CN113393023A - 模具质量评估方法、装置、设备及存储介质 - Google Patents
模具质量评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113393023A CN113393023A CN202110617037.9A CN202110617037A CN113393023A CN 113393023 A CN113393023 A CN 113393023A CN 202110617037 A CN202110617037 A CN 202110617037A CN 113393023 A CN113393023 A CN 113393023A
- Authority
- CN
- China
- Prior art keywords
- quality evaluation
- preset
- index
- processing
- mold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000001303 quality assessment method Methods 0.000 claims description 36
- 238000003754 machining Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000005520 cutting process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种模具质量评估方法,装置、设备及存储介质,包括:获取模具加工装备的加工指标,根据加工指标构建数据集;利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;通过数据集分别训练各光滑因子对应的初始质量评估模型,以获得训练完成的若干个质量评估模型;根据预设均方误差算法从若干个质量评估模型中选取一目标质量评估模型;根据目标质量评估模型对所述模具加工装备生产的模具进行质量评估,解决了现有技术中进行模具质量评估时耗费时间长,主观性强的技术问题,提高了模具质量评估的准确性。
Description
技术领域
本发明涉及智能制造技术领域,尤其涉及一种模具质量评估方法、装置、设备及存储介质。
背景技术
目前,在智能制造领域,保证加工装备的生产质量是十分关键,在装备的生产应用中具有非常重要的意义。现在用于质量评估的技术有基于层次分析法的质量评估,基于模糊评价的质量评估;层次分析法是对一些较为复杂、较为模糊的问题作出决策的简易方法;模糊综合评价法是在模糊环境下,考虑了多因素的影响,为了某种目的对一事物作出综合决策的方法,这种方法计算复杂,对指标权重的确定主观性较强。
基于层次分析法的质量评估方法在指标过多时数据统计量大,并且权重难以确定,由于客观事物的复杂性或者对事物认识的片面性,选择的权重不一定是合理的,花费较多时间仍不一定准确;而模糊综合评价法的计算复杂,对指标的权重难以确定,且存在很强的主观性。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种模具质量评估方法、装置、设备及存储介质,旨在解决现有技术模具质量评估不准确的技术问题。
为实现上述目的,本发明提供了一种模具质量评估方法,所述方法包括以下步骤:
获取模具加工装备的加工指标,并根据所述加工指标构建数据集;
利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;
通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;
根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;
根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估。
可选地,所述获取模具加工装备的加工指标,并根据所述加工指标构建数据集,包括:
获取模具加工装备的加工指标,根据预设随机森林算法从所述加工指标中选取预设维度的目标加工指标,所述预设维度包括装备状态、加工时间、加工参数和/或指标质量;
根据所述目标加工指标构建数据集。
可选地,所述获取模具加工装备的加工指标,根据预设随机森林算法从所述加工指标中选取预设维度的目标加工指标,包括:
获取模具加工装备的加工指标,根据预设随机森林算法确定各加工指标的基尼指数;
根据所述基尼指数确定各加工指标对应的属性评分;
对所述属性评分进行归一化处理得到归一化评分,并根据所述归一化评分选取预设维度的目标加工指标。
可选地,所述根据所述基尼指数确定各加工指标对应的属性评分,包括:
根据基尼指数确定各加工指标对应的基尼指数变化量;
根据所述基尼指数变化量确定所述加工指标的属性评分。
可选地,所述通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型,包括:
将所述数据集划分为训练数据集和测试数据集;
利用所述训练数据集训练所述若干个初始质量评估模型得到训练完成的若干个质量评估模型。
可选地,所述根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型,包括:
利用所述测试数据集和预设均方误差算法确定各质量评估模型的预测数据和原始数据对应点误差的均方误差;
选取预测数据和原始数据对应点误差的均方误差最小的质量评估模型作为目标质量评估模型。
可选地,所述利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,包括:
获取预设光滑因子集合,并根据预设规则将所述预设光滑因子集合划分为预设数量的子集合;
利用随机搜索法从所述预设数量的子集合中选取若干个光滑因子。
此外,为实现上述目的,本发明还提出一种模具质量评估装置,所述装置包括:
获取模块,用于获取模具加工装备的加工指标,并根据所述加工指标构建数据集;
模型建立模块,用于利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;
训练模块,用于通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;
选取模块,用于根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;
质量评估模块,用于根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估。
此外,为实现上述目的,本发明还提出一种模具质量评估设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模具质量评估程序,所述模具质量评估程序配置为实现如上文所述的模具质量评估方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有模具质量评估程序,所述模具质量评估程序被处理器执行时实现如上文所述的模具质量评估方法的步骤。
本发明获取模具加工装备的加工指标,并根据所述加工指标构建数据集;利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估,由于本发明是通过随机搜索法选取的若干个光滑因子建立基于预设广义回归神经网络的初始质量评估模型,用数据集训练初始质量评估模型,并根据均方误差算法从初始质量评估模型中选取目标质量评估模型,使用目标质量评估模型进行质量评估,全面考虑了对模具质量影响程度最大的若干个加工指标,解决了现有技术中进行模具质量评估时耗费时间长,主观性强的技术问题,提高了模具质量评估的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的模具质量评估设备的结构示意图;
图2为本发明模具质量评估方法第一实施例的流程示意图;
图3为本发明模具质量评估方法一实施例的预设广义回归神经网络的结构图;
图4为本发明模具质量评估方法第二实施例的流程示意图;
图5为本发明模具质量评估装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的模具质量评估设备结构示意图。
如图1所示,该模具质量评估设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对模具质量评估设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、数据存储模块、网络通信模块、用户接口模块以及模具质量评估程序。
在图1所示的模具质量评估设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明模具质量评估设备中的处理器1001、存储器1005可以设置在模具质量评估设备中,所述模具质量评估设备通过处理器1001调用存储器1005中存储的模具质量评估程序,并执行本发明实施例提供的模具质量评估方法。
本发明实施例提供了一种模具质量评估方法,参照图2,图2为本发明模具质量评估方法第一实施例的流程示意图。
本实施例中,所述模具质量评估方法包括以下步骤:
步骤S10:获取模具加工装备的加工指标,并根据所述加工指标构建数据集。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如平板电脑、个人电脑、手机等,或者是一种能够实现上述功能的电子设备、模具质量评估设备等。以下以模具质量评估设备为例,对本实施例及下述各实施例进行说明。
可以理解的是,加工指标包括刀具磨损状态、刀具切削力、刀具切削温度、切削层的横截面、切削用量、刀具切削的集合角度、刀具的寿命、切削震动、切削中切屑的形状、切削的加工性、加工时间和各个指标对应的模具质量,根据以上数据构建数据集。
步骤S20:利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型。
可以理解的是,随机搜索法是利用随机数求极小点而求得函数近似的最优解的方法,在变量允许的变化区间,不断随机地而不是有倾向性产生随机点,并计算其约束函数和目标函数的值,对满足约束条件的点,逐个比较其目标函数的值,将坏的点抛弃,保留好的点,最后便得到最优解的近似解。
可以理解的是,预设光滑因子集合可根据实际应用场景提前设定,例如可将预设光滑因子集合设为[0.01,2],光滑因子是预设广义回归神经网络的超参数。
应理解的是,参照图3,预设广义回归神经网络是一个四层的网络结构,预设广义回归神经网络能够快速学习模具加工装备与模具质量的关系,能够有效避免一些基于人工智能的的模具质量评估模型,在进行模具质量评估时成本高准确性低的技术问题,预设广义回归神经网络包括输入层、模式层、求和层和输出层;其中,输入层神经元的数目等于学习样本中输入向量的维数,各神经元是简单的分布单元,直接将输入变量传递给模式层;模式层神经元数目等于学习样本的数目n,各神经元对应不同的样本;求和层中使用两种类型的神经元节点进行求和,神经元节点的个数为输出样本的维度加一,其中第一个节点输出模式层节点的算术和,其余节点输出模式层输出的加权和。
在具体实现中,例如,预设光滑因子集合为[0.01,2],使用随机搜索法从[0.01,2]集合中选取5个光滑因子,根据5个光滑因子和预设广义回归神经网络可建立5个初始质量评估模型,本例是为了更好地说明本实施例,并不构成对本实施例的限制。
步骤S30:通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型。
可以理解的是,使用数据集对初始质量评估模型进行训练后,可获得若干个训练完成的质量评估模型。
步骤S40:根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型。
可以理解的是,预设均方误差算法是反映估计量与被估计量之间差异程度的一种度量算法,根据预设均差算法可以评价若干个质量评估模型的精确度,以从若干个质量评估模型中选择一个精确度最高的质量评估模型作为目标质量评估模型。
步骤S50:根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估。
可以理解的是,在目标质量评估模型确定之后,将模具加工装备的加工指标输入该目标质量评估模型,即可对该模具加工装备生产的模具质量进行评估即对模具质量进行预测。
进一步地,为了提高模具质量评估的准确度,所述步骤S30包括:将所述数据集划分为训练数据集和测试数据集;利用所述训练数据集训练所述若干个初始质量评估模型得到训练完成的若干个质量评估模型。
可以理解的是,在数据集构建完成后,可以将数据集划分为训练数据集和测试数据集,其中,所述训练数据集是用来训练初始质量评估模型的数据集,所述测试数据集是用来测试质量评估模型质量评估准确度的数据集。
应理解的是,利用训练数据集分别训练若干个初始质量评估模型可以得到训练完成的若干个质量评估模型。
在具体实现中,训练完成的若干个质量评估模型为基于预设广义回归神经网络的质量评估模型,假设测试样本的特征集为:{tx1,tx2,...,txm},每一个样本的维度为n,即txi=[x1,x2,...,xn]。标签集为:{ty1,ty2,...,tym},每一个标签的维度为k,即tyi=[y1,y2,...,yk];输入层:输入测试数据集,输入层的节点个数等于测试数据集的特征维度;模式层:计算测试数据集与训练数据集中的每一个样本的高斯(Gauss)函数的取值,节点个数等于训练数据集中训练数据的个数。第i个测试数据txi与第j个训练数据txj之间的高斯(Gauss)函数的取值可用下式表示:Gauss(txi-txj)=exp(-||txi-tyj||/2δ2),式中,δ为光滑因子;求和层:节点个数等于输出样本维度维度加1,若输出样本维度为k,则求和层节点个数为k+1,求和层的输出有两种类型,一种类型有一个节点,输出模式层输出数据的算数和,其他节点输出另一种类型的数据,输出为模式层输出的加权和;输出层的节点个数等于标签集的维度,每个节点的输出为等于对应的求和层输出除以输出层数据的算数和。
进一步地,为了提高模型质量评估结果的准确性,所述根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型,包括:利用所述测试数据集和预设均方误差算法确定各质量评估模型的预测数据和原始数据对应点误差的均方误差;选取预测数据和原始数据对应点误差的均方误差最小的质量评估模型作为目标质量评估模型。
可以理解的是,将测试数据输入各质量评估模型,各质量评估模型可根据测试数据输出预测数据,该预测数据表示模具加工装备生产的模具的质量评估结果,将各质量评估模型输出的各预测数据和原始数据通过预设均方算法得到误差的均方误差,其中,预设均方误差算法可以用如下公式表示:
MSE=∑(y-yi)2/n
其中MSE为均方误差,y为原始数据,yi为预测数据,n为预测数据个数。
进一步地,为了确定合适的光滑因子,所述利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,包括:获取预设光滑因子集合,并根据预设规则将所述预设光滑因子集合划分为预设数量的子集合;利用随机搜索法从所述预设数量的子集合中选取若干个光滑因子。
可以理解的是,预设规则是根据具体应用场景预先设置的划分规则。
在具体实现中,例如预设光滑因子集合为[0.01,2],按照预设规则,可将[0.01,2]集合划分为[0.01,0.4]、[0.4,0.8]、[0.8,1.2]、[1.2,1.6]和[1.6,2]5个子集合,可利用随机搜索法分别在所述5个子集合中选取4个值作为光滑因子,根据选定的20个光滑因子建立20个基于广义回归神经网络的初始质量评估模型,用训练数据集训练所述20个初始质量评估模型获得训练完成的质量评估模型,用测试数据集和预设均方误差算法对每个质量评估模型的精确度进行评价,选取质量评估模型精确度高的的质量评估模型对应光滑因子所在的子集合,例如该子集合为[0.8,1.2],则将[0.8,1.2]集合划分为5个子集合,利用随机搜索法从每个子集合中选取4个值作为光滑因子,建立初始质量评估模型,对初始质量评估模型进行训练得到质量评估模型,对质量评估模型的精确度进行评估,选取精确度高的质量评估模型对应的光滑因子所在的子集合,重复进行集合分割,光滑因子选取,初始质量评估模型训练,质量评估模型精确度评价的步骤,直至选取的光滑因子对应的质量评估模型的均方误差在预设范围内,或达到迭代次数,确定最终的光滑因子,选取对应的质量评估模型为目标质量评估模型。
本实施例通过获取模具加工装备的加工指标,并根据所述加工指标构建数据集;利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估,由于本实施例是通过随机搜索法选取的若干个光滑因子建立基于预设广义回归神经网络的初始质量评估模型,用数据集训练初始质量评估模型,并根据均方误差算法从初始质量评估模型中选取目标质量评估模型,使用目标质量评估模型进行质量评估,解决了现有技术中进行模具质量评估时耗费时间长,主观性强的技术问题,提高了模具质量评估的准确性。
参考图4,图4为本发明模具质量评估方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S10包括:
步骤S101:获取模具加工装备的加工指标,根据预设随机森林算法从所述加工指标中选取预设维度的目标加工指标,所述预设维度包括装备状态、加工时间、加工参数和/或指标质量。
可以理解的是,可以利用预设随机森林算法对加工指标的重要性进行评估,在进行评估之后,选取对模具质量影响大的加工指标作为目标加工指标。
步骤S102:根据所述目标加工指标构建数据集。
应该理解的是,在目标加工指标确定后,根据目标加工指标构建数据集。
进一步地,为了选取合适的加工指标,所述步骤S101包括:获取模具加工装备的加工指标,根据预设随机森林算法确定各加工指标的基尼指数;根据所述基尼指数确定各加工指标对应的属性评分;对所述属性评分进行归一化处理得到归一化评分,并根据所述归一化评分选取预设维度的目标加工指标。
可以理解的是,可以使用基尼指数(Gini Index)作为加工指标重要性的评价指标,基尼指数可以用如下公式表示:
式中,GIm为基尼指数,k为模具质量等级的类别,pmk表示节点m中模具质量的类别k所占的比例。
节点m分支前后基尼指数的变化量可以用如下公式表示:
VIMjm=GIm-Gi1-GIr
式中,Gi1和GIr分别表示分支后两个新节点的基尼指数。
若加工指标Xj在决策树i中出现的节点为集合M,那么Xj在第i棵树的属性评分可用如下公式表示:
VIMij=∑VIMjm
将上述求得的属性评分进行归一化处理得到归一化评分,根据归一化评分选取预设维度的目标加工指标。
进一步地,为了选取合适的加工指标,所述根据所述基尼指数确定各加工指标对应的属性评分,包括:根据基尼指数确定各加工指标对应的基尼指数变化量;根据所述基尼指数变化量确定所述加工指标的属性评分。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有模具质量评估程序,所述模具质量评估程序被处理器执行时实现如上文所述的模具质量评估方法的步骤。
参照图5,图5为本发明模具质量评估装置第一实施例的结构框图。
如图5所示,本发明实施例提出的模具质量评估装置包括:获取模块10、模型建立模块20、训练模块30、选取模块40和质量评估模块50。
所述获取模块10,用于获取模具加工装备的加工指标,并根据所述加工指标构建数据集;
所述模型建立模块20,用于利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;
所述训练模块30,用于通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;
所述选取模块40,用于根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;
所述质量评估模块50,用于根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估。
基于本发明上述模具质量评估装置第一实施例,提出本发明模具质量评估装置的第二实施例。
在本实施例中,所述获取模块10还用于获取模具加工装备的加工指标,根据预设随机森林算法从所述加工指标中选取预设维度的目标加工指标,所述预设维度包括装备状态、加工时间、加工参数和/或指标质量;根据所述目标加工指标构建数据集。
所述获取模块10还用于获取模具加工装备的加工指标,根据预设随机森林算法确定各加工指标的基尼指数;根据所述基尼指数确定各加工指标对应的属性评分;对所述属性评分进行归一化处理得到归一化评分,并根据所述归一化评分选取预设维度的目标加工指标。
所述训练模块30,还用于将所述数据集划分为训练数据集和测试数据集;利用所述训练数据集训练所述若干个初始质量评估模型得到训练完成的若干个质量评估模型。
所述选取模块40,还用于利用所述测试数据集和预设均方误差算法确定各质量评估模型的预测数据和原始数据对应点误差的均方误差;选取预测数据和原始数据对应点误差的均方误差最小的质量评估模型作为目标质量评估模型。
所述模型建立模块20,还用于获取预设光滑因子集合,并根据预设规则将所述预设光滑因子集合划分为预设数量的子集合;利用随机搜索法从所述预设数量的子集合中选取若干个光滑因子。
所述获取模块10还用于根据基尼指数确定各加工指标对应的基尼指数变化量;根据所述基尼指数变化量确定所述加工指标的属性评分。
本发明模具质量评估装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种模具质量评估方法,其特征在于,所述方法包括:
获取模具加工装备的加工指标,并根据所述加工指标构建数据集;
利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;
通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;
根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;
根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估。
2.如权利要求1所述的方法,其特征在于,所述获取模具加工装备的加工指标,并根据所述加工指标构建数据集,包括:
获取模具加工装备的加工指标,根据预设随机森林算法从所述加工指标中选取预设维度的目标加工指标,所述预设维度包括装备状态、加工时间、加工参数和/或指标质量;
根据所述目标加工指标构建数据集。
3.如权利要求2所述的方法,其特征在于,所述获取模具加工装备的加工指标,根据预设随机森林算法从所述加工指标中选取预设维度的目标加工指标,包括:
获取模具加工装备的加工指标,根据预设随机森林算法确定各加工指标的基尼指数;
根据所述基尼指数确定各加工指标对应的属性评分;
对所述属性评分进行归一化处理得到归一化评分,并根据所述归一化评分选取预设维度的目标加工指标。
4.如权利要求3所述的方法,其特征在于,所述根据所述基尼指数确定各加工指标对应的属性评分,包括:
根据基尼指数确定各加工指标对应的基尼指数变化量;
根据所述基尼指数变化量确定所述加工指标的属性评分。
5.如权利要求1所述的方法,其特征在于,所述通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型,包括:
将所述数据集划分为训练数据集和测试数据集;
利用所述训练数据集训练所述若干个初始质量评估模型得到训练完成的若干个质量评估模型。
6.如权利要求5所述的方法,其特征在于,所述根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型,包括:
利用所述测试数据集和预设均方误差算法确定各质量评估模型的预测数据和原始数据对应点误差的均方误差;
选取预测数据和原始数据对应点误差的均方误差最小的质量评估模型作为目标质量评估模型。
7.如权利要求1所述的方法,其特征在于,所述利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,包括:
获取预设光滑因子集合,并根据预设规则将所述预设光滑因子集合划分为预设数量的子集合;
利用随机搜索法从所述预设数量的子集合中选取若干个光滑因子。
8.一种模具质量评估装置,其特征在于,所述装置包括:
获取模块,用于获取模具加工装备的加工指标,并根据所述加工指标构建数据集;
模型建立模块,用于利用随机搜索法从预设光滑因子集合中选取若干个光滑因子,并通过每一个光滑因子建立基于预设广义回归神经网络的初始质量评估模型;
训练模块,用于通过所述数据集分别训练各光滑因子对应的所述初始质量评估模型,以获得训练完成的若干个质量评估模型;
选取模块,用于根据预设均方误差算法从所述若干个质量评估模型中选取一目标质量评估模型;
质量评估模块,用于根据所述目标质量评估模型对所述模具加工装备生产的模具进行质量评估。
9.一种模具质量评估设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模具质量评估程序,所述模具质量评估程序配置为实现如权利要求1至7中任一项所述的模具质量评估方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有模具质量评估程序,所述模具质量评估程序被处理器执行时实现如权利要求1至7任一项所述的模具质量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110617037.9A CN113393023B (zh) | 2021-06-02 | 2021-06-02 | 模具质量评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110617037.9A CN113393023B (zh) | 2021-06-02 | 2021-06-02 | 模具质量评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393023A true CN113393023A (zh) | 2021-09-14 |
CN113393023B CN113393023B (zh) | 2022-12-27 |
Family
ID=77619911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110617037.9A Active CN113393023B (zh) | 2021-06-02 | 2021-06-02 | 模具质量评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393023B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117059214A (zh) * | 2023-07-21 | 2023-11-14 | 南京智慧云网络科技有限公司 | 一种基于人工智能的临床科研数据整合与智能分析***及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110087206A (zh) * | 2019-04-26 | 2019-08-02 | 南昌航空大学 | 采用广义回归神经网络评估链路质量的方法 |
CN111401749A (zh) * | 2020-03-17 | 2020-07-10 | 三峡大学 | 一种基于随机森林与极限学习回归的动态安全评估方法 |
-
2021
- 2021-06-02 CN CN202110617037.9A patent/CN113393023B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110087206A (zh) * | 2019-04-26 | 2019-08-02 | 南昌航空大学 | 采用广义回归神经网络评估链路质量的方法 |
CN111401749A (zh) * | 2020-03-17 | 2020-07-10 | 三峡大学 | 一种基于随机森林与极限学习回归的动态安全评估方法 |
Non-Patent Citations (1)
Title |
---|
严朝宁: "层次分析法在模具产品质量监控中的应用研究", 《机械设计与制造工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117059214A (zh) * | 2023-07-21 | 2023-11-14 | 南京智慧云网络科技有限公司 | 一种基于人工智能的临床科研数据整合与智能分析***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113393023B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及*** | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN114428748A (zh) | 一种用于真实业务场景的模拟测试方法及*** | |
CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
CN117669384A (zh) | 基于物联网的温度传感器生产智能监测方法及*** | |
Laqrichi et al. | Integrating uncertainty in software effort estimation using Bootstrap based Neural Networks | |
Dikopoulou et al. | From undirected structures to directed graphical lasso fuzzy cognitive maps using ranking-based approaches | |
CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
López-Morales | A reliable method for consistency improving of interval multiplicative preference relations expressed under uncertainty | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
Zarghami et al. | Sensitivity analysis of the OWA operator | |
CN111507639B (zh) | 理财风险分析方法及装置 | |
CN116780524B (zh) | 一种基于lstm深度学习的工业企业短期负荷预测方法 | |
CN115310524A (zh) | 基于风控模型的样本生成方法、装置、设备及存储介质 | |
Ryzhikov et al. | Increasing interpretability and prediction rate by combining self-organizing maps with modeling algorithms | |
CN117724966A (zh) | 一种基于交易属性识别的测试案例推荐方法及*** | |
CN114970114A (zh) | 一种基于增强现实的虚拟仿真模型动态优化方法及*** | |
CN116629699A (zh) | 数据检测方法、装置、终端设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |