基于神经网络的预浸料工艺改进方法、系统和存储介质与流程

1.本发明涉及预浸料加工技术领域，更具体的，涉及一种基于神经网络的预浸料工艺改进方法、系统和存储介质。


背景技术：

2.预浸料具体是指将树脂在未固化之前预先和纤维结合在一起，并保持一定的寿命在，寿命范围内可以随时迚行铺层设计、成型，是制作复合材料的中间材料。
3.预浸料的种类繁多，其中，按物理状态分类，预浸料分成单向预浸料、单向织物预浸料、织物预浸料；按树脂基体不同，预浸料分成热固性树脂预浸料和热塑性树脂预浸料；按增强材料不同，分成碳纤维(织物)预浸料、玻璃纤维(织物)预浸料、芳纶(织物)预浸料；根据纤维长度不同，分成短纤维预浸料、长纤维预浸料和连续纤维预浸料；按固化温度不同，分成中温固化预浸料、高温固化预浸料等，用户不同的购买需求对应不同的加工生产标准，但是现有技术中大多是人为进行区分，次品率难以得以保障。


技术实现要素：

4.本发明的目的是提供一种基于神经网络的预浸料工艺改进方法、系统和存储介质，利用神经网络模型进行训练实验以获取达标的各项参数，进而基于不同的参数进行具体的加工生产，可以有效保障成品率，并且能够根据不同用户的需求进行适配。
5.本发明第一方面提供了一种基于神经网络的预浸料工艺改进方法，包括以下步骤：获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单；提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表；待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端。
6.本方案中，所述获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单，具体包括：基于预设原料数据库匹配所述用户订单信息输出所述原料单；识别当前所述原料单的原料数量等级，其中，不同的所述数量等级匹配相应的分类比例；依据所述分类比例对当前所述原料单进行分类，以得到对应的所述实验数据单以及所述加工数据单。
7.本方案中，所述不同的所述数量等级对应不同的分类比例，具体包括：基于当前所述原料单的原料类型、原料比重以及原料称重得到所述原料数量等级，其中，所述原料数量等级分为i级、ii级以及iii级；
i级所述原料数量等级以及ii级所述原料数量等级对应的所述分类比例为第一比例，iii级所述原料数量等级对应的所述分类比例为第二比例。
8.本方案中，所述提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表，具体包括：基于所述实验数据单输出对应的所述训练实验表给到所述用户端，以供其进行产前实验；在实验过程中，通过获取所述用户端的所述反馈数据，利用所述神经网络模型更新所述受力、温度以及固化参数，以不断更新所述训练实验表供所述用户端进行所述产前实验；待识别到所述产前实验的实验结果达到所述预设标准后，停止所述产前实验，并记录当前所述神经网络模型的各参数值。
9.本方案中，所述待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端，具体包括：当所述产前实验截止时，提取当前所述神经网络模型的各参数值作为第一数据包；基于所述第一数据包结合所述加工数据单生成所述加工生产表以输出给所述用户端进而供其进行加工生产。
10.本方案中，所述方法还包括提取所述第一数据包进行可视化显示。
11.本发明第二方面还提供一种基于神经网络的预浸料工艺改进系统，包括存储器和处理器，所述存储器中包括基于神经网络的预浸料工艺改进方法程序，所述基于神经网络的预浸料工艺改进方法程序被所述处理器执行时实现如下步骤：获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单；提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表；待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端。
12.本方案中，所述获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单，具体包括：基于预设原料数据库匹配所述用户订单信息输出所述原料单；识别当前所述原料单的原料数量等级，其中，不同的所述数量等级匹配相应的分类比例；依据所述分类比例对当前所述原料单进行分类，以得到对应的所述实验数据单以及所述加工数据单。
13.本方案中，所述不同的所述数量等级对应不同的分类比例，具体包括：基于当前所述原料单的原料类型、原料比重以及原料称重得到所述原料数量等级，其中，所述原料数量等级分为i级、ii级以及iii级；
i级所述原料数量等级以及ii级所述原料数量等级对应的所述分类比例为第一比例，iii级所述原料数量等级对应的所述分类比例为第二比例。
14.本方案中，所述提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表，具体包括：基于所述实验数据单输出对应的所述训练实验表给到所述用户端，以供其进行产前实验；在实验过程中，通过获取所述用户端的所述反馈数据，利用所述神经网络模型更新所述受力、温度以及固化参数，以不断更新所述训练实验表供所述用户端进行所述产前实验；待识别到所述产前实验的实验结果达到所述预设标准后，停止所述产前实验，并记录当前所述神经网络模型的各参数值。
15.本方案中，所述待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端，具体包括：当所述产前实验截止时，提取当前所述神经网络模型的各参数值作为第一数据包；基于所述第一数据包结合所述加工数据单生成所述加工生产表以输出给所述用户端进而供其进行加工生产。
16.本方案中，所述方法还包括提取所述第一数据包进行可视化显示。
17.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于神经网络的预浸料工艺改进方法程序，所述基于神经网络的预浸料工艺改进方法程序被处理器执行时，实现如上述任一项所述的一种基于神经网络的预浸料工艺改进方法的步骤。
18.本发明公开的一种基于神经网络的预浸料工艺改进方法、系统和存储介质，可以基于用户订单信息自动化分析出原料数据，并且基于原料数据进行分类，设置了训练实验以及加工生产两个门类，利用神经网络模型进行训练实验以获取达标的各项参数，进而基于不同的参数进行具体的加工生产，可以有效保障成品率，并且能够根据不同用户的需求进行适配。
附图说明
19.图1示出了本发明一种基于神经网络的预浸料工艺改进方法的流程图；图2示出了本发明一种基于神经网络的预浸料工艺改进系统的框图。
具体实施方式
20.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，本技术的实施例及实施例中的特征可以相互组合。
21.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。
22.图1示出了本技术一种基于神经网络的预浸料工艺改进方法的流程图。
23.如图1所示，本技术公开了一种基于神经网络的预浸料工艺改进方法，包括以下步骤：s102，获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单；s104，提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表；s106，待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端。
24.根据本发明实施例，所述获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单，具体包括：基于预设原料数据库匹配所述用户订单信息输出所述原料单；识别当前所述原料单的原料数量等级，其中，不同的所述数量等级匹配相应的分类比例；依据所述分类比例对当前所述原料单进行分类，以得到对应的所述实验数据单以及所述加工数据单。
25.需要说明的是，在得到所述用户订单信息后，利用所述预设原料数据库对订单信息进行匹配以输出所述原料单，原料例如玻璃纤维、碳纤维或者芳纶纤维，基于所述原料单对应的所述原料数量等级来匹配相应的所述分类比例，其中，基于所述分类比例对所述原料单进行分类后，可以区分得到所述实验数据单以及所述加工数据单。
26.根据本发明实施例，所述不同的所述数量等级对应不同的分类比例，具体包括：基于当前所述原料单的原料类型、原料比重以及原料称重得到所述原料数量等级，其中，所述原料数量等级分为i级、ii级以及iii级；i级所述原料数量等级以及ii级所述原料数量等级对应的所述分类比例为第一比例，iii级所述原料数量等级对应的所述分类比例为第二比例。
27.需要说明的是，所述原料数量等级具体可以分为所述原料类型、所述原料比重以及所述原料称重，基于不同的所述原料数量等级可以分为i级、ii级以及iii级，其中，i级所述原料数量等级以及ii级所述原料数量等级对应的所述分类比例为第一比例，例如实验原料单与加工原料单的比例为“1:1000”，iii级所述原料数量等级对应的所述分类比例为第二比例，例如实验原料单与加工原料单的比例为“1:800”。
28.根据本发明实施例，所述提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表，具体包括：基于所述实验数据单输出对应的所述训练实验表给到所述用户端，以供其进行产前实验；在实验过程中，通过获取所述用户端的所述反馈数据，利用所述神经网络模型更
新所述受力、温度以及固化参数，以不断更新所述训练实验表供所述用户端进行所述产前实验；待识别到所述产前实验的实验结果达到所述预设标准后，停止所述产前实验，并记录当前所述神经网络模型的各参数值。
29.需要说明的是，在所述产前实验进行过程中，可以利用所述神经网络模型来更新实验中的各项参数，包括所述受力、温度以及固化参数，例如树脂材料，夏天为“36～37℃”内调整，冬天为“30～32℃”内调整，固化时间不超过“90min”，通过不断的调整参数，所述产前实验的结果也有所不同，而后获取每次更新后的所述用户端的所述反馈数据进行不断更新，直至所述产前实验的实验结果达到所述预设标准，其中，所述预设标准可以设为成品率高于“98%”，因此，当识别到所述产前实验的实验结果中成品率高于“98%”后，停止所述产前实验，并记录当前所述神经网络模型的各参数值。
30.根据本发明实施例，所述待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端，具体包括：当所述产前实验截止时，提取当前所述神经网络模型的各参数值作为第一数据包；基于所述第一数据包结合所述加工数据单生成所述加工生产表以输出给所述用户端进而供其进行加工生产。
31.需要说明的是，在所述产前实验过程中，由于获取到所述反馈数据后，要对各参数值进行调整，所以各参数值是动态变化的，因此在所述产前实验截止时对应的各参数值是能够匹配当前所述用户订单信息的需求的加工参数，因此可以提取当前所述神经网络模型的各参数值作为所述第一数据包进行输出，进而供所述用户端基于所述第一数据包进行加工生产。
32.值得一提的是，所述方法还包括提取所述第一数据包进行可视化显示。
33.需要说明的是，在所述第一数据包输出给用户端时，还可以对其进行可视化显示，优选地，在基于所述神经网络模型调整对应的参数时，也可以对各参数进行可视化显示。
34.值得一提的是，所述方法还包括在获取用户订单信息匹配出原料单之前，识别所述用户订单信息中的加工响应值。
35.需要说明的是，每家工厂对于加工制备方法有所区分，其中，预浸料的制备方法有干法和湿法两种，因此，在获取用户订单信息匹配出原料单之前，需要识别所述用户订单信息中的加工响应值，例如，某a厂家只拥有干法制备加工的能力，但是识别到对应的所述加工响应值为“干 湿结合”，故a厂家不满足加工制备的条件，即不进行匹配输出对应的所述原料单。
36.值得一提的是，所述方法还包括基于所述用户订单信息调整所述固化参数。
37.需要说明的是，在调整所述固化参数时，不仅可以获取所述用户端的所述反馈数据以基于所述神经网络模型进行调整，还可以基于所述用户订单信息进行初始调整，例如：用户所需的预浸料需要在室温下具备一定的贮存期，因此所述固化参数对应的固化剂需使用潜伏性固化剂，使得在常温常压下不与树脂反应，但是在特殊的温度压力下，会促进树脂发生交联固化反应以有利于预浸料在常温下的贮存，进一步地，该类固化剂通常为分散型
固化剂，即常温下为固态，无法溶解于环氧树脂中，但加热到其熔点附近时能与环氧树脂相混溶，开始快速发生固化反应。
38.图2示出了本发明一种基于神经网络的预浸料工艺改进系统的框图。
39.如图2所示，本发明公开了一种基于神经网络的预浸料工艺改进系统，包括存储器和处理器，所述存储器中包括基于神经网络的预浸料工艺改进方法程序，所述基于神经网络的预浸料工艺改进方法程序被所述处理器执行时实现如下步骤：获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单；提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表；待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端。
40.根据本发明实施例，所述获取用户订单信息匹配出原料单，基于所述原料单生成实验数据单以及加工数据单，具体包括：基于预设原料数据库匹配所述用户订单信息输出所述原料单；识别当前所述原料单的原料数量等级，其中，不同的所述数量等级匹配相应的分类比例；依据所述分类比例对当前所述原料单进行分类，以得到对应的所述实验数据单以及所述加工数据单。
41.需要说明的是，在得到所述用户订单信息后，利用所述预设原料数据库对订单信息进行匹配以输出所述原料单，原料例如玻璃纤维、碳纤维或者芳纶纤维，基于所述原料单对应的所述原料数量等级来匹配相应的所述分类比例，其中，基于所述分类比例对所述原料单进行分类后，可以区分得到所述实验数据单以及所述加工数据单。
42.根据本发明实施例，所述不同的所述数量等级对应不同的分类比例，具体包括：基于当前所述原料单的原料类型、原料比重以及原料称重得到所述原料数量等级，其中，所述原料数量等级分为i级、ii级以及iii级；i级所述原料数量等级以及ii级所述原料数量等级对应的所述分类比例为第一比例，iii级所述原料数量等级对应的所述分类比例为第二比例。
43.需要说明的是，所述原料数量等级具体可以分为所述原料类型、所述原料比重以及所述原料称重，基于不同的所述原料数量等级可以分为i级、ii级以及iii级，其中，i级所述原料数量等级以及ii级所述原料数量等级对应的所述分类比例为第一比例，例如实验原料单与加工原料单的比例为“1:1000”，iii级所述原料数量等级对应的所述分类比例为第二比例，例如实验原料单与加工原料单的比例为“1:800”。
44.根据本发明实施例，所述提取所述实验数据单输出训练实验表给用户端，其中，获取所述用户端的反馈数据，并利用预设的神经网络模型更改受力、温度以及固化参数，以更新所述训练实验表，具体包括：基于所述实验数据单输出对应的所述训练实验表给到所述用户端，以供其进行产前实验；在实验过程中，通过获取所述用户端的所述反馈数据，利用所述神经网络模型更
新所述受力、温度以及固化参数，以不断更新所述训练实验表供所述用户端进行所述产前实验；待识别到所述产前实验的实验结果达到所述预设标准后，停止所述产前实验，并记录当前所述神经网络模型的各参数值。
45.需要说明的是，在所述产前实验进行过程中，可以利用所述神经网络模型来更新实验中的各项参数，包括所述受力、温度以及固化参数，例如树脂材料，夏天为“36～37℃”内调整，冬天为“30～32℃”内调整，固化时间不超过“90min”，通过不断的调整参数，所述产前实验的结果也有所不同，而后获取每次更新后的所述用户端的所述反馈数据进行不断更新，直至所述产前实验的实验结果达到所述预设标准，其中，所述预设标准可以设为成品率高于“98%”，因此，当识别到所述产前实验的实验结果中成品率高于“98%”后，停止所述产前实验，并记录当前所述神经网络模型的各参数值。
46.根据本发明实施例，所述待训练实验的输出结果达到预设标准后，提取对应的训练好的所述神经网络模型的各参数值，结合所述加工数据单生成加工生产表以输出给所述用户端，具体包括：当所述产前实验截止时，提取当前所述神经网络模型的各参数值作为第一数据包；基于所述第一数据包结合所述加工数据单生成所述加工生产表以输出给所述用户端进而供其进行加工生产。
47.需要说明的是，在所述产前实验过程中，由于获取到所述反馈数据后，要对各参数值进行调整，所以各参数值是动态变化的，因此在所述产前实验截止时对应的各参数值是能够匹配当前所述用户订单信息的需求的加工参数，因此可以提取当前所述神经网络模型的各参数值作为所述第一数据包进行输出，进而供所述用户端基于所述第一数据包进行加工生产。
48.值得一提的是，所述方法还包括提取所述第一数据包进行可视化显示。
49.需要说明的是，在所述第一数据包输出给用户端时，还可以对其进行可视化显示，优选地，在基于所述神经网络模型调整对应的参数时，也可以对各参数进行可视化显示。
50.值得一提的是，所述方法还包括在获取用户订单信息匹配出原料单之前，识别所述用户订单信息中的加工响应值。
51.需要说明的是，每家工厂对于加工制备方法有所区分，其中，预浸料的制备方法有干法和湿法两种，因此，在获取用户订单信息匹配出原料单之前，需要识别所述用户订单信息中的加工响应值，例如，某a厂家只拥有干法制备加工的能力，但是识别到对应的所述加工响应值为“干 湿结合”，故a厂家不满足加工制备的条件，即不进行匹配输出对应的所述原料单。
52.值得一提的是，所述方法还包括基于所述用户订单信息调整所述固化参数。
53.需要说明的是，在调整所述固化参数时，不仅可以获取所述用户端的所述反馈数据以基于所述神经网络模型进行调整，还可以基于所述用户订单信息进行初始调整，例如：用户所需的预浸料需要在室温下具备一定的贮存期，因此所述固化参数对应的固化剂需使用潜伏性固化剂，使得在常温常压下不与树脂反应，但是在特殊的温度压力下，会促进树脂发生交联固化反应以有利于预浸料在常温下的贮存，进一步地，该类固化剂通常为分散型
固化剂，即常温下为固态，无法溶解于环氧树脂中，但加热到其熔点附近时能与环氧树脂相混溶，开始快速发生固化反应。
54.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于神经网络的预浸料工艺改进方法程序，所述基于神经网络的预浸料工艺改进方法程序被处理器执行时，实现如上述任一项所述的一种基于神经网络的预浸料工艺改进方法的步骤。
55.本发明公开的一种基于神经网络的预浸料工艺改进方法、系统和存储介质，可以基于用户订单信息自动化分析出原料数据，并且基于原料数据进行分类，设置了训练实验以及加工生产两个门类，利用神经网络模型进行训练实验以获取达标的各项参数，进而基于不同的参数进行具体的加工生产，可以有效保障成品率，并且能够根据不同用户的需求进行适配。
56.在本技术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。
57.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。
58.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。
59.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。
60.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。