CN113681014A - 一种金属粉末加工设备的智能调控方法及系统 - Google Patents
一种金属粉末加工设备的智能调控方法及系统 Download PDFInfo
- Publication number
- CN113681014A CN113681014A CN202111235941.XA CN202111235941A CN113681014A CN 113681014 A CN113681014 A CN 113681014A CN 202111235941 A CN202111235941 A CN 202111235941A CN 113681014 A CN113681014 A CN 113681014A
- Authority
- CN
- China
- Prior art keywords
- metal powder
- information
- image information
- obtaining
- processing equipment
- 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
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F9/00—Making metallic powder or suspensions thereof
- B22F9/02—Making metallic powder or suspensions thereof using physical processes
- B22F9/04—Making metallic powder or suspensions thereof using physical processes starting from solid material, e.g. by crushing, grinding or milling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F9/00—Making metallic powder or suspensions thereof
- B22F9/02—Making metallic powder or suspensions thereof using physical processes
- B22F9/04—Making metallic powder or suspensions thereof using physical processes starting from solid material, e.g. by crushing, grinding or milling
- B22F2009/045—Making metallic powder or suspensions thereof using physical processes starting from solid material, e.g. by crushing, grinding or milling by other means than ball or jet milling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F2999/00—Aspects linked to processes or compositions used in powder metallurgy
Landscapes
- Powder Metallurgy (AREA)
Abstract
本申请公开了一种金属粉末加工设备的智能调控方法及系统,所述方法包括:通过获得第一图像信息和第二图像信息确定所述金属粉末的颗粒度;进一步提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;利用碾磨方向调控模型得到第一输出结果;获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。解决了现有技术中存在金属粉末加工设备无法基于粉末颗粒实时状态动态调节碾磨方向,导致加工制备的金属粉末颗粒均匀度低,从而影响金属粉末表面形貌、粒度分布及比表面积等性能参数,进一步影响金属粉末实际应用的技术问题。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种金属粉末加工设备的智能调控方法及系统。
背景技术
金属粉末是指尺寸小于1mm的金属颗粒群,包括单一金属粉末、合金粉末以及具有金属性质的某些难熔化合物粉末,是粉末冶金的主要原材料。通常将金属粉末加工制造方法按照转变的作用原理分为机械法和物理化学法两类,即既可从固、液、气态金属直接细化获得,又可从其不同状态下的金属化合物经还原、热解、电解而转变制取。
其中,机械法主要适用于粉碎脆性的、易加工硬化的金属和合金,如锡、锰、铬、高碳铁、铁合金等;也用来破碎还原法制得的海绵状金属、电解法制取的阴极沉积物;还用于破碎氢化后发脆的钛,然后再脱氢制取细钛粉。在利用机械法制备金属粉末的过程中,首先需要利用碾碎机、辊轧机、颚式破碎机等粗碎设备对待加工物进行压碎,之后再利用锤碎机、棒磨机、球磨机、振动球磨机、搅动球磨机等细碎设备对粗碎处理后得到的金属碎块进一步击碎并磨削。
本申请发明人在实现本申请实施例中技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在金属粉末加工设备无法基于粉末颗粒实时状态动态调节碾磨方向,导致加工制备的金属粉末颗粒均匀度低,从而影响金属粉末表面形貌、粒度分布及比表面积等性能参数,进一步影响金属粉末实际应用的技术问题。
发明内容
有鉴于此,本申请实施例通过提供一种金属粉末加工设备的智能调控方法及系统,所述方法包括:通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;根据所述第一输出结果获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。解决了现有技术中存在金属粉末加工设备无法基于粉末颗粒实时状态动态调节碾磨方向,导致加工制备的金属粉末颗粒均匀度低,从而影响金属粉末表面形貌、粒度分布及比表面积等性能参数,进一步影响金属粉末实际应用的技术问题。达到了基于粉末颗粒实时状态动态调节在金属粉末加工设备的碾磨方向,从而提高金属粉末加工设备的工作效率,并确保金属粉末成品颗粒均匀的技术效果。
鉴于上述问题,本申请实施例提供了一种金属粉末加工设备的智能调控方法及系统。
第一方面,本申请提供了一种金属粉末加工设备的智能调控方法,所述方法通过一种金属粉末加工设备的智能调控系统实现,其中,所述方法包括:通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;根据所述第一输出结果获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
另一方面,本申请还提供了一种金属粉末加工设备的智能调控系统,用于执行如第一方面所述的一种金属粉末加工设备的智能调控方法,其中,所述系统包括:第一获得单元:所述第一获得单元用于通过第一图像采集装置和第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;第一确定单元:所述第一确定单元用于根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;第一提取单元:所述第一提取单元用于根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;第一构建单元:所述第一构建单元用于根据线性回归模型构建研磨方向调控模型;第二获得单元:所述第二获得单元用于将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;第三获得单元:所述第三获得单元用于根据所述第一输出结果获得第一控制信号;第一执行单元:所述第一执行单元用于根据所述第一控制信号控制金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
第三方面,本申请实施例还提供了一种金属粉末加工设备的智能调控系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;根据所述第一输出结果获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。达到了基于粉末颗粒实时状态动态调节在金属粉末加工设备的碾磨方向,从而提高金属粉末加工设备的工作效率,并确保金属粉末成品颗粒均匀的技术效果。
2.通过两图像采集装置在相同光照条件下采集到的金属粉末不同角度的图像信息,并提取相同光照条件下金属粉末颗粒不同角度的漫反射特征,进一步得到不同角度金属粉末的碾磨情况,最终金属粉末颗粒度估算模型智能化分析金属粉末颗粒各角度漫反射情况后,得到对应金属粉末的颗粒度。通过控制两装置采集图像时的光照条件一致,降低了光照对图像采集结果的影响,从而减少了采集结果的误差,进一步提高了金属粉末颗粒度估算模型估算金属粉末颗粒度的精度,最终提高了金属粉末加工设备的智能调控系统的准确性。
3.基于所述结块程度信息与所述金属粉末的流动速度的映射关系,可以得到金属粉末在不同流动速度下对应结块程度信息,进一步对金属粉末加工设备的研磨速度进行调整。达到了基于金属粉末结块程度智能化的调整金属粉末研磨的速度,从而避免了金属粉末结块的发生,最终提高了金属粉末成品质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例一种金属粉末加工设备的智能调控方法的流程示意图;
图2为本申请实施例一种金属粉末加工设备的智能调控方法中根据线性回归模型在所述二维直角坐标系构建逻辑回归线的流程示意图;
图3为本申请实施例一种金属粉末加工设备的智能调控方法中获得所述金属粉末的颗粒度的流程示意图;
图4为本申请实施例一种金属粉末加工设备的智能调控方法中根据所述第一流动速度和所述映射关系,确定所述金属粉末的第一结块程度信息的流程示意图;
图5为本申请实施例一种金属粉末加工设备的智能调控系统的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:
第一获得单元11,第一确定单元12,第一提取单元13,第一构建单元14,第二获得单元15,第三获得单元16,第一执行单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种金属粉末加工设备的智能调控方法及系统,解决了现有技术中存在金属粉末加工设备无法基于粉末颗粒实时状态动态调节碾磨方向,导致加工制备的金属粉末颗粒均匀度低,从而影响金属粉末表面形貌、粒度分布及比表面积等性能参数,进一步影响金属粉末实际应用的技术问题。达到了基于粉末颗粒实时状态动态调节金属粉末加工设备的碾磨方向,从而提高金属粉末加工设备的工作效率,并确保金属粉末成品颗粒均匀的技术效果。
下面,将参考附图对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
金属粉末是指尺寸小于1mm的金属颗粒群,包括单一金属粉末、合金粉末以及具有金属性质的某些难熔化合物粉末,是粉末冶金的主要原材料。通常将金属粉末加工制造方法按照转变的作用原理分为机械法和物理化学法两类,即既可从固、液、气态金属直接细化获得,又可从其不同状态下的金属化合物经还原、热解、电解而转变制取。
其中,机械法主要适用于粉碎脆性的、易加工硬化的金属和合金,如锡、锰、铬、高碳铁、铁合金等;也用来破碎还原法制得的海绵状金属、电解法制取的阴极沉积物;还用于破碎氢化后发脆的钛,然后再脱氢制取细钛粉。在利用机械法制备金属粉末的过程中,首先需要利用碾碎机、辊轧机、颚式破碎机等粗碎设备对待加工物进行压碎,之后再利用锤碎机、棒磨机、球磨机、振动球磨机、搅动球磨机等细碎设备对粗碎处理后得到的金属碎块进一步击碎并磨削。
现有技术中存在金属粉末加工设备无法基于粉末颗粒实时状态动态调节碾磨方向,导致加工制备的金属粉末颗粒均匀度低,从而影响金属粉末表面形貌、粒度分布及比表面积等性能参数,进一步影响金属粉末实际应用的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种金属粉末加工设备的智能调控方法,所述方法应用于一种金属粉末加工设备的智能调控系统,其中,所述方法包括:通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;根据所述第一输出结果获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1,本申请实施例提供了一种金属粉末加工设备的智能调控方法,其中,所述方法应用于一智能调控系统,所述智能调控系统包括第一图像采集装置和第二图像采集装置,所述智能调控系统安装于一金属粉末加工设备上,所述方法具体包括如下步骤:
步骤S100:通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;
具体而言,所述金属粉末加工设备的智能调控方法用于所述金属粉末加工设备的智能调控系统,将所述金属粉末加工设备的智能调控系统安装在所述金属粉末加工设备上,可以基于粉末颗粒实时状态动态调节金属粉末加工设备的碾磨方向,使金属粉末成品的颗粒均匀,同时可以提高金属粉末加工设备的工作效率,降低设备能耗。所述第一图像采集装置和所述第二图像采集装置均为智能摄像头,且均安装于所述金属粉末加工设备的智能调控系统上,用于实时采集金属粉末加工图像。
所述第一图像采集装置和所述第二图像采集装置采集金属粉末加工图像的角度不同,即所述第一图像采集装置从第一角度采集得到金属粉末加工图像,定为所述第一图像信息;所述第二图像采集装置从第二角度采集得到金属粉末加工图像,定为所述第二图像信息。其中,所述第一角度是指任一对金属粉末加工图像进行采集时的角度;所述第二角度是指与所述第一角度不同的任一对金属粉末加工图像进行采集时的角度。
利用两个图像采集装置,可以得到金属粉末在不同角度下的两组图像信息,通过分析图像信息达到了明确金属粉末颗粒情况的技术效果。
步骤S200:根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;
步骤S300:根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;
具体而言,所述第一图像信息和所述第二图像信息中均包括金属粉末颗粒粗细、大小、形状等碾磨情况。通过所述金属粉末加工设备的智能调控系统智能化分析可以得到金属粉末的粗细情况,即所述颗粒度。进一步的,可以得到当前碾磨的金属粉末不同角度的碾磨情况,碾磨得到的不同角度金属粉末的颗粒特征分别记作所述第一颗粒特征信息和第二颗粒特征信息。通过分析摄像头采集到的不同角度的金属粉末颗粒情况,可以分别得到不同角度金属粉末的碾磨情况,进一步分析得到不同角度对应的颗粒特征,从而了解金属粉末碾磨进度,进一步明确碾磨后颗粒的形状、大小等特征,为后续基于现有碾磨情况进行碾磨调整提供信息基础。
步骤S400:根据线性回归模型构建研磨方向调控模型;
具体而言,所述线性回归模型嵌入在所述金属粉末加工设备的智能调控系统中,是基于当前金属粉末碾磨情况构建的金属粉末碾磨颗粒特征的回归模型。基于所述线性回归模型,金属粉末加工设备的智能调控系统可实现自动化分析金属粉末碾磨情况的技术目标,进一步基于现有碾磨情况可以构建研磨相关模型,用于动态调整金属粉末加工设备的碾磨方向,即所述研磨方向调控模型。通过实时记录金属粉末碾磨信息并采集金属粉末碾磨图像,构建了线性回归模型,进一步基于线性回归模型构建得到研磨方向调控模型,从而实现了基于粉末颗粒实时状态动态调节金属粉末加工设备的碾磨方向的技术效果。
步骤S500:将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;
具体而言,将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,所述碾磨方向调控模型智能分析可以获得第一输出结果。其中,所述第一输出结果包括第一碾磨方向或第二碾磨方向,且所述第一碾磨方向与所述第二碾磨方向不同。通过碾磨方向调控模型,可以准确甄别金属粉末颗粒的碾磨方向,并基于当前碾磨得到的金属粉末颗粒情况,进一步得到后续碾磨方案,达到了提高金属粉末的颗粒均匀度,同时提高制备效率的技术效果。
步骤S600:根据所述第一输出结果获得第一控制信号;
步骤S700:根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
具体而言,基于所述碾磨方向调控模型智能化分析得到的所述第一输出结果,所述金属粉末加工设备的智能调控系统自动发出控制金属粉末碾磨方向的信号,即所述第一控制信号。所述第一控制信号可对所述金属粉末加工设备的电机进行自动控制,从而控制所述金属粉末加工设备的驱动方向,最终实现基于粉末颗粒实时状态动态调节金属粉末加工设备的碾磨方向,从而提高金属粉末加工设备的工作效率的技术目标。达到了计算机辅助自动化提高金属粉末成品颗粒均匀度的技术效果。
进一步的,如附图2所示,本申请实施例步骤S400还包括:
步骤S410:将所述第一颗粒特征信息作为横坐标;
步骤S420:将所述第二颗粒特征信息作为纵坐标构建二维直角坐标系;
步骤S430:根据线性回归模型在所述二维直角坐标系构建逻辑回归线,其中,所述逻辑回归线的一侧代表所述第一碾磨方向,所述逻辑回归线的另一侧代表所述第二碾磨方向,所述第一碾磨方向与所述第二碾磨方向不同。
具体而言,以所述第一颗粒特征信息作为横坐标,且以所述第二颗粒特征信息作为纵坐标构建二维直角坐标系。基于当前金属粉末碾磨情况构建的金属粉末碾磨颗粒特征的回归模型可在所述二维直角坐标系中得到一条逻辑回归线。其中,所述逻辑回归线的一侧代表与所述第一颗粒特征信息对应的所述第一碾磨方向,所述逻辑回归线的另一侧代表与所述第一颗粒特征信息对应的所述第二碾磨方向,且所述第一碾磨方向与所述第二碾磨方向不同。达到了基于不同角度金属粉末碾磨情况动态调整金属粉末加工设备后续进行碾磨时碾磨方向的技术效果。
进一步的,如附图3所示,本申请实施例步骤S200还包括:
步骤S210:在所述第一光源按照第一入射角对所述金属粉末进行照射的光照条件下,通过所述第一图像采集装置从所述第一角度采集所述第一图像信息,通过所述第二图像采集装置从所述第二角度采集所述第二图像信息;
步骤S220:根据对所述第一图像信息和所述第二图像信息进行漫反射特征提取,获得第一漫反射特征和第二漫反射特征;
步骤S230:将所述第一漫反射特征和所述第二漫反射特征输入金属粉末颗粒度估算模型,获得所述金属粉末的所述颗粒度。
具体而言,所述金属粉末加工设备的智能调控系统在所述第一光源下进行金属粉末图像采集等相关操作。其中,所述第一光源为任一自然或人造光源。在所述第一光源按照第一入射角对所述金属粉末进行照射的光照条件下,所述第一图像采集装置从所述第一角度采集所述第一图像信息,同样的,所述第二图像采集装置从所述第二角度采集所述第二图像信息。其中,所述第一图像采集装置和所述第二图像采集装置分别从所述第一角度和所述第二角度采集金属粉末碾磨图像时,两装置均处于所述第一光源按照第一入射角对所述金属粉末进行照射的光照条件下,也就是说,两装置采集图像时的光照条件一致,从而控制光照对图像采集结果的影响相同,进一步降低了采集结果的误差,最终提高了碾磨方向调控模型的精度。
进一步的,根据对所述第一图像信息和所述第二图像信息进行漫反射特征提取,获得所述第一图像信息对应的所述第一漫反射特征和所述第二图像信息对应的所述第二漫反射特征。其中,所述漫反射是投射在金属粉末颗粒表面上的光向各个方向反射的现象。通过提取不同角度金属粉末图像的漫反射特征,并将其输入金属粉末颗粒度估算模型,金属粉末颗粒度估算模型即可基于不同角度颗粒表面的漫反射情况分析得到对应角度金属颗粒表面与标准平面的夹角,进一步得到金属颗粒对应角度下碾磨角度、碾磨程度等相关信息。其中,所述标准平面为与地面平行的任一平面。进一步的,可以得到所述金属粉末的所述颗粒度。
通过两图像采集装置在相同光照条件下采集到的金属粉末不同角度的图像信息,并提取相同光照条件下金属粉末颗粒不同角度的漫反射特征,进一步得到不同角度金属粉末的碾磨情况,最终金属粉末颗粒度估算模型智能化分析金属粉末颗粒各角度漫反射情况后,得到对应金属粉末的颗粒度。通过控制两装置采集图像时的光照条件一致,降低了光照对图像采集结果的影响,从而减少了采集结果的误差,进一步提高了金属粉末颗粒度估算模型估算金属粉末颗粒度的精度,最终提高了金属粉末加工设备的智能调控系统的准确性。
进一步的,本申请实施例步骤S230还包括:
步骤S231:将所述第一漫反射特征和所述第二漫反射特征作为输入信息输入所述金属粉末颗粒度估算模型;
步骤S232:所述金属粉末颗粒度估算模型通过多组训练数据训练获得,其中,所述多组训练数据中的每组数据中都包括所述第一漫反射特征和所述第二漫反射特征和用于对所述颗粒度进行标识的标识信息;
步骤S233:获得所述金属粉末颗粒度估算模型的输出信息,所述输出信息包括所述金属粉末的所述颗粒度。
具体而言,所述金属粉末颗粒度估算模型通过多组训练数据训练获得。其中,所述多组训练数据中的每组数据中都包括所述第一漫反射特征和所述第二漫反射特征和用于对所述颗粒度进行标识的标识信息。将所述第一漫反射特征和所述第二漫反射特征作为输入信息输入所述金属粉末颗粒度估算模型,最终金属粉末颗粒度估算模型自动获得所述金属粉末颗粒度估算模型的输出信息。其中,所述输出信息包括所述金属粉末的所述颗粒度。通过对所述金属粉末颗粒度估算模型进行数据训练,使得所述金属粉末颗粒度估算模型处理输入数据更加准确,进而使得输出的金属粉末颗粒度信息也更加准确,达到了准确获得数据信息,提高评估结果智能化的技术效果。
进一步的,如附图4所示,本申请实施例步骤S800还包括:
步骤S810:获得所述金属粉末的结块程度信息;
步骤S820:获得所述结块程度信息与所述金属粉末的流动速度的映射关系;
步骤S830:获得所述金属粉末的第一流动速度;
步骤S840:根据所述第一流动速度和所述映射关系,确定所述金属粉末的第一结块程度信息;
步骤S850:根据所述第一结块程度信息,调整所述金属粉末加工设备的研磨速度。
具体而言,金属粉末加工设备的智能调控系统智能化获取所述金属粉末的结块程度信息,进一步得到金属粉末结块程度信息对应的金属粉末流动情况,并构建所述结块程度信息与所述金属粉末的流动速度的映射关系。
金属粉末加工设备的智能调控系统智能化获取金属粉末当前的流动速度,定为所述第一流动速度。基于所述结块程度信息与所述金属粉末的流动速度的映射关系,可以得到所述第一流动速度对应的金属粉末结块程度信息,即所述金属粉末的第一结块程度信息。进一步基于所述第一结块程度信息,金属粉末加工设备的智能调控系统智能化调整所述金属粉末加工设备的研磨速度。达到了基于金属粉末结块程度智能化的调整金属粉末研磨的速度,从而避免了金属粉末结块的发生,最终提高了金属粉末成品质量的技术效果。
进一步的,本申请实施例步骤S810还包括:
步骤S811:获得第一预定观察时段;
步骤S812:获得所述第一预定观察时段内的第一图像信息集合和第二图像信息集合;
步骤S813:对所述第一图像信息集合和所述第二图像信息集合进行结块度特征提取,获得第一结块程度集合和第二结块程度集合;
步骤S814:根据最小二乘法对所述第一结块程度集合和所述第二结块程度集合进行曲线拟合,获得所述金属粉末的所述结块程度信息。
具体而言,所述第一预定观察时段是指金属粉末加工设备的智能调控系统智能化分析得到的观察金属粉末研磨情况的时间,且所述第一预定观察时段提前在系统中进行设置,用于在预定时间内对金属粉末研磨情况进行自动观察。金属粉末加工设备的智能调控系统在所述第一预定观察时段利用第一图像采集装置和第二图像采集装置采集后得到金属粉末研磨情况后得到的图像信息即为所述第一预定观察时段内的第一图像信息集合和第二图像信息集合。
第一图像采集装置和第二图像采集装置自动将采集到的第一图像信息集合和第二图像信息集合发送给金属粉末加工设备的智能调控系统,通过对所述第一图像信息集合和所述第二图像信息集合中金属粉末结块度特征的提取,分别得到对应的第一结块程度集合和第二结块程度集合。进一步根据最小二乘法对所述第一结块程度集合和所述第二结块程度集合进行曲线拟合,可以得到所述金属粉末的所述结块程度信息。其中,所述最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。通过系统预定时间自动采集金属粉末图像并计算机辅助分析得到金属粉末实时结块程度信息,最终提高了金属粉末结块程度的估算精度。
进一步的,本申请实施例步骤S840还包括:
步骤S841:获得实时工作环境信息;
步骤S842:获得所述金属粉末的金属属性信息;
步骤S843:获得所述金属粉末加工设备的设备参数信息;
步骤S844:对所述工作环境信息、所述金属属性信息、所述设备参数信息进行特征融合,获得融合修正参数;
步骤S845:根据所述融合修正参数,对所述结块程度信息进行修正,获得第一结块程度信息。
具体而言,实际生产制造中,金属粉末的结块程度会受到周围环境、金属属性、加工设备等多种因素的影响。举例如当生产周围环境湿度较高时,金属粉末会更容易结块,而当空气干燥,周围环境湿度较低时,金属粉末相对不容易结块,不同种类金属、加工设备等均会有不同的结块影响。因此在基于金属粉末结块程度对金属粉末加工设备的速度进行调整时,应同时考虑环境因素的影响。
通过获得金属粉末加工周围环境的所述实时工作环境信息、所述金属粉末的金属属性信息、所述金属粉末加工设备的相关设备参数信息,并将所有相关信息进行特征融合,最终获得融合修正参数。进一步基于所述融合修正参数,对所述结块程度信息进行修正,修正后的金属粉末结块估算结果即为所述第一结块程度信息。
通过将周围环境、金属属性、加工设备等多种因素综合分析,并基于分析结果对金属粉末结块程度进行修正,最终得到更加准确的金属粉末实际结块程度信息,提高了估算结果准确性,进一步提高了金属粉末加工设备的智能调控系统调控的有效性。
综上所述,本申请实施例所提供的一种金属粉末加工设备的智能调控方法具有如下技术效果:
1.通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;根据所述第一输出结果获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。达到了基于粉末颗粒实时状态动态调节在金属粉末加工设备的碾磨方向,从而提高金属粉末加工设备的工作效率,并确保金属粉末成品颗粒均匀的技术效果。
2.通过两图像采集装置在相同光照条件下采集到的金属粉末不同角度的图像信息,并提取相同光照条件下金属粉末颗粒不同角度的漫反射特征,进一步得到不同角度金属粉末的碾磨情况,最终金属粉末颗粒度估算模型智能化分析金属粉末颗粒各角度漫反射情况后,得到对应金属粉末的颗粒度。通过控制两装置采集图像时的光照条件一致,降低了光照对图像采集结果的影响,从而减少了采集结果的误差,进一步提高了金属粉末颗粒度估算模型估算金属粉末颗粒度的精度,最终提高了金属粉末加工设备的智能调控系统的准确性。
3.基于所述结块程度信息与所述金属粉末的流动速度的映射关系,可以得到金属粉末在不同流动速度下对应结块程度信息,进一步对金属粉末加工设备的研磨速度进行调整。达到了基于金属粉末结块程度智能化的调整金属粉末研磨的速度,从而避免了金属粉末结块的发生,最终提高了金属粉末成品质量的技术效果。
实施例二
基于与前述实施例中一种金属粉末加工设备的智能调控方法,同样发明构思,本发明还提供了一种金属粉末加工设备的智能调控系统,请参阅附图5,所述系统包括:
第一获得单元11:所述第一获得单元11用于通过第一图像采集装置和第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;
第一确定单元12:所述第一确定单元12用于根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;
第一提取单元13:所述第一提取单元13用于根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;
第一构建单元14:所述第一构建单元14用于根据线性回归模型构建研磨方向调控模型;
第二获得单元15:所述第二获得单元15用于将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;
第三获得单元16:所述第三获得单元16用于根据所述第一输出结果获得第一控制信号;
第一执行单元17:所述第一执行单元17用于根据所述第一控制信号控制金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
进一步的,所述系统还包括:
第一设置单元:所述第一设置单元用于将所述第一颗粒特征信息作为横坐标;
第二设置单元:所述第二设置单元用于将所述第二颗粒特征信息作为纵坐标构建二维直角坐标系;
第二构建单元:所述第二构建单元用于根据线性回归模型在所述二维直角坐标系构建逻辑回归线,其中,所述逻辑回归线的一侧代表所述第一碾磨方向,所述逻辑回归线的另一侧代表所述第二碾磨方向,所述第一碾磨方向与所述第二碾磨方向不同。
进一步的,所述系统还包括:
第一采集单元:所述第一采集单元用于在所述第一光源按照第一入射角对所述金属粉末进行照射的光照条件下,通过所述第一图像采集装置从所述第一角度采集所述第一图像信息,通过所述第二图像采集装置从所述第二角度采集所述第二图像信息;
第四获得单元:所述第四获得单元用于根据对所述第一图像信息和所述第二图像信息进行漫反射特征提取,获得第一漫反射特征和第二漫反射特征;
第五获得单元:所述第五获得单元用于将所述第一漫反射特征和所述第二漫反射特征输入金属粉末颗粒度估算模型,获得所述金属粉末的所述颗粒度。
进一步的,所述系统还包括:
第一输入单元:所述第一输入单元用于将所述第一漫反射特征和所述第二漫反射特征作为输入信息输入所述金属粉末颗粒度估算模型;
第六获得单元:所述第六获得单元用于所述金属粉末颗粒度估算模型通过多组训练数据训练获得,其中,所述多组训练数据中的每组数据中都包括所述第一漫反射特征和所述第二漫反射特征和用于对所述颗粒度进行标识的标识信息;
第七获得单元:所述第七获得单元用于获得所述金属粉末颗粒度估算模型的输出信息,所述输出信息包括所述金属粉末的所述颗粒度。
进一步的,所述系统还包括:
第八获得单元:所述第八获得单元用于获得所述金属粉末的结块程度信息;
第九获得单元:所述第九获得单元用于获得所述结块程度信息与所述金属粉末的流动速度的映射关系;
第十获得单元:所述第十获得单元用于获得所述金属粉末的第一流动速度;
第一确定单元:所述第一确定单元用于根据所述第一流动速度和所述映射关系,确定所述金属粉末的第一结块程度信息;
第一调整单元:所述第一调整单元用于根据所述第一结块程度信息,调整所述金属粉末加工设备的研磨速度。
进一步的,所述系统还包括:
第十一获得单元:所述第十一获得单元用于获得第一预定观察时段;
第十二获得单元:所述第十二获得单元用于获得所述第一预定观察时段内的第一图像信息集合和第二图像信息集合;
第十三获得单元:所述第十三获得单元用于对所述第一图像信息集合和所述第二图像信息集合进行结块度特征提取,获得第一结块程度集合和第二结块程度集合;
第十四获得单元:所述第十四获得单元用于根据最小二乘法对所述第一结块程度集合和所述第二结块程度集合进行曲线拟合,获得所述金属粉末的所述结块程度信息。
进一步的,所述系统还包括:
第十五获得单元:所述第十五获得单元用于获得实时工作环境信息;
第十六获得单元:所述第十六获得单元用于获得所述金属粉末的金属属性信息;
第十七获得单元:所述第十七获得单元用于获得所述金属粉末加工设备的设备参数信息;
第十八获得单元:所述第十八获得单元用于对所述工作环境信息、所述金属属性信息、所述设备参数信息进行特征融合,获得融合修正参数;
第十九获得单元:所述第十九获得单元用于根据所述融合修正参数,对所述结块程度信息进行修正,获得第一结块程度信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种金属粉末加工设备的智能调控方法和具体实例同样适用于本实施例的一种金属粉末加工设备的智能调控系统,通过前述对一种金属粉末加工设备的智能调控方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种金属粉末加工设备的智能调控系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种金属粉末加工设备的智能调控方法的发明构思,本发明还提供一种金属粉末加工设备的智能调控系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种金属粉末加工设备的智能调控方法的任一方法的步骤。
其中,在图6中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请提供了一种金属粉末加工设备的智能调控方法,所述方法应用于一种金属粉末加工设备的智能调控系统,其中,所述方法包括:通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;根据线性回归模型构建研磨方向调控模型;将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;根据所述第一输出结果获得第一控制信号;根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。解决了现有技术中存在金属粉末加工设备无法基于粉末颗粒实时状态动态调节碾磨方向,导致加工制备的金属粉末颗粒均匀度低,从而影响金属粉末表面形貌、粒度分布及比表面积等性能参数,进一步影响金属粉末实际应用的技术问题。达到了基于粉末颗粒实时状态动态调节金属粉末加工设备的碾磨方向,从而提高金属粉末加工设备的工作效率,并确保金属粉末成品颗粒均匀的技术效果。
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、装置、或计算机程序产品。因此,本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-0nly Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、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系统。
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系统的制造品,该指令系统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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种金属粉末加工设备的智能调控方法,其中,所述方法应用于一智能调控系统,所述智能调控系统包括第一图像采集装置和第二图像采集装置,所述智能调控系统安装于一金属粉末加工设备上,所述方法包括:
通过所述第一图像采集装置和所述第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;
根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;
根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;
根据线性回归模型构建碾磨方向调控模型;
将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;
根据所述第一输出结果获得第一控制信号;
根据所述第一控制信号控制所述金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
2.如权利要求1所述的方法,其中,所述根据线性回归模型构建碾磨方向调控模型,包括:
将所述第一颗粒特征信息作为横坐标;
将所述第二颗粒特征信息作为纵坐标构建二维直角坐标系;
根据线性回归模型在所述二维直角坐标系构建逻辑回归线,其中,所述逻辑回归线的一侧代表所述第一碾磨方向,所述逻辑回归线的另一侧代表所述第二碾磨方向,所述第一碾磨方向与所述第二碾磨方向不同。
3.如权利要求1所述的方法,其中,所述系统包括第一光源,所述第一光源对所述金属粉末进行照射,所述根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度,包括:
在所述第一光源按照第一入射角对所述金属粉末进行照射的光照条件下,通过所述第一图像采集装置从所述第一角度采集所述第一图像信息,通过所述第二图像采集装置从所述第二角度采集所述第二图像信息;
根据对所述第一图像信息和所述第二图像信息进行漫反射特征提取,获得第一漫反射特征和第二漫反射特征;
将所述第一漫反射特征和所述第二漫反射特征输入金属粉末颗粒度估算模型,获得所述金属粉末的所述颗粒度。
4.如权利要求3所述的方法,其中,将所述第一漫反射特征和所述第二漫反射特征输入金属粉末颗粒度估算模型,获得所述金属粉末的所述颗粒度,包括:
将所述第一漫反射特征和所述第二漫反射特征作为输入信息输入所述金属粉末颗粒度估算模型;
所述金属粉末颗粒度估算模型通过多组训练数据训练获得,其中,所述多组训练数据中的每组数据中都包括所述第一漫反射特征和所述第二漫反射特征和用于对所述颗粒度进行标识的标识信息;
获得所述金属粉末颗粒度估算模型的输出信息,所述输出信息包括所述金属粉末的所述颗粒度。
5.如权利要求1所述的方法,其中,所述方法还包括:
获得所述金属粉末的结块程度信息;
获得所述结块程度信息与所述金属粉末的流动速度的映射关系;
获得所述金属粉末的第一流动速度;
根据所述第一流动速度和所述映射关系,确定所述金属粉末的第一结块程度信息;
根据所述第一结块程度信息,调整所述金属粉末加工设备的碾磨速度。
6.如权利要求5所述的方法,其中,所述获得所述金属粉末的结块程度信息,包括:
获得第一预定观察时段;
获得所述第一预定观察时段内的第一图像信息集合和第二图像信息集合;
对所述第一图像信息集合和所述第二图像信息集合进行结块度特征提取,获得第一结块程度集合和第二结块程度集合;
根据最小二乘法对所述第一结块程度集合和所述第二结块程度集合进行曲线拟合,获得所述金属粉末的所述结块程度信息。
7.如权利要求5所述的方法,其中,所述方法还包括:
获得实时工作环境信息;
获得所述金属粉末的金属属性信息;
获得所述金属粉末加工设备的设备参数信息;
对所述工作环境信息、所述金属属性信息、所述设备参数信息进行特征融合,获得融合修正参数;
根据所述融合修正参数,对所述结块程度信息进行修正,获得第一结块程度信息。
8.一种金属粉末加工设备的智能调控系统,其中,所述系统包括:
第一获得单元:所述第一获得单元用于通过第一图像采集装置和第二图像采集装置分别从第一角度和第二角度获得第一图像信息和第二图像信息,所述第一图像信息和所述第二图像信息均为金属粉末的图像信息;
第一确定单元:所述第一确定单元用于根据所述第一图像信息和所述第二图像信息确定所述金属粉末的颗粒度;
第一提取单元:所述第一提取单元用于根据所述金属粉末的颗粒度,提取第一颗粒特征信息和第二颗粒特征信息;
第一构建单元:所述第一构建单元用于根据线性回归模型构建碾磨方向调控模型;
第二获得单元:所述第二获得单元用于将所述第一颗粒特征信息和所述第二颗粒特征信息输入所述碾磨方向调控模型,获得第一输出结果,所述第一输出结果包括第一碾磨方向或第二碾磨方向,其中,所述第一碾磨方向与所述第二碾磨方向不同;
第三获得单元:所述第三获得单元用于根据所述第一输出结果获得第一控制信号;
第一执行单元:所述第一执行单元用于根据所述第一控制信号控制金属粉末加工设备的电机按照所述第一输出结果对所述金属粉末加工设备进行驱动。
9.一种金属粉末加工设备的智能调控系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235941.XA CN113681014B (zh) | 2021-10-22 | 2021-10-22 | 一种金属粉末加工设备的智能调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235941.XA CN113681014B (zh) | 2021-10-22 | 2021-10-22 | 一种金属粉末加工设备的智能调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113681014A true CN113681014A (zh) | 2021-11-23 |
CN113681014B CN113681014B (zh) | 2022-03-15 |
Family
ID=78587773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235941.XA Active CN113681014B (zh) | 2021-10-22 | 2021-10-22 | 一种金属粉末加工设备的智能调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113681014B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115078049A (zh) * | 2022-08-19 | 2022-09-20 | 深圳市聚鑫视科技有限公司 | 一种金相样品自动制样研磨方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016123549A1 (en) * | 2015-01-29 | 2016-08-04 | Alcoa Inc. | Systems and methods for modelling additively manufactured bodies |
CN111282658A (zh) * | 2020-03-06 | 2020-06-16 | 西安今盛电气设备有限公司 | 废金属自动加工处理系统及方法 |
CN112934453A (zh) * | 2021-03-05 | 2021-06-11 | 日昌升建筑新材料设计研究院有限公司 | 一种圆锥破碎机排矿口智能控制系统及方法 |
CN113281273A (zh) * | 2021-05-20 | 2021-08-20 | 昆明理工大学 | 一种评价TiB2/Cu混合粉末中增强相分布均匀性程度的方法 |
CN113343179A (zh) * | 2021-06-02 | 2021-09-03 | 江苏邦鼎科技有限公司 | 一种基于斜向剪切的打击粉碎方法及系统 |
-
2021
- 2021-10-22 CN CN202111235941.XA patent/CN113681014B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016123549A1 (en) * | 2015-01-29 | 2016-08-04 | Alcoa Inc. | Systems and methods for modelling additively manufactured bodies |
CN111282658A (zh) * | 2020-03-06 | 2020-06-16 | 西安今盛电气设备有限公司 | 废金属自动加工处理系统及方法 |
CN112934453A (zh) * | 2021-03-05 | 2021-06-11 | 日昌升建筑新材料设计研究院有限公司 | 一种圆锥破碎机排矿口智能控制系统及方法 |
CN113281273A (zh) * | 2021-05-20 | 2021-08-20 | 昆明理工大学 | 一种评价TiB2/Cu混合粉末中增强相分布均匀性程度的方法 |
CN113343179A (zh) * | 2021-06-02 | 2021-09-03 | 江苏邦鼎科技有限公司 | 一种基于斜向剪切的打击粉碎方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115078049A (zh) * | 2022-08-19 | 2022-09-20 | 深圳市聚鑫视科技有限公司 | 一种金相样品自动制样研磨方法及系统 |
CN115078049B (zh) * | 2022-08-19 | 2022-11-04 | 深圳市聚鑫视科技有限公司 | 一种金相样品自动制样研磨方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113681014B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Behera et al. | Tool path compensation strategies for single point incremental sheet forming using multivariate adaptive regression splines | |
Li et al. | Demographics of planetesimals formed by the streaming instability | |
Wang et al. | Milling force prediction model based on transfer learning and neural network | |
CN113681014B (zh) | 一种金属粉末加工设备的智能调控方法及系统 | |
Rocha et al. | Comparing DEA and principal component analysis in the multiobjective optimization of P-GMAW process | |
Pilchak et al. | A dataset for the development, verification, and validation of microstructure-sensitive process models for near-alpha titanium alloys | |
Costa et al. | Weighted principal component analysis combined with Taguchi’s signal-to-noise ratio to the multiobjective optimization of dry end milling process: a comparative study | |
Hartl et al. | Improving the surface quality of friction stir welds using reinforcement learning and Bayesian optimization | |
Savković et al. | Optimization of machining parameters using the Taguchi and ANOVA analysis in the face milling of aluminum alloys Al7075 | |
Xu et al. | ForceNet: An offline cutting force prediction model based on neuro-physical learning approach | |
Klippel et al. | Cutting force prediction of ti6al4v using a machine learning model of sph orthogonal cutting process simulations | |
CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
Azizi et al. | Modeling and prediction of wear rate of grinding media in mineral processing industry using multiple kernel support vector machine | |
CN107679581B (zh) | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 | |
Kyratsis et al. | Thrust force prediction of twist drill tools using a 3D CAD system application programming interface | |
Kakati et al. | Prediction of optimum cutting parameters to obtain desired surface in finish pass end milling of aluminium alloy with carbide tool using artificial neural network | |
Wu et al. | A monitoring method for surface roughness of γ-TiAl alloy based on deep learning of time–frequency diagram | |
Titu et al. | Estimating Johnson-Cook material parameters using neural networks | |
Li et al. | Application of a Texture‐Based Plastic Potential in Earing Prediction of an IF Steel | |
Ramesh et al. | Automated intelligent manufacturing system for surface finish control in CNC milling using support vector machines | |
Brown et al. | Solid-liquid metal interface definition studies using capillary fluctuation method | |
Ferguson et al. | A data processing pipeline for prediction of milling machine tool condition from raw sensor data | |
Meng et al. | Corner-milling process parameter optimization regarding H62 brass using Kriging model and improved particle swarm optimization algorithm | |
Liu et al. | Prediction of cutting force via machine learning: state of the art, challenges and potentials | |
WO2020222145A1 (en) | System and method for evaluation of foundry sand |
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 |