CN102483622A - 智能装置以及补偿机床冲头凹陷的方法 - Google Patents

智能装置以及补偿机床冲头凹陷的方法 Download PDF

Info

Publication number
CN102483622A
CN102483622A CN2009801610844A CN200980161084A CN102483622A CN 102483622 A CN102483622 A CN 102483622A CN 2009801610844 A CN2009801610844 A CN 2009801610844A CN 200980161084 A CN200980161084 A CN 200980161084A CN 102483622 A CN102483622 A CN 102483622A
Authority
CN
China
Prior art keywords
drift
lathe
compensating
depression
depression according
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2009801610844A
Other languages
English (en)
Inventor
安德烈斯·布斯蒂洛·伊格莱希亚斯
马里察·科雷亚·巴伦西亚
鲁道夫·伊莱亚斯·哈伯·格拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SPANISH NATIONAL RESEARCH COUNCIL
Universidad de Burgos
Original Assignee
SPANISH NATIONAL RESEARCH COUNCIL
Universidad de Burgos
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SPANISH NATIONAL RESEARCH COUNCIL, Universidad de Burgos filed Critical SPANISH NATIONAL RESEARCH COUNCIL
Publication of CN102483622A publication Critical patent/CN102483622A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
    • B23Q11/001—Arrangements compensating weight or flexion on parts of the machine
    • B23Q11/0028—Arrangements compensating weight or flexion on parts of the machine by actively reacting to a change of the configuration of the machine
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明包括智能装置和一种方法，该方法使用所述装置，通过使用概率计算、特别是通过贝叶斯网络，和内模控制、特别是自适应神经模糊控制装置，来补偿冲头凹陷。

Description

智能装置以及补偿机床冲头凹陷的方法
技术领域
 本发明属于机床领域，特别是包括冲头的机床，例如铣床。
本发明包括智能装置和一种方法，该方法使用所述装置，通过使用概率计算、特别是通过贝叶斯网络，和内模控制、特别是自适应神经模糊控制装置，来补偿冲头凹陷。
背景技术
机床、特别是具有一水平冲头的铣床，称之为垂直配置机床，其中的冲头，由于其轴线（一般是Y轴）的几何误差而受损，其中，轴线由该构件定义。这种误差是由冲头的挠曲造成的，而冲头的挠曲则是由其重量和机床、特别是铣床的工具头的重量造成的。
在本文献中，机床轴的定义如下：X轴为基座的纵轴；Y轴为立柱的纵轴；以及Z轴为冲头的纵轴。
近来，该问题由于具有不只一个工具头的机床的普及而增多，这样的机床使用一种自动换头系统。每个工具头具有不同的重量，从而导致不同的挠曲。
用于防止这种挠曲的传统方法称之为“电子补偿”，其包括在铣床的计算机数控（CNC）中编写一用于机床Y轴的补偿表，从而补偿该冲头凹陷。该技术方案的问题在于其不允许恢复由该凹陷造成的正交轴的损失。因此，对于用于使用具有小而薄的板材的大量磨铣的铣床的机械磨头来说，表面加工操作的这种偏差可导致在每个连续表面之间产生高达0.5mm的台阶。
为了解决该问题，一些机床制造商在进行冲头的最后加工时，在冲头内引入一定的张量，以模拟工具头的重量。当将这些张量在制造冲头之后消除时，冲头将在其纵轴上形成补偿其之后的凹陷的曲率。该技术方案仅在机床只包括一个工具头的情况下有效。如果机床包括具有不同重量的多个工具头，则该补偿通常只针对最重的或最经常使用的工具头进行，根据客户的标准而定。为了补偿其它的工具头，使用上述电子补偿方法，或在具有不同张力的冲头中引入固定的张量，每次基于位于机床中的工具头而编程。
除该传统的问题的之外，近年来用于机床、特别是铣床的主动振动补偿系统的增长也产生了问题，该系统必须与机床越接近越好，即在机床冲头中。这些系统必须位于冲头的上/下表面上，以补偿机床X或Z轴上的振动，并位于冲头的侧面上，以补偿机床Y轴上的振动。因此，引入了新的重量和刚度的局部变化，需要补偿。此外，根据机床的预期用途，主动振动补偿系统必须处理的力的范围将是不同的，所以，其重量、锚固面和位置也是不同的。
补偿这些变化的最佳逻辑方式是进行冲头的有限元建模（FEM），其允许消除其刚度并计算冲头加工过程中耦合的张量的张力。然而，对制造的每个机床冲头的这种性质进行研究，对大型机床来说过于昂贵，包括高水平的尺寸定制、工具头、以及特定工艺的最优化，特别是在铣床的情况下。
由于这个原因，允许通过自动方式、进行一种足够有效的张力评估、以适用于在冲头加工过程中耦合的张量的装置和相应的方法，成为工业利益的应用。
发明内容
本发明由独立权利要求限定，并以其为特征，但从属权利要求说明了其它特征。
鉴于上述内容，本发明涉及一种用于补偿机床中的冲头凹陷的智能装置，其包括以下元件：具有计算机数控（CNC）的机床，进行概率计算的装置，和内模控制装置。
此外，本发明涉及一种用于补偿机床中冲头凹陷的方法，其使用如权利要求1所述的智能装置，包括以下步骤：
-   启动具有CNC的装置；
-   获得用于将要使用的变量的数值；
-   通过进行概率计算的方式，使用变量的数值，进行概率计算，以消除补偿圆柱的张力；
-   选择用于补偿圆柱的张力；
-   修改具有由内模控制（IMC）执行的内模控制装置的加工程序；
-   通过CNC执行实际加工条件。
附图说明
本说明书包括一组附图，其说明了优选实施例，不对本发明进行任何限制。
图1示出机床的透视图；
图2示出扩张至变量树的树扩张型贝叶斯网络的结构；
图3示出智能装置的示意图，显示出构成所述装置的元件之间的信息交换路径。
具体实施方式
本发明的实施例说明了一种智能装置和方法，其通过一计算系统实现，该计算系统允许获取冲头1.1的凹陷的最优补偿。该计算系统基于用于判定和计算补偿圆柱的张力并控制机床的分布式系统。
根据智能装置的部件为：
-   具有计算机数控（CNC）的机床1，特别是铣床，其加工冲头1.1；
-   用于进行概率计算的装置2，特别是应用贝叶斯网络的工作站；
-   内模控制装置3，特别是神经模糊自适应控制装置；
-   用于根据智能装置的部件间的通讯的网络装置。
