CN120317841A - 模具成本计算方法、装置、设备和存储介质 - Google Patents

模具成本计算方法、装置、设备和存储介质

Info

Publication number
CN120317841A
CN120317841A CN202510811746.9A CN202510811746A CN120317841A CN 120317841 A CN120317841 A CN 120317841A CN 202510811746 A CN202510811746 A CN 202510811746A CN 120317841 A CN120317841 A CN 120317841A
Authority
CN
China
Prior art keywords
cost
data
time
space
relation
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
Application number
CN202510811746.9A
Other languages
English (en)
Other versions
CN120317841B (zh
Inventor
蔡国旗
冯洪华
任明强
马凯雄
钟晓鸥
曾增权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Gree Precision Mold Co Ltd
Original Assignee
Zhuhai Gree Precision Mold Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Gree Precision Mold Co Ltd filed Critical Zhuhai Gree Precision Mold Co Ltd
Priority to CN202510811746.9A priority Critical patent/CN120317841B/zh
Publication of CN120317841A publication Critical patent/CN120317841A/zh
Application granted granted Critical
Publication of CN120317841B publication Critical patent/CN120317841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及成本计算领域，公开了一种模具成本计算方法、装置、设备和存储介质，包括：获取与目标模具制造相关的多模态数据；从多模态数据中提取与目标模具制造成本相关的特征数据；基于预设的时空图网络模型，从特征数据中提取时序工艺数据，分析时序工艺数据随时间变化与成本的第一关系，根据第一关系计算第一成本；和/或基于时空图网络模型从特征数据中提取空间工艺数据，分析空间工艺数据与成本的第二关系，根据第二关系计算第二成本。本申请汇聚不同环节的制造数据，利用预设的时空图网络模型捕捉工艺参数等随时间与成本的第一关系，不同节点之间的相互关联与成本的第二关系，提高了成本计算的精准度。

Description

模具成本计算方法、装置、设备和存储介质
技术领域
本发明实施例涉及成本计算领域，特别涉及一种模具成本计算方法、装置、设备和存储介质。
背景技术
模具行业在制造业中扮演着至关重要的角色，是产品成型的关键环节。然而，模具成本控制面临着多重挑战，严重制约了企业的精细化管理和盈利能力。
在模具制造过程中，涉及设计、加工、装配、检测等多个环节，各环节的数据往往相互独立，形成了信息孤岛。据行业调查显示，制造全要素数据利用率不足。数据的割裂导致企业难以全面、系统地把握成本构成和变化规律，难以实现精细化成本管理。
发明内容
本发明的目的在于至少提供一种模具成本计算方法、装置、设备和存储介质，至少可以解决在模具制造过程中，制造全要素数据利用率不足，难以全面、系统地把握成本构成和变化规律，实现精细化成本管理的技术问题，至少可以达到更精细化计算模具制造成本的效果。
为解决上述技术问题，本申请的至少一个实施例提供了一种模具成本计算方法，包括：获取与目标模具制造相关的多模态数据；
从所述多模态数据中提取与所述目标模具制造成本相关的特征数据；
基于预设的时空图网络模型，从所述特征数据中提取时序工艺数据，以及分析所述时序工艺数据随时间变化与成本的第一关系，根据所述第一关系计算所述目标模具的第一成本；和/或
基于所述时空图网络模型，从所述特征数据中提取空间工艺数据，以及分析所述空间工艺数据与成本的第二关系，根据所述第二关系计算所述目标模具的第二成本，其中，所述空间工艺数据包括互相关联的工艺参数和/或互相关联的设备。
本申请的至少一个实施例还提供了一种模具成本计算装置，包括：
数据获取模块，用于获取与目标模具制造相关的多模态数据；
特征数据提取模块，用于从所述多模态数据中提取与所述目标模具制造成本相关的特征数据；
第一成本计算模块，用于基于预设的时空图网络模型，从所述特征数据中提取时序工艺数据，以及分析所述时序工艺数据随时间变化与成本的第一关系，根据所述第一关系计算所述目标模具的第一成本；和/或
第二成本计算模块，用于基于所述时空图网络模型，从所述特征数据中提取空间工艺数据，以及分析所述空间工艺数据与成本的第二关系，根据所述第二关系计算所述目标模具的第二成本，其中，所述空间工艺数据包括互相关联的工艺参数和/或互相关联的设备。
本申请的至少一个实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的模具成本计算方法。
本申请的至少一个实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的模具成本计算方法。
本申请的实施例提供的模具成本计算方法、装置、设备和存储介质，获取与目标模具制造相关的多模态数据：主动收集涵盖设计、加工、装配、检测等多个环节的异构数据（如设计图纸、加工程序、加工参数等），将原本分散在不同部门、系统和环节的数据汇聚到一起，从源头上打破了物理和逻辑上的“信息孤岛”，为后续综合分析提供了数据基础；识别并提取出与成本有强关联性的关键特征，提升了数据的“价值密度”和针对性；针对“难以全面把握成本构成和变化规律”的痛点，利用预设的时空图网络模型捕捉工艺参数、设备状态、资源消耗等随时间推移的变化规律，分析变化规律与成本的第一关系，解决了成本构成中动态变化规律难以捕捉的问题；和/或分析不同节点之间的相互关联与成本的第二关系，如设计复杂度如何影响加工参数选择，加工精度如何影响装配难度和返工率等，量化了一个设计决策如何通过连锁反应影响后续所有环节的成本的问题。最终的成本计算得到的第一成本、第二成本或它们的综合，不再是割裂环节成本的简单叠加，而是融合了全流程、全要素动态交互影响的精细化计算结果。使得企业能够全面、系统地把握真实的成本构成，实现精细化成本管理。
在一些可选的实施例中，根据所述第一关系计算所述目标模具的第一成本，和根据所述第二关系计算所述目标模具的第二成本，包括：
根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，所述工艺-成本关联矩阵用于量化分析特征数据对成本的影响程度和影响方向；
根据所述工艺-成本关联矩阵计算所述第一成本和所述第二成本。
本实施例中，矩阵整合设计、工艺、设备、环境等多维特征，通过矩阵运算捕捉特征间的交互效应，当工艺调整（如更换材料、新设备）时，动态更新矩阵参数，即时生成新方案的成本预测。
在一些可选的实施例中，所述根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，包括：利用所述时空图网络模型将各所述特征数据和成本要素抽象为时空图结构中的各节点，所述成本要素包括原材料采购成本、加工成本和加工损耗成本中至少之一；通过所述时空图网络模型中的时序模型分析每个节点的历史序列数据，得到所述特征数据与所述成本要素之间的所述第一关系；通过所述时空图网络模型中的图神经网络模型聚合邻居节点的信息，得到所述特征数据与所述成本要素之间的所述第二关系；根据所述第一关系和所述第二关系构建所述工艺-成本关联矩阵。
利用时空图网络模型将各特征数据和成本要素抽象为时空图结构中的各节点，能够把原本复杂、无序的特征数据和成本要素信息以一种直观、结构化的方式呈现出来。这种结构化表示有助于后续对数据进行分析和处理，使得复杂的工艺-成本关系能够以更清晰的图结构形式展现，便于理解和操作。
在一些可选的实施例中，所述方法还包括：
从所述特征数据中提取结构化数据，所述结构化数据的类型包括几何复杂度、工艺路径和材料特性中至少一种；
根据所述结构化数据对成本的贡献度，计算所述目标模具的第三成本。
本实施例中，结构化数据为与成本相关的静态指标参数，具有明确的格式和定义，数据类型包括几何复杂度、工艺路径和材料特性等。这些数据通常以规范的表格、数据库字段等形式存在，每个数据项都有清晰的含义和取值范围。结构化数据为成本计算提供了一个基于模具本质特征的基准。使模具成本计算结果更加全面。
在一些可选的实施例中，所述从所述特征数据中提取结构化数据，包括以下至少之一：
通过3D点云曲率分析提取得到所述几何复杂度；和
基于数控加工指令库提取得到所述工艺路径下的相关参数，所述相关参数包括路径长度、进给速度和切削深度中至少一种；和
通过动态硬度图谱分析得到所述材料特性，其中，所述动态硬度图谱用于模拟实际加工条件下，材料硬度随位置、温度、时间或应变率的变化。
本实施例中，几何复杂度特征通过3D点云曲率分析提取，精准量化模具几何特征，反映了模具形状的复杂程度及其对加工难度和成本的影响；数控加工指令库包含了丰富的加工信息，通过提取工艺路径下的相关参数，如路径长度、进给速度和切削深度等，能够全面了解模具制造过程中的工艺细节；动态硬度图谱能够模拟实际加工条件下材料硬度随位置、温度、时间或应变率的变化，通过动态硬度图谱分析得到的材料特性更接近材料在实际加工过程中的真实性能，为成本计算和工艺设计提供更准确的材料特性数据。
在一些可选的实施例中，所述方法还包括：
对所述第一成本、所述第二成本和所述第三成本进行加权求和，得到制造所述目标模具的综合成本。
本实施例中，第一成本基于时序工艺数据与成本的关系计算得出，反映了工艺随时间变化对成本的影响；第二成本基于空间工艺数据与成本的关系计算，体现了工艺参数和设备之间的空间关联对成本的作用；第三成本根据结构化数据（如几何复杂度、工艺路径、材料特性）对成本的贡献度计算，考虑了模具本身的固有属性对成本的影响。通过加权求和，将这三个不同维度的成本信息综合起来，避免了单一维度成本计算可能导致的片面性，使综合成本能够更全面地反映模具制造过程中的各种成本因素。
在一些可选的实施例中，所述目标模具的综合成本的计算式包括如下：
其中，为目标模具的综合成本，、和分别表示基于XGBoost、LSTM和图卷积网络的预测函数，为所述结构化数据，为所述时序工艺数据，为所述空间工艺数据，、和为门控系数，通过预设的注意力机制动态调整。
本实施例中，注意力机制可以根据输入数据的特征动态调整XGBoost、LSTM和GCN的门控系数（即权重）。这种动态调整能够使模型在不同情况下自动分配不同模型的重要性。例如，当结构化数据对成本的影响较大时，注意力机制会增加XGBoost的门控系数；当时序工艺数据的变化对成本影响显著时，会提高LSTM的门控系数。使得本申请的方法适应复杂多变的制造环境，如设备状态、材料供应、工艺调整等。通过注意力机制动态调整门控系数，综合成本计算方法能够适应这些复杂多变的环境，实时调整模型权重，确保成本预测始终保持较高的准确性。
在一些可选的实施例中，所述得到制造所述目标模具的综合成本之后，还包括：
基于所述综合成本和产线实时数据，利用预设的强化学习算法计算得到成本控制策略，所述成本控制策略包括工艺参数的设定、材料选择和加工路径优化中至少一种，所述强化学习算法的奖励函数包括成本降低程度和工艺质量；
利用预设的产线的数字孪生模型对所述成本控制策略进行验证，根据验证结果调整所述成本控制策略，直至验证结果符合预设标准，得到最终的成本控制策略。
本实施例中，产线的数字孪生模型是对实际产线的虚拟映射，可以在不干扰实际生产的情况下对成本控制策略进行验证。通过在数字孪生模型中模拟策略的实施过程，可以提前发现潜在的问题和风险，如设备冲突、工艺不匹配等，避免在实际生产中出现成本增加、质量下降或生产中断等不良后果。
在一些可选的实施例中，所述从所述多模态数据中提取与所述目标模具制造成本相关的特征数据，包括：
基于所述多模态数据，提取得到与成本计算相关的初始特征数据；
对所述初始特征数据进行特征维度压缩，得到最终与成本计算相关的所述特征数据。
本实施例汇总，高维数据难以直接进行可视化展示，而通过维度压缩将数据降低到二维或三维空间后，可以更直观地展示数据之间的关系和分布情况。例如，可以使用散点图、折线图等可视化工具来展示压缩后的特征数据与成本之间的关系，帮助更好地理解成本的影响因素。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是本申请的一个实施例提供的模具成本计算方法的流程图；
图2是本申请的一个实施例提供的模具成本计算系统的结构示意图；
图3是本申请的另一个实施例提供的模具成本计算系统的优化效果示意图；
图4是本申请的另一个实施例提供的模具成本计算装置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，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。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
模具行业在制造业中扮演着至关重要的角色，是产品成型的关键环节。然而，模具成本控制面临着多重挑战，严重制约了企业的精细化管理和盈利能力。通过对行业现状的深入调研，发现目前识模具成本控制存在三大核心困境：
首先，行业普遍面临着严重的经验依赖困境。据中国模具工业协会2023年发布的数据，78%的企业仍采用人工经验估算模具成本。这种依赖人工经验的方法不仅效率低下，而且准确性差，容易导致成本估算与实际偏差较大。许多企业反映，模具成本摊销方法困难，因为模具是生产产品组件的成本组成，而一般的成本核算是以成品或半成品为成本对象，这就天然造成了模具成本摊销的困难。这种困境导致企业在决策时缺乏准确的成本信息支持，难以进行科学的成本管理和优化。
其次，动态响应能力不足已成为制约模具成本控制效率的关键因素。传统成本控制系统往往采用批量处理和周期性调整的方式，系统调整滞后时间通常达4-6小时。在快速变化的市场环境中，这种滞后性使得企业难以及时应对原材料价格波动、市场需求变化等外部因素对成本的影响。特别是在当前原材料价格不断上涨的背景下，成本控制已成为模具企业经营管理中的核心要素。因此，建立能够实时感知、快速响应的成本控制系统，成为行业亟待解决的问题。
第三，数据孤岛问题严重制约了模具成本管理的深度和广度。在模具制造过程中，涉及设计、加工、装配、检测等多个环节，各环节的数据往往相互独立，形成了信息孤岛。据行业调查显示，制造全要素数据利用率不足。数据的割裂导致企业难以全面、系统地把握成本构成和变化规律，难以实现精细化成本管理。计算原模具成本需要大量时间统计手工数据，重复劳动严重，这不仅增加了管理成本，也降低了决策效率。
为了解决上述的模具成本计算精准度不足的技术问题，本发明提出一种模具成本计算方法，下面对本实施例的模具成本计算方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
实施例一：
本实施例的模具成本计算方法可应用于具有通信、计算和数据存储能力的电子设备中，如图1所示，其包括：
步骤110，获取与目标模具制造相关的多模态数据；
本实施例中，多模态数据是指目标模具制造过程中的多源异构数据，可以从与制造相关的多个部门获取。例如：
设计部门：从目标模具设计图纸、三维模型等资料中获取几何信息，如模具的尺寸、形状复杂度、结构特征等。这些信息直接影响模具的加工难度和材料用量，进而影响成本。
生产部门：收集生产过程中的工艺参数记录，包括切削速度、进给量、切削深度等加工参数，以及设备的运行时间、能耗、维护记录等。工艺参数决定了加工效率和产品质量，设备的运行状况则影响生产效率和维修成本。在一些可选的实施例中，在生产设备上安装传感器，实时采集设备的运行参数，如温度、压力、振动等。这些传感器数据可以提供更准确、实时的设备运行信息，有助于及时发现设备故障和异常情况，降低维修成本。
采购部门：获取原材料的采购价格、供应商信息、质量检测报告等。原材料的成本是模具制造成本的重要组成部分，不同供应商的原材料价格和质量可能存在差异，质量检测报告可以反映原材料是否符合生产要求，避免因原材料质量问题导致的成本增加。
