CN116296305A - 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 - Google Patents
具有在线故障自诊断功能的折弯机后挡料部件诊断方法 Download PDFInfo
- Publication number
- CN116296305A CN116296305A CN202211496427.6A CN202211496427A CN116296305A CN 116296305 A CN116296305 A CN 116296305A CN 202211496427 A CN202211496427 A CN 202211496427A CN 116296305 A CN116296305 A CN 116296305A
- Authority
- CN
- China
- Prior art keywords
- fault
- material blocking
- bending machine
- amplitude
- algorithm
- 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.)
- Pending
Links
- 230000000903 blocking effect Effects 0.000 title claims abstract description 52
- 238000005452 bending Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004092 self-diagnosis Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000007637 random forest analysis Methods 0.000 claims abstract description 36
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000013139 quantization Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 238000009434 installation Methods 0.000 abstract 1
- 238000011002 quantification Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，该方法包括如下步骤：S1.后挡料部件上嵌入式振动加速度传感器安装位置的确定；S2.后挡料部件振动信号的无线传输与数据处理；S3.基于故障数据库融合的随机森林诊断算法参数的更新；S4.后挡料部件不同类型故障程度的量化；S5.基于随机森林算法的后挡料部件远程故障自诊断。其诊断精度较高，对于实现数控折弯机后挡料部件故障报警与故障程度量化具有重要的现实研究意义。
Description
技术领域
本发明涉及结构故障自诊断分析，特别涉及一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法。
背景技术
我国的制造业正逐步从“制造”到“智造”转变，数控折弯机是一种完成板料精确成型的数控机床通用设备，广泛应用于机械制造、航空航天等重要生产领域。目前，数控折弯机工作发生故障后，仍是以报警、停机为主，缺乏有效的运行监测机制。针对数控折弯机在使用过程中出现的联接螺栓松动、后挡料倾角变化及其它常见故障形式的研究是十分必要的。
在此背景下，高效准确地对数控折弯机后挡料部件进行故障诊断监测，辨识影响后挡料可靠性的关键原因，对提高数控折弯机作业质量及其可靠性具有重要价值。鉴于此，本发明通过研制一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，具有重要的研究意义。
发明内容
发明目的：本发明目的是提供一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，该方法检测精度高。
技术方案：本发明提供一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法包括如下步骤：
S1.后挡料部件上嵌入式振动加速度传感器安装位置的确定：
数控折弯机后挡料松动的机理原因是由于上料过程中操作人员的操作不当造成的，其失效形式为梁两侧连接的松动，会引起振动现象的发生，进而影响加工零件的质量。首先将简化的后挡料部件导入到ANSYS有限元仿真软件中，对其进行网格划分和边界条件的约束，确保划分后的网格单元数不低于5万个。其次分别计算出其前10阶的振型和频率。根据前期有限元模态分析得到的后挡料部件的振型和频域结果，确定数控折弯机后挡料部件的测点位置为滑轨支撑梁背面的中心位置。同时，选择两个档子中间的主梁侧端设定传感器测点，以构成数控折弯机后挡料监测数据参照组。确定传感器监测点后，通过磁吸方式将两个振动加速度传感器安装嵌入在滑轨支撑梁底端和侧端。
S2.后挡料部件振动信号的无线传输与数据处理：
根据上述仿真结果确定出拟采用安准传感器的最佳参数数值，主要包括测量方向为2向、采样频率为8KHZ、测量范围为
等。振动信号采集完成后通过网关进行数据的压缩与清洗工作，在保证诊断精度的前提下，提取出原采集信号长度千分之一的信号值，清洗掉原始信号中噪声和其他振动干扰因素。最后通过网关将处理压缩后的信号打包发送至云平台端，云平台端开发嵌入式信号时域和频域特征值计算程序，时域特征值主要包括均值、方差、标准差、均方根、峭度、绝对平均值、方根幅值、最大值、最小值、峰峰值、偏斜度、波形指标、峰值指标、脉冲指标、裕度指标、偏度指标及峭度指标，频域特征值主要包括幅值平均值、幅值方差、方根幅值、幅值标准差、幅值最大值、幅值最小值、幅值峰峰值、幅值均方根、幅值峭度、幅值偏斜度、重心频率、均方根频率及频率标准差，计算完成后将特征值依次进行分类存储，便于进行下一步诊断算法的编制。
S3.基于故障数据库融合的随机森林诊断算法参数的更新：
根据上述求解得到的不同类型信号的时域和频域特征值进行分析，采用基于故障数据库融合多特征指标的方式进行随机森林算法的编制。
表示训练样本的总数量，/>
表示特征值的数量；输入特征数目为/>
，用于确定决策树上一个节点的决策结果，其中/>
小于/>
。随机森林算法求解计算的主要流程为，从/>
个训练样本中以有放回抽样的方式，取样/>
次，形成一个训练集，并用未抽到的样本作预测，评估其误差。对于每一个节点，随机选择/>
个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这/>
个特征，计算其最佳的分裂方式，可以产生高准确度的分类器，通过对不同机床不同故障类型数据库的运算，得到数控折弯机后挡料部件时域的最佳特征值为均方根、峭度、绝对平均值、最大值、偏斜度、波形指标、脉冲指标；最佳频域特征值为幅值最大值、幅值峭度、幅值偏斜度。并为了尽可能提高诊断精度，根据不同故障类型确定出随机森林算法的最佳运行参数为决策树的设置数量/>
。
S4.后挡料部件不同类型故障程度的量化：
根据上述编制的故障诊断算法，融合不同类型的故障数据库以及信号的时域和频域特征值，通过模拟不同故障类型的故障程度进行故障数据库的扩充，然后结合随机森林回归算法进行不同故障程度量化指标的预测，最后设定在不同故障程度下不同特征值类型的阈值判据，采用随机森林分类算法进行分析，实现数控折弯机后挡料的故障程度量化功能。主要量化指标为螺栓的松动量和轮齿的松动量，其松动量分为4级，分别为松动2丝、4丝、6丝及8丝。通过随机森林算法的分类结果与不同等级的阈值判据做比较，确定出其所属的松动等级。
S5.基于随机森林算法的后挡料部件远程故障自诊断：
针对不同类型的数控折弯机进行典型故障信号离线采集工作，充分融合人为设计的试验故障库与实际工况故障库，依托相应故障数据提取关键阈值特征数据，编制含阈值判据的量化算法，并将其对应的量化算法编制存储在云平台内，同时根据实际需求进行实时不同型号的故障数据算法补充。基于随机森林算法进行数控折弯机后挡料故障程度的量化分析，同时根据同类别数控折弯机不同规格进行随机森林算法参数
的实时迭代更新，直至满足联动模型的最优条件，进而实现数控折弯机后挡料部件故障程度指标的量化表达
本发明的优点为：针对数控折弯机在使用过程中出现的后挡料倾角变化故障形式，通过设置嵌入式振动加速度传感器，实现信号数据的实时采集、压缩清洗及无线传输的功能。并结合随机森林算法编制诊断程序，使得数控折弯机后挡料实现故障报警与故障程度量化评估的功能，减少严重故障的出现，有效延长其工作寿命。
附图说明
图1为本发明提供的一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法流程框图。
具体实施方式
如图1所示，本实施例基于一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，该方法包括以下步骤：
S1.后挡料部件上嵌入式振动加速度传感器安装位置的确定：
数控折弯机后挡料松动的机理原因是由于上料过程中操作人员的操作不当造成的，其失效形式为梁两侧连接的松动，会引起振动现象的发生，进而影响加工零件的质量。首先将简化的后挡料部件导入到ANSYS有限元仿真软件中，对其进行网格划分和边界条件的约束，确保划分后的网格单元数不低于5万个。其次分别计算出其前10阶的振型和频率。根据前期有限元模态分析得到的后挡料部件的振型和频域结果，确定数控折弯机后挡料部件的测点位置为滑轨支撑梁背面的中心位置。同时，选择两个档子中间的主梁侧端设定传感器测点，以构成数控折弯机后挡料监测数据参照组。确定传感器监测点后，通过磁吸方式将两个振动加速度传感器安装嵌入在滑轨支撑梁底端和侧端。
S2.后挡料部件振动信号的无线传输与数据处理：
根据上述仿真结果确定出拟采用安准传感器的最佳参数数值，主要包括测量方向为2向、采样频率为8KHZ、测量范围为
等。振动信号采集完成后通过网关进行数据的压缩与清洗工作，在保证诊断精度的前提下，提取出原采集信号长度千分之一的信号值，清洗掉原始信号中噪声和其他振动干扰因素。最后通过网关将处理压缩后的信号打包发送至云平台端，云平台端开发嵌入式信号时域和频域特征值计算程序，时域特征值主要包括均值、方差、标准差、均方根、峭度、绝对平均值、方根幅值、最大值、最小值、峰峰值、偏斜度、波形指标、峰值指标、脉冲指标、裕度指标、偏度指标及峭度指标，频域特征值主要包括幅值平均值、幅值方差、方根幅值、幅值标准差、幅值最大值、幅值最小值、幅值峰峰值、幅值均方根、幅值峭度、幅值偏斜度、重心频率、均方根频率及频率标准差，计算完成后将特征值依次进行分类存储，便于进行下一步诊断算法的编制。
S3.基于故障数据库融合的随机森林诊断算法参数的更新：
根据上述求解得到的不同类型信号的时域和频域特征值进行分析，采用基于故障数据库融合多特征指标的方式进行随机森林算法的编制。
表示训练样本的总数量，/>
表示特征值的数量；输入特征数目为/>
，用于确定决策树上一个节点的决策结果，其中/>
小于/>
。随机森林算法求解计算的主要流程为，从/>
个训练样本中以有放回抽样的方式，取样/>
次，形成一个训练集，并用未抽到的样本作预测，评估其误差。对于每一个节点，随机选择/>
个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这/>
个特征，计算其最佳的分裂方式，可以产生高准确度的分类器，通过对不同机床不同故障类型数据库的运算，得到数控折弯机后挡料部件时域的最佳特征值为均方根、峭度、绝对平均值、最大值、偏斜度、波形指标、脉冲指标；最佳频域特征值为幅值最大值、幅值峭度、幅值偏斜度。并为了尽可能提高诊断精度，根据不同故障类型确定出随机森林算法的最佳运行参数为决策树的设置数量/>
。
S4.后挡料部件不同类型故障程度的量化：
根据上述编制的故障诊断算法，融合不同类型的故障数据库以及信号的时域和频域特征值，通过模拟不同故障类型的故障程度进行故障数据库的扩充，然后结合随机森林回归算法进行不同故障程度量化指标的预测，最后设定在不同故障程度下不同特征值类型的阈值判据，采用随机森林分类算法进行分析，实现数控折弯机后挡料的故障程度量化功能。主要量化指标为螺栓的松动量和轮齿的松动量，其松动量分为4级，分别为松动2丝、4丝、6丝及8丝。通过随机森林算法的分类结果与不同等级的阈值判据做比较，确定出其所属的松动等级。
S5.基于随机森林算法的后挡料部件远程故障自诊断：
针对不同类型的数控折弯机进行典型故障信号离线采集工作，充分融合人为设计的试验故障库与实际工况故障库，依托相应故障数据提取关键阈值特征数据，编制含阈值判据的量化算法，并将其对应的量化算法编制存储在云平台内，同时根据实际需求进行实时不同型号的故障数据算法补充。基于随机森林算法进行数控折弯机后挡料故障程度的量化分析，同时根据同类别数控折弯机不同规格进行随机森林算法参数
的实时迭代更新，直至满足联动模型的最优条件，进而实现数控折弯机后挡料部件故障程度指标的量化表达。
Claims (5)
1.一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，其特征在于：包括如下步骤：
S1.后挡料部件上嵌入式振动加速度传感器安装位置的确定：
首先将简化的后挡料部件导入到ANSYS有限元仿真软件中，对其进行网格划分和边界条件的约束，其次分别计算出其前10阶的振型和频率；根据前期有限元模态分析得到的后挡料部件的振型和频域结果，确定数控折弯机后挡料部件的测点位置为滑轨支撑梁背面的中心位置；同时选择两个档子中间的主梁侧端设定传感器测点，以构成数控折弯机后挡料监测数据参照组；确定传感器监测点后，通过磁吸方式将两个振动加速度传感器安装嵌入在滑轨支撑梁底端和侧端；
S2.后挡料部件振动信号的无线传输与数据处理：
根据上述仿真结果确定出拟采用传感器的参数数值，振动信号采集完成后通过网关进行数据的压缩与清洗工作，在保证诊断精度的前提下，提取出原采集信号长度千分之一的信号值，清洗掉原始信号中噪声和其他振动干扰因素；最后通过网关将处理压缩后的信号打包发送至云平台端，云平台端开发嵌入式信号时域和频域特征值计算程序，计算完成后将特征值依次进行分类存储，便于进行下一步诊断算法的编制；
S3.基于故障数据库融合的随机森林诊断算法参数的更新：
根据上述求解得到的不同类型信号的时域和频域特征值进行分析，采用基于故障数据库融合多特征指标的方式进行随机森林算法的编制，
表示训练样本的总数量，/>
表示特征值的数量；输入特征数目为/>
，用于确定决策树上一个节点的决策结果，其中/>
小于/>
；随机森林算法求解计算的流程为，从/>
个训练样本中以有放回抽样的方式，取样/>
次，形成一个训练集，并用未抽到的样本作预测，评估其误差；对于每一个节点，随机选择/>
个特征，决策树上每个节点的决定都是基于这些特征确定的；根据这/>
个特征，计算其最佳的分裂方式，通过对不同机床不同故障类型数据库的运算，得到数控折弯机后挡料部件时域的最佳特征值为均方根、峭度、绝对平均值、最大值、偏斜度、波形指标、脉冲指标；最佳频域特征值为幅值最大值、幅值峭度、幅值偏斜度；并根据不同故障类型确定出随机森林算法的最佳运行参数为决策树的设置数量/>
；
S4.后挡料部件不同类型故障程度的量化：
根据上述编制的故障诊断算法，融合不同类型的故障数据库以及信号的时域和频域特征值，通过模拟不同故障类型的故障程度进行故障数据库的扩充，然后结合随机森林回归算法进行不同故障程度量化指标的预测，最后设定在不同故障程度下不同特征值类型的阈值判据，采用随机森林分类算法进行分析，实现数控折弯机后挡料的故障程度量化功能；量化指标为螺栓的松动量和轮齿的松动量，通过随机森林算法的分类结果与不同等级的阈值判据做比较，确定出其所属的松动等级；
S5.基于随机森林算法的后挡料部件远程故障自诊断：
针对不同类型的数控折弯机进行典型故障信号离线采集工作，充分融合人为设计的试验故障库与实际工况故障库，依托相应故障数据提取关键阈值特征数据，编制含阈值判据的量化算法，并将其对应的量化算法编制存储在云平台内，同时根据实际需求进行实时不同型号的故障数据算法补充；基于随机森林算法进行数控折弯机后挡料故障程度的量化分析，同时根据同类别数控折弯机不同规格进行随机森林算法参数
的实时迭代更新，直至满足联动模型的最优条件，进而实现数控折弯机后挡料部件故障程度指标的量化表达。
2.根据权利要求1所述的一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，其特征在于：所述S1步骤中：确保划分后的网格单元数不低于5万个。
3.根据权利要求1所述的一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，其特征在于：所述S2步骤中：传感器的最佳参数数值，包括测量方向为2向、采样频率为8KHZ、测量范围为
。
4.根据权利要求1所述的一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，其特征在于：所述时域特征值主要包括均值、方差、标准差、均方根、峭度、绝对平均值、方根幅值、最大值、最小值、峰峰值、偏斜度、波形指标、峰值指标、脉冲指标、裕度指标、偏度指标及峭度指标，频域特征值主要包括幅值平均值、幅值方差、方根幅值、幅值标准差、幅值最大值、幅值最小值、幅值峰峰值、幅值均方根、幅值峭度、幅值偏斜度、重心频率、均方根频率及频率标准差。
5.根据权利要求1所述的一种具有在线故障自诊断功能的折弯机后挡料部件诊断方法，其特征在于：所述S4步骤中：其松动量分为4级，分别为松动2丝、4丝、6丝及8丝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211496427.6A CN116296305A (zh) | 2022-11-28 | 2022-11-28 | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211496427.6A CN116296305A (zh) | 2022-11-28 | 2022-11-28 | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116296305A true CN116296305A (zh) | 2023-06-23 |
Family
ID=86780259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211496427.6A Pending CN116296305A (zh) | 2022-11-28 | 2022-11-28 | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116296305A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502155A (zh) * | 2023-06-28 | 2023-07-28 | 武汉新威奇科技有限公司 | 一种用于数控电动螺旋压力机的安全监管系统 |
-
2022
- 2022-11-28 CN CN202211496427.6A patent/CN116296305A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502155A (zh) * | 2023-06-28 | 2023-07-28 | 武汉新威奇科技有限公司 | 一种用于数控电动螺旋压力机的安全监管系统 |
| CN116502155B (zh) * | 2023-06-28 | 2023-09-19 | 武汉新威奇科技有限公司 | 一种用于数控电动螺旋压力机的安全监管系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
| CN111274671B (zh) | 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统 | |
| CN108121295A (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
| CA2426627A1 (en) | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives | |
| CN107627152B (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
| CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
| CN116296305A (zh) | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 | |
| CN107391890B (zh) | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 | |
| CN112729370A (zh) | 桥梁动态应变监测系统校准方法 | |
| CN113779838B (zh) | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 | |
| CN109034483A (zh) | 一种基于质量功能配置的检测规划方法 | |
| CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
| CN101532902A (zh) | 用于冷冲模具的质量监测和故障诊断方法 | |
| CN112329341B (zh) | 一种基于ar和随机森林模型的故障诊断系统及方法 | |
| CN114206599A (zh) | 用于接头改进的机器学习 | |
| CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
| CN116222987A (zh) | 嵌入故障预警系统的转塔冲床丝杠部件诊断方法 | |
| Zuo et al. | Error sensitivity analysis and precision distribution for multi-operation machining processes based on error propagation model | |
| CN113569491B (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 | |
| CN116222988A (zh) | 融合智能学习算法的激光切割机齿条系统故障诊断方法 | |
| CN114999596A (zh) | 一种滑动结合部虚拟材料层参数识别方法 | |
| US11436485B2 (en) | Method for performing diagnostics of a structure subject to loads based on the measurement of displacements and system for implementing said method | |
| KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
| CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 | |
| Masalimov et al. | Method of Operational Diagnostics of Metal Cutting Machine Modules |
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 |