[发明专利]基于深度学习的非标刀具价格预测方法

摘要

本发明公开了一种基于深度学习的非标刀具价格预测方法，用于解决现有非标刀具价格预测方法实用性差的技术问题。技术方案是利用深度学习技术挖掘非标刀具设计参数与非标刀具价格之间的关联关系，以实现非标刀具价格预测。首先对刀具设计参数建模，为每个参数添加标签；然后采用GA‑BP神经网络预测非标刀具的加工工时，从而与机床单位时间成本相乘得到制造成本；最后将刀具设计参数与制造成本组成的新向量输入DBN多专家模型，输出多组预测值，通过价值评估算法筛选出合理的预测结果输出，作为最终的价格，实用性好。

主权项

1.一种基于深度学习的非标刀具价格预测方法，其特征在于包括以下步骤：/n步骤一、非标刀具设计参数建模：为非标刀具设计参数添加标签信息，将设计参数与对应的标签组成输入数据；/nX＝(L,L_值,A,A_值,D,D_值,R,R_值,S,m,m_值) (1)/n式中，L表示长度参数标签，包括非标刀具刀杆长度、刀片到基准线的长度、到头长度、退刀槽宽度；L_值表示长度参数标签对应的具体数值；A表示角度参数标签，包括非标刀具的刀片偏角、刀尖角；A_值表示角度参数标签对应的具体数值；D表示直径参数标签，包括刀具的刀杆直径、刀头直径、阶梯直径；D_值表示直径参数标签对应的具体数值；R表示半径参数标签，包括刀尖圆弧半径；R_值表示半径参数标签对应的具体数值；S表示精度参数；m表示材料参数标签；m_值表示材料参数标签对应的具体材料；/n对精度参数单独建模：/nS＝(P,s₁,s₂,s₃) (2)/n其中，P表示刀具设计参数中的精度参数的标签；s₁表示精度标定的数值，s₂表示精度上界，s₃表示精度下界；/n由于各输入单位和数量级不一样，为了输入的便捷性和统一性，对非标刀具设计参数进行归一化处理；/n /n其中，x_max和x_min分别为样本初始数据的最大值和最小值；x和y分别是归一化处理前后的数据；/n步骤二、非标刀具加工工时预测：对于非标刀具制造成本不可知的情况，通过GA-BP神经网络预测非标刀具加工工时，从而与机床单位时间成本相乘得到制造成本；/nT＝f(X,θ) (4)/nC＝T·B (5)/n式中，X表示非标刀具设计参数，包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数；θ表示在网络训练中需要优化的参数；T表示非标刀具加工工时；f()是通过有监督学习获得的映射关系；C表示非标刀具制造成本；B表示机床单位时间加工成本；/n步骤三、非标刀具价格预测：将步骤二中得到的非标刀具制造成本与非标刀具设计参数组成向量，通过DBN多专家模型预测非标刀具的价格；/nY＝φ(X,C) (6)/n式中，X表示非标刀具设计参数，包括长度参数、角度参数、直径参数、半径参数、精度参数、材料参数；C表示非标刀具制造成本；Y表示非标刀具价格；φ()表示通过有监督学习获得的映射关系。/n