CN116975561A - 一种基于step格式的车床工艺识别方法 - Google Patents

一种基于step格式的车床工艺识别方法 Download PDF

Info

Publication number
CN116975561A
CN116975561A CN202310889851.5A CN202310889851A CN116975561A CN 116975561 A CN116975561 A CN 116975561A CN 202310889851 A CN202310889851 A CN 202310889851A CN 116975561 A CN116975561 A CN 116975561A
Authority
CN
China
Prior art keywords
data
lathe process
lathe
dynamic
generate
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.)
Granted
Application number
CN202310889851.5A
Other languages
English (en)
Other versions
CN116975561B (zh
Inventor
江慧明
黄红亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quick Direct Shenzhen Precision Manufacturing Co ltd
Original Assignee
Shenzhen Fast Direct Industrial Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Fast Direct Industrial Technology Co ltd filed Critical Shenzhen Fast Direct Industrial Technology Co ltd
Priority to CN202310889851.5A priority Critical patent/CN116975561B/zh
Publication of CN116975561A publication Critical patent/CN116975561A/zh
Application granted granted Critical
Publication of CN116975561B publication Critical patent/CN116975561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及特征识别技术领域，尤其涉及一种基于STEP格式的车床工艺识别方法，该方法包括以下步骤：基于STEP格式文件获取车床工艺数据；根据车床工艺数据进行工艺数据分析，生成车床工艺动态数据及车床工艺几何拓扑数据；根据车床工艺几何拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑结构特征数据；对车床工艺动态数据进行动态检测，生成车床工艺动态特征数据；对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征视觉向量数据；对车床工艺动态特征视觉向量数据进行交互式可视化，生成车床工艺动态特征可视化视图；本发明实现了对车床工艺的快速、准确识别。

Description

一种基于STEP格式的车床工艺识别方法
技术领域
本发明涉及特征识别技术领域，尤其涉及一种基于STEP格式的车床工艺识别方法。
背景技术
随着制造业的发展，车床工艺的高效管理和优化对于企业的生产效率和产品质量至关重要。然而，传统的车床工艺识别方法存在一些挑战，车床工艺数据识别困难、数据处理效率低下，导致工艺识别准确度不高，因此，需要引入更加智能化，自动化的车床工艺识别方法，一种基于STEP格式的车床工艺识别方法，通过国际标准的STEP格式描述车床工艺数据，通过对车床工艺动态数据集车床工艺拓扑结构数据的智能识别，用计算机视觉、图像处理和机器学习等相关技术对文件进行分析和识别，实现车床工艺的快速、准确识别。
发明内容是
本发明为解决上述技术问题，提出了一种基于STEP格式的车床工艺识别方法，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种基于STEP格式的车床工艺识别方法，包括以下步骤：
步骤S1：基于STEP格式文件获取车床工艺数据；根据车床工艺数据进行工艺数据分析，生成车床工艺动态数据及车床工艺几何拓扑数据；
步骤S2：根据车床工艺几何拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑结构特征数据；
步骤S3：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态特征数据；对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征视觉向量数据；
步骤S4：利用聚类分析算法对车床工艺动态特征视觉向量数据进行交互式可视化，生成车床工艺动态特征可视化视图；
步骤S5：根据车床工艺动态特征可视化视图对车床工艺动态数据进行模型构建，从而获得车床工艺动态数据识别模型；对车床工艺几何拓扑数据进行数据挖掘建模，构建车床工艺拓扑结构识别模型；
步骤S6：根据车床工艺动态数据识别模型及车床工艺拓扑结构识别模型对车床工艺数据进行数据识别，生成车床工艺特征识别结果数据。
本发明通过STEP格式文件描述产品和工艺信息，通过获取该文件，可以获取到详细的车床工艺数据，包括工艺参数、工序顺序、工具路径等关键信息，对车床工艺数据进行分析可以深入了解工艺过程的特点和规律，为后续步骤提供基础数据，例如车床工艺动态数据和车床工艺几何拓扑数据，通过边缘特征检测，可以准确提取车床工艺中的边缘信息，包括轮廓线、切削区域等，为后续步骤提供重要的特征数据，通过拓扑分析，可以分析边缘特征之间的关系和结构，如连接、拓扑关系等，从而获取更加详细的车床工艺边缘拓扑结构特征数据，利用计算机视觉技术，可以对车床工艺的动态数据进行检测，例如刀具位置、工件运动等，从而捕捉到工艺中的动态变化，将动态数据转换为向量形式可以方便进行后续的数据处理和分析，例如聚类分析、模型构建等，提高数据的处理效率和准确性，通过聚类分析，可以将相似的动态特征数据聚集在一起形成簇群，然后将其可视化展示，帮助用户直观地理解和解释工艺数据的分布和特点，通过可视化视图，用户可以与数据进行交互，如缩放、平移、选择等操作，进一步探索数据中的潜在模式和规律，提供更深入的数据分析与理解，基于已构建的模型，对车床工艺数据进行识别，可以自动判断工艺类型、提取关键属性和特征，加速工艺分析和决策过程，通过模型的构建，可以将工艺数据转化为可应用于其他系统或算法的模型表示，为工艺优化、自动化等进一步的应用提供支持，通过应用识别模型，可以准确地识别车床工艺数据的特征，如切削参数、刀具轨迹、加工顺序等，提供有关工艺特征的详尽信息，通过应用识别模型，可以准确地识别车床工艺数据的特征，如切削参数、刀具轨迹、加工顺序等，提供有关工艺特征的详尽信息。
优选地，步骤S1包括以下步骤：
步骤S11：基于STEP格式文件进行数据解析，获取车床工艺数据；
步骤S12：根据车床工艺数据进行动态工艺数据分析，生成车床工艺动态数据，车床工艺动态数据包括车床刀削参数、刀具移动轨迹数据、车床振动频率数据、切削深度数据及加工路径数据；
步骤S13：根据车床工艺数据进行工艺结构数据分析，生成车床工艺几何拓扑数据，车床工艺几何拓扑数据包括车床零件形状尺寸数据、轴向几何信息、支撑结构数据及车床边角数据。
本发明通过解析STEP文件，可以提取出车床工艺数据，包括刀具参数、轨迹数据、振动频率、切削深度和加工路径等关键信息，使用STEP格式文件可以确保数据的标准化和一致性，使得不同车床工艺数据的解析和处理更加方便和准确，通过分析车床刀削参数、刀具移动轨迹数据和切削深度数据，可以优化工艺参数设置，提高切削效率和工件质量，通过分析车床振动频率数据，可以检测是否存在异常振动，及时发现故障或问题，保障机床运行的稳定性和可靠性，通过分析加工路径数据，可以优化切削路径，减少不必要的刀具移动，提高加工速度和效率，通过分析车床零件形状尺寸数据、轴向几何信息和车床边角数据，可以了解工件的几何特征和形状，为后续工艺设计和工艺优化提供依据，通过分析支撑结构数据，可以评估工件在车床上的固定和支撑情况，确保加工过程中工件的稳定性和安全性，分析车床几何拓扑数据，可以进行碰撞检测，判断车床刀具和工件之间是否存在潜在的碰撞风险，并及时采取措施避免损坏。
优选地，步骤S2包括以下步骤：
步骤S21：利用阀值切割法对车床工艺几何拓扑数据进行边缘分割，获取车床工艺边缘拓扑数据；
步骤S22：对车床工艺边缘拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；
步骤S23：根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑关系数据；
步骤S24：对车床工艺边缘拓扑关系数据进行关联优化，生成车床工艺边缘拓扑结构特征数据。
本发明通过阀值切割法，可以将车床工艺几何拓扑数据中的边缘部分提取出来，得到车床工艺的边缘形状数据，便于后续的边缘特征检测和分析，边缘分割可以将原始几何数据进行精简，只保留边缘信息，减少数据量，提高处理效率，通过边缘特征检测算法，可以识别和提取出车床工艺边缘的关键特征，例如直线段、曲线段、角点等，从而描述边缘的形状和特性，获取车床工艺边缘特征数据后，可以进行进一步的分析，如边缘长度、曲率、平滑度等参数的计算，有助于理解和评估工件表面的形状和几何特性，利用拓扑学理论，可以对车床工艺边缘特征数据进行拓扑关系的定义和分析，比如边与边的相交、连续性和趋近关系等，通过拓扑分析，可以检查车床工艺边缘数据中是否存在拓扑上的错误或不一致性，例如断裂的边、交叉的边等，以保证数据的准确性和可靠性，通过关联优化，对车床工艺边缘拓扑关系数据进行分析，可以识别和提取出边缘的整体结构特征，如闭合性、孔洞等，以及边缘之间的层次关系，优化后的边缘拓扑结构特征数据可以用于可视化展示，帮助工程师和操作人员更直观地理解和分析车床工艺的边缘结构，为后续工艺设计和优化提供指导，通过提取边缘信息、提取边缘特征、分析拓扑关系、优化边缘结构特征等，有助于深入理解车床工艺边缘的形状和结构，从而为工艺的优化和改进提供依据。
优选地，步骤S3包括以下步骤：
步骤S31：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态行为数据；
步骤S32：对车床工艺动态行为数据进行动态特征提取，生成车床工艺动态特征数据；
步骤S33：利用傅里叶变换法对对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征向量；
步骤S34：对车床工艺动态特征向量进行视觉信息标注，生成车床工艺动态特征视觉向量数据。
本发明通过计算机视觉技术，可以实时监测和捕捉车床工艺的动态行为，包括切削过程中的工具运动、工件形变等，从而获取车床工艺的实时动态数据，利用动态检测可以检测车床工艺中的异常行为，例如刀具抖动、加工质量异常等，帮助工程师及时发现和解决问题，提高工艺的稳定性和可靠性，通过对动态行为数据的分析和处理，提取车床工艺动态特征，如运动速度、加速度、振动频率等，用于描述工艺中的运动和变化情况，基于动态特征数据，可以计算和分析一些重要的工艺指标，如切削力、加工精度等，为工艺监控和优化提供依据，傅里叶变换可以将动态特征数据从时域转换到频域，将其表示为一组频域分量的振幅和相位，以向量形式表示，便于后续的处理和分析，基于傅里叶变换的向量表示，可以进行频谱分析，找出特定频率范围内的振动峰值或频率分布情况，揭示工艺中的周期性或非周期性特征，通过将动态特征向量数据与视觉信息进行标注结合，可以生成具有可视化效果的特征数据，以图形、图像或动画的形式展示，便于人们观察和理解工艺的动态变化，通过视觉信息标注，可以突出反映特征向量数据中的异常或关键信息，帮助工程师进行异常检测和故障诊断，提高工艺稳定性和质量控制能力。
优选地，步骤S4包括以下步骤：
步骤S41：利用聚类分析算法对车床工艺动态特征视觉向量数据进行频繁项集挖掘，生成车床工艺动态特征聚类项集；
步骤S42：对车床工艺动态特征聚类项集进行数据可视化处理，生成车床工艺动态特征可视化视图；
步骤S43：利用JavaScript库对车床工艺动态特征可视化视图进行交互化处理，生成车床工艺动态可交互视图。
本发明通过聚类分析算法可以将相似的数据点分组并形成聚类，通过对车床工艺动态特征视觉向量数据进行聚类分析，可以发现其中潜在的模式和趋势，可以更好地理解工艺动态特征之间的关系，通过对聚类项集进行挖掘，可以识别出具有相似特征的工艺过程，从而帮助了解不同特征组合的潜在效果和对工艺过程的影响，通过将车床工艺动态特征聚类项集进行可视化处理，可以将聚类结果以直观的方式呈现。可以更好地理解工艺动态特征之间的组织和关系，以及不同工艺过程之间的相似性和差异性，可视化视图使得异常点更容易被检测和发现。如果存在离群点(outliers)或异常工艺状态，它们在可视化视图中可能会显示为与其他聚类不太相似的数据点。这有助于对异常情况进行更有效的识别和进一步分析，从而改进工艺的稳定性和可靠性，交互化处理可以提供即时的反馈，使用户能够在不同参数设置和选项之间进行实时切换，并立即看到结果的变化。
优选地，步骤S5包括以下步骤：
步骤S51：根据车床工艺动态特征可视化视图对车床工艺动态数据进行降噪处理，从而获得第一车床工艺动态数据；
步骤S52：对第一车床工艺动态数据进行模型训练，生成车床工艺动态数据训练集；
步骤S53：对车床工艺动态数据训练集进行模型构建，从而获得车床工艺动态数据识别模型；
步骤S54：对车床工艺边缘拓扑结构特征数据进行数据预处理，生成车床工艺几何拓扑预处理管道；
步骤S55：对车床工艺几何拓扑预处理管道进行模型训练，生成车床工艺几何拓扑数据训练集；
步骤S56：对车床工艺几何拓扑数据训练集进行数据挖掘建模，构建车床工艺拓扑结构识别模型。
本发明通过对车床工艺动态数据进行降噪处理，可以去除噪声和异常数据点，提高数据的准确性和可靠性，降噪处理可以平滑车床工艺动态数据的变化趋势，使数据更具连续性和连贯性，方便后续的分析和建模，通过对第一车床工艺动态数据进行模型训练，可以生成训练集数据，用于后续建模和算法的训练，训练集数据可以用于机器学习算法的学习和模型参数的优化，提高模型对车床工艺动态数据的理解和识别能力，通过对训练集数据进行模型构建，可以得到针对车床工艺动态数据的识别模型，用于后续对新的数据进行分类和识别，识别模型可以应用于工艺监控系统，实时检测和识别车床工艺中的异常情况，提高工艺控制的准确性和可靠性，对车床工艺几何拓扑数据进行预处理可以去除噪声、异常值和不完整的数据，确保数据的质量和一致性，预处理可以将几何拓扑数据转换到适合模型训练和分析的数据格式，方便后续的数据挖掘和建模，通过对车床工艺几何拓扑预处理管道进行模型训练，可以生成训练集数据，用于后续建模和算法的训练，训练集数据可以用于机器学习算法的学习和模型参数的优化，提高模型对车床工艺几何拓扑数据的理解和识别能力，通过对训练集数据进行数据挖掘和建模，可以得到针对车床工艺几何拓扑数据的识别模型，用于后续对新的数据进行分类和识别，拓扑结构识别模型可以应用于工艺优化，对车床工艺进行结构分析和提升，改善工件加工的效率和质量。
优选地，步骤S6包括以下步骤：
步骤S61：根据车床工艺动态数据识别模型对车床工艺动态数据进行动态特征识别，生成车床工艺动态相似度数据；
步骤S62：利用车床工艺拓扑结构识别模型对车床工艺几何拓扑数据进行车床拓扑结构识别，生成车床拓扑结构相似度数据；
步骤S63：对车床工艺动态相似度数据及车床拓扑结构相似度数据进行特征数据融合，从而获得车床工艺特征识别结果数据；
本发明通过车床工艺动态数据识别模型，可以提取关键的动态特征信息，如运行状态、加工参数等，以衡量工艺数据之间的相似程度，基于提取的动态特征，可以计算车床工艺动态数据之间的相似度，从而量化不同数据之间的相似程度，通过车床工艺拓扑结构识别模型，可以对工件的几何拓扑结构进行自动识别，包括表面形状、孔位、凸台等特征，以衡量不同工艺之间的拓扑结构相似度，基于识别的拓扑结构特征，可以计算车床工艺几何拓扑数据之间的相似度，用于比较和衡量不同工艺的拓扑结构相似程度，通过特征数据融合，将动态相似度数据和拓扑结构相似度数据进行综合评估，获得工艺数据的综合相似度，这可以帮助分析人员更全面地了解不同工艺之间的差异和相似程度，基于工艺特征识别结果数据，可以进行工艺优化分析，找到相似工艺中的最佳实践，以提高工件加工的效率、质量和稳定性。
优选地，步骤S61包括以下步骤：
步骤S611：根据车床工艺动态数据识别模型对车床工艺动态数据进行动态特征识别，获得车床工艺动态识别数据；
步骤S612：利用车床工艺动态行为相似度计算公式对车床工艺动态识别数据进行行为相似度计算，生成车床工艺动态相似度数据；
本发明通过车床工艺动态数据识别模型，可以提取具有代表性的动态特征，例如运行状态、加工参数、切削力等，这些特征能够反映车床工艺的动态行为，根据模型的识别结果，车床工艺动态数据可以被标准化为一组数值表示，以便后续的行为相似度计算和分析，根据车床工艺动态行为相似度计算公式，可以对不同车床工艺动态数据之间的相似度进行量化，这可以帮助分析人员比较和评估不同工艺之间的相似性，通过行为相似度计算，可以确定哪些车床工艺动态数据在行为模式上彼此相似，从而找到相似的工艺样本，方便后续的分析和决策制定。
优选地，步骤S612中的车床工艺动态行为相似度计算公式具体为：
其中，S为车床工艺动态行为相似系数，n为车床工艺动态数据的采样总数，i为第i个车床工艺动态数据采样点，fi为第i个采样点的车床振动频率数据，gi为第i个采样点的切削深度数据，ai为第i个采样点的车床刀削参数，bi为刀具的转速，θi为第i个采样点的刀削移动轨迹与加工路径数据之间的夹角，hi为第i个采样点的刀具与加工件之间的接触面积，ki为第i个采样点刀具与加工件之间的摩擦系数。
本发明通过计算采样点的振动频率和切削深度之间的差值，可以评估车床工艺动态数据在这两个维度上的差异。这一步骤有益效果是将差异度量化为数值，为后续的相似度计算提供基础，将振动频率和切削深度的差异值进行指数化，得到一个非负的指数值。指数化的目的是将差异值映射到一个更大的范围，增加差异的权重。指数化可以放大差异，使得相似度计算更加敏感。对指数化后的差异值取对数，将其转换为对数刻度。对数化可以压缩差异的数值范围，保持较小的差异仍然可分辨，并减少了差异的影响。采用对数函数形式的原因是指数函数和对数函数是互逆的，这样做可以在一定程度上平衡振动频率和切削深度对相似度计算的影响。通过/>将前面计算的对数化的差异值除以车床刀削参数a_i和刀具转速b_i对所有参数的乘积，并对所有采样点的结果求平均值。通过引入车床刀削参数和刀具转速，可以考虑到切削条件对相似度的影响。除以乘积的目的是通过标准化，将不同量纲的参数统一到一个范围内，使得对相似度的贡献相对均衡，通过sin(θi)使用夹角的正弦值，考虑刀具在切削过程中的移动轨迹和加工路径之间的夹角。这个因素可以反映车床工艺动态行为的形状变化程度，与加工路径的一致性。夹角越大，说明形状变化越大，相似度越低。通过/>计算刀具与加工件接触面积的变化率，考虑切削过程中接触面积的动态变化情况。这一项可以帮助评估切削过程中的接触状况和刀具与加工件之间的力学行为。变化率越大，表示接触面积的变化越剧烈，相似度较低。
优选地，步骤S621包括以下步骤：
步骤S621：利用车床工艺拓扑结构识别模型对车床工艺几何拓扑数据进行车床拓扑结构识别，生成车床拓扑结构识别数据；
步骤S622：利用车床工艺拓扑结构相似度计算公式对车床拓扑结构识别数据进行拓扑结构相似度计算，生成车床拓扑结构相似度数据；
本发明通过车床工艺拓扑结构识别模型，可以从车床工艺几何数据中提取出与拓扑结构相关的信息，这些数据可以包括零件的几何形状、特征间的关联关系以及加工顺序等，通过模型的识别结果，车床拓扑结构识别数据将包含标识和表示工件拓扑结构的信息，这样的标识可以帮助后续的分析和比较不同车床工艺的拓扑结构，根据车床工艺拓扑结构相似度计算公式，可以量化不同车床工艺拓扑结构间的相似度，这可以帮助分析人员比较和评估不同工艺之间的拓扑结构相似性，通过拓扑结构相似度计算，可以确定哪些车床工艺拓扑结构在结构形式上彼此相似，从而找到相似的工艺样本，方便后续的分析和决策制定。
优选地，步骤S622中的车床工艺拓扑结构相似度计算公式具体为：
其中，F为车床工艺拓扑结构相似系数，d为车床零件形状尺寸数据的欧氏距离，N为车床工艺拓扑结构节点总数，J为第J个车床工艺拓扑结构的节点，OJ为J个采样点的车床工艺拓扑结构与车床中轴线的夹角，A为车床轴向几何长度，B为车床支撑点的位置参数，C为车床边缘角的曲率半径，D为车床边角数据匹配度系数。
本发明通过表达车床零件形状尺寸数据的影响，当d越小，即两个零件的形状尺寸越接近时，F越接近1，表示越相似；当d越大，即两个零件的形状尺寸越远离时，F越接近0，表示越不相似，能够反映出形状尺寸数据对车床工艺拓扑结构相似度的重要性，同时也能够避免d过大或过小导致F值失真的情况。通过/>用三角函数和平均值来表达车床工艺拓扑结构节点的影响，当OJ越小，即两个零件的车床工艺拓扑结构节点与车床中轴线的夹角越接近时，OJ越接近1，表示越相似；当OJ越大，即两个零件的车床工艺拓扑结构节点与车床中轴线的夹角越远离时，OJ越接近-1，表示越不相似。通过求和并除以N，可以得到所有节点的平均值，反映出整体的相似度。能够反映出车床工艺拓扑结构节点对车床工艺拓扑结构相似度的重要性，同时也能够平衡各个节点之间的差异。通过/>利用对数函数来表达车床轴向几何长度和支撑点位置参数的影响，当/>越大，即两个零件的车床轴向几何长度之和与支撑点位置参数之差的比值越大时，/>越大，表示越相似；当/>越小，即两个零件的车床轴向几何长度之和与支撑点位置参数之差的比值越小时，/>越小，表示越不相似。/>越大，表示越相似；当/>越小，即两个零件的车床轴向几何长度之和与支撑点位置参数之差的比值越小时，/>越小，表示越不相似。通过/>反映出车床边缘角曲率半径和边角数据匹配度系数对车床工艺拓扑结构相似度的次要影响。
附图说明
图1为本发明基于STEP格式的车床工艺识别方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种基于STEP格式的车床工艺识别方法。所述基于STEP格式的车床工艺识别方法的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了一种基于STEP格式的车床工艺识别方法，所述方法包括以下步骤：
步骤S1：基于STEP格式文件获取车床工艺数据；根据车床工艺数据进行工艺数据分析，生成车床工艺动态数据及车床工艺几何拓扑数据；
步骤S2：根据车床工艺几何拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑结构特征数据；
步骤S3：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态特征数据；对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征视觉向量数据；
步骤S4：利用聚类分析算法对车床工艺动态特征视觉向量数据进行交互式可视化，生成车床工艺动态特征可视化视图；
步骤S5：根据车床工艺动态特征可视化视图对车床工艺动态数据进行模型构建，从而获得车床工艺动态数据识别模型；对车床工艺几何拓扑数据进行数据挖掘建模，构建车床工艺拓扑结构识别模型；
步骤S6：根据车床工艺动态数据识别模型及车床工艺拓扑结构识别模型对车床工艺数据进行数据识别，生成车床工艺特征识别结果数据。
本发明通过STEP格式文件描述产品和工艺信息，通过获取该文件，可以获取到详细的车床工艺数据，包括工艺参数、工序顺序、工具路径等关键信息，对车床工艺数据进行分析可以深入了解工艺过程的特点和规律，为后续步骤提供基础数据，例如车床工艺动态数据和车床工艺几何拓扑数据，通过边缘特征检测，可以准确提取车床工艺中的边缘信息，包括轮廓线、切削区域等，为后续步骤提供重要的特征数据，通过拓扑分析，可以分析边缘特征之间的关系和结构，如连接、拓扑关系等，从而获取更加详细的车床工艺边缘拓扑结构特征数据，利用计算机视觉技术，可以对车床工艺的动态数据进行检测，例如刀具位置、工件运动等，从而捕捉到工艺中的动态变化，将动态数据转换为向量形式可以方便进行后续的数据处理和分析，例如聚类分析、模型构建等，提高数据的处理效率和准确性，通过聚类分析，可以将相似的动态特征数据聚集在一起形成簇群，然后将其可视化展示，帮助用户直观地理解和解释工艺数据的分布和特点，通过可视化视图，用户可以与数据进行交互，如缩放、平移、选择等操作，进一步探索数据中的潜在模式和规律，提供更深入的数据分析与理解，基于已构建的模型，对车床工艺数据进行识别，可以自动判断工艺类型、提取关键属性和特征，加速工艺分析和决策过程，通过模型的构建，可以将工艺数据转化为可应用于其他系统或算法的模型表示，为工艺优化、自动化等进一步的应用提供支持，通过应用识别模型，可以准确地识别车床工艺数据的特征，如切削参数、刀具轨迹、加工顺序等，提供有关工艺特征的详尽信息，通过应用识别模型，可以准确地识别车床工艺数据的特征，如切削参数、刀具轨迹、加工顺序等，提供有关工艺特征的详尽信息。
本实施例中，参考图1所述，为本发明一种基于STEP格式的车床工艺识别方法的步骤流程示意图，在本实例中，所述基于STEP格式的车床工艺识别方法的步骤包括：
步骤S1：基于STEP格式文件获取车床工艺数据；根据车床工艺数据进行工艺数据分析，生成车床工艺动态数据及车床工艺几何拓扑数据；
本实施例中，通过获取车床工艺相关的STEP格式文件。这些文件包含了车床工艺所需的几何和属性信息，如零件的尺寸、材料、工序等，解析STEP文件是将其转化为计算机可处理的数据格式的过程。使用STEP解析软件或库，可以将STEP文件转换为可读取的数据结构，以便后续的数据分析。基于解析后的STEP数据，进行工艺数据的提取和分析。这可以包括获取零件的几何信息，如外形特征、形状边界等；工艺参数，如切削速度、进给速度等；以及加工工序和顺序。根据提取的工艺数据，可以生成车床工艺的动态数据。这包括切削过程中的状态变化、进给运动、刀具路径等动态信息。这些数据可以用于后续的仿真、优化和过程分析。通过建立几何拓扑数据，可以支持拓扑结构识别、相似度计算等进一步的分析过程。
步骤S2：根据车床工艺几何拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑结构特征数据；
本实施例中，使用车床工艺几何拓扑数据，进行边缘特征检测。边缘特征指的是物体表面上的边界、接触面或过渡区域。可以采用图像处理算法或几何分析技术来检测车床工艺的边缘特征。这可以包括识别物体的边界曲线、面片之间的过渡边缘等。根据边缘特征检测的结果，提取并获取车床工艺的边缘特征数据使用拓扑学的方法，如图论、连通性分析等，对车床工艺的边缘特征数据进行分析基于拓扑分析结果，生成车床工艺的边缘拓扑结构特征数据。
步骤S3：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态特征数据；对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征视觉向量数据；
本实施例中，利用计算机视觉技术对车床工艺的动态数据进行动态特征检测，包括使用图像处理算法、运动物体检测算法等技术，检测和提取车床工艺中的关键动态特征，例如刀具轨迹、工件形状变化、切削过程中的震动等。根据动态特征检测的结果，提取并获取车床工艺的动态特征数据。这可以包括动态特征的时序数据，例如刀具位置和速度随时间的变化，切削力的变化曲线等。数据可以以表格或时间序列的形式进行表示。将车床工艺的动态特征数据转换为向量形式，可以通过将时序数据转换为特征向量的方式进行根据向量化转换的结果，生成车床工艺的动态特征视觉向量数据。这是将动态特征数据转化为可视化向量数据的过程。可以将特征向量进行可视化展示，例如绘制曲线图、柱状图或热力图等，以便更直观地理解和分析车床工艺的动态特征。
步骤S4：利用聚类分析算法对车床工艺动态特征视觉向量数据进行交互式可视化，生成车床工艺动态特征可视化视图；
本实施例中使用选择的聚类算法对车床工艺的动态特征视觉向量数据进行聚类分析。该算法将数据集划分为若干个聚类簇，每个簇包含相似的数据点。聚类的目标是将数据点在特征空间中划分为具有高内部相似性和低间部相似性的组。设计交互式可视化视图以显示聚类结果和车床工艺的动态特征。可以使用各种可视化工具和库，如matplotlib、D3.js等。视图设计应该能够清晰展示聚类簇的分布、离群点(如噪声点)、簇间的相对关系等。根据设计的可视化方案，使用所选的可视化工具和库生成车床工艺动态特征可视化视图。这可以包括散点图、热力图、平行坐标图等，用于直观展示聚类结果和特征间的关系。
步骤S5：根据车床工艺动态特征可视化视图对车床工艺动态数据进行模型构建，从而获得车床工艺动态数据识别模型；对车床工艺几何拓扑数据进行数据挖掘建模，构建车床工艺拓扑结构识别模型；
本实施例中，根据据任务的需求和数据的特点，选择合适的机器学习或深度学习模型进行构建。常见的模型包括决策树、随机森林、支持向量机、神经网络等。将数据集划分为训练集、验证集和测试集，一般采用70％的数据作为训练集，15％的数据作为验证集，15％的数据作为测试集。确保划分后的数据集能够代表原始数据的分布和特征。根据车床工艺几何拓扑数据，准备需要用于数据挖掘建模的数据集。确保数据集中的拓扑特征清晰定义，且数据格式正确。根据车床工艺几何拓扑数据，准备需要用于数据挖掘建模的数据集。确保数据集中的拓扑特征清晰定义，且数据格式正确。
步骤S6：根据车床工艺动态数据识别模型及车床工艺拓扑结构识别模型对车床工艺数据进行数据识别，生成车床工艺特征识别结果数据。
本实施例中使用车床工艺动态数据识别模型对预处理后的数据进行识别。将数据输入到模型中，模型将根据已学习的模式和规律进行预测和分类。根据模型的输出结果，生成车床工艺特征识别结果数据。可以是分类标签、概率值或其他形式的识别结果。据车床工艺拓扑结构识别模型中的特征选择方法，提取需要用于数据识别的特征。可能涉及到图论中的相关算法和拓扑特征的构建。使用车床工艺拓扑结构识别模型对预处理后的数据进行识别。将数据输入到模型中，模型将根据已学习的模式和规律进行预测和分类。根据模型的输出结果，生成车床工艺特征识别结果数据。可以是分类标签、概率值或其他形式的识别结果。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：基于STEP格式文件进行数据解析，获取车床工艺数据；
步骤S12：根据车床工艺数据进行动态工艺数据分析，生成车床工艺动态数据，车床工艺动态数据包括车床刀削参数、刀具移动轨迹数据、车床振动频率数据、切削深度数据及加工路径数据；
步骤S13：根据车床工艺数据进行工艺结构数据分析，生成车床工艺几何拓扑数据，车床工艺几何拓扑数据包括车床零件形状尺寸数据、轴向几何信息、支撑结构数据及车床边角数据。
本发明通过解析STEP文件，可以提取出车床工艺数据，包括刀具参数、轨迹数据、振动频率、切削深度和加工路径等关键信息，使用STEP格式文件可以确保数据的标准化和一致性，使得不同车床工艺数据的解析和处理更加方便和准确，通过分析车床刀削参数、刀具移动轨迹数据和切削深度数据，可以优化工艺参数设置，提高切削效率和工件质量，通过分析车床振动频率数据，可以检测是否存在异常振动，及时发现故障或问题，保障机床运行的稳定性和可靠性，通过分析加工路径数据，可以优化切削路径，减少不必要的刀具移动，提高加工速度和效率，通过分析车床零件形状尺寸数据、轴向几何信息和车床边角数据，可以了解工件的几何特征和形状，为后续工艺设计和工艺优化提供依据，通过分析支撑结构数据，可以评估工件在车床上的固定和支撑情况，确保加工过程中工件的稳定性和安全性，分析车床几何拓扑数据，可以进行碰撞检测，判断车床刀具和工件之间是否存在潜在的碰撞风险，并及时采取措施避免损坏。
本实施例中，使用STEP解析器对文件进行解析，提取出车床工艺相关的数据。这些数据可能包括零件的几何形状、材料属性、加工特征等信息，使用STEP解析器对文件进行解析，提取出车床工艺相关的数据。这些数据可能包括零件的几何形状、材料属性、加工特征等信息，从车床工艺数据中提取出与刀削过程相关的参数，如切削速度、进给速度、切削深度等，根据车床工艺数据，获取刀具在加工过程中的移动轨迹数据，包括切削路径和刀具位置信息。根据车床工艺数据，获取刀具在加工过程中的移动轨迹数据，包括切削路径和刀具位置信息。从车床工艺数据中提取出切削深度相关的数据，用于分析切削工艺的稳定性和加工质量。通过车床工艺数据，获取零件加工的路径信息，包括轴向移动、旋转等信息。通过车床工艺数据，获取零件加工的路径信息，包括轴向移动、旋转等信息。根据车床工艺数据，提取与零件轴向相关的几何信息，例如轴向位置、旋转角度等。根据车床工艺数据，分析零件在加工过程中的支撑结构，提取相关的支撑结构数据。根据车床工艺数据，提取零件的边界和角点数据，用于分析零件的外形特征。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：利用阀值切割法对车床工艺几何拓扑数据进行边缘分割，获取车床工艺边缘拓扑数据；
步骤S22：对车床工艺边缘拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；
步骤S23：根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑关系数据；
步骤S24：对车床工艺边缘拓扑关系数据进行关联优化，生成车床工艺边缘拓扑结构特征数据。
本发明通过阀值切割法，可以将车床工艺几何拓扑数据中的边缘部分提取出来，得到车床工艺的边缘形状数据，便于后续的边缘特征检测和分析，边缘分割可以将原始几何数据进行精简，只保留边缘信息，减少数据量，提高处理效率，通过边缘特征检测算法，可以识别和提取出车床工艺边缘的关键特征，例如直线段、曲线段、角点等，从而描述边缘的形状和特性，获取车床工艺边缘特征数据后，可以进行进一步的分析，如边缘长度、曲率、平滑度等参数的计算，有助于理解和评估工件表面的形状和几何特性，利用拓扑学理论，可以对车床工艺边缘特征数据进行拓扑关系的定义和分析，比如边与边的相交、连续性和趋近关系等，通过拓扑分析，可以检查车床工艺边缘数据中是否存在拓扑上的错误或不一致性，例如断裂的边、交叉的边等，以保证数据的准确性和可靠性，通过关联优化，对车床工艺边缘拓扑关系数据进行分析，可以识别和提取出边缘的整体结构特征，如闭合性、孔洞等，以及边缘之间的层次关系，优化后的边缘拓扑结构特征数据可以用于可视化展示，帮助工程师和操作人员更直观地理解和分析车床工艺的边缘结构，为后续工艺设计和优化提供指导，通过提取边缘信息、提取边缘特征、分析拓扑关系、优化边缘结构特征等，有助于深入理解车床工艺边缘的形状和结构，从而为工艺的优化和改进提供依据。
本实施例中，利用阈值切割法，根据一定的阈值设定，将几何数据中的边缘区域与背景区域进行分割，常见的阀值切割方法包括全局阈值、局部阈值和自适应阈值等，通过边缘检测算法(如Canny边缘检测)对分割后的边缘区域进行提取，得到车床工艺边缘拓扑数据，对车床工艺边缘拓扑数据应用特征检测算法，例如Hough变换或直线拟合等方法，来检测边缘中的特征，如直线、曲线、角点等，从检测到的边缘特征中提取出关键的参数和属性，例如特征的位置、长度、角度、弯曲度等，将提取的边缘特征数据存储到数据库或适当的数据结构中，以备后续分析和处理使用，将提取的边缘特征数据存储到数据库或适当的数据结构中，以备后续分析和处理使用，根据分析结果，生成车床工艺边缘拓扑关系数据，记录边缘之间的拓扑连接、关系类型和属性，将生成的车床工艺边缘拓扑关系数据存储到数据库或适当的数据结构中，以备后续分析和处理使用，基于车床工艺边缘拓扑关系数据，进行关联分析，识别和提取与工艺特征相关的边缘拓扑结构，根据关联分析结果，对车床工艺边缘拓扑关系数据进行优化处理，去除冗余和无关的拓扑关系，保留与工艺特征相关的结构特征，如孔位置、表面特征等，将经过关联优化后的车床工艺边缘拓扑结构特征数据存储到数据库或适当的数据结构中，以备后续分析和应用使用。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态行为数据；
步骤S32：对车床工艺动态行为数据进行动态特征提取，生成车床工艺动态特征数据；
步骤S33：利用傅里叶变换法对对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征向量；
步骤S34：对车床工艺动态特征向量进行视觉信息标注，生成车床工艺动态特征视觉向量数据。
本发明通过计算机视觉技术，可以实时监测和捕捉车床工艺的动态行为，包括切削过程中的工具运动、工件形变等，从而获取车床工艺的实时动态数据，利用动态检测可以检测车床工艺中的异常行为，例如刀具抖动、加工质量异常等，帮助工程师及时发现和解决问题，提高工艺的稳定性和可靠性，通过对动态行为数据的分析和处理，提取车床工艺动态特征，如运动速度、加速度、振动频率等，用于描述工艺中的运动和变化情况，基于动态特征数据，可以计算和分析一些重要的工艺指标，如切削力、加工精度等，为工艺监控和优化提供依据，傅里叶变换可以将动态特征数据从时域转换到频域，将其表示为一组频域分量的振幅和相位，以向量形式表示，便于后续的处理和分析，基于傅里叶变换的向量表示，可以进行频谱分析，找出特定频率范围内的振动峰值或频率分布情况，揭示工艺中的周期性或非周期性特征，通过将动态特征向量数据与视觉信息进行标注结合，可以生成具有可视化效果的特征数据，以图形、图像或动画的形式展示，便于人们观察和理解工艺的动态变化，通过视觉信息标注，可以突出反映特征向量数据中的异常或关键信息，帮助工程师进行异常检测和故障诊断，提高工艺稳定性和质量控制能力。
本实施例中，应用计算机视觉技术，如运动检测、物体跟踪、姿态估计等，对采集到的动态数据进行分析和处理，以检测并提取车床工艺的动态行为，如刀具位置、工件运动轨迹、切削过程等，将提取的车床工艺动态行为数据存储到数据库或适当的数据结构中，以备后续分析和处理使用，将提取的车床工艺动态行为数据存储到数据库或适当的数据结构中，以备后续分析和处理使用，从提取的动态特征中选择有意义的特征参数，如峰值频率、振幅变化率、重复性指标等将提取的车床工艺动态特征数据存储到数据库或适当的数据结构中，以备后续分析和处理使用，对车床工艺动态特征数据应用傅里叶变换，将其从时域转换到频域，获得频域上的振荡模式和分量，从傅里叶变换后的频谱数据中提取关键的频域特征，如主频率、频率分布、能量谱等，将提取的频域特征组成向量形式，例如将不同频率的位移、幅度、相位等参数组合成一个特征向量，将生成的车床工艺动态特征向量存储到数据库或适当的数据结构中，以备后续分析和处理使用，根据车床工艺的特点和需求，通过人工标注或自动化算法对动态特征向量进行视觉信息标注，如加工状态标识、异常检测、质量评估等，将标注的车床工艺动态特征视觉向量数据存储到数据库或适当的数据结构中，以备后续分析和应用使用。
本实施例中，步骤S4包括以下步骤：
步骤S41：利用聚类分析算法对车床工艺动态特征视觉向量数据进行频繁项集挖掘，生成车床工艺动态特征聚类项集；
步骤S42：对车床工艺动态特征聚类项集进行数据可视化处理，生成车床工艺动态特征可视化视图；
步骤S43：利用JavaScript库对车床工艺动态特征可视化视图进行交互化处理，生成车床工艺动态可交互视图。
本发明通过聚类分析算法可以将相似的数据点分组并形成聚类，通过对车床工艺动态特征视觉向量数据进行聚类分析，可以发现其中潜在的模式和趋势，可以更好地理解工艺动态特征之间的关系，通过对聚类项集进行挖掘，可以识别出具有相似特征的工艺过程，从而帮助了解不同特征组合的潜在效果和对工艺过程的影响，通过将车床工艺动态特征聚类项集进行可视化处理，可以将聚类结果以直观的方式呈现。可以更好地理解工艺动态特征之间的组织和关系，以及不同工艺过程之间的相似性和差异性，可视化视图使得异常点更容易被检测和发现。如果存在离群点(outliers)或异常工艺状态，它们在可视化视图中可能会显示为与其他聚类不太相似的数据点。这有助于对异常情况进行更有效的识别和进一步分析，从而改进工艺的稳定性和可靠性，交互化处理可以提供即时的反馈，使用户能够在不同参数设置和选项之间进行实时切换，并立即看到结果的变化。
本实施例中，选择适合的聚类算法进行分析。常用的聚类算法包括K-means、层次聚类和DBSCAN等。根据具体需求和数据特点选择合适数量的聚类中心和合适的聚类方法，将预处理后的数据转换为特征向量形式。这可以通过选取合适的特征提取方法，如主成分分析(PCA)或多维缩放(MDS)，将多个工艺动态特征转化为一维或低维向量表示，应用聚类算法对特征向量数据进行聚类分析，并识别出频繁项集。频繁项集是指在聚类结果中经常出现的特征组合。这可以通过使用频繁模式挖掘算法，如Apriori算法来实现，基于挖掘到的频繁项集，生成车床工艺动态特征聚类项集。聚类项集可以理解为具有相似特征的车床工艺动态模式的集合，将聚类项集中的特征数据映射到可视化图表的不同维度。根据聚类项集的特点，选择合适的坐标轴和图表类型来表示数据的关系和相似性，使用选定的可视化工具，将数据映射到图表上，生成车床工艺动态特征可视化视图，将车床工艺动态特征的可视化视图与JavaScript库进行整合，将数据映射到库所提供的图表和组件上。根据需求选择合适的交互方式，如缩放、平移、滚动、筛选等，设计合适的交互功能和用户界面，使用户能够与可交互视图进行互动。这包括添加交互控件、定义交互操作和响应规则等，使用选定的JavaScript库，根据设计的交互功能和用户界面，实现车床工艺动态特征可交互视图。可以通过编写JavaScript代码来实现交互逻辑和事件处理。
本实施例中，步骤S5包括以下步骤：
步骤S51：根据车床工艺动态特征可视化视图对车床工艺动态数据进行降噪处理，从而获得第一车床工艺动态数据；
步骤S52：对第一车床工艺动态数据进行模型训练，生成车床工艺动态数据训练集；
步骤S53：对车床工艺动态数据训练集进行模型构建，从而获得车床工艺动态数据识别模型；
步骤S54：对车床工艺边缘拓扑结构特征数据进行数据预处理，生成车床工艺几何拓扑预处理管道；
步骤S55：对车床工艺几何拓扑预处理管道进行模型训练，生成车床工艺几何拓扑数据训练集；
步骤S56：对车床工艺几何拓扑数据训练集进行数据挖掘建模，构建车床工艺拓扑结构识别模型。
本发明通过对车床工艺动态数据进行降噪处理，可以去除噪声和异常数据点，提高数据的准确性和可靠性，降噪处理可以平滑车床工艺动态数据的变化趋势，使数据更具连续性和连贯性，方便后续的分析和建模，通过对第一车床工艺动态数据进行模型训练，可以生成训练集数据，用于后续建模和算法的训练，训练集数据可以用于机器学习算法的学习和模型参数的优化，提高模型对车床工艺动态数据的理解和识别能力，通过对训练集数据进行模型构建，可以得到针对车床工艺动态数据的识别模型，用于后续对新的数据进行分类和识别，识别模型可以应用于工艺监控系统，实时检测和识别车床工艺中的异常情况，提高工艺控制的准确性和可靠性，对车床工艺几何拓扑数据进行预处理可以去除噪声、异常值和不完整的数据，确保数据的质量和一致性，预处理可以将几何拓扑数据转换到适合模型训练和分析的数据格式，方便后续的数据挖掘和建模，通过对车床工艺几何拓扑预处理管道进行模型训练，可以生成训练集数据，用于后续建模和算法的训练，训练集数据可以用于机器学习算法的学习和模型参数的优化，提高模型对车床工艺几何拓扑数据的理解和识别能力，通过对训练集数据进行数据挖掘和建模，可以得到针对车床工艺几何拓扑数据的识别模型，用于后续对新的数据进行分类和识别，拓扑结构识别模型可以应用于工艺优化，对车床工艺进行结构分析和提升，改善工件加工的效率和质量。
本实施例中，在可视化视图中，检测并识别潜在的噪声点或异常值，这些噪声点可能由传感器误差或其他干扰引起，采用合适的降噪算法，例如移动平均、中值滤波、小波去噪等，对检测到的噪声点进行处理，以获得更准确的第一车床工艺动态数据，根据具体需求，对输入数据进行必要的特征提取或转换，以提升模型的表达能力和训练效果，使用训练集对所选择的模型进行训练，通过优化算法(如随机梯度下降)迭代优化模型参数，使其适应给定的车床工艺动态数据，基于训练集数据和选择的模型结构，使用机器学习或深度学习算法构建车床工艺动态数据识别模型，调整模型的超参数或结构，进行交叉验证和模型评估，以提高模型的性能和泛化能力，对收集的车床工艺几何拓扑数据进行去除重复、填充缺失、纠正错误等操作，确保数据的质量和一致性，根据需要，对几何拓扑数据进行转换，例如坐标变换、尺度归一化、坐标轴对齐等，使数据适应后续的处理和分析，根据几何拓扑数据的特点，提取与车床工艺相关的特征，例如曲面拟合、边缘检测、特征点提取等，对输入数据进行必要的特征选择、特征变换或降维等预处理操作，以提取具有判别性的特征，使用训练集对所选择的模型进行训练，通过优化算法迭代调整模型参数，使其适应给定的车床工艺几何拓扑数据，基于车床工艺几何拓扑数据训练集和选择的模型结构，使用数据挖掘算法构建车床工艺拓扑结构识别模型，根据模型表现进行模型参数调整、特征选择或模型结构改进等优化操作，以提高模型的性能和泛化能力。
本实施例中，步骤S6包括以下步骤：
步骤S61：根据车床工艺动态数据识别模型对车床工艺动态数据进行动态特征识别，生成车床工艺动态相似度数据；
步骤S62：利用车床工艺拓扑结构识别模型对车床工艺几何拓扑数据进行车床拓扑结构识别，生成车床拓扑结构相似度数据；
步骤S63：对车床工艺动态相似度数据及车床拓扑结构相似度数据进行特征数据融合，从而获得车床工艺特征识别结果数据；
本发明通过车床工艺动态数据识别模型，可以提取关键的动态特征信息，如运行状态、加工参数等，以衡量工艺数据之间的相似程度，基于提取的动态特征，可以计算车床工艺动态数据之间的相似度，从而量化不同数据之间的相似程度，通过车床工艺拓扑结构识别模型，可以对工件的几何拓扑结构进行自动识别，包括表面形状、孔位、凸台等特征，以衡量不同工艺之间的拓扑结构相似度，基于识别的拓扑结构特征，可以计算车床工艺几何拓扑数据之间的相似度，用于比较和衡量不同工艺的拓扑结构相似程度，通过特征数据融合，将动态相似度数据和拓扑结构相似度数据进行综合评估，获得工艺数据的综合相似度，这可以帮助分析人员更全面地了解不同工艺之间的差异和相似程度，基于工艺特征识别结果数据，可以进行工艺优化分析，找到相似工艺中的最佳实践，以提高工件加工的效率、质量和稳定性。
本实施例中，从车床工艺过程中获取数据，并确保数据的准确性和完整性。这些数据可以包括车床的转速、进给速度、切削力、温度、压力等关键参数，据车床工艺动态数据识别模型，对预处理后的数据进行特征提取。常见的特征提取方法包括统计特征、时域特征、频域特征、小波变换等。这些特征可以反映车床工艺动态数据的某种性质或趋势。利用提取的特征，通过相似度计算方法(例如欧氏距离、余弦相似度等)，将车床工艺动态数据归纳为相似度数据。这些相似度数据可以表示不同工艺动态数据之间的相似程度。获取车床工艺相关的几何拓扑数据，包括刀具路径、切削轨迹、工件形状等。确保数据的准确性和完整性。利用提取的特征，通过相似度计算方法将车床工艺几何拓扑数据归纳为相似度数据。这些相似度数据可以表示不同工艺拓扑数据之间的相似程度。对生成的相似度数据进行标准化处理，使得不同数据具有相同的尺度和分布，以便进行后续的融合处理。将标准化后的车床工艺动态相似度数据和车床拓扑结构相似度数据进行融合。融合的方法可以是简单的加权求和、特征级别的融合，也可以是模型级别的融合，如使用深度学习模型进行融合。根据融合后的数据，生成车床工艺特征识别结果数据。这些结果数据可以用于评估车床工艺的相似性、进行工艺优化或进行其他相关分析。
本实施例中，步骤S61包括以下步骤：
步骤S611：根据车床工艺动态数据识别模型对车床工艺动态数据进行动态特征识别，获得车床工艺动态识别数据；
步骤S612：利用车床工艺动态行为相似度计算公式对车床工艺动态识别数据进行行为相似度计算，生成车床工艺动态相似度数据；
本发明通过车床工艺动态数据识别模型，可以提取具有代表性的动态特征，例如运行状态、加工参数、切削力等，这些特征能够反映车床工艺的动态行为，根据模型的识别结果，车床工艺动态数据可以被标准化为一组数值表示，以便后续的行为相似度计算和分析，根据车床工艺动态行为相似度计算公式，可以对不同车床工艺动态数据之间的相似度进行量化，这可以帮助分析人员比较和评估不同工艺之间的相似性，通过行为相似度计算，可以确定哪些车床工艺动态数据在行为模式上彼此相似，从而找到相似的工艺样本，方便后续的分析和决策制定。
本实施例中，基于提取的特征，使用车床工艺动态数据识别模型对车床工艺动态数据进行分类或识别。模型可以是机器学习模型(如支持向量机、随机森林)或深度学习模型(如卷积神经网络、循环神经网络)。该模型将学习不同工艺行为之间的差异，可以识别输入数据所属的特定行为。根据模型的输出结果，获得对车床工艺动态数据的识别结果。这些结果可以是分类标签或概率值，用于描述数据属于不同工艺行为的程度。根据具体场景和需求，选择合适的行为相似度计算公式。这个公式可以根据识别的车床工艺动态数据来比较不同数据之间的相似度。例如，可以使用余弦相似度、欧氏距离或其他相关的相似度度量方法。应用选定的行为相似度计算公式，将车床工艺动态识别数据进行相似度计算。这需要比较不同数据之间的特征值，并根据选择的公式计算它们之间的相似度。根据相似度计算的结果，生成车床工艺动态相似度数据。这些数据可以表示不同工艺行为之间的相似程度，以便后续的分析和决策。
本实施例中，步骤S612中的车床工艺动态行为相似度计算公式具体为：
其中，S为车床工艺动态行为相似系数，n为车床工艺动态数据的采样总数，i为第i个车床工艺动态数据采样点，fi为第i个采样点的车床振动频率数据，gi为第i个采样点的切削深度数据，ai为第i个采样点的车床刀削参数，bi为刀具的转速，θi为第i个采样点的刀削移动轨迹与加工路径数据之间的夹角，hi为第i个采样点的刀具与加工件之间的接触面积，ki为第i个采样点刀具与加工件之间的摩擦系数。
本发明通过计算采样点的振动频率和切削深度之间的差值，可以评估车床工艺动态数据在这两个维度上的差异。这一步骤有益效果是将差异度量化为数值，为后续的相似度计算提供基础，将振动频率和切削深度的差异值进行指数化，得到一个非负的指数值。指数化的目的是将差异值映射到一个更大的范围，增加差异的权重。指数化可以放大差异，使得相似度计算更加敏感。对指数化后的差异值取对数，将其转换为对数刻度。对数化可以压缩差异的数值范围，保持较小的差异仍然可分辨，并减少了差异的影响。采用对数函数形式的原因是指数函数和对数函数是互逆的，这样做可以在一定程度上平衡振动频率和切削深度对相似度计算的影响。通过/>将前面计算的对数化的差异值除以车床刀削参数a_i和刀具转速b_i对所有参数的乘积，并对所有采样点的结果求平均值。通过引入车床刀削参数和刀具转速，可以考虑到切削条件对相似度的影响。除以乘积的目的是通过标准化，将不同量纲的参数统一到一个范围内，使得对相似度的贡献相对均衡，通过sin(θi)使用夹角的正弦值，考虑刀具在切削过程中的移动轨迹和加工路径之间的夹角。这个因素可以反映车床工艺动态行为的形状变化程度，与加工路径的一致性。夹角越大，说明形状变化越大，相似度越低。通过/>计算刀具与加工件接触面积的变化率，考虑切削过程中接触面积的动态变化情况。这一项可以帮助评估切削过程中的接触状况和刀具与加工件之间的力学行为。变化率越大，表示接触面积的变化越剧烈，相似度较低。
本实施例中，步骤S62包括以下步骤：
步骤S621：利用车床工艺拓扑结构识别模型对车床工艺几何拓扑数据进行车床拓扑结构识别，生成车床拓扑结构识别数据；
步骤S622：利用车床工艺拓扑结构相似度计算公式对车床拓扑结构识别数据进行拓扑结构相似度计算，生成车床拓扑结构相似度数据；
本发明通过车床工艺拓扑结构识别模型，可以从车床工艺几何数据中提取出与拓扑结构相关的信息，这些数据可以包括零件的几何形状、特征间的关联关系以及加工顺序等，通过模型的识别结果，车床拓扑结构识别数据将包含标识和表示工件拓扑结构的信息，这样的标识可以帮助后续的分析和比较不同车床工艺的拓扑结构，根据车床工艺拓扑结构相似度计算公式，可以量化不同车床工艺拓扑结构间的相似度，这可以帮助分析人员比较和评估不同工艺之间的拓扑结构相似性，通过拓扑结构相似度计算，可以确定哪些车床工艺拓扑结构在结构形式上彼此相似，从而找到相似的工艺样本，方便后续的分析和决策制定。
本实施例中，基于模型的输出结果，获得对车床工艺几何拓扑数据的拓扑结构识别数据。这些数据可能包括不同部分的标签、类别或其他表示拓扑结构信息的形式。基于模型的输出结果，获得对车床工艺几何拓扑数据的拓扑结构识别数据。这些数据可能包括不同部分的标签、类别或其他表示拓扑结构信息的形式。应用选定的拓扑结构相似度计算公式，将车床拓扑结构识别数据进行相似度计算。这需要比较不同数据之间的拓扑结构特征，并根据选择的公式计算它们之间的相似度。根据相似度计算的结果，生成车床拓扑结构相似度数据。这些数据可以表示不同拓扑结构之间的相似程度，以便进行进一步分析和决策。
本实施例中，步骤S622中的车床工艺拓扑结构相似度计算公式具体为：
其中，F为车床工艺拓扑结构相似系数，d为车床零件形状尺寸数据的欧氏距离，N为车床工艺拓扑结构节点总数，J为第J个车床工艺拓扑结构的节点，OJ为J个采样点的车床工艺拓扑结构与车床中轴线的夹角，A为车床轴向几何长度，B为车床支撑点的位置参数，C为车床边缘角的曲率半径，D为车床边角数据匹配度系数。
本发明通过表达车床零件形状尺寸数据的影响，当d越小，即两个零件的形状尺寸越接近时，F越接近1，表示越相似；当d越大，即两个零件的形状尺寸越远离时，F越接近0，表示越不相似，能够反映出形状尺寸数据对车床工艺拓扑结构相似度的重要性，同时也能够避免d过大或过小导致F值失真的情况。通过/>用三角函数和平均值来表达车床工艺拓扑结构节点的影响，当OJ越小，即两个零件的车床工艺拓扑结构节点与车床中轴线的夹角越接近时，OJ越接近1，表示越相似；当OJ越大，即两个零件的车床工艺拓扑结构节点与车床中轴线的夹角越远离时，OJ越接近-1，表示越不相似。通过求和并除以N，可以得到所有节点的平均值，反映出整体的相似度。能够反映出车床工艺拓扑结构节点对车床工艺拓扑结构相似度的重要性，同时也能够平衡各个节点之间的差异。通过/>利用对数函数来表达车床轴向几何长度和支撑点位置参数的影响，当/>越大，即两个零件的车床轴向几何长度之和与支撑点位置参数之差的比值越大时，/>越大，表示越相似；当/>越小，即两个零件的车床轴向几何长度之和与支撑点位置参数之差的比值越小时，/>越小，表示越不相似。/>越大，表示越相似；当/>越小，即两个零件的车床轴向几何长度之和与支撑点位置参数之差的比值越小时，/>越小，表示越不相似。通过/>反映出车床边缘角曲率半径和边角数据匹配度系数对车床工艺拓扑结构相似度的次要影响。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于STEP格式的车床工艺识别方法，其特征在于，包括以下步骤：
步骤S1：基于STEP格式文件获取车床工艺数据；根据车床工艺数据进行工艺数据分析，生成车床工艺动态数据及车床工艺几何拓扑数据；
步骤S2：根据车床工艺几何拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑结构特征数据；
步骤S3：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态特征数据；对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征视觉向量数据；
步骤S4：利用聚类分析算法对车床工艺动态特征视觉向量数据进行交互式可视化，生成车床工艺动态特征可视化视图；
步骤S5：根据车床工艺动态特征可视化视图对车床工艺动态数据进行模型构建，从而获得车床工艺动态数据识别模型；对车床工艺边缘拓扑结构特征数据进行数据挖掘建模，构建车床工艺拓扑结构识别模型；
步骤S6：根据车床工艺动态数据识别模型及车床工艺拓扑结构识别模型对车床工艺数据进行数据识别，生成车床工艺特征识别结果数据。
2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：
步骤S11：基于STEP格式文件进行数据解析，获取车床工艺数据；
步骤S12：根据车床工艺数据进行动态工艺数据分析，生成车床工艺动态数据，车床工艺动态数据包括车床刀削参数、刀具移动轨迹数据、车床振动频率数据、切削深度数据及加工路径数据；
步骤S13：根据车床工艺数据进行工艺结构数据分析，生成车床工艺几何拓扑数据，车床工艺几何拓扑数据包括车床零件形状尺寸数据、轴向几何信息、支撑结构数据及车床边角数据。
3.根据权利要求2所述的方法，其特征在于，步骤S2的具体步骤为：
步骤S21：利用阀值切割法对车床工艺几何拓扑数据进行边缘分割，获取车床工艺边缘拓扑数据；
步骤S22：对车床工艺边缘拓扑数据进行边缘特征检测，以获取车床工艺边缘特征数据；
步骤S23：根据拓扑学理论对车床工艺边缘特征数据进行拓扑分析，生成车床工艺边缘拓扑关系数据；
步骤S24：对车床工艺边缘拓扑关系数据进行关联优化，生成车床工艺边缘拓扑结构特征数据。
4.根据权利要求3所述的方法，其特征在于，步骤S3的具体步骤为：
步骤S31：利用计算机视觉技术对车床工艺动态数据进行动态检测，生成车床工艺动态行为数据；
步骤S32：对车床工艺动态行为数据进行动态特征提取，生成车床工艺动态特征数据；
步骤S33：利用傅里叶变换法对对车床工艺动态特征数据进行向量形式转换，生成车床工艺动态特征向量；
步骤S34：对车床工艺动态特征向量进行视觉信息标注，生成车床工艺动态特征视觉向量数据。
5.根据权利要求4所述的方法，其特征在于，步骤S4的具体步骤为：
步骤S41：利用聚类分析算法对车床工艺动态特征视觉向量数据进行频繁项集挖掘，生成车床工艺动态特征聚类项集；
步骤S42：对车床工艺动态特征聚类项集进行数据可视化处理，生成车床工艺动态特征可视化视图；
步骤S43：利用JavaScript库对车床工艺动态特征可视化视图进行交互化处理，生成车床工艺动态可交互视图。
6.根据权利要求5所述的方法，其特征在于，步骤S5的具体步骤为：
步骤S51：根据车床工艺动态特征可视化视图对车床工艺动态数据进行降噪处理，从而获得第一车床工艺动态数据；
步骤S52：对第一车床工艺动态数据进行模型训练，生成车床工艺动态数据训练集；
步骤S53：对车床工艺动态数据训练集进行模型构建，从而获得车床工艺动态数据识别模型；
步骤S54：对车床工艺边缘拓扑结构特征数据进行数据预处理，生成车床工艺几何拓扑预处理管道；
步骤S55：对车床工艺几何拓扑预处理管道进行模型训练，生成车床工艺几何拓扑数据训练集；
步骤S56：对车床工艺几何拓扑数据训练集进行数据挖掘建模，构建车床工艺拓扑结构识别模型。
7.根据权利要求6所述的方法，其特征在于，步骤S43的具体步骤为：
步骤S61：根据车床工艺动态数据识别模型对车床工艺动态数据进行动态特征识别，生成车床工艺动态相似度数据；
步骤S62：利用车床工艺拓扑结构识别模型对车床工艺几何拓扑数据进行车床拓扑结构识别，生成车床拓扑结构相似度数据；
步骤S63：对车床工艺动态相似度数据及车床拓扑结构相似度数据进行特征数据融合，从而获得车床工艺特征识别结果数据。
8.根据权利要求7所述的方法，其特征在于，步骤S61的具体步骤为：
步骤S611：根据车床工艺动态数据识别模型对车床工艺动态数据进行动态特征识别，获得车床工艺动态识别数据；
步骤S612：利用车床工艺动态行为相似度计算公式对车床工艺动态识别数据进行行为相似度计算，生成车床工艺动态相似度数据；
其中，步骤S612中的车床工艺动态行为相似度计算公式具体为：
其中，S为车床工艺动态行为相似系数，n为车床工艺动态数据的采样总数，i为第i个车床工艺动态数据采样点，fi为第i个采样点的车床振动频率数据，gi为第i个采样点的切削深度数据，ai为第i个采样点的车床刀削参数，bi为刀具的转速，θi为第i个采样点的刀削移动轨迹与加工路径数据之间的夹角，hi为第i个采样点的刀具与加工件之间的接触面积，ki为第i个采样点刀具与加工件之间的摩擦系数。
9.根据权利要求8所述的方法，其特征在于，步骤S62的具体步骤为：
步骤S621：利用车床工艺拓扑结构识别模型对车床工艺几何拓扑数据进行车床拓扑结构识别，生成车床拓扑结构识别数据；
步骤S622：利用车床工艺拓扑结构相似度计算公式对车床拓扑结构识别数据进行拓扑结构相似度计算，生成车床拓扑结构相似度数据。
10.根据权利要求9所述的方法，其特征在于，步骤S622中的车床工艺拓扑结构相似度计算公式具体为：
其中，F为车床工艺拓扑结构相似系数，d为车床零件形状尺寸数据的欧氏距离，N为车床工艺拓扑结构节点总数，J为第J个车床工艺拓扑结构的节点，OJ为J个采样点的车床工艺拓扑结构与车床中轴线的夹角，A为车床轴向几何长度，B为车床支撑点的位置参数，C为车床边缘角的曲率半径，D为车床边角数据匹配度系数。
CN202310889851.5A 2023-07-19 2023-07-19 一种基于step格式的车床工艺识别方法 Active CN116975561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310889851.5A CN116975561B (zh) 2023-07-19 2023-07-19 一种基于step格式的车床工艺识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310889851.5A CN116975561B (zh) 2023-07-19 2023-07-19 一种基于step格式的车床工艺识别方法

Publications (2)

Publication Number Publication Date
CN116975561A true CN116975561A (zh) 2023-10-31
CN116975561B CN116975561B (zh) 2024-04-05

Family

ID=88480815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310889851.5A Active CN116975561B (zh) 2023-07-19 2023-07-19 一种基于step格式的车床工艺识别方法

Country Status (1)

Country Link
CN (1) CN116975561B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224953A (zh) * 2015-10-09 2016-01-06 天津大学 一种机床零件加工工艺规程中知识提取与演化的方法
US20160019270A1 (en) * 2014-07-16 2016-01-21 Machine Research Corporation Systems and methods for searching a machining knowledge database
CN106815447A (zh) * 2017-02-03 2017-06-09 南京航空航天大学 基于历史数据的复杂结构件加工特征智能定义与分类方法
US10061300B1 (en) * 2017-09-29 2018-08-28 Xometry, Inc. Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes
CN109117560A (zh) * 2018-08-17 2019-01-01 武汉理工大学 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
CN109143980A (zh) * 2018-10-19 2019-01-04 西北工业大学 基于数控工艺解析的相交加工特征识别与重用方法
CN113962511A (zh) * 2021-09-07 2022-01-21 河海大学 一种融合工艺设计意图的工艺数据结构化表征方法
CN115131669A (zh) * 2022-07-29 2022-09-30 中南大学 多源数据协同的人车路网一体化构建方法
CN115357811A (zh) * 2022-08-23 2022-11-18 安徽农业大学 一种顾及拓扑数据分析的时序多层地理流聚类识别方法
WO2023272836A1 (zh) * 2021-06-28 2023-01-05 成都飞机工业（集团）有限责任公司 一种基于加工知识的数控工艺设计及优化方法
CN115809567A (zh) * 2022-12-26 2023-03-17 北京理工大学 一种车间数字孪生模型的构建方法、装置及设备
US20230206261A1 (en) * 2021-11-23 2023-06-29 Strong Force TX Portfolio 2018, LLC Transaction platforms where systems include sets of other systems

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160019270A1 (en) * 2014-07-16 2016-01-21 Machine Research Corporation Systems and methods for searching a machining knowledge database
CN105224953A (zh) * 2015-10-09 2016-01-06 天津大学 一种机床零件加工工艺规程中知识提取与演化的方法
CN106815447A (zh) * 2017-02-03 2017-06-09 南京航空航天大学 基于历史数据的复杂结构件加工特征智能定义与分类方法
US10061300B1 (en) * 2017-09-29 2018-08-28 Xometry, Inc. Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes
US20210165920A1 (en) * 2018-08-17 2021-06-03 Wuhan University Of Technology MBD-Based Three-Dimensional Process Designing Method and Platform for Typical Automobile Machined Part
CN109117560A (zh) * 2018-08-17 2019-01-01 武汉理工大学 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
CN109143980A (zh) * 2018-10-19 2019-01-04 西北工业大学 基于数控工艺解析的相交加工特征识别与重用方法
WO2023272836A1 (zh) * 2021-06-28 2023-01-05 成都飞机工业（集团）有限责任公司 一种基于加工知识的数控工艺设计及优化方法
CN113962511A (zh) * 2021-09-07 2022-01-21 河海大学 一种融合工艺设计意图的工艺数据结构化表征方法
US20230206261A1 (en) * 2021-11-23 2023-06-29 Strong Force TX Portfolio 2018, LLC Transaction platforms where systems include sets of other systems
CN115131669A (zh) * 2022-07-29 2022-09-30 中南大学 多源数据协同的人车路网一体化构建方法
CN115357811A (zh) * 2022-08-23 2022-11-18 安徽农业大学 一种顾及拓扑数据分析的时序多层地理流聚类识别方法
CN115809567A (zh) * 2022-12-26 2023-03-17 北京理工大学 一种车间数字孪生模型的构建方法、装置及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘金锋;周宏根;刘晓军;: "面向三维机加工艺重用的加工特征匹配方法", 计算机辅助设计与图形学学报, no. 04, 15 April 2017 (2017-04-15) *
朱文丹: ""数控加工工艺知识智能生成关键技术研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 September 2019 (2019-09-15), pages 1 - 3 *
王建亮;刘润爱;: "数控车床几何误差建模与应用", 机床与液压, no. 09, 15 May 2017 (2017-05-15) *

Also Published As

Publication number Publication date
CN116975561B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
US7716152B2 (en) Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring
CN107944005B (zh) 一种数据展示方法及装置
Huang et al. A weighted fuzzy C-means clustering method with density peak for anomaly detection in IoT-enabled manufacturing process
CN114881955A (zh) 基于切片的环状点云缺陷提取方法、装置、设备存储介质
CN104794484A (zh) 基于分段正交多项式分解的时序数据最近邻分类方法
CN111046532A (zh) 一种基于肘形判据的同调机群聚类识别方法
CN116485020B (zh) 一种基于大数据的供应链风险识别预警方法、系统及介质
CN118245441B (zh) 一种可自动归类的工商数字档案管理系统
CN111832880A (zh) 对正在进行的生产批运行的质量指示符的计算机实现的确定
CN116416884A (zh) 一种显示器模组的测试装置及其测试方法
CN116227786A (zh) 一种无人机综合效能评估系统
CN116975581B (zh) 一种基于step格式的钣金件快速识别方法
Arena et al. A conceptual framework for machine learning algorithm selection for predictive maintenance
CN116975561B (zh) 一种基于step格式的车床工艺识别方法
Li et al. A remaining useful life prediction method considering the dimension optimization and the iterative speed
CN112270203A (zh) 一种基于熵权法的风机特征优选方法
Behringer et al. Increasing Explainability of Clustering Results for Domain Experts by Identifying Meaningful Features.
CN115106615A (zh) 一种基于工况智能识别的焊偏实时检测方法及系统
CN114912703A (zh) 一种破裂压力的预测方法、装置、设备及存储介质
CN110543908B (zh) 一种基于动态观测窗口的控制图模式识别方法
CN116863481B (zh) 一种基于深度学习的业务会话风险处理方法
Nanditha et al. Optimized defect prediction model using statistical process control and Correlation-Based feature selection method
Guo et al. A Hybrid clustering method for bridge structure health monitoring
CN117610601B (zh) 一种基于物联网的物流设备智能定位方法及系统
Sirhindi et al. Clustering-Based Detection of Debye–Scherrer Rings

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240312

Address after: 518000, 1st Floor, Building A12, Industrial Zone, Hulin Pokeng, No. 165 Nanpu Road, Shangliao Community, Xinqiao Street, Bao'an District, Shenzhen, Guangdong Province

Applicant after: Quick Direct (Shenzhen) Precision Manufacturing Co.,Ltd.

Country or region after: Zhong Guo

Address before: 518000 407, Building F, Tianyou Maker Industrial Park, No. 2, Lixin Road, Qiaotou Community, Fuhai Street, Bao'an District, Shenzhen, Guangdong

Applicant before: Shenzhen Fast Direct Industrial Technology Co.,Ltd.

Country or region before: Zhong Guo

GR01 Patent grant
GR01 Patent grant