机床、特别是铣床，负责冲头1.1的外表面的最后的铣削或修整，该冲头可包括在其它的铣床内。在该外表面上可设置用于冲头1.1的导向系统及其驱动，所以该表面决定了新铣床的最终几何结构，特别是用于垂直机床中Z轴的移动。
CNC 1.3负责智能装置的启动，该智能装置具有在机床的可编程逻辑控制器（PLC）1.2中编程的虚拟按键。该虚拟按键必须在冲头1.1位于其在该机床上的最终加工位置时，由操作者按下。然后，虚拟按键向工作站2发送加工程序，从该程序获取计算补偿圆柱的张力所需的变量的部分的数值，由此启动这里说明的智能装置。
此外，CNC 1.3在冲头1.1的加工过程中，负责根据由神经模糊自适应控制器提供的参数，对加工条件进行实时修改。
由CNC 1.3进行的加工条件的实时修改是可能的，因为其使用来自中间位置传感器和机床中其它的传感器的信号，负责确保工具沿着加工程序中编写的路径。除CNC 1.3之外，铣床还具有可编程自动装置或可编程逻辑控制器（PLC）   1.2，其比CNC 1.3更易于编程，通常由制造商关闭或限制。
智能装置启动后，CNC 1.3接收来自工作站2的张力（TCC）并将其在屏幕上显示给操作者，操作者必须将该张力在加工之前用于补偿圆柱。如果工作站2不能确定合适的张力，CNC 1.3将会将每个TCC分类的概率显示给操作者，以允许操作者决定使用哪一种张力。
具有贝叶斯网络应用程序的工作站2根据已知的变量，提供张力的数值（TCC），该数值必须应用于补偿圆柱。该TCC数值间接允许获得用于将要加工的冲头1.1的合适曲率，因为当在加工后去除补偿圆柱，和施加了适当的张力时，冲头1.1本身将会弯曲。
通过使用称之为预测变量的9个变量的数值，进行TCC的预测。预测变量的数值通过来自包括在机床的CNC 1.3中的用于冲头1.1的加工程序，和来自伴随指令数据库4的应用程序来获得。
这些预测变量为：
-   冲头1.1在其最远位置的最大长度（LMC）；
-   关键工具头或要补偿的工具头的重量（PCC）；
-   主动减振器的尺寸（DAA）；
-   （一个或多个）主动减振器施加的力（FAA）；
-   用于第二工具头的固定内部凹陷补偿圆柱的存在（CIF）；
-   用于固定内部补偿圆柱的张力值（TCIF）；
-   使冲头1.1的侧壁一致的板材的厚度（EEC）；
-   主动减振器的安装位置（PAAA）。
下述公式定义了TCC的数值：TCC = f（预测变量）
网络结构基于启动加工过程之前获得的9个预测变量，加上第10变量TCC，称之为类变量。该网络中使用的9个变量是制造过程、冲头1.1的设计、以及要加工的冲头1.1的相应操作条件的特征。
用于训练网络的数据通过使用有限元法（FEM）产生。
由于变量TCC定义为连续值，而贝叶斯网络中的变量必须具有状态的离散数量，故该变量根据以下数值表转化为离散值。
Figure DEST_PATH_IMAGE002
将拉普拉斯修正应用于贝叶斯网络，从而给下述情况指定一个分享权重，该情况为在训练时没有被包括，但在以后多次出现的情况。
以下术语和标记将被用来说明用于贝叶斯网络的一般方法。
性质i的事件或状态 (x1) ：与某些所需信息有关的未来的情况。
状态x的先验概率(p(xi)) ：性质i的一个状态将基于原始信息而发生的概率，即，没有证据。
样本的研究或信息：通常，这是在研究或训练之后可获得的附加信息。研究或训练的结果可通过不同的指示来表示。一组发现结果被称为证据，通常用“e”表示。
条件e下的x1的条件概率(p(x1︱e)) ：事件A影响第二事件B的结果的概率。
条件e下的xi的后验概率(p(x1︱e)) ：事件发生后的该事件的概率。如果P(x1︱e)表示后验概率，则P(x1︱e)  = P(e,x1) ︱ P(e)。
在朴素贝叶斯法中，第k样本属于变量x1的第i级的概率由下式计算：
Figure DEST_PATH_IMAGE004
为了生成扩张至树的朴素贝叶斯结构，使用由Friedman提出的树扩张型网络（TAN）算法。该算法考虑了以类变量为条件的交互信息的数量。以变量C为条件的离散变量X和Y之间的交互信息的数量由以下等式定义：
Figure DEST_PATH_IMAGE006
用于进行计算的步骤如下：
步骤1、计算I(Xi,Xj ︱C) ，其中 i<j; I,j=1,…,n；
步骤2、根据预测变量：X1,….,Xn，建立具有节点的非定向完备图。向通过连接变量Xi和Xj形成的每一条边分配一个由I(Xi,Xj ︱ C)给出的权重；
步骤3、将具有最大权重的两条边分配给将要建立的树；
步骤4、考察具有更大权重的下一条边，并将其加入树，除非其形成循环，如果形成循环，则将其丢弃，再考察下一条具有更大权重的边。重复该步骤直至选择了n-1条边；
步骤5、将由此获得的非定向树转化为定向树，选择一个变量作为根，然后定向其余的边；
步骤6、建立TAN模型，加入标记为C的节点，和从C至每一个预测变量Xi的弧线。
为上述问题而获得的TAN结构如图2所示。
通过使用K折交叉验证法和具有实验数据的文件，证实该贝叶斯网络是有效的。在该交叉验证法中，原始数据集分为k个子集，保持k个子集中只有一个作为验证数据来测试模型，并使用其余k-1个子集作为训练数据。该过程重复k次，分区，其中k个子集中的每一个作为验证数据只使用确切的一次。将分区的结果求平均或相加，以生成分类器精确度的一个单一评估；使用K=10。
验证后的模型的输出为列联表或混淆矩阵，其总结了用于每个分类状态的正确或不正确数据分类的结果，和表示成功比例的一般精确度数值，模型将通过该数值对提交至该网络中的新数据进行分类。验证之后，应用程序可被使用，贝叶斯网络可被询问关于不同内容的问题，以获得各种可能答案的后验概率。
在我们的实施例中，问题类型为预言性推理或因果性推断，从而预测效果。贝叶斯网络被询问“在一定的制造需求的条件下，TCC类的每个状态的概率是多少？”制造需求为以上定义的LMC、PCC、DAA、FAA、PAA、CIF、TCIF、 ECC和PAAA。
在一个具体的实施例中，贝叶斯网络可被询问关于由于以下数值的TCC的概率：P (TCC︱LMC=1, PCC= 500, DAA=150, FAA=300, PAA=40, CIF=0, TCIF=0, ECC=15, PAAA=250)。传播该证据，该网络计算用于TCC的以下概率，由一个表达：低张力0.02，中间张力0.89，中高张力0.09，以及高张力0.00。通过这些需求，具有最高概率的分类的状态识别出可应用的最佳张力，即与中间张力相应，因为其概率为89%。这种推理是正确的，因为其与试验训练中获得的数值相当。
如果TCC状态中的一个状态较为显著，具有大于80%的概率，则将其传输到机床的CNC 1.3中。如果不是这样，则提示操作者TCC分类的每个状态的概率，从而分析该情况。
神经模糊自适应控制装置3从CNC 1.3接收来自机床的内部传感器的信息，或还接收来自安装在机床中的外部传感器的信息。此外，该装置还监测和修改与部分程序的执行相关的CNC 1.3的变量，例如掘进速度和旋转速度，从而优化加工时间和最小化冲头1.1凹陷造成的误差。
该自适应控制装置为与CNC 1.3相连的计算机或嵌入式控制系统。在这里列举的具体实施例中，网络装置将要执行的部分程序传输至CNC 1.3。此外，该装置通过网络接收来自包括在具有CNC 1 的机床中的传感器的信息。
该装置基于神经模糊控制器执行内模控制（IMC），从而根据必须应用于补偿圆柱的张力和加工条件，实时修改加工冲头1.1的铣床的掘进速度或旋转速度，即，修改加工程序中设置的加工条件，向CNC传输用于其执行的新的条件。
该控制器基于模糊逻辑，包括基于神经网络的预测模块（神经模糊控制器）。根据本发明的优选实施例，确定由神经模糊控制器定义的参数，从而最小化价值指标。
模糊逻辑基于模糊集合，该集合的元素与一隶属函数相关联，该函数表示元素形成模糊集合的部分的测量。最典型的隶属函数的形式为：梯形、三角形或高斯。即，模糊逻辑基于探索法，例如IF（前提）THEN（结果），其中，前提和结果也是模糊集合，不是单纯的元素就是通过它们操作的结果。在冲头1.1的情况下，决定模糊集合中的元素的隶属度的规则是基于设计者的经验和由贝叶斯网络提供的信息。
网络装置负责连接3个上述的元素，允许它们之间的通讯和最小化它们之间通讯的延迟。
该网络装置可以是过程现场总线族的现场总线或其它，根据网络的类型：mpi、以太网、因特网等。在任何情况下，网络装置的特征在于引入监测传输，以及CNC 1.3和控制装置之间的控制信号中的最大延迟，其称为L网络装置。由此，通讯过程的最大全局延迟L最大，将是由网络装置引入的延迟L网络装置和由过程空载时间造成的延迟L冲头的和，例如，L最大=L冲头+L网络装置。在本发明的优选实施例中，该延迟小于60秒。
用于概率计算的网络装置的优选用途允许多个元素并行工作进行计算，从而最小化计算时间。

Claims (15)

1.一种用于补偿机床中的冲头凹陷的智能装置，其包括以下元件：具有CNC的机床（1），进行概率计算的装置（2），和用于内模控制的装置（3）。
2.根据权利要求1所述的用于补偿机床中的冲头凹陷的智能装置，其特征在于，构成该装置的元件之间的通讯通过一网络装置。
3.一种用于补偿机床中冲头凹陷的方法，其使用如权利要求1所述的智能装置，包括以下步骤：
-   启动具有CNC（1.3）的装置；
-   获得用于将要使用的变量的数值；
-   通过进行概率计算的装置（2），使用变量的数值，进行概率计算，以消除补偿圆柱的张力；
-   选择用于补偿圆柱的张力；
-   修改进入具有由神经模糊自适应控制执行的内模控制装置（3）的加工程序的加工程序；
-   通过CNC（1.3）执行新的加工条件。
4.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，由CNC（1.3）启动的装置通过按下可编程逻辑控制器（1.2）的虚拟按键而运行。
5.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，变量的数值从加工程序和数据库（4）获得。
6.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，使用的变量从以下中选择：冲头在其最远位置的最大长度（LMC）；关键工具头或要补偿的工具头的重量（PCC）；主动减振器的尺寸（DAA）；（一个或多个）主动减振器施加的力（FAA）；用于第二工具头的固定内部凹陷补偿圆柱的存在（CIF）；用于固定内部补偿圆柱的张力值（TCIF）；与冲头的侧壁一致的板材的厚度（EEC）；主动减振器的安装位置（PAAA）。
7.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，将朴素贝叶斯网络用于概率计算。
8.根据权利要求7所述的用于补偿机床中冲头凹陷的方法，其特征在于，通过使用有限元法训练朴素贝叶斯网络。
9.根据权利要求7所述的用于补偿机床中冲头凹陷的方法，其特征在于，通过使用Friedman算法将贝叶斯网络扩张至树。
10.根据权利要求9所述的用于补偿机床中冲头凹陷的方法，其特征在于，通过使用拉普拉斯修正来修正树扩张型网络。
11.根据权利要求7所述的用于补偿机床中冲头凹陷的方法，其特征在于，通过使用交叉验证法和实验数据来证实贝叶斯网络有效。
12.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，用于补偿圆柱的张力的选择，在概率大于80%的情况下，由该装置进行；在小于或等于80%的情况下，由操作者进行。
13.根据权利要求7所述的用于补偿机床中冲头凹陷的方法，其特征在于，补偿圆柱的张力的数值是离散数值。
14.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，自适应神经模糊控制装置实时修改加工条件，以适应掘进速度和工具头旋转速度。
15.根据权利要求3所述的用于补偿机床中冲头凹陷的方法，其特征在于，网络装置用于概率计算，多个元素并行工作进行该计算。
CN2009801610844A 2009-10-23 2009-10-23 智能装置以及补偿机床冲头凹陷的方法 Pending CN102483622A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/ES2009/070453 WO2011048231A1 (es) 2009-10-23 2009-10-23 Dispositivo inteligente y procedimiento para la compensación de caídas de carnero en máquinas herramienta

Publications (1)

Publication Number Publication Date
CN102483622A true CN102483622A (zh) 2012-05-30

Family

ID=43899858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009801610844A Pending CN102483622A (zh) 2009-10-23 2009-10-23 智能装置以及补偿机床冲头凹陷的方法

Country Status (4)

Country Link
CN (1) CN102483622A (zh)
DE (1) DE112009005232T5 (zh)
ES (1) ES2398814B1 (zh)
WO (1) WO2011048231A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965441A (zh) * 2021-02-01 2021-06-15 新代科技(苏州)有限公司 一种控制器通讯延迟补偿方法
CN113646131A (zh) * 2019-03-26 2021-11-12 西门子股份公司 具有多重振动检测的机床中的振动衰减

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749850A (zh) * 2012-07-20 2012-10-24 富阳登城塑料机械有限公司 一种基于梯形图在间歇式预发机上运用模糊控制的实现方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0715715Y2 (ja) * 1989-10-19 1995-04-12 東芝機械株式会社 工作機械の位置補正装置
SI21200A (sl) * 2002-03-27 2003-10-31 Jože Balič Cnc upravljalna enota za krmiljenje obdelovalnih centrov s sposobnostjo učenja
EP1659468A3 (en) * 2004-11-16 2006-08-16 Rockwell Automation Technologies, Inc. Universal run-time interface for agent-based simulation and control systems
WO2009109673A1 (es) * 2008-03-03 2009-09-11 Consejo Superior De Investigaciones Científicas Procedimientos de control basado en lógica borrosa para procesos de taladrado

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113646131A (zh) * 2019-03-26 2021-11-12 西门子股份公司 具有多重振动检测的机床中的振动衰减
CN112965441A (zh) * 2021-02-01 2021-06-15 新代科技(苏州)有限公司 一种控制器通讯延迟补偿方法
CN112965441B (zh) * 2021-02-01 2022-03-15 新代科技(苏州)有限公司 一种控制器通讯延迟补偿方法

Also Published As

Publication number Publication date
WO2011048231A1 (es) 2011-04-28
DE112009005232T5 (de) 2012-12-20
ES2398814B1 (es) 2014-01-29
ES2398814A1 (es) 2013-03-21

Similar Documents

Publication Publication Date Title
JP5096359B2 (ja) 同時プロセスシミュレーションを伴う多目的予測プロセス最適化
EP2118711B1 (en) Apparatus and method for automated closed-loop identification of an industrial process in a process control system.
EP3462268B1 (en) Classification modeling for monitoring, diagnostics optimization and control
JPH07191737A (ja) 工場制御装置および制御方法
CN113732557B (zh) 一种基于数字孪生的焊接监控方法
Rego et al. Learning‐based robust neuro‐control: A method to compute control Lyapunov functions
CN102483622A (zh) 智能装置以及补偿机床冲头凹陷的方法
García et al. Towards a Knowledge-driven Maintenance Support System for Manufacturing Lines.
WO2021181913A1 (ja) 制御システム及び制御方法
CN104081298B (zh) 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法
CN104950676A (zh) 时变电力系统自适应控制方法和装置
Campos et al. Challenges and problems with advanced control and optimization technologies
Tomasic et al. Mixed-effect models for the analysis and optimization of sheet-metal assembly processes
US9529341B2 (en) Motion-control system for performing different tasks
Jankovič et al. The concept of smart hydraulic press
CN116134387B (zh) 用于确定工业任务的ai模型的压缩率的方法和系统
EP3907053B1 (en) Method for optimizing the movement of a machine for working panels and system thereof
Marsudi et al. The analysis of manufacturing systems utilization by using queuing and taylor theories
JP2018147103A (ja) モデル学習装置、制御量算出装置、及びプログラム
Wang et al. Adaptive Quality Control With Uncertainty for a Pharmaceutical Cyber-Physical System Based on Data and Knowledge Integration
EP4045979A1 (en) A controller
WO2021104778A1 (de) Verfahren und testanordnung zum testen einer autonomen verhaltenssteuerung für ein technisches system
CN110187637A (zh) 在控制方向和期望轨迹不确定下的机器人系统控制方法
Koç et al. E-manufacturing-fundamentals, requirements and expected impacts
Koç et al. E-manufacturing—trends and opportunities

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120530