CN115903652A - 一种用于零件加工的对位冲孔方法及系统 - Google Patents
一种用于零件加工的对位冲孔方法及系统 Download PDFInfo
- Publication number
- CN115903652A CN115903652A CN202211398657.9A CN202211398657A CN115903652A CN 115903652 A CN115903652 A CN 115903652A CN 202211398657 A CN202211398657 A CN 202211398657A CN 115903652 A CN115903652 A CN 115903652A
- Authority
- CN
- China
- Prior art keywords
- processing
- adjustment
- parameters
- time
- amplitude
- 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
- 238000004080 punching Methods 0.000 title claims abstract description 136
- 238000003754 machining Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 574
- 238000013461 design Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Numerical Control (AREA)
Abstract
本发明提供了一种用于零件加工的对位冲孔方法及系统,涉及零件加工技术领域,该方法包括:获取目标零件进行对位冲孔加工的冲孔设计参数;采集所述目标零件的多个历史加工参数;获得所述目标零件在历史时间内的位置加工误差幅度和规格加工误差幅度;获得位置加工调整幅度和规格加工调整幅度;在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;采用所述最优实时加工参数对所述目标零件进行加工。解决了现有技术中存在不能智能化根据加工误差进行加工参数的适配调整,进而导致冲孔精度不足的技术问题。
Description
技术领域
本发明涉及零件加工技术领域,具体涉及一种用于零件加工的对位冲孔方法及系统。
背景技术
机械零件又称机械元件是构成机械的基本元件,是组成机械和机器的不可分拆的单个制件。机械零件既是研究和设计各种设备中机械基础件的一门学科,也是零件和部件的泛称。机械零件的加工是按照图纸的图样和尺寸,使毛坯的形状、尺寸、相对位置和性质成为合格零件的全过程。机械零件制造中最常用的材料是钢和铸铁,其次是有色金属合金。
现有技术中存在不能智能化根据加工误差进行加工参数的适配调整,进而导致冲孔精度不足的技术问题。
发明内容
本申请提供了一种用于零件加工的对位冲孔方法及系统,用于针对解决现有技术中存在不能智能化根据加工误差进行加工参数的适配调整,进而导致冲孔精度不足的技术问题。
鉴于上述问题,本申请提供了一种用于零件加工的对位冲孔方法及系统。
第一方面,本申请提供了一种用于零件加工的对位冲孔方法,所述方法包括:获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;采用所述最优实时加工参数对所述目标零件进行加工。
第二方面,本申请提供了一种用于零件加工的对位冲孔系统,所述系统包括:冲孔设计参数获取模块,所述冲孔设计参数获取模块用于获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;历史加工参数采集模块,所述历史加工参数采集模块用于采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;加工误差幅度分析模块,所述加工误差幅度分析模块用于根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;调整幅度预测模块,所述调整幅度预测模块用于将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;加工参数调整模块,所述加工参数调整模块用于在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;零件加工模块,所述零件加工模块用于采用所述最优实时加工参数对所述目标零件进行加工。
本申请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:
由于采用了一种用于零件加工的对位冲孔方法,获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;采用所述最优实时加工参数对所述目标零件进行加工。本申请实施例通过根据历史加工参数进行加工误差分析,对加工参数进行适配调整,同时对加工零件进行图像识别,将打孔方案部位和实时零件打孔图像进行图像重叠处理和比对调整,达到实现自动对位冲孔,提高冲孔精度的技术效果。
附图说明
图1为本申请提供了一种用于零件加工的对位冲孔方法流程示意图;
图2为本申请提供了一种用于零件加工的对位冲孔方法中构建调整幅度预测模型流程示意图;
图3为本申请提供了一种用于零件加工的对位冲孔方法中最优实时加工参数获取流程示意图;
图4为本申请提供了一种用于零件加工的对位冲孔系统结构示意图。
附图标记说明:冲孔设计参数获取模块11,历史加工参数采集模块12,加工误差幅度分析模块13,调整幅度预测模块14,加工参数调整模块15,零件加工模块16。
具体实施方式
本申请提供的一种用于零件加工的对位冲孔方法,首先获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;采用所述最优实时加工参数对所述目标零件进行加工。现有技术中存在不能智能化根据加工误差进行加工参数的适配调整,进而导致冲孔精度不足的技术问题。
实施例一
如图1所示,本申请提供的一种用于零件加工的对位冲孔方法,所述方法包括:
步骤S100:获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;
具体而言,目标零件是需要进行冲孔加工的零件,所述冲孔设计参数是所述目标零件在进行对位冲孔加工时的冲孔参数信息,包括位置设计参数和规格设计参数。其中,所述位置设计参数是指冲孔在目标零件上的位置信息,所处零件位置可以为平面、曲面或零件拐角处;所述规格设计参数是指冲孔的尺寸信息,示例如,圆孔的半径大小等。通过获取目标零件进行对位冲孔加工的冲孔设计参数,为后续分析目标零件的加工误差提供基础数据。
步骤S200:采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;
进一步而言,所述采集所述目标零件在历史时间内进行冲孔加工的加工参数,本申请实施例步骤S200还包括:
步骤S210:获取预设时间范围;
步骤S220:获取所述预设时间范围内的多个加工时间节点;
步骤S230:根据所述多个加工时间节点对应的加工结果,检测获得所述多个历史位置加工参数和多个历史规格加工参数。
具体而言,历史加工参数是指目标零件在过去的一段时间内,进行冲孔加工的加工参数,历史加工参数包括历史位置加工参数和历史规格加工参数,历史位置加工参数即指在历史时间内,进行冲孔加工后冲孔在目标零件上的位置信息,历史规格加工参数是指在历史时间内,进行冲孔加工后冲孔,冲孔的尺寸信息。
具体地,获取预设时间范围,预设时间范围指预设的采集历史加工参数的一段时间,获取预设时间范围内的多个加工时间节点,多个加工时间节点即在预设时间范围内进行目标零件加工的多个时间点,获取多个加工时间节点对应的零件加工结果,检测零件加工结果的冲孔位置和冲孔规格,进而获得多个历史位置加工参数和多个历史规格加工参数。通过获取多个历史加工参数,为后续的加工误差幅度分析夯实了基础。
步骤S300:根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;
进一步而言,所述根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,本申请实施例步骤S300还包括:
步骤S310:计算所述多个历史加工参数和所述冲孔设计参数与所述位置设计参数和规格设计参数的差值,获得多个历史位置参数差值和多个历史规格参数差值;
步骤S320:计算所述多个历史位置参数差值的均值,获得所述位置加工误差幅度;
步骤S330:计算所述多个历史规格参数差值的均值,获得所述规格加工误差幅度。
具体而言,以多个历史加工参数和冲孔设计参数为基准,分析目标零件在历史时间内的加工误差幅度,加工误差幅度是历史加工参数和冲孔设计参数的差值,包括位置加工误差幅度和规格加工误差幅度,位置加工误差幅度指历史位置加工参数和位置设计参数之间的误差,规格加工误差幅度是历史规格加工参数和规格设计参数之间的误差。
具体地,分别计算多个历史位置加工参数和位置设计参数的差值、多个历史规格加工参数和规格设计参数的差值,进而获得多个历史位置参数差值和多个历史规格参数差值,进一步的,计算多个历史位置参数差值的平均值,获得位置加工误差幅度,计算多个历史规格参数差值的平均值,获得规格加工误差幅度。通过获取多个历史位置参数差值和多个历史规格参数差值,进行后续的加工参数的调整,提高冲孔的精确度。
步骤S400:将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;
进一步而言,如图2所示,所述将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,本申请实施例步骤S400还包括:
步骤S410:获取所述目标零件进行对位冲孔加工中的多个样本位置加工误差幅度;
步骤S420:根据所述多个样本位置加工误差幅度,进行位置加工调整幅度评估,获得多个样本位置加工调整幅度;
步骤S430:根据所述多个样本位置加工误差幅度和多个样本位置加工调整幅度,构建所述位置调整幅度预测模块;
步骤S440:获取所述目标零件进行对位冲孔加工中的多个样本规格加工误差幅度;
步骤S450:根据所述多个样本规格加工误差幅度,进行规格加工调整幅度评估,获得多个样本规格加工调整幅度;
步骤S460:根据所述多个样本规格加工误差幅度和多个样本规格加工调整幅度,构建所述规格调整幅度预测模块;
步骤S470:根据构建完成的所述位置调整幅度预测模块和规格调整幅度预测模块,获得所述调整幅度预测模型;
步骤S480:将所述位置加工误差幅度和规格加工误差幅度分别输入所述位置调整幅度预测模块和规格调整幅度预测模块,获得所述位置加工调整幅度和规格加工调整幅度。
进一步而言,所述根据所述多个样本位置加工误差幅度和多个样本位置加工调整幅度,构建所述位置调整幅度预测模块,本申请实施例步骤S430还包括:
步骤S431:以位置加工误差幅度作为所述位置调整幅度预测模块的划分特征,从所述多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,构建所述位置调整幅度预测模块的根节点;
步骤S432:再次所述多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,构建所述位置调整幅度预测模块的干节点;
步骤S433:继续构建所述位置调整幅度预测模块的多层划分节点;
步骤S434:将所述多个样本位置加工调整幅度作为多个决策结果,对所述多层划分节点的多个最终划分结果进行标识,获得构建完成的所述位置调整幅度预测模块。
具体而言,调整幅度预测模型是对冲孔位置和冲孔规格进行调整幅度预测的功能模型,调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块。
具体地,获取目标零件进行对位冲孔加工中的多个样本位置加工误差幅度,以多个样本位置加工误差幅度为基准,对位置加工调整幅度进行评估,分析如何调整位置加工幅度,使后续的冲孔精度达到最好,进而获得多个样本规格加工调整幅度,进一步的,根据多个样本位置加工误差幅度和多个样本位置加工调整幅度,构建位置调整幅度预测模块。获取目标零件进行对位冲孔加工中的多个样本规格加工误差幅度,根据多个样本规格加工误差幅度,进行规格加工调整幅度评估,分析如何调整规格加工幅度,使后续的冲孔精度达到最好,进而获得多个样本规格加工调整幅度,最终根据多个样本规格加工误差幅度和多个样本规格加工调整幅度,构建规格调整幅度预测模块。构建完成的位置调整幅度预测模块和规格调整幅度预测模块共同构成调整幅度预测模型,将位置加工误差幅度和规格加工误差幅度分别输入位置调整幅度预测模块和规格调整幅度预测模块,就可以获得位置加工调整幅度和规格加工调整幅度。
具体地,位置调整幅度预测模块是机器学习中的决策树模型,用于预测位置调整幅度,该模块的训练数据包括位置加工误差幅度和进行幅度调整预测的位置加工调整幅度,根据冲孔的位置加工误差幅度,进行位置幅度调整预测。
具体地,以位置加工误差幅度作为位置调整幅度预测模块的划分特征,从多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,作为决策树模型的第一级划分特征,构建位置调整幅度预测模块的根节点,再次从多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,作为决策树模型的第二级划分特征,构建位置调整幅度预测模块的干节点,重复上述步骤,多次从多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,继续构建位置调整幅度预测模块的多层划分节点,直至无法对最后的特征叶节点进行再分,以此构成了位置加工调整幅度的多层级决策树。将多个样本位置加工调整幅度作为多个决策结果,对多层划分节点的多个最终划分结果进行位置加工调整幅度的标识,进而获得构建完成的位置调整幅度预测模块,将位置加工误差幅度输入位置调整幅度预测模块,位置加工误差幅度在位置调整幅度预测模块的多层级决策树进行遍历,进而输出位置加工调整幅度。
进一步的,规格调整幅度预测模块的构建方式与位置调整幅度预测模块采用相同的方法,只是构建模型的数据不同,规格调整幅度预测模块的训练数据包括规格加工误差幅度和进行幅度调整预测的规格加工调整幅度,根据冲孔的规格加工误差幅度,进行规格加工幅度的调整,以此为基准进行规格调整幅度预测模块的构建。构建完成的位置调整幅度预测模块和规格调整幅度预测模块共同构成调整幅度预测模型,通过调整幅度预测模型获得位置加工调整幅度和规格加工调整幅度,为后续的实时位置加工参数和实时规格加工参数的寻优调整提供数据支持。
步骤S500:在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;
进一步而言,所述在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,本申请实施例步骤S500还包括:
步骤S510:根据所述位置加工调整幅度和所述规格加工调整幅度,对所述实时位置加工参数和实时规格加工参数进行随机调整和组合,获得多个样本实时加工参数;
步骤S520:从所述多个样本实时加工参数中随机选择一样本实时加工参数,作为第一样本实时加工参数,并作为历史最优加工参数;
步骤S530:采用所述第一样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第一加工调整评分;
步骤S540:再次从所述多个样本实时加工参数中随机选择一样本实时加工参数,作为第二样本实时加工参数;
步骤S550:采用所述第二样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第二加工调整评分;
步骤S560:判断所述第二加工调整评分是否大于第一加工调整评分,若是,则将所述第二样本实时加工参数作为历史最优加工参数,若否,则将所述第一样本实时加工参数作为历史最优加工参数;
步骤S570:继续进行寻优,直到达到预设寻优次数,将最终的历史最优加工参数输出,获得所述最优实时加工参数。
进一步而言,所述采用所述第一样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,本申请实施例步骤S530还包括:
步骤S531:获取所述目标零件进行对位冲孔加工的多个样本加工图像信息;
步骤S532:根据所述多个样本加工图像信息加工后所述目标零件的冲孔加工精确程度进行评估,获得多个样本加工调整评分;
步骤S533:基于卷积神经网络,构建所述加工调整评分预测模型;
步骤S534:采用所述多个样本加工图像信息和多个样本加工调整评分对所述加工调整评分预测模型进行监督训练和验证,直到所述加工调整评分预测模型的准确率符合预设要求;
步骤S535:将所述第一加工图像信息输入所述加工调整评分预测模型,获得所述第一加工调整评分。
具体而言,实时位置加工参数即对目标零件进行加工时的位置加工参数,实时规格加工参数即对目标零件进行加工时的规格参数,在对所述目标零件进行加工时,根据位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数,最优实时加工参数是使冲孔精度最高的实时加工参数。
具体地,以位置加工调整幅度和规格加工调整幅度为基准,对实时位置加工参数和实时规格加工参数进行随机调整和组合,获得多个样本实时加工参数,一个样本实时加工参数包括一个实时位置加工参数和一个实时规格加工参数,从多个样本实时加工参数中随机选择一样本实时加工参数,作为第一样本实时加工参数,并作为历史最优加工参数,历史最优加工参数即当前寻优历史中最优的加工参数,根据第一样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,第一实时加工图像信息包括高分辨率的进行冲孔的刀头的图像和零件冲孔位置的图像,输入预构建的加工调整评分预测模型内,获得第一加工调整评分,第一加工调整评分用于表示第一样本实时加工参数的加工效果,再次从多个样本实时加工参数中随机选择一样本实时加工参数,作为第二样本实时加工参数,根据第二样本实时加工参数对当前的目标零件进行固定,再次采集高分辨率的刀头的图像以及零件冲孔位置的图像,作为第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第二加工调整评分,对第二加工调整评分和第一加工调整评分进行对比,若第二加工调整评分大于第一加工调整评分,则将第二样本实时加工参数作为历史最优加工参数,否则,则将第一样本实时加工参数作为历史最优加工参数,重复上述步骤,从多个样本实时加工参数中随机选择一样本实时加工参数,继续进行寻优,直到达到预设寻优次数,进而将最终的历史最优加工参数输出,获得所述最优实时加工参数。通过对目标零件的实时位置加工参数和实时规格加工参数进行不断地调整和寻优,获得最优实时加工参数,提高冲孔的精确程度。
具体地,加工调整评分预测模型为深度学习中的,可以不断进行自我迭代优化的卷积神经网络模型,用于通过多个样本加工图像,进行加工调整评分预测,将打孔方案部位和实时零件打孔图像进行图像处理,根据打孔方案部位和实时零件打孔图像进行加工调整评分预测,打孔方案部位和实时零件打孔图像的重叠度越高,加工调整评分就越高,简单来说,就是给加工调整评分预测模型输入一个图像,而后它会给出一个调整评分结果。卷积神经网络用于处理图像数据,将打孔方案部位和多个样本加工图像进行图像重叠处理,进而获取加工调整评分,示例如,对于一个大小为200×200像素的样本加工图像,构建一个20×20像素的输入扫描层,然后,把样本加工图像第一部分的20×20像素图像(通常是从图像的左上方开始)输入到这个扫描层。当这部分图像(可能是用于进行卷积神经网络的训练)处理完,接着处理下一部分的20X20像素图像,逐渐移动扫描层,来处理样本加工图像,从而进行模型的训练。加工调整评分预测模型通过训练数据集合监督数据集训练获得,其中,训练数据集中的每组训练数据均包括多个样本加工图像信息,样本加工图像信息包括高分辨率的刀头的图像以及零件冲孔位置的图像;监督数据集为与训练数据集一一对应的多个样本加工调整评分。
进一步的,加工调整评分预测模型构建过程为:将训练数据集中每一组训练数据输入加工调整评分预测模型,通过这组训练数据对应的监督数据进行加工调整评分预测模型的输出监督调整,当加工调整评分预测模型的输出结果与监督数据一致,则当前组训练结束,将训练数据集中全部的训练数据均训练结束,则加工调整评分预测模型训练完成。
为了保证加工调整评分预测模型的准确性,可以通过测试数据集进行加工调整评分预测模型的测试处理,举例而言,测试准确率可以设定为90%,当测试数据集的测试准确率满足90%时,则加工调整评分预测模型构建完成。
将第一加工图像信息输入加工调整评分预测模型,输出第一加工调整评分。通过样本加工图像信息进行冲孔加工精确程度评估,便于后续得出最优加工参数,进行对位冲孔。
步骤S600:采用所述最优实时加工参数对所述目标零件进行加工。
具体而言,采用得到的最优实时加工参数,对目标零件进行加工,达到较高的冲孔精确度,实现自动对位冲孔。
本申请实施例通过根据历史加工参数进行加工误差分析,对加工参数进行适配调整,同时对加工零件进行图像识别,将打孔方案部位和实时零件打孔图像进行图像重叠处理和比对调整,达到实现自动对位冲孔,提高冲孔精度的技术效果。
实施例二
基于与前述实施例中一种用于零件加工的对位冲孔方法相同的发明构思,如图4所示,本申请提供了一种用于零件加工的对位冲孔系统,所述系统包括:
冲孔设计参数获取模块11,所述冲孔设计参数获取模块11用于获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;
历史加工参数采集模块12,所述历史加工参数采集模块12用于采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;
加工误差幅度分析模块13,所述加工误差幅度分析模块13用于根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;
调整幅度预测模块14,所述调整幅度预测模块14用于将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;
加工参数调整模块15,所述加工参数调整模块15用于在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;
零件加工模块16,所述零件加工模块16用于采用所述最优实时加工参数对所述目标零件进行加工。
进一步而言,所述系统还包括:
预设时间范围获取模块,所述预设时间范围获取模块用于获取预设时间范围;
加工时间节点获取模块,所述加工时间节点获取模块用于获取所述预设时间范围内的多个加工时间节点;
加工结果获取模块,所述加工结果获取模块用于根据所述多个加工时间节点对应的加工结果,检测获得所述多个历史位置加工参数和多个历史规格加工参数。
进一步而言,所述系统还包括:
历史参数差值获取模块,所述历史参数差值获取模块用于计算所述多个历史加工参数和所述冲孔设计参数与所述位置设计参数和规格设计参数的差值,获得多个历史位置参数差值和多个历史规格参数差值;
历史位置参数差值均值计算模块,所述历史位置参数差值均值计算模块用于计算所述多个历史位置参数差值的均值,获得所述位置加工误差幅度;
历史规格参数差值均值计算模块,所述历史规格参数差值均值计算模块用于计算所述多个历史规格参数差值的均值,获得所述规格加工误差幅度。
进一步而言,所述系统还包括:
样本位置加工误差幅度获取模块,所述样本位置加工误差幅度获取模块用于获取所述目标零件进行对位冲孔加工中的多个样本位置加工误差幅度;
位置加工调整幅度评估模块,所述位置加工调整幅度评估模块用于根据所述多个样本位置加工误差幅度,进行位置加工调整幅度评估,获得多个样本位置加工调整幅度;
位置调整幅度预测模块构建模块,所述位置调整幅度预测模块构建模块用于根据所述多个样本位置加工误差幅度和多个样本位置加工调整幅度,构建所述位置调整幅度预测模块;
样本规格加工误差幅度获取模块,所述样本规格加工误差幅度获取模块用于获取所述目标零件进行对位冲孔加工中的多个样本规格加工误差幅度;
规格加工调整幅度评估模块,所述规格加工调整幅度评估用于根据所述多个样本规格加工误差幅度,进行规格加工调整幅度评估,获得多个样本规格加工调整幅度;
规格调整幅度预测模块构建模块,所述规格调整幅度预测模块用于根据所述多个样本规格加工误差幅度和多个样本规格加工调整幅度,构建所述规格调整幅度预测模块;
调整幅度预测模型构建模块,所述调整幅度预测模型构建模块用于根据构建完成的所述位置调整幅度预测模块和规格调整幅度预测模块,获得所述调整幅度预测模型;
加工调整幅度获取模块,所述加工调整幅度获取模块用于将所述位置加工误差幅度和规格加工误差幅度分别输入所述位置调整幅度预测模块和规格调整幅度预测模块,获得所述位置加工调整幅度和规格加工调整幅度。
进一步而言,所述系统还包括:
位置调整幅度预测模块根节点构建模块,所述位置调整幅度预测模块根节点构建模块用于以位置加工误差幅度作为所述位置调整幅度预测模块的划分特征,从所述多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,构建所述位置调整幅度预测模块的根节点;
位置调整幅度预测模块干节点构建模块,所述位置调整幅度预测模块干节点构建模块用于再次所述多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,构建所述位置调整幅度预测模块的干节点;
多层划分节点构建模块,所述多层划分节点构建模块用于继续构建所述位置调整幅度预测模块的多层划分节点;
划分结果标识模块,所述划分结果标识模块用于将所述多个样本位置加工调整幅度作为多个决策结果,对所述多层划分节点的多个最终划分结果进行标识,获得构建完成的所述位置调整幅度预测模块。
进一步而言,所述系统还包括:
实时加工参数获取模块,所述实时加工参数获取模块用于根据所述位置加工调整幅度和所述规格加工调整幅度,对所述实时位置加工参数和实时规格加工参数进行随机调整和组合,获得多个样本实时加工参数;
第一样本实时加工参数获取模块,所述第一样本实时加工参数获取模块用于从所述多个样本实时加工参数中随机选择一样本实时加工参数,作为第一样本实时加工参数,并作为历史最优加工参数;
第一加工调整评分预测模块,所述第一加工调整评分预测模块用于采用所述第一样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第一加工调整评分;
第二样本实时加工参数获取模块,所述第二样本实时加工参数获取模块用于再次从所述多个样本实时加工参数中随机选择一样本实时加工参数,作为第二样本实时加工参数;
第二加工调整评分获取模块,所述第二加工调整评分获取模块用于采用所述第二样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第二加工调整评分;
加工调整评分判断模块,所述加工调整评分判断模块用于判断所述第二加工调整评分是否大于第一加工调整评分,若是,则将所述第二样本实时加工参数作为历史最优加工参数,若否,则将所述第一样本实时加工参数作为历史最优加工参数;
历史最优加工参数输出模块,所述历史最优加工参数输出模块用于继续进行寻优,直到达到预设寻优次数,将最终的历史最优加工参数输出,获得所述最优实时加工参数。
进一步而言,所述系统还包括:
加工图像信息获取模块,所述加工图像信息获取模块用于获取所述目标零件进行对位冲孔加工的多个样本加工图像信息;
加工精确程度评估模块,所述加工精确程度评估模块用于根据所述多个样本加工图像信息加工后所述目标零件的冲孔加工精确程度进行评估,获得多个样本加工调整评分;
加工调整评分预测模型构建模块,所述加工调整评分预测模型构建模块用于基于卷积神经网络,构建所述加工调整评分预测模型;
加工调整评分预测模型训练模块,所述加工调整评分预测模型训练模块用于采用所述多个样本加工图像信息和多个样本加工调整评分对所述加工调整评分预测模型进行监督训练和验证,直到所述加工调整评分预测模型的准确率符合预设要求;
第一加工调整评分获取模块,所述第一加工调整评分获取模块用于将所述第一加工图像信息输入所述加工调整评分预测模型,获得所述第一加工调整评分。
本说明书通过前述对一种用于零件加工的对位冲孔方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于零件加工的对位冲孔方法,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。
Claims (8)
1.一种用于零件加工的对位冲孔方法,其特征在于,所述方法包括:
获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;
采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;
根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;
将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;
在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;
采用所述最优实时加工参数对所述目标零件进行加工。
2.根据权利要求1所述的方法,其特征在于,采集所述目标零件在历史时间内进行冲孔加工的加工参数,包括:
获取预设时间范围;
获取所述预设时间范围内的多个加工时间节点;
根据所述多个加工时间节点对应的加工结果,检测获得所述多个历史位置加工参数和多个历史规格加工参数。
3.根据权利要求1所述的方法,其特征在于,根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,包括:
计算所述多个历史加工参数和所述冲孔设计参数与所述位置设计参数和规格设计参数的差值,获得多个历史位置参数差值和多个历史规格参数差值;
计算所述多个历史位置参数差值的均值,获得所述位置加工误差幅度;
计算所述多个历史规格参数差值的均值,获得所述规格加工误差幅度。
4.根据权利要求1所述的方法,其特征在于,将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,包括:
获取所述目标零件进行对位冲孔加工中的多个样本位置加工误差幅度;
根据所述多个样本位置加工误差幅度,进行位置加工调整幅度评估,获得多个样本位置加工调整幅度;
根据所述多个样本位置加工误差幅度和多个样本位置加工调整幅度,构建所述位置调整幅度预测模块;
获取所述目标零件进行对位冲孔加工中的多个样本规格加工误差幅度;
根据所述多个样本规格加工误差幅度,进行规格加工调整幅度评估,获得多个样本规格加工调整幅度;
根据所述多个样本规格加工误差幅度和多个样本规格加工调整幅度,构建所述规格调整幅度预测模块;
根据构建完成的所述位置调整幅度预测模块和规格调整幅度预测模块,获得所述调整幅度预测模型;
将所述位置加工误差幅度和规格加工误差幅度分别输入所述位置调整幅度预测模块和规格调整幅度预测模块,获得所述位置加工调整幅度和规格加工调整幅度。
5.根据权利要求4所述的方法,其特征在于,根据所述多个样本位置加工误差幅度和多个样本位置加工调整幅度,构建所述位置调整幅度预测模块,包括:
以位置加工误差幅度作为所述位置调整幅度预测模块的划分特征,从所述多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,构建所述位置调整幅度预测模块的根节点;
再次所述多个样本位置加工误差幅度内随机选择一样本位置加工误差幅度,构建所述位置调整幅度预测模块的干节点;
继续构建所述位置调整幅度预测模块的多层划分节点;
将所述多个样本位置加工调整幅度作为多个决策结果,对所述多层划分节点的多个最终划分结果进行标识,获得构建完成的所述位置调整幅度预测模块。
6.根据权利要求1所述的方法,其特征在于,在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,包括:
根据所述位置加工调整幅度和所述规格加工调整幅度,对所述实时位置加工参数和实时规格加工参数进行随机调整和组合,获得多个样本实时加工参数;
从所述多个样本实时加工参数中随机选择一样本实时加工参数,作为第一样本实时加工参数,并作为历史最优加工参数;
采用所述第一样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第一加工调整评分;
再次从所述多个样本实时加工参数中随机选择一样本实时加工参数,作为第二样本实时加工参数;
采用所述第二样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,获得第二加工调整评分;
判断所述第二加工调整评分是否大于第一加工调整评分,若是,则将所述第二样本实时加工参数作为历史最优加工参数,若否,则将所述第一样本实时加工参数作为历史最优加工参数;
继续进行寻优,直到达到预设寻优次数,将最终的历史最优加工参数输出,获得所述最优实时加工参数。
7.根据权利要求6所述的方法,其特征在于,采用所述第一样本实时加工参数对当前的目标零件进行固定,采集第一实时加工图像信息,输入预构建的加工调整评分预测模型内,包括:
获取所述目标零件进行对位冲孔加工的多个样本加工图像信息;
根据所述多个样本加工图像信息加工后所述目标零件的冲孔加工精确程度进行评估,获得多个样本加工调整评分;
基于卷积神经网络,构建所述加工调整评分预测模型;
采用所述多个样本加工图像信息和多个样本加工调整评分对所述加工调整评分预测模型进行监督训练和验证,直到所述加工调整评分预测模型的准确率符合预设要求;
将所述第一加工图像信息输入所述加工调整评分预测模型,获得所述第一加工调整评分。
8.一种用于零件加工的对位冲孔系统,其特征在于,所述系统包括:
冲孔设计参数获取模块,所述冲孔设计参数获取模块用于获取目标零件进行对位冲孔加工的冲孔设计参数,其中,所述冲孔设计参数包括位置设计参数和规格设计参数;
历史加工参数采集模块,所述历史加工参数采集模块用于采集所述目标零件在历史时间内进行冲孔加工的加工参数,获得多个历史加工参数,其中,所述多个历史加工参数包括多个历史位置加工参数和多个历史规格加工参数;
加工误差幅度分析模块,所述加工误差幅度分析模块用于根据所述多个历史加工参数和所述冲孔设计参数,分析所述目标零件在历史时间内的加工误差幅度,获得位置加工误差幅度和规格加工误差幅度;
调整幅度预测模块,所述调整幅度预测模块用于将所述位置加工误差幅度和规格加工误差幅度输入预构建的调整幅度预测模型内,获得位置加工调整幅度和规格加工调整幅度,其中,所述调整幅度预测模型包括位置调整幅度预测模块和规格调整幅度预测模块;
加工参数调整模块,所述加工参数调整模块用于在对所述目标零件进行加工时,采用所述位置加工调整幅度和规格加工调整幅度,对固定的目标零件的实时位置加工参数和实时规格加工参数进行调整和寻优,获得最优实时加工参数;
零件加工模块,所述零件加工模块用于采用所述最优实时加工参数对所述目标零件进行加工。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398657.9A CN115903652B (zh) | 2022-11-09 | 2022-11-09 | 一种用于零件加工的对位冲孔方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398657.9A CN115903652B (zh) | 2022-11-09 | 2022-11-09 | 一种用于零件加工的对位冲孔方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115903652A true CN115903652A (zh) | 2023-04-04 |
CN115903652B CN115903652B (zh) | 2023-10-27 |
Family
ID=86475434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211398657.9A Active CN115903652B (zh) | 2022-11-09 | 2022-11-09 | 一种用于零件加工的对位冲孔方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115903652B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300475A (zh) * | 2023-05-11 | 2023-06-23 | 苏州先准电子科技有限公司 | 一种金属滚压加工控制方法及系统 |
CN116331897A (zh) * | 2023-04-26 | 2023-06-27 | 金石包装(嘉兴)有限公司 | 一种厚片材接卷控制方法及系统 |
CN116652014A (zh) * | 2023-08-01 | 2023-08-29 | 江苏宏宝工具有限公司 | 工具钳的冲孔加工方法及系统 |
CN116736796A (zh) * | 2023-08-14 | 2023-09-12 | 张家港广大特材股份有限公司 | 一种钢材尺寸的高精度工控方法 |
CN116958084A (zh) * | 2023-07-20 | 2023-10-27 | 上海韦地科技集团有限公司 | 基于核工业大数据的图像智能感知系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103706700A (zh) * | 2013-12-23 | 2014-04-09 | 苏思妮 | 带视觉检测的冲压机 |
US20150296152A1 (en) * | 2014-04-14 | 2015-10-15 | Microsoft Corporation | Sensor data filtering |
WO2017011510A1 (en) * | 2015-07-13 | 2017-01-19 | Halliburton Energy Services, Inc. | Mud sag monitoring and control |
CN109399154A (zh) * | 2018-10-29 | 2019-03-01 | 苏州富邦机械链传动制造有限公司 | 一种识别链片正反面的自动排片机用链片分拣机构 |
US20200259746A1 (en) * | 2019-02-07 | 2020-08-13 | Cisco Technology, Inc. | Preventing damage to flows in an sdn fabric by predicting failures using machine learning |
CN113591944A (zh) * | 2021-07-14 | 2021-11-02 | 中国海洋大学 | 随机森林模型训练中参数选择的优化方法、系统、设备 |
CN114384861A (zh) * | 2021-12-16 | 2022-04-22 | 重庆邮电大学 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
CN114789364A (zh) * | 2022-04-18 | 2022-07-26 | 清华大学 | 多指标钻孔质量控制方法及其装置、设备 |
CN115293629A (zh) * | 2022-08-19 | 2022-11-04 | 福赛轴承(嘉兴)有限公司 | 一种滚动轴承零件的生产加工方法及系统 |
-
2022
- 2022-11-09 CN CN202211398657.9A patent/CN115903652B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103706700A (zh) * | 2013-12-23 | 2014-04-09 | 苏思妮 | 带视觉检测的冲压机 |
US20150296152A1 (en) * | 2014-04-14 | 2015-10-15 | Microsoft Corporation | Sensor data filtering |
WO2017011510A1 (en) * | 2015-07-13 | 2017-01-19 | Halliburton Energy Services, Inc. | Mud sag monitoring and control |
CN109399154A (zh) * | 2018-10-29 | 2019-03-01 | 苏州富邦机械链传动制造有限公司 | 一种识别链片正反面的自动排片机用链片分拣机构 |
US20200259746A1 (en) * | 2019-02-07 | 2020-08-13 | Cisco Technology, Inc. | Preventing damage to flows in an sdn fabric by predicting failures using machine learning |
CN113591944A (zh) * | 2021-07-14 | 2021-11-02 | 中国海洋大学 | 随机森林模型训练中参数选择的优化方法、系统、设备 |
CN114384861A (zh) * | 2021-12-16 | 2022-04-22 | 重庆邮电大学 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
CN114789364A (zh) * | 2022-04-18 | 2022-07-26 | 清华大学 | 多指标钻孔质量控制方法及其装置、设备 |
CN115293629A (zh) * | 2022-08-19 | 2022-11-04 | 福赛轴承(嘉兴)有限公司 | 一种滚动轴承零件的生产加工方法及系统 |
Non-Patent Citations (1)
Title |
---|
杜续;冯景瑜;吕少卿;石薇;: "基于随机森林回归分析的PM2.5浓度预测模型", 电信科学, no. 07 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116331897A (zh) * | 2023-04-26 | 2023-06-27 | 金石包装(嘉兴)有限公司 | 一种厚片材接卷控制方法及系统 |
CN116331897B (zh) * | 2023-04-26 | 2023-10-20 | 金石包装(嘉兴)有限公司 | 一种厚片材接卷控制方法及系统 |
CN116300475A (zh) * | 2023-05-11 | 2023-06-23 | 苏州先准电子科技有限公司 | 一种金属滚压加工控制方法及系统 |
CN116300475B (zh) * | 2023-05-11 | 2023-08-22 | 苏州先准电子科技有限公司 | 一种金属滚压加工控制方法及系统 |
CN116958084A (zh) * | 2023-07-20 | 2023-10-27 | 上海韦地科技集团有限公司 | 基于核工业大数据的图像智能感知系统及方法 |
CN116652014A (zh) * | 2023-08-01 | 2023-08-29 | 江苏宏宝工具有限公司 | 工具钳的冲孔加工方法及系统 |
CN116652014B (zh) * | 2023-08-01 | 2023-10-31 | 江苏宏宝工具有限公司 | 工具钳的冲孔加工方法及系统 |
CN116736796A (zh) * | 2023-08-14 | 2023-09-12 | 张家港广大特材股份有限公司 | 一种钢材尺寸的高精度工控方法 |
CN116736796B (zh) * | 2023-08-14 | 2023-11-28 | 张家港广大特材股份有限公司 | 一种钢材尺寸的高精度工控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115903652B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115903652B (zh) | 一种用于零件加工的对位冲孔方法及系统 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
CN114706358B (zh) | 一种直缝焊管的焊接工艺信息处理方法及系统 | |
CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN116309556B (zh) | 一种基于机器视觉技术的钢构件成品质量管理方法 | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
CN116026420A (zh) | 一种基于轴承加工的参数检测方法及系统 | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
CN117077979B (zh) | 一种钛带生产管理方法及系统 | |
CN110108474A (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
CN115625317B (zh) | 一种用于压铸调控的表面水纹优化处理方法及系统 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN110855519A (zh) | 一种网络流量预测方法 | |
CN110826383A (zh) | 分析系统、分析方法、程序以及存储介质 | |
CN115311611A (zh) | 一种用于装配式建筑预制构件生产的钢筋计数方法 | |
CN114049543A (zh) | 一种基于深度学习的废钢卸料变化区域自动识别方法 | |
CN117732886B (zh) | 一种基于级联智能诊断的热轧质量预控制方法 | |
JP6605409B2 (ja) | 打音検査装置 | |
CN114943684B (zh) | 一种利用对抗生成自编码神经网络的曲面异常检测方法 | |
CN115981255B (zh) | 一种钢结构试验平台的性能监测方法及系统 | |
CN117399435B (zh) | 一种铜管轧制过程自适应补偿调整方法及系统 | |
CN117250931B (zh) | 基于数据融合的石膏板生产智能控制方法及系统 | |
CN117854014B (zh) | 一种综合异常现象自动捕捉与分析方法 | |
CN113807016B (zh) | 一种数据驱动的工程材料超高周疲劳寿命预测方法 |
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 |