CN110032146A - 一种基于多机协同因子的复杂加工过程稳定性评估方法 - Google Patents
一种基于多机协同因子的复杂加工过程稳定性评估方法 Download PDFInfo
- Publication number
- CN110032146A CN110032146A CN201910333897.2A CN201910333897A CN110032146A CN 110032146 A CN110032146 A CN 110032146A CN 201910333897 A CN201910333897 A CN 201910333897A CN 110032146 A CN110032146 A CN 110032146A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- entropy
- factor
- machine collaborative
- 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.)
- Granted
Links
Classifications
-
- 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
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
- G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34013—Servocontroller
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多机协同因子的复杂加工过程稳定性评估方法,针对智能制造产品加工过程工序众多及影响参数关联复杂的特点,从不同工序波动转换关系分析与单工序加工过程稳定性评估两个方面进行研究。通过加工过程网络分析加工过程中的波动程度,计算不同工序下多机协同因子,并通过研究不同工序下转换因子分析不同工序下波动转化关系,对多机协同下复杂加工过程稳定性进行评估。
Description
技术领域
本发明属于加工过程动态质量控制技术领域,具体涉及一种基于多机协同因子的复杂加工过程稳定性评估方法。
背景技术
在产品的加工过程中,实现复杂加工过程的稳定性评估对提高产品质量,减少废品损失,增强企业的市场竞争力具有重要的现实意义。复杂加工过程是一个工艺过程复杂、加工工序众多、生产周期长的过程,通常包括产品的加工,装配过程,通过多台机床协同完成,来自人-机-环境等方面的加工质量影响因素众多,同时,各加工质量影响因素有着不同的分布复杂的类型,彼此之间存在相互耦合关系,因此如何实现对产品加工过程各加工质量影响因素耦合关系定量表示,对多机协同下产品加工过程稳定性进行评估是提高产品的加工质量需要解决的关键问题。
目前,传统的加工质量评价方法主要针对加工过程误差,无法对多机协同下复杂加工过程进行稳定性评估,难以对识别出加工过程中波动较大的时间点与关键工序,导致最终产品质量难以保证。针对产品加工过程中参数关联复杂及多机协同下产品加工过程稳定性评估困难的问题,亟需一种复杂加工过程稳定性评估方法,能够充分考虑各参数之间复杂的关联关系,分析多机协同下复杂加工过程的特点并对对多机协同下复杂加工过程波动情况进行评估,从而为及时采取反馈调整措施提供理论指导,有助于提高产品的加工过程质量。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于多机协同因子的复杂加工过程稳定性评估方法,利用网络理论描述复杂加工过程中各因素之间的关联关系,结合实际生产数据评估单工序加工阶段稳定性,并分析多机协同下质量状态波动变化情况,对多机协同加工过程稳定性进行评估。
本发明采用以下技术方案:
一种基于多机协同因子的复杂加工过程稳定性评估方法,利用网络理论建立加工过程网络模型,将影响加工过程质量的参数作为加工过程网络中的节点,连边反应不同节点复杂的耦合关系;加工过程网络随加工过程进行不断更新;通过计算节点的熵与节点之间的相关度计算加工过程网络的网络信息熵;通过计算反应不同工序间质量状态转换的传递因子,计算多机协同不同工序下加工过程的网络信息熵,将网络信息熵的梯度定义为多机协同因子,通过多机协同因子对加工过程稳定性进行评估用于提高加工过程质量。
具体的,建立加工过程网络模型具体为:
产品复杂加工过程中的不同加工阶段可视为不同的加工过程网络。加工过程网络中的网络节点表示加工过程中影响加工质量的参数,节点的值反应加工过程中该参数的大小及该参数的波动程度;加工过程网络中各个节点间的连边表示网络中各个节点之间的关联程度,连边值的大小表示节点耦合度的大小,表征各加工质量影响参数之间的相关度。
进一步的,产品连续加工过程中所建立的第k个加工过程网络Sk表示为:
Sk={sk1,sk2,……,skn}
其中,ski表示第k个加工过程网络中的第i个网络节点;n为加工质量影响参数的总数。
具体的,加工过程网络节点与连边值的计算具体为:
首先对采集得到的多维检测参数进行归一化处理;加工过程网络中各个节点的值用经过归一化处理之后参数值的偏差值得到,分别计算加工过程网络中第i,j个节点的关联程度和加工过程网络中节点连边值。
进一步的,加工过程网络中第i,j个节点的关联程度ai,j表示为:
其中,分别表示加工过程中的第i,j维监测参数。
进一步的,加工过程网络中节点连边值ui,j表示为:
其中,x,y分别表示不同维度的监测参数,分别为其均值,ai,j表示加工过程网络中第i,j个节点的关联程度。
具体的,网络信息熵梯度的计算具体为:
第k个加工过程网络中第i个节点的信息熵E(ski)为:
其中,q(ski)表示第k个加工过程网络中第i个节点的值,K表示修正系数,0<K<1。
单工序加工过程网络信息熵E(Sk)为:
其中,i≠j,ui,j为加工过程网络中节点连边值;
单工序下不同加工过程网络网络信息熵的变化量ΔE(Sk)为:
ΔE(Sk)=E(Sk)-E(Sk-1)。
具体的,分别针对前后两个工序建立加工过程网络,并计算各个节点的网络信息熵,分别得出两个加工过程网络的节点信息熵的最大值与最小值;分别计算出两个加工过程网络的节点信息熵最大值与最小值后,多机协同下不同工序网络信息熵的转化因子βk,k+1为:
节点信息熵的计算可表示为:
其中,E(ski)表示在加工过程网络中信息熵最大的节点,E(skj)表示在加工过程网络中信息熵最小的节点,x表示信息熵最大的节点对应的监测参数序列,y表示信息熵最小的节点对应的监测参数序列。
具体的,利用多机协同下不同工序下网络信息熵的转换因子,对不同加工工序所建立的加工过程网络的网络信息熵进行修正如下:
E(Sk+1)=βk,k+1*E(Sk+1)
其中,βk,k+1为多机协同下不同工序网络信息熵的转化因子;
则多机协同下不同工序间加工过程网络网络信息熵的变化量为:
ΔE(Sk+1)=E(Sk+!)-ΔE(Sk)
得出在多机协同复杂加工过程下连续的熵值变化曲线与熵值变化量的变化曲线。
进一步的,将网络信息熵的变化量视为多机协同因子,根据多机协同因子的变化曲线,如果熵值变化量在区间内连续上升,且在此区间内熵值的变化量累计大于原熵值的20%,认为此加工过程发生了不稳定波动,需要对此加工过程加以外界控制并利用熵值变化量与前工序熵值变化量的关联,对前工序的波动进行评估,提高加工质量;如果在多机协同不同工序连续的两个加工过程网络熵值变化量大于原有熵值的50%,认为多机协同下后一工序为该加工过程中的关键工序,需对后一工序加以重点监控并对其加工参数进行优化以提高加工质量;如果熵值变化量在过程中一直为负或始终在0线上下波动,认为该加工过程处于稳定波动中,加工过程达到理想状态。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于多机协同因子的复杂加工过程稳定性评估方法,综合考虑加工过程中各个影响加工过程质量的参数,并利用网络对各个参数之间复杂的关联关系加以反应;考虑了多机协同下不同加工工序间质量状态的转换情况,分析了多机协同下质量状态的转换机理,对多机协同下复杂加工过程稳定性进行评估。
进一步的,加工过程网络模型可以定量反应不同网络节点各参数间的复杂的关联关系。
进一步的,通过计算加工过程网络节点与连边值,定量表示加工过程中众多参数之间复杂的关联关系。
进一步的,通过多机协同因子反应加工过程中的波动变化情况,评估加工过程稳定性,分析不同工序间波动程度的关联,提高加工过程质量。
进一步的,不同工序网络信息熵的转化因子可以将不同工序间不同加工质量影响参数的波动在同一标准下进行评价,提高评价方法的适用性。
进一步的,利用曲线直观显示多机协同加工过程网络信息熵的变化情况,对加工过程波动进行预警并识别加工过程中关键加工工序。
综上所述,本发明通过建立加工过程网络,分析多机协同下多维质量状态的转换情况,利用多机协同因子对加工过程稳定性进行评估为后续反馈调整措施提供理论指导;本发明能够对加工过程中可能产生的异常进行预警并对关键加工工序进行识别,提高加工过程稳定性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明稳定性评估方法的流程图;
图2为锻造过程中各个加工工序的加工网络图;
图3为锻造过程中网络信息熵的变化图。
具体实施方式
本发明提供了一种基于多机协同因子的复杂加工过程稳定性评估方法,包括以下几个部分:复杂加工过程网络模型的构建,单工序加工阶段稳定性评估及多机协同加工过程稳定性评估。
为了实现产品复杂加工过程稳定性评估,首先利用网络理论建立加工过程网络模型,将影响加工过程质量的参数看作加工过程网络中的节点;利用传感器对加工过程中的数据进行实时采集,并根据测得的监测参数更新网络模型中加工过程网络,使网络模型更能反映当前加工过程;依据数据通过计算节点的信息熵与节点之间的相关度来计算加工过程网络的网络信息熵,熵值反应了当前加工过程的波动程度;通过计算反应不同工序间质量状态转换的传递因子,计算多机协同不同工序下加工过程的网络信息熵,将网络信息熵的梯度定义为多机协同因子,并通过多机协同因子对加工过程稳定性进行评估,从而提高产品的加工过程质量,减小产品在加工过程中的波动。
请参阅图1,本发明一种基于多机协同因子的复杂加工过程稳定性评估方法,包括以下步骤:
S1、多机协同加工过程网络模型的构建
S101、多机协同下复杂加工过程中随着加工的持续进行,加工设备的磨损与外界干扰的引入会引起加工过程质量的波动。尤其,在不同设备转换即进行不同质量状态的相互转换时,加工质量状态会发生较大波动。由于加工过程中影响加工质量的参数维度众多,各参数之间相互耦合,关联关系复杂,利用网络表征多维参数之间复杂的关联关系。
S102、加工过程网络模型的构建
产品复杂加工过程中的不同加工阶段可视为不同的加工过程网络。加工过程网络中的网络节点表示加工过程中影响加工质量的参数,节点的值反应加工过程中该参数的大小及该参数的波动程度;加工过程网络可表示为:
Sk={sk1,sk2,……,skn}
其中,Sk表示产品连续加工过程中所建立的第k个加工过程网络;ski表示第k个加工过程网络中的第i个网络节点,即为产品加工过程中的第i个加工质量影响参数;n为加工质量影响参数的总数。
加工过程网络中各个节点间的连边表示网络中各个节点之间的关联程度,连边值的大小表示节点耦合度的大小,从而表征各加工质量影响参数之间的相关度。
S2、单工序加工阶段稳定性评估:
S201、加工过程网络节点与连边值的计算
网络加工过程网络为赋值网络,网络中节点的值通过采集加工过程中影响加工质量的参数的值计算得到。具体表现为:
首先对采集得到的多维检测参数进行归一化处理,处理方式如式(1)
其中xo表示采集得到的的多维监测参数值,xmax,xmin分别为该监测参数的最大值与最小值,x为经过归一化处理之后的参数值,其分布范围被转换为(0.1,0.9)
加工过程网络中各个节点的值用经过归一化处理之后参数值的偏差值得到,其具体计算方式如下:
其中,为该监测参数均值,M为采集得到的该维影响加工过程质量影响参数的数目,svar为计算得到的该节点的值。
加工过程网络中第i,j个节点的关联程度可表示为:
其中分别表示加工过程中的第i,j维监测参数。
加工过程网络中节点连边值可表示为:
其中,x,y分别表示不同维度的监测参数,分别为其均值。
S202、网络信息熵梯度的计算
第k个加工过程网络中第i个节点的信息熵可表示为:
其中,q(ski)表示第k个加工过程网络中第i个节点的值,K表示修正系数,0<K<1。
单工序加工过程网络信息熵可表示为:
其中,i≠j;
单工序下不同加工过程网络网络信息熵的变化量可表示为:
ΔE(Sk)=E(Sk)-E(Sk-1) (7)
S3、多机协同加工过程稳定性评估
S301、多机协同下的加工过程,在质量状态在两个工序即两个机床变化时,由于装夹偏差、基准偏差的引入及工艺参数的改变,通常影响加工质量的参数会从维度与数值上发生较大变化,与之对应的加工过程网络也会发生较大改变,给多机协同下的加工过程稳定性评估带来困难。
针对多机协同下复杂加工过程质量状态转化的特点,首先分别针对前后两个工序建立加工过程网络,并计算各个节点的网络信息熵,分别得出两个加工过程网络的节点信息熵的最大值与最小值。节点信息熵的计算可表示为:
其中,E(ski)表示在加工过程网络中信息熵最大的节点,E(skj)表示在加工过程网络中信息熵最小的节点,x表示信息熵最大的节点对应的监测参数序列,y表示信息熵最小的节点对应的监测参数序列。
分别计算出两个加工过程网络的节点信息熵最大值与最小值后,多机协同下不同工序网络信息熵的转化因子可以表示为:
S302、多机协同加工过程稳定性评估
利用多机协同下不同工序下网络信息熵的转换因子,对不同加工工序所建立的加工过程网络的网络信息熵进行修正:
E(Sk+1)=βk,k+1*E(Sk+1) (10)
则多机协同下不同工序间加工过程网络网络信息熵的变化量为:
ΔE(Sk+1)=E(Sk+!)-ΔE(Sk) (11)
即可得出在多机协同加工过程下连续的熵值变化曲线与熵值变化量的变化曲线。
进一步的,将网络信息熵的变化量视为多机协同因子,根据多机协同因子的变化曲线,如果熵值变化量在一定区间内连续上升,且在此区间内熵值的变化量累计大于原熵值的20%,可认为此加工过程发生了不稳定波动,需要对此加工过程加以外界控制并利用熵值变化量与前工序熵值变化量的关联,对前工序的波动进行评估提高加工质量。如果在多机协同不同工序连续的两个加工过程网络熵值变化量大于原有熵值的50%,可认为多机协同下后一工序为该加工过程中的关键工序,需对后一工序加以重点监控并对其加工参数进行优化以提高加工质量。如果熵值变化量在过程中一直为负或始终在0线上下波动,可认为该加工过程一直处于一个稳定波动中,该加工过程达到了理想状态。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
为了验证本发明的可行性和有效性,利用本发明所述的方法对锻造过程进行稳定性评估。
S1、加工过程网络模型构建:
选取的锻造过程主要包含五个工序:镦粗,冲孔,滚圆,平整及扩孔。选取其中对锻造过程质量影响大的参数作为网络节点,建立加工过程网络模型。如图2所示。
S2、单工序加工阶段稳定性评估:
利用传感器对监测参数进行采集,利用加工过程中采集到的信号分别网络中节点与连边的值,并进一步计算加工过程网络的信息熵及信息熵变化量。
S3、加工状态评价
分别计算不同工序下网络信息熵的转换因子,对于不同工序间网络信息熵进行转换,计算出多机协同下加工过程的网络信息熵变化情况如图3所示。
根据网络信息熵变化量在工序内及不同工序间的变化情况,对多工序锻造过程进行评估。结果表明该多机协同下的锻造过程加工过程中处于正常波动范围内。网络的信息熵在冲孔阶段较大,且在平整到扩孔之间有较大的增加。为了提高锻造过程质量,因在冲孔阶段与扩孔阶段加工过程进行改进。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于多机协同因子的复杂加工过程稳定性评估方法,其特征在于,利用网络理论建立加工过程网络模型,将影响加工过程质量的参数作为加工过程网络中的节点,连边反应不同节点复杂的耦合关系;加工过程网络随加工过程进行不断更新;通过计算节点的熵与节点之间的相关度计算加工过程网络的网络信息熵;通过计算反应不同工序间质量状态转换的传递因子,计算多机协同不同工序下加工过程的网络信息熵,将网络信息熵的梯度定义为多机协同因子,通过多机协同因子对加工过程稳定性进行评估用于提高加工过程质量。
2.根据权利要求1所述的评估方法,其特征在于,建立加工过程网络模型具体为:
产品复杂加工过程中的不同加工阶段可视为不同的加工过程网络,加工过程网络中的网络节点表示加工过程中影响加工质量的参数,节点的值反应加工过程中该参数的大小及该参数的波动程度;加工过程网络中各个节点间的连边表示网络中各个节点之间的关联程度,连边值的大小表示节点耦合度的大小,表征各加工质量影响参数之间的相关度。
3.根据权利要求1或2所述的评估方法,其特征在于,产品连续加工过程中所建立的第k个加工过程网络Sk表示为:
Sk={sk1,sk2,……,skn}
其中,ski表示第k个加工过程网络中的第i个网络节点;n为加工质量影响参数的总数。
4.根据权利要求1所述的评估方法,其特征在于,加工过程网络节点与连边值的计算具体为:
首先对采集得到的多维监测参数进行归一化处理;加工过程网络中各个节点的值用经过归一化处理之后参数值的偏差值得到,分别计算加工过程网络中第i,j个节点的关联程度和加工过程网络中节点连边值。
5.根据权利要求4所述的评估方法,其特征在于,加工过程网络中第i,j个节点的关联程度ai,j表示为:
其中,分别表示加工过程中的第i,j维监测参数。
6.根据权利要求4所述的评估方法,其特征在于,加工过程网络中节点连边值ui,j表示为:
其中,x,y分别表示不同维度的监测参数,分别为其均值,ai,j表示加工过程网络中第i,j个节点的关联程度。
7.根据权利要求1所述的评估方法,其特征在于,网络信息熵梯度的计算具体为:
第k个加工过程网络中第i个节点的信息熵E(ski)为:
其中,q(ski)表示第k个加工过程网络中第i个节点的值,K表示修正系数,0<K<1;
单工序加工过程网络信息熵E(Sk)为:
其中,i≠j,ui,j为加工过程网络中节点连边值;
单工序下不同加工过程网络网络信息熵的变化量ΔE(Sk)为:
ΔE(Sk)=E(Sk)-E(Sk-1)。
8.根据权利要求1所述的评估方法,其特征在于,分别针对前后两个工序建立加工过程网络,并计算各个节点的网络信息熵,分别得出两个加工过程网络的节点信息熵的最大值与最小值;分别计算出两个加工过程网络的节点信息熵最大值与最小值后,多机协同下不同工序网络信息熵的转化因子βk,k+1为:
节点信息熵的计算可表示为:
其中,E(ski)表示在加工过程网络中信息熵最大的节点,E(skj)表示在加工过程网络中信息熵最小的节点,x表示信息熵最大的节点对应的监测参数序列,y表示信息熵最小的节点对应的监测参数序列。
9.根据权利要求1所述的评估方法,其特征在于,利用多机协同下不同工序下网络信息熵的转换因子,对不同加工工序所建立的加工过程网络的网络信息熵进行修正如下:
E(Sk+1)=βk,k+1*E(Sk+1)
其中,βk,k+1为多机协同下不同工序网络信息熵的转化因子;
则多机协同下不同工序间加工过程网络网络信息熵的变化量为:
ΔE(Sk+1)=E(Sk+!)-ΔE(Sk)
得出在复杂加工过程下连续的熵值变化曲线与熵值变化量的变化曲线。
10.根据权利要求9所述的评估方法,其特征在于,将网络信息熵的变化量视为多机协同因子,根据多机协同因子的变化曲线,如果熵值变化量在区间内连续上升,且在此区间内熵值的变化量累计大于原熵值的20%,认为此加工过程发生了不稳定波动,需要对此加工过程加以外界控制并利用熵值变化量与前工序熵值变化量的关联,对前工序的波动进行评估,提高加工质量;如果在多机协同不同工序连续的两个加工过程网络熵值变化量大于原有熵值的50%,认为多机协同下后一工序为该加工过程中的关键工序,需对后一工序加以重点监控并对其加工参数进行优化以提高加工质量;如果熵值变化量在过程中一直为负或始终在0线上下波动,认为该加工过程处于稳定波动中,加工过程达到理想状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333897.2A CN110032146B (zh) | 2019-04-24 | 2019-04-24 | 一种基于多机协同因子的复杂加工过程稳定性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333897.2A CN110032146B (zh) | 2019-04-24 | 2019-04-24 | 一种基于多机协同因子的复杂加工过程稳定性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032146A true CN110032146A (zh) | 2019-07-19 |
CN110032146B CN110032146B (zh) | 2020-10-27 |
Family
ID=67240055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333897.2A Active CN110032146B (zh) | 2019-04-24 | 2019-04-24 | 一种基于多机协同因子的复杂加工过程稳定性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032146B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908342A (zh) * | 2019-09-04 | 2020-03-24 | 南京林业大学 | 融合算子的多工序制造质量损失预测o-gert方法 |
CN111673291A (zh) * | 2020-06-03 | 2020-09-18 | 广东省智能制造研究所 | 一种激光切割机精度保持性的评估方法 |
CN112488411A (zh) * | 2020-12-11 | 2021-03-12 | 西安交通大学 | 一种基于近似周期工艺过程的加工稳定性评估方法 |
CN112684766A (zh) * | 2020-12-04 | 2021-04-20 | 西安交通大学 | 一种基于负熵增加的多机协同控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09134328A (ja) * | 1995-11-08 | 1997-05-20 | Meidensha Corp | コンピュータシステムの安定性評価方法 |
CN107248047A (zh) * | 2017-08-01 | 2017-10-13 | 西安交通大学 | 基于加工过程状态熵动态计算的加工过程状态评价方法 |
CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
-
2019
- 2019-04-24 CN CN201910333897.2A patent/CN110032146B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09134328A (ja) * | 1995-11-08 | 1997-05-20 | Meidensha Corp | コンピュータシステムの安定性評価方法 |
CN107248047A (zh) * | 2017-08-01 | 2017-10-13 | 西安交通大学 | 基于加工过程状态熵动态计算的加工过程状态评价方法 |
CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
Non-Patent Citations (3)
Title |
---|
卫炜等: "基于工作流的质量问题协同追踪模型研究", 《计算机集成制造系统》 * |
张根保等: "基于广义信息熵测度的制造过程质量评估", 《中国机械工程》 * |
曾晓流等: "基于协同工作的质量问题讨论研究", 《计算机集成制造系统》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908342A (zh) * | 2019-09-04 | 2020-03-24 | 南京林业大学 | 融合算子的多工序制造质量损失预测o-gert方法 |
CN111673291A (zh) * | 2020-06-03 | 2020-09-18 | 广东省智能制造研究所 | 一种激光切割机精度保持性的评估方法 |
CN111673291B (zh) * | 2020-06-03 | 2021-11-05 | 广东省智能制造研究所 | 一种激光切割机精度保持性的评估方法 |
CN112684766A (zh) * | 2020-12-04 | 2021-04-20 | 西安交通大学 | 一种基于负熵增加的多机协同控制方法及系统 |
CN112684766B (zh) * | 2020-12-04 | 2022-03-08 | 西安交通大学 | 一种基于负熵增加的多机协同控制方法及系统 |
CN112488411A (zh) * | 2020-12-11 | 2021-03-12 | 西安交通大学 | 一种基于近似周期工艺过程的加工稳定性评估方法 |
CN112488411B (zh) * | 2020-12-11 | 2023-06-30 | 西安交通大学 | 一种基于近似周期工艺过程的加工稳定性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110032146B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032146A (zh) | 一种基于多机协同因子的复杂加工过程稳定性评估方法 | |
US8046090B2 (en) | Apparatus and method for automated closed-loop identification of an industrial process in a process control system | |
CN109839825B (zh) | 一种稀土萃取过程组分含量的预测控制方法及系统 | |
US20210065021A1 (en) | Working condition state modeling and model correcting method | |
CN101957598A (zh) | 一种大时滞系统的灰色无模型控制方法 | |
CN101995822A (zh) | 一种大时滞系统的灰色自抗扰控制方法 | |
CN109946979B (zh) | 一种伺服系统灵敏度函数的自适应调整方法 | |
CN107248047B (zh) | 基于加工过程状态熵动态计算的加工过程状态评价方法 | |
CN112712189A (zh) | 一种供热需求负荷预测方法 | |
CN109032117B (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
CN108628288B (zh) | 一种用于一阶时滞组合积分控制系统的性能评价方法 | |
Duan et al. | On the optimization landscape of dynamic output feedback linear quadratic control | |
CN109063818A (zh) | 一种热工过程模型在线辨识方法及装置 | |
CN112947294B (zh) | 一种基于数字孪生的汽车装配车间监控仿真系统 | |
CN108227476A (zh) | 一种agv小车的控制方法 | |
CN101470441B (zh) | 用于汽车装配制造技术的无线工具控制系统及方法 | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
CN109635330B (zh) | 一种基于直接法的复杂优化控制问题准确和快速求解方法 | |
CN116165976A (zh) | 生产系统的控制方法、装置、系统、设备及存储介质 | |
CN116050737A (zh) | 一种蒸汽管网终端用户蒸汽温度优化控制方法 | |
CN112307648B (zh) | 一种卫星通信系统可靠性模型的评估方法 | |
CN106773894B (zh) | 一种数字化spc高精密位移传感多路器及其在线校正和数据传输方法 | |
CN112132428A (zh) | 基于大数据的蒸汽热网配汽站预测性调控决策方法 | |
CN110687937A (zh) | 基于多变量广义最小方差解耦控制的水箱液位控制方法 | |
CN105119581B (zh) | 一种固态功放自动校准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |