CN111468731A - 基于机器深度学习的粉末注射成型智能系统及成型工艺 - Google Patents
基于机器深度学习的粉末注射成型智能系统及成型工艺 Download PDFInfo
- Publication number
- CN111468731A CN111468731A CN202010468338.5A CN202010468338A CN111468731A CN 111468731 A CN111468731 A CN 111468731A CN 202010468338 A CN202010468338 A CN 202010468338A CN 111468731 A CN111468731 A CN 111468731A
- Authority
- CN
- China
- Prior art keywords
- processing module
- data processing
- data information
- data
- optimization model
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F3/00—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces
- B22F3/22—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces for producing castings from a slip
- B22F3/225—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces for producing castings from a slip by injection molding
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F3/00—Manufacture of workpieces or articles from metallic powder characterised by the manner of compacting or sintering; Apparatus specially adapted therefor ; Presses and furnaces
- B22F3/10—Sintering only
- B22F3/1017—Multiple heating or additional steps
- B22F3/1021—Removal of binder or filler
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及基于机器深度学习的粉末注射成型智能系统及成型工艺,其中系统包括注射机,脱脂炉,烧结炉、数据采集模块和数据处理模块;所述数据采集模块用于半成品和成品的数据信息,用于收集注射机、脱脂炉和烧结炉的运行的数据信息;所述数据采集模块用于将数据信息保存后输出给数据处理模块;所述数据处理模块用于接收并保存数据信息;所述数据处理模块通过智能化对比分析处理得到相应的生产优化模型;数据处理模块将生产优化模型输入对应的注射机或脱脂炉或烧结炉的控制系统。本发明利用机器深度学习能力和大数据有效提升了设计信息的完整性与准确性,极大提高了设计速度。同时互通产品整体的信息,有利于产品各环节的并行制造。
Description
技术领域
本发明涉及基于机器深度学习的粉末注射成型智能系统及成型工艺。
背景技术
随着国民经济和科学技术水平的发展,人们对产品生产设计的便捷性、高效性越来越重视,对于全流程的信息完整性的要求也更高,各生产环节不断向智能化发展,大数据智能化系统将越来越多应用到未来生产中。
产品设计是生产不可或缺的一个环节,通过产品设计可以合理的使用现有的生产工艺与设备,降低生产周期和综合成本,使产品顺利生产。当前产品设计环节主要依赖人的自身经验,存在全流程把控局限性、某些复杂问题的设计效率较低、信息采集不完全、不同种结构与材料都需新设计等问题。
粉末注射成型制造中需重点把控好注射坯的品质,目前在粉末注射成型中产品的注射阶段判定基本依赖于工程师的自身经验,对信息的捕捉存在局限性和完整性,且往往需要大量时间去测量和调节产品注射成型中出现的问题,同时伴随着需要大量人力物力,效率不高等问题
发明内容
本发明的第一个目的是提供一种基于机器深度学习的粉末注射成型智能系统,该系统能够
实现本发明第一个目的的技术方案是:本发明中基于机器深度学习的粉末注射成型智能系统包括用于生产注射坯的注射机,用于生产脱脂坯的脱脂炉,以及用于生产烧结坯的烧结炉;同时还包括数据采集模块和数据处理模块;所述数据采集模块用于收集注射坯的数据信息,用于收集脱脂坯的数据信息,用于收集烧结坯的数据信息,用于收集注射机运行的数据信息,用于收集脱脂炉运行的数据信息,用于收集烧结炉运行的数据信息;所述数据采集模块还用于将收集的数据信息保存后输出给数据处理模块;所述数据处理模块用于接收并保存数据信息;所述数据处理模块还用于接收数据采集模块输入的数据信息并保存,同时与数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;所述数据处理模块还用于将生产优化模型输入对应的控制注射机运行的控制系统和/或输入对应的用于控制脱脂炉运行的控制系统和/或输入对应的用于控制烧结炉运行的控制系统。
数据采集模块包括用于收集注射坯的数据信息的CT检测装置,用于收集脱脂坯的数据信息的失重率检测装置。
上述数据处理模块包括后台数据处理模块、第一数据处理模块、第二数据处理模块和第三数据处理模块;所述第一数据处理模块、第二数据处理模块和第三数据处理模块均与后台数据处理模块通信连接;
所述第一数据处理模块用于接收保存来自CT检测装置的数据信息并与第一数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第一数据处理模块还用于向控制注射机的控制系统输入生产优化模型;
所述第二数据处理模块用于接收保存来自失重率检测装置的数据信息并与第二数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第二数据处理模块还用于向控制脱脂炉的控制系统输入生产优化模型;
所述第三数据处理模块用于接收保存来自烧结炉运行的数据信息和烧结坯的数据信息,并与第三数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第三数据处理模块还用于向控制烧结炉的控制系统输入生产优化模型。
上述数据处理模块还包括第四数据处理模块;所述第四数据模块与后台数据处理模块通信连接;所述第四数据处理模块用于接收并保存成品数据信息,用于接收并保存喂料成分信息,用于推荐模具信息。
本发明的第二个目的是提供一种利用基于机器深度学习的粉末注射成型智能系统进行的成型工艺,该工艺将大数据应用到产品设计环节,利用计算机辅助,输入产品的数据与要求,通过数据库的检索与机器自身学习,自动输出相匹配的目标数据,产品生产过程中的数据也会反馈回来用于丰富数据库,从而形成智能净化型生产。
实现本发明第二个目的的技术方案是:本发明中成型工艺包括如下步骤:
S1、CT检测装置对注射坯的结构进行分析,获得注射坯的结构数据信息;
S2、CT检测装置将注射坯的结构数据信息传输给第一数据处理模块,第一数据处理模块保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于注射机运行的生产优化模型:
ΔS·π·R2=C·(L-L0)3
式中:ΔS——螺杆前进位置
R——料筒半径
L——产品实际尺寸
L0——产品图纸尺寸
C——修正系数;
S3、第一数据处理模块将用于注射机运行的生产优化模型同时传输给后台数据处理模块和注射机的控制系统,注射机的控制系统根据接收的生产优化模型进行优化调节;
S4、失重率检测装置对脱脂坯进行分析,获得脱脂坯的失重率数据信息;
S5、失重率检测装置将脱脂坯的失重率数据信息传输给第二数据处理模块,第二数据处理模块保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于脱脂炉运行的生产优化模型:
σ=((m0-m)/m0)*100%
式中:σ——实测失重率;
m——脱脂后产品单重
m0——脱脂前产品单重;
S6、第二数据处理模块将用于脱脂炉运行的生产优化模型同时传输给后台数据处理模块和脱脂炉的控制系统,脱脂炉的控制系统根据接收的生产优化模型进行优化调节;
S7、烧结炉的控制系统将烧结炉的运行数据信息传输给第三数据处理模块,第三数据处理模块保存该结构数据信息并将其与其已存的结构数据信息对比分析,获得用于烧结炉运行的生产优化模型;
S8、第三数据处理模块将用于烧结炉运行的生产优化模型同时传输给后台数据处理模块和烧结炉的控制系统,烧结炉的控制系统根据接收的生产优化模型进行优化调节;
S9、后台数据处理模块定期将其接收到的生产优化模型传输给相应的第一数据处理模块、第二数据处理模块和第三数据处理模块。
作为优化设计,在注射前,还包括前序步骤:第四数据处理模块根据成品数据信息,分析得出喂料成分信息和模具信息,并将喂料成分信息和模具信息传输给后台数据库。
