CN117371341B - 工艺参数确定方法、目标件制造方法、装置及介质 - Google Patents
工艺参数确定方法、目标件制造方法、装置及介质 Download PDFInfo
- Publication number
- CN117371341B CN117371341B CN202311675985.3A CN202311675985A CN117371341B CN 117371341 B CN117371341 B CN 117371341B CN 202311675985 A CN202311675985 A CN 202311675985A CN 117371341 B CN117371341 B CN 117371341B
- Authority
- CN
- China
- Prior art keywords
- optimal
- model
- process parameters
- target
- output
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 233
- 230000008569 process Effects 0.000 title claims abstract description 186
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 86
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 16
- 238000012549 training Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000001931 thermography Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004512 die casting Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
- G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及电数字数据处理技术领域,具体涉及一种工艺参数确定方法、目标件制造方法、装置及介质。该方法包括:建立工艺‑质量模型的代理模型,工艺‑质量模型的输入为制造目标件的工艺参数,工艺‑质量模型的输出为目标件的性能指标;根据优化算法确定使代理模型输出最优性能指标的最优工艺参数;将最优工艺参数按照优劣性进行排序;获取以排序最高的工艺参数制造得到的目标件的性能指标测试结果;根据排序最高的工艺参数和所获取的性能指标测试结果,对代理模型进行更新,并再次执行上述步骤,直至所获取的性能指标测试结果达到生产目标时,将达到生产目标的工艺参数作为所确定的制造目标件的工艺参数。本方案节省了模型训练成本。
Description
技术领域
本公开涉及电数字数据处理技术领域,尤其涉及一种工艺参数确定方法、目标件制造方法、装置及介质。
背景技术
在工厂车间里生产各种工业用品或加工各种零部件时,生产的产品或零部件的性能受加工过程中的工艺参数的影响。工艺参数稍有改变,所生产的产品或零部件的性能指标可能就有较大的差异。
随着计算机技术、机器学习理论的不断提升,在产品或零部件加工之前,可以建立机器学习模型,利用计算机技术便利地得出较优的性能所对应的工艺参数。利用计算出的工艺参数进行加工生产,使得在所生产的产品或零部件的性能有保障的基础上,降低了试验成本,缩短了研发周期。
然而,要通过机器学习模型来得到准确性较高、能够满足要求的工艺参数,通常需要巨大的数据量对模型进行训练。如果要生产超大尺寸、多参数的产品或零部件,则多次的试验使得训练模型的成本过高。
发明内容
为克服相关技术中存在的问题,本公开提供一种工艺参数确定方法、目标件制造方法、装置及介质。
根据本公开实施例的第一方面,提供一种工艺参数确定方法,包括:
建立工艺-质量模型的代理模型,所述工艺-质量模型的输入为制造目标件的工艺参数,所述工艺-质量模型的输出为所述目标件的性能指标;
根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数;
将所述最优工艺参数按照优劣性进行排序;
获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果;
根据所述排序最高的工艺参数和所获取的性能指标测试结果,对所述代理模型进行更新,并执行所述根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数的步骤至所述获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果的步骤,直至所获取的性能指标测试结果达到生产目标时,将达到所述生产目标的工艺参数作为所确定的制造所述目标件的工艺参数。
可选地,所述根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数,包括:
根据贝叶斯优化算法,基于高斯分布模型确定使所述代理模型输出最优性能指标的最优工艺参数。
可选地,所述将所述最优工艺参数按照优劣性进行排序,包括:
根据参考因素将所述最优工艺参数按照优劣性进行排序,所述参考因素包括以下中的一者或多者:高斯分布模型的EI输出、高斯分布模型的LCB输出、所述代理模型的预测值、所述代理模型的不确定度和专家公式判别器。
可选地,在对所述代理模型进行更新之后,所述方法还包括:
更新所述专家公式判别器。
可选地,所述根据参考因素将所述最优工艺参数按照优劣性进行排序,包括:
针对每项最优工艺参数,确定与各个参考因素的值对应的分值;
确定各个参考因素的权重;
针对每项最优工艺参数,将各个参考因素的分值进行加权求和;
根据加权求和值将所述最优工艺参数进行排序。
可选地,在对所述代理模型进行更新之后,所述方法还包括:
更新所述参考因素的权重。
可选地,所述获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果,包括:
输出所述排序;
获取修正后的排序;
获取以修正后的排序最高的工艺参数制造得到的所述目标件的性能指标测试结果。
根据本公开实施例的第二方面,提供一种目标件制造方法,所述方法包括:
根据本公开第一方面所提供的工艺参数确定方法,确定所述目标件的工艺参数;
根据所确定的工艺参数制造所述目标件。
根据本公开实施例的第三方面,提供一种工艺参数确定装置,所述工艺参数确定装置包括:
建立模块,被配置为建立工艺-质量模型的代理模型,所述工艺-质量模型的输入为制造目标件的工艺参数,所述工艺-质量模型的输出为所述目标件的性能指标;
确定模块,被配置为根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数;
排序模块,被配置为将所述最优工艺参数按照优劣性进行排序;
获取模块,被配置为获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果;
控制模块,被配置为根据所述排序最高的工艺参数和所获取的性能指标测试结果,对所述代理模型进行更新,并执行所述根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数的步骤至所述获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果的步骤,直至所获取的性能指标测试结果达到生产目标时,将达到所述生产目标的工艺参数作为所确定的制造所述目标件的工艺参数。
根据本公开实施例的第四方面,提供一种工艺参数确定装置,包括:
第一处理器;
用于存储第一处理器可执行指令的存储器;
其中,所述第一处理器被配置为执行本公开第一方面所提供的方法。
根据本公开实施例的第五方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被第二处理器执行时实现本公开第一方面所提供的工艺参数确定方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过建立代理模型,利用优化算法得到制造目标件的最优工艺参数,再选取最优工艺参数中的较优者进行生产试验。每次生产试验得到的数据用于对代理模型进行更新。可以如此循环数次,直至生产试验制造的目标件达到生产目标。这样,后续可以按照达到生产目标的生产试验所使用的工艺参数进行目标件的制造生产。本方案不需要建立精确的机器学习模型,仅需要较少次数的生产试验,就能够得到符合生产目标的工艺参数,节省了模型训练成本,缩短了研发周期。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种工艺参数确定方法的流程图。
图2是根据一示例性实施例示出的另一种工艺参数确定方法的流程图。
图3是根据一示例性实施例示出的一种目标件制造方法的流程图。
图4是根据一示例性实施例示出的一种工艺参数确定装置的框图。
图5是根据一示例性实施例示出的一种用于工艺参数确定的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
工业产品的工艺优化主要依赖计算机辅助工程(Computer Aided Engineering,CAE)工程师、工艺工程师、设备工程师、材料工程师等专家的人工经验,设定各自模块的最优参数。生产出的产品或零部件,是上述所有环节的综合产物,应当在全局找到最优参数。
使用大数据/机器学习,一般需要数据量在300-10000条,试验成本巨大,尤其是对于超大型一体化压铸结构件(简称大铸件,例如,体积为3米×2米×1米),成本更高。并且,由于数据并非“理想分布”,300条以上工艺优化效果容易出现边际收益递减效应。
本方案提供了一种工艺优化方法,在生产线建立初期,工艺-质量数据缺乏的时间段(例如,0-300条数据的阶段),使用“小样本自适应”工艺优化,用算法代替人工,并且让数据更趋向于理想分布(例如,正态分布),找到能够达到生产目标的工艺参数。
图1是根据一示例性实施例示出的一种工艺参数确定方法的流程图,如图1所示,该方法包括步骤S101~步骤S105。
在步骤S101中,建立工艺-质量模型的代理模型,工艺-质量模型的输入为制造目标件的工艺参数,工艺-质量模型的输出为目标件的性能指标。
目标件以车辆中的超大铸件为例,工艺参数为在目标件的生产环节中可以控制的因素,如目标件材料中各元素的比例、合金液体含气量、合金液体温度、模温、高速切换点、高速速度、充填完成耗时等。
性能指标可以包括目标件的局部性能、目标件的局部缺陷、目标件的整体性能以及整车性能。局部性能可以包括材料的抗拉强度(Ultimate Tensile Strength,UTS)、屈服强度(Yield Strength,YS)以及延伸率(Elongation,EL)等。局部缺陷可以包括内部气孔、裂纹和夹杂物、表面缺陷、凹凸、气泡、裂纹、色差等,其中,表面缺陷可以包括夹杂、缩凹、缩松、缩孔、气孔、砂眼、冷隔、裂纹、咬边等。整体性能可以包括整体刚度、强度、振动特征、耐久性等。
可以利用已有的数据建立工艺-质量模型的代理模型。
在步骤S102中,根据优化算法确定使代理模型输出最优性能指标的最优工艺参数。
可以利用相关技术中的优化算法,确定使代理模型能够输出最优性能指标的输入,即最优工艺参数。最优性能指标即代理模型能够输出的最优的性能指标。需要说明的是,最优性能指标并不一定是绝对意义上的最优的性能指标,性能指标满足一定条件,即可以视为是代理模型当前能够输出的最优性能指标。最优性能指标可以是多个性能指标,最优工艺参数也可以是多个向量。
在步骤S103中,将最优工艺参数按照优劣性进行排序。
在最优工艺参数包括多个向量的情况下,可以采用特定的标准来比较最优工艺参数的优劣性,将最优工艺参数按照优劣性进行排序。排序的目的是取其中靠前的最优工艺参数进行实际的生产试验。这样就经过了一次筛选,精简了试验次数。上述特定的标准可以包括预先确定的专家公式判别器。也就是,由专家根据经验设置用于判断优劣性的算法,得到最优工艺参数优劣性的比较结果。
在步骤S104中,获取以排序最高的工艺参数制造得到的目标件的性能指标测试结果。
技术人员可以对制造得到的目标件进行内部缺陷检测和外观检测。
内部缺陷检测可以包括物理检测、X射线检测、超声波检测、磁粉检测、涡流检测、计算机断层扫描、热成像检测、声发射检测、光学检测和放射性同位素射线检测。
外观检测可以包括目视检查、光线照射检测、摄影和图像分析、红外线热成像、涂覆剂和荧光材料、几何测量技术、色差检测、激光扫描、膜厚度测量等。
技术人员还可以通过对零件进行线切割、制样、拉伸试验等步骤,获取材料的抗拉强度、屈服强度以及延伸率等重要指标;通过施加不同的载荷和测量相应的变形来获得目标件刚度;通过施加逐渐增大的载荷来获得目标件的承载能力;通过模态分析等手段获得目标件的振动特性;通过实际的耐久性测试来评估目标件的寿命;在整车测试中,通过车辆在受力下的变形量来量化刚度;在整车测试中,通过对整车在各种载荷条件下的承载能力来量化强度;通过测量车辆在不同速度和路况下的振动幅度和频率来量化振动强度;通过模拟长期使用和不同路况下的试验来评估耐久性。
对于测试位置,可以根据CAE工程师在仿真软件中,通过仿真零件级指标,反向求解关键区域的位置。
对测试结果的采集,可以通过摄像头来获取。具体地,安装摄像头设备并调整其位置,以捕捉监控检测设备屏幕中的内容。监控检测设备例如可以为压铸机自动采集压射参数信息、真空机自动采集真空信息、热成像仪自动采集热成像数据、模温机实时监控设定温度和流量、喷涂设备自动记录喷涂量信息。使用适当的软件或库对摄像头捕捉到的屏幕图像进行光学字符识别(Optical Character Recognition,OCR),将图像中的文本转换为计算机可处理的文本数据。使用大规模模型(如BERT、GPT等)或普通模型(如CRF、LSTM等)进行文本提取。将OCR识别的文本输入模型,提取出关键信息。将从文字提取模型获得的数据整理成结构化的形式,如JSON、CSV等。将整理后的数据转化为二维表的形式,其中每行代表一个数据采集时间点,每列代表从监控检测设备采集到的不同信息项。可以选择数据库、文件***或其他适合的方式存储生成的二维表数据。
对测试结果的采集,还可以通过程序接口方法来获取。具体地,可以与监控检测设备的制造商合作,获取设备数据的接口信息,如API文档、SDK等。根据接口文档,编写程序或脚本,通过API或SDK与监控检测设备进行数据通信,获取数据。将获取的数据转化为二维表的形式,其中每行代表一个数据采集时间点,每列代表从监控检测设备采集到的不同信息项。可以选择数据库、文件***或其他适合的方式存储生成的二维表数据。
在步骤S105中,根据排序最高的工艺参数和所获取的性能指标测试结果,对代理模型进行更新,并执行步骤S102(根据优化算法确定使代理模型输出最优性能指标的最优工艺参数)至步骤S104(获取以排序最高的工艺参数制造得到的目标件的性能指标测试结果),直至所获取的性能指标测试结果达到生产目标时,将达到生产目标的工艺参数作为所确定的制造目标件的工艺参数。
对代理模型进行更新可以为:将排序最高的工艺参数和所获取的性能指标测试结果作为新的训练数据,再次对代理模型进行训练,以更新代理模型。在更新后的代理模型的基础上,再次执行步骤S102至步骤S104,再次得到性能指标测试结果。每迭代一次,在理论上性能指标趋近于更优。若某一次得到的性能指标测试结果能够达到生产目标,则不必再进行迭代。已经找到了所需的工艺参数。若第一次得到性能指标测试结果就能够达到生产目标,则无需更新代理模型,直接得到所需的工艺参数。
生产目标例如可以是合格率达到预定阈值,也就是,在同一工艺参数下制造的目标件的性能指标测试结果中,合格率达到预定阈值,则达到生产目标。
生产目标还可以是算法优化的目标。例如,目标可以是关于各个参数值及其对应的合格标准的函数,例如,argmax函数。当函数值大于预定的阈值时,认为达到生产目标。
在一个实施例中,目标可以通过以下方式确定:
其中,为目标件中的第/>个位置,/>为目标件的第/>个参数,例如,/>为目标件中的第/>个位置处的/>个参数的测试值,/>为目标件中的第/>个位置处的/>个参数的合格标准值。为第/>个位置的权重,越重要的位置,权重越高。/>表示取平均绝对误差。e为自然常数。
在另一个实施例中,目标可以通过以下方式确定:
在又一个实施例中,目标可以通过以下方式确定:
其中,表示取均方误差。
可以有以下示例:
,表示目标件的第1个位置处的UTS值;
,表示目标件的第2个位置处的YS值;
,表示目标件的第3个位置处的EL值;
表示目标件整体测试时得到的刚度值;
表示整车测试时得到的目标件的刚度值。
在又一个实施例中,目标可以通过以下方式确定:
其中,为所有检测位置的数量,/>为第/>个位置处的性能值,/>为所有位置的性能值的平均值。/>为性能波动值,为中间变量。/>为性能向量。
通过建立代理模型,利用优化算法得到制造目标件的最优工艺参数,再选取最优工艺参数中的较优者进行生产试验。每次生产试验得到的数据用于对代理模型进行更新。可以如此循环数次,直至生产试验制造的目标件达到生产目标。这样,后续可以按照达到生产目标的生产试验所使用的工艺参数进行目标件的制造生产。本方案不需要建立精确的机器学习模型,仅需要较少次数的生产试验,就能够得到符合生产目标的工艺参数,节省了模型训练成本,缩短了研发周期。
在又一实施例中,根据优化算法确定使代理模型输出最优性能指标的最优工艺参数,可以包括:根据贝叶斯优化算法,基于高斯分布模型确定使代理模型输出最优性能指标的最优工艺参数。
使用高效的贝叶斯优化算法,能够利用较少的迭代次数,找到最优工艺参数,算法简单,准确性高。
在又一实施例中,将最优工艺参数按照优劣性进行排序,包括:
根据参考因素将最优工艺参数按照优劣性进行排序,参考因素包括以下中的一者或多者:高斯分布模型的预期改进(Expected Improvement,EI)输出、高斯分布模型的置信下限(Lower Confidence Bound,LCB)输出、代理模型的预测值、代理模型的不确定度和专家公式判别器。
在应用叶斯优化算法的过程中,高斯分布模型可以输出EI和LCB。高斯分布模型的EI输出越大,可以认为代理模型的输入(最优工艺参数)越好。
LCB函数体现了代理模型的预测值的均值和代理模型的预测值的不确定度(或标准差)两个因素。在寻找最优点的过程中,利用LCB函数可以在不确定度较高的预测值区域(可能隐藏有更好的结果)和当前暂定的最优结果之间进行权衡。LCB函数可以根据预测值的均值减去一个与预测值的标准差成比例的项得到。高斯分布模型的LCB输出越大,可以认为代理模型的输入越好。
代理模型的预测值是代理模型的输出。可以根据代理模型预测出与最优工艺参数对应的输出,即性能指标。预测的性能指标越好,则可以认为对应的最优工艺参数越好。
代理模型的不确定度表征代理模型根据输入得到的输出的不确定性的程度。可以从不同的维度来考察代理模型的不确定度。维度不同,不确定度可能不同。例如,若之前的样本数据中,输入值在预定范围内的样本极少,而一最优工艺参数又落入了该预定范围内,则该最优工艺参数对应有较大的不确定度。可以根据交叉训练来得到,也可以随机变动输入中的每一个值,查看输出的方差大小来得到。可以认为代理模型的不确定度越小,确定的最优工艺参数越准确。
专家公式判别器可以包括预先确定的、针对一个或多个工艺参数的一个或多个判别器。例如,根据专家经验,工艺参数模温应处于700℃~800℃之间的范围内,如果在一最优工艺参数中,其模温落入了该范围内,则该最优工艺参数的类别判定为“1”,反之,则该最优工艺参数的类别判定为“0”。一个最优工艺参数向量可以包括多个参数,可以选取其中部分或全部参数建立专家公式判别器。当选取多个专家公式判别器时,一个最优工艺参数向量的排序可以考虑多个参数的专家公式判别器的判定结果。专家公式判别器的判定结果表示与专家经验越符合,则可以认为对应的最优工艺参数越好。
排序可以是根据一个或多个因素生成一个排序队列,也可以是分别根据其中的部分因素进行一次排序,总共生成多个队列。例如,根据五种因素的融合,生成一个队列。又如,分别根据每种因素生成一个队列,总共五个队列。
如果是一个队列,则可以取排序靠前的预定数目的最优工艺参数来进行实际试验。例如,100项最优工艺参数的一个排序队列中,取靠前的10项进行试验。如果是多个队列,则可以分别在每个队列中取排序靠前的预定数目的最优工艺参数来进行实际试验。例如,100项最优工艺参数的5个排序队列中,每个队列中取靠前的两项进行试验,共有10项最优工艺参数进行试验。利用每一项最优工艺参数可以生产多个目标件。
该实施例中,根据以上一个或多个因素分析最优工艺参数的优劣性,便于从中选取较好的部分数据进行实际生产,有助于加快参数筛选进度。
在又一实施例中,在对代理模型进行更新之后,方法还包括:更新专家公式判别器。
也就是,一次实际生产之后可以认为是经过了一轮,在从一次实际生产之后的第二轮开始,在将最优工艺参数进行排序时,可以利用更新后的专家公式判别器进行排序。每一轮中将最优工艺参数进行排序时,都可以根据需要更新或不更新专家公式判别器。
在满足一些条件的情况下,可以更新专家公式判别器,例如,之前用于判定的参数范围较宽泛,而本轮步骤102得到的最优工艺参数中,一项参数绝大部分都处于该范围内,则为了优中选优,可以缩小参数范围,增加区分度。
举例来说,之前的专家公式判别器中,模温处于700℃~800℃之间,则该最优工艺参数的类别判定为符合专家经验,而本轮最优工艺参数中,90%的模温均处于700℃~800℃之间,则可以将专家公式判别器中的该范围更改为750℃~800℃。
该实施例中,可以根据实际需要更新专家公式判别器,以加快迭代速度,更快找到符合要求的工艺参数。
在又一实施例中,根据参考因素将最优工艺参数按照优劣性进行排序,包括:
针对每项最优工艺参数,确定与各个参考因素的值对应的分值;
确定各个参考因素的权重;
针对每项最优工艺参数,将各个参考因素的分值进行加权求和;
根据加权求和值将所述最优工艺参数进行排序。
一项最优工艺参数对应于每个参考因素都有一个分值。例如,一项最优工艺参数对应于高斯分布模型的EI输出为20,即参考因素的值。根据预先确定的打分制度,EI输出为20,对应于1~10分中的5分,则该项最优工艺参数对应于EI输出这个参考因素的分值为5分。
又如,共50个专家公式判别器,其中20个专家公式判别器输出为“1”,30个专家公式判别器输出为“0”,一项最优工艺参数对应于专家公式判别器的值为20个“1”的和20,即参考因素的值。根据预先确定的打分制度,专家公式判别器的值为20,对应于1~50分中的20分,则该项最优工艺参数对应于专家公式判别器输出这个参考因素的分值为20分。
各个参考因素的权重可以是固定的。技术人员可以根据重要性来分配权重。
该实施例中,将多个参考因素进行融合,将最优工艺参数进行排序后得到一个排序队列,方便数据的筛选。
在又一实施例中,在对代理模型进行更新之后,该方法还包括:更新参考因素的权重。
也就是,在从一次实际生产之后的第二轮开始,在将最优工艺参数进行排序时,可以利用更新后的参考因素的权重进行排序。每一轮中将最优工艺参数进行排序时,都可以根据需要更新或不更新参考因素的权重。
在满足一些条件的情况下,可以更新参考因素的权重,例如,代理模型的预测值的权重,可以随着迭代次数的增加而增大。这是由于随着代理模型中采用的试验数据的增加,理论上代理模型的准确性越来越高。又如,代理模型的不确定度,可以随着迭代次数的增加而减小。
如上所述,利用LCB函数可以在不确定度较高的预测值区域和当前暂定的最优结果之间进行权衡。考虑到本方案中,代理模型并不十分成熟,工艺-质量模型还在探索的过程中,因此,在将最优工艺参数按照优劣性进行排序时,在每一轮迭代时均可以设置LCB的权重大于预测值的权重,这样不容易遗漏掉较好的预测值。
该实施例中,可以根据实际需要更新参考因素的权重,以得到更准确的排序,从而加快迭代速度,更快找到符合要求的工艺参数。
在又一实施例中,获取以排序最高的工艺参数制造得到的目标件的性能指标测试结果,包括:
输出排序;
获取修正后的排序;
获取以修正后的排序最高的工艺参数制造得到的目标件的性能指标测试结果。
其中,输出排序可以是在显示屏中显示出最优工艺参数的排序。技术人员能够根据经验对该排序进行修改、删除。例如,如果出现明显不符合实际的最优工艺参数,可以将其删除。如果出现明显不恰当的排序,可以将其顺序调整。经技术人员确认后的排序中,可以取排序最高的工艺参数在工厂实际制造目标件。制造完成的目标件,经性能指标测试后的结果,可以连同试验用的工艺参数一并输入计算机,形成一轮试验的数据。
该实施例中,最优工艺参数的排序经过人工确认,极大地保障了排序的可靠性,从而减少了迭代次数。
图2是根据一示例性实施例示出的另一种工艺参数确定方法的流程图。图2中,实线框中的步骤可以由计算机来执行,虚线框中的步骤可以由人工来完成。
本公开还提供一种目标件制造方法。图3是根据一示例性实施例示出的一种目标件制造方法的流程图。如图3所示,该方法包括以下步骤。
在步骤S301中,根据本公开提供的工艺参数确定方法,确定目标件的工艺参数。
在步骤S302中,根据所确定的工艺参数制造目标件。
由于采用本公开提供的上述工艺参数确定方法来确定目标件的工艺参数,使得仅需要较少次数的生产试验,就能够得到符合生产目标的工艺参数,因此,节省了目标件的制造成本,加快了生产进度。
图4是根据一示例性实施例示出的一种工艺参数确定装置的框图。如图4所示,工艺参数确定装置400可以包括建立模块410、确定模块420、排序模块430、获取模块440和控制模块450。
建立模块410被配置为建立工艺-质量模型的代理模型,工艺-质量模型的输入为制造目标件的工艺参数,工艺-质量模型的输出为目标件的性能指标。
确定模块420被配置为根据优化算法确定使代理模型输出最优性能指标的最优工艺参数。
排序模块430被配置为将最优工艺参数按照优劣性进行排序。
获取模块440被配置为获取以排序最高的工艺参数制造得到的目标件的性能指标测试结果。
控制模块450被配置为根据排序最高的工艺参数和所获取的性能指标测试结果,对代理模型进行更新,并执行根据优化算法确定使代理模型输出最优性能指标的最优工艺参数的步骤至获取以排序最高的工艺参数制造得到的目标件的性能指标测试结果的步骤,直至所获取的性能指标测试结果达到生产目标时,将达到生产目标的工艺参数作为所确定的制造目标件的工艺参数。
可选地,确定模块420还被配置为:根据贝叶斯优化算法,基于高斯分布模型确定使代理模型输出最优性能指标的最优工艺参数。
可选地,排序模块430还被配置为:根据参考因素将最优工艺参数按照优劣性进行排序,参考因素包括以下中的一者或多者:高斯分布模型的EI输出、高斯分布模型的LCB输出、代理模型的预测值、代理模型的不确定度和专家公式判别器。
可选地,工艺参数确定装置400还包括第一更新模块。
第一更新模块被配置为在对代理模型进行更新之后,更新专家公式判别器。
可选地,排序模块430还被配置为:针对每项最优工艺参数,确定与各个参考因素的值对应的分值;确定各个参考因素的权重;针对每项最优工艺参数,将各个参考因素的分值进行加权求和;根据加权求和值将最优工艺参数进行排序。
可选地,工艺参数确定装置400还包括第二更新模块。
第二更新模块被配置为在对代理模型进行更新之后,更新参考因素的权重。
可选地,获取模块440还被配置为:输出排序;获取修正后的排序;获取以修正后的排序最高的工艺参数制造得到的目标件的性能指标测试结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本方案通过建立代理模型,利用优化算法得到制造目标件的最优工艺参数,再选取最优工艺参数中的较优者进行生产试验。每次生产试验得到的数据用于对代理模型进行更新。可以如此循环数次,直至生产试验制造的目标件达到生产目标。这样,后续可以按照达到生产目标的生产试验所使用的工艺参数进行目标件的制造生产。本方案不需要建立精确的机器学习模型,仅需要较少次数的生产试验,就能够得到符合生产目标的工艺参数,节省了模型训练成本,缩短了研发周期。
本公开还提供一种工艺参数确定装置。该工艺参数确定装置包括第一处理器和用于存储第一处理器可执行指令的存储器。其中,第一处理器被配置为执行本公开提供的上述工艺参数确定方法。
图5是根据一示例性实施例示出的一种用于工艺参数确定的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个第三处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的第三处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该装置可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(GraphicsProcessing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上***或***级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的工艺参数确定方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的工艺参数确定方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的工艺参数确定方法。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被第二处理器执行时实现本公开提供的工艺参数确定方法的步骤。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的工艺参数确定方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种工艺参数确定方法,其特征在于,包括:
建立工艺-质量模型的代理模型,所述工艺-质量模型的输入为制造目标件的工艺参数,所述工艺-质量模型的输出为所述目标件的性能指标;
根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数;
将所述最优工艺参数按照优劣性进行排序;
获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果;
根据所述排序最高的工艺参数和所获取的性能指标测试结果,对所述代理模型进行更新,并执行所述根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数的步骤至所述获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果的步骤,直至所获取的性能指标测试结果达到生产目标时,将达到所述生产目标的工艺参数作为所确定的制造所述目标件的工艺参数;
其中,所述根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数,包括:根据贝叶斯优化算法,基于高斯分布模型确定使所述代理模型输出最优性能指标的最优工艺参数;
其中,所述将所述最优工艺参数按照优劣性进行排序,包括:根据参考因素将所述最优工艺参数按照优劣性进行排序,所述参考因素包括:高斯分布模型的EI输出、高斯分布模型的LCB输出、所述代理模型的预测值、所述代理模型的不确定度和专家公式判别器;
所述根据参考因素将所述最优工艺参数按照优劣性进行排序,包括:针对每项最优工艺参数,确定与各个参考因素的值对应的分值;确定各个参考因素的权重;针对每项最优工艺参数,将各个参考因素的分值进行加权求和;根据加权求和值将所述最优工艺参数进行排序;
所述方法还包括:更新所述参考因素的权重,其中,所述代理模型的预测值的权重,随着迭代次数的增加而增大;在每一轮迭代中,所述高斯分布模型的LCB输出的权重大于所述代理模型的预测值的权重。
2.根据权利要求1所述的方法,其特征在于,在对所述代理模型进行更新之后,所述方法还包括:
更新所述专家公式判别器。
3.根据权利要求1~2中任一项所述的方法,其特征在于,所述获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果,包括:
输出所述排序;
获取修正后的排序;
获取以修正后的排序最高的工艺参数制造得到的所述目标件的性能指标测试结果。
4.一种目标件制造方法,其特征在于,所述方法包括:
根据权利要求1~3中任一项所述的工艺参数确定方法,确定所述目标件的工艺参数;
根据所确定的工艺参数制造所述目标件。
5.一种工艺参数确定装置,其特征在于,所述工艺参数确定装置包括:
建立模块,被配置为建立工艺-质量模型的代理模型,所述工艺-质量模型的输入为制造目标件的工艺参数,所述工艺-质量模型的输出为所述目标件的性能指标;
确定模块,被配置为根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数;
排序模块,被配置为将所述最优工艺参数按照优劣性进行排序;
获取模块,被配置为获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果;
控制模块,被配置为根据所述排序最高的工艺参数和所获取的性能指标测试结果,对所述代理模型进行更新,并执行所述根据优化算法确定使所述代理模型输出最优性能指标的最优工艺参数的步骤至所述获取以排序最高的工艺参数制造得到的所述目标件的性能指标测试结果的步骤,直至所获取的性能指标测试结果达到生产目标时,将达到所述生产目标的工艺参数作为所确定的制造所述目标件的工艺参数;
所述确定模块还被配置为:根据贝叶斯优化算法,基于高斯分布模型确定使所述代理模型输出最优性能指标的最优工艺参数;
所述排序模块还被配置为:根据参考因素将所述最优工艺参数按照优劣性进行排序,所述参考因素包括:高斯分布模型的EI输出、高斯分布模型的LCB输出、所述代理模型的预测值、所述代理模型的不确定度和专家公式判别器;
所述排序模块还被配置为:针对每项最优工艺参数,确定与各个参考因素的值对应的分值;确定各个参考因素的权重;针对每项最优工艺参数,将各个参考因素的分值进行加权求和;根据加权求和值将所述最优工艺参数进行排序;
所述工艺参数确定装置还包括:
第二更新模块,被配置为更新所述参考因素的权重,其中,所述代理模型的预测值的权重,随着迭代次数的增加而增大;在每一轮迭代中,所述高斯分布模型的LCB输出的权重大于所述代理模型的预测值的权重。
6.一种工艺参数确定装置,其特征在于,包括:
第一处理器;
用于存储所述第一处理器可执行指令的存储器;
其中,所述第一处理器被配置为执行权利要求1~3中任一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被第二处理器执行时实现权利要求1~3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675985.3A CN117371341B (zh) | 2023-12-07 | 2023-12-07 | 工艺参数确定方法、目标件制造方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675985.3A CN117371341B (zh) | 2023-12-07 | 2023-12-07 | 工艺参数确定方法、目标件制造方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371341A CN117371341A (zh) | 2024-01-09 |
CN117371341B true CN117371341B (zh) | 2024-04-09 |
Family
ID=89400625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675985.3A Active CN117371341B (zh) | 2023-12-07 | 2023-12-07 | 工艺参数确定方法、目标件制造方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371341B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508488A (zh) * | 2018-11-07 | 2019-03-22 | 西北工业大学 | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 |
CN115237878A (zh) * | 2022-06-28 | 2022-10-25 | 华中科技大学 | 基于增材制造的工艺数据库构建方法及介质 |
CN115688564A (zh) * | 2022-10-11 | 2023-02-03 | 江苏师范大学 | 一种压轧耦合作用下螺纹钢筋力学性能预测方法 |
CN116467794A (zh) * | 2023-04-17 | 2023-07-21 | 重庆长安汽车股份有限公司 | 汽车隔声性能多学科设计优化方法、装置及电子设备 |
CN116522747A (zh) * | 2023-02-28 | 2023-08-01 | 广西大学 | 一种两阶段优化的挤压铸造工艺参数优化设计方法 |
CN116913435A (zh) * | 2023-07-27 | 2023-10-20 | 常州威材新材料科技有限公司 | 一种基于成分分析的高强度工程塑料评估方法及*** |
-
2023
- 2023-12-07 CN CN202311675985.3A patent/CN117371341B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508488A (zh) * | 2018-11-07 | 2019-03-22 | 西北工业大学 | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 |
CN115237878A (zh) * | 2022-06-28 | 2022-10-25 | 华中科技大学 | 基于增材制造的工艺数据库构建方法及介质 |
CN115688564A (zh) * | 2022-10-11 | 2023-02-03 | 江苏师范大学 | 一种压轧耦合作用下螺纹钢筋力学性能预测方法 |
CN116522747A (zh) * | 2023-02-28 | 2023-08-01 | 广西大学 | 一种两阶段优化的挤压铸造工艺参数优化设计方法 |
CN116467794A (zh) * | 2023-04-17 | 2023-07-21 | 重庆长安汽车股份有限公司 | 汽车隔声性能多学科设计优化方法、装置及电子设备 |
CN116913435A (zh) * | 2023-07-27 | 2023-10-20 | 常州威材新材料科技有限公司 | 一种基于成分分析的高强度工程塑料评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117371341A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344908B (zh) | 用于生成模型的方法和装置 | |
CN110726724A (zh) | 缺陷检测方法、***和装置 | |
CN108830837A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN114201905B (zh) | 一种改性粒子的生产方法和装置 | |
CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN116230144B (zh) | 模型生成方法、材料信息确定方法、装置、设备及介质 | |
CN111382064B (zh) | 一种测试方法、装置、介质和电子设备 | |
CN117371341B (zh) | 工艺参数确定方法、目标件制造方法、装置及介质 | |
CN111046927A (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN111428806B (zh) | 图像标签确定方法、装置、电子设备及存储介质 | |
US11527091B2 (en) | Analyzing apparatus, control method, and program | |
CN116721724A (zh) | 合金性能预测方法、装置、存储介质、电子设备及芯片 | |
CN117422905A (zh) | 目标识别方法、装置、设备及存储介质 | |
TWI837464B (zh) | 支援樹脂成形之裝置、方法及程式 | |
EP4068202A1 (en) | Method and repair apparatus for repairing flexible panel, device and storage medium | |
CN114332196A (zh) | 料件重量百分比的获取方法、设备、装置及存储介质 | |
CN114782845A (zh) | ***后建筑物新生裂缝识别方法、装置、设备及介质 | |
CN117371626A (zh) | 铸件质量预测方法、装置及介质 | |
CN110674994A (zh) | 数据价值评估方法、终端、装置及可读存储介质 | |
CN116484228B (zh) | 模型训练方法、工艺确定方法、装置、电子设备和介质 | |
CN112036507B (zh) | 图像识别模型的训练方法、装置、存储介质和电子设备 | |
CN113377673B (zh) | 软件测试的测试前移工作量占比的预测方法、装置和设备 | |
CN117373582B (zh) | 基于仿真实验模型的材料成分预测方法、装置及存储介质 | |
CN111382061A (zh) | 一种测试方法、装置、介质和电子设备 | |
CN115049652B (zh) | 液压机智能控制方法、装置、设备及存储介质 |
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 |