本技術涉及機器學習，特別是涉及一種基于機器學習的成本數據確定方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
背景技術：
1、在機械加工行業中，模具零件及復雜機械加工零件通常屬于非標準化定制生產的零件。由于非標準化定制生產的零件圖紙要求各異，工藝路線復雜，難以達到標準零件即時報價的效果。目前，主要通過經驗豐富的員工來估算非標準化零件的制作工時與制作費用等成本數據。但是，由于不同人員對同一零件的分析和估算可能存在差異，導致輸出的非標準化零件的成本數據存在波動。因此，亟須一種更客觀準確的方式來計算非標準化零件的成本數據。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠提高數據準確性的基于機器學習的成本數據確定方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
2、第一方面，本技術提供了一種基于機器學習的成本數據確定方法，包括：
3、獲取目標零件的零件數據，利用所述零件數據構建所述目標零件對應的特征向量；
4、利用所述目標零件的特征向量與預先存儲的歷史零件的特征向量之間的距離，確定所述目標零件與所述歷史零件之間的相似度；
5、利用所述歷史零件的特征向量與歷史成本數據構建學習數據，并使用所述學習數據訓練得到機器學習模型；
6、在所述相似度滿足預設數值范圍的情況下，通過所述機器學習模型利用所述目標零件的特征向量進行成本預測，得到所述目標零件的目標成本數據。
7、在其中一個實施例中，所述機器學習模型集成有梯度提升樹模型與神經網絡模型；所述通過所述機器學習模型利用所述目標零件的特征向量進行成本預測，得到所述目標零件的目標成本數據，包括：
8、將所述目標零件的特征向量輸入所述梯度提升樹模型進行回歸預測，得到第一預測數據；
9、將所述目標零件的特征向量輸入所述神經網絡模型進行成本預測，得到第二預測數據；
10、融合所述第一預測數據與所述第二預測數據，得到所述目標成本數據。
11、在其中一個實施例中，在所述零件數據屬于二維數據的情況下，所述利用所述零件數據構建所述目標零件對應的特征向量，包括：
12、利用所述零件數據中的幾何參數，構建所述目標零件的幾何特征參數；
13、利用所述零件數據中的圖層參數，構建所述目標零件的圖層特征參數；
14、利用所述零件數據中的尺寸參數，構建所述目標零件的尺寸特征參數；
15、將所述幾何特征參數、所述圖層特征參數與所述尺寸特征參數作為所述目標零件在多個維度下的特征數據；
16、利用所述多個維度下的特征數據，構建所述特征向量。
17、在其中一個實施例中，在所述零件數據屬于三維數據的情況下，所述獲取目標零件的零件數據，利用所述零件數據構建所述目標零件對應的特征向量，包括：
18、利用所述零件數據中的幾何參數，構建所述目標零件的幾何特征參數；
19、利用所述零件數據中的拓撲參數，構建所述目標零件的拓撲特征參數；
20、利用所述零件數據中的形狀參數，構建所述目標零件的形狀描述符參數；
21、利用所述幾何參數、所述拓撲參數、所述形狀參數與所述零件數據中的材料參數，構建所述目標零件的零件復雜度參數；
22、將所述零件復雜度參數、所述幾何特征參數、所述拓撲特征參數、所述形狀描述符參數、所述零件數據中的零件生產數量與零件精度需求參數作為所述目標零件在多個維度下的特征數據；
23、利用所述多個維度下的特征數據，構建所述特征向量。
24、在其中一個實施例中，所述利用所述多個維度下的特征數據，構建所述特征向量，包括：
25、分別讀取每個維度對應的初始特征權重；
26、根據所述目標零件的零件類型，對所述初始特征權重進行調整，得到所述每個維度對應的目標特征權重；
27、對所述每個維度對應的目標特征權重進行歸一化處理，得到歸一化權重；
28、分別利用所述每個維度對應的歸一化權重對所述每個維度下的特征數據進行歸一化處理，并組合歸一化處理后的特征數據得到所述目標零件的特征向量。
29、在其中一個實施例中，所述根據所述目標零件的零件類型，對所述初始特征權重進行調整，得到所述每個維度對應的目標特征權重，包括：
30、在所述零件類型為小型簡單零件類型的情況下，提高尺寸維度與基本幾何維度對應的初始特征權重，并且，降低拓撲維度與形狀描述符維度的初始特征權重，得到所述尺寸維度、所述基本幾何維度、所述拓撲維度以及所述形狀描述符維度的目標特征權重；
31、在所述零件類型為復雜零件類型的情況下，提高所述拓撲維度、所述形狀描述符維度與凸包維度的初始特征權重，并且，降低尺寸維度對應的初始特征權重，得到所述拓撲維度、所述形狀描述符維度、所述凸包維度與所述尺寸維度的目標特征權重；
32、在所述零件類型為大型零件類型的情況下，提高所述基本幾何維度與慣性矩維度對應的初始特征權重，并且，降低曲率維度以及對稱性維度的初始特征權重，得到所述基本幾何維度、所述慣性矩維度、所述曲率維度以及所述對稱性維度的目標特征權重；
33、在所述零件類型為扁平零件類型的情況下，提高所述對稱性維度與所述形狀描述符維度的初始特征權重，得到所述對稱性維度與所述形狀描述符維度的目標特征權重。
34、在其中一個實施例中，所述利用所述目標零件的特征向量與預先存儲的歷史零件的特征向量之間的距離，確定所述目標零件與所述歷史零件之間的相似度，包括：
35、利用多個所述歷史零件之間的特征向量距離，迭代聚類得到多個歷史零件簇；
36、利用所述目標零件的特征向量分別與每個所述歷史零件簇的中心特征向量之間的距離，從多個所述歷史零件簇中確定與所述目標零件對應的目標零件簇；
37、利用所述目標零件的特征向量與所述目標零件簇內的每個歷史零件的特征向量之間的距離，確定所述目標零件與所述目標零件簇內的每個歷史零件之間的相似度。
38、在其中一個實施例中，所述方法還包括：
39、根據所述零件數據確定所述目標零件的基礎成本數據；
40、在所述機器學習模型成本預測失敗的情況下，確定所述目標零件與所述學習數據對應的歷史零件之間的平均相似度，所述機器學習模型成本預測失敗的情況包括所述機器學習模型不存在的情況、所述學習數據的數據量小于預設的數據量閾值的情況以及所述機器學習模型在成本預測過程中報錯的情況中的至少一種；
41、根據所述相似度確定與所述學習數據對應的歷史零件的相似度權重；
42、確定所述學習數據對應的平均成本數據；
43、利用所述平均成本數據、所述相似度權重與所述基礎成本數據，生成所述目標零件的目標成本數據。
44、第二方面，本技術還提供了一種基于機器學習的成本數據確定裝置，包括：
45、向量構建模塊，用于獲取目標零件的零件數據，利用所述零件數據構建所述目標零件對應的特征向量；
46、相似度計算模塊，用于利用所述目標零件的特征向量與預先存儲的歷史零件的特征向量之間的距離，確定所述目標零件與所述歷史零件之間的相似度；
47、成本預測模塊，用于利用所述歷史零件的特征向量與歷史成本數據構建學習數據，并使用所述學習數據訓練得到機器學習模型；在所述相似度滿足預設數值范圍的情況下，通過所述機器學習模型利用所述目標零件的特征向量進行成本預測，得到所述目標零件的目標成本數據。
48、第三方面，本技術還提供了一種計算機設備。所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現上述第一方面任一項實施例所述的基于機器學習的成本數據確定方法。
49、第四方面，本技術還提供了一種計算機可讀存儲介質。所述計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述第一方面任一項實施例所述的基于機器學習的成本數據確定方法。
50、第五方面，本技術還提供了一種計算機程序產品。所述計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述第一方面任一項實施例所述的基于機器學習的成本數據確定方法。
51、上述基于機器學習的成本數據確定方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品，通過利用零件數據構建目標零件的特征向量，利用特征向量之間的相似度與預設數值范圍篩選與目標零件中等相似的歷史零件，并利用歷史零件的特征向量與歷史成本數據構建學習數據，并使用學習數據訓練得到機器學習模型，在相似度滿足預設數值范圍的情況下，通過機器學習模型利用目標零件的特征向量進行成本預測，得到目標零件的目標成本數據，能夠找到與目標零件中等相似的歷史零件，并利用歷史零件構建學習數據訓練機器學習模型，保障模型預測結果的可靠性，從而提高目標成本數據的準確性。