CN111474909A - 触发式工业制造系统及方法 - Google Patents
触发式工业制造系统及方法 Download PDFInfo
- Publication number
- CN111474909A CN111474909A CN202010347263.5A CN202010347263A CN111474909A CN 111474909 A CN111474909 A CN 111474909A CN 202010347263 A CN202010347263 A CN 202010347263A CN 111474909 A CN111474909 A CN 111474909A
- Authority
- CN
- China
- Prior art keywords
- model
- processing
- machining
- cloud server
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims description 18
- 238000012545 processing Methods 0.000 claims abstract description 173
- 238000003754 machining Methods 0.000 claims abstract description 119
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000003012 network analysis Methods 0.000 claims description 13
- 230000001960 triggered effect Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005469 granulation Methods 0.000 claims description 3
- 230000003179 granulation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010946 mechanistic model Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002076 thermal analysis method Methods 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
- G05B2219/32368—Quality control
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及触发式工业制造系统包括设备控制系统，用于接受执行指令，并根据执行指令控制设备进行制造运作；人机交互模块，用于加工信息的输入和呈现，用于加工模型的呈现和选择执行；数据处理模块，加工模型的建立和对比；通讯模块，用于与云端服务器通信，并接收来自云端服务器的其他同类设备的加工模型和向云端服务器发送加工模型；储存器，用于储存加工模型；云端服务器，用于收集各类设备的加工模型，还用于根据设备类型将相应的加工模型传输给对应的边缘计算模块。本发明中制造方法是通过加工模型的实时更新和同步，并通过触发机制，及时获得最优制造方法，为制造加工提供助力。
Description
技术领域
本发明涉及工业智能制造领域，特别涉及触发式工业制造系统及方法。
背景技术
随着工业生产的不断进步，工业制造的要求也越来越高。现有制造领域，为了提高制造效率和制造质量，往往都是通过自己不断的研究和改进来推动整个制造工艺的进步。当遇到某个技术问题时，除了依赖企业研发人员解决外，往往还会花费大量的成本进行产学研合作，依托行业技术专家的力量。这些传统的方式虽然能够推进行业制造的进步，但是效率不高，成本高昂。
发明内容
本发明的第一个目的是提供一种触发式工业制造系统，该系统能够实时更新边缘计算模块中的加工数据库，通过实时匹配触发最优的加工方案。即通过大数据收集和智能匹配实现了远程、多渠道的制造加工方案匹配。
实现本发明第一个目的的技术方案是：本发明中触发式工业制造系统包括设备控制系统，用于接受执行指令，并根据执行指令控制设备进行制造运作；
人机交互模块，用于加工信息的输入和呈现，用于加工模型的呈现和执行选择；其中加工信息可以是原料材质、原料尺寸、工件尺寸、加工介质、加工方式等信息。
边缘计算模块，边缘计算模块包括数据处理模块、通讯模块和储存器；数据处理模块，用于加工信息的收集，通过特征提取和计算建立加工模型；同时数据处理模块用于将加工模型转化为执行指令；通讯模块，用于与云端服务器通信，并接收来自云端服务器的其他同类设备的加工模型和向云端服务器发送加工模型；储存器，用于储存来自云端服务器的加工模型和数据处理模块建立的加工模型；所述数据处理模块还用于将来自云端服务器的加工模型和数据处理模块建立的加工模型进行对比，并将对比后最优的加工模型推送至人机交互模块以供选择；
