CN117032147B - 一种基于人工智能的生产线机床数字化调节系统及方法 - Google Patents

一种基于人工智能的生产线机床数字化调节系统及方法 Download PDF

Info

Publication number
CN117032147B
CN117032147B CN202311209724.2A CN202311209724A CN117032147B CN 117032147 B CN117032147 B CN 117032147B CN 202311209724 A CN202311209724 A CN 202311209724A CN 117032147 B CN117032147 B CN 117032147B
Authority
CN
China
Prior art keywords
abnormal
workpiece
fault
production line
procedure
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
Application number
CN202311209724.2A
Other languages
English (en)
Other versions
CN117032147A (zh
Inventor
刘振明
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.)
Kunshan Nujielun Intelligent Machine Technology Co ltd
Original Assignee
Kunshan Nujielun Intelligent Machine 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 Kunshan Nujielun Intelligent Machine Technology Co ltd filed Critical Kunshan Nujielun Intelligent Machine Technology Co ltd
Priority to CN202311209724.2A priority Critical patent/CN117032147B/zh
Publication of CN117032147A publication Critical patent/CN117032147A/zh
Application granted granted Critical
Publication of CN117032147B publication Critical patent/CN117032147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31088—Network communication between supervisor and cell, machine group

Abstract

本发明涉及数控调节技术领域，具体为一种基于人工智能的生产线机床数字化调节系统及方法，包括：采集自动化生产线中各台机床设备的加工参数，历史时间序列中自动化生产线的所有工件加工记录；构建二维平面坐标系，形成效率变化轨迹，进行相似度比较，分别形成任意异常工序的关联集合；分析各工序对任意异常工序的关联重要程度，进一步分析各工序对任意异常工序的影响程度；分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加，预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节，降低工件故障率。

Description

一种基于人工智能的生产线机床数字化调节系统及方法
技术领域
本发明涉及数控调节技术领域，具体为一种基于人工智能的生产线机床数字化调节系统及方法。
背景技术
随着现代科学技术的快速发展，大量的自动化机械设备开始逐步出现，并日益影响到人们的生产生活。机械设备生产要求的精确性也越来越高，因此，数控机床在实际的机械加工过程中得到广泛的应用。它通过系统编程把机械加工过程进行计算机语言处理，通过计算机数控技术控制机床自动化加工，以此来提供机械加工的工作效率和操作精度。
在每一道工序利用机床设备进行工件加工结束后，都会对工件进行质检。由于各工序对工件的质检均存在一定误差，当在误差范围内时，则表示该工序对工件的加工是符合标准的。然而不同的加工工序之间会存在一定关联性，导致故障工件的发生不仅仅是一道工序造成的，而是由多道关联工序相互累积导致的结果。因此，如何分析当前工序对工件故障的影响程度，并根据当前影响程度自适应调节后续关联工序的工件加工参数来降低工件故障率成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于人工智能的生产线机床数字化调节系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的生产线机床数字化调节方法，包括以下步骤：
步骤S100：采集自动化生产线中各台机床设备的加工参数，形成加工参数集；采集历史时间序列中自动化生产线的所有工件加工记录，并分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集；
上述步骤中的工件故障表示在某一工序中发现工件无法继续加工，或者在某一工序结束后工件质检不合格；
步骤S200：设定各台机床设备分别构成自动生产线上的各道工序，根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合；
步骤S300：获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度，进一步分析各工序对任意异常工序的影响程度；
步骤S400：对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；根据信息集合中各工序的工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节。
进一步的，步骤S200包括：
步骤S210：设定各台机床设备分别构成自动化生产线上的各道工序，获取正常记录集中各加工记录分别在相同工序中的工件加工效率，并对各相同工序中的工件加工效率取均值；则以工件进入各道工序的时间节点为横坐标，各时间节点对应的工件加工效率均值为纵坐标构建二维平面坐标系，形成效率变化轨迹H1；
上述步骤中的工件加工效率表示各工序的机床设备在加工过程中的实时运转效率；
上述步骤的各加工记录中由所加工的工件种类相同，则相应在不同记录中对工件加工的工序时长也分别相同；
上述步骤中以进入各道工序的时间节点为横坐标，则所述时间节点和其下一个时间节点的间隔长度表示各道工序的加工时长；
步骤S220：对故障记录集中各故障记录的故障发现点进行捕捉，并根据捕捉到的故障发现点匹配相应的工序，作为异常工序；对任意匹配出相同异常工序的故障记录进行提取，形成任意异常工序的故障类似集A；将故障类似集A中的任意故障记录设为目标故障记录，获取目标故障记录在各工序时的工件加工效率；则以工件进入各道工序的时间节点为横坐标，各时间节点对应的工件加工效率为纵坐标构建二维平面坐标系，形成效率变化轨迹H2；
上述步骤中的异常工序可以是被质检发现，也可以是在异常工序加工过程中时相应机床设备无法对工件进行操作；
步骤S230：依次捕捉效率变化轨迹H1和H2中各相同工序对应的变化轨迹，分别进行相似度比较，对相似度低于阈值α的工序进行提取，形成工序集合，则表示提取出的各工序对异常工序存在影响性；此时，遍历故障类似集A，对故障类似集A中各故障记录的工序集合进行提取，形成任意异常工序的关联集合；
不同的异常工序存在不同的关联集合，则后续对各异常工序产生的影响程度也不同；
上述步骤中提取出的各道工序存在影响性表示所述各道工序在工序质检时未发现问题，但存在由于工序之间的偏差导致异常工序出现故障；
通过对各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹，比较轨迹相似度，分析异常工序出现时，其他工序发生在误差范围内的异常性，有利于构建任意异常工序的关联集合，便于后续对各工序的影响程度的分析。
进一步的，步骤S300包括：
步骤S310：对关联集合中各工序集合分别进行捕捉，则将各工序集合中出现频率最高的工序c1作为任意异常工序的第一关联工序，并确认第一关联工序的频率为p(c1)；对各工序集合中出现第一关联工序c1的工序集合进行筛选，则将筛选到的各工序集合中出现频率最高的工序c2作为异常工序的第二关联工序，确认第二关联工序c2在筛选到的各工序集合中的频率为p(c2)；对各工序集合中出现第二关联工序c2的工序集合进行筛选，确认第三关联工序c3；此时形成任意异常工序的关联筛选集C＝{c1,c2,…,cu}，其中c1,c2,…,cu分别表示任意异常工序的第1,2,…,u关联工序；
通过分析关联集合中各工序出现的频率，对出现频率最高的工序集合依次进行筛选，将筛选出来的各工序信息分别作为任意异常工序的关联工序，并得到相应各工序对任意异常工序的关联重要程度，更有利于分析致使在异常工序发现工件故障的原因，提高对异常工序的判断能力；
步骤S320：分别确认关联集合中出现的各工序对异常工序的影响程度：获取关联筛选集C中任意第i关联工序ci的频率为p(ci)，则相应第i关联工序ci对任意异常工序的影响程度为Y(ci)＝σ*p(c1)*p(c2)*…*p(ci)；其中σ表示异常工序对应机床设备的参数调节因子；反之，对各工序集合中未出现在关联筛选集C中的所有工序进行捕捉，并确认所述所有工序对任意异常工序的影响程度为Y＝0；
上述步骤中由于故障发现点不同，则会存在多个异常工序，则相应的不同异常工序对有不同的关联筛选集。
进一步的，步骤S400包括：
步骤S410：对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，则调取目标工序之前的所有工序信息，形成信息集合；将信息集合中各工序的效率变化轨迹分别和效率变化轨迹H1中对应的效率变化轨迹进行相似度比较；对信息集合中轨迹相似度低于阈值α的各工序进行标记，作为标记工序，则分别确认各标记工序对任意异常工序的影响程度，并将各标记的影响程度进行累加；
通过捕捉当前工序的位置，分析当前工序之前的所有工序是否发生在误差范围内的异常，并将异常的工序进行标记，设为标记工序；并根据标记工序分别匹配出相应的异常工序后，对标记工序在相应的异常工序的影响程度进行累加，从而确认相应异常工序出现的概率，有利于后续对工序的自适应调节；
步骤S420：当存在累加的结果大于影响阈值β时，表示在目标工序时预测到某一异常工序的发生，则对目标工序之后，且属于某一异常工序的关联集合内的所有工序信息进行捕捉，设为待调节工序并形成调节工序集；根据加工参数集获取调节工序集中各待调节工序对应机床设备的加工参数，并根据调节工序集中各待调节工序对某一异常工序的影响程度自适应调节相应机床设备的加工参数值；反之，若无法捕捉到待调节工序，则及时反馈相关人员；
上述步骤中自适应调节相应机床设备的加工参数值的目的时降低异常工序导致工件发生故障的概率，提高工件生产率；及时反馈相关人员有利于及时停止工件加工，降低损失，提高加工效率。
生产线机床数字化调节系统，系统包括：数据采集模块、数据库、轨迹分析模块、影响判断模块和自适应调节模块；
通过所述数据采集模块采集自动化生产线的中各台机床设备的加工参数，形成加工参数集；采集历史时间序列中自动化生产线的所有工件加工记录，并分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集；
通过所述数据库对所有采集的数据进行存储；
通过轨迹分析模块设定各台机床设备分别构成自动生产线上的各道工序，根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合；
通过影响判断模块获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度，进一步分析各工序对任意异常工序的影响程度；
通过自适应调节模块对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；根据信息集合中各工序的工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节。
进一步的，数据采集模块包括参数采集单元、历史记录采集单元和数据捕捉单元；
参数采集单元用于采集自动化生产线的中各台机床设备的加工参数；历史记录采集单元用于采集历史时间序列中自动化生产线的所有工件加工记录；数据捕捉单元用于分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集。
进一步的，轨迹分析模块包括轨迹构建单元、异常分析单元和相似度分析单元；
轨迹构建单元用于根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；异常分析单元用于将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；相似度分析单元用于分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合。
进一步的，影响判断模块包括关联获取单元和影响程度分析单元；
关联分析单元用于获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度；影响程度分析单元用于分析各工序对任意异常工序的影响程度。
进一步的，自适应调节模块包括实时监控单元、影响分析单元和自适应调节单元；
实时监控单元用于对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；影响分析单元用于根据信息集合中各工序的工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；自适应调节单元用于根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节。
与现有技术相比，本发明所达到的有益效果是：
本发明通过分析关联集合中各工序出现的频率，对出现频率最高的工序集合依次进行筛选，将筛选出来的各工序信息分别作为任意异常工序的关联工序，并得到相应各工序对任意异常工序的关联重要程度，更有利于分析致使在异常工序发现工件故障的原因，提高对异常工序的判断能力；通过捕捉当前工序的位置，分析当前工序之前的所有工序是否发生在误差范围内的异常，并将异常的工序进行标记，设为标记工序；并根据标记工序分别匹配出相应的异常工序后，对标记工序在相应的异常工序的影响程度进行累加，从而确认相应异常工序出现的概率，有利于后续对工序的自适应调节；通过自适应调节相应机床设备的加工参数值，降低异常工序导致工件发生故障的概率，提高工件生产率，并及时反馈相关人员有利于及时停止工件加工，降低损失，提高加工效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的生产线机床数字化调节系统的结构图；
图2是本发明一种基于人工智能的生产线机床数字化调节方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：生产线机床数字化调节系统，系统包括：数据采集模块、数据库、轨迹分析模块、影响判断模块和自适应调节模块；
通过所述数据采集模块采集自动化生产线的中各台机床设备的加工参数，形成加工参数集；采集历史时间序列中自动化生产线的所有工件加工记录，并分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集；
数据采集模块包括参数采集单元、历史记录采集单元和数据捕捉单元；
参数采集单元用于采集自动化生产线的中各台机床设备的加工参数；历史记录采集单元用于采集历史时间序列中自动化生产线的所有工件加工记录；数据捕捉单元用于分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集。
通过所述数据库对所有采集的数据进行存储；
通过轨迹分析模块设定各台机床设备分别构成自动生产线上的各道工序，根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合；
轨迹分析模块包括轨迹构建单元、异常分析单元和相似度分析单元；
轨迹构建单元用于根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；异常分析单元用于将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；相似度分析单元用于分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合。
通过影响判断模块获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度，进一步分析各工序对任意异常工序的影响程度；
影响判断模块包括关联获取单元和影响程度分析单元；
关联分析单元用于获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度；影响程度分析单元用于分析各工序对任意异常工序的影响程度。
通过自适应调节模块对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；根据信息集合中各工序的工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节；
自适应调节模块包括实时监控单元、影响分析单元和自适应调节单元；
实时监控单元用于对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；影响分析单元用于根据信息集合中各工序的工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；自适应调节单元用于根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节。
请参阅图2，本发明提供技术方案：一种基于人工智能的生产线机床数字化调节方法，包括以下步骤：
步骤S100：采集自动化生产线中各台机床设备的加工参数，形成加工参数集；采集历史时间序列中自动化生产线的所有工件加工记录，并分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集；
上述步骤中每一台机床设备构成一道工序；例如说存在5台机床设备则相应构成5道工序；
上述步骤中的工件故障表示在某一工序中发现工件无法继续加工，或者在某一工序结束后工件质检不合格；
步骤S200：根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合；
步骤S200包括：
步骤S210：设定各台机床设备分别构成自动化生产线上的各道工序，获取正常记录集中各加工记录分别在相同工序中的工件加工效率，并对各相同工序中的工件加工效率取均值；则以工件进入各道工序的时间节点为横坐标，各时间节点对应的工件加工效率均值为纵坐标构建二维平面坐标系，形成效率变化轨迹H1；
上述步骤的各加工记录中由所加工的工件种类相同，则相应在不同记录中对工件加工的工序时长也分别相同；
上述步骤中以进入各道工序的时间节点为横坐标，则所述时间节点和其下一个时间节点的间隔长度表示各道工序的加工时长；
例如说正常记录集中存在100个正常工件的加工记录，则分别获取100个工件在5道工序内的工件加工效率，并依次将第1道工序内100个工件加工效率取均值、将第2道工序内100个工件加工效率取均值、…、第5道工序内100个工件加工效率取均值；此时通过构建二维平面坐标系形成效率变化轨迹H1；
步骤S220：对故障记录集中各故障记录的故障发现点进行捕捉，并根据捕捉到的故障发现点匹配相应的工序，作为异常工序；对任意匹配出相同异常工序的故障记录进行提取，形成任意异常工序的故障类似集A；将故障类似集A中的任意故障记录设为目标故障记录，获取目标故障记录在各工序时的工件加工效率；则以工件进入各道工序的时间节点为横坐标，各时间节点对应的工件加工效率为纵坐标构建二维平面坐标系，形成效率变化轨迹H2；
上述步骤中的异常工序可以是被质检发现，也可以是在异常工序加工过程中时相应机床设备无法对工件进行操作；
步骤S230：依次捕捉效率变化轨迹H1和H2中各相同工序对应的变化轨迹，分别进行相似度比较，对相似度低于阈值α＝0.6的工序进行提取，形成工序集合，则表示提取出的各工序对异常工序存在影响性；此时，遍历故障类似集A，对故障类似集A中各故障记录的工序集合进行提取，形成任意异常工序的关联集合；
上述步骤中提取出的各道工序存在影响性表示所述各道工序在工序质检时未发现问题，但存在由于工序之间的偏差导致异常工序出现故障。
步骤S300：获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度，进一步分析各工序对任意异常工序的影响程度；
步骤S300包括：
步骤S310：对关联集合中各工序集合分别进行捕捉，则将各工序集合中出现频率最高的工序c1作为任意异常工序的第一关联工序，并确认第一关联工序的频率为p(c1)；对各工序集合中出现第一关联工序c1的工序集合进行筛选，则将筛选到的各工序集合中出现频率最高的工序c2作为异常工序的第二关联工序，确认第二关联工序c2在筛选到的各工序集合中的频率为p(c2)；对各工序集合中出现第二关联工序c2的工序集合进行筛选，确认第三关联工序c3；此时形成任意异常工序的关联筛选集C＝{c1,c2,…,cu}，其中c1,c2,…,cu分别表示任意异常工序的第1,2,…,u关联工序；
步骤S320：分别确认关联集合中出现的各工序对异常工序的影响程度：获取关联筛选集C中任意第i关联工序ci的频率为p(ci)，则相应第i关联工序ci对任意异常工序的影响程度为Y(ci)＝σ*p(c1)*p(c2)*…*p(ci)；其中σ表示异常工序对应机床设备的参数调节因子；反之，对各工序集合中未出现在关联筛选集C中的所有工序进行捕捉，并确认所述所有工序对任意异常工序的影响程度为Y＝0；
上述步骤中由于故障发现点不同，则会存在多个异常工序，则相应的不同异常工序对有不同的关联筛选集。
步骤S400：对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；根据信息集合中各工序的工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节；
步骤S400包括：
步骤S410：对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，则调取目标工序之前的所有工序信息，形成信息集合；将信息集合中各工序的效率变化轨迹分别和效率变化轨迹H1中对应的效率变化轨迹进行相似度比较；对信息集合中轨迹相似度低于阈值α＝0.6的各工序进行标记，作为标记工序，则分别确认各标记工序对任意异常工序的影响程度，并将各标记的影响程度进行累加；
例如说，在5道加工工序中，设定目标工序为第4工序，则信息集合由前3道工序组成；分别获取前3道工序的效率变化轨迹，确认标记工序分别为第1和第3道工序；此时根据步骤S200和S300确认第1道工序属于第5道异常工序的第2关联工序，第3道工序属于第5道异常工序的第1关联工序；此时两道工序对第5道异常工序发生所产生的影响程度为Y＝
σ*[p(1)+p(1)*p(3)]；其中σ*p(1)表示第3道工序对第5道异常工序的影响程度，σ
*p(1)*p(3)表示第1道工序对第5道异常工序的影响程度；
步骤S420：当存在累加的结果大于影响阈值β＝0.8时，表示在目标工序时预测到某一异常工序的发生，则对目标工序之后，且属于某一异常工序的关联集合内的所有工序信息进行捕捉，设为待调节工序并形成调节工序集；根据加工参数集获取调节工序集中各待调节工序对应机床设备的加工参数，并根据调节工序集中各待调节工序对某一异常工序的影响程度自适应调节相应机床设备的加工参数值；反之，若无法捕捉到待调节工序，则及时反馈相关人员；
上述步骤中自适应调节相应机床设备的加工参数值的目的时降低异常工序导致工件发生故障的概率，提高工件生产率；及时反馈相关人员有利于及时停止工件加工，降低损失，提高加工效率。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的生产线机床数字化调节方法，其特征在于：包括以下步骤：
步骤S100：采集自动化生产线中各台机床设备的加工参数，形成加工参数集；采集历史时间序列中自动化生产线的所有工件加工记录，并分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集；
步骤S200：设定各台机床设备分别构成自动生产线上的各道工序，获取正常记录集中各工件加工记录在各道工序中的工件加工效率，则根据各道工序相应的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；将故障记录集中各故障记录的故障发现点设为异常工序，则获取故障记录集中出现相同异常工序的所有故障记录，并分别根据故障记录在各道工序中的工件加工效率形成各效率变化轨迹；分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中与异常工序关联的所有工序信息进行捕捉，分别形成异常工序的关联集合；
步骤S300：获取关联集合中各工序出现的频率分析各工序对异常工序的关联重要程度，进一步分析各工序对异常工序的影响程度；
步骤S400：对自动化生产线中的工件加工过程进行实时监控，并对当前工件加工所处工序位置进行捕捉，设为目标工序；调取目标工序之前的所有工序信息，形成信息集合；根据信息集合中各工序的加工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节；
所述步骤S200包括：
步骤S210：设定各台机床设备分别构成自动化生产线上的各道工序，获取正常记录集中各加工记录分别在相同工序中的工件加工效率，并对各相同工序中的工件加工效率取均值；则以工件进入各道工序的时间节点为横坐标，各时间节点对应的工件加工效率均值为纵坐标构建二维平面坐标系，形成效率变化轨迹H1；
步骤S220：对故障记录集中各故障记录的故障发现点进行捕捉，并根据捕捉到的故障发现点匹配相应的工序，作为异常工序；对任意匹配出相同异常工序的故障记录进行提取，形成任意异常工序的故障类似集A；将故障类似集A中的任意故障记录设为目标故障记录，获取目标故障记录在各工序时的工件加工效率；则以工件进入各道工序的时间节点为横坐标，各时间节点对应的工件加工效率为纵坐标构建二维平面坐标系，形成效率变化轨迹H2；
步骤S230：依次捕捉效率变化轨迹H1和H2中各相同工序对应的变化轨迹，分别进行相似度比较，对相似度低于阈值α的工序进行提取，形成工序集合，则表示提取出的各工序对任意异常工序存在影响性；此时，遍历故障类似集A，对故障类似集A中各故障记录的工序集合进行提取，形成任意异常工序的关联集合。
2.根据权利要求1所述的一种基于人工智能的生产线机床数字化调节方法，其特征在于：所述步骤S300包括：
步骤S310：对关联集合中各工序集合分别进行捕捉，则将各工序集合中出现频率最高的工序c1作为任意异常工序的第一关联工序，并确认第一关联工序的频率为p(c1)；对各工序集合中出现第一关联工序c1的工序集合进行筛选，则将筛选到的各工序集合中出现频率最高的工序c2作为异常工序的第二关联工序，确认第二关联工序c2在筛选到的各工序集合中的频率为p(c2)；对各工序集合中出现第二关联工序c2的工序集合进行筛选，确认第三关联工序c3；此时形成任意异常工序的关联筛选集C＝{c1,c2,…,cu}，其中c1,c2,…,cu分别表示任意异常工序的第1,2,…,u关联工序；
步骤S320：获取关联筛选集C中任意第i关联工序ci的频率为p(ci)，则相应第i关联工序ci对任意异常工序的影响程度为Y(ci)＝σ*p(c1)*p(c2)*…*p(ci)；其中σ表示任意异常工序对应机床设备的参数调节因子；反之，对各工序集合中未出现在关联筛选集C中的所有工序进行捕捉，并确认所述所有工序对任意异常工序的影响程度为Y＝0。
3.根据权利要求2所述的一种基于人工智能的生产线机床数字化调节方法，其特征在于：所述步骤S400包括：
