CN113269519B - 一种智能产线信息建模方法、存储介质及计算设备 - Google Patents
一种智能产线信息建模方法、存储介质及计算设备 Download PDFInfo
- Publication number
- CN113269519B CN113269519B CN202110536817.0A CN202110536817A CN113269519B CN 113269519 B CN113269519 B CN 113269519B CN 202110536817 A CN202110536817 A CN 202110536817A CN 113269519 B CN113269519 B CN 113269519B
- Authority
- CN
- China
- Prior art keywords
- type
- production line
- equipment
- data
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种智能产线信息建模方法、存储介质及计算设备,建立设备类型数据,包括智能产线设备的生产设备组件类型、感知设备类型和传输系统类型数据;建立工件类型数据;根据设备类型数据和工件类型数据建立全要素数据类型;确定产线管控类型;根据全要素数据类型和产线管控类型建立智能产线信息模型,通过智能产线信息模型实例化智能产线,将智能产线中设备数据的敏感特征作为支持向量机、神经网络算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。本发明针对整个神此案车间系统建立了完整的、通用的智能产线信息模型,可以解决产线存在的数据孤岛问题,实现产线设备的互联互通。
Description
技术领域
本发明属于智能产线信息建模技术领域,具体涉及一种智能产线信息建模方法、存储介质及计算设备。
背景技术
智能产线设备间信息集成和互联互通是实现智能制造的关键基础,其核心是标准化的信息模型。产线级的信息模型涉及车间生产、物流、质量和设备管控各方面,各模型之间存在复杂的联系。车间内装备一般来自不同的厂商,搭载不同控制系统,不同系统之间采用不同的数据类型和格式,导致了设备系统间的异构性,进而产生了“数据孤岛”。统一信息标准规范的缺乏亦导致数字化车间推广成本过高,在实际运行中难以实现有效的网络集成,阻碍了数字化车间网络化智能化协同的实现,制约了数字化制造向智能制造的升级。因此如何解决智能车间内的信息孤岛问题,实现设备的互联互通具有重要的现实意义。
在OPC UA协议中,信息模型包含在OPC UA服务器的地址空间中,完全互联并且以图拓扑呈现,有利于实现车间设备访问的统一性。OPC UA采用面向对象思想进行信息建模,对象类型节点与对象节点之间相当于类与类的实例化。OPC基金会定义了各种节点类型及参考类型的图形化表示方法可以使用代表特定语义的图形画出通俗易懂的信息模型图。
从国内外研究现状来看,在智能产线的OPC UA信息建模方面取得了一定的成果,但是大多数研究针对产品或设备进行建模,或者只是针对车间的某个子域进行建模,缺乏针对整个生产车间系统的完整的、通用的信息模型,未能体现出整条产线的功能,同时在智能产线的信息模型具体应该包含哪些属性节点没有统一的标准。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种智能产线信息建模方法、存储介质及计算设备,改善产线信息的互联互通问题,实现从物理空间到虚拟空间的映射,后期可以将信息模型输出为XML文件以便重复使用。
本发明采用以下技术方案:
一种智能产线信息建模方法,包括以下步骤:
S1、建立设备类型数据,包括智能产线设备的生产设备组件类型、感知设备类型和传输系统类型数据;
S2、建立工件类型数据;
S3、将智能产线中的设备运行状态数据对应于步骤S1中的设备类型,将智能产线中的工件检测数据对应步骤S2中的工件类型数据,建立全要素数据类型;
S4、确定产线管控类型;
S5、根据步骤S3确定的全要素数据类型和步骤S4确定的设备管控类型建立智能产线信息模型,通过智能产线信息模型实例化智能产线,将智能产线中设备数据的敏感特征作为支持向量机、神经网络算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
具体的,步骤S1中,生产设备组件类型为在生产过程中用于加工的机床和辅助加工的机器人所具有的组成部件和属性的并集,包括:
