[0001] 本发明涉及工业生产管理技术领域，具体为基于机器学习的钻头热扭转加工的质量预测方法及装置。

[0002] 钻头是一种重要的工业零件，广泛应用于制造、建筑、矿业等多个领域，钻头的主要功能是通过旋转和切削，将一些固体材料，例如金属、木材、混凝土等钻出孔洞，由于钻头在实际工作过程中需要承受高温、高压和高速旋转，其性能对整个生产过程的效率和成本有着直接影响。

[0003] 现有技术如公告号为：CN113469560B的发明专利，为一种基于工业大数据的云平台数据管理系统，属于工业大数据领域，涉及数据管理技术，通过云平台、数据传输模块、数据收集模块、质量管控模块、数据处理模块、设备维护模块以及计时模块之间的相互配合，实现在合格零件检测过程中多次进行数据采集，保证数据的准确性，并通过不合格零件的个数以及零件出现的时间进行针对生产设备的及时维修，在维修时选取能力强、做事完整度高的维护人员进行设备维修，在维修结束后，采用批量验证的方式对维修的结果进行确认，确保设备维修有效，防止二次事故的发生，也能很大程度的防止不良品、不合格零件的流出。

[0004] 现有技术如公告号为：CN109711659B的发明专利，为一种工业生产的良率提升管理系统和方法，通过顽固性不良分析模块从数据储存单元中获取工厂生产数据，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；所述失效分析模块从数据储存单元中获取工厂生产数据，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员。

[0005] 综上所述，目前在钻头生产所隶属的工业管理领域中，存在管理时效性不足的问题，尤其是在工业生产零件为钻头的前提约束条件下，无法对钻头进行及时的生产管理，这种滞后的管理方式导致整个生产过程中的潜在问题无法被及时发现和解决，进而影响了整体生产效率和产品质量。

[0042] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0043] 在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0044] 请参阅图1所示，本发明实施例第一方面提供基于机器学习的钻头热扭转加工的质量预测方法，包括：S1：质量监测指令接收和加工监测信号传输：全域集成总控终端接收钻头热扭转加工的质量监测指令，并将预备执行热扭转加工的钻头原构件标记为待加工构件，同时集成总控终端传输加工监测信号至局域分控终端。

[0045] 需要解释的是，本实施例是基于钻头热扭转加工生产过程进行质量预测的，为了方便理解，下面阐述本实施例涉及的钻头热扭转加工过程：首先对待加工构件进行冷拉，将构件拉至需要使用的长度，然后对构件进行高频加热，使得整个构件达到适宜进行热扭转的工作温度，当达到热扭转工作温度时，使用特殊固定夹具对构件前后端进行固定，并实施扭转，扭转的变形量，变形长度等相关参数按照设定技术参数在扭转设备的控制端进行标定，本实施例涉及的钻头热扭转加工在进行热扭转的过程当中，可以达到100%的形变，并且在整个热扭转的过程当中，能够使得构件整个材料的利用率得到显著提升。

[0046] 所述全域集成总控终端是一个集成化的控制系统，能够连接和控制生产线上的所有设备和子系统，可以提供一个统一的控制和监测平台，实现实时获取并显示所有相关设备的运行状态和运行参数，确保生产过程的透明化和可控性，也可根据实时数据和预设的生产工艺要求，自动生成控制指令，优化生产过程，确保产品质量和生产效率。

[0047] 所述质量监测指令是指具体用于监控和确保产品质量的指令和操作，通常由加工管理人员进行触发或者预先定义的时间启动规则进行自动触发。

[0048] 所述局域分控终端是分布在各个生产流程区域的控制单元，负责执行具体的控制指令和本地数据处理，局域分控终端接收到加工监测信号后，便自主启动进行每个环节的具体监控，通常局域分控终端安装有一个或者多个，且每个局域分控终端内部都设置有相应的传感装置，例如红外传感器，远程测距仪等，这些传感装置用于检测待加工构件在热扭转加工过程中产生的加工数据。

[0049] S2：生产质量检测数据和成品样本质量数据获取：局域分控终端对待加工构件进行生产质量检测，得到待加工构件的生产质量检测数据输入至云端数据处理中心，并从数据管理服务器内提取待加工构件的成品样本质量数据同步输入至云端数据处理中心。

[0050] 所述云端数据处理中心是一个集中式的数据处理和分析平台，通常位于远程数据中心，并通过互联网与各个生产现场连接，能够实时处理从各个局域分控终端传输来的生产质量检测数据，为进行生产预测和工艺优化提供数据支持工具，有助于提升生产效率和产品质量。

