CN116748352B - 一种金属弯管机加工参数监测控制方法、系统及存储介质 - Google Patents
一种金属弯管机加工参数监测控制方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116748352B CN116748352B CN202311016260.3A CN202311016260A CN116748352B CN 116748352 B CN116748352 B CN 116748352B CN 202311016260 A CN202311016260 A CN 202311016260A CN 116748352 B CN116748352 B CN 116748352B
- Authority
- CN
- China
- Prior art keywords
- machining
- processing
- defects
- parameters
- defect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 236
- 238000012545 processing Methods 0.000 title claims abstract description 128
- 239000002184 metal Substances 0.000 title claims abstract description 81
- 238000005452 bending Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000003754 machining Methods 0.000 claims abstract description 400
- 230000007547 defect Effects 0.000 claims abstract description 204
- 230000008569 process Effects 0.000 claims abstract description 150
- 238000012797 qualification Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 92
- 230000008439 repair process Effects 0.000 claims description 19
- 230000001276 controlling effect Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004132 cross linking Methods 0.000 description 3
- 238000007688 edging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D7/00—Bending rods, profiles, or tubes
- B21D7/12—Bending rods, profiles, or tubes with programme control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种金属弯管机加工参数监测控制方法、系统及存储介质，涉及金属件加工技术领域，包括：获取金属弯管的所有机加工工序；建立工序关联模型；建立加工质量预测模型；获得实时工艺参数；判断实时工艺参数是否偏移标准工艺参数；判断该道机加工工序是否会导致加工缺陷风险高，若否，则输出机加工工序合格信号，若是，则输出该机加工工序风险高的加工缺陷。本发明的优点在于：通过对金属弯管机加工过程中的加工工序的参数实时监测并进行预测计算，有效的降低残次品流入后续加工工序造成加工资源的浪费，极大的提高了金属弯管机加工系统的自动化和智能化。
Description
技术领域
本发明涉及金属件加工技术领域，具体是涉及一种金属弯管机加工参数监测控制方法、系统及存储介质。
背景技术
在金属弯管加工过程中，通常需要经过多道次的机加工工序，不同的机加工工序当加工设备出现异常加工波动时通常易导致各种各样的加工缺陷，在金属弯管机加工过程中，部分前道次的加工缺陷可以由后续的机加工工序进行修复，在传统加工过程中，通常由工作人员根据金属弯管加工后的状态，结合加工经验进行加工缺陷甄别，自动化程度低，难以实现生产系统的智能化加工。
发明内容
为解决上述技术问题，提供一种金属弯管机加工参数监测控制方法、系统及存储介质，本技术方案解决了上述的传统加工过程中，通常由工作人员根据金属弯管加工后的状态，结合加工经验进行加工缺陷甄别，自动化程度低，难以实现生产系统的智能化加工的问题。
为达到以上目的，本发明采用的技术方案为：
一种金属弯管机加工参数监测控制方法，包括：
获取金属弯管的所有机加工工序；
确定前后有关联的机加工工序，建立工序关联模型，所述前后有关联的机加工工序为前道工序的加工缺陷会导致后道工序的加工不良或前道工序的加工缺陷可由后道工序修复；
基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型；
实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
判断实时工艺参数是否偏移标准工艺参数，若是，则输出调控信号，使实时工艺参数回归标准工艺参数，并记录工艺参数偏移数据，所述工艺参数偏移数据包括参数偏移值和参数偏移时刻，若否，则不做输出；
将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高，若否，则输出机加工工序合格信号，若是，则输出该机加工工序风险高的加工缺陷，所述加工缺陷的种类包括导致后道工序出现加工不良的加工缺陷和可由后道工序修复的加工缺陷；
若机加工工序风险高的加工缺陷的种类为导致后道工序出现加工不良的加工缺陷，则中止金属弯管机加工，并对金属弯管进行对应加工缺陷的检测，判断金属弯管是否存在对应加工缺陷，若是，则输出金属弯管加工报废信号，若否，则将金属弯管重新输入加工中心进行后续机加工工序；
若机加工工序风险高的加工缺陷的种类为可由后道工序修复的加工缺陷，记录该加工缺陷，并针对该加工缺陷进行后续机加工工序的工艺参数调整。
优选的，所述基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型具体包括：
获取机加工工序的历史加工数据；
基于机加工工序的历史加工数据确定机加工工序可能导致的加工缺陷；
对每一个机加工工序可能导致的加工缺陷建立对应的训练数据组；
基于机加工工序的历史加工数据，对每一个的训练数据组进行赋值，获得若干组训练数据组；
基于每一个机加工工序可能导致的加工缺陷对应的若干组训练数据组，进行训练加工缺陷对应的缺陷预测模型；
将所有机加工工序可能导致的加工缺陷对应的缺陷预测模型进行整合，获得机加工工序对应的加工质量预测模型；
其中，所述训练数据组为：
式中，为机加工工序可能导致的第i个加工缺陷对应的训练数据组，/>为机加工工序可能导致的第i个加工缺陷的缺陷指标，/>的值越大，代表对应的加工缺陷越严重，，j=1、2、…、n，为机加工工序第j个加工参数的工艺参数偏移数据，n为机加工工序的加工参数总数，其中，/>为缺陷预测模型的输入，/>为缺陷预测模型的输出。
优选的，所述基于每一个机加工工序可能导致的加工缺陷对应的若干组训练数据组，进行训练加工缺陷对应的缺陷预测模型具体包括：
将若干组训练数据组按照比例分为训练样本数据组和训练验证样本组，其中，所述样本数据组占比为70%-80%，所述训练验证样本组占比为20%-30%；
将若干组训练样本数据组中的，j=1、2、…、n输入训练模型的输入层，并将若干组训练样本数据组中的/>作为训练模型的输出层预设值，进行计算训练模型隐含层的参数，获得训练样本模型；
根据训练验证样本组进行计算训练样本模型的回归确定系数；
判断回归确定系数是否大于预设的确定系数阈值，若是，则将该训练样本模型作为缺陷预测模型，若否，重新划分训练样本数据组和训练验证样本组，并进行训练样本模型的训练。
优选的，所述训练模型的隐含层至少包括：
池化层，所述池化层用于对输入的机加工工序的加工参数进行向量化转化，得到向量化数据；
全连接层，所述全连接层用于对向量化数据进行线性变换到高维度，得到高维度数据；
激活层，所述激活层用于对高维度数据进行非线性映射，得到激活数据；
归一化层，所述归一化层用于对激活数据进行归一化处理，得到归一化数据；
重新缩放层，所述重新缩放层用于对归一化数据进行重新缩放，得到输出数据。
优选的，所述回归确定系数的计算公式为：
式中，为回归确定系数，/>为训练样本模型的残差平方和，/>为训练样本模型的总平方和。
优选的，所述将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高具体包括：
将机加工工序过程中的工艺参数偏移数据输入机加工工序对应的所有加工缺陷对应的缺陷预测模型中，获得机加工工序对应的所有加工缺陷的缺陷指标预测值；
判断加工缺陷的缺陷指标预测值是否存在大于预设值，若是，则发生该缺陷指标预测值对应的加工缺陷的风险高，若否，该发生缺陷指标预测值对应的加工缺陷的风险低。
优选的，所述若机加工工序风险高的加工缺陷的种类为可由后道工序修复的加工缺陷，记录该加工缺陷，并针对该加工缺陷进行后续机加工工序的工艺参数调整具体包括：
确定修复该加工缺陷所需的后续加工工序，记为修复加工工序；
根据参数偏移时刻确定加工缺陷在弯管的加工位置，记为修复加工位置；
确定修复加工工序在对修复加工位置进行加工的时刻，记为修复加工时刻；
基于修复加工工序的历史加工数据，确定修复加工工序在修复该加工缺陷时所需的加工工艺参数，记为修复加工参数；
将修复加工工序在修复加工时刻的加工参数调整为修复加工参数。
进一步的，提出一种金属弯管机加工参数监测控制系统，用于实现如上述的金属弯管机加工参数监测控制方法，包括：
处理器，所述处理器用于进行确定前后有关联的机加工工序，建立工序关联模型、基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型、判断实时工艺参数是否偏移标准工艺参数、将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高、基于工序关联模型判断机加工工序风险高的加工缺陷的种类和针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整；
加工参数监测模块，加工参数监测模块与所述处理器电性连接，所述加工参数监测模块用于实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
弯管检测模块，所述弯管检测模块用于对导致后道工序出现加工不良的加工缺陷风险高的金属弯管进行对应加工缺陷的检测；
输出模块，所述输出模块用于进行调控信号至加工设备、机加工工序合格信号、金属弯管加工报废信号和调整后的工艺参数至加工设备。
可选的，所述处理器内部集成有：
关联模型单元，所述关联模型单元用于进行确定前后有关联的机加工工序，建立工序关联模型；
预测模型单元，所述预测模型单元用于进行基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型；
加工参数判断单元，所述加工参数判断单元用于判断实时工艺参数是否偏移标准工艺参数；
缺陷判断单元，所述缺陷判断单元用于将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高和基于工序关联模型判断机加工工序风险高的加工缺陷的种类；
参数调整单元，所述参数调整单元用于针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整。
再进一步的，提出一种计算机可读存储介质，其上存储有计算机可读程序，所述计算机可读程序被调用时上述的金属弯管机加工参数监测控制方法。
与现有技术相比，本发明的有益效果在于：
本发明中，通过对金属弯管机加工过程中的加工工序的参数实时监测，并基于训练的神经网络预测模型进行确定加工工序可能导致的加工缺陷，并通过建立工序关联模型，判断加工缺陷是否可被后续加工工序进行修复，通过此方式，可实现针对于金属弯管自动化机加工系统的中间件质量预测，便于根据已完成的机加工工序实现对于金属弯管的后续工序的加工指导，可有效的降低残次品流入后续加工工序造成加工资源的浪费，极大的提高了金属弯管机加工系统的自动化和智能化。
附图说明
图1为本发明中金属弯管机加工参数监测控制系统结构框图；
图2为本发明中金属弯管机加工参数监测控制方法流程图；
图3为加工质量预测模型建立方法流程图；
图4为缺陷预测模型训练方法流程图；
图5为判断该道机加工工序是否会导致加工缺陷风险高的方法流程图；
图6为进行后续机加工工序的工艺参数调整的方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1所示，一种金属弯管机加工参数监测控制系统，包括：
处理器，处理器用于进行确定前后有关联的机加工工序，建立工序关联模型、基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型、判断实时工艺参数是否偏移标准工艺参数、将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高、基于工序关联模型判断机加工工序风险高的加工缺陷的种类和针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整；
加工参数监测模块，加工参数监测模块与处理器电性连接，加工参数监测模块用于实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
弯管检测模块，弯管检测模块用于对导致后道工序出现加工不良的加工缺陷风险高的金属弯管进行对应加工缺陷的检测；
输出模块，输出模块用于进行调控信号至加工设备、机加工工序合格信号、金属弯管加工报废信号和调整后的工艺参数至加工设备。
其中，处理器内部集成有：
关联模型单元，关联模型单元用于进行确定前后有关联的机加工工序，建立工序关联模型；
预测模型单元，预测模型单元用于进行基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型；
加工参数判断单元，加工参数判断单元用于判断实时工艺参数是否偏移标准工艺参数；
缺陷判断单元，缺陷判断单元用于将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高和基于工序关联模型判断机加工工序风险高的加工缺陷的种类；
参数调整单元，参数调整单元用于针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整。
上述金属弯管机加工参数监测控制系统的工作过程为：
步骤一：关联模型单元基于历史加工数据库，确定前后有关联的机加工工序，建立工序关联模型；
步骤二：预测模型单元基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型；
步骤三：加工参数监测模块实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
步骤四：加工参数判断单元判断实时工艺参数是否偏移标准工艺参数，输出模块基于加工参数判断单元判断结果输出或不输出调控信号至加工设备；
步骤五：缺陷判断单元用于将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高和基于工序关联模型判断机加工工序风险高的加工缺陷的种类，输出模块基于缺陷判断单元判断结果输出或不输出机加工工序合格信号；
步骤六：弯管检测模块用于对导致后道工序出现加工不良的加工缺陷风险高的金属弯管进行对应加工缺陷的检测，输出模块基于弯管检测模块检测结果输出或不输出机金属弯管加工报废信号
步骤七：参数调整单元用于针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整，输出模块输出调整后的工艺参数至加工设备。
为进一步说明本方案，请参阅图2所示，提出一种金属弯管机加工参数监测控制方法，包括：
获取金属弯管的所有机加工工序；
确定前后有关联的机加工工序，建立工序关联模型，前后有关联的机加工工序为前道工序的加工缺陷会导致后道工序的加工不良或前道工序的加工缺陷可由后道工序修复；
基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型；
实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
判断实时工艺参数是否偏移标准工艺参数，若是，则输出调控信号，使实时工艺参数回归标准工艺参数，并记录工艺参数偏移数据，工艺参数偏移数据包括参数偏移值和参数偏移时刻，若否，则不做输出；
将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高，若否，则输出机加工工序合格信号，若是，则输出该机加工工序风险高的加工缺陷，加工缺陷的种类包括导致后道工序出现加工不良的加工缺陷和可由后道工序修复的加工缺陷；
若机加工工序风险高的加工缺陷的种类为导致后道工序出现加工不良的加工缺陷，则中止金属弯管机加工，并对金属弯管进行对应加工缺陷的检测，判断金属弯管是否存在对应加工缺陷，若是，则输出金属弯管加工报废信号，若否，则将金属弯管重新输入加工中心进行后续机加工工序；
若机加工工序风险高的加工缺陷的种类为可由后道工序修复的加工缺陷，记录该加工缺陷，并针对该加工缺陷进行后续机加工工序的工艺参数调整。
通过对金属弯管机加工过程中的加工工序的参数实时监测，并基于训练的神经网络预测模型进行确定加工工序可能导致的加工缺陷，并通过建立工序关联模型，判断加工缺陷是否可被后续加工工序进行修复，通过此方式，可实现针对于金属弯管自动化机加工系统的中间件质量预测，便于根据已完成的机加工工序实现对于金属弯管的后续工序的加工指导。
请参阅图3所示，基于金属弯管的每一道机加工工序的建立对应的加工质量预测模型具体包括：
获取机加工工序的历史加工数据；
基于机加工工序的历史加工数据确定机加工工序可能导致的加工缺陷；
对每一个机加工工序可能导致的加工缺陷建立对应的训练数据组；
基于机加工工序的历史加工数据，对每一个的训练数据组进行赋值，获得若干组训练数据组；
基于每一个机加工工序可能导致的加工缺陷对应的若干组训练数据组，进行训练加工缺陷对应的缺陷预测模型；
将所有机加工工序可能导致的加工缺陷对应的缺陷预测模型进行整合，获得机加工工序对应的加工质量预测模型；
其中，训练数据组为：
式中，为机加工工序可能导致的第i个加工缺陷对应的训练数据组，/>为机加工工序可能导致的第i个加工缺陷的缺陷指标，/>的值越大，代表对应的加工缺陷越严重，/>，j=1、2、…、n，为机加工工序第j个加工参数的工艺参数偏移数据，n为机加工工序的加工参数总数，其中，/>为缺陷预测模型的输入，/>为缺陷预测模型的输出。
本方案中，基于加工工序的全部工艺参数作为缺陷预测模型的输入，以加工缺陷的缺陷指标为缺陷预测模型的输出，加工缺陷的缺陷指标可由历史加工经验进行确定，通过将受主观影响的加工经验转化成不受主观影响的数字化的缺陷预测模型，可有效的保证在进行加工缺陷计算的精准度，降低人员主观因素在自动化生产系统中的决策影响，保证自动化生产系统实现最优的决策判断。
请参阅图4所示，基于每一个机加工工序可能导致的加工缺陷对应的若干组训练数据组，进行训练加工缺陷对应的缺陷预测模型具体包括：
将若干组训练数据组按照比例分为训练样本数据组和训练验证样本组，其中，样本数据组占比为70%-80%，训练验证样本组占比为20%-30%；
将若干组训练样本数据组中的，j=1、2、…、n，输入训练模型的输入层，并将若干组训练样本数据组中的/>作为训练模型的输出层预设值，进行计算训练模型隐含层的参数，获得训练样本模型；
根据训练验证样本组进行计算训练样本模型的回归确定系数；
判断回归确定系数是否大于预设的确定系数阈值，若是，则将该训练样本模型作为缺陷预测模型，若否，重新划分训练样本数据组和训练验证样本组，并进行训练样本模型的训练。
回归确定系数的计算公式为：
式中，为回归确定系数，/>为训练样本模型的残差平方和，/>为训练样本模型的总平方和。
回归确定系数作为解释方差的相对量度，其值越大代表着训练样本模型所代表的交联关系与现实中的交联关系越接近，具体的，若/>，则代表训练样本中70%的训练数据集满足该训练样本模型；
在实际运用中，为保证训练样本模型的计算精准度，需要回归确定系数大于预设的确定系数阈值才可认定该训练样本模型可以满足需求，确定系数阈值可根据实际需求进行确定，通常状态下，其取值需要大于0.85。
训练模型的隐含层至少包括：
池化层，池化层用于对输入的机加工工序的加工参数进行向量化转化，得到向量化数据；
全连接层，全连接层用于对向量化数据进行线性变换到高维度，得到高维度数据；
激活层，激活层用于对高维度数据进行非线性映射，得到激活数据；
归一化层，归一化层用于对激活数据进行归一化处理，得到归一化数据；
重新缩放层，重新缩放层用于对归一化数据进行重新缩放，得到输出数据。
本方案中的训练模型采用训练神经计算网络模型进行，人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，通过设置合理的隐含层节点对训练数据组所包含的隐含关系进行拟合计算，可有效的保证训练出的加工质量预测模型可有效的贴合现实的加工参数与缺陷之间的交联关系，保证加工质量预测模型的准确性。
请参阅图5所示，将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高具体包括：
将机加工工序过程中的工艺参数偏移数据输入机加工工序对应的所有加工缺陷对应的缺陷预测模型中，获得机加工工序对应的所有加工缺陷的缺陷指标预测值；
判断加工缺陷的缺陷指标预测值是否存在大于预设值，若是，则发生该缺陷指标预测值对应的加工缺陷的风险高，若否，该发生缺陷指标预测值对应的加工缺陷的风险低。
请参阅图6所示，若机加工工序风险高的加工缺陷的种类为可由后道工序修复的加工缺陷，记录该加工缺陷，并针对该加工缺陷进行后续机加工工序的工艺参数调整具体包括：
确定修复该加工缺陷所需的后续加工工序，记为修复加工工序；
根据参数偏移时刻确定加工缺陷在弯管的加工位置，记为修复加工位置；
确定修复加工工序在对修复加工位置进行加工的时刻，记为修复加工时刻；
基于修复加工工序的历史加工数据，确定修复加工工序在修复该加工缺陷时所需的加工工艺参数，记为修复加工参数；
将修复加工工序在修复加工时刻的加工参数调整为修复加工参数。
可以理解的是，对于存在缺陷的弯管部位，后续修复加工时的工艺参数需要进行调整，例如对于冲压时，因参数波动导致的冲压件毛刺较大，在后续的磨边加工时，需要增加磨边加工道次，因此本方案中，针对于可能存在着加工缺陷的加工位置，进行标记，并在后续修复工艺进行修复加工时进行加工参数的调整，保证后续加工工序对于加工缺陷的修复质量。
进一步的，本方案还提出一种计算机可读存储介质，其上存储有计算机可读程序，计算机可读程序被调用时执行如上述的金属弯管机加工参数监测控制方法；
可以理解的是，存储介质可以是磁性介质，例如，软盘、硬盘、磁带；光介质例如，DVD；或者半导体介质例如固态硬盘SolidStateDisk，SSD等。
综上所述，本发明的优点在于：通过对金属弯管机加工过程中的加工工序的参数实时监测并进行预测计算，有效的降低残次品流入后续加工工序造成加工资源的浪费，极大的提高了金属弯管机加工系统的自动化和智能化。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.一种金属弯管机加工参数监测控制方法，其特征在于，包括：
获取金属弯管的所有机加工工序；
确定前后有关联的机加工工序，建立工序关联模型，所述前后有关联的机加工工序为前道工序的加工缺陷会导致后道工序的加工不良或前道工序的加工缺陷可由后道工序修复；
获取机加工工序的历史加工数据；
基于机加工工序的历史加工数据确定机加工工序可能导致的加工缺陷；
对每一个机加工工序可能导致的加工缺陷建立对应的训练数据组；
基于机加工工序的历史加工数据，对每一个的训练数据组进行赋值，获得若干组训练数据组；
将若干组训练数据组按照比例分为训练样本数据组和训练验证样本组，其中，所述训练样本数据组占比为70%-80%，所述训练验证样本组占比为20%-30%；
将若干组训练样本数据组中的，j=1、2、…、n输入训练模型的输入层，并将若干组训练样本数据组中的/>作为训练模型的输出层预设值，进行计算训练模型隐含层的参数，获得训练样本模型；
根据训练验证样本组进行计算训练样本模型的回归确定系数；
判断回归确定系数是否大于预设的确定系数阈值，若是，则将该训练样本模型作为缺陷预测模型，若否，重新划分训练样本数据组和训练验证样本组，并进行训练样本模型的训练；
将所有机加工工序可能导致的加工缺陷对应的缺陷预测模型进行整合，获得机加工工序对应的加工质量预测模型；
其中，所述训练数据组为：
式中，为机加工工序可能导致的第i个加工缺陷对应的训练数据组，/>为机加工工序可能导致的第i个加工缺陷的缺陷指标，/>的值越大，代表对应的加工缺陷越严重，/>，j= 1、2、…、n，为机加工工序第j个加工参数的工艺参数偏移数据，n为机加工工序的加工参数总数，其中，/>为缺陷预测模型的输入，/>为缺陷预测模型的输出；
实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
判断实时工艺参数是否偏移标准工艺参数，若是，则输出调控信号，使实时工艺参数回归标准工艺参数，并记录工艺参数偏移数据，所述工艺参数偏移数据包括参数偏移值和参数偏移时刻，若否，则不做输出；
将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高，若否，则输出机加工工序合格信号，若是，则输出该机加工工序风险高的加工缺陷，所述加工缺陷的种类包括导致后道工序出现加工不良的加工缺陷和可由后道工序修复的加工缺陷；
若机加工工序风险高的加工缺陷的种类为导致后道工序出现加工不良的加工缺陷，则中止金属弯管机加工，并对金属弯管进行对应加工缺陷的检测，判断金属弯管是否存在对应加工缺陷，若是，则输出金属弯管加工报废信号，若否，则将金属弯管重新输入加工中心进行后续机加工工序；
若机加工工序风险高的加工缺陷的种类为可由后道工序修复的加工缺陷，记录该加工缺陷，并针对该加工缺陷进行后续机加工工序的工艺参数调整；
其中，所述将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高具体包括：
将机加工工序过程中的工艺参数偏移数据输入机加工工序对应的所有加工缺陷对应的缺陷预测模型中，获得机加工工序对应的所有加工缺陷的缺陷指标预测值；
判断加工缺陷的缺陷指标预测值是否大于预设值，若是，则发生该缺陷指标预测值对应的加工缺陷的风险高，若否，发生该缺陷指标预测值对应的加工缺陷的风险低；
所述若机加工工序风险高的加工缺陷的种类为可由后道工序修复的加工缺陷，记录该加工缺陷，并针对该加工缺陷进行后续机加工工序的工艺参数调整具体包括：
确定修复该加工缺陷所需的后续加工工序，记为修复加工工序；
根据参数偏移时刻确定加工缺陷在弯管的加工位置，记为修复加工位置；
确定修复加工工序在对修复加工位置进行加工的时刻，记为修复加工时刻；
基于修复加工工序的历史加工数据，确定修复加工工序在修复该加工缺陷时所需的加工工艺参数，记为修复加工参数；
将修复加工工序在修复加工时刻的加工参数调整为修复加工参数。
2.根据权利要求1所述的一种金属弯管机加工参数监测控制方法，其特征在于，所述训练模型的隐含层至少包括：
池化层，所述池化层用于对输入的机加工工序的加工参数进行向量化转化，得到向量化数据；
全连接层，所述全连接层用于对向量化数据进行线性变换到高维度，得到高维度数据；
激活层，所述激活层用于对高维度数据进行非线性映射，得到激活数据；
归一化层，所述归一化层用于对激活数据进行归一化处理，得到归一化数据；
重新缩放层，所述重新缩放层用于对归一化数据进行重新缩放，得到输出数据。
3.根据权利要求2所述的一种金属弯管机加工参数监测控制方法，其特征在于，所述回归确定系数的计算公式为：
式中，为回归确定系数，/>为训练样本模型的残差平方和，/>为训练样本模型的总平方和。
4.一种金属弯管机加工参数监测控制系统，用于实现如权利要求1-3任一项所述的金属弯管机加工参数监测控制方法，其特征在于，包括：
处理器，所述处理器用于进行确定前后有关联的机加工工序，建立工序关联模型、基于金属弯管的每一道机加工工序建立对应的加工质量预测模型、判断实时工艺参数是否偏移标准工艺参数、将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高、基于工序关联模型判断机加工工序风险高的加工缺陷的种类和针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整；
加工参数监测模块，加工参数监测模块与所述处理器电性连接，所述加工参数监测模块用于实时监测金属弯管机加工过程中的工艺参数，获得实时工艺参数；
弯管检测模块，所述弯管检测模块用于对导致后道工序出现加工不良的加工缺陷风险高的金属弯管进行对应加工缺陷的检测；
输出模块，所述输出模块用于输出调控信号、机加工工序合格信号、金属弯管加工报废信号和调整后的工艺参数至加工设备。
5.根据权利要求4所述的一种金属弯管机加工参数监测控制系统，其特征在于，所述处理器内部集成有：
关联模型单元，所述关联模型单元用于进行确定前后有关联的机加工工序，建立工序关联模型；
预测模型单元，所述预测模型单元用于进行基于金属弯管的每一道机加工工序建立对应的加工质量预测模型；
加工参数判断单元，所述加工参数判断单元用于判断实时工艺参数是否偏移标准工艺参数；
缺陷判断单元，所述缺陷判断单元用于将机加工工序过程中的工艺参数偏移数据输入与机加工工序所对应的加工质量预测模型，判断该道机加工工序是否会导致加工缺陷风险高和基于工序关联模型判断机加工工序风险高的加工缺陷的种类；
参数调整单元，所述参数调整单元用于针对可由后道工序修复的加工缺陷进行后续机加工工序的工艺参数调整。
6.一种计算机可读存储介质，其上存储有计算机可读程序，其特征在于，所述计算机可读程序被调用时执行如权利要求1-3任一项所述的金属弯管机加工参数监测控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311016260.3A CN116748352B (zh) | 2023-08-14 | 2023-08-14 | 一种金属弯管机加工参数监测控制方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311016260.3A CN116748352B (zh) | 2023-08-14 | 2023-08-14 | 一种金属弯管机加工参数监测控制方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116748352A CN116748352A (zh) | 2023-09-15 |
| CN116748352B true CN116748352B (zh) | 2023-11-07 |
Family
ID=87949966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311016260.3A Active CN116748352B (zh) | 2023-08-14 | 2023-08-14 | 一种金属弯管机加工参数监测控制方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116748352B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134341A (zh) * | 2024-05-06 | 2024-06-04 | 金石(天津)科技发展有限公司 | 一种酸奶纸环标生产控制方法及系统 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4676528A (en) * | 1984-04-30 | 1987-06-30 | Gray Theodor R | Method and apparatus for restoring tubular upsets |
| CN101362282A (zh) * | 2008-09-12 | 2009-02-11 | 河南省中原内配股份有限公司 | 一种气缸套机械加工工艺 |
| CN102213961A (zh) * | 2011-05-03 | 2011-10-12 | 东北大学 | 一种毛管质量预报与控制方法 |
| CN202382685U (zh) * | 2011-12-22 | 2012-08-15 | 上汽依维柯红岩商用车有限公司 | 重型汽车驱动桥壳加工余量快速检测装置 |
| CN107243715A (zh) * | 2017-06-23 | 2017-10-13 | 成都飞机工业（集团）有限责任公司 | 一类精铸件毛坯的缺陷修正方法 |
| CN107391890A (zh) * | 2017-09-01 | 2017-11-24 | 东营市永利精工石油机械制造有限公司 | 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 |
| CN107671288A (zh) * | 2017-09-27 | 2018-02-09 | 武汉大学 | 增材制造装置及方法 |
| CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
| WO2019121486A1 (en) * | 2017-12-22 | 2019-06-27 | Asml Netherlands B.V. | Process window based on defect probability |
| CN111476348A (zh) * | 2020-03-06 | 2020-07-31 | 南京钢铁股份有限公司 | 一种铸坯质量预报方法 |
| CN111522156A (zh) * | 2020-04-22 | 2020-08-11 | Tcl华星光电技术有限公司 | 基板缺陷的检测方法及装置 |
| CN112691855A (zh) * | 2020-12-14 | 2021-04-23 | 安脉时代智能制造(宁德)有限公司 | 一种涂布智能调节方法及系统 |
| CN112975414A (zh) * | 2019-12-18 | 2021-06-18 | 合肥瑞登机械设备有限公司 | 弯管管端一体成型机 |
| JP2021114257A (ja) * | 2020-01-21 | 2021-08-05 | 東レ株式会社 | 品質予測装置、品質予測方法、品質予測プログラム、学習装置、および学習済みモデル |
| CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
| WO2021255565A2 (en) * | 2020-06-15 | 2021-12-23 | 3M Innovative Properties Company | Inspecting sheet goods using deep learning |
| CN114925585A (zh) * | 2022-07-22 | 2022-08-19 | 苏州大学 | 超高强钢热冲压成型模具温度场交互式耦合数值模拟方法 |
| JP7179394B1 (ja) * | 2021-08-30 | 2022-11-29 | 武漢理工大学 | エルボの製造方法及びシステム |
| CN115415358A (zh) * | 2022-11-03 | 2022-12-02 | 江苏新恒基特种装备股份有限公司 | 一种螺旋弯管过渡段成型监测方法及系统 |
| CN115815367A (zh) * | 2023-02-07 | 2023-03-21 | 江苏新恒基特种装备股份有限公司 | 一种基于成型参数的弯管壁厚质量预测方法和系统 |
| CN116449769A (zh) * | 2023-04-21 | 2023-07-18 | 中国航发南方工业有限公司 | 一种五轴数控机床精度温变补偿微调方法 |
-
2023
- 2023-08-14 CN CN202311016260.3A patent/CN116748352B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4676528A (en) * | 1984-04-30 | 1987-06-30 | Gray Theodor R | Method and apparatus for restoring tubular upsets |
| CN101362282A (zh) * | 2008-09-12 | 2009-02-11 | 河南省中原内配股份有限公司 | 一种气缸套机械加工工艺 |
| CN102213961A (zh) * | 2011-05-03 | 2011-10-12 | 东北大学 | 一种毛管质量预报与控制方法 |
| CN202382685U (zh) * | 2011-12-22 | 2012-08-15 | 上汽依维柯红岩商用车有限公司 | 重型汽车驱动桥壳加工余量快速检测装置 |
| CN107243715A (zh) * | 2017-06-23 | 2017-10-13 | 成都飞机工业（集团）有限责任公司 | 一类精铸件毛坯的缺陷修正方法 |
| CN107391890A (zh) * | 2017-09-01 | 2017-11-24 | 东营市永利精工石油机械制造有限公司 | 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 |
| CN107671288A (zh) * | 2017-09-27 | 2018-02-09 | 武汉大学 | 增材制造装置及方法 |
| WO2019121486A1 (en) * | 2017-12-22 | 2019-06-27 | Asml Netherlands B.V. | Process window based on defect probability |
| CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
| CN112975414A (zh) * | 2019-12-18 | 2021-06-18 | 合肥瑞登机械设备有限公司 | 弯管管端一体成型机 |
| JP2021114257A (ja) * | 2020-01-21 | 2021-08-05 | 東レ株式会社 | 品質予測装置、品質予測方法、品質予測プログラム、学習装置、および学習済みモデル |
| CN111476348A (zh) * | 2020-03-06 | 2020-07-31 | 南京钢铁股份有限公司 | 一种铸坯质量预报方法 |
| CN111522156A (zh) * | 2020-04-22 | 2020-08-11 | Tcl华星光电技术有限公司 | 基板缺陷的检测方法及装置 |
| WO2021255565A2 (en) * | 2020-06-15 | 2021-12-23 | 3M Innovative Properties Company | Inspecting sheet goods using deep learning |
| CN112691855A (zh) * | 2020-12-14 | 2021-04-23 | 安脉时代智能制造(宁德)有限公司 | 一种涂布智能调节方法及系统 |
| CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
| JP7179394B1 (ja) * | 2021-08-30 | 2022-11-29 | 武漢理工大学 | エルボの製造方法及びシステム |
| CN114925585A (zh) * | 2022-07-22 | 2022-08-19 | 苏州大学 | 超高强钢热冲压成型模具温度场交互式耦合数值模拟方法 |
| CN115415358A (zh) * | 2022-11-03 | 2022-12-02 | 江苏新恒基特种装备股份有限公司 | 一种螺旋弯管过渡段成型监测方法及系统 |
| CN115815367A (zh) * | 2023-02-07 | 2023-03-21 | 江苏新恒基特种装备股份有限公司 | 一种基于成型参数的弯管壁厚质量预测方法和系统 |
| CN116449769A (zh) * | 2023-04-21 | 2023-07-18 | 中国航发南方工业有限公司 | 一种五轴数控机床精度温变补偿微调方法 |
Non-Patent Citations (7)
| Title |
|---|
| 低碳钢板坯夹渣缺陷分析及控制;朱立光;张利民;肖鹏程;郑英辉;蒋昭阳;赵建平;;连铸(第02期);36-40 * |
| 基于BP神经网络的大方坯质量在线预报模型;常运合;曾智;张家泉;何庆文;申景霞;张利平;;钢铁(第05期);33-37 * |
| 机械加工工艺过程质量控制模型的研究;刘军;全林斯;吕梁;;组合机床与自动化加工技术(第09期);82-84 * |
| 沈根祥.计量经济学.2010,(第1版),第91页. * |
| 潘冬.数控编程技术.北京理工大学出版社,2021,(第1版),第26-27页. * |
| 王军敏.纹理图像的特征提取和识别.新华出版社,2022,(第1版),第123-131页. * |
| 磁控管用铜管的生产技术与应用;王华星;卢燕;郭慧稳;游金阁;董亚政;;上海有色金属(第04期);173-177 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116748352A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| JP4914457B2 (ja) | 自動バーチャル測定のシステムおよびその方法 | |
| CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
| US11243527B2 (en) | Production process control method and production process control device | |
| CN116748352B (zh) | 一种金属弯管机加工参数监测控制方法、系统及存储介质 | |
| CN108363836B (zh) | 多工况自适应的工业机器人健康度评估方法及系统 | |
| CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN111695730B (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN108763048B (zh) | 一种基于粒子滤波的硬盘故障预警与可靠性评估方法 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN115576267A (zh) | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 | |
| WO2021253689A1 (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
| CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
| CN110083797B (zh) | 一种滴灌管生产线异常实时监测方法及系统 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN110765486B (zh) | 一种资产故障识别方法 | |
| CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
| CN112116197A (zh) | 一种基于供应商评价体系的不良行为预警方法及系统 | |
| CN113869502A (zh) | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 | |
| CN110991841B (zh) | 一种基于ai技术的对招投标过程中不规范行为的分析方法 | |
| CN114943465A (zh) | 基于数据分析的企业管理咨询服务系统 | |
| CN114840591A (zh) | 一种分段开关功率数据的确定方法及装置 | |
| CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 |
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 |