CN113589776A - 一种基于大数据技术的特钢棒材质量监控与诊断方法 - Google Patents
一种基于大数据技术的特钢棒材质量监控与诊断方法 Download PDFInfo
- Publication number
- CN113589776A CN113589776A CN202110900741.5A CN202110900741A CN113589776A CN 113589776 A CN113589776 A CN 113589776A CN 202110900741 A CN202110900741 A CN 202110900741A CN 113589776 A CN113589776 A CN 113589776A
- Authority
- CN
- China
- Prior art keywords
- special steel
- data
- steel bar
- quality
- technology
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 64
- 239000010959 steel Substances 0.000 title claims abstract description 64
- 238000005516 engineering process Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000005096 rolling process Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000005507 spraying Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005422 blasting Methods 0.000 claims description 5
- 239000011248 coating agent Substances 0.000 claims description 5
- 238000000576 coating method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000000227 grinding Methods 0.000 claims description 5
- 239000003921 oil Substances 0.000 claims description 5
- 239000003973 paint Substances 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000010749 BS 2869 Class C1 Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 239000012636 effector Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000010422 painting Methods 0.000 claims 1
- 238000005498 polishing Methods 0.000 claims 1
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 238000004806 packaging method and process 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], 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], 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)
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于大数据技术的特钢棒材多工序工艺质量监控与诊断方法，主要依托大数据技术、数据挖掘等技术。首先，通过特钢棒材轧制历史数据建立适应现场定制化生产要求的特钢棒材各项工艺产品质量标准规则库；其次，为获得真实可靠的数据，对现场收集的原始过程数据进行清洗，剔除异常数据，获得高质量的目标数据源，通过自动化、智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台；最后，采用朴素贝叶斯分类（NBC）方法对预处理后的数据集进行特征分析与分类，从大量特钢棒材轧制数据中获得有效的、真实可靠的数据信息，结合核主成分分析（KPCA）方法实现基于核方法的特钢棒材多工序工艺质量监控诊断与异常追溯。
Description
技术领域
本发明涉及一种大数据监控与诊断技术领域，特别是涉及一种基于大数据技术的特钢棒材质量监控与诊断方法。
背景技术
由于特钢棒材用途十分广泛，因此对其质量要求也各不相同。根据特钢棒材用途的不同，对其力学强度、冷加工性能、热加工性能、易切削性能和耐磨耗性能等不同性能特征也各有偏重。总体要求是：提高特钢棒材内部质量，根据深加工的种类，材料本身应具有合适的性能，以减少深加工工序，提高最终产品的使用性能。钢铁工业是自动化程度较高的流程工业之一，特钢棒材精整过程由矫直、倒棱与探伤等多个工序构成，存在诸多转运频繁、环境恶劣、安全风险大的作业过程，急需推动工业机器人的工程化应用，进一步提升生产效率和产品质量。然而，目前随着市场竞争愈演愈烈，以及对特钢棒材质量的要求越来越严格，原始的特钢棒材质量监控与诊断方法已不足以满足其要求。大数据技术是现代科学与技术发展，尤其是计算机科学技术发展的一项重要成果，是科学发展史的又一个里程碑。同时，大数据技术又是一项面向实际应用的技术，其技术的精髓就是从大量数据中获得有效的、有价值的、以及真实可靠的数据信息，通过数据库技术以及数据挖掘与分析等技术能够很好地解决特钢棒材实际生产过程中的质量监控与诊断问题。
