一种基于深度学习的工业机械生产优化方法及系统

技术领域

本发明涉及工业机械生产优化技术领域，特别涉及一种基于深度学习的工业机械生产优化方法及系统。

背景技术

工业机械生产过程中，提高产品加工质量和生产效率一直是制造业关注的重点。传统的生产优化方法往往基于经验和规则，难以全面考虑工件加工的复杂特征和动态变化，并且目标工业机械在出现加工质量问题时，极大可能是因为目标工业机械的加工参数发生了变化，目前的工业机械在加工参数校准上仍依靠人工进行测量和校准的方式。

近年来，深度学习技术在图像识别和数据分析领域取得了突破性进展。其强大的特征提取和模式识别能力使其在工业制造领域的应用日益广泛。然而，目前尚缺乏一种综合利用深度学习技术进行工业机械生产优化和加工参数校准的方法。

发明内容

为了解决上述技术问题，本发明提出了一种基于深度学习的工业机械生产优化方法及系统，所述优化方法包括以下步骤：

获取预设时间段内目标工业机械对目标工件进行加工过程中的视频图像数据，根据所述视频图像数据识别目标工业机械的加工特征，其中，所述加工特征包括加工路径特征、加工移动速度变化特征；

构建目标工件的加工质量预测模型，将所述加工特征导入所述加工质量预测模型中对目标工件的加工质量进行预测，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果；

基于深度学习算法构建目标工件的生产质量评估模型，将目标工件的三维模型导入所述生产质量评估模型中进行质量评估，得到实际加工质量评估结果；

将所述加工质量预测结果与所述实际加工质量评估结果进行对比，得到差距数据，根据所述差距数据和预设差距阈值的比较结果对目标工业机械进行加工参数校准操作，得到目标工业机械加工参数校准方案；

在执行所述目标工业机械加工参数校准方案的过程中，实时评估所述目标工业机械加工参数校准方案对目标工业机械的校准效果，根据所述校准效果确定目标工业机械达到生产要求。

进一步地，所述加工特征的获取方法包括：

基于高清摄像设备获取预设时间段内目标工业机械对目标工件进行加工过程中的视频图像数据；

提取所述视频图像数据的视频帧数据，对所述视频帧数据进行图像去噪、图像增强与色彩校正预处理，得到预处理后的视频帧数据；

对所述预处理后的视频帧数据中目标工业机械的加工器具进行识别，并对加工器具的工作焦点进行标记，得到加工器具焦点标记视频帧数据集；

将所述加工器具焦点标记视频帧数据集根据时间先后顺序进行排序操作，根据排序后的加工器具焦点标记视频帧数据集将工作焦点进行位置连接操作，确定加工器具的移动轨迹；

绘制所述移动轨迹的轨迹形状，得到目标工业机械加工器具的加工路径特征；

对所述加工器具焦点标记视频帧数据集进行前后视频帧的加工器具焦点位置进行对比，确定加工器具的移动速度，得到目标工业机械加工器具的加工移动速度变化特征；

将所述加工路径特征和加工移动速度变化特征整合为所述加工特征。

进一步地，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果的具体方法包括：

获取目标工业机械对目标工件进行加工的历史加工特征数据、历史加工质量数据；

将历史加工特征数据与所对应的历史加工质量数据形成一一映射关系，得到目标工件的加工特征-质量关联映射表；

将所述加工特征-质量关联映射表按预设比例划分为训练集数据和测试集数据；

基于决策树算法构建目标工件的加工质量预测模型，将训练集数据导入所述加工质量预测模型中，将历史加工特征数据作为所述加工质量预测模型的输入，将历史加工质量数据作为所述加工质量预测模型的输出，得到加工质量预测模型的决策树；

对所述决策树的每个节点进行遍历，确定决策树的多个特征和多个分割点，分别根据所述多个特征和分割点对所述决策树进行分割，计算决策树分割后的子集的加权均方误差；

选择最小的加权均方误差作为当前节点的分割方案，根据所述分割方案构建完整决策树，将所述完整决策树作为加工质量预测模型的预测基础，得到训练完成的加工质量预测模型；

将测试集数据导入所述训练完成的加工质量预测模型进行性能评估，得到预测准确值，比较所述预测准确值和预设准确值的大小：若所述预测准确值小于所述预设准确值，对所述训练完成的加工质量预测模型进行二次训练，直至满足所述预测准确值不小于预设准确值的条件，得到最终的加工质量预测模型；

将预设时间段内目标工业机械的加工特征导入所述最终的加工质量预测模型中与加工特征-质量关联映射表中的历史加工特征数据进行相似性对比，得到加工特征相似度最高的历史加工特征数据；

将与所述加工特征相似度最高的历史加工特征数据所对应的加工质量作为预测结果，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果。

进一步地，所述目标工件的三维模型的构建方法为：

通过三维扫描仪获取预设时间段内目标工业机械加工完成后的预设百分比数量的目标工件的三维点云数据；

将所述三维点云数据转化为三维体素网格，得到目标工件的小立方体单元，根据所述三维点云数据确定每个小立方体单元的点云信息，根据所述点云信息确定每个小立方体单元的表面位置和形状，生成三角形网格拓扑；

根据所述三角形网格拓扑构建目标工件的几何形状，将所述几何形状进行连接操作，得到目标工件的三维图像数据，所述三维图像数据包括目标工件各个位置的表面曲率、边缘和角落几何特征；

获取预设时间段内目标工业机械加工完成后的预设百分比数量的目标工件的图像数据，根据所述图像数据对目标工件进行纹理提取，得到目标工件的表面纹理数据；

将所述目标工件的纹理数据映射到所述三维图像数据中，得到所述目标工件的三维模型。

进一步地，所述实际加工质量评估结果的获取方法包括：

获取目标工件的瑕疵类型标记图像数据集，对所述瑕疵类型标记图像数据集进行瑕疵特征提取，得到瑕疵特征数据集；

基于深度学习算法构建目标工件的生产质量评估模型，将所述瑕疵类型标记图像数据集和所述瑕疵特征数据集导入所述生产质量评估模型中进行瑕疵特征学习，得到训练完成的生产质量评估模型；

将所述目标工件的三维模型导入所述训练完成的生产质量评估模型中进行模型分解，得到目标工件的二维平面图，通过所述训练完成的生产质量评估模型对所述二维平面图进行目标工件瑕疵识别，得到目标工件的瑕疵数据，所述瑕疵数据包括瑕疵类型、瑕疵位置、瑕疵数量；

根据所述目标工件的瑕疵数据对目标工件进行质量评估，得到实际加工质量评估结果。

进一步地，得到差距数据的具体方法包括：

对所述加工质量预测结果与所述实际加工质量评估结果的数据格式和数据维度分别进行统一化操作，得到统一化操作后的加工质量预测结果与实际加工质量评估结果；

计算所述统一化操作后的加工质量预测结果和所述实际加工质量评估结果的平均绝对误差，得到平均绝对误差计算结果；

根据所述平均绝对误差计算结果，得到目标工件的预测加工质量与实际加工质量的差距数据，所述差距数据包括目标工件预测加工质量与实际加工质量中瑕疵数量差距、瑕疵类型差距。

进一步地，得到目标工业机械加工参数校准方案的具体方法包括：

根据加工要求和质量标准设置预设差距阈值；

若所述差距数据大于所述预设差距阈值，根据所述差距数据确定目标工业机械的加工参数校准项目以及所述加工参数校准项目的参数校正值，根据所述参数校正值生成目标工业机械加工参数校准方案；

其中，所述加工参数校准项目包括加工速度、加工压力、刀具类型、刀具尺寸、切削深度、刀具初始位置、目标工件放置位置。

进一步地，根据所述校准效果确定目标工业机械完成校准操作的具体方法包括：

在执行所述目标工业机械加工参数校准方案的过程中，对目标工件进行二次生产加工，得到二次生产加工的目标工件的加工质量预测结果和实际加工质量评估结果；

将所述二次生产加工的目标工件的加工质量预测结果与所述实际加工质量评估结果进行对比，评估所述目标工业机械加工参数校准方案对目标工业机械的校准效果；

根据所述校准效果判断目标工业机械是否满足生产要求：若满足生产要求，则判定所述目标工业机械为合格目标工件；否则，对所述目标工业机械进行二次校准操作。

基于同一发明构思，本发明还提供一种基于深度学习的工业机械生产优化系统，包括以下模块：

目标工业机械的加工特征提取模块，用于获取预设时间段内目标工业机械对目标工件进行加工过程中的视频图像数据，根据所述视频图像数据识别目标工业机械的加工特征，所述加工特征包括加工路径特征、加工移动速度变化特征；

加工质量预测结果计算模块，用于构建目标工件的加工质量预测模型，将所述加工特征导入所述加工质量预测模型中对目标工件的加工质量进行预测，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果；

实际加工质量评估结果计算模块，用于构建目标工件的生产质量评估模型，将目标工件的三维模型导入所述生产质量评估模型中进行质量评估，得到实际加工质量评估结果；

目标工业机械加工参数校准方案获取模块，用于将所述加工质量预测结果与所述实际加工质量评估结果进行对比，得到差距数据，根据所述差距数据和预设差距阈值的比较结果对目标工业机械进行加工参数校准操作，得到目标工业机械加工参数校准方案；

目标工件质检模块，用于在执行所述目标工业机械加工参数校准方案的过程中，实时评估所述目标工业机械加工参数校准方案对目标工业机械的校准效果，根据所述校准效果确定目标工业机械达到生产要求。

进一步地，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果的具体方法包括：

获取目标工业机械对目标工件进行加工的历史加工特征数据、历史加工质量数据；

将历史加工特征数据与所对应的历史加工质量数据形成一一映射关系，得到目标工件的加工特征-质量关联映射表；

将所述加工特征-质量关联映射表按预设比例划分为训练集数据和测试集数据；

基于决策树算法构建目标工件的加工质量预测模型，将训练集数据导入所述加工质量预测模型中，将历史加工特征数据作为所述加工质量预测模型的输入，将历史加工质量数据作为所述加工质量预测模型的输出，得到加工质量预测模型的决策树；

对所述决策树的每个节点进行遍历，确定决策树的多个特征和多个分割点，分别根据所述多个特征和分割点对所述决策树进行分割，计算决策树分割后的子集的加权均方误差；

选择最小的加权均方误差作为当前节点的分割方案，根据所述分割方案构建完整决策树，将所述完整决策树作为加工质量预测模型的预测基础，得到训练完成的加工质量预测模型；

将测试集数据导入所述训练完成的加工质量预测模型进行性能评估，得到预测准确值，比较所述预测准确值和预设准确值的大小：若所述预测准确值小于所述预设准确值，对所述训练完成的加工质量预测模型进行二次训练，直至满足所述预测准确值不小于预设准确值的条件，得到最终的加工质量预测模型；

将预设时间段内目标工业机械的加工特征导入所述最终的加工质量预测模型中与加工特征-质量关联映射表中的历史加工特征数据进行相似性对比，得到加工特征相似度最高的历史加工特征数据；

将与所述加工特征相似度最高的历史加工特征数据所对应的加工质量作为预测结果，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果。

本发明相比现有技术具有以下技术效果：

本发明公开了一种基于深度学习的工业机械生产优化方法及系统，用于提高工业机械加工质量和效率。首先，获取目标工业机械在预设时间段内对目标工件进行加工的视频图像数据，并识别加工特征；其次，对目标工件进行加工质量预测；然后，获取加工完成后工件的三维图像数据，构建工件的三维模型；接着，基于深度学习算法构建生产质量评估模型，对工件质量进行评估；最后，将预测结果与实际评估结果进行对比，若存在差距则根据差距数据对工业机械加工参数进行校准。本发明通过深度学习技术实现了对工业机械生产过程的智能优化，提高了加工质量和效率，具有广泛的应用前景。

附图说明

图1示出了本发明实施例中所提供的一种基于深度学习的工业机械生产优化方法的流程图；

图2示出了本发明实施例中所提供的实际加工质量评估结果获取流程图；

图3示出了本发明实施例中所提供的差距数据获取流程图；

图4示出了本发明一种基于深度学习的工业机械生产优化系统的框图；

说明书附图标记说明：

100、目标工业机械的加工特征提取模块；200、加工质量预测结果计算模块；300、实际加工质量评估结果计算模块；400、目标工业机械加工参数校准方案获取模块；500、目标工件质检模块。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例一

如图1所示，本发明提供了一种基于深度学习的工业机械生产优化方法，包括：

S1，获取预设时间段内目标工业机械对目标工件进行加工过程中的视频图像数据，根据所述视频图像数据识别目标工业机械的加工特征，其中所述加工特征包括加工路径特征、加工移动速度变化特征；

S2，构建目标工件的加工质量预测模型，将所述加工特征导入所述加工质量预测模型中对目标工件的加工质量进行预测，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果；

S3，基于深度学习算法构建目标工件的生产质量评估模型，将所述目标工件的三维模型导入所述生产质量评估模型中进行质量评估，得到实际加工质量评估结果；

S4，将所述加工质量预测结果与所述实际加工质量评估结果进行对比，得到差距数据，根据所述差距数据和所述预设差距阈值的比较结果对目标工业机械进行加工参数校准操作，得到目标工业机械加工参数校准方案；

S5，在执行所述目标工业机械加工参数校准方案的过程中，实时评估所述目标工业机械加工参数校准方案对目标工业机械的校准效果，根据所述校准效果确定目标工业机械达到生产要求。

针对传统方法存在的局限性，本发明提出了一种基于深度学习的工业机械生产优化方法及系统。本发明通过分析工业机械加工过程中的视频图像数据和三维模型数据，利用深度学习算法构建加工质量预测模型和生产质量评估模型，实现了对生产过程的智能化优化和监控。本发明能够更准确地预测加工质量、实时评估产品质量，并根据实际情况调整工业机械的加工参数，从而提高了产品的加工质量和生产效率。因此，该技术具有显著的技术优势和广阔的应用前景。

需要说明的是，通过目标工业机械对目标工件进行加工过程中的视频图像数据对目标工业机械的加工特征进行识别，构建加工质量预测模型，并根据加工质量模型和所述加工特征对目标工件的加工质量进行预测；构建目标工业机械在预设时间段内生产的目标工件的三维模型，并基于深度学习算法构建目标工件的生产质量评估模型对目标工件的实际生产质量进行评估，将目标工件的预测生产质量与实际生产质量进行对比，判断实际加工质量与预测加工质量的差距，根据差距对目标工业机械进行加工参数参准操作；由于通过目标工业机械的加工特征对目标工件的加工质量进行预测，然后通过预测的加工质量与实际加工质量进行对比，若差距大于预设值，说明目标工业机械的加工参数发生了变化，导致通过同样的加工特征对目标工件进行加工，而后加工特征所对应的加工质量却不一致；例如，当目标工业机械的刀具位置发生变化，目标工件依旧放置在刀具位置未发生变化的情况下进行加工，所加工的目标工件会出现极大的差异，导致加工质量不佳的情况；因此通过判断目标工件的预测加工质量与实际加工质量的差距来对目标工业机械的加工参数进行校准操作，大大提高了目标工业机械对目标工件进行加工的精度，提高目标工件的加工质量，并且能够自动识别出目标工业机械需要进行校准的项目，使得目标工件的加工质量更加稳定和可靠，减少加工过程中的废品率和次品率，降低生产成本，提升生产效益，结合深度学习算法构建的生产质量评估模型，能够实时监测和评估加工质量，及时发现加工参数偏差，实现智能化的生产管理和控制；所述目标工业机械包括智能车床设备、切割机设备等工件加工机械；所述目标工件为具有特征的形状和外观纹理的生产工件，例如工艺雕塑品、外观装饰品。

在步骤S1中，所述加工特征的获取方法包括：

基于高清摄像设备获取预设时间段内目标工业机械对目标工件进行加工过程中的视频图像数据；

提取所述视频图像数据的视频帧数据，对所述视频帧数据进行图像去噪、图像增强与色彩校正预处理，得到预处理后的视频帧数据；

对所述预处理后的视频帧数据中目标工业机械的加工器具进行识别，并对加工器具的工作焦点进行标记，得到加工器具焦点标记视频帧数据集；

将所述加工器具焦点标记视频帧数据集根据时间先后顺序进行排序操作，根据排序后的加工器具焦点标记视频帧数据集将工作焦点进行位置连接操作，确定加工器具的移动轨迹；

绘制所述移动轨迹的轨迹形状，得到目标工业机械加工器具的加工路径特征；

对所述加工器具焦点标记视频帧数据集进行前后视频帧的加工器具焦点位置进行对比，确定加工器具的移动速度，得到目标工业机械加工器具的加工移动速度变化特征；

将所述加工路径特征和加工移动速度变化特征整合为目标工业机械的加工特征。

需要说明的是，通过获取目标工业机械对目标工件的进行加工过程中的视频图像数据，根据视频图像数据确定加工器具的加工路径特征和加工移动速度变化特征；对加工器具的工作焦点进行标记，并根据时间顺序将加工器具焦点标记视频帧数据集进行排序和连接操作，能够准确地确定加工器具的移动轨迹，进而绘制出目标工业机械加工器具的加工路径特征；将加工路径特征和加工移动速度变化特征整合为目标工业机械的加工特征，能够综合考虑加工过程中的因素，提高了加工特征分析的准确度和可靠性。

在步骤S2中，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果的具体方法包括：

获取目标工业机械对目标工件进行加工的历史加工特征数据、历史加工质量数据；

将历史加工特征数据与所对应的历史加工质量数据形成一一映射关系，得到目标工件的加工特征-质量关联映射表；

将所述加工特征-质量关联映射表按预设比例划分为训练集数据和测试集数据；

基于决策树算法构建目标工件的加工质量预测模型，将训练集数据导入所述加工质量预测模型中，将历史加工特征数据作为所述加工质量预测模型的输入，将历史加工质量数据作为所述加工质量预测模型的输出，得到加工质量预测模型的决策树；

对所述决策树的每个节点进行遍历，确定决策树的多个特征和多个分割点，分别根据所述多个特征和分割点对所述决策树进行分割，计算决策树分割后的子集的加权均方误差；

选择最小的加权均方误差作为当前节点的分割方案，根据所述分割方案构建完整决策树，将所述完整决策树作为加工质量预测模型的预测基础，得到训练完成的加工质量预测模型；

将测试集数据导入所述训练完成的加工质量预测模型进行性能评估，得到预测准确值，比较所述预测准确值和预设准确值的大小：若所述预测准确值小于所述预设准确值，对所述训练完成的加工质量预测模型进行二次训练，直至满足所述预测准确值不小于预设准确值的条件，得到最终的加工质量预测模型；

将预设时间段内目标工业机械的加工特征导入所述最终的加工质量预测模型中与加工特征-质量关联映射表中的历史加工特征数据进行相似性对比，得到加工特征相似度最高的历史加工特征数据；

将与所述加工特征相似度最高的历史加工特征数据所对应的加工质量作为预测结果，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果。

需要说明的是，通过获取目标工业机械的历史加工特征数据与历史加工特征数据所形成的对应的目标工件的历史加工质量数据，并构建基于决策树的加工质量预测模型对预设时间段内根据加工特征形成的加工质量进行预测；通过建立加工特征和加工质量之间的映射关系，形成了一个对应表格，可以根据不同的加工特征和质量指标进行灵活组合和调整，以适应不同工件的加工需求；通过决策树算法构建加工质量预测模型，对决策树的节点进行遍历和优化，选择最小的加权均方误差作为分割方案，提高了模型的预测精度和泛化能力，通过对加工质量预测模型进行性能评估，并进行二次训练以提高模型准确度，确保模型的有效性和稳健性；所述特征是指用于划分数据集的属性或变量，而分割点是指在选定的特征上确定的某个值，用于将数据集划分为不同的子集，所述特征和分割点具有多个。

在本实施例中，所述目标工件的三维模型的构建方法为：

通过三维扫描仪获取预设时间段内目标工业机械加工完成后的预设百分比数量的目标工件的三维点云数据；

将所述三维点云数据转化为三维体素网格，得到目标工件的小立方体单元，根据所述三维点云数据确定每个小立方体单元的点云信息，根据所述点云信息确定每个小立方体单元的表面位置和形状，生成三角形网格拓扑；

根据所述三角形网格拓扑构建目标工件的几何形状，将所述几何形状进行连接操作，得到目标工件的三维图像数据，所述三维图像数据包括目标工件各个位置的表面曲率、边缘和角落几何特征；

获取预设时间段内目标工业机械加工完成后的预设百分比数量的目标工件的图像数据；

根据所述图像数据对目标工件进行纹理提取，得到目标工件的表面纹理数据；

将所述目标工件的纹理数据映射到目标工件的三维图像数据中，并将纹理数据映射后的三维图像数据作为目标工件的三维模型。

需要说明的是，通过三维扫描和深度学习技术，可以精确地获取工业机械加工后工件的几何形状，包括曲率、边缘和角落等细节；获取到的点云数据能够准确无误地反映出整个目标工件的表面轮廓和特征，不会丢失细微的部分，确保了数据的完整性；通过将点云数据转换为体素网格，使得数据更加规则化和易于处理，有利于后续的数据分析和加工操作，体素网格能够将离散的点云数据连续化，保持了目标工件表面的连续性和光滑性，有利于后续的表面重建和加工仿真；通过生成三角形网格拓扑，确保了目标工件表面的连通性和一致性；通过采集目标工件在不同角度和光照条件下的图像数据，实现了对目标工件全方位的记录和观测，有助于更全面地了解目标工件的外观特征，图像数据能够呈现出目标工件表面的细微纹理、颜色和图案等细节，有助于提取出目标工件的表面特征；所述三角形网络拓扑是指在三维空间中由多个三角形组成的网络结构。

如图2所示，得到实际加工质量评估结果的具体方法为:

S301，获取目标工件的瑕疵类型标记图像数据集，对所述瑕疵类型标记图像数据集进行瑕疵特征提取，得到瑕疵特征数据集；

S302，基于深度学习算法构建目标工件的生产质量评估模型，将所述瑕疵类型标记图像数据集和所述瑕疵特征数据集导入所述生产质量评估模型中进行瑕疵特征学习，得到训练完成的生产质量评估模型；

S303，将预设时间段内目标工业机械加工完成后目标工件的三维模型导入所述训练完成的生产质量评估模型中进行模型分解，得到目标工件的二维平面图，通过所述训练完成的生产质量评估模型对所述二维平面图进行目标工件瑕疵识别，得到目标工件的瑕疵数据，所述瑕疵数据包括瑕疵类型、瑕疵位置、瑕疵数量；

S304，根据所述目标工件的瑕疵数据对目标工件进行质量评估，得到目标工件的实际加工质量评估结果。

需要说明的是，通过深度学习算法构建目标工件的生产质量评估模型，深度学习算法能够从瑕疵类型标记图像数据集中学习到瑕疵的特征，实现对目标工件的瑕疵自动检测，能够更加准确地识别和分类各种类型的瑕疵，提高了瑕疵检测的效率和准确性；结合三维模型的空间信息和瑕疵类型标记图像数据集的视觉信息，能够在多个维度上评估目标工件的质量，通过对瑕疵类型、位置和数量等多方面信息的综合考量，实现对目标工件质量的全面评估；所述深度学习算法包括卷积神经网络；所述目标工件的二维平面图依然保留了目标工件的各个位置的表面曲率、边缘和角落几何特征和纹理特征；所述实际加工质量评估结果包括了目标工业机械加工完成后的预设百分比数量的每个目标工件的质量评估结果形成质量评估结果数据集。

如图3所示，所述将加工质量预测结果与实际加工质量评估结果进行对比，得到差距数据，具体为：

S401，对目标工件的加工质量预测结果与实际加工质量评估结果的数据格式和数据维度分别进行统一化操作，得到统一化操作后的加工质量预测结果与实际加工质量评估结果；

S402，计算统一化操作后的加工质量预测结果与实际加工质量评估结果的平均绝对误差，得到平均绝对误差计算结果；

S403，根据所述平均绝对误差计算结果分析目标工件的预测加工质量与实际加工质量的差异情况，将所述差异情况绘制差距散点图，得到目标工件的预测加工质量与实际加工质量的差距数据，所述差距数据包括目标工件预测加工质量与实际加工质量中瑕疵数量差距、瑕疵类型差距。

需要说明的是，由于目标工件的加工质量预测结果与实际加工质量评估结果的数据格式和数据维度可能存在不一致的情况，通过统一化操作，使后续的差距对比具有数据可比性。

根据本发明实施例，所述若所述差距数据大于预设值，对目标工业机械进行加工参数校准操作，得到目标工业机械加工参数校准方案，具体为：

根据加工要求和质量标准设置差距数据的预设差距阈值；

持续监测目标工件的加工质量预测结果与实际加工质量评估结果的差距数据；

若差距数据大于所设定的预设差距阈值，根据所述差距数据确定目标工业机械的加工参数校准项目，所述加工参数校准项目包括加工速度、加工压力、刀具类型、刀具尺寸、切削深度、刀具初始位置、目标工件放置位置；

根据差距数据确定所述加工参数校准项目的参数校正值，生成目标工业机械加工参数校准方案。

根据所述校准效果确定目标工业机械完成校准操作的具体方法包括：在执行所述目标工业机械加工参数校准方案的过程中，对目标工件进行二次生产加工，得到二次生产加工的目标工件的加工质量预测结果和实际加工质量评估结果；