步骤S410：对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，则调取目标工序之前的所有工序信息，形成信息集合；将信息集合中各工序的效率变化轨迹分别和效率变化轨迹H1中对应的效率变化轨迹进行相似度比较；对信息集合中轨迹相似度低于阈值α的各工序进行标记，作为标记工序，则分别确认各标记工序对任意异常工序的影响程度，并将各标记的影响程度进行累加；
步骤S420：当存在累加的结果大于影响阈值β时，表示在目标工序时预测到某一异常工序的发生，则对目标工序之后，且属于某一异常工序的关联集合内的所有工序信息进行捕捉，设为待调节工序并形成调节工序集；根据加工参数集获取调节工序集中各待调节工序对应机床设备的加工参数，并根据调节工序集中各待调节工序对某一异常工序的影响程度自适应调节相应机床设备的加工参数值；反之，若无法捕捉到待调节工序，则及时反馈相关人员。
4.用于实现权利要求1-3中任一项所述的一种基于人工智能的生产线机床数字化调节方法的生产线机床数字化调节系统，其特征在于：所述系统包括：数据采集模块、数据库、轨迹分析模块、影响判断模块和自适应调节模块；
通过所述数据采集模块采集自动化生产线的中各台机床设备的加工参数，形成加工参数集；采集历史时间序列中自动化生产线的所有工件加工记录，并分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集；
通过所述数据库对所有采集的数据进行存储；
通过轨迹分析模块设定各台机床设备分别构成自动生产线上的各道工序，根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合；
通过影响判断模块获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度，进一步分析各工序对任意异常工序的影响程度；
通过自适应调节模块对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；根据信息集合中各工序的加工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节。
5.根据权利要求4所述的生产线机床数字化调节系统，其特征在于：所述数据采集模块包括参数采集单元、历史记录采集单元和数据捕捉单元；
所述参数采集单元用于采集自动化生产线的中各台机床设备的加工参数；所述历史记录采集单元用于采集历史时间序列中自动化生产线的所有工件加工记录；所述数据捕捉单元用于分别对工件加工记录中发生工件故障和未发生工件故障的所有记录进行捕捉，分别形成正常记录集和故障记录集。
6.根据权利要求4所述的生产线机床数字化调节系统，其特征在于：所述轨迹分析模块包括轨迹构建单元、异常分析单元和相似度分析单元；
所述轨迹构建单元用于根据正常记录集中各工序的工件加工效率均值构建二维平面坐标系，形成效率变化轨迹H1；所述异常分析单元用于将故障记录集中各故障记录的故障发现点设为异常工序，获取故障记录集中出现相同异常工序的所有故障记录，则根据各故障记录在各时间节点上的工件加工效率形成各效率变化轨迹；所述相似度分析单元用于分别将各效率变化轨迹和效率变化轨迹H1进行相似度比较，则根据相似度比较结果对各故障记录中和任意异常工序关联的所有工序信息进行捕捉，分别形成任意异常工序的关联集合。
7.根据权利要求4所述的生产线机床数字化调节系统，其特征在于：所述影响判断模块包括关联分析单元和影响程度分析单元；
所述关联分析单元用于获取关联集合中各工序出现的频率分析各工序对任意异常工序的关联重要程度；所述影响程度分析单元用于分析各工序对任意异常工序的影响程度。
8.根据权利要求4所述的生产线机床数字化调节系统，其特征在于：所述自适应调节模块包括实时监控单元、影响分析单元和自适应调节单元；
所述实时监控单元用于对自动化生产线中的工件加工过程进行实时监控，对当前工件加工所处工序位置进行捕捉，设为目标工序，并调取目标工序之前的所有工序信息，形成信息集合；所述影响分析单元用于根据信息集合中各工序的加工效率分析各工序对任意异常工序的影响程度，并将相同异常工序的工序影响程度进行累加；所述自适应调节单元用于根据累加的结果预测异常工序发生的概率大于影响阈值时，则对目标工序之后的各工序的加工参数进行自适应调节。
CN202311209724.2A 2023-09-19 2023-09-19 一种基于人工智能的生产线机床数字化调节系统及方法 Active CN117032147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311209724.2A CN117032147B (zh) 2023-09-19 2023-09-19 一种基于人工智能的生产线机床数字化调节系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311209724.2A CN117032147B (zh) 2023-09-19 2023-09-19 一种基于人工智能的生产线机床数字化调节系统及方法

Publications (2)

Publication Number Publication Date
CN117032147A CN117032147A (zh) 2023-11-10
CN117032147B true CN117032147B (zh) 2024-02-09

Family

ID=88623035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311209724.2A Active CN117032147B (zh) 2023-09-19 2023-09-19 一种基于人工智能的生产线机床数字化调节系统及方法

Country Status (1)

Country Link
CN (1) CN117032147B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007004366A (ja) * 2005-06-22 2007-01-11 Denso Corp 設備稼働管理装置及び設備稼働管理方法
CN114503134A (zh) * 2019-10-08 2022-05-13 纳米电子成像有限公司 工厂工序、设备和自动化系统的动态监控和保护
JP2023044477A (ja) * 2021-09-17 2023-03-30 アイシン高丘株式会社 不良原因分析システム、不良原因分析プログラム及び不良原因分析方法
CN116009480A (zh) * 2023-03-24 2023-04-25 中科航迈数控软件(深圳)有限公司 一种数控机床的故障监测方法、装置、设备及存储介质
CN116341885A (zh) * 2023-05-31 2023-06-27 一汽东机工减振器有限公司 一种基于大数据的自动化生产管控系统及方法
CN116520755A (zh) * 2023-06-29 2023-08-01 深圳东原电子有限公司 一种音响的自动化产线监测预警方法及系统
US11754999B1 (en) * 2022-06-29 2023-09-12 Chengdu Qinchuan Iot Technology Co., Ltd. Industrial internet of things based on event sequence analysis and prediction, prediction method, and storage medium thereof

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007004366A (ja) * 2005-06-22 2007-01-11 Denso Corp 設備稼働管理装置及び設備稼働管理方法
CN114503134A (zh) * 2019-10-08 2022-05-13 纳米电子成像有限公司 工厂工序、设备和自动化系统的动态监控和保护
JP2023044477A (ja) * 2021-09-17 2023-03-30 アイシン高丘株式会社 不良原因分析システム、不良原因分析プログラム及び不良原因分析方法
US11754999B1 (en) * 2022-06-29 2023-09-12 Chengdu Qinchuan Iot Technology Co., Ltd. Industrial internet of things based on event sequence analysis and prediction, prediction method, and storage medium thereof
CN116009480A (zh) * 2023-03-24 2023-04-25 中科航迈数控软件(深圳)有限公司 一种数控机床的故障监测方法、装置、设备及存储介质
CN116341885A (zh) * 2023-05-31 2023-06-27 一汽东机工减振器有限公司 一种基于大数据的自动化生产管控系统及方法
CN116520755A (zh) * 2023-06-29 2023-08-01 深圳东原电子有限公司 一种音响的自动化产线监测预警方法及系统

Also Published As

Publication number Publication date
CN117032147A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN113253037B (zh) 基于电流波纹的边云协同设备状态监测方法及系统、介质
CN105302123A (zh) 在线测量数据的监控方法
CN111381563A (zh) 加工设备误差补正方法及系统
Eger et al. Knowledge capturing platform in multi-stage production systems for zero-defect manufacturing
CN117032147B (zh) 一种基于人工智能的生产线机床数字化调节系统及方法
CN113867263A (zh) 一种基于云边协同及机器学习的智能刀具管理系统
CN111783544A (zh) 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
CN113837672B (zh) 基于工业互联网的设备维护管理方法
CN111774565B (zh) 基于特征提取思维模型的3d打印送粉修复识别方法
CN110717898A (zh) 一种运用ai和大数据管理的半导体制造缺陷自动管理方法
CN113627885A (zh) 一种电网供电异常监测系统及其监测方法
CN108121303A (zh) 一种应用于制造设备统计分析过程的日志记录方法
CN110087066B (zh) 一种应用于网上巡查的一键自动巡检方法
CN117161821B (zh) 一种数控钻床主轴自适应进给控制方法及系统
CN116760955B (zh) 一种用于无缝钢管生产的信息跟踪系统
JP2020166407A (ja) モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法
CN116958084A (zh) 基于核工业大数据的图像智能感知系统及方法
CN116561598B (zh) 一种cps智能制造管理平台大数据处理方法
CN117078118B (zh) 一种数控机床生产工件质量智能检测系统
CN117092964A (zh) 一种用于建材加工的数控机床故障预警系统及方法
US20220237450A1 (en) Semiconductor process prediction method and semiconductor process prediction apparatus considering overall features and local features
Valero et al. AI FOR DETECTING VARIATIONS IN THE OEE DATA RECEPTION RATE IN THE MANUFACTURING INDUSTRY
CN116604438A (zh) 一种热缩式刀柄的生产工艺
CN117113104A (zh) 一种应用数据分析技术的智能化管理系统及方法
CN117193165A (zh) 一种数控机床数据采集系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant