CN117067096A - 基于参数优化的双面研磨抛光设备的自动控制系统及方法 - Google Patents
基于参数优化的双面研磨抛光设备的自动控制系统及方法 Download PDFInfo
- Publication number
- CN117067096A CN117067096A CN202311345467.5A CN202311345467A CN117067096A CN 117067096 A CN117067096 A CN 117067096A CN 202311345467 A CN202311345467 A CN 202311345467A CN 117067096 A CN117067096 A CN 117067096A
- Authority
- CN
- China
- Prior art keywords
- grinding
- surface roughness
- initial
- roughness coefficient
- workpiece
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000003746 surface roughness Effects 0.000 claims description 233
- 238000012360 testing method Methods 0.000 claims description 132
- 239000012530 fluid Substances 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001276 controlling effect Effects 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 11
- 230000009191 jumping Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 35
- 238000003754 machining Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000005483 Hooke's law Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/005—Control means for lapping machines or devices
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及研磨抛光领域，本发明公开了基于参数优化的双面研磨抛光设备的自动控制系统及方法，包括收集第一阶段样本数据集，基于第一阶段样本数据集训练出第一机器学习模型；收集第二阶段样本数据集，基于第二阶段样本数据集训练出第二机器学习模型；获取基础数据，利用第一机器学习模型对基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；将加工工件研磨至第一预定研磨厚度；获取初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取最优控制解；根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，本发明有利于获取双面研磨抛光设备在多参数下的最优控制解。
Description
技术领域
本发明涉及研磨抛光领域，更具体地说，本发明涉及基于参数优化的双面研磨抛光设备的自动控制系统及方法。
背景技术
双面研磨抛光设备作为一种关键的表面处理工具，可以实现加工工件表面的精确加工和优化；双面研磨抛光设备的加工阶段主要包括粗研磨阶段（粗磨）、中研磨阶段（中磨）和抛光阶段（抛光）；其中，在粗研磨阶段，通常是通过施加较大的定量研磨压力以使被研磨加工工件快速进入中研磨阶段；然而，由于被加工工件在研磨早期存在较大不规则性，且对于高精度的加工工件需求而言，若在粗研磨阶段的初期施加较大的定量研磨压力，易导致被加工工件表面粗糙度增加，使被加工工件表面不光滑，进而使被加工后的加工工件不符合高表面质量的需求；同时也可能会导致设备产生不稳定的振动或震动，进而可能对设备的结构和稳定性造成损害，甚至可能导致设备故障。
目前，缺乏针对粗研磨阶段对双面研磨抛光设备进行参数自动调控的方法或系统，虽存在部分相关的压力控制方法，例如授权公告号为CN104369087B的中国专利公开了一种研磨机气压伺服系统的压力控制方法，再例如授权公告号为CN104440510B的中国专利公开了一种研磨机气压伺服系统的拉力控制方法，上述方法虽能降低加工工件损坏率，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：
（1）无法保证工件在粗研磨阶段初期加工效率的同时，降低工件早期因较大不规则性而产生对双面研磨抛光设备的振动冲击；且难以保证工件不会因施加过大压力而产生结构损坏。
（2）缺乏对粗研磨阶段的细致划分，无法获取工件由粗研磨阶段到中研磨阶段之间多参数下的最优解，从而难以保证加工工件的表面粗糙度在粗研磨阶段处于预设状态标准；进而难以避免加工工件在粗研磨阶段未达标而影响后续工序的加工效率和加工质量。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于参数优化的双面研磨抛光设备的自动控制系统及方法。
为实现上述目的，本发明提供如下技术方案：
基于参数优化的双面研磨抛光设备的自动控制方法，所述方法包括：
收集加工工件的第一阶段样本数据集，基于第一阶段样本数据集训练出用于获取双面研磨抛光设备的上研磨盘初始高度和初始研磨压力的第一机器学习模型；
收集双面研磨抛光设备的第二阶段样本数据集，基于第二阶段样本数据集训练出用于获取最优控制解的第二机器学习模型；所述最优控制解包括最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量；
获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；
当加工工件在到达第一预定研磨厚度时，获取双面研磨抛光设备的初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；所述初始控制数据包括初始研磨压力、初始研磨转速、初始研磨液流量；
根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，进入中研磨阶段。
进一步地，所述第一阶段样本数据集包括工件的基础数据和第一阶段调节数据，所述工件的基础数据包括工件硬度、工件质量、工件材质和工件不规则程度系数，所述第一阶段调节数据包括上研磨盘初始高度和初始研磨压力。
进一步地，工件不规则程度系数的获取逻辑如下：
利用预安装于双面研磨抛光设备上的激光传感器对测试工件进行激光扫描，获取工件每一面的反射信号时间，得到M个反射信号时间；
提取M个反射信号时间中的反射信号时间最多的众数，将反射信号时间最多的众数作为反射信号标准时间；
基于M个反射信号时间和反射信号标准时间进行计算，以确定工件不规则程度系数；其计算公式为：；式中：/>表示工件不规则程度系数，表示第i个反射信号时间，/>表示反射信号标准时间。
进一步地，上研磨盘初始高度和初始研磨压力的确定逻辑如下：
a1：将第g类型测试工件放置于双面研磨抛光设备上，g为大于零的正整数；
a2：将双面研磨抛光设备上的上研磨盘调节至第Q高度下，并通过上研磨盘上预设的压力传感器获取第Q高度下压力数据，Q为大于零的正整数；
a3：获取第Q高度下双面研磨抛光设备的设备振动数值，计算设备振动数值与设备标准振动数值的差值，判断设备振动数值与设备标准振动数值的差值是否处于预设差值区间；若处于预设差值区间，则跳转至步骤a4；若不处于预设差值区间，则令Q=Q-V，并跳转回步骤a2，V为大于零的恒定正整数；
a4：获取第Q高度下测试工件的形变值，计算形变值与预设形变标准值的差值，判断形变值与预设形变标准值的差值是否为零；若不为零，则令Q=Q-v，并跳转回步骤a2；若为零，则将第Q高度作为上研磨盘初始高度，以及将第Q高度下的压力数据作为初始研磨压力，并令g=g+1，返回至步骤a1，v为大于零的正整数；
a5：重复上述步骤a1～a4，直至G=g，得到所有测试工件的第一阶段调节数据，结束循环，G为测试工件的类型总数。
进一步地，第一机器学习模型的生成逻辑为：获取第一阶段样本数据集，将第一阶段样本数据集划分为第一阶段训练集和第一阶段测试集，构建回归网络，将第一阶段训练集中的工件硬度、工件质量、工件材质、工件不规则程度系数作为回归网络的输入数据，将第一阶段训练集中的上研磨盘初始高度和初始研磨压力作为回归网络的输出数据，对回归网络进行训练，得到初始回归网络，利用第一阶段测试集对初始回归网络进行测试准确度验证，输出大于预设测试准确度的初始回归网络作为第一机器学习模型。
进一步地，第二阶段样本数据集包括初始研磨压力、初始研磨转速、初始研磨液流量和最优控制解。
进一步地，最优控制解的确定逻辑如下：
当测试工件处于第一预定研磨厚度时，获取测试工件的实测参数数据，所述实测参数数据包括初始研磨压力、初始研磨转速和初始研磨液流量，以及获取实测参数数据对应的测试工件的表面粗糙系数；
基于初始研磨压力和表面粗糙系数进行第一参数分析，以获取最优研磨调节压力；
基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，以获取最优研磨调节转速；
基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，以获取最优研磨液调节流量。
进一步地，表面粗糙系数的获取逻辑如下：
获取测试工件的图像，以及获取标准工件的图像；
基于相同的划分规则将测试工件的图像和标准工件的图像均划分为T个区域，T为大于零的正整数；
将标准工件的图像和测试工件的图像相同位置区域的像素点进行逐一比较，并记录测试工件的图像中与标准工件的图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为表面粗糙系数。
进一步地，基于初始研磨压力和表面粗糙系数进行第一参数分析，包括：
b1：获取h单位压力下对应的测试工件的表面粗糙系数，以及获取h+c单位压力下对应的测试工件的表面粗糙系数；h为大于零正整数，h初始值为初始研磨压力，c为大于零的恒定正整数；
b2：将h单位压力下对应的测试工件的表面粗糙系数作为第一表面粗糙系数，以及将h+c单位压力下对应的测试工件的表面粗糙系数作为第二表面粗糙系数；
b3：将第一表面粗糙系数和第二表面粗糙系数进行比对，若第一表面粗糙系数大于第二表面粗糙系数，则令h=h+L，并返回至步骤b1；若第一表面粗糙系数小于等于第二表面粗糙系数，则获取第一表面粗糙系数对应的单位压力h，L为大于零的正整数；
b4：重复上述步骤b1～b3，直至第一表面粗糙系数小于等于第二表面粗糙系数时，结束循环；
b5：将单位压力h与初始研磨压力进行差值计算，得到研磨压力差，将研磨压力差作为最优研磨调节压力。
进一步地，基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，包括：
c1：获取最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数；以及获取X+u单位压力下对应的测试工件的表面粗糙系数；X为大于零正整数，X初始值为初始研磨转速，u为大于零的恒定正整数；
c2：将最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数作为第三表面粗糙系数；以及将X+u单位压力下对应的测试工件的表面粗糙系数作为第四表面粗糙系数；
c3：将第三表面粗糙系数和第四表面粗糙系数进行比对，若第三表面粗糙系数大于第四表面粗糙系数，则令X=X+o，并返回至步骤c1；若第三表面粗糙系数小于等于第四表面粗糙系数，则获取第三表面粗糙系数对应的单位转速X，o为大于零的正整数；
c4：重复上述步骤c1～c3，直至第三表面粗糙系数小于等于第四表面粗糙系数时，结束循环；
c5：将单位转速X与初始研磨转速进行差值计算，得到研磨转速差，将研磨转速差作为最优研磨调节转速。
进一步地，基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，包括：
d1：获取最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数；以及获取Y+p单位流量下对应的测试工件的表面粗糙系数；Y为大于零正整数，Y初始值为初始研磨液流量，p为大于零的恒定正整数；
d2：将最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数作为第五表面粗糙系数；以及将Y+p单位流量下对应的测试工件的表面粗糙系数作为第六表面粗糙系数；
d3：将第五表面粗糙系数和第六表面粗糙系数进行比对，若第五表面粗糙系数大于第六表面粗糙系数，则令Y=Y+z，并返回至步骤d1；若第五表面粗糙系数小于等于第六表面粗糙系数，则获取第五表面粗糙系数对应的单位流量Y，z为大于零的正整数；
d4：重复上述步骤d1～d3，直至第五表面粗糙系数小于等于第六表面粗糙系数时，结束循环；
d5：将单位流量Y与初始研磨液流量进行差值计算，得到研磨液流量差，将研磨液流量差作为最优研磨液调节流量。
基于参数优化的双面研磨抛光设备的自动控制系统，包括：
第一训练模块，用于收集加工工件的第一阶段样本数据集，基于第一阶段样本数据集训练出用于获取双面研磨抛光设备的上研磨盘初始高度和初始研磨压力的第一机器学习模型；
第二训练模块，用于收集双面研磨抛光设备的第二阶段样本数据集，基于第二阶段样本数据集训练出用于获取最优控制解的第二机器学习模型；所述最优控制解包括最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量；
第一分析模块，用于获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；
第二分析模块，用于当加工工件在到达第一预定研磨厚度时，获取双面研磨抛光设备的初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；所述初始控制数据包括初始研磨压力、初始研磨转速、初始研磨液流量；
优化控制模块，用于根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，进入中研磨阶段。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述中任一项所述基于参数优化的双面研磨抛光设备的自动控制方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述中任一项所述基于参数优化的双面研磨抛光设备的自动控制方法。
相比于现有技术，本发明的有益效果在于：
1.本申请公开了基于参数优化的双面研磨抛光设备的自动控制系统及方法，首先，收集第一阶段样本数据集，基于第一阶段样本数据集训练出第一机器学习模型；其次，收集第二阶段样本数据集，基于第二阶段样本数据集训练出第二机器学习模型；然后，获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；接着，获取初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；最后根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度；通过上述步骤本发明能够获取双面研磨抛光设备在多参数下的最优控制解，从而有利于保证加工工件的表面粗糙度在粗研磨阶段处于预设状态标准；进而有利于加工工件在粗研磨阶段未达标而影响后续工序的加工效率和加工质量。
2.本申请公开了基于参数优化的双面研磨抛光设备的自动控制系统及方法，通过第一机器学习模型获取加工工件在粗研磨阶段的初期的上研磨盘初始高度和初始研磨压力，本发明有利于保证工件在粗研磨阶段初期加工效率的同时，降低工件早期因较大不规则性而产生对双面研磨抛光设备的振动冲击；同时有利于保证工件不会因施加过大压力而产生结构损坏。
附图说明
图1为本发明提供的基于参数优化的双面研磨抛光设备的自动控制方法的示意图；
图2为本发明提供的基于参数优化的双面研磨抛光设备的自动控制系统的示意图；
图3为本发明提供的双面研磨抛光设备示意图；
图4为本发明提供的一种电子设备的结构示意图。
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。
实施例1
请参阅图2所示，本实施例公开提供了基于参数优化的双面研磨抛光设备的自动控制系统，包括：
第一训练模块210，用于收集加工工件的第一阶段样本数据集，基于第一阶段样本数据集训练出用于获取双面研磨抛光设备的上研磨盘初始高度和初始研磨压力的第一机器学习模型；
应当了解的是：本发明应用于双面研磨抛光设备，如图3（双面研磨抛光设备示意图）所示，所述双面研磨抛光设备主要包括：气缸1、上研磨盘2、工件固定轮盘3、下研磨盘4、上研磨盘旋转电机5、上研磨盘径向电机6、工件固定轮盘旋转电机7、上研磨盘径向电机8、下研磨盘旋转电机9和研磨液储罐10；所述双面研磨抛光设备包括三个加工阶段，分别为粗研磨阶段、中研磨阶段和抛光阶段；本发明主要解决粗研磨阶段产生控制参数优化问题，因此，对于中研磨阶段和抛光阶段控制问题非本发明重点，对此，本发明不做过多赘述；
具体的，所述第一阶段样本数据集包括工件的基础数据和第一阶段调节数据，所述工件的基础数据包括工件硬度、工件质量、工件材质和工件不规则程度系数，所述第一阶段调节数据包括上研磨盘初始高度和初始研磨压力；
其中，工件不规则程度系数的获取逻辑如下：
利用预安装于双面研磨抛光设备上的激光传感器对测试工件进行激光扫描，获取工件每一面的反射信号时间，得到M个反射信号时间；
提取M个反射信号时间中的反射信号时间最多的众数，将反射信号时间最多的众数作为反射信号标准时间；
应当了解的是：反射信号时间最多的众数是指存在数值相同且数量最多的反射信号时间；
基于M个反射信号时间和反射信号标准时间进行计算，以确定工件不规则程度系数；其计算公式为：；式中：/>表示工件不规则程度系数，表示第i个反射信号时间，/>表示反射信号标准时间；
应当了解的是：越大，则说明对应工件的不规则程度也就大，进一步地，对应工件造成的振动情况也就越大；
具体的，上研磨盘初始高度和初始研磨压力的确定逻辑如下：
a1：将第g类型测试工件放置于双面研磨抛光设备上，g为大于零的正整数；
a2：将双面研磨抛光设备上的上研磨盘调节至第Q高度下，并通过上研磨盘上预设的压力传感器获取第Q高度下压力数据，Q为大于零的正整数；
需要说明的是：Q的初始值为上研磨盘与测试工件第一次接触时，上研磨盘与下研磨盘的间隔值；
a3：获取第Q高度下双面研磨抛光设备的设备振动数值，计算设备振动数值与设备标准振动数值的差值，判断设备振动数值与设备标准振动数值的差值是否处于预设差值区间；若处于预设差值区间，则跳转至步骤a4；若不处于预设差值区间，则令Q=Q-V，并跳转回步骤a2，V为大于零的恒定正整数；
需要说明的是：所述设备振动数值基于预安装双面研磨抛光设备的振动传感器采集得到；所述恒定正整数可人为确定；
a4：获取第Q高度下测试工件的形变值，计算形变值与预设形变标准值的差值，判断形变值与预设形变标准值的差值是否为零；若不为零，则令Q=Q-v，并跳转回步骤a2；若为零，则将第Q高度作为上研磨盘初始高度，以及将第Q高度下的压力数据作为初始研磨压力，并令g=g+1，返回至步骤a1，v为大于零的正整数；
需要说明的是：所述形变值基于任一现有技术计算得到，例如胡克定律，胡克定律的计算公式为：，式中：/>是形变值；/>是工件受到的压力；E 是工件的弹性模量，通常以帕斯卡（Pascals）为单位；
a5：重复上述步骤a1～a4，直至G=g，得到所有测试工件的第一阶段调节数据，结束循环，G为测试工件的类型总数；
在实施中，第一机器学习模型的生成逻辑为：获取第一阶段样本数据集，将第一阶段样本数据集划分为第一阶段训练集和第一阶段测试集，构建回归网络，将第一阶段训练集中的工件硬度、工件质量、工件材质、工件不规则程度系数作为回归网络的输入数据，将第一阶段训练集中的上研磨盘初始高度和初始研磨压力作为回归网络的输出数据，对回归网络进行训练，得到初始回归网络，利用第一阶段测试集对初始回归网络进行测试准确度验证，输出大于预设测试准确度的初始回归网络作为第一机器学习模型；
其中，所述回归网络具体为决策树回归网络、随机森林回归网络、支持向量机回归网络、线性回归网络或神经网络中的一种；
第二训练模块220，用于收集双面研磨抛光设备的第二阶段样本数据集，基于第二阶段样本数据集训练出用于获取最优控制解的第二机器学习模型；所述最优控制解包括最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量；
具体的，第二阶段样本数据集包括初始研磨压力、初始研磨转速、初始研磨液流量和最优控制解；
需要说明的是：初始研磨转速和初始研磨液流量为恒定值，且初始研磨转速和初始研磨液流量的恒定值由人为实验模拟得到，对此本发明不作过多赘述；
其中，最优控制解的确定逻辑如下：
当测试工件处于第一预定研磨厚度时，获取测试工件的实测参数数据，所述实测参数数据包括初始研磨压力、初始研磨转速和初始研磨液流量，以及获取实测参数数据对应的测试工件的表面粗糙系数；
具体的，所述实测参数数据对应的测试工件的表面粗糙系数，包括初始研磨压力对应的测试工件的表面粗糙系数、初始研磨转速对应的测试工件的表面粗糙系数和初始研磨液流量对应的测试工件的表面粗糙系数；
基于初始研磨压力和表面粗糙系数进行第一参数分析，以获取最优研磨调节压力；
具体的，基于初始研磨压力和表面粗糙系数进行第一参数分析，包括：
b1：获取h单位压力下对应的测试工件的表面粗糙系数，以及获取h+c单位压力下对应的测试工件的表面粗糙系数；h为大于零正整数，h初始值为初始研磨压力，c为大于零的恒定正整数；
其中，表面粗糙系数的获取逻辑如下：
获取测试工件的图像，以及获取标准工件的图像；
需要说明的是：标准工件的图像预存于系统数据库中，所述标准工件的图像是指工件在第一加工时期仍达到的表面粗糙系数，关于第一加工时期的介绍，参照后文；
基于相同的划分规则将测试工件的图像和标准工件的图像均划分为T个区域，T为大于零的正整数；
将标准工件的图像和测试工件的图像相同位置区域的像素点进行逐一比较，并记录测试工件的图像中与标准工件的图像存在差异的差异区域；
需要说明的是：测试工件的图像和标准工件的图像中划分区域的方式和区域的大小完全相同；且两个相同位置的区域采用的比较方式为每个像素点进行逐一比较，若两个相同位置的区域存在差异的像素点超过一定的预设百分比，则判断两个相同位置的区域存在差异；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为表面粗糙系数；
b2：将h单位压力下对应的测试工件的表面粗糙系数作为第一表面粗糙系数，以及将h+c单位压力下对应的测试工件的表面粗糙系数作为第二表面粗糙系数；
b3：将第一表面粗糙系数和第二表面粗糙系数进行比对，若第一表面粗糙系数大于第二表面粗糙系数，则令h=h+L，并返回至步骤b1；若第一表面粗糙系数小于等于第二表面粗糙系数，则获取第一表面粗糙系数对应的单位压力h，L为大于零的正整数；
b4：重复上述步骤b1～b3，直至第一表面粗糙系数小于等于第二表面粗糙系数时，结束循环；
b5：将单位压力h与初始研磨压力进行差值计算，得到研磨压力差，将研磨压力差作为最优研磨调节压力；
基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，以获取最优研磨调节转速；
具体的，基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，包括：
c1：获取最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数；以及获取X+u单位压力下对应的测试工件的表面粗糙系数；X为大于零正整数，X初始值为初始研磨转速，u为大于零的恒定正整数；
c2：将最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数作为第三表面粗糙系数；以及将X+u单位压力下对应的测试工件的表面粗糙系数作为第四表面粗糙系数；
c3：将第三表面粗糙系数和第四表面粗糙系数进行比对，若第三表面粗糙系数大于第四表面粗糙系数，则令X=X+o，并返回至步骤c1；若第三表面粗糙系数小于等于第四表面粗糙系数，则获取第三表面粗糙系数对应的单位转速X，o为大于零的正整数；
c4：重复上述步骤c1～c3，直至第三表面粗糙系数小于等于第四表面粗糙系数时，结束循环；
c5：将单位转速X与初始研磨转速进行差值计算，得到研磨转速差，将研磨转速差作为最优研磨调节转速；
基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，以获取最优研磨液调节流量；
具体的，基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，包括：
d1：获取最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数；以及获取Y+p单位流量下对应的测试工件的表面粗糙系数；Y为大于零正整数，Y初始值为初始研磨液流量，p为大于零的恒定正整数；
d2：将最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数作为第五表面粗糙系数；以及将Y+p单位流量下对应的测试工件的表面粗糙系数作为第六表面粗糙系数；
d3：将第五表面粗糙系数和第六表面粗糙系数进行比对，若第五表面粗糙系数大于第六表面粗糙系数，则令Y=Y+z，并返回至步骤d1；若第五表面粗糙系数小于等于第六表面粗糙系数，则获取第五表面粗糙系数对应的单位流量Y，z为大于零的正整数；
d4：重复上述步骤d1～d3，直至第五表面粗糙系数小于等于第六表面粗糙系数时，结束循环；
d5：将单位流量Y与初始研磨液流量进行差值计算，得到研磨液流量差，将研磨液流量差作为最优研磨液调节流量；
在实施中，第二机器学习模型的生成逻辑为：获取第二阶段样本数据集，将第二阶段样本数据集划分为第二阶段训练集和第二阶段测试集，构建回归网络，将第二阶段训练集中的初始研磨压力、初始研磨转速和初始研磨液流量为回归网络的输入数据，将第二阶段训练集中的最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量作为回归网络的输出数据，对回归网络进行训练，得到初始回归网络，利用第二阶段测试集对初始回归网络进行测试准确度验证，输出大于预设测试准确度的初始回归网络作为第二机器学习模型；
同上述第一机器学习模型，所述回归网络具体为决策树回归网络、随机森林回归网络、支持向量机回归网络、线性回归网络或神经网络中的一种；
第一分析模块230，用于获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；
应当了解的是：在工件的粗研磨阶段的初期，由于工件的不规则性、厚度以及表面粗糙性最大，此时，若通过施加较大的定量研磨压力以使被研磨加工工件快速进入中研磨阶段，势必会导致双面研磨抛光设备产生不规则性的振动，这些振动会造成对双面研磨抛光设备的冲击，造成对双面研磨抛光设备损害；
对此，本发明根据第一预定研磨厚度和第二预定研磨厚度将粗研磨阶段到中研磨阶段分成三个时期，分别为第一加工时期、第二加工时期和第三加工时期；第一加工时期是指加工工件由未加工状态到第一预定研磨厚度时的阶段，第二加工时期则是指由第一预定研磨厚度到第二预定研磨厚度的阶段；第三加工时期则是指中研磨阶段；
其中，第一加工时期利用第一机器学习模型确定在粗磨初期时的上研磨盘初始高度和压力；并根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；从而能够保证被加工工件在研磨初期加工效率的同时，还最大限度地降低了工件早期不规则性较大而产生对双面研磨抛光设备的振动冲击；同时有利于保证工件不会因施加过大压力而产生结构损坏；
第二分析模块240，用于当加工工件在到达第一预定研磨厚度时，获取双面研磨抛光设备的初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；所述初始控制数据包括初始研磨压力、初始研磨转速、初始研磨液流量；
应当了解的是：研磨压力、研磨转速和研磨液流量是决定加工工件的质量的先决条件；
需要说明的是：参照上述描述，初始研磨压力由第一机器学习模型分析得到，初始研磨转速和初始研磨液流量为恒定值，通过系统查询或人为输入获取；
还需要说明的是：利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解，此步骤是为了第二加工时期的最优控制参数，进一步解释就是，从第一加工时期进入第二加工时期后，需要保证加工工件的表面粗糙度处于预设状态标准，同时需要避免加工工件过早过或过晚的中研磨阶段，以避免加工工件在粗磨阶段未达标而影响后续工序（中研磨阶段和抛光阶段）的加工效率和加工质量；
优化控制模块250，用于根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，进入中研磨阶段；
具体的，所述第一预定研磨厚度大于第二预定研磨厚度；所述最优控制解大于初始控制数据，进一步解释就是，在第一加工时期由于加工工件的不规则性较大，因此不会施加一个会双面研磨抛光设备造成振动冲击的压力，当加工工件进入第二加工时期，此时第二加工时期的加工状态处于稳定，因此，最优控制解大于初始控制数据，还进一步解释就是，本发明针对的是粗研磨阶段，该阶段的压力总体趋势是趋于上升趋势的，因此，初始控制数据不可能会大于最优控制解，而进入中研磨阶段时，随着加工工件的工艺需求，此时，研磨控制参数（研磨压力、研磨转速和研磨液流量）可能会呈现下降趋势，但中研磨阶段的参数控制问题非本发明解决问题，对此不作过多赘述；
需要说明的是：所述第一预定研磨厚度和第二预定研磨厚度根据不同加工工件实验数据人为确定，对此不作过多赘述。
实施例2
请参阅图1所示，本实施例公开提供了基于参数优化的双面研磨抛光设备的自动控制方法，所述方法包括：
S101：收集加工工件的第一阶段样本数据集，基于第一阶段样本数据集训练出用于获取双面研磨抛光设备的上研磨盘初始高度和初始研磨压力的第一机器学习模型；
应当了解的是：本发明应用于双面研磨抛光设备，如图3（双面研磨抛光设备示意图）所示，所述双面研磨抛光设备主要包括：气缸1、上研磨盘2、工件固定轮盘3、下研磨盘4、上研磨盘旋转电机5、上研磨盘径向电机6、工件固定轮盘旋转电机7、上研磨盘径向电机8、下研磨盘旋转电机9和研磨液储罐10；所述双面研磨抛光设备包括三个加工阶段，分别为粗研磨阶段、中研磨阶段和抛光阶段；本发明主要解决粗研磨阶段产生控制参数优化问题，因此，对于中研磨阶段和抛光阶段控制问题非本发明重点，对此，本发明不做过多赘述；
具体的，所述第一阶段样本数据集包括工件的基础数据和第一阶段调节数据，所述工件的基础数据包括工件硬度、工件质量、工件材质和工件不规则程度系数，所述第一阶段调节数据包括上研磨盘初始高度和初始研磨压力；
其中，工件不规则程度系数的获取逻辑如下：
利用预安装于双面研磨抛光设备上的激光传感器对测试工件进行激光扫描，获取工件每一面的反射信号时间，得到M个反射信号时间；
提取M个反射信号时间中的反射信号时间最多的众数，将反射信号时间最多的众数作为反射信号标准时间；
应当了解的是：反射信号时间最多的众数是指存在数值相同且数量最多的反射信号时间；
基于M个反射信号时间和反射信号标准时间进行计算，以确定工件不规则程度系数；其计算公式为：；式中：/>表示工件不规则程度系数，表示第i个反射信号时间，/>表示反射信号标准时间；
应当了解的是：越大，则说明对应工件的不规则程度也就大，进一步地，对应工件造成的振动情况也就越大；
具体的，上研磨盘初始高度和初始研磨压力的确定逻辑如下：
a1：将第g类型测试工件放置于双面研磨抛光设备上，g为大于零的正整数；
a2：将双面研磨抛光设备上的上研磨盘调节至第Q高度下，并通过上研磨盘上预设的压力传感器获取第Q高度下压力数据，Q为大于零的正整数；
需要说明的是：Q的初始值为上研磨盘与测试工件第一次接触时，上研磨盘与下研磨盘的间隔值；
a3：获取第Q高度下双面研磨抛光设备的设备振动数值，计算设备振动数值与设备标准振动数值的差值，判断设备振动数值与设备标准振动数值的差值是否处于预设差值区间；若处于预设差值区间，则跳转至步骤a4；若不处于预设差值区间，则令Q=Q-V，并跳转回步骤a2，V为大于零的恒定正整数；
需要说明的是：所述设备振动数值基于预安装双面研磨抛光设备的振动传感器采集得到；所述恒定正整数可人为确定；
a4：获取第Q高度下测试工件的形变值，计算形变值与预设形变标准值的差值，判断形变值与预设形变标准值的差值是否为零；若不为零，则令Q=Q-v，并跳转回步骤a2；若为零，则将第Q高度作为上研磨盘初始高度，以及将第Q高度下的压力数据作为初始研磨压力，并令g=g+1，返回至步骤a1，v为大于零的正整数；
需要说明的是：所述形变值基于任一现有技术计算得到，例如胡克定律，胡克定律的计算公式为：，式中：/>是形变值；/>是工件受到的压力；E 是工件的弹性模量，通常以帕斯卡（Pascals）为单位；
a5：重复上述步骤a1～a4，直至G=g，得到所有测试工件的第一阶段调节数据，结束循环，G为测试工件的类型总数；
在实施中，第一机器学习模型的生成逻辑为：获取第一阶段样本数据集，将第一阶段样本数据集划分为第一阶段训练集和第一阶段测试集，构建回归网络，将第一阶段训练集中的工件硬度、工件质量、工件材质、工件不规则程度系数作为回归网络的输入数据，将第一阶段训练集中的上研磨盘初始高度和初始研磨压力作为回归网络的输出数据，对回归网络进行训练，得到初始回归网络，利用第一阶段测试集对初始回归网络进行测试准确度验证，输出大于预设测试准确度的初始回归网络作为第一机器学习模型；
其中，所述回归网络具体为决策树回归网络、随机森林回归网络、支持向量机回归网络、线性回归网络或神经网络中的一种；
S102：收集双面研磨抛光设备的第二阶段样本数据集，基于第二阶段样本数据集训练出用于获取最优控制解的第二机器学习模型；所述最优控制解包括最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量；
具体的，第二阶段样本数据集包括初始研磨压力、初始研磨转速、初始研磨液流量和最优控制解；
需要说明的是：初始研磨转速和初始研磨液流量为恒定值，且初始研磨转速和初始研磨液流量的恒定值由人为实验模拟得到，对此本发明不作过多赘述；
其中，最优控制解的确定逻辑如下：
当测试工件处于第一预定研磨厚度时，获取测试工件的实测参数数据，所述实测参数数据包括初始研磨压力、初始研磨转速和初始研磨液流量，以及获取实测参数数据对应的测试工件的表面粗糙系数；
具体的，所述实测参数数据对应的测试工件的表面粗糙系数，包括初始研磨压力对应的测试工件的表面粗糙系数、初始研磨转速对应的测试工件的表面粗糙系数和初始研磨液流量对应的测试工件的表面粗糙系数；
基于初始研磨压力和表面粗糙系数进行第一参数分析，以获取最优研磨调节压力；
具体的，基于初始研磨压力和表面粗糙系数进行第一参数分析，包括：
b1：获取h单位压力下对应的测试工件的表面粗糙系数，以及获取h+c单位压力下对应的测试工件的表面粗糙系数；h为大于零正整数，h初始值为初始研磨压力，c为大于零的恒定正整数；
其中，表面粗糙系数的获取逻辑如下：
获取测试工件的图像，以及获取标准工件的图像；
需要说明的是：标准工件的图像预存于系统数据库中，所述标准工件的图像是指工件在第一加工时期仍达到的表面粗糙系数，关于第一加工时期的介绍，参照后文；
基于相同的划分规则将测试工件的图像和标准工件的图像均划分为T个区域，T为大于零的正整数；
将标准工件的图像和测试工件的图像相同位置区域的像素点进行逐一比较，并记录测试工件的图像中与标准工件的图像存在差异的差异区域；
需要说明的是：测试工件的图像和标准工件的图像中划分区域的方式和区域的大小完全相同；且两个相同位置的区域采用的比较方式为每个像素点进行逐一比较，若两个相同位置的区域存在差异的像素点超过一定的预设百分比，则判断两个相同位置的区域存在差异；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为表面粗糙系数；
b2：将h单位压力下对应的测试工件的表面粗糙系数作为第一表面粗糙系数，以及将h+c单位压力下对应的测试工件的表面粗糙系数作为第二表面粗糙系数；
b3：将第一表面粗糙系数和第二表面粗糙系数进行比对，若第一表面粗糙系数大于第二表面粗糙系数，则令h=h+L，并返回至步骤b1；若第一表面粗糙系数小于等于第二表面粗糙系数，则获取第一表面粗糙系数对应的单位压力h，L为大于零的正整数；
b4：重复上述步骤b1～b3，直至第一表面粗糙系数小于等于第二表面粗糙系数时，结束循环；
b5：将单位压力h与初始研磨压力进行差值计算，得到研磨压力差，将研磨压力差作为最优研磨调节压力；
基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，以获取最优研磨调节转速；
具体的，基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，包括：
c1：获取最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数；以及获取X+u单位压力下对应的测试工件的表面粗糙系数；X为大于零正整数，X初始值为初始研磨转速，u为大于零的恒定正整数；
c2：将最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数作为第三表面粗糙系数；以及将X+u单位压力下对应的测试工件的表面粗糙系数作为第四表面粗糙系数；
c3：将第三表面粗糙系数和第四表面粗糙系数进行比对，若第三表面粗糙系数大于第四表面粗糙系数，则令X=X+o，并返回至步骤c1；若第三表面粗糙系数小于等于第四表面粗糙系数，则获取第三表面粗糙系数对应的单位转速X，o为大于零的正整数；
c4：重复上述步骤c1～c3，直至第三表面粗糙系数小于等于第四表面粗糙系数时，结束循环；
c5：将单位转速X与初始研磨转速进行差值计算，得到研磨转速差，将研磨转速差作为最优研磨调节转速；
基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，以获取最优研磨液调节流量；
具体的，基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，包括：
d1：获取最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数；以及获取Y+p单位流量下对应的测试工件的表面粗糙系数；Y为大于零正整数，Y初始值为初始研磨液流量，p为大于零的恒定正整数；
d2：将最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数作为第五表面粗糙系数；以及将Y+p单位流量下对应的测试工件的表面粗糙系数作为第六表面粗糙系数；
d3：将第五表面粗糙系数和第六表面粗糙系数进行比对，若第五表面粗糙系数大于第六表面粗糙系数，则令Y=Y+z，并返回至步骤d1；若第五表面粗糙系数小于等于第六表面粗糙系数，则获取第五表面粗糙系数对应的单位流量Y，z为大于零的正整数；
d4：重复上述步骤d1～d3，直至第五表面粗糙系数小于等于第六表面粗糙系数时，结束循环；
d5：将单位流量Y与初始研磨液流量进行差值计算，得到研磨液流量差，将研磨液流量差作为最优研磨液调节流量；
在实施中，第二机器学习模型的生成逻辑为：获取第二阶段样本数据集，将第二阶段样本数据集划分为第二阶段训练集和第二阶段测试集，构建回归网络，将第二阶段训练集中的初始研磨压力、初始研磨转速和初始研磨液流量为回归网络的输入数据，将第二阶段训练集中的最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量作为回归网络的输出数据，对回归网络进行训练，得到初始回归网络，利用第二阶段测试集对初始回归网络进行测试准确度验证，输出大于预设测试准确度的初始回归网络作为第二机器学习模型；
同上述第一机器学习模型，所述回归网络具体为决策树回归网络、随机森林回归网络、支持向量机回归网络、线性回归网络或神经网络中的一种；
S103：获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；
应当了解的是：在工件的粗研磨阶段的初期，由于工件的不规则性、厚度以及表面粗糙性最大，此时，若通过施加较大的定量研磨压力以使被研磨加工工件快速进入中研磨阶段，势必会导致双面研磨抛光设备产生不规则性的振动，这些振动会造成对双面研磨抛光设备的冲击，造成对双面研磨抛光设备损害；
对此，本发明根据第一预定研磨厚度和第二预定研磨厚度将粗研磨阶段到中研磨阶段分成三个时期，分别为第一加工时期、第二加工时期和第三加工时期；第一加工时期是指加工工件由未加工状态到第一预定研磨厚度时的阶段，第二加工时期则是指由第一预定研磨厚度到第二预定研磨厚度的阶段；第三加工时期则是指中研磨阶段；
其中，第一加工时期利用第一机器学习模型确定在粗磨初期时的上研磨盘初始高度和压力；并根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；从而能够保证被加工工件在研磨初期加工效率的同时，还最大限度地降低了，工件早期不规则性较大而产生对双面研磨抛光设备的振动冲击；同时有利于保证工件不会因施加过大压力而产生结构损坏；
S104：当加工工件在到达第一预定研磨厚度时，获取双面研磨抛光设备的初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；所述初始控制数据包括初始研磨压力、初始研磨转速、初始研磨液流量；
应当了解的是：研磨压力、研磨转速和研磨液流量是决定加工工件的质量的先决条件；
需要说明的是：参照上述描述，初始研磨压力由第一机器学习模型分析得到，初始研磨转速和初始研磨液流量为恒定值，通过系统查询或人为输入获取；
还需要说明的是：利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解，此步骤是为了第二加工时期的最优控制参数，进一步解释就是，从第一加工时期进入第二加工时期后，需要保证加工工件的表面粗糙度处于预设状态标准，同时需要避免加工工件过早过或过晚的中研磨阶段，以避免加工工件在粗磨阶段未达标而影响后续工序（中研磨阶段和抛光阶段）的加工效率和加工质量；
S105：根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，进入中研磨阶段；
具体的，所述第一预定研磨厚度大于第二预定研磨厚度；所述最优控制解大于初始控制数据，进一步解释就是，在第一加工时期由于加工工件的不规则性较大，因此不会施加一个会双面研磨抛光设备造成振动冲击的压力，当加工工件进入第二加工时期，此时第二加工时期的加工状态处于稳定，因此，最优控制解大于初始控制数据，还进一步解释就是，本发明针对的是粗研磨阶段，该阶段的压力总体趋势是趋于上升趋势的，因此，初始控制数据不可能会大于最优控制解，而进入中研磨阶段时，随着加工工件的工艺需求，此时，研磨控制参数（研磨压力、研磨转速和研磨液流量）可能会呈现下降趋势，但中研磨阶段的参数控制问题非本发明解决问题，对此不作过多赘述；
需要说明的是：所述第一预定研磨厚度和第二预定研磨厚度根据不同加工工件实验数据人为确定，对此不作过多赘述。
实施例3
请参阅图4所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于参数优化的双面研磨抛光设备的自动控制方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于参数优化的双面研磨抛光设备的自动控制方法所采用的电子设备，故而基于本申请实施例中所介绍的基于参数优化的双面研磨抛光设备的自动控制方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于参数优化的双面研磨抛光设备的自动控制方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
本实施例公开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上存储有计算机程序，所述计算机程序被执行时实现上述中任一项所述基于参数优化的双面研磨抛光设备的自动控制方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，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所述权利要求的保护范围为准。
最后：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，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，所述方法包括：
收集加工工件的第一阶段样本数据集，基于第一阶段样本数据集训练出用于获取双面研磨抛光设备的上研磨盘初始高度和初始研磨压力的第一机器学习模型；
收集双面研磨抛光设备的第二阶段样本数据集，基于第二阶段样本数据集训练出用于获取最优控制解的第二机器学习模型；所述最优控制解包括最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量；
获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；
当加工工件在到达第一预定研磨厚度时，获取双面研磨抛光设备的初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；所述初始控制数据包括初始研磨压力、初始研磨转速、初始研磨液流量；
根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，进入中研磨阶段。
2.根据权利要求1所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，所述第一阶段样本数据集包括工件的基础数据和第一阶段调节数据，所述工件的基础数据包括工件硬度、工件质量、工件材质和工件不规则程度系数，所述第一阶段调节数据包括上研磨盘初始高度和初始研磨压力。
3.根据权利要求2所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，工件不规则程度系数的获取逻辑如下：
利用预安装于双面研磨抛光设备上的激光传感器对测试工件进行激光扫描，获取工件每一面的反射信号时间，得到M个反射信号时间；
提取M个反射信号时间中的反射信号时间最多的众数，将反射信号时间最多的众数作为反射信号标准时间；
基于M个反射信号时间和反射信号标准时间进行计算，以确定工件不规则程度系数；其计算公式为：；式中：/>表示工件不规则程度系数，/>表示第i个反射信号时间，/>表示反射信号标准时间。
4.根据权利要求3所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，上研磨盘初始高度和初始研磨压力的确定逻辑如下：
a1：将第g类型测试工件放置于双面研磨抛光设备上，g为大于零的正整数；
a2：将双面研磨抛光设备上的上研磨盘调节至第Q高度下，并通过上研磨盘上预设的压力传感器获取第Q高度下压力数据，Q为大于零的正整数；
a3：获取第Q高度下双面研磨抛光设备的设备振动数值，计算设备振动数值与设备标准振动数值的差值，判断设备振动数值与设备标准振动数值的差值是否处于预设差值区间；若处于预设差值区间，则跳转至步骤a4；若不处于预设差值区间，则令Q=Q-V，并跳转回步骤a2，V为大于零的恒定正整数；
a4：获取第Q高度下测试工件的形变值，计算形变值与预设形变标准值的差值，判断形变值与预设形变标准值的差值是否为零；若不为零，则令Q=Q-v，并跳转回步骤a2；若为零，则将第Q高度作为上研磨盘初始高度，以及将第Q高度下的压力数据作为初始研磨压力，并令g=g+1，返回至步骤a1，v为大于零的正整数；
a5：重复上述步骤a1～a4，直至G=g，得到所有测试工件的第一阶段调节数据，结束循环，G为测试工件的类型总数。
5.根据权利要求4所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，第一机器学习模型的生成逻辑为：获取第一阶段样本数据集，将第一阶段样本数据集划分为第一阶段训练集和第一阶段测试集，构建回归网络，将第一阶段训练集中的工件硬度、工件质量、工件材质、工件不规则程度系数作为回归网络的输入数据，将第一阶段训练集中的上研磨盘初始高度和初始研磨压力作为回归网络的输出数据，对回归网络进行训练，得到初始回归网络，利用第一阶段测试集对初始回归网络进行测试准确度验证，输出大于预设测试准确度的初始回归网络作为第一机器学习模型。
6.根据权利要求5所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，第二阶段样本数据集包括初始研磨压力、初始研磨转速、初始研磨液流量和最优控制解。
7.根据权利要求6所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，最优控制解的确定逻辑如下：
当测试工件处于第一预定研磨厚度时，获取测试工件的实测参数数据，所述实测参数数据包括初始研磨压力、初始研磨转速和初始研磨液流量，以及获取实测参数数据对应的测试工件的表面粗糙系数；
基于初始研磨压力和表面粗糙系数进行第一参数分析，以获取最优研磨调节压力；
基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，以获取最优研磨调节转速；
基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，以获取最优研磨液调节流量。
8.根据权利要求7所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，表面粗糙系数的获取逻辑如下：
获取测试工件的图像，以及获取标准工件的图像；
基于相同的划分规则将测试工件的图像和标准工件的图像均划分为T个区域，T为大于零的正整数；
将标准工件的图像和测试工件的图像相同位置区域的像素点进行逐一比较，并记录测试工件的图像中与标准工件的图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为表面粗糙系数。
9.根据权利要求8所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，基于初始研磨压力和表面粗糙系数进行第一参数分析，包括：
b1：获取h单位压力下对应的测试工件的表面粗糙系数，以及获取h+c单位压力下对应的测试工件的表面粗糙系数；h为大于零正整数，h初始值为初始研磨压力，c为大于零的恒定正整数；
b2：将h单位压力下对应的测试工件的表面粗糙系数作为第一表面粗糙系数，以及将h+c单位压力下对应的测试工件的表面粗糙系数作为第二表面粗糙系数；
b3：将第一表面粗糙系数和第二表面粗糙系数进行比对；若第一表面粗糙系数大于第二表面粗糙系数，则令h=h+L，并返回至步骤b1；若第一表面粗糙系数小于等于第二表面粗糙系数，则获取第一表面粗糙系数对应的单位压力h，L为大于零的正整数；
b4：重复上述步骤b1～b3，直至第一表面粗糙系数小于等于第二表面粗糙系数时，结束循环；
b5：将单位压力h与初始研磨压力进行差值计算，得到研磨压力差，将研磨压力差作为最优研磨调节压力 。
10.根据权利要求9所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，基于初始研磨转速、表面粗糙系数和最优研磨调节压力进行第二参数分析，包括：
c1：获取最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数；以及获取X+u单位压力下对应的测试工件的表面粗糙系数；X为大于零正整数，X初始值为初始研磨转速，u为大于零的恒定正整数；
c2：将最优研磨调节压力和X单位转速下对应的测试工件的表面粗糙系数作为第三表面粗糙系数；以及将X+u单位压力下对应的测试工件的表面粗糙系数作为第四表面粗糙系数；
c3：将第三表面粗糙系数和第四表面粗糙系数进行比对，若第三表面粗糙系数大于第四表面粗糙系数，则令X=X+o，并返回至步骤c1；若第三表面粗糙系数小于等于第四表面粗糙系数，则获取第三表面粗糙系数对应的单位转速X，o为大于零的正整数；
c4：重复上述步骤c1～c3，直至第三表面粗糙系数小于等于第四表面粗糙系数时，结束循环；
c5：将单位转速X与初始研磨转速进行差值计算，得到研磨转速差，将研磨转速差作为最优研磨调节转速。
11.根据权利要求10所述的基于参数优化的双面研磨抛光设备的自动控制方法，其特征在于，基于初始研磨转速、表面粗糙系数、最优研磨调节压力和最优研磨调节转速进行第三参数分析，包括：
d1：获取最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数；以及获取Y+p单位流量下对应的测试工件的表面粗糙系数；Y为大于零正整数，Y初始值为初始研磨液流量，p为大于零的恒定正整数；
d2：将最优研磨调节压力、最优研磨调节转速和Y单位流量下对应的测试工件的表面粗糙系数作为第五表面粗糙系数；以及将Y+p单位流量下对应的测试工件的表面粗糙系数作为第六表面粗糙系数；
d3：将第五表面粗糙系数和第六表面粗糙系数进行比对，若第五表面粗糙系数大于第六表面粗糙系数，则令Y=Y+z，并返回至步骤d1；若第五表面粗糙系数小于等于第六表面粗糙系数，则获取第五表面粗糙系数对应的单位流量Y，z为大于零的正整数；
d4：重复上述步骤d1～d3，直至第五表面粗糙系数小于等于第六表面粗糙系数时，结束循环；
d5：将单位流量Y与初始研磨液流量进行差值计算，得到研磨液流量差，将研磨液流量差作为最优研磨液调节流量。
12.基于参数优化的双面研磨抛光设备的自动控制系统，其特征在于，包括：
第一训练模块，用于收集加工工件的第一阶段样本数据集，基于第一阶段样本数据集训练出用于获取双面研磨抛光设备的上研磨盘初始高度和初始研磨压力的第一机器学习模型；
第二训练模块，用于收集双面研磨抛光设备的第二阶段样本数据集，基于第二阶段样本数据集训练出用于获取最优控制解的第二机器学习模型；所述最优控制解包括最优研磨调节压力、最优研磨调节转速和最优研磨液调节流量；
第一分析模块，用于获取加工工件的基础数据，利用第一机器学习模型对所述基础数据进行分析，确定在粗磨初期时的上研磨盘初始高度和压力；根据上研磨盘初始高度和压力将加工工件研磨至第一预定研磨厚度；
第二分析模块，用于当加工工件在到达第一预定研磨厚度时，获取双面研磨抛光设备的初始控制数据，利用第二机器学习模型对初始控制数据进行分析，以获取双面研磨抛光设备的最优控制解；所述初始控制数据包括初始研磨压力、初始研磨转速、初始研磨液流量；
优化控制模块，用于根据最优控制解控制双面研磨抛光设备，将加工工件研磨至第二预定研磨厚度，进入中研磨阶段。
13.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述基于参数优化的双面研磨抛光设备的自动控制方法。
14.一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上存储有计算机程序，所述计算机程序被执行时实现权利要求1至11中任一项所述基于参数优化的双面研磨抛光设备的自动控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311345467.5A CN117067096B (zh) | 2023-10-18 | 2023-10-18 | 基于参数优化的双面研磨抛光设备的自动控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311345467.5A CN117067096B (zh) | 2023-10-18 | 2023-10-18 | 基于参数优化的双面研磨抛光设备的自动控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117067096A true CN117067096A (zh) | 2023-11-17 |
| CN117067096B CN117067096B (zh) | 2023-12-15 |
Family
ID=88713868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311345467.5A Active CN117067096B (zh) | 2023-10-18 | 2023-10-18 | 基于参数优化的双面研磨抛光设备的自动控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117067096B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117697613A (zh) * | 2023-12-22 | 2024-03-15 | 上海强华实业股份有限公司 | 应用于石英产品研磨设备的识别与研磨控制方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000343425A (ja) * | 1999-06-08 | 2000-12-12 | Mitsubishi Heavy Ind Ltd | 研削盤 |
| CN110116371A (zh) * | 2018-02-06 | 2019-08-13 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
| JP2020044620A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社ジェイテクト | 研削加工に関する学習モデル生成装置、推定装置および動作指令データ更新装置 |
| CN111133560A (zh) * | 2017-09-25 | 2020-05-08 | 应用材料公司 | 使用机器学习方式以产生工艺控制参数的半导体制造 |
| CN111745542A (zh) * | 2019-03-27 | 2020-10-09 | 发那科株式会社 | 磨石选定装置以及磨石选定方法 |
| JP2020170391A (ja) * | 2019-04-04 | 2020-10-15 | ファナック株式会社 | 機械学習装置および機械学習方法 |
| EP3736648A1 (en) * | 2019-05-08 | 2020-11-11 | Agathon AG, Maschinenfabrik | Method for autonomous optimization of a grinding process |
| CN115310623A (zh) * | 2022-07-12 | 2022-11-08 | 湖南科技大学 | 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端 |
| CN115600504A (zh) * | 2022-11-07 | 2023-01-13 | 河南科技大学（Cn） | 基于改进强化学习算法的数控磨床磨削参数优化方法 |
| CN115741453A (zh) * | 2022-11-30 | 2023-03-07 | 大连理工大学 | 一种多传感器融合的智能双面研磨机 |
| WO2023112830A1 (ja) * | 2021-12-17 | 2023-06-22 | 株式会社荏原製作所 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
-
2023
- 2023-10-18 CN CN202311345467.5A patent/CN117067096B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000343425A (ja) * | 1999-06-08 | 2000-12-12 | Mitsubishi Heavy Ind Ltd | 研削盤 |
| CN111133560A (zh) * | 2017-09-25 | 2020-05-08 | 应用材料公司 | 使用机器学习方式以产生工艺控制参数的半导体制造 |
| CN110116371A (zh) * | 2018-02-06 | 2019-08-13 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
| JP2020044620A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社ジェイテクト | 研削加工に関する学習モデル生成装置、推定装置および動作指令データ更新装置 |
| CN111745542A (zh) * | 2019-03-27 | 2020-10-09 | 发那科株式会社 | 磨石选定装置以及磨石选定方法 |
| JP2020170391A (ja) * | 2019-04-04 | 2020-10-15 | ファナック株式会社 | 機械学習装置および機械学習方法 |
| EP3736648A1 (en) * | 2019-05-08 | 2020-11-11 | Agathon AG, Maschinenfabrik | Method for autonomous optimization of a grinding process |
| WO2023112830A1 (ja) * | 2021-12-17 | 2023-06-22 | 株式会社荏原製作所 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
| CN115310623A (zh) * | 2022-07-12 | 2022-11-08 | 湖南科技大学 | 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端 |
| CN115600504A (zh) * | 2022-11-07 | 2023-01-13 | 河南科技大学（Cn） | 基于改进强化学习算法的数控磨床磨削参数优化方法 |
| CN115741453A (zh) * | 2022-11-30 | 2023-03-07 | 大连理工大学 | 一种多传感器融合的智能双面研磨机 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117697613A (zh) * | 2023-12-22 | 2024-03-15 | 上海强华实业股份有限公司 | 应用于石英产品研磨设备的识别与研磨控制方法及系统 |
| CN117697613B (zh) * | 2023-12-22 | 2024-05-07 | 上海强华实业股份有限公司 | 应用于石英产品研磨设备的识别与研磨控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117067096B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117067096B (zh) | 基于参数优化的双面研磨抛光设备的自动控制系统及方法 | |
| JP6005498B2 (ja) | レンズ加工システム、工具交換時期検出方法および眼鏡レンズの製造方法 | |
| CN1601250A (zh) | 检查方法、检查装置及设备诊断装置 | |
| CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
| CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
| CA2034492A1 (en) | Method of monitoring the operational state of a system | |
| US11132790B2 (en) | Wafer map identification method and computer-readable recording medium | |
| EP2522458A1 (en) | Process for determining position parameters of a manufactured surface relative to a reference surface | |
| CN110426151A (zh) | 工件动平衡校正控制系统及动平衡校正方法 | |
| CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
| CN116992740A (zh) | 一种通讯基站精密部件生产设备的智能调控方法及系统 | |
| KR20010032223A (ko) | 화학적 기계 연마 공정의 모델링 방법 및 장치 | |
| CN105373019B (zh) | 一种阀门粘滞程度的检测方法及装置 | |
| CN113532341B (zh) | 用于确定测量测量物体的测量策略的方法和设备及程序 | |
| CN114139772A (zh) | 一种基于优化广义回归神经网络预测工件表面质量的方法 | |
| CN115837617B (zh) | 一种提高光学玻璃镜片打磨精度的方法及系统 | |
| CN116306047B (zh) | 一种铝合金件表面抛光控制方法及系统 | |
| CN117381547A (zh) | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 | |
| CN117332379A (zh) | 一种砂轮磨削加工的寿命预测方法及预测系统 | |
| CN112372371A (zh) | 数控机床刀具磨损状态评估方法 | |
| WO2021253689A1 (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
| CN108763682B (zh) | 基于田口方法的机床主轴的热优化方法及热优化装置 | |
| CN116643020A (zh) | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 | |
| CN116852239A (zh) | 一种用于抛光装置的运维控制方法及系统 | |
| CN113175358A (zh) | 一种汽轮机转速信号分析方法、系统、设备及存储介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: East workshop on the first floor, No. 22, Aigehao Road, Weitang Town, Xiangcheng District, Suzhou City, Jiangsu Province, 215100 Patentee after: Suzhou Bohongyuan Equipment Co.,Ltd. Country or region after: China Address before: East workshop on the first floor, No. 22, Aigehao Road, Weitang Town, Xiangcheng District, Suzhou City, Jiangsu Province, 215100 Patentee before: SUZHOU BOHONGYUAN MACHINERY MANUFACTURING Co.,Ltd. Country or region before: China |