CN117009790A - 一种铸件加工控制方法、装置、设备及存储介质 - Google Patents
一种铸件加工控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117009790A CN117009790A CN202311266232.7A CN202311266232A CN117009790A CN 117009790 A CN117009790 A CN 117009790A CN 202311266232 A CN202311266232 A CN 202311266232A CN 117009790 A CN117009790 A CN 117009790A
- Authority
- CN
- China
- Prior art keywords
- casting
- processing
- machining
- characteristic
- control method
- 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.)
- Pending
Links
- 238000005266 casting Methods 0.000 title claims abstract description 256
- 238000012545 processing Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 149
- 230000008569 process Effects 0.000 claims abstract description 67
- 238000003754 machining Methods 0.000 claims description 83
- 238000010801 machine learning Methods 0.000 claims description 30
- 230000009471 action Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 29
- 230000000007 visual effect Effects 0.000 description 20
- 239000000523 sample Substances 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000001066 destructive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种铸件加工控制方法、装置、设备及存储介质,方法包括:获取铸造缺陷数据集,按照铸造缺陷发生的概率,对铸造缺陷数据中对应包含的加工特征项进行排序;确定与每一加工特征项对应的加工工艺流程;按照由高到低铸造缺陷发生的概率,逐项采用对应的加工工艺流程进行铸件加工;针对一项加工工艺流程,获取加工工艺流程实现时的加工特征信号,根据加工特征信号确定是否存在铸造缺陷;当存在铸造缺陷时,控制停止当前和/或后续的加工工艺流程。
Description
技术领域
本发明实施例涉及无损检测技术,尤其涉及一种铸件加工控制方法、装置、设备及存储介质。
背景技术
在铸件的加工过程中,需要加工铸件(零件)的相关孔,比如螺栓孔、油道孔,在实际铸件的制造过程中,上述加工孔部位容易在铸造过程中形成缩松。为避免存在缩松的工件流程产线,零件孔加工后,都需要对零件的相关位置进行缺陷检测,一旦不合格后做报废处理。
目前,常见铸件的检测方法包含表面缺陷检测(液体渗透检测法、涡流检测法、磁粉检测法)、内部缺陷检测(射线检测法、超声检测法)等;
具体的上述检测方法可以分为有破坏性和非破坏性两大类,其中破坏性方法主要是铸件解剖后的视觉观察法,其主要通过多次解剖,获得解剖部位铸件后,结合表面缺陷检测方法进行缺陷的判定;
非破坏性方法包括X射线检测法、超声检测法;其中X射线检测法对铸件的材质、壁厚、结构有一定的要求;超声检测法对于铸件组织均匀性、表面质量等有特定要求,上述两种检测方法的泛用性较小;
此外,上述检测方法通常需要在铸件完成制造后,再进行相关的缺陷检测,缺陷检测存在一定的滞后性。
发明内容
本发明提供一种铸件加工控制方法、装置、设备及存储介质,以达到提高缺陷检测的实时性以及最大程度节约加工资源的目的。
第一方面,本发明实施例提供了一种铸件加工控制方法,包括:
获取铸造缺陷数据集,按照铸造缺陷发生的概率,对所述铸造缺陷数据中对应包含的加工特征项进行排序;
确定与每一所述加工特征项对应的加工工艺流程;
按照由高到低所述铸造缺陷发生的概率,逐项采用对应的所述加工工艺流程进行铸件铸造;
针对一项所述加工工艺流程,获取所述加工工艺流程实现时的加工特征信号,根据所述加工特征信号确定是否存在铸造缺陷;
当存在所述铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程。
可选的,获取所述加工工艺流程实现时的加工特征信号包括:
确定特征加工开始时刻,特征加工结束时刻,获取所述特征加工开始时刻至所述特征加工结束时刻之间的刀具动作特征信号或者主轴动作特征信号。
可选的,根据所述加工特征信号确定是否存在铸造缺陷包括:
将所述刀具动作特征信号或者所述主轴动作特征信号作为输入,采用机器学习模型确定是否存在所述铸造缺陷。
可选的,根据所述加工工艺流程的第一执行节点确定所述特征加工开始时刻,根据所述加工工艺流程的第二执行节点确定所述特征加工结束时刻。
可选的,所述刀具动作特征信号包括刀具接触受力信号。
可选的,当存在所述铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程时还包括:
存储存在所述铸造缺陷时的所述加工特征信号,存在所述铸造缺陷时的所述加工特征信号用于更新所述机器学习模型。
可选的,所述铸造缺陷包括缩松。
第二方面,本发明实施例还提供了一种铸件加工控制装置,包括铸件加工控制单元,所述铸件加工控制单元用于:
获取铸造缺陷数据集,按照缺陷发生的概率,对所述铸造缺陷数据中的铸造缺陷进行排序;
确定与每一铸造缺陷对应的铸造特征,以及与每一所述铸造特征对应的加工工艺流程;
按照由高到低所述缺陷发生的概率,逐项采用对应所述加工工艺流程进行铸件加工;
针对一项所述加工工艺流程,获取所述加工工艺流程实现时的加工特征信号,根据所述加工特征信号确定是否存在铸造缺陷;
当存在所述铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程。
第三方面,本发明实施例还提供了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明实施例记载的任意一种铸件加工控制方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明实施例记载的任意一种铸件加工控制方法。
与现有技术相比,本发明的有益效果在于:本发明提出一种铸件加工控制方法,该方法中,根据铸件中的铸造缺陷的发生概率,优先控制加工铸造缺陷发生概率较大的加工特征项,当检测到铸件当前加工特征项存在铸造缺陷时,停止该铸件后续的加工工艺流程,对铸件进行报废,可以最大程度避免在铸件加工的后期出现铸造缺陷,再对铸件进行报废,进而造成加工资源浪费的问题。此外,本方法中,通过铸件铸造(加工)过程中,加工工具生成的加工特征信号确定铸件是否存在铸造缺陷,可以实时且无损的实现针对铸件的铸造缺陷检测,可以实现尽早的发现铸造缺陷,进而避免加工资源的浪费。
附图说明
图1是实施例中的铸件加工控制方法流程图;
图2是实施例中的另一种铸件加工控制方法流程图;
图3是实施例中的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是实施例中的铸件加工控制方法流程图,参考图1,铸件加工控制方法包括:
S101.获取铸造缺陷数据集,按照铸造缺陷发生的概率,对铸造缺陷数据中对应包含的加工特征项进行排序。
本实施例中,铸造缺陷数据集对应包含一种铸件的铸造缺陷数据,一项铸造缺陷数据可以包括该铸件中的一种加工特征项位置存在铸造缺陷的概率;
其中,采用加工特征项表示一种铸件中设定的具有指定构造的加工结构(例如孔、洞等),一种铸件可以包括多项加工特征项。
本实施例中,设定一种加工特征项对应一种铸造缺陷(即本实施例提出的方法执行时,针对一种加工特征项,仅考虑设定的与之对应的铸造缺陷发生的概率)。
本实施例中,指定加工特征项的缺陷发生的概率可以通过人工统计废品数据确定,或者可以通过铸造CAE等仿真软件通过仿真试验确定。
本实施例中,按照缺陷发生的概率的大小,对铸造缺陷数据中的加工特征项进行升序或降序排序。
S102.确定与每一加工特征项对应的加工工艺流程。
本实施例中,设定一种加工特征项对应一套加工工艺流程,其中,对加工工艺流程的实现方式不做限定,可以根据铸件加工需求设定或采用现有技术中任意可行的加工工艺流程。
S103.按照由高到低铸造缺陷发生的概率,逐项采用对应的加工工艺流程进行铸件加工。
本实施例中,针对一个铸件,进行铸件的加工时,优先加工铸造缺陷发生概率高的铸造结构(即加工特征项),完成一项加工特征项的加工后,进行下一项加工特征项的加工。
S104.针对一项加工工艺流程,获取加工工艺流程实现时的加工特征信号,根据加工特征信号确定是否存在铸造缺陷。
本实施例中,针对一项加工工艺流程,采用加工特征信号表示加工工艺流程中对铸件进行切削等操作时,刀具等加工工具在加工过程中生成的电信号;
其中,可以设定上述电信号具体用于表示加工工具在加工过程中产生的力的大小、生产的振动频率等物理特征。
本实施例中,根据加工特征信号确定是否存在铸造缺陷可以通过如下方式实现:
通过与预设的(正常)加工特征信号比较确定采集的加工特征信号是否出现异常,若出现异常则确定存在铸造缺陷;
或者,将采集的加工特征信号作为输入,采用预设的函数模型(例如机器学习模型)对加工特征信号进行分类,若加工特征信号被分类为异常信号,则确定存在铸造缺陷。
S105.当存在铸造缺陷时,控制停止当前和/或后续的加工工艺流程。
本实施例中,可以实时采集加工特征信号,实时通过加工特征信号确定是否存在铸造缺陷,此时,若存在铸造缺陷,可以控制停止当前以及后续的加工工艺流程;
或者,可以获取一项加工工艺流程完成后,与执行该项完整加工工艺流程对应的完整加工特征信号,通过加工特征信号确定是否存在铸造缺陷,此时,若存在铸造缺陷,可以控制停止后续的加工工艺流程。
本实施例提出一种铸件加工控制方法,该方法中,根据铸件中的铸造缺陷的发生概率,优先控制加工铸造缺陷发生概率较大的加工特征项,当检测到铸件当前加工特征项存在铸造缺陷时,停止该铸件后续的加工工艺流程,对铸件进行报废,可以最大程度避免在铸件加工的后期出现铸造缺陷,再对铸件进行报废,进而造成加工资源浪费的问题;
此外,本方法中,通过铸件铸造(加工)过程中,加工工具生成的加工特征信号确定铸件是否存在铸造缺陷,可以实时且无损的实现针对铸件的铸造缺陷检测,可以实现尽早的发现铸造缺陷,进而避免加工资源的浪费。
在图1所示方案的基础上,在一种可实施方案中,获取加工工艺流程实现时的加工特征信号包括:
确定特征加工开始时刻,特征加工结束时刻,获取特征加工开始时刻至特征加工结束时刻之间的刀具动作特征信号或者主轴动作特征信号。
本方案中,对获取加工特征信号的时段进行限定,具体的,针对一项加工特征项,设定在特征加工开始时刻至特征加工结束时刻之间的时段内获取的电信号为加工特征信号。
本方案中,采用特征加工开始时刻表示一项加工工艺流程开始后,采用加工工具实际开始对铸件进行切削等指定操作的时刻;
采用特征加工结束时刻表示一项加工工艺流程结束前,加工工具实际完成对铸件进行切削等指定操作的时刻。
本方案中,设定加工特征信号为刀具动作特征信号或者主轴动作特征信号,其中,刀具动作特征信号用于反应刀具在进行切削等指定动作时产生的(与铸件的)接触力的大小;主轴动作特征信号用于反应刀具在进行切削等指定动作时,主轴产生的应力的大小。
本方案中,限定加工特征信号的获取时段的目的在于:在加工工艺流程的的开始时刻、结束时刻,与刀具或主轴对应的电信号存在突变过程,剔除该时段内的电信号,可以避免采用电信号确定加工特征项是否存在铸造缺陷时,判断结果存在误判的问题。
进一步的,当加工特征信号包括刀具动作特征信号或主轴动作特征信号时,在一种可实施方案中,根据加工特征信号确定是否存在铸造缺陷包括:
将刀具动作特征信号或者主轴动作特征信号作为输入,采用机器学习模型确定是否存在铸造缺陷。
本方案中,对机器学习模型的结构不做限定,根据使用需求,可以在现有技术中选取具有指定结构的机器学习模型,应用至本方案提出的铸件加工控制方法中。
示例性的,本方案中,进行机器学习模型的训练时,采用的样本数据可以由铸造CAE仿真软件生成,或者采用实际采集的加工特征信号,其中,样本数据中包括正常的加工特征信号(未出现铸造缺陷时生成的加工特征信号)和异常的加工特征信号(出现铸造缺陷时生成的加工特征信号)。
示例性的,本方案中,获取样本数据时,可以根据有损检测(例如解剖铸件,通过人工观察是否存在缺陷)的检测结果确定铸件是否存在铸造缺陷,进而区分正常和异常的加工特征信号。
进一步的,在限定基于特征加工开始时刻,特征加工结束时刻确定加工特征信号时,在一种可实施方案中,根据加工工艺流程的第一执行节点确定特征加工开始时刻,根据加工工艺流程的第二执行节点确定特征加工结束时刻。
本方案中,设定由预设的数控程序控制加工工艺流程的实现,其中,设定数控程序中的第一(数控程序)执行节点执行时,对应控制加工工具实际开始对铸件进行切削等指定操作;
第二(数控程序)执行节点执行时,对应加工工具已实际完成对铸件进行的切削等指定操作。
本方案中,通过数控程序识别特征加工开始时刻、特征加工结束时刻,可以减小上述两种时刻的确定难度,便于铸件加工控制方法的实现。
在当加工特征信号包括刀具动作特征信号或主轴动作特征信号的基础上,在一种可实施方案中,限定加工特征信号为刀具动作特征信号,刀具动作特征信号包括刀具接触受力信号。
示例性的,本实施例中,设定刀具接触受力信号为刀具对铸件进行切削等操作时,与铸件进行接触时产生的应力信号,该应力信号可以以电信号的形式被采集。
示例性的,当刀具加工铸件存在铸造缺陷的位置时,因刀具与加工件(铸件)之间的接触减少,(相对于正常情况)刀具的受力、主轴的扭矩等均会有变化(由均衡到降低再恢复),设定刀具接触受力信号用于反应刀具进行加工时的应力(受力),进而基于刀具接触受力信号可以实现铸造缺陷的确认。
在图1所示方案的基础上,在一种可实施方案中,当存在铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程前还包括:
获取当前加工特征项对应位置的视觉图像,根据视觉图像二次确定是否存在铸造缺陷;
若根据加工特征信号以及视觉图像均确定存在铸造缺陷,则控制停止当前和/或后续的加工工艺流程。
本方案中,当通过加工特征信号确定存在铸造缺陷后,采用视觉检测的方法对是否存在铸造缺陷进行二次确认。
示例性的,本方案中,视觉检测方法可以通过如下方式实现:
对判定为出铸造缺陷的(加工)位置进行吹清处理,清理加工铁屑、切削液;
采用现有机床等加工设备上安装内窥镜探头(该内窥镜探头具备三维成像、拍照、录像功能),将内窥镜探头移动至上述加工位置,对该加工位置进行三维拍照;
基于三维图像对是否存在铸造缺陷进行确认。
示例性的,本方案中,如果通过视觉检测后确定出现铸造缺陷,则并对该铸件进行报废处理;
如果通过视觉检测后确定未出现铸造缺陷,则继续完成铸件后续的加工工艺流程,但对该铸件进行标记,在后续检测时进行再次确认。
在采用机器学习模型确定是否存在铸造缺陷的基础上,在一种可实施方案中,当存在铸造缺陷时,控制停止当前和/或后续的加工工艺流程时还包括:
存储存在铸造缺陷时的加工特征信号,存在铸造缺陷时的加工特征信号用于更新机器学习模型。
本方案中,当通过机器学习模型确定存在铸造缺陷时,获取当前加工特征项对应位置的视觉图像,根据视觉图像二次确定是否真实存在铸造缺陷,进而将加工特征信号进行分类;
将分类后的加工特征信号更新至用于训练机器学习模型的样本数据中,并采用更新后的样本数据重新训练机器学习模型,进而实现机器学习模型的更新。
本方案中,通过定期对机器学习模型进行更新,可以保证通过机器学习模型确定是否存在铸造缺陷的准确性。
在图1所示方案的基础上,在一种可实施方案中,设定铸造缺陷包括缩松,即针对不同加工特征项,设定与各加工特征项对应的铸造缺陷均为缩松。
本方案中,设定缩松为铸件最后凝固的区域没有得到液态金属或合金的补缩而形成分散和细小的孔;
缩松常分散在铸件壁厚的轴线区域、厚大部位、冒口根部和内浇口附近,,缩松隐藏于铸件的内部,外观上不易被发现。
图2是实施例中的另一种铸件加工控制方法流程图,参考图2,在一种可实施方案中,铸件加工控制方法包括:
S201.获取铸造缺陷数据集,按照铸造缺陷发生的概率,对铸造缺陷数据中对应包含的加工特征项进行排序。
本方案中,设定(铸件的)铸造缺陷为缩松,设定同一铸件的中的不同孔洞分别对应一项加工特征项,与一项加工特征项对应的铸造缺陷发生的概率即为对应孔洞(位置)出现缩松的概率。
本方案中,通过废品(即存在至少一个孔洞位置出现缩松的产品)数据统计不同孔洞(位置)出现缩松的概率。
S202.确定与每一加工特征项对应的加工工艺流程。
S203.按照由高到低铸造缺陷发生的概率,逐项采用对应的加工工艺流程进行铸件加工。
S204.针对一项加工工艺流程,根据加工工艺流程的第一执行节点确定特征加工开始时刻,根据加工工艺流程的第二执行节点确定特征加工结束时刻。
本方案中,设定第一执行节点,第二执行节点为预设数控程序中的两个节点,第一执行节点执行时,对应加工工艺流程开始后,刀具受控实际开始对铸件进行钻孔操作的时刻;
第一执行节点执行时,对应加工工艺流程结束前,刀具受控实际完成对铸件进行钻孔操作的时刻。
S205.获取特征加工开始时刻至特征加工结束时刻之间的刀具动作特征信号。
本方案中,获取特征加工开始时刻至特征加工结束时刻之间的完整刀具动作特征信号;
其中,刀具动作特征信号具体为刀具接触受力信号。
S206.将刀具动作特征信号作为输入,采用机器学习模型确定是否存在铸造缺陷。
本方案中,可以通过如下方式对机器学习模型进行训练:
对铸件进行加工,获取加工过程中指定铸件特征项的加工过程信号,截取特征加工开始时刻至特征加工结束时刻的加工过程信号,作为刀具接触受力信号;
对加工后的铸件进行缺陷检测,根据缺陷检测结果标记对应铸件特征项的刀具接触受力信号为正常信号或异常信号;
将上述正常刀具接触受力信号、异常刀具接触受力信号作用训练样本对机器学习模型进行训练。
S207.存在铸造缺陷时,获取当前加工特征项对应位置的视觉图像,根据视觉图像二次确定是否存在铸造缺陷。
本方案中,设定采用内窥镜探头获取(存在铸造缺陷的)加工特征项对应位置的视觉图像,基于视觉图像,根据预设的图像处理算法确定是否存在铸造缺陷。
本方案中,预设的图像处理算法为现有技术,其具体实现过程不再详细阐述。
本方案中,在存在铸造缺陷时,在完成该项加工工艺流程后,暂停后续的加工工艺流程,再通过视觉检测的方式对是否存在铸造缺陷进行二次确认。
本方案中,若通过刀具接触受力信号确定铸件出现铸造缺陷,通过视觉检测确定铸件未出现铸造缺陷,则可以将上述刀具接触受力信号更新至与机器学习模型对应的样本数据集中,并采用更新后的样本数据集重新训练机器学习模型,进而完成机器学习模型的更新。
S208.若根据加工特征信号以及视觉图像均确定存在铸造缺陷,则控制停止后续的加工工艺流程。
本方案中,如果通过视觉检测后确定出现铸造缺陷,则并对该铸件进行报废处理;
如果通过视觉检测后确定未出现铸造缺陷,则继续完成铸件后续的加工工艺流程,但对该进行标记,在后续检测时进行再次确认。
本方案中,步骤S207和步骤S208中,当通过机器学习模型确定存在铸造缺陷时,也可以直接控制停止后续的加工工艺流程;
相应的,当不结合视觉图像直接控制停止后续的加工工艺流程时,更新机器学习模型为可选内容;
若需要对机器学习模型进行更新,则可以根据视觉图像二次确定是否真实存在铸造缺陷,进而将加工特征信号进行分类;
将分类后的加工特征信号更新至用于训练机器学习模型的样本数据中,并采用更新后的样本数据重新训练机器学习模型,进而实现机器学习模型的更新。
实施例二
本实施例提出一种铸件加工控制装置,包括铸件加工控制单元,铸件加工控制单元用于:
获取铸造缺陷数据集,按照缺陷发生的概率,对铸造缺陷数据中的铸造缺陷进行排序;
确定与每一铸造缺陷对应的铸造特征,以及与每一铸造特征对应的加工工艺流程;
按照由高到低缺陷发生的概率,逐项采用对应加工工艺流程进行铸件加工;
针对一项加工工艺流程,获取加工工艺流程实现时的加工特征信号,根据加工特征信号确定是否存在铸造缺陷;
当存在铸造缺陷时,控制停止当前和/或后续的加工工艺流程。
本实施例中,铸件铸造单元可以具体配置为实现实施例一中记载的任意一种铸件加工控制方法,其实现过程和有益效果与实施例一记载的对应内容相同,具体内容不再详述。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如铸件加工控制方法。
在一些实施例中,铸件加工控制方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的铸件加工控制方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行铸件加工控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种铸件加工控制方法,其特征在于,包括:
获取铸造缺陷数据集,按照铸造缺陷发生的概率,对所述铸造缺陷数据中对应包含的加工特征项进行排序;
确定与每一所述加工特征项对应的加工工艺流程;
按照由高到低所述铸造缺陷发生的概率,逐项采用对应的所述加工工艺流程进行铸件加工;
针对一项所述加工工艺流程,获取所述加工工艺流程实现时的加工特征信号,根据所述加工特征信号确定是否存在所述铸造缺陷;
当存在所述铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程。
2.如权利要求1所述的铸件加工控制方法,其特征在于,获取所述加工工艺流程实现时的加工特征信号包括:
确定特征加工开始时刻,特征加工结束时刻,获取所述特征加工开始时刻至所述特征加工结束时刻之间的刀具动作特征信号或者主轴动作特征信号。
3.如权利要求2所述的铸件加工控制方法,其特征在于,根据所述加工特征信号确定是否存在铸造缺陷包括:
将所述刀具动作特征信号或者所述主轴动作特征信号作为输入,采用机器学习模型确定是否存在所述铸造缺陷。
4.如权利要求2所述的铸件加工控制方法,其特征在于,根据所述加工工艺流程的第一执行节点确定所述特征加工开始时刻,根据所述加工工艺流程的第二执行节点确定所述特征加工结束时刻。
5.如权利要求2所述的铸件加工控制方法,其特征在于,所述刀具动作特征信号包括刀具接触受力信号。
6.如权利要求3所述的铸件加工控制方法,其特征在于,当存在所述铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程时还包括:
存储存在所述铸造缺陷时的所述加工特征信号,存在所述铸造缺陷时的所述加工特征信号用于更新所述机器学习模型。
7.如权利要求1所述的铸件加工控制方法,其特征在于,所述铸造缺陷包括缩松。
8.一种铸件加工控制装置,其特征在于,包括铸件加工控制单元,所述铸件加工控制单元用于:
获取铸造缺陷数据集,按照缺陷发生的概率,对所述铸造缺陷数据中的铸造缺陷进行排序;
确定与每一铸造缺陷对应的铸造特征,以及与每一所述铸造特征对应的加工工艺流程;
按照由高到低所述缺陷发生的概率,逐项采用对应所述加工工艺流程进行铸件加工;
针对一项所述加工工艺流程,获取所述加工工艺流程实现时的加工特征信号,根据所述加工特征信号确定是否存在铸造缺陷;
当存在所述铸造缺陷时,控制停止当前和/或后续的所述加工工艺流程。
9.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的铸件加工控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的铸件加工控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266232.7A CN117009790A (zh) | 2023-09-28 | 2023-09-28 | 一种铸件加工控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266232.7A CN117009790A (zh) | 2023-09-28 | 2023-09-28 | 一种铸件加工控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009790A true CN117009790A (zh) | 2023-11-07 |
Family
ID=88576532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266232.7A Pending CN117009790A (zh) | 2023-09-28 | 2023-09-28 | 一种铸件加工控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009790A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375762A (zh) * | 2010-08-18 | 2012-03-14 | 柯尼卡美能达商用科技株式会社 | 处理顺序决定装置以及处理顺序决定方法 |
CN105382259A (zh) * | 2015-12-03 | 2016-03-09 | 大连理工大学 | 一种选区激光熔化复合制造机床及工件复合制造方法 |
CN108994549A (zh) * | 2018-09-28 | 2018-12-14 | 北京铂阳顶荣光伏科技有限公司 | 一种真空腔室的制造工艺 |
CN112036693A (zh) * | 2020-07-28 | 2020-12-04 | 成都飞机工业(集团)有限责任公司 | 基于有限加权工序故障率的工序排序法 |
CN112179312A (zh) * | 2020-09-29 | 2021-01-05 | 华中科技大学 | 适用于建筑3d打印件表面质量的在线检测系统及方法 |
CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
CN113779106A (zh) * | 2021-08-20 | 2021-12-10 | 华中科技大学 | 一种数控切削加工过程的异常检测、回溯方法及系统 |
CN114646665A (zh) * | 2021-12-16 | 2022-06-21 | 上海展湾信息科技有限公司 | 电弧焊焊接缺陷实时检测方法及系统 |
-
2023
- 2023-09-28 CN CN202311266232.7A patent/CN117009790A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375762A (zh) * | 2010-08-18 | 2012-03-14 | 柯尼卡美能达商用科技株式会社 | 处理顺序决定装置以及处理顺序决定方法 |
CN105382259A (zh) * | 2015-12-03 | 2016-03-09 | 大连理工大学 | 一种选区激光熔化复合制造机床及工件复合制造方法 |
CN108994549A (zh) * | 2018-09-28 | 2018-12-14 | 北京铂阳顶荣光伏科技有限公司 | 一种真空腔室的制造工艺 |
CN112036693A (zh) * | 2020-07-28 | 2020-12-04 | 成都飞机工业(集团)有限责任公司 | 基于有限加权工序故障率的工序排序法 |
CN112179312A (zh) * | 2020-09-29 | 2021-01-05 | 华中科技大学 | 适用于建筑3d打印件表面质量的在线检测系统及方法 |
CN113779106A (zh) * | 2021-08-20 | 2021-12-10 | 华中科技大学 | 一种数控切削加工过程的异常检测、回溯方法及系统 |
CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
CN114646665A (zh) * | 2021-12-16 | 2022-06-21 | 上海展湾信息科技有限公司 | 电弧焊焊接缺陷实时检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
VOMMA光场视觉: "「综述」工业产品表面缺陷检测方法", Retrieved from the Internet <URL:https://baijiahao.baidu.com/s?id=1775623919629763268&wfr=spider&for=pc> * |
李金展 等: "基于网络的高端机床在线检测与智能维护", 《电子世界》, pages 95 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6560707B2 (ja) | 加工面品位評価装置 | |
JP6530779B2 (ja) | 加工不良要因推定装置 | |
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
CN108108890B (zh) | 一种基于工序关联关系的工艺缺陷风险分析方法 | |
Świłło et al. | Automatic inspection of surface defects in die castings after machining | |
CN115781673A (zh) | 一种零件抓取方法、装置、设备及介质 | |
CN115310638A (zh) | 基于数字孪生的变电站运维方法及系统 | |
Zhang et al. | Grain size automatic determination for 7050 al alloy based on a fuzzy logic method | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN113703392B (zh) | 一种碳纤维产品的数据采集方法、装置及设备 | |
CN117009790A (zh) | 一种铸件加工控制方法、装置、设备及存储介质 | |
CN114613705A (zh) | 一种半导体元器件加工的控制方法、系统及介质 | |
CN114416906A (zh) | 地图数据的质检方法、装置及电子设备 | |
KR20200001984A (ko) | 계통적 결함들에 기반한 반도체 웨이퍼의 유도식 검사 | |
CN116228766B (zh) | 一种等离子加工设备的智能调控方法及系统 | |
CN116068057B (zh) | 一种sot封装类芯片缺陷检测方法及系统 | |
CN115272381A (zh) | 一种金属线分割方法、装置、电子设备及存储介质 | |
CN117400268B (zh) | 非线性摩擦力补偿方法、装置、电子设备及存储介质 | |
WO2020057104A1 (zh) | 用于应用开发的方法和装置 | |
Zhang et al. | Quantification of micro-damage evolution process in ceramics through extensive analysis of multi-source heterogeneous data | |
CN116681697B (zh) | 一种金刚石复合片的脱钴测量方法、装置及电子设备 | |
CN115273854B (zh) | 一种服务质量确定方法、装置、电子设备及存储介质 | |
CN113360310B (zh) | 网络模型异常的处理方法、装置、设备和存储介质 | |
CN115100364B (zh) | 输电线路激光点云数据的可视化方法、装置、设备及介质 | |
Raju et al. | Intelligence model based machining process classification and performance estimation |
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 |