发明内容
针对上述特钢棒材生产过程中的质量参差不齐问题，本发明提供了一种能够很好地解决该问题的基于大数据技术的特钢棒材质量在线监控与诊断方法。
具体采用的技术方案为：
一种基于大数据技术的特钢棒材质量监控与诊断方法，包括下列步骤：
S1、结合实际现场轧制工艺建立适应现场定制化生产要求的特钢棒材各项工艺产品质量规则库；
S2、通过自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台；
S3、采用基于聚类模式的数据清洗模型进行在线数据清洗，并对清洗后的数据进行转换处理；
S4、采用NBC方法对大数据进行特征分析处理，并结合KPCA方法建立基于核方法的生产过程质量监控及异常追溯模型，实现对特钢棒材多工序生产过程工艺质量监控与诊断。
所述S1中运用历史数据建立特钢棒材质量监控与诊断标准数据库包括：特钢棒材轧制历史数据以及根据大量历史数据建立满足现场要求的特钢棒材直径、轮廓以及矫直、倒棱、抛丸、探伤、修磨以及打包等过程多项质量指标准则和标准数据库。
所述S2中通过自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台包括下列步骤：
S2.1、首先设定所需检测的特钢棒材质量标准数据特征信息，包括棒材拆捆、喷漆、标准样取放、直径、轮廓以及矫直、倒棱、抛丸、探伤、修磨、涂油、贴标及成品取放等过程机器人功能，配置各类型智能机器人；
S2.2、研究特钢棒材矫直后其平直度检测技术、倒棱后端面质量检测技术以及探伤后表面缺陷定位技术，实现棒材矫直、倒棱、修磨过程的在线数据采集以及在线反馈控制；
S2.3、通过特钢棒材结构光畸变点高精度、双目图像立体特征匹配、直线动态追踪、数据深度学习等技术，完成对成捆特钢棒材绑丝的自动识别、测距、直径高精度检测以及棒材端面中心的识别定位，实现特钢棒材全流程的信息传递；
S2.4、联合探伤机检测信息，采用末端执行器的视觉识别技术和相关智能算法，实现对特钢棒材局部缺陷的精确定位和特征识别；
S2.5、开发特钢棒材侧面的机器人涂油技术和端面的机器人喷漆工艺，满足棒材不同喷涂的质量要求；
S2.6、采用基于视觉传感器、红外及各类测距传感器的障碍检测以及基于模型的障碍预测等多种方式结合的信息化技术，实现机器人与人、机器人与设备、机器人与机器人之间的障碍自主规避，保证人、设备、机器人间的安全协作及高效运转；
S2.7、通过以上自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台。
所述S3中采用基于聚类模式的数据清洗模型进行在线数据清洗（如图4所示），剔除异常数据，避免噪声干扰，并对清洗后的数据进行转换处理，公式如下：
其中，MaxA，MinA分别表示属性A的最大值与最小值。
所述S4中采用NBC方法对大数据进行分析处理并结合KPCA方法建立基于核方法的生产过程质量监控及异常追溯模型（如图2、3所示），实现特钢棒材多工序生产过程工艺质量监控与诊断，其中，NBC方法对数据特征信息进行分类及处理过程包括如下步骤：
S4.1、用一个n维特征向量X=[x1，x2,…,xn]表示每个数据样本，n维特征向量分别描述n个属性A1,A2,L,An样本的n个度量；
S4.2、假定有m个类C1，C2,…，Cm，给定一个未知的数据样本X，分类器将预测X属于最高后验概率的类；
S4.3、计算
；
S4.4、给定样本的类标号，假定属性值相互条件独立，有：
其中，概率
可由学习样本估值；
S4.5、对未知样本进行分类；
其中，
是高斯分布函数，
分别为平均值和标准差。
附图说明
图1为本发明的总体工作流程图；
图2为本发明KPCA方法的特钢棒材质量监控及异常追溯工作流程图；
图3为本发明NBC方法流程图；
图4为本发明数据清洗过程流程图；
具体实施方式
1、运用目前已有的特钢棒材轧制历史数据通过自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程集成数据信息平台，建立满足实际现场要求的特钢棒材各项质量监控与诊断标准数据库。
2、为了获得真实可靠且有效的数据信息，必须对现场收集的原始过程数据进行处理，以剔除其异常数据，避免噪声干扰，提高数据质量。
2.1、利用智能工业机器人以及自动化检测装置等在线全程时时数据采集，包括棒材拆捆、喷漆、标准样取放、直径、轮廓以及矫直、倒棱、抛丸、探伤、修磨、涂油、贴标及成品取放等过程全流程数据信息；
2.2、采用基于聚类模式的数据清洗模型（如图4所示），对采集的过程数据进行清洗，剔除异常数据，避免噪声干扰，从而获得有效的、高质量的目标数据源。
3、在线数据转换可将原始数据转换成合适的数据分析形式，根据需要构造出数据的新属性，从而更好地了解以及分析数据信息。具体数据转换公式如下：
其中，MaxA，MinA分别表示属性A的最大值与最小值。
4、采用NBC方法对大数据进行分析；
4.1、用一个n维特征向量X=[x1，x2,…,xn]表示每个数据样本，n维特征向量分别描述n个属性A1,A2,L,An样本的n个度量；
4.2、假定有m个类C1，C2,…，Cm，给定一个未知的数据样本X，分类器将预测X属于最高后验概率的类；
4.3、计算
；
4.4、给定样本的类标号，假定属性值相互条件独立，有：
其中，概率
可由学习样本估值；
4.5、对未知样本进行分类；
其中，
是高斯分布函数，
分别为平均值和标准差。
Claims (5)
1.一种基于大数据技术的特钢棒材多工序工艺质量监控与诊断方法，其特征在于：包括下列步骤：
S1、结合实际现场轧制工艺建立适应现场定制化生产要求的特钢棒材各项工艺产品质量标准规则库；
S2、通过自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台；
S3、采用基于聚类模式的数据清洗模型进行在线数据清洗，并对清洗后的数据进行转换处理；
S4、采用NBC方法对大数据进行特征分析处理，并结合KPCA方法建立基于核方法的生产过程质量监控及异常追溯模型，实现对特钢棒材多工序生产过程工艺质量监控与诊断。
2.根据权利要求1所述的一种基于大数据技术的特钢棒材质量监控与诊断方法，其特征在于：所述S1中运用历史数据建立特钢棒材质量监控与诊断标准数据库包括：特钢棒材轧制历史数据以及根据大量历史数据建立满足现场要求的特钢棒材拆捆、喷漆、标准样取放、直径、轮廓以及矫直、倒棱、抛丸、探伤、修磨、涂油、贴标及成品取放等全过程多项质量指标准则和质量标准数据库。
3.根据权利要求1所述的一种基于大数据技术的特钢棒材质量监控与诊断方法，其特征在于：所述S2中通过自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台（如图1所示）包括下列步骤：
S2.1、首先设定所需检测的特钢棒材质量标准数据特征信息，包括棒材拆捆、喷漆、标准样取放、直径、轮廓以及矫直、倒棱、抛丸、探伤、修磨、涂油、贴标及成品取放等过程机器人功能，配置各类型智能机器人；
S2.2、研究矫直后特钢棒材直线度检测技术、倒棱后端面质量检测技术以及探伤后表面缺陷定位技术，实现矫直、倒棱、修磨过程的在线反馈控制；
S2.3、通过特钢棒材结构光畸变点高精度、双目图像立体特征匹配、直线动态追踪、数据深度学习等技术，实现对成捆特钢棒材绑丝的自动识别、测距、直径检测以及棒材端面中心的识别定位，实现特钢棒材全流程的信息传递；
S2.4、联合探伤机检测信息，采用末端执行器的视觉识别技术和相关智能算法，实现对特钢棒材局部缺陷的精确定位和特征识别；
S2.5、开发特钢棒材侧面的机器人涂油技术和端面的机器人喷漆工艺，满足棒材不同喷涂的质量要求；
S2.6、采用基于视觉传感器、红外及各类测距传感器的障碍检测以及基于模型的障碍预测等多种方式结合的信息化技术，实现机器人与人、机器人与设备、机器人与机器人之间的障碍自主规避，确保人、设备、机器人间的安全协作及高效运转；
S2.7、通过以上自动化、信息化和智能化技术构建特钢棒材轧制工艺全流程数据集成以及质量监控信息平台。
4.根据权利要求1所述的一种基于大数据技术的特钢棒材质量监控与诊断方法，其特征在于：所述S3中采用基于聚类模式的数据清洗模型进行在线数据清洗（如图4所示），剔除异常数据，避免噪声干扰，并对清洗后的数据进行转换处理，公式如下：
其中，MaxA，MinA分别表示属性A的最大值与最小值。
5.根据权利要求1所述的一种基于大数据技术的特钢棒材质量监控与诊断方法，其特征在于：所述S4中采用NBC方法对大数据进行分析处理并结合KPCA方法建立基于核方法的生产过程质量监控及异常追溯模型（如图2、3所示），实现特钢棒材多工序生产过程工艺质量监控与诊断，其中，NBC方法对数据特征信息进行分类及处理过程包括如下步骤：
S4.1、用一个n维特征向量X=[x1，x2，L,xn]表示每个数据样本，n维特征向量分别描述n个属性A1,A2,L,An样本的n个度量；
S4.2、假定有m个类C1，C2，L，Cm，给定一个未知的数据样本X，分类器将预测X属于最高后验概率的类；
S4.3、计算
；
S4.4、给定样本的类标号，假定属性值相互条件独立，有：
其中，概率
可由学习样本估值；
S4.5、对未知样本进行分类；
其中，
是高斯分布函数，
分别为平均值和标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110900741.5A CN113589776B (zh) | 2021-08-06 | 2021-08-06 | 一种基于大数据技术的特钢棒材质量监控与诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110900741.5A CN113589776B (zh) | 2021-08-06 | 2021-08-06 | 一种基于大数据技术的特钢棒材质量监控与诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113589776A true CN113589776A (zh) | 2021-11-02 |
| CN113589776B CN113589776B (zh) | 2024-02-09 |
Family
ID=78255812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110900741.5A Active CN113589776B (zh) | 2021-08-06 | 2021-08-06 | 一种基于大数据技术的特钢棒材质量监控与诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113589776B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742481A (zh) * | 2022-06-10 | 2022-07-12 | 苏州翔楼新材料股份有限公司 | 一种基于成分的特钢性能评估方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002191345A (ja) * | 2000-12-25 | 2002-07-09 | Jt Tohsi Inc | 棒状物品の品質管理システム |
| CN102915013A (zh) * | 2012-10-19 | 2013-02-06 | 冶金自动化研究设计院 | 一种钢铁企业质量信息平台 |
| CN105843191A (zh) * | 2016-04-08 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种双通道滤棒成型工艺质量分析和追溯系统 |
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| CN110209128A (zh) * | 2019-04-28 | 2019-09-06 | 山东钢铁集团有限公司 | 一种钢铁制造多业务智能协同管控系统及实现装置 |
| CN111985852A (zh) * | 2020-09-10 | 2020-11-24 | 山东钢铁集团日照有限公司 | 一种基于工业大数据的多业务协同质量管控系统构架方法 |
| CN112101439A (zh) * | 2020-09-09 | 2020-12-18 | 浙江大学 | 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法 |
| DE102019209110A1 (de) * | 2019-06-24 | 2020-12-24 | Sms Group Gmbh | Industrielle Anlage, insbesondere Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie und Verfahren zum Betreiben einer industriellen Anlage, insbesondere einer Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie |
| CN112200104A (zh) * | 2020-10-15 | 2021-01-08 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
-
2021
- 2021-08-06 CN CN202110900741.5A patent/CN113589776B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002191345A (ja) * | 2000-12-25 | 2002-07-09 | Jt Tohsi Inc | 棒状物品の品質管理システム |
| CN102915013A (zh) * | 2012-10-19 | 2013-02-06 | 冶金自动化研究设计院 | 一种钢铁企业质量信息平台 |
| CN105843191A (zh) * | 2016-04-08 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种双通道滤棒成型工艺质量分析和追溯系统 |
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| CN110209128A (zh) * | 2019-04-28 | 2019-09-06 | 山东钢铁集团有限公司 | 一种钢铁制造多业务智能协同管控系统及实现装置 |
| DE102019209110A1 (de) * | 2019-06-24 | 2020-12-24 | Sms Group Gmbh | Industrielle Anlage, insbesondere Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie und Verfahren zum Betreiben einer industriellen Anlage, insbesondere einer Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie |
| CN114026511A (zh) * | 2019-06-24 | 2022-02-08 | Sms集团有限公司 | 工业设施、特别是金属生产工业或铝或钢铁工业的设施和用于运行工业设施、特别是金属生产工业或铝或钢铁工业的设施的方法 |
| CN112101439A (zh) * | 2020-09-09 | 2020-12-18 | 浙江大学 | 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法 |
| CN111985852A (zh) * | 2020-09-10 | 2020-11-24 | 山东钢铁集团日照有限公司 | 一种基于工业大数据的多业务协同质量管控系统构架方法 |
| CN112200104A (zh) * | 2020-10-15 | 2021-01-08 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱兴统: "基于核主成分分析和朴素贝叶斯的滚动轴承故障诊断", 现代计算机, pages 18 - 22 * |
| 马立峰: "智能化特钢棒材精整单元一体化设计与关键技术开发", 第十届中国金属学会青年学术年会暨第四届辽宁青年科学家论坛会议指南 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742481A (zh) * | 2022-06-10 | 2022-07-12 | 苏州翔楼新材料股份有限公司 | 一种基于成分的特钢性能评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113589776B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dowllng et al. | Statistical issues in geometric feature inspection using coordinate measuring machines | |
| Morala-Argüello et al. | A evaluation of surface roughness classes by computer vision using wavelet transform in the frequency domain | |
| CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
| Konstantinidis et al. | The role of machine vision in industry 4.0: an automotive manufacturing perspective | |
| CN112497219B (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
| Lutz et al. | Evaluation of deep learning for semantic image segmentation in tool condition monitoring | |
| CN113589776A (zh) | 一种基于大数据技术的特钢棒材质量监控与诊断方法 | |
| Schmitt et al. | Machine vision system for inspecting flank wear on cutting tools | |
| CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
| Eger et al. | Part variation modeling in multi-stage production systems for zero-defect manufacturing | |
| Konstantinidis et al. | A technology maturity assessment framework for industry 5.0 machine vision systems based on systematic literature review in automotive manufacturing | |
| Wang et al. | Towards smart remanufacturing and maintenance of machinery-review of automated inspection, condition monitoring and production optimisation | |
| Yang et al. | Automatic extraction and identification of narrow butt joint based on ANFIS before GMAW | |
| Ly Duc et al. | Zero defect manufacturing using digital numerical control | |
| Jourdan et al. | A computer vision system for saw blade condition monitoring | |
| CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
| Bagga et al. | Experimental investigation of different NN approaches for tool wear prediction based on vision system in turning of AISI 1045 steel | |
| Hassan et al. | An artificial intelligent manufacturing process for high-quality low-cost production | |
| Armingol et al. | Statistical pattern modeling in vision-based quality control systems | |
| Zhou et al. | Automated detection of surface defects on sphere parts using laser and CDD measurements | |
| Brysch et al. | Single system for online monitoring and inspection of automated fiber placement with object segmentation by artificial neural networks | |
| Myshkin et al. | Morphology: Texture, shape, and color of friction surfaces and wear debris in tribodiagnostics problems | |
| CN116309556A (zh) | 一种基于机器视觉技术的钢构件成品质量管理方法 | |
| Reyna et al. | Product Digital Quality Inspection using Machine Vision Systems–A Categorical Review | |
| Junaid et al. | In-Process Measurement in Manufacturing Processes |
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 |