CN111026060B - 一种高性能机械基础部件数字化智能制造系统 - Google Patents
一种高性能机械基础部件数字化智能制造系统 Download PDFInfo
- Publication number
- CN111026060B CN111026060B CN201911345842.XA CN201911345842A CN111026060B CN 111026060 B CN111026060 B CN 111026060B CN 201911345842 A CN201911345842 A CN 201911345842A CN 111026060 B CN111026060 B CN 111026060B
- Authority
- CN
- China
- Prior art keywords
- processing
- parts
- machine tool
- module
- machining
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000007547 defect Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000003754 machining Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 26
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012797 qualification Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002950 deficient Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32204—Performance assurance; assure certain level of non-defective products
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种高性能机械基础部件数字化智能制造系统,其特征在于,包括虚拟生产设计模块、加工模块、传感器模块、云计算中心、智能数据库系统、运货小车、传输流水线、基于5G的物联网系统。本方案通过虚拟生产设计模块提高整个工厂的加工效率,无需通过实际机床的加工模拟,通过零件缺陷部位的录入,能顺应找到机床零件的缺陷,做到加工方案的模拟预生产、参数的预优化、生产结果的预估计、实现工序间的快速和多信息量传输。
Description
技术领域
本发明涉及智能制造技术领域,具体涉及一种高性能机械基础部件数字化智能制造系统。
背景技术
深度学习的成果对新的加工任务没有完好的继承性,需要再次进行人工数据标定与训练,前期投入时间资金成本较大,且初期生产产品没有质量保证。生产的产品需要人工进行检测再将检测的结果反馈给专家,再由专家对智能控制系统进行修正,存在大时间延迟;若发生生产故障,设备不得不停工,以至于造成严重经济损失。
现有的制造加工中,对重要和易损部件的寿命没有预测性,目前的寿命管理普遍是定期大规模停机检查或者分析振动异常信号来判断是否出现设备故障。一个是没法精确定位错误,检修费时成本高;一个是只能等传感器接收到异常信号才进行维修,甚至可能该部件的损坏对其他部件的可靠性造成影响,不具备预测性。设备的维修和保养仍然是不精确目标的,只能解决问题而不能规避问题。
发明内容
针对现有技术的上述不足,本发明提供了一种能预测加工零件寿命的高性能机械基础部件数字化智能制造系统。
为达到上述发明目的,本发明所采用的技术方案为:
提供一种高性能机械基础部件数字化智能制造系统,其包括虚拟生产设计模块、加工模块、传感器模块、云计算中心、智能数据库系统、运货小车、传输流水线、基于5G的物联网系统;
虚拟生产设计模块利用Siemens NX软件建立加工模块的虚拟模型,并模拟出最快加工效率所对应的零件加工工艺参数值;
加工模块利用最快加工效率的加工工艺参数值加工零件;
传感器模块实时采集加工模块中机床零件加工过程中的压力、温度、位移和主振型频率数字信号,并利用基于5G的物联网系统发送给智能数据库系统和云计算中心;
云计算中心利用压力、温度、位移和主振型频率数字信号生成机床的ABAQUS模型,计算机床上加工区域的应力分布与热分布;将应力分布与热分布超过设定值的机床零件标记为接近预期寿命,并将接近预期寿命的机床零件信息通过基于5G的物联网系统发送给后勤部门,提醒工作人员更换机床零件;
智能数据库系统利用压力、温度、位移数据和主振型频率,构建辅助生产的BP神经网络结构,并向BP神经网络结构中输入机床零件的温度(T1,T2…Tm-1,Tm)、压力(F1,F2…Fn-1,Fn)和主振型频率(f1,f2…fk-1,fk),输出机床所加工产品的合格概率,并判断机床所加工产品是否合格;
传输流水线利用摄像头扫描加工好的零件,识别出具有加工缺陷的零件,并将其运送至运货小车的接收区域;
运货小车接收到具有加工缺陷的零件,并通过工厂间路径上的标记进行路径指引,将不合格产品送至检测中心;
检测中心的工作人员对具有加工缺陷的零件进行第二次检测,并将缺陷零件上的缺陷部位的检测结果录入智能数据库系统,选出造成零件加工缺陷所对应的机床零件,发送给后勤部门;同时工作人员对产品的质量进行等级分类,不同等级的产品进行不同的标记。
进一步地,计算机床上加工区域的应力分布与热分布包括以下步骤:
S1:利用Solidworks绘制加工机床零件模型,零件模型包括模具、压力输入件、传动齿轮和轴承;
S2:将零件模型导入前处理软件Hypermesh,完成网格划分、分析步设置、添加载荷和约束边界,生成INP文件,并提交ABAQUS软件;
S3:输入接触副零件的材料属性参数,材料属性参数包括弹性模量、泊松比和传热率;
S4:将零件模型装配成装配体物理模型,设置分析步、接触副条件,并施加热力耦合场;
S5:根据传感器模块提供的温度、压力、位移和主振型频率参数给零件模型施加预定义温度场、工作载荷和边界条件,在每个分析步中持续施加相同温度场并保持不变;
S6:提交云计算中心求解加工过程中机床零件的应力分布图和热分布图,并利用HyperVIEW软件查看应力、应变和刚度。
进一步地,基于5G的物联网系统采用FusionPlant平台,通信采用3GPP制定的第五代移动通信技术标准(5GNR),服务化架构(SBA:Service-based Architecture)、新一代核心网协议体系(基于HTTP2.0/JSON),加工车间内部使用6GHz以上频段。
进一步地,模拟出最快加工效率所对应的零件加工工艺参数值的方法包括以下步骤:
B1:将零件的若干种加工工艺参数整合成一个工艺参数数组[A,B,···,F,···],再将每一个加工工艺参数划分成若干个子值[(A1,A2,A3,···),(B1,B2,B3,···),···,(F1,F2,F3,···)];
B2:提取出每一种加工工艺参数的子值中的一个组合成新的工艺参数数组,并代入虚拟模型中,求出该新的工艺参数数组的加工效率;
B3:重复步骤B2,得到若干种新的工艺参数数组所对应的加工效率,并选出最快加工效率所对应的工艺参数数组作为加工模块的零件加工工艺参数值。
进一步地,识别出具有加工缺陷的零件的方法包括以下步骤:
A1:将加工好的完整零件图片输入Galileo卷积神经网络模型进行训练;提取出完整零件的轮廓特征和表面纹理特征;
A2:传输流水线上的摄像头拍摄每一个加工零件的图片,并传输给训练好的Galileo卷积神经网络模型,识别出轮廓和表面纹理有缺陷的零件。
本发明的有益效果为:本方案通过虚拟生产设计模块,在零件加工之前模拟出最快加工效率的加工参数,提高整个工厂的加工效率,无需通过实际机床的加工模拟,在不损耗加工原料的情况下实现零件精准加工。传感器模块采集到的数据上传到服务器,并用于对后期加工机床的维护和调整,实现大数据的智能加工和维护;当机床的零件即将达到预期的寿命时,系统可以把出问题的零件提示信息通过物联网传送至后勤部门的移动终端,提醒其前来维护与准确更换,维护人员可以根据信号提示工作,做到精准检修。
本发明利用BP神经网络来预测机床所加工零件的合格概率,当大规模生产时,利用流水线将有缺陷风险的零件选出来,进行人工二次检测,利用大数据分析,确保零件的合格率,同时节约了人力成本。并且通过零件缺陷部位的录入,能顺应找到机床零件的缺陷,做到加工方案的模拟预生产、参数的预优化、生产结果的预估计、实现工序间的快速和多信息量传输。
附图说明
图1为高性能机械基础部件数字化智能制造系统的原理框图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,高性能机械基础部件数字化智能制造系统,其包括虚拟生产设计模块、加工模块、传感器模块、云计算中心、智能数据库系统、运货小车、传输流水线、基于5G的物联网系统;
虚拟生产设计模块利用Siemens NX软件建立加工模块的虚拟模型,输入零件的加工工艺参数,并模拟出最快加工效率所对应的零件加工工艺参数值。
本方案中模拟出最快加工效率所对应的零件加工工艺参数值的方法包括以下步骤:
B1:将零件的若干种加工工艺参数整合成一个工艺参数数组[A,B,···,F,···],再将每一个加工工艺参数划分成若干个子值[(A1,A2,A3,···),(B1,B2,B3,···),···,(F1,F2,F3,···)];
B2:提取出每一种加工工艺参数的子值中的一个组合成新的工艺参数数组,例如[A1,B1,···,F1,···],并代入虚拟模型中,求出该新的工艺参数数组的加工效率;
B3:重复步骤B2,得到若干种新的工艺参数数组所对应的加工效率,并选出最快加工效率所对应的工艺参数数组作为加工模块的零件加工工艺参数值。
加工模块利用最快加工效率的加工工艺参数值加工零件,达到最大的加工效率;
传感器模块实时采集加工模块中机床零件加工过程中的压力、温度、位移和主振型频率数字信号,并利用基于5G的物联网系统发送给智能数据库系统和云计算中心;
云计算中心利用压力、温度、位移和主振型频率数字信号生成机床的ABAQUS模型,计算机床上加工区域的应力分布与热分布;将应力分布与热分布超过设定值的机床零件标记为接近预期寿命,设定值可根据机床零件所耐受应力和热的进行设置,机床零件即将接近预期寿命时,其工作耐受程度或受到影响,所表现出的应力分布与热分布也不同;将接近预期寿命的机床零件信息通过基于5G的物联网系统发送给后勤部门,提醒工作人员更换机床零件;
计算机床上加工区域的应力分布与热分布包括以下步骤:
S1:利用Solidworks绘制加工机床零件模型,零件模型包括模具、压力输入件、传动齿轮和轴承;
S2:将零件模型导入前处理软件Hypermesh,完成网格划分、分析步设置、添加载荷和约束边界,生成INP文件,并提交ABAQUS软件;
S3:输入接触副零件的材料属性参数,材料属性参数包括弹性模量、泊松比和传热率;
S4:将零件模型装配成装配体物理模型,设置分析步、接触副条件,并施加热力耦合场;
S5:根据传感器模块提供的温度、压力、位移和主振型频率参数给零件模型施加预定义温度场、工作载荷和边界条件,在每个分析步中持续施加相同温度场并保持不变;
S6:提交云计算中心求解加工过程中机床零件的应力分布图和热分布图,并利用HyperVIEW软件查看应力、应变和刚度。
智能数据库系统利用压力、温度、位移数据和主振型频率,构建辅助生产的BP神经网络结构,并向BP神经网络结构中输入机床零件的温度(T1,T2…Tm-1,Tm)、压力(F1,F2…Fn-1,Fn)和主振型频率(f1,f2…fk-1,fk),输出机床所加工产品的合格概率,并判断机床所加工产品是否合格;
BP(Back Propagation)神经网络是机械制造数据行业应用最为广泛的反向传递多层映射神经网络。隐藏层设置为5层,每层节点数设置为30个,学习率为0.1,输入量为机床零件的温度(T1,T2…Tm-1,Tm),压力(F1,F2…Fn-1,Fn),主振型频率(f1,f2…fk-1,fk),使用softmax进行输出,输出量为合格概率区间,概率0.7-1.0为合格,其他概率不合格。
传输流水线利用摄像头扫描加工好的零件,识别出具有加工缺陷的零件,并将其运送至运货小车的接收区域;
识别出具有加工缺陷的零件的方法包括以下步骤:
A1:将加工好的完整零件图片输入Galileo卷积神经网络模型进行训练;提取出完整零件的轮廓特征和表面纹理特征;
A2:传输流水线上的摄像头拍摄每一个加工零件的图片,并传输给训练好的Galileo卷积神经网络模型,识别出轮廓和表面纹理有缺陷的零件。
运货小车接收到具有加工缺陷的零件,并通过工厂间路径上的标记进行路径指引,将不合格产品送至检测中心;
无人小车选用科瑞尔MR-C3C-UB100B(H)型号AGV小车,通过前置摄像头引导路径,具有超声避障与货物检测功能。通过滚筒方式进行移载,能够实现1.2m/s的移动速度,30kg*4的额定负重。无人小车接收到信息后,开始工作。流水线上在特定出口推出该产品到无人小车上。小车运用前端摄像头与工厂间路径上的特殊标记进行路径指引,将产品送至检测中心。
检测中心的工作人员对具有加工缺陷的零件进行第二次检测,并将缺陷零件上的缺陷部位的检测结果录入智能数据库系统,选出造成零件加工缺陷所对应的机床零件,发送给后勤部门;同时工作人员对产品的品质进行等级分类,不同等级的产品进行不同的标记。
基于5G的物联网系统采用FusionPlant平台,通信采用3GPP制定的第五代移动通信技术标准(5GNR),服务化架构(SBA:Service-based Architecture)、新一代核心网协议体系(基于HTTP2.0/JSON),加工车间内部使用6GHz以上频段。
考虑到厂区的面积,加工车间内部使用6GHz以上频段,频带宽传输信息量大速度快,用于每个工艺流程间大量信息的即时传输,能够做到1ms内的延迟,可以满足室内场景极高的用户体验速率和极高容量需求。其具有的超可靠低时延URLLC、海量机器类通信mMTC、增强移动宽带eMBB等特征。此处的eMBB功能对工业互联网的高速率大量信息传输起主要作用。具体采用华为推出的首款5G NSA/SA、单芯全模的5G工业模组,核心器件自主可控,价格便宜。
本方案通过虚拟生产设计模块,在零件加工之前模拟出最快加工效率的加工参数,提高整个工厂的加工效率,无需通过实际机床的加工模拟,在不损耗加工原料的情况下实现零件精准加工。传感器模块采集到的数据上传到服务器,并用于对后期加工机床的维护和调整,实现大数据的智能加工和维护;当机床的零件即将达到预期的寿命时,系统可以把出问题的零件提示信息通过物联网传送至后勤部门的移动终端,提醒其前来维护与准确更换,维护人员可以根据信号提示工作,做到精准检修。
本发明利用BP神经网络来预测机床所加工零件的合格概率,当大规模生产时,利用流水线将有缺陷风险的零件选出来,进行人工二次检测,利用大数据分析,确保零件的合格率,同时节约了人力成本。并且通过零件缺陷部位的录入,能顺应找到机床零件的缺陷,做到加工方案的模拟预生产、参数的预优化、生产结果的预估计、实现工序间的快速和多信息量传输。
Claims (5)
1.一种高性能机械基础部件数字化智能制造系统,其特征在于,包括虚拟生产设计模块、加工模块、传感器模块、云计算中心、智能数据库系统、运货小车、传输流水线、基于5G的物联网系统;
所述虚拟生产设计模块利用Siemens NX软件建立加工模块的虚拟模型,并模拟出最快加工效率所对应的零件加工工艺参数值;
所述加工模块利用最快加工效率的加工工艺参数值加工零件;
所述传感器模块实时采集加工模块中机床零件加工过程中的压力、温度、位移和主振型频率数字信号,并利用基于5G的物联网系统发送给智能数据库系统和云计算中心;
所述云计算中心利用压力、温度、位移和主振型频率数字信号生成机床的ABAQUS模型,计算机床上加工区域的应力分布与热分布;将应力分布与热分布超过设定值的机床零件标记为接近预期寿命,并将接近预期寿命的机床零件信息通过基于5G的物联网系统发送给后勤部门,提醒工作人员更换机床零件;
所述智能数据库系统利用压力、温度、位移数据和主振型频率,构建辅助生产的BP神经网络结构,并向BP神经网络结构中输入机床零件的温度(T1,T2…Tm-1,Tm)、压力(F1,F2…Fn-1,Fn)和主振型频率(f1,f2…fk-1,fk),输出机床所加工产品的合格概率,并判断机床所加工产品是否合格;
所述传输流水线利用摄像头扫描加工好的零件,识别出具有加工缺陷的零件,并将其运送至运货小车的接收区域;
所述运货小车接收到具有加工缺陷的零件,并通过工厂间路径上的标记进行路径指引,将不合格产品送至检测中心;
所述检测中心的对具有加工缺陷的零件进行第二次检测,并将缺陷零件上的缺陷部位的检测结果录入智能数据库系统,选出造成零件加工缺陷所对应的机床零件,发送给后勤部门;同时对产品的质量进行等级分类,不同等级的产品进行不同的标记。
2.根据权利要求1所述的高性能机械基础部件数字化智能制造系统,其特征在于,所述计算机床上加工区域的应力分布与热分布包括以下步骤:
S1:利用Solidworks绘制加工机床零件模型,零件模型包括模具、压力输入件、传动齿轮和轴承;
S2:将零件模型导入前处理软件Hypermesh,完成网格划分、分析步设置、添加载荷和约束边界,生成INP文件,并提交ABAQUS软件;
S3:输入接触副零件的材料属性参数,材料属性参数包括弹性模量、泊松比和传热率;
S4:将零件模型装配成装配体物理模型,设置分析步、接触副条件,并施加热力耦合场;
S5:根据传感器模块提供的温度、压力、位移和主振型频率参数给零件模型施加预定义温度场、工作载荷和边界条件,在每个分析步中持续施加相同温度场并保持不变;
S6:提交云计算中心求解加工过程中机床零件的应力分布图和热分布图,并利用HyperVIEW软件查看应力、应变和刚度。
3.根据权利要求1所述的高性能机械基础部件数字化智能制造系统,其特征在于,所述基于5G的物联网系统采用FusionPlant平台,通信采用3GPP制定的第五代移动通信技术标准5GNR,服务化架构SBA:Service-based Architecture、新一代核心网协议体系基于HTTP2.0/JSON,加工车间内部使用6GHz以上频段。
4.根据权利要求1所述的高性能机械基础部件数字化智能制造系统,其特征在于,所述模拟出最快加工效率所对应的零件加工工艺参数值的方法包括以下步骤:
B1:将零件的若干种加工工艺参数整合成一个工艺参数数组[A,B,···,F,···],再将每一个加工工艺参数划分成若干个子值[(A1,A2,A3,···),(B1,B2,B3,···),···,(F1,F2,F3,···)];
B2:提取出每一种加工工艺参数的子值中的一个组合成新的工艺参数数组,并代入虚拟模型中,求出该新的工艺参数数组的加工效率;
B3:重复步骤B2,得到若干种新的工艺参数数组所对应的加工效率,并选出最快加工效率所对应的工艺参数数组作为加工模块的零件加工工艺参数值。
5.根据权利要求1所述的高性能机械基础部件数字化智能制造系统,其特征在于,所述识别出具有加工缺陷的零件的方法包括以下步骤:
A1:将加工好的完整零件图片输入Galileo卷积神经网络模型进行训练;提取出完整零件的轮廓特征和表面纹理特征;
A2:传输流水线上的摄像头拍摄每一个加工零件的图片,并传输给训练好的Galileo卷积神经网络模型,识别出轮廓和表面纹理有缺陷的零件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345842.XA CN111026060B (zh) | 2019-12-24 | 2019-12-24 | 一种高性能机械基础部件数字化智能制造系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345842.XA CN111026060B (zh) | 2019-12-24 | 2019-12-24 | 一种高性能机械基础部件数字化智能制造系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111026060A CN111026060A (zh) | 2020-04-17 |
CN111026060B true CN111026060B (zh) | 2022-05-10 |
Family
ID=70212071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345842.XA Active CN111026060B (zh) | 2019-12-24 | 2019-12-24 | 一种高性能机械基础部件数字化智能制造系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026060B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904865B (zh) * | 2021-01-28 | 2022-10-14 | 广东职业技术学院 | 陶瓷物料的运输控制方法、系统及计算机可读存储介质 |
CN113469560B (zh) * | 2021-07-19 | 2022-05-10 | 北京东华博泰科技有限公司 | 一种基于工业大数据的云平台数据管理系统 |
CN116893177B (zh) * | 2023-09-11 | 2023-11-14 | 四川大学 | 基于ccd和高温计的激光增材制造过程内部缺陷监测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017035536A1 (en) * | 2015-08-27 | 2017-03-02 | FogHorn Systems, Inc. | Edge intelligence platform, and internet of things sensor streams system |
CN207460183U (zh) * | 2017-10-12 | 2018-06-05 | 丛聪 | 一种基于无线激光通信的智能生产线信息传输系统 |
CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
CN110380880A (zh) * | 2018-04-13 | 2019-10-25 | 中国科学院沈阳自动化研究所 | 一种基于边缘计算框架的整车制造智能工厂的体系结构 |
CN110502786A (zh) * | 2019-07-16 | 2019-11-26 | 深圳拓谱信息技术有限公司 | 用于生产线的数字孪生处理方法、装置、系统和设备 |
-
2019
- 2019-12-24 CN CN201911345842.XA patent/CN111026060B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111026060A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111026060B (zh) | 一种高性能机械基础部件数字化智能制造系统 | |
CN112765768B (zh) | 基于物联网的离散型车间数字溯源方法 | |
CN109305534B (zh) | 基于计算机视觉的煤码头带式输送机自适应控制方法 | |
CN115311027B (zh) | 一种基于数字孪生的供应链管理方法及系统 | |
US20210166181A1 (en) | Equipment management method, device, system and storage medium | |
CN114838767B (zh) | 一种冷链物流用温湿度智能化监测系统及方法 | |
CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
KR102523701B1 (ko) | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 | |
CN112183919A (zh) | 质量预测系统和质量预测方法 | |
CN114595875A (zh) | 基于变压器传感信息和数字孪生的状态评估方法及系统 | |
CN116618878A (zh) | 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 | |
CN114253242B (zh) | 一种基于vpn的物联网云端设备数据采集系统 | |
CN116703254B (zh) | 模具机械零部件生产信息管理系统 | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
CN109933031A (zh) | 一种根据化验数据自动校正软测量仪表的系统及方法 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 | |
CN106959668A (zh) | 一种机械制造设备切削状态辨识与数据处理方法方法 | |
KR20210056526A (ko) | 뿌리산업을 위한 스마트 공장의 수직형 통합 패키지 운영 시스템 및 방법 | |
CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 | |
CN117392771B (zh) | 放置砂芯机器人用监控报警系统及方法 | |
CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 | |
Fallahpour et al. | Supplier selection under fuzzy environment: a hybrid model using KAM in DEA | |
CN115022348B (zh) | 一种高端电池智能工厂云级架构数据存储方法 | |
Liu et al. | Real-time quality monitoring and diagnosis using convolutional neural network: an application to the pasting process of battery manufacturing |
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 |