一种基于机器学习的智能整形加工控制方法及系统与流程

本发明涉及工件智能整形加工，尤其涉及一种基于机器学习的智能整形加工控制方法及系统。

背景技术：

1、材料整形是材料加工中的重要部分。整形是利用金属塑性，省时、省力、节材的获得产品的形状的过程。目前的整形系统中，对原始的方形材料，使用机械臂压头对前、左、右三边按照特定行程量进行按压整形加工，使三边的高度值都在标准范围之内。

2、目前，传统的加工量的获取主要是通过传统经验模型进行加工值的预测。

3、所谓经验模型，就是指在长期以来的加工生产一线的工程实践中积累的经验知识，据此总结分析而建立加工精度的预测模型。该模型是从现有数据入手，根据经验形成对应表格，建立一个专家经验库。专家经验库的内容主要是往期加工的材料前、左、右三边的初次测量的高度值，以及各边对应的加工量，通过查表以得到一次整形和二次整形的加工值。这些值都是通过人工试出。每次有新材料放入加工时，计算机查表程序都会在人工经验库中进行查找，找到与材料数据一致的信息后，从中找到对应的加工值进行加工。这样的处理方式需要针对每一个类型的加工件提前进行人工试整形，掌握对不同形状、尺寸和材质工件的合适加工量，而且需要专门工程师在产线设备周边值守，适时调整，无疑是浪费了大量人力资源，降低了材料整形效率。

4、在实际生产实践中，基于传统的整形加工预测模型(如附图1)进行整形有以下缺点：

5、1)加工过程容易受到噪声干扰、材料弹性形变和未知隐藏变量的影响，基于专家经验库难以考虑到这些因素，使得决策和加工过程通常与预期相差较大；

6、2)目前通过专家经验库查表获取加工量的方法，对样本数量存在依赖，难以将所有的情况进行测量，取样困难；

7、3)专家库的更新依赖于最近一段时间的调整，且空间有限，这使得专家经验库适用于短期的整形加工，无法长期使用；

8、4)缺乏自适应能力，通过专家经验库获取各边加工量，需要分别对三边进行查表，但是产品某一边的加工也会对其他边产生影响，因此用这种方法得到的加工量，会存在误差，需要人工进行调整，没有自适应能力。

技术实现思路

1、本发明的目的在于：提供一种基于机器学习的智能整形加工控制方法及系统，采用数据处理和机器学习的方法进行加工值的预测，对待整形产品每个侧边单独设计模型进行训练和预测。

2、为了实现上述目的，一方面，本发明公开了一种基于机器学习的智能整形加工控制方法，包括以下步骤：

3、s1、利用之前收集的所有加工数据，结合已有样本建立训练集，并进行离线训练，得到机器学习预测模型，机器学习预测模型为mlp模型；

4、s2、将待加工产品放入离线训练好的机器学习预测模型中，进而预测出加工值，并将相关值反馈到机械臂压头上，进行产品的整形加工；

5、s3、加工后重新测量产品数据并进行判断，得到加工结果；

6、s4、根据用户设置的时间间隔对机器学习预测模型进行在线训练。

7、作为上述技术方案的进一步描述：

8、在步骤s1中，建立mlp模型时，对待加工产品的前、左、右三边都建立两个模型，待加工产品每条边均对应设置有一次整形mlp模型、二次整形mlp模型，一次整形mlp模型、二次整形mlp模型分别针对待加工产品一条边的一次整形、二次整形。

9、作为上述技术方案的进一步描述：

10、在步骤s1中，mlp模型的建立过程包括以下步骤：

11、s11、通过tensorflow.keras来实现mlp模型的引入，将多层结构堆叠起来，完成模型的搭建；

12、s12、对每个边的每次预测加工进行单独的模型训练，mlp模型训练用到的数据为从实际生产过程中得到的原始加工数据，原始加工数据包括产品的出产信息、每一次加工前后的点位值和直线度以及产品的目标规格区间信息，原始加工数据处理时进行分类处理，按照边和加工次数进行分类提取，得到六组数据，分别是前、左、右三边的两次加工数据；

13、s13、得到产品前、左、右三边的两次加工数据后，对mlp模型的输入参数进行定义，设置第一个隐层的值为32，第二个隐层的值为64，第三个隐层为32，最后输出一个值作为预测的加工量，输入参数定义如下：

14、[raw]：材料种类

15、[fr]：是否加工过

16、[aimspc]：该边的最优直线度(数值)

17、[press]：加工量(数值)

18、[spc_left]：期望加工后的直线度(数值)

19、[spc_left_res]：加工后直线度和最优直线度的差值

20、[ci_before]：各点位某一次加工前的高度值(数值)

21、[ci]：各点位某一次加工后的高度值(数值)

22、[ci_res]：各点位加工前后高度值的差值

23、s14、将产品前、左、右三边的两次加工数据构成的原始的组数据集进行2∶8分配，得到测试集和训练集，以训练集对mlp模型进行训练；

24、s15、使用mae指标对mlp模型进行评估，mae计算公式如下：

25、

26、其中，n为测试集中数据集总数；yi为测试集中对应的目标值；为测试集中对应性能的预测值。

27、作为上述技术方案的进一步描述：

28、在步骤s2中，产品的整形加工流程包括以下步骤：

29、s21、待加工产品放入整形机后，首先固定在整形平台上，通过激光扫描仪对待加工产品前、左、右三边的点位进行扫描，进而得到所有点位的高度值，并将其传入工业计算机中；

30、s22、工业计算机收到材料点位的高度值后，在前端界面上获取用户输入的规格区间，将这些数据都放入离线训练好的机器学习预测模型之中，等待整形加工结果；

31、s23、数据放入机器学习预测模型之后，经过模型计算，预测得到对应的加工值，提交给工业计算机；

32、s24、工业计算机收到预测的加工值后，将其反馈给控制器，进而控制机械臂压头进行下压操作，完成整形加工。

33、另一方面，本发明还公开了一种基于机器学习的智能整形加工控制系统，包括：

34、工业计算机，其用于运行整形控制程序和机器学习算法，整形控制程序包括用于执行上述方法中的任一方法的指令；

35、扫描仪，其用于待加工产品各边待测点位的高度值，进而将点位的高度值传入工业计算机中实现机器学习算法与整形控制；

36、整形平台，其用于放置待加工产品；

37、机械臂压头，其用于压迫待加工产品变形并保持一段时间；

38、控制器，其用于控制器收到工业计算机中的信号之后，进行信号转换，并传送到机械臂上，实现对机械臂压头的控制。

39、综上所述，由于采用了上述技术方案，本发明的有益效果是：

40、1、本发明中，利用机器学习预测模型替换传统的专家经验库模型，对加工工件的参数进行数据分析和处理，训练出预测模型，自动计算得到每次整形加工的行程量，通过机器学习预测模型给出加工量的预测值，在工件材料整形加工环节对工件加工量实现预测和产品是否合格的判断，并可以在线学习和动态更新。这种系统的自适应能力强，能够有效降低弹性形变等不确定因素造成的影响，误差小。用于实际生产加工时，能够改善加工效率、降低人工成本。该技术可用于产品加工、整形等柔性加工场合。

41、2、本发明中，测量点位参与计算的数量改变，从三个点到全部测量点多个点。传统的整形方案中，根据每个边的三个关键点进行直线度规格的判断，其余点并没有进行相关的操作和运算。本技术中在为了得到各边的加工情况，系统中设置了60个点位，基于机器学习的方案则将所有的点都考虑在内，并且致力于将所有点都加工到“最优值”，也就是规格区间的中点处。即将所有点位的高度值和规格区间的中点都放入模型，使预测出的加工量能够更好的考虑到所有点与区间中点的关系。

42、3、本发明中，采用数据处理和机器学习的方法进行加工值的预测，能够有效减少异常数据造成的影响，从结果上看效果更好，且适应能力更强。使加工过程更加智能化，改善加工效率降低人工成本。将某一种材料以前的一部分生产数据放入模型中进行训练，进而得到对应的模型，这种方式相较于人工经验，所需要的数据量有所降低。

43、4、本发明中，考虑到产品三个侧边之间的相互影响，对待整形产品每个侧边单独设计模型进行训练和预测，使准确率更高。