CN116604395B - 一种钻孔攻牙机及系统 - Google Patents
一种钻孔攻牙机及系统 Download PDFInfo
- Publication number
- CN116604395B CN116604395B CN202310697246.8A CN202310697246A CN116604395B CN 116604395 B CN116604395 B CN 116604395B CN 202310697246 A CN202310697246 A CN 202310697246A CN 116604395 B CN116604395 B CN 116604395B
- Authority
- CN
- China
- Prior art keywords
- water spraying
- processed
- control instruction
- water
- thread
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 104
- 238000010079 rubber tapping Methods 0.000 title claims abstract description 83
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 236
- 239000007921 spray Substances 0.000 claims abstract description 111
- 238000005507 spraying Methods 0.000 claims abstract description 108
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 44
- 239000000463 material Substances 0.000 claims description 41
- 238000001816 cooling Methods 0.000 claims description 34
- 238000003384 imaging method Methods 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000001931 thermography Methods 0.000 claims description 19
- 230000001502 supplementing effect Effects 0.000 claims description 17
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 40
- 238000000034 method Methods 0.000 description 39
- 238000012549 training Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 31
- 229910052742 iron Inorganic materials 0.000 description 20
- 239000013598 vector Substances 0.000 description 16
- 238000001303 quality assessment method Methods 0.000 description 14
- 238000013441 quality evaluation Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000153 supplemental effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 239000002173 cutting fluid Substances 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000010730 cutting oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001073 sample cooling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P23/00—Machines or arrangements of machines for performing specified combinations of different metal-working operations not covered by a single other subclass
- B23P23/02—Machine tools for performing different machining operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/10—Arrangements for cooling or lubricating tools or work
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q5/00—Driving or feeding mechanisms; Control arrangements therefor
- B23Q5/02—Driving main working members
- B23Q5/04—Driving main working members rotary shafts, e.g. working-spindles
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Earth Drilling (AREA)
Abstract
本说明书实施例提供一种钻孔攻牙机及系统,该钻孔攻牙机包括工作台、钻头、驱动装置、喷水装置、力学传感器以及处理器,力学传感器至少部署于钻头上;处理器分别与工作台、钻头、驱动装置、喷水装置和力学传感器通信连接,处理器用于:确定第一控制指令以及第二控制指令,第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,第三控制指令用于执行急停操作。
Description
技术领域
本说明书涉及机械加工技术领域,特别涉及一种钻孔攻牙机及系统。
背景技术
钻孔攻牙机是一种在工件上钻出各种具有不同规格的通孔或盲孔,并在孔的内侧面加工出内螺纹、螺丝或者牙扣的机械加工设备。目前,钻孔攻牙机一般存在钻孔攻牙过程(如降温过程等)智能化程度低,降温效果不理想,评估螺纹质量的准确性较低等问题。
为解决上述的问题,CN113211086B提供一种多工位打孔攻牙一体机及其使用方法,通过输送带输送工件,夹持件夹持的工件在所设的钻孔攻牙组件作用下进行同步钻孔攻牙处理,同时将处理好的工件通过输出带输出,完成多工位对工件的钻孔攻牙处理,且在加工过程中使用切削液进行冷却。然而由于钻孔攻牙的情况复杂多变,例如,温度过高、喷水位置不精确、驱动装置转速过快等,仍然需要对钻孔攻牙过程运行进行监测与控制,因此依然需要针对钻孔攻牙机进行智能的控制(如降温过程的智能等)和提高评估螺纹质量的准确性。
因此,希望提供一种钻孔攻牙机及系统,可以提高钻孔攻牙过程(如降温过程等)的智能化和提高评估螺纹质量的准确性。
发明内容
本说明书实施例之一提供一种钻孔攻牙机,所述钻孔攻牙机包括工作台、钻头、驱动装置、喷水装置、力学传感器以及处理器,所述力学传感器至少部署于所述钻头上;所述处理器分别与所述工作台、所述钻头、所述驱动装置、所述喷水装置和所述力学传感器通信连接,所述处理器用于:确定第一控制指令以及第二控制指令,所述第一控制指令用于控制所述驱动装置带动所述钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制所述喷水装置对所述钻头和/或所述待加工零件进行喷水冷却;以及响应于从所述力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作。
本说明书实施例之一提供一种钻孔攻牙系统,所述系统包括:第一确定模块,用于确定第一控制指令以及第二控制指令,所述第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制喷水装置对所述钻头和/或所述待加工零件进行喷水冷却;以及第二确定模块,用于响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作。
本说明书实施例之一提供一种钻孔攻牙装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现:确定第一控制指令以及第二控制指令,所述第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行:确定第一控制指令以及第二控制指令,所述第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的钻孔攻牙机的示例性示意图;
图2是根据本说明书一些实施例所示的钻孔攻牙的示例性流程图;
图3是根据本说明书一些实施例所示的螺纹质量评估模型的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
钻孔攻牙机在钻孔攻牙的过程中,智能化程度低,降温效果不理想,评估螺纹质量的准确性较低。目前CN113211086B提供一种多工位打孔攻牙一体机及其使用方法,完成自动上料、钻孔攻牙、下料的同时,在加工过程中使用切削液冷却,切削下的切削废料利用所设的引流组件引流至回收件处进行回收处理。而其未考虑在钻孔攻牙过程中,涉及多方面的参数控制,其中较为重要的是驱动参数和喷水参数等。驱动力不足可能造成已钻孔不符合生产要求,影响产品的质量,使得钻孔攻牙机的不良产品率提高。喷水参数不匹配,使得不能对钻头及时冷却,容易造成钻头、待加工零件的损坏、开裂等。并且,钻孔攻牙机工作时环境数据、待加工零件的材料特征不同,对驱动参数和喷水参数都有不同的要求。因此,若仅采用固定的运行参数进行钻孔攻牙,无法保证钻孔攻牙的质量和效率,还可能严重影响产品质量。
鉴于此,本说明一些实施例,通过确定第一控制指令、第二控制指令,分别控制驱动装置带动钻头对待加工零件进行钻孔攻牙,以及控制喷水装置对钻头和/或待加工零件进行喷水冷却,进而可以提高钻孔攻牙过程(如降温过程等)的智能化和提高评估螺纹质量的准确性,实现智能化生产,提高生产质量。
图1是根据本说明书一些实施例所示的钻孔攻牙机的示例性示意图。
如图1所示,钻孔攻牙机100可以包括工作台110、钻头120、驱动装置130、喷水装置140、力学传感器150以及处理器160。
工作台110可以指能够让钻孔攻牙机进行钻孔攻牙或加工的工作平台。在一些实施例中,工作台可以以移动的方式设置在钻孔攻牙机中,通过手动或自动方式进行移动和固定。
钻头120可以指用于对待加工零件进行钻孔攻牙操作的设备或部件。
驱动装置130可以指用于为钻孔攻牙机工作提供动力的设备或部件。
喷水装置140可以指用于对钻头或待加工零件进行喷水冷却的设备或部件。
在一些实施例中,喷水装置可以包括多个可调节喷射角度的喷头。喷头可以通过调节喷射角度对钻头或待加工零件等进行全方位喷水冷却从而降低温度,提高降温效果。
力学传感器150可以指用于获取力学传感信息的设备或部件,例如,电容式力学传感器、弹性体力学传感器等。在一些实施例中,力学传感器可以将测得的力学量转换为相应的电信号,最终将测量结果以力学传感信息(如数字、信号等)显示出来。在一些实施例中,力学传感器至少部署于钻头120上。
处理器160是指用于处理与钻孔攻牙机100有关的信息和/或数据。处理器160可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本说明书中描述的功能。在一些实施例中,处理器160可以与工作台110、钻头120、驱动装置130、喷水装置140和力学传感器150通信连接。
在一些实施例中,处理器可以用于确定第一控制指令以及第二控制指令,第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,第三控制指令用于执行急停操作。
在一些实施例中,钻孔攻牙机100还可以包括成像装置(图中未示出)。成像装置可以指用于获取螺纹图像的设备或部件,例如,成像装置可以包括光学成像装置、红外成像装置等中的至少一种。
在一些实施例中,处理器160还可以用于通过成像装置获取第一螺纹图像;基于第一螺纹图像,评估螺纹质量。
在一些实施例中,钻孔攻牙机100还可以包括补光装置(图中未示出)。补光装置可以指用于发出光束并对螺纹进行照射的设备或部件。例如,补光装置可以包括LED灯、电筒等任意一种可以用于补光的设备或部件。
在一些实施例中,处理器160还可以用于基于补光装置对螺纹进行照射,通过成像装置获取第二螺纹图像;基于第一螺纹图像以及第二螺纹图像,评估螺纹质量。
在一些实施例中,处理器160还可以用于基于待加工零件的材料特征、钻头的旋转频率、钻孔特征序列中的至少一个,确定当前阶段的喷水参数。
在一些实施例中,成像装置可以包括热成像相机。热成像相机可以指用于获取待加工零件的热成像图像。
关于处理器的更多说明可以参见图2和/或图3及其相关描述。
在一些实施例中,钻孔攻牙机100可以包括存储设备等,处理器160可以从存储设备中获取预先存储的与钻孔攻牙机100相关的数据和/或信息。在一些实施例中,钻孔攻牙机100可以包括网络。处理器160可以通过网络获取与钻孔攻牙机100相关的数据和/或信息。
图2是根据本说明书一些实施例所示的钻孔攻牙的示例性流程图。
在一些实施例中,流程200可以由处理器160执行。如图2所示,流程200包括下述步骤:
步骤210,确定第一控制指令。
第一控制指令是与驱动参数对应的控制指令。例如,第一控制指令可以包括控制驱动装置的驱动功率、控制钻头的旋转频率等的指令。驱动参数可以是指在钻孔攻牙时,驱动装置等动力部分采用的参数。
在一些实施例中,不同待加工零件对应的第一控制指令可以不同。
待加工零件是指需要进行钻孔攻牙的工件。工件可以包括机件壳体、设备端面、螺母、法兰盘等不同的类型。
在一些实施例中,第一控制指令可以用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙。关于驱动装置的更多内容,可以参见图1的相关说明。
在一些实施例中,处理器可以通过多种方式确定第一控制指令。例如,处理器可以预设待加工零件的材料特征与驱动参数的对照关系,基于查表的方式确定驱动参数,从而生成对应的第一控制指令。关于待加工零件的材料特征的更多内容,可以参见图2下文的相关描述。
步骤220,确定第二控制指令。
第二控制指令是与喷水参数对应的控制指令。喷水参数是指在进行钻孔攻牙时,喷水装置采用的参数。
关于喷水参数的更多内容,可以参见图2下文的相关描述。
在一些实施例中,第二控制指令可以用于控制喷水装置对钻头和/或待加工零件进行喷水冷却。关于喷水装置的更多内容,可以参见图1的相关描述。
由于在打孔和攻牙过程中,为保护钻头和避免钻头切割过热,在加工过程中,需要通过将冷却液对准攻牙位置处,便于对钻头切割位置处进行冷却处理。通过喷水参数可以控制喷头对钻头、待加工零件喷水进行喷水降温以及对钻孔攻牙所产生的废渣进行清理,防止温度过高从而影响了待加工零件的质量。
在一些实施例中,处理器可以通过多种方式确定第二控制指令。例如,处理器可以基于温度信息,确定喷水参数,从而确定与喷水参数对应的第二控制指令。不同的温度信息对应不同的喷水参数。温度信息是指钻头和/或待加工零件各采样点的温度。关于各采样点的温度的更多内容,可以参见图2下文的相关描述。
在一些实施例中,第二控制指令可以用于控制喷水装置以设定的喷水参数对钻头和/或待加工零件进行喷水冷却。
在一些实施例中,处理器可以基于待加工零件的材料特征、钻头的旋转频率、钻孔特征序列中的至少一个,确定当前阶段的喷水参数。
设定的喷水参数可以指提前为钻孔攻牙机确定的喷水参数。设定的喷水参数还可以指钻孔攻牙机的初始喷水参数。
在一些实施例中,喷水参数可以包括水温、喷水速率以及喷水频率等。
喷水速率是指喷水装置喷出的水的速率。
喷水频率是指喷水装置在预设时间段内喷水的次数。预设时间段可以由系统或人为设置。
待加工零件的材料特征是与待加工零件自身有关的数据。例如,材料特征可以包括待加工零件的各个位置的材料类型、热学性能、力学性能等。热学性能可以包括热导率等,力学性能可以包括抗冲击程度等。在一些实施例中,材料特征可以用向量的方式表示为(A1,A2,A3,…),其中,A1,A2,A3分别表示待加工零件的材料类型、热学性能、力学性能等。
在一些实施例中,材料特征可以包括各个采样点的热导率等。关于采样点的更多内容,可以参见图2下文的相关描述。
材料特征可以通过多种方式获得。例如,处理器可以基于生产计划表获得待加工零件的材料特征。
在一些实施例中,处理器可以获取待加工零件各个位置的材料类型,基于材料类型确定热传导率。不同材料类型对应的热传导率不同,所对应的喷水参数也不同。材料类型可以包括不锈钢、碳钢、耐热合金等类型。
钻头的旋转频率是指在进行钻孔攻牙时,钻头的转速。例如,钻头的旋转频率可以是钻头每分钟的旋转次数x2。
钻头的旋转频率可以通过多种方式获得。例如,处理器可以通过设置在钻孔攻牙机内的传感器获取。示例性的,传感器可以包括光纤传感器等。
钻孔特征序列是指由待加工零件上不同的已钻孔的钻孔信息构建的序列。钻孔信息可以包括已钻孔的孔径、孔深、已钻孔产生的时间及已钻孔的钻孔序号。钻孔序号用于反映其对应的已钻孔产生的时间顺序。
钻孔特征序列可以通过多种方式获得。例如,处理器可以通过光学传感器法、红外探测器技术和磁粉检测器法等获得已钻孔的孔径、孔深。又例如,处理器可以通过成像装置拍摄待加工零件的图像,通过对待加工零件的图像进行图像识别,获得新产生的已钻孔的时间,并基于已钻孔的时间标记相应的钻孔序号。
当前阶段的喷水参数是指重新确定的适用于当前时刻的喷水参数。
在一些实施例中,处理器可以基于多种方式确定当前阶段的喷水参数。例如,处理器可以基于待加工零件的材料特征、钻头的旋转频率、钻孔特征序列构建特征向量,基于特征向量在向量数据库中检索,将满足预设匹配条件的参考特征向量确定为关联特征向量,将关联特征向量对应的参考喷水参数确定为当前阶段的喷水参数。其中,预设匹配条件可以指用于确定关联特征向量的判断条件。在一些实施例中,预设匹配条件可以包括向量距离小于距离阈值、向量距离最小等。向量数据库内可以存储有多个参考特征向量及其对应的参考喷水参数。参考特征向量可以是指历史待加工零件的材料特征、历史钻头的旋转频率、历史钻孔特征序列等构成的向量。参考喷水参数可以是指与历史待加工零件的材料特征、历史钻头的旋转频率、历史钻孔特征序列对应的喷水参数。
在一些实施例中,处理器还可以预设不同的待加工零件的材料特征、钻头的旋转频率、钻孔特征序列构与当前阶段的喷水参数的对应关系,基于查表的方式,确定当前阶段的喷水参数。
在一些实施例中,开始钻孔攻牙时,处理器可以控制喷水装置以预设的喷水参数进行喷水。在钻孔攻牙过程中,处理器可以实时基于待加工零件的材料特征、钻头的旋转频率、钻孔特征序列确定当前阶段的喷水参数。处理器可以实时控制喷水装置以当前阶段的喷水参数进行喷水,进而不同的当前阶段,喷水装置可以以不同的当前阶段的喷水参数进行喷水。
在本说明书的一些实施例中,基于待加工零件的材料特征、钻头的旋转频率、钻孔特征序列等不同阶段的变化确定不同的当前阶段的喷水参数,可以在不同阶段提供不同的喷水参数,避免温度过高引起钻头、待加工零件等的损坏、开裂等,提高钻孔攻牙过程的智能化,减少待加工零件发生异常的风险。同时,通过考虑喷水装置基于喷水参数冷却,可以获得更好的钻孔攻牙的效果。
在一些实施例中,成像装置包括热成像相机,喷水装置包括多个可调节喷射角度的喷头。喷水参数通过喷水参数分布进行表示,喷水参数分布包括至少一个子区域的喷水参数组,每个子区域的喷水参数组包括水温、喷水速率以及喷水频率,至少一个子区域包括待加工零件和工作台中的至少一个预划分区域。处理器可以基于待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,确定当前阶段的喷水参数分布。关于成像装置、热成像相机的更多内容,可以参见图1的相关描述。
热成像图像是用于反映待加工零件各个位置的温度的图像。在一些实施例中,处理器可以基于热成像相机获取热成像图像。各个位置可以是待加工零件经过划分后的多个预划分区域。
在一些实施例中,处理器可以基于网格或预设规则等对待加工零件和/或工作台进行预划分获取至少一个预划分区域,进而获得至少一个子区域。
喷水参数组是指由多个喷水参数构成的组合。每个子区域各自对应一个喷水参数组。一个喷水参数组可以包括水温、喷水速率以及喷水频率等中的至少一种。
在一些实施例中,处理器可以基于喷水参数组对该子区域进行喷水。
喷水参数分布是指由至少一个子区域的喷水参数组构成的序列。例如,喷水参数分布可以包括每一个子区域的喷水参数组。又例如,喷水参数分布可以包括距离钻头预设范围内的多个子区域对应的喷水参数组。预设范围可以是指以钻头为中心,距离为预设距离的区域。预设距离可以根据实际需求进行设定。
通过对待加工零件和/或工作台进行划分获取子区域,进而确定各个子区域的喷水参数,使得喷水装置可以仅对待加工零件上的特定钻孔的周围区域(例如,距离当前时刻较近的已钻孔)进行喷水,而不对其他子区域进行喷水,可以在保持冷却效果的同时,节约水资源。
在一些实施例中,处理器可以基于以下步骤S01-S02,确定当前阶段的喷水参数分布。
步骤S01,获取待加工零件的结构特征。
结构特征是指待加工零件在三维空间中的不同位置的结构信息。
在一些实施例中,处理器可以将待加工零件建模为三维模型。例如,待加工零件为实心,则该三维模型也为实心的三维模型等。处理器可以对三维模型进行采样得到多个采样点,将多个采样点构建的集合,确定为待加工零件的结构特征。采样点可以包括采样得到的至少一个体素对应的三维坐标及该采样点的密度。待加工零件的三维模型可以为待加工零件的整体的三维空间模型,该三维模型和待加工零件的实际外形轮廓成等比例缩放。
在一些实施例中,采样点可以通过采样算法确定,采样算法可以包括均匀分布采样算法、离散分布采样、Box-Muller算法、拒绝采样算法、MCMC采样算法、吉布斯采样算法等中的一种或多种。
在一些实施例中,可以通过几何方式确定采样点,例如,可以对三维模型划分多个网格,根据网格将各个横纵线条的交点处设为采样点。
在一些实施例中,采样密度需满足密度条件,以保证对各个子区域的均匀取样从而获得预设数量的采样点,进而通过采样点的集合来描述待加工零件的整体结构。采样密度可以是指在待加工零件的单位面积上所采集的体素数。密度条件可以是用于评估采样密度是否满足要求的判定条件。例如,密度条件可以包括采样密度大于密度阈值。密度阈值可以是根据经验或实验设置的值。
在一些实施例中,处理器可以获取3D扫描仪上传的待加工零件的三维模型。
步骤S02,基于待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,确定当前阶段的喷水参数分布。
在一些实施例中,处理器可以获得至少一个候选喷水参数分布。处理器可以对每个候选喷水参数分布在计算机模拟软件中进行模拟。处理器可以根据模拟结果确定当前阶段的喷水参数分布。
候选喷水参数分布是指待被确定为对待加工零件进行喷水的喷水参数分布。
候选喷水参数分布可以通过多种方式确定。例如,处理器可以将与待加工零件的材料特征相同的历史加工零件对应的喷水参数分布,确定为候选喷水参数分布。又例如,处理器可以通过随机生成的方式,确定多个候选喷水参数分布。
计算机模拟软件可以是图形仿真模拟软件、数据仿真模拟软件等。
模拟结果是指计算机模拟软件对喷水过程进行仿真模拟后的输出结果。在一些实施例中,模拟结果可以以温度序列的方式反应喷水过程中的各个采样点的温度变化情况。
在一些实施例中,处理器可以基于待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,通过如下子步骤S21-S23进行模拟,确定模拟结果。
步骤S21,基于热成像图像获取每个采样点的温度。
在一些实施例中,处理器可以基于热成像相机获取热成像图像,通过热成像图像中不同区域的颜色来区分不同区域的温度或温度范围,以将待加工零件的结构特征中的每个采样点赋予相应的温度。
步骤S22,基于候选喷水参数分布、各采样点的温度,在计算机模拟软件中模拟对待加工零件的喷水冷却,由模拟软件模拟生成各个采样点的降温序列。初始信息可以包括候选喷水参数分布、采样点的温度数据等。降温序列可以由采样点在不同时刻的下降的温度数据构建的序列。
在一些实施例中,模拟软件的输入还可以包括各采样点的坐标、每相邻两个采样点之间的热导率。
通过取样点的温度分布数据进行模拟,可以减少计算量的同时,较为准确的模拟热传递效果,模拟效率大幅提高。
步骤S23,评估在各个采样点的降温序列下,待加工零件的异常概率。
异常概率可以是指在钻孔攻牙过程中,待加工零件可能发生开裂、形变等情况的概率。
在一些实施例中,处理器可以通过多种方式获得加工零件发生异常的概率。例如,异常概率可以基于历史钻孔攻牙数据构建的预设表或者向量数据库确定。预设表/向量数据库可以是表征各个采样点的降温序列与异常的概率的对应关系的表格或数据库等。
在一些实施例中,处理器可以基于待加工零件的结构特征、降温序列、材料特征,通过异常评估模型确定待加工零件的异常概率,其中,异常评估模型为机器学习模型。
关于待加工零件的结构特征、降温序列、材料特征的更多内容,可以参见图2上文的相关描述。
异常评估模型可以是卷积神经网络模型等机器学习模型。
在一些实施例中,异常评估模型的输入可以包括待加工零件的结构特征、降温序列、材料特征,输出可以包括待加工零件的异常概率。待加工零件的结构特征可以是由各个采样点之间的材料特征构成的序列。降温序列可以是由各个采样点的降温序列构成的总的降温序列。采样点的降温序列可以指由具有时间先后顺序的不同时间点的该采样点对应的温度组成的序列。
异常评估模型可以基于带第一标签的第一训练样本的训练获取。在一些实施例中,第一训练样本的每组训练样本可以包括样本零件的结构特征、样本降温序列、样本零件的材料特征。每组训练样本的第一标签为该组训练样本对应的样本零件的加工过程中是否发生异常。例如,第一标签为0,表示该组训练样本对应的待加工零件加工过程中未发生异常。例如,第一标签为1,表示该组训练样本对应的待加工零件加工过程中实际发生异常。
在一些实施例中,第一训练样本可以基于历史数据获取。第一标签可以人工标注。
在本说明书的一些实施例中,通过异常评估模型,可以高效、准确地对待加工零件的异常情况进行评估,可以获得比直接评估更好的效果,有利于后续确定最合适的当前阶段的喷水参数分布(如异常概率最低的候选喷水参数分布),进而可以有效避免钻孔攻牙过程中的开裂、形变等异常的发生。
在一些实施例中,处理器可以将若干候选喷水参数分布中,待加工零件发生异常的概率最低的候选喷水参数分布确定为当前阶段的喷水参数分布。
在本说明书的一些实施例中,结合待加工零件的各个子区域特征确定当前阶段的喷水参数分布(各个子区域的不同的喷水参数),可以使确定的喷水参数更合理,更智能。处理器可以仅对需要喷水的区域通过不同的喷水参数进行喷水(例如,待加工零件上位于钻孔的周围区域),保证喷水冷却效果的同时,降低能耗与节约资源。
步骤230,响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令。
关于力学传感器的更多内容,可以参加图1的相关描述。
力学传感信息是指钻头在钻孔攻牙过程中的施力情况。例如,力学传感信息可以包括钻孔过程和/或攻牙过程中的施力值。
在一些实施例中,处理器可以基于力学传感器使用周期性连续采集的方式对钻头的施力情况进行检测。
预设异常条件是指用于评估是否发出第三控制指令的判断条件。例如,预设异常条件可以包括施力值大于预设阈值。预设阈值可以是系统预设或人为设置的值。
第三控制指令是与制动信号对应的控制指令。制动信号可以是指停止工作的信号。
在一些实施例中,第三控制指令可以用于控制驱动装置、喷水装置等执行急停操作。
急停操作是指钻孔攻牙机整体或部分停止工作的操作。
在一些实施例中,响应于力学传感信息满足预设异常条件,处理器可以确定钻孔过程和/或攻牙过程中出现异常(如钻头转速过快等),发出第三控制指令,控制驱动装置执行急停操作,避免驱动装置施力异常(如过大等),而导致加工后零件不达标。
本说明书的一些实施例中,由钻孔攻牙机的处理器实现的钻工攻牙系统,可以针对不同类型的待加工零件进行钻孔攻牙,有效提高螺纹质量。通过喷水防止温度过高从而影响了钻孔攻牙的质量。通过控制急停操作,保证了能够第一时间发现异常情况时(例如,断裂的钻头或转速过高等),及时停机,进一步提高生产质量与效率。
在一些实施中,处理器可以通过成像装置获取第一螺纹图像,基于第一螺纹图像,评估螺纹质量。
关于成像装置的更多内容,可以参见图1的相关描述。
第一螺纹图像是指待加工零件在钻孔攻牙后的图像。在一些实施例中,第一螺纹图像包括已钻孔中的螺纹。
在一些实施例中,处理器可以控制成像装置拍摄加工后零件已钻孔的图像,获取第一螺纹图像。
螺纹质量可以是指加工后零件已钻孔中的螺纹的质量。在一些实施例中,螺纹质量可以通过1或0来表示,例如,螺纹质量正常则为1,螺纹质量异常则为0。
在一些实施例中,处理器可以基于第一螺纹图像,通过图像识别模型评估螺纹质量。图像识别模型可以是一个通过将正常的第一螺纹图像作为正样本,异常的第一螺纹图像作为负样本训练获得的机器学习模型(如二分类器等)。正常的第一螺纹图像可以人工评估的质量较高的第一螺纹图像。在一些实施例中,二分类器可以是逻辑回归模型、支持向量机或其它分类模型中的一种。在一些实施例中,图像识别模型还可以是神经网络模型等。
在一些实施例中,处理器可以基于第一螺纹图像,通过螺纹质量评估模型分别评估每个不同预设位置和不同预设角度的图像的螺纹质量,更多内容可以参见图3的相关描述。
在本说明书的一些实施例中,通过对攻牙钻孔后的加工后零件拍摄,评估螺纹质量,可以准确地分析钻孔攻牙后的螺纹质量可能出现的问题(例如,选用丝锥型号不合理、切削油润滑效果不好、丝锥牙刃已磨损等),有利于后续分析调整参数,从而减少钻孔攻牙的缺陷,提高钻孔攻牙的质量与效率。
在一些实施例中,处理器可以基于补光装置对螺纹进行照射,通过成像装置获取第二螺纹图像。处理器可以基于第一螺纹图像以及第二螺纹图像,评估螺纹质量。
关于补光装置、成像装置的更多内容,可以参见图1的相关描述。
第二螺纹图像可以是经过补光后的螺纹的图像。
在一些实施例中,处理器可以控制补光装置以预设的补光强度对已钻孔进行补光,获得第二螺纹图像。补光强度可以指与补光装置的补光功率有关的参数。
补光强度可以通过多种方式获得。在一些实施例中,补光强度可以基于亮度传感器确定。在一些体实施例中,可以基于亮度传感器,利用人工分析、理论计算和/或建模等多种方法确定补光强度。例如,可以基于亮度传感器输出的亮度数据,经过分析确定当前的亮度不够,然后根据历史经验确定合适的补光强度。
在一些实施例中,补光装置的补光强度相关于喷水参数。
在一些实施例中,补光强度可以与喷水参数负相关。例如,喷水参数中的喷水速率越大、喷水频率越高,补光强度较低。
关于喷水参数的更多内容,可以参见图2上文的相关描述。
在本说明书的一些实施例中,通过补光可以获得较清晰的第二螺纹图像。考虑喷水参数对补光强度的影响,可以避免补光过强使得已钻孔加工后零件内的积水反光较严重(积水聚集越多,反光越严重)的情况,从而影响拍摄的第二螺纹图像的质量。
在一些实施例中,处理器可以基于第一螺纹图像以及第二螺纹图像,通过多种方式评估螺纹质量。例如,处理器可以通过与上文类似的图像识别模型分别对第一螺纹图像、第二螺纹图像进行分析处理,确定螺纹图像的质量。例如,当至少一个的输出为异常时,确定当前的螺纹存在异常。
在一些实施例中,处理器还可以基于第一螺纹图像、第二螺纹图像,通过螺纹质量评估模型,评估螺纹质量。关于通过螺纹质量评估模型,评估螺纹质量的更多内容,可以参加图3的相关描述。
在一些实施例中,处理器还可以基于第一螺纹图像、第二螺纹图像以及铁屑图像通过螺纹质量评估模型,评估螺纹质量,更多内容可以参见图3的相关描述。
在本说明书的一些实施例中,通过对第一螺纹图像、第二螺纹图像进行分析,可以提高螺纹质量的评估的准确性。避免因为光线不足造成低质的第一螺纹图像,进而提高螺纹质量的评估的准确性。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。例如,处理器可以先执行步骤220、然后执行步骤210。又例如,处理器可以同时执行步骤210和步骤220等。然而,这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的螺纹质量评估模型的示例性示意图。
在一些实施例中,处理器可以控制成像装置从至少一个预设位置、至少一个预设角度拍摄螺纹,确定至少一个第一螺纹图像。在一些实施例中,处理器可以基于至少一个第一螺纹图像、至少一个预设位置和至少一个预设角度,通过螺纹质量评估模型评估螺纹质量。响应于存在至少第一预设数量的第一螺纹图像被判定为存在异常图像,处理器可以将螺纹质量判定为异常。关于成像装置的更多内容可以参见图1的相关描述。
预设位置可以指预先设置的成像装置对加工后零件的螺纹进行拍摄时所处的位置。在一些实施例中,至少一个预设位置具有与螺纹不同的方位,以得到多方位的螺纹的第一螺纹图像。
在一些实施例中,处理器可以基于螺纹位置确定一个或多个预设位置。例如,处理器可以以螺纹中心处为原点建立三维坐标系,其中,三维坐标系的x轴平行于水平面,z轴垂直于水平面,y轴垂直于x轴和z轴,通过该三维坐标系来确定一个或多个预设位置。
预设角度可以指预先设置的成像装置对加工后零件的螺纹进行拍摄时的角度。在一些实施例中,至少一个预设角度与水平面具有不同的夹角,以得到全面的螺纹图像,例如,预设角度与水平面的夹角可以是30°、60°等多个角度。
在一些实施例中,加工后零件的螺纹具有一定深度,从某个位置的某个角度进行拍摄只能获取螺纹的部分图像,因此从多个预设位置和预设角度进行拍摄,可以获取到较深处、较全面的螺纹图像。
异常图像可以指存在异常螺纹的第一螺纹图像。例如,异常图像可以是存在螺纹断裂的第一螺纹图像等。
在一些实施例中,螺纹质量评估模型320可以是用于评估螺纹质量的机器学习模型。例如,螺纹质量评估模型可以是神经网络(Neural Networks,NN)模型或其他模型。
在一些实施例中,螺纹质量评估模型320的输入可以包括第一螺纹图像311(每次输入一张)和第一螺纹图像的预设位置和预设角度312;输出可以包括第一螺纹图像的螺纹质量331。通过多次将不同的第一螺纹图像以及该第一螺纹图像对应的预设位置和预设角度分别输入螺纹质量评估模型,可以得到每张第一螺纹图像的螺纹质量。
在一些实施例中,螺纹质量评估模型320可以通过训练获取。在一些实施例中,螺纹质量评估模型320可以基于大量带有第二标签的第二训练样本训练得到。例如,可以将多个带有第二标签的第二训练样本输入螺纹质量评估模型,通过第二标签和初始螺纹质量评估模型的预测结果构建损失函数,基于损失函数的迭代更新初始螺纹质量评估模型,当初始螺纹质量评估模型的损失函数满足预设条件时螺纹质量评估模型训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
第二训练样本可以包括历史第一螺纹图像以及每张历史第一螺纹图像对应的预设位置和预设角度,第二训练样本可以基于历史数据获取。第二标签可以是0或1的数值,0表示第二训练样本中的历史第一螺纹图像对应的螺纹质量无异常,1表示第二训练样本中的历史第一螺纹图像对应的螺纹质量有异常,第二标签可以基于人工标注获得。
在一些实施例中,响应于存在至少第一预设数量的第一螺纹图像被判定为存在异常图像,处理器可以将螺纹质量判定为异常。
第一预设数量可以是预先设定的数值,例如,第一预设数量可以是5、8等。在一些实施例中,第一预设数量可以根据历史经验或专家意见确定。
本说明书的一些实施例中,由于螺纹具有一定深度,从一个位置和角度拍摄不能拍到比较深的螺纹,通过从不同位置、不同角度拍摄多张螺纹图像,可以获取完整的螺纹图像数据。每张图像都用螺纹质量评估模型评估螺纹质量,可以使最终的关于螺纹质量的评估结果更加准确。
在一些实施例中,处理器可以基于补光装置对螺纹进行照射,控制成像装置从至少一个预设位置、至少一个预设角度拍摄螺纹,确定至少一个第二螺纹图像,至少一个预设位置具有与螺纹不同的方位,至少一个预设角度与水平面具有不同的夹角。
确定至少一个第二螺纹图像与图3中上述中的确定至少一个第一螺纹图像的过程类型,区别仅在于确定至少一个第二螺纹图像时,处理器基于补光装置对螺纹进行照射,确定至少一个第一螺纹图像时,处理器未对螺纹进行补光,更多内容可以参见图3上述的相关描述。关于补光装置、成像装置的更多内容可以参见图1、图2及其相关描述。
在一些实施例中,螺纹质量评估模型320可以包括第一评估层321和第二评估层322。
第一评估层321可以是用于评估第一螺纹图像的螺纹质量331的机器学习模型。例如,第一评估层可以包括神经网络模型等。
第二评估层322可以是用于评估第二螺纹图像的螺纹质量332的机器学习模型。例如,第二评估层可以包括神经网络模型等。
在一些实施例中,处理器可以基于至少一个第一螺纹图像,通过螺纹质量评估模型的第一评估层评估螺纹质量。
在一些实施例中,处理器可以基于至少一个第二螺纹图像,通过螺纹质量评估模型的第二评估层评估螺纹质量。
在一些实施例中,第一评估层321的输入可以包括第一螺纹图像311(每次输入一张)和第一螺纹图像的预设位置和预设角度312;输出可以包括第一螺纹图像的螺纹质量331。在一些实施例中,第二评估层322的输入可以包括第二螺纹图像313(每次输入一张)和第二螺纹图像的预设位置、预设角度和补光强度314;输出可以包括第二螺纹图像的螺纹质量332。通过多次将不同的第一螺纹图像以及该第一螺纹图像对应的预设位置和预设角度、第二螺纹图像以及该第二螺纹图像对应的预设位置、预设角度(与第一螺纹图像对应的预设位置和预设角度相同)和补光强度分别输入第一评估层和第二评估层,可以得到每个图像组对应的螺纹质量。在一些实施例中,一张在某预设位置和某预设角度拍摄的第一螺纹图像和在相同预设位置和预设角度拍摄的第二螺纹图像可以构成一个图像组。
在一些实施例中,第一评估层321可以基于大量带有第二标签的第二训练样本训练得到。关于第一评估层的训练方式与螺纹质量评估模型的训练方式相似,可以参见上述的相关描述。
在一些实施例中,第二评估层322可以基于大量带有第三标签的第三训练样本训练得到。关于第二评估层的训练方式与螺纹质量评估模型的训练方式相似,可以参见上述的相关描述。
第三训练样本的每组训练样本可以包括历史第二螺纹图像以及每张历史第二螺纹图像对应的预设位置、预设角度和补光强度,第三训练样本可以基于历史数据获取。每组训练样本第三标签可以是0或1的数值,0表示第三训练样本中的历史第二螺纹图像对应的螺纹质量无异常,1表示第三训练样本中的历史第二螺纹图像对应的螺纹质量有异常,第三标签可以基于人工标注获得。
在一些实施例中,响应于存在至少第二预设数量的图像组被判定为存在异常图像,处理器可以将螺纹质量判定为异常,其中,图像组包括第一螺纹图像和第二螺纹图像。第二预设数量可以是预先设定的数值。在一些实施例中,第二预设数量可以根据历史经验或专家意见确定,第二预设数量可以与第一预设数量相同或不同。
在一些实施例中,处理器可以基于预设规则判定图像组是否存在异常图像,例如,当第一螺纹图像和相同预设位置、预设角度拍摄的第二螺纹图像中至少一个图像存在异常,可以判定该图像组存在异常图像。
本说明书的一些实施例中,通过第一螺纹图像和第二螺纹图像构成的图像组判断最终的螺纹质量,可以基于更清晰的螺纹图像对螺纹质量做出更准确的判断。
在一些实施例中,处理器可以通过成像装置获取铁屑图像序列315。处理器可以基于第一螺纹图像311、第二螺纹图像313以及铁屑图像序列315,评估螺纹质量。
铁屑图像可以指成像装置在钻孔攻牙过程中拍摄的图像。铁屑图像序列315可以指在钻孔攻牙过程中的多个时间点连续抓拍铁屑图像所获得的序列。
在一些实施例中,螺纹质量评估模型320还可以包括第三评估层323。第三评估层323可以是用于评估飞出的铁屑是否存在异常的机器学习模型。例如,第三评估层可以包括神经网络模型等。
第三评估层323的输入可以包括铁屑图像序列315;输出可以包括铁屑的异常值333。
在一些实施例中,第三评估层323可以基于大量带有第四标签的第四训练样本训练得到。关于第三评估层的训练方式与螺纹质量评估模型的训练方式相似,可以参见上述的相关描述。
第四训练样本可以包括历史铁屑图像序列,第四训练样本可以基于历史数据获取。第四标签可以是0或1的数值,0表示历史铁屑图像序列的飞出的铁屑无异常,1表示历史铁屑图像序列的飞出的铁屑有异常,第四标签可以基于人工标注获得。
在一些实施例中,处理器可以基于第一螺纹图像的螺纹质量331、第二螺纹图像的螺纹质量332、铁屑的异常值333,基于预设规则整合判断螺纹质量是否异常340。预设规则可以是人为设置的多种规则。在一些实施例中,预设规则可以在通过第一、第二预设数量判断结果的基础上,结合第三评估层输出的铁屑的异常值进行判断。例如,当第三评估层输出的异常值大于设定阈值,可以认为飞出的铁屑存在异常。预设规则可以是基于第一、第二预设数量判断结果与飞出的铁屑的异常结果取并或者取交,判定最终的螺纹质量是否异常。
本说明书的一些实施例中,处理器基于第一螺纹图像、第二螺纹图像以及铁屑图像,评估螺纹质量是否异常,考虑了钻孔攻牙过程中产生的铁屑的影响,可以进一步提高确定的螺纹质量的准确定,使对螺纹质量的评估结果更全面。
在一些实施例中,处理器可以基于第一螺纹图像的螺纹质量331、第二螺纹图像的螺纹质量332,当存在至少预设数量的图像组被判定为存在异常时,将最终的螺纹质量判定为异常。在一些实施例中,图像组可以由一张某预设位置和某预设角度拍摄的第一螺纹图像与一张相同预设位置和相同预设角度拍摄的第二螺纹图像共同构成。
本说明书一些实施例了提供一种钻孔攻牙系统,系统包括:第一确定模块,用于确定第一控制指令以及第二控制指令,第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及第二确定模块,用于响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,第三控制指令用于执行急停操作。
在一些实施例中,钻孔攻牙系统还包括评估模块。评估模块用于通过成像装置获取第一螺纹图像;基于第一螺纹图像,评估螺纹质量。
在一些实施例中,评估模块还可以用于基于补光装置对螺纹进行照射,通过成像装置获取第二螺纹图像;基于第一螺纹图像以及第二螺纹图像,评估螺纹质量。
在一些实施例中,第二控制指令用于控制喷水装置以设定的喷水参数对钻头和/或待加工零件进行喷水冷却,喷水参数包括水温、喷水速率以及喷水频率中的至少一种。第一确定模块可以进一步用于基于待加工零件的材料特征、钻头的旋转频率、钻孔特征序列中的至少一个,确定当前阶段的喷水参数。
需要注意的是,以上对于钻孔攻牙系统的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。
本说明书一些实施例提供了一种钻孔攻牙装置,装置包括至少一个处理器以及至少一个存储器,至少一个存储器用于存储计算机指令,至少一个处理器用于执行计算机指令中的至少部分指令以实现:确定第一控制指令以及第二控制指令,第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,第三控制指令用于执行急停操作。
本说明书一些实施例提供了一种计算机可读存储介质,存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行:确定第一控制指令以及第二控制指令,第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,第二控制指令用于控制喷水装置对钻头和/或待加工零件进行喷水冷却;以及响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,第三控制指令用于执行急停操作。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和系统的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.一种钻孔攻牙机,其特征在于,所述钻孔攻牙机包括工作台、钻头、驱动装置、喷水装置、成像装置、力学传感器以及处理器,所述力学传感器至少部署于所述钻头上;
所述处理器分别与所述工作台、所述钻头、所述驱动装置、所述喷水装置和所述力学传感器通信连接,所述成像装置包括热成像相机,所述喷水装置包括多个可调节喷射角度的喷头,所述处理器用于:
确定第一控制指令以及第二控制指令,所述第一控制指令用于控制所述驱动装置带动所述钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制所述喷水装置以设定的喷水参数对所述钻头和/或所述待加工零件进行喷水冷却;
响应于从述力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作;
其中,所述喷水参数为喷水参数分布,所述喷水参数分布包括至少一个子区域的喷水参数组,每个子区域的喷水参数组包括水温、喷水速率以及喷水频率中的至少一种,所述喷水参数分布的确定包括:
将所述待加工零件和/或所述工作台,划分为至少一个子区域;
基于所述待加工零件的三维模型的采样点,生成所述待加工零件的结构特征;
生成至少一个候选喷水参数分布;
对于一个候选喷水参数分布,基于所述待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,确定所述候选喷水参数分布对应的所述待加工零件的异常概率,所述异常概率基于所述待加工零件的结构特征、降温序列和所述材料特征,通过异常评估模型确定,所述降温序列为所述采样点在不同时刻的下降的温度数据构建的序列,所述异常评估模型为机器学习模型;以及
基于所述至少一个候选喷水参数分布对应的异常概率,确定当前阶段的喷水参数分布。
2.如权利要求1所述的钻孔攻牙机,其特征在于,所述处理器进一步用于:
通过所述成像装置获取第一螺纹图像;
基于所述第一螺纹图像,评估螺纹质量。
3.如权利要求2所述的钻孔攻牙机,其特征在于,所述钻孔攻牙机还包括补光装置,所述补光装置用于发出光束对所述螺纹进行照射,所述处理器进一步用于:
基于所述补光装置对所述螺纹进行照射,通过所述成像装置获取第二螺纹图像;
基于所述第一螺纹图像以及所述第二螺纹图像,评估所述螺纹质量。
4.一种钻孔攻牙系统,其特征在于,所述系统包括:
第一确定模块,用于确定第一控制指令以及第二控制指令,所述第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制喷水装置以设定的喷水参数对所述钻头和/或所述待加工零件进行喷水冷却;以及
第二确定模块,用于响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作;
其中,所述喷水参数为喷水参数分布,所述喷水参数分布包括至少一个子区域的喷水参数组,每个子区域的喷水参数组包括水温、喷水速率以及喷水频率中的至少一种,所述喷水参数分布的确定包括:
将所述待加工零件和/或工作台,划分为至少一个子区域;
基于所述待加工零件的三维模型的采样点,生成所述待加工零件的结构特征;
生成至少一个候选喷水参数分布;
对于一个候选喷水参数分布,基于所述待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,确定所述候选喷水参数分布对应的所述待加工零件的异常概率,所述异常概率基于所述待加工零件的结构特征、降温序列和所述材料特征,通过异常评估模型确定,所述降温序列为所述采样点在不同时刻的下降的温度数据构建的序列,所述异常评估模型为机器学习模型;以及
基于所述至少一个候选喷水参数分布对应的异常概率,确定当前阶段的喷水参数分布。
5.如权利要求4所述的系统,其特征在于,所述系统还包括评估模块,所述评估模块用于:
通过成像装置获取第一螺纹图像;
基于所述第一螺纹图像,评估螺纹质量。
6.如权利要求5所述的系统,其特征在于,所述评估模块进一步用于:
基于补光装置对螺纹进行照射,通过所述成像装置获取第二螺纹图像;
基于所述第一螺纹图像以及所述第二螺纹图像,评估所述螺纹质量。
7.一种钻孔攻牙装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现:
确定第一控制指令以及第二控制指令,所述第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制喷水装置以设定的喷水参数对钻头和/或待加工零件进行喷水冷却;以及
响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作;
其中,所述喷水参数为喷水参数分布,所述喷水参数分布包括至少一个子区域的喷水参数组,每个子区域的喷水参数组包括水温、喷水速率以及喷水频率中的至少一种,所述喷水参数分布的确定包括:
将所述待加工零件和/或工作台,划分为至少一个子区域;
基于所述待加工零件的三维模型的采样点,生成所述待加工零件的结构特征;
生成至少一个候选喷水参数分布;
对于一个候选喷水参数分布,基于所述待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,确定所述候选喷水参数分布对应的所述待加工零件的异常概率,所述异常概率基于所述待加工零件的结构特征、降温序列和所述材料特征,通过异常评估模型确定,所述降温序列为所述采样点在不同时刻的下降的温度数据构建的序列,所述异常评估模型为机器学习模型;以及
基于所述至少一个候选喷水参数分布对应的异常概率,确定当前阶段的喷水参数分布。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行:
确定第一控制指令以及第二控制指令,所述第一控制指令用于控制驱动装置带动钻头对待加工零件进行钻孔攻牙,所述第二控制指令用于控制喷水装置以设定的喷水参数对钻头和/或待加工零件进行喷水冷却;以及
响应于从力学传感器获取的力学传感信息满足预设异常条件,确定第三控制指令,所述第三控制指令用于执行急停操作;
其中,所述喷水参数为喷水参数分布,所述喷水参数分布包括至少一个子区域的喷水参数组,每个子区域的喷水参数组包括水温、喷水速率以及喷水频率中的至少一种,所述喷水参数分布的确定包括:
将所述待加工零件和/或工作台,划分为至少一个子区域;
基于所述待加工零件的三维模型的采样点,生成所述待加工零件的结构特征;
生成至少一个候选喷水参数分布;
对于一个候选喷水参数分布,基于所述待加工零件的结构特征、材料特征、钻孔特征序列以及热成像图像,确定所述候选喷水参数分布对应的所述待加工零件的异常概率,所述异常概率基于所述待加工零件的结构特征、降温序列和所述材料特征,通过异常评估模型确定,所述降温序列为所述采样点在不同时刻的下降的温度数据构建的序列,所述异常评估模型为机器学习模型;以及
基于所述至少一个候选喷水参数分布对应的异常概率,确定当前阶段的喷水参数分布。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618050.1A CN117600837B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机控制方法及钻孔攻牙控制系统 |
CN202310697246.8A CN116604395B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310697246.8A CN116604395B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机及系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311618050.1A Division CN117600837B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机控制方法及钻孔攻牙控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116604395A CN116604395A (zh) | 2023-08-18 |
CN116604395B true CN116604395B (zh) | 2023-11-17 |
Family
ID=87676450
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310697246.8A Active CN116604395B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机及系统 |
CN202311618050.1A Active CN117600837B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机控制方法及钻孔攻牙控制系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311618050.1A Active CN117600837B (zh) | 2023-06-13 | 2023-06-13 | 一种钻孔攻牙机控制方法及钻孔攻牙控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116604395B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03221348A (ja) * | 1990-01-25 | 1991-09-30 | Yamazaki Mazak Corp | クーラント制御方法及び制御装置 |
CN205363246U (zh) * | 2015-12-17 | 2016-07-06 | 张炎锋 | 多工位钻孔攻丝机 |
CN109333097A (zh) * | 2018-09-28 | 2019-02-15 | 东莞市欧珀精密电子有限公司 | 定位方法及定位装置 |
CN209792697U (zh) * | 2019-03-20 | 2019-12-17 | 山西华瑞机电设备有限公司 | 一种具有检测功能的钻头刀柄 |
CN210281350U (zh) * | 2019-08-16 | 2020-04-10 | 刘暑平 | 一种plc钻孔攻牙一体机 |
CN111113142A (zh) * | 2019-12-18 | 2020-05-08 | 基迈克材料科技(苏州)有限公司 | 产品机加工冷却装置 |
CN112192056A (zh) * | 2020-09-29 | 2021-01-08 | 中国航发动力股份有限公司 | 一种气液辅助激光加工微孔的方法及装置 |
CN114083297A (zh) * | 2021-11-24 | 2022-02-25 | 上海蔚建科技有限公司 | 一种钢筋剥肋及螺纹自动化加工装置 |
CN115229434A (zh) * | 2022-06-20 | 2022-10-25 | 常州远东连杆集团有限公司 | 一种内燃机连杆螺纹双孔加工的工艺 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5471477B2 (ja) * | 2010-01-15 | 2014-04-16 | ウシオ電機株式会社 | ネジ山の検査装置 |
CN103528523A (zh) * | 2013-11-06 | 2014-01-22 | 湖北工业大学 | 一种基于三维立体建模的螺纹检测方法及系统 |
JP2016027320A (ja) * | 2014-06-23 | 2016-02-18 | 日産ネジ株式会社 | ねじ寸法自動測定システム |
US10295475B2 (en) * | 2014-09-05 | 2019-05-21 | Rolls-Royce Corporation | Inspection of machined holes |
JP6297997B2 (ja) * | 2015-03-18 | 2018-03-20 | ファナック株式会社 | ねじ穴の検査を行う数値制御装置 |
CN105004275A (zh) * | 2015-07-21 | 2015-10-28 | 苏州佳祺仕信息科技有限公司 | 螺纹孔三ccd相机检测机构 |
CN109262275A (zh) * | 2018-11-15 | 2019-01-25 | 锐驰机器人(深圳)有限公司 | 腔体耦合器自动钻孔攻牙机器人及其控制方法 |
CN112013799A (zh) * | 2020-09-03 | 2020-12-01 | 深圳市科斯福科技有限公司 | 内螺纹孔检测方法及装置 |
CN115585736B (zh) * | 2021-06-22 | 2023-11-28 | 清华大学 | 基于双目视觉的内螺纹牙型几何参数测量方法及装置 |
JP2023058360A (ja) * | 2021-10-13 | 2023-04-25 | オークマ株式会社 | タップの位相検出方法及び工作機械における雌ねじ加工方法、工作機械 |
-
2023
- 2023-06-13 CN CN202310697246.8A patent/CN116604395B/zh active Active
- 2023-06-13 CN CN202311618050.1A patent/CN117600837B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03221348A (ja) * | 1990-01-25 | 1991-09-30 | Yamazaki Mazak Corp | クーラント制御方法及び制御装置 |
CN205363246U (zh) * | 2015-12-17 | 2016-07-06 | 张炎锋 | 多工位钻孔攻丝机 |
CN109333097A (zh) * | 2018-09-28 | 2019-02-15 | 东莞市欧珀精密电子有限公司 | 定位方法及定位装置 |
CN209792697U (zh) * | 2019-03-20 | 2019-12-17 | 山西华瑞机电设备有限公司 | 一种具有检测功能的钻头刀柄 |
CN210281350U (zh) * | 2019-08-16 | 2020-04-10 | 刘暑平 | 一种plc钻孔攻牙一体机 |
CN111113142A (zh) * | 2019-12-18 | 2020-05-08 | 基迈克材料科技(苏州)有限公司 | 产品机加工冷却装置 |
CN112192056A (zh) * | 2020-09-29 | 2021-01-08 | 中国航发动力股份有限公司 | 一种气液辅助激光加工微孔的方法及装置 |
CN114083297A (zh) * | 2021-11-24 | 2022-02-25 | 上海蔚建科技有限公司 | 一种钢筋剥肋及螺纹自动化加工装置 |
CN115229434A (zh) * | 2022-06-20 | 2022-10-25 | 常州远东连杆集团有限公司 | 一种内燃机连杆螺纹双孔加工的工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN117600837B (zh) | 2024-06-04 |
CN116604395A (zh) | 2023-08-18 |
CN117600837A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vandone et al. | Multisensor data fusion for additive manufacturing process control | |
Chen et al. | Rapid surface defect identification for additive manufacturing with in-situ point cloud processing and machine learning | |
US9846933B2 (en) | Systems and methods for monitoring components | |
WO2021207318A1 (en) | In-situ inspection method based on digital data model of weld | |
CN109676135A (zh) | 一种激光增材制造视觉灰度值差异在线监测与缺陷修复装置 | |
WO2017084186A1 (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN108489986A (zh) | 一种增材制造在线检测及修复方法 | |
CN109693140B (zh) | 一种智能化柔性生产线及其工作方法 | |
US20220347930A1 (en) | Simulation, correction, and digitalization during operation of an additive manufacturing system | |
CN118134062B (zh) | 数控机床铸件质量追踪系统 | |
EP4150571A1 (en) | Computer-implemented, adapted anomaly detection method for powder-bed-based additive manufacturing | |
CN117664990A (zh) | 一种pcba外观缺陷智能检测方法 | |
CN118162756B (zh) | 一种基于视觉引导的电池模组激光焊接系统及方法 | |
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 | |
CN116604395B (zh) | 一种钻孔攻牙机及系统 | |
US11501030B2 (en) | Computer-implemented method and apparatus for automatically generating identified image data and analysis apparatus for checking a component | |
CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
CN117705121A (zh) | 一种用于电厂的多维度巡检系统 | |
US20170358073A1 (en) | Systems and Methods for Monitoring Components | |
CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
US20240246151A1 (en) | Methods for Additive Manufacturing of a Component | |
Wang et al. | Broad learning system based visual fault diagnosis for electrical equipment thermography images | |
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 | |
Yau et al. | Construction of an Online Machine Tool Wear Prediction System by Using a Time-Delay Phase Space Reconstruction-Based Dilation Convolutional Neural Network |
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 |