云端服务器，用于收集各类设备的加工模型，还用于根据设备类型将相应的加工模型传输给对应的边缘计算模块。
同时还包括外层设备；所述外层设备包括用于监控加工过程中设备状态并将获得的信号传输给数据处理模块的传感器；所述数据处理模块将外层设备传输过来的信号进行转化后加入到加工模型。
上述外层设备包括但不限于用于收集设备震动频率的传感器和/或收集输出功率的传感器和/或收集转速的传感器和/或收集转动偏心率的传感器。
上述云端服务器包括AI网络分析模块，云端储存器，云端通讯模块；AI网络分析模块用于对加工模型的分类，并将其储存在云端储存器；
云端储存器内的加工模型通过云端通讯模块传输给对应的边缘计算模块。
建立加工模型的方法选择要首先满足建模成本，模型精度和模型的复杂性之间的平衡。针对现代工业过程中的某些对象的机理分析已经非常全面，如对流受热面的热力分析等。这些过程的机理模型非常成熟，所以最好的选择是利用现有的研究成果；对于非常复杂的一些物理和化学变化的过程，如火力电动机组的燃烧过程，我们没有简单、有效和准确的机理模型，在这种情况下我们就可以选择基于数据的建模方法。例如很大的样本或支持向量机和拥有部分小样本的最小方差辅助向量机的神经网络模型。对于这两个过程，可以选择基于机理模型的混合建模方法，并且用数据拟合的方法对部分复杂过程建模。
本发明的第二个目的是提供一种利用上述触发式工业制造系统进行制造的方法，该方法能够实现加工方式的不断优化，利用人工智能实现更优化的云制造技术。
实现本发明第二个目的的技术方案是：本发明中利用上述不包括外层设备的触发式工业制造系统进行制造的方法，包括以下步骤：
S1、通过人机交互模块输入加工信息；
S2、边缘计算模块根据输入的加工信息，判断是否有相应的加工模型；若有，则通过人机交互模块显示和选择，设备控制系统根据选择的加工模型发出执行该加工模型的执行指令，设备进行制造运作；若没有，则通过边缘计算模块建立加工模型后向设备控制系统发出执行该加工模型的执行指令，设备进行制造运作；
S3、边缘计算模块实时接收来自云端服务器的加工模型，并实时将来自云端服务器的加工模型与当前执行的加工模型进行匹配；若来自云端服务器的加工模型优于当前执行的加工模型，则在人机交互模块上提示是否更换更优方案，设备控制系统根据选择执行相应的加工模型；若来自云端服务器的加工模型不优于当前执行的加工模型，则不提示；
S4、边缘计算模块将根据加工信息建立的加工模型传输至云端服务器；
S5、云端服务器对接收到的加工模型进行AI网络分析，并储存该加工模型；
S6、云端服务器实时将新的加工模型传输给对应的边缘计算模块，并更新边缘计算模块中储存器内的加工模型。
本发明利用上述包含外层设备的触发式工业制造系统进行制造的方法，包括如下步骤：
S1、通过人机交互模块输入加工信息；
S2、边缘计算模块根据输入的加工信息，判断是否有相应的加工模型；若有，则通过人机交互模块显示和选择，设备控制系统根据选择的加工模型发出执行该加工模型的执行指令，设备进行制造运作；若没有，则通过边缘计算模块建立加工模型后向设备控制系统发出执行该加工模型的执行指令，设备进行制造运作；
S3、边缘计算模块中的数据处理模块对外层设备发送过来的信号进行时域分析，形成与加工模型配套的时域分析数据；
S4、边缘计算模块实时接收来自云端服务器的加工模型和配套的时域分析数据，并实时将来自云端服务器的加工模型和配套的时域分析数据与当前执行的加工模型和其配套的时域分析数据进行对比；若来自云端服务器的加工模型优于当前执行的加工模型，则在人机交互模块上提示是否更换更优方案，设备控制系统根据选择执行相应的加工模型；若来自云端服务器的加工模型不优于当前执行的加工模型，则不提示；
S5、边缘计算模块将根据加工信息建立的加工模型以及配套的时域分析数据传输至云端服务器；
S6、云端服务器对接收到的加工模型进行AI网络分析，并储存该加工模型和配套的时域分析数据；
S7、云端服务器实时将新的加工模型和时域分析数据传输给对应的边缘计算模块，并更新边缘计算模块中储存器内的加工模型和配套的时域分析数据。
上述来自云端服务器的加工模型与当前执行的加工模型均包括通过使用数据建模或机理建模建立的动态工况基准模型和稳态工况基准模型；所述步骤S4中边缘计算模块通过以下计算方式比对来自云端服务器的加工模型与当前执行的加工模型：
A、将时域分析数据导入来自云端服务器的加工模型的动态工况基准模型和稳态工况基准模型内；将时域分析数据导入当前执行的加工模型的动态工况基准模型和稳态工况基准模型内；
B、来自云端服务器的加工模型和当前执行的加工模型分别通过以下公式计算出动态残差和稳态残差：
式中，Δw表示稳态残差；Δd代表动态残差；fw(X)表示稳态的基准模型；fd(X)表示动态运行模式的基准模型；XTi和YTi表示稳态工况下在时间段(twi,twi+k)测量值的平均值；xji,yji表示动态工作模式下在时间段(tj,tj+k)的测量值平均值；
C、通过信息粒化的方式将多个相邻的对应时间的动态残差和稳态残差分成多个信息粒，信息粒通过以下公式计算获得：
Di＝{δTi，δTi，Lδti，δTi+1)|Ti∈(twi，twi+k)
t∈(tj，tj+k)
式中，Di为信息粒；
D、利用卡尔曼滤波进行动态残差和稳态残差的信息融合，获得融合残差；
E、最后对融合残差进行比对，获得比对结果。
本发明具有积极的效果：(1)本发明通过边缘计算模块和云端服务器能够不断增加和更新加工模型，不仅提供多样化的加工方案而且可以根据对比得到最优的加工方案，有效提高加工效率和加工质量。
(2)本发明通过外层设备可以有效监控设备的运行情况，并将收集的信号加入到加工模型的创建，增加了加工模型的多样性；并且通过对设备运行的监控，也能够为因设备运行造成的质量问题找到问题原因和提供相应的解决方案。
(3)本发明中外层设备的多样性进一步提高了加工模型的全面性。
(4)本发明中云端服务器可以接受来自不同种类设备的加工模型，通过AI网络分析，即有利于后台的智能扩展，而且能够将同类型设备的加工模型进行数据共享，为后续加工模型的优化选择提供可能。
(5)本发明中加工模型是进行实时传输的，通过边缘计算模块能够实现数据的实时分析和对比，让更优加工方案的触发更加及时和高效。
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为本发明实施例1中触发式工业系统的结构示意图；
图2为本发明实施例2中触发式工业系统的结构示意图；
图3为本发明实施例2中对来自云端服务器4的加工模型与当前执行的加工模型比对流程图。
具体实施方式
(实施例1)
参见图1，本发明中触发式工业制造系统包括设备控制系统1，用于接受执行指令，并根据执行指令控制设备进行制造运作；
人机交互模块2，用于加工信息的输入和呈现，用于加工模型的呈现和执行选择；
边缘计算模块3，边缘计算模块3包括数据处理模块31、通讯模块32和储存器33；数据处理模块31，用于加工信息的收集，通过特征提取和计算建立加工模型；同时数据处理模块31用于将加工模型转化为执行指令；通讯模块32，用于与云端服务器4通信，并接收来自云端服务器4的其他同类设备的加工模型和向云端服务器4发送加工模型；储存器33，用于储存来自云端服务器4的加工模型和数据处理模块31建立的加工模型；所述数据处理模块31还用于将来自云端服务器4的加工模型和数据处理模块31建立的加工模型进行对比，并将对比后最优的加工模型推送至人机交互模块2以供选择；
云端服务器4，用于收集各类设备的加工模型，还用于根据设备类型将相应的加工模型传输给对应的边缘计算模块3。
其中通信模块32可采用物联网通信模块，也可以通过互联网的方式。
本发明中利用上述触发工业制造系统进行制造的方法，括以下步骤：
S1、通过人机交互模块2输入加工信息；
S2、边缘计算模块3根据输入的加工信息，判断是否有相应的加工模型；若有，则通过人机交互模块2显示和选择，设备控制系统1根据选择的加工模型发出执行该加工模型的执行指令，设备进行制造运作；若没有，则通过边缘计算模块3建立加工模型后向设备控制系统发出执行该加工模型的执行指令，设备进行制造运作；
S3、边缘计算模块3实时接收来自云端服务器4的加工模型，并实时将来自云端服务器4的加工模型与当前执行的加工模型进行对比；若来自云端服务器4的加工模型优于当前执行的加工模型，则在人机交互模块2上提示是否更换更优方案，设备控制系统1根据选择执行相应的加工模型；若来自云端服务器4的加工模型不优于当前执行的加工模型，则不提示；
S4、边缘计算模块3将根据加工信息建立的加工模型传输至云端服务器4；
S5、云端服务器4对接收到的加工模型进行AI网络分析，并储存该加工模型；
S6、云端服务器4实时将新的加工模型传输给对应的边缘计算模块3，并更新边缘计算模块3中储存器33内的加工模型库。
(实施例2)
参见图2，本发明中触发式工业制造系统包括设备控制系统1，用于接受执行指令，并根据执行指令控制设备进行制造运作；
人机交互模块2，用于加工信息的输入和呈现，用于加工模型的呈现和选择执行；
边缘计算模块3，边缘计算模块3包括数据处理模块31、通讯模块32和储存器33；数据处理模块31，用于加工信息的收集，通过特征提取和计算建立加工模型；同时数据处理模块31用于将加工模型转化为执行指令；通讯模块32，用于与云端服务器4通信，并接收来自云端服务器4的其他同类设备的加工模型和向云端服务器4发送加工模型；储存器33，用于储存来自云端服务器4的加工模型和数据处理模块31建立的加工模型；所述数据处理模块31还用于将来自云端服务器4的加工模型和数据处理模块31建立的加工模型进行对比，并将对比后最优的加工模型推送至人机交互模块2以供选择；
云端服务器4，用于收集各类设备的加工模型，还用于根据设备类型将相应的加工模型传输给对应的边缘计算模块3。
同时还包括外层设备5；所述外层设备5包括用于监控加工过程中设备状态并将获得的信号传输给数据处理模块31的传感器；所述数据处理模块31将外层设备传输过来的信号进行转化后加入到加工模型的建立。
所述外层设备5包括用于收集设备震动频率的传感器和/或收集输出功率的传感器和/或收集转速的传感器和/或收集转动偏心率的传感器。
所述云端服务器4包括AI网络分析模块41，云端储存器42，云端通讯模块43；AI网络分析模块41用于对加工模型的分类，并将其储存在云端储存器42；
云端储存器42内的加工模型通过云端通讯模块43传输给对应的边缘计算模块3。
本发明中利用上述触发工业制造系统进行制造的方法，包括以下步骤：
S1、通过人机交互模块2输入加工信息；
S2、边缘计算模块3根据输入的加工信息，判断是否有相应的加工模型；若有，则通过人机交互模块2显示和选择，设备控制系统1根据选择的加工模型发出执行该加工模型的执行指令，设备进行制造运作；若没有，则通过边缘计算模块3建立加工模型后向设备控制系统发出执行该加工模型的执行指令，设备进行制造运作；
S3、边缘计算模块3中的数据处理模块31对外层设备5发送过来的信号进行时域分析，形成与加工模型配套的时域分析数据；
S4、边缘计算模块3实时接收来自云端服务器4的加工模型和配套的时域分析数据，并实时将来自云端服务器4的加工模型和配套的时域分析数据与当前执行的加工模型和其配套的时域分析数据进行对比；若来自云端服务器4的加工模型优于当前执行的加工模型，则在人机交互模块2上提示是否更换更优方案，设备控制系统1根据选择执行相应的加工模型；若来自云端服务器4的加工模型不优于当前执行的加工模型，则不提示；
S5、边缘计算模块3将根据加工信息建立的加工模型以及配套的时域分析数据传输至云端服务器4；
S6、云端服务器4对接收到的加工模型进行AI网络分析，并储存该加工模型和配套的时域分析数据；
S7、云端服务器4实时将新的加工模型和时域分析数据传输给对应的边缘计算模块3，并更新边缘计算模块3中储存器33内的加工模型和配套的时域分析数据。
见图3，所述来自云端服务器4的加工模型与当前执行的加工模型均包括通过使用数据建模或机理建模建立的动态工况基准模型和稳态工况基准模型；所述步骤S4中边缘计算模块3通过以下计算方式比对来自云端服务器4的加工模型与当前执行的加工模型：
A、将时域分析数据导入来自云端服务器4的加工模型的动态工况基准模型和稳态工况基准模型内；将时域分析数据导入当前执行的加工模型的动态工况基准模型和稳态工况基准模型内；
B、来自云端服务器4的加工模型和当前执行的加工模型分别通过以下公式计算出动态残差和稳态残差：
式中，Δw表示稳态残差；Δd代表动态残差；fw(X)表示稳态的基准模型；fd(X)表示动态运行模式的基准模型；XTi和YTi表示稳态工况下在时间段(twi,twi+k)测量值的平均值；xji,yji表示动态工作模式下在时间段(tj,tj+k)的测量值平均值；
C、通过信息粒化的方式将多个相邻的对应时间的动态残差和稳态残差分成多个信息粒，信息粒通过以下公式计算获得：
Di＝{δTi，δTi，Lδti，δTi+1)|Ti∈(twi，twi+k)
t∈(tj，tj+k)
D、利用卡尔曼滤波进行动态残差和稳态残差的信息融合，获得融合残差；
E、最后对融合残差进行比对，获得比对结果
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 (7)
1.触发式工业制造系统；其特征在于：包括
设备控制系统(1)，用于接受执行指令，并根据执行指令控制设备进行制造运作；
人机交互模块(2)，用于加工信息的输入和呈现，用于加工模型的呈现和执行选择；
边缘计算模块(3)，边缘计算模块(3)包括数据处理模块(31)、通讯模块(32)和储存器(33)；数据处理模块(31)，用于加工信息的收集，通过特征提取和计算建立加工模型；同时数据处理模块(31)用于将加工模型转化为执行指令；通讯模块(32)，用于与云端服务器(4)通信，并接收来自云端服务器(4)的其他同类设备的加工模型和向云端服务器(4)发送加工模型；储存器(33)，用于储存来自云端服务器(4)的加工模型和数据处理模块(31)建立的加工模型；所述数据处理模块(31)还用于将来自云端服务器(4)的加工模型和数据处理模块(31)建立的加工模型进行对比，并将对比后最优的加工模型推送至人机交互模块(2)以供选择；
云端服务器(4)，用于收集各类设备的加工模型，还用于根据设备类型将相应的加工模型传输给对应的边缘计算模块(3)。
2.根据权利要求1所述的触发式工业制造系统，其特征在于：还包括外层设备(5)；所述外层设备(5)包括用于监控加工过程中设备状态并将获得的信号传输给数据处理模块(31)的传感器；所述数据处理模块(31)将外层设备传输过来的信号进行转化后加入到加工模型的建立。
3.根据权利要求2所述的触发式工业制造系统，其特征在于：所述外层设备(5)包括用于收集设备震动频率的传感器和/或收集输出功率的传感器和/或收集转速的传感器和/或收集转动偏心率的传感器。
4.根据权利要求1或2或3所述的触发式工业制造系统，其特征在于：所述云端服务器(4)包括AI网络分析模块(41)，云端储存器(42)，云端通讯模块(43)；AI网络分析模块(41)用于对加工模型的分类，并将其储存在云端储存器(42)；
云端储存器(42)内的加工模型通过云端通讯模块(43)传输给对应的边缘计算模块(3)。
5.利用权利要求1所述触发式工业制造系统进行制造的方法，其特征在于包括以下步骤：
S1、通过人机交互模块(2)输入加工信息；
S2、边缘计算模块(3)根据输入的加工信息，判断是否有相应的加工模型；若有，则通过人机交互模块(2)显示和选择，设备控制系统(1)根据选择的加工模型发出执行该加工模型的执行指令，设备进行制造运作；若没有，则通过边缘计算模块(3)建立加工模型后向设备控制系统发出执行该加工模型的执行指令，设备进行制造运作；
S3、边缘计算模块(3)实时接收来自云端服务器(4)的加工模型，并实时将来自云端服务器(4)的加工模型与当前执行的加工模型进行对比；若来自云端服务器(4)的加工模型优于当前执行的加工模型，则在人机交互模块(2)上提示是否更换更优方案，设备控制系统(1)根据选择执行相应的加工模型；若来自云端服务器(4)的加工模型不优于当前执行的加工模型，则不提示；
S4、边缘计算模块(3)将根据加工信息建立的加工模型传输至云端服务器(4)；
S5、云端服务器(4)对接收到的加工模型进行AI网络分析，并储存该加工模型；
S6、云端服务器(4)实时将新的加工模型传输给对应的边缘计算模块(3)，并更新边缘计算模块(3)中储存器(33)内的加工模型。
6.利用权利要求2所述触发式工业制造系统进行制造的方法，其特征在于包括如下步骤：
S1、通过人机交互模块(2)输入加工信息；
S2、边缘计算模块(3)根据输入的加工信息，判断是否有相应的加工模型；若有，则通过人机交互模块(2)显示和选择，设备控制系统(1)根据选择的加工模型发出执行该加工模型的执行指令，设备进行制造运作；若没有，则通过边缘计算模块(3)建立加工模型后向设备控制系统发出执行该加工模型的执行指令，设备进行制造运作；
S3、边缘计算模块(3)中的数据处理模块(31)对外层设备(5)发送过来的信号进行时域分析，形成与加工模型配套的时域分析数据；
S4、边缘计算模块(3)实时接收来自云端服务器(4)的加工模型和配套的时域分析数据，并实时将来自云端服务器(4)的加工模型和配套的时域分析数据与当前执行的加工模型和其配套的时域分析数据进行对比；若来自云端服务器(4)的加工模型优于当前执行的加工模型，则在人机交互模块(2)上提示是否更换更优方案，设备控制系统(1)根据选择执行相应的加工模型；若来自云端服务器(4)的加工模型不优于当前执行的加工模型，则不提示；
S5、边缘计算模块(3)将根据加工信息建立的加工模型以及配套的时域分析数据传输至云端服务器(4)；
S6、云端服务器(4)对接收到的加工模型进行AI网络分析，并储存该加工模型和配套的时域分析数据；
S7、云端服务器(4)实时将新的加工模型和时域分析数据传输给对应的边缘计算模块(3)，并更新边缘计算模块(3)中储存器(33)内的加工模型和配套的时域分析数据。
7.根据权利要求6所述的利用触发式工业制造系统进行制造的方法，其特征在于：所述来自云端服务器(4)的加工模型与当前执行的加工模型均包括通过使用数据建模或机理建模建立的动态工况基准模型和稳态工况基准模型；所述步骤S4中边缘计算模块(3)通过以下计算方式比对来自云端服务器(4)的加工模型与当前执行的加工模型：
A、将时域分析数据导入来自云端服务器(4)的加工模型的动态工况基准模型和稳态工况基准模型内；将时域分析数据导入当前执行的加工模型的动态工况基准模型和稳态工况基准模型内；
B、来自云端服务器(4)的加工模型和当前执行的加工模型分别通过以下公式计算出动态残差和稳态残差：
式中，Δw表示稳态残差；Δd代表动态残差；fw(X)表示稳态的基准模型；fd(X)表示动态运行模式的基准模型；XTi和YTi表示稳态工况下在时间段(twi,twi+k)测量值的平均值；xji,yji表示动态工作模式下在时间段(tj,tj+k)的测量值平均值；
C、通过信息粒化的方式将多个相邻的对应时间的动态残差和稳态残差分成多个信息粒，信息粒通过以下公式计算获得：
Di＝{δTi，δTi，Lδti，δTi+1)|Ti∈(twi，twi+k)
t∈(tj，tj+k)
式中，Di为信息粒；
D、利用卡尔曼滤波进行动态残差和稳态残差的信息融合，获得融合残差；
E、最后对融合残差进行比对，获得比对结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347263.5A CN111474909A (zh) | 2020-04-28 | 2020-04-28 | 触发式工业制造系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347263.5A CN111474909A (zh) | 2020-04-28 | 2020-04-28 | 触发式工业制造系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111474909A true CN111474909A (zh) | 2020-07-31 |
Family
ID=71762943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010347263.5A Pending CN111474909A (zh) | 2020-04-28 | 2020-04-28 | 触发式工业制造系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111474909A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871164A (zh) * | 2017-11-17 | 2018-04-03 | 济南浪潮高新科技投资发展有限公司 | 一种雾计算环境个性化深度学习方法 |
| CN108985461A (zh) * | 2018-06-29 | 2018-12-11 | 深圳昂云鼎科技有限公司 | 一种自主机器学习的方法、装置和终端设备 |
| CN109709811A (zh) * | 2018-12-20 | 2019-05-03 | 中国科学院沈阳自动化研究所 | 一种面向智能制造的边缘计算控制器及其工作方法 |
| CN109765863A (zh) * | 2019-01-21 | 2019-05-17 | 苏州首拓信息科技有限公司 | 一种基于云平台的设备参数边缘计算方法 |
| CN109961196A (zh) * | 2017-12-22 | 2019-07-02 | 华中科技大学 | 用于服务数控机床的方法及相应装置 |
| CN110113827A (zh) * | 2019-04-14 | 2019-08-09 | 蘑菇物联技术（深圳）有限公司 | 基于无线通讯和边缘计算技术的机电设备联控方法 |
| CN110333677A (zh) * | 2019-07-08 | 2019-10-15 | 合肥金新允电子技术有限公司 | 一种基于边缘计算系统的嵌入式工控机 |
| CN110502719A (zh) * | 2019-08-06 | 2019-11-26 | 上海展湾信息科技有限公司 | 边缘计算模型管理系统及方法 |
| CN111007811A (zh) * | 2019-11-14 | 2020-04-14 | 贵州中铝彩铝科技有限公司 | 一种基于大数据云端智能控制的铝板彩涂生产系统 |
-
2020
- 2020-04-28 CN CN202010347263.5A patent/CN111474909A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871164A (zh) * | 2017-11-17 | 2018-04-03 | 济南浪潮高新科技投资发展有限公司 | 一种雾计算环境个性化深度学习方法 |
| CN109961196A (zh) * | 2017-12-22 | 2019-07-02 | 华中科技大学 | 用于服务数控机床的方法及相应装置 |
| CN108985461A (zh) * | 2018-06-29 | 2018-12-11 | 深圳昂云鼎科技有限公司 | 一种自主机器学习的方法、装置和终端设备 |
| CN109709811A (zh) * | 2018-12-20 | 2019-05-03 | 中国科学院沈阳自动化研究所 | 一种面向智能制造的边缘计算控制器及其工作方法 |
| CN109765863A (zh) * | 2019-01-21 | 2019-05-17 | 苏州首拓信息科技有限公司 | 一种基于云平台的设备参数边缘计算方法 |
| CN110113827A (zh) * | 2019-04-14 | 2019-08-09 | 蘑菇物联技术（深圳）有限公司 | 基于无线通讯和边缘计算技术的机电设备联控方法 |
| CN110333677A (zh) * | 2019-07-08 | 2019-10-15 | 合肥金新允电子技术有限公司 | 一种基于边缘计算系统的嵌入式工控机 |
| CN110502719A (zh) * | 2019-08-06 | 2019-11-26 | 上海展湾信息科技有限公司 | 边缘计算模型管理系统及方法 |
| CN111007811A (zh) * | 2019-11-14 | 2020-04-14 | 贵州中铝彩铝科技有限公司 | 一种基于大数据云端智能控制的铝板彩涂生产系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘继伟等: "多尺度状态监测方法在灰污监测中的应用", 《热能动力工程》 * |
| 刘继伟等: "多尺度状态监测方法在灰污监测中的应用", 《热能动力工程》, no. 6, 30 November 2013 (2013-11-30), pages 590 - 595 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102361014B (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
| CN112765768B (zh) | 基于物联网的离散型车间数字溯源方法 | |
| KR20180061769A (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| CN109255440B (zh) | 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法 | |
| CN112070279A (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
| CN112085261A (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
| Christou et al. | Predictive and explainable machine learning for industrial internet of things applications | |
| Li et al. | A hybrid remaining useful life prediction method for cutting tool considering the wear state | |
| CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
| Alshathri et al. | Digital twin-based automated fault diagnosis in industrial IoT applications | |
| Cui | Complex industrial automation data stream mining algorithm based on random Internet of robotic things | |
| Huang et al. | Distributed dictionary learning for industrial process monitoring with big data | |
| Wang et al. | An artificial immune and incremental learning inspired novel framework for performance pattern identification of complex electromechanical systems | |
| CN117689256A (zh) | 一种铝合金熔铸产品质量溯源方法 | |
| CN111474909A (zh) | 触发式工业制造系统及方法 | |
| Huang et al. | Tool remaining useful life prediction based on edge data processing and lstm recurrent neural network | |
| WO2019127502A1 (zh) | 工业物联网装置的监控预测装置、系统及方法 | |
| CN114019946A (zh) | 工控终端的监控数据处理方法及装置 | |
| CN112579580A (zh) | 一种基于工业大数据预测的预报警方法 | |
| Miao et al. | Intelligent workshop digital twin virtual reality fusion and application | |
| Zheng et al. | Soft measurement modeling based on temperature prediction of LSSVM and ARMA rotary kiln burning zone | |
| CN111539516A (zh) | 基于大数据处理的电网故障诊断系统及方法 | |
| Yang et al. | Multimode process monitoring based on geodesic distance | |
| CN109376337B (zh) | 一种基于Girvan-Newman算法的集散软测量方法 |
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 |