公开(公告)号：CN118966398A

公开(公告)日：2024-11-15

申请号：CN202410872521.X

申请日：2024-07-01

Applicant: 三峡大学

Inventor： 孟荣华 ,  何宗意 ,  李金雄 ,  龚成 ,  邓少华 ,  程欣豪

IPC: G06Q10/04 ,  G06Q50/04 ,  G06N3/0499 ,  G06N3/084 ,  G06N3/086

Abstract: 基于GA‑BP预测模型的大规模定制化排样用料问题预测方法，包括：对于排样零件数据预处理；提取原片与切片的相关特征，将零件与板材之间的关系划分为多种集合，每种集合生成多个特征值，作为GA‑BP预测模型的输入；建立BP神经网络模型；采用遗传算法自变量数据降维方法对特征数据进行降维；采用遗传算法来优化BP神经网络模型的初始权值和阈值；基于GA‑BP预测模型对排样总高度进行预测。该方法通过建立有效的板材用料预测模型，对排样的总高度进行精准的预测，企业能够根据预测值快速推断出所需板材的数量和材料利用率，从而来判断需要储备的板材数量，分析影响板材用料的重要因素，制定更高效的组批与排样计划来缩短交货周期、降低库存成本。

公开(公告)号：CN119539144A

公开(公告)日：2025-02-28

申请号：CN202411461713.8

申请日：2024-10-18

Applicant: 三峡大学

Inventor： 孟荣华 ,  龚成 ,  何宗意 ,  朱颖颖 ,  邓少华 ,  吴正佳

IPC: G06Q10/04 ,  G06F18/213 ,  G06F18/2113 ,  G06F18/23213 ,  G06Q50/04

Abstract: 本发明提供一种基于块材零件毛坯切割工艺的库存构成决策优化方法，涉及板材切割下料智能制造领域。通过零件的尺寸特征进行特征提取，获取数据集，再搭建Isolation Forest决策模型并进行模型训练，再将待测原材料的特征输入到已训练的决策模型中，进行特征筛选后，采用SOM和K‑means聚类方法，识别出相似零件的聚类中心，计算每种排样方式的原材料损失体积，并以此作为适应度进行种群迭代，优化排样结果，并选择当前适应度最低的排样方案作为最优解，有效整合了数据分析和机器学习技术，提升了块材零件切割工艺的效率和效果，通过聚类分析和迭代优化，可以实现更加精准的资源利用，从而降低了原材料浪费，提升了材料利用率。