CN116520758B - 一种机加工设备远程控制方法及系统 - Google Patents
一种机加工设备远程控制方法及系统 Download PDFInfo
- Publication number
- CN116520758B CN116520758B CN202310802128.9A CN202310802128A CN116520758B CN 116520758 B CN116520758 B CN 116520758B CN 202310802128 A CN202310802128 A CN 202310802128A CN 116520758 B CN116520758 B CN 116520758B
- Authority
- CN
- China
- Prior art keywords
- machining
- product
- processing
- processed
- 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.)
- Active
Links
- 238000003754 machining Methods 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 148
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 238000007418 data mining Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 4
- 238000013097 stability assessment Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23051—Remote control, enter program remote, detachable programmer
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种机加工设备远程控制方法及系统，涉及智能制造技术领域，应用于云决策平台，包括：接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；接收机加工设备基础信息包括初始加工参数和设备加工记录数据；对机加工设备获取稳定性评估结果；当稳定性评估结果为通过时，将初始加工参数和待加工产品初始状态信息输入内嵌于云决策平台的加工状态预测模型，获取加工状态预测结果；当加工状态预测结果满足期望加工状态时对机加工设备进行控制。解决现有技术中由于基于固定控制模式进行控制，无法对控制参数基于实时场景进行验证，导致存在场景适应度较低的技术问题。
Description
技术领域
本发明涉及智能制造技术领域，具体涉及一种机加工设备远程控制方法及系统。
背景技术
机加工设备是用于进行机械加工的各类机床，包括车削机床、铣削机床、刨床和钻床等。随着智能制造技术的飞速发展，机加工设备自动化生产程度越来越高，相应的，机加工设备的自动化控制技术的发展备受重视。
目前机加工设备的自动化加工主要方式为根据预先设定的固定控制模式进行控制，缺点在于无法对控制参数基于实时场景进行验证，智能化程度较低，导致无法适应复杂的生产场景。
发明内容
本申请提供了一种机加工设备远程控制方法及系统，用于针对解决现有技术中由于基于固定控制模式进行控制，无法对控制参数基于实时场景进行验证，导致存在场景适应度较低的技术问题。
鉴于上述问题，本申请提供了一种机加工设备远程控制方法及系统。
本申请的第一个方面，提供了一种机加工设备远程控制方法，其中，应用于云决策平台，包括：接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制。
本申请的第二个方面，提供了一种机加工设备远程控制系统，应用于云决策平台，包括：图像采集模块，用于接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；特征分析模块，用于根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；设备信息获取模块，用于接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；稳定性评估模块，用于根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；加工状态预测模块，用于当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；任务执行模块，用于当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制。
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：
本申请通过提供接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制。由于可以根据待加工产品的实时状态对加工控制参数进行验证，当符合预期才允许开始生产，达到了提高机加工设备的场景适应度的技术效果。
附图说明
图1为本申请提供的一种机加工设备远程控制方法流程示意图；
图2为本申请提供的一种机加工设备远程控制方法中特征分析的流程示意图；
图3为本申请提供的一种机加工设备远程控制方法中加工稳定性评估的流程示意图；
图4为本申请提供的一种机加工设备远程控制系统的结构示意图。
附图标记说明：图像采集模块11，特征分析模块12，设备信息获取模块13，稳定性评估模块14，加工状态预测模块15，任务执行模块16。
具体实施方式
本申请通过提供了一种机加工设备远程控制方法及系统，用于针对解决现有技术中由于基于固定控制模式进行控制，无法对控制参数基于实时场景进行验证，导致存在场景适应度较低的技术问题。由于可以根据待加工产品的实时状态对加工控制参数进行验证，当符合预期才允许开始生产，达到了提高机加工设备的场景适应度的技术效果。
实施例一：如图1所示，本申请提供了一种机加工设备远程控制方法，应用于云决策平台，包括步骤：
S100：接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；
在一个优选实施例中，云决策平台指的是部署于云端用于对机加工设备进行远程控制的决策端，云决策平台具有一个云决策数据中心，用于存储和处理机加工数据，还具有多个用户端，用户可通过用户端与云决策平台直接交互，通过云决策平台获取车间的实时状态数据，可以通过云决策平台部署的控制模式进行车间管理，也可通过用户端对车间进行控制，实现车间的远程管理。远程控制在实现了机加工车间的数字化生产的同时，降低了车间恶劣环境对工作人员健康的影响。
本申请实施例重点阐述基于云决策平台的机加工设备生产时的自动化控制方法。图像采集装置指的是部署于机加工车间的采集图像的设备，优选为工业摄像机，可选的包括位置固定的摄像机、位置可移动的摄像机，其与云决策平台实时通信连接，可根据实际需求采集图像，并传输至云决策平台。通过图像采集装置对需求进行机加工的待加工产品进行多角度图像采集，得到待加工产品图像信息传输至云决策平台，等待后步调用。
S200：根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；
进一步的，如图2所示，根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息，步骤S200包括步骤：
S210：对所述待加工产品图像信息进行特征提取，获取待加工产品几何特征信息和待加工产品纹理特征信息；
S220：将所述待加工产品几何特征信息和所述待加工产品纹理特征信息，添加进所述待加工产品初始状态信息。
在一个优选实施例中，由于本申请实施例主要适用的机加工设备为对工件进行外形加工的设备，因此只需要确定表征待加工产品的外观特征的待加工产品初始状态信息。优选的，可通过卷积神经网络模型对待加工产品图像信息进行特征提取，得到表征其外观尺寸特征的待加工产品几何特征信息，以及表征其表面纹理特征的待加工产品纹理特征信息，添加进待加工产品初始状态信息。具体的，外观尺寸特征优选的包括工件的长度、宽度、厚度和弧度等参数；纹理特征优选的包括可以确定工件表面的纹理走向、分布状态等参数。
S300：接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；
在一个优选的实施例中，机加工设备基础信息指的是包括机加工设备型号信息、由用户设定的初始加工参数以及该预设时间内的设备加工记录数据等信息，优选的预设时间为近一个月的生产加工记录数据。
S400：根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；
具体的，设备加工记录数据用于对机加工设备进行稳定性评估，验证机加工设备的控制稳定性，将评估结果存储为稳定性评估结果。
详细过程如下：
进一步的，如图3所示，根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备，步骤S400包括步骤：
S410：根据所述设备加工记录数据，获取设置控制参数记录数据和执行控制参数记录数据；
S420：对所述设置控制参数记录数据和所述执行控制参数记录数据进行偏差分析，获取多个控制误差；
S430：根据预设偏离度对所述多个控制误差进行层次聚类分析，获取多个聚类结果，其中，所述多个聚类结果包括多个聚类频率因子；
S440：将所述多个聚类频率因子大于或等于预设聚类频率的所述多个聚类结果中的所述多个控制误差进行均值分析，获取均值分析结果；
S450：根据所述均值分析结果，确定所述稳定性评估结果。
进一步的，根据所述均值分析结果，确定所述稳定性评估结果，步骤S450包括步骤：
S451：当所述均值分析结果大于或等于预设均值时，将所述稳定性评估结果标识为未通过；
S452：当所述均值分析结果小于所述预设均值时，将所述稳定性评估结果标识为通过。
具体的，设备加工记录数据包括设置控制参数记录数据和执行控制参数记录数据，设置控制参数指的是机加工设备控制器输出的期望执行时可以达到的控制参数，执行控制参数指的是机加工设备实际加工执行的控制参数，计算任意一组一一对应的设置控制参数记录数据和执行控制参数记录数据的偏差绝对值，存储为多个控制误差，此时，任意一个属性的控制参数对应有多个控制误差。
预设偏离度指的是用户设定的聚类偏离度参数，将任意一个属性的控制参数的任意两个控制误差小于预设偏离度的聚集为一类，并计算聚类的两个控制误差的均值，作为新的聚类的控制误差，并将聚类频率因子置为2；进一步，基于新的聚类与其它控制误差进行比较，若小于预设偏离度，则聚集为一类，并计算两个控制误差的均值，作为新的聚类的控制误差，并将两个聚类的聚类频率因子相加得到新类的聚类频率因子。直到任意两个类的控制误差都大于或等于预设偏离度时，停止聚类。得到多个聚类结果，从多个聚类结果中筛选聚类频率因子大于或等于预设聚类频率的聚类结果，其中，预设聚类频率为用户自定义参数；更进一步，并将各自的聚类频率因子相加得到加和结果，再计算各自的聚类频率因子与加和结果的比值，作为对应的聚类结果的控制误差的权重；根据权重和控制误差求取加权均值，得到均值分析结果；更进一步，当任意一个属性的控制参数的所述均值分析结果大于或等于预设均值时，将所述稳定性评估结果标识为未通过，当任意一个属性的控制参数的所述均值分析结果小于所述预设均值时，将所述稳定性评估结果标识为通过，其中，预设均值为用户自定义参数。当标识为未通过时，向用户端发送设备异常预警信息及时对设备进行故障排查和维修。
S500：当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；
当标识为通过时，调取初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，输出加工状态预测结果，其中，加工状态预测结果优选为产品加工后的外形参数，纹理表征的缺陷数量等，加工状态预测模型为用于进行生产状态预测的智能化模型，优选为神经网络模型，训练过程如下：
进一步的，当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果，步骤S500包括：
S510：获取加工参数历史数据、产品初始状态历史数据和产品加工状态标识数据；
S520：构建预测损失函数：其中，/>表征损失量，N表征每一轮训练的数据组数，n表征任意一组，/>表征第n组数据的产品加工状态标识数据，/>表征第n组数据的模型输出数据；
S530：基于预测损失最小值和所述预测损失函数，结合所述加工参数历史数据、所述产品初始状态历史数据和所述产品加工状态标识数据，训练BP神经网络，生成所述加工状态预测模型内嵌于所述云决策平台，对所述初始加工参数和所述待加工产品初始状态信息进行处理，获取所述加工状态预测结果。
第一步：采集训练数据：通过云决策平台可以从多个进行待加工产品的生产厂家采集一一对应的加工参数历史数据、产品初始状态历史数据和产品加工状态标识数据，其中，产品加工状态标识数据为实际记录的加工后的状态记录值。云决策平台通常服务于多家互相信任的同行企业，这些企业之间可基于云决策平台打破数据孤岛，实现高效的远程控制。
第二步：构建预测损失函数：其中，/>表征损失量，N表征每一轮训练的数据组数，n表征任意一组，/>表征第n组数据的产品加工状态标识数据，/>表征第n组数据的模型输出数据；每一轮的结束条件是，当某组数据的训练输出小于或等于预测损失最小值时，则该轮训练结束。预测损失最小值为自定义设定收敛损失量。进一步的，由于实际的产品加工状态具有多个维度的参数，不同位置、不同属性的参数都属于不同维度，因此：/>，/>表征第n组数据的产品加工状态标识数据的第i维度的状态标识参数，/>表征第n组数据的模型输出数据的第i维度的状态参数，/>是产品加工状态标识信息的维度总数。通过预测损失函数对模型输出损失进行分析，可保证模型的收敛准确性。
第三步：训练模型：将所述加工参数历史数据、所述产品初始状态历史数据和所述产品加工状态标识数据按照8：2分为训练数据和验证数据，将加工参数历史数据、所述产品初始状态历史数据作为输入训练数据，将产品加工状态标识数据作为输出标识数据对BP神经网络进行有监督训练，当任意一组训练数据的预测损失函数输出值小于或等于预测损失最小值时，使用验证数据进行验证，若是连续H次都小于或等于预测损失最小值，则模型收敛，否则反馈至训练数据继续训练。其中，H为整数，且H大于或等于20。
S600：当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制。
在一个优选的实施中，期望加工状态指的是预设的期望待加工产品可以达到了加工状态，当加工状态预测结果符合期望加工状态时，直接调取初始加工参数对所述机加工设备进行控制。
进一步的，还包括步骤S700，步骤S700包括：
S710：当所述加工状态预测结果不满足所述期望加工状态时，基于所述云决策平台的数据挖掘模块，采集M组加工控制参数记录数据，10≤M≤50；
S720：遍历所述M组加工控制参数记录数据，结合所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取M个加工状态预测结果；
S730：从所述M个加工状态预测结果中筛选满足所述期望加工状态的加工控制参数，设为加工控制参数优化结果；
S740：根据所述加工控制参数优化结果对所述机加工设备进行控制。
在一个优选实施例中，当加工状态预测结果不符合期望加工状态时，基于所述云决策平台的数据挖掘模块，采集M组加工控制参数记录数据，其中，数据挖掘模块指的是用于从开源的大数据中挖掘数据的功能组件，加工控制参数记录数据指的是用于进行机加工的历史选用过的控制数据。遍历所述M组加工控制参数记录数据，结合所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取M个加工状态预测结果，从所述M个加工状态预测结果中筛选满足所述期望加工状态的加工控制参数，设为加工控制参数优化结果。根据所述加工控制参数优化结果对所述机加工设备进行控制。
进一步的，还包括步骤S750：当数据挖掘次数满足预设次数时，未出现所述加工控制参数优化结果，筛选加工状态偏离度最小值对应的加工控制参数，设为所述加工控制参数优化结果。
在一个优选实施例中，若是M个加工状态预测结果都不符合期望加工状态，则计算M个加工状态预测结果与期望加工状态的加工状态偏离度，偏离度计算方式优选为：，/>表征任意一个M个加工状态预测结果，/>表征期望加工状态，/>表征加工状态预测结果第j个状态参数，/>表征期望加工状态的第j个状态参数，/>表征状态参数数量。重复进行数据挖掘，筛选符合期望加工状态的加工控制参数，当数据挖掘次数满足预设次数未出现所述加工控制参数优化结果，其中，预设次数为用户根据场景需求自定义参数，则筛选加工状态偏离度的最小值对应的加工控制参数设为所述加工控制参数优化结果。
综上所述，本申请实施例至少具有如下技术效果：
本申请实施例通过提供接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制。由于可以根据待加工产品的实时状态对加工控制参数进行验证，当符合预期才允许开始生产，达到了提高机加工设备的场景适应度的技术效果。
实施例二：基于与前述实施例中一种机加工设备远程控制方法相同的发明构思，如图4所示，本申请提供了一种机加工设备远程控制系统，应用于云决策平台，包括：
图像采集模块11，用于接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；
特征分析模块12，用于根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；
设备信息获取模块13，用于接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；
稳定性评估模块14，用于根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；
加工状态预测模块15，用于当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；
任务执行模块16，用于当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制。
进一步的，所述特征分析模块12执行步骤包括：
对所述待加工产品图像信息进行特征提取，获取待加工产品几何特征信息和待加工产品纹理特征信息；
将所述待加工产品几何特征信息和所述待加工产品纹理特征信息，添加进所述待加工产品初始状态信息。
进一步的，所述稳定性评估模块14执行步骤包括：
根据所述设备加工记录数据，获取设置控制参数记录数据和执行控制参数记录数据；
对所述设置控制参数记录数据和所述执行控制参数记录数据进行偏差分析，获取多个控制误差；
根据预设偏离度对所述多个控制误差进行层次聚类分析，获取多个聚类结果，其中，所述多个聚类结果包括多个聚类频率因子；
将所述多个聚类频率因子大于或等于预设聚类频率的所述多个聚类结果中的所述多个控制误差进行均值分析，获取均值分析结果；
根据所述均值分析结果，确定所述稳定性评估结果。
进一步的，所述稳定性评估模块14执行步骤包括：
当所述均值分析结果大于或等于预设均值时，将所述稳定性评估结果标识为未通过；
当所述均值分析结果小于所述预设均值时，将所述稳定性评估结果标识为通过。
进一步的，所述加工状态预测模块15执行步骤包括：
获取加工参数历史数据、产品初始状态历史数据和产品加工状态标识数据；
构建预测损失函数：其中，/>表征损失量，N表征每一轮训练的数据组数，n表征任意一组，/>表征第n组数据的产品加工状态标识数据，/>表征第n组数据的模型输出数据；
基于预测损失最小值和所述预测损失函数，结合所述加工参数历史数据、所述产品初始状态历史数据和所述产品加工状态标识数据，训练BP神经网络，生成所述加工状态预测模型内嵌于所述云决策平台，对所述初始加工参数和所述待加工产品初始状态信息进行处理，获取所述加工状态预测结果。
进一步的，所述任务执行模块16执行步骤还包括：
当所述加工状态预测结果不满足所述期望加工状态时，基于所述云决策平台的数据挖掘模块，采集M组加工控制参数记录数据，10≤M≤50；
遍历所述M组加工控制参数记录数据，结合所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取M个加工状态预测结果；
从所述M个加工状态预测结果中筛选满足所述期望加工状态的加工控制参数，设为加工控制参数优化结果；
根据所述加工控制参数优化结果对所述机加工设备进行控制。
进一步的，所述任务执行模块16执行步骤还包括：当数据挖掘次数满足预设次数时，未出现所述加工控制参数优化结果，筛选加工状态偏离度最小值对应的加工控制参数，设为所述加工控制参数优化结果。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种机加工设备远程控制方法，其特征在于，应用于云决策平台，包括：
接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；
根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；
接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；
根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；
当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；
当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制；
根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备，包括：
根据所述设备加工记录数据，获取设置控制参数记录数据和执行控制参数记录数据；
对所述设置控制参数记录数据和所述执行控制参数记录数据进行偏差分析，获取多个控制误差；
根据预设偏离度对所述多个控制误差进行层次聚类分析，获取多个聚类结果，其中，所述多个聚类结果包括多个聚类频率因子；
将所述多个聚类频率因子大于或等于预设聚类频率的所述多个聚类结果中的所述多个控制误差进行均值分析，获取均值分析结果；
根据所述均值分析结果，确定所述稳定性评估结果。
2.如权利要求1所述的一种机加工设备远程控制方法，其特征在于，根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息，包括：
对所述待加工产品图像信息进行特征提取，获取待加工产品几何特征信息和待加工产品纹理特征信息；
将所述待加工产品几何特征信息和所述待加工产品纹理特征信息，添加进所述待加工产品初始状态信息。
3.如权利要求1所述的一种机加工设备远程控制方法，其特征在于，根据所述均值分析结果，确定所述稳定性评估结果，包括：
当所述均值分析结果大于或等于预设均值时，将所述稳定性评估结果标识为未通过；
当所述均值分析结果小于所述预设均值时，将所述稳定性评估结果标识为通过。
4.如权利要求1所述的一种机加工设备远程控制方法，其特征在于，当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果，包括：
获取加工参数历史数据、产品初始状态历史数据和产品加工状态标识数据；
构建预测损失函数：其中，/>表征损失量，N表征每一轮训练的数据组数，n表征任意一组，/>表征第n组数据的产品加工状态标识数据，/>表征第n组数据的模型输出数据；
基于预测损失最小值和所述预测损失函数，结合所述加工参数历史数据、所述产品初始状态历史数据和所述产品加工状态标识数据，训练BP神经网络，生成所述加工状态预测模型内嵌于所述云决策平台，对所述初始加工参数和所述待加工产品初始状态信息进行处理，获取所述加工状态预测结果。
5.如权利要求1所述的一种机加工设备远程控制方法，其特征在于，还包括：
当所述加工状态预测结果不满足所述期望加工状态时，基于所述云决策平台的数据挖掘模块，采集M组加工控制参数记录数据，10≤M≤50；
遍历所述M组加工控制参数记录数据，结合所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取M个加工状态预测结果；
从所述M个加工状态预测结果中筛选满足所述期望加工状态的加工控制参数，设为加工控制参数优化结果；
根据所述加工控制参数优化结果对所述机加工设备进行控制。
6.如权利要求5所述的一种机加工设备远程控制方法，其特征在于，还包括：当数据挖掘次数满足预设次数时，未出现所述加工控制参数优化结果，筛选加工状态偏离度最小值对应的加工控制参数，设为所述加工控制参数优化结果。
7.一种机加工设备远程控制系统，其特征在于，应用于云决策平台，包括：
图像采集模块，用于接收图像采集装置对待加工产品进行图像采集获取的待加工产品图像信息；
特征分析模块，用于根据所述待加工产品图像信息进行特征分析，获取待加工产品初始状态信息；
设备信息获取模块，用于接收机加工设备基础信息，其中，所述机加工设备基础信息包括初始加工参数和设备加工记录数据；
稳定性评估模块，用于根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备；
加工状态预测模块，用于当所述稳定性评估结果为通过时，将所述初始加工参数和所述待加工产品初始状态信息输入内嵌于所述云决策平台的加工状态预测模型，获取加工状态预测结果；
任务执行模块，用于当所述加工状态预测结果满足期望加工状态时，根据所述初始加工参数对所述机加工设备进行控制；
根据所述设备加工记录数据对机加工设备进行加工稳定性评估，获取稳定性评估结果，其中，所述机加工设备为外形加工设备，包括：
根据所述设备加工记录数据，获取设置控制参数记录数据和执行控制参数记录数据；
对所述设置控制参数记录数据和所述执行控制参数记录数据进行偏差分析，获取多个控制误差；
根据预设偏离度对所述多个控制误差进行层次聚类分析，获取多个聚类结果，其中，所述多个聚类结果包括多个聚类频率因子；
将所述多个聚类频率因子大于或等于预设聚类频率的所述多个聚类结果中的所述多个控制误差进行均值分析，获取均值分析结果；
根据所述均值分析结果，确定所述稳定性评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310802128.9A CN116520758B (zh) | 2023-07-03 | 2023-07-03 | 一种机加工设备远程控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310802128.9A CN116520758B (zh) | 2023-07-03 | 2023-07-03 | 一种机加工设备远程控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520758A CN116520758A (zh) | 2023-08-01 |
| CN116520758B true CN116520758B (zh) | 2023-09-01 |
Family
ID=87408577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310802128.9A Active CN116520758B (zh) | 2023-07-03 | 2023-07-03 | 一种机加工设备远程控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520758B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572821B (zh) * | 2023-11-21 | 2024-07-02 | 扬州诚森塑胶有限公司 | 汽车内饰仪表台用雕刻机的自适应运控预警方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180056900A (ko) * | 2016-11-21 | 2018-05-30 | 주식회사 에스씨티 | 프로세스마이닝을 이용한 공정 관리 방법 |
| CN110428087A (zh) * | 2019-06-25 | 2019-11-08 | 万翼科技有限公司 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
| CN112947300A (zh) * | 2021-02-22 | 2021-06-11 | 西安交通大学 | 一种加工质量虚拟量测方法、系统、介质及设备 |
| CN113569352A (zh) * | 2021-07-13 | 2021-10-29 | 华中科技大学 | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 |
| CN113987236A (zh) * | 2021-12-24 | 2022-01-28 | 中科视语(北京)科技有限公司 | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 |
| CN115293463A (zh) * | 2022-10-09 | 2022-11-04 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及系统 |
| WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
| CN115545331A (zh) * | 2022-10-21 | 2022-12-30 | 华润数字科技有限公司 | 控制策略预测方法和装置、设备及存储介质 |
| CN116051473A (zh) * | 2022-12-21 | 2023-05-02 | 中国石油大学(北京) | 焊缝缺陷识别模型建立方法及装置、识别方法及装置 |
| CN116305671A (zh) * | 2023-05-23 | 2023-06-23 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及系统 |
| CN116307946A (zh) * | 2023-05-19 | 2023-06-23 | 中科航迈数控软件(深圳)有限公司 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10636007B2 (en) * | 2017-05-15 | 2020-04-28 | Tata Consultancy Services Limited | Method and system for data-based optimization of performance indicators in process and manufacturing industries |
-
2023
- 2023-07-03 CN CN202310802128.9A patent/CN116520758B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180056900A (ko) * | 2016-11-21 | 2018-05-30 | 주식회사 에스씨티 | 프로세스마이닝을 이용한 공정 관리 방법 |
| CN110428087A (zh) * | 2019-06-25 | 2019-11-08 | 万翼科技有限公司 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
| CN112947300A (zh) * | 2021-02-22 | 2021-06-11 | 西安交通大学 | 一种加工质量虚拟量测方法、系统、介质及设备 |
| WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
| CN113569352A (zh) * | 2021-07-13 | 2021-10-29 | 华中科技大学 | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 |
| CN113987236A (zh) * | 2021-12-24 | 2022-01-28 | 中科视语(北京)科技有限公司 | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 |
| CN115293463A (zh) * | 2022-10-09 | 2022-11-04 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及系统 |
| CN115545331A (zh) * | 2022-10-21 | 2022-12-30 | 华润数字科技有限公司 | 控制策略预测方法和装置、设备及存储介质 |
| CN116051473A (zh) * | 2022-12-21 | 2023-05-02 | 中国石油大学(北京) | 焊缝缺陷识别模型建立方法及装置、识别方法及装置 |
| CN116307946A (zh) * | 2023-05-19 | 2023-06-23 | 中科航迈数控软件(深圳)有限公司 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
| CN116305671A (zh) * | 2023-05-23 | 2023-06-23 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于统一框架的数控机床热误差建模方法;谭峰;萧红;张毅;邓聪颖;殷国富;;仪器仪表学报(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520758A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108500736B (zh) | 工具状态推定装置以及机床 | |
| CN111007799B (zh) | 一种基于神经网络的数控装备远程诊断系统 | |
| CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
| CN116520758B (zh) | 一种机加工设备远程控制方法及系统 | |
| US20190049929A1 (en) | Systems and methods for selecting and distributing process parameters within a fleet of additive manufacturing machines based on sensor data received during manufacturing processes | |
| CN116088419B (zh) | 基于参数优化的数控机床加工控制方法、系统及相关设备 | |
| US11468216B2 (en) | Method for building a model of a physical system | |
| CN109968671B (zh) | 3d打印过程故障诊断方法和装置 | |
| US20180348734A1 (en) | Systems and methods for receiving sensor data for an operating additive manufacturing machine and adaptively compressing the sensor data based on process data which controls the operation of the machine | |
| CN113253037B (zh) | 基于电流波纹的边云协同设备状态监测方法及系统、介质 | |
| KR20180131246A (ko) | 빅데이터 분석을 통한 공정 관리 방법 | |
| TW201906038A (zh) | 半導體晶圓檢測系統及其方法 | |
| CN111948994A (zh) | 基于数据集成和关联分析工业产线闭环自动质量控制方法 | |
| CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
| CN111428329A (zh) | 基于模型的机器学习系统 | |
| KR102464891B1 (ko) | 지능형 금속부품 가공 제어 장치 및 방법 | |
| US10432800B1 (en) | Apparatus and method for managing three-dimensional printing | |
| US10549349B2 (en) | Method and apparatus for controlling a 3D-printing device and 3D-printing device | |
| CN117583951A (zh) | 一种数控机床刀具寿命预测方法、装置以及电子设备 | |
| CN116703254A (zh) | 模具机械零部件生产信息管理系统 | |
| CN113703401A (zh) | 异常检测算法的配置方法、装置、电子设备和存储介质 | |
| KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
| CN116931497B (zh) | 一种基于人工智能的裁剪机控制系统 | |
| KR102500441B1 (ko) | 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법 | |
| CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 |
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 |