将所述二次生产加工的目标工件的加工质量预测结果与所述实际加工质量评估结果进行对比，评估所述目标工业机械加工参数校准方案对目标工业机械的校准效果；

根据所述校准效果判断目标工业机械是否满足生产要求：若满足生产要求，则判定所述目标工业机械为合格目标工件；否则，对所述目标工业机械进行二次校准操作。

需要说明的是，若差距数据大于预设的差距阈值，启动动态参数校准流程，实时响应生产过程中的质量变化，保证加工质量的稳定性和一致性；通过对加工参数进行校准调整，实现对加工过程的精准控制，以满足实际加工质量的要求，提高产品的合格率和一致性；执行加工参数校准方案后，对二次生产加工的目标工件进行预测质量与实际质量的对比，评估校准效果，根据校准效果，不断优化加工参数校准方案，实现对生产过程的持续改进和优化，提高加工质量和效率。

根据本发明实施例，还包括：

按预设时间周期获取目标工业机械加工完成的目标工件的三维图像数据，根据所述三维图像数据构建每个预设时间周期的目标工件的三维模型，根据生产质量评估模型对每个预设时间周期的目标工件的三维模型进行生产质量评估，得到周期生产质量评估结果；

将所述周期生产质量评估结果进行绘制为质量变化曲线图；

根据线性回归算法对所述质量变化曲线图进行趋势分析，得到目标工件的加工质量变化趋势数据；

基于LSTM算法构建目标工件加工质量变化预测模型，将所述目标工件的加工质量变化趋势数据导入所述加工质量变化预测模型中进行学习和训练；

预设加工质量标准阈值，将当前时间周期的目标工件的质量数据导入所述加工质量变化预测模型中，预测目标工件的加工质量标准到达低于加工质量标准阈值的时间点，得到预测时间；

根据所述预测时间确定目标工业机械进行加工参数校准的时间点，根据所述加工参数校准的时间点对目标工业机械加工参数校准方案进行补充操作。

需要说明的是，在目标工业机械在对目标工件的生产加工过程中，由于机械的震动会导致目标工业机械的加工参数产生细微的变化，随着时间的累计，目标工件的加工质量会随时间的变化逐渐降低，通过线性回归算法对目标工件的加工质量进行趋势分析，并基于LSTM算法构建目标工件加工质量变化趋势预测模型，对目标工件随时间变化的质量进行预测，预测加工质量低于预设教工质量标准预测的时间点，根据所述时间点对目标工业机械进行参数校准，实现了对目标工业机械加工参数校准方案中校准时间节点的确定，从而减少对目标加工参数进行校准的次数，确保了在高效的生产效益下减少加工参数校准对生产线带来的生产效益下降的影响，在保证生产质量的情况下最大限度保证目标工件的生产效益。

根据本发明实施例，还包括：

获取目标工业机械对目标工件进行加工的每个工序的实时图像数据，根据所述实时图像数据对目标工业机械的加工器具和目标工件进行加工轨迹分析，得到加工器具的移动路径和目标工件的移动路径；

引入DCA特征融合算法，通过CNN网络提取所述加工器具的移动路径和目标工件的移动路径的特征图；

确定所述特征图中加工器具的移动路径特征与目标工件的移动路径特征的权重；

将所述特征图与所述权重进行空间加权融合，得到加工器具的移动路径与目标工件的移动路径的实时融合路径特征数据；

获取加工器具对目标工件进行加工的每个工序标准移动路径与目标工件标准移动路径，根据加工器具标准移动路径和目标工件标准移动路径进行加工路径图像模拟，得到每个工序的加工器具路径模拟图像和目标工件路径模拟图像，根据所述加工器具路径模拟图像和目标工件路径模拟图像进行基于DCA的路径特征融合，得到每个工序的标准融合路径特征数据；

根据所述实时融合路径特征数据与每个工序的标准融合路径特征数据进行差异性分析，计算每个工序的实时融合路径特征数据与标准融合路径特征数据的欧氏距离，得到每个工序的融合路径特征差异性数据；

对每个工序的差异性数据进行累加操作，若差异性累加值大于预设值，对目标工件进行加工质量预警操作，得到目标工件加工质量预警方案。

需要说明的是，在目标工业机械对目标工件进行加工过程中，不但目标工业机械的加工器具有移动路径，目标工件也有在加工过程中的移动路径，本发明通过DCA特征融合算法对加工器具的移动路径与目标工件的移动路径进行融合操作，并获取标准加工状态下每个工序的标准融合路径特征数据，通过对每个工序的实时融合路径特征数据与标准融合路径特征数据进行差异性分析，并对每个工序的差异性进行累加操作，生成加工质量预警方案，有效实现基于器具与工件两个维度的移动路径分析评估，例如当目标工件在进入第二个工序时，差异性累加值就大于预设值，对该工序的目标工件进行预警操作，提醒加工人员对该目标工件进行停止加工处理；通过对加工器具移动路径和目标工件路径的双重融合，大大提高了对目标工件加工路径特征分析多重考虑性，确保了机械与工件加工路径的双重质量保证，大大提高了目标工件的加工质量。

实施例二

如图4所示，基于与实施例一中所述的方法的同一发明构思，本发明还提供一种基于深度学习的工业机械生产优化系统，该系统包括：

目标工业机械的加工特征提取模块100，用于获取预设时间段内目标工业机械对目标工件进行加工过程中的视频图像数据，根据所述视频图像数据识别目标工业机械的加工特征，所述加工特征包括加工路径特征、加工移动速度变化特征；

加工质量预测结果计算模块200，用于构建目标工件的加工质量预测模型，将所述加工特征导入所述加工质量预测模型中对目标工件的加工质量进行预测，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果；

实际加工质量评估结果计算模块300，用于构建目标工件的生产质量评估模型，将目标工件的三维模型导入所述生产质量评估模型中进行质量评估，得到实际加工质量评估结果；

目标工业机械加工参数校准方案获取模块400，用于将所述加工质量预测结果与所述实际加工质量评估结果进行对比，得到差距数据，根据所述差距数据和所述预设差距阈值的比较结果对目标工业机械进行加工参数校准操作，得到目标工业机械加工参数校准方案；

目标工件质检模块500，用于在执行所述目标工业机械加工参数校准方案的过程中，实时评估所述目标工业机械加工参数校准方案对目标工业机械的校准效果，根据所述校准效果确定目标工业机械达到生产要求。

具体地，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果的具体方法包括：

获取目标工业机械对目标工件进行加工的历史加工特征数据、历史加工质量数据；

将历史加工特征数据与所对应的历史加工质量数据形成一一映射关系，得到目标工件的加工特征-质量关联映射表；

将所述加工特征-质量关联映射表按预设比例划分为训练集数据和测试集数据；

基于决策树算法构建目标工件的加工质量预测模型，将训练集数据导入所述加工质量预测模型中，将历史加工特征数据作为所述加工质量预测模型的输入，将历史加工质量数据作为所述加工质量预测模型的输出，得到加工质量预测模型的决策树；

对所述决策树的每个节点进行遍历，确定决策树的多个特征和多个分割点，分别根据所述多个特征和分割点对所述决策树进行分割，计算决策树分割后的子集的加权均方误差；

选择最小的加权均方误差作为当前节点的分割方案，根据所述分割方案构建完整决策树，将所述完整决策树作为加工质量预测模型的预测基础，得到训练完成的加工质量预测模型；

将测试集数据导入所述训练完成的加工质量预测模型进行性能评估，得到预测准确值，比较所述预测准确值和预设准确值的大小：若所述预测准确值小于所述预设准确值，对所述训练完成的加工质量预测模型进行二次训练，直至满足所述预测准确值不小于预设准确值的条件，得到最终的加工质量预测模型；

将预设时间段内目标工业机械的加工特征导入所述最终的加工质量预测模型中与加工特征-质量关联映射表中的历史加工特征数据进行相似性对比，得到加工特征相似度最高的历史加工特征数据；

将与所述加工特征相似度最高的历史加工特征数据所对应的加工质量作为预测结果，得到预设时间段内目标工业机械对目标工件进行加工的加工质量预测结果。

本发明公开了一种基于深度学习的工业机械生产优化方法及系统，用于提高工业机械加工质量和效率。首先，获取目标工业机械在预设时间段内对目标工件进行加工的视频图像数据，并识别加工特征；其次，对目标工件进行加工质量预测；然后，获取加工完成后工件的三维图像数据，构建工件的三维模型；接着，基于深度学习算法构建生产质量评估模型，对工件质量进行评估；最后，将预测结果与实际评估结果进行对比，若存在差距则根据差距数据对工业机械加工参数进行校准。本发明通过深度学习技术实现了对工业机械生产过程的智能优化，提高了加工质量和效率，具有广泛的应用前景。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。