基于多重回归模型的产品加工价格预估方法及系统技术方案

一种基于多重回归模型的产品加工价格预估方法和系统，该方法包括如下步骤：收集多个产品数据，建立产品原始数据集，所述产品数据包括产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格；依据所述产品原始数据集，建立多线性回归模型；将所述产品原始数据集划分为训练子集和测试子集，通过训练子集训练所述多线性回归模型，使用验证子集验证所述多线性回归模型的准确性，依据验证结果调整所述多线性回归模型，确定最终的多线性回归模型。本发明专利技术基于人工智能算法预估产品加工价格，提升了报价的准确性。

【技术实现步骤摘要】
基于多重回归模型的产品加工价格预估方法及系统
本专利技术涉及自动化机械加工
，尤其是一种基于多重回归模型的产品加工价格预估方法及系统。
技术介绍
CNC加工，通常是指计算机数字化控制精密机械加工，相应的加工设备包括CNC加工车床、CNC加工铣床和CNC加工镗铣床等，具有减少工装数量、加工精度高以及加工效率高等优点，在工业上已经得到广泛应用。一直以来，通过数控设备加工产品的报价缺乏规范、有效的方式。现有技术中，可行的报价方式是人工报价，报价人员基于历史经验及对行业的理解等，预估产品加工时间、产品材料价格和表面处理的成本，并最终综合上述成本得出产品的报价。这种报价方式过于主观，难免存在报价偏高或偏低的问题。因此，现有技术亟需一种规范、准确的报价方式。
技术实现思路
本专利技术提供一种基于多重回归模型的产品加工价格预估方法及系统，基于人工智能算法预估产品加工价格，提升报价的准确性。根据本专利技术的第一方面，本专利技术提供一种基于多重回归模型的产品加工价格预估方法，包括如下步骤：收集多个产品数据，建立产品原始数据集，所述产品数据包括产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格；依据所述产品原始数据集，建立多线性回归模型，所述多线性回归模型的公式为：log(y)＝β0+log(x1)+log(x2)+x3+x4+x5+x6+x7+x8+x9+x10+x11；其中，y为价格，β0为常数项，x1-x11分别为产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价和材料密度；将所述产品原始数据集划分为训练子集和测试子集，通过训练子集训练所述多线性回归模型，使用验证子集验证所述多线性回归模型的准确性，依据验证结果调整所述多线性回归模型，确定最终的多线性回归模型。优选的，所述通过训练子集训练所述多线性回归模型，使用验证子集验证所述多线性回归模型的准确性，具体为：通过训练子集训练得到多线性回归模型中的常数项，将验证子集中的产品数据代入已确定常数项值多线性回归模型中，依据该多线性回归模型的输出结果确定该多线性回归模型的准确性。优选的，在将验证子集中的产品数据代入已确定常数项值的多线性回归模型中后，若该线性回归模型输出的价格值与验证子集中的价格值的差值大于预定差值，则依据该差值调整所述多线性回归模型。优选的，还包括如下步骤：建立测试数据集，使用测试数据集测试所述多线性回归模型的准确性。优选的，所述产品公差等级与产品公差值具有预设映射关系，所述产品加工复杂度为产品加工复杂等级，所述产品可加工性为产品可加工等级。根据本专利技术的第二方面，本专利技术提供一种基于多重回归模型的产品加工价格预估系统，包括：数据收集模块，用于收集多个产品数据，建立产品原始数据集，所述产品数据包括产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格；模型建立模块，用于依据所述产品原始数据集，建立多线性回归模型，所述多线性回归模型的公式为：log(y)＝β0+log(x1)+log(x2)+x3+x4+x5+x6+x7+x8+x9+x10+x11；其中，y为价格，β0为常数项，x1-x11分别为产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价和材料密度；验证确定模块，用于将所述产品原始数据集划分为训练子集和测试子集，通过训练子集训练所述多线性回归模型，使用验证子集验证所述多线性回归模型的准确性，依据验证结果调整所述多线性回归模型，确定最终的多线性回归模型。优选的，所述验证确定模块用于通过训练子集训练得到多线性回归模型中的常数项，将验证子集中的产品数据代入已确定常数项值多线性回归模型中，依据该多线性回归模型的输出结果确定该多线性回归模型的准确性。优选的，所述验证确定模块用于在将验证子集中的产品数据代入已确定常数项值的多线性回归模型中后，若该线性回归模型输出的价格值与验证子集中的价格值的差值大于预定差值，则依据该差值调整所述多线性回归模型。优选的，所述基于多重回归模型的产品加工价格预估系统还包括数据测试模块，用于建立测试数据集，使用测试数据集测试所述多线性回归模型的准确性。优选的，所述产品公差等级与产品公差值具有预设映射关系，所述产品加工复杂度为产品加工复杂等级，所述产品可加工性为产品可加工等级。本专利技术具有如下技术效果：本专利技术基于大量的原始数据，建立了产品加工价格的多线性回归模型，通过训练子集训练多线性回归模型，还使用验证子集验证所述多线性回归模型的准确性，依据验证结果调整所述多线性回归模型，确定最终产品加工价格的多线性回归模型，改变了传统人工预估产品加工价格的方式，通过多线性回归模型来预估产品加工价格，提升了报价的准确性。附图说明图1为本专利技术一种实施例的基于多重回归模型的产品加工价格预估方法的流程图；图2为本专利技术一种实施例的产品复杂性与价格的对应示意图；图3为本专利技术一种实施例的基于多重回归模型的产品加工价格预估系统的结构示意图。具体实施方式下面通过具体实施方式结合附图对本专利技术作进一步详细说明。本专利技术提供一种基于多重回归模型的产品加工价格预估方法，如图1所示，其包括如下步骤：S100：收集多个产品数据，建立产品原始数据集。产品数据可来源于历史交易数据，可以是加工方自行记录的交易数据，也可以是线上交易系统记录的数据。产品数据的规模可依据系统的计算能力确定，数据量越大，最终的模型越准确，一般可选用1000个产品的数据。每个产品的产品数据均包括产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格。在产品数据收集齐之后，需要对其进行预处理，以符合学习模型的建立，具体的，通过导入中位数或删除多个数据点，解决某个数据缺失的问题；对杂乱数据进行整理，使其有序排列；删除重复数据，以防止重复数据对模型计算产生影响；使用LOG函数来消除特征数据偏斜，保证数据的准确性。由于人工智能学习模型仅接受数值数据，因此，上述产品数据均体现为数值。在数据预处理完成之后，建立得到最终的产品原始数据集，该产品原始数据集包含多个产品的产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格这些产品数据。产品原始数据集将作为建立模型和数据计算的基础。S200：依据所述产品原始数据集，建立多线性回归模型。在上述产品原始数据集中，产品数量、产品表面积、产本文档来自技高网...

【技术保护点】
1.一种基于多重回归模型的产品加工价格预估方法，其特征在于，包括如下步骤：/n收集多个产品数据，建立产品原始数据集，所述产品数据包括产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格；/n依据所述产品原始数据集，建立多线性回归模型，所述多线性回归模型的公式为：log(y)＝β

【技术特征摘要】
1.一种基于多重回归模型的产品加工价格预估方法，其特征在于，包括如下步骤：
收集多个产品数据，建立产品原始数据集，所述产品数据包括产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价、材料密度和价格；
依据所述产品原始数据集，建立多线性回归模型，所述多线性回归模型的公式为：log(y)＝β0+log(x1)+log(x2)+x3+x4+x5+x6+x7+x8+x9+x10+x11；
其中，y为价格，β0为常数项，x1-x11分别为产品数量、产品表面积、产品加工复杂度、产品X轴长度、产品Y轴长度、产品Z轴长度、刀具使用率、产品公差等级、产品可加工性、材料单价和材料密度；
将所述产品原始数据集划分为训练子集和测试子集，通过训练子集训练所述多线性回归模型，使用验证子集验证所述多线性回归模型的准确性，依据验证结果调整所述多线性回归模型，确定最终的多线性回归模型。


2.根据权利要求1所述的基于多重回归模型的产品加工价格预估方法，其特征在于，所述通过训练子集训练所述多线性回归模型，使用验证子集验证所述多线性回归模型的准确性，具体为：通过训练子集训练得到多线性回归模型中的常数项，将验证子集中的产品数据代入已确定常数项值多线性回归模型中，依据该多线性回归模型的输出结果确定该多线性回归模型的准确性。


3.根据权利要求2所述的基于多重回归模型的产品加工价格预估方法，其特征在于：在将验证子集中的产品数据代入已确定常数项值的多线性回归模型中后，若该线性回归模型输出的价格值与验证子集中的价格值的差值大于预定差值，则依据该差值调整所述多线性回归模型。


4.根据权利要求1所述的基于多重回归模型的产品加工价格预估方法，其特征在于，还包括如下步骤：建立测试数据集，使用测试数据集测试所述多线性回归模型的准确性。


5.根据权利要求1所述的基于多重回归模型的产品加工价格预估方法，其特征在于，所述产品公差等级与产品公差值具有预设映射关系，所述产品加工复杂度为产品加工复杂等级，所述产品可加工性为产品可加工等级。


6.一种基于多...

【专利技术属性】
技术研发人员：高威廉，曼吉特·幸格，高登，
申请(专利权)人：中山世达模型制造有限公司，
类型：发明
国别省市：广东;44