CN114871858B - 一种机器人全口径研磨抛光系统及方法 - Google Patents
一种机器人全口径研磨抛光系统及方法 Download PDFInfo
- Publication number
- CN114871858B CN114871858B CN202210439951.3A CN202210439951A CN114871858B CN 114871858 B CN114871858 B CN 114871858B CN 202210439951 A CN202210439951 A CN 202210439951A CN 114871858 B CN114871858 B CN 114871858B
- Authority
- CN
- China
- Prior art keywords
- surface shape
- processing
- data
- parameters
- robot
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B29/00—Machines or devices for polishing surfaces on work by means of tools made of soft or flexible material with or without the application of solid or liquid polishing agents
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
-
- 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)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种机器人全口径研磨抛光系统及方法,涉及光学加工技术领域,系统包括机器人、加压气缸、电机和工作转台,工作转台上设有研磨/抛光盘,被加工元件设在电机与研磨/抛光盘之间,系统还包括加工程序生成器,加工程序生成器包括面形预测器、工艺参数生成器和后处理器;方法包括S1:构建有序数据队列;S2:构建并训练面形预测模型;S3:设置条件,生成若干组工艺参数,进行面形预测,并筛选出最优工艺参数以及对应的预测面形;S4:获取最终的工艺参数,生成机器人控制程序进行加工。本发明实现了加工工艺参数的自动规划及元件加工,降低了成本,提高了加工质量的稳定性,有利于标准化批量生产。
Description
技术领域
本发明涉及光学加工技术领域,特别涉及一种机器人全口径研磨抛光系统及方法。
背景技术
现代光学加工技术的发展,不断涌现出新的加工技术和设备,如离子束抛光技术、气囊抛光技术、磁流变抛光技术,促使光学加工的精度不断迈向新的高度,这些进步主要集中在子口径抛光技术领域。全口径抛光技术作为最经典抛光技术之一,由于其设备结构简单、成本低,加工效率高,光学表面的中高频指标高等优点,广泛应用于平面及球面光学元件的加工,是光学加工领域的不可或缺的组成部分,近年来却进步速度缓慢。
现有的全口径抛光技术普遍使用单轴机作为加工设备,依赖人工经验控制抛光盘与元件之间中心偏离量、抛光盘在元件上的摆动速度、摆动幅度以及元件转速,控制元件表面不同位置材料去除量,实现面形及半径的迭代收敛加工。
而现有的方法加工元件的精度和效率依赖加工人员经验水平,不利于标准化生产,批量化制造需要投入大量经验的操作人员,人力资源成本高,已经不符合未来智能制造的发展潮流。随着现代计算机人工智能技术的发展,机器人设备性能的提升和成本的降低,将二者集成用于光学抛光十分必要,是未来光学加工领域的发展方向之一。
发明内容
为解决上述问题,本发明提供了一种机器人全口径研磨抛光系统及方法,实现三维矢量空间作用力控制的。
本发明提供了一种机器人全口径研磨抛光系统,具体技术方案如下:
系统包括机器人、加压气缸、电机和工作转台,其中加压气缸装配所述机器人执行机构末端,所述工作转台上设有研磨/抛光盘,所述电机与所述加压气缸连接,被加工元件设在所述电机与所述研磨/抛光盘之间;
系统还包括加工程序生成器,所述机器人通过所述加工程序生成器进行控制,所述加工程序生成器包括面形预测器、工艺参数生成器和后处理器;
所述面形预测器存储有面形预测模型算法,用于基于前N-1道次的加工前面形数据、实际工艺控制参数、本道次加工前面形数据、预设的工艺控制参数构成N个节点的有序数据队列,预测本道次加工后的面形数据结果;
所述工艺参数生成器,存储工艺参数生成算法,用于根据设置条件,生成一系列工艺控制参数,并调用面形预测器完成面形预测,寻找最优工艺参数;
所述后处理器,根据所述工艺参数生成器输出的工艺参数生成机器人控制程序。
进一步的,所述机器人以所述工作转台的中心作为加工原点进行设定。
进一步的,所述机器人为六自由度加工机器人。
本发明还提供了一种机器人全口径研磨抛光方法,方法包括如下步骤:
S1:采集被加工元件的面形数据和工艺参数,构建有序数据队列;
S2:构建并训练面形预测模型;
S3:设置条件,生成若干组工艺参数,将对应数据组合形成的有序数据队列作为输入,进行面形预测,通过面形评价质量方法筛选出最优工艺参数以及对应的预测面形;
S4:根据得到的最优工艺参数,通过加工时间和面形质量的加权平均值作为评价指标,再次进行筛选,获取一组工艺参数作为最终的工艺参数,生成机器人控制程序进行加工,同时在加工完成后获取加工后的面形数据更新所述有序数据队列。
进一步的,所述有序数据队列,构建过程如下:
组合被加工元件在同一台机器人上的加工数据,以当前道次加工实际工艺控制参数和加工前面形数据、前N-1个道次的实际工艺控制参数和对应道次的加工前面形数据组成节点数为N的有序数据队列。
进一步的,所述面形预测模型,采用长短期记忆型循环神经网络进行构建,训练过程如下:
将获得的节点数为N的有序数据队列作为训练数据输入到面形预测模型中,每个节点均由当前道次的实际工艺控制参数向量和加工前面形数据向量组合而成,组合完成后进行归一化操作作为训练数据的输入;
将每个道次面形预测输出将与对应加工后实际面形输出,共同参与损失函数计算,更新面形预测模型网络的参数,获得满足设定条件的面形预测模型。
进一步的,步骤S3中,根据设置条件,随机生成M组工艺参数的上下界,再根据随机的上下界,采用正交实验寻优法生成M×Q组工艺参数。
进一步的,采集的所述面形数据,进行面形数据预处理进行降维,得到L维度向量,将降维后的面形数据用于训练面形预测模型以及进行面形预测。
进一步的,通过面形预测模型进行面形预测时,输入的有序数据队列的每个节点对应一个加工道次,其顺序与加工道次的顺序一致,若前N-1个道次数据量不足,则前一道次的面形数据使用后一道次的面形数据,实际工艺控制参数则均设置为0。
本发明的有益效果如下:
机器人通过系统加工程序生成器利用人工智能算法自动生成控制程序进行加工控制,面形预测采用长短期记忆型循环神经网络进行构建,通过构建工艺参数和面形数据构成的有序数据队列,使节点与加工道次一致,根据面形输出结构,采用面形指令评价方法,不断优化预设工艺参数,最终根据得到的最优工艺参数生成机器人的控制程序,控制加工,依据被加工元件的加工前检测结果和历史加工数据记录,实现加工工艺参数的自动规划及元件加工,降低了工作人员经验的依赖,降低人力资源使用成本,提升加工质量的稳定性,有利于标准化及批量化生产。
附图说明
图1为本发明方法流程示意图;
图2为本发明系统结构示意图;
图3为本发明机器人研磨抛光运动轨迹示意图;
图4为本发明面形误差分布形状类型示意图;
图5为本发明面形预测器的时序逻辑结构示意图;
图6为本发明LSTM单元逻辑结构示意图;
图7为本发明面形预测器的训练阶段数据组合方式示意图;
图8为本发明面形预测器的预测阶段输入数据组合方式及面形数据预测值节点示意图。
附图标记说明:1-机器人、2-加压气缸、3-电机、4-被加工元件、5-研磨/抛光盘、6-工作转台。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明的实施例1公开了一种机器人全口径研磨抛光系统,如图2所示,系统包括机器人1、加压气缸2、电机3和工作转台6,其中加压气缸2装配所述机器人1执行机构末端,所述工作转台6主轴上设有研磨/抛光盘5,所述电机3与所述加压气缸2连接,被加工元件4设在所述电机3与所述研磨/抛光盘5之间,电机与被加工元件万向连接,所述机器人以所述工作转台的中心作为加工原点进行设定,所述机器人为六自由度加工机器人。
系统还包括加工程序生成器,通过所述加工程序生成器根据元件加工前面形检测结果,元件及抛光盘的尺寸规格,前几道次加工前面形检测结果、加工后面形检测结果及对应工艺参数组成的有序工艺历史数据队列,自动编制机器人加工程序。
所述机器人1通过所述加工程序生成器进行控制,所述加工程序生成器包括面形预测器、工艺参数生成器和后处理器;
所述面形预测器存储有面形预测模型算法,用于基于前N-1道次的加工前面形数据、实际工艺控制参数、本道次加工前面形数据、预设的工艺控制参数构成N个节点的有序数据队列,预测本道次加工后的面形数据结果;
所述工艺参数生成器,存储工艺参数生成算法,用于根据设置条件,生成一系列工艺控制参数,并调用面形预测器完成面形预测,寻找最优工艺参数;
所述后处理器,根据所述工艺参数生成器输出的工艺参数生成机器人控制程序。
实施例2
本发明的实施例2基于上述实施例1公开了一种机器人全口径研磨抛光方法,如图1所示,包括如下步骤:
S1:采集被加工元件的面形数据和工艺参数,构建有序数据队列;
如图2所示,所述工艺参数包括:元件及抛光盘的尺寸规格(r2,r1)、加工时间t,加压压力p,研磨/抛光盘的转速w2、元件摆动速度w1、摆动幅度e2以及研磨/抛光盘中心相对元件中心的偏离距离e1;
所述有序数据队列,构建过程如下:
组合被加工元件在同一台机器人上的加工数据,以当前道次加工实际工艺控制参数和加工前面形数据、前N-1个道次的实际工艺控制参数和对应道次的加工前面形数据组成节点数为N的有序数据队列,本实施例中,N可取值为2-5。
其中,所述有序数据队列的每个节点对应一个加工道次,节点的顺序与加工道次的顺序一致,节点数据均由两部分构成:对应道次的加工前面形数据,对应道次的实际或者预设工艺控制参数;将所述有序数据队列作为输入数据进行面形预测时,若前N-1个道次数据量不足,则前一道次的面形数据使用后一道次的面形数据,但是实际工艺控制参数均设置为0。
本实施例中,在后续进行面形预测时,需要对采集的面形数据进行降维预处理,得到L维度向量,L=64、128、256;
本实施例中,以被加工的光学元件为对角线长度为2*r2的矩形或半径为r2圆形平面为例进行说明,光学元件的面形数据由M×M个像素点的干涉仪检测结果数据构成,M=512、1024、2048等;通过面形数据预处理将M×M型二维数组映射成反映面形特征的一维数组,面形数据预处理技术的工作流程如下:
本实施例中,加工设备采用的单轴研磨抛光机的基本加工原理,其加工具有旋转对称性,因此其加工后的面形大都具有旋转对称性,如图4所示,为全口径加工方法加工后面形的主要分布形状,图中所示为三维面形误差沿着数据中心,即元件中心的截线,对于任意方向上的截线,其分布形状不变,因此在面形预测过程中,选取元件面形检测结果数据上的一条截线数据,将旋转中心点到元件边缘的距离等分为L份,取出每个等分点处的面形高程数据,即获得一个L维特征数组。
S2:构建并训练面形预测模型;
所述面形预测模型,采用长短期记忆型循环神经网络LSTM进行构建,LSTM模型网络以有序数据队列作为输入,数据队列的节点是一个向量,节点数据依次流经模型的网络,并输出一个新的数据队列或最终输出一个向量。
如图5所示,为本实施例中,基于LSTM模型的面形预测模型的时序逻辑结构;
其中,t为数据队列的节点号,也称时间步,t=0~N-1,X(t)为当前时间步的输入向量,也即由工艺参数和加工前面形数据预处理得到的L维向量组合形成的向量,Y(t)为当前时间步预测得到的L维面形向量;
本实施例中,LSTM网络由LSTM单元堆叠而成,所述LSTM单元的逻辑结构,如图6所示,每个单元所述LSTM单元都引入了输入门、遗忘门和输出门处理器,使其具备短期记忆和长期记忆的能力,避免了梯度不稳定的问题。
当前时间步预测完成后,通过LSTM网络同时会得到当前时间步的短期记忆向量H(t)和长期记忆向量C(t),LSTM网络通常是由多层、多个LSTM单元堆叠而成,因此H(t)和C(t)代表的是t时间步的多个不同长度的向量组;当时间步移到下一步时,前一时间步的短期记忆向量H(t)和长期记忆向量C(t)会和当前时间步的输入向量X(t+1)一同进入有面形预测器网络,输出该时间步的面向预测向量Y(t+1)、短期记忆向量H(t+1)和长期记忆向量C(t+1)。循环此过程,直到有序数据队列的所有节点都已流过面形预测器网络并输出了对应的预测面向向量。
训练过程如下:
将获得的节点数为N的有序数据队列作为训练数据输入到面形预测模型中,每个节点均由当前道次的实际工艺控制参数向量和加工前面形数据向量组合而成,组合完成后进行归一化操作作为训练数据的输入;
将每个道次面形预测输出将与对应加工后实际面形输出,共同参与损失函数计算,更新面形预测模型网络的参数,获得满足设定条件的面形预测模型。
具体的,组合被加工元件在同一台机器人上N个道次的加工前面形数据、元件的加工工艺参数,加工后面形数据,形成节点数为N的有序数据队列,以此作为训练数据,训练完成面形预测器,如图7所示,为每个训练所用样本数据的组合方式。
其中,作为训练样本的有序数据队列节点数为N,每个节点均由当前道次的实际工艺控制参数向量Xt1和加工前面形数据向量Xt2组合而成;
Xt1=[t,p,r1,r2,w1,w2,e1,e2],Xt2为由面形数据经过预处理降维得到的L维向量。将Xt1和Xt2组合后还需要归一化操作后才能做为训练数据的输入。每个时间步/道次面形预测模型的预测输出向量Yt’将与对应加工后实际面形向量Yt共同参与损失函数计算,通过综合多个样本数据的损失函数计算梯度并更新面形预测器模型网络的参数,最终得到一个符合设定要求的面形预测模型完成训练。
S3:设置条件,生成若干组工艺参数,将对应数据组合形成的有序数据队列作为输入,进行面形预测,通过面形评价质量方法筛选出最优工艺参数以及对应的预测面形;
具体过程如下:
S301:根据设置条件随机生成M组工艺参数的上下界,再根据这些随机上下界生成M×Q组符合正交实验法则的工艺参数,其中L由具体采用的正交表决定。
S302:依次使用得到的工艺参数、元件的当前加工前面形、前N-1个道次的对应数据组合形成的N个节点有序数据队列作为输入,调用面形预测模型,并获得在该预设工艺参数下的预测面形,得到与M×Q组工艺参数相对应的预测面形;
预测过程如下:
输入数据的形式与训练时相同,同样为由各道次的工艺控制参数向量Xt1和加工前面形数据向量Xt2组合而成的有序数据队列,并且有序数据队列的节点数N值需与预测阶段的N值保持一致。
如图8所示,为面形预测模型在预测过程时输入数据的组合方式;由于需要预测的是元件经过当前加工道次后的面形,所以需要将有序数据队列的最后一个节点中的工艺控制参数向量Xt1更换为预设值,而其前N-1个节点中的工艺控制参数向量Xt1仍然使用实际值;当作为输入值的有序数据队列依次流经面形预测模型后,同样会输出一个与加工道次节点相对应的面形向量的预测值队列,此时,取出队列的最后一个节点,即为当前预设工艺参数和加工前面形数据下的加工后面形预测值。
S303:使用面形质量评价方法,例如PV指标、GRMS指标或多种指标的加权平均值,寻找每一组正交实验中预测面形质量最优的工艺参数,获得M组工艺参数及其对应的预测面形。
S4:根据得到的最优工艺参数,通过加工时间和面形质量的加权平均值作为评价指标,再次进行筛选,获取一组工艺参数作为最终的工艺参数,生成机器人控制程序进行加工,同时在加工完成后获取加工后的面形数据更新所述有序数据队列,即测量获得元件的加工后面形,该面形数据将作为下一道次加工程序自动生成所需数据输入的加工前面形数据,同时,N个节点有序数据队列的首节点向后移动一步。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (6)
1.一种机器人全口径研磨抛光方法,其特征在于,方法包括如下步骤:
S1:采集被加工元件的面形数据和工艺参数,构建有序数据队列;
S2:构建并训练面形预测模型;
S3:设置条件,生成若干组工艺参数,将对应数据组合形成的有序数据队列作为输入,进行面形预测,通过面形评价质量方法筛选出最优工艺参数以及对应的预测面形;
S4:根据得到的最优工艺参数,通过加工时间和面形质量的加权平均值作为评价指标,再次进行筛选,获取一组工艺参数作为最终的工艺参数,生成机器人控制程序进行加工,同时在加工完成后获取加工后的面形数据更新所述有序数据队列。
2.根据权利要求1所述的机器人全口径研磨抛光方法,其特征在于,所述有序数据队列,构建过程如下:
组合被加工元件在同一台机器人上的加工数据,以当前道次加工实际工艺控制参数和加工前面形数据、前N-1个道次的实际工艺控制参数和对应道次的加工前面形数据组成节点数为N的有序数据队列。
3.根据权利要求2所述的机器人全口径研磨抛光方法,其特征在于,所述面形预测模型,采用长短期记忆型循环神经网络进行构建,训练过程如下:
将获得的节点数为N的有序数据队列作为训练数据输入到面形预测模型中,每个节点均由当前道次的实际工艺控制参数向量和加工前面形数据向量组合而成,组合完成后进行归一化操作作为训练数据的输入;
每个道次面形预测输出和与之对应的加工后实际面形输出共同参与损失函数计算,更新面形预测模型网络的参数,获得满足设定条件的面形预测模型。
4.根据权利要求1所述的机器人全口径研磨抛光方法,其特征在于,步骤S3中,根据设置条件,随机生成M组工艺参数的上下界,再根据随机的上下界,采用正交实验寻优法生成M×Q组工艺参数。
5.根据权利要求1-4任一所述的机器人全口径研磨抛光方法,其特征在于,采集的所述面形数据,进行面形数据预处理进行降维,得到L维度向量,将降维后的面形数据用于训练面形预测模型以及进行面形预测。
6.根据权利要求1所述的机器人全口径研磨抛光方法,其特征在于,通过面形预测模型进行面形预测时,输入的有序数据队列的每个节点对应一个加工道次,其顺序与加工道次的顺序一致,若前N-1个道次数据量不足,则前一道次的面形数据使用后一道次的面形数据,实际工艺控制参数则均设置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439951.3A CN114871858B (zh) | 2022-04-25 | 2022-04-25 | 一种机器人全口径研磨抛光系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439951.3A CN114871858B (zh) | 2022-04-25 | 2022-04-25 | 一种机器人全口径研磨抛光系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114871858A CN114871858A (zh) | 2022-08-09 |
CN114871858B true CN114871858B (zh) | 2023-06-06 |
Family
ID=82672385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210439951.3A Active CN114871858B (zh) | 2022-04-25 | 2022-04-25 | 一种机器人全口径研磨抛光系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114871858B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115452842A (zh) * | 2022-10-20 | 2022-12-09 | 颖态智能技术(上海)有限公司 | 一种面向阀口袋包装机的褶皱检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7001243B1 (en) * | 2003-06-27 | 2006-02-21 | Lam Research Corporation | Neural network control of chemical mechanical planarization |
CN101088705B (zh) * | 2007-02-14 | 2010-08-25 | 长春设备工艺研究所 | 一种中大口径非球面光学元件的高效数控抛光工艺及设备 |
US8588956B2 (en) * | 2009-01-29 | 2013-11-19 | Tayyab Ishaq Suratwala | Apparatus and method for deterministic control of surface figure during full aperture polishing |
CN108446423B (zh) * | 2018-01-30 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种光学元件面形加工的工艺与参数选择及其应用方法 |
JP2020053550A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社荏原製作所 | 研磨装置、研磨方法、及び機械学習装置 |
CN111266937B (zh) * | 2020-03-20 | 2021-09-10 | 大连理工大学 | 一种平面零件全口径确定性抛光的摇臂式抛光装置和方法 |
CN111496580A (zh) * | 2020-04-24 | 2020-08-07 | 中国工程物理研究院激光聚变研究中心 | 一种大口径非球面光学元件多机协同加工系统及方法 |
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 |
-
2022
- 2022-04-25 CN CN202210439951.3A patent/CN114871858B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114871858A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Babic | Axiomatic design of flexible manufacturing systems | |
CN110309914A (zh) | 基于边缘服务器与移动端设备协同的深度学习模型推理加速方法 | |
Li et al. | Sepvit: Separable vision transformer | |
CN111158314B (zh) | 一种基于数字孪生技术的卫星部装装配精度控制方法 | |
CN114871858B (zh) | 一种机器人全口径研磨抛光系统及方法 | |
DE112019004943T5 (de) | Automatisierte Erzeugung neuronaler Netze | |
CN112561039A (zh) | 一种改进的基于超网络的进化神经网络架构搜索方法 | |
CN111192364A (zh) | 一种低成本移动多机器人视觉同时定位和地图创建方法 | |
Sun et al. | Optimized throughput improvement of assembly flow line with digital twin online analytics | |
CN110221580A (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
CN112907150A (zh) | 一种基于遗传算法的生产排程方法 | |
Benderbal et al. | A new robustness index formachines selection in reconfigurable manufacturing system | |
CN114676522A (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
CN116882104B (zh) | 机床薄弱环节的识别方法、装置、电子设备及存储介质 | |
CN115981336A (zh) | 工业机器人轨迹规划中的耦合插值函数选择方法 | |
CN115935747A (zh) | 一种三维桁架结构点阵材料微结构优化设计方法及系统 | |
CN113043274B (zh) | 一种机器人性能评价方法及系统 | |
CN110400073B (zh) | 一种基于多方向收敛粒子群优化算法的fsp方法及系统 | |
CN114595612A (zh) | 基于实体单元积分路径的受力构件的配筋计算方法及系统 | |
CN112861315A (zh) | 一种电力系统非凸单目标最优潮流全局解的一维下降搜索法 | |
CN108121868B (zh) | 一种用于钣金件建模的基于KDtree的空间面域生成方法及系统 | |
CN113722955B (zh) | 基于有限元的风电机组轴承座结构优化设计方法 | |
CN110502582A (zh) | 一种分布式数据库的在线扩容方法 | |
CN116048002B (zh) | 数控机床虚拟轴运动控制方法、装置、设备及存储介质 | |
CN114311574B (zh) | 一种注塑机注射速度的优化控制方法、系统及装置 |
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 |