基于神经网络的伺服螺旋压力机生产效率预测方法及系统与流程

1.本发明属于伺服螺旋压力机生产效率预测技术领域，更具体地，涉及一种基于神经网络的伺服螺旋压力机生产效率预测方法及系统。


背景技术：

2.伺服数控螺旋压力机是一种结合了伺服控制和数控技术的螺旋压力机。它通过采用伺服驱动系统和数控系统，实现对螺旋压力机的精确控制和自动化操作。
3.伺服数控螺旋压力机具有以下特点和优势：精确控制：伺服系统可以提供高精度的位置控制和力控制，使得压力机的压力施加更加准确、稳定。
4.自动化操作：借助数控系统，可以实现自动化的工作流程，包括程序控制、参数设置、多道工序的连续操作等，提高生产效率和一致性。
5.多功能性：伺服数控螺旋压力机通常具有多种工作模式和功能选项，可以适应不同的压力需求和工件要求。
6.数据记录和分析：数控系统可以记录压力机的工作数据和相关参数，用于生产过程的监控和分析，帮助优化生产效率和质量控制。
7.编程灵活性：使用数控编程语言，可以灵活地调整和修改压力机的工作程序，以适应不同的工件加工需求。
8.伺服数控螺旋压力机广泛应用于汽车零部件制造、航空航天、电子器件、塑料模具等领域，以满足对高精度、高效率的压力加工需求。
9.目前现有技术中存在一些根据伺服数控螺旋压力机生产数据进行分析的一些技术，但是技术的准确度不够高，导致数据分析的效果大打折扣，同时也没有一种能够根据历史数据预测生产效率的技术出现。


技术实现要素：

10.为解决以上技术问题，本发明提出一种基于神经网络的伺服螺旋压力机生产效率预测方法，包括：步骤101，获取所述伺服螺旋压力机已加工历史工件的历史加工数据，将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；步骤102，根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；步骤103，设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所
述生产效率预测模型进行调整；步骤104，迭代所述步骤101到所述步骤103，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。
11.进一步的，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。
12.进一步的，所述生产效率影响函数具体为：，，，，，其中，a、b和c为调整因子，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。
13.进一步的，所述生产效率预测模型包括：,其中，e为生产效率预测值，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。
14.进一步的，所述生产效率激活函数为：,其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零。
15.进一步的，所述生产效率损失函数为：,
其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。
16.进一步的，步骤101中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。
17.进一步的，步骤101中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理，以确保所述历史加工数据具有可比性和一致性。
18.进一步的，步骤101中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。
19.进一步的，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。
20.本发明还提出一种基于神经网络的伺服螺旋压力机生产效率预测系统，包括：获取历史数据模块，用于获取所述伺服螺旋压力机已加工历史工件的历史加工数据，将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；设置神经网络模块，用于根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；预测模块，用于设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；迭代输出模块，用于迭代所述获取历史数据模块、所述设置神经网络模块和所述预测模块，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。
21.进一步的，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。
22.进一步的，所述生产效率影响函数具体为：,,,
,,其中，a、b和c为调整因子，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。
23.进一步的，所述生产效率预测模型包括：,其中，e为生产效率预测值,为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。
24.进一步的，所述生产效率激活函数为：,其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零。
25.进一步的，所述生产效率损失函数为：,其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。
26.进一步的，获取历史数据模块中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。
27.进一步的，获取历史数据模块中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影
响，其中标准化处理包括零均值化处理或单位方差化处理，以确保所述历史加工数据具有可比性和一致性。
28.进一步的，获取历史数据模块中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。
29.进一步的，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。
30.总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：本发明通过获取已加工历史工件的历史加工数据，将所述历史加工数据作为输入，输入到神经网络中，并生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；经过迭代，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测，通过本发明能够提高生产效率预测的准确度，从而根据生产效率预测值动态调整伺服螺旋压力机的生产状态。
附图说明
31.图1是本发明实施例1的方法的流程图；图2是本发明实施例2的系统的结构图。
具体实施方式
32.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
33.本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
34.处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
35.存储介质可以包括随机存储介质(random access memory，ram)，也可以包括只读存储介质(read-only memory，rom)。存储介质可用于存储指令、程序、代码、代码集或指令。
36.显示屏用于显示各个应用程序的用户界面。
37.除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
38.实施例1如图1所示，本发明实施例提供一种基于神经网络的伺服螺旋压力机生产效率预测方法，包括：步骤101，获取所述伺服螺旋压力机已加工历史工件的历史加工数据（这里可以将历史加工数据转换为适合分析的格式。例如，将数据整理为结构化数据表格（如csv或excel格式），或将历史加工数据转换为特定的数据分析工具或编程语言所需的格式，如json、sql等），将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；具体的，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。
39.具体的，步骤101中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。
40.具体的，步骤101中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理（对数据进行必要的转换和处理。例如，将日期和时间数据进行格式化，将不同单位的数据进行统一，或者进行数据归一化等操作，以确保数据的一致性和可比性），以确保所述历史加工数据具有可比性和一致性。
41.具体的，步骤101中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。
42.步骤102，根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；具体的，所述生产效率影响函数具体为：,,，，，其中，a、b和c为调整因子，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率
对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。
43.具体的，所述生产效率预测模型包括：，其中，e为生产效率预测值，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。
44.具体的，所述生产效率激活函数为：，其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零；所述生产效率激活函数具有一下好处：非线性：正弦函数的引入使得激活函数非线性，可以更好地捕捉输入和输出之间的非线性关系；平滑性：正弦函数在整个实数域上连续且可导，具有平滑的特性；零截断：与relu相似，当输入小于零时，激活函数输出为零。
45.当应用于神经网络中的隐藏层或输出层时，所述生产效率激活函数可以帮助网络学习具有周期性或波动性的模式。
46.步骤103，设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；具体的，所述生产效率损失函数为：，其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。
47.步骤104，迭代所述步骤101到所述步骤103，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。
48.具体的，还包括：
根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。
49.具体的，还包括：选择适当的优化算法，如梯度下降法（gradient descent）或自适应矩估计（adam），来最小化损失函数并更新神经网络的权重。
50.实施例2如图2所示，本发明实施例还提供一种基于神经网络的伺服螺旋压力机生产效率预测系统，包括：获取历史数据模块，用于获取所述伺服螺旋压力机已加工历史工件的历史加工数据（这里可以将历史加工数据转换为适合分析的格式。例如，将数据整理为结构化数据表格（如csv或excel格式），或将历史加工数据转换为特定的数据分析工具或编程语言所需的格式，如json、sql等），将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；具体的，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。
51.具体的，获取历史数据模块中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。
52.具体的，获取历史数据模块中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理（对数据进行必要的转换和处理。例如，将日期和时间数据进行格式化，将不同单位的数据进行统一，或者进行数据归一化等操作，以确保数据的一致性和可比性），以确保所述历史加工数据具有可比性和一致性。
53.具体的，获取历史数据模块中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。
54.设置神经网络模块，用于根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；具体的，所述生产效率影响函数具体为：，，，，
，其中，a、b和c为调整因子，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。
55.具体的，所述生产效率预测模型包括：，其中，e为生产效率预测值，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。
56.具体的，所述生产效率激活函数为：，其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零，所述生产效率激活函数具有一下好处：非线性：正弦函数的引入使得激活函数非线性，可以更好地捕捉输入和输出之间的非线性关系；平滑性：正弦函数在整个实数域上连续且可导，具有平滑的特性；零截断：与relu相似，当输入小于零时，激活函数输出为零。
57.当应用于神经网络中的隐藏层或输出层时，所述生产效率激活函数可以帮助网络学习具有周期性或波动性的模式。
58.预测模块，用于设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；具体的，所述生产效率损失函数为：，其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。
59.迭代输出模块，用于迭代所述获取历史数据模块、所述设置神经网络模块和所述预测模块，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。
60.具体的，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。
61.具体的，还包括：选择适当的优化算法，如梯度下降法（gradient descent）或自适应矩估计（adam），来最小化损失函数并更新神经网络的权重。
62.实施例3本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法。
63.可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
64.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取所述伺服螺旋压力机已加工历史工件的历史加工数据（这里可以将历史加工数据转换为适合分析的格式。例如，将数据整理为结构化数据表格（如csv或excel格式），或将历史加工数据转换为特定的数据分析工具或编程语言所需的格式，如json、sql等），将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；具体的，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。
65.具体的，步骤101中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。
66.具体的，步骤101中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理（对数据进行必要的转换和处理。例如，将日期和时间数据进行格式化，将不同单位的数据进行统一，或者进行数据归一化等操作，以确保数据的一致性和可比性），以确保所述历史加工数据具有可比性和一致性。
67.具体的，步骤101中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。
68.步骤102，根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；具体的，所述生产效率影响函数具体为：
，，，，，其中，a、b和c为调整因子，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。
69.具体的，所述生产效率预测模型包括：，其中，e为生产效率预测值，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。
70.具体的，所述生产效率激活函数为：，其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零，所述生产效率激活函数具有一下好处：非线性：正弦函数的引入使得激活函数非线性，可以更好地捕捉输入和输出之间的非线性关系；平滑性：正弦函数在整个实数域上连续且可导，具有平滑的特性；零截断：与relu相似，当输入小于零时，激活函数输出为零。
71.当应用于神经网络中的隐藏层或输出层时，所述生产效率激活函数可以帮助网络学习具有周期性或波动性的模式。
72.步骤103，设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；
具体的，所述生产效率损失函数为：，其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。
73.步骤104，迭代所述步骤101到所述步骤103，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。
74.具体的，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。
75.具体的，还包括：选择适当的优化算法，如梯度下降法（gradient descent）或自适应矩估计（adam），来最小化损失函数并更新神经网络的权重。
76.实施例4本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法。
77.具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
78.其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种基于神经网络的伺服螺旋压力机生产效率预测方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于神经网络的伺服螺旋压力机生产效率预测方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
79.处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取所述伺服螺旋压力机已加工历史工件的历史加工数据（这里可以将历史加工数据转换为适合分析的格式。例如，将数据整理为结构化数据表格（如csv或excel格式），或将历史加工数据转换为特定的数据分析工具或编程语言所需的格式，如json、sql等），将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；具体的，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。
80.具体的，步骤101中还包括对所述历史加工数据进行数据预处理操作，具体为：
对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。
81.具体的，步骤101中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理（对数据进行必要的转换和处理。例如，将日期和时间数据进行格式化，将不同单位的数据进行统一，或者进行数据归一化等操作，以确保数据的一致性和可比性），以确保所述历史加工数据具有可比性和一致性。
82.具体的，步骤101中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。
83.步骤102，根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；具体的，所述生产效率影响函数具体为：，，，，，其中，a、b和c为调整因子，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。
84.具体的，所述生产效率预测模型包括：，其中，e为生产效率预测值，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响
函数，为所述磨具历史磨损程度对生产效率的影响函数。
85.具体的，所述生产效率激活函数为：，其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零，所述生产效率激活函数具有一下好处：非线性：正弦函数的引入使得激活函数非线性，可以更好地捕捉输入和输出之间的非线性关系；平滑性：正弦函数在整个实数域上连续且可导，具有平滑的特性；零截断：与relu相似，当输入小于零时，激活函数输出为零。
86.当应用于神经网络中的隐藏层或输出层时，所述生产效率激活函数可以帮助网络学习具有周期性或波动性的模式。
87.步骤103，设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；具体的，所述生产效率损失函数为：，其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。
88.步骤104，迭代所述步骤101到所述步骤103，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。
89.具体的，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。
90.具体的，还包括：选择适当的优化算法，如梯度下降法（gradient descent）或自适应矩估计（adam），来最小化损失函数并更新神经网络的权重。
91.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。
92.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
93.在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合
或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
94.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
95.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
96.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储介质(rom，read-only memory)、随机存取存储介质(ram，randomaccess memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
97.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，包括：步骤101，获取所述伺服螺旋压力机已加工历史工件的历史加工数据，将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；步骤102，根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；步骤103，设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；步骤104，迭代所述步骤101到所述步骤103，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。2.如权利要求1所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。3.如权利要求2所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，所述生产效率影响函数具体为：，，，，，其中，a、b和c为调整因子，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。4.如权利要求3所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，所述生产效率预测模型包括：,其中，e为生产效率预测值，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影
响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。5.如权利要求4所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，所述生产效率激活函数为：,其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零。6.如权利要求4所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，所述生产效率损失函数为：,其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。7.如权利要求1所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，步骤101中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。8.如权利要求7所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，步骤101中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理，以确保所述历史加工数据具有可比性和一致性。9.如权利要求8所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，步骤101中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。10.如权利要求9所述的一种基于神经网络的伺服螺旋压力机生产效率预测方法，其特征在于，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。11.一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，包括：获取历史数据模块，用于获取所述伺服螺旋压力机已加工历史工件的历史加工数据，将所述历史加工数据作为输入，输入到神经网络中，根据所述历史加工数据的数据种类的数量，设置输入层的神经元数量；设置神经网络模块，用于根据数据种类生成多个生产效率影响函数，并根据所述历史加工数据，且由多个所述生产效率影响函数组成生产效率预测模型，将多个所述生产效率影响函数作为第一层隐藏层，将所述生产效率预测模型作为第二层隐藏层，并设置生产效
率激活函数，作为第三层隐藏层；预测模块，用于设置生产效率损失函数，将所述生产效率损失函数设置在输出层，所述输出层接收所述第三层隐藏层输出的生产效率预测值，并通过所述生产效率损失函数对所述生产效率预测模型进行调整；迭代输出模块，用于迭代所述获取历史数据模块、所述设置神经网络模块和所述预测模块，直到所述生产效率预测值与生产效率真实值的误差最小，并获取当前工件的当前加工数据，将所述当前加工数据输入到训练好的神经网络中，以便完成生产效率预测。12.如权利要求11所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，所述历史加工数据包括：历史压力、工件历史加工位置、历史良品率、机器历史温度和磨具历史磨损程度。13.如权利要求12所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，所述生产效率影响函数具体为：,,,,,其中，a、b和c为调整因子，p为所述历史压力，t为所述机器历史温度，r为所述工件历史加工位置，l为所述历史良品率，w为所述磨具历史磨损程度，及所述历史压力对生产效率的影响函数、所述机器历史温度对生产效率的影响函数、所述工件历史加工位置对生产效率的影响函数、所述历史良品率对生产效率的影响函数和所述磨具历史磨损程度对生产效率的影响函数，分别位于所述第二层隐藏层中相应的神经元中。14.如权利要求13所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，所述生产效率预测模型包括：，其中，e为生产效率预测值，为所述历史压力对生产效率的影响函数，为所述机器历史温度对生产效率的影响函数，为所述工件历史加工位置对生产效率的影响函数，为所述历史良品率对生产效率的影响函数，为所述磨具历史磨损程度对生产效率的影响函数。15.如权利要求14所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，所述生产效率激活函数为：
,其中，将由所述生产效率预测模型生成的生产效率预测值输入到所述生产效率激活函数中，所述生产效率激活函数先将生产效率预测值通过正弦函数进行变换，然后保留生产效率预测值的正值并将负值截断为零。16.如权利要求14所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，所述生产效率损失函数为：,其中，和为权重，分别用于控制均方误差和平均绝对误差，通过调节和的大小，来调节均方误差和平均绝对误差的比重，为生产效率真实值，n为样本的数量。17.如权利要求11所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，获取历史数据模块中还包括对所述历史加工数据进行数据预处理操作，具体为：对所述历史加工数据进行数据预处理操作，所述数据预处理操作包括数据清洗、缺失值处理和特征缩放，确保所述历史加工数据的一致性和可用性。18.如权利要求17所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，获取历史数据模块中还包括对预处理后的所述历史加工数据进行标准化处理，具体为：对预处理后的所述历史加工数据进行标准化处理，以消除不同尺度或单位的影响，其中标准化处理包括零均值化处理或单位方差化处理，以确保所述历史加工数据具有可比性和一致性。19.如权利要求18所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，获取历史数据模块中还包括将标准化处理后的所述历史加工数据划分为训练集、验证集，以避免过拟合或泛化性能不足的问题。20.如权利要求19所述的一种基于神经网络的伺服螺旋压力机生产效率预测系统，其特征在于，还包括：根据所述验证集对训练好的神经网络进行验证，并根据验证结果，调整训练好的神经网络的超参数，以获得更好的预测性能。

技术总结
本发明公开基于神经网络的伺服螺旋压力机生产效率预测方法，包括：步骤101，获取伺服螺旋压力机已加工历史工件的历史加工数据，将历史加工数据输入到神经网络中，根据历史加工数据的数据种类的数量；步骤102，根据数据种类生成多个生产效率影响函数，并根据历史加工数据，且由多个生产效率影响函数组成生产效率预测模型，将多个生产效率影响函数作为第一层隐藏层，将生产效率预测模型作为第二层隐藏层，并设置生产效率激活函数，作为第三层隐藏层；步骤103，设置生产效率损失函数，将生产效率损失函数设置在输出层，并通过生产效率损失函数对生产效率预测模型进行调整；步骤104，迭代步骤101到步骤103，直到生产效率预测值与生产效率真实值的误差最小。率真实值的误差最小。率真实值的误差最小。


技术研发人员：冯仪 余俊 兰芳 郭家雄 李方达 张凯 严豪
受保护的技术使用者：武汉新威奇科技有限公司
技术研发日：2023.07.19
技术公布日：2023/8/24