基于正交试验的压铸参数优化和加工方法及系统与流程

本发明涉及压铸优化，尤其涉及一种基于正交试验的压铸参数优化和加工方法及系统。

背景技术：

1、压铸是一种常见的金属零件成形工艺，广泛应用于汽车、航空、电子等行业。压铸工艺参数的选择和优化对压铸件的质量和生产效率有着重要影响。目前，压铸参数的优化主要依赖于工艺人员的经验和反复试验，存在较大的盲目性和不确定性，难以获得最优的参数组合，导致压铸件质量不稳定、生产成本高等问题。

2、现有技术中，尝试利用正交试验设计方法优化压铸参数。正交试验设计通过合理安排试验次数和参数水平组合，可以在较少的试验次数下获得较全面的试验数据，并通过分析试验结果确定各参数的优化取值。此外，现有的压铸参数优化方法大多针对单一的质量指标进行优化。

3、综上所述，现有技术的正交试验设计主要依赖于人工经验选择试验因素和水平，且试验结果分析也多采用简单的直观分析方法，难以准确获得参数之间的交互作用和非线性影响，优化效果有限。同时压铸生产过程中存在诸多不确定因素和干扰，如原材料质量波动、设备状态变化等，导致优化得到的参数配置在实际生产中难以达到预期的效果，本发明能够解决现有技术中的问题。

技术实现思路

1、本发明实施例提供一种基于正交试验的压铸参数优化和加工方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，

3、提供一种基于正交试验的压铸参数优化和加工方法，包括：

4、基于压铸工艺知识库和压铸生产历史数据，通过聚类算法，计算压铸参数重要度，获得压铸参数集，通过梯度提升决策树算法，构建压铸参数与对应取值范围的非线性映射模型，结合压铸参数重要度，通过压铸参数寻优算法，确定各压铸参数的最优水平组合，生成压铸参数优化水平集；

5、基于压铸参数优化水平集，通过预设的正交试验设计方法，生成智能正交试验方案，控制压铸设备进行多批次试验，获取试验数据，并通过深度强化学习模型优化压铸参数配置策略，得到最优压铸参数设置，通过压铸设备生产最优压铸工件；

6、在压铸设备的生产过程中，实时采集数据并通过增量学习算法动态更新深度强化学习模型，生成更新经验知识，将所述更新经验知识累积到压铸工艺知识图谱中，形成压铸知识更新机制。

7、在一种可选的实施例中，

8、基于压铸工艺知识库和压铸生产历史数据，通过聚类算法，提取压铸核心参数，获得压铸参数集包括：

9、获取压铸生产历史数据，并进行清洗和标准化处理，得到压铸参数数值型数据；

10、基于所述压铸参数数值型数据，通过引入多视角相似性度量机制，从数值相似性、趋势相似性和语义相似性三个视角，计算所述压铸参数数值型数据中样本之间的相似性，构建多视角压铸参数相似性矩阵；

11、基于压铸生产历史数据中的质量指标，确定自适应融合策略，动态调整所述多视角压铸参数相似性矩阵的权重，融合得到动态压铸参数相似性矩阵；

12、对所述动态压铸参数相似性矩阵进行谱分解，获得压铸参数低维嵌入表示，将所述压铸参数数值型数据映射到对应的压铸参数低维嵌入空间；

13、在所述压铸参数低维嵌入空间中，基于预设的初始簇数范围，计算数据样本对应的轮廓系数，根据轮廓系数的变化情况，确定聚类簇数范围；

14、遍历所述聚类簇数范围内的每个潜在聚类簇数；

15、基于局部保边采样策略，通过在压铸参数低维嵌入空间中，选取局部邻域内的数据样本，构建局部相似性矩阵，并结合随机游走机制对局部相似性矩阵进行重构，构建压缩拉普拉斯矩阵，基于所述压缩拉普拉斯矩阵，通过谱分解获得压铸参数的谱嵌入表示，执行k-means聚类，通过最大化对应聚类簇数下的轮廓系数，获得当前聚类簇数下的局部最优聚类结果；

16、比较各聚类簇数下的局部最优聚类结果，选取轮廓系数最大的局部最优聚类结果，得到全局最优聚类结果；

17、基于全局最优聚类结果，应用预设的shapley值法计算各聚类簇内压铸参数对聚类结果的贡献度，生成簇内压铸参数重要度排序结果；

18、基于簇内压铸参数重要度排序结果，构建簇间相似性矩阵，基于簇间相似性矩阵，构建聚类簇重要度传播网络，通过调整重要度传播强度，实现簇间压铸参数重要度的传播融合，得到压铸参数全局重要度；

19、根据压铸参数全局重要度，对全局最优聚类结果中的压铸参数进行降序排序，去除重复参数，输出压铸参数集。

20、在一种可选的实施例中，

21、通过梯度提升决策树算法，构建压铸参数与对应取值范围的非线性映射模型包括：

22、基于压铸参数集，结合压铸生产历史数据，确定压铸参数样本集，所述压铸参数样本集包括多个压铸参数对应值组合的压铸参数取值向量和对应的压铸工件质量；

23、初始化强学习器，基于压铸工件的质量均值，确定所述强学习器的预测值；

24、对所述压铸参数样本集中每一个样本，计算在当前强学习器下的负梯度，确定残差估计，基于所述压铸参数取值向量和对应的残差估计，通过最小二乘法拟合生成一棵cart回归树，得到cart回归树的叶节点区域，对所述叶节点区域，基于预设的损失函数，确定损失函数最小值，计算最佳拟合值，基于所述最佳拟合值，更新强学习器，重新确定新预测值；

25、重复进行强学习器更新，直到达到预设的迭代次数，得到压铸参数取值范围，构建压铸参数-取值的非线性映射模型。

26、在一种可选的实施例中，

27、压铸参数寻优算法包括：

28、将所述压铸参数集划分为多个子种群，每个子种群对应一类压铸参数，对各子种群进行初始化，结合压铸参数取值范围，随机确定压铸参数取值，确定初始子种群，并随机确定代表个体；

29、对所有初始子种群进行处理，确定当前子种群，将当前子种群中的个体与其余子种群的代表个体进行组合，代入压铸参数-取值的非线性映射模型，计算当前子种群中个体对应的适应度值，基于邻域比较，计算当前子种群中每个个体对应的新颖度值，基于适应度值和新颖度值，按照预设权重，经过加权计算，确定当前子种群中的个体评价，并确定新代表个体；

30、按照预设的交叉概率和变异概率，迭代各初始子种群的个体；当一个初始子种群中个体不满足预设的多样性指标，按照预设的新生个体数，重新初始化对应数量的个体，添加到对应的初始子种群中；

31、在子种群迭代过程中，随机选择两个初始子种群，将一个初始子种群的代表个体迁移到另一个初始子种群中，替换另一个初始子种群中个体评价最低的个体；

32、直到达到预设的迭代次数，确定所有最终子种群，选择各最终子种群中的代表个体，确定各压铸参数的最优水平组合。

33、在一种可选的实施例中，

34、基于压铸参数优化水平集，通过预设的正交试验设计方法，生成智能正交试验方案包括：

35、基于压铸参数优化水平集，确定正交试验的因素和水平，其中因素为各类压铸参数，水平为压铸参数的取值范围，结合预设的压铸工艺限定知识，选择相匹配的正交表；

36、基于关联规则挖掘算法，通过计算压铸参数两两组合的支持度、置信度和提升度，确定压铸参数之间的关联强度，并结合预设的工艺约束，确定各压铸参数对应的优化难度，根据所述关联强度和所述优化难度，结合预设的关联强度阈值和预设的优化难度阈值，调整各因素在正交表中的列分布，得到调整后的正交表，将压铸参数优化水平集中的参数值组合填入调整后的正交表，生成初始正交试验方案；

37、将初始正交试验方案编码为邻域搜索算法的初始种群，根据初始种群中个体的目标函数值，计算对应的质量评价指标，自适应生成质量评价指标优化权重向量，对初始种群中的个体，按照压铸参数的取值，生成不同半径的超球形邻域，采样生成新解，结合质量评价指标优化权重向量，计算加权质量评价指标，通过非支配排序比较新解和原始解，保留两两之间的最大值；

38、重复迭代更新初始种群，直到达到预设的迭代次数，输出智能正交试验方案。

39、在一种可选的实施例中，

40、控制压铸设备进行多批次试验，获取试验数据，并通过深度强化学习模型优化压铸参数配置策略，得到最优压铸参数设置，通过压铸设备生产最优压铸工件包括：

41、基于智能正交试验方案，设置压铸设备的初始参数配置，控制压铸设备进行多批次试验生产，获取不同压铸参数配置下的压铸工件质量评价数据；

42、将压铸参数配置映射为深度强化学习模型的状态空间，压铸参数对应的调整动作映射为动作空间，将压铸工件质量评价数据映射为奖励函数，构建压铸参数优化的马尔可夫决策过程；

43、通过深度神经网络拟合状态-动作值函数，使用q学习算法训练深度强化学习模型，学习压铸参数配置策略；

44、采用ε-贪婪策略平衡探索和利用，并结合经验回放机制进行模型训练，得到最优深度强化学习模型；

45、基于最优深度强化学习模型，输入当前压铸工艺状态，得到最优的压铸参数配置策略；

46、将最优压铸参数配置策略解码为压铸设备可执行的参数设置指令，控制压铸设备生产最优压铸工件。

47、在一种可选的实施例中，

48、在压铸设备的生产过程中，实时采集数据并通过增量学习算法动态更新深度强化学习模型，生成更新经验知识，将所述更新经验知识累积到压铸工艺知识图谱中，形成压铸知识更新机制包括：

49、在压铸设备的生产过程中，实时采集压铸参数数据和压铸件质量数据，并按时间序列组织为状态-动作-奖励三元组的样本数据；

50、将新采集的样本数据添加到原有训练数据集中，形成增量数据集，利用增量学习算法，基于增量数据集调整深度强化学习模型，得到更新后的深度强化学习模型；

51、所述增量学习算法，根据样本数据的时间轴位置和误差大小，确定经验回放优先级，同时设置遗忘因子，淘汰过期样本；

52、从更新后的深度强化学习模型中提取关系隐含知识，生成压铸更新经验知识，将更新经验知识形式化为本体、规则和案例，融合到原始的压铸工艺知识图谱中，确定压铸工艺知识图谱的动态演化，包括本体融合、规则推理和案例更新；

53、基于自然语言处理，结构化所述压铸工艺知识图谱。

54、本发明实施例的第二方面，

55、提供一种基于正交试验的压铸参数优化和加工系统，包括：

56、第一单元，用于基于压铸工艺知识库和压铸生产历史数据，通过聚类算法，计算压铸参数重要度，获得压铸参数集，通过梯度提升决策树算法，构建压铸参数与对应取值范围的非线性映射模型，结合压铸参数重要度，通过压铸参数寻优算法，确定各压铸参数的最优水平组合，生成压铸参数优化水平集；

57、第二单元，用于基于压铸参数优化水平集，通过预设的正交试验设计方法，生成智能正交试验方案，控制压铸设备进行多批次试验，获取试验数据，并通过深度强化学习模型优化压铸参数配置策略，得到最优压铸参数设置，通过压铸设备生产最优压铸工件；

58、第三单元，用于在压铸设备的生产过程中，实时采集数据并通过增量学习算法动态更新深度强化学习模型，生成更新经验知识，将所述更新经验知识累积到压铸工艺知识图谱中，形成压铸知识更新机制。

59、本发明实施例的第三方面，

60、提供一种电子设备，包括：

61、处理器；

62、用于存储处理器可执行指令的存储器；

63、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

64、本发明实施例的第四方面，

65、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，所述计算机程序指令被处理器执行时实现前述所述的方法。

66、在本发明实施例中，通过对压铸参数的重要度进行计算和分析，能够有效识别并优先优化对工件质量影响最大的参数，避免盲目调整所有参数的弊端；通过优化后的参数水平组合，可以在不增加生产成本的前提下显著提高工件的质量，同时减少废品率和工艺不稳定性；利用深度强化学习模型，通过对多批次试验数据的分析和学习，逐步优化压铸参数配置策略，确保参数设置能够持续改进；结合试验数据和强化学习模型，最终得到最优的压铸参数设置，提高了生产的精准性和工艺的稳定性；通过智能化的参数优化和最优参数设置的应用，压铸设备能够生产出质量更高的工件，减少缺陷，提高产品一致性；通过实时数据采集和增量学习，深度强化学习模型能够动态适应生产过程中的变化，及时调整压铸参数，提高生产过程的灵活性和响应速度；不断更新的经验知识被累积到压铸工艺知识图谱中，使得压铸工艺在实际生产中逐步得到优化，提升工件质量和生产效率；通过知识更新机制，压铸工艺知识图谱逐渐丰富，为后续生产提供更精准的参数设置和决策支持，减少实验性调整的需求。

技术特征：

1.基于正交试验的压铸参数优化和加工方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于压铸工艺知识库和压铸生产历史数据，通过聚类算法，提取压铸核心参数，获得压铸参数集包括：

3.根据权利要求2所述的方法，其特征在于，通过梯度提升决策树算法，构建压铸参数与对应取值范围的非线性映射模型包括：

4.根据权利要求3所述的方法，其特征在于，压铸参数寻优算法包括：

5.根据权利要求1所述的方法，其特征在于，基于压铸参数优化水平集，通过预设的正交试验设计方法，生成智能正交试验方案包括：

6.根据权利要求5所述的方法，其特征在于，控制压铸设备进行多批次试验，获取试验数据，并通过深度强化学习模型优化压铸参数配置策略，得到最优压铸参数设置，通过压铸设备生产最优压铸工件包括：

7.根据权利要求1所述的方法，其特征在于，在压铸设备的生产过程中，实时采集数据并通过增量学习算法动态更新深度强化学习模型，生成更新经验知识，将所述更新经验知识累积到压铸工艺知识图谱中，形成压铸知识更新机制包括：

8.基于正交试验的压铸参数优化和加工系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一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，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

技术总结
本发明提供一种基于正交试验的压铸参数优化和加工方法及系统，涉及压铸优化技术领域，包括基于压铸工艺知识库和压铸生产历史数据，通过聚类算法，计算压铸参数重要度，获得压铸参数集，通过梯度提升决策树算法，构建压铸参数与对应取值范围的非线性映射模型，结合压铸参数重要度，通过压铸参数寻优算法，生成压铸参数优化水平集；通过预设的正交试验设计方法，生成智能正交试验方案，控制压铸设备进行多批次试验，获取试验数据，并通过深度强化学习模型优化压铸参数配置策略，得到最优压铸参数设置，通过压铸设备生产最优压铸工件。

技术研发人员：张必胜,陈浩,沈伦廉,杨红领,陈雷,唐梦君,潘建
受保护的技术使用者：宁波隆跃科技有限公司
技术研发日：
技术公布日：2024/12/5