【技術實現步驟摘要】
本專利技術涉及人工智能和工業自動化，特別涉及基于深度神經網絡的金屬加工預測與處理方法及系統。
技術介紹
1、隨著工業4.0的推進，智能制造成為工業發展的趨勢。比如將人工智能模型應用到金屬加工領域，比如申請號為cn202310008813.4一種基于形狀特征的金屬加工表面缺陷檢測系統及檢測方法，結合了傳統圖像定位分割算法和卷積神經網絡來獲得金屬加工表面缺陷分類圖，即現有的人工智能模型是對金屬加工的結果進行自動化圖像識別，而金屬加工工藝還是依賴經驗，難以實現精準的工藝控制和質量保證。
技術實現思路
1、為了解決現有技術的上述問題，本專利技術提供基于深度神經網絡的金屬加工預測與處理方法及系統，能夠實現精準的工藝控制。
2、為了達到上述目的，本專利技術采用的技術方案為：
3、第一方面，本專利技術提供基于深度神經網絡的金屬加工預測與處理方法，包括以下步驟：
4、獲取每一次金屬加工過程中的各項加工參數和加工結果，將所述加工參數、所述加工結果、對應的原材料參數和對應的質量評分參數作為金屬加工數據，所述加工參數包括設備狀態參數和設備設定參數，所述設備狀態參數是指金屬加工設備在金屬加工過程中的狀態參數，所述設備設定參數是指需要設定到金屬加工設備中的生產參數；
5、構建dnn模型，將所述金屬加工數據輸入到所構建的dnn模型中進行訓練，得到并保存訓練好的金屬加工預測模型，所述原材料參數、所述設備狀態參數和所述質量評分參數作為所述dnn模型的輸入參數，根據所
6、加載所述金屬加工預測模型，將當前產品的當前原材料參數、當前設備狀態參數和當前質量評分參數輸入到所述金屬加工預測模型，得到所述金屬加工預測模型輸出的下一產品的待優化設備設定參數；
7、在下一產品生產開始前，根據所述待優化設備設定參數來調整設備設定參數。
8、本專利技術的有益效果在于：獲取每一次金屬加工過程中的各項加工參數和加工結果，將其作為訓練數據來訓練dnn模型，以得到金屬加工預測模型，從而通過金屬加工預測模型來對新的加工數據進行實時預測，并根據預測結果調整加工參數，優化加工工藝，實現精準的工藝控制。
9、可選地，所述根據所述加工結果和所述質量評分參數來選擇新的設備設定參數作為所述dnn模型的輸出參數包括以下步驟：
10、針對第一輸入參數，獲取與所述第一輸入參數屬于同一類型產品、同一生產線且加工結果達到質量評分參數的加工數據集合sq，從所述加工數據集合sq中選擇與所述第一輸入參數所在的第一金屬加工數據中的第一設備設定參數最匹配的一組設備設定參數來作為新的設備設定參數，得到所述第一輸入參數在所述dnn模型的輸出參數。
11、根據上述描述可知，通過對設備設定參數進行自匹配來自動新的設備設定參數。
12、可選地，兩組設備設定參數之間的匹配關系是通過兩組設備設定參數中每一個設定參數之間的差值和對應權重值的乘積進行累加之后得到的。
13、可選地，還包括以下步驟：
14、若所述加工數據集合sq中的數據量低于下限閾值，則依次增加同一類型產品且不同生產線的金屬加工數據，以及同一生產線且不同類型產品的金屬加工數據，其中，同一類型產品且同一生產線的金屬加工數據、同一類型產品且不同生產線的金屬加工數據以及同一生產線且不同類型產品的金屬加工數據三者在進行設備設定參數匹配時的換算比例依次降低。
15、可選地，所述下一產品是所述當前產品同一批次的下一個產品或者所述當前產品下一個批次的產品。
16、可選地，所述構建dnn模型之前還包括步驟：
17、對所述金屬加工數據進行數據預處理，所述數據預處理包括標準化處理、缺失數據填補和異常數據處理；
18、所述將當前產品的當前原材料參數、當前設備狀態參數和當前質量評分參數作為輸入參數輸入到所述金屬加工預測模型之前還包括步驟：
19、將當前產品的當前原材料參數、當前設備狀態參數和當前質量評分參數進行數據預處理。
20、可選地，所述數據預處理使用python的pandas庫進行實現。
21、可選地，所述構建dnn模型之后還包括以下步驟：
22、定義超參搜索空間，并使用貝葉斯優化方法對dnn模型的超參數進行調優。
23、可選地，所述設備狀態參數包括設備核心部件溫度、主電電壓、核心輥振動幅度和供氣壓力；
24、所述原材料參數包括原材料外觀尺寸、原材料內部合金配比、原材料初始溫度、材料表面油膜厚度；
25、所述質量評分參數包括客戶訂單中的產品要求參數、產品表面平整度、平均厚度和瑕疵數量；
26、所述設備設定參數包括來料預熱的目標溫度值、設備核心下的設置壓力和來料前進步進距離值。
27、其中，第二方面所提供的基于深度神經網絡的金屬加工預測與處理系統所對應的技術效果參照第一方面所提供的基于深度神經網絡的金屬加工預測與處理方法的相關描述。
本文檔來自技高網...【技術保護點】
1.基于深度神經網絡的金屬加工預測與處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述根據所述加工結果和所述質量評分參數來選擇新的設備設定參數作為所述DNN模型的輸出參數包括以下步驟：
3.根據權利要求2所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，兩組設備設定參數之間的匹配關系是通過兩組設備設定參數中每一個設定參數之間的差值和對應權重值的乘積進行累加之后得到的。
4.根據權利要求3所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，還包括以下步驟：
5.根據權利要求1所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述下一產品是所述當前產品同一批次的下一個產品或者所述當前產品下一個批次的產品。
6.根據權利要求1至5任一所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述構建DNN模型之前還包括步驟：
7.根據權利要求6所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述數據預處理
8.根據權利要求1至5任一所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述構建DNN模型之后還包括以下步驟：
9.根據權利要求1至5任一所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述設備狀態參數包括設備核心部件溫度、主電電壓、核心輥振動幅度和供氣壓力；
10.基于深度神經網絡的金屬加工預測與處理系統，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至9任一項所述的基于深度神經網絡的金屬加工預測與處理方法。
...【技術特征摘要】
1.基于深度神經網絡的金屬加工預測與處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述根據所述加工結果和所述質量評分參數來選擇新的設備設定參數作為所述dnn模型的輸出參數包括以下步驟：
3.根據權利要求2所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，兩組設備設定參數之間的匹配關系是通過兩組設備設定參數中每一個設定參數之間的差值和對應權重值的乘積進行累加之后得到的。
4.根據權利要求3所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，還包括以下步驟：
5.根據權利要求1所述的基于深度神經網絡的金屬加工預測與處理方法，其特征在于，所述下一產品是所述當前產品同一批次的下一個產品或者所述當前產品下一個批次的產品。
6.根據權利要求1至5任一所...
【專利技術屬性】
技術研發人員：金鑫，崔冰，
申請(專利權)人：國研慧工上海智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。