基于回归决策树的生产工艺动态柔性优化方法技术

本发明专利技术公开了基于回归决策树的生产工艺动态柔性优化方法，属于生产工艺优化技术领域，具体方法包括：获取历史生产工艺数据，根据获得的历史生产工艺数据设置回归决策树；建立特征模型，通过特征模型对历史生产工艺数据进行识别分析，获得特征数据，将获得的特征数据进行关联性标记，根据标记后的特征数据建立回归决策树；设置数据采集项，建立生产数据显示模板，根据设置的数据采集项进行实时数据采集，获得目标数据；目标数据输入到生产数据显示模板中进行实时显示，获得目标显示模型；基于目标显示模型获取对应的决策数据并输入到回归决策树中，获得对应的决策结果；基于获得的决策结果进行质量、排放和产能多目标之间的优化调整。优化调整。优化调整。

【技术实现步骤摘要】
基于回归决策树的生产工艺动态柔性优化方法


[0001]本专利技术属于生产工艺优化
，具体是基于回归决策树的生产工艺动态柔性优化方法。

技术介绍

[0002]为促进制造业数字化转型，帮助制造业降本增效，从制造走向智造，近年来，鼓励新技术与制造业相融合，推动智造赋能。流程制造业因生产节拍快、前后生产工序衔接紧密，过程不透明，依赖人工经验，存在质量波动、产能提升慢以及排放、环保压力大等问题，如化工行业。另外，生产过程封闭复杂、关联因素多、生产设备多样化、生产及产品状态采集难等原因，难以做到基于质量、排放、产能多目标控制的实时数采、关联分析、大数据挖掘，进而对生产工艺的有效的优化及控制；因此为了实现对生产工艺动态柔性优化，本专利技术提供了基于回归决策树的生产工艺动态柔性优化方法。

技术实现思路

[0003]为了解决上述方案存在的问题，本专利技术提供了基于回归决策树的生产工艺动态柔性优化方法。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]基于回归决策树的生产工艺动态柔性优化方法，具体方法包括：
[0006]步骤一：获取历史生产工艺数据，根据获得的历史生产工艺数据设置回归决策树；
[0007]步骤二：设置数据采集项，建立生产数据显示模板，根据设置的数据采集项进行实时数据采集，获得目标数据；
[0008]步骤三：将目标数据输入到生产数据显示模板中进行实时显示，获得目标显示模型；
[0009]步骤四：基于目标显示模型获取对应的决策数据并输入到回归决策树中，获得对应的决策结果；
[0010]步骤五：基于获得的决策结果进行质量、排放和产能多目标之间的优化调整。
[0011]进一步地，根据获得的历史生产工艺数据设置回归决策树的方法包括：
[0012]建立特征模型，通过特征模型对历史生产工艺数据进行识别分析，获得特征数据，将获得的特征数据进行关联性标记，根据标记后的特征数据建立回归决策树。
[0013]进一步地，建立生产数据显示模板的方法包括：
[0014]获取生产工艺流程信息图，根据数据采集项在生产工艺流程信息图中标记对应的数据显示区，在数据显示区插入对应的数据显示块和三维模型块，将当前的生产工艺流程信息图标记为生产数据显示模板。
[0015]进一步地，在数据显示区插入三维模型块的方法包括：
[0016]结合数据采集项和对应的数据显示块设置对应的数据特性，建立匹配库，根据设置的数据特性从匹配库中获得若干个三维模型组合，标记为待选组合，对获得的待选组合
进行优先级选择，获得目标组合，根据获得的目标组合在数据显示区插入对应的三维模型块。
[0017]进一步地，结合数据采集项和对应的数据显示块设置对应的数据特性的方法包括：
[0018]获取数据采集项具有的数据特性，将获得的数据特性进行汇总后建立对应的匹配表，进行匹配后获得对应数据特性。
[0019]进一步地，对获得的待选组合进行优先级选择的方法包括：
[0020]将待选组合标记为i，其中i＝1、2、
……
、n，n为正整数；识别待选组合内各个三维模型之间的关联性以及与生产数据显示模板之间的关联性，生成对应待续组合的关联值，将获得的关联值标记为Pi，设置待选组合对应的匹配值，将获得的匹配值标记为Fi，设置关联值和匹配值之间的权重系数，分别标记为β1和β2，根据优先值公式Qi＝β1
×
Pi+β2
×
Fi计算优先值，选择优先值最大的待选组合为目标组合。
[0021]进一步地，建立匹配库的方法包括：
[0022]根据具有的数据特性设置对应的不同类型的三维模型，建立第一数据库，将设置的三维模型进行汇总后储存到第一数据库中，将当前的第一数据库标记为匹配库。
[0023]进一步地，基于获得的决策结果进行质量、排放和产能多目标之间的优化调整的方法包括：
[0024]基于获得的决策结果匹配对应的权重系数，分别标记为α1、α2和α3，从目标显示模型中获取各个工件的加工信息和机器的运行信息，根据工件的加工信息和机器的运行信息设置对应的质量值、排放值和产能值，分别标记为ZLj、PFj、CNj，其中j＝1、2、
……
、m，m为正整数，j表示对应的优化方式；根据公式QYj＝α1
×
ZLj+α2
×
PFj+α3
×
CNj计算优化值，选择优化值最高的对应的优化方式进行优化。
[0025]与现有技术相比，本专利技术的有益效果是：针对质量波动、产能浮动、排放不可控及协同控制失调等行业痛点，本专利技术基于回归决策树，以质量、排放及产能为三大目标要素，以与三大要素相关的过程数据、工艺模型及相关优化约束条件为主，实现多目标的协同优化及重点优化；为流程制造企业的数字化转型及智能化升级提供可行的技术基础。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术方法流程图。
具体实施方式
[0028]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]如图1所示，基于回归决策树的生产工艺动态柔性优化方法，具体方法包括：
[0030]步骤一：获取大量的历史生产工艺数据，根据获得的历史生产工艺数据设置回归决策树；
[0031]历史生产工艺数据指的是在过程生产过程中具有决策属性的历史记录数据，如对于某一工件的某道工序，给定可以加工这道工序的机器集合中的任意两台机器，比较这两台机器，区分出适合该工件加工的机器与不适合该工件加工的机器，通过对应的选择而记录的数据。
[0032]根据获得的历史生产工艺数据设置回归决策树的方法包括：
[0033]建立特征模型，通过特征模型对历史生产工艺数据进行识别分析，获得特征数据，将获得的特征数据进行关联性标记，根据标记后的特征数据建立回归决策树。
[0034]特征模型用于将历史生产工艺数据中的决策数据进行识别提取出来，即为特征数据，具体的是基于CNN网络或DNN网络进行建立的，通过人工的方式设置对应的训练集进行训练，通过训练成功后的特征模型进行识别分析。
[0035]将获得的特征数据进行关联性标记，即为根据对应的特征数据是否相关联进行标记，具体的可以通过人工的方式设置对应的具有相关联情况的统计表，进行相应的匹配后进行相应的标记。
[0036]根据标记后的特征数据建立回归决策树，具体的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于回归决策树的生产工艺动态柔性优化方法，其特征在于，具体方法包括：步骤一：获取历史生产工艺数据，根据获得的历史生产工艺数据设置回归决策树；步骤二：设置数据采集项，建立生产数据显示模板，根据设置的数据采集项进行实时数据采集，获得目标数据；步骤三：将目标数据输入到生产数据显示模板中进行实时显示，获得目标显示模型；步骤四：基于目标显示模型获取对应的决策数据并输入到回归决策树中，获得对应的决策结果；步骤五：基于获得的决策结果进行质量、排放和产能多目标之间的优化调整。2.根据权利要求1所述的基于回归决策树的生产工艺动态柔性优化方法，其特征在于，根据获得的历史生产工艺数据设置回归决策树的方法包括：建立特征模型，通过特征模型对历史生产工艺数据进行识别分析，获得特征数据，将获得的特征数据进行关联性标记，根据标记后的特征数据建立回归决策树。3.根据权利要求1所述的基于回归决策树的生产工艺动态柔性优化方法，其特征在于，建立生产数据显示模板的方法包括：获取生产工艺流程信息图，根据数据采集项在生产工艺流程信息图中标记对应的数据显示区，在数据显示区插入对应的数据显示块和三维模型块，将当前的生产工艺流程信息图标记为生产数据显示模板。4.根据权利要求3所述的基于回归决策树的生产工艺动态柔性优化方法，其特征在于，在数据显示区插入三维模型块的方法包括：结合数据采集项和对应的数据显示块设置对应的数据特性，建立匹配库，根据设置的数据特性从匹配库中获得若干个三维模型组合，标记为待选组合，对获得的待选组合进行优先级选择，获得目标组合，根据获得的目标组合在数据显示区插入对应的三维模型块。5.根据权利要求4所述的基于回归决策树的生产工艺动态柔性优化方法，其特征在于，结合数据采集项和对应的数据显示块设置对应的数据特性的方法包括：获取数据采集项具有的数据特性，将获得的数据特性进...

【专利技术属性】
技术研发人员：赵跃东，郭警中，傅成林，汪春侠，吴小松，郑哲，
申请(专利权)人：安徽维德工业自动化有限公司，
类型：发明
国别省市：