一种基于机器学习的制造工艺优化方法及装置制造方法及图纸

本发明专利技术提出了一种基于机器学习的制造工艺优化方法及装置，通过构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型，所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成，根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据，使用所述训练样本数据训练所述工艺优化模型，根据优化需求从所述历史加工数据中选择目标优化数据，确定用于执行制造工艺迭代优化的扰动项，使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化，在生产制造过程中利用机器学习算法对制造工艺进行优化迭代，成本低效率高。低效率高。低效率高。

【技术实现步骤摘要】
一种基于机器学习的制造工艺优化方法及装置


[0001]本专利技术涉及工业制造
，特别涉及一种基于机器学习的制造工艺优化方法及装置。

技术介绍

[0002]随着社会的进步和技术的发展，采用机械设备进行自动化生产早已替代人工生产成为当今社会的生产主力，制造精度、生产效率、生产成本等是自动化生产的重要指标，对这些指标进行持续的改进、优化以提高产品质量、提高生产效益、降低生产成本的是制造企业维持竞争力的重要方式。但是随着自动化生产的广泛应用，人们对生产设备和制造工艺的研究也更加深入，生产设备的精密程度越来越高，制造工艺也越来越复杂，进而影响产品制造精度、生产效率以及制造成本的因素也逐渐增多，对制造工艺的优化变得极其困难。目前对制造工艺的优化只能依赖于经验丰富的工程师手动调参进行测试优化，需要对巨量的参数所形成的各种可能的组合优化方案进行大量的实验验证，制造工艺的优化过程需要耗费大量的时间和生产物料，效率低下且成本较高。

技术实现思路

[0003]本专利技术正是基于上述问题，提出了一种基于机器学习的制造工艺优化方法及装置，在生产制造过程中利用机器学习算法对制造工艺进行优化迭代，成本低效率高。
[0004]有鉴于此，本专利技术的第一方面提出了一种基于机器学习的制造工艺优化方法，包括：
[0005]构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型，所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成；
[0006]根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据，所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据，所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据；
[0007]使用所述训练样本数据训练所述工艺优化模型；
[0008]根据优化需求从所述历史加工数据中选择目标优化数据；
[0009]确定用于执行制造工艺迭代优化的扰动项，所述扰动项为所述制造工艺中的至少一项加工参数；
[0010]使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化。
[0011]进一步的，在上述的制造工艺优化方法中，根据优化需求从所述历史加工数据中选择目标优化数据的步骤具体包括：
[0012]根据需要优化的方向确定目标优化指标为所述加工精度、所述生产时间以及所述生产成本中的一个或多个；
[0013]对所述目标优化指标的分布密度进行统计，所述分布密度为所述历史指标数据在不同数值区间下的所述历史加工数据的数量；
[0014]根据所述分布密度选择所述目标优化指标的优化区间；
[0015]将所述历史指标数据落入所述优化区间的历史加工数据确定为所述目标优化数据。
[0016]进一步的，在上述的制造工艺优化方法中，所述分布密度包括按零件类型统计的零件分布密度，根据所述分布密度选择所述目标优化指标的优化区间的步骤具体包括：
[0017]获取所述历史指标数据的中位数；
[0018]将差于所述中位数的所述历史指标数据划分为若干个数值区间；
[0019]对所述历史指标数据落入每个数值区间的所述历史加工数据的零件类型进行统计；
[0020]将每个数值区间中数量占比最高的零件类型在相应数值区间中所占的比例确定为相应数值区间的零件最高比值；
[0021]将所述零件最高比值最大的数值区间确定为所述优化区间。
[0022]进一步的，在上述的制造工艺优化方法中，所述加工方法特征包括加工参数集合，确定用于执行制造工艺迭代优化的扰动项，所述扰动项为所述制造工艺中的至少一项加工参数的步骤具体包括：
[0023]遍历所述历史加工参数以计算得到任意两项历史加工数据的加工参数相似度以及指标差值；
[0024]将所述加工参数相似度大于第一阈值且指标差值大于第二阈值的历史加工数据中的差异加工参数确定为候选扰动项；
[0025]获取所述候选扰动项的数量n；
[0026]配置一个从1到n的遍历变量m，将所述候选扰动项划分为k组扰动项，每组扰动项包括m个候选扰动项，使得
[0027]遍历所述k组扰动项，将所述k组扰动项中的每一组扰动项作为所述目标扰动项执行所述使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤。
[0028]进一步的，在上述的制造工艺优化方法中，使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化的步骤具体包括：
[0029]在所述目标扰动项的基础上叠加扰动值输入所述工艺优化模型获取预测指标数据；
[0030]将所述预测指标数据与所述目标优化数据的指标数据进行比较；
[0031]如果所述预测指标数据优于所述目标优化数据的指标数据，则将叠加扰动值的加工数据确定为候选优化加工数据；
[0032]在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据差于前一次叠加输出的预测指标数据。
[0033]进一步的，在上述的制造工艺优化方法中，在所述候选优化加工数据的基础上继续叠加扰动值输入所述工艺优化模型获取预测指标数据直至输出的预测指标数据小于前
一次叠加输出的预测指标数据的步骤之后，还包括：
[0034]将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据；
[0035]当所述实测指标数据优于所述目标优化数据的指标数据的数量高于一定比例，且所述实测指标数据呈现与所述预测指标数据相同的上升或下降趋势时，确定所述工艺优化模型具备稳定性；
[0036]将最后一次叠加扰动值的候选优化加工数据作为优化加工数据。
[0037]进一步的，在上述的制造工艺优化方法中，在将所述候选优化加工数据输入加工设备进行测试以获取所述候选优化加工数据的实测指标数据的步骤之后，还包括：
[0038]当所述实测指标数据优于所述目标优化数据的指标数据的数量低于一定比例，和/或实测的指标数据不具备收敛趋势时，确定所述工艺优化模型不具备稳定性；
[0039]更换所述训练样本数据重新训练所述工艺优化模型。
[0040]进一步的，在上述的制造工艺优化方法中，在将最后一次叠加扰动值的候选优化加工数据作为优化加工数据的步骤之后，还包括：
[0041]将所述实测指标数据优于所述目标优化数据的指标数据的加工数据及其所述实测指标数据加入候选样本数据；
[0042]当所述候选样本数据的数量大于第三阈值时，将所述候选样本数据作为所述训练样本数据对所述工艺优化模型进行训练。
[0043]进一步的，在上述的制造工艺优化方法中，在将所述预测指标数据与所述目标优化数据的指标数据进行比较的步骤之后，还包括：
[0044]如果所述预测指标数据差于所述目标优化数据的指标数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的制造工艺优化方法，其特征在于，包括：构建用于预测加工精度、生产时间和/或生产成本的工艺优化模型，所述工艺优化模型由零件位形特征、加工阶段特征、加工方法特征以及加工设备特征组成；根据历史加工数据和历史指标数据构建所述工艺优化模型的训练样本数据，所述历史加工数据包括每一次加工过程中的零件位形及其对应的加工阶段、加工方法以及加工设备数据，所述历史指标数据为测量得到的与所述历史加工数据对应的加工精度、生产时间和/或生产成本数据；使用所述训练样本数据训练所述工艺优化模型；根据优化需求从所述历史加工数据中选择目标优化数据；确定用于执行制造工艺迭代优化的扰动项，所述扰动项为所述制造工艺中的至少一项加工参数；使用训练好的所述工艺优化模型在所述目标优化数据的基础上对所述扰动项进行迭代优化。2.根据权利要求1所述的制造工艺优化方法，其特征在于，根据优化需求从所述历史加工数据中选择目标优化数据的步骤具体包括：根据需要优化的方向确定目标优化指标为所述加工精度、所述生产时间以及所述生产成本中的一个或多个；对所述目标优化指标的分布密度进行统计，所述分布密度为所述历史指标数据在不同数值区间下的所述历史加工数据的数量；根据所述分布密度选择所述目标优化指标的优化区间；将所述历史指标数据落入所述优化区间的历史加工数据确定为所述目标优化数据。3.根据权利要求2所述的制造工艺优化方法，其特征在于，所述分布密度包括按零件类型统计的零件分布密度，根据所述分布密度选择所述目标优化指标的优化区间的步骤具体包括：获取所述历史指标数据的中位数；将差于所述中位数的所述历史指标数据划分为若干个数值区间；对所述历史指标数据落入每个数值区间的所述历史加工数据的零件类型进行统计；将每个数值区间中数量占比最高的零件类型在相应数值区间中所占的比例确定为相应数值区间的零件最高比值；将所述零件最高比值最大的数值区间确定为所述优化区间。4.根据权利要求1至3任一项所述的制造工艺优化方法，其特征在于，所述加工方法特征包括加工参数集合，确定用于执行制造工艺迭代优化的扰动项，所述扰动项为所述制造工艺中的至少一项加工参数的步骤具体包括：遍历所述历史加工参数以计算得到任意两项历史加工数据的加工参数相似度以及指标差值；将所述加工参数相似度大于第一阈值且指标差值大于第二阈值的历史加工数据中的差异加工参数确定为候选扰动项；获取所述候选扰动项的数量n；配置一个从1到n的遍历变量m，将所述候选扰动项划分为k组扰动项，每组扰动项包括m
个候选扰动项，使得遍历所述k组扰动项，将所述k组扰动项中的每一组扰动项作为所述目标扰动项执行所述使用训练好的所述工艺优化模型在所述目标优化数据的基础上...

【专利技术属性】
技术研发人员：庞皓元，李涛，蔡成钢，
申请(专利权)人：深圳市卓讯达科技发展有限公司，
类型：发明
国别省市：