CN117055513B - 基于人工智能的设备自动化控制方法及装置 - Google Patents
基于人工智能的设备自动化控制方法及装置 Download PDFInfo
- Publication number
- CN117055513B CN117055513B CN202311306139.4A CN202311306139A CN117055513B CN 117055513 B CN117055513 B CN 117055513B CN 202311306139 A CN202311306139 A CN 202311306139A CN 117055513 B CN117055513 B CN 117055513B
- Authority
- CN
- China
- Prior art keywords
- processing
- record data
- performance index
- data
- machining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 316
- 238000003754 machining Methods 0.000 claims abstract description 137
- 230000006855 networking Effects 0.000 claims abstract description 11
- 238000004886 process control Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 123
- 239000002245 particle Substances 0.000 claims description 69
- 230000008569 process Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000006978 adaptation Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
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] or computer integrated manufacturing [CIM]
- G05B19/41865—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] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的设备自动化控制方法及装置，涉及控制技术领域，该方法包括：获取五金加工需求信息；根据加工类型信息匹配五金加工设备位号进行历史检索，采集第一加工记录数据；根据五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；根据五金加工设备型号进行联网检索，采集第三加工记录数据；构建性能指标映射器；基于性能指标映射器，生成扩充加工控制数据集；对扩充加工控制数据集进行寻优，获取加工控制推荐数据进行五金加工设备的控制。本发明解决了现有技术中设备自动化控制无法进行自适应调整，控制可靠性差的技术问题，达到了自适应的进行设备自动化控制调整，提升控制质量的技术效果。
Description
技术领域
本发明涉及控制技术领域，具体涉及基于人工智能的设备自动化控制方法及装置。
背景技术
随着自动化技术的提升，设备自动化控制被越来越多的企业采用。设备被控制的质量与设备生产产品的质量息息相关，然而，现有技术的五金加工过程，自动化控制主要参考单个维度的历史加工数据，且需要预先设定，无法自适应调整，单一维度加工数据导致设定的控制数据客观性较差，而无法自适应调整导致自动化加工的控制实用性不强。
发明内容
本申请提供了基于人工智能的设备自动化控制方法及装置，用于针对解决现有技术中设备自动化控制无法进行自适应调整，控制可靠性差的技术问题。
鉴于上述问题，本申请提供了基于人工智能的设备自动化控制方法及装置。
本申请的第一个方面，提供了基于人工智能的设备自动化控制方法，其中，应用于基于人工智能的设备自动化控制装置，所述装置与五金加工设备通信连接，包括：
获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望；
采集第一加工记录数据，其中，所述第一加工记录数据为根据所述加工类型信息匹配五金加工设备位号进行历史加工数据检索生成；
根据所述五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；
根据所述五金加工设备型号进行联网检索，采集第三加工记录数据；
基于所述性能指标期望，构建性能指标映射器；
基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集；
对所述扩充加工控制数据集进行寻优，获取加工控制推荐数据进行所述五金加工设备的控制。
本申请的第二个方面，提供了基于人工智能的设备自动化控制装置，所述装置包括：
需求信息获得模块，所述需求信息获得模块用于获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望；
第一数据采集模块，所述第一数据采集模块用于采集第一加工记录数据，其中，所述第一加工记录数据为根据所述加工类型信息匹配五金加工设备位号进行历史加工数据检索生成；
第二数据采集模块，所述第二数据采集模块用于根据所述五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；
第三数据采集模块，所述第三数据采集模块用于根据所述五金加工设备型号进行联网检索，采集第三加工记录数据；
映射模型构建模块，所述映射模型构建模块用于基于所述性能指标期望，构建性能指标映射器；
控制数据集生成模块，所述控制数据集生成模块用于基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集；
设备控制模块，所述设备控制模块用于对所述扩充加工控制数据集进行寻优，获取加工控制推荐数据进行所述五金加工设备的控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过获取五金加工需求信息，其中，五金加工需求信息包括加工类型信息和性能指标期望，然后采集第一加工记录数据，其中，第一加工记录数据为根据加工类型信息匹配五金加工设备位号进行历史加工数据检索生成，根据五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据，进而根据五金加工设备型号进行联网检索，采集第三加工记录数据；基于性能指标期望，构建性能指标映射器，然后基于性能指标映射器，对第一加工记录数据、第二加工记录数据和第三加工记录数据进行扩充，生成扩充加工控制数据集，通过对扩充加工控制数据集进行寻优，获取加工控制推荐数据进行五金加工设备的控制。通过设备本位机的加工数据，以及同厂同型号的加工数据，以及多个厂子的同型号加工数据，得到多个维度的加工数据，再结合寻优算法对加工数据进行扩充，从而达到了得到适用性较强，客观性较强的控制策略的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的附图。
图1为本申请实施例提供的基于人工智能的设备自动化控制方法流程示意图；
图2为本申请实施例提供的基于人工智能的设备自动化控制方法中提取尺寸指标期望、机械特性期望和成本期望，添加进性能指标期望的流程示意图；
图3为本申请实施例提供的基于人工智能的设备自动化控制方法中构建第i性能指标属性映射通道的流程示意图；
图4为本申请实施例提供的基于人工智能的设备自动化控制装置结构示意图。
附图标记说明：需求信息获得模块11，第一数据采集模块12，第二数据采集模块13，第三数据采集模块14，映射模型构建模块15，控制数据集生成模块16，设备控制模块17。
具体实施方式
本申请通过提供了基于人工智能的设备自动化控制方法及装置，用于针对解决现有技术中设备自动化控制无法进行自适应调整，控制可靠性差的技术问题。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了基于人工智能的设备自动化控制方法，其中，应用于基于人工智能的设备自动化控制装置，所述装置与五金加工设备通信连接，包括：
获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望；
进一步的，如图2所示，获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望，本申请实施例还包括：
通过图像采集装置采集待加工五金工件的工件图像信息进行识别，获取五金工件初始状态；
设定五金工件加工任务；
将所述五金工件加工任务和所述五金工件初始状态，添加进所述加工类型信息；
通过工单需求信息提取尺寸指标期望、机械特性期望和成本期望，添加进所述性能指标期望。
在一个可能的实施例中，为了获得需要的五金工件（螺丝、马达轴、模型车零件等），需要将原材料（铜材料、铝材料、不锈钢、合金钢等）使用五金加工设备（车床、铣床、钻床、抛光机等）按照样品或者客户图纸进行加工。所述五金加工需求信息是对五金工件使用五金加工设备进行自动化加工时的加工要求进行描述的信息，包括加工类型信息和性能指标期望。其中，所述加工类型信息是对五金工件进行加工操作的类别进行描述的信息，包括五金工件加工任务和五金工件初始状态。所述性能指标期望是根据加工需求确定的五金工件经过设备加工后能够达到的各类指标状态，包括尺寸指标期望、机械特性期望和成本期望。
在一个实施例中，所述图像采集装置是对待加工五金工件的外观图像进行采集的装置，包括摄像机、照相机等。使用所述图像采集装置对待加工五金工件从多个角度进行图像采集，根据采集获得的工件图像信息，对待加工五金工件的尺寸大小和表面状态等信息进行识别，根据识别的结果获得所述五金工件初始状态。其中，表面状态包括工件表面平整度、表面粗糙度、表面疵点等。根据所述五金加工需求信息由本领域技术人员设定五金工件加工任务，其中，所述五金工件加工任务是将待加工五金工件加工成满足需求的工件时所进行的工艺，包括磨削、冲孔、热处理等。
可选的，在获得五金工件加工任务后，结合五金工件初始状态添加进加工类型信息中。所述工单需求信息是根据五金加工需求信息获得的进行加工时对已加工五金工件需要满足的性能指标进行描述的信息，从中以尺寸指标、机械特性和成本为索引进行数据提取，获得所述尺寸指标期望、机械特性期望和成本期望，并将提取后的数据添加进所述性能指标期望。其中，所述尺寸指标期望包括加工后工件按照工单需求需要达到的五金工件尺寸和五金工件尺寸精度。所述机械特性期望包括加工后工件按照工单需求需要达到的强度和硬度等。所述成本期望是工件加工过程中按照工单需求需要满足的人力成本、材料成本和设备成本等。
采集第一加工记录数据，其中，所述第一加工记录数据为根据所述加工类型信息匹配五金加工设备位号进行历史加工数据检索生成；
根据加工类型信息中的五金工件加工任务对应匹配生产车间内进行工件加工的五金加工设备位号。其中，所述五金加工设备位号是生产车间内加工设备的编号，如生产车间内共有30台加工设备，编号从1-30，每一台五金加工设备对应一个位号。进而，根据所述五金加工设备位号作为索引，从生产车间的数据库中进行历史加工记录数据搜索，获得所述第一加工记录数据。其中，所述第一加工记录数据反映了执行加工操作的五金加工设备在历史时间内进行五金加工的加工情况。
根据所述五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；
在一个实施例中，获取所述五金加工设备位号对应设备的五金加工设备型号，在生产车间的数据库中，以五金加工设备型号为索引进行历史加工数据搜索，获得所述第二加工记录数据。其中，所述第二加工记录数据反映了生产车间内与五金加工设备位号对应同类型的五金加工设备执行加工任务时的历史情况，进一步，反映了生产车间内五金加工设备的生产加工能力。
根据所述五金加工设备型号进行联网检索，采集第三加工记录数据；
在本申请的一个实施例中，以所述五金加工设备型号为索引，在互联网的五金加工数据库中进行联网检索，匹配与生产车间中五金加工设备位号相同的五金加工设备型号的五金加工数据，根据匹配结果获得所述第三加工记录数据。其中，所述五金加工数据库是由多个五金加工厂家的生产加工数据进行上传汇总后获得的。所述第三加工记录数据反映了一个型号的五金加工设备生产加工水平。
基于所述性能指标期望，构建性能指标映射器，其中，所述性能指标映射器为内嵌于人工智能的设备自动化控制装置的虚拟处理器；
进一步的，如图3所示，基于所述性能指标期望，构建性能指标映射器，本申请实施例还包括：
获取所述性能指标期望的性能指标属性信息；
根据所述性能指标属性信息的第i性能指标属性对所述五金加工设备型号的控制参数属性进行关联性分析，获取控制关联度；
将所述控制关联度大于或等于关联度阈值的所述控制参数属性，添加进第i性能指标关联控制参数属性；
基于所述第i性能指标关联控制参数属性，构建第i性能指标属性映射通道，其中，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道，所述数据处理通道的数量与所述性能指标属性信息的数量相同。
在一个可能的实施例中，通过根据所述性能指标期望构建所述性能指标映射器。其中，所述性能指标映射器是用于对五金加工设备的自动化控制参数与加工设备生产出的五金工件性能指标属性特征数据之间的映射关系进行智能化分析的虚拟处理器，内嵌于人工智能的设备自动化控制装置，包括多条数据处理通道，每条数据处理通道对应性能指标属性信息中的一个性能指标属性。根据所述性能指标期望的类型获得所述性能指标属性信息，其中，所述性能指标属性是用于将一个性能指标与其他性能指标区分开的特征进行描述的信息，所述性能指标属性信息包括成本指标属性信息、机械特性属性信息，尺寸指标属性信息等。
从所述性能指标属性信息中选取第i性能指标属性对所述五金加工设备型号的控制参数属性进行关联性分析，从而获得所述控制关联度。优选的，通过分析与第i性能指标属性有关的多个控制参数属性，使用灰色关联度方法分析多个控制参数属性对第i性能指标属性的影响程度，从而获得所述控制关联度。并以所述关联度阈值对获得的控制关联度进行筛选，将控制关联度大于或等于关联度阈值的所述控制参数属性添加进第i性能指标关联控制参数属性。其中，所述关联度阈值是由本领域技术人员设定的控制参数属性与性能指标属性产生影响的控制关联度范围。进而，以所述第i性能指标关联控制参数属性为基础，构建所述第i性能指标属性映射通道，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道。
进一步的，基于所述第i性能指标关联控制参数属性，构建第i性能指标属性映射通道，其中，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道，所述数据处理通道的数量与所述性能指标属性信息的数量相同，本申请实施例还包括：
根据所述第i性能指标关联控制参数属性进行联网检索，获取关联控制参数记录数据集和第i性能属性特征记录数据集；
以所述第i性能属性特征记录数据集为映射监督数据，以所述关联控制参数记录数据集为映射处理数据，基于BP神经网络，训练前置第一映射通道；
以所述第i性能属性特征记录数据集为映射监督数据，以所述关联控制参数记录数据集为映射处理数据，基于支持向量机，训练前置第二映射通道；
获取所述前置第一映射通道的第一映射结果数据集；
获取所述前置第二映射通道的第二映射结果数据集；
以所述第i性能属性特征记录数据集为映射监督数据，以所述第一映射结果数据集和所述第二映射结果数据集为映射处理数据，基于BP神经网络，训练后置映射通道；
将所述前置第一映射通道和所述前置第二映射通道的输出层，与所述后置映射通道的输入层合并，获取所述第i性能指标属性映射通道。
在一个可能的实施例中，以所述第i性能指标关联控制参数属性为索引，在互联网的五金加工数据库中进行数据查找，获得所述关联控制参数记录数据集和第i性能属性特征记录数据集。其中，所述关联控制参数记录数据集是对关联控制参数在加工中使用的参数数值进行描述的数据集。所述第i性能属性特征记录数据集根据所述关联控制参数数据集中的参数对五金加工设备进行自动化控制后生成的五金工件对应的第i性能属性特征数据记录后形成的数据集。所述前置第一映射通道是以BP神经网络为基础框架构建的对按照关联控制参数进行设备控制后生产产品的性能映射情况进行分析的通道。所述前置第二映射通道是基于支持向量机对按照关联控制参数进行设备控制后生产产品的性能映射情况进行分析的通道。第一映射通道和第二映射通道的映射处理数据均为所述关联控制参数记录数据集，映射监督数据为第i性能属性特征记录数据集，由于第一映射通道和第二映射通道是基于不同的框架进行构建的，因此，即使输入数据相同，输出数据之间仍然会存在偏差。
在一个实施例中，在获得第一映射结果数据集和第二映射结果数据集之后，以BP神经网络为基础框架构建所述后置映射通道，并以所述第i性能属性特征记录数据集为映射监督数据，以所述第一映射结果数据集和所述第二映射结果数据集为映射处理数据，对后置映射通道进行训练。其中，所述后置映射通道是以第i性能属性特征记录数据集为映射监督数据，对第一映射结果数据集和第二映射结果数据集中的数据进行拟合的通道，输出数据为性能属性特征记录数据集。
具体而言，通过将所述前置第一映射通道和所述前置第二映射通道的输出层，与所述后置映射通道的输入层合并，根据所述前置第一映射通道、所述前置第二映射通道和所述后置映射通道，生成所述第i性能指标属性映射通道。
基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集；
进一步的，基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集，本申请实施例还包括：
构建适应度函数：，其中，/>表征任意一组加工记录数据的适应度，/>表征任意一组加工记录数据的第k性能指标属性特征值，表征第k性能指标属性期望，N表征性能指标属性数量，/>为归一化调整系数；
根据所述适应度函数遍历所述第一加工记录数据，获取适应度最小值的第一最优粒子；
根据所述适应度函数遍历所述第二加工记录数据，获取适应度最小值的第二最优粒子；
根据所述适应度函数遍历所述第三加工记录数据，获取适应度最小值的第三最优粒子；
基于所述性能指标映射器根据所述第一最优粒子、所述第二最优粒子和所述第三最优粒子对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
在一个实施例中，为了提高设备自动化控制的准确性，需要对获得的第一加工记录数据、第二加工记录数据和第三加工记录数据进行扩充，获得丰富的分析数据。经过数据扩充后，生成所述扩充加工控制数据集。所述适应度函数是对按照任意一组加工记录数据进行五金加工后的五金工件对应性能指标属性特征值与性能指标属性期望之间的偏差情况进行量化计算的函数。获得的适应度数值越小，表明与期望之间的偏差越小，对应的加工记录数据对设备进行自动化控制的准确度越高。
在一个实施例中，利用所述适应度函数对第一加工记录数据进行逐一计算，获得多个第一适应度数值，从中选取适应度最小值对应的一组加工记录数据作为第一最优粒子。利用所述适应度函数对第二加工记录数据进行逐一计算，获得多个第二适应度数值，从中选取适应度最小值对应的一组加工记录数据作为第二最优粒子。利用所述适应度函数对第三加工记录数据进行逐一计算，获得多个第三适应度数值，从中选取适应度最小值对应的一组加工记录数据作为第三最优粒子。进而，利用所述性能指标映射器根据所述第一最优粒子、所述第二最优粒子和所述第三最优粒子对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
进一步的，基于所述性能指标映射器根据所述第一最优粒子、所述第二最优粒子和所述第三最优粒子对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集，本申请实施例还包括：
构建第一加工记录数据扩充函数： ，/>；其中，/>表征任意一组加工记录数据的第j维度参数的第g+1代的调整量，/>表征预设的第j维度参数调整量，表征第一最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第二最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第三最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第g代的任意一组加工记录数据的第j维度参数特征值，/>表征第g+1代的加工记录数据的第j维度参数特征值，/>、/>和/>表征0-1之间的随机数；
构建第二加工记录数据扩充函数：，；构建第三加工记录数据扩充函数：，/>；基于所述性能指标映射器，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
进一步的，基于所述性能指标映射器，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集，本申请实施例还包括：
根据所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取第一代扩充加工控制数据集；
基于所述性能指标映射器对所述第一代扩充加工控制数据集进行映射处理，获取第一代扩充数据性能指标映射结果；
基于所述适应度函数对所述第一代扩充数据性能指标映射结果进行处理，获取第一最优粒子更新值、第二最优粒子更新值和第三最优粒子更新值；
基于所述第一最优粒子更新值、所述第二最优粒子更新值和所述第三最优粒子更新值，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数，对所述第一代扩充加工控制数据集进行扩充；
当扩充代数满足预设数值时，获取所述扩充加工控制数据集。
在一个实施例中，通过将所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据分别输入性能指标映射器中，并结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数进行数据扩充，从而获得扩充加工控制数据集。
根据所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，扩充后获得所述第一代扩充加工控制数据集。进而，利用所述性能指标映射器对所述第一代扩充加工控制数据集进行映射处理，获得根据所述第一代扩充加工数据集进行五金加工得到的五金工件对应的性能指标情况，也就是所述第一代扩充数据性能指标映射结果。进而，利用所述适应度函数对所述第一代扩充数据性能指标映射结果进行处理，将第一代扩充数据性能指标映射结果对应的适应度最小值分别与第一最优粒子、第二最优粒子和第三最优粒子对应的适应度值进行比较，将小于第一最优粒子、第二最优粒子和第三最优粒子对应的适应度值的适应度最小值对应的扩充加工数据作为第一最优粒子更新值、第二最优粒子更新值和第三最优粒子更新值；若存在大于第一最优粒子、第二最优粒子和第三最优粒子对应的适应度值的适应度最小值，则按照一定的概率接受适应度最小值对应的扩充加工数据作为第一最优粒子更新值、第二最优粒子更新值和第三最优粒子更新值。优选的，所述概率可以为20%~70%。从而实现了避免局部寻优，提升寻优效率和精度的技术效果。
基于所述第一最优粒子更新值、所述第二最优粒子更新值和所述第三最优粒子更新值，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数，对所述第一代扩充加工控制数据集进行扩充，直至扩充的代数满足所述预设数值时，将获得的扩充数据集作为扩充加工控制数据集。所述预设数值是由本领域技术人员进行设定的。
对所述扩充加工控制数据集进行寻优，获取加工控制推荐数据进行所述五金加工设备的控制。
在一个实施例中，通过利用适应度函数对扩充加工控制数据集对应的适应度数值进行量化计算，从而获得多个适应度值。优选的，对扩充加工控制数据集随机划分为m组扩充加工控制数据集，从而在每组扩充加工控制数据集中进行y代寻优，获得m个适应度值最小的扩充加工控制数据，将其作为m个最优结果。进而，对m个最优结果对应的m个适应度值进行筛选，就适应度值最小的最优结果对应的扩充加工控制数据作为加工控制推荐数据，并根据所述加工控制推荐数据进行五金加工设备的控制。
可选的，从m组扩充加工控制数据集中随机选取一组扩充加工控制数据集进行y代寻优，从一组扩充加工控制数据集中随机选取一个扩充加工控制数据集作为一代寻优节点，并根据其对应的适应度值大小对一代寻优节点进行赋值，获得一代寻优节点赋值结果，根据一代寻优节点和一代寻优节点赋值结果对一组扩充加工控制数据集进行筛选，将适应度值小于一代寻优节点赋值结果的扩充加工控制数据集进行保留，获得一代寻优结果。从包括一代寻优结果中再次随机选取一个扩充加工控制数据集作为二代寻优节点，并根据其对应的适应度值大小对二代寻优节点进行赋值，获得二代寻优节点赋值结果，根据二代寻优节点和二代寻优节点赋值结果对一代寻优结果进行筛选，将适应度值小于二代寻优节点赋值结果的扩充加工控制数据集进行保留，获得二代寻优结果。进而，从包括y-1代寻优结果中再次随机选取一个扩充加工控制数据集作为y代寻优节点，并根据其对应的适应度值大小对y代寻优节点进行赋值，获得y代寻优节点赋值结果，根据y代寻优节点和y代寻优节点赋值结果对y-1代寻优结果进行筛选，将适应度值小于y代寻优节点赋值结果的扩充加工控制数据集进行保留，获得y代寻优结果。将y代寻优结果中的适应度最小值对应的寻优结果作为该组扩充加工控制数据集的最优结果。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过对五金加工的需求情况进行获取，为后续进行设备自动化控制寻优的方向提供数据支持，然后从五金加工设备、同生产车间同型号的五金加工设备、同型号的五金加工设备三个维度对设备的加工数据进行采集，获得第一加工记录数据、第二加工记录数据和第三加工记录数据，然后利用性能指标映射器对获得的加工记录数据进行数据扩充，获得扩充加工数据集，实现了避免数据量过少，寻优的范围窄导致寻优结果质量低的目标，然后对扩充加工控制数据集进行寻优，获取加工控制推荐数据进行五金加工设备的控制。通过设备本位机的加工数据，以及同厂同型号的加工数据，以及多个厂子的同型号加工数据，得到多个维度的加工数据，再结合寻优算法对加工数据进行扩充，从而达到了得到适用性较强，客观性较强的控制策略的技术效果。
实施例二
基于与前述实施例中基于人工智能的设备自动化控制方法相同的发明构思，如图4所示，本申请提供了基于人工智能的设备自动化控制装置，本申请实施例中的装置与方法实施例基于同样的发明构思。其中，所述装置包括：
需求信息获得模块11，所述需求信息获得模块11用于获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望；
第一数据采集模块12，所述第一数据采集模块12用于采集第一加工记录数据，其中，所述第一加工记录数据为根据所述加工类型信息匹配五金加工设备位号进行历史加工数据检索生成；
第二数据采集模块13，所述第二数据采集模块13用于根据所述五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；
第三数据采集模块14，所述第三数据采集模块14用于根据所述五金加工设备型号进行联网检索，采集第三加工记录数据；
映射模型构建模块15，所述映射模型构建模块15用于基于所述性能指标期望，构建性能指标映射器；
控制数据集生成模块16，所述控制数据集生成模块16用于基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集；
设备控制模块17，所述设备控制模块17用于对所述扩充加工控制数据集进行寻优，获取加工控制推荐数据进行五金加工设备的控制。
进一步的，所述需求信息获得模块11用于执行如下方法：
通过图像采集装置采集待加工五金工件的工件图像信息进行识别，获取五金工件初始状态；
设定五金工件加工任务；
将所述五金工件加工任务和所述五金工件初始状态，添加进所述加工类型信息；
通过工单需求信息提取尺寸指标期望、机械特性期望和成本期望，添加进所述性能指标期望。
进一步的，所述映射模型构建模块15用于执行如下方法：
获取所述性能指标期望的性能指标属性信息；
根据所述性能指标属性信息的第i性能指标属性对所述五金加工设备型号的控制参数属性进行关联性分析，获取控制关联度；
将所述控制关联度大于或等于关联度阈值的所述控制参数属性，添加进第i性能指标关联控制参数属性；
基于所述第i性能指标关联控制参数属性，构建第i性能指标属性映射通道，其中，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道，所述数据处理通道的数量与所述性能指标属性信息的数量相同。
进一步的，所述映射模型构建模块15用于执行如下方法：
根据所述第i性能指标关联控制参数属性进行联网检索，获取关联控制参数记录数据集和第i性能属性特征记录数据集；
以所述第i性能属性特征记录数据集为映射监督数据，以所述关联控制参数记录数据集为映射处理数据，基于BP神经网络，训练前置第一映射通道；
以所述第i性能属性特征记录数据集为映射监督数据，以所述关联控制参数记录数据集为映射处理数据，基于支持向量机，训练前置第二映射通道；
获取所述前置第一映射通道的第一映射结果数据集；
获取所述前置第二映射通道的第二映射结果数据集；
以所述第i性能属性特征记录数据集为映射监督数据，以所述第一映射结果数据集和所述第二映射结果数据集为映射处理数据，基于BP神经网络，训练后置映射通道；
将所述前置第一映射通道和所述前置第二映射通道的输出层，与所述后置映射通道的输入层合并，获取所述第i性能指标属性映射通道。
进一步的，所述控制数据集生成模块16用于执行如下方法：
构建适应度函数：，其中，/>表征任意一组加工记录数据的适应度，/>表征任意一组加工记录数据的第k性能指标属性特征值，表征第k性能指标属性期望，N表征性能指标属性数量，/>为归一化调整系数；/>
根据所述适应度函数遍历所述第一加工记录数据，获取适应度最小值的第一最优粒子；
根据所述适应度函数遍历所述第二加工记录数据，获取适应度最小值的第二最优粒子；
根据所述适应度函数遍历所述第三加工记录数据，获取适应度最小值的第三最优粒子；
基于所述性能指标映射器根据所述第一最优粒子、所述第二最优粒子和所述第三最优粒子对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
进一步的，所述控制数据集生成模块16用于执行如下方法：
构建第一加工记录数据扩充函数： ，/>；中，/>表征任意一组加工记录数据的第j维度参数的第g+1代的调整量，/>表征预设的第j维度参数调整量，表征第一最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第二最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第三最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第g代的任意一组加工记录数据的第j维度参数特征值，/>表征第g+1代的加工记录数据的第j维度参数特征值，/>、/>和/>表征0-1之间的随机数；
构建第二加工记录数据扩充函数：，；构建第三加工记录数据扩充函数：，/>；基于所述性能指标映射器，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
进一步的，所述控制数据集生成模块16用于执行如下方法：
根据所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取第一代扩充加工控制数据集；
基于所述性能指标映射器对所述第一代扩充加工控制数据集进行映射处理，获取第一代扩充数据性能指标映射结果；
基于所述适应度函数对所述第一代扩充数据性能指标映射结果进行处理，获取第一最优粒子更新值、第二最优粒子更新值和第三最优粒子更新值；
基于所述第一最优粒子更新值、所述第二最优粒子更新值和所述第三最优粒子更新值，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数，对所述第一代扩充加工控制数据集进行扩充；
当扩充代数满足预设数值时，获取所述扩充加工控制数据集。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.基于人工智能的设备自动化控制方法，其特征在于，应用于基于人工智能的设备自动化控制装置，所述装置与五金加工设备通信连接，包括：
获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望；
采集第一加工记录数据，其中，所述第一加工记录数据为根据所述加工类型信息匹配五金加工设备位号进行历史加工数据检索生成；
根据所述五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；
根据所述五金加工设备型号进行联网检索，采集第三加工记录数据；
基于所述性能指标期望，构建性能指标映射器，其中，所述性能指标映射器为内嵌于人工智能的设备自动化控制装置的虚拟处理器；
基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集；
对所述扩充加工控制数据集进行寻优，获取加工控制推荐数据进行所述五金加工设备的控制；
其中，基于所述性能指标期望，构建性能指标映射器，包括：
获取所述性能指标期望的性能指标属性信息；
根据所述性能指标属性信息的第i性能指标属性对所述五金加工设备型号的控制参数属性进行关联性分析，获取控制关联度；
将所述控制关联度大于或等于关联度阈值的所述控制参数属性，添加进第i性能指标关联控制参数属性；
基于所述第i性能指标关联控制参数属性，构建第i性能指标属性映射通道，其中，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道，所述数据处理通道的数量与所述性能指标属性信息的数量相同。
2.如权利要求1所述的方法，其特征在于，获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望，包括：
通过图像采集装置采集待加工五金工件的工件图像信息进行识别，获取五金工件初始状态；
设定五金工件加工任务；
将所述五金工件加工任务和所述五金工件初始状态，添加进所述加工类型信息；
通过工单需求信息提取尺寸指标期望、机械特性期望和成本期望，添加进所述性能指标期望。
3.如权利要求1所述的方法，其特征在于，基于所述第i性能指标关联控制参数属性，构建第i性能指标属性映射通道，其中，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道，所述数据处理通道的数量与所述性能指标属性信息的数量相同，包括：
根据所述第i性能指标关联控制参数属性进行联网检索，获取关联控制参数记录数据集和第i性能属性特征记录数据集；
以所述第i性能属性特征记录数据集为映射监督数据，以所述关联控制参数记录数据集为映射处理数据，基于BP神经网络，训练前置第一映射通道；
以所述第i性能属性特征记录数据集为映射监督数据，以所述关联控制参数记录数据集为映射处理数据，基于支持向量机，训练前置第二映射通道；
获取所述前置第一映射通道的第一映射结果数据集；
获取所述前置第二映射通道的第二映射结果数据集；
以所述第i性能属性特征记录数据集为映射监督数据，以所述第一映射结果数据集和所述第二映射结果数据集为映射处理数据，基于BP神经网络，训练后置映射通道；
将所述前置第一映射通道和所述前置第二映射通道的输出层，与所述后置映射通道的输入层合并，获取所述第i性能指标属性映射通道。
4.如权利要求1所述的方法，其特征在于，基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集，包括：
构建适应度函数：
，
其中，表征任意一组加工记录数据的适应度，/>表征任意一组加工记录数据的第k性能指标属性特征值，/>表征第k性能指标属性期望，N表征性能指标属性数量，/>为归一化调整系数；
根据所述适应度函数遍历所述第一加工记录数据，获取适应度最小值的第一最优粒子；
根据所述适应度函数遍历所述第二加工记录数据，获取适应度最小值的第二最优粒子；
根据所述适应度函数遍历所述第三加工记录数据，获取适应度最小值的第三最优粒子；
基于所述性能指标映射器根据所述第一最优粒子、所述第二最优粒子和所述第三最优粒子对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
5.如权利要求4所述的方法，其特征在于，基于所述性能指标映射器根据所述第一最优粒子、所述第二最优粒子和所述第三最优粒子对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集，包括：
构建第一加工记录数据扩充函数：
，
；
其中，表征任意一组加工记录数据的第j维度参数的第g+1代的调整量，/>表征预设的第j维度参数调整量，/>表征第一最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第二最优粒子的第g次更新值对应的第j维度参数特征值，表征第三最优粒子的第g次更新值对应的第j维度参数特征值，/>表征第g代的任意一组加工记录数据的第j维度参数特征值，/>表征第g+1代的加工记录数据的第j维度参数特征值，/>、/>和/>表征0-1之间的随机数；
构建第二加工记录数据扩充函数：
，
；
构建第三加工记录数据扩充函数：
，
；
基于所述性能指标映射器，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集。
6.如权利要求5所述的方法，其特征在于，基于所述性能指标映射器，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取所述扩充加工控制数据集，包括：
根据所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，获取第一代扩充加工控制数据集；
基于所述性能指标映射器对所述第一代扩充加工控制数据集进行映射处理，获取第一代扩充数据性能指标映射结果；
基于所述适应度函数对所述第一代扩充数据性能指标映射结果进行处理，获取第一最优粒子更新值、第二最优粒子更新值和第三最优粒子更新值；
基于所述第一最优粒子更新值、所述第二最优粒子更新值和所述第三最优粒子更新值，结合所述第一加工记录数据扩充函数、所述第二加工记录数据扩充函数和所述第三加工记录数据扩充函数，对所述第一代扩充加工控制数据集进行扩充；
当扩充代数满足预设数值时，获取所述扩充加工控制数据集。
7.基于人工智能的设备自动化控制装置，其特征在于，所述装置包括：
需求信息获得模块，所述需求信息获得模块用于获取五金加工需求信息，其中，所述五金加工需求信息包括加工类型信息和性能指标期望；
第一数据采集模块，所述第一数据采集模块用于采集第一加工记录数据，其中，所述第一加工记录数据为根据所述加工类型信息匹配五金加工设备位号进行历史加工数据检索生成；
第二数据采集模块，所述第二数据采集模块用于根据所述五金加工设备位号的五金加工设备型号进行离线检索，采集第二加工记录数据；
第三数据采集模块，所述第三数据采集模块用于根据所述五金加工设备型号进行联网检索，采集第三加工记录数据；
映射模型构建模块，所述映射模型构建模块用于基于所述性能指标期望，构建性能指标映射器；
控制数据集生成模块，所述控制数据集生成模块用于基于所述性能指标映射器，对所述第一加工记录数据、所述第二加工记录数据和所述第三加工记录数据进行扩充，生成扩充加工控制数据集；
设备控制模块，所述设备控制模块用于对所述扩充加工控制数据集进行寻优，获取加工控制推荐数据进行五金加工设备的控制；
所述映射模型构建模块用于执行如下方法：
获取所述性能指标期望的性能指标属性信息；
根据所述性能指标属性信息的第i性能指标属性对所述五金加工设备型号的控制参数属性进行关联性分析，获取控制关联度；
将所述控制关联度大于或等于关联度阈值的所述控制参数属性，添加进第i性能指标关联控制参数属性；
基于所述第i性能指标关联控制参数属性，构建第i性能指标属性映射通道，其中，所述第i性能指标属性映射通道为所述性能指标映射器的数据处理通道，所述数据处理通道的数量与所述性能指标属性信息的数量相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311306139.4A CN117055513B (zh) | 2023-10-10 | 2023-10-10 | 基于人工智能的设备自动化控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311306139.4A CN117055513B (zh) | 2023-10-10 | 2023-10-10 | 基于人工智能的设备自动化控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117055513A CN117055513A (zh) | 2023-11-14 |
| CN117055513B true CN117055513B (zh) | 2024-04-26 |
Family
ID=88662956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311306139.4A Active CN117055513B (zh) | 2023-10-10 | 2023-10-10 | 基于人工智能的设备自动化控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117055513B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195580A (zh) * | 2023-09-21 | 2023-12-08 | 国网江苏省电力有限公司南通供电分公司 | 一种配电网智能规划方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107436594A (zh) * | 2016-05-17 | 2017-12-05 | 罗克韦尔自动化技术公司 | 使用基于控制器的元属性的自动化历史记录器配置方法 |
| CN110462604A (zh) * | 2017-01-23 | 2019-11-15 | 萃弈公司 | 基于设备使用关联互联网设备的数据处理系统和方法 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN114663768A (zh) * | 2022-04-06 | 2022-06-24 | 广州思茂信息科技有限公司 | 一种用于加工金属表皮板件的加工系统及加工方法 |
| CN115972211A (zh) * | 2023-02-06 | 2023-04-18 | 南京大学 | 基于模型不确定性与行为先验的控制策略离线训练方法 |
| CN116551475A (zh) * | 2023-07-04 | 2023-08-08 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及系统 |
| CN116702515A (zh) * | 2023-08-03 | 2023-09-05 | 江苏甬金金属科技有限公司 | 一种基于性能分析的镀镍钢带制备优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11049055B2 (en) * | 2018-09-13 | 2021-06-29 | Blentech Corporation | Digital historian and dashboard for commercial cookers |
-
2023
- 2023-10-10 CN CN202311306139.4A patent/CN117055513B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107436594A (zh) * | 2016-05-17 | 2017-12-05 | 罗克韦尔自动化技术公司 | 使用基于控制器的元属性的自动化历史记录器配置方法 |
| CN110462604A (zh) * | 2017-01-23 | 2019-11-15 | 萃弈公司 | 基于设备使用关联互联网设备的数据处理系统和方法 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN114663768A (zh) * | 2022-04-06 | 2022-06-24 | 广州思茂信息科技有限公司 | 一种用于加工金属表皮板件的加工系统及加工方法 |
| CN115972211A (zh) * | 2023-02-06 | 2023-04-18 | 南京大学 | 基于模型不确定性与行为先验的控制策略离线训练方法 |
| CN116551475A (zh) * | 2023-07-04 | 2023-08-08 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及系统 |
| CN116702515A (zh) * | 2023-08-03 | 2023-09-05 | 江苏甬金金属科技有限公司 | 一种基于性能分析的镀镍钢带制备优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117055513A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN117055513B (zh) | 基于人工智能的设备自动化控制方法及装置 | |
| CN108733003B (zh) | 基于kmeans聚类算法的回转类零件工序工时预测方法及系统 | |
| CN101710235B (zh) | 一种数控机床在线加工工件的自动识别和监控方法 | |
| KR101846793B1 (ko) | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 | |
| CN111369016A (zh) | 一种基于图像识别的现场运维方法及系统 | |
| CN116702302B (zh) | 一种用于半导体生产线的布局寻优方法及装置 | |
| CN113780208A (zh) | 一种基于对抗迁移学习的刀具磨损状态预测方法及装置 | |
| Jegorowa et al. | Deep learning methods for drill wear classification based on images of holes drilled in melamine faced chipboard | |
| CN115185247A (zh) | 一种基于产品加工质量的机床运行状态预测与车间调度方法 | |
| CN114297912A (zh) | 基于深度学习的刀具磨损预测方法 | |
| Gönnheimer et al. | Comprehensive machine data acquisition through intelligent parameter identification and assignment | |
| Serin et al. | Estimation of parameters for the free-form machining with deep neural network | |
| Chen et al. | Dynamic strategy of keyframe selection with pd controller for vslam systems | |
| Nyanga et al. | A web based manufacturability agent framework for an E-manufacturing system | |
| CN108268505A (zh) | 基于语义知识的建模方法和装置 | |
| CN108052587B (zh) | 基于决策树的大数据分析方法 | |
| CN114047729B (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
| Igari et al. | Computer-Aided Operation Planning for an Actual Machine Tool Based on Updatable Machining Database and Database-Oriented Planning Algorithm. | |
| Prabhakaran et al. | Manufacturing data-based combined dissimilarity coefficient for machine cell formation | |
| CN110263196B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
| CN116681266B (zh) | 一种镜面放电加工机的生产调度方法及系统 | |
| Igari et al. | Customization of a micro process planning system for an actual machine tool based on updating a machining database and generating a database oriented planning algorithm | |
| Gaoliang et al. | An Internet-based system for setup planning in machining operations | |
| CN112846939A (zh) | 一种数控机床切削加工的刀具磨损状态识别方法 |
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 |