一种基于深度学习的工艺参数在线智能推荐方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的工艺参数在线智能推荐方法及装置，其中，所述方法包括：基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化；从专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；基于M个现场工艺参数值构建现场工艺参数池；从现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值计算损失函数；将计算后的损失函数返回初始化第一神经网络模型输出最佳的工艺参数数组。在本发明专利技术实施例中，可以输出最佳的推荐方案。

An on-line intelligent recommendation method and device for process parameters based on deep learning

【技术实现步骤摘要】
一种基于深度学习的工艺参数在线智能推荐方法及装置
本专利技术涉及人工智能
，尤其涉及一种基于深度学习的工艺参数在线智能推荐方法及装置。
技术介绍
目前的轻质型材、模具制造、航空与汽车零部件加工等制造业在设计制造过程中依赖人工经验进行设计制造等工艺参数的确定，造成设计制造周期较长，人工成本较高，生产效率偏低等结果，且存在产品质量难以保证，或多次返修等问题。随着计算机及人工智能的发展，智能推荐算法被用于数控加工、产品设计与制造等领域，根据用户需求智能推荐出对应的工艺产品数据等。因此，为改善以上问题，本专利技术提出基于深度学习的智能推荐方法，将其应用于工业设计、数控加工等领域，该方法可去掉人工干预，机器能够通过网络对工艺参数的自动学习，自主的设定最适合每个工件的工艺参数，使其根据工艺的改变而自适应的改变工艺参数，不需要人为干预，而且机器还可以在工作中不断学习新工艺参数，根据现场环境的改变而推荐最佳的参数值。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于深度学习的工艺参数在线智能推荐方法及装置，可以实现智能的推荐最优的工艺参数数组。为了解决上述技术问题，本专利技术实施例提供了一种基于深度学习的工艺参数在线智能推荐方法，所述方法包括：基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。可选的，所述m个专家工艺参数组表示如下：St＝{St1,St2,...,Sti,...,Stm}；其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。可选的，所述现场工艺参数值的计算公式如下：P＝St+η·βt·Ot；其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。可选的，所述现场工艺参数组表示如下：Ot＝{Ot1,Ot2,...,Oti,...,Otm}；其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。可选的，所述现场工艺参数组合表达式如下：S′t＝{S′t1,S′t2,...,S′ti,...,S′tm}；其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。可选的，所述工艺参数值的计算公式如下：P′＝S′t+η′·β′t·O′t；其中，S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组。可选的，所述工艺参数组的表达式如下：O′t＝{O′t1,O′t2,...,O′ti,...,O′tm}；其中，O′ti表示初始化第二神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。可选的，所述利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数的计算公式如下：L＝(St+P′-P)2；其中，P＝St+η·βt·Ot，P′＝S′t+η′·β′t·O′t，则损失函数公式可以写成如下表达式：L＝(S′t+η′·β′t·O′t-η·βt·Ot)2；其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组；S′t表示现场工艺参数组合；η′表示初始化第二神经网络模型的学习率；β′t表示初始化第二神经网络模型的参数；O′t表示初始化第二神经网络模型的输出，即工艺参数组；P′表示工艺参数值。另外，本专利技术实施例还提供了一种基于深度学习的工艺参数在线智能推荐装置，所述装置包括：第一构建模块：用于基于专家给出的经验值构建专家工艺参数池；模型获得模块：用于分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；第一训练输出模块：用于从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；第二构建模块：用于在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；第二训练输出模块：用于从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；损失函数计算模块：用于在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；最佳输出模块：用于将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。在本专利技术实施例中，基于专家给出的经验值构建专家工艺参数池；分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；从所述现场工艺参数池随机选取m个现场工艺参数组合作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组；可以快速的准确的得到最佳的工艺参数数组，给智能的给出推荐方案，无需太多的人工干预，提高了准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习的工艺参数在线智能推荐方法，其特征在于，所述方法包括：/n基于专家给出的经验值构建专家工艺参数池；/n分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；/n从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；/n在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；/n从所述现场工艺参数池随机选取输出现场工艺参数组合下的工艺参数值作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；/n在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；/n将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。/n

【技术特征摘要】
1.一种基于深度学习的工艺参数在线智能推荐方法，其特征在于，所述方法包括：
基于专家给出的经验值构建专家工艺参数池；
分别构建第一神经网络模型和第二神经网络模型并分别进行初始化，获得初始化第一神经网模型和初始化第二神经网络模型；
从所述专家工艺参数池中随机选取m个专家工艺参数组作为初始化第一神经网络模型的输入，输出当前专家工艺参数组下的现场工艺参数值；
在通过所述初始化第一神经网络模型输出M个现场工艺参数值之后，基于M个现场工艺参数值构建现场工艺参数池；
从所述现场工艺参数池随机选取输出现场工艺参数组合下的工艺参数值作为初始化第二神经网络模型的训练样本输入，输出现场工艺参数组合下的工艺参数值；
在经过I轮迭代后，利用获得的最佳的现场工艺参数值、最佳的专家工艺参数和最佳的工艺参数值结合计算损失函数；
将计算后的损失函数返回初始化第一神经网络模型进行网络参数修正并输出最佳的工艺参数数组。


2.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述m个专家工艺参数组表示如下：
St＝{St1，St2，...，Sti，...，Stm}；
其中，St表示m个专家工艺参数组；Sti表示专家工艺参数池中第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值，m表示工艺参数组作为训练集的个数。


3.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述现场工艺参数值的计算公式如下：
P＝St+η·βt·Ot；
其中，P表示现场工艺参数值；St表示m个专家工艺参数组；η表示初始化第一神经网模型的学习率；βt表示初始化第一神经网模型的参数；Ot表示初始化第一神经网模型的输出，即现场工艺参数组。


4.根据权利要求3所述的工艺参数在线智能推荐方法，其特征在于，所述现场工艺参数组表示如下：
Ot＝{Ot1，Ot2，...，Oti，...，Otm}；
其中，Oti表示初始化第一神经网模型推荐的第i个工艺参数组，m表示工艺参数组的个数。


5.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所述现场工艺参数组合表达式如下：
S′t＝{S′t1，S′t2，...，S′ti，...，S′tm}；
其中，S′ti表示现场工艺参数池中的第i个参数组合，其中包括焊条直径、焊接层数、温度、压力、pH值的一切跟工艺制作有关的参数值；m表示现场工艺参数组作为训练集的个数。


6.根据权利要求1所述的工艺参数在线智能推荐方法，其特征在于，所...

【专利技术属性】
技术研发人员：黄天仑，马敬奇，王楠，赵勇，雷欢，何峰，卢杏坚，钟震宇，
申请(专利权)人：广东省智能制造研究所，
类型：发明
国别省市：广东;44