一种数据驱动的锻造过程自主决策方法技术

本发明专利技术公开了一种数据驱动的锻造过程自主决策方法，包含以下步骤：(1)采集锻造生产过程中的工艺数据与锻件质检数据，建立锻造过程数据库；(2)从锻造过程数据库中挖掘频繁项集，抽象出节点、节点属性及三元关系；(3)基于节点关系构建锻造过程知识图谱，通过知识推理补全锻造过程知识图谱；(4)基于锻造过程知识图谱构建并训练锻造过程强化学习决策网络。本发明专利技术提供的方法不仅可以直接从锻造过程数据中挖掘出锻造工艺与锻件性能之间的关联关系并建立锻造过程知识图谱，同时能够得到锻造过程不同阶段动作策略的强化学习决策网络，实现锻造过程精准自主决策，显著提高锻造过程的智能化水平。水平。水平。

【技术实现步骤摘要】
一种数据驱动的锻造过程自主决策方法


[0001]本专利技术属于智能制造、材料塑性加工
，具体涉及一种数据驱动的锻造过程自主决策方法。

技术介绍

[0002]锻造技术的智能化发展对于我国战略性新兴产业的发展起着极其重要的作用，大力研发智能锻造新技术、新装备，努力由劳动密集型、高能耗、高污染的传统产业转化为知识密集型、低能耗和绿色环保的新型产业是我国锻造行业所面临的大环境和发展趋势。然而锻造过程极其复杂，需控制变量的耦合程度高，导致锻造过程自主决策相关技术研发进展缓慢，制约了锻造智能化的快速发展。
[0003]随着人工智能领域的兴起，数据驱动与强化学习方法因其强大的自适应性越来越多地用于各种过程的决策。数据驱动可以从数据中直接挖掘工艺隐含特征与关联关系，避开传统的回归建模方式；强化学习能不断从经验数据中学习调整下一步动作，获取更高的动作价值，因而在锻造过程中采用数据驱动与强化学习，可以不断提高决策效率与成品质量。
[0004]公告号为CN114254915A的专利说明书中公开了一种轴类零件全流程加工质量合格状态决策及优化方法，该方法基于关键加工工序的代理模型函数，构建并训练了零件合格状态关键特征的隐马尔可夫模型，但该方法仅考虑了壁厚差、直线度和跳动三类关键几何特征，因而仅适用于航空发动机细长轴类零件加工过程。
[0005]公告号为CN115564029A的专利说明书中公开了一种基于混合增强智能的高一致性人机混合决策方法，该方法基于整合的多模态“人
‑
交通”数据构建了人机混合增强推理决策模型，形成了人机共驾的在线决策知识库，但该方法是先建立决策模型再建立知识库，且最终仅输出驾驶权细分规则，无法对复杂的锻造过程进行决策。
[0006]公告号为CN115600497A的专利说明书中公开了一种基于知识驱动的锻造主体工艺流程生成方法，该方法通过挖掘锻造实例中的工艺知识构建了锻造工艺知识库，基于检索匹配方式获取锻造特征工步信息串联工艺链，形成锻造主体工艺流程，但该方法主要通过聚类方式获取锻造关键工艺特征，且需要计算待求工艺与各工艺实例的邻近关系，面对实时变化的锻造过程无法及时调整工艺，适用范围窄。
[0007]公告号为CN115983387A的专利说明书中公开了一种数据与因果知识混合驱动的加工变形控制工艺决策方法，该方法通过邻接矩阵表达工艺变量、加工状态、加工变形量之间的因果关系，基于掩码操作实现因果干预，该方法仅考虑了加工几何形变控制过程，未考虑零件温度、微观组织等控制变量，因果推理方式简单，无法适用于锻造过程决策。

技术实现思路

[0008]针对现有技术中的缺陷，本专利技术的目的是提供一种数据驱动的锻造过程自主决策方法，包含以下步骤：
[0009]步骤1：采集锻造生产过程中的工艺数据与锻件质检数据，建立锻造过程数据库；
[0010]步骤2：从锻造过程数据库中挖掘频繁项集，抽象出锻造过程的关键实体节点、节点属性及三元关系，具体分为以下子步骤：
[0011]步骤2.1：遍历锻造过程数据库，记录支持度高于阈值的频繁项，生成满足项数阈值的频繁项集；
[0012]步骤2.2：在最大频繁项集中遍历候选规则，筛选出置信度高于阈值的规则；
[0013]步骤2.3：通过一阶谓词逻辑将所有规则转化为锻造过程三元关系<N
i
,E
k
,N
j
>，其中为N
i
、N
j
均为锻造过程实体节点，E
k
为节点之间的关系；
[0014]步骤3：基于锻造过程的节点关系构建锻造过程知识图谱，通过知识推理补全锻造过程知识图谱，具体分为以下子步骤：
[0015]步骤3.1：采用相似度计算区分或合并步骤2中从锻造过程不同阶段数据抽象出的同名实体节点，消除歧义节点；
[0016]步骤3.2：将消除歧义后的锻造过程三元关系转化为锻造过程知识本体，自动构建锻造过程知识图谱；
[0017]步骤3.3：基于图和逻辑的推理，补全图谱关系的缺失值，更新锻造过程知识图谱；
[0018]步骤4：基于锻造过程知识图谱构建并训练锻造过程强化学习决策网络，具体分为以下子步骤：
[0019]步骤4.1：随机取锻造状态S，基于知识图谱选择工艺动作A输入到工艺环境中，环境根据知识图谱查询输出相应的动作回报R和下一状态S
′
，将四元组T(S,A,R,S
′
)放入经验池中并计算动作价值Q(S,A)，直至经验池中数据条数达到设定阈值；
[0020]步骤4.2：采用经验池中的数据同时训练动作网络A、价值网络Q，每回合训练均更新动作网络参数θ与价值网络参数w，更新方式为θ'＝tθ+(1
‑
t)θ'，w'＝tw+(1
‑
t)w'，式中t为自定义超参数；
[0021]步骤4.3：采用当前训练好的强化学习决策网络进行实际锻造过程决策，继续积累锻造决策经验数据，当自主决策成功率低于阈值时，返回步骤4.2进行下一次决策网络更新。
[0022]与现有技术相比，本专利技术具有如下的有益效果：
[0023]1、本专利技术提供的锻造过程自主决策方法，不仅可以直接从锻造生产过程数据中挖掘出锻造设备、锻造工艺、锻件性能之间的关联关系并建立锻造过程知识图谱，还能通过训练强化学习决策网络得到不同锻造阶段的工艺动作所对应的工艺策略价值函数，据此实现锻造过程精准自主决策，这有利于数字化、智能化锻造技术的发展。
[0024]2、本专利技术可以节约生产试错成本，适用性广泛。对于不同种类的小批量锻件，可以充分利用其已有生产工艺数据与知识经验，快速探索新型锻造工艺，降低时间成本，有效减少了小批量锻件生产的材料浪费。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，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。
[0026]图1为本专利技术优选实施例中数据驱动的锻造过程自主决策方法流程图；
[0027]图2为本专利技术优选实施例中构建的TC18钛合金锻造过程知识图谱；
[0028]图3为本专利技术优选实施例中TC18钛合金棒材第4火次锻造过程中采用自主决策方式与传统人工操作方式的锻压力变化曲线对比图。
具体实施方式
[0029]下面结合附图和具体实施案例对本专利技术进行详细说明。
[0030]如图1所示，本专利技术是一种数据驱动的锻造过程自主决策方法，包含以下步骤：
[0031]步骤1：采集锻造生产过程中的工艺数据与锻件质检数据，建立锻造过程数据库；
[0032]步骤2：从锻造过程数据库中挖掘频繁项集，抽象出锻造过程的关键实体节点、节点属性及三元关系，具体分为以下子步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的锻造过程自主决策方法，其特征在于从锻造过程数据中挖掘出关联关系并建立知识图谱，通过训练强化学习决策网络实现锻造过程精准自主决策，具体包括如下步骤：步骤1：采集锻造生产过程中的工艺数据与锻件质检数据，建立锻造过程数据库；步骤2：从锻造过程数据库中挖掘频繁项集，抽象出锻造过程的关键实体节点、节点属性及三元关系，具体分为以下子步骤：步骤2.1：遍历锻造过程数据库，记录支持度高于阈值的频繁项，生成满足项数阈值的频繁项集；步骤2.2：在最大频繁项集中遍历候选规则，筛选出置信度高于阈值的规则；步骤2.3：通过一阶谓词逻辑将所有规则转化为锻造过程三元关系<N
i
,E
k
,N
j
>，其中为N
i
、N
j
均为锻造过程实体节点，E
k
为节点之间的关系；步骤3：基于锻造过程的节点关系构建锻造过程知识图谱，通过知识推理补全锻造过程知识图谱，具体分为以下子步骤：步骤3.1：采用相似度计算区分或合并步骤2中从锻造过程不同阶...

【专利技术属性】
技术研发人员：蔺永诚，曾宁富，陈明松，伍贵成，万淼，陈义鹏，
申请(专利权)人：中南大学，
类型：发明
国别省市：