公开(公告)号：CN118735067A

公开(公告)日：2024-10-01

申请号：CN202410864124.8

申请日：2024-06-30

Applicant: 重庆大学 ,  中国第二重型机械集团德阳万航模锻有限责任公司

Inventor： 李家宝 ,  鄢萍 ,  李蓬川 ,  翟鸿锦 ,  刘洋洲 ,  冯伟 ,  易润忠

IPC: G06Q10/04 ,  G06Q10/0639 ,  G06Q50/04 ,  G06F18/25 ,  G06N20/20 ,  G06N3/0442 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2135 ,  G06F18/23213

Abstract: 本发明公开了基于特征融合和集成学习的涡轮盘模锻质量预测方法，包括：获取涡轮盘模锻制造过程中的工艺离散数据和工艺时序数据；通过CatBoost模型和PVC策略，结合SHAP框架验证从工艺离散数据中提取与质量性能参数强相关的重要特征；通过集成了自注意力机制的AE‑GRU自编码器从工艺时序数据中提取时序特征；将重要特征和时序特征融合后输入训练好的集成学习模型，通过集成学习模型输出质量性能参数的预测结果。本发明通过从离散数据和时序数据中分别提取特征来充分利用涡轮盘模锻加工过程的生产加工数据，同时通过集成学习模型来适应不同质量性能参数的分布特性，从而提高涡轮盘模锻质量性能参数预测的精度和全面性。

公开(公告)号：CN118734701A

公开(公告)日：2024-10-01

申请号：CN202410864125.2

申请日：2024-06-30

Applicant: 重庆大学 ,  中国第二重型机械集团德阳万航模锻有限责任公司

Inventor： 李家宝 ,  鄢萍 ,  张田民 ,  翟鸿锦 ,  刘洋洲 ,  张富淇 ,  易润忠

IPC: G06F30/27 ,  G06F18/23 ,  G06F18/2135 ,  G06N3/006 ,  G06Q10/04 ,  G06Q50/04 ,  G06Q10/0639 ,  G06N20/00 ,  G06N3/0442 ,  G06F18/25 ,  G06N20/20 ,  G06F18/214 ,  G06F111/06

Abstract: 本发明公开了基于多目标优化问题建模的涡轮盘模锻工艺参数优化方法，包括：将可调控工艺参数及相关数据输入训练好的质量预测模型中输出预测的质量性能参数；构建以预测的质量性能参数的适应度最小为目标，以可调控工艺参数满足上下限要求为约束条件的多目标优化问题；通过NSGA‑Ⅲ算法求解优化问题得到Pareto解集；通过熵权法从Pareto解集中选择最优的工艺参数优化方案；通过最优的工艺参数优化方案对可调控工艺参数进行相应的优化调控。本发明通过对可调控工艺参数进行提取和建模来保证工艺参数优化的针对性，同时通过构建多目标优化问题来综合考虑涡轮盘的多个质量性能指标，并且NSGA‑Ⅲ算法求解多目标优化问题并结合熵权法来选择最优的工艺参数优化方案。

公开(公告)号：CN119598867A

公开(公告)日：2025-03-11

申请号：CN202411683868.6

申请日：2024-11-22

Applicant: 重庆大学

Inventor： 汪博城 ,  鄢萍 ,  李豪晨 ,  李淋淋 ,  翟鸿锦 ,  刘洋洲

IPC: G06F30/27 ,  G06N5/025

Abstract: 本发明公开了一种基于知识图谱的算法模型运行驱动引擎构建方法，对数据源、算法和模型分别进行配置，形成数据源库、算法库和模型库，从库中选择需要的数据源、算法和模型，并按模型运行规则进行编排，得到算法模型运行规则图谱。将算法模型运行规则图谱解析为三元组文本数据，将三元组文本数据转换为形式化语言文本，使用多模型交互行为验证，如果规则不合格则通过交互界面返回错误提示信息。如果合格则将规则文本输入任务引擎生成器，由生成器根据规则文本生成算法模型驱动引擎。本发明解决了制造环境中算法与模型运行方式编排困难、运行规则的管理繁琐、执行效率低下等问题，从而提升生产效率和产品质量。

公开(公告)号：CN118663999A

公开(公告)日：2024-09-20

申请号：CN202410691045.1

申请日：2024-05-30

Applicant: 重庆大学

Inventor： 张立国 ,  鄢萍 ,  周涵 ,  李思辰 ,  刘洋洲 ,  陈剑 ,  易润忠

IPC: B23F23/12 ,  B23Q17/09 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于智能制造辅助技术领域，尤其涉及一种基于DRSN和APF的滚齿刀具磨损趋势预测方法，包括以下步骤：S1、构建滚刀磨损趋势预测模型的框架；S2、获取多组历史加工数据，每组历史加工数据包括一套工件加工全寿命周期的滚刀振动数据，以及加工得到的工件的表面粗糙度值；对工件的表面粗糙度值进行处理作为滚刀的磨损趋势值的标签，并对滚刀的振动信号数据进行预处理，得到训练数据；再使用训练数据对趋势预测模型进行训练；S3、获取滚刀的实时加工振动数据并进行预处理后，输入滚刀磨损趋势预测模型中，得到滚刀的预测的磨损趋势值。本方法可以便捷且有效的进行滚刀磨损预测，进而使滚刀机床运行状态的操作决策更加及时和有效。