CN112008543A - 一种焊枪电极帽修磨异常诊断方法 - Google Patents
一种焊枪电极帽修磨异常诊断方法 Download PDFInfo
- Publication number
- CN112008543A CN112008543A CN202010701607.8A CN202010701607A CN112008543A CN 112008543 A CN112008543 A CN 112008543A CN 202010701607 A CN202010701607 A CN 202010701607A CN 112008543 A CN112008543 A CN 112008543A
- Authority
- CN
- China
- Prior art keywords
- electrode
- grinding
- value
- welding gun
- electrode cap
- 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
Images
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
-
- 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
- B24B41/00—Component parts such as frames, beds, carriages, headstocks
- B24B41/007—Weight compensation; Temperature compensation; Vibration damping
-
- 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
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种焊枪电极帽修磨异常诊断方法,其依赖采集伺服焊枪和电极帽修磨器的数据,对现场的工艺过程进行工况切分,因此数据更加准确可靠。通过建立关键特征值的多个子模型,判断该特征值是否存在异常,然后通过集成的子模型,综合判断焊枪电极帽修磨是否异常。由于各个子模型采用不同的算法,因此有效避免单一模型和单一算法存在的缺陷,使得结果更加准确,综合多个子模型的结果,对修磨是否良好进行判断,提高了捕获修磨异常的概率,适用于不同要求的电极帽修磨异常诊断。
Description
技术领域
本发明涉及机械设备数据分析领域,尤其是一种焊枪电极帽修磨异常诊断方法。
背景技术
在汽车生产制造中,焊接工艺是一道重要工序,焊接所使用的设备一般为伺服焊枪,也称焊钳,焊枪通过伺服电机控制焊接的压力,焊接接触点处有电极帽,是可更换的部件。
由于焊接会造成一定磨损消耗且表面变得粗糙、不平整,因此电极帽需要定期进行修磨。修磨时机器人会将焊枪移动到修磨器设备处,使用修磨刀片对电极帽进行修磨。电极帽修磨过程是否良好,对焊接质量的可靠性影响重大。修磨过程会受到修磨刀片刃口锋利度、电机转动稳定性、焊枪刚度等诸多因素影响,靠人工监测难度很高,因此开发出针对电极帽修磨工艺的异常诊断模型,可以有效降低质量风险、运营成本,提高经济效益。现有的一些利用摄像头的工业视觉技术,可以一定程度实现异常诊断功能,但是部署整套系统的成本非常高,且现场空间的限制可能会带来新的问题隐患。
在工厂的实际生产中,人工标记数据正常或异常是比较困难,通常异常的数据记录也是比较少。
发明内容
本发明提供一种焊枪电极帽修磨异常诊断方法,其使用无监督学习来训练模型,从设备采集的IOT数据,对现场的工艺过程进行工况切分,通过建立多个子模型,提高了捕获修磨异常的概率。
包括以下步骤:
A.采集伺服焊枪和电极帽修磨器的数据;
B.设定阈值,筛选出大于该阈值的部分;
C.依据步骤B的筛选结果,对每一次独立的修磨动作过程进行抽象,提取关键的特征值;
D.建立关键特征值的多个子模型,判断该特征值是否存在异常;
E.通过集成的子模型,综合判断焊枪电极帽修磨是否异常。
进一步地,所述步骤A中,伺服焊枪和电极帽修磨器的数据包括焊枪轴弧度、电极补偿值、修磨反馈电流。
进一步地,所述修磨反馈电流的关键特征值包括最大值、平均值、标准差、峰度、偏度;电极补偿值的关键特征值包括修磨前后的补偿值变化量、补偿后的绝对值。
进一步地,所述步骤D中,子模型包括电极补偿增量子模型、反馈电流子模型和高维度子模型。
进一步地,所述电极补偿增量子模型创建如下:设定下分位数Q1,上分位数 Q2,其中Q1<Q2,计算容差范围S=(Q2-Q1)*K,上限阈值=Q2+S,下限阈值=Q1-S,其中K为于都系数,得出电极补偿增量子模型;每次修模后即可将计算出的电极补偿增量传递给电极补偿增量子模型进行判断,当大于上限或小于下限,则标记为异常,否则判断为正常。
进一步地,所述反馈电流子模型的建立步骤如下:根据预设的异常值比例B,计算出决策边界的真实截距,保持斜率不变,平移决策边界,直至有B的数据在直线上方;每次修模后能够计算出反馈电流的特征值,该特征值落在决策边界上判断为异常,否则判断为正常。
进一步地,高维度子模型的特征数量大于等于3,递归随机分割数据集,直到所有的样本点都是孤立的,判断最短路径的点是否有异常。
进一步地,所述特征向量为电极扭矩、修磨反馈电流最大值、修磨反馈电流标准值、电极补偿值增量。
进一步地,依据查全率和查准率的要求,对多个子模型输出的结果进行逻辑整合,从而得到综合判断结果。
进一步地,所述逻辑整合包括投票制、加权法或逻辑运算。
采用本发明的技术方案,具有以下技术效果:
由于本发明利用从设备采集的IOT数据,对现场的工艺过程进行工况切分,因此数据更加准确可靠,本发明综合考虑影响修磨的多个因素,通过建立多个子模型,每个子模型从不同角度对修磨过程进行建模,例如修磨器反馈电流、修磨前后的电极帽补偿值变化量等数据。由于各个子模型采用不同的算法,因此有效避免单一模型和单一算法存在的缺陷,综合多个子模型的结果,对修磨是否良好进行判断,提高了捕获修磨异常的概率,适用于不同要求的电极帽修磨异常诊断。
附图说明
图1为实施例一的流程图。
图2为焊枪轴弧度图。
图3为设定阈值结构示意图
图4为电极补偿增量子模型算法示意图。
图5为模型效果及界面示意图。
具体实施方式
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,所描述的实施例仅仅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:
本实施例的焊枪电极帽修磨异常诊断方法流程如图1所示,
A.采集伺服焊枪和电极帽修磨器的数据。
该步骤从机器人采集生产过程数据,主要来源于伺服焊枪和电极帽修磨器:采集数据项主要是工艺过程物理量,例如焊枪轴弧度(角位移)、电极补偿值、修磨反馈电流等。焊枪轴弧度:记录伺服焊枪运动过程中的位置量,类似的传感器量还有编码器值,如图2所示。电极补偿:电极帽在焊接中的损耗以及修磨都会导致电极帽的长度发生改变。必要知道电极帽当前长度的变化,以便机器人进行相应的偏移来确保固定侧电极始终紧贴工作面。这个记录在控制系统内部的偏移量,就称作“电极补偿”。由于该数据来源于电极帽工作和修复过程中的真实数据,因此数据更加准确。
B.通过设定阈值,筛选出大于该阈值的部分有效进行工况分切。
如图3所示,利用从机器人采集到的焊枪轴弧度数据,根据某一阈值,筛选出大于该阈值的部分,从而切分出电极帽接触到修磨刀片进行修磨的工况,该阈值根据实际情况进行设置。
C.依据工况分切的结果,对每一次独立的修磨动作过程进行抽象,提取关键的特征值。
工况切分完成后,对于每一次独立的修磨动作,可以对过程进行抽象,提取出一些关键的特征值。特征构造指的是从原始数据构造新特征的处理过程,一般需要根据业务分析,生成能更好体现业务特性的新特征,这些新特征要与目标关系紧密,能提升模型表现或更好地解释模型。本实施例以修模反馈电流和电极补偿值为例,可以理解,本发明的方法并不限于这些特征值。对于修磨反馈电流,可以计算包括但不限于最大值、平均值、标准差、峰度、偏度等。对于电极补偿值,可以计算包括但不限于修磨前后的补偿值变化量、补偿后的绝对值等。
D.依据提取的关键特征值采用不同的算法确定多个子模型,并根据各子模型判断特征值是否存在异常,本实施例中,以电极补偿增量子模型、反馈电流子模型、高维度子模型为例,可以理解,子模型并不限于以上几种;
电极补偿增量子模型(子模型A):
选取“电极补偿值变化量”特征,建立单维分位数模型。
建立模型:使用增量值的长期历史数据,训练分位数模型,分位数指将一个随机变量的概率分布范围分为几个等份的数值点,计算出增量值在Q1、Q2分位数的取值,一般Q1<Q2,因此Q1为下分位数,Q2为上分位数,Q1和Q2的数值根据需要实现的目标进行设定,
容差范围S=(Q2-Q1)*K为,K记作裕度系数,控制容差范围的大小
上限阈值=Q2+S
下限阈值=Q1–S
本实施例中,K取0.5,Q1取2.5分位数,Q2取97.5分位数,电极补偿值的分布如图4所示,其中虚线为两个分位数,两条垂直的实线即为训练出的上限阈值阈值。
得出电极补偿增量子模型后,每次修磨即可将计算出的电极补偿增量传递给模型进行判断,若大于上限或小于下限,则记为异常。
反馈电流子模型(子模型B):
根据样本数据训练支持向量机模型(英文缩写SVM,一种应用广泛的有监督分类算法,特点是学得的分类边界鲁棒性很好),训练出能够划分正常样本与异常样本的决策边界。记录下决策边界(二维平面中的一条直线)的斜率、截距等参数。
根据预设的异常值比例b(根据经验设定,汽车制造行业一般在1%以下),计算出决策边界的真实截距:保持斜率不变,平移决策边界,直至有b%的数据在直线上方。
模型训练完,每次修磨后模型能够计算出反馈电流的特征值,落在决策边界上方则记为异常,否则记为正常。
高维度子模型(子模型C):
建立一个高维度子模型,该模型特征数量大于等于3,选用孤立森林算法:一种专门用于孤立异常数据点的机器学习算法,它递归地随机分割数据集,直到所有的样本点都是孤立的。在这种随机分割的策略下,异常点通常具有较短的路径。该子模型中,优先选择与电极帽修磨关系密切的关键工艺参数,例如电机扭矩、修磨反馈电流最大值、标准差、电极补偿值增量等,用孤立森林算法进行训练,得到一个训练好的模型。
可以理解,该模型并不限于孤立森林算法,适用于高维度子模型的其他算法,同样适用于该子模型。
E.通过集成的子模型,综合判断焊枪电极帽修磨是否异常。
模型集成是将多个模型的输出结果,进行一定逻辑的整合,得到最终的单一决策结果。有很多方法,例如:投票制(少数服从多数)、加权法(每个模型有一个权重)、或运算(有一个模型判异,则决策结果为异常)。在逻辑整合过程中,可以根据需要对所有子模型结合进行逻辑的整合,也可以将部分子模型结果进行逻辑的整合,这些根据实际的要求进行调整。若想提高查全率(即尽可能找出可能的异常)则将规则定为“任何一个模型有异常,则认为该次修磨异常”;若想提高准确率,可将规则定为:投票制,“两个模型同时有异常,则认为该次修磨异常”。
模型效果及界面,如图5所示,图中的模型输出结果:使用了“或逻辑”,一次修磨任意一个模型判为异常,则输出结果为异常(图中旗标标记处)。
由于本发明利用从设备采集的IOT数据,对现场的工艺过程进行工况切分,因此数据更加准确可靠。
本发明综合考虑影响修磨的多个因素,通过建立多个子模型,每个子模型采用不同的算法,有效避免单一模型和单一算法存在的缺陷。综合多个子模型的结果,对修磨是否良好进行判断,提高了捕获修磨异常的概率,适用于不同要求的电极帽修磨异常诊断。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种焊枪电极帽修磨异常诊断方法,其特征在于,包括以下步骤:
A.采集伺服焊枪和电极帽修磨器的数据;
B.设定阈值,筛选出大于该阈值的部分;
C.依据步骤B的筛选结果,对每一次独立的修磨动作过程进行抽象,提取关键的特征值;
D.建立关键特征值的多个子模型,判断该特征值是否存在异常;
E.通过集成的子模型,综合判断焊枪电极帽修磨是否异常。
2.根据权利要求1所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述步骤A中,伺服焊枪和电极帽修磨器的数据包括焊枪轴弧度、电极补偿值、修磨反馈电流。
3.根据权利要求2所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述修磨反馈电流的关键特征值包括大值、平均值、标准差、峰度、偏度;电极补偿值的关键特征值包括修磨前后的补偿值变化量、补偿后的绝对值。
4.根据权利要求1所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述步骤D中,子模型包括电极补偿增量子模型、反馈电流子模型和高维度子模型。
5.根据权利要求4所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述电极补偿增量子模型创建如下:设定下分位数Q1,上分位数Q2,其中Q1<Q2,计算容差范围S=(Q2-Q1)*K,上限阈值=Q2+S,下限阈值=Q1-S,其中K为于都系数,得出电极补偿增量子模型;每次修模后即可将计算出的电极补偿增量传递给电极补偿增量子模型进行判断,当大于上限或小于下限,则标记为异常,否则判断为正常。
6.根据权利要求4所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述反馈电流子模型的建立步骤如下:根据预设的异常值比例b,计算出决策边界的真实截距,保持斜率不变,平移决策边界,直至有b的数据在直线上方;每次修模后能够计算出反馈电流的特征值,该特征值落在决策边界上判断为异常,否则判断为正常。
7.根据权利要求4所述的焊枪电极帽修磨异常诊断方法,其特征在于,高维度子模型的特征数量大于等于3,递归随机分割数据集,直到所有的样本点都是孤立的,判断最短路径的点是否有异常。
8.根据权利要求7所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述特征向量为电极扭矩、修磨反馈电流最大值、修磨反馈电流标准值、电极补偿值增量。
9.根据权利要求1所述的焊枪电极帽修磨异常诊断方法,其特征在于,依据查全率和查准率的要求,对多个子模型输出的结果进行逻辑整合,从而得到综合判断结果。
10.根据权利要求9所述的焊枪电极帽修磨异常诊断方法,其特征在于,所述逻辑整合包括投票制、加权法或逻辑运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701607.8A CN112008543B (zh) | 2020-07-20 | 2020-07-20 | 一种焊枪电极帽修磨异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701607.8A CN112008543B (zh) | 2020-07-20 | 2020-07-20 | 一种焊枪电极帽修磨异常诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112008543A true CN112008543A (zh) | 2020-12-01 |
CN112008543B CN112008543B (zh) | 2022-11-01 |
Family
ID=73498490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701607.8A Active CN112008543B (zh) | 2020-07-20 | 2020-07-20 | 一种焊枪电极帽修磨异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112008543B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114633010A (zh) * | 2022-03-15 | 2022-06-17 | 一汽解放汽车有限公司 | 机器人焊枪修磨方法、装置、计算机设备和存储介质 |
CN114633010B (zh) * | 2022-03-15 | 2024-06-04 | 一汽解放汽车有限公司 | 机器人焊枪修磨方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009226502A (ja) * | 2008-03-19 | 2009-10-08 | Jtekt Corp | 非真円箇所研削盤における工作物異常回転検出装置 |
CN104669114A (zh) * | 2013-12-02 | 2015-06-03 | 宁波宝新不锈钢有限公司 | 磨床颤振监测系统及其磨削故障信号的提取和诊断方法 |
CN109562500A (zh) * | 2016-08-10 | 2019-04-02 | 三菱重工工作机械株式会社 | 机床的工具的异常检测装置及方法 |
CN109949176A (zh) * | 2019-03-28 | 2019-06-28 | 南京邮电大学 | 一种基于图嵌入的社交网络中异常用户检测方法 |
CN109947816A (zh) * | 2018-12-17 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 模型参数计算方法、数据类型识别方法、装置和服务器 |
CN110000705A (zh) * | 2019-05-17 | 2019-07-12 | 蓝思科技(长沙)有限公司 | 一种磨机异常加工操作的检测方法、系统及相关组件 |
CN110033130A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 异常业务的监控方法及装置 |
CN110548975A (zh) * | 2018-05-30 | 2019-12-10 | 上海德梅柯汽车装备制造有限公司 | 一种焊枪自动更换电极帽控制方法 |
CN111092757A (zh) * | 2019-12-06 | 2020-05-01 | 网宿科技股份有限公司 | 一种异常数据的检测方法、系统及设备 |
-
2020
- 2020-07-20 CN CN202010701607.8A patent/CN112008543B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009226502A (ja) * | 2008-03-19 | 2009-10-08 | Jtekt Corp | 非真円箇所研削盤における工作物異常回転検出装置 |
CN104669114A (zh) * | 2013-12-02 | 2015-06-03 | 宁波宝新不锈钢有限公司 | 磨床颤振监测系统及其磨削故障信号的提取和诊断方法 |
CN109562500A (zh) * | 2016-08-10 | 2019-04-02 | 三菱重工工作机械株式会社 | 机床的工具的异常检测装置及方法 |
CN110548975A (zh) * | 2018-05-30 | 2019-12-10 | 上海德梅柯汽车装备制造有限公司 | 一种焊枪自动更换电极帽控制方法 |
CN109947816A (zh) * | 2018-12-17 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 模型参数计算方法、数据类型识别方法、装置和服务器 |
CN109949176A (zh) * | 2019-03-28 | 2019-06-28 | 南京邮电大学 | 一种基于图嵌入的社交网络中异常用户检测方法 |
CN110033130A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 异常业务的监控方法及装置 |
CN110000705A (zh) * | 2019-05-17 | 2019-07-12 | 蓝思科技(长沙)有限公司 | 一种磨机异常加工操作的检测方法、系统及相关组件 |
CN111092757A (zh) * | 2019-12-06 | 2020-05-01 | 网宿科技股份有限公司 | 一种异常数据的检测方法、系统及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114633010A (zh) * | 2022-03-15 | 2022-06-17 | 一汽解放汽车有限公司 | 机器人焊枪修磨方法、装置、计算机设备和存储介质 |
CN114633010B (zh) * | 2022-03-15 | 2024-06-04 | 一汽解放汽车有限公司 | 机器人焊枪修磨方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112008543B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6959278B2 (ja) | びびり振動判定装置、機械学習装置及びシステム | |
CN110587377B (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
US20190369598A1 (en) | Life predicting device and machine learning device | |
CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
CN114905333A (zh) | 一种基于多维数据分析的机床作业在线智能监测系统 | |
CN109690431B (zh) | 用于估计误差传播的方法 | |
JP2019145086A (ja) | 制御装置、機械学習装置及びシステム | |
CN110948287B (zh) | 智能化刀具管理方法及系统 | |
CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
CN114859822A (zh) | 全自动铣刀检测方法、装置、计算机设备以及存储介质 | |
Pereverzev et al. | Optimization of control programs for numerically controlled machine tools by dynamic programming | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
CN112008543B (zh) | 一种焊枪电极帽修磨异常诊断方法 | |
CN114536104A (zh) | 一种刀具寿命动态预测方法 | |
CN117047569A (zh) | 基于传感器数据交互的工具钳打磨方法及装置 | |
CN116690313B (zh) | 一种飞机结构件腹板加工刀具失效监控方法 | |
US20090048699A1 (en) | System and Method for Detecting a Geometry of a Workpiece | |
EP3736648B1 (en) | Method for autonomous optimization of a grinding process | |
CN112673325B (zh) | 工件表面质量问题检测 | |
JP2020067776A (ja) | 工作機械の異常診断システム、異常診断方法、異常診断プログラム | |
CN112946072A (zh) | 基于机器学习的砂带磨损状态监测方法 | |
Danai | Machine tool monitoring and control | |
CN115106539B (zh) | 增减材一体化控制方法及系统 | |
CN110370076A (zh) | 基于加工机床的自由曲面原位测量方法 | |
CN116909211B (zh) | 一种高精密数控机床的智能调控方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211223 Address after: 200233 room 902, No. 418, Guiping Road, Xuhui District, Shanghai Applicant after: SHANGHAI DAZHI TECHNOLOGY CO.,LTD. Address before: Room 301-2, floor 3, building 3, No. 455, Zhujiang Road, high tech Zone, Suzhou, Jiangsu 215000 Applicant before: Dazhi (Suzhou) Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |