CN116977117B - 一种精密部件的加工智能分析方法及系统 - Google Patents
一种精密部件的加工智能分析方法及系统 Download PDFInfo
- Publication number
- CN116977117B CN116977117B CN202311241939.2A CN202311241939A CN116977117B CN 116977117 B CN116977117 B CN 116977117B CN 202311241939 A CN202311241939 A CN 202311241939A CN 116977117 B CN116977117 B CN 116977117B
- Authority
- CN
- China
- Prior art keywords
- processing
- information
- acquiring
- machining
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003754 machining Methods 0.000 title claims abstract description 137
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 157
- 230000005856 abnormality Effects 0.000 claims description 95
- 230000002159 abnormal effect Effects 0.000 claims description 57
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000012163 sequencing technique Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 6
- 229910003460 diamond Inorganic materials 0.000 description 5
- 239000010432 diamond Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 229910052582 BN Inorganic materials 0.000 description 1
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种精密部件的加工智能分析方法及系统,属于加工分析技术领域,本发明通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,从而获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,最后通过获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配。通过本方法能够融合加工工序的加工影响因子数据,从而能够根据加工影响因子数据来选出合适的加工设备进行加工,能够有效地降低精密部件的加工成本。
Description
技术领域
本发明涉及加工分析技术领域,尤其涉及一种精密部件的加工智能分析方法及系统。
背景技术
精密零件制造需要多种机械设备联合作业,例如精密或精密机床、激光加工机床、精密电火花机、电子束加工机以及抛光、镀膜等设备。以精密切削加工为例,精密车床作为典型,主要用于轴类、套盘以及曲面零件加工;精密研磨机、抛光机主要应用于外圆、孔、平面类加工;精密铣床主要应用于平面以及多面体零件的加工。对精密切削而言,超硬刀具是关键。目前,市面上常用的超硬刀具有金刚石、立方氮化硼以及陶瓷的等几种材料,其中聚晶金刚石,也就是人造金刚石的应用最为广泛。天然金刚石是超硬刀具最好的材料,但因其价格过高,使用范围有限。与此同时,金刚石刀具会残留切削刃形面,加工需要注意切削角度、晶体定向、对刀以及晶面选择等诸多因素。现如今,精密零件的加工过程中出现次品率大,从而进一步的导致了精密零件的加工成本过高。
发明内容
本发明克服了现有技术的不足,提供了一种精密部件的加工智能分析方法及系统。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种精密部件的加工智能分析方法,包括以下步骤:
获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息;
通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域;
获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果;
获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配。
进一步地,在本方法中,获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,具体包括:
获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建样本数据,通过马氏距离度量法计算样本数据之间的马氏距离值;
根据马氏距离值确定样本数据之间的相似度,同时根据相似度进行排序,获取相关的相似度排序结果,并构建大数据库,将大数据库分为若干个存储空间;
通过对相关的相似度排序结果中相似度大于预设相似度的样本数据进行合并,同时更新样本数据出现的频率数据,生成新的相关的相似度排序结果;
根据新的相关的相似度排序结果依次输入大数据库的存储空间中进行存储,同时对存储空间配置查询地址。
进一步地,在本方法中,通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,具体包括:
将当前精密部件的加工要素特征数据信息输入到大数据库中进行数据匹配,通过数据匹配之后,获取相似度大于预设相似度的样本数据信息,并统计样本数据的加工成功率;
根据样本数据的加工成功率对当前精密部件的每一加工要素特征数据信息进行加工成功率排序,获取加工成功率排序结果;
从加工成功率排序结果中获取加工成功率低于预设加工成功率的加工要素特征数据信息,并获取当前精密部件的加工图纸信息;
获取加工成功率低于预设加工成功率的加工要素特征数据信息在加工图纸中的加工区域,并根据加工区域生成加工过程中容易出现加工异常的区域。
进一步地,在本方法中,获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,具体包括:
获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并通过大数据获取每一加工工序信息对应加工设备的加工影响因子数据信息,引入灰色关联分析法;
通过灰色关联分析法计算加工影响因子数据信息与加工工序信息之间的关联系数,同时通过马尔科夫链计算每一加工工序出现异常的先验概率值;
根据加工影响因子数据信息与加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值;
当加工异常权重值大于预设加工异常权重值时,将加工异常权重值大于预设加工异常权重值对应的加工工序信息作为容易产生异常的加工工序,并根据容易产生异常的加工工序作为加工分析结果进行输出。
进一步地,在本方法中,获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配,具体包括以下步骤:
获取当前生产车间中每一加工设备的加工异常权重值以及每一加工设备的位置信息,根据每一加工设备的位置信息构建生产车间的加工设备布局图;
构建时间戳,结合时间戳根据生产车间的加工设备布局图以及当前生产车间中每一加工设备的加工异常权重值构建动态变化的加工设备权重值变化图;
获取当前精密部件的加工订单信息,并判断动态变化的加工设备权重值变化图中加工设备的加工异常权重值是否小于预设加工权重值;
当加工设备的加工异常权重值小于加工设备的加工异常权重值时,则获取加工异常权重值小于预设加工异常权重值的加工设备,并根据加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配。
进一步地,在本方法中,获取每一加工工序信息对应加工设备的加工影响因子数据信息,包括以下步骤:
获取预设时间之内每一加工影响因子的变化时序数据,并根据预设时间之内每一加工影响因子的变化时序数据构建基于时间序列的特征矩阵;
基于深度学习网络构建影响因子变化预测模型,并引入随机森林模型对基于时间序列的特征矩阵进行特征提取,获取相关性最高的特征,并根据相关性最高的特征对基于时间序列的特征矩阵进行重建,获取重建后的特征矩阵;
引入奇异值分解算法,通过奇异值分解算法对重建后的特征矩阵进行分解,获取分解后的特征向量矩阵,将分解后的特征向量矩阵输入到影响因子变化预测模型中进行训练;
当影响因子变化预测模型符合预设要求之后,保存模型参数,并输出影响因子变化预测模型,同时通过影响因子变化预测模型获取每一加工工序信息对应加工设备的加工影响因子数据信息。
本发明第二方面提供了一种精密部件的加工智能分析系统,系统包括存储器以及处理器,存储器中包括精密部件的加工智能分析方法程序,精密部件的加工智能分析方法程序被处理器执行时,实现如下步骤:
获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息;
通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域;
获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果;
获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配。
进一步地,在本系统中,通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,具体包括:
将当前精密部件的加工要素特征数据信息输入到大数据库中进行数据匹配,通过数据匹配之后,获取相似度大于预设相似度的样本数据信息,并统计样本数据的加工成功率;
根据样本数据的加工成功率对当前精密部件的每一加工要素特征数据信息进行加工成功率排序,获取加工成功率排序结果;
从加工成功率排序结果中获取加工成功率低于预设加工成功率的加工要素特征数据信息,并获取当前精密部件的加工图纸信息;
获取加工成功率低于预设加工成功率的加工要素特征数据信息在加工图纸中的加工区域,并根据加工区域生成加工过程中容易出现加工异常的区域。
进一步地,在本系统中,获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,具体包括:
获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并通过大数据获取每一加工工序信息对应加工设备的加工影响因子数据信息,引入灰色关联分析法;
通过灰色关联分析法计算加工影响因子数据信息与加工工序信息之间的关联系数,同时通过马尔科夫链计算每一加工工序出现异常的先验概率值;
根据加工影响因子数据信息与加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值;
当加工异常权重值大于预设加工异常权重值时,将加工异常权重值大于预设加工异常权重值对应的加工工序信息作为容易产生异常的加工工序,并根据容易产生异常的加工工序作为加工分析结果进行输出。
进一步地,在本系统中,获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配,具体包括以下步骤:
获取当前生产车间中每一加工设备的加工异常权重值以及每一加工设备的位置信息,根据每一加工设备的位置信息构建生产车间的加工设备布局图;
构建时间戳,结合时间戳根据生产车间的加工设备布局图以及当前生产车间中每一加工设备的加工异常权重值构建动态变化的加工设备权重值变化图;
获取当前精密部件的加工订单信息,并判断动态变化的加工设备权重值变化图中加工设备的加工异常权重值是否小于预设加工权重值;
当加工设备的加工异常权重值小于加工设备的加工异常权重值时,则获取加工异常权重值小于预设加工异常权重值的加工设备,并根据加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息,进而通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,从而获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,最后通过获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配。通过本方法能够融合加工工序的加工影响因子数据,从而能够根据加工影响因子数据来选出合适的加工设备进行加工,能够有效地降低精密部件的加工成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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实施例的附图。
图1示出了一种精密部件的加工智能分析方法的整体方法流程图;
图2示出了一种精密部件的加工智能分析方法的第一方法流程图;
图3示出了一种精密部件的加工智能分析方法的第二方法流程图;
图4示出了一种精密部件的加工智能分析系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种精密部件的加工智能分析方法,包括以下步骤:
S102:获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息;
S104:通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域;
S106:获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果;
S108:获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配。
需要说明的是,获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,具体包括:
获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建样本数据,通过马氏距离度量法计算样本数据之间的马氏距离值;
根据马氏距离值确定样本数据之间的相似度,同时根据相似度进行排序,获取相关的相似度排序结果,并构建大数据库,将大数据库分为若干个存储空间;
通过对相关的相似度排序结果中相似度大于预设相似度的样本数据进行合并,同时更新样本数据出现的频率数据,生成新的相关的相似度排序结果;
根据新的相关的相似度排序结果依次输入大数据库的存储空间中进行存储,同时对存储空间配置查询地址。
需要说明的是,通过对相关的相似度排序结果中相似度大于预设相似度的样本数据进行合并,同时更新样本数据出现的频率数据,并根据新的相关的相似度排序结果依次输入大数据库的存储空间中进行存储,一方面能够节省存储空间,另一方面能够将相似的样本在相近的存储空间中进行存储,能够提高数据的查询效率。其中历史加工数据信息,包括加工图纸信息、零件的历史加工要素信息、零件加工对应的加工工序信息、零件加工对应的加工设备类型信息等。
如图2所示,进一步地,在本方法中,通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,具体包括:
S202:将当前精密部件的加工要素特征数据信息输入到大数据库中进行数据匹配,通过数据匹配之后,获取相似度大于预设相似度的样本数据信息,并统计样本数据的加工成功率;
S204:根据样本数据的加工成功率对当前精密部件的每一加工要素特征数据信息进行加工成功率排序,获取加工成功率排序结果;
S206:从加工成功率排序结果中获取加工成功率低于预设加工成功率的加工要素特征数据信息,并获取当前精密部件的加工图纸信息;
S208:获取加工成功率低于预设加工成功率的加工要素特征数据信息在加工图纸中的加工区域,并根据加工区域生成加工过程中容易出现加工异常的区域。
需要说明的是,加工要素特征数据包括轮廓信息、孔位信息、槽位信息、螺纹孔信息、定位尺寸信息等。通过本方法融合大数据库能够快速地识别出加工过程中容易出现加工异常的区域。
如图3所示,进一步地,在本方法中,获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,具体包括:
S302:获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并通过大数据获取每一加工工序信息对应加工设备的加工影响因子数据信息,引入灰色关联分析法;
S304:通过灰色关联分析法计算加工影响因子数据信息与加工工序信息之间的关联系数,同时通过马尔科夫链计算每一加工工序出现异常的先验概率值;
S306:根据加工影响因子数据信息与加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值;
S308:当加工异常权重值大于预设加工异常权重值时,将加工异常权重值大于预设加工异常权重值对应的加工工序信息作为容易产生异常的加工工序,并根据容易产生异常的加工工序作为加工分析结果进行输出。
需要说明的是,对应精密零件而言,不同的加工要素会对应不同的加工工序,而不同的加工工序可能会用到一种或者多种加工设备,而加工设备在加工过程中会有相关的影响因子来影响加工的质量,如铣削过程中的进给速度、刀具的磨损程度、伺服系统的控制精度等数据。而先验概率值为根据以往经验和分析得到的概率,而在根据加工影响因子数据信息与加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值,具体满足以下关系式:
;
其中,为加工异常权重值,/>为通过马尔科夫链计算得到的先验概率值;/>为通过关联分析法计算得到的第i项关联系数;i为关联系数的顺序号;N为关联系数的个数。
需要说明的是,所述加工异常权重值的取值范围为0到1之间,加工异常权重值越大表示精密零件的加工异常概率就越高。
进一步地,在本方法中,获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配,具体包括以下步骤:
获取当前生产车间中每一加工设备的加工异常权重值以及每一加工设备的位置信息,根据每一加工设备的位置信息构建生产车间的加工设备布局图;
构建时间戳,结合时间戳根据生产车间的加工设备布局图以及当前生产车间中每一加工设备的加工异常权重值构建动态变化的加工设备权重值变化图;
获取当前精密部件的加工订单信息,并判断动态变化的加工设备权重值变化图中加工设备的加工异常权重值是否小于预设加工权重值;
当加工设备的加工异常权重值小于加工设备的加工异常权重值时,则获取加工异常权重值小于预设加工异常权重值的加工设备,并根据加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配。
需要说明的是,通过本方法能够清晰的了解生产车间中每一加工设备的动态变化的加工设备权重值变化图,从而来选取出加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配,提高精密零件加工的成功率,以减少次品的产生,进而能够降低加工成本。
进一步地,在本方法中,获取每一加工工序信息对应加工设备的加工影响因子数据信息,包括以下步骤:
获取预设时间之内每一加工影响因子的变化时序数据,并根据预设时间之内每一加工影响因子的变化时序数据构建基于时间序列的特征矩阵;
基于深度学习网络构建影响因子变化预测模型,并引入随机森林模型对基于时间序列的特征矩阵进行特征提取,获取相关性最高的特征,并根据相关性最高的特征对基于时间序列的特征矩阵进行重建,获取重建后的特征矩阵;
引入奇异值分解算法,通过奇异值分解算法对重建后的特征矩阵进行分解,获取分解后的特征向量矩阵,将分解后的特征向量矩阵输入到影响因子变化预测模型中进行训练;
当影响因子变化预测模型符合预设要求之后,保存模型参数,并输出影响因子变化预测模型,同时通过影响因子变化预测模型获取每一加工工序信息对应加工设备的加工影响因子数据信息。
需要说明的是,通过本方法能够通过深度学习网络构建影响因子变化预测模型,从而来对加工影响因子数据信息的变化情况进行预测;其中融合了随机森林模型以及奇异值分解算法,能够提高加工影响因子的预测精度的同时,还能降低系统的计算的复杂度。
此外,本发明还可以包括以下步骤:
获取生产过程中精密部件的加工次品数据信息,并根据所述生产过程中精密部件的加工次品数据信息获取异常的加工几何特征数据信息;
获取精密部件的加工要素信息,并根据所述精密部件的加工要素信息获取加工要素的加工精度信息,并通过欧式距离度量法计算加工要素的加工精度信息与异常的加工几何特征数据信息之间的欧式距离值;
判断所述欧式距离值是否不小于预设欧式距离值,当所述欧式距离值不小于所述预设欧式距离值时,将当前加工次品作为可修复的精密部件;
当所述欧式距离值小于所述预设欧式距离值时,将当前加工次品作为不可修复的精密部件,并将所述不可修复的精密部件进行报废处理,生成加工废品信息;
同时获取当前生产车间中每一加工设备的实时加工异常权重值,并根据所述实时加工异常权重值获取最小的加工权重值对应的加工设备,将所述最小的加工权重值对应的加工设备对可修复的精密部件进行修复。
需要说明的是,其中预设欧式距离值为0,通过本方法能够选择出最佳的加工设备给可修复的精密部件,从而提高可修复的精密部件的加工修复成功率。
此外,本发明还可以包括以下步骤:
获取当前加工企业的生产订单信息,并根据所述生产订单信息获取每一加工订单所对应精密零件的加工要素信息,并引入马氏距离度量法;
通过马氏距离度量法计算加工废品信息与当前每一加工订单所对应精密零件的加工要素信息之间的马氏距离值,并根据所述马氏距离值确定加工废品信息与当前每一加工订单所对应精密零件的加工要素信息之间的关联程度信息;
若所述关联程度信息大于预设关联程度信息,则将待报废零件作为相应的批次待加工零件的加工毛坯;
若所述关联程度信息不大于预设关联程度信息,则将所述待报废零件进行报废处理。
需要说明的是,马氏距离越小说明加工废品信息与当前每一加工订单所对应精密零件的加工要素信息之间的关联程度越高,当所述关联程度信息大于预设关联程度信息,说明待报废零件的加工要素与某一批次的待加工零件的加工要素信息相似度很高,如两个零件仅仅只是轮廓尺寸不相同,其余的加工要素完全相同,而不合格的部分为轮廓尺寸,此时待报废零件可以作为相应的批次待加工零件的加工毛坯。通过本方法能够进一步提高待报废零件的报废合理性,进一步节省精密部件的加工成本,有利于资源的合理化分配。
如图4所示,本发明第二方面提供了一种精密部件的加工智能分析系统4,该系统包括存储器41以及处理器62,存储器41中包括精密部件的加工智能分析方法程序,精密部件的加工智能分析方法程序被处理器62执行时,实现如下步骤:
获取精密部件的历史加工数据信息,并根据精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息;
通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域;
获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果;
获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配。
进一步地,在本系统中,通过精密部件大数据库对当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,具体包括:
将当前精密部件的加工要素特征数据信息输入到大数据库中进行数据匹配,通过数据匹配之后,获取相似度大于预设相似度的样本数据信息,并统计样本数据的加工成功率;
根据样本数据的加工成功率对当前精密部件的每一加工要素特征数据信息进行加工成功率排序,获取加工成功率排序结果;
从加工成功率排序结果中获取加工成功率低于预设加工成功率的加工要素特征数据信息,并获取当前精密部件的加工图纸信息;
获取加工成功率低于预设加工成功率的加工要素特征数据信息在加工图纸中的加工区域,并根据加工区域生成加工过程中容易出现加工异常的区域。
进一步地,在本系统中,获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,具体包括:
获取加工过程中容易出现加工异常的区域所涉及的加工工序信息,并通过大数据获取每一加工工序信息对应加工设备的加工影响因子数据信息,引入灰色关联分析法;
通过灰色关联分析法计算加工影响因子数据信息与加工工序信息之间的关联系数,同时通过马尔科夫链计算每一加工工序出现异常的先验概率值;
根据加工影响因子数据信息与加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值;
当加工异常权重值大于预设加工异常权重值时,将加工异常权重值大于预设加工异常权重值对应的加工工序信息作为容易产生异常的加工工序,并根据容易产生异常的加工工序作为加工分析结果进行输出。
进一步地,在本系统中,获取当前精密部件的加工订单信息,根据加工分析结果对当前精密部件的加工订单信息进行加工分配,具体包括以下步骤:
获取当前生产车间中每一加工设备的加工异常权重值以及每一加工设备的位置信息,根据每一加工设备的位置信息构建生产车间的加工设备布局图;
构建时间戳,结合时间戳根据生产车间的加工设备布局图以及当前生产车间中每一加工设备的加工异常权重值构建动态变化的加工设备权重值变化图;
获取当前精密部件的加工订单信息,并判断动态变化的加工设备权重值变化图中加工设备的加工异常权重值是否小于预设加工权重值;
当加工设备的加工异常权重值小于加工设备的加工异常权重值时,则获取加工异常权重值小于预设加工异常权重值的加工设备,并根据加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种精密部件的加工智能分析方法,其特征在于,包括以下步骤:
获取精密部件的历史加工数据信息,并根据所述精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息;
通过所述精密部件大数据库对所述当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域;
获取所述加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于所述加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果;
获取当前精密部件的加工订单信息,根据所述加工分析结果对所述当前精密部件的加工订单信息进行加工分配;
获取当前精密部件的加工订单信息,根据所述加工分析结果对所述当前精密部件的加工订单信息进行加工分配,具体包括以下步骤:
获取当前生产车间中每一加工设备的加工异常权重值以及每一加工设备的位置信息,根据所述每一加工设备的位置信息构建生产车间的加工设备布局图;
构建时间戳,结合所述时间戳根据所述生产车间的加工设备布局图以及当前生产车间中每一加工设备的加工异常权重值构建动态变化的加工设备权重值变化图;
获取当前精密部件的加工订单信息,并判断所述动态变化的加工设备权重值变化图中加工设备的加工异常权重值是否小于预设加工权重值;
当加工设备的加工异常权重值小于所述加工设备的加工异常权重值时,则获取加工异常权重值小于预设加工异常权重值的加工设备,并根据所述加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配。
2.根据权利要求1所述的一种精密部件的加工智能分析方法,其特征在于,获取精密部件的历史加工数据信息,并根据所述精密部件的历史加工数据信息构建精密部件大数据库,具体包括:
获取精密部件的历史加工数据信息,并根据所述精密部件的历史加工数据信息构建样本数据,通过马氏距离度量法计算所述样本数据之间的马氏距离值;
根据所述马氏距离值确定样本数据之间的相似度,同时根据所述相似度进行排序,获取相关的相似度排序结果,并构建大数据库,将所述大数据库分为若干个存储空间;
通过对所述相关的相似度排序结果中相似度大于预设相似度的样本数据进行合并,同时更新样本数据出现的频率数据,生成新的相关的相似度排序结果;
根据所述新的相关的相似度排序结果依次输入所述大数据库的存储空间中进行存储,同时对所述存储空间配置查询地址。
3.根据权利要求1所述的一种精密部件的加工智能分析方法,其特征在于,通过所述精密部件大数据库对所述当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,具体包括:
将所述当前精密部件的加工要素特征数据信息输入到所述大数据库中进行数据匹配,通过数据匹配之后,获取相似度大于预设相似度的样本数据信息,并统计所述样本数据的加工成功率;
根据所述样本数据的加工成功率对当前精密部件的每一加工要素特征数据信息进行加工成功率排序,获取加工成功率排序结果;
从所述加工成功率排序结果中获取加工成功率低于预设加工成功率的加工要素特征数据信息,并获取当前精密部件的加工图纸信息;
获取所述加工成功率低于预设加工成功率的加工要素特征数据信息在所述加工图纸中的加工区域,并根据所述加工区域生成加工过程中容易出现加工异常的区域。
4.根据权利要求1所述的一种精密部件的加工智能分析方法,其特征在于,获取所述加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于所述加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,具体包括:
获取所述加工过程中容易出现加工异常的区域所涉及的加工工序信息,并通过大数据获取每一加工工序信息对应加工设备的加工影响因子数据信息,引入灰色关联分析法;
通过所述灰色关联分析法计算所述加工影响因子数据信息与所述加工工序信息之间的关联系数,同时通过马尔科夫链计算每一加工工序出现异常的先验概率值;
根据所述加工影响因子数据信息与所述加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值;
当所述加工异常权重值大于预设加工异常权重值时,将所述加工异常权重值大于预设加工异常权重值对应的加工工序信息作为容易产生异常的加工工序,并根据所述容易产生异常的加工工序作为加工分析结果进行输出。
5.根据权利要求4所述的一种精密部件的加工智能分析方法,其特征在于,获取每一加工工序信息对应加工设备的加工影响因子数据信息,包括以下步骤:
获取预设时间之内每一加工影响因子的变化时序数据,并根据所述预设时间之内每一加工影响因子的变化时序数据构建基于时间序列的特征矩阵;
基于深度学习网络构建影响因子变化预测模型,并引入随机森林模型对所述基于时间序列的特征矩阵进行特征提取,获取相关性最高的特征,并根据所述相关性最高的特征对所述基于时间序列的特征矩阵进行重建,获取重建后的特征矩阵;
引入奇异值分解算法,通过所述奇异值分解算法对所述重建后的特征矩阵进行分解,获取分解后的特征向量矩阵,将所述分解后的特征向量矩阵输入到所述影响因子变化预测模型中进行训练;
当所述影响因子变化预测模型符合预设要求之后,保存模型参数,并输出所述影响因子变化预测模型,同时通过所述影响因子变化预测模型获取每一加工工序信息对应加工设备的加工影响因子数据信息。
6.一种精密部件的加工智能分析系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包括精密部件的加工智能分析方法程序,所述精密部件的加工智能分析方法程序被所述处理器执行时,实现如下步骤:
获取精密部件的历史加工数据信息,并根据所述精密部件的历史加工数据信息构建精密部件大数据库,同时获取当前精密部件的加工要素特征数据信息;
通过所述精密部件大数据库对所述当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域;
获取所述加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于所述加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果;
获取当前精密部件的加工订单信息,根据所述加工分析结果对所述当前精密部件的加工订单信息进行加工分配;
获取当前精密部件的加工订单信息,根据所述加工分析结果对所述当前精密部件的加工订单信息进行加工分配,具体包括以下步骤:
获取当前生产车间中每一加工设备的加工异常权重值以及每一加工设备的位置信息,根据所述每一加工设备的位置信息构建生产车间的加工设备布局图;
构建时间戳,结合所述时间戳根据所述生产车间的加工设备布局图以及当前生产车间中每一加工设备的加工异常权重值构建动态变化的加工设备权重值变化图;
获取当前精密部件的加工订单信息,并判断所述动态变化的加工设备权重值变化图中加工设备的加工异常权重值是否小于预设加工权重值;
当加工设备的加工异常权重值小于所述加工设备的加工异常权重值时,则获取加工异常权重值小于预设加工异常权重值的加工设备,并根据所述加工异常权重值小于预设加工异常权重值的加工设备对当前精密部件的加工订单信息进行加工分配。
7.根据权利要求6所述的一种精密部件的加工智能分析系统,其特征在于,通过所述精密部件大数据库对所述当前精密部件的加工要素特征数据信息进行加工分析,获取加工过程中容易出现加工异常的区域,具体包括:
将所述当前精密部件的加工要素特征数据信息输入到所述大数据库中进行数据匹配,通过数据匹配之后,获取相似度大于预设相似度的样本数据信息,并统计所述样本数据的加工成功率;
根据所述样本数据的加工成功率对当前精密部件的每一加工要素特征数据信息进行加工成功率排序,获取加工成功率排序结果;
从所述加工成功率排序结果中获取加工成功率低于预设加工成功率的加工要素特征数据信息,并获取当前精密部件的加工图纸信息;
获取所述加工成功率低于预设加工成功率的加工要素特征数据信息在所述加工图纸中的加工区域,并根据所述加工区域生成加工过程中容易出现加工异常的区域。
8.根据权利要求6所述的一种精密部件的加工智能分析系统,其特征在于,获取所述加工过程中容易出现加工异常的区域所涉及的加工工序信息,并基于所述加工过程中容易出现加工异常的区域所涉及的加工工序信息获取加工分析结果,具体包括:
获取所述加工过程中容易出现加工异常的区域所涉及的加工工序信息,并通过大数据获取每一加工工序信息对应加工设备的加工影响因子数据信息,引入灰色关联分析法;
通过所述灰色关联分析法计算所述加工影响因子数据信息与所述加工工序信息之间的关联系数,同时通过马尔科夫链计算每一加工工序出现异常的先验概率值;
根据所述加工影响因子数据信息与所述加工工序信息之间的关联系数以及每一加工工序出现异常的先验概率值计算得到加工异常权重值;
当所述加工异常权重值大于预设加工异常权重值时,将所述加工异常权重值大于预设加工异常权重值对应的加工工序信息作为容易产生异常的加工工序,并根据所述容易产生异常的加工工序作为加工分析结果进行输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241939.2A CN116977117B (zh) | 2023-09-25 | 2023-09-25 | 一种精密部件的加工智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241939.2A CN116977117B (zh) | 2023-09-25 | 2023-09-25 | 一种精密部件的加工智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977117A CN116977117A (zh) | 2023-10-31 |
CN116977117B true CN116977117B (zh) | 2023-12-08 |
Family
ID=88483576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241939.2A Active CN116977117B (zh) | 2023-09-25 | 2023-09-25 | 一种精密部件的加工智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977117B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476509B (zh) * | 2023-12-27 | 2024-03-19 | 联合富士半导体有限公司 | 一种用于半导体芯片产品的激光雕刻装置及控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085178A (zh) * | 2018-08-28 | 2018-12-25 | 武汉科技大学 | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
CN114237156A (zh) * | 2021-12-07 | 2022-03-25 | 纽控(广东)数控技术有限公司 | Cnc自动化生产线加工过程监控方法、装置、终端和介质 |
KR20220060080A (ko) * | 2020-11-03 | 2022-05-11 | 삼성디스플레이 주식회사 | 표시 기판의 결함 검사 방법 |
CN115008818A (zh) * | 2022-08-05 | 2022-09-06 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
CN116197521A (zh) * | 2023-05-04 | 2023-06-02 | 德中(深圳)激光智能科技有限公司 | 一种高精度激光设备的控制方法、系统及介质 |
CN116618764A (zh) * | 2023-07-25 | 2023-08-22 | 广东台正精密机械有限公司 | 一种镜面放电加工机的生产优化方法及系统 |
-
2023
- 2023-09-25 CN CN202311241939.2A patent/CN116977117B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085178A (zh) * | 2018-08-28 | 2018-12-25 | 武汉科技大学 | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
KR20220060080A (ko) * | 2020-11-03 | 2022-05-11 | 삼성디스플레이 주식회사 | 표시 기판의 결함 검사 방법 |
CN114237156A (zh) * | 2021-12-07 | 2022-03-25 | 纽控(广东)数控技术有限公司 | Cnc自动化生产线加工过程监控方法、装置、终端和介质 |
CN115008818A (zh) * | 2022-08-05 | 2022-09-06 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
CN116197521A (zh) * | 2023-05-04 | 2023-06-02 | 德中(深圳)激光智能科技有限公司 | 一种高精度激光设备的控制方法、系统及介质 |
CN116618764A (zh) * | 2023-07-25 | 2023-08-22 | 广东台正精密机械有限公司 | 一种镜面放电加工机的生产优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于案例推理的航天大型薄壁件加工过程质量追溯;刘海江;景施博;;制造业自动化;40(04);3-7 * |
机床主轴智能磨削工艺软件的研究与开发;葛智光;邓朝晖;刘伟;万林林;彭克立;吕黎曙;;金刚石与磨料磨具工程(04);72-76+82 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977117A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116977117B (zh) | 一种精密部件的加工智能分析方法及系统 | |
CN114237155A (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
CN116197521B (zh) | 一种高精度激光设备的控制方法、系统及介质 | |
CN110414727B (zh) | 一种基于数据挖掘的生产进度预测方法及系统 | |
CN110948287B (zh) | 智能化刀具管理方法及系统 | |
CN110851476A (zh) | 生产设备调整方法、装置、计算机装置及存储介质 | |
CN117608259A (zh) | 一种储存芯片生产设备的控制方法及系统 | |
Guleria et al. | Classification of surface roughness during turning of forged EN8 steel using vibration signal processing and support vector machine | |
CN116228766B (zh) | 一种等离子加工设备的智能调控方法及系统 | |
CN116931534B (zh) | 基于物联网的刺绣产品生产控制方法及系统 | |
CN117010666A (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
CN116300687A (zh) | 基于数控加工的加工精度预测方法、系统及介质 | |
Abdel-Malek et al. | Process and design tolerance in relation to manufacturing cost: A review & extension | |
RS et al. | Development of surface texture evaluation system for highly sparse data-driven machining domains | |
Chen | Optimal process mean and standard deviation settings for rectifying sampling inspection plan with quality investment | |
CN109032076B (zh) | 一种复杂结构件制造特征数控加工参数生成方法 | |
Shivakoti et al. | Selection of Optimal Turning Parameters Using Multi-Criteria Decision Methods. | |
CN117476509B (zh) | 一种用于半导体芯片产品的激光雕刻装置及控制方法 | |
CN115139150B (zh) | 一种应用于数控机床的刀具切削用量设置方法及系统 | |
CN116681266A (zh) | 一种镜面放电加工机的生产调度方法及系统 | |
CN116680874A (zh) | 一种考虑现实场景的数控刀具寿命预测方法及预测系统 | |
CN117974719B (zh) | 一种光学透镜的加工跟踪与检测方法、系统及介质 | |
CN118123594A (zh) | 一种基于3d视觉曲线技术的轮毂打磨机器人轨迹规划方法 | |
CN116842415A (zh) | 一种镜面放电加工机的远程监测方法、系统及介质 | |
CN117850216B (zh) | 一种亚克力镜片生产设备智能控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |