CN110216553A - 一种凸轮轴数控磨削加工的智能决策云服务方法和系统 - Google Patents

一种凸轮轴数控磨削加工的智能决策云服务方法和系统 Download PDF

Info

Publication number
CN110216553A
CN110216553A CN201910428917.4A CN201910428917A CN110216553A CN 110216553 A CN110216553 A CN 110216553A CN 201910428917 A CN201910428917 A CN 201910428917A CN 110216553 A CN110216553 A CN 110216553A
Authority
CN
China
Prior art keywords
grinding
camshaft
intelligent decision
data
module
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
Application number
CN201910428917.4A
Other languages
English (en)
Other versions
CN110216553B (zh
Inventor
刘涛
邓朝晖
吕黎曙
葛智光
刘伟
李重阳
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201910428917.4A priority Critical patent/CN110216553B/zh
Publication of CN110216553A publication Critical patent/CN110216553A/zh
Application granted granted Critical
Publication of CN110216553B publication Critical patent/CN110216553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B19/00—Single-purpose machines or devices for particular grinding operations not covered by any other main group
    • B24B19/08—Single-purpose machines or devices for particular grinding operations not covered by any other main group for grinding non-circular cross-sections, e.g. shafts of elliptical or polygonal cross-section
    • B24B19/12—Single-purpose machines or devices for particular grinding operations not covered by any other main group for grinding non-circular cross-sections, e.g. shafts of elliptical or polygonal cross-section for grinding cams or camshafts
    • B24B19/125—Single-purpose machines or devices for particular grinding operations not covered by any other main group for grinding non-circular cross-sections, e.g. shafts of elliptical or polygonal cross-section for grinding cams or camshafts electrically controlled, e.g. numerically controlled
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

本发明具体公开了一种凸轮轴数控磨削加工的智能决策云服务方法和系统，该方法包括：针对凸轮轴磨削加工过程智能决策服务需求进行分析，建立智能决策服务需求模型，并设计智能决策云服务流程，开发云平台系统前端交互网页，实现与用户的交互，通过前端交互页面调用服务器上的工艺软件功能，将工艺软件的各个模块变成服务提供给用户，实现数据与服务的共享。该系统包括：虚拟资源层、数据服务层、用户层。该云服务方法和系统对凸轮轴磨削过程知识数据与智能决策软件进行资源化和系统化表示，为云制造模式下凸轮轴磨削加工过程提供包含基础数据与经验知识浏览/下载服务和决策优化服务，提高工艺方案智能决策服务的效率和凸轮轴磨削加工的精度。

Description

一种凸轮轴数控磨削加工的智能决策云服务方法和系统
技术领域
本发明涉及复杂非圆轮廓轴类零件磨削加工过程云制造服务技术领域，尤其涉及一种凸轮轴数控磨削加工的智能决策云服务方法和系统。
背景技术
凸轮轴是汽车、摩托车、内燃机和柴油发动机的核心部件，在其磨削加工过程中尤其是新产品的制造或更换不同型号零件的过程中，往往存在工艺决策困难、周期长、废品率高、资源利用率低等问题。在云制造迅速发展的背景下，根据云制造的基本原理，将凸轮轴数控磨削领域工艺资源整合起来，开发相关工艺软件和知识库系统并进行虚拟化封装，形成凸轮轴磨削加工智能决策云服务，可大大提高凸轮轴磨削加工效率和加工质量。但是现有针对凸轮轴磨削加工智能决策的研究极少结合云模式下具体加工对象的加工环节、特性及难点对其加工过程中所需知识资源表达、组织和存储方法，以及知识服务模式、手段和实现途径进行详细论述。结合目前凸轮轴磨削加工存在的问题及云制造模式的发展趋势，针对云制造模式下凸轮轴磨削加工的智能决策服务，通过分析云模式下凸轮轴磨削加工特征，智能决策需求，知识服务难点，提出凸轮轴磨削过程的智能决策云服务模式，为凸轮轴的高效智能磨削提供了新的思路和实现途径。
发明内容
本发明提供了一种凸轮轴数控磨削加工的智能决策云服务方法和系统。针对云制造模式下凸轮轴磨削加工面临品质量的不稳定、工艺决策困难、知识重用效率低等问题，分析云模式下凸轮轴磨削加工特征、智能决策需求、知识服务难点，提出凸轮轴磨削加工智能决策云服务模式及其实现方法，搭建凸轮轴数控磨削加工的智能决策云服务平台系统，可有效提高决策效率和准确度，进而提高凸轮轴加工效率和加工质量。本发明提供了如下方案：
一种凸轮轴数控磨削加工的智能决策云服务方法和系统，包括：
步骤1分析并获取面向云制造的凸轮轴磨削加工工艺智能决策需求信息，建立智能决策需求模型，包括数据管理、数据安全、工艺决策等需求；
步骤2根据智能决策需求模型，用户在PC终端、加工设备终端、移动设备终端等用户层定义输入需求信息；也可以通过主动查询的方式，浏览或下载基础数据与经验知识；
步骤3通过对任务需求信息进行解析与匹配，为用户分配相应的服务权限，调用凸轮轴磨削工艺决策软件中的相应模块；
步骤4用户在获得服务权限后，通过前端交互页面调用服务器上的工艺软件功能，将工艺软件的各个模块变成服务提供给用户，实现数据与服务的共享。
其中，所述步骤1、步骤2、步骤3、步骤4中进行的服务过程调用的数据资源均从后台数据库与知识库中调取。
在凸轮轴数控磨削加工的智能决策云服务方法执行前，需要建立面向凸轮轴磨削加工的数据库整体框架并进行逻辑设计：数据库使用E-R模型(即Entity-RelationshipModel，实体-联系模型)方法进行数据信息的建模，包含的实体集有机床、砂轮、磨削液、材料和砂轮修整等，每个实体都有自己的属性，比如机床实体集包含机床编号、机床类型、机床型号、总功率、总重量、机床总尺寸等属性，砂轮实体集包含砂轮编号、砂轮类型、砂轮型号、磨料类型等属性。
在凸轮轴数控磨削加工的智能决策云服务方法执行前，还需要建立凸轮轴磨削加工工艺智能决策总体流程：从工艺问题定义开始，以交互方式完成，结合基础数据库、工艺知识库，基于实例和人工智能算法的混合推理机制对工艺问题进行求解，得到一个新的工艺实例，并对新工艺实例进行了自动编程，以指导实际加工。
其中，智能决策功能包括：基础数据库模块、工艺知识库模块、工艺定义模块和决策优化模块，各模块具体功能如下：
基础数据库模块主要作用是对凸轮轴数控磨削加工过程中的各项数据信息进行存储与分析，为凸轮轴磨削过程中工艺定义、决策优化模块提供数据信息支撑；
工艺知识库模块用于凸轮轴智能磨削知识信息存储以及演示。该模块包括四个子模块：实例库、模型库、算法库、规则库，存储了凸轮轴智能磨削过程中所用到的实例、模型、算法、规则；
工艺定义模块用来规范化地定义待解决的磨削工艺问题，用户通过该模块输入必要的基本工艺要素信息，如待磨削凸轮轴的基本物理特性、加工质量要求、材质种类、基本几何要素等信息。用户输入完成基本原始要素信息后，该模块将生成一个规范化的标准工艺问题定义文件，提供给软件内的其它模块进行调用。该模块用于待求解工艺问题的输入、修改等实际操作，处理完毕之后都定义为一个新的工艺问题，再交给后续模块做工艺求解处理；
决策优化模块包含有实例优选与工艺推理两个子模块。磨削加工工艺问题定义完成后，首先启动决策优化模块下的磨削工艺实例优选子模块。磨削工艺实例优选子模块使用CRITIC法进行计算，获得凸轮轴磨削加工的特征属性客观权重大小，并使用层次分析法计算主观特征属性权重，最后综合主、客观权重，使用线性加权原理，组合赋权后得到最终的特征属性权重大小。计算得到特征属性权重后，再利用实例推理模型进行实例检索、修改、重用，匹配与目前工艺问题最相似的实例。若实例库中实例与该工艺问题的相似度过低，没有达到设定阈值，或者实例优选子模块无法推理出令操作人员满意的工艺实例集时，将会自动进入磨削工艺智能推理子模块。磨削工艺智能推理子模块包含神经网络推理模型，用来智能推理凸轮轴磨削工艺方案中的工艺参数。
本发明提供的一种凸轮轴数控磨削工艺智能决策云服务平台系统选用微软公司的Internet Information Services 7.0作为服务器管理工具；充分考虑交互页面需采用HTML(Hyper Text Markup Language)与ASP(Active Server Pages)相结合，选择SublimeText 3.0作为交互页面的代码编辑器，同时利用微软公司的ADO(即ActiveX Data Object)数据访问技术实现对后台数据库系统的访问，便捷并且高效。其特征在于，分为前端浏览器交互页面和后台服务器两个部分，并且该系统采用多层次架构，将工艺软件安装在服务器上，前端浏览器的交互页面通过内部互联网调用服务器上工艺软件的各个模块，用户通过内部互联网访问浏览器交互页面，实现数据与服务的共享；其系统架构分为资源虚拟层、数据服务层、用户层三个层次，其中：
资源虚拟层存储凸轮轴数控磨削工艺智能决策云服务平台系统所需要的基础数据和工艺经验知识，将凸轮轴磨削工艺智能决策软件中基础数据库与工艺知识库内的数据，分类成基础数据资源池和工艺经验资源池，以虚拟的数字化形式进行封装并存储；
数据服务层对虚拟资源层中的各类数据进行数据标准规范管理，并且可以调用凸轮轴磨削工艺智能决策软件中的相应模块，进行相应的服务；
用户层是企业技术人员对云平台使用的界面，本系统的设计使得用户以浏览器交互界面的形式对云平台系统进行操作，实现不同用户在不同终端对云平台系统发出各种请求及定制化服务。
本发明的工作原理：本发明以云制造模式下凸轮轴磨削加工数据知识模块化集成和工艺软件资源虚拟化、系统化描述为基础，构建磨削加工过程集成的智能决策云服务模式，采用HTML(Hyper Text Markup Language)与ASP(Active Server Pages)相结合，选择Sublime Text 3.0作为交互页面的代码编辑器，使用微软公司IIS7.0的作为服务器管理工具，同时利用微软公司的ADO(即ActiveX Data Object)数据访问技术实现对后台数据库系统的访问，搭建凸轮轴数控磨削加工智能决策云服务平台系统。
本发明的有益效果：为云制造模式下凸轮轴数控磨削加工的智能决策云服务提供了方法和执行模式，解决了凸轮轴磨削加工过程中的工艺决策困难、周期长、废品率高、知识资源利用率低的问题，提高了云制造模式下工艺智能决策效率和准确度，实现了凸轮轴的高效智能磨削，并可推广到其他非圆轮廓轴类零件的磨削加工。
附图说明
图1为凸轮轴数控磨削加工智能决策云服务方法流程图。
图2为凸轮轴数控磨削加工智能决策云服务平台系统结构图。
图3为智能决策实现流程图。
图4为实例推理流程图。
图5为智能推理流程图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
实施例一：如图1所示，本发明提供了一种凸轮轴数控磨削加工的智能决策云服务方法和系统，包括步骤：
步骤1分析并获取面向云制造的凸轮轴磨削加工工艺智能决策需求信息，建立智能决策需求模型，包括数据管理、数据安全、工艺决策等需求；
步骤2根据智能决策需求模型，用户在PC终端、加工设备终端、移动设备终端等用户层定义输入需求信息；也可以通过主动查询的方式，浏览或下载基础数据与经验知识；
步骤3通过对任务需求信息进行解析与匹配，为用户分配相应的服务权限，调用凸轮轴磨削工艺智能决策软件中的相应模块；
步骤4用户在获得服务权限后，通过前端交互页面调用服务器上的工艺软件功能，将工艺软件的各个模块变成服务提供给用户，实现数据与服务的共享。
所述步骤1、步骤2、步骤3、步骤4中进行的服务过程调用的数据资源均从后台数据库与知识库中调取。
在凸轮轴数控磨削加工的智能决策云服务方法执行前，需要建立面向凸轮轴数控磨削加工的数据库整体框架并进行逻辑设计：数据库使用E-R模型(即Entity-Relationship Model，实体-联系模型)方法进行数据信息的建模，包含的实体集有机床、砂轮、磨削液、材料和砂轮修整等，每个实体都有自己的属性，比如机床实体集包含机床编号、机床类型、机床型号、总功率、总重量、机床总尺寸等属性，砂轮实体集包含砂轮编号、砂轮类型、砂轮型号、磨料类型等属性。数据信息表的字段如表1所示。
表1数据信息表
在凸轮轴数控磨削加工的智能决策云服务方法执行前，还需要建立凸轮轴数控磨削加工工艺智能决策总体流程：从工艺问题定义开始，以交互方式完成，结合基础数据库、工艺知识库，基于实例和人工智能算法的混合推理机制对工艺问题进行求解，得到一个新的工艺实例，并对新工艺实例进行了自动编程，以指导实际加工。
实施例二：如图2所示，凸轮轴磨削工艺问题描述与工艺解决方案的各个属性参数之间都是非线性的关系，而神经网络模型具有非线性映射能力，所以可以合理的选取影响磨削加工的参数，建立磨削工艺问题描述与工艺解决方案之间的神经网络模型，通过网络模型对最佳工艺方案磨削参数进行求解。运用实例库中的经验数据作为网络模型的训练样本，自动学习，并且得到合理的权阈值。
凸轮轴磨削工艺神经网络模型中，将磨削加工的环境进行确定，仅针对同一加工环境下同种类型不同加工方案产生的加工结果进行非线性建模。
网络输入层：凸轮轴磨削工艺问题描述中影响加工质量的因素包含有：表面烧伤程度、尺寸精度、表面粗糙度、最大升程误差等输入特征信息。
网络输出层：凸轮轴磨削工艺解决方案中含有较多的参数，合理的缩减网络模型的输出层节点数量，能够使网络模型结构的复杂性降低，所以本模型只设定精磨和光磨阶段磨削量，粗磨磨削量由总磨削量减去精磨和光磨两个阶段的磨削量得出。网络输出层共有10个节点，依次为：工件转速、工作台进给速度、粗磨砂轮线速度、精磨砂轮线速度、光磨砂轮线速度、粗磨纵向进给速度、精磨纵向进给速度、光磨纵向进给速度、精磨余量和光磨余量。
网络隐含层：隐含层的节点单元数目决定了神经网络的识别精度和能力，其节点数目的确定根据公式可以确定。式中：n为隐含层节点数，ni为输入层节点数；n0为输出层节点数，a取1至10中间的整数。除了确定各层节点之外，隐层神经元的输出用式计算，输出层神经元的输出使用式计算。式中：Xi为输入变量的值，wij和wjk分别为输入层神经元与隐层神经元之间、隐层神经元与输出层神经元之间的连接权重大小，θij和θjk分别为第j和第k个神经元的偏置，i、j和k分别为输入层、隐层、输出层的神经元个数。网络训练误差根据式计算获得。式中：Oi为第i个训练样本或测试样本所对应的期望输出值，i为第i个训练样本或测试样本所对应的网络输出值，n为训练样本集或测试样本集的规模大小。
实施例三：如图3所示，设计了凸轮轴数控磨削工艺智能决策软件的总体框架和功能模块，凸轮轴磨削工艺智能决策软件从工艺问题定义开始，以交互方式完成，结合基础数据库、工艺知识库，基于实例和人工智能算法的混合推理机制对工艺问题进行求解，得到一个新的工艺实例。并对新工艺实例进行了自动编程，以指导实际加工。(1)用户通过授权后，通过登录界面进入软件主界面；(2)进行加工要求的定义；(3)进入实例优选模块获取与新工艺问题相似的旧实例；(4)如果得不到满足加工要求的相似旧实例则进入工艺推理模块，利用编写的算法程序推理工艺参数。凸轮轴磨削工艺智能决策软件主要由以下四个模块组成：基础数据库模块、工艺知识库模块、工艺定义模块和决策优化模块。
凸轮轴数控磨削工艺智能决策软件基础数据库功能模块的主要作用是对凸轮轴加工制造过程中的各项数据信息进行存储与分析，通过该模块的设计，可以为凸轮轴加工制造过程中工艺定义、决策优化模块提供数据信息支撑。服务磨削工艺智能决策软件基础数据库模块主要由五个子基础数据库组成，分别是机床库、砂轮库、材料库、磨削液库、修整库。用户均可以在软件界面上对该数据库中信息数据进行增、删、改、查操作。用户对各基础数据库进行定时维护，确保数据信息之间交互使用。
凸轮轴数控磨削工艺智能决策软件工艺知识库系统用于凸轮轴智能磨削知识信息存储以及演示。该模块包括四个子模块：实例库、模型库、算法库、规则库。存储了凸轮轴智能磨削过程中所用到的实例、模型、算法、规则。
工艺定义是针对一个工艺问题的具体描述进行“填空”，完成对一个工艺问题的完整描述，从而建立起工艺问题模型的实例。工艺定义模块用来规范化地定义待解决的磨削工艺问题，用户通过该模块输入必要的基本工艺要素信息，如待加工凸轮轴的基本物理特性、加工质量要求、材质种类、基本几何要素等信息。用户输入完成基本原始要素信息后，该模块将生成一个规范化的标准工艺问题定义文件，提供给软件内的其它模块进行调用。该模块用于待求解工艺问题的输入、修改等实际操作，处理完毕之后都定义为一个新的工艺问题，再交给后续模块做工艺求解处理。
工艺定义模块涉及的主要技术要领为如何准确、全面、简洁地表达主轴工艺问题信息。该模块采用了框架表示法来表达凸轮轴的工艺问题信息。
凸轮轴数控磨削工艺智能决策软件决策优化模块中包含有实例优选与工艺推理两个子模块。磨削加工工艺问题定义完成后，软件将首先启动决策优化模块下的磨削工艺实例优选子模块。磨削工艺实例优选子模块使用CRITIC法进行计算，获得凸轮轴磨削加工的特征属性客观权重大小，并使用层次分析法计算主观特征属性权重，最后综合主、客观权重，使用线性加权原理，组合赋权后得到最终的特征属性权重大小。计算得到特征属性权重后，再利用实例推理模型进行实例检索、修改、重用，匹配与目前工艺问题最相似的实例。若实例库中实例与该工艺问题的相似度过低，没有达到设定阈值，或者实例优选子模块无法推理出令操作人员满意的工艺实例集时，软件将会自动进入磨削工艺智能推理子模块。磨削工艺智能推理子模块包含神经网络推理模型，用来智能推理主轴磨削工艺方案中的工艺参数。
实施例四：如图4所示，磨削工艺智能优选子模块运行开始后，调用实例库中的工艺实例信息，使用CRITIC法进行计算，获得凸轮轴磨削加工的特征属性客观权重大小，并使用层次分析法计算主观特征属性权重。最后结合主、客观权重，使用线性加权原理，得到综合权重大小。读取工艺定义模块生成的工艺信息数据，在实例库的工艺实例中进行检索。首先使用最近邻算法对局部相似度进行计算，然后结合局部相似度与各权重系数进行整体相似度计算，并且设定阈值，获得一个与新工艺问题描述较为相似的实例集合，集合中的实例按总体相似度的大小排列。相似度值最大的实例将提交给操作人员，形成最优的解决方案。
实例表示是实例推理中最基本的环节，为实例推理的运行奠定基础，它的作用是合理的表达能够使计算机完成识别与调用的工艺实例。实例的表示需要有两个特点，首先是信息描述全面，能够使得工艺方案被完整的描述；然后则是信息简洁可行，能够保证实例被检索的高效性。因此，凸轮轴磨削工艺实例可表示为“实例编号+工艺问题描述+工艺问题解决方案+实际应用结果”的形式，其中实例编号由工艺软件自动生成，用来确定实例唯一性的标识符。
实例特征权重的确定：凸轮轴磨削的一条工艺实例包括多种特征属性，比如工件类型、材料类别、材料牌号、材料硬度、热处理方式等等，不同的特征属性对于工艺方案有着不同程度的影响。针对凸轮轴磨削工艺特征属性提出了一种基于层次分析法和CRITIC法的主客观权重组合赋权方法，有助于增加实例推理结果的可靠性。
实例的检索：在凸轮轴磨削工艺方案实例推理模型中，实例检索是非常重要的部分。实例检索的工作过程是首先读取新工艺问题的描述，然后使用特定的搜索算法在实例库的工艺实例中进行逐一匹配，获得一个与新工艺问题描述较优匹配的实例集，并且实例集中的实例按相似度的大小进行排序。
1)实例检索方案
凸轮轴磨削工艺实例的特征属性数量较多，如果当实例库中的工艺实例数量丰富时，仍在整个实例库中，让新工艺问题和所有实例的各个特征属性都分别匹配计算，工艺软件检索的效率会大大降低。当得到导入的工艺问题信息时，先根据导入的工艺问题信息，首先匹配与待加工零件相同加工环境下同种类同类型的实例，过滤出一个初始集合，再在该初始集合中将新工艺问题与所有实例的各个特征属性分别相似度计算，并且设定阈值，将相似度大小高于阈值的实例按相似度由高到低的顺序排列，提交给用户，完成实例的检索。
2)局部相似度计算
在最近邻算法中，计算新工艺问题和旧工艺实例之间的相似度前，首先需要计算实例特征属性的局部相似度，这是检索最佳工艺实例的基础。
根据凸轮轴磨削工艺问题描述的特征属性，将实例特征属性按不同的类型进行分类，不同的类型的特征属性计算相似度的方法不同。将特征属性分为以下三种类型：
(1)数值型属性。在凸轮轴的工艺问题描述中，材料硬度、表面粗糙度、毛坯余量等特征属性取值为某一具体数值，均属于数值型。若新工艺问题表面粗糙度为Ra0.3μm，某旧实例的表面粗糙度为Ra0.45μm，实例库中表面粗糙度的最大值与最小值分别为Ra2.5μm和Ra0.15μm。可以计算出新工艺问题与旧实例特征属性表面粗糙度的局部相似度。
(2)模糊逻辑型属性。在凸轮轴的工艺问题描述中，表面烧伤程度特征属性属于模糊逻辑型。表面烧伤程度分为无烧伤、轻微烧伤、严重烧伤三种情况，分别对其赋值为1，2，3。若新工艺问题表面烧伤程度为无烧伤，某旧实例的表面烧伤程度为轻微烧伤。可以计算出新工艺问题与旧实例特征属性表面烧伤程度的局部相似度。
(3)无关型属性。在凸轮轴的工艺问题描述中，材料类别、主轴类型、机床类型等特征属性的不同取值之间没有任何联系，属于无关型。若新工艺问题材料类别与旧实例材料类别相同，特征属性材料类别的局部相似度为1。
3)整体相似度计算
通过最近邻算法确定好局部相似度后，获取前文求得的各个特征属性的权重值大小，结合权重大小和局部相似度，依据式可求得新工艺问题与旧实例之间的整体相似程度。l＝1时为曼哈顿距离，l＝2时是欧几里得距离。
实施例五：如图5所示，本发明提供一种凸轮轴数控磨削加工的智能决策云服务平台系统，该云服务平台系统以SaaS的服务模式，即通过内部互联网提供软件服务。该云平台系统设计时，选用微软公司的Internet Information Services 7.0作为服务器管理工具。在进行前端浏览器交互页面开发平台选择时，需要充分考虑交互页面需采用HTML(HyperText Markup Language)与ASP(Active Server Pages)相结合，所以选择Subl imeText3.0作为交互页面的代码编辑器，Sublime Text具有漂亮的用户界面和强大的功能，还可自定义键绑定，菜单和工具栏，能够高效快速地完成系统界面的设计。因此本文选择Sublime Text 3.0代码编辑器进行凸轮轴数控磨削加工智能决策云服务平台系统的开发，同时利用微软公司的ADO(即ActiveX Data Object)数据访问技术实现对后台数据库系统的访问，便捷并且高效。该系统分为前端浏览器交互页面和后台服务器两个部分，基于B/S(即Browser/Server，浏览器/服务器)架构进行开发的，浏览器端交互页面使用SublimeText 3.0作为开发工具，使用HTML与ASP技术相结合进行开发，服务器端使用的数据库管理系统是微软公司的Microsoft SQL Server 2008，后台数据库访问使用微软公司的ADO数据访问技术。采用多层次架构，将工艺软件安装在服务器上，前端浏览器的交互页面通过内部互联网调用服务器上工艺软件的各个模块，虚拟资源层存储凸轮轴磨削工艺智能决策云平台系统所需要的基础数据和工艺经验知识，将凸轮轴磨削工艺智能决策软件中基础数据库与工艺知识库内的数据，分类成基础数据资源池和工艺经验资源池，以虚拟的数字化形式进行封装并存储。对虚拟资源层中的各类数据进行数据标准规范管理，并且可以调用凸轮轴磨削工艺智能决策软件中的相应模块，进行相应的服务。用户以浏览器交互界面的形式对云平台系统进行操作，实现不同用户在不同终端对云平台系统发出各种请求及定制化服务，实现数据与服务的共享。

Claims (8)

1.一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，包括步骤：
步骤1 分析并获取面向云制造的凸轮轴磨削加工工艺智能决策需求信息，包括数据管理、数据安全、工艺决策等需求，建立智能决策需求模型；
步骤2 根据智能决策需求模型，用户在PC终端、加工设备终端、移动设备终端等用户层定义输入需求信息，也可以通过主动查询的方式，浏览或下载基础数据与经验知识；
步骤3 通过对任务需求信息进行解析与匹配，为用户分配相应的服务权限，调用凸轮轴磨削工艺智能决策软件中的相应模块；
步骤4 用户在获得服务权限后，通过前端交互页面调用服务器上的工艺软件功能，将工艺软件的各个模块变成服务提供给用户，实现数据与服务的共享。
2.如权利要求1所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，所述步骤1、步骤2、步骤3、步骤4中进行的服务过程调用的数据资源均从后台数据库与知识库中调取。
3.如权利要求1所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，在凸轮轴磨削加工的智能决策云服务方法执行前，需要建立面向凸轮轴磨削加工的数据库整体框架并进行逻辑设计：
所述数据库使用E-R模型(即Entity-Relationship Model，实体-联系模型)方法进行数据信息的建模，包含的实体集有机床、砂轮、磨削液、材料和砂轮修整等，每个实体都有自己的属性，比如机床实体集包含机床编号、机床类型、机床型号、总功率、总重量、机床总尺寸等属性，砂轮实体集包含砂轮编号、砂轮类型、砂轮型号、磨料类型等属性。
4.如权利要求1所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，建立凸轮轴磨削加工工艺智能决策总体流程：从工艺问题定义开始，以交互方式完成，结合基础数据库、工艺知识库，基于实例和人工智能算法的混合推理机制对工艺问题进行求解，得到一个新的工艺实例，并对新工艺实例进行了自动编程，以指导实际加工。
5.如权利要求4所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，所述智能决策功能包括：基础数据库模块、工艺知识库模块、工艺定义模块和决策优化模块；
所述基础数据库模块主要作用是对凸轮轴数控磨削加工过程中的各项数据信息进行存储与分析，为凸轮轴磨削过程中工艺定义、决策优化模块提供数据信息支撑；
所述工艺知识库模块用于凸轮轴智能磨削知识信息存储以及演示。该模块包括四个子模块：实例库、模型库、算法库、规则库，存储了凸轮轴智能磨削过程中所用到的实例、模型、算法、规则；
所述工艺定义模块用来规范化地定义待解决的磨削工艺问题，用户通过该模块输入必要的基本工艺要素信息，如待磨削凸轮轴的基本物理特性、加工质量要求、材质种类、基本几何要素等信息。用户输入完成基本原始要素信息后，该模块将生成一个规范化的标准工艺问题定义文件，提供给软件内的其它模块进行调用。该模块用于待求解工艺问题的输入、修改等实际操作，处理完毕之后都定义为一个新的工艺问题，再交给后续模块做工艺求解处理；
所述决策优化模块包含有实例优选与工艺推理两个子模块。磨削加工工艺问题定义完成后，首先启动决策优化模块下的磨削工艺实例优选子模块。磨削工艺实例优选子模块使用CRITIC法进行计算，获得凸轮轴数控磨削加工的特征属性客观权重大小，并使用层次分析法计算主观特征属性权重，最后综合主、客观权重，使用线性加权原理，组合赋权后得到最终的特征属性权重大小。计算得到特征属性权重后，再利用实例推理模型进行实例检索、修改、重用，匹配与目前工艺问题最相似的实例。若实例库中实例与该工艺问题的相似度过低，没有达到设定阈值，或者实例优选子模块无法推理出令操作人员满意的工艺实例集时，将会自动进入磨削工艺智能推理子模块。磨削工艺智能推理子模块包含神经网络推理模型，用来智能推理凸轮轴磨削工艺方案中的工艺参数。
6.如权利要求1所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，所述系统分为前端浏览器交互页面和后台服务器两个部分，并且该系统采用多层次架构，将工艺软件安装在服务器上，前端浏览器的交互页面通过内部互联网调用服务器上工艺软件的各个模块，用户通过内部互联网访问浏览器交互页面，实现数据与服务的共享。
7.如权利要求6所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，所述系统架构分为资源虚拟层、数据服务层、用户层三个层次；
所述资源虚拟层存储凸轮轴数控磨削工艺智能决策云平台系统所需要的基础数据和工艺经验知识，将凸轮轴磨削工艺智能决策软件中基础数据库与工艺知识库内的数据，分类成基础数据资源池和工艺经验资源池，以虚拟的数字化形式进行封装并存储；
所述数据服务层对虚拟资源层中的各类数据进行数据标准规范管理，并且可以调用凸轮轴磨削工艺智能决策软件中的相应模块，进行智能决策服务；
所述用户层是企业技术人员对云平台使用的界面，本系统的设计使得用户以浏览器交互界面的形式对云平台系统进行操作，实现不同用户在不同终端对云平台系统发出各种请求及定制化服务。
8.根据权利6所述的一种凸轮轴数控磨削加工的智能决策云服务方法和系统，其特征在于，所述系统选用微软公司的Internet Information Services 7.0作为服务器管理工具；充分考虑交互页面需采用HTML(Hyper Text Markup Language)与ASP(Active ServerPages)相结合，选择Sublime Text 3.0 作为交互页面的代码编辑器，同时利用微软公司的ADO(即ActiveX Data Object)数据访问技术实现对后台数据库系统的访问，便捷并且高效。
CN201910428917.4A 2019-05-22 2019-05-22 一种凸轮轴数控磨削加工的智能决策云服务方法和系统 Active CN110216553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910428917.4A CN110216553B (zh) 2019-05-22 2019-05-22 一种凸轮轴数控磨削加工的智能决策云服务方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910428917.4A CN110216553B (zh) 2019-05-22 2019-05-22 一种凸轮轴数控磨削加工的智能决策云服务方法和系统

Publications (2)

Publication Number Publication Date
CN110216553A true CN110216553A (zh) 2019-09-10
CN110216553B CN110216553B (zh) 2022-03-25

Family

ID=67821641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910428917.4A Active CN110216553B (zh) 2019-05-22 2019-05-22 一种凸轮轴数控磨削加工的智能决策云服务方法和系统

Country Status (1)

Country Link
CN (1) CN110216553B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633745A (zh) * 2020-12-30 2021-04-09 北京机电工程研究所 一种产品的可靠性属性表达方法
CN113254525A (zh) * 2021-02-07 2021-08-13 清华大学 一种基于工业paas构建的协同制造引擎系统及实现方法
CN113910085A (zh) * 2021-09-26 2022-01-11 江苏集萃华科智能装备科技有限公司 金属镜面抛光产线的控制方法、控制装置及控制系统
CN115310623A (zh) * 2022-07-12 2022-11-08 湖南科技大学 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107632845A (zh) * 2017-09-04 2018-01-26 昆明理工大学 一种转轮叶片多轴铣削加工的集成知识云服务方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107632845A (zh) * 2017-09-04 2018-01-26 昆明理工大学 一种转轮叶片多轴铣削加工的集成知识云服务方法和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633745A (zh) * 2020-12-30 2021-04-09 北京机电工程研究所 一种产品的可靠性属性表达方法
CN113254525A (zh) * 2021-02-07 2021-08-13 清华大学 一种基于工业paas构建的协同制造引擎系统及实现方法
CN113910085A (zh) * 2021-09-26 2022-01-11 江苏集萃华科智能装备科技有限公司 金属镜面抛光产线的控制方法、控制装置及控制系统
CN113910085B (zh) * 2021-09-26 2022-11-18 江苏集萃华科智能装备科技有限公司 金属镜面抛光产线的控制方法、控制装置及控制系统
CN115310623A (zh) * 2022-07-12 2022-11-08 湖南科技大学 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端

Also Published As

Publication number Publication date
CN110216553B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN110216553A (zh) 一种凸轮轴数控磨削加工的智能决策云服务方法和系统
CN100449435C (zh) 基于kbe及web技术的锻模设计与制造系统
CN109857395B (zh) 基于开放式数控系统的凸轮轴智能磨削工艺软件数据库系统的集成应用方法
Ahmad et al. Current trend in computer aided process planning
Hu et al. An ant colony approach to operation sequencing optimization in process planning
Guo et al. An automatic machining process decision-making system based on knowledge graph
CN108520139A (zh) 一种多维度工装设计知识组件构建方法
Kafashi et al. Automated setup planning in CAPP: a modified particle swarm optimisation-based approach
KR102465451B1 (ko) 가공 특성 기반의 공정 지식 푸시 방법
Li et al. A hybrid approach of case-based reasoning and process reasoning to typical parts grinding process intelligent decision
Chaturvedi et al. Supporting complex real-time decision making through machine learning
Wang et al. Research on intelligent decision method of computer-aided manufacturing numerical control parameters based on model-based definition and back propagation neural networks
Zhang et al. A knowledge reuse-based computer-aided fixture design framework
Lee et al. Product and design feature-based similar process retrieval and modeling for mold manufacturing
Long et al. Research on the development of project cost informatization in the era of big data
Wang et al. Creation of an intelligent process planning system within the relational DBMS software environment
Amaitik An integrated CAD/CAPP system based on STEP features
Zhou et al. Tool selection method based on transfer learning for CNC machines
Lee et al. Research into real-time analysis and exploration of influences on load rate of main shaft of machine of case companies with Industry 4.0 technology
Xu et al. A multi-source similar subparts based NC process fusion and regrouping approach
Lu et al. A combined inductive learning and experimental design approach to manufacturing operation planning
He et al. A modified RBF-CBR model considering evaluation index for gear grinding process with worm grinding wheel decision support system
CN116680839B (zh) 一种基于知识驱动的发动机智能化工艺设计方法
Mamalis et al. Predicting the efficiency of high-speed diamond grinding of superhard materials using 3D models of macro-and micro-levels
Pullan DATA MINING APPROACH TO INTEGRATE MANUFACTURING PROCESS INFORMATION IN PART DESIGN PHASES

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