[0051] 所述数据管理服务器是一个集成化的数据处理和存储平台，专门用于管理生产过程中的各种数据，可以有效存储从生产线、传感器和检测设备中采集到的各种数据，包括实时数据和历史数据等。

[0052] 本实施例中，所述数据管理服务器用于存储各种核验数据，所述各种核验数据包括各型号标准成品钻头对应的生产执行数据，还包括冷拉质量检验阈值、加热质量检验阈值、扭转质量检验阈值等。

[0053] 应理解的是，所述各种核验数据是在测试阶段，人员通过数据采集验证，并上传存储至数据管理服务器中的。

[0054] 具体地，所述局域分控终端对待加工构件进行生产质量检测，其中生产质量检测包括冷拉检测、加热检测以及扭转检测。

[0055] 所述冷拉检测是对待加工构件的冷拉过程进行检测，得到待加工构件的第一冷拉质量数据。

[0056] 所述加热检测是对待加工构件的加热过程进行检测，得到待加工构件的第二加热质量数据。

[0057] 所述扭转检测是对待加工构件的扭转过程进行检测，得到待加工构件的第三扭转质量数据。

[0058] 具体地，所述待加工构件的生产质量检测数据，其中生产质量检测数据包括：第一冷拉质量数据、第二加热质量数据和第三扭转质量数据。

[0059] 所述第一冷拉质量数据包括各冷拉执行参数的实测值，所述各冷拉执行参数包括但不限于：冷拉速度（单位：m/s）、冷拉压力（单位：MPa）、冷拉温度（单位：℃）、冷拉长度（单位：cm）等，其中，冷拉速度指用于控制冷拉的速度，冷拉压力指用于施加在构件上的压力，冷拉温度指冷拉环境的温度，冷拉长度指构件最终拉伸的长度。

[0060] 所述第二加热质量数据包括各加热执行参数的实测值，其中，所述各加热执行参数包括但不限于：加热温度（单位：℃）、加热频率（单位：Hz）、加热时间（单位：min）、加热功率（单位：kW）等，其中，加热温度指构件最终达到的温度，加热频率指高频加热的频率，加热时间指构件加热所消耗的时间，加热功率指高频加热设备的功率。

[0061] 所述第三扭转质量数据包括各扭转执行参数的实测值，其中，所述各扭转执行参数包括但不限于：扭转角度（单位：°）、扭转速度（单位：r/s）、扭转力度（单位：N·m）、固定夹具力（单位：N），其中，扭转角度指构件扭转的角度，扭转速度指构件扭转的速度，扭转力度指施加在构件上的扭矩，固定夹具力指夹具固定构件所使用的力。

[0062] 更加具体地，所述从数据管理服务器内提取待加工构件的成品样本质量数据，具体提取过程包括：获取待加工构件的预备生产隶属钻头型号，并基于数据管理服务器内存储的各型号标准成品钻头对应的生产执行数据，从中筛分与待加工构件的预备生产隶属钻头型号所一致的标准成品钻头对应的生产执行数据，标记为预参照生产执行数据，所述预参照生产执行数据包括各次有效生产对应的各执行参数。

[0063] 所述钻头型号包括尺寸和材质等型号信息。

[0064] 通过K‑means聚类算法将各次有效生产对应的各执行参数进行聚类，获取各执行参数簇群对应的各分支聚类簇，并从中统计各分支聚类簇的质心，将与质心距离最近的数据点所对应的执行参数标记为各分支聚类簇的有效执行数值，由此统计得到各执行参数簇群对应的各分支聚类簇的有效执行数值。

[0065] 所述K‑means聚类算法是机器学习中的一种常用聚类算法，属于无监督学习算法，它主要用于将相似的数据点分组到一起，形成多个簇。

[0066] 需要进一步理解的是，上述K‑means聚类算法的具体运作过程为：以本实施例中的某执行参数为冷拉压力进行示例描述，即各次有效生产对应的执行参数为冷拉压力，通过K‑means聚类算法将各次有效生产对应的冷拉压力，具体过程为：第一步：通过K‑means聚类算法将各次有效生产对应的冷拉压力，并进行标准化处理，所述标准化处理就是计算冷拉压力均值和冷拉压力标准差，并将各次有效生产对应的冷拉压力减去冷拉压力均值后并除以冷拉压力标准差，得到标准化后的冷拉压力数据，本实施例中冷拉压力数据中覆盖的多项数据定义为冷拉压力数据点。

[0067] 第二步：通过肘部法则确定聚类数k，也就是k值，所述肘部法则，是计算不同K值下的SSE，并绘制SSE图，SSE是指所有数据点到其所属簇质心的距离平方和，如图2所示，图中横轴为聚类数k，纵轴为距离平方和，即SSE，观察图中曲线肘部点，肘部点通常对应曲线的拐点，图中可见肘部点在K=5，此时，则将聚类数定义为5，并随机择取5个冷拉压力数据点作为初始聚类中心。

[0068] 第三步：统计划分为初始聚类中心后剩余的多个冷拉压力数据点，根据其与每个初始聚类中心的距离，将其分配到距离最近的初始聚类中心所属的聚类簇，然后计算每个聚类簇中所有冷拉压力数据点的平均值，作为新的聚类中心，以此更新每个聚类中心并反映其所属聚类簇中的冷拉压力数据点的平均位置。

[0069] 第四步：重复执行第三步，直到满足停止条件，停止条件可以是达到最大迭代次数或者聚类中心不再变化。

[0070] 第五步：满足停止条件后，K‑means聚类算法收敛，每个冷拉压力数据点都会被分配到一个聚类中心，形成K个分支聚类簇，每个分支聚类簇都有一个质心，并且可以从中提取与质心距离最近的冷拉压力数据点所对应的冷拉压力，作为每个分支聚类簇的有效执行数值，而多个分支聚类簇又综合构成了冷拉压力簇群。

[0071] 需要理解的是，根据K‑means聚类算法将各次有效生产对应的冷拉压力进行聚类的处理方式，即可依次处理得到各执行参数簇群对应的各分支聚类簇的有效执行数值，由于处理方式一致，本实施例在此不予重复赘述。

[0072] 基于各执行参数簇群对应的各分支聚类簇的有效执行数值，并进行均值处理，获取各执行参数的有效执行数值，并整合作为待加工构件的成品样本质量数据。

[0073] 值得注意的是，所述基于各执行参数簇群对应的各分支聚类簇的有效执行数值，并进行均值处理，获取各执行参数的有效执行数值，具体处理过程为：根据各执行参数簇群对应的各分支聚类簇的有效执行数值，将隶属于某一执行参数簇群对应的各分支聚类簇的有效执行数值进行累加后除以该执行参数簇群对应的分支聚类簇数目，得到该执行参数簇群的平均有效执行数值，并作为该执行参数簇群所对应的执行参数的有效执行数值，以此方式，逐一得到各执行参数的有效执行数值。

[0074] 在实施例中，本发明通过从数据管理服务器内提取待加工构件的成品样本质量数据同步输入至云端数据处理中心，在成品样本质量数据的提取过程中应用了机器学习中的K‑means聚类算法，而不是简单的将所有适配的成品样本质量数据进行提取分析，这样处理一方面是考虑到数据管理服务器内的成品样本质量数据的冗余性，通过聚类，可以有效去除重复和无关的数据，从而使数据分析更加精准和有针对性，另一方面是可以减少数据量，降低数据计算成本和时间，从而提高数据整体处理效率，此外，聚类后的数据更具代表性，有助于提高后续数据处理的可靠性和高效性。

[0075] 进一步地，所述待加工构件的成品样本质量数据，其中，成品样本质量数据包括：各冷拉执行参数的有效执行数值、各加热执行参数的有效执行数值、各扭转执行参数的有效执行数值。

[0076] S3：生产质量预测标签信息获取输出：云端数据处理中心接收待加工构件的生产质量检测数据和待加工构件的成品样本质量数据进行汇聚处理，得到待加工构件的生产质量预测标签信息，并将生产质量预测标签信息传输至全域集成总控终端的视觉显示窗口进行输出显示。

[0077] 所述全域集成总控终端的视觉显示窗口是一个用于实时监控和管理生产过程的用户界面，这个窗口通过视觉化的方式展示关键数据和信息，使操作人员能够直观地了解整个生产系统的状态，并进行必要的控制和调整。

[0078] 具体地，所述云端数据处理中心接收待加工构件的生产质量检测数据和待加工构件的成品样本质量数据进行汇聚处理，具体过程包括：

[0079] 统计各冷拉执行参数的实测值，并与各冷拉执行参数的有效执行数值进行差值处理，得到各冷拉执行参数的实测偏差值，并处理得到待加工构件的冷拉质量检验值，所述冷拉质量检验值用于量化表征待加工构件在冷拉过程的加工质量状况。

[0080] 本实施例中，所述待加工构件的冷拉质量检验值，执行条件如下：

[0081] ；

[0082] 其中，表示待加工构件的冷拉质量检验值， 表示冷拉执行参数d的实测偏差值， 表示冷拉执行参数d的有效执行数值，d表示各冷拉执行参数的编号，
，f为冷拉执行参数的数目。

[0083] 统计各加热执行参数的实测值，并与各加热执行参数的有效执行数值进行差值处理，得到各加热执行参数的实测偏差值，并处理得到待加工构件的加热质量检验值，所述加热质量检验值用于量化表征待加工构件在加热过程的加工质量状况。

[0084] 本实施例中，所述待加工构件的加热质量检验值，执行条件如下：

[0085] ；

[0086] 其中，表示待加工构件的加热质量检验值， 表示加热执行参数m的实测偏差值， 表示加热执行参数m的有效执行数值，m表示各加热执行参数的编号，
，z为加热执行参数的数目。

[0087] 统计各扭转执行参数的实测值，并与各扭转执行参数的有效执行数值进行差值处理，得到各扭转执行参数的实测偏差值，并处理得到待加工构件的扭转质量检验值，所述扭转质量检验值用于量化表征待加工构件在扭转过程的加工质量状况。

[0088] 本实施例中，所述待加工构件的扭转质量检验值，执行条件如下：

[0089] ；

[0090] 其中，表示待加工构件的扭转质量检验值， 表示扭转执行参数q的实测偏差值， 表示扭转执行参数q的有效执行数值，q表示各扭转执行参数的编号，
，k为扭转执行参数的数目。

[0091] 具体地，所述待加工构件的生产质量预测标签信息，具体包括：待加工构件的冷拉质量标签、加热质量标签以及扭转质量标签。

[0092] 具体地，所述待加工构件的冷拉质量标签、加热质量标签以及扭转质量标签，具体处理过程如下：统计待加工构件的冷拉质量检验值，并与数据管理服务器内存储的冷拉质量检验阈值进行校验，得到待加工构件的冷拉质量标签，若待加工构件的冷拉质量检验值高于或等于冷拉质量检验阈值，则将待加工构件的冷拉质量标签定义为冷拉加工合规，反之，则将待加工构件的冷拉质量标签定义为冷拉加工不合规。

[0093] 统计待加工构件的加热质量检验值，并与数据管理服务器内存储的加热质量检验阈值进行校验，得到待加工构件的加热质量标签，若待加工构件的加热质量检验值高于或等于加热质量检验阈值，则将待加工构件的加热质量标签定义为加热加工合规，反之，则将待加工构件的加热质量标签定义为加热加工不合规。

[0094] 统计待加工构件的扭转质量检验值，并与数据管理服务器内存储的扭转质量检验阈值进行校验，得到待加工构件的扭转质量标签，若待加工构件的扭转质量检验值高于或等于扭转质量检验阈值，则将待加工构件的扭转质量标签定义为扭转加工合规，反之，则将待加工构件的扭转质量标签定义为扭转加工不合规。

[0095] 在实施例中，本发明最终得到待加工构件的生产质量预测标签信息，并将生产质量预测标签信息传输至全域集成总控终端的视觉显示窗口进行输出显示，其中，生产质量预测标签信息包含待加工构件在三个关键生产流程的质量标签，这样能够实时反馈不同生产流程的质量判断情况，人员也可以随时通过视觉显示窗口监控待加工构件在生产过程中的质量状态，进而能够提前进行调整和干预，以确保钻头的生产质量和生产效率。

[0096] 还需要补充的是，所述基于机器学习的钻头热扭转加工的质量预测方法，还包括：根据待加工构件的生产质量预测标签信息，处理得到待加工构件的生产质量判定结果，若生产质量判定结果为总体质量合格，则将待加工构件的加工成品钻头标记为有效成品钻头，若生产质量判定结果为总体质量不合格，则将待加工构件的加工成品钻头标记为瑕疵成品钻头，并通过全域集成总控终端的视觉显示窗口将瑕疵成品钻头进行质量预警提示。

[0097] 需要补充的是，所述处理得到待加工构件的生产质量判定结果，具体处理过程为：提取待加工构件的冷拉质量标签、加热质量标签以及扭转质量标签，若待加工构件的冷拉质量标签、加热质量标签以及扭转质量标签依次显示冷拉加工合规、加热加工合规、扭转加工合规，则将待加工构件的生产质量判定结果定义为总体质量合格，反之，则将待加工构件的生产质量判定结果定义为总体质量不合格。

[0098] 获取有效成品钻头的全流程加工执行参数，并通过云端数据处理中心对全流程加工执行参数进行处理，得到有效成品钻头的全流程加工执行参数对应的离散值，所述离散值用于表征有效成品钻头的全流程加工执行参数的总体离散程度。

[0099] 需要补充说明的是，所述全流程加工执行参数包括若干元素值，其中若干元素值包括但不限于总加工消耗时长、生产环节平均执行间隔时差、设备稼动时间（设备实际运转时间与计划运转时间的比率）、生产加工消耗电量等。

[0100] 具体地，所述有效成品钻头的全流程加工执行参数对应的离散值，具体处理条件为：

[0101] ；

[0102] ；

[0103] 其中，表示有效成品钻头的全流程加工执行参数对应的离散值， 表示有效成品钻头的全流程加工执行参数中的第j个元素离散系数， 表示有效成品钻头的全
流程加工执行参数中的最大元素离散系数， 表示有效成品钻头的全流程加工执行
参数中的最小元素离散系数， 表示有效成品钻头的全流程加工执行参数中的第j个元素值， 表示数据管理服务器内提取的有效成品钻头的全流程加工执行参数中的第j个元素均衡值，j为各元素编号， ，n为元素数目。

[0104] 需要进一步解释的是，所述元素均衡值，具体提取过程为：基于预参照生产执行数据，所述预参照生产执行数据还包括各次有效生产对应的全流程加工执行参数，由此提取各次有效生产对应的全流程加工执行参数中的若干元素值，并将某元素在各次有效生产中对应的数值进行累加并除以有效生产总次数，得到该元素的有效生产均值，并标记为该元素均衡值，以此逐一处理得到各元素均衡值，并最终获取有效成品钻头的全流程加工执行参数中的各元素均衡值。

[0105] 下面为了进一步解释，以本实施例涉及的5组有效成品钻头作为示例，在元素数目为6的限定条件下，每组示例有效成品钻头的全流程加工执行参数对应的离散值具体取值如下表：

[0106] 表1 离散值示例

[0107] 根据上表内容，示例组为2的有效成品钻头的全流程加工执行参数对应的离散值最高，表明该组有效成品钻头的全流程加工执行参数与既有数据之间的离散程度较高，但在该组有效成品钻头的生产质量判定结果为总体质量合格的条件下，较大的离散性更加能够体现该组有效成品钻头的数据差异性以及数据存储价值性，择取离散性高的有效成品钻头进行相应的数据存储，能更全面地覆盖不同情况和变化，从而更精确地描述钻头热扭转加工的特征和趋势，与此同时，多样性和差异性使得能够涵盖更广泛的情形，从而为管理者提供更多的选择和更准确的信息，促进提升规划以及预测的精度和可靠性。

[0108] 基于有效成品钻头的全流程加工执行参数对应的离散值，并与数据管理服务器内的参考离散值进行比对，若有效成品钻头的全流程加工执行参数对应的离散值高于参考离散值，则统计有效成品钻头的生产质量检测数据存储至数据管理服务器中，若有效成品钻头的全流程加工执行参数对应的离散值低于或等于参考离散值，则不予统计有效成品钻头的生产质量检测数据存储至数据管理服务器。

[0109] 在实施例中，本发明还通过处理得到有效成品钻头的全流程加工执行参数对应的离散值，并基于离散值来判定有效成品钻头的生产质量检测数据是否应该存储至数据管理服务器中，在确定此有效成品钻头的质量在满足要求的情况下，通过分析离散值，能够细致剖析出有效成品钻头的生产数据与既有数据之间的离散程度，进而确定是否需要进行存储操作，以此避免不必要的数据存储，实现节省存储资源，并确保存储的数据更加精确和有用。

[0110] 本发明实施例第二方面提供基于机器学习的钻头热扭转加工的质量预测方装置，包括：包括：处理器，以及与处理器连接的内存和网络接口。所述网络接口与服务器中的非易失性存储器连接。所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述所述的方法。

[0111] 在实施例中，本发明提供基于机器学习的钻头热扭转加工的质量预测方法及装置，在接收到钻头热扭转加工的质量监测指令之后，则启动局域分控终端对待加工构件进行生产质量检测，大幅提升了管理的时效性，针对钻头生产进行及时的质量监管，弥补了当前仅在一段周期内进行汇总而得到周期总体生产质量验证结果所造成的不足，通过对钻头进行及时的生产管理，从而使得整个生产过程中的潜在问题能够被及时发现和解决，有利于提升钻头整体生产效率和生产质量。

[0112] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

[0113] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明，只要不偏离本发明的结构或者超越本发明所定义的范围，均应属于本发明的保护范围。