质量检测部门：收集模具的质量检测数据，如尺寸精度、表面粗糙度、硬度等检测结果。质量检测数据可以反映模具是否符合设计要求，若不符合要求，可能需要进行返工或报废处理，从而增加成本。
还可以从企业的生产管理系统、质量管理系统、采购管理系统等数据库中查询相关的历史数据和实时数据。数据库中的数据通常经过整理和分类，便于快速获取所需信息。
步骤120，从所述多模态数据中提取与所述目标模具制造成本相关的特征数据；
本实施例中，对于设计图纸中的文字说明、工艺文件中的文本描述等，可以采用自然语言处理技术提取关键词、短语和语义信息，进而得到特征数据。对目标模具的三维模型、设计图纸的图像等进行特征提取，可以提取模具的形状特征、轮廓特征、纹理特征等，这些特征数据可以直观地反映模具的几何复杂度和结构特点。从生产过程中的工艺参数记录、设备运行数据等数值型数据中提取统计特征，如均值、方差、最大值、最小值等作为特征数据。这些统计特征可以反映数据的分布情况和变化趋势，有助于分析工艺参数与成本之间的关系。
步骤130，基于预设的时空图网络模型，从所述特征数据中提取时序工艺数据，以及分析所述时序工艺数据随时间变化与成本的第一关系，根据所述第一关系计算所述目标模具的第一成本；和/或
基于所述时空图网络模型，从所述特征数据中提取空间工艺数据，以及分析所述空间工艺数据与成本的第二关系，根据所述第二关系计算所述目标模具的第二成本，其中，所述空间工艺数据包括互相关联的工艺参数和/或互相关联的设备。
本实施例中，时空图网络模型（STGCN）用于建模和分析特征数据与成本之间的时间关系和空间关系，为前期已经训练好的模型，能够捕捉特征数据与成本之间的复杂关系。STGCN模型包括图神经网络和时序模型，并结合了二者的优势，能够有效捕捉数据中的时空依赖性。具体如下：
可以将时序工艺数据进一步细分为加工阶段时序数据和设备运行时序数据。加工阶段时序数据可以反映不同加工阶段的工艺参数变化和成本消耗情况，例如粗加工阶段和精加工阶段的切削参数和加工时间不同，对成本的影响也不同。设备运行时序数据可以反映设备的运行效率、能耗变化等情况，有助于分析设备运行对成本的影响。除了提取时序工艺数据的原始值外，还可以提取时序特征，如时序数据的趋势、周期性、波动性等。例如，通过分析加工时间的时序趋势，可以判断生产效率是否稳定。通过分析设备能耗的周期性变化，可以优化设备的运行计划，降低能耗成本。
在分析时序工艺数据随时间变化与成本的第一关系时，时空图网络模型通过其内部的记忆单元和门控机制，记住过去一段时间内的关键工艺参数信息，从而提取出反映工艺变化趋势的特征，分析该特征对成本的影响，得到第一关系。
在一些可选的实施例中，时空图网络模型还提取空间工艺数据的空间特征，如工艺参数的分布特征、设备的布局特征等。例如，分析不同工艺参数在模具加工过程中的空间分布情况，判断是否存在局部加工难度过大导致成本增加的问题；分析设备的布局是否合理，是否存在物料运输距离过长导致成本增加的情况。对于空间工艺数据中的互相关联的工艺参数和设备，时空图网络模型可以建立空间关联关系模型。通过图结构可以更直观地展示空间工艺数据的关联关系，从而分析得到空间工艺数据与成本的第二关系。
本实施例改变传统成本管理中定性分析为主的模式，提供了动态成本控制的模式。具体而言，通过分析时序工艺数据和空间工艺数据分别对成本的影响，实现对特征数据和成本之间复杂关联关系的建模和分析，能够有效捕捉工艺参数随时间和空间变化的成本影响，为成本动态优化提供决策依据。
在实际使用中，可以仅分析时序工艺数据产生的第一成本，也可以仅分析空间工艺数据对应的第二成本，还可以联合第一成本与第二成本综合计算。根据实际生产需求而定，具体此处不作限制。
本实施例，通过获取与目标模具制造相关的多模态数据：主动收集涵盖设计、加工、装配、检测等多个环节的异构数据（如设计图纸、加工程序、加工参数等），将原本分散在不同部门、系统和环节的数据汇聚到一起，从源头上打破了物理和逻辑上的“信息孤岛”，为后续综合分析提供了数据基础；识别并提取出与成本有强关联性的关键特征，提升了数据的“价值密度”和针对性；针对“难以全面把握成本构成和变化规律”的痛点，利用预设的时空图网络模型捕捉工艺参数、设备状态、资源消耗等随时间推移的变化规律，分析变化规律与成本的第一关系，解决了成本构成中动态变化规律难以捕捉的问题；和/或分析不同节点之间的相互关联与成本的第二关系，如设计复杂度如何影响加工参数选择，加工精度如何影响装配难度和返工率等，量化了一个设计决策如何通过连锁反应影响后续所有环节的成本的问题。最终的成本计算得到的第一成本、第二成本或它们的综合，不再是割裂环节成本的简单叠加，而是融合了全流程、全要素动态交互影响的精细化计算结果。使得企业能够全面、系统地把握真实的成本构成，实现精细化成本管理。
在一些可选的实施例中，根据所述第一关系计算所述目标模具的第一成本，和根据所述第二关系计算所述目标模具的第二成本，包括：根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，所述工艺-成本关联矩阵用于量化分析特征数据对成本的影响程度和影响方向；根据所述工艺-成本关联矩阵计算所述第一成本和所述第二成本。
本实施例中，工艺-成本关联矩阵整合设计、工艺、设备、环境等多维特征，通过矩阵运算捕捉特征间的交互效应。例如本实施例中，工艺-成本关联矩阵为三维矩阵，其包括：
m轴，对应工艺特征（如注塑压力、冷却时间、材料熔点）；
n轴，对应成本要素（材料成本、能耗成本、废品损失）；
t轴，对应时间窗口（捕捉动态演化）；
将“工艺特征-成本要素-时间演化”三重关系编码为可计算结构的数学工具，为动态成本控制提供底层支撑。
在一些可选的实施例中，所述根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，包括：利用所述时空图网络模型将各所述特征数据和成本要素抽象为时空图结构中的各节点，所述成本要素包括原材料采购成本、加工成本和加工损耗成本中至少之一；通过所述时空图网络模型中的时序模型分析每个节点的历史序列数据，得到所述特征数据与所述成本要素之间的所述第一关系；通过所述时空图网络模型中的图神经网络模型聚合邻居节点的信息，得到所述特征数据与所述成本要素之间的所述第二关系；根据所述第一关系和所述第二关系构建所述工艺-成本关联矩阵。
具体而言，将模具制造过程中影响成本的各个特征数据抽象为时空图中的节点。例如，切削速度、进给量、切削深度、设备能耗、原材料采购价格等特征数据分别作为不同的节点。将成本要素如原材料采购成本、加工成本、加工损耗成本等也抽象为时空图中的节点。每个成本要素节点对应一个具体的成本类别。节点之间的边表示节点之间的关联关系，例如工艺参数之间的协同关系、特征数据与成本要素之间的因果关系等。
分析第一关系时，可以选择如长短期记忆网络（LSTM）、门控循环单元（GRU）或时间卷积网络（TCN）。这些模型能够有效捕捉时间序列数据中的长期依赖关系和短期变化模式。对于每个特征数据节点和成本要素节点，收集其历史序列数据。例如，切削速度的历史数据、原材料采购价格的月度数据、加工成本的季度数据等。使用时序模型对每个节点的历史序列数据进行建模和分析，提取时间维度上的特征和模式。通过分析特征数据节点与成本要素节点在时间序列上的相关性、因果性等，确定它们之间的第一关系。例如，切削速度的变化如何随时间影响加工成本。
在时空图中，邻居节点可以包括空间邻居：物理连接/工艺流关联的多个节点，以及逻辑邻居：数据相关性达到预设标准的多个节点。例如，以模具的成型工序为例，冲压机（成型设备节点）和后续的抛光机（抛光设备节点）在工艺流程上是连续的，因此冲压机与抛光机是物理连接节点。切削速度（工艺参数节点）和模具的表面粗糙度（质量指标节点）之间存在较强的数据相关性。一般来说，切削速度过高可能会导致模具表面粗糙度增大，而切削速度过低则可能影响加工效率。当通过数据分析发现切削速度和表面粗糙度之间的相关性系数达到预设标准（如0.7以上）时，表面粗糙度节点就是切削速度节点的逻辑邻居。
在分析第二关系时，可以选择如图卷积网络（GCN）、图注意力网络（GAT）或图同构网络（GIN）。这些模型能够有效聚合邻居节点的信息，捕捉节点之间的空间关系。通过聚合邻居节点的信息，分析特征数据节点与成本要素节点之间的空间关系。例如，切削速度和进给量作为邻居节点，共同影响加工成本节点，从而确定它们之间的第二关系。
根据第一关系和第二关系，确定每个特征数据节点对成本要素节点的影响程度和影响方向。将影响程度量化为具体的数值，如相关系数、权重等，并将影响方向表示为正或负。例如，初始化一个大小为n×m的矩阵，其中n为特征数据节点的数量，m为成本要素节点的数量。根据分析得到的第一关系和第二关系，填充矩阵中的元素。切削速度节点对加工成本节点的影响程度为0.8，影响方向为正，则在矩阵对应的位置填入+0.8。
本实施例中，时空图网络模型（STGCN）的结构如代码所示：
```python
class STGCN(nn.Module):
def __init__(self):
self.gcn = GraphConv(in_dim=128, out_dim=64)
self.tcn = TemporalConv(64, 32)
def forward(self, graph_data):
spatial_feat = self.gcn(graph_data)
temporal_feat = self.tcn(spatial_feat)
return temporal_feat
```
在这一模型中，GraphConv层用于捕捉空间维度上的关联关系，例如不同工艺参数之间的相互影响，不同设备之间的协作关系等。TemporalConv层则用于捕捉时间维度上的变化规律，例如工艺参数随时间变化的趋势，成本要素的动态演化等。通过两者的结合，STGCN能够全面、深入地分析工艺与成本之间的复杂关系。通过STGCN模型构建工艺-成本关联矩阵，量化分析工艺参数对成本的影响程度和影响方向。这一矩阵为成本优化提供了明确的方向和依据，指导企业有针对性地进行工艺改进和成本控制。
本实施例中，利用时空图网络模型将各特征数据和成本要素抽象为时空图结构中的各节点，能够把原本复杂、无序的特征数据和成本要素信息以一种直观、结构化的方式呈现出来。这种结构化表示有助于后续对数据进行分析和处理，使得复杂的工艺-成本关系能够以更清晰的图结构形式展现，便于理解和操作。
在一些可选的实施例中，所述方法还包括：从所述特征数据中提取结构化数据，所述结构化数据的类型包括几何复杂度、工艺路径和材料特性中至少一种；根据所述结构化数据对成本的贡献度，计算所述目标模具的第三成本。
本实施例中，结构化数据为与成本相关的静态指标参数，具有明确的格式和定义，数据类型包括几何复杂度、工艺路径和材料特性等。这些数据通常以规范的表格、数据库字段等形式存在，每个数据项都有清晰的含义和取值范围。结构化数据为成本计算提供了一个基于模具本质特征的基准。使模具成本计算结果更加全面。
在一些可选的实施例中，所述从所述特征数据中提取结构化数据，包括以下至少之一：通过3D点云曲率分析提取得到所述几何复杂度；和基于数控加工指令库提取得到所述工艺路径下的相关参数，所述相关参数包括路径长度、进给速度和切削深度中至少一种；和通过动态硬度图谱分析得到所述材料特性，其中，所述动态硬度图谱用于模拟实际加工条件下，材料硬度随位置、温度、时间或应变率的变化。
本实施例中，几何复杂度特征通过3D点云曲率分析提取，精准量化模具几何特征，反映了模具形状的复杂程度及其对加工难度和成本的影响；数控加工指令库包含了丰富的加工信息，通过提取工艺路径下的相关参数，如路径长度、进给速度和切削深度等，能够全面了解模具制造过程中的工艺细节；动态硬度图谱能够模拟实际加工条件下材料硬度随位置、温度、时间或应变率的变化，通过动态硬度图谱分析得到的材料特性更接近材料在实际加工过程中的真实性能，为成本计算和工艺设计提供更准确的材料特性数据。
这三类特征共同构成了模具成本计算的特征空间，覆盖了模具制造过程中的主要影响因素。通过动态特征工程，系统能够根据实时数据和历史经验，动态调整特征权重和计算方法，适应不同场景和需求的变化。这种动态特性使得系统具有良好的适应性和鲁棒性，能够应对模具制造过程中的各种变化和挑战。如下方表1所示：
表1
表1为同时采用3D点云曲率分析、G代码语义解析和动态硬度图谱分析法得到的结构化数据。该表中的维度是指在分析集合复杂度时，通过哪些维度计算得到几何复杂度，例如弯曲程度、空间平整度等；工艺路径下具体包括哪些维度，例如路径长度、进给速度、切削深度等。材料特征的维度可以包括硬度、耐热性等。其贡献度是指对成本的影响度。该结构化数据为成本计算提供了一个基于模具本质特征的基准。
在一些可选的实施例中，所述方法还包括：对所述第一成本、所述第二成本和所述第三成本进行加权求和，得到制造所述目标模具的综合成本。
本实施例中，第一成本基于时序工艺数据与成本的关系计算得出，反映了工艺随时间变化对成本的影响；第二成本基于空间工艺数据与成本的关系计算，体现了工艺参数和设备之间的空间关联对成本的作用；第三成本根据结构化数据（如几何复杂度、工艺路径、材料特性）对成本的贡献度计算，考虑了模具本身的固有属性对成本的影响。通过加权求和，将这三个不同维度的成本信息综合起来，避免了单一维度成本计算可能导致的片面性，使综合成本能够更全面地反映模具制造过程中的各种成本因素。
在一些可选的实施例中，所述目标模具的综合成本的计算式包括如下：
其中，为目标模具的综合成本，、和分别表示基于XGBoost、LSTM和图卷积网络的预测函数，为所述结构化数据，为所述时序工艺数据，为所述空间工艺数据，、和为门控系数，通过预设的注意力机制动态调整。
本实施例中，XGBoost用于建模结构化数据与成本之间的关系。XGBoost通过构建多棵决策树，能够有效捕捉数据中的非线性关系和交互作用，提高预测的准确性和稳定性。
LSTM（长短期记忆网络）是时空图神经网络STGCN中的时序模型，擅长处理时序数据，用于建模时序工艺数据与成本之间的第一关系。LSTM能够有效捕捉时间依赖性模式，识别出时序数据中的规律和趋势，为成本预测提供时序依据。
GCN（图卷积网络）是时空图神经网络STGCN中的图神经网络模型，用于处理图结构数据，用于建模工艺参数之间的关联关系与成本之间的第二关系。通过构建工艺参数之间的关联图，GCN能够捕捉参数之间的相互影响和协同作用，为成本预测提供关联依据。
门控系数、和通过注意力机制动态调整，反映了不同数据源和模型在当前场景下的重要性和贡献度。这种动态调整机制使得模型能够根据不同数据的质量、相关性和可靠性，自动调整各子模型的权重，提高整体预测的准确性和鲁棒性。
注意力机制可以根据输入数据的特征动态调整XGBoost、LSTM和GCN的门控系数（即权重）。这种动态调整能够使模型在不同情况下自动分配不同模型的重要性。例如，当结构化数据对成本的影响较大时，注意力机制会增加XGBoost的门控系数；当时序工艺数据的变化对成本影响显著时，会提高LSTM的门控系数。使得本申请的方法适应复杂多变的制造环境，如设备状态、材料供应、工艺调整等。通过注意力机制动态调整门控系数，综合成本计算方法能够适应这些复杂多变的环境，实时调整模型权重，确保成本预测始终保持较高的准确性。
在一些可选的实施例中，所述得到制造所述目标模具的综合成本之后，还包括：基于所述综合成本和产线实时数据，利用预设的强化学习算法计算得到成本控制策略，所述成本控制策略包括工艺参数的设定、材料选择和加工路径优化中至少一种，所述强化学习算法的奖励函数包括成本降低程度和工艺质量；利用预设的产线的数字孪生模型对所述成本控制策略进行验证，根据验证结果调整所述成本控制策略，直至验证结果符合预设标准，得到最终的成本控制策略。
本实施例中，产线的数字孪生模型是对实际产线的虚拟映射，可以在不干扰实际生产的情况下对成本控制策略进行验证。通过在数字孪生模型中模拟策略的实施过程，可以提前发现潜在的问题和风险，如设备冲突、工艺不匹配等，避免在实际生产中出现成本增加、质量下降或生产中断等不良后果。
预设的强化学习算法用于根据成本预测结果，生成最优的成本控制策略。本实施例采用深度Q网络（DQN）作为强化学习框架，实现成本的动态优化和调整。DQN网络的实现如代码所示：
```python
class DQNAgent:
def __init__(self):
self.memory = ReplayBuffer(10000)
self.q_net = QNetwork(256)
def choose_action(self, state):
state = torch.FloatTensor(state)
return self.q_net(state).argmax()
```
在这一实现中，DQNAgent类包含经验回放缓冲区和Q网络。经验回放缓冲区用于存储历史经验，Q网络用于学习状态到动作的映射关系。choose_action方法根据当前状态，通过Q网络选择最优动作。
在模具成本控制的背景下，强化学习的环境状态由当前的成本状况、工艺参数、设备状态等组成，动作则包括各种成本控制措施，如调整工艺参数、更换材料、优化加工路径等。奖励函数则定义为成本降低程度和工艺质量的综合指标，既考虑成本控制效果，也考虑工艺质量的影响。
强化学习通过试错方式不断优化自身的算法类型。在模具制造中，强化学习算法可以通过不断调整加工参数，寻找最优的制造方案。例如，通过调整切削速度和进给速度，可以实现加工效率和成本的最优平衡。强化学习(RL)是一种机器学习技术，使机器人能够通过从经验中学习来做出智能决策。通过获得程序化的奖励或惩罚，驱动机器人的AI模型在试错的过程中不断改进。
通过强化学习优化器，系统能够根据实时数据和历史经验，动态调整成本控制策略，实现成本的最小化和工艺质量的最优化。这种数据驱动的决策方式，比传统的人工经验判断更加科学、精准，能够有效提高成本控制的效果和效率。
在一些可选的实施例中，所述从所述多模态数据中提取与所述目标模具制造成本相关的特征数据，包括：基于所述多模态数据，提取得到与成本计算相关的初始特征数据；对所述初始特征数据进行特征维度压缩，得到最终与成本计算相关的所述特征数据。
本实施例汇总，高维数据难以直接进行可视化展示，而通过维度压缩将数据降低到二维或三维空间后，可以更直观地展示数据之间的关系和分布情况。例如，可以使用散点图、折线图等可视化工具来展示压缩后的特征数据与成本之间的关系，帮助更好地理解成本的影响因素。
具体而言，在数据处理过程中，采用PCA（主成分分析）和Autoencoder（自动编码器）相结合的方法，实现特征维度压缩。这不仅减少了计算复杂度，提高了系统运行效率，也减少了数据冗余，提高了特征表示的质量和有效性。
实施例二：
在上述实施例的技术上，本实施例提供一个应用实例。本申请提供一种模具成本计算系统。该系统应用上述实施例中所述的成本计算方法。
具体而言，系统的整体架构图如图2所示，在这一架构中，
物理层通过OPC UA协议采集各类传感器数据、设备状态数据和环境参数数据，实现对制造全过程的实时感知；
边缘计算节点负责初步的数据处理和分析，减轻后端计算压力；
Kafka流平台作为系统的核心数据总线，负责数据的高效传输和处理，支持系统的实时响应能力；
特征工程管道对原始数据进行清洗、转换和特征提取，为后续的模型计算提供标准化、高质量的输入数据；
混合预测模型结合多种机器学习算法的优势，实现对模具成本的精准预测；
动态调整引擎基于预测结果和实时数据，生成成本控制策略并执行；
数字孪生验证对控制策略进行仿真验证，确保其有效性和安全性；
最后，工艺优化建议将优化结果以可理解的形式呈现给用户，支持决策制定。
基于上述架构，系统处理12类异构数据源，包括设计数据、工艺数据、设备数据、环境数据、质量数据等。这些数据来源多样，格式各异，通过统一的数据治理框架进行处理和整合。首先，针对结构化数据，采用数据清洗、标准化和特征工程等技术，提取有意义的特征和指标。对于非结构化数据，如设计图纸、加工程序、检测报告等，采用深度学习模型进行语义理解和信息提取。对于时间序列数据，采用时序分析和预测技术，挖掘时间依赖性模式。对于空间数据，如模具三维模型、加工路径等，采用空间分析技术，提取几何特征和拓扑关系。
通过多模态数据融合，系统实现了对模具制造全过程的全面感知和理解，为后续的分析和决策提供丰富的数据支持。在数据处理过程中，采用PCA（主成分分析）和Autoencoder（自动编码器）相结合的方法，实现特征维度压缩，压缩率达85%。这不仅减少了计算复杂度，提高了系统运行效率，也减少了数据冗余，提高了特征表示的质量和有效性。
其中，特征工程技术是机器学习的核心环节，对模型性能具有决定性影响。本实施例针对模具制造过程中的多源异构数据，设计了动态特征工程方法，实现了对数据价值的最大化挖掘。系统定义了三大类关键特征：几何复杂度、工艺路径和材料特性，如下表所示：
几何复杂度:特征通过3D点云曲率分析提取，反映了模具形状的复杂程度及其对加工难度和成本的影响。研究表明，模具的几何复杂度直接影响加工工艺的复杂性，进而影响加工成本。曲率分析能够量化模具表面的弯曲程度，识别出高复杂度区域，为成本估算提供几何依据。
工艺路径:特征通过G代码语义解析提取，反映了加工路径的规划和执行情况。G代码是数控加工中的核心指令，包含丰富的工艺信息。通过语义解析，系统能够从代码中提取出路径长度、进给速度、切削深度等关键参数，为成本计算提供工艺依据。工艺路径的优化对于降低加工成本具有重要意义，尤其是在多品种、小批量的生产模式下。
材料特性:特征通过动态硬度图谱分析提取，反映了材料在加工过程中的物理特性变化。材料特性直接影响加工难度和成本，不同材料需要不同的加工工艺和参数设置。通过动态硬度图谱分析，系统能够识别出材料的硬度分布和变化规律，为工艺参数优化提供材料依据。在模具制造中，材料选择和性能分析是关键环节，直接影响模具的质量和成本。
这三类特征共同构成了模具成本计算的特征空间，覆盖了模具制造过程中的主要影响因素。通过动态特征工程，系统能够根据实时数据和历史经验，动态调整特征权重和计算方法，适应不同场景和需求的变化。这种动态特性使得系统具有良好的适应性和鲁棒性，能够应对模具制造过程中的各种变化和挑战。
时空图网络模型（STGCN）是系统的核心算法模块，用于建模和分析工艺参数与成本要素之间的时空关联关系。STGCN模型结合了图神经网络和时序模型的优势，能够有效捕捉数据中的时空依赖性。
STGCN模型的结构如代码所示：
```python
class STGCN(nn.Module):
def __init__(self):
self.gcn = GraphConv(in_dim=128, out_dim=64)
self.tcn = TemporalConv(64, 32)
def forward(self, graph_data):
spatial_feat = self.gcn(graph_data)
temporal_feat = self.tcn(spatial_feat)
return temporal_feat
```
在这一模型中，GraphConv层用于捕捉空间维度上的关联关系，例如不同工艺参数之间的相互影响，不同设备之间的协作关系等。TemporalConv层则用于捕捉时间维度上的变化规律，例如工艺参数随时间变化的趋势，成本要素的动态演化等。通过两者的结合，STGCN能够全面、深入地分析工艺与成本之间的复杂关系。
时空图神经网络近年来得到了广泛关注，它通过集成图神经网络和各种时间学习方法，能够提取复杂的时空依赖关系。在城市计算预测中，STGNN框架已经显示出强大的性能，能够有效处理时空数据并进行准确预测。在多元时序预测中，基于动态自适应时空图的模型已经显示出优越的性能。这些研究表明，时空图神经网络在处理具有时空特性的数据时具有显著优势，这为STGCN在模具成本控制中的应用提供了理论基础。
通过STGCN模型，系统能够构建工艺-成本关联矩阵，量化分析工艺参数对成本的影响程度和影响方向。这一矩阵为成本优化提供了明确的方向和依据，指导企业有针对性地进行工艺改进和成本控制。
混合预测模型是系统的核心算法模块，用于对模具成本进行精准预测。模型结合了多种机器学习算法的优势，实现了对复杂非线性关系的有效建模。混合预测模型的数学表达式为：
其中，为目标模具的综合成本，、和分别表示基于XGBoost、LSTM和图卷积网络的预测函数，为所述结构化数据，为所述时序工艺数据，为所述空间工艺数据，、和为门控系数，通过预设的注意力机制动态调整。
XGBoost是一种集成学习算法，以其高性能和可解释性而闻名。在本实施例中，XGBoost用于建模结构化数据（如材料特性、设备参数等）与成本之间的关系。XGBoost通过构建多棵决策树，能够有效捕捉数据中的非线性关系和交互作用，提高预测的准确性和稳定性。
LSTM（长短期记忆网络）是一种循环神经网络，擅长处理时序数据。在本实施例中，LSTM用于建模时序数据（如加工过程中的参数变化、环境条件变化等）与成本之间的关系。LSTM能够有效捕捉时间依赖性模式，识别出时序数据中的规律和趋势，为成本预测提供时序依据。
GCN（图卷积网络）是一种图神经网络，用于处理图结构数据。在本实施例中，GCN用于建模工艺参数之间的关联关系与成本之间的关系。通过构建工艺参数之间的关联图，GCN能够捕捉参数之间的相互影响和协同作用，为成本预测提供关联依据。
门控系数α、β和γ通过注意力机制动态调整，反映了不同数据源和模型在当前场景下的重要性和贡献度。这种动态调整机制使得模型能够根据不同数据的质量、相关性和可靠性，自动调整各子模型的权重，提高整体预测的准确性和鲁棒性。
混合预测模型的优势在于能够结合不同模型的特点，互补各自的不足，提高预测的全面性和准确性。XGBoost提供可解释性和稳定性，LSTM捕捉时序特征，GCN建模关联关系，三者结合形成一个全面、精准的预测框架。这种混合方法在复杂系统建模中具有显著优势，能够有效应对模具成本预测中的各种挑战。
强化学习优化器是系统的核心控制模块，用于根据成本预测结果，生成最优的成本控制策略。本实施例采用深度Q网络（DQN）作为强化学习框架，实现成本的动态优化和调整。
DQN网络的实现如代码所示：
```python
class DQNAgent:
def __init__(self):
self.memory = ReplayBuffer(10000)
self.q_net = QNetwork(256)
def choose_action(self, state):
state = torch.FloatTensor(state)
return self.q_net(state).argmax()
```
在这一实现中，DQNAgent类包含经验回放缓冲区和Q网络。经验回放缓冲区用于存储历史经验，Q网络用于学习状态到动作的映射关系。choose_action方法根据当前状态，通过Q网络选择最优动作。
在模具成本控制的背景下，强化学习的环境状态由当前的成本状况、工艺参数、设备状态等组成，动作则包括各种成本控制措施，如调整工艺参数、更换材料、优化加工路径等。奖励函数则定义为成本降低程度和工艺质量的综合指标，既考虑成本控制效果，也考虑工艺质量的影响。
强化学习通过试错方式不断优化自身的算法类型。在模具制造中，强化学习算法可以通过不断调整加工参数，寻找最优的制造方案。例如，通过调整切削速度和进给速度，可以实现加工效率和成本的最优平衡。强化学习(RL)是一种机器学习技术，使机器人能够通过从经验中学习来做出智能决策。通过获得程序化的奖励或惩罚，驱动机器人的AI模型在试错的过程中不断改进。
通过强化学习优化器，系统能够根据实时数据和历史经验，动态调整成本控制策略，实现成本的最小化和工艺质量的最优化。这种数据驱动的决策方式，比传统的人工经验判断更加科学、精准，能够有效提高成本控制的效果和效率。
为了验证本实施例系统的有效性，在某大型模具企业进行了实际应用测试。实验环境配置如下表2：
表2（配置表）
实验中使用的硬件平台是NVIDIA DGX A100集群，提供了强大的计算能力，支持深度学习和复杂算法的高效运行。数据规模达到了15TB的CAD数据和2.4亿条传感数据，覆盖了模具设计、加工、装配、检测等全过程，为系统的训练和测试提供了丰富的数据支持。
对比基准选择了SAP MES（制造执行系统）和SolidWorks PLM（产品生命周期管理）系统，这是当前模具行业广泛使用的管理软件，具有较高的市场认可度和应用价值。通过与这些成熟系统的对比，能够客观评估本实施例提出方法的优势和创新性。
为了验证系统的性能优势，本实施例对传统系统和本系统在成本预测准确性、异常响应时间和动态调整成功率三个方面进行了对比，结果如表3所示：
表3（性能对比）
成本预测准确性：传统系统的平均绝对误差（MAE）为8.7万元，而本系统的MAE仅为3.1万元，误差降低了64.4%。这表明本系统在成本预测方面具有显著优势，能够更准确地估算模具成本，为成本控制提供可靠依据。成本预测的准确性对于企业的决策至关重要，准确的预测可以指导企业进行更合理的资源配置和成本管理。
异常响应时间：传统系统的异常检测延迟为4小时，而本系统的异常检测延迟仅为8.7秒，响应时间缩短了99.4%。这表明本系统在实时监控和快速响应方面具有显著优势，能够及时发现和处理成本异常情况，防止问题扩大和损失增加。在快速变化的市场环境中，及时响应能力对于企业的生存和发展至关重要。
动态调整成功率：传统系统的动态调整成功率为68%，而本系统的动态调整成功率达92.3%，成功率提高了35.7%。这表明本系统在成本控制策略的生成和执行方面具有显著优势，能够更有效地实现成本控制目标。动态调整能力是智能成本控制系统的核心竞争力，决定了系统应对变化和挑战的能力。
这些对比结果充分证明了本实施例提出方法的有效性和优越性，验证了系统的实际应用价值。通过人工智能和机器学习技术的应用，系统实现了成本控制的智能化、动态化和精细化，显著提高了企业的成本管理水平和竞争力。
为了更直观地展示系统的优化效果，本实施例对模具成本的各个构成部分进行了对比分析，结果如图3所示。从图中可以看出，系统在各个成本构成部分都实现了显著优化：
1、材料成本：传统方法下的材料成本为42单位，优化后降至35单位，降低了16.7%。这表明系统能够通过优化材料选择、减少材料浪费等方式，有效降低材料成本。材料成本是模具制造中的主要成本构成，约占总成本的40%左右，降低材料成本对于整体成本控制具有重要意义。
2、加工成本：传统方法下的加工成本为33单位，优化后降至28单位，降低了15.2%。这表明系统能够通过优化加工工艺、提高加工效率等方式，有效降低加工成本。加工成本是模具制造中的第二大成本构成，约占总成本的30%左右，降低加工成本对于提高企业的竞争力具有重要意义。
3、能耗成本：传统方法下的能耗成本为15单位，优化后降至9单位，降低了40%。这表明系统能够通过优化设备运行、减少能源浪费等方式，有效降低能耗成本。虽然能耗成本在总成本中占比相对较小，但降低能耗不仅能够节约成本，还能够减少环境污染，提高企业的社会责任形象。
这些优化结果表明，本实施例的系统不仅能够实现整体成本的降低，还能够针对不同成本构成部分进行精准优化，提高成本控制的精细化水平。这种全面、精准的成本控制能力，是传统方法难以实现的。
综上所述，本实施例在模具成本计算系统具体表现在方法学创新、技术创新和应用创新三个方面：
1、方法学创新：工艺特征时空图建模理论
本实施例提出了一种新的方法学框架——工艺特征时空图建模理论，为模具成本控制提供了新的思路和工具。这一方法学框架的核心是时空图神经网络（STGCN），通过集成图神经网络和各种时间学习方法，能够提取复杂的时空依赖关系。
STGCN模型能够同时考虑工艺参数的空间关联性和时间演化性，全面捕捉工艺与成本之间的复杂关系。在空间维度上，STGCN通过图卷积操作，捕捉不同工艺参数之间的相互影响和关联关系；在时间维度上，STGCN通过时间卷积操作，捕捉工艺参数和成本要素的动态变化规律。通过时空结合，STGCN能够更全面、更深入地分析工艺与成本之间的关系，为成本控制提供更准确的预测和更有效的策略。
工艺特征时空图建模理论的创新之处在于，它不仅关注单一工艺参数对成本的影响，还关注工艺参数之间的相互作用和协同效应，以及这些影响和作用如何随时间和空间变化。这种全面、动态的建模方法，能够更准确地反映模具制造过程的复杂性和变化性，为成本控制提供更科学、更精准的依据。
2、技术创新：流式计算驱动的动态调整引擎
本实施例提供了一种新的技术架构——流式计算驱动的动态调整引擎，为模具成本控制提供了强大的技术支持。这一技术架构的核心是流式计算技术，它能够在持续变化进程中，对大规模流动数据进行实时分析，捕捉到有价值的信息，并把结果发送到下一计算节点。
流式计算驱动的动态调整引擎通过实时监控制造过程中的各种数据，如设备状态、加工参数、环境条件等，及时发现成本异常情况，并根据预设规则或算法模型，自动生成和执行调整措施。这种实时监控和快速响应的能力，使得系统能够及时发现和处理成本问题，防止问题扩大和损失增加。
流式计算驱动的动态调整引擎的创新之处在于，它打破了传统成本控制的周期性和滞后性，实现了成本控制的实时性和前瞻性。系统响应时间从传统的4-6小时缩短至8.7秒，响应时间缩短了，这种实时响应能力使得系统能够及时发现和处理成本异常情况，防止问题扩大和损失增加。在快速变化的市场环境中，及时响应能力对于企业的生存和发展至关重要。
3、应用创新：数字孪生验证的闭环控制系统
本实施例构建了一种新的应用模式——数字孪生验证的闭环控制系统，为模具成本控制提供了全新的应用场景。这一应用模式的核心是数字孪生技术，它通过创建物理对象或系统的虚拟复制品，实现在虚拟环境中进行仿真、测试和优化。
数字孪生验证的闭环控制系统通过将实际制造过程映射到虚拟环境中，创建一个数字孪生模型。这个模型不仅可以实时反映实际过程的状态和变化，还可以用于模拟和测试各种成本控制策略，预测其效果和影响。通过数字孪生验证，系统可以在实施前评估各种成本控制策略的有效性和安全性，减少实施风险和成本。
