一种工艺参数概率模型优化方法
摘要文本
本发明属于智能制造领域，具体涉及一种工艺参数概率模型优化方法，包括：采用仿真模型生成样本，构建输入为工艺参数、输出为工件性能的低精度神经网络模型，在该模型上执行参数概率模型优化，估计该模型最优解，多次利用该最优解，进行实际生产得到多个实际工件性能的同时基于低精度神经网络模型得到多个工件性能，构建输入为工艺参数和低精度神经网络模型输出的工件性能、输出为工件性能的高精度神经网络模型；在由当前低精度和高精度神经网络模型组成的多保真度模型上执行参数概率模型优化，估计该多保真度模型最优解，用于实际生产并更新多保真度模型，闭环迭代直至工艺过程结束。本发明能充分利用小样本数据，提升制造环节的参数优化效率。
申请人信息
- 申请人:华中科技大学
- 申请人地址:430074 湖北省武汉市洪山区珞喻路1037号
- 发明人: 华中科技大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种工艺参数概率模型优化方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311562314.6 |
| 申请日 | 2023/11/20 |
| 公告号 | CN117574721A |
| 公开日 | 2024/2/20 |
| IPC主分类号 | G06F30/23 |
| 权利人 | 华中科技大学 |
| 发明人 | 胡峥楠; 曾祥瑞; 尹周平 |
| 地址 | 湖北省武汉市洪山区珞喻路1037号 |
专利主权项内容
1.一种工艺参数概率模型优化方法，其特征在于，包括：S1、采用工艺过程仿真模型生成训练样本，以构建输入为工艺参数、输出为工件性能的低精度神经网络模型；在低精度神经网络模型上执行工艺参数概率模型优化，估计该模型最优解；多次利用该最优解所对应的最优工艺参数，进行实际生产得到对应的多个实际工件性能的同时基于低精度神经网络模型得到对应的多个工件性能，以构建输入为工艺参数和低精度神经网络模型输出的工件性能、输出为工件性能的高精度神经网络模型；S2、在当前的多保真度神经网络模型上执行工艺参数概率模型优化，估计该多保真度神经网络模型的最优解；其中，所述多保真度神经网络模型由当前的低精度神经网络模型和高精度神经网络模型组成；S3、基于S2得到的最优解所对应的最优工艺参数，采用所述仿真模型，得到仿真工件性能，以更新当前多保真度神经网络模型中的低精度神经网络模型；将S2得到的最优解所对应的最优工艺参数用于实际工艺生产，并获取对应的实际工件性能的同时基于当前更新后的低精度神经网络模型得到对应的工件性能，以更新当前多保真度神经网络模型中的高精度神经网络模型；重复执行S2，直至工艺过程结束。