设备信息类型,定义设备在出厂的描述信息包括设备名称、拓扑结构、设备编号、驱动方式、产品类型、制造商信息、出厂日期和控制器名称,还包括使用过程中不断更新的设备的运行状态、保养信息、故障信息、绩效信息和维修信息;
轴类型,包括主轴类型、直线轴类型和旋转轴类型,三种类型的共有属性包括:状态、倍率、速度、功率和负载电流,旋转轴类型的特有属性包括:指令位置、反馈位置、负载和摆动角度范围;直线轴类型的特有属性包括:指令位置和反馈位置;主轴类型的特有属性包括:温度;
控制系统类型用于定义产生控制命令驱动运动部件完成加工任务的控制系统包含的变量和属性,包括:CNC类型表示数控机床的控制系统类型,包含在加工过程中控制系统的报警信息、当前程序名、当前程序号、急停状态以及数控系统的参数读写和文件操作;PLC类型定义为机器人的控制系统类型,两种类型的共有属性包括运行状态和工作模式以及电机启动和停止方法;
辅助设备类型的共有属性包括:冷却液状态、气压状态、液压状态和润滑装置状态;机器人辅助设备类型定义了机器人末端执行器的类别;机床辅助设备类型定义了机床特有的辅助设备的状态,包括排屑装置状态、切削液状态、门状态和夹具状态参数,描述机床工作过程中这些辅助装置是否在正常运行;
刀具类型的节点包括:刀具的ID编号、刀具类型、最大磨损量、装夹状态、轴向切深、径向切深、刀具直径、功能长度、刀具补偿值、已加工时间和剩余寿命。
具体的,步骤S1中,感知设备类型用于读取工业现场的数据信息的设备类型,包括传感器类型、RFID读写器类型和质检设备类型,定义通用属性节点:感知设备的生产厂家、编号和型号;
传感器类型描述的是机床或者机器人上的外加传感器类型,用于采集所需的设备运行参数如位置信息、振动信息,具有数据、单位、量程、分辨率、采样频率以及对数据值进行时域分析、频域分析和时频域分析所得特征值;
RFID读写器类型用于在成品入库前通过扫描EPC号获得产品信息;包含描述产品信息的EPC编号;
质检设备类型描述对工件的某些特征进行检测的设备类型,包含了可测量的特征名称、测量值、理论值、测量单位、误差值、特征的上下限值以及描述该特征是否合格的特征状态。
进一步的,传感器类型包括:位移传感器、电流传感器类型、加速度传感器类型、声发射传感器类型和功率传感器类型,质检设备类型包括专用量具类型、线边测量设备类型、在机测量仪类型、通用测量机类型。
具体的,步骤S1中,传输系统类型定义为生产过程中对原材料、成品或半成品进行搬运功能的设备类型;包括AGV类型和传输带类型;通用属性节点包括设备厂家、名称、状态、功率、运行速度和ID编号;
AGV类型为通过定向引导或导航装置沿着规定引向路径行驶的无人搬运小车,节点包含负载、运输高度、位置精度以及导航引导方式;
传送带类型为生产过程中匀速将原材料、加工后的成品或者半成品运输到指定位置的传输设备类型,包含的属性节点全部继承自传输系统类型定义的通用属性节点。
具体的,步骤S2中,工件类型具有描述产线加工过程中的工件信息,包括:工件编号、原材料类型、RFID电子标签、工件的一个或多个关键特征,反映当前工序的切削速度、进给量、切削深度和是否属于粗加工、半精加工或精加工的加工精度以及工件的表面粗糙度、形状公差、位置公差和尺寸公差,描述当前工序完成工件状态。
具体的,步骤S4中,产线管控类型包括能耗优化类型、故障诊断类型、虚拟量测类型类型、产线调度和状态监测类型,描述加工产线的智能化操作,同时包含智能化操作需要的机器学习算法以及作为算法输入的敏感特征值。
进一步的,智能化的敏感特征包括从对原始信号进行时域分析特征、频域分析特征和时频域分析后通过特征选择筛选出的敏感性特征。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种智能产线信息建模方法,从产线的数据来源和数据分析应用两方面分析并建立智能产线信息模型。产线的全要素数据类型主要包括来自加工过程中涉及的硬件设备和工件,将产线的硬件设备包含机床、机器人、RFID(射频识别)读写器、传感器、三坐标测量仪、传输带和AGV小车根据功能进行分类,建立了生产组件类型、感知类型和传输系统类型;将当前加工工件的信息作为工件类型的节点属性使得产线数据类型更加全面,进而更加便捷地对产线设备进行管控,为了对产线进行能耗优化、故障诊断、虚拟量测、产线调度和状态监测的智能化管控,需要对产线全要素数据进行特征提取和特征选择,将筛选出来的敏感特征作为机器学习算法的输入,实现产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
进一步的,生产设备组件类型为概括了机床和机器人两类设备的组成部件及其属性,包括了设备信息类型、轴类型、控制系统类型、辅助设备类型和刀具类型,其中刀具属于机床特有的组成部件,每台机床类型和机器人类型都应该包含设备信息类型和轴类型,控制系统类型和辅助设备类型中分别定义了机床类型和机器人类型特有的设备组件类型。因此在实例化一台设备对象时只需要设备特有的组件类型进行模块化组装即可,这种模块化建模思维使得设备建模更加便捷。
进一步的,感知设备类型用于读取工业现场的数据信息而不需要对设备进行控制操作设备类型,包括传感器类型、RFID读写器类型和质检设备类型。归纳了智能产线中的数据感知设备的属性,并对部分边缘设备数据进行时域分析、频域分析或时频域分析,不仅减小了数据传输压力,更突出体现数据的规律性,方便有效信息的提取。
进一步的,传感器在产线智能化发展中发挥着重要作用,设置具体的传感器类型可以对生产加工过程中的声音信号、位置信息、振动信号、电流信号和功率信号进行采集,进而进行特征提取和特征选择,为产线的智能化管控提供数据支持。
进一步的,传输系统类型定义为在生产过程中对原材料、成品或半成品进行搬运功能的设备,完成自动化加工过程。实现整个产线的流水线生产任务。
进一步的,工件精度数据直接反映了产线的加工精度。因此,工件类型数据不仅可以反映产线的加工精度,还可以通过跟踪工件加工过程中产生的数据对影响精度的要素进行溯源,实现对工件的加工状态加工质量进行监控,为精度自愈提供数据支持。
进一步的,对智能产线中的数据进行特征提取和特征选择,将筛选出来的敏感特征作为机器学习算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
综上所述,本发明模型从智能产线的数据来源和数据应用两个方面分析了产线的属性节点,针对整个智能车间系统建立了完整的、通用的智能产线信息模型,可以解决产线存在的“数据孤岛”问题,提高了数据的组织管理效率,实现产线设备的互联互通。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明模型示意图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
请参阅图1,本发明一种智能产线信息建模方法,包括以下步骤:
S1、建立设备类型数据,包括智能产线设备的生产设备组件类型、感知设备类型和传输系统类型数据;
a、生产设备组件类型定义为在生产过程中用于加工的机床和辅助加工的机器人所具有的组成部件及其属性的并集,包括设备信息类型、轴类型、控制系统类型、辅助设备类型和刀具类型;
在智能产线中数控机床和机器人是最普遍也是最重要的设备,机床负责零件的加工而机器人负责辅助机床加工。因此机器组件类型主要针对是机床和机器人两类设备所具有的组成部件及其属性。
(1)设备信息类型定义设备在出厂时的描述信息和在使用过程中不断更新的描述信息:包括设备名称、拓扑结构、设备编号、驱动方式、产品类型、制造商信息、出厂日期和控制器名称,还包括了在使用过程中设备的运行状态、保养信息、故障信息、绩效信息和维修信息;
为了通过模块化的组装方式来实例化对象类型从而建立具体设备的信息模型定义设备的拓扑结构,根据数控机床伺服进给轴的个数和运动形式,其拓扑结构为TTT、TTTRR、RTTTR、RRTTT;根据机器人的自由度个数,其拓扑结构为2RP、3RP、6R。通过设备名称、驱动方式、产品类型、制造商、出厂日期、控制器名称定义了实例化后的设备在出厂时已经具备的属性信息;设备编号用于在产线中对设备进行唯一的标识;运行状态描述了机床或者机器人当前的工作状态,具体指设备的运行、暂停、急停、报警或停机状态属性;保养信息、故障信息、绩效信息和维修信息定义了产线中的机床或机器人在全生命周期内进行过的保养活动记录、故障信息记录、绩效记录和维修记录的文本信息。
(2)轴是机床和机器人的执行器,根据运动形式和功能将轴分为直线轴、旋转轴和主轴。与此对应的在OPC UA地址空间中定义了轴类型包含了直线轴类型、旋转轴类型、主轴类型。
定义主轴类型、直线轴类型和旋转轴类型的特有属性和共有属性,其中,共有属性包括:状态、倍率、速度、功率和负载电流,旋转轴类型的特有属性包括:指令位置、反馈位置、负载和摆动角度范围;直线轴类型的特有属性包括:指令位置和反馈位置;主轴类型的特有属性包括:温度。
(3)控制系统是一台机器的中枢神经系统,作用是产生控制命令、驱动运动部件、完成加工任务。本发明针对机床和机器人常用的控制系统类型,列举了PLC和CNC两种控制系统。
定义这两种控制系统的共有属性包括:运行状态和工作模式以及启动和停止的方法。运行状态定义了机床和机器人的控制系统当前的运行状态,是否处于正常加工、停止、暂停或报警状态;工作模式描述了设备时处于手动模式还是自动模式;启动和停止两种方法用于控制电动机的启停。
CNC类型表示的是PLC内置的数控机床控制系统类型,定义报警信息、当前程序名、当前程序号和急停状态以及参数读写和文件操作两种方法,依次描述在加工过程中控制系统产生的报警信息、当前加工工序所在程序段的名称、G代码所处行号和当前是机器是否处于急停状态以及数控系统对加工参数的读取写入操作和文件的载入、编辑和删除操作;PLC类型定义为机器人的控制系统类型,并未对该类型单独定义变量,只有继承于其父节点的四个属性,即运行状态和工作模式以及启动和停止的方法。
(4)辅助装置是数控机床和机器人不可或缺的组成部分,二者都有的辅助设备包括冷却装置、气压装置、液压装置和润滑装置。机器人特有的辅助装置有:末端执行器类别,包括吸附式和夹持式;机床特有的辅助装置有:排屑装置、切削液装置、门和夹具。
辅助装置类型中包含的节点属性为冷却装置状态、气压装置状态、液压装置状态、排屑系统装置状态和切削液装置状态,用来表示机床或机器人工作过程中这些辅助装置是否在正常工作;门状态用来描述加工过程中机床的门是否关闭;夹具状态用来描述在加工过程中机床的夹具是否可以正常工作;末端执行器类别指定了机器人抓手的抓取方式是吸附式或夹持式,和夹具状态。
(5)刀具类型
刀具属于机床特有的组件,刀具类型定义了刀具的属性。定义ID编号来区分机床刀库中的刀具;刀具类型描述了刀具属于车刀、铣刀或镗刀;最大磨损量、刀具直径、功能长度描述了刀具本身的属性;轴向切深、径向切深、刀具补偿值和装夹状态描述了在加工过程中的加工参数和刀具装夹状态;已加工时间描述了刀具的已使用寿命;剩余寿命描述了刀具在加工过程中刀具寿命的剩余量,初始值为刀具出厂时寿命的估计值。
b、感知设备类型定义为只用于读取工业现场的数据信息不需要对设备进行控制操作设备类型,包括传感器类型、RFID读写器类型和质检设备类型,定义编号、型号和采样频率三个通用属性分别描述感知设备在智能产线中唯一标识符、感知设备产品型号和获取数据的采样周期;
(1)传感器类型描述的是机床或者机器人上的外加传感器类型,用于采集产线加工过程中的数据变量,同时对这些数据值进行时域分析、频域分析和时频域分析,所得特征值可用于智能产线的智能维护。定义了数据值和工程单位两个变量节点;另外还定义了常用的传感器类型:电涡流传感器、电流传感器、加速度传感器、声发射传感器和功率传感器作为传感器类型的子类型,此子类型可根据实际需要扩展为其他传感器类型,通过实例化过程继承父类型的所有变量属性,或额外添加其他属性。
(2)RFID读写器类型描述射频识别器类型在产线仓库管理中,入库前需要通过RFID读写器进行托盘RFID的识读,其RFID号及对应的产品信息会被读取,从而将托盘的RFID号与预分配的货位号进行关联。通过读取存储器来获取EPC号(电子产品编码);因此,RFID读写器类型除了继承自父节点的编号、型号和采集频率三个变量节点外,还应包含描述当前测得的EPC编号的变量节点。
(3)质检设备类型描述了对工件的某些特征进行检测的设备类型,可对工件的平面度、粗糙度或者要素之间的平行度、垂直度或同轴度进行测量。定义的特征名称描述了几何量精度的类型,还定义了测量值、理论值、误差值、上限值和下限值五个变量节点描述工件的加工精度。通过理论值和测量值的计算值与误差值进行比较可以判断当前测量的工件是否合格。上下限值规定了测量对象允许的上下偏差,也可以判断工件是否合格,还可以基于此调整产品的加工工艺或装备工艺。定义了常用的质量检测设备类型——三坐标测量仪类型,作为质检设备类型的子类型,三坐标测量仪类型继承了质检设备类型的全部变量节点,还可根据实际需求添加其他属性节点。
c、传输系统类型定义为生产过程中对对原材料、成品、半成品进行搬运功能的设备,包括AGV类型和传输带类型,传输系统类型定义的设备名称、状态、功率、运行速度和设备编号用于描述AGV或传输带的名称属性,是否在工作状态,运行的功率值、运行速度和在产线中唯一的标识符——ID编号。
(1)AGV类型(Automated Guided Vehicle,即自动导引运输车)指通过定向引导或导航装置沿着规定引向路径行驶的无人搬运小车,包含负载、运输高度、位置精度以及导航方式用来描述AGV小车的最大负载值、可运输到达的最大垂直高度、所能达到的位置精度以及导航引导方式,常用的导航引导方式有直接坐标、电磁导引、GPS导引。
(2)传送带主要是在生产过程中匀速将原材料、加工后的成品或者半成品运输到指定位置,实现了工厂中的流水线生产。其包含的属性节点全部继承自传输系统类型定义的通用属性节点,也可根据实际需要添加其他属性节点。
S2、建立工件类型数据;
工件类型主要用于描述产线加工过程中的工件信息。工件编号、原材料类型、RFID电子标签三个变量节点描述工件的基本信息和加工流程;、切削速度、进给量和切削深度反映了工件在当前加工工序中的工艺参数值;精度等级描述了当前按工序的加工精度等级,具体为粗加工、半精加工或精加工;表面粗糙度、形状公差、位置公差和尺寸公差描述了工件加工误差名义值;多个关键特征用来描述工件加工误差的测量值,通过与名义值进行比较,可以反映一个工件的加工精度是否满足要求,即工件能否合格。
S3、根据步骤S1的设备类型数据和步骤S2的工件类型数据建立全要素数据类型;
S4、确定产线管控类型;
产线管控类型包括能耗优化类型、故障诊断类型、虚拟量测类型、产线调度类型和状态监测类型,描述加工产线的智能化操作,同时包含了智能化操作需要的敏感特征值以及机器学习算法。
为了对产线进行智能化管控,实现产线设备的能耗优化、故障诊断、虚拟量测、产线调度和状态检测进而实现产线的预测性维护,需要对通过对采集到的全要素数据进行特征提取,通过特征选择挑选出敏感特征作为分析人工智能算法的输入,实现设备的智能化管控。定义的能耗优化类型、故障诊断类型、虚拟量测类型、产线调度类型和状态监测类型四个子类型继承了产线管控类型的全部属性节点。
S5、根据步骤S3确定的全要素数据类型和步骤S4确定的产线管控类型建立智能产线信息模型,通过智能产线信息模型选择智能产线类型,将智能产线中数据的敏感特征作为支持向量机、神经网络算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于智能产线信息建模方法、存储介质及计算设备的操作,包括:
建立设备类型数据,包括智能产线设备的生产设备组件类型、感知设备类型和传输系统类型数据;建立工件类型数据;根据设备类型数据和工件类型数据建立全要素数据类型;确定产线管控类型;根据全要素数据类型和产线管控类型建立智能产线信息模型,通过智能产线信息模型实例化智能产线,将智能产线中设备数据的敏感特征作为支持向量机、神经网络算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关智能产线信息建模方法、存储介质及计算设备的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
建立设备类型数据,包括智能产线设备的生产设备组件类型、感知设备类型和传输系统类型数据;建立工件类型数据;根据设备类型数据和工件类型数据建立全要素数据类型;确定产线管控类型;根据全要素数据类型和产线管控类型建立智能产线信息模型,通过智能产线信息模型实例化智能产线,将智能产线中设备数据的敏感特征作为支持向量机、神经网络算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
综上所述,本发明一种智能产线信息建模方法、存储介质及计算设备,从产线的数据来源和数据分析应用两方面分析并建立智能产线信息模型。产线的全要素数据类型主要包括来自加工过程中涉及的硬件设备和工件,将产线的硬件设备包含机床、机器人、RFID(射频识别)读写器、传感器、三坐标测量仪、专用量具、在机测量仪、通用测量机、边线测量设备、传输带、机械臂和AGV小车根据功能进行分类,建立了生产组件类型、感知类型和传输系统类型;将当前加工工件的信息作为工件类型的节点属性使得产线数据类型更加全面,进而更加便捷地对产线设备进行智能管控,为了对产线进行能耗优化、故障诊断、虚拟量测、产线调度和状态监测的智能化管控,需要对产线全要素数据进行特征提取和特征选择,将筛选出来的敏感特征作为人工智能算法的输入,实现产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种智能产线信息建模方法,其特征在于,包括以下步骤:
S1、建立设备类型数据,包括智能产线设备的生产设备组件类型、感知设备类型和传输系统类型数据;
S2、建立工件类型数据;
S3、将智能产线中的设备运行状态数据对应于步骤S1中的设备类型,将智能产线中的工件检测数据对应步骤S2中的工件类型数据,建立全要素数据类型;
S4、确定产线管控类型;
S5、根据步骤S3确定的全要素数据类型和步骤S4确定的设备管控类型建立智能产线信息模型,通过智能产线信息模型实例化智能产线,将智能产线中设备数据的敏感特征作为支持向量机、神经网络算法的输入,实现对产线的能耗优化、故障诊断、虚拟量测、产线调度和状态监测。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,生产设备组件类型为在生产过程中用于加工的机床和辅助加工的机器人所具有的组成部件和属性的并集,包括:
设备信息类型,定义设备在出厂的描述信息包括设备名称、拓扑结构、设备编号、驱动方式、产品类型、制造商信息、出厂日期和控制器名称,还包括使用过程中不断更新的设备的运行状态、保养信息、故障信息、绩效信息和维修信息;
轴类型,包括主轴类型、直线轴类型和旋转轴类型,三种类型的共有属性包括:状态、倍率、速度、功率和负载电流,旋转轴类型的特有属性包括:指令位置、反馈位置、负载和摆动角度范围;直线轴类型的特有属性包括:指令位置和反馈位置;主轴类型的特有属性包括:温度;
控制系统类型用于定义产生控制命令驱动运动部件完成加工任务的控制系统包含的变量和属性,包括:CNC类型表示数控机床的控制系统类型,包含在加工过程中控制系统的报警信息、当前程序名、当前程序号、急停状态以及数控系统的参数读写和文件操作;PLC类型定义为机器人的控制系统类型,两种类型的共有属性包括运行状态和工作模式以及电机启动和停止方法;
辅助设备类型的共有属性包括:冷却液状态、气压状态、液压状态和润滑装置状态;机器人辅助设备类型定义了机器人末端执行器的类别;机床辅助设备类型定义了机床特有的辅助设备的状态,包括排屑装置状态、切削液状态、门状态和夹具状态参数,描述机床工作过程中这些辅助装置是否在正常运行;
刀具类型的节点包括:刀具的ID编号、刀具类型、最大磨损量、装夹状态、轴向切深、径向切深、刀具直径、功能长度、刀具补偿值、已加工时间和剩余寿命。
3.根据权利要求1所述的方法,其特征在于,步骤S1中,感知设备类型用于读取工业现场的数据信息的设备类型,包括传感器类型、RFID读写器类型和质检设备类型,定义通用属性节点:感知设备的生产厂家、编号和型号;
传感器类型描述的是机床或者机器人上的外加传感器类型,用于采集所需的设备运行参数如位置信息、振动信息,具有数据、单位、量程、分辨率、采样频率以及对数据值进行时域分析、频域分析和时频域分析所得特征值;
RFID读写器类型用于在成品入库前通过扫描EPC号获得产品信息;包含描述产品信息的EPC编号;
质检设备类型描述对工件的某些特征进行检测的设备类型,包含了可测量的特征名称、测量值、理论值、测量单位、误差值、特征的上下限值以及描述该特征是否合格的特征状态。
4.根据权利要求3所述的方法,其特征在于,传感器类型包括:位移传感器、电流传感器类型、加速度传感器类型、声发射传感器类型和功率传感器类型,质检设备类型包括专用量具类型、线边测量设备类型、在机测量仪类型、通用测量机类型。
5.根据权利要求1所述的方法,其特征在于,步骤S1中,传输系统类型定义为生产过程中对原材料、成品或半成品进行搬运功能的设备类型;包括AGV类型和传输带类型;通用属性节点包括设备厂家、名称、状态、功率、运行速度和ID编号;
AGV类型为通过定向引导或导航装置沿着规定引向路径行驶的无人搬运小车,节点包含负载、运输高度、位置精度以及导航引导方式;
传送带类型为生产过程中匀速将原材料、加工后的成品或者半成品运输到指定位置的传输设备类型,包含的属性节点全部继承自传输系统类型定义的通用属性节点。
6.根据权利要求1所述的方法,其特征在于,步骤S2中,工件类型具有描述产线加工过程中的工件信息,包括:工件编号、原材料类型、RFID电子标签、工件的一个或多个关键特征,反映当前工序的切削速度、进给量、切削深度和是否属于粗加工、半精加工或精加工的加工精度以及工件的表面粗糙度、形状公差、位置公差和尺寸公差,描述当前工序完成工件状态。
7.根据权利要求1所述的方法,其特征在于,步骤S4中,产线管控类型包括能耗优化类型、故障诊断类型、虚拟量测类型、产线调度类型和状态监测类型,描述加工产线的智能化操作,同时包含智能化操作需要的机器学习算法以及作为算法输入的敏感特征值。
8.根据权利要求7所述的方法,其特征在于,智能化的敏感特征包括从对原始信号进行时域分析特征、频域分析特征和时频域分析后通过特征选择筛选出的敏感性特征。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536817.0A CN113269519B (zh) | 2021-05-17 | 2021-05-17 | 一种智能产线信息建模方法、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536817.0A CN113269519B (zh) | 2021-05-17 | 2021-05-17 | 一种智能产线信息建模方法、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269519A CN113269519A (zh) | 2021-08-17 |
CN113269519B true CN113269519B (zh) | 2023-06-30 |
Family
ID=77231353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536817.0A Active CN113269519B (zh) | 2021-05-17 | 2021-05-17 | 一种智能产线信息建模方法、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269519B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837340B (zh) * | 2021-11-25 | 2022-02-15 | 湖南金丰林印刷包装机械科技有限公司 | 一种rfid集群平台处理方法和应用系统 |
CN114924531B (zh) * | 2022-07-08 | 2023-05-09 | 深圳市玄羽科技有限公司 | 一种基于IoT的智能制造系统及其控制方法 |
CN117032140A (zh) * | 2023-09-01 | 2023-11-10 | 冠誉信息科技(南京)有限公司 | 适用于工业自动化的远程智能调控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019076235A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间平行控制方法及系统 |
CN111061232A (zh) * | 2019-12-09 | 2020-04-24 | 中国科学院沈阳自动化研究所 | 基于数字孪生的生产线设计与优化方法 |
CN111756626A (zh) * | 2020-06-03 | 2020-10-09 | 西安交通大学 | 一种基于opc ua的产线边缘设备纵向集成网关及其实现方法 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112465333A (zh) * | 2020-11-24 | 2021-03-09 | 大连理工大学 | 一种基于多时间尺度的智能生产线调度优化方法 |
-
2021
- 2021-05-17 CN CN202110536817.0A patent/CN113269519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019076235A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间平行控制方法及系统 |
CN111061232A (zh) * | 2019-12-09 | 2020-04-24 | 中国科学院沈阳自动化研究所 | 基于数字孪生的生产线设计与优化方法 |
CN111756626A (zh) * | 2020-06-03 | 2020-10-09 | 西安交通大学 | 一种基于opc ua的产线边缘设备纵向集成网关及其实现方法 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112465333A (zh) * | 2020-11-24 | 2021-03-09 | 大连理工大学 | 一种基于多时间尺度的智能生产线调度优化方法 |
Non-Patent Citations (5)
Title |
---|
基于云制造的生产线虚拟与物理系统互联信息模型的建模方法及应用;高方方;宿春慧;王艳广;郑杨;;制造业自动化(03);29-34+44 * |
数字化车间信息模型及其建模与标准化;张兆坤;邵珠峰;王立平;赵钦志;张云峰;;清华大学学报(自然科学版)(02);19-24+31 * |
数字化驱动"智造"升级――徐工智能制造创新与实践;付思敏;范旭辉;;中国工业和信息化(Z1);60-67 * |
数字孪生模型构建理论与应用;陶飞;《计算机集成制造系统》;1-15 * |
石化行业智能工厂信息模型研究与设计;索寒生;刘晓遇;于韶飞;吕雪峰;王雨茜;;计算机与应用化学(06);68-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269519A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269519B (zh) | 一种智能产线信息建模方法、存储介质及计算设备 | |
Chen et al. | Toward intelligent machine tool | |
Koren | General RMS characteristics. Comparison with dedicated and flexible systems | |
US6671571B1 (en) | Method for NC- programming and system for NC- machining | |
US11481630B2 (en) | Machining condition adjustment device and machining condition adjustment system | |
Ridwan et al. | A framework for machining optimisation based on STEP-NC | |
Kumar et al. | Process control in CNC manufacturing for discrete components: A STEP-NC compliant framework | |
Li et al. | An integrated feature-based dynamic control system for on-line machining, inspection and monitoring | |
CN206614344U (zh) | 一种带有检测功能的三轴数控机床 | |
US10551822B2 (en) | CAD/CAM-CNC integrated system | |
Brüning et al. | Simulation based planning of machining processes with industrial robots | |
Boettjer et al. | Machine-specific estimation of milling energy consumption in detailed design | |
JPH1034496A (ja) | マシニングセンタ | |
Sivakumar et al. | Extraction of subtractive features of prismatic parts from STEP file for CAD/CAM integration | |
Subagio et al. | Three axis deviation analysis of CNC milling machine | |
Nishida et al. | Sequence planning of on-machine measurement and re-machining | |
CN111598364A (zh) | 用于机械零部件的数字化工艺编排系统 | |
Brown | Metrology Assisted Robotic Automation 2 | |
JP4165404B2 (ja) | 最適化装置、制御プログラム生成装置、プログラム | |
Sudo et al. | Basic development of data sharing CNC system (Case study on high accuracy machining of characteristic lines) | |
Berselli et al. | Engineering methods and tools enabling reconfigurable and adaptive robotic deburring | |
JPH07276187A (ja) | 生産装置 | |
Zhou et al. | Effecting in-cycle measurement with preteritic CNC machine tools | |
Tang et al. | Automatic data collecting and application of the touch probing system on the cnc machine tool | |
Fatriyana | CNC program and programming of cnc machine |
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 |