数字孪生验证的闭环控制系统的创新之处在于，实现了成本控制的闭环管理，形成了"预测-决策-执行-评估"的完整流程。通过数字孪生验证，系统可以不断学习和优化，提高成本控制的效果和效率。将数字孪生模型与生产系统相关联，实现同步运行、实时监控，可实现产品在设计、制造过程中的虚拟仿真，以提高产品的质量、生产效率和产品质量稳定性。
通过本实施例的模具成本计算系统，实现了模具成本控制领域的三大突破：
首先，成本预测精度突破行业基准（<5%误差）。传统方法的成本预测误差率高达15.6%，而本系统将误差率降低至3.1%，误差降低了80%。这表明系统在成本预测方面具有显著优势，能够更准确地估算模具成本，为成本控制提供可靠依据。成本预测的准确性对于企业的决策至关重要，准确的预测可以指导企业进行更合理的资源配置和成本管理。
其次，动态响应速度达亚秒级水平。传统系统的异常检测延迟为4小时，而本系统的异常检测延迟仅为8.7秒，响应时间缩短了99.4%。这表明系统在实时监控和快速响应方面具有显著优势，能够及时发现和处理成本异常情况，防止问题扩大和损失增加。在快速变化的市场环境中，及时响应能力对于企业的生存和发展至关重要。
第三，构建了可解释的工艺优化知识库。系统不仅能够实现成本预测和控制，还能够提供可解释的优化建议和知识，帮助用户理解和应用这些优化措施。这种可解释性使得系统不仅是一个黑盒工具，更是一个知识平台，能够促进用户的学习和成长。
这些突破充分证明了人工智能和机器学习技术在模具成本控制领域的应用价值，展示了数据驱动决策的优势和潜力。通过将这些先进技术应用于模具成本控制，实现了从经验驱动到数据驱动的转变，从被动响应到主动预防的转变，从粗放管理到精细管理的转变。
实施例三：
本申请的另一个实施例涉及一种模具成本计算装置，下面对本实施例的模具成本计算装置的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施例的模具成本计算装置的示意图可以如图4所示，包括数据获取模块410、特征数据提取模块420、第一成本计算模块430、和第二成本计算模块440。
数据获取模块410，用于获取与目标模具制造相关的多模态数据；
特征数据提取模块420，用于从所述多模态数据中提取与所述目标模具制造成本相关的特征数据；
第一成本计算模块430，用于基于预设的时空图网络模型，从所述特征数据中提取时序工艺数据，以及分析所述时序工艺数据随时间变化与成本的第一关系，根据所述第一关系计算所述目标模具的第一成本；和/或
第二成本计算模块440，用于基于所述时空图网络模型，从所述特征数据中提取空间工艺数据，以及分析所述空间工艺数据与成本的第二关系，根据所述第二关系计算所述目标模具的第二成本，其中，所述空间工艺数据包括互相关联的工艺参数和/或互相关联的设备。
值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
在一些可选的实施例中，模具成本计算装置还包括：
关联矩阵构建模块，用于根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，所述工艺-成本关联矩阵用于量化分析特征数据对成本的影响程度和影响方向；
关联成本计算模块，用于根据所述工艺-成本关联矩阵计算所述第一成本和所述第二成本。
在一些可选的实施例中，所述关联矩阵构建模块包括：
时空图构建单元，用于利用所述时空图网络模型将各所述特征数据和成本要素抽象为时空图结构中的各节点，所述成本要素包括原材料采购成本、加工成本和加工损耗成本中至少之一；
第一关系构建单元，用于通过所述时空图网络模型中的时序模型分析每个节点的历史序列数据，得到所述特征数据与所述成本要素之间的所述第一关系；
第二关系构建单元，用于通过所述时空图网络模型中的图神经网络模型聚合邻居节点的信息，得到所述特征数据与所述成本要素之间的所述第二关系；
关联矩阵构建单元，用于根据所述第一关系和所述第二关系构建所述工艺-成本关联矩阵。
在一些可选的实施例中，所述装置还包括：
结构化数据提取模块，用于从所述特征数据中提取结构化数据，所述结构化数据的类型包括几何复杂度、工艺路径和材料特性中至少一种；
第三成本计算模块，用于根据所述结构化数据对成本的贡献度，计算所述目标模具的第三成本。
在一些可选的实施例中，所述结构化数据提取模块，包括以下至少之一：
几何复杂度提取单元，用于通过3D点云曲率分析提取得到所述几何复杂度；和
工艺路径提取单元，用于基于数控加工指令库提取得到所述工艺路径下的相关参数，所述相关参数包括路径长度、进给速度和切削深度中至少一种；和
材料特性提取单元，用于通过动态硬度图谱分析得到所述材料特性，其中，所述动态硬度图谱用于模拟实际加工条件下，材料硬度随位置、温度、时间或应变率的变化。
在一些可选的实施例中，所述装置还包括：
综合成本计算模块，用于对所述第一成本、所述第二成本和所述第三成本进行加权求和，得到制造所述目标模具的综合成本。
在一些可选的实施例中，还包括：
成本控制策略生成模块，用于基于所述综合成本和产线实时数据，利用预设的强化学习算法计算得到成本控制策略，所述成本控制策略包括工艺参数的设定、材料选择和加工路径优化中至少一种，所述强化学习算法的奖励函数包括成本降低程度和工艺质量；
控制策略验证模块，用于利用预设的产线的数字孪生模型对所述成本控制策略进行验证，根据验证结果调整所述成本控制策略，直至验证结果符合预设标准，得到最终的成本控制策略。
在一些可选的实施例中，所述特征数据提取模块，包括：
初始特征数据提取单元，用于基于所述多模态数据，提取得到与成本计算相关的初始特征数据；
特征维度压缩单元，用于对所述初始特征数据进行特征维度压缩，得到最终与成本计算相关的所述特征数据。
实施例四：
本申请另一个实施例涉及一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述各实施例中的模具成本计算方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
实施例五：
本申请另一个实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory ，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (12)

1.一种模具成本计算方法，其特征在于，包括：
获取与目标模具制造相关的多模态数据；
从所述多模态数据中提取与所述目标模具制造成本相关的特征数据；
基于预设的时空图网络模型，从所述特征数据中提取时序工艺数据，以及分析所述时序工艺数据随时间变化与成本的第一关系，根据所述第一关系计算所述目标模具的第一成本；
和/或
基于所述时空图网络模型，从所述特征数据中提取空间工艺数据，以及分析所述空间工艺数据与成本的第二关系，根据所述第二关系计算所述目标模具的第二成本，其中，所述空间工艺数据包括互相关联的工艺参数和/或互相关联的设备。
2.根据权利要求1所述的模具成本计算方法，其特征在于，根据所述第一关系计算所述目标模具的第一成本，和根据所述第二关系计算所述目标模具的第二成本，包括：
根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，所述工艺-成本关联矩阵用于量化分析特征数据对成本的影响程度和影响方向；
根据所述工艺-成本关联矩阵计算所述第一成本和所述第二成本。
3.根据权利要求2所述的模具成本计算方法，其特征在于，所述根据所述第一关系和所述第二关系构建工艺-成本关联矩阵，包括：
利用所述时空图网络模型将各所述特征数据和成本要素抽象为时空图结构中的各节点，所述成本要素包括原材料采购成本、加工成本和加工损耗成本中至少之一；
通过所述时空图网络模型中的时序模型分析每个节点的历史序列数据，得到所述特征数据与所述成本要素之间的所述第一关系；
通过所述时空图网络模型中的图神经网络模型聚合邻居节点的信息，得到所述特征数据与所述成本要素之间的所述第二关系；
根据所述第一关系和所述第二关系构建所述工艺-成本关联矩阵。
4.根据权利要求1所述的模具成本计算方法，其特征在于，所述方法还包括：
从所述特征数据中提取结构化数据，所述结构化数据的类型包括几何复杂度、工艺路径和材料特性中至少一种；
根据所述结构化数据对成本的贡献度，计算所述目标模具的第三成本。
5.根据权利要求4所述的模具成本计算方法，其特征在于，所述从所述特征数据中提取结构化数据，包括以下至少之一：
通过3D点云曲率分析提取得到所述几何复杂度；和
基于数控加工指令库提取得到所述工艺路径下的相关参数，所述相关参数包括路径长度、进给速度和切削深度中至少一种；和
