CN120406166A - 工艺参数优化方法、设备及存储介质 - Google Patents

Abstract

本申请公开了一种工艺参数优化方法、设备及存储介质，涉及数据处理技术领域，所述工艺参数优化方法包括：获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；对各所述工艺参数优化值进行择优对比，确定目标参数优化信息。本申请通过从不同的大模型得出的参数优化值中优中选优，选出符合需求的目标参数，从而优化生产产品品质，降低对工艺师傅的经验依赖，提高决策的准确性。

Description

工艺参数优化方法、设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种工艺参数优化方法、设备及存储介质。

背景技术

在模压设备成型工艺中，传统的调参方法高度依赖操作人员的经验，这种方法不仅效率低下，而且由于不同操作人员的经验差异，导致成型结果不一致，期间频繁的试错过程将耗费大量时间和材料，同时难以应对复杂工艺参数的优化需求，使得产品质量的稳定性和一致性难以保证。

随着自动化控制、传感器和计算机辅助工程技术的发展，工艺参数的监测和模拟仿真能力得到了显著提升。然而，这些技术主要提供辅助支持，未能充分利用生产数据进行智能优化。

因此，在工业4.0和智能制造的推进背景下，对高效、稳定的生产工艺要求日益提高。

发明内容

本申请的主要目的在于提供一种工艺参数优化方法、设备及存储介质，旨在解决传统的调参方法高度依赖操作人员的经验的问题。

为实现上述目的，本申请提出一种工艺参数优化方法，所述的方法包括：

获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；

将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；

对各所述工艺参数优化值进行择优对比，确定目标参数优化信息。

在一实施例中，各所述工艺参数优化模型的训练过程包括：

获取若干组模型训练数据，并确定若干个初始工艺参数优化模型对应的模型框架，其中，所述模型训练数据包括工艺参数设定值、产品质量反馈以及模具参数；

对各所述模型训练数据进行数据预处理、数据降维以及特征提取，得到若干组模型结构化特征数据；

将各所述模型结构化特征数据输入至若干个初始工艺参数优化模型对应的模型框架中进行迭代训练，得到各所述工艺参数优化模型。

在一实施例中，所述获取待优化参数信息对应的模型提示词，包括：

获取待优化参数信息；

对所述待优化参数信息进行数据预处理以及重要性分析，得到结构化参数信息；

基于所述结构化参数信息，生成所述待优化参数信息对应的模型提示词。

在一实施例中，所述对各所述工艺参数优化值进行择优对比，确定目标参数优化信息，包括：

基于预设整合策略，将各所述工艺参数优化值进行参数优化值整合，得到参数整合排序；

判断各所述工艺参数优化值是否符合预设冲突范围；

若是，则基于所述参数整合排序以及专家打分模型，得到目标参数优化信息。

在一实施例中，所述基于所述参数整合排序以及专家打分模型，得到目标参数优化信息，包括：

将各所述工艺参数优化值输入至所述专家打分模型，得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分；

基于各所述工艺参数优化值对应的专家评分，对所述参数整合排序进行重排序，得到参数综合排序；

基于所述参数综合排序，确定所述目标参数优化信息。

在一实施例中，所述专家打分模型的训练过程包括：

获取若干组专家参数调整知识信息以及若干组参数调整优化值，将各所述专家参数调整知识信息转化为专家知识规则；

基于各所述专家知识规则，建立专家知识库，并将所述专家知识库进行知识注入至初始专家打分模型；

将各所述参数调整优化值输入至所述初始专家打分模型进行迭代训练，得到所述专家打分模型。

在一实施例中，所述对各所述工艺参数优化值进行择优对比，确定目标参数优化信息之后，还包括：

对所述目标参数优化信息进行可视化处理，得到可视化参数信息；

将所述可视化参数信息推送至目标用户，以供所述目标用户查看，并获取所述可视化参数信息对应的用户反馈信息；

基于所述用户反馈信息，对工艺参数优化流程进行优化。

在一实施例中，所述获取待优化参数信息对应的模型提示词之前，还包括：

获取待优化参数信息，并将所述待优化参数信息输入至工艺参数缺陷识别模型，得到所述工艺参数缺陷识别模型输出的工艺参数缺陷类型；

基于所述工艺参数缺陷类型，通过预设贪心算法确定所述待优化参数信息对应的参数优化路径；

若所述参数优化路径为多个大模型预测策略，则获取待优化参数信息对应的模型提示词。

在一实施例中，所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值之前，还包括：

若所述工艺参数优化模型为外部大模型，则获取所述工艺参数优化模型对应的外部模型接口；

根据所述外部模型接口，调用所述外部大模型，以通过所述外部大模型执行所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值的步骤。

此外，为实现上述目的，本申请还提出一种工艺参数优化装置，所述工艺参数优化装置包括：

获取模块，用于获取待优化参数信息对应的模型提示词；

输出模块，用于将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；

优化模块，用于对各所述工艺参数优化值进行择优对比，确定目标参数优化信息。

此外，为实现上述目的，本申请还提出一种工艺参数优化设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的工艺参数优化方法的步骤。

此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的工艺参数优化方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的工艺参数优化方法的步骤。

本申请提供了一种工艺参数优化方法、设备及存储介质，所述工艺参数优化方法通过获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的，进而将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值，进而对各所述工艺参数优化值进行择优对比，确定目标参数优化信息，从而优化生产产品品质，降低对工艺师傅的经验依赖，提高决策的准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请工艺参数优化方法实施例一提供的流程示意图；

图2为本申请工艺参数优化方法提供的系统架构示意图；

图3为本申请工艺参数优化方法提供的关于大模型预测的流程原理示意图；

图4为本申请工艺参数优化方法提供的关于多个大模型算法参数选择的原理示意图；

图5为本申请工艺参数优化方法提供的关于工艺参数优化总流程的简要示例图；

图6为本申请实施例工艺参数优化装置的模块结构示意图；

图7为本申请实施例中工艺参数优化方法涉及的硬件运行环境的设备结构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请的技术方案，并不用于限定本申请。

为了更好地理解本申请的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、大数据服务平台、工艺参数优化系统等。以下以工艺参数优化系统为例，对本实施例及下述各实施例进行说明。

基于此，本申请实施例提供了一种工艺参数优化方法，参照图1，图1为本申请工艺参数优化方法实施例一提供的流程示意图。

本实施例中，所述工艺参数优化方法包括步骤S11~S13：

步骤S11，获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；

需要说明的是，所述待优化参数信息指的是在注塑、压铸、橡胶成型过程等生产过程中需要进行调整和优化的工艺参数的相关信息，包括参数设定值等，在此不做限制。

进一步需要说明的是，所述模型提示词则是指根据所述待优化参数信息生成的用于引导工艺参数优化模型进行参数优化值生成的提示性文本或数据结构，从而通过获取准确的模型提示词，为后续的工艺参数优化提供清晰、准确的输入，确保优化模型能够理解并针对具体问题生成参数优化值，提高优化的针对性和有效性。

具体地，获取待优化参数信息，进而对所述待优化参数信息进行数据预处理以及重要性分析，得到结构化参数信息，从而基于所述结构化参数信息，生成所述待优化参数信息对应的模型提示词。

步骤S12，将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；

需要说明的是，所述工艺参数优化模型是指基于特定算法或规则构建的，用于根据输入的模型提示词生成工艺参数优化值的模型，所述模型可包括基于机器学习、深度学习、专家系统等不同技术构建的模型，从而通过对输入数据的分析和处理，输出针对特定问题的优化建议，可参考图2，图2为本申请工艺参数优化方法提供的系统架构示意图。

该图片展示了一个智能制造系统的系统架构图，分为四个层次：基础设施层、模型层、交互层和应用层。每个层次都有其特定的功能和组件，共同构成了一个完整的智能制造解决方案。

其中，基础设施层提供必要的硬件资源，如服务器、工作站等，用于运行智能制造系统的软件和算法，并收集和存储来自生产线的各种数据，包括机器运行数据、产品质量数据、生产效率数据等，同时也收集和存储行业知识，其包含特定行业的专业知识和经验，用于指导智能制造系统的决策和优化。模型层中的回归模型用于预测连续变量，如产品尺寸、重量等；分类模型用于将数据分为不同的类别，如产品合格与否、缺陷类型等；数据分析模型用于分析和解释数据中的模式和趋势；控制模型用于控制系统的运行，如机器的自动调节和优化；通用模型适用于多种场景和问题的模型，提供通用的解决方案；推理模型用于逻辑推理和决策制定，如故障诊断和参数优化。

其次，交互层中的网络系统用于连接不同的设备和系统，实现数据的传输和共享；智能系统集成了人工智能技术，用于处理复杂的任务和决策；物理系统用于实际的生产线和机器，执行生产任务。应用层应用于模压成型装备，包括：智能注塑机用于塑料制品的注塑成型，具有智能控制和优化功能；智能压铸机用于金属零件的压铸成型，能够智能调整参数以提高质量和效率；智能橡胶机用于橡胶制品的生产，具有智能监控和调整能力，在此对模压成型装备的具体种类不做限制，可根据实际情况进行配置。

整个架构图展示了智能制造系统如何通过不同层次的协同工作，实现从数据收集、分析、决策到执行的全过程智能化。通过这种架构，制造企业能够提高生产效率，降低成本，提升产品质量，并实现更灵活的生产管理。

进一步需要说明的是，所述工艺参数优化值是指多个不同模型框架的工艺参数优化模型独立输出的工艺参数优化值，此外，还可包括优化参数建议和调整原因的结构化输出、建议调整的工艺参数值以及这些调整背后的逻辑解释，提高优化的可解释性。

具体地，将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值，以利用不同模型的优势，从不同角度和方法对工艺参数进行参数优化值的生成，从而为后续的参数优化值择优提供多样化的选择，提高优化结果的准确性和可靠性，可参考图3。

在本实施例中，系统会将模型提示词同时输入至多个预先训练好的工艺参数优化模型中，从而使各所述工艺参数优化模型独立地根据输入的提示词生成各自的工艺参数优化值，为后续的参数优化值择优提供丰富的候选方案。

步骤S13，对各所述工艺参数优化值进行择优对比，确定目标参数优化信息；

需要说明的是，所述择优对比是指根据一定的标准和方法，对多个候选的工艺参数优化值进行评估和比较，从而筛选出最优的参数优化值。

进一步需要说明的是，所述目标参数优化信息是指经过优化处理后得到的最终的工艺参数设定值，这些参数值是在综合考虑了优化目标、实际生产条件等多种因素后，被认为是最适合当前生产需求的参数设定。

另外地，在择优对比的过程中，可以采用多种方法来评估参数优化值的优劣。例如，可以通过大模型预测各所述工艺参数优化值用于实际投入生产后产生的评估指标预测值，即，预估根据各所述工艺参数优化值对实际注塑流程进行优化后得到的如产品质量提升程度、生产成本降低幅度、参数调整难度等多个评估指标的预测值，其中，所述评估指标可参考目标用户的用户优化意图进行设定，并为每个指标赋予相应的权重，然后根据这些权重对每个工艺参数优化值对应的评估指标预测值进行加权评分，最终选择得分最高的参数值作为目标参数优化信息。在一种可能的实施方式中，系统会结合实际生产中的数据反馈，动态调整评估指标的权重，以更好地反映不同优化目标在实际生产中的重要性，从而提高择优对比的准确性和实用性。

具体地，基于预设整合策略，将各所述工艺参数优化值进行参数优化值整合，得到参数整合排序，进而判断各所述工艺参数优化值是否符合预设冲突范围，从而若是，则基于所述参数整合排序以及专家打分模型，得到目标参数优化信息，可参考图4。

另外地，在参数优化过程中，可根据实际生产情况对参数优化值进行微调。例如，根据实际试生产的结果，对某些参数的调整幅度进行修正，或者根据生产过程中的异常情况，对参数优化值进行临时调整。

进一步地，通过系统建立一个反馈机制，用于实时收集生产过程中的数据和信息，并根据这些反馈信息动态调整参数优化值，从而确保优化过程的稳定性和有效性，最终实现生产过程的优化目标。

本实施例通过获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的，进而将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值，从而对各所述工艺参数优化值进行择优对比，确定目标参数优化信息，进而优化生产产品品质，降低对工艺师傅的经验依赖，提高决策的准确性。

在一种可行的实施方式中，各所述工艺参数优化模型的训练过程包括：

步骤S21，获取若干组模型训练数据，并确定若干个初始工艺参数优化模型对应的模型框架，其中，所述模型训练数据包括工艺参数设定值、产品质量反馈以及模具参数；

需要说明的是，所述模型训练数据是指用于训练工艺参数优化模型的各种数据集合，包括工艺参数设定值，即在生产过程中预先设定的工艺参数值；产品质量反馈，指的是产品在生产过程中出现的各种质量问题以及相应的反馈信息；附加说明信息，是指除了上述数据之外，对生产过程有影响的其他信息，如生产环境条件等；统计过程控制数据（SPC数据，Statistical Process Control），是指通过统计过程控制方法收集到的数据，用于评估生产过程的稳定性和质量水平；曲线数据，是指在生产过程中某些参数随时间变化的曲线数据，如温度曲线、压力曲线等；模具参数，是指与模具相关的各种参数，如模具温度、模具材料等，从而为后续的模型训练提供丰富的数据基础，使模型能够学习到不同参数之间的关系以及对产品质量的影响，进而提高模型的准确性和可靠性。

进一步需要说明的是，所述模型框架是指根据特定算法或架构构建的模型框架，用于后续的模型训练过程，可根据压铸工艺的特点和目标，选择合适的深度学习模型框架。例如，可以使用循环神经网络、长短期记忆网络、卷积神经网络等AI模型，为模型训练提供一个基础的结构和算法框架，使模型能够在这些框架的基础上进行学习和优化。另外地，为了加速模型训练，可以通过使用迁移学习，利用已有的相关领域的模型进行后续的模型训练。

更进一步地，图3中的满血版通用模型以及推理模型可为现有已经训练好可直接使用的大模型，而微调模型则在模型框架的基础上进行进一步的迭代训练，如，根据内部知识库、行业知识库以及历史数据对初始模型框架进行模型微调训练得到的轻量专家模型等，以提高参数优化的准确性以及鲁棒性，在此不做限制，可根据实际情况进行调整。

具体地，获取若干组模型训练数据，并确定若干个初始工艺参数优化模型对应的模型框架，在本实施例中，系统会从多个数据源收集这些数据，并将其整合成若干组模型训练数据，为后续的模型训练做好准备。

进一步地，根据不同的优化目标和数据特点，选择多种不同的模型框架，如基于机器学习的模型框架、基于深度学习的模型框架等，以提高模型的多样性和适应性。

步骤S22，对各所述模型训练数据进行数据预处理、数据降维以及特征提取，得到若干组模型结构化特征数据；

需要说明的是，所述数据预处理是指对原始的模型训练数据进行清洗、筛选、标准化等操作，以去除数据中的噪声和异常值，提高数据的质量和可用性；所述数据降维是指通过数据降维方法减少数据的维度，去除冗余信息，提高模型的训练效率和性能；所述特征提取是指从原始数据中提取出对模型训练有重要意义的特征，从而更好地反映数据的内在规律和特性，最终通过上述数据处理方法将原始数据转化为适合模型训练的结构化特征数据，提高模型的学习效果和优化能力。

进一步需要说明的是，所述模型结构化特征数据是指经过一系列预处理、数据降维以及特征提取操作后得到的能够用于模型训练的具有特定格式和结构的数据，包含对模型训练有重要意义的信息，同时去除了无关或冗余的部分，从而为工艺参数优化模型提供高质量、高效率的输入，使模型能够更好地学习和理解数据中的规律，进而提高模型的性能和优化效果。

具体地，采用多种数据预处理（如数据清洗、数据转换、数据标准化以及数据过滤）、数据降维和特征提取方法，对各组模型训练数据进行处理，得到若干组模型结构化特征数据，为后续的模型训练提供高质量的输入。其中，所述数据降维包括对不同的缺陷和工艺参数之间进行重要性分析，得出缺陷和关键参数之间的对应关系，从而对输入进行降维，减少非必要的参数引起的误判，提高大模型对工艺情况分析的准确率；所述特征提取工程是指从原始数据中提取有意义的特征，例如，统计特征（平均值、方差等）、时域特征和频域特征等；所述数据过滤通过识别并处理异常值和缺失值，使用统计方法或机器学习方法检测并剔除不符合工艺要求的异常数据，根据工艺知识，过滤掉与目标无关的数据，另外地，还可使用统计方法和可视化工具，分析工艺参数与产品质量之间的关系，例如，利用机器学习方法，如聚类分析和关联规则挖掘，发现数据中的潜在模式，通过分析SPC数据和曲线数据，识别工艺过程中的波动和异常，最终实现模型训练数据的结构化处理。

在一实施例中，在数据预处理过程中，系统会根据数据的特点和优化目标，选择合适的方法进行处理。例如，对于噪声数据较多的数据集，可以采用滤波算法进行去噪处理；对于数据分布不均匀的数据集，可以采用标准化方法进行处理。在数据降维过程中，可以采用主成分分析（PCA）等方法，去除数据中的冗余信息，保留主要特征。在特征提取过程中，可以采用统计分析、机器学习等方法，提取出对优化目标有重要影响的特征，从而有效提高模型训练数据的质量和可用性，为模型的优化提供有力支持。

在另一实施例中，对产品质量问题和工艺参数之间的关联性进行分析，分析方法不限于（PCA方法（Principal Component Analysis，主成分分析）、协方差、概率分析等方法），通过分析质量问题的关键参数，降维工艺参数的输入数量，从而降低对大模型的输入干扰，达到提高准确率的目的。

具体而言，用户通过预定义的数据格式（不限于JSON，XML等标准格式），将当前工艺参数、产品缺陷类型及程度以及其他相关备注信息，以结构化的方式提供给大语言模型，从而通过结构化输入提示，使得LLM能够准确理解用户意图，并基于其内部预训练的知识和推理能力，生成包含优化参数建议和调整原因的结构化输出，其中，该输出同样采用标准的数据格式（不限于JSON，XML等标准格式），清晰地呈现了建议调整的工艺参数值，以及这些调整背后的逻辑解释，从而通过结构化的输入输出方式，不仅提高了人机交互的效率和准确性，也使得工艺参数的优化过程更加透明和可解释。

步骤S23，将各所述模型结构化特征数据输入至若干个初始工艺参数优化模型对应的模型框架中进行迭代训练，得到各所述工艺参数优化模型。

具体地，将各所述模型结构化特征数据以及各所述模型结构化特征数据对应的样本标签输入至所述若干个初始工艺参数优化模型，在一实施例中，根据压铸工艺的特点和目标，选择合适的数据模型，例如，可以将工艺参数、SPC数据、曲线数据和模具参数等数据整合到一个多维时间序列数据模型中，得到各所述初始工艺参数优化模型输出的预测值，进而基于所述预测值和所述样本标签，利用损失函数计算得到模型损失值，在本实施例中，损失函数可以根据实际需求进行设置，此处不做具体限定。在计算获得模型损失值之后，本次训练过程结束，再利用误差反向传播算法更新各所述初始工艺参数优化模型中的模型参数，之后再进行下一次训练。在训练的过程中，逐一判断更新后的初始工艺参数优化模型是否满足预设训练结束条件，若满足，则将更新后的初始工艺参数优化模型作为工艺参数优化模型，若不满足，则继续训练模型，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等，从而通过不断调整模型的参数，使模型能够更好地拟合训练数据，提高模型的准确性和可靠性。

其中，可以将处理后的模型结构化特征数据分为训练集、验证集和测试集，使用优化算法（例如Adam算法）通过训练集训练模型；使用验证集评估模型性能，为了提高模型的精度，需要对模型进行优化，其中包括对模型的超参数进行调整、对模型的结构进行调整以及使用不同的优化器等；使用测试集评估模型性能，并计算相关指标，例如，均方误差（MSE）、平均绝对误差（MAE）和R平方，实现模型的训练与验证。

另外地，在迭代训练过程中，系统可根据模型的训练进度和性能表现，动态调整训练参数和参数优化值。例如，可以根据模型的损失函数值的变化情况，调整学习率等参数，以加快模型的收敛速度；可以根据模型的准确率和召回率等指标，调整模型的结构和算法，以提高模型的性能。通过这些动态调整机制，可以有效提高模型的训练效果和优化能力，为后续的工艺参数优化提供高质量的模型支持。

本实施例通过获取若干组模型训练数据，并确定若干个初始工艺参数优化模型对应的模型框架，其中，所述模型训练数据包括工艺参数设定值、产品质量反馈以及模具参数，进而对各所述模型训练数据进行数据预处理、数据降维以及特征提取，得到若干组模型结构化特征数据，从而将各所述模型结构化特征数据输入至若干个初始工艺参数优化模型对应的模型框架中进行迭代训练，得到各所述工艺参数优化模型，进而获取多组包含丰富信息（如工艺参数设定值、产品质量反馈、统计过程控制数据等）的模型训练数据，使模型能够学习到不同场景和条件下的参数与质量之间的关系，从而使得训练出的工艺参数优化模型具有更强的泛化能力，能够更好地适应各种生产环境和任务，而不仅仅是局限于某一特定场景或数据集，当模型在面对新的、未见过的生产情况时，也能够基于已学习到的知识和规律，给出合理且有效的优化建议，从而提高生产过程的稳定性和产品质量的一致性，增强模型的准确性，并通过提升参数优化值的多样性，降低对专家经验的依赖。

在一种可行的实施方式中，所述获取待优化参数信息对应的模型提示词，包括：

步骤S31，获取待优化参数信息；

具体地，可从生产现场或相关数据源获取待优化参数信息，还可以通过传感器采集生产过程中的实时数据，获取当前的工艺参数设定值、可以通过质量检测系统获取产品质量反馈信息、可以通过人工输入或系统记录获取附加说明信息等，从而通过多种方式获取待优化参数信息，确保信息的全面性和准确性，在此不做限制，可根据实际情况进行设置。

另外地，对所述待优化参数信息进行格式校验和有效性检查，确保数据的完整性和准确性。例如，检查工艺参数的数值是否在合理范围内，缺陷类型是否为预定义类型等。

步骤S32，对所述待优化参数信息进行数据预处理以及重要性分析，得到结构化参数信息；

需要说明的是，所述重要性分析是指通过一定的方法评估各参数信息的重要性，确定哪些参数对优化目标有重要影响，从而为后续的模型提示词生成提供依据，从而将原始的参数信息转化为结构化参数信息，突出关键信息，去除无关信息，提高模型提示词的生成质量和优化效果。

进一步需要说明的是，所述结构化参数信息是指经过数据预处理和重要性分析后得到的，具有明确格式和组织形式的参数信息，是从原始的待优化参数信息中提取出对优化目标有重要意义的内容，去除了无关或冗余的部分，并按照一定的规则和标准进行组织和格式化，从而清晰地反映各个参数之间的关系以及它们对优化目标的影响，为后续生成模型提示词提供了准确、高效的基础数据，使得优化模型能够更快速地理解和处理输入信息，从而提高参数优化值生成的效率和质量。

具体地，在一实施例中，在数据预处理过程中，系统会根据参数信息的特点和优化目标，选择合适的方法进行处理。例如，对原始待优化参数信息进行预处理和格式化，以确保其符合优化模型的输入要求；对数据进行清洗、标准化处理，或者将非结构化数据转化为结构化数据等，从而提高模型对输入数据的处理效率和准确性。

在重要性分析过程中，可以采用统计分析方法（如相关性分析、主成分分析等）或机器学习方法（如特征重要性评估算法），评估所述待优化参数信息中各参数信息的重要性。在一实施例中，可以通过计算所述待优化参数信息中各参数与产品质量指标之间的相关系数，进而根据各所述相关系数进行重要性排序来实现重要性分析；或者利用机器学习模型输出所述待优化参数信息中各参数对应的特征重要性评分，从而确定所述待优化参数信息中各参数的重要性。从而有效提高结构化参数信息的质量和可用性，为模型提示词的生成提供有力支持。

另外地，通过系统结合具体的生产场景和优化目标，动态调整模型提示词的内容和格式，以更好地适应不同的优化需求。

步骤S33，基于所述结构化参数信息，生成所述待优化参数信息对应的模型提示词。

具体地，根据结构化参数信息的特点和优化目标，采用一定的算法（如机器学习模型）或规则（如预设提示词生成模板）生成模型提示词，为后续的工艺参数优化提供清晰、准确的输入。其中，为了提高模型的输出质量，可以采用多种提示工程技巧，如：提供详细的背景信息和约束条件；使用示例数据进行引导；采用不同的提问方式，激发大模型的多样化思维。

进一步地，将模型提示词并行发送到多个LLM（Large Language Model，大语言模型）实例，利用多线程、多进程或分布式计算等技术，实现LLM的并行推理，从而可同时获得多个模型输出的参数调整建议，提高处理效率。

本实施例通过获取待优化参数信息，进而对所述待优化参数信息进行数据预处理以及重要性分析，得到结构化参数信息，从而基于所述结构化参数信息，生成所述待优化参数信息对应的模型提示词，进而通过去除无关和冗余的信息，提取出对优化目标真正有影响的参数，使得生成的模型提示词更加精准地反映优化需求，从而引导工艺参数优化模型更准确地生成参数优化值，使优化模型能够基于这些高质量的提示词，更有效地调整和优化工艺参数，减少因无关信息干扰而导致的优化偏差，进而提高优化的准确性和有效性，增强模型的理解能力和响应速度的同时提升参数优化值的质量和可靠性，降低对人工经验的依赖。

在一种可行的实施方式中，所述对各所述工艺参数优化值进行择优对比，确定目标参数优化信息，包括：

步骤S41，基于预设整合策略，将各所述工艺参数优化值进行参数优化值整合，得到参数整合排序；

需要说明的是，所述预设整合策略是指根据特定规则和方法，对多个工艺参数优化值进行综合处理的方案，包括投票法：统计多个LLM的输出结果，选择出现频率最高的参数调整方案；加权平均法：根据LLM的性能和可靠性，赋予不同的权重，然后对输出结果进行加权平均，在此不做限制，从而通过预设整合策略，可以将这些分散的参数值进行汇总和排序，形成一个综合的参数值有序列表，即参数整合排序，为后续的冲突检测和优化选择提供一个有序的候选参数值集合，使得系统能够更高效地筛选出最优的优化参数值。

具体地，参数整合排序的生成过程可考虑多种因素，如参数优化值的准确性、可靠性、实施难度等。在一种可能的实施方式中，根据每个参数优化值的历史表现和模型的置信度，对各参数优化值进行加权评分，然后根据评分结果进行排序，从而确保参数整合排序中的每组参数值都经过了综合评估，提高了参数优化值选择的科学性和合理性。

步骤S42，判断各所述工艺参数优化值是否符合预设冲突范围；

需要说明的是，所述预设冲突范围是指在多个参数优化值之间可能存在冲突的情况下，预先设定的一个冲突检测范围，冲突是指不同参数优化值之间在参数调整方向或幅度上存在显著差异，可能导致优化目标无法实现或产生矛盾的情况。在一实施例中，假设在注塑成型过程中，温度是一个关键的工艺参数，不同的优化模型可能给出不同的温度调整建议，如：模型A建议将温度提高5°C，模型B建议将温度降低3°C，模型C建议保持当前温度不变。如果预设冲突范围是±3°C，那么模型A和模型B的建议就超出了这个范围，因为它们之间的差异达到了8°C。这种情况下，系统会认为这两个参数优化值之间存在冲突，需要进一步处理。

进一步需要说明的是，判断各工艺参数优化值是否符合预设冲突范围的目的是识别出那些可能存在问题或需要进一步处理的参数优化值。这一过程通过检测参数优化值之间的差异是否超出预设的合理范围，来判断是否存在冲突。在本实施例中，系统会根据预设的冲突范围，对各工艺参数优化值进行逐一检查，判断是否存在冲突情况。

具体地，预设冲突范围的设定可以根据实际生产需求和优化目标进行调整，在此不做限制，可根据实际情况进行设置。在一种可能的实施方式中，系统会根据历史数据和专家经验，设定一个合理的冲突阈值。当两个或多个参数优化值之间的差异超过这个阈值时，系统会将其标记为存在冲突，从而确保系统在不同场景下都能有效地识别冲突，提高优化过程的稳定性和可靠性。

步骤S43，若是，则基于所述参数整合排序以及专家打分模型，得到目标参数优化信息。

需要说明的是，所述专家打分模型是指基于专家经验和历史数据构建的，用于对参数优化值进行评估和打分的模型。

具体地，若是，则将各所述工艺参数优化值输入至所述专家打分模型，得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分，进而基于各所述工艺参数优化值对应的专家评分，对所述参数整合排序进行重排序，得到参数综合排序，从而基于所述参数综合排序，确定所述目标参数优化信息，从而通过专家打分模型的评估选择出最优的参数优化值，或者对冲突的参数优化值进行调整和融合，生成一个综合性能最优的参数优化值。

本实施例通过基于预设整合策略，将各所述工艺参数优化值进行参数优化值整合，得到参数整合排序，进而判断各所述工艺参数优化值是否符合预设冲突范围，从而若是，则基于所述参数整合排序以及专家打分模型，得到目标参数优化信息，进而将多个相近的工艺参数优化值进行整合，以综合多个模型的优点，避免单一模型可能存在的局限性和偏差，使整合后的参数优化值能够更全面地考虑各种因素和约束条件，从而提高参数优化值的综合性和可靠性，并有效解决参数优化值冲突，提升参数优化值的科学性和实用性，降低对单一模型的依赖。

在一种可行的实施方式中，所述基于所述参数整合排序以及专家打分模型，得到目标参数优化信息，包括：

步骤S51，将各所述工艺参数优化值输入至所述专家打分模型，得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分；

需要说明的是，所述专家评分的高低能够直接体现参数优化值的优劣，为后续的参数优化值选择提供重要依据，所述专家评分为综合工艺参数优化值对产品质量的提升效果、对生产效率的影响、实施难度、成本效益等多方面因素决定，以确保评估结果的全面性和客观性，避免因单一因素的偏好而导致的评估偏差。在实际应用中，企业可以根据自身的生产目标和需求，调整专家打分模型的评估标准和权重，使其更符合企业的实际优化需求，在此不做限制。

具体地，将各所述工艺参数优化值输入至所述专家打分模型，由专家打分模型从整合后的参数调整建议中，提取相关特征，如调整幅度、调整原因等，进而对每个参数调整建议进行打分，同时根据提前进行知识注入的行业知识规则库，对参数调整建议进行评估，最终得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分。

步骤S52，基于各所述工艺参数优化值对应的专家评分，对所述参数整合排序进行重排序，得到参数综合排序；

需要说明的是，所述参数整合排序是指在初步评估阶段，根据一定的规则对所有工艺参数优化值进行排序的结果。这个排序可能基于参数优化值的初步评估结果、模型的置信度或其他预设标准。然而，这个初步排序可能没有充分考虑到参数优化值在实际生产中的综合表现。因此，基于专家打分模型输出的专家评分，对参数整合排序进行重排序的目的是为了生成一个更准确、更符合实际生产需求的参数优化值排序。专家评分提供了每个参数优化值在多维度评估下的量化指标，通过将这些评分纳入排序过程，可以确保最终的参数综合排序能够更真实地反映各参数优化值的优劣。

进一步需要说明的是，重排序的过程可以采用多种方法，在一实施例中，将专家评分作为主要排序依据，同时结合其他辅助指标（如模型的置信度、参数优化值的创新性等）进行综合排序，从而在保证主要评估标准（专家评分）的主导地位的同时，兼顾其他重要因素，提高排序结果的合理性和实用性。

步骤S53，基于所述参数综合排序，确定所述目标参数优化信息。

具体地，由于大模型本身对于不同的提问方式和不同的时刻的提问，都具备一定的回答随机性和幻觉问题，此情况会导致回答存在一定的错误率。因此使用一种多专家多种提问下训练得到的模型进行评分的方式，在共同决策的情况下，再配合一个专家打分系统，对每个参数优化值进行打分，得分最高的则成为最优参数优化值，即，将所述参数综合排序中排序最前的工艺参数优化值作为所述目标参数优化信息，其中，对最优参数调整方案的置信度进行评估，提供置信度评估给用户参考。

本实施例通过将各所述工艺参数优化值输入至所述专家打分模型，得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分，进而基于各所述工艺参数优化值对应的专家评分，对所述参数整合排序进行重排序，得到参数综合排序，从而基于所述参数综合排序，确定所述目标参数优化信息，进而对每个参数优化值进行客观、准确的评估，确保每个参数优化值都经过了严格的科学评估，从而有效提高参数优化值的科学性和可靠性，避免因单一模型的局限性或随机性导致的优化偏差，进而更全面地评估每个参数优化值的优劣，选择出在多方面表现最优的参数优化值，从而提高参数优化值的实用性和可行性，并解决参数优化值冲突，避免因参数优化值冲突导致的优化失败或生产问题。

在一种可行的实施方式中，所述专家打分模型的训练过程包括：

步骤S61，获取若干组专家参数调整知识信息以及若干组参数调整优化值，将各所述专家参数调整知识信息转化为专家知识规则；

需要说明的是，所述专家参数调整知识信息是指经验丰富的工艺工程师、技术人员在长期生产实践中积累的关于工艺参数调整的知识和经验，而知识和经验通常以非结构化的形式存在，如技术文档、操作手册、工程师的口头描述等。

进一步需要说明的是，所述参数调整优化值则是指在生产过程中实际记录经过专家优化之后的工艺参数值，包括工艺参数设定值、产品质量反馈、生产环境条件等，从而将专家的经验知识与实际生产数据相结合，为后续的模型训练提供丰富的知识基础。

具体地，获取若干组专家参数调整知识信息以及若干组参数调整优化值，如组织经验丰富的压铸工艺工程师、模具设计师和设备维护人员进行访谈；收集他们关于各种压铸缺陷（如气孔、裂纹、变形等）的成因分析和参数调整经验；记录他们在不同生产条件下（如不同合金、模具、设备状态）的参数调整优化值，以得到若干组专家参数调整知识信息以及若干组参数调整优化值。

进一步地，将专家参数调整知识信息转化为专家知识规则的过程，是将非结构化的专家经验转化为结构化的、计算机可以理解和处理的规则，在一实施例中，这些规则可以以“IF-THEN”形式表示，例如，“IF气孔缺陷严重AND模具温度过低，THEN提高模具温度”“IF产品产生冷隔，then增加金属液温度，增加压射速度”，从而通过上述转化过程使得专家的经验知识能够被系统地应用于工艺参数优化中，提高参数优化值的科学性和实用性。

在本实施例中，系统会通过访谈、文档分析等方式获取专家参数调整知识信息，并结合参数调整优化值，将其转化为具体的专家知识规则，为后续的专家知识库建立和模型训练做好准备。

另外地，转化专家知识规则的过程需要专业知识和经验，以确保规则的准确性和有效性。在一种可能的实施方式中，可邀请领域专家参与规则的转化过程，通过专家的审核和验证，确保每条规则都能够准确反映专家的经验和知识。同时，系统还会对转化后的规则进行测试和验证，以确保其在实际应用中的可行性和有效性。

步骤S62，基于各所述专家知识规则，建立专家知识库，并将所述专家知识库进行知识注入至初始专家打分模型；

需要说明的是，所述专家知识库是一个存储和管理专家知识规则的系统，为工艺参数优化提供了丰富的知识资源，以将分散的规则进行整合和组织，形成一个系统化的知识体系，从而不仅便于管理和查询，还能够为后续的模型训练提供统一的知识支持，使模型在评估工艺参数优化值时，能够充分考虑专家的经验和知识，提高评估的准确性和可靠性。

具体地，基于各所述专家知识规则，建立专家知识库，为了保证知识的时效性、使用参数调整优化值和模拟数据验证规则的有效性，对专家知识进行验证，根据验证结果，调整和优化规则，确保其准确性和适用性，进而定期地对专家知识库进行更新。

进一步地，将专家知识库中的规则逐一注入初始专家打分模型中，使模型在训练过程中能够学习和应用这些规则，从而生成更符合实际生产需求的评估结果，其中，知识注入的过程可以通过多种技术手段实现，如规则引擎、知识图谱等，例如，使用规则引擎将专家知识规则嵌入到模型的评估逻辑中，使模型在评估每个参数优化值时都能够参考这些规则。同时，系统还会对注入的知识进行动态管理和更新，以确保知识库的时效性和准确性。

步骤S63，将各所述参数调整优化值输入至所述初始专家打分模型进行迭代训练，得到所述专家打分模型。

具体地，获取各所述参数调整优化值，进而对各所述参数调整优化值进行数据预处理，如数据清洗、归一化等，从而将各所述参数调整优化值以及各所述参数调整优化值对应的样本标签输入至所述初始专家打分模型，得到所述初始专家打分模型输出的预测值，进而基于所述预测值和所述样本标签，利用损失函数计算得到模型损失值，在本实施例中，损失函数可以根据实际需求进行设置，此处不做具体限定。在计算获得模型损失值之后，本次训练过程结束，再利用误差反向传播算法更新初始专家打分模型中的模型参数，之后再进行下一次训练。在训练的过程中，判断更新后的初始专家打分模型是否满足预设训练结束条件，若满足，则将更新后的初始专家打分模型作为专家打分模型，若不满足，则继续训练模型，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。

需要说明的是，上述进行迭代训练中的初始专家打分模型是已经进行知识注入的初始专家打分模型。

本实施例通过获取若干组专家参数调整知识信息以及若干组参数调整优化值，将各所述专家参数调整知识信息转化为专家知识规则，进而基于各所述专家知识规则，建立专家知识库，并将所述专家知识库进行知识注入至初始专家打分模型，从而将各所述参数调整优化值输入至所述初始专家打分模型进行迭代训练，得到所述专家打分模型，进而确保模型在评估工艺参数优化值时，能够充分考虑专家的经验和知识，提高模型的准确性，使模型的评估结果更接近实际生产中的优化需求，同时，当模型对某个参数优化值进行评分时，可以清晰地展示出评分的依据和逻辑，使生产人员能够更好地理解模型的评估过程和结果，增强模型的可解释性，并降低对专家的依赖，进而通过快速地对大量参数优化值进行评估，选出最优的参数优化值，减少了人工评估的时间和成本，提高优化过程的效率。

在一种可行的实施方式中，所述对各所述工艺参数优化值进行择优对比，确定目标参数优化信息之后，还包括：

步骤S71，对所述目标参数优化信息进行可视化处理，得到可视化参数信息；

需要说明的是，所述目标参数优化信息是指经过优化处理后得到的最终工艺参数设定值，这些参数值是在综合考虑优化目标和实际生产条件后，被认为是最适合当前生产需求的参数设定。

具体地，将目标参数优化信息中的关键参数，如温度、压力、注射速度等，以折线图的形式展示出来，清晰地呈现出参数在优化前后的变化趋势。同时，通过柱状图对比优化前后的生产质量指标，如缺陷率、生产效率等，直观地展示优化带来的实际效果。此外，系统还可以通过仪表盘的形式展示当前参数的实际值与推荐值之间的差异，帮助用户快速判断参数是否需要进一步调整，从而将这些复杂的参数信息转化为直观、易懂的可视化形式，如图表、曲线图、仪表盘等，以便用户能够快速理解和评估优化结果，使用户不仅能够清晰地展示参数的调整方向和幅度，还能通过对比分析展示优化前后的差异，从而为用户提供更直观的参考依据。系统可采用多种可视化技术，将目标参数优化信息转化为可视化参数信息，为后续的用户查看和反馈提供便利，在此对可视化种类不做限制，可根据实际情况进行设置。

步骤S72，将所述可视化参数信息推送至目标用户，以供所述目标用户查看，并获取所述可视化参数信息对应的用户反馈信息；

需要说明的是，所述用户反馈信息包含对优化结果的满意度评价、对参数调整的建议、对优化目标的调整需求等，在一实施例中，系统为目标用户提供参数调整建议，从而使目标用户选择是否采纳调整建议，以获得用户反馈信息，如使系统获取工作人员补充的缺陷描述等，在此不做限制。所述目标用户可以是生产现场的操作人员、工艺工程师、质量管理人员等。

具体地，通过用户界面或移动设备等渠道，将可视化参数信息实时推送给目标用户，并提供反馈接口，获取所述可视化参数信息对应的用户反馈信息，方便用户随时提交反馈信息。

在一实施例中，可通过一个专门的生产管理平台，将可视化参数信息以实时更新的仪表盘形式展示给目标用户，同时，用户可以通过平台上的反馈按钮进行反馈。

步骤S73，基于所述用户反馈信息，对工艺参数优化流程进行优化。

具体地，根据所述用户反馈信息，对工艺参数优化流程进行优化，即，将用户的实际经验和意见融入优化流程中，以提高优化流程的适用性和有效性，因为用户反馈信息提供了从实际生产角度对优化结果的评估，这些信息可以帮助系统发现优化流程中的不足之处，如优化目标的偏差、参数优化值的不合理性等，从而通过对优化流程进行调整和优化，系统能够更好地满足实际生产需求，提高优化结果的质量和可靠性。

在一实施例中，根据收集到的用户反馈信息，对优化流程中的各个环节进行分析和调整，如优化目标的设定、模型训练数据的选择、参数优化值的生成等，从而实现优化流程的持续改进。例如，如果用户普遍对优化后的生产质量指标感到满意，但对成本增加表示担忧，就可以重新调整优化目标，将成本控制纳入优化目标体系中。同时，系统还会根据用户对参数调整的具体建议，对优化模型的训练数据进行补充或调整，以提高模型对实际生产情况的适应能力。例如，如果用户反馈某个参数的调整幅度过大，导致实际生产中出现新的问题，系统可以调整模型训练数据中的相关权重，重新训练优化模型，生成更合理的参数优化值，从而通过这种基于用户反馈的动态调整机制，系统能够不断优化工艺参数优化流程，提高优化结果的实用性和可靠性。

本实施例通过对所述目标参数优化信息进行可视化处理，得到可视化参数信息，进而将所述可视化参数信息推送至目标用户，以供所述目标用户查看，并获取所述可视化参数信息对应的用户反馈信息，从而基于所述用户反馈信息，对工艺参数优化流程进行优化，进而通过可视化处理，将复杂的目标参数优化信息以直观、易懂的形式展示给用户，如图表、曲线图等，使得用户能够更快速地理解优化结果，包括参数的调整方向、幅度以及预期效果等，从而提高优化结果的可理解性，并有助于用户更好地接受和应用参数优化值，进而提高优化过程的实用性和有效性。

在一种可行的实施方式中，所述获取待优化参数信息对应的模型提示词之前，还包括：

步骤S81，获取待优化参数信息，并将所述待优化参数信息输入至工艺参数缺陷识别模型，得到所述工艺参数缺陷识别模型输出的工艺参数缺陷类型；

需要说明的是，所述工艺参数缺陷识别模型是指一种专门设计用于分析和识别生产过程中工艺参数设置不当所导致的潜在缺陷的模型，在一实施例中，该模型通过学习历史数据中正常与异常工艺参数与产品质量之间的关系，能够识别当前参数设置可能引起的缺陷类型。

进一步需要说明的是，所述工艺参数缺陷类型是指在生产过程中由于工艺参数设置不当可能导致的各种产品质量问题，包括尺寸偏差、表面缺陷、材料性能不足、外观问题以及功能失效等，在此不做限制。

步骤S82，基于所述工艺参数缺陷类型，通过预设贪心算法确定所述待优化参数信息对应的参数优化路径；

需要说明的是，所述预设贪心算法是指一种在每一步选择中都采取在当前状态下最优的选择，以期望最终结果也是最优的参数优化值的算法，具体的贪心算法因应用场景而异，在此不做限制。

进一步需要说明的是，所述参数优化路径是指从当前工艺参数设置出发，通过一系列有序的调整步骤，达到优化目标的路径，所述参数优化路径包括多种不同的参数优化值，如：基于历史经验库的预测策略：根据历史经验库进行参数调整；单模型预测指导：利用一个神经网络预测模型预测不同参数设置对产品质量的影响，指导参数调整；模拟仿真优化：通过模拟仿真技术评估参数调整的效果，选择最佳方案；多个大模型预测策略：利用多个大型语言模型或其他高级分析模型，提供更深入的洞察和优化建议，在此对所述参数优化路径不做限制，可根据实际情况进行设置。

具体地，根据所述工艺参数缺陷类型，通过预设贪心算法确定所述待优化参数信息对应的参数优化路径，在一实施例中，所述预设贪心算法步骤为：定义选择标准：确定每一步选择时依据的标准或规则；局部最优选择：在每一步中，根据定义的标准选择当前最优的选项；迭代选择：重复局部最优选择，直到达到终止条件；结果验证：检查最终结果是否满足全局最优或可接受的解。进一步地，将上述的解作为所述待优化参数信息对应的参数优化路径。

在一实施例中，对于所述待优化参数信息中的一个工艺参数，通过预设贪心算法确定所述冷却时间的参数优化路径的过程如下：

定义选择标准：系统获取当前工艺参数（如温度、压力、时间等）及对应的产品质量指标（如良品率、缺陷率），结合工艺参数缺陷类型（如“温度波动过大”“压力不足”），明确待优化的具体问题，即选择标准。

局部最优选择：根据工艺参数缺陷类型，系统提供以下四个可选的参数优化路径，包括：历史经验库调整：调用相似缺陷的历史优化方案；单模型预测：使用单一工艺参数优化模型生成建议值；多模型协同预测：综合分析多个大模型的输出结果；仿真模拟优化：通过数字孪生模拟不同参数组合的效果。进而对每条参数优化路径的预期效果进行即时评估（如预估质量提升幅度、成本降低比例），选择当前步骤与待优化的具体问题相关的收益最高的路径。例如：若多模型协同预测的收益（如质量提升70% + 成本降低30%）最高，则优先执行该策略。

迭代执行与终止：应用当前步骤中收益最高的参数优化路径，更新工艺参数后重新检测质量指标，需要注意的是，此处为已经确定好参数优化路径，并按照该参数优化路径进行参数优化的步骤（即，已脱离步骤S82），可参考图5。若未达标，即，未达成“定义选择标准”步骤中的待优化的具体问题，则返回至“局部最优选择”步骤中继续优化；若达标或迭代次数超限（如10次），终止流程并输出最终参数。

结果验证：动态回退机制，若某路径的实际效果偏离预期（如质量不升反降），系统自动回退至上一步，切换至次优路径重新尝试。

在另一具体的实施例中，在注塑成型工艺中，系统检测到当前的待优化参数信息（熔体温度200°C、注射压力80MPa、保压时间5s）导致产品表面缩痕，则通过工艺参数缺陷识别模型识别为"保压不足"缺陷，待优化的具体问题为“如何通过调整压力来改善缩痕至70%以上”。基于贪心算法，系统首先预估四种优化方案与待优化的具体问题相关的收益，例如：历史经验策略收益为“缩痕改善至70%”，单模型策略收益为“缩痕改善至54%”，多个大模型预测策略收益为“缩痕改善至85%”，数字孪生模拟策略收益为“缩痕改善至60%”（此处需要说明的是，预估四种优化方案与待优化的具体问题相关的收益不一定是该四种优化方案实际运行后得到的真实收益，只是通过贪心算法快速评估得到的与真实值接近的可能收益，从而提高路径选择的效率），例如，系统选择收益最高的多个大模型预测策略为参数优化路径，则按照多个大模型预测策略进行实际的参数优化（即执行“获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；对各所述工艺参数优化值进行择优对比，确定目标参数优化信息”）步骤。

进一步地，若根据所述多个大模型预测策略的目标参数优化信息进行调整后出现飞边等新问题，系统将自动回退至上一有效方案重新尝试，直至达成质量目标或达到迭代上限，可参考图5。

步骤S83，若所述参数优化路径为多个大模型预测策略，则获取待优化参数信息对应的模型提示词。

具体地，若所述参数优化路径为多个大模型预测策略，则获取待优化参数信息对应的模型提示词，可参考图5，图中展示的流程是一个自动化的缺陷参数优化处理流程。

本实施例通过获取待优化参数信息，并将所述待优化参数信息输入至工艺参数缺陷识别模型，得到所述工艺参数缺陷识别模型输出的工艺参数缺陷类型，进而基于所述工艺参数缺陷类型，通过预设贪心算法确定所述待优化参数信息对应的参数优化路径，从而若所述参数优化路径为多个大模型预测策略，则获取待优化参数信息对应的模型提示词，进而精确地识别出当前工艺参数设置中存在的问题或缺陷类型，从而有助于快速定位问题源头，为后续的优化工作提供明确的方向，自动化地确定最佳的参数优化路径，同时通过自动化的参数优化值选择减少人为干预，提高决策效率，降低因人为因素导致的决策错误，进而增强优化的针对性，降低对专家经验的依赖。

在一种可行的实施方式中，所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值之前，还包括：

步骤S91，若所述工艺参数优化模型为外部大模型，则获取所述工艺参数优化模型对应的外部模型接口；

需要说明的是，所述外部大模型是指由第三方机构或公司开发的、具有高度复杂性和先进性的算法模型，这些模型通常在云计算平台或远程服务器上运行，可以通过网络接口进行访问和交互。所述外部大模型包括但不限于深度学习模型、强化学习模型或其他机器学习模型，从而能够处理大量数据并提供高级的分析和预测功能，即，所述模型因其庞大的规模和强大的计算能力而得名，能够处理复杂的优化任务，提供更为精确和可靠的优化结果。

具体地，在智能制造系统中，当需要对工艺参数进行优化时，如果内部没有相应的优化模型或需要利用更先进的技术，或者，当目标用户选择直接使用外部模型进行参数优化时，系统将选择调用外部大模型来完成这一任务，因此需要获取外部模型接口，以能够与这些远程运行的大模型进行通信和数据交换，从而利用它们的优化能力。

步骤S92，根据所述外部模型接口，调用所述外部大模型，以通过所述外部大模型执行所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值的步骤。

具体地，使用外部模型接口提供的方法，将模型提示词作为参数传递给外部大模型，进而通过网络将模型提示词从本地系统传输到远程服务器上的外部大模型，以供所述外部大模型接收到输入数据后，执行其内部算法进行分析和计算，生成优化后的工艺参数值，进而从外部大模型接收优化结果，并将其存储在本地系统中，应用于应用层，供后续的工艺调整和生产决策使用，从而达到利用外部大模型的强大计算和分析能力，来实现对工艺参数的精确优化的目的。

本实施例通过若所述工艺参数优化模型为外部大模型，则获取所述工艺参数优化模型对应的外部模型接口，进而根据所述外部模型接口，调用所述外部大模型，以通过所述外部大模型执行所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值的步骤，从而通过调用经过大量数据的训练和验证，具有较高的准确性和可靠性的外部大模型来提高工艺参数优化的准确性，从而提高产品质量和生产效率，同时由于使用外部模型接口可以方便地切换不同的优化模型，以适应不同的生产需求和条件，从而降低开发和维护成本，并使得系统能够快速适应变化，提高系统的适应能力，进而简化工艺参数优化模型的集成和部署过程，从而减少实施时间，加快项目进度。

示例性地，为了助于理解所述工艺参数优化方法的实现流程，请参照图5，图5为本申请工艺参数优化方法提供的关于工艺参数优化总流程的简要示例图。

具体地，图中展示的是一个工艺参数缺陷优化处理的实现流程，该流程开始于缺陷的发现，随后利用神经网络技术识别缺陷类型，一旦缺陷被分类，系统会根据分类结果决定接下来的行动路径。

进一步地，如果识别出的缺陷类型是机器问题，则需要人工介入进行处理，如推送给工作人员，进一步借助人工介入的方式来解决。对于非机器问题，即参数问题，系统会采用贪心算法选择参数优化值来确定最佳的优化路径，这个参数优化值可能涉及神经网络预测策略、多个大模型预测策略或历史经验库预测策略中的一个或多个，在此不做限制，可进行独立预测或者多选预测。在确定了优化路径后，系统会检查所选参数优化值的参数是否符合预设的基本规则。如果参数符合规则，系统将评估缺陷是否已被解决；如果缺陷仍然存在，则流程会返回到神经网络识别缺陷类型阶段，重新进行缺陷分类。如果参数不符合规则，系统同样会返回到采用贪心算法选择参数优化值来确定最佳的优化路径的步骤，直至参数符合规则为止。

例如，在注塑成型过程中，如果发现产品表面有气孔缺陷，系统首先通过神经网络识别这是由于设备故障还是参数设置不当。如果是参数问题，系统采用贪心算法选择参数优化值来确定最佳的优化路径，以根据最佳优化路径中的策略输出对应的优化参数，进一步地，如果建议的参数调整符合生产规则，并且实施后缺陷得到解决，则流程结束；如果缺陷依旧存在，则需要重新识别缺陷类型，继续优化流程，如果建议的参数调整不符合生产规则，则返回到采用贪心算法选择参数优化值来确定最佳的优化路径的步骤，直至参数符合规则为止，从而通过结合人工智能和专家知识，进行不断地学习和调整，以提高生产过程的稳定性和产品质量，降低对人工的依赖。

需要说明的是，图中示例仅用于理解本申请，并不构成对本申请工艺参数优化方法的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本申请还提供一种工艺参数优化装置，请参照图6，所述工艺参数优化装置包括：

获取模块61，用于获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；

输出模块62，用于将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；

优化模块63，用于对各所述工艺参数优化值进行择优对比，确定目标参数优化信息。

所述工艺参数优化装置还用于：

获取若干组模型训练数据，并确定若干个初始工艺参数优化模型对应的模型框架，其中，所述模型训练数据包括工艺参数设定值、产品质量反馈以及模具参数；

对各所述模型训练数据进行数据预处理、数据降维以及特征提取，得到若干组模型结构化特征数据；

将各所述模型结构化特征数据输入至若干个初始工艺参数优化模型对应的模型框架中进行迭代训练，得到各所述工艺参数优化模型。

所述工艺参数优化装置还用于：

获取待优化参数信息；

对所述待优化参数信息进行数据预处理以及重要性分析，得到结构化参数信息；

基于所述结构化参数信息，生成所述待优化参数信息对应的模型提示词。

所述工艺参数优化装置还用于：

基于预设整合策略，将各所述工艺参数优化值进行参数优化值整合，得到参数整合排序；

判断各所述工艺参数优化值是否符合预设冲突范围；

若是，则基于所述参数整合排序以及专家打分模型，得到目标参数优化信息。

所述工艺参数优化装置还用于：

将各所述工艺参数优化值输入至所述专家打分模型，得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分；

基于各所述工艺参数优化值对应的专家评分，对所述参数整合排序进行重排序，得到参数综合排序；

基于所述参数综合排序，确定所述目标参数优化信息。

所述工艺参数优化装置还用于：

获取若干组专家参数调整知识信息以及若干组参数调整优化值，将各所述专家参数调整知识信息转化为专家知识规则；

基于各所述专家知识规则，建立专家知识库，并将所述专家知识库进行知识注入至初始专家打分模型；

将各所述参数调整优化值输入至所述初始专家打分模型进行迭代训练，得到所述专家打分模型。

所述工艺参数优化装置还用于：

对所述目标参数优化信息进行可视化处理，得到可视化参数信息；

将所述可视化参数信息推送至目标用户，以供所述目标用户查看，并获取所述可视化参数信息对应的用户反馈信息；

基于所述用户反馈信息，对工艺参数优化流程进行优化。

所述工艺参数优化装置还用于：

获取待优化参数信息，并将所述待优化参数信息输入至工艺参数缺陷识别模型，得到所述工艺参数缺陷识别模型输出的工艺参数缺陷类型；

基于所述工艺参数缺陷类型，通过预设贪心算法确定所述待优化参数信息对应的参数优化路径；

若所述参数优化路径为多个大模型预测策略，则获取待优化参数信息对应的模型提示词。

所述工艺参数优化装置还用于：

若所述工艺参数优化模型为外部大模型，则获取所述工艺参数优化模型对应的外部模型接口；

根据所述外部模型接口，调用所述外部大模型，以通过所述外部大模型执行所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值的步骤。

本申请提供的工艺参数优化装置，采用上述实施例中的工艺参数优化方法，能够解决如背景技术中的技术问题。与现有技术相比，本申请提供的工艺参数优化装置的有益效果与上述实施例提供的工艺参数优化方法的有益效果相同，且所述工艺参数优化装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

本申请提供一种工艺参数优化设备，工艺参数优化设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的工艺参数优化方法。

下面参考图7，其示出了适于用来实现本申请实施例的工艺参数优化设备的结构示意图。本申请实施例中的工艺参数优化设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（Personal Digital Assistant：个人数字助理）、PAD（PortableApplication Description：平板电脑）、PMP（Portable Media Player：便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的工艺参数优化设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，工艺参数优化设备可以包括处理装置1001（例如中央处理器、图形处理器等），其可以根据存储在只读存储器1002中的程序或者从存储装置1003加载到随机访问存储器1004中的程序而执行各种适当的动作和处理。在随机访问存储器1004中，还存储有工艺参数优化设备操作所需的各种程序和数据。处理装置1001、只读存储器1002以及随机访问存储器1004通过总线1005彼此相连。输入/输出接口1006也连接至总线。通常，以下系统可以连接至输入/输出接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器（LCD：Liquid CrystalDisplay）、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许工艺参数优化设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的工艺参数优化设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从只读存储器1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。

本申请提供的工艺参数优化设备，采用上述实施例中的工艺参数优化方法，能解决如背景技术中的技术问题。与现有技术相比，本申请提供的工艺参数优化设备的有益效果与上述实施例提供的工艺参数优化方法的有益效果相同，且该工艺参数优化设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令（即计算机程序），计算机可读程序指令用于执行上述实施例中的工艺参数优化方法。

本申请提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM：Random Access Memory）、只读存储器（ROM：Read Only Memory）、可擦式可编程只读存储器（EPROM：Erasable Programmable Read Only Memory或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM：CD-Read Only Memory）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（RadioFrequency：射频）等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是工艺参数优化设备中所包含的；也可以是单独存在，而未装配入工艺参数优化设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被工艺参数优化设备执行时，使得工艺参数优化设备：

获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；

将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；

对各所述工艺参数优化值进行择优对比，确定目标参数优化信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN：Local Area Network）或广域网（WAN：Wide Area Network）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本申请提供的可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述工艺参数优化方法的计算机可读程序指令（即计算机程序），能够解决如背景技术中的技术问题。与现有技术相比，本申请提供的计算机可读存储介质的有益效果与上述实施例提供的工艺参数优化方法的有益效果相同，在此不做赘述。

本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的工艺参数优化方法的步骤。

本申请提供的计算机程序产品能够解决如背景技术中的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的工艺参数优化方法的有益效果相同，在此不做赘述。

以上所述仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (11)

1.一种工艺参数优化方法，其特征在于，包括：

获取待优化参数信息对应的模型提示词，其中，所述模型提示词是基于所述待优化参数信息对应的结构化参数信息生成的；

将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值；

对各所述工艺参数优化值进行择优对比，确定目标参数优化信息。

2.如权利要求1所述的工艺参数优化方法，其特征在于，各所述工艺参数优化模型的训练过程包括：

获取若干组模型训练数据，并确定若干个初始工艺参数优化模型对应的模型框架，其中，所述模型训练数据包括工艺参数设定值、产品质量反馈以及模具参数；

对各所述模型训练数据进行数据预处理、数据降维以及特征提取，得到若干组模型结构化特征数据；

将各所述模型结构化特征数据输入至若干个初始工艺参数优化模型对应的模型框架中进行迭代训练，得到各所述工艺参数优化模型。

3.如权利要求1所述的工艺参数优化方法，其特征在于，所述获取待优化参数信息对应的模型提示词，包括：

获取待优化参数信息；

对所述待优化参数信息进行数据预处理以及重要性分析，得到结构化参数信息；

基于所述结构化参数信息，生成所述待优化参数信息对应的模型提示词。

4.如权利要求1所述的工艺参数优化方法，其特征在于，所述对各所述工艺参数优化值进行择优对比，确定目标参数优化信息，包括：

基于预设整合策略，将各所述工艺参数优化值进行参数优化值整合，得到参数整合排序；

判断各所述工艺参数优化值是否符合预设冲突范围；

若是，则基于所述参数整合排序以及专家打分模型，得到目标参数优化信息。

5.如权利要求4所述的工艺参数优化方法，其特征在于，所述基于所述参数整合排序以及专家打分模型，得到目标参数优化信息，包括：

将各所述工艺参数优化值输入至所述专家打分模型，得到所述专家打分模型输出的各所述工艺参数优化值对应的专家评分；

基于各所述工艺参数优化值对应的专家评分，对所述参数整合排序进行重排序，得到参数综合排序；

基于所述参数综合排序，确定所述目标参数优化信息。

6.如权利要求4所述的工艺参数优化方法，其特征在于，所述专家打分模型的训练过程包括：

获取若干组专家参数调整知识信息以及若干组参数调整优化值，将各所述专家参数调整知识信息转化为专家知识规则；

基于各所述专家知识规则，建立专家知识库，并将所述专家知识库进行知识注入至初始专家打分模型；

将各所述参数调整优化值输入至所述初始专家打分模型进行迭代训练，得到所述专家打分模型。

7.如权利要求1所述的工艺参数优化方法，其特征在于，所述对各所述工艺参数优化值进行择优对比，确定目标参数优化信息之后，还包括：

对所述目标参数优化信息进行可视化处理，得到可视化参数信息；

将所述可视化参数信息推送至目标用户，以供所述目标用户查看，并获取所述可视化参数信息对应的用户反馈信息；

基于所述用户反馈信息，对工艺参数优化流程进行优化。

8.如权利要求1所述的工艺参数优化方法，其特征在于，所述获取待优化参数信息对应的模型提示词之前，还包括：

获取待优化参数信息，并将所述待优化参数信息输入至工艺参数缺陷识别模型，得到所述工艺参数缺陷识别模型输出的工艺参数缺陷类型；

基于所述工艺参数缺陷类型，通过预设贪心算法确定所述待优化参数信息对应的参数优化路径；

若所述参数优化路径为多个大模型预测策略，则获取待优化参数信息对应的模型提示词。

9.如权利要求1所述的工艺参数优化方法，其特征在于，所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值之前，还包括：

若所述工艺参数优化模型为外部大模型，则获取所述工艺参数优化模型对应的外部模型接口；

根据所述外部模型接口，调用所述外部大模型，以通过所述外部大模型执行所述将所述模型提示词输入至若干个工艺参数优化模型，得到各所述工艺参数优化模型输出的工艺参数优化值的步骤。

10.一种工艺参数优化设备，其特征在于，所述工艺参数优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至9中任一项所述的工艺参数优化方法的步骤。

11.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的工艺参数优化方法的步骤。