CN116627090B - 基于切削状态诊断的数控机床调控方法及系统 - Google Patents
基于切削状态诊断的数控机床调控方法及系统 Download PDFInfo
- Publication number
- CN116627090B CN116627090B CN202310886836.5A CN202310886836A CN116627090B CN 116627090 B CN116627090 B CN 116627090B CN 202310886836 A CN202310886836 A CN 202310886836A CN 116627090 B CN116627090 B CN 116627090B
- Authority
- CN
- China
- Prior art keywords
- cutting
- diagnosis
- image
- cutting state
- module
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 471
- 238000003745 diagnosis Methods 0.000 title claims abstract description 295
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 20
- 230000001276 controlling effect Effects 0.000 claims description 18
- 230000001105 regulatory effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000003746 surface roughness Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000010200 validation analysis 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
-
- 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)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于切削状态诊断的数控机床调控方法及系统,涉及数据处理技术领域,该方法包括:获取目标机床的预设参数集合;进行目标工件的试切削加工,并采集获得切削状态参数集合;构建用于诊断目标机床对目标工件的切削状态的切削状态诊断模型,切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支;对切削状态参数集合中图像和状态参数进行提取处理,分别输入图像诊断模块和参数诊断模块,获得切削状态诊断结果,输入诊断数据库,获得T个调试范围;进行调试寻优,获得最优参数集合。本发明解决了现有技术中存在机床调控准确度不高,智能化程度低的技术问题,达到了提升数控机床控制精度,提高调控质量的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于切削状态诊断的数控机床调控方法及系统。
背景技术
数控机床具有生产效率高、操作简单的优点,可以为企业节省大量的人力成本,由此,数据机床在生产制造过程中被广泛使用。通过对数控机床的多个参数进行控制,从而使机床进行切削质量较高的作业。然而,当机床对不同的工件进行加工时,需要对机床的参数进行调试控制,以用于对具有不同材料和物理性质的工件进行加工,以保证加工质量。
对机床的控制参数进行调整需要较多的工作量,调整效率较低,无法适应快节奏的生产需求。
发明内容
本申请提供了一种基于切削状态诊断的数控机床调控方法及系统,用于针对解决现有技术中存在机床调控效率低,智能化程度低的技术问题。
鉴于上述问题,本申请提供了一种基于切削状态诊断的数控机床调控方法及系统。
本申请的第一个方面,提供了一种基于切削状态诊断的数控机床调控方法,所述方法包括:
获取目标机床的预设参数集合,其中,所述目标机床为待进行调控的数控切削机床,所述预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;
采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削图像集合和切削状态参数集合,其中,所述切削状态参数集合包括R个切削状态指标的参数,所述R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数;
构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,其中,所述切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道;
对所述切削图像集合内的切削图像进行提取和处理,获得第一图像集和第二图像集,输入所述图像诊断模块,将所述切削状态参数集合输入所述参数诊断模块,获得切削状态诊断结果;
将所述切削状态诊断结果输入诊断数据库,获得T个调试范围;
按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合,对所述目标机床进行调控。
本申请的第二个方面,提供了一种基于切削状态诊断的数控机床调控系统,所述系统包括:
参数集合获得模块,所述参数集合获得模块用于获取目标机床的预设参数集合,其中,所述目标机床为待进行调控的数控切削机床,所述预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;
状态参数获得模块,所述状态参数获得模块用于采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削图像集合和切削状态参数集合,其中,所述切削状态参数集合包括R个切削状态指标的参数,所述R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数;
诊断模型构建模块,所述诊断模型构建模块用于构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,其中,所述切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道;
图像集输入模块,所述图像集输入模块用于对所述切削图像集合进行提取和处理,获得第一图像集和第二图像集,输入所述图像诊断模块,将所述切削状态参数集合输入所述参数诊断模块,获得切削状态诊断结果;
调试范围获得模块,所述调试范围获得模块用于将所述切削状态诊断结果输入诊断数据库,获得T个调试范围;
最优参数获得模块,所述最优参数获得模块用于按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合,对所述目标机床进行调控。
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:
获取目标机床的预设参数集合,其中,目标机床为待进行调控的数控切削机床,预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;采用预设参数集合,进行目标工件的试切削加工,并采集获得切削状态参数集合,其中,切削状态参数集合包括R个切削状态指标的参数,R个切削状态指标包括切削图像以及切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于2的整数;构建用于诊断目标机床对目标工件的切削状态的切削状态诊断模型,其中,切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,图像诊断模块包括第一通道和第二通道;将切削状态参数集合内的切削图像进行提取和处理,获得第一图像集和第二图像集,输入图像诊断模块,将切削状态参数集合内其他切削状态指标的参数进行提取,输入参数诊断模块,获得切削状态诊断结果;将切削状态诊断结果输入诊断数据库,获得T个调试范围;按照T个调试范围,对目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合。达到了通过根据切削状态诊断对数据机床控制参数进行调试寻优,提升数控机床调控效率,从而提高机床对工件的生产适应度,提升加工质量和生产效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的附图。
图1为本申请实施例提供的一种基于切削状态诊断的数控机床调控方法流程示意图;
图2为本申请实施例提供的一种基于切削状态诊断的数控机床调控方法中获得切削状态诊断模型的流程示意图;
图3为本申请实施例提供的一种基于切削状态诊断的数控机床调控方法中获得T个调试范围的流程示意图;
图4为本申请实施例提供的一种基于切削状态诊断的数控机床调控系统结构示意图。
附图标记说明:参数集合获得模块11,状态参数获得模块12,诊断模型构建模块13,图像集输入模块14,调试范围获得模块15,最优参数获得模块16。
具体实施方式
本申请通过提供了一种基于切削状态诊断的数控机床调控方法及系统,用于针对解决现有技术中存在机床调控准确度不高,智能化程度低的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种基于切削状态诊断的数控机床调控方法,其中,所述方法包括:
步骤S100:获取目标机床的预设参数集合,其中,所述目标机床为待进行调控的数控切削机床,所述预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;
在一个可能的实施例中,为了对目标机床的切削能力进行测试,从而获得用于进行切削状态诊断的所述预设参数集合。其中,所述预设参数集合中包括T个调试项目的参数,也就是说,所述预设参数集合中包括使目标机床正常运行,执行对目标工件的切削任务时的控制参数,T为控制参数的数量。其中,T个调试项目的参数包括切削速度、进给速度(进给量)、背吃刀量、功率等。
在本申请的实施例中,通过获得预设参数集合,并通过预设参数集合中的参数对目标机床进行控制,使其对工件执行切削操作,通过对数控切削机床的切削结果进行采集,从而为确定数控切削机床对目标工件进行加工时参数的调控范围提供依据。优选的,所述预设参数集合可以由工作人员自行设定,将其作为目标机床进行工件加工调试的初始参数,进而,通过根据不同工件加工时切削效果,确定对初始参数进行调节的范围。实现了为进行数控机床的调控做铺垫的目标。
步骤S200:采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削图像集合和切削状态参数集合,其中,所述切削状态参数集合包括R个切削状态指标的参数,所述R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数;
进一步的,采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削状态参数集合,本申请实施例步骤S200还包括:
步骤S210:采用所述预设参数集合控制所述目标机床进行所述目标工件的试切削加工;
步骤S220:在试切削加工中,获取所述切削图像集合,按照所述R个切削状态指标,获取所述切削状态参数集合,其中,所述切削图像集合包括在多个时间节点采集获得的切削图像。
在本申请的实施例中,所述目标工件是目标机床进行切削的对象,包括工字钢、钢板、钢管等工件。通过将目标机床的参数调整成所述预设参数集合中的参数值,使目标机床满足调试的前提条件,为调试做准备,进而使用目标机床对目标工件进行试切削加工,根据R个切削状态指标对试切削加工结果进行采集,从而获得所述切削状态参数集合。其中,所述切削图像集合是对目标工件进行试切削加工的过程中,机床和工件的外观状态进行反映的图像。所述切削状态参数集合反映了目标机床对目标工件实际切削时的工作状态,包括所述R个切削状态指标的参数,R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数。也就是说,对目标机床的切削状态进行评价时,至少要从切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中选出一个指标,然后结合切削图像集合中的加工状态进行评价。
在本申请的实施例中,在试切削加工的过程中,根据所述R个切削状态指标对目标机床的切削过程进行指标参数采集,从而获得所述切削状态参数集合。其中,所述切削状态参数集合包括R个切削状态指标的R个切削状态参数。示例性的,所述R个切削状态参数可以是切削表面粗糙度,刀具振动频率等。优选的,通过对试切削过程的多个时间节点利用图像采集装置进行图像采集,获得每个时间节点对应的切削图像,汇总之后得到所述切削图像集合。其中,所述图像采集装置是对目标机床的切削加工过程进行采集的设备,包括摄像机、红外摄像仪等。所述切削图像集合用于直观反映目标机床对目标工件进行切削加工时机床的操作情况。
步骤S300:构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,其中,所述切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道;
进一步的,如图2所示,构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,本申请实施例步骤S300还包括:
步骤S310:根据所述目标机床采用所述预设参数集合,对不同工件进行试切削加工的切削状态参数集合,获取多个样本切削图像集合、R个切削状态指标的R个样本切削状态参数集合和多个样本切削状态诊断结果;
步骤S320:采用所述R个样本切削状态参数集合和多个样本切削状态诊断结果作为构建数据,基于BP神经网络,构建训练获得所述参数诊断模块;
步骤S330:根据所述多个样本切削图像集合和所述多个样本切削状态诊断结果,构建所述图像诊断模块;
步骤S340:根据预设判断规则,构建所述综合诊断分支,所述预设判断规则包括若所述参数诊断模块和图像诊断模块输出的切削状态诊断结果一致,则输出获得切削状态诊断结果,若不一致,则输出异常;
步骤S350:连接所述图像诊断模块、参数诊断模块和综合诊断分支,获得所述切削状态诊断模型。
在一个可能的实施例中,所述切削状态诊断模型是对目标机床的切割状态进行智能化诊断的功能模型,包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道。其中,所述图像诊断模块是对目标机床切削状态参数集合内的切削图像中反映的机床切削状态进行智能化分析的功能模块,具有的第一通道和第二通道对应的输入数据不一致。所述第一通道的输入数据包括第一切削图像集,第二通道的输入数据包括第二切削图像集,所述图像诊断模块的输出数据包括切削状态诊断结果。所述参数诊断模块是对目标机床切削状态参数集合内其他切削状态指标的参数反映出的机床切削状态进行智能化诊断的功能模块。所述综合诊断分支是对图像诊断模块和参数诊断模块的输出结果进行综合分析诊断的网络分支,输出数据为切削状态诊断结果。
在一个可能的实施例中,通过按照预设参数集合对目标机床进行调试,从而对不同工件进行试切削加工,并按照所述R个切削状态指标对试切削加工过程进行指标采集,从而获得多个样本切削图像集合、R个切削状态指标的R个样本切削状态参数集合和多个样本切削状态诊断结果。从中选取所述R个样本切削状态参数集合和多个样本切削状态诊断结果作为构建数据,对以BP神经网络为基础框架构建的参数诊断模块进行监督训练,直至参数诊断模块输出达到收敛,从而获得训练完成的所述参数诊断模块。
在本申请的实施例中,通过根据所述多个样本切削图像集合和所述多个样本切削状态诊断结果,构建所述图像诊断模块,其中,所述图像诊断模块中包括第一通道和第二通道。通过第一通道和第二通道对切削图像集进行差异化分析,从而实现了提高图像诊断效率和提升诊断质量的目标。所述预设判断规则是对图像诊断模块和参数诊断模块的输出结果进行判断分析,从而确定目标机床的切削状态的规则,包括若所述切削状态诊断模型包括图像诊断模块输出的切削状态诊断结果一致,则输出获得切削状态诊断结果,若不一致,则输出异常。也就是说,只有当图像诊断模块和参数诊断模块输出的诊断结果一致时,模型输出的诊断结果可靠性才能够保证,若不一致,则需要进行重新诊断。基于所述预设判断规则构建所述综合判断分支,也就是说,综合判断分支的判断逻辑是所述预设判断规则中设定的内容。通过将图像诊断模块和参数诊断模块的输出端分别与综合诊断分支的输入端相连通,获得所述切削状态诊断模型。达到了构建对目标机床的切削状态进行智能化分析的切削状态诊断模型,提升诊断质量的技术效果。
进一步的,根据所述多个样本切削图像集合和所述多个样本切削状态诊断结果,构建所述图像诊断模块,本申请实施例步骤S330还包括:
步骤S331:按照第一采样频率,分别从所述多个样本切削图像集合进行切削图像采集,并进行下采样处理,获得多个样本第一切削图像集;
步骤S332:按照第二采样频率,分别从未进行下采样处理的多个第一切削图像集内进行切削图像采集,获得多个样本第二切削图像集;
步骤S333:采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果作为构建数据,构建所述图像诊断模块。
进一步的,采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果作为构建数据,构建所述图像诊断模块,本申请实施例步骤S333还包括:
步骤S333-1:基于SLOWFAST网络,构建所述图像诊断模块,所述图像诊断模块内包括所述第一通道和第二通道,所述第一通道的输入数据包括第一切削图像集,第二通道的输入数据包括第二切削图像集,所述图像诊断模块的输出数据包括切削状态诊断结果;
步骤S333-2:采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果,对所述图像诊断模块进行监督训练、验证和测试,在满足收敛条件的情况下,获得所述图像诊断模块。
在一个可能的实施例中,所述第一采样频率是对多个样本切削图像集合中的图像分别进行图像抽取的频率,也就是抽取出的图像在所述多个样本切削图像集合中相隔的帧数。按照所述第一采样频率对所述多个样本切削图像集合进行切削图像抽取,并进行下采样处理获得多个第一切削图像集。第一采样频率较小,是为了对目标机床内进行切削时的发生快速变化的图像进行提取,例如刀具的移动轨迹、切屑的产生和切面的变化等,从而获得更多的切削图像。而第二采样频率设置较大,且大于第一采样频率,也就是说抽取的图像间隔的帧数较大,是为了对目标机床的切削图像内的细节进行捕捉分析,例如包括切削面细节图像等,因此,抽取较少的图像,从而提高分析的效果。其中,所述第一采样频率和第二采样频率由工作人员自行设定,在此不做限制,示例性地,第二采样频率为每8帧图像抽取一帧,第一采样频率为每2帧图像抽取一帧。
在本申请的实施例中,对所述多个第一切削图像集进行下采样处理,也就是说对图像集进行池化处理,从而在保持图像质量的前提下,降低图像的维度,从而避免分析过程过拟合,使结果不准确。经过下采样处理获得所述多个样本第一切削图像集。进而,对所述多个第一切削图像集按照第二采样频率进行切削图像抽取,获得所述多个样本第二切削图像集。其中,所述第一采样频率和第二采样频率由工作人员自行设定,在此不做限制。
具体而言,在获得所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果之后,对所述图像诊断模块进行监督训练、验证和测试。以SLOWFAST网络为基础框架构建所述图像诊断模块,第一通道用于对按照第一采样频率采集的切削图像进行分析,由于分析的图像分辨率较低,因此第一通道占用的资源较少。第二通道用于对按照第二采样频率采集的未进行下采样的切削图像进行分析,图像分辨率较高,因此第二通道占用的资源较多,低于第一通道占用的资源,可选的,第一通道和第二资源的占用资源比为3:7。
在一个可能的实施例中,通过将所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果作为图像构建数据,按照一定的划分比例,将图像构建数据划分为三份,训练集、验证集和测试集所占的比例为4:3:3。通过利用训练集对图像诊断模块进行监督训练,直至模块输出达到收敛,进而,将验证集中的多个样本第一切削图像集、多个样本第二切削图像输入所述图像诊断模块中,输出多个验证样本切削状态诊断结果。通过将所述多个验证样本切削状态诊断结果与所述多个样本切削状态诊断结果进行比对,将比对成功的比例作为验证准确度,当验证准确度满足要求时,图像诊断模块验证成功。将测试集输入图像诊断模块中进行测试,若模块的输出准确率满足要求,则获得所述图像诊断模块。
步骤S400:将所述切削状态参数集合内的切削图像进行提取和处理,获得第一图像集和第二图像集,输入所述图像诊断模块,将所述切削状态参数集合内其他切削状态指标的参数进行提取,输入所述参数诊断模块,获得切削状态诊断结果;
步骤S500:将所述切削状态诊断结果输入诊断数据库,获得T个调试范围;
进一步的,如图3所示,将所述切削状态诊断结果输入诊断数据库,获得T个调试范围,本申请实施例步骤S500还包括:
步骤S510:根据所述目标机床采用所述预设参数集合,对不同工件进行切削加工调试的数据,获取多个样本切削状态诊断结果和多个样本调整范围集合,其中,每个样本调整范围集合包括所述T个调试项目的T个样本调试范围;
步骤S520:构建所述多个样本切削状态诊断结果和所述多个样本调整范围集合的索引关系,获得所述诊断数据库;
步骤S530:将所述切削状态诊断结果输入所述诊断数据库进行索引,获得所述T个调试范围。
在一个实施例中,按照第一采样频率对切削状态参数集合中的切削图像进行处理,并进行下采样处理,获得第一图像集,并对没有进行下采样处理的第一图像集按照第二采样频率进行图像抽取,获得第二图像集,将所述第一图像集和第二图像集输入所述图像诊断模块中,并将切削状态参数集合内其他切削状态指标中的参数进行提取,输入所述参数诊断模块中,从而获得所述切削状态诊断结果。进而,将所述切削状态诊断结果输入所述诊断数据库中,获得所述T个调试范围,其中,所述T个调试范围与T个调试项目的参数一一对应,也就是目标机床对目标工件进行加工时,对应T个调试项目的参数可以调整的范围。
在一个可能的实施例中,获取多个样本切削状态诊断结果和多个样本调整范围集合,其中,所述多个样本切削状态诊断结果与多个样本调整范围集合一一对应。其中,所述多个样本切削状态诊断结果是对多个不同的工件进行切削后,切削结果是否合格的评分。示例性的,所述多个样本切削状态诊断结果是对不同工件切削状态从多个维度进行评价后获得的,如切割表面粗糙度、切割边缘垂直度、切割宽度、毛刺量等维度,评分根据多个维度不同的质量标准进行获得,如1-10分,10分对应的切削状态最好。
在一个可能的实施例中,在获得所述多个样本切削状态诊断结果后,根据诊断结果中的内容,确定目标机床的状态是否需要调整,示例性的,当不同工件表面的切削面垂直度不满足要求时,表明切削力矩过大,需要进行调整,并根据切削面垂直度与标准垂直度之间的偏差情况设置对应的调试范围,也就是可以消除偏差时对目标机床进行控制的参数调整范围,从而获得多个样本调整范围集合,其中,每个样本调整范围集合包括所述T个调试项目的T个样本调试范围。
具体而言,根据多个样本切削状态诊断结果和所述多个样本调整范围集合之间的一一对应关系,构建所述多个样本切削状态诊断结果和所述多个样本调整范围集合之间的索引关系,根据索引关系获得所述诊断数据库。所述诊断数据库是用于对诊断结果对应的调试范围进行确定的数据库,通过将所述切削状态诊断结果输入所述诊断数据库中进行数据索引,根据索引关系获得所述T个调试范围。
步骤S600:按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合,对所述目标机床进行调控。
进一步的,按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,本申请实施例步骤S600还包括:
步骤S610:在所述T个调试范围内,随机生成第一解,并作为最优解;
步骤S620:采用所述第一解内的调试参数集合进行所述目标工件的试切削加工,并根据所述切削状态诊断模型,获取第一切削诊断结果;
步骤S630:在所述T个调试范围内,随机生成第二解,根据所述切削状态诊断模型,获取第二切削诊断结果;
步骤S640:判断所述第二切削诊断结果是否优于第一切削诊断结果,若是,则将所述第二解作为最优解,若否,则按照概率将所述第二解作为最优解,所述概率随着寻优次数的增加而减小;
步骤S650:继续进行寻优,直到达到预设寻优次数,获得所述最优参数集合。
在一个可能的实施例中,将所述T个调试范围作为目标机床的预设参数集合进行调试寻优时可以调整的范围,并在调试寻优的过程中,根据获得的调试参数集合对目标机床进行参数设定,并对目标工件进行试切削,从而对调试参数集合中的调试参数进行诊断,获得所述最优参数集合。其中,所述最优参数集合是所述目标机床对目标工件进行加工时切削状态最优时对应的控制参数。然后根据最优参数集合中的参数对目标机床进行调控。
在一个可能的实施例中,在获得所述T个调试范围后,分别从每个调试项目对应的调试范围内随机选取一个对应的参数值,将获得的T个调试参数值进行汇总,获得一个调试参数集合,将其作为第一解。根据第一解内的调试参数集合对目标机床进行调试,进而对目标工件进行试切削加工,对试切削加工过程按照R个切削状态指标进行指标数据采集,输入所述切削状态诊断模型中,获得所述第一切削诊断结果。其中,所述第一切削诊断结果是第一解对应参数的切削效果评价结果。然后,随机生成第二解,并按照第一解同样的方法获得第二切削诊断结果。判断所述第二切削诊断结果是否优于第一切削诊断结果,若是,则将所述第二解作为最优解,若否,则按照概率将所述第二解作为最优解,所述概率随着寻优次数的增加而减小,从而避免陷入局部最优解。通过多次迭代寻优,直至达到预设寻优次数,获得所述最优参数集合,示例性地,预设寻优次数可以为50次。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对目标机床按照预设参数集合,对目标工件进行试切削加工,并对加工过程进行分析采集获得切削状态参数集合,并利用智能化的切削状态诊断模型,实现了高效、准确的诊断目标机床对目标工件的切削状态,进而对切削状态参数集合内的切削图像进行提取和处理,输入图像诊断模块进行图像诊断,并利用参数诊断模块对其他切削状态指标进行诊断,获得切削状态诊断结果,并在T个调试范围内进行参数调试寻优,获得最优参数集合。达到了提高数控机床调控质量,提升调控准确度和分析调控效率的技术效果。
实施例二
基于与前述实施例中一种基于切削状态诊断的数控机床调控方法相同的发明构思,如图4所示,本申请提供了一种基于切削状态诊断的数控机床调控系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
参数集合获得模块11,所述参数集合获得模块11用于获取目标机床的预设参数集合,其中,所述目标机床为待进行调控的数控切削机床,所述预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;
状态参数获得模块12,所述状态参数获得模块12用于采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削图像集合和切削状态参数集合,其中,所述切削状态参数集合包括R个切削状态指标的参数,所述R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数;
诊断模型构建模块13,所述诊断模型构建模块13用于构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,其中,所述切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道;
图像集输入模块14,所述图像集输入模块14用于对所述切削图像集合进行提取和处理,获得第一图像集和第二图像集,输入所述图像诊断模块,将所述切削状态参数集合输入所述参数诊断模块,获得切削状态诊断结果;
调试范围获得模块15,所述调试范围获得模块15用于将所述切削状态诊断结果输入诊断数据库,获得T个调试范围;
最优参数获得模块16,所述最优参数获得模块16用于按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合,对所述目标机床进行调控。
进一步的,所述状态参数获得模块12用于执行的方法如下:
采用所述预设参数集合控制所述目标机床进行所述目标工件的试切削加工;
在试切削加工中,获取所述切削图像集合,并按照所述R个切削状态指标,获取所述切削状态参数集合,其中,所述切削图像集合包括在多个时间节点采集获得的切削图像。
进一步的,所述诊断模型构建模块13用于执行的方法如下:
根据所述目标机床采用所述预设参数集合,对不同工件进行试切削加工的切削状态参数集合,获取多个样本切削图像集合、R个切削状态指标的R个样本切削状态参数集合和多个样本切削状态诊断结果;
采用所述R个样本切削状态参数集合和多个样本切削状态诊断结果作为构建数据,基于BP神经网络,构建训练获得所述参数诊断模块;
根据所述多个样本切削图像集合和所述多个样本切削状态诊断结果,构建所述图像诊断模块;
根据预设判断规则,构建所述综合诊断分支,所述预设判断规则包括若所述参数诊断模块和图像诊断模块输出的切削状态诊断结果一致,则输出获得切削状态诊断结果,若不一致,则输出异常;
连接所述图像诊断模块、参数诊断模块和综合诊断分支,获得所述切削状态诊断模型。
进一步的,所述诊断模型构建模块13用于执行的方法如下:
按照第一采样频率,分别从所述多个样本切削图像集合进行切削图像采集,并进行下采样处理,获得多个样本第一切削图像集;
按照第二采样频率,分别从未进行下采样处理的多个第一切削图像集内进行切削图像采集,获得多个样本第二切削图像集;
采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果作为构建数据,构建所述图像诊断模块。
进一步的,所述诊断模型构建模块13用于执行的方法如下:
基于SLOWFAST网络,构建所述图像诊断模块,所述图像诊断模块内包括所述第一通道和第二通道,所述第一通道的输入数据包括第一切削图像集,第二通道的输入数据包括第二切削图像集,所述图像诊断模块的输出数据包括切削状态诊断结果;
采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果,对所述图像诊断模块进行监督训练、验证和测试,在满足收敛条件的情况下,获得所述图像诊断模块。
进一步的,所述调试范围获得模块15用于执行的方法如下:
根据所述目标机床采用所述预设参数集合,对不同工件进行切削加工调试的数据,获取多个样本切削状态诊断结果和多个样本调整范围集合,其中,每个样本调整范围集合包括所述T个调试项目的T个样本调试范围;
构建所述多个样本切削状态诊断结果和所述多个样本调整范围集合的索引关系,获得所述诊断数据库;
将所述切削状态诊断结果输入所述诊断数据库进行索引,获得所述T个调试范围。
进一步的,所述最优参数获得模块16用于执行的方法如下:
在所述T个调试范围内,随机生成第一解,并作为最优解;
采用所述第一解内的调试参数集合进行所述目标工件的试切削加工,并根据所述切削状态诊断模型,获取第一切削诊断结果;
在所述T个调试范围内,随机生成第二解,根据所述切削状态诊断模型,获取第二切削诊断结果;
判断所述第二切削诊断结果是否优于第一切削诊断结果,若是,则将所述第二解作为最优解,若否,则按照概率将所述第二解作为最优解,所述概率随着寻优次数的增加而减小;
继续进行寻优,直到达到预设寻优次数,获得所述最优参数集合。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
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 (4)
1.一种基于切削状态诊断的数控机床调控方法,其特征在于,所述方法包括:
获取目标机床的预设参数集合,其中,所述目标机床为待进行调控的数控切削机床,所述预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;
采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削图像集合和切削状态参数集合,其中,所述切削状态参数集合包括R个切削状态指标的参数,所述R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数;
构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,其中,所述切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道;
对所述切削图像集合进行提取和处理,获得第一图像集和第二图像集,输入所述图像诊断模块,将所述切削状态参数集合输入所述参数诊断模块,获得切削状态诊断结果;
将所述切削状态诊断结果输入诊断数据库,获得T个调试范围;
按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合,对所述目标机床进行调控;
其中,采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削状态参数集合,包括:
采用所述预设参数集合控制所述目标机床进行所述目标工件的试切削加工;
在试切削加工中,获取所述切削图像集合,并按照所述R个切削状态指标,获取所述切削状态参数集合,其中,所述切削图像集合包括在多个时间节点采集获得的切削图像;
构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,包括:
根据所述目标机床采用所述预设参数集合,对不同工件进行试切削加工的切削状态参数集合,获取多个样本切削图像集合、R个切削状态指标的R个样本切削状态参数集合和多个样本切削状态诊断结果;
采用所述R个样本切削状态参数集合和多个样本切削状态诊断结果作为构建数据,基于BP神经网络,构建训练获得所述参数诊断模块;
根据所述多个样本切削图像集合和所述多个样本切削状态诊断结果,构建所述图像诊断模块;
根据预设判断规则,构建所述综合诊断分支,所述预设判断规则包括若所述参数诊断模块和图像诊断模块输出的切削状态诊断结果一致,则输出获得切削状态诊断结果,若不一致,则输出异常;
连接所述图像诊断模块、参数诊断模块和综合诊断分支,获得所述切削状态诊断模型;
根据所述多个样本切削图像集合和所述多个样本切削状态诊断结果,构建所述图像诊断模块,包括:
按照第一采样频率,分别从所述多个样本切削图像集合进行切削图像采集,并进行下采样处理,获得多个样本第一切削图像集;
按照第二采样频率,分别从未进行下采样处理的多个第一切削图像集内进行切削图像采集,获得多个样本第二切削图像集;
采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果作为构建数据,构建所述图像诊断模块;
采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果作为构建数据,构建所述图像诊断模块,包括:
基于SLOWFAST网络,构建所述图像诊断模块,所述图像诊断模块内包括所述第一通道和第二通道,所述第一通道的输入数据包括第一切削图像集,第二通道的输入数据包括第二切削图像集,所述图像诊断模块的输出数据包括切削状态诊断结果;
采用所述多个样本第一切削图像集、多个样本第二切削图像集和多个样本切削状态诊断结果,对所述图像诊断模块进行监督训练、验证和测试,在满足收敛条件的情况下,获得所述图像诊断模块。
2.根据权利要求1所述的方法,其特征在于,将所述切削状态诊断结果输入诊断数据库,获得T个调试范围,包括:
根据所述目标机床采用所述预设参数集合,对不同工件进行切削加工调试的数据,获取多个样本切削状态诊断结果和多个样本调整范围集合,其中,每个样本调整范围集合包括所述T个调试项目的T个样本调试范围;
构建所述多个样本切削状态诊断结果和所述多个样本调整范围集合的索引关系,获得所述诊断数据库;
将所述切削状态诊断结果输入所述诊断数据库进行索引,获得所述T个调试范围。
3.根据权利要求1所述的方法,其特征在于,按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,包括:
在所述T个调试范围内,随机生成第一解,并作为最优解;
采用所述第一解内的调试参数集合进行所述目标工件的试切削加工,并根据所述切削状态诊断模型,获取第一切削诊断结果;
在所述T个调试范围内,随机生成第二解,根据所述切削状态诊断模型,获取第二切削诊断结果;
判断所述第二切削诊断结果是否优于第一切削诊断结果,若是,则将所述第二解作为最优解,若否,则按照概率将所述第二解作为最优解,所述概率随着寻优次数的增加而减小;
继续进行寻优,直到达到预设寻优次数,获得所述最优参数集合。
4.一种基于切削状态诊断的数控机床调控系统,其特征在于,所述系统执行权利要求1至3任一项所述的方法,所述系统包括:
参数集合获得模块,所述参数集合获得模块用于获取目标机床的预设参数集合,其中,所述目标机床为待进行调控的数控切削机床,所述预设参数集合用于进行切削状态诊断,包括T个调试项目的参数,T为大于1的整数;
状态参数获得模块,所述状态参数获得模块用于采用所述预设参数集合,进行目标工件的试切削加工,并采集获得切削图像集合和切削状态参数集合,其中,所述切削状态参数集合包括R个切削状态指标的参数,所述R个切削状态指标包括切削表面粗糙度、切屑状态、刀具振动频率、刀具振动幅度和切削温度中的至少一种,R为大于等于1的整数;
诊断模型构建模块,所述诊断模型构建模块用于构建用于诊断所述目标机床对所述目标工件的切削状态的切削状态诊断模型,其中,所述切削状态诊断模型包括图像诊断模块、参数诊断模块和综合诊断分支,所述图像诊断模块包括第一通道和第二通道;
图像集输入模块,所述图像集输入模块用于对所述切削图像集合进行提取和处理,获得第一图像集和第二图像集,输入所述图像诊断模块,将所述切削状态参数集合输入所述参数诊断模块,获得切削状态诊断结果;
调试范围获得模块,所述调试范围获得模块用于将所述切削状态诊断结果输入诊断数据库,获得T个调试范围;
最优参数获得模块,所述最优参数获得模块用于按照所述T个调试范围,对所述目标机床的预设参数集合进行调试寻优,并在调试寻优过程中根据所述切削状态诊断模型对调试参数集合进行诊断,获得最优参数集合,对所述目标机床进行调控;
所述状态参数获得模块用于执行的方法如下:
采用所述预设参数集合控制所述目标机床进行所述目标工件的试切削加工;
在试切削加工中,获取所述切削图像集合,并按照所述R个切削状态指标,获取所述切削状态参数集合,其中,所述切削图像集合包括在多个时间节点采集获得的切削图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310886836.5A CN116627090B (zh) | 2023-07-19 | 2023-07-19 | 基于切削状态诊断的数控机床调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310886836.5A CN116627090B (zh) | 2023-07-19 | 2023-07-19 | 基于切削状态诊断的数控机床调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116627090A CN116627090A (zh) | 2023-08-22 |
CN116627090B true CN116627090B (zh) | 2023-11-10 |
Family
ID=87613744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310886836.5A Active CN116627090B (zh) | 2023-07-19 | 2023-07-19 | 基于切削状态诊断的数控机床调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116627090B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930223A (zh) * | 2010-09-07 | 2010-12-29 | 曾谊晖 | 基于难加工金属数控加工工艺的智能筛选系统 |
CN113785250A (zh) * | 2019-03-27 | 2021-12-10 | 瑞尼斯豪公司 | 校准方法以及获得工件信息的方法 |
CN114425700A (zh) * | 2022-03-10 | 2022-05-03 | 郑云峰 | 一种基于机器视觉的智能机床加工作业自动化识别控制系统 |
CN114643496A (zh) * | 2020-12-21 | 2022-06-21 | 财团法人工业技术研究院 | 用于工具机的加工监控方法及加工监控系统 |
CN114859823A (zh) * | 2022-04-28 | 2022-08-05 | 江苏西格数据科技有限公司 | 切削工艺参数优化方法、系统、计算机设备及存储介质 |
CN114905333A (zh) * | 2022-06-27 | 2022-08-16 | 成都振宏达机电设备有限公司 | 一种基于多维数据分析的机床作业在线智能监测系统 |
CN115629569A (zh) * | 2022-12-23 | 2023-01-20 | 赫比(成都)精密塑胶制品有限公司 | 一种机床控制方法及系统 |
CN115945743A (zh) * | 2022-12-23 | 2023-04-11 | 深圳市台钲精密机械有限公司 | 一种对非标零件试加工的方法及系统 |
CN116249943A (zh) * | 2020-11-12 | 2023-06-09 | 三菱电机株式会社 | 加工诊断装置、学习装置、推断装置、加工诊断方法及程序 |
CN116341920A (zh) * | 2023-05-29 | 2023-06-27 | 成都金雅图科技有限公司 | 一种基于云计算的农业风险预警系统及方法 |
-
2023
- 2023-07-19 CN CN202310886836.5A patent/CN116627090B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930223A (zh) * | 2010-09-07 | 2010-12-29 | 曾谊晖 | 基于难加工金属数控加工工艺的智能筛选系统 |
CN113785250A (zh) * | 2019-03-27 | 2021-12-10 | 瑞尼斯豪公司 | 校准方法以及获得工件信息的方法 |
CN116249943A (zh) * | 2020-11-12 | 2023-06-09 | 三菱电机株式会社 | 加工诊断装置、学习装置、推断装置、加工诊断方法及程序 |
CN114643496A (zh) * | 2020-12-21 | 2022-06-21 | 财团法人工业技术研究院 | 用于工具机的加工监控方法及加工监控系统 |
CN114425700A (zh) * | 2022-03-10 | 2022-05-03 | 郑云峰 | 一种基于机器视觉的智能机床加工作业自动化识别控制系统 |
CN114859823A (zh) * | 2022-04-28 | 2022-08-05 | 江苏西格数据科技有限公司 | 切削工艺参数优化方法、系统、计算机设备及存储介质 |
CN114905333A (zh) * | 2022-06-27 | 2022-08-16 | 成都振宏达机电设备有限公司 | 一种基于多维数据分析的机床作业在线智能监测系统 |
CN115629569A (zh) * | 2022-12-23 | 2023-01-20 | 赫比(成都)精密塑胶制品有限公司 | 一种机床控制方法及系统 |
CN115945743A (zh) * | 2022-12-23 | 2023-04-11 | 深圳市台钲精密机械有限公司 | 一种对非标零件试加工的方法及系统 |
CN116341920A (zh) * | 2023-05-29 | 2023-06-27 | 成都金雅图科技有限公司 | 一种基于云计算的农业风险预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116627090A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3454289A1 (en) | Plant abnormality detection method and system | |
KR102123522B1 (ko) | 고장 데이터의 군집에 기반한 고장 진단 방법 | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的系统 | |
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 | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN113723781A (zh) | 一种基于spc分析的产品质量缺陷判定系统及其方法 | |
CA2034492A1 (en) | Method of monitoring the operational state of a system | |
CN115511398B (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
Eger et al. | Knowledge capturing platform in multi-stage production systems for zero-defect manufacturing | |
CN116627090B (zh) | 基于切削状态诊断的数控机床调控方法及系统 | |
JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
CN116954624B (zh) | 基于软件开发包的编译方法、软件开发系统及服务器 | |
CN109740890A (zh) | 一种质量影响因素相关性分析方法 | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
CN115391425A (zh) | 一种基于属性传递的流程一致性检验方法与系统 | |
CN115034094A (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
Brundage et al. | Qualifying evaluations from human operators: Integrating sensor data with natural language logs | |
CN112255531A (zh) | 一种测试机匹配系统及其匹配方法 | |
JP2021089653A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
CN113642198B (zh) | 一种基于可靠性增长的独立运载系统设备可靠性评估方法 | |
CN115391080A (zh) | 一种基于属性过滤的流程一致性检验方法与系统 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |