CN113051830B - 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 - Google Patents

智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 Download PDF

Info

Publication number
CN113051830B
CN113051830B CN202110355441.3A CN202110355441A CN113051830B CN 113051830 B CN113051830 B CN 113051830B CN 202110355441 A CN202110355441 A CN 202110355441A CN 113051830 B CN113051830 B CN 113051830B
Authority
CN
China
Prior art keywords
error
data
error prediction
unit
production line
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
Application number
CN202110355441.3A
Other languages
English (en)
Other versions
CN113051830A (zh
Inventor
马驰
刘佳兰
桂洪泉
王时龙
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110355441.3A priority Critical patent/CN113051830B/zh
Publication of CN113051830A publication Critical patent/CN113051830A/zh
Application granted granted Critical
Publication of CN113051830B publication Critical patent/CN113051830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]

Abstract

一种智能产线动态误差预测系统，包括第一计算层、第二计算层；数据库接收数据采集单元采集得到的数据并存储作为历史数据；第一计算层包括第一服务器，第一服务器内设有数据处理单元和误差预测单元，误差预测单元预测智能产线的动态误差；第二计算层包括第二服务器，第二服务器内设有动态误差预测模型训练单元；误差预测单元和动态误差预测模型训练单元内分别设有动态误差预测模型，动态误差预测模型训练单元对设置在其内的动态误差预测模型进行训练；中央处理器接收经动态误差预测模型训练单元训练后的动态误差预测模型、并更新误差预测单元内的动态误差预测模型。本发明还公开了一种智能产线动态误差控制系统、控制方法及数字孪生系统。

Description

智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
技术领域
本发明属于机械误差分析技术领域，具体的为一种智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统。
背景技术
现有技术中，一般采用先基于神经网络构建误差预测模型，而后将设备运行的实时数据输入该误差预测模型内以获得误差的预测值。然而，误差预测模型预测得到的误差值与设备运行的真实误差之间必然存在显著差异，对于具有时变特性的误差，神经网络需要具备历史数据的记忆行为，随着历史数据的迭代次数增加，误差预测模型预测得到的误差值与设备运行的真实误差之间的差值会存在逐渐上升趋势，从而导致误差预测模型的预测准确度降低。
发明内容
有鉴于此，本发明的目的在于提供一种智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统，通过实时数据预测误差的同时，还通过历史数据训练误差预测模型，从而保证误差预测模型的精准度。
为达到上述目的，本发明提供如下技术方案：
本发明首先提出了一种智能产线动态误差预测系统，包括第一计算层、第二计算层、数据采集单元、数据库和中央处理器；
所述数据采集单元用于采集智能产线的生产和设备数据；所述数据库接收所述数据采集单元采集得到的数据并存储作为历史数据；
所述第一计算层包括第一服务器，所述第一服务器内设有数据处理单元和误差预测单元，所述数据处理单元接收所述数据采集单元采集得到的实时数据并对实时数据进行处理；所述误差预测单元接收经所述数据处理单元处理后的实时数据并预测智能产线的动态误差；
所述第二计算层包括第二服务器，所述第二服务器内设有动态误差预测模型训练单元；所述误差预测单元和动态误差预测模型训练单元内分别设有动态误差预测模型，所述动态误差预测模型训练单元接收所述数据库内的历史数据并对设置在其内的所述动态误差预测模型进行训练；
所述中央处理器接收经所述动态误差预测模型训练单元训练后的所述动态误差预测模型、并将该训练后的所述动态误差预测模型传输至所述误差预测单元以更新所述误差预测单元内的所述动态误差预测模型。
进一步，所述动态误差预测模型采用SOA-LSTM误差预测模型，所述SOA-LSTM误差预测模型的构建方法包括如下步骤：
1)初始化参数：初始化海鸥优化算法(SOA)的参数，并将LSTM神经网络的权重和阈值编码为初始海鸥种群；
2)初始化所述海鸥种群中的每个海鸥的位置；
3)计算海鸥的适应度并找到最佳的海鸥位置Pbest(x)；
4)根据最佳的海鸥位置Pbest(x)更新每个海鸥的位置；
5)判断是否达到最大迭代次数或达到所需的精度：若是，则输出最终的Pbest(x)作为最佳的海鸥位置；若否，则返回步骤3)；
6)将最终的Pbest(x)解码为权重和阈值后输入LSTM误差预测模型，得到SOA-LSTM误差预测模型。
进一步，所述第一计算层为边缘计算层，所述第一服务器为边缘服务器；所述第二计算层为云计算层，所述第二服务器为云服务器。
本发明还提出了一种智能产线动态误差控制系统，包括如上所述智能产线动态误差预测系统和误差补偿单元，所述误差补偿单元内设有误差补偿模型；所述误差补偿单元接收所述误差预测单元预测得到的误差预测值、并在所述误差预测值大于预设范围时启动误差补偿模型计算误差补偿分量。
本发明还提出了一种采用如上所述智能产线动态误差控制系统的智能产线动态误差控制方法，包括如下步骤：
1)利用数据采集单元(10)采集智能产线的生产和设备数据；
2)将数据采集单元(10)采集得到的实时数据经数据处理单元(20)处理后输入误差预测单元(30)，利用动态误差预测模型预测误差并得到误差预测值；
3)当误差预测值大于预设范围时启动误差补偿模型，计算误差补偿分量，所述误差补偿分量的大小与所述误差预测值相等但方向相反；
4)循环步骤1)至步骤3)，直至智能产线的生产加工任务完成。
进一步，所述误差补偿模型为机床主轴误差补偿模型，利用所述机床主轴误差补偿模型对误差进行补偿的方法如下：
令由误差引起的位置偏差矢量表示为：
OO'＝[ΔOx,ΔOy,ΔOz]
则控制向量表示为
ΔHs＝-OO'
设机床主轴的初始位置为PO，在热误差的作用下展开并倾斜到最终位置PO'.则获得不同方向的控制值
ΔOx＝(D0x+D+ΔD)sinγx
ΔOy＝(D0y+D)γy
ΔOz＝ΔD-ΔOD＝ΔD-(D0x+D+ΔD)(1-cosγx)
其中，ΔOx、ΔOy、ΔOz分别表示X方向、Y方向和Z方向的控制值；D表示工具的长度；ΔD表示轴向热伸长率；D0x和D0y表示偏转中心与主轴法兰之间的距离；γx和γy分别表示由热误差引起的位置偏差矢量在X方向和Y方向上的偏差角度；ΔOD表示最终位置PO'旋转到初始位置PO时的长度与最终位置PO'投影到初始位置PO是的长度之差。
进一步，根据控制策略得到加工工件上任一点W的坐标为：
Figure GDA0004051811370000031
其中，Px、Py和Pz分别表示工件上任一点W的预设坐标；P′x、P′y、P′z分别表示工件上任一点W经误差补偿控制后的坐标。
本发明还提出了一种智能产线动态误差数字孪生系统，包括用户终端和云终端；
所述用户终端包括：
设备终端，所述数据采集单元(10)包括安装在所述设备终端的传感器并用以测量智能产线设备的视频/音频数据、温度数据、变形数据、应力数据、润滑数据、平衡压力数据、运行状态数据、物理坐标数据、过程数据和加工过程数据；
控制终端，所述控制终端包括用于管理和控制所述设备终端的CNC控制器，所述CNC控制器接收所述误差补偿单元计算得到的误差补偿分量控制所述设备终端对误差进行补偿；
所述云终端包括：
数据终端，用于存储和管理经所述数据采集单元(10)得到的数据，所述数据库(40)设置在所述数据终端内；
智能决策终端，所述第一服务器、第二服务器和中央处理器(60)均设置在所述智能决策终端内并提供误差预测和误差补偿服务。
本发明的有益效果在于：
本发明的智能产线动态误差预测系统，通过设置第一计算层和第二计算层，在第一计算层内设置数据处理单元以处理数据采集单元采集到的实时数据，并将实时数据传输至误差预测单元，利用动态误差预测模型预测误差；在第二计算层内设置动态误差预测模型训练单元，将数据采集单元采集到的数据存储至数据库后作为历史数据，而后以历史数据训练动态误差预测模型，而后将训练后的动态误差预测模型通过中央处理器传输至误差预测单元以更新误差预测单元内的动态误差预测模型，即本发明的智能产线动态误差预测系统可以满足在通过实时数据预测误差的同时，还通过历史数据训练误差预测模型，从而保证误差预测模型的精准度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明智能产线动态误差控制系统实施例的原理框图；
图2为SOA-LSTM误差预测模型的流程图；
图3为机床主轴误差补偿模型建模的几何原理图；
图4为本发明智能产线动态误差数字孪生系统的框架图；
图5为Zigbee无线网络和无线网络的体系结构图；
图6为ZigBee无线网络的应用状态图；
图7为动态存储的原理图；
图8为数据分析和云服务的体系结构图；
图9为智能生产线数字化孪生系统智能决策层的工作原理图；
图10为动态误差智能控制的原理图；
图11为智能控制终端的工作过程图；
图12为研究对象的加工图；
图13(a)为转速曲线图；图13(b)为温度曲线图；图13(c)为热误差曲线图；
图14(a)为热误差的曲线图；图14(b)为残差的曲线图；
图15为补偿结果比较的曲线图；
图16为机加工工件的结构图；
图17为带有热误差控制的加工误差的曲线图；图17(a)为SOA-LSTM网络模型；图17(b)为MLRA模型；图17(c)为BP网络模型；图17(d)为SOA-BP模型；图17(e)为LSTM网络模型；
图18为收敛比较的曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，为本发明智能产线动态误差控制系统实施例的原理框图。本实施例的智能产线动态误差控制系统，包括智能产线动态误差预测系统和误差补偿单元。
具体的，本实施例的智能产线动态误差预测系统包括智能产线动态误差预测系统，包括第一计算层、第二计算层、数据采集单元10、数据库40和中央处理器60。数据采集单元10用于采集智能产线的生产和设备数据；数据库40接收数据采集单元10采集得到的数据并存储作为历史数据。
第一计算层包括第一服务器，第一服务器内设有数据处理单元20和误差预测单元30，数据处理单元20接收数据采集单元10采集得到的实时数据并对实时数据进行处理；误差预测单元30接收经数据处理单元20处理后的实时数据并预测智能产线的动态误差。第二计算层包括第二服务器，第二服务器内设有动态误差预测模型训练单元50；误差预测单元30和动态误差预测模型训练单元50内分别设有动态误差预测模型，动态误差预测模型训练单元50接收所述数据库40内的历史数据并对设置在其内的动态误差预测模型进行训练。
中央处理器60接收经动态误差预测模型训练单元50训练后的所述动态误差预测模型、并将该训练后的动态误差预测模型传输至误差预测单元30以更新误差预测单元30内的所述动态误差预测模型。
本实施例的误差补偿单元内设有误差补偿模型；所述误差补偿单元接收所述误差预测单元30预测得到的误差预测值、并在所述误差预测值大于预设范围时启动误差补偿模型计算误差补偿分量。
具体的，本实施例的第一计算层为边缘计算层，第一服务器为边缘服务器；第二计算层为云计算层，第二服务器为云服务器。
进一步，本实施例的动态误差预测模型采用SOA-LSTM误差预测模型，所述SOA-LSTM误差预测模型的构建方法包括如下步骤，如图2所示：
1)初始化参数：初始化海鸥优化算法(SOA)的参数，并将LSTM神经网络的权重和阈值编码为初始海鸥种群；本实施例将最大迭代次数设置为100，fc＝2,u＝1,v＝1，海鸥数n＝30,和x＝1。
2)初始化所述海鸥种群中的每个海鸥的位置；
3)计算海鸥的适应度并找到最佳的海鸥位置Pbest(x)；
4)根据最佳的海鸥位置Pbest(x)更新每个海鸥的位置；
5)判断是否达到最大迭代次数或达到所需的精度：若是，则输出最终的Pbest(x)作为最佳的海鸥位置；若否，则返回步骤3)；
6)将最终的Pbest(x)解码为权重和阈值后输入LSTM误差预测模型，得到SOA-LSTM误差预测模型，训练SOA-LSTM误差预测模型直至满足要求为止。
具体的，本实施例还提出了一种采用如上所述智能产线动态误差控制系统的智能产线动态误差控制方法，包括如下步骤：
1)利用数据采集单元10采集智能产线的生产和设备数据；
2)将数据采集单元10采集得到的实时数据经数据处理单元20处理后输入误差预测单元30，利用动态误差预测模型预测误差并得到误差预测值；
3)当误差预测值大于预设范围时启动误差补偿模型，计算误差补偿分量，所述误差补偿分量的大小与所述误差预测值相等但方向相反；
4)循环步骤1)至步骤3)，直至智能产线的生产加工任务完成。
进一步，以机床主轴误差补偿为例对本实施例的误差补偿模型进行详细说明。当误差补偿模型为机床主轴误差补偿模型时，利用所述机床主轴误差补偿模型对误差进行补偿的方法如下，如图3所示：
令由误差引起的位置偏差矢量表示为：
OO'＝[ΔOx,ΔOy,ΔOz]
则控制向量表示为
ΔHs＝-OO'
设机床主轴的初始位置为PO，在热误差的作用下展开并倾斜到最终位置PO'.则获得不同方向的控制值
ΔOx＝(D0x+D+ΔD)sinγx
ΔOy＝(D0y+D)γy
ΔOz＝ΔD-ΔOD＝ΔD-(D0x+D+ΔD)(1-cosγx)
其中，ΔOx、ΔOy、ΔOz分别表示X方向、Y方向和Z方向的控制值；D表示工具的长度；ΔD表示轴向热伸长率；D0x和D0y分别表示偏转中心与主轴法兰之间的距离；γx和γy分别表示由热误差引起的位置偏差矢量在X方向和Y方向上的偏差角度；ΔOD表示最终位置PO'旋转到初始位置PO时的长度与最终位置PO'投影到初始位置PO是的长度之差。
根据所述控制策略得到加工工件上任一点W的坐标为：
Figure GDA0004051811370000061
其中，Px、Py和Pz分别表示工件上任一点W的预设坐标；P′x、P′y、P′z分别表示工件上任一点W经误差补偿控制后的坐标。
如图4所示，本实施例还提出了一种智能产线动态误差数字孪生系统，包括用户终端和云终端。用户终端包括：设备终端，所述数据采集单元10包括安装在所述设备终端的传感器并用以测量智能产线设备的视频/音频数据、温度数据、变形数据、应力数据、润滑数据、平衡压力数据、运行状态数据、物理坐标数据、过程数据和加工过程数据；控制终端，所述控制终端包括用于管理和控制所述设备终端的CNC控制器，所述CNC控制器接收所述误差补偿单元计算得到的误差补偿分量控制所述设备终端对误差进行补偿。云终端包括：数据终端，用于存储和管理经所述数据采集单元10得到的数据，数据库40设置在所述数据终端内；智能决策终端，所述第一服务器、第二服务器和中央处理器60均设置在所述智能决策终端内并提供误差预测和误差补偿服务。
具体的，机器终端与智能产线的设备及生产线的传感器密切相关，数据采集单元10主要依靠传感器采集智能产线的设备即生成的相关数据。即在机器终端安装传感器以测量视频/音频数据、温度数据、变形数据、应力数据、润滑数据、平衡压力数据、运行状态数据、物理坐标数据、过程数据和加工过程数据，然后进行加工状态监视和数据传输得以实现。有线/无线联网用于实现生产线多源异构生产数据的同步采集。此外，构建包括生产线的语法，语义和时序规则的多源和异构数据传输的协议框架和数据交互标准，以及无线和有线数据传输，收集接口集成，设备互连以及执行过程感知。
机器终端的主要作用是数据的采集和传输，以实现对生产线及其设备运行状态的监控。事实证明，Zigbee无线网络由于其高可靠性而被广泛使用，并且ZigBee无线网络已在许多工业现场得到使用。ZigBee无线网络的设置非常灵活，ZigBee设备的位置可以随时更改。为了实现上述目标，使用了ZigBee无线传感器网络。在ZigBee无线传感器网络中，ZigBee协调器组织整个网络以使其正常工作。ZigBee路由器在其与ZigBee协调器之间建立网络，以实现数据包的交换。传感器节点连接到ZigBee路由器。至于与ZigBee路由器的交互，传感器节点不能直接与ZigBee协调器交互。ZigBee设备已经过仔细部署，因此ZigBee无线传感器网络可以有效运行。根据IEEE802.15.4通信协议，ZigBee路由器是一种全功能设备。此外，ZigBee路由器和ZigBee协调器的能耗远远超过ZigBee无线传感器的能耗。
ZigBee无线网络和有线网络的体系结构是分开设计的，如图5所示。从部署在受监视的生产线和设备上的无线和有线传感器获取大数据流。然后，从无线和有线传感器传输的大数据流将被ZigBee路由器接收。ZigBee路由器和ZigBee协调器之间的连接实现了大数据流从ZigBee路由器到ZigBee协调器的传输。无线传感器通过其无线发射器模块将大数据流传输到无线路由器。有线协调器负责与有线采集设备的通信，以实现从采集设备到有线协调器的数据传输。然后，无线和有线协调器通过IPV6协议将数据发送到工业互联网，并且由于它支持根据IEEE802.15.4进行数据包的发送和接收，因此被用于构建ZigBee无线网络。几个ZigBee无线传感器节点用于感知生产线及其机床的环境和工作条件的变化。这些ZigBee无线传感器节点以特定方式与ZigBee路由器和ZigBee协调器协作，以形成整个ZigBee无线网络。ZigBee协调器在ZigBee无线网络中具有强大的功能，因为它实现了与ZigBee路由器的通信。此外，ZigBee协调器还支持从ZigBee无线网络发送到工业Internet的数据，因为ZigBee无线传感器节点的所有数据都必须通过该数据传输。
ZigBee无线网络的应用如图6所示。诸如无线激光位移传感器节点，无线温度传感器节点，ZigBee路由器和ZigBee协调器之类的设备用于构建ZigBee无线网络。该网络基于JN5169无线微控制器而建立，它是一种低功耗，高性能的微控制器。嵌入式2.4GHz收发器并符合IEEE802.15.4，在JN5169无线微控制器中支持模拟和数字外设的全面组合。ZigBeePRO用于软件开发。
数据终端负责数据的存储和管理。从生产线收集的数据存储在云服务器上，并对这些数据进行管理以用于后续数据分析和服务。在实际应用中，将Hadoop，Spark和YARN集成在一起，以借助数据预处理来实现数据收集，存储和管理。采用动态存储原理来提高数据存储效率。而且，它提供的数据分析和云服务支持智能决策层的工作。提供云服务，包括运行状态监视、数据聚类分析、误差监视与控制、过程优化、故障诊断、智能和远程运维。利用这些云服务，可以预测生产线中机器的运行状态，并且可以获得生产线的运行性能预测模型。
数据存储和管理的具体实施方式如下：Hadoop，Spark和YARN集成在一起以实现数据收集、存储和管理。Hadoop为海量数据提供存储。Spark在Hadoop上运行，没有Spark，就不可能在Hadoop上执行实时、快速的数据处理。通过其混合框架和弹性分布式数据集，可以在运行Spark时将数据透明地存储在内存中。数据管理由YARN实现，数据计算由Spark实现。动态误差控制过程是多任务同步操作的过程，因此需要考虑数据获取、存储、显示、计算和分析的同步处理问题。此外，有效的数据存储对于数字孪生系统至关重要。在高速数据收集、获取和存储过程中，硬件高速缓存中积累的大量数据需要由软件移动到计算机硬盘或内存中。此过程必须在很短的时间内完成，否则会出现误差，例如数据采集卡的缓冲区溢出。在采集过程持续运行的过程中，为了解决将数据显示和存储在硬盘或内存中的问题。设计了一种动态缓存方法，然后可以动态增加数据长度。
为了提高采集和存储过程的效率，提出了多线程软件架构下的动态缓存。如图7所示，在数据收集之前应用具有相同尺寸的Array1和Array2的两个存储空间。采集程序启动后，将创建具有不同优先级的Thread1，Thread2和Thread3三个线程。线程1执行数据存储，线程2执行数据显示，线程3执行数据硬盘存储。线程1的优先级高于线程2和线程3。首先，将Thread2和Thread3设置为挂起，数据读入地址存储在指针P1中，初始值为Array1的第一个地址。线程1从数据获取卡的板载缓存中连续获取数据，并将其压入Array1中。压入数据后，它还将指针P1的当前地址更新为当前占用的存储块结束地址的后面。当压入Array1的数据长度达到设置的长度M时，将唤醒Thread2并开始显示。显示数据的存储地址存储在指针P2中，指针P2的初始值为Array1的第一个地址。为确保线程访问内存地址，当前显示速度超过当前最大数据长度时，显示线程将被挂起并等待下一个显示过程。当Array1空间被占用时，指针P1的地址将更新为Array2的第一个地址，并发送BufferChange线程消息，然后唤醒Thread3，并将数据存储到硬盘上。数据显示完成后，将清除Array1存储区中的数据。Array2存储区的处理过程与Array1相同。重复此循环，直到数据采集过程结束。应该注意的是，显示过程的步长和数据存储步长的合理设置是动态存储工作的关键。利用该技术可以实现误差数据的收集，显示和存储的伪同步过程，以满足长期数据收集和过程监控的要求。
数据分析和云服务的具体实施方式如下：一般而言，处理Hadoop中数据库中存储的历史数据通常需要强大的计算资源和能力，而实时数据的分析和计算不需要那么强的计算能力。开发相应的云服务以实现分析、处理、预测和计算，如图8所示。
为了充分利用收集的大型历史数据，聚类分析和相关性分析是首先需要做的事情。这样，就可以对反映统一特征的数据进行聚类和相关性分析，从而实现对数据的有效特征提取。聚类分析和相关分析对于异常和正常工作条件的分类至关重要。合理的聚类和相关性计算算法可以分析实时数据，可以有效识别异常工况。卷积神经网络用于提取实时数据的特征，然后识别故障特征。对应于每个部件的故障特征和固有属性，以实现对故障部件的识别。
根据历史数据，误差预测模型的更新是必不可少的，误差预测模型应在系统投入使用一段时间后进行更新。大批量历史数据的分析、处理、预测和计算对于生产线的状态监视和误差预测很有用，因为实时数据可以反映生产线及其设备的实际运行状态。误差预测和反向控制以及过程参数的优化也可以通过质量和精度数据的处理技术来实现。因此，根据大型历史误差数据训练误差预测模型。
为了提高云服务的计算效率，GPU用于加速算法的执行过程。使用了基于GPU的云计算，它是一种提供GPU计算能力的弹性计算服务。它具有超强的计算能力，可服务于深度学习和科学计算的各种应用场景。基于GPU的云计算支持动态误差模型的训练。使用多核处理器来运行海鸥优化算法(SOA)，然后将最佳结果存储在公共内存中。然后，正在运行的线程被分配到其中一个处理器中，并且是超参数的最佳解决方案。进行以下工作：(1)在迁移过程中，SOA模拟一群海鸥如何从一个位置移动到另一个位置，应避免碰撞，并控制最佳位置和方向。在海鸥移动到不与其他海鸥碰撞的位置之后，它会朝最佳位置的方向移动以到达新位置。(2)海鸥在迁移过程中可以不断改变其攻击角度和速度。他们使用翅膀和重量来保持飞行高度。当攻击猎物时，它们在空中呈螺旋形运动。(3)然后获得海鸥的攻击位置。更新海鸥的最佳位置和适合度，并输出了最佳海鸥的适合度值。最终，获得最佳超参数。根据上述对实时和历史数据的处理和计算以及所提供的云服务，数据特征和预测可以支持智能决策过程。
智能决策终端基于以上内容提供加工精度建模和智能预测服务、动态误差建模和补偿服务、自适应优化服务、过程交互机制和优化服务、集成优化服务、能效优化服务、数据终端提供的云服务。这些服务由加工精度建模和智能预测算法，动态误差建模和补偿算法，自适应优化算法，工艺耦合机理和优化算法，集成优化算法以及能效优化算法支持。当加工误差超出公差范围时，触发加工精度建模和智能预测服务以及动态误差建模和补偿服务，以实现对加工误差的自适应控制。
数据分析提供的支持和云服务为后续的误差预测和反向控制提供了基础，也为新的处理场景集成和自适应优化提供了有用的参考。智能决策终端负责加工精度建模和智能控制，动态误差建模和补偿，自适应智能优化，工艺耦合机理和优化以及加工过程的能效优化。在运行过程中，综合考虑任务匹配、加工计划、机器选择、特征提取和坐标控制，以实现智能生产线的动态误差控制，如图9所示。提取所有机加工零件中的一部分以形成特征序列，然后根据特征序列选择执行加工任务的机床。此外，这些机床各轴的坐标可根据预测的动态误差随时进行调整。预测的动态误差是通过SOA-LSTM网络模型获得的。注意，通过针对每个零件的每个特征针在整个加工过程调整每个机床的轴坐标，实现生产线的误差控制。加工过程中使用的每个机床的轴坐标分别是X轴，Y轴，Z轴，B轴和C轴的xi,yi,zi,Bi和Ci。在轴坐标的控制过程中，还考虑了与加工效率有关的参数，以提高执行效率。通过上述集成控制过程，可以为不同的加工任务获取任务匹配、加工计划、机器选择、特征提取和轴坐标控制，然后反馈到控制终端。
动态误差是具有非线性特征的典型时间序列数据。能够准确表征该机制的误差预测与控制模型具有较强的鲁棒性和较高的预测精度。因此有必要揭示智能生产线的动态误差机理。对于生产线中的每个加工设备，动态误差包括力引起的误差和热引起的误差。这里以热误差为例来说明误差机理。
1)海鸥优化算法(SOA)：
该算法主要模拟海鸥在自然界中的迁移以及迁移过程中的攻击行为。在海鸥的迁徙行为中，个体从一个位置探索到另一个位置，为了避免与周围的海鸥发生碰撞，可以使用一个附加变量来调整海鸥的位置。
Cs＝A·Ps(x)
其中，Cs表示不与其他海鸥存在位置冲突的新位置；Ps(x)表示海鸥的当前位置；x表示当前迭代次数；A表示海鸥在给定搜索空间中的运动行为，且：
A＝fc-(x·fc/Maxiteration)
其中，fc可以控制变量A的频率；
最佳位置方向：在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动。
Ms＝B·(Pbest(x)-Ps(x))
其中，Ms表示最佳位置所在的方向；B为负责平衡全局和局部搜索的随机数，且：
B＝2·A2·rand
其中，rand是[0，1]范围内的随机数。
海鸥移动到不与其他海鸥相撞的位置后，就向着最佳位置的所在方向进行移动，到达新的位置。
Ds＝|Cs+Ms|
其中，Ds表示海鸥的新位置。
当海鸥觅食时，它们的攻击行为呈螺旋状下降，并且它们通过不断改变其角度和半径而在空中移动。海鸥在三维空间中的特定位置是：
x＝r·cos(k)
y＝r·sin(k)
z＝r·k
Figure GDA0004051811370000111
其中，r表示螺旋运动的半径；k是[0,2π]随机数；e为自然对数的底；u和v是螺旋形状的相关常数。
然后，更新每个海鸥的总体位置。
Ps(x)＝(Ds·x·y·z)+Pbest(x)
其中，Ps(x)为海鸥的攻击位置。
LSTM网络是一种特殊的递归神经网络(RNN)，与普通RNN相比，它在长序列的预测中表现更好。事实证明，动态误差长期依赖于先前信息，因此LSTM网络适用于误差预测。以动态误差建模与补偿服务为例，误差预测对计算资源和功能的需求不是很大，因此可以在边缘计算层上完成。实时数据用于根据从中央处理单元传输的SOA-LSTM网络来预测生产线及其机床的动态误差。收集生产线及其机床的数据、动态误差数据、生产数据、坐标数据和温度数据。历史数据存储在数据库中，并在运行一段时间后用于重新训练SOA-LSTM网络，如图1所示。重新训练SOA-LSTM网络需要强大的资源和能力，因此可以在云计算层以更新SOA-LSTM网络的超参数和设置。中央处理单元连接云计算层和边缘计算层，以确保两者之间的交互具有足够的处理速度和效率。必要时，将根据超参数和设置更新误差模型，然后中央处理单元将经过重新训练的SOA-LSTM网络进行传输，以进行实时误差预测。如果误差超出公差范围，则开始误差控制。然后更新G代码以实现动态误差控制。
可以通过制造大数据来有效地表征动态加工过程，并且由于SOA-LSTM网络模型具有强大的自学习和自适应能力，因此可以重复使用上述动态误差建模和补偿服务来更新当前的控制参数。当某个加工设备发生故障或新的加工任务到达时，或者当智能生产线的加工误差超出公差范围时，将触发动态误差建模和补偿服务。任务匹配、加工计划、机器选择、特征提取、轴坐标等参数进行更新等。最后，将更新后的系统解决方案反馈至控制层，以实现智能生产线的动态误差控制。
控制终端与各种智能终端有关，包括CNC控制器、工业计算机和其他移动控制终端。它起着生产线管理和控制的作用，使生产线具有自适应和自我调节的性能。该终端使用智能决策终端提供的服务。而且，显示由数据终端和决策终端获得的一部分有用数据，并且控制终端支持进行决策的用户终端。此外，通过智能决策终端和用户终端获得的最佳控制方案用于监视整个生产线及其设备。
智能控制终端的运行过程如图10所示。无线激光位移传感器用于获取动态误差信号。位移传感器将误差信号转换为微弱的电信号，然后将其放大并滤波为A/D电路所需的输入信号。控制模块中嵌入了基于SOA-LSTM网络建立的误差模型。该模块根据齐次坐标变换(HCT)理论计算三个方向的补偿分量。最后，控制值通过RS232传输到机床的控制系统。根据误差方向确定误差控制轴。然后，根据传入的重新训练的SOA-LSTM网络模型更新变量。
智能控制终端的工作过程如图11所示。位移传感器会产生动态误差，将基于SOA-LSTM网络的预测模型嵌入到边缘计算层中，并以一定的计算能力在该层中进行误差预测。此外，将长期的历史误差数据存储在数据库中，然后根据历史误差数据重新训练动态误差模型。误差模型经过重新训练，由于具有自学习能力，因此经过一段时间的服务后将更新其设置和超参数，然后将更新后的误差模型转移到边缘计算层。然后计算不同方向的补偿值，然后将其反馈给与CNC控制器相连的PLC。CNC控制器从PLC读取不同方向的补偿值。然后将补偿值与加工指令叠加，以实现误差控制。
本实施例以精密镗床为研究对象，该精密镗床采用SIMENSE-840D系统，如图12所示。最高速度为4500r/min，X，Y和Z轴的行程范围为1500mm，三个位移传感器固定在刀架上。S1和S2两个传感器用于测量倾斜度误差，S3传感器用于测量轴向误差。
本实施例采用了11个PT100传感器来测量温度场。表1中列出了PT100传感器的安装位置。环境温度(T1)，主轴箱(T2)，法兰(T3)，盖(T4)，冷却水入口(T5)，冷却水出口(T6)，床身(T7)，塔(T8)，在运行过程中收集了前轴承箱(T9)，后轴承箱(T10)和电动机(T11)。
表1PT100传感器的安装位置
Figure GDA0004051811370000131
如图13(b)所示为根据图13(a)所示工况获得温度场。如图13(c)所示为热误差，热误差非常明显，动态误差和温度与转速分布密切相关。建立误差模型。然后建立了基于SOA-LSTM和SOA-BP网络的热误差预测模型。还建立了多元线性回归分析(MLRA)模型。得到拟合结果，如图14(a)所示。如图14(b)所示，获得残差。
本实施例的智能产线动态误差控制方法的具体过程如下：
(1)在云计算终端中，长期历史误差数据经清理、放大、滤波等处理后存储在数据库中，为误差模型训练奠定了基础。
(2)基于云计算终端中的长期历史误差数据来训练SOA-LSTM网络模型。图13所示的采集数据是动态误差模型的输入。然后根据边缘计算终端中的SOA-LSTM网络误差模型预测误差。
(3)根据预测的误差对加工过程中的误差进行监控。误差监视用于识别工作状态。此外，基于输入的误差数据实现误差预测以支持动态误差控制。
(4)如果加工误差超出公差范围，则开始误差控制。然后将补偿值反馈回控制端，以实现动态误差控制。当系统投入使用一段时间后，将重新训练SOA-LSTM误差模型，并在云计算终端中进行更新。然后将重新训练的SOA-LSTM误差模型转移到边缘计算终端。云计算终端和边缘计算终端通过中央处理单元连接，以保证两者之间的交互具有足够的处理速度和效率。
(5)计算三个方向的补偿值，然后将其反馈给给CNC控制器相连的PLC。CNC控制器从PLC读取不同方向的补偿值。然后将补偿值与加工指令叠加，以实现误差控制。
误差控制在主轴系统上进行，通过误差控制，可以测量和比较热误差，如图15所示。SOA-LSTM网络，SOA-BP网络，BP网络，LSTM网络和MLRA模型的热误差的波动范围分别为[-4.63μm，5.49μm]，[-13.45μm，2.53μm]，[-7.52μm，14.28]，[-13.73μm，3.79μm]和[-19.66μm，21.32μm]。热误差的原始波动范围在[-53.8μm，5.5μm]范围内。以上结果证明了动态误差控制架构的有效性。
表2列出了控制效果的比较。SOA-LSTM网络的控制效果优于其他模型。实施实时误差控制后，可以显著减少动态误差。对于SOA-LSTM模型，最大绝对值从53.8μm减小到4.6μm，绝对误差的平均值从38.9μm减小到1.7μm。即，动态误差减少了92％，这证明了所提出的系统架构的有效性。对于MLRA，BP网络，LSTM网络和SOA-BP网络模型，误差减少率分别为40％，58％，65％和67％。
表2控制效果比较
Figure GDA0004051811370000141
图16显示了加工后的工件，材料为#45钢，转速为2000r/min，进给速度为50mm/min，切割深度为20μm。以D1和D2的直径用作比较对象，以验证系统体系结构的有效性。
获得上述模型的带有动态误差控制的加工误差，如图17所示。SOA-LSTM网络模型，MLAR模型，BP网络模型，SOA-BP网络模型和LSTM网络模型的动态误差的波动范围分别为[-4.0μm,4.0μm],[-17.0μm,16.0μm],[-12.5μm,13.0μm],[-9μm,10μm],and[-6μm,6μm]。使用SOA-LSTM网络模型作为控制模型的加工误差小于使用其他控制模型作为控制模型的加工误差。所提出的系统架构可有效减少加工误差。
在四个月内，收集了生产线的制造大数据，包括温度数据。总共获得201.6GB数据。SOA-LSTM网络模型确实将自变量作为输入，但是将动态误差作为输入。因此，避免了几个独立变量的收集、存储、处理和预测。可减少采集的数据量，并在表3中列出。可以看出，减少采集的数据量是很大的。随着时间的增加，减少采集的数据量也会增加，从而提高了系统的执行效率。
表3减少采集的数据量
Figure GDA0004051811370000151
将基于GPU的云计算的收敛速度和准确性与不使用GPU的云计算进行比较，结果表明GPU可以显着加快计算过程并提高收敛速度，如图18所示。基于GPU的云计算和无GPU的云计算中的LSTM网络可在100次迭代中收敛到预设精度。表4列出了通过基于GPU的云计算和没有GPU的云计算获得的结果。在基于GPU的云计算中，动态误差模型的执行效率远远高于没有GPU的云计算。
表4执行效率比较
Figure GDA0004051811370000152
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (7)

1.一种智能产线动态误差预测系统，其特征在于：包括第一计算层、第二计算层、数据采集单元(10)、数据库(40)和中央处理器(60)；
所述数据采集单元(10)用于采集智能产线的生产和设备数据；所述数据库(40)接收所述数据采集单元(10)采集得到的数据并存储作为历史数据；
所述第一计算层包括第一服务器，所述第一服务器内设有数据处理单元(20)和误差预测单元(30)，所述数据处理单元(20)接收所述数据采集单元(10)采集得到的实时数据并对实时数据进行处理；所述误差预测单元(30)接收经所述数据处理单元(20)处理后的实时数据并预测智能产线的动态误差；
所述第二计算层包括第二服务器，所述第二服务器内设有动态误差预测模型训练单元(50)；所述误差预测单元(30)和动态误差预测模型训练单元(50)内分别设有动态误差预测模型，所述动态误差预测模型训练单元(50)接收所述数据库(40)内的历史数据并对设置在其内的所述动态误差预测模型进行训练；
所述中央处理器(60)接收经所述动态误差预测模型训练单元(50)训练后的所述动态误差预测模型、并将该训练后的所述动态误差预测模型传输至所述误差预测单元(30)以更新所述误差预测单元(30)内的所述动态误差预测模型；
所述动态误差预测模型采用SOA-LSTM误差预测模型，所述SOA-LSTM误差预测模型的构建方法包括如下步骤：
1)初始化参数：初始化海鸥优化算法(SOA)的参数，并将LSTM神经网络的权重和阈值编码为初始海鸥种群；
2)初始化所述海鸥种群中的每个海鸥的位置；
3)计算海鸥的适应度并找到最佳的海鸥位置Pbest(x)；
4)根据最佳的海鸥位置Pbest(x)更新每个海鸥的位置；
5)判断是否达到最大迭代次数或达到所需的精度：若是，则输出最终的Pbest(x)作为最佳的海鸥位置；若否，则返回步骤3)；
6)将最终的Pbest(x)解码为权重和阈值后输入LSTM误差预测模型，得到SOA-LSTM误差预测模型。
2.根据权利要求1所述的智能产线动态误差预测系统，其特征在于：所述第一计算层为边缘计算层，所述第一服务器为边缘服务器；所述第二计算层为云计算层，所述第二服务器为云服务器。
3.一种智能产线动态误差控制系统，其特征在于：包括如权利要求1或2所述智能产线动态误差预测系统和误差补偿单元，所述误差补偿单元内设有误差补偿模型；所述误差补偿单元接收所述误差预测单元(30)预测得到的误差预测值、并在所述误差预测值大于预设范围时启动误差补偿模型计算误差补偿分量。
4.一种采用如权利要求3所述智能产线动态误差控制系统的智能产线动态误差控制方法，其特征在于：包括如下步骤：
1)利用数据采集单元(10)采集智能产线的生产和加工设备数据；
2)将数据采集单元(10)采集得到的实时数据经数据处理单元(20)处理后输入误差预测单元(30)，利用动态误差预测模型预测误差并得到误差预测值；
3)当误差预测值大于预设范围时启动误差补偿模型，计算三个方向误差补偿分量，所述误差补偿分量的大小与所述误差预测值相等但方向相反；
4)循环步骤1)至步骤3)，直至智能产线的生产加工任务完成。
5.根据权利要求4所述的智能产线动态误差控制方法，其特征在于：所述误差补偿模型为机床主轴误差补偿模型，利用所述机床主轴误差补偿模型对误差进行补偿的方法如下：
令由误差引起的位置偏差矢量表示为：
OO'＝[ΔOx,ΔOy,ΔOz]
则控制向量表示为
ΔHs＝-OO'
设机床主轴的初始位置为PO，在热误差的作用下展开并倾斜到最终位置PO'.则获得不同方向的控制值
ΔOx＝(D0x+D+ΔD)sinγx
ΔOy＝(D0y+D)γy
ΔOz＝ΔD-ΔOD＝ΔD-(D0x+D+ΔD)(1-cosγx)
其中，ΔOx、ΔOy、ΔOz分别表示X方向、Y方向和Z方向的控制值；D表示工具的长度；ΔD表示轴向热伸长率；D0x和D0y分别表示偏转中心与主轴法兰之间的距离；γx和γy分别表示由热误差引起的位置偏差矢量在X方向和Y方向上的偏差角度；ΔOD表示最终位置PO'旋转到初始位置PO时的长度与最终位置PO'投影到初始位置PO时的长度之差。
6.根据权利要求5所述的智能产线动态误差控制方法，其特征在于：根据控制策略得到加工工件上任一点W的坐标为：
其中，Px、Py和Pz分别表示工件上任一点W的预设坐标；Px'、Py'、Pz'分别表示工件上任一点W经误差补偿控制后的坐标。
7.一种采用如权利要求3所述智能产线动态误差控制系统的智能产线动态误差数字孪生系统，其特征在于：包括用户终端和云终端；
所述用户终端包括：
设备终端，所述数据采集单元(10)包括安装在所述设备终端的传感器并用以测量智能产线设备的视频/音频数据、温度数据、变形数据、应力数据、润滑剂数据、平衡压力数据、运行状态数据、物理坐标数据、过程数据和加工过程数据；
控制终端，所述控制终端包括用于管理和控制所述设备终端的CNC控制器，所述CNC控制器接收所述误差补偿单元计算得到的误差补偿分量控制所述设备终端对误差进行补偿；
所述云终端包括：
数据终端，用于存储和管理经所述数据采集单元(10)得到的数据，所述数据库(40)设置在所述数据终端内；
智能决策终端，所述第一服务器、第二服务器和中央处理器(60)均设置在所述智能决策终端内并提供误差预测和误差补偿服务。
CN202110355441.3A 2021-04-01 2021-04-01 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 Active CN113051830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110355441.3A CN113051830B (zh) 2021-04-01 2021-04-01 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110355441.3A CN113051830B (zh) 2021-04-01 2021-04-01 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统

Publications (2)

Publication Number Publication Date
CN113051830A CN113051830A (zh) 2021-06-29
CN113051830B true CN113051830B (zh) 2023-04-18

Family

ID=76517126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110355441.3A Active CN113051830B (zh) 2021-04-01 2021-04-01 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统

Country Status (1)

Country Link
CN (1) CN113051830B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592064B (zh) * 2021-07-05 2024-02-09 中国科学院上海光学精密机械研究所 环抛机工艺参数预测方法、系统、应用、终端及介质
CN114637262B (zh) * 2022-03-10 2022-11-15 天津科技大学 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统
CN114782027B (zh) * 2022-06-17 2022-09-20 广州力控元海信息科技有限公司 一种柔性产线的多源异构视频数据交互处理方法及系统
CN115203973A (zh) * 2022-08-10 2022-10-18 鼎捷软件股份有限公司 设备孪生数据的模拟系统以及设备孪生数据的模拟方法
CN115793568B (zh) * 2023-02-06 2023-05-23 常州克迈特数控科技有限公司 一种基于三维建模的机床零件误差补偿控制系统
CN116578040B (zh) * 2023-07-13 2023-09-19 北京机床研究所有限公司 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端
CN116661403A (zh) * 2023-07-28 2023-08-29 深圳市彼洋自动化科技有限公司 一种柔性生产线的自适应匹配控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655393A (zh) * 2018-12-12 2019-04-19 昆明理工大学 一种基于置信规则库的水松纸透气度检测方法
CN112363094A (zh) * 2020-11-17 2021-02-12 西北工业大学 一种基于海鸥算法的三分量磁传感器误差校正方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9240360B2 (en) * 2012-07-25 2016-01-19 International Business Machines Corporation Run-to-run control utilizing virtual metrology in semiconductor manufacturing
CN110543616B (zh) * 2018-12-26 2022-12-02 西安电子科技大学 基于工业大数据的smt锡膏印刷体积预测方法
CN111259498B (zh) * 2020-01-14 2021-11-02 重庆大学 基于lstm神经网络的轴系统热误差建模方法和热误差补偿系统
CN111914000B (zh) * 2020-06-22 2024-03-26 华南理工大学 一种基于功耗预测模型的服务器功率封顶方法、系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655393A (zh) * 2018-12-12 2019-04-19 昆明理工大学 一种基于置信规则库的水松纸透气度检测方法
CN112363094A (zh) * 2020-11-17 2021-02-12 西北工业大学 一种基于海鸥算法的三分量磁传感器误差校正方法

Also Published As

Publication number Publication date
CN113051830A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113051830B (zh) 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
JP6530783B2 (ja) 機械学習装置、制御装置及び機械学習プログラム
CN108510150B (zh) 一种基于边缘计算的纺纱cps及其实时任务处理方法
CN109313841B (zh) 用于在传感器网络中实现自适应聚类的方法和系统
Liu et al. A four-terminal-architecture cloud-edge-based digital twin system for thermal error control of key machining equipment in production lines
CN112437131B (zh) 物联网中考虑数据相关性的数据动态采集与传输方法
CN113591395A (zh) 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架
CN113642236A (zh) 一种面向多学科的数字孪生图网络建模方法
CN114004512A (zh) 一种基于密度聚类的多机组运行状态离群分析方法及系统
CN112434789A (zh) 一种用于边缘视频分析的分布式神经网络模型划分方法
CN111488208B (zh) 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
Li et al. Multi-sensor complex network data fusion under the condition of uncertainty of coupling occurrence probability
CN117170310A (zh) 一种基于数字孪生的数控机床远程故障诊断方法及系统
Wu et al. Fada: A cloud-fog-edge architecture and ontology for data acquisition
CN116049615A (zh) 一种带电作业安全防护装备多源异构传感器优化布局方法
Jaber et al. Reducing the data transmission in sensor networks through Kruskal-Wallis model
CN115293236A (zh) 一种基于混合聚类的电力设备并行故障诊断方法及装置
Arora et al. Low-frequency adaptation-deep neural network-based domain adaptation approach for shaft imbalance fault diagnosis
de Oliveira et al. An energy-aware data cleaning workflow for real-time stream processing in the internet of things
CN114269006A (zh) 一种基于信息增益率的室内ap聚类选取方法和设备
Yue et al. Research on big data processing model of edge-cloud collaboration in cyber physical systems
CN116540658B (zh) 基于监督控制理论和强化学习的自动制造系统调度方法
CN114860345B (zh) 一种智能家居场景下基于缓存辅助的计算卸载方法
CN112929991B (zh) 传感器的管理方法、装置、设备及存储介质
CN108549343B (zh) 一种基于大数据的运动控制系统及控制方法

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
GR01 Patent grant
GR01 Patent grant