(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211323051.9 (22)申请日 2022.10.27 (71)申请人 安徽机电职业 技术学院 地址 241000 安徽省芜湖市弋江区文津西 路 (72)发明人 万志强　张晴晴　徐亮　王娜　 阮砚钰　朱贵山　江守鑫　王冬悦　 徐仕伟　 (74)专利代理 机构 北京和信华成知识产权代理 事务所(普通 合伙) 11390 专利代理师 罗哲 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种零件加工设备的工况调控方法 (57)摘要 本发明公开了一种零件加工设备的工况调 控方法， 包括以下步骤： 利用各个运行时序处的 设备工况特征数据、 设备运行数据构建出设备运 行工况模型， 并利用各个运行时序处的设备运行 数据构建出设备运行时序模型， 以及为设备运行 时序模型设定存储预测后置时序处设备运行数 据的多维预测矩阵； 将多维预测矩阵中的后置时 序处的设备运行数据预测值与设备运行工况模 型在后置时序处的设备运行数据预测值进行分 量比对得到收敛函数， 基于收敛函数对设备运行 工况模型和设备运行时序模型进行收敛控制。 本 发明实现设备工况期望的设备运行数据达到工 况调节匹配调节期望的目标， 解决人力算力有 限， 以及人力调控随机性的问题， 提高工况调控 效率和精度。 权利要求书3页 说明书7页 附图1页 CN 115470893 A 2022.12.13 CN 115470893 A 1.一种零件加工设备的工况调控方法， 其特 征在于， 包括以下步骤： 步骤S1、 获取零件加工设备的连续运行时序处的表征设备工况特征的设备运行数据， 并利用预先设定的设备工况识别模型对每个运行时序处的设备运行数据确定出每个运行 时序处的设备工况 特征数据； 步骤S2、 利用各个运行时序处的设备工况特征数据、 设备运行数据构建出设备运行工 况模型， 并利用各个运行时序处的设备运行数据构建出设备运行时序模型， 以及为设备运 行时序模型设定存 储预测后置时序处设备运行 数据的多维预测矩阵； 步骤S3、 将设备运行工况模型与各个运行时序处 的设备运行数据以交互抽样训练模式 进行模型更新， 模型每发生一次更新均伴随获取当前运行时序处的设备工况特征期望并输 出当前时序处的设备运行数据， 以及设备运行时序模型同步接收设备运行工况模型的模型 输出， 并利用设备运行工况模型的模型输出预测出后置时序处的设备运行数据作为后置时 序处的设备运行 数据预测值， 再 所述存储至多维预测矩阵中； 步骤S4、 利用后置时序处的设备运行数据 预测值与后置时序处 的设备运行数据真实值 构建损失函数， 利用损失函数 更新所述设备运行时序模型； 步骤S5、 将多维预测矩阵中的后置时序处的设备运行数据 预测值与设备运行工况模型 在后置时序处的设备运行数据预测值进行分量比对得到收敛函数， 基于收敛函数对设备运 行工况模型和设备运行时序模型进行收敛控制， 以使得多维预测矩阵存储实现设备工况期 望的设备运行 数据达到工况调节匹配调节期望的目标。 2.根据权利要求1所述的一种零件加工设备的工况调控方法， 其特征在于： 所述利用各 个运行时序处的设备工况 特征数据、 设备运行 数据构建出设备运行工况模型， 包括： 将设备工况特征数据作为神经网络的输入项， 将设备运行数据作为神经网络的输出 项， 利用神经网络对所述神经网络的输入项和神经网络的输出项进行卷积训练得到所述设 备运行工况模型； 所述设备运行工况的函数表达式为： Work_data＝CN N(Result_data)； 式中， Work_data为设备运行 数据， Result_data为设备工况 特征数据， CNN为神经网络 。 3.根据权利要求2所述的一种零件加工设备的工况调控方法， 其特征在于： 所述利用各 个运行时序处的设备运行 数据构建出设备运行时序模型， 包括： 将前置运行时序处的设备运行数据作为LSTM神经网络的输入项， 将后置运行时序处 的 设备运行数据作为LSTM神经网络的输出项， 利用LSTM神经网络对 所述LSTM神经网络的输入 项和LSTM神经网络的输出项 进行卷积训练得到所述设备运行时序模型； 所述设备运行时序模型的函数表达式为： Work_datanext＝LSTM(Work_dataold)； 式中， Work_data为前置运行时序处的设备运行数据， Work_dataold为后置运行时序处 的设备运行 数据， LSTM为 LSTM神经网络 。 4.根据权利要求3所述的一种零件加工设备的工况调控方法， 其特征在于： 所述将设备 运行工况模型与各个运行时序处的设备运行数据以交互抽样训练模式进行模型更新， 包 括： 在各个运行时序中随机抽 样出多个运行时序作为交互时序， 将交互时序处表征设备实权　利　要　求　书 1/3 页 2 CN 115470893 A 2际工况特征的设备工况特征实际数据输入至设备运行工况模型， 由设备运行工况模型输出 交互时序处的设备运行 数据作为交 互时序处设备运行 数据预测值； 在各个运行时序处的设备运行数据中提取交互时序处的设备运行数据作为交互时序 处设备运行数据实际值， 将交互 时序处设备运行数据预测值和交互 时序处设备运行数据实 际值进行交 互相似度计算， 并在交 互相似度大于相似度阈值时进行模型 更新； 设定当前运行时序处表征设备工况特征期望的设备工况特征期望数据， 并将当前时序 处的设备工况运行期 望数据输入至 设备运行工况模型中， 由所述设备运行工况模型输出当 前时序处的设备运行 数据。 5.根据权利要求4所述的一种零件加工设备的工况调控方法， 其特征在于： 所述利用后 置时序处的设备运行数据预测值与后置时序处的设备运行数据真实值构建损失函数， 利用 损失函数 更新所述设备运行时序模型， 包括： 利用后置时序处的设备运行数据预测值与后置时序处的设备运行数据真实值构建损 失函数， 所述损失函数的函数表达式为： 式中， Loss为损失函数值， S为设备运行数据预测值， Sreal为设备运行数据真实值， ||S ‑ Sreal||2为2‑范数运算符； 当损失函数大于预设阈值 时， 则利用各个运行时序处 的设备运行数据对所述设备运行 时序模型进行重训练， 以实现更新所述设备运行时序模型； 当损失函数小于或等于预设阈值时， 则无需对设备运行时序模型进行 更新。 6.根据权利要求5所述的一种零件加工设备的工况调控方法， 其特征在于： 所述将多维 预测矩阵中的后置时序处的设备运行数据预测 值与设备运行工况模型在后置时序处的设 备运行数据预测值进 行分量比对得到收敛函数， 所述基于收敛函数对设备运行工况模型和 设备运行时序模型进行收敛控制， 包括： 获取设备运行工况模型的更新 次数， 在多维预测矩阵中随机选取出与 所述更新次数数 量一致的后置时序处的设备运行数据预测值， 并将选中的后置时序处表征设备工况特征期 望的设备工况特征期 望数据输入至 设备运行工况模型中， 由所述设备运行工况模型输出后 置时序处的设备运行 数据预测值； 将多维预测矩阵中的后置时序处的设备运行数据预测值与设备运行工况模型在后置 时序处的设备运行数据预测值进 行逐一数据分量差值计算得到收敛函数， 并利用收敛函数 作为设备运行时序模型的损失函数对设备运行时序模型进 行模型更新， 以使得设备运行时 序模型朝向设备运行工况模型进行收敛； 所述收敛函数为所述逐一数据分量差值的协方差， 的函数表达式为： 式中， D为收敛函数值， Xtj、 Ytj分别为多维预测矩阵中后置时序t处的设备运行数据预测 值中第j个数据分量、 设备运行工况模型在后置时序t处的设备运行数据预测值中第j个数 据分量， n 为设备运行 数据预测值中数据分量总数量， m为后置时序总数量， t、 j为计量常数。权　利　要　求　书 2/3 页 3 CN 115470893 A 3