【技術實現步驟摘要】
本專利技術涉及板材切割下料智能制造領域，尤其是涉及一種基于塊材零件毛坯切割工藝的庫存構成決策優化方法。
技術介紹
1、現有技術中，零件毛坯件生產的過程中，要消耗大量的金屬矩形塊鋼錠，多數零件采用矩形塊毛坯制作。基于產品的復雜性和多樣性，用同一型號規格的金屬矩形塊鋼錠，可以切割制造出具有多種尺寸的矩形塊毛坯零件。
2、但實際中，企業采取單一的下料法，即同一塊鋼錠上只切割一種尺寸的毛坯，由于原材料尺寸和零件毛坯尺寸不相匹配的關系，從而產生一些殘料，導致材料利用率下降，影響企業的經濟效益。理論上，通過合理的零件排樣可下料利用率，當前由于工藝及管理上的一些原因，大多數企業確定合理的原材料規格尚有一定的困難。
技術實現思路
1、本專利技術的主要目的在于提供一種考慮塊材毛坯切割工藝原材料庫存構成決策優化方法，解決當前無法根據原材料規格進行合理的零件毛坯切割，導致的材料浪費和材料利用率下降等技術問題。
2、為解決上述技術問題，本專利技術所采用的技術方案是：一種基于塊材零件毛坯切割工藝的庫存構成決策優化方法，
3、優選方案中，包括以下步驟：
4、s1：特征提取：獲取預設生產周期內原材料中相關零件的尺寸特征，并按照零件的邊長進行特征提取后，保存至數據集；
5、s2：模型搭建：搭建isolation?forest決策模型，并采用數據集進行模型訓練后，保留最優決策模型；
6、s3：特征篩選：將待測原材料中進行步驟s1中特征提取后，輸
7、s4：零件聚類：采用基于som的k-means聚類對第二數據集進行聚類分析，并獲得聚類中心；
8、s5：排樣迭代：根據聚類中心，并以零件在原材料上所有可行的排樣方式中，損失的總原材料體積作為適應度，進行種群迭代；
9、s6：輸出結果：當完成種群迭代時，輸出當前最優的排樣結果。
10、優選方案中，步驟s5包括以下步驟：
11、s51：種群初始化：將聚類中心作為初始種群，并采用整數編碼，即根據原材料的尺寸，包括寬度和厚度，采用相鄰的兩個編碼位代表代表一種原材料的尺寸；
12、s52：適應度計算：計算零件在原材料上所有可行的排樣方式，并找出所有可行解所浪費的原材料體積，其中零件應保證任意單個矩形箱體外形尺寸均應包含于原材料的內部，其約束式子為：
13、；
14、式中，、和表示零件的長、寬和高，、和表示原材料的長、寬和高；、和為軸方向相對位置坐標；
15、以損失的總原材料體作為適應度，公式為：
16、；
17、；
18、式中，為浪費體積，浪費體積之和，為原材料的長、寬和高，為零件的長、寬和高。
19、優選方案中，適應度的計算具體包括以下步驟：
20、a1：預設尺寸的鋼錠，決定每種零件的排樣方案使下料利用率達到最高；
21、a2：獲取庫存各種矩形塊鋼錠尺寸數據，以使對應零件的需求所需的鋼錠總體積最小為原則，為每種矩形塊零件選定下料時要使用的鋼錠尺寸；其中，原材料鋼錠的長度可視為無限，寬和厚是確定，從而確定零件的長、寬、厚三個尺寸數據；
22、a3：通過計算零件在原材料上不同的擺放位置，可得到不同的切割費料，對于每一個零件，選擇最合適的規格以最小的費料方式擺放，將所有零件費料最小的費料體積相加，即為適應度。
23、優選方案中，步驟s6中，還包括針對原材料的尺寸特征，設計出僅在偶數位發生交叉的交叉算子與以3或3的倍數發生變異的變異算子以減少解空間的范圍，當排樣結果到達預設利用率或迭代次數到達上限后，即為當前最優的排樣結果。
24、優選方案中，步驟s1中，預設生產周期內原材料中相關零件的尺寸特征，按照零件的邊長進行特征提取，包括：按照零件的尺寸邊長進行排序，獲得零件特征，零件特征包括最長邊、次長邊和最短邊。
25、優選方案中，步驟s3中，isolation?forest決策模型根據零件特征判斷零件是否異常，通過設置異常點比例參數，對零件進行篩選。
26、優選方案中，判斷零件是否異常，對零件進行篩選，具體包括：
27、s301：計算第二數據集中數據點的路徑長度期望值：第二數據集中的一個數據點，第二數據集的大小為，記錄數據點在樹中的路徑長度，一棵隔離樹路徑長度為，其中，為路徑長度的期望，為第項調和級數，n為數據集的大小；
28、s302：采用路徑長度期望值計算數據點x的當前異常得分，公式為：
29、；
30、式中，是一個正常化的常數；
31、s303：若當前異常得分大于預設異常閾值，則當前零件是異常的，將在聚類時剔除當前零件。
32、優選方案中，步驟s4中包括以下步驟：
33、s401：采用som對第二數據集進行拓撲結構映射，進行快速聚類，其中：
34、第二數據集的特征數據點，每個som節點都有一個權重向量，計算輸入數據點與所有節點的歐氏距離，并找到最小距離對應的節點bmu，som更新bmu及其鄰域節點的權重向量，公式為：
35、；
36、式中，是節點在第次迭代時的權重向量，是學習率，是鄰域函數；
37、s402：將進行som后的每個節點的權重向量作為輸入，采用k-means聚類，獲得聚類中心，其中：選擇個簇中心，每個簇中心代表一個類，計算每個與每個簇中心的歐氏距離，并將該節點分配到最近的簇，根據簇內所有節點的權重向量，進行迭代更新簇中心的向量的均值，公式為：
38、；
39、式中，為每一個節點的權重向量；
40、s403：當達到最大迭代次數時，將原始數據樣本與聚類結果進行匹配，根據bmu所屬的簇來確定聚類的結果。
41、優選方案中，以零件在原材料上所有可行的排樣方式中，損失的總原材料體積作為適應度，進行種群迭代，迭代達到最優的排樣結果，包括：
42、s501：采用整數編碼，從編碼位置索引為1的位置開始，相鄰的兩位編碼代表一組原材料規格，并保證所有編碼都可被3整除；
43、s502：根據獲得的聚類中心作為原材料規格的初始種群；
44、s503：根據下料時的切割工藝，采用基于零件匹配度的適應度算子，計算浪費的原材料體積；
45、s504：預設在偶數位發生交叉的交叉算子，且變異數值必須為3的倍數的變異算子；
46、s505：預設迭代閾值，當達到指定迭代次數或原材料利用率達到要求時，輸出結果。
47、優選方案中，步驟s6中，輸出當前最優的排樣結果，考慮到材料利用率，則目標函數與約束條件設置如下：
48、b1：目標函數為最小化切割損耗，公式為：
49、；...
【技術保護點】
1.一種基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟S5包括以下步驟：
3.根據權利要求2所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，適應度的計算具體包括以下步驟：
4.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟S6中，還包括針對原材料的尺寸特征，設計出僅在偶數位發生交叉的交叉算子與以3或3的倍數發生變異的變異算子以減少解空間的范圍，當排樣結果到達預設利用率或迭代次數到達上限后，即為當前最優的排樣結果。
5.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟S1中，預設生產周期內原材料中相關零件的尺寸特征，按照零件的邊長進行特征提取，包括：按照零件的尺寸邊長進行排序，獲得零件特征，零件特征包括最長邊、次長邊和最短邊。
6.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟S
7.根據權利要求6所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，判斷零件是否異常，對零件進行篩選，具體包括：
8.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟S4中包括以下步驟：
9.根據權利要求8所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，以零件在原材料上所有可行的排樣方式中，損失的總原材料體積作為適應度，進行種群迭代，迭代達到最優的排樣結果，包括：
10.根據權利要求9所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟S6中，輸出當前最優的排樣結果，考慮到材料利用率，則目標函數與約束條件設置如下：
...【技術特征摘要】
1.一種基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟s5包括以下步驟：
3.根據權利要求2所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，適應度的計算具體包括以下步驟：
4.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟s6中，還包括針對原材料的尺寸特征，設計出僅在偶數位發生交叉的交叉算子與以3或3的倍數發生變異的變異算子以減少解空間的范圍，當排樣結果到達預設利用率或迭代次數到達上限后，即為當前最優的排樣結果。
5.根據權利要求1所述的基于塊材零件毛坯切割工藝的庫存構成決策優化方法，其特征在于，步驟s1中，預設生產周期內原材料中相關零件的尺寸特征，按照零件的邊長進行特征提取，包括：按照零件的尺寸邊長進行排序，獲得零件特征，零件特征包括最長邊、次長邊和最...
【專利技術屬性】
技術研發人員：孟榮華，龔成，何宗意，朱穎穎，鄧少華，吳正佳，
申請(專利權)人：三峽大學，
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。