CN116228766B - 一种等离子加工设备的智能调控方法及系统 - Google Patents
一种等离子加工设备的智能调控方法及系统 Download PDFInfo
- Publication number
- CN116228766B CN116228766B CN202310507519.8A CN202310507519A CN116228766B CN 116228766 B CN116228766 B CN 116228766B CN 202310507519 A CN202310507519 A CN 202310507519A CN 116228766 B CN116228766 B CN 116228766B
- Authority
- CN
- China
- Prior art keywords
- processing
- preset
- real
- time
- workpiece
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 409
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 65
- 238000003754 machining Methods 0.000 claims description 60
- 230000006378 damage Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 31
- 238000013461 design Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 230000010354 integration Effects 0.000 claims description 15
- 231100000809 Damage Assessment Model Toxicity 0.000 claims description 12
- 230000006735 deficit Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 description 15
- 238000007517 polishing process Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000002699 waste material Substances 0.000 description 9
- 239000000498 cooling water Substances 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000011553 magnetic fluid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Drying Of Semiconductors (AREA)
- Plasma Technology (AREA)
Abstract
本发明涉及等离子加工设备控制技术领域，特别是一种等离子加工设备的智能调控方法及系统。在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，通过获取工件的热红外图像，从而得到加工区域的实时等温线图，进而精准获取曲线孔内部的实时加工状况。
Description
技术领域
本发明涉及等离子加工设备控制技术领域，特别是一种等离子加工设备的智能调控方法及系统。
背景技术
随形冷却水道用于控制模具生产过程中的温度，从而提高产品的加工质量和加工效率，随形冷却水道是由曲线孔构成，这解决了传统的由多段组合而成的线性冷却水道导致的冷却不均匀从而造成翘曲开裂等缺陷的问题。随形冷却水道的虽然优势明显，但却没有得到广泛应用，主要原因是随形冷却水道需随模具型腔绕弯，含大量的曲线孔，而传统的机械加工设备难以实现加工，加工成本较高。
电弧等离子体作为一种可导电的磁流体，可用于加工随形冷却水道，其加工原理是：当电弧等离子对工件进行腐蚀切割加工时，在垂直于电弧等离子体运动方向上添加一定强度的横向磁场，然后利用带电粒子在磁场中受到洛伦兹力发生偏转的原理，可以使等离子体在工件内部改变运动方向，从而改变电弧等离子的腐蚀切割方向，即可加工出具有一定曲率的曲线孔。相对于传统的机械加工设备，电弧等离子体加工设备具有加工成本低、加工效率高的优点。但是目前的电弧等离子体加工设备在加工曲线孔时由于其加工工艺的特殊性，通过图像技术与声波技术均难以准确获取曲线孔内部的实时加工工况，导致难以根据实时加工工况对设备的加工参数进行实时调节，导致所加工出来的曲线孔存在大量裂纹缺陷，导致加工过程中产生的报废品过多，造成设备的控制精度较低，智能化程度较低。
发明内容
本发明克服了现有技术的不足，提供了一种等离子加工设备的智能调控方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明公开了一种等离子加工设备的智能调控方法，包括以下步骤：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；其中，所述预设区域为工件的加工区域；
对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；
将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图；
预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息；
获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令。
进一步的，本发明的一个较佳实施例中，在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图，具体为：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，并获取每一张热红外图像的对比度，提取热红外图像中对比度高于预设对比度的区域，得到高对比度区域；
获取所述高对比度区域的特征纹理，并对所述特征纹理进行识别，将特征纹理为预设特征纹理的区域标记为特征部位，由所述特征部位提取出关键点；其中所述关键点为特征部位中像素值大于预设像素值的点；
构建融合空间，获取各热红外图像的定位基准点，以所述定位基准点为导入基准将多张热红外图像导入所述融合空间中进行融合处理，得到融合后的热红外图像；
由所述融合空间中获取融合后的热红外图像中各关键点对应的坐标值，基于所述坐标值生成关键点的三维云数据，基于所述三维云数据生成预设区域的温度体动网格模型；
将所述融合后的热红外图像填充入所述温度体动网格模型中，将融合后的热红外图像中与温度体动网格模型不重合部分的图像剔除，并将融合后的热红外图像中与温度体动网格模型重合部分的图像保留，得到预设区域的温度分布图。
进一步的，本发明的一个较佳实施例中，对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图，具体为：
通过Canny边缘检测算法对所述温度分布图进行边缘提取，得到若干边缘特征线，对所述边缘特征线进行特征匹配处理，得到若干稀疏特征点；
在若干稀疏特征点中选取任意一个稀疏特征点作为坐标原点，基于所述坐标原点构建空间坐标系，并在所述空间坐标系中获取各稀疏特征点的坐标信息；
基于所述坐标信息生成稀疏特征点对应的稀疏点云数据，通过全局匹配算法对所述稀疏点云数据进行聚积匹配处理，得到聚积点云数据，并基于所述聚积点云数据得到各稀疏特征点对应的全局特征；
对所述各稀疏特征点对应的全局特征进行特征聚合，以对若干所述边缘特征线进行重构，得到重构后的边缘特征线，对所述重构后的边缘特征线进行组合，得到预设区域的实时等温线图。
进一步的，本发明的一个较佳实施例中，将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图，具体为：
通过大数据网络获取工件在各加工时间节点所对应的标准等温线图，构建知识图谱，并将所述工件在各加工时间节点所对应的标准等温线图导入所述知识图谱中；
获取工件的当前加工时间节点，并将所述当前加工时间节点导入所述知识图谱中，得到当前加工时间节点所对应的预设等温线图；
构建整合空间，并将所述预设等温线图与所述实时等温线图导入所述整合空间中进行整合配对，得到所述预设等温线图与实时等温线图之间的重合度；判断所述重合度是否大于预设重合度；
若所述重合度大于预设重合度，则生成第一判断结果，基于所述第一判断结果控制等离子加工设备按照预设加工参数继续加工；
若所述重合度不大于预设重合度，则生成第二判断结果，基于所述第二判断结果将预设等温线图与实时等温线图相重合的等温线由所述整合空间中剔除，并将预设等温线图与实时等温线图不相重合的等温线由所述整合空间中保留，得到等温线偏移图。
进一步的，本发明的一个较佳实施例中，预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息，具体为：
预制若干等温线偏移定损图，并将预制完毕的等温线偏移定损图汇聚，得到等温线偏移定损图数据集，将所述等温线偏移定损图数据集分别为训练集与测试集；
基于深度学习网络构建定损模型，将所述训练集导入所述定损模型中进行训练，当交叉损失函数训练至平稳后，保存模型参数；通过测试集对所述定损模型中进行测试，直至模型参数符合预设要求后，输出模型参数，得到训练完成后的定损模型；
将所述等温线偏移图输入所述训练完成后的定损模型中，通过局部敏感哈希注意力机制计算所述等温线偏移图与各等温线偏移定损图之间的注意力分数，得到若干个注意力分数；
构建序列表，将多个所述注意力分数导入所述序列表中进行大小排序，排序完成后，得到最大注意力分数，获取与所述最大注意力分数对应的等温线偏移定损图，根据与所述最大注意力分数对应的等温线偏移定损图确定出加工裂纹的实时特征信息。
进一步的，本发明的一个较佳实施例中，获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，具体为：
获取工件的工程蓝图信息，基于所述工程蓝图信息确定出工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息与加工区域位置信息得到加工区域与非加工区域的临界界面，对所述临界界面进行离散处理，得到若干临界离散点；
由所述工程蓝图信息中获取工件的设计基准，并获取各临界离散点与设计基准之间的第一相对坐标值，对所述第一相对坐标值进行汇聚，得到临界离散点坐标值合集；
基于所述加工裂纹的实时特征信息构建出加工裂纹的三维模型图，并由所述加工裂纹的三维模型图中提取出加工裂纹的轮廓曲面，对所述轮廓曲面进行离散处理，得到若干轮廓离散点；获取各轮廓离散点与设计基准之间的第二相对坐标值，对所述第二相对坐标值进行汇聚，得到轮廓离散点坐标合集；
将所述临界离散点坐标值合集中的第一相对坐标值与轮廓离散点坐标合集第二相对坐标值进行一一配对，以判断所述临界离散点坐标值合集与轮廓离散点坐标合集之间是否存坐标重合点；
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间存在至少一个坐标重合点，则生成停止加工指令，并将所述停止加工指令输出。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间不存在坐标重合点，则获取所述加工裂纹的三维模型图，并对所述加工裂纹的三维模型图进行有限元分析，得到加工裂纹的尖端应力；
获取工件的材料特性，基于所述材料特性得到工件的屈服应力，判断所述尖端应力是否大于所述屈服应力；
若所述尖端应力不大于所述屈服应力，则控制等离子加工设备按照预设加工参数继续加工；
若所述尖端应力大于所述屈服应力，则基于所述加工裂纹的实时特征信息在大数据网络中检索出对当前的加工裂纹进行加工时等离子加工设备的极限加工参数；
获取等离子加工设备的实时加工参数，计算所述实时加工参数与极限加工参数的差值，得到加工参数差值，基于所述加工参数差值对所述实时加工参数进行调节。
本发明另一方面公开了一种等离子加工设备的智能调控系统，所述调控系统包括存储器与处理器，所述存储器中储存等离子加工设备的智能调控方法程序，当所述等离子加工设备的智能调控方法程序被处理器执行时，实现如下步骤：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；其中，所述预设区域为工件的加工区域；
对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；
将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图；
预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息；
获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令。
进一步的，本发明的一个较佳实施例中，预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息，具体为：
预制若干等温线偏移定损图，并将预制完毕的等温线偏移定损图汇聚，得到等温线偏移定损图数据集，将所述等温线偏移定损图数据集分别为训练集与测试集；
基于深度学习网络构建定损模型，将所述训练集导入所述定损模型中进行训练，当交叉损失函数训练至平稳后，保存模型参数；通过测试集对所述定损模型中进行测试，直至模型参数符合预设要求后，输出模型参数，得到训练完成后的定损模型；
将所述等温线偏移图输入所述训练完成后的定损模型中，通过局部敏感哈希注意力机制计算所述等温线偏移图与各等温线偏移定损图之间的注意力分数，得到若干个注意力分数；
构建序列表，将多个所述注意力分数导入所述序列表中进行大小排序，排序完成后，得到最大注意力分数，获取与所述最大注意力分数对应的等温线偏移定损图，根据与所述最大注意力分数对应的等温线偏移定损图确定出加工裂纹的实时特征信息。
进一步的，本发明的一个较佳实施例中，获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，具体为：