本发明具有积极的效果:本发明利用智能系统实现了产品的智能化设计和生产,采用已有经验数据与机器自身学习相结合,统筹各环节信息互联互通。将大数据应用到产品设计环节,利用计算机辅助,输入产品的数据与要求,通过数据库的检索与机器自身学习,自动输出相匹配的目标数据,产品最终终端数据也会反馈回来用于丰富数据库,形成一种智能化生产系统链。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1为本发明中基于机器深度学习的粉末注射成型智能系统的组成图;
图2为本发明中成型工艺流程图。
具体实施方式
见图1,本发明中基于机器深度学习的粉末注射成型智能系统包括用于生产注射坯的注射机1,用于生产脱脂坯的脱脂炉2,以及用于生产烧结坯的烧结炉3;还包括数据采集模块和数据处理模块;所述数据采集模块用于收集注射坯的数据信息,用于收集脱脂坯的数据信息,用于收集烧结坯的数据信息,用于收集注射机1运行的数据信息,用于收集脱脂炉2运行的数据信息,用于收集烧结炉3运行的数据信息;所述数据采集模块还用于将收集的数据信息保存后输出给数据处理模块;所述数据处理模块用于接收并保存数据信息;所述数据处理模块还用于接收数据采集模块输入的数据信息并保存,同时与数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;所述数据处理模块还用于将生产优化模型输入对应的控制注射机1运行的控制系统和/或输入对应的用于控制脱脂炉2运行的控制系统和/或输入对应的用于控制烧结炉3运行的控制系统。
数据采集模块包括用于收集注射坯的数据信息的CT检测装置4,用于收集脱脂坯的数据信息的失重率检测装置5。
所述数据处理模块包括后台数据处理模块6、第一数据处理模块7、第二数据处理模块8和第三数据处理模块9;所述第一数据处理模块7、第二数据处理模块8和第三数据处理模块9均与后台数据处理模块6通信连接;
所述第一数据处理模块7用于接收保存来自CT检测装置4的数据信息并与第一数据处理模块7内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第一数据处理模块7还用于向控制注射机1的控制系统输入生产优化模型;
所述第二数据处理模块8用于接收保存来自失重率检测装置5的数据信息并与第二数据处理模块8内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第二数据处理模块8还用于向控制脱脂炉2的控制系统输入生产优化模型;
所述第三数据处理模块9用于接收保存来自烧结炉3运行的数据信息和烧结坯的数据信息,并与第三数据处理模块9内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第三数据处理模块9还用于向控制烧结炉3的控制系统输入生产优化模型。
所述数据处理模块还包括第四数据处理模块10;所述第四数据模块10与后台数据处理模块6通信连接;所述第四数据处理模块10用于接收并保存成品数据信息,用于接收并保存喂料成分信息,用于推荐模具信息。
见图2,利用上述的基于机器深度学习的粉末注射成型智能系统进行的成型工艺,包括如下步骤:
S1、第四数据处理模块10根据成品数据信息,分析得出喂料成分信息和模具信息;
S2、CT检测装置4对注射坯的结构进行分析,获得注射坯的结构数据信息;
S3、CT检测装置4将注射坯的结构数据信息传输给第一数据处理模块7,第一数据处理模块7保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于注射机1运行的生产优化模型:
ΔS·π·R2=C·(L-L0)3
式中:ΔS——螺杆前进位置
R——料筒半径
L——产品实际尺寸
L0——产品图纸尺寸
C——修正系数;
其具体过程为:CT检测装置4将注射坯的重点尺寸与已存的图纸尺寸做对比。通过计算若尺寸有偏差,便通过调整螺杆前进位置增加或减少进胶量,从而调整尺寸;
S4、第一数据处理模块7将用于注射机1运行的生产优化模型同时传输给后台数据处理模块6和注射机1的控制系统,注射机1的控制系统根据接收的生产优化模型进行优化调节;
S5、失重率检测装置5对脱脂坯进行分析,获得脱脂坯的失重率数据信息;
S6、失重率检测装置5将脱脂坯的失重率数据信息传输给第二数据处理模块8,第二数据处理模块8保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于脱脂炉2运行的生产优化模型:
σ=((m0-m)/m0)*100%
式中:σ——实测失重率;
m——脱脂后产品单重
m0——脱脂前产品单重;
其具体过程为:根据已存的理论失重率σ0,当实测失重率σ≥95%σ0时,脱脂工序停止,未达到95%σ0,脱脂程序持续进行;
S7、第二数据处理模块8将用于脱脂炉运行的生产优化模型同时传输给后台数据处理模块6和脱脂炉2的控制系统,脱脂炉2的控制系统根据接收的生产优化模型进行优化调节;
S8、烧结炉3的控制系统将烧结炉3的运行数据信息传输给第三数据处理模块9,第三数据处理模块9保存该结构数据信息并将其与其已存的结构数据信息对比分析,获得用于烧结炉3运行的生产优化模型;
其具体过程为:在烧结炉3上加装高温热成像仪11,检测产品在烧结过程中的孔隙变化,当孔隙率≥2%时,加热时间持续延长。
S9、第三数据处理模块9将用于烧结炉3运行的生产优化模型同时传输给后台数据处理模块6和烧结炉3的控制系统,烧结炉3的控制系统根据接收的生产优化模型进行优化调节;
S10、后台数据处理模块6定期将其接收到的生产优化模型传输给相应的第一数据处理模块7、第二数据处理模块8和第三数据处理模块9。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于机器深度学习的粉末注射成型智能系统,包括用于生产注射坯的注射机,用于生产脱脂坯的脱脂炉,以及用于生产烧结坯的烧结炉;其特征在于:还包括数据采集模块和数据处理模块;所述数据采集模块用于收集注射坯的数据信息,用于收集脱脂坯的数据信息,用于收集烧结坯的数据信息,用于收集注射机运行的数据信息,用于收集脱脂炉运行的数据信息,用于收集烧结炉运行的数据信息;所述数据采集模块还用于将收集的数据信息保存后输出给数据处理模块;所述数据处理模块用于接收并保存数据信息;所述数据处理模块还用于接收数据采集模块输入的数据信息并保存,同时与数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;所述数据处理模块还用于将生产优化模型输入对应的控制注射机运行的控制系统和/或输入对应的用于控制脱脂炉运行的控制系统和/或输入对应的用于控制烧结炉运行的控制系统。
2.根据权利要求1所述的基于机器深度学习的粉末注射成型智能系统,其特征在于:数据采集模块包括用于收集注射坯的数据信息的CT检测装置,用于收集脱脂坯的数据信息的失重率检测装置。
3.根据权利要求2所述的基于机器深度学习的粉末注射成型智能系统,其特征在于:所述数据处理模块包括后台数据处理模块、第一数据处理模块、第二数据处理模块和第三数据处理模块;所述第一数据处理模块、第二数据处理模块和第三数据处理模块均与后台数据处理模块通信连接;
所述第一数据处理模块用于接收保存来自CT检测装置的数据信息并与第一数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第一数据处理模块还用于向控制注射机的控制系统输入生产优化模型;
所述第二数据处理模块用于接收保存来自失重率检测装置的数据信息并与第二数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第二数据处理模块还用于向控制脱脂炉的控制系统输入生产优化模型;
所述第三数据处理模块用于接收保存来自烧结炉运行的数据信息和烧结坯的数据信息,并与第三数据处理模块内已存且相关的数据信息进行对比分析处理得到相应的生产优化模型;第三数据处理模块还用于向控制烧结炉的控制系统输入生产优化模型。
4.根据权利要求3所述的基于机器深度学习的粉末注射成型智能系统,其特征在于:所述数据处理模块还包括第四数据处理模块;所述第四数据模块与后台数据处理模块通信连接;所述第四数据处理模块用于接收并保存成品数据信息,用于接收并保存喂料成分信息,用于推荐模具信息。
5.利用权利要求3所述的基于机器深度学习的粉末注射成型智能系统进行的成型工艺,其特征在于包括如下步骤:
S1、CT检测装置对注射坯的结构进行分析,获得注射坯的结构数据信息;
S2、CT检测装置将注射坯的结构数据信息传输给第一数据处理模块,第一数据处理模块保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于注射机运行的生产优化模型:
ΔS·π·R2=C·(L-L0)3
式中:ΔS——螺杆前进位置
R——料筒半径
L——产品实际尺寸
L0——产品图纸尺寸
C——修正系数;
S3、第一数据处理模块将用于注射机运行的生产优化模型同时传输给后台数据处理模块和注射机的控制系统,注射机的控制系统根据接收的生产优化模型进行优化调节;
S4、失重率检测装置对脱脂坯进行分析,获得脱脂坯的失重率数据信息;
S5、失重率检测装置将脱脂坯的失重率数据信息传输给第二数据处理模块,第二数据处理模块保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于脱脂炉运行的生产优化模型:
σ=((m0-m)/m0)*100%
式中:σ——实测失重率;
m——脱脂后产品单重
m0——脱脂前产品单重;
S6、第二数据处理模块将用于脱脂炉运行的生产优化模型同时传输给后台数据处理模块和脱脂炉的控制系统,脱脂炉的控制系统根据接收的生产优化模型进行优化调节;
S7、烧结炉的控制系统将烧结炉的运行数据信息传输给第三数据处理模块,第三数据处理模块保存该结构数据信息并与其已存的结构数据信息对比分析,获得用于烧结炉运行的生产优化模型:
S8、第三数据处理模块将用于烧结炉运行的生产优化模型同时传输给后台数据处理模块和烧结炉的控制系统,烧结炉的控制系统根据接收的生产优化模型进行优化调节;
S9、后台数据处理模块定期将其接收到的生产优化模型传输给相应的第一数据处理模块、第二数据处理模块和第三数据处理模块。
6.利用权利要求4所述的基于机器深度学习的粉末注射成型智能系统进行的成型工艺,其特征在于包括如下步骤:
S1、第四数据处理模块根据成品数据信息,分析得出喂料成分信息和模具信息;
S2、CT检测装置对注射坯的结构进行分析,获得注射坯的结构数据信息;
S3、CT检测装置将注射坯的结构数据信息传输给第一数据处理模块,第一数据处理模块保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于注射机运行的生产优化模型:
ΔS·π·R2=C·(L-L0)3
式中:ΔS——螺杆前进位置
R——料筒半径
L——产品实际尺寸
L0——产品图纸尺寸
C——修正系数;
S4、第一数据处理模块将用于注射机运行的生产优化模型同时传输给后台数据处理模块和注射机的控制系统,注射机的控制系统根据接收的生产优化模型进行优化调节;
S5、失重率检测装置对脱脂坯进行分析,获得脱脂坯的失重率数据信息;
S6、失重率检测装置将脱脂坯的失重率数据信息传输给第二数据处理模块,第二数据处理模块保存该结构数据信息并将其通过以下算法与其已存的结构数据信息对比分析,获得用于脱脂炉运行的生产优化模型:
σ=((m0-m)/m0)*100%
式中:σ——实测失重率;
m——脱脂后产品单重
m0——脱脂前产品单重;
S7、第二数据处理模块将用于脱脂炉运行的生产优化模型同时传输给后台数据处理模块和脱脂炉的控制系统,脱脂炉的控制系统根据接收的生产优化模型进行优化调节;
S8、烧结炉的控制系统将烧结炉的运行数据信息传输给第三数据处理模块,第三数据处理模块保存该结构数据信息并将其与其已存的结构数据信息对比分析,获得用于烧结炉运行的生产优化模型;
S9、第三数据处理模块将用于烧结炉运行的生产优化模型同时传输给后台数据处理模块和烧结炉的控制系统,烧结炉的控制系统根据接收的生产优化模型进行优化调节;
S10、后台数据处理模块定期将其接收到的生产优化模型传输给相应的第一数据处理模块、第二数据处理模块和第三数据处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468338.5A CN111468731A (zh) | 2020-05-28 | 2020-05-28 | 基于机器深度学习的粉末注射成型智能系统及成型工艺 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468338.5A CN111468731A (zh) | 2020-05-28 | 2020-05-28 | 基于机器深度学习的粉末注射成型智能系统及成型工艺 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111468731A true CN111468731A (zh) | 2020-07-31 |
Family
ID=71763537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468338.5A Pending CN111468731A (zh) | 2020-05-28 | 2020-05-28 | 基于机器深度学习的粉末注射成型智能系统及成型工艺 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111468731A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066655A (zh) * | 2021-03-26 | 2021-07-02 | 安徽工业大学 | 一种自主学习的高硅钢软磁复合铁芯智能化生产系统及生产方法 |
CN117161382A (zh) * | 2023-09-19 | 2023-12-05 | 苏州中耀科技有限公司 | 一种mim零件的脱脂方法 |
-
2020
- 2020-05-28 CN CN202010468338.5A patent/CN111468731A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066655A (zh) * | 2021-03-26 | 2021-07-02 | 安徽工业大学 | 一种自主学习的高硅钢软磁复合铁芯智能化生产系统及生产方法 |
CN113066655B (zh) * | 2021-03-26 | 2023-03-14 | 安徽工业大学 | 一种自主学习的高硅钢软磁复合铁芯智能化生产系统及生产方法 |
CN117161382A (zh) * | 2023-09-19 | 2023-12-05 | 苏州中耀科技有限公司 | 一种mim零件的脱脂方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111468731A (zh) | 基于机器深度学习的粉末注射成型智能系统及成型工艺 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
Peng et al. | New Approach on Robust Delay-Dependent ${H} _\infty $ Control for Uncertain T--S Fuzzy Systems With Interval Time-Varying Delay | |
CN112070279A (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN101872423A (zh) | 一种生产线上运动目标追踪方法 | |
CN107808212B (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
CN108873847B (zh) | 一种面向模锻生产线的数据采集方法 | |
CN103310058A (zh) | 基于三维模型的尺寸链校核方法 | |
CN105159065B (zh) | 一种非线性自抗扰控制系统稳定性判断方法 | |
CN111443599A (zh) | 优化pid参数的核电站汽轮机转速控制方法 | |
Wen et al. | Human assembly task recognition in human-robot collaboration based on 3D CNN | |
CN111711407A (zh) | 一种基于rbf神经网络优化adrc伺服电机控制方法 | |
CN103400000B (zh) | 一种cad数模的变形生成方法和系统 | |
CN107618034A (zh) | 一种机器人的深度学习方法 | |
CN104270046B (zh) | 基于转速‑电流二维模糊模型自学习的电机控制方法 | |
CN106003074A (zh) | 一种基于云计算的智能交互机器人系统及交互方法 | |
CN113095596B (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 | |
CN116070170A (zh) | 一种基于深度学习的云边端数据融合处理方法及系统 | |
CN108168459B (zh) | 一种汽车轮毂识别匹配方法 | |
CN103658520B (zh) | 一种金属件铸型剖分方法 | |
CN103560531B (zh) | 基于免疫遗传算法的多smes协调控制系统及方法 | |
CN115358567A (zh) | 一种考虑不确定性的能量流和物料流建模耦合方法 | |
CN114239138A (zh) | 一种基于拓扑排序算法的飞控系统分层sdg建模方法 | |
CN204159760U (zh) | 一种用于冲压零件加工的快速定位装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200731 |
|
WD01 | Invention patent application deemed withdrawn after publication |