基于深度学习的非标刀具价格预测方法技术

本发明专利技术公开了一种基于深度学习的非标刀具价格预测方法，用于解决现有非标刀具价格预测方法实用性差的技术问题。技术方案是利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系，以实现非标刀具价格预测。首先对刀具设计参数建模，为每个参数添加标签；然后采用GA‑BP神经网络预测非标刀具的加工工时，从而与机床单位时间成本相乘得到制造成本；最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型，输出多组预测值，通过价值评估算法筛选出合理的预测结果输出，作为最终的价格，实用性好。

Non standard tool price prediction method based on deep learning

The invention discloses a non-standard tool price prediction method based on deep learning, which is used to solve the technical problem of poor practicability of the existing non-standard tool price prediction method. The technical solution is to use deep learning technology to mine the correlation between the design parameters of non-standard tools and the price of non-standard tools, so as to realize the price prediction of non-standard tools. Firstly, the tool design parameters are modeled to add labels for each parameter; secondly, GA \u2011 BP neural network is used to predict the working hours of non-standard tools, so that the manufacturing cost can be obtained by multiplying the unit time cost of the machine tool; finally, a new vector composed of the tool design parameters and manufacturing cost is input into the DBN multi expert model, and a multi group of predicted values are output, and a reasonable prediction is selected through the value evaluation algorithm The output of measurement results, as the final price, has good practicability.

【技术实现步骤摘要】
基于深度学习的非标刀具价格预测方法
本专利技术涉及一种非标刀具价格预测方法，特别是涉及一种基于深度学习的非标刀具价格预测方法。
技术介绍
非标刀具价格受成本的影响大，在确定订单前，刀具厂商需要对非标刀具价格进行预测。目前，刀具厂商通过人工经验的方法对非标刀具价格进行预测，预测结果并不准确。另一方面，非标刀具类型众多、形状多样、结构复杂，在进行价格预测时涉及到大量的参数计算，价格预测人员在进行计算时要花费大量的时间，而且容易出错。因此，研究非标刀具价格预测方法具有重要意义。文献“基于实例库的产品快速报价方法研究，机械设计与制造，2010，Vol.10，p246-248”公开了一种基于产品订单报价实例库的快速报价方法。该方法以企业已有产品订单报价实例库为基础，通过产品特征属性检索相似产品，运用相似类比和模糊数学方法，建立报价与产品特征属性间的数学模型，并按照相似匹配算法从样本实例库中检索出最大相似度的乡四十里，依相似度的大小进行相应的加权调整计算，最终得到待报价产品的价格，并对样本实例库进行相应的更新。但是该方法的准确性取决于实例数据是否充分和准确，以及对样本实例的选取具有较高的要求，而且对于全新的产品并不能够快速准确的给出产品的价格。非标刀具形状类型多样，该方法预测精度降低，具有局限性。
技术实现思路
为了克服现有非标刀具价格预测方法实用性差的不足，本专利技术提供一种基于深度学习的非标刀具价格预测方法。该方法利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系，以实现非标刀具价格预测。首先对刀具设计参数建模，为每个参数添加标签；然后采用GA-BP神经网络预测非标刀具的加工工时，从而与机床单位时间成本相乘得到制造成本；最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型，输出多组预测值，通过价值评估算法筛选出合理的预测结果输出，作为最终的价格，实用性好。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的非标刀具价格预测方法，其特点是包括以下步骤：步骤一、非标刀具设计参数建模：为非标刀具设计参数添加标签信息，将设计参数与对应的标签组成输入数据。X＝(L,L值,A,A值,D,D值,R,R值,S,m,m值)(1)式中，L表示长度参数标签，包括非标刀具刀杆长度、刀片到基准线的长度、到头长度、退刀槽宽度；L值表示长度参数标签对应的具体数值；A表示角度参数标签，包括非标刀具的刀片偏角、刀尖角；A值表示角度参数标签对应的具体数值；D表示直径参数标签，包括刀具的刀杆直径、刀头直径、阶梯直径；D值表示直径参数标签对应的具体数值；R表示半径参数标签，包括刀尖圆弧半径；R值表示半径参数标签对应的具体数值；S表示精度参数；m表示材料参数标签；m值表示材料参数标签对应的具体材料。对精度参数单独建模：S＝(P,s1,s2,s3)(2)其中，P表示刀具设计参数中的精度参数的标签；s1表示精度标定的数值，s2表示精度上界，s3表示精度下界。由于各输入单位和数量级不一样，为了输入的便捷性和统一性，对非标刀具设计参数进行归一化处理。其中，xmax和xmin分别为样本初始数据的最大值和最小值；x和y分别是归一化处理前后的数据。步骤二、非标刀具加工工时预测：对于非标刀具制造成本不可知的情况，通过GA-BP神经网络预测非标刀具加工工时，从而与机床单位时间成本相乘得到制造成本。T＝f(X,θ)(4)C＝T·B(5)式中，X表示非标刀具设计参数，包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数；θ表示在网络训练中需要优化的参数；T表示非标刀具加工工时；f()是通过有监督学习获得的映射关系；C表示非标刀具制造成本；B表示机床单位时间加工成本。步骤三、非标刀具价格预测：将步骤二中得到的非标刀具制造成本与非标刀具设计参数组成向量，通过DBN多专家模型预测非标刀具的价格。Y＝φ(X,C)(6)式中，X表示非标刀具设计参数，包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数；C表示非标刀具制造成本；Y表示非标刀具价格；φ()表示通过有监督学习获得的映射关系。本专利技术的有益效果是：该方法利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系，以实现非标刀具价格预测。首先对刀具设计参数建模，为每个参数添加标签；然后采用GA-BP神经网络预测非标刀具的加工工时，从而与机床单位时间成本相乘得到制造成本；最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型，输出多组预测值，通过价值评估算法筛选出合理的预测结果输出，作为最终的价格，实用性好。下面结合具体实施方式对本专利技术作详细说明。具体实施方式本专利技术基于深度学习的非标刀具价格预测方法具体步骤如下：首先将非标刀具设计参数以向量的形式表示，非标刀具设计参数可以分为六类，长度参数、角度参数、直径参数、半径参数、精度参数、材料参数，参数向量的表示及包含的具体属性如下。非标刀具设计参数向量如下：X＝(L,L值,A,A值,D,D值,R,R值,S,m,m值)(1)其中，L表示长度参数标签，L＝(l1,l2,l3,l4,l5,l6)共有6个长度参数；L值表示长度参数标签对应的具体数值；A表示角度参数标签，A＝(a1,a2,a3,a4)共有4个角度参数；A值表示角度参数标签对应的具体数值；D表示直径参数标签，D＝(d1,d2,d3,d4,d5)共有5个直径参数；D值表示直径参数标签对应的具体数值；R表示半径参数标签，R＝(r1,r2)共有2个半径参数；R值表示半径参数标签对应的具体数值；S表示精度参数；m表示材料参数标签；m值表示材料参数标签对应的具体材料。特别的，对于精度参数有上下界之分，因此对精度参数单独建模，如下所示：S＝(P,s1,s2,s3)(2)其中，P表示刀具设计参数中的精度参数的标签，P＝(p1,p2)共有2个精度参数；s1表示精度标定的数值，s2表示精度上界，s3表示精度下界。由于各输入单位和数量级不一样，为了输入的便捷性和统一性，对非标刀具设计参数进行归一化处理。其中，xmax和xmin分别为样本初始数据的最大值和最小值；x和y分别是归一化处理前后的数据。将归一化后的非标刀具设计参数输入GA-BP神经网络模型进行有监督的学习，预测得到非标刀具制造阶段的车床加工工时、铣床加工工时和加工中心加工工时，与相应的机床单位时间成本相乘，从而得到非标刀具的制造成本。T＝f(X,θ)(4)C＝T·B(5)式中，X表示非标刀具设计参数，包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数；θ表示在网络训练中需要优化的参数；T＝(lt,mt,ct)表示非标刀具车床加工工时、铣床加工工时和加工中心；f()是通过有监督学习获得的映射关系；C＝(lc,mc,cc)表示非标刀具车床加工成本、铣床加工成本和加工中心本文档来自技高网...

【技术保护点】
1.一种基于深度学习的非标刀具价格预测方法，其特征在于包括以下步骤：/n步骤一、非标刀具设计参数建模：为非标刀具设计参数添加标签信息，将设计参数与对应的标签组成输入数据；/nX＝(L,L

【技术特征摘要】
1.一种基于深度学习的非标刀具价格预测方法，其特征在于包括以下步骤：
步骤一、非标刀具设计参数建模：为非标刀具设计参数添加标签信息，将设计参数与对应的标签组成输入数据；
X＝(L,L值,A,A值,D,D值,R,R值,S,m,m值)(1)
式中，L表示长度参数标签，包括非标刀具刀杆长度、刀片到基准线的长度、到头长度、退刀槽宽度；L值表示长度参数标签对应的具体数值；A表示角度参数标签，包括非标刀具的刀片偏角、刀尖角；A值表示角度参数标签对应的具体数值；D表示直径参数标签，包括刀具的刀杆直径、刀头直径、阶梯直径；D值表示直径参数标签对应的具体数值；R表示半径参数标签，包括刀尖圆弧半径；R值表示半径参数标签对应的具体数值；S表示精度参数；m表示材料参数标签；m值表示材料参数标签对应的具体材料；
对精度参数单独建模：
S＝(P,s1,s2,s3)(2)
其中，P表示刀具设计参数中的精度参数的标签；s1表示精度标定的数值，s2表示精度上界，s3表示精度下界；
由于各输入单位和数量级不一样，为了输入的便捷性和统一性，对非标...

【专利技术属性】
技术研发人员：周竞涛，张惠斌，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61