基于迭代优化的数控编程参数推荐方法与流程

1.本发明涉及数控编程技术领域、尤其涉及一种基于迭代优化的数控编程参数推荐方法。


背景技术：

2.机械制造加工的趋势是逐步走向数字化、智能化，数控编程参数设置是数字加工制造领域中重要的环节之一，而数控编程的复杂程度主要取决于待加工工件的要求，目前数控编程参数设置是工作人员根据加工要求，了解工件的尺寸、形状、材料等信息，再确定加工过程中需要遵循的刀具路径和刀具类型等参数，对工作人员的技术要求很高，效率较低。
3.经检索，发现了专利号202111399940.9、专利公开号为cn114021482a的发明专利，其公开了一种基于知识图谱优化cam模板的数控编程方法，其包括加工特征获取、特征识别与特征编码、cam模板匹配、特征关联知识查询、cam模板评估与优化、后处理匹配与nc代码生成、仿真验证、仿真结果评估等，该发明以知识图谱为知识的存储和推理的工具，模拟编程人员编程过程，通过知识查询和知识推理得到的关联知识对具体的加工特征匹配的工艺模板进行评估与优化；并用优化后的模板更新cam模板库从而在使用过程中不断提高企业数控工艺模板的编程可靠性与通用性。
4.上述方案是模拟人员编程过程，利用知识查询和知识推理来不断优先模板，更新cam模板库， 与本技术的迭代优化算法并不相同。
5.因此，有必要对此进行研发、开发一种基于迭代优化的数控编程参数推荐方法。


技术实现要素：

6.本发明专利技术方案是为了解决现有技术中指出的技术问题，本发明提供了一种基于迭代优化的数控编程参数推荐方法，包括：s1: 从cam软件中获取模型、刀具、数控编程参数；s2: 从erp软件中获得机床信息和加工质量评价结果；s3：根据关键程度对数控编程参数进行排序。
7.s4： 使用wide&deep算法，其余的数据组成第一数据集，训练第一模型预测优先级最高的数控编程参数；s5：将优先级第一的数控编程参数与第一数据集组合为第二数据集，训练第二模型预测优先级第二的数控编程参数；s6: 判断编程参数训练是否完成；s7：若判断编程参数训练已完成，在后续的生产过程中，用训练好的wide&deep模型对模型、机床、刀具、质量信息进行编码，s8：依次用第一到第n个模型迭代推荐数控编程参数。
8.在上述s6流程中：若判断编程参数训练未完成，则将优先级第n的数控编程参数与
第n数据集组合成第n+1数据集，并训练第n+1模型预测优先级第n+1的数控编程参数，再判断数控编程参数是否完成，若未完成，则不断重复此流程。
9.本发明涉及的基于迭代优化的数控编程参数推荐方法的有益效果：1、本发明的算法是将多个参数预测的问题拆分成多个算法模型，每个算法模型针对性解决一种语义场景下的某一参数的推荐问题，解决技术问题的细粒度更低，每个算法模型的针对性高，准确率更高。
10.2、迭代进行参数推荐，让算法模型在训练时不仅学习到生产过程中的语义信息，还能学到比语义信息更重要的参数与目标参数设置策略之间的关联性，此种学习模式更接近人的思考模式，推荐结果准确度更高。
附图说明
11.图1是本发明涉及的基于迭代优化的数控编程参数推荐方法流程图。
12.图2是本发明涉及的基于迭代优化的数控编程参数推荐方法的另一种流程图。
实施方式
13.下面对本发明的技术方案进行详细说明，以便更好的理解的本发明的技术方案。
14.请参考图1-2，基于迭代优化的数控编程参数推荐方法，包括如下步骤：s1: 首先从cam软件中获取模型、刀具以及数控编程参数；s2: 再从erp软件中获得机床信息和加工质量评价结果;s3：根据关键程度对数控编程参数进行优先级排序;关键程度高的数控编程参数排在前面，关键程度低的数控编程参数排在后面，比如数控编程参数有“加工策略”、“进给”、“切削速度”和“其他”，优先级依次降低，关键程度的判断由工作人员根据经验及实验数据做出判断；s4： 使用wide&deep算法，将输入端的数据作为第一数据集，训练第一模型，第一模型即是wide&deep算法模型，预测优先级最高的数控编程参数； 比如加工背景数据+加工特征数据+加工结果 + 模型
ꢀ‑
》 加工策略，在这个流程中，加工背景数据+加工特征数据+加工结果 + 模型是输入端的数据，加工策略是输出端；s5：将优先级第一的数控编程参数与第一数据集组合为第二数据集，训练第二模型预测优先级第二的数控编程参数。
15.s6: 判断编程参数训练是否完成。
16.s7：若判断编程参数训练已完成，在后续的工件生产过程中，用训练好的wide&deep模型对模型、机床、刀具、质量信息进行编码。
17.s8: 依次对第一到第n个模型迭代推荐数控编程参数。
18.s9：若判断编程参数训练未完成，则将优先级第n的数控编程参数与第n数据集组合成第n+1数据集，并训练第n+1模型预测优先级第n+1的数控编程参数，再判断数控编程参数是否完成，若未完成，则不断重复此流程。
19.训练或预测数控编程参数的方法：假如目前需要自动编程的数控编程参数有“加工策略”、“进给”、“切削速度”和“其他”，优先级依次降低。则训练或预测的流程为：step1：加工背景数据 + 加工特征数据 + 加工结果 + 模型，训练或预测出：加工
策略；step2：加工背景数据 + 加工特征数据 + 加工结果 + 加工策略 + 模型 ，训练或预测出：进给；step3：加工背景数据+加工特征数据+加工结果 + 加工策略 + 进给 + 模型，训练或预测出：切削速度；step4：加工背景数据+加工特征数据+加工结果 + 加工策略 + 进给 + 切削速度 + 模型，训练或预测出：其他参数x。
20.wide&deep模型是一种结合了广度和深度的神经网络模型，相较于bp和isp算法，其优势主要体现在以下几个方面：对于稀疏特征的处理能力：wide&deep模型的“宽”部分采用了线性模型，可以很好地处理大规模稀疏特征，这种特征常见于推荐系统、广告推荐等场景中。
21.对于高维特征的处理能力：wide&deep模型的“深”部分采用了多层神经网络，可以很好地处理高维特征，这种特征常见于自然语言处理、图像识别等领域中。
22.能够同时考虑低阶特征和高阶特征：wide&deep模型将线性模型和神经网络模型结合起来，能够同时考虑低阶特征和高阶特征，从而更好地拟合数据。
23.可解释性强：wide&deep模型的“宽”部分采用了线性模型，因此其权重可以直接解释为特征的重要性，这对于推荐系统、广告推荐等场景中的特征选择和特征工程非常有帮助。
24.可扩展性强：wide&deep模型可以很容易地扩展到多任务学习、多标签分类等场景中，具有很好的可扩展性。
25.综上所述，wide&deep模型具有对于稀疏特征和高维特征的处理能力、同时考虑低阶和高阶特征、可解释性强、可扩展性强等优势，因此在推荐系统、广告推荐、自然语言处理、图像识别等领域中有着广泛的应用。
26.以迭代优化作参数推荐，比起一般的自动推荐方法，有如下优势：1、在一种语义信息下，原有的算法是，一个模型来解决多个参数预测的问题，模型缺乏对参数预测的针对性，预测效果偏差较大，本发明的算法是将多个参数预测的问题拆分成多个算法模型，每个算法模型针对性解决一种语义场景下一个参数的推荐问题，解决技术问题的细粒度更低，每个算法模型的针对性更高，准确率更高。
27.2、迭代进行参数推荐，解决了推荐参数之间的关联和依赖问题。通过不断将数据集与上一轮参数组合，让算法模型在训练时不仅学习到生产过程中的语义信息，还能学到比语义信息更重要的参数与目标参数设置策略之间的关联性，此种学习模式更接近人工思考的过程，推荐结果准确度更高。
28.以上仅为本发明的优选实施例，不能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流程变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。

技术特征：
1.一种基于迭代优化的数控编程参数推荐方法，其特征在于：包括如下步骤：s1: 从cam软件中获取模型、刀具、数控编程参数；s2: 从erp软件中获得机床信息和加工质量评价结果；s3：根据关键程度对数控编程参数进行排序；s4： 使用wide&deep算法，其余的数据组成第一数据集，训练第一模型预测优先级最高的数控编程参数；s5：将优先级第一的数控编程参数与第一数据集组合为第二数据集，训练第二模型预测优先级第二的数控编程参数；s6: 判断编程参数训练是否完成；s7：若判断编程参数训练完成，在生产过程中，用训练好的wide&deep模型对模型、机床、刀具、质量信息进行编码；s8: 依次对第一到第n个模型迭代推荐数控编程参数。2.根据权利要求1所述的一种基于迭代优化的数控编程参数推荐方法，其特征在于：在s6流程中，若判断编程参数训练未完成，则将优先级第n的数控编程参数与第n数据集组合成第n+1数据集，并训练第n+1模型预测优先级第n+1的数控编程参数，再重新判断数控编程参数是否完成。3.根据权利要求2所述的一种基于迭代优化的数控编程参数推荐方法，其特征在于：若重新判断数控编程参数后，仍然未完成，则将优先级第n的数控编程参数与第n数据集组合成第n+1数据集，并训练第n+1模型预测优先级第n+1的数控编程参数，再重新判断数控编程参数是否完成。4.根据权利要求2所述的一种基于迭代优化的数控编程参数推荐方法，其特征在于：若重新判断数控编程参数后，已完成，则进行s7和s8步骤。

技术总结
一种基于迭代优化的数控编程参数推荐方法，包括:从CAM软件中获取数控编程参数，并对数控编程参数进行排序，使用Wide&Deep算法，训练第一模型预测优先级最高的数控编程参数，将优先级第一的数控编程参数与第一数据集组合为第二数据集，训练第二模型预测优先级第二的数控编程参数，编程参数训练完成后，用训练好的Wide&Deep模型对模型、机床、刀具、质量信息进行编码，依次用第一到第N个模型迭代推荐数控编程参数。本发明的有益效果是通过迭代进行参数推荐，解决了推荐参数之间的关联和依赖问题，通过不断将数据集与上一轮数控编程参数组合，让模型学习到语义信息及比它重要性更高的参数与目标参数设置策略的关联性，更接近人工思考的过程，推荐结果更可靠。推荐结果更可靠。推荐结果更可靠。


技术研发人员：谭鹏飞 陶建华 杨书荣 陈彬
受保护的技术使用者：湖南机企猫网络科技有限公司
技术研发日：2023.05.08
技术公布日：2023/7/26