获取工件的工程蓝图信息，基于所述工程蓝图信息确定出工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息与加工区域位置信息得到加工区域与非加工区域的临界界面，对所述临界界面进行离散处理，得到若干临界离散点；
由所述工程蓝图信息中获取工件的设计基准，并获取各临界离散点与设计基准之间的第一相对坐标值，对所述第一相对坐标值进行汇聚，得到临界离散点坐标值合集；
基于所述加工裂纹的实时特征信息构建出加工裂纹的三维模型图，并由所述加工裂纹的三维模型图中提取出加工裂纹的轮廓曲面，对所述轮廓曲面进行离散处理，得到若干轮廓离散点；获取各轮廓离散点与设计基准之间的第二相对坐标值，对所述第二相对坐标值进行汇聚，得到轮廓离散点坐标合集；
将所述临界离散点坐标值合集中的第一相对坐标值与轮廓离散点坐标合集第二相对坐标值进行一一配对，以判断所述临界离散点坐标值合集与轮廓离散点坐标合集之间是否存坐标重合点；
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间存在至少一个坐标重合点，则生成停止加工指令，并将所述停止加工指令输出。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过获取工件的热红外图像，从而得到加工区域的实时等温线图，进而精准获取曲线孔内部的实时加工状况，以判断出工件在加工过程中是否发生了加工裂纹；并且能够及时对废品工件进行报废处理，避免出现工件是废品依旧对其进行继续加工的现象，能够有效降低加工成本，提高加工效率；并且能够根据工件的实时加工工况对等离子加工设备的实时加工参数进行调节，从而有效的防止加工裂纹进一步延伸，能够降低工件的报废率，提高生产效益。
附图说明
为了更清楚地说明本发明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本发明的一些实施例，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，还可以根据这些附图获得其他实施例的附图。
图1为一种等离子加工设备的智能调控方法的第一方法流程图；
图2为一种等离子加工设备的智能调控方法的第二方法流程图；
图3为一种等离子加工设备的智能调控方法的第三方法流程图；
图4为一种等离子加工设备的智能调控系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明公开了一种等离子加工设备的智能调控方法，如图1所示，包括以下步骤：
S102：在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；其中，所述预设区域为工件的加工区域；
S104：对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；
S106：将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图；
S108：预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息；
S110：获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令。
需要说明的是，通过获取工件的热红外图像，从而得到加工区域的实时等温线图，进而精准获取曲线孔内部的实时加工状况，以判断出工件在加工过程中是否发生了加工裂纹；并且能够及时对废品工件进行报废处理，避免出现工件是废品依旧对其进行继续加工的现象，能够有效降低加工成本，提高加工效率；并且能够根据工件的实时加工工况对等离子加工设备的实时加工参数进行调节，从而有效的防止加工裂纹进一步延伸，能够降低工件的报废率，提高生产效益。
在本发明的一个较佳实施例中，在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图，具体为：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，并获取每一张热红外图像的对比度，提取热红外图像中对比度高于预设对比度的区域，得到高对比度区域；
获取所述高对比度区域的特征纹理，并对所述特征纹理进行识别，将特征纹理为预设特征纹理的区域标记为特征部位，由所述特征部位提取出关键点；其中所述关键点为特征部位中像素值大于预设像素值的点；
构建融合空间，获取各热红外图像的定位基准点，以所述定位基准点为导入基准将多张热红外图像导入所述融合空间中进行融合处理，得到融合后的热红外图像；
由所述融合空间中获取融合后的热红外图像中各关键点对应的坐标值，基于所述坐标值生成关键点的三维云数据，基于所述三维云数据生成预设区域的温度体动网格模型；
将所述融合后的热红外图像填充入所述温度体动网格模型中，将融合后的热红外图像中与温度体动网格模型不重合部分的图像剔除，并将融合后的热红外图像中与温度体动网格模型重合部分的图像保留，得到预设区域的温度分布图。
需要说明的是，所述热红外摄像机设置多个，通过红外摄像机能够在同一时间节点拍摄工件多个角度的热红外图像。所述热红外图像的定位基准点由设计人员提前规定得到。所述融合空间可以通过工业三维建模软件构建得到。通过本方法能够对在同一时间节点上拍摄得到的多张热红外图像进行分析处理，从而筛分出热红外图像的特征部位，然后对特征部位的温度数据进行快速拼接，从而得到加工区域的实时的温度分布图，以为后续精准提取加工区域的等温线图提供可靠性数据。
在本发明的一个较佳实施例中，对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图，如图2所示，具体为：
S202：通过Canny边缘检测算法对所述温度分布图进行边缘提取，得到若干边缘特征线，对所述边缘特征线进行特征匹配处理，得到若干稀疏特征点；
S204：在若干稀疏特征点中选取任意一个稀疏特征点作为坐标原点，基于所述坐标原点构建空间坐标系，并在所述空间坐标系中获取各稀疏特征点的坐标信息；
S206：基于所述坐标信息生成稀疏特征点对应的稀疏点云数据，通过全局匹配算法对所述稀疏点云数据进行聚积匹配处理，得到聚积点云数据，并基于所述聚积点云数据得到各稀疏特征点对应的全局特征；
S208：对所述各稀疏特征点对应的全局特征进行特征聚合，以对若干所述边缘特征线进行重构，得到重构后的边缘特征线，对所述重构后的边缘特征线进行组合，得到预设区域的实时等温线图。
需要说明的是，由于温度分布图相邻颜色之间存在模糊过渡，当通过Canny边缘检测算法提取得到温度分布图的相邻颜色之间的边缘特征线后，边缘特征线会存在一定程度的边缘断裂和丢失现象，导致得到的边缘特征线完整性较差，同时导致所得到边缘特征线的冗余度与模糊度都较高，因此所得到的边缘特征线并不能够准确的表示加工区域的等温线的实际位置。通过本方法能够对由温度分布图提取出来的边缘特征线进行补缺与修正，从而重构得到完整的、清晰度高的实时等温线图，降低等温线图的冗余度，进而得到可靠性更高、精准度更高的实时等温线图。
在本发明的一个较佳实施例中，将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图，具体为：
通过大数据网络获取工件在各加工时间节点所对应的标准等温线图，构建知识图谱，并将所述工件在各加工时间节点所对应的标准等温线图导入所述知识图谱中；
获取工件的当前加工时间节点，并将所述当前加工时间节点导入所述知识图谱中，得到当前加工时间节点所对应的预设等温线图；
构建整合空间，并将所述预设等温线图与所述实时等温线图导入所述整合空间中进行整合配对，得到所述预设等温线图与实时等温线图之间的重合度；判断所述重合度是否大于预设重合度；
若所述重合度大于预设重合度，则生成第一判断结果，基于所述第一判断结果控制等离子加工设备按照预设加工参数继续加工；
若所述重合度不大于预设重合度，则生成第二判断结果，基于所述第二判断结果将预设等温线图与实时等温线图相重合的等温线由所述整合空间中剔除，并将预设等温线图与实时等温线图不相重合的等温线由所述整合空间中保留，得到等温线偏移图。
需要说明的是，在通过等离子加工设备加工曲线孔的过程中，若加工区域产生了热裂纹（加工裂纹），由于热裂纹引起的热散射作用，与正常情况相比较，发生热裂纹的区域温度会发生突变，与没有发生缺陷时的等温线相比较，发生缺陷后的等温线便会发生一定程度的偏移。其中，所述标准等温线图即在某一加工时间节点上工件并没有发生裂纹时的等温线图，该标准等温线图可以直接有大数据共享数据库中获取得到。若所述预设等温线图与实时等温线图之间的重合度大于预设重合度，此时可以说明的是，在当前加工时间节点上，工件并没有产生加工裂纹，此时的加工工况正常，此时控制等离子加工设备按照预设加工参数对工件进行继续加工即可。反之，若所述预设等温线图与实时等温线图之间的重合度不大于预设重合度，说明实时等温线图发生了异常情况，此时可以说明的是，在当前加工时间节点上，工件的某一区域的温度发生异常，说明工件的某一区域产生了加工裂纹，此时的加工工况异常，此时获取得到等温线偏移图，以基于等温线偏移图确定出加工裂纹的具体位置与具体尺寸参数。通过本方能够准确检测出工件的实时加工工况，以判断出工件在加工过程中是否发生了加工裂纹。
在本发明的一个较佳实施例中，预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息，如图3所示，具体为：
S302：预制若干等温线偏移定损图，并将预制完毕的等温线偏移定损图汇聚，得到等温线偏移定损图数据集，将所述等温线偏移定损图数据集分别为训练集与测试集；
S304：基于深度学习网络构建定损模型，将所述训练集导入所述定损模型中进行训练，当交叉损失函数训练至平稳后，保存模型参数；通过测试集对所述定损模型中进行测试，直至模型参数符合预设要求后，输出模型参数，得到训练完成后的定损模型；
S306：将所述等温线偏移图输入所述训练完成后的定损模型中，通过局部敏感哈希注意力机制计算所述等温线偏移图与各等温线偏移定损图之间的注意力分数，得到若干个注意力分数；
S308：构建序列表，将多个所述注意力分数导入所述序列表中进行大小排序，排序完成后，得到最大注意力分数，获取与所述最大注意力分数对应的等温线偏移定损图，根据与所述最大注意力分数对应的等温线偏移定损图确定出加工裂纹的实时特征信息。
需要说明的是，所述等温线偏移定损图表示的是对存在各种加工裂纹的工件进行加工温度场模拟分析后获取绘制得到的等温线图，其表示的是在特定温度场之下不同加工裂纹与等温线之间的相位关系，并且每一加工裂纹有着对应的等温线偏移定损图，等温线偏移定损图数据集可以不断更新。因此通过将等温线偏移图与多个等温线偏移定损图进行配对，然后配对出与温线偏移图相似度最高的等温线偏移定损图，然后再通过该等温线偏移定损图便能够分析出加工裂纹的裂纹实时深度、裂纹实时宽度、裂纹实时高度以及裂纹实时位置等实时特征信息，此种方法便为相位定损法。通过本方法能够快速获取加工裂纹的实时深度、实时宽度、实时高度以及实时位置信息。
在本发明的一个较佳实施例中，获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，具体为：
获取工件的工程蓝图信息，基于所述工程蓝图信息确定出工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息与加工区域位置信息得到加工区域与非加工区域的临界界面，对所述临界界面进行离散处理，得到若干临界离散点；
由所述工程蓝图信息中获取工件的设计基准，并获取各临界离散点与设计基准之间的第一相对坐标值，对所述第一相对坐标值进行汇聚，得到临界离散点坐标值合集；
基于所述加工裂纹的实时特征信息构建出加工裂纹的三维模型图，并由所述加工裂纹的三维模型图中提取出加工裂纹的轮廓曲面，对所述轮廓曲面进行离散处理，得到若干轮廓离散点；获取各轮廓离散点与设计基准之间的第二相对坐标值，对所述第二相对坐标值进行汇聚，得到轮廓离散点坐标合集；
将所述临界离散点坐标值合集中的第一相对坐标值与轮廓离散点坐标合集第二相对坐标值进行一一配对，以判断所述临界离散点坐标值合集与轮廓离散点坐标合集之间是否存坐标重合点；
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间存在至少一个坐标重合点，则生成停止加工指令，并将所述停止加工指令输出。
需要说明的是，所述工程蓝图信息由设计人员提前设计得到，工程蓝图信息里包括加工工艺信息、预设加工参数、加工尺寸信息、设计基准信息等。所述临界界面表示加工区域与非加工区域的交界区域，当加工裂纹延伸到临界界面上时，可以认为加工裂纹已经延伸到了非加工区域，此工件为不合格品。因此，通过获取得到临界界面的若干个离散点的若干个第一相对坐标值，然后再获取当前的加工裂纹的轮廓区域的若干个离散点的若干个第二相对坐标值，然后将若干个第一相对坐标值与若干个第二相对坐标值进行配对，若存在至少一个坐标重合点，此时说明加工裂纹已经延伸到了非加工区域，该工件即使完成后续加工流程依旧是废品，因此此时生成停止加工指令，停止对该工件进行继续加工，然后将该工件标定为废品，以对该工件进行及时报废，通过本方法能够判定出加工裂纹是否延伸到了非加工区域，当加工裂纹延伸到非加工区域后，停止加工指令，然后及时对该废品工件进行报废处理，避免出现工件是废品依旧对其进行继续加工的现象，能够有效降低加工成本，提高加工效率。
在本发明的一个较佳实施例中，还包括以下步骤：
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间不存在坐标重合点，则获取所述加工裂纹的三维模型图，并对所述加工裂纹的三维模型图进行有限元分析，得到加工裂纹的尖端应力；
获取工件的材料特性，基于所述材料特性得到工件的屈服应力，判断所述尖端应力是否大于所述屈服应力；
若所述尖端应力不大于所述屈服应力，则控制等离子加工设备按照预设加工参数继续加工；
若所述尖端应力大于所述屈服应力，则基于所述加工裂纹的实时特征信息在大数据网络中检索出对当前的加工裂纹进行加工时等离子加工设备的极限加工参数；
获取等离子加工设备的实时加工参数，计算所述实时加工参数与极限加工参数的差值，得到加工参数差值，基于所述加工参数差值对所述实时加工参数进行调节。
需要说明的是，若所述临界离散点坐标值合集与轮廓离散点坐标合集之间不存在坐标重合点，此时说明加工裂纹并没有延伸到非加工区域，该工件此时依旧是合格品，此时需要判断加工裂纹在当前加工环境下是否会发生进一步延伸现象，具体来说，通过三维仿真软件对加工裂纹的三维模型图进行有限元分析，从而得到加工裂纹的尖端应力，然后再获取工件的材料特性，从而得到工件的屈服应力，其中所述材料特征为工件的自身组成材料，如钢、铁、塑胶等。若所述尖端应力不大于所述屈服应力，说明等离子加工设备在预设加工参数的条件之下对工件进行加工时，该加工裂纹不会进一步延伸，此时不需要对离子加工设备的加工参数进行调节。反之，若所述尖端应力大于所述屈服应力，说明若等离子加工设备在预设加工参数的条件之下对工件进行加工时，该加工裂纹进一步延伸的概率极大，此时需要对等离子加工设备的实时加工参数进行调节，如调节等离子加工设备的电弧强度以及磁场强度等。通过本方法能够根据工件的实时加工工况对等离子加工设备的实时加工参数进行调节，从而有效的防止加工裂纹进一步延伸，能够降低工件的报废率，提高生产效益。
此外，所述一种等离子加工设备的智能调控方法，还包括以下步骤：
通过等离子加工设备对工件加工完毕后，通过超声波探测仪对工件进行扫描检测，以获取工件所反馈的超声波信号信息，基于所述超声波信号信息构建得到工件三维模型图；
由所述工件三维模型图获取得到各加工裂纹的裂纹参数信息，并根据所述裂纹参数信息计算出加工裂纹的密度；将所述加工的裂纹的密度与预设密度进行比较；
若所述加工的裂纹的密度不大于预设密度，则将加工完毕的工件投入抛光工艺工站进行抛光加工；
若所述加工裂纹的密度大于预设密度，则获取抛光工艺的预设抛光工艺参数，并基于所述预设抛光工艺参数对所述工件三维模型图进行模拟抛光加工，得到模拟抛光完毕的工件三维模型图；
由所述模拟抛光完毕的工件三维模型图中获取得到第二裂纹参数信息，基于所述第二裂纹参数信息计算出加工裂纹的第二密度，将所述加工的第二裂纹的密度与预设密度进行比较；
若所述加工裂纹的第二密度不大于预设密度，则将加工完毕的工件投入抛光工艺工站进行抛光加工；若所述加工裂纹的第二密度大于预设密度，则将加工完毕的工件进行报废处理。
需要说明的是，当通过等离子加工设备对随形冷却水道中的曲线孔加工完毕后，需要对加工完毕的曲线孔进行裂纹密度检测，若加工完毕的曲线孔裂纹密度过大，说明曲线孔的稳定性较差，此时需要将加工完毕的工件进行报废；若加工完毕的曲线孔裂纹密度在允许的范围之内，则需要对曲线孔进行抛光处理，以提高曲线孔的平滑度。其中，可以通过如SolidWorks、UG、PROE等工业三维软件构建得到工件三维模型图，同时能够通过工业三维软件对工件三维模型图进行模拟抛光加工，得到模拟抛光完毕的工件三维模型图。其中，所述裂纹参数信息包括裂纹深度、长度、宽度、位置等信息。若所述加工的裂纹的密度不大于预设密度，说明加工完毕的工件的裂纹密度在加工的允许范围内，此时将加工完毕的工件继续投入抛光工艺工站进行抛光加工即可。
若所述加工裂纹的密度大于预设密度，说明加工完毕的工件的裂纹密度过大，此时需要对该加工完毕的工件进行进一步分析。具体来说，通过工业三维软件对加工完毕的构建进行抛光工艺的抛光模拟分析，从而得到模拟抛光完毕的工件的加工裂纹的第二密度，若所述加工裂纹的第二密度不大于预设密度，说明工件在经过抛光工艺后，大部分加工裂纹均能够后被磨削除去，从而使得抛光完毕的工件的加工裂纹的密度进一步降低，此时工件的裂纹密度在加工的允许范围内，因此可以将加工完毕的工件继续投入抛光工艺工站进行抛光加工，并且抛光加工后的工件是合格品。若所述加工裂纹的第二密度依旧大于预设密度，此时说明工件在经过抛光工艺后其裂纹密度依旧过大，说明工件即使经过抛光工艺加工后其依旧是废品，此时需要对工件进行立刻报废，从而避免该工件流入到抛光工艺中进行加工，避免出现工件是废品依旧对其进行继续加工的现象，能够有效降低加工成本，提高加工效率。
此外，所述一种等离子加工设备的智能调控方法，还包括以下步骤：
获取当前等离子加工设备的历史报废率，基于深度学习网络构建报废率预测模型，并将所述当前等离子加工设备的历史报废率导入所述报废率预测模型中进行训练，得到训练完成后的报废率预测模型；
获取同一加工批次工件的生产计划信息，并将所述生产计划信息导入所述训练完成后的报废率预测模型中进行预测，得到同一加工批次工件的废品率信息；
判断所述报废率是否大于预设报废率，若大于，则生成分配信息，基于所述分配信息对该批次工件进行分配加工。
需要说明的是，在设备加工过程中，设备难免会产生一定数量的废品，其中所述生产计划信息包括产出数量需求、产出精度需求、计划加工数量信息等。通过本方法能够根据实际的生产计划信息对加工工件进行分配，以获取得到满足生产计划要求的工件，提高工件在加工过程中的合理性，避免出现因加工废品过大而导致出厂订单延时现象。
此外，所述一种等离子加工设备的智能调控方法，还包括以下步骤：
获取等离子加工设备的报废工件信息，基于所述报废工件信息确定出报废工件的缺陷区域位置，通过所述缺陷区域位置对等离子加工设备的子加工设备进行关联，得到关联性文本；
获取各子加工设备的实时加工参数信息，基于所述子加工设备的实时加工参数信息与关联性文本得到可能发生故障的子设备；
将所述可能发生故障的子设备导入马尔可夫模型中进行随机推演，得到最终发生故障的子设备，并将所述最终发生故障的子设备输出。
需要说明的是，在通过等离子加工设备加工工件的过程中，若工件的特定区域发生加工异常现象，此时可能是等离子加工设备中相关的子设备引起的，如曲线孔内侧孔曲线弯曲度不足，则可能是由于磁场设备发生故障，导致磁场强度不足，从而引发该异常现象。通过本方法能够根据工件的报废情况进一步分析出相关的子设备是否发生了故障，以使得工作人员及时检修，避免出现大批量废品的情况。
本发明另一方面公开了一种等离子加工设备的智能调控系统，所述调控系统包括存储器18与处理器22，所述存储器18中储存等离子加工设备的智能调控方法程序，当所述等离子加工设备的智能调控方法程序被处理器22执行时，如图4所示，实现如下步骤：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；其中，所述预设区域为工件的加工区域；
对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；
将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图；
预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息；
获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令。
进一步的，本发明的一个较佳实施例中，预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息，具体为：
预制若干等温线偏移定损图，并将预制完毕的等温线偏移定损图汇聚，得到等温线偏移定损图数据集，将所述等温线偏移定损图数据集分别为训练集与测试集；
基于深度学习网络构建定损模型，将所述训练集导入所述定损模型中进行训练，当交叉损失函数训练至平稳后，保存模型参数；通过测试集对所述定损模型中进行测试，直至模型参数符合预设要求后，输出模型参数，得到训练完成后的定损模型；
将所述等温线偏移图输入所述训练完成后的定损模型中，通过局部敏感哈希注意力机制计算所述等温线偏移图与各等温线偏移定损图之间的注意力分数，得到若干个注意力分数；
构建序列表，将多个所述注意力分数导入所述序列表中进行大小排序，排序完成后，得到最大注意力分数，获取与所述最大注意力分数对应的等温线偏移定损图，根据与所述最大注意力分数对应的等温线偏移定损图确定出加工裂纹的实时特征信息。
进一步的，本发明的一个较佳实施例中，获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，具体为：
获取工件的工程蓝图信息，基于所述工程蓝图信息确定出工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息与加工区域位置信息得到加工区域与非加工区域的临界界面，对所述临界界面进行离散处理，得到若干临界离散点；
由所述工程蓝图信息中获取工件的设计基准，并获取各临界离散点与设计基准之间的第一相对坐标值，对所述第一相对坐标值进行汇聚，得到临界离散点坐标值合集；
基于所述加工裂纹的实时特征信息构建出加工裂纹的三维模型图，并由所述加工裂纹的三维模型图中提取出加工裂纹的轮廓曲面，对所述轮廓曲面进行离散处理，得到若干轮廓离散点；获取各轮廓离散点与设计基准之间的第二相对坐标值，对所述第二相对坐标值进行汇聚，得到轮廓离散点坐标合集；
将所述临界离散点坐标值合集中的第一相对坐标值与轮廓离散点坐标合集第二相对坐标值进行一一配对，以判断所述临界离散点坐标值合集与轮廓离散点坐标合集之间是否存坐标重合点；
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间存在至少一个坐标重合点，则生成停止加工指令，并将所述停止加工指令输出。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种等离子加工设备的智能调控方法，其特征在于，包括以下步骤：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；其中，所述预设区域为工件的加工区域；
对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；
将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图；
预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息；
获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令；
其中，对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图，具体为：
通过Canny边缘检测算法对所述温度分布图进行边缘提取，得到若干边缘特征线，对所述边缘特征线进行特征匹配处理，得到若干稀疏特征点；
在若干稀疏特征点中选取任意一个稀疏特征点作为坐标原点，基于所述坐标原点构建空间坐标系，并在所述空间坐标系中获取各稀疏特征点的坐标信息；
基于所述坐标信息生成稀疏特征点对应的稀疏点云数据，通过全局匹配算法对所述稀疏点云数据进行聚积匹配处理，得到聚积点云数据，并基于所述聚积点云数据得到各稀疏特征点对应的全局特征；
对所述各稀疏特征点对应的全局特征进行特征聚合，以对若干所述边缘特征线进行重构，得到重构后的边缘特征线，对所述重构后的边缘特征线进行组合，得到预设区域的实时等温线图。
2.根据权利要求1所述的一种等离子加工设备的智能调控方法，其特征在于，在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图，具体为：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，并获取每一张热红外图像的对比度，提取热红外图像中对比度高于预设对比度的区域，得到高对比度区域；
获取所述高对比度区域的特征纹理，并对所述特征纹理进行识别，将特征纹理为预设特征纹理的区域标记为特征部位，由所述特征部位提取出关键点；其中所述关键点为特征部位中像素值大于预设像素值的点；
构建融合空间，获取各热红外图像的定位基准点，以所述定位基准点为导入基准将多张热红外图像导入所述融合空间中进行融合处理，得到融合后的热红外图像；
由所述融合空间中获取融合后的热红外图像中各关键点对应的坐标值，基于所述坐标值生成关键点的三维云数据，基于所述三维云数据生成预设区域的温度体动网格模型；
将所述融合后的热红外图像填充入所述温度体动网格模型中，将融合后的热红外图像中与温度体动网格模型不重合部分的图像剔除，并将融合后的热红外图像中与温度体动网格模型重合部分的图像保留，得到预设区域的温度分布图。
3.根据权利要求1所述的一种等离子加工设备的智能调控方法，其特征在于，将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图，具体为：
通过大数据网络获取工件在各加工时间节点所对应的标准等温线图，构建知识图谱，并将所述工件在各加工时间节点所对应的标准等温线图导入所述知识图谱中；
获取工件的当前加工时间节点，并将所述当前加工时间节点导入所述知识图谱中，得到当前加工时间节点所对应的预设等温线图；
构建整合空间，并将所述预设等温线图与所述实时等温线图导入所述整合空间中进行整合配对，得到所述预设等温线图与实时等温线图之间的重合度；判断所述重合度是否大于预设重合度；
若所述重合度大于预设重合度，则生成第一判断结果，基于所述第一判断结果控制等离子加工设备按照预设加工参数继续加工；
若所述重合度不大于预设重合度，则生成第二判断结果，基于所述第二判断结果将预设等温线图与实时等温线图相重合的等温线由所述整合空间中剔除，并将预设等温线图与实时等温线图不相重合的等温线由所述整合空间中保留，得到等温线偏移图。
4.根据权利要求1所述的一种等离子加工设备的智能调控方法，其特征在于，预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息，具体为：
预制若干等温线偏移定损图，并将预制完毕的等温线偏移定损图汇聚，得到等温线偏移定损图数据集，将所述等温线偏移定损图数据集分别为训练集与测试集；
基于深度学习网络构建定损模型，将所述训练集导入所述定损模型中进行训练，当交叉损失函数训练至平稳后，保存模型参数；通过测试集对所述定损模型中进行测试，直至模型参数符合预设要求后，输出模型参数，得到训练完成后的定损模型；
将所述等温线偏移图输入所述训练完成后的定损模型中，通过局部敏感哈希注意力机制计算所述等温线偏移图与各等温线偏移定损图之间的注意力分数，得到若干个注意力分数；
构建序列表，将多个所述注意力分数导入所述序列表中进行大小排序，排序完成后，得到最大注意力分数，获取与所述最大注意力分数对应的等温线偏移定损图，根据与所述最大注意力分数对应的等温线偏移定损图确定出加工裂纹的实时特征信息。
5.根据权利要求1所述的一种等离子加工设备的智能调控方法，其特征在于，获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，具体为：
获取工件的工程蓝图信息，基于所述工程蓝图信息确定出工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息与加工区域位置信息得到加工区域与非加工区域的临界界面，对所述临界界面进行离散处理，得到若干临界离散点；
由所述工程蓝图信息中获取工件的设计基准，并获取各临界离散点与设计基准之间的第一相对坐标值，对所述第一相对坐标值进行汇聚，得到临界离散点坐标值合集；
基于所述加工裂纹的实时特征信息构建出加工裂纹的三维模型图，并由所述加工裂纹的三维模型图中提取出加工裂纹的轮廓曲面，对所述轮廓曲面进行离散处理，得到若干轮廓离散点；获取各轮廓离散点与设计基准之间的第二相对坐标值，对所述第二相对坐标值进行汇聚，得到轮廓离散点坐标合集；
将所述临界离散点坐标值合集中的第一相对坐标值与轮廓离散点坐标合集第二相对坐标值进行一一配对，以判断所述临界离散点坐标值合集与轮廓离散点坐标合集之间是否存坐标重合点；
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间存在至少一个坐标重合点，则生成停止加工指令，并将所述停止加工指令输出。
6.根据权利要求5所述的一种等离子加工设备的智能调控方法，其特征在于，还包括以下步骤：
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间不存在坐标重合点，则获取所述加工裂纹的三维模型图，并对所述加工裂纹的三维模型图进行有限元分析，得到加工裂纹的尖端应力；
获取工件的材料特性，基于所述材料特性得到工件的屈服应力，判断所述尖端应力是否大于所述屈服应力；
若所述尖端应力不大于所述屈服应力，则控制等离子加工设备按照预设加工参数继续加工；
若所述尖端应力大于所述屈服应力，则基于所述加工裂纹的实时特征信息在大数据网络中检索出对当前的加工裂纹进行加工时等离子加工设备的极限加工参数；
获取等离子加工设备的实时加工参数，计算所述实时加工参数与极限加工参数的差值，得到加工参数差值，基于所述加工参数差值对所述实时加工参数进行调节。
7.一种等离子加工设备的智能调控系统，其特征在于，所述调控系统包括存储器与处理器，所述存储器中储存等离子加工设备的智能调控方法程序，当所述等离子加工设备的智能调控方法程序被处理器执行时，实现如下步骤：
在预设时间内通过热红外摄像机获取工件的多张热红外图像，基于所述多张热红外图像得到预设区域的温度分布图；其中，所述预设区域为工件的加工区域；
对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图；
将所述实时等温线图与预设等温线图进行比较判断，得到第一判断结果或第二判断结果，若判断结果为第一判断结果，则控制等离子加工设备按照预设加工参数继续加工；若判断结果为第二判断结果，则基于所述预设等温线图与实时等温线图得到等温线偏移图；
预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息；
获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令；
其中，对所述温度分布图进行边缘提取，若干边缘特征线，并对所述边缘特征线进行重构，得到重构后的边缘特征线，基于重构后的边缘特征线得到预设区域的实时等温线图，具体为：
通过Canny边缘检测算法对所述温度分布图进行边缘提取，得到若干边缘特征线，对所述边缘特征线进行特征匹配处理，得到若干稀疏特征点；
在若干稀疏特征点中选取任意一个稀疏特征点作为坐标原点，基于所述坐标原点构建空间坐标系，并在所述空间坐标系中获取各稀疏特征点的坐标信息；
基于所述坐标信息生成稀疏特征点对应的稀疏点云数据，通过全局匹配算法对所述稀疏点云数据进行聚积匹配处理，得到聚积点云数据，并基于所述聚积点云数据得到各稀疏特征点对应的全局特征；
对所述各稀疏特征点对应的全局特征进行特征聚合，以对若干所述边缘特征线进行重构，得到重构后的边缘特征线，对所述重构后的边缘特征线进行组合，得到预设区域的实时等温线图。
8.根据权利要求7所述的一种等离子加工设备的智能调控系统，其特征在于，预制若干等温线偏移定损图，将所述等温线偏移图与等温线偏移定损图进行比较分析，确定出加工裂纹的实时特征信息，具体为：
预制若干等温线偏移定损图，并将预制完毕的等温线偏移定损图汇聚，得到等温线偏移定损图数据集，将所述等温线偏移定损图数据集分别为训练集与测试集；
基于深度学习网络构建定损模型，将所述训练集导入所述定损模型中进行训练，当交叉损失函数训练至平稳后，保存模型参数；通过测试集对所述定损模型中进行测试，直至模型参数符合预设要求后，输出模型参数，得到训练完成后的定损模型；
将所述等温线偏移图输入所述训练完成后的定损模型中，通过局部敏感哈希注意力机制计算所述等温线偏移图与各等温线偏移定损图之间的注意力分数，得到若干个注意力分数；
构建序列表，将多个所述注意力分数导入所述序列表中进行大小排序，排序完成后，得到最大注意力分数，获取与所述最大注意力分数对应的等温线偏移定损图，根据与所述最大注意力分数对应的等温线偏移定损图确定出加工裂纹的实时特征信息。
9.根据权利要求7所述的一种等离子加工设备的智能调控系统，其特征在于，获取工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息、加工区域位置信息以及实时特征信息生成等离子加工设备的加工指令，具体为：
获取工件的工程蓝图信息，基于所述工程蓝图信息确定出工件的非加工区域位置信息与加工区域位置信息，基于所述非加工区域位置信息与加工区域位置信息得到加工区域与非加工区域的临界界面，对所述临界界面进行离散处理，得到若干临界离散点；
由所述工程蓝图信息中获取工件的设计基准，并获取各临界离散点与设计基准之间的第一相对坐标值，对所述第一相对坐标值进行汇聚，得到临界离散点坐标值合集；
基于所述加工裂纹的实时特征信息构建出加工裂纹的三维模型图，并由所述加工裂纹的三维模型图中提取出加工裂纹的轮廓曲面，对所述轮廓曲面进行离散处理，得到若干轮廓离散点；获取各轮廓离散点与设计基准之间的第二相对坐标值，对所述第二相对坐标值进行汇聚，得到轮廓离散点坐标合集；
将所述临界离散点坐标值合集中的第一相对坐标值与轮廓离散点坐标合集第二相对坐标值进行一一配对，以判断所述临界离散点坐标值合集与轮廓离散点坐标合集之间是否存坐标重合点；
若所述临界离散点坐标值合集与轮廓离散点坐标合集之间存在至少一个坐标重合点，则生成停止加工指令，并将所述停止加工指令输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310507519.8A CN116228766B (zh) | 2023-05-08 | 2023-05-08 | 一种等离子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 |
|---|---|---|---|
| CN202310507519.8A CN116228766B (zh) | 2023-05-08 | 2023-05-08 | 一种等离子加工设备的智能调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228766A CN116228766A (zh) | 2023-06-06 |
| CN116228766B true CN116228766B (zh) | 2023-07-25 |
Family
ID=86584699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310507519.8A Active CN116228766B (zh) | 2023-05-08 | 2023-05-08 | 一种等离子加工设备的智能调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228766B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116560327B (zh) * | 2023-07-07 | 2023-09-19 | 深圳市百思泰科技有限公司 | 一种基于物联网的电动工具生产控制方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627252A (zh) * | 2022-02-10 | 2022-06-14 | 北京大学深圳研究生院 | 获取地表温度分布的无人机和地表温度分布图的获取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI654584B (zh) * | 2018-03-02 | 2019-03-21 | 由田新技股份有限公司 | 強化工件光學特徵之設備、方法、強化工件光學特徵之深度學習方法及非暫態電腦可讀取記錄媒體 |
| CN110246118B (zh) * | 2019-05-07 | 2021-06-01 | 中国人民解放军陆军工程大学 | 一种缺陷深度检测方法 |
| CN112258446A (zh) * | 2020-08-31 | 2021-01-22 | 洛阳中信成像智能科技有限公司 | 一种基于改进yolo算法的工业零件缺陷检测方法 |
-
2023
- 2023-05-08 CN CN202310507519.8A patent/CN116228766B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627252A (zh) * | 2022-02-10 | 2022-06-14 | 北京大学深圳研究生院 | 获取地表温度分布的无人机和地表温度分布图的获取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228766A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6701615B2 (en) | Inspection and sorting system and method for part repair | |
| CN116228766B (zh) | 一种等离子加工设备的智能调控方法及系统 | |
| CN116618764B (zh) | 一种镜面放电加工机的生产优化方法及系统 | |
| CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
| CN116992740B (zh) | 一种通讯基站精密部件生产设备的智能调控方法及系统 | |
| US20180017375A1 (en) | Shanghai university of engineering science | |
| CN117440308B (zh) | 一种麦克风话筒生产产线智能控制方法及系统 | |
| CN116309556B (zh) | 一种基于机器视觉技术的钢构件成品质量管理方法 | |
| CN116500086B (zh) | 一种基于深度学习的铜复铝散热底板生产评价方法及系统 | |
| CN111354496B (zh) | 核电厂事故在线诊断及状态跟踪预测方法 | |
| CN117161582B (zh) | 一种基于计算机视觉的激光切割方法 | |
| CN117608259A (zh) | 一种储存芯片生产设备的控制方法及系统 | |
| CN116501000B (zh) | 一种复合铜散热底板生产设备的控制方法及系统 | |
| CN112580935A (zh) | 一种基于机器视觉的工业产品生产流程溯源分析方法 | |
| CN113703392B (zh) | 一种碳纤维产品的数据采集方法、装置及设备 | |
| CN116394161B (zh) | 一种基于数据分析的电极生产管理方法及系统 | |
| CN113870207A (zh) | 刀具检测方法、装置、计算机设备和存储介质 | |
| CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
| CN117893542A (zh) | 一种基于图像处理技术的绝缘电缆生产方法及系统 | |
| CN113393450B (zh) | 用于数字线划图的数据质检方法、系统及可读存储介质 | |
| CN117850216B (zh) | 一种亚克力镜片生产设备智能控制方法及系统 | |
| CN118736329A (zh) | 一种基于智能调节的越野摩托车零件生产工艺优化方法 | |
| Liu et al. | Integration of process monitoring and inspection based on agents and manufacturing features | |
| CN118296760A (zh) | 一种辐板变形预测模型的构建方法、变形预测方法及装置 | |
| US20220176467A1 (en) | Method and system for recognizing deburring trajectory |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Intelligent Control Method and System for Plasma Processing Equipment Effective date of registration: 20231226 Granted publication date: 20230725 Pledgee: Bank of Communications Limited Shenzhen Branch Pledgor: Dezhong (Shenzhen) laser Intelligent Technology Co.,Ltd. Registration number: Y2023980074404 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |