>表示第/>个目标成本数据的初始趋势平滑系数,/>表示第/>个目标成本数据的匹配程度;/>表示目标成本数据的数量;
所述根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据的匹配程度,包括的具体方法为:
根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据之间的差异程度因子;
将记为第/>个目标成本数据的匹配程度;/>表示目标成本数据的数量;/>表示第/>个目标成本数据与第/>个目标成本数据外的第j个目标成本数据之间的差异程度因子;/>表示线性归一化函数;
所述根据新趋势平滑系数进行铝合金压铸零件成本预测和压缩存储,包括的具体方法为:
将铝合金压铸零件在所经过的所有生产环节下的成本值形成的序列记为第一成本数据,利用预设长度的滑动窗口对第一成本数据进行滑动遍历,结合新趋势平滑系数并利用霍尔特指数平滑算法获取滑动窗口的最后一个数据点的下一个数据点的成本预测值,将记为第一成本数据中数据点的压缩系数,其中/>表示第一成本数据中数据点的成本值,/>表示第一成本数据中数据点的预测成本值,/>表示以自然常数为底数的指数函数,/>表示绝对值符号,将第一成本数据中所有压缩系数大于预设的压缩系数阈值的数据点对应成本值置为0,小于等于预设的压缩系数阈值的数据点保持不变,获得第二成本数据,对第二成本数据进行游程编码压缩获得压缩成本数据;
所述根据不同目标成本数据之间的长度差异和波动误差程度差异获得目标成本数据之间的差异程度因子,包括的具体方法为:
将第个目标成本数据的长度与除第/>个目标成本数据外的第j个目标成本数据的长度的差值绝对值记为第一差值;将第/>个目标成本数据与除第/>个目标成本数据外的第j个目标成本数据之间波动误差程度的差值绝对值记为第二差值;
将第一差值和第二差值的乘积记为第个目标成本数据与第/>个目标成本数据外的第j个目标成本数据之间的差异程度因子。
2.根据权利要求1所述一种用于铝合金压铸零件的数据管理方法,其特征在于,所述均值子序列,包括的具体方法为:
利用DTW算法对任意聚类簇内所有子序列进行动态规整,使聚类簇内所有子序列的长度相同,将聚类簇内所有长度相同的子序列记为第一子序列,获取所有第一子序列中相同位置下数据点的平均成本值,将聚类簇内所有相同位置下数据点的平均成本值形成的序列记为对应聚类簇下的均值子序列。
3.根据权利要求1所述一种用于铝合金压铸零件的数据管理方法,其特征在于,所述获取不同目标成本数据的初始趋势平滑系数,包括的具体方法为:
利用霍尔特指数平滑算法获取任意目标成本数据的趋势平滑系数,记为目标成本数据的初始趋势平滑系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410219116.8A CN117792404B (zh) | 2024-02-28 | 2024-02-28 | 一种用于铝合金压铸零件的数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410219116.8A CN117792404B (zh) | 2024-02-28 | 2024-02-28 | 一种用于铝合金压铸零件的数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117792404A CN117792404A (zh) | 2024-03-29 |
CN117792404B true CN117792404B (zh) | 2024-05-10 |
Family
ID=90385712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410219116.8A Active CN117792404B (zh) | 2024-02-28 | 2024-02-28 | 一种用于铝合金压铸零件的数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117792404B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11122394A (ja) * | 1997-10-16 | 1999-04-30 | Kdd | 課金システム、課金単価決定装置、課金単価表示装置、回線制御装置及びアクセス制御装置 |
CN116244619A (zh) * | 2023-03-24 | 2023-06-09 | 广东电网有限责任公司广州供电局 | 一种数据处理方法、装置、电子设备及存储介质 |
CN117114766A (zh) * | 2022-05-11 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 成本控制因子确定方法、装置、设备及存储介质 |
CN117472873A (zh) * | 2022-07-22 | 2024-01-30 | 华为云计算技术有限公司 | 数据迁移方法、装置、计算设备集群及存储介质 |
CN117540603A (zh) * | 2023-11-20 | 2024-02-09 | 上海交通大学 | 一种热处理零件的数据驱动设计方法、系统、设备及介质 |
-
2024
- 2024-02-28 CN CN202410219116.8A patent/CN117792404B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11122394A (ja) * | 1997-10-16 | 1999-04-30 | Kdd | 課金システム、課金単価決定装置、課金単価表示装置、回線制御装置及びアクセス制御装置 |
CN117114766A (zh) * | 2022-05-11 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 成本控制因子确定方法、装置、设备及存储介质 |
CN117472873A (zh) * | 2022-07-22 | 2024-01-30 | 华为云计算技术有限公司 | 数据迁移方法、装置、计算设备集群及存储介质 |
CN116244619A (zh) * | 2023-03-24 | 2023-06-09 | 广东电网有限责任公司广州供电局 | 一种数据处理方法、装置、电子设备及存储介质 |
CN117540603A (zh) * | 2023-11-20 | 2024-02-09 | 上海交通大学 | 一种热处理零件的数据驱动设计方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117792404A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245802B (zh) | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 | |
US20180211152A1 (en) | Automated methods for conversions to a lower precision data format | |
JP5682484B2 (ja) | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 | |
CN115801901B (zh) | 一种企业生产排放数据压缩处理方法 | |
CN109376892B (zh) | 一种基于设备所处生命周期阶段的设备状态预测方法 | |
CN117131035B (zh) | 一种化工染料生产数据智能储存方法及系统 | |
TWI722491B (zh) | 應用於神經網絡之四位元與八位元組合之分離式量化方法 | |
CN112749840A (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN117792404B (zh) | 一种用于铝合金压铸零件的数据管理方法 | |
CN115858476A (zh) | 用于web开发系统中自定义表单获取数据的高效存储方法 | |
CN117290364B (zh) | 一种市场调查数据智能存储方法 | |
CN110260914B (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
KR102470836B1 (ko) | 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법 | |
CN111178427A (zh) | 一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法 | |
CN117112979B (zh) | 一种光谱测量过程中误差补偿优化方法 | |
CN117040541B (zh) | 一种用于cad图纸数据的数据存储方法及系统 | |
CN116341770A (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
CN117376430A (zh) | 基于dcs的工业数据快速传输方法及系统 | |
CN109143974B (zh) | 一种应用于数控机床监控领域的sdt改进方法 | |
CN116601944A (zh) | 点云编解码方法、编码器、解码器及计算机存储介质 | |
CN112686416A (zh) | 一种风电功率概率预测方法和系统 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN117176178B (zh) | 一种光电通信系统的数据处理方法 | |
CN117454944A (zh) | 分层确定神经网络量化模式的方法、系统、设备和介质 | |
CN117176176A (zh) | 基于大数据的数据分析处理方法 |
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 |