通过动态硬度图谱分析得到所述材料特性，其中，所述动态硬度图谱用于模拟实际加工条件下，材料硬度随位置、温度、时间或应变率的变化。
6.根据权利要求4所述的模具成本计算方法，其特征在于，所述方法还包括：
对所述第一成本、所述第二成本和所述第三成本进行加权求和，得到制造所述目标模具的综合成本。
7.根据权利要求6所述的模具成本计算方法，其特征在于，所述目标模具的综合成本的计算式包括如下：
其中，为目标模具的综合成本，、和分别表示基于XGBoost、LSTM和图卷积网络的预测函数，为所述结构化数据，为所述时序工艺数据，为所述空间工艺数据，、和为门控系数，通过预设的注意力机制动态调整。
8.根据权利要求6所述的模具成本计算方法，其特征在于，所述得到制造所述目标模具的综合成本之后，还包括：
基于所述综合成本和产线实时数据，利用预设的强化学习算法计算得到成本控制策略，所述成本控制策略包括工艺参数的设定、材料选择和加工路径优化中至少一种，所述强化学习算法的奖励函数包括成本降低程度和工艺质量；
利用预设的产线的数字孪生模型对所述成本控制策略进行验证，根据验证结果调整所述成本控制策略，直至验证结果符合预设标准，得到最终的成本控制策略。
9.根据权利要求1-8中任一项所述的模具成本计算方法，其特征在于，所述从所述多模态数据中提取与所述目标模具制造成本相关的特征数据，包括：
基于所述多模态数据，提取得到与成本计算相关的初始特征数据；
对所述初始特征数据进行特征维度压缩，得到最终与成本计算相关的所述特征数据。
10.一种模具成本计算装置，其特征在于，包括：
数据获取模块，用于获取与目标模具制造相关的多模态数据；
特征数据提取模块，用于从所述多模态数据中提取与所述目标模具制造成本相关的特征数据；
第一成本计算模块，用于基于预设的时空图网络模型，从所述特征数据中提取时序工艺数据，以及分析所述时序工艺数据随时间变化与成本的第一关系，根据所述第一关系计算所述目标模具的第一成本；和/或
第二成本计算模块，用于基于所述时空图网络模型，从所述特征数据中提取空间工艺数据，以及分析所述空间工艺数据与成本的第二关系，根据所述第二关系计算所述目标模具的第二成本，其中，所述空间工艺数据包括互相关联的工艺参数和/或互相关联的设备。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任一所述的模具成本计算方法。
12.一种计算机可读存储介质，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9中任一项所述的模具成本计算方法。
CN202510811746.9A 2025-06-18 2025-06-18 模具成本计算方法、装置、设备和存储介质 Active CN120317841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510811746.9A CN120317841B (zh) 2025-06-18 2025-06-18 模具成本计算方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510811746.9A CN120317841B (zh) 2025-06-18 2025-06-18 模具成本计算方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN120317841A true CN120317841A (zh) 2025-07-15
CN120317841B CN120317841B (zh) 2025-08-19

Family

ID=96326248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510811746.9A Active CN120317841B (zh) 2025-06-18 2025-06-18 模具成本计算方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN120317841B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542700A (zh) * 2023-01-11 2023-08-04 国网浙江省电力有限公司经济技术研究院 基于注意力机制的电力费用预测方法、装置、设备及介质
CN118552268A (zh) * 2024-07-30 2024-08-27 日达智造科技(如皋)有限公司 一种模具成本分析方法、系统、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542700A (zh) * 2023-01-11 2023-08-04 国网浙江省电力有限公司经济技术研究院 基于注意力机制的电力费用预测方法、装置、设备及介质
CN118552268A (zh) * 2024-07-30 2024-08-27 日达智造科技(如皋)有限公司 一种模具成本分析方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN120317841B (zh) 2025-08-19

Similar Documents

Publication Publication Date Title
Tao et al. Data-driven smart manufacturing
CN116485576B (zh) 一种航空制造业知源大脑数据智能制造管理方法
CN117669984B (zh) 基于数字孪生及知识图谱的强化学习的车间调度方法
CN120012897B (zh) 一种基于深度学习的产业链图谱建模方法及系统
CN112084646B (zh) 一种基于数字孪生的模块化产品定制方法
CN112800668A (zh) 基于数字孪生的复杂产品运维与制造集成总体模型
CN110704974A (zh) 基于数字孪生驱动的工艺模型的建模与使用方法
CN110231808B (zh) 一种生产过程能效跨尺度智能协同控制系统与方法
CN117521494A (zh) 一种基于数字孪生的高端电池生产线智能工厂设计方法
CN118998031B (zh) 一种自适应负载变化的空压机控制方法及控制装置
CN120370843A (zh) 一种基于工业机理ai数据模型获取机床最优参数的方法及系统
Chen et al. An intelligent broaching tool design method based on CBR and support vector machine
CN113569453B (zh) 一种面向加工的数字孪生产品模型的迁移方法
CN120406166B (zh) 工艺参数优化方法、设备及存储介质
CN120317841B (zh) 模具成本计算方法、装置、设备和存储介质
CN120410330A (zh) 基于多维度指标的建筑设计项目智能评价方法及系统
CN120279195A (zh) 一种基于数字孪生的三维可视化编辑管理方法及系统
CN119250506A (zh) 一种构建产业链大模型的方法
CN119691837A (zh) 超高速光模块生产线数字孪生体多维度动态构建方法、装置、设备及介质
CN116109217B (zh) 一种孪生平台及孪生体的建立方法
CN118959403A (zh) 一种液压系统流量智能调节方法
Cai et al. Active monitoring of production status in discrete manufacturing workshops driven by digital twins
Gao et al. Research on product sales forecasting based on multi-value chain collaborative data management system in manufacturing industry
Chen Consumer Online Shopping Behavior Prediction Based on Machine Learning Algorithm
Wang et al. Digital twin driven design evaluation

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