CN117260379B - 一种汽车零件加工直径在线控制方法 - Google Patents
一种汽车零件加工直径在线控制方法 Download PDFInfo
- Publication number
- CN117260379B CN117260379B CN202311553673.5A CN202311553673A CN117260379B CN 117260379 B CN117260379 B CN 117260379B CN 202311553673 A CN202311553673 A CN 202311553673A CN 117260379 B CN117260379 B CN 117260379B
- Authority
- CN
- China
- Prior art keywords
- diameter
- automobile part
- data
- automobile
- numerical control
- 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 62
- 238000003754 machining Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000013461 design Methods 0.000 claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000997 High-speed steel Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241001422033 Thestylus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 etc.) Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
- B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
- B23Q15/14—Control or regulation of the orientation of the tool with respect to the work
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/22—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool or work
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
-
- 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)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种汽车零件加工直径在线控制方法，用于零件数控加工技术领域，该方法包括以下步骤：根据汽车零件的设计图纸，使用数控机床加工汽车零件；使用激光测距仪对汽车零件的位置进行定位；使用激光测距仪设备实时测量零件的直径；将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较；若实际直径与预期直径存在差异，云平台会发送信号到数控机床，并调整数控机床的加工参数；再次测量零件的直径，并确认测量结果是否满足设计要求。本发明通过使用数控机床和激光测距仪，可以非常精确地控制汽车零件的加工过程，从而确保零件的尺寸、形状和位置等都满足设计要求。
Description
技术领域
本发明涉及零件数控加工技术领域，具体来说，尤其涉及一种汽车零件加工直径在线控制方法。
背景技术
汽车零件种类繁多，包括发动机、变速器、刹车系统、悬挂系统、电气系统、车身、内饰等。每个部分都由许多小零件组成，例如，发动机就包括气缸、活塞、曲轴、气门等零件。汽车零件的材料选择对其性能有重要影响。常见的材料包括各种金属（如钢、铝、铜等）、塑料、橡胶、玻璃等。材料的选择需要考虑零件的功能、成本、重量、耐久性等因素。汽车零件的制造工艺包括铸造、锻造、焊接、冲压、机械加工等。不同的零件和材料需要使用不同的制造工艺。
现有技术中，汽车零件加工直径在线控制方法主要采用接触式测量系统，这种系统使用触头或测量杆来直接测量零件的直径，基础步骤包括将触头或测量杆接触到零件表面，然后读取测量仪表的读数。
由于接触式测量系统需要将触头或测量杆直接接触到零件表面，这可能会在零件表面留下划痕或痕迹，特别是对于柔软或易刮伤的材料，可能会影响零件的外观和性能，且接触式测量系统的测量结果可能会受到操作人员技能、经验和操作方法的影响，这可能会导致测量结果的不一致。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了克服以上问题，本发明旨在提出一种汽车零件加工直径在线控制方法，目的在于解决由于接触式测量系统需要将触头或测量杆直接接触到零件表面，这可能会在零件表面留下划痕或痕迹，特别是对于柔软或易刮伤的材料，可能会影响零件的外观和性能的问题。
为此，本发明采用的具体技术方案如下：
一种汽车零件加工直径在线控制方法，该在线控制方法包括以下步骤：
S1、根据汽车零件的设计图纸，使用数控机床加工汽车零件；
S2、在加工过程中，使用激光测距仪对汽车零件的位置进行定位；
S3、使用激光测距仪设备实时测量零件的直径；
S4、将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较；
S5、若实际直径与预期直径存在差异，云平台会发送信号到数控机床，并调整数控机床的加工参数；
S6、在汽车零件加工完成后，再次测量零件的直径，并确认测量结果是否满足设计要求。
可选地，根据所述设计图纸和加工参数，使用数控机床加工汽车零件包括以下步骤：
S11、获取设计图纸中汽车零件的参数信息，所述参数信息至少包括零件的形状、尺寸和公差；
S12、根据汽车零件的形状、尺寸和公差的参数信息设置数控机床的加工参数；
S13、根据汽车零件的材料选择合适的刀具；
S14、将设计图纸中汽车零件的参数信息和数控机床的加工参数编写成数控程序，并输入到数控机床中；
S15、启动数控机床，运行数控程序，开始加工汽车零件。
可选地，所述在加工过程中，使用激光测距仪对汽车零件的位置进行定位包括以下步骤：
S21、在开始加工之前，对激光测距仪进行校准；
S22、在数控机床上设定参考点；
S23、在启动数控机床并运行数控程序开始加工汽车零件后，使用激光测距仪对准汽车零件，启动测距仪，测量汽车零件表面到参考点的距离；
S24、将测量结果与设计图纸中汽车零件的参数信息或数控机床的加工参数中的预设位置进行比较；
S25、若测量结果与预设位置有差异，调整汽车零件或夹具的位置，使汽车零件位置符合预设位置；
S26、重复上述S23至S25的步骤，直到零件位置满足预设位置的要求。
可选地，所述将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较包括以下步骤：
S41、将激光测距仪设备实时测量的汽车零件直径数据通过网络实时发送到云平台；
S42、云平台接收汽车零件直径数据，并利用卡尔曼滤波算法对汽车零件直径数据进行平滑处理；
S43、使用Z-score对汽车零件直径数据检测并移除异常值；
S44、使用多项式回归对汽车零件直径数据进行趋势分析，并根据历史数据，使用神经网络模型对未来的直径变化进行预测；
S45、根据神经网络模型的预测结果，调整加工参数；
S46、根据调整后的加工参数和处理后的汽车零件直径数据，计算汽车零件的实际直径；
S47、获取汽车零件的预期直径，将计算出的实际直径与预期直径进行比较，若存在差异，则在云平台生成差异报告。
可选地，所述云平台接收汽车零件直径数据，并利用卡尔曼滤波算法对汽车零件直径数据进行平滑处理包括以下步骤：
S421、获取汽车零件直径数据，并设置卡尔曼滤波器的初始状态估计和初始误差协方差；
S422、使用卡尔曼滤波器的当前状态估计来预测下一个状态；
S423、根据预测值与实际接收到的新数据之间的差异，更新卡尔曼滤波器的初始状态估计和初始误差协方差；
S424、将卡尔曼滤波器的状态估计作为平滑处理后的直径数据。
可选地，所述使用Z-score对汽车零件直径数据检测并移除异常值包括以下步骤：
S431、计算汽车零件直径数据的平均值和标准差；
S432、将单个汽车零件直径数据表述为数据点，计算每一个数据点的Z-score，所述Z-score为汽车零件直径数据的数据点与汽车零件直径数据的平均值的误差；
其中，所述Z-score的计算公式为：
S433、设定误差阈值，并移除Z-score大于误差阈值的数据点；
式中，为数据点与平均值的误差；
为汽车零件直径数据的数据点；
为汽车零件直径数据的平均值；
为汽车零件直径数据的标准差。
可选地，所述使用多项式回归对汽车零件直径数据进行趋势分析，并根据历史数据，使用神经网络模型对未来的直径变化进行预测包括以下步骤：
S441、获取汽车零件直径的历史数据；
S442、选择多项式阶数，构建多项式回归模型；
S443、使用最小二乘法计算多项式的参数向量，并对多项式回归模型进行评估；
S444、根据多项式回归模型的评估结果，进行汽车零件直径的趋势分析；
S445、构建神经网络模型，使用汽车零件直径的历史数据训练神经网络模型，并对汽车零件直径未来的直径变化进行预测。
可选地，所述使用最小二乘法计算多项式的参数向量，并对多项式回归模型进行评估包括以下步骤：
S4431、根据多项式阶数构建设计矩阵，设计矩阵的每一列是汽车零件直径的历史数据；
S4432、构建目标向量，并计算多项式回归模型的参数向量；
S4433、使用计算得到的参数在训练集上进行预测，得到预测值，并计算预测值与实际值之间的误差；
S4434、进行多项式回归模型的验证。
可选地，所述多项式回归模型的参数向量的计算公式为：
式中，为设计矩阵；
为设计矩阵的转置；
为目标向量；
为参数向量。
可选地，所述构建神经网络模型，使用汽车零件直径的历史数据训练神经网络模型，并对汽车零件直径未来的直径变化进行预测包括以下步骤：
S4451、将汽车零件直径的历史数据进行归一化处理，使得汽车零件直径的历史数据在设定范围内；
S4452、定义神经网络模型的结构，所述神经网络模型的结构至少包括层数、每层的节点数和激活函数；
S4453、使用历史数据训练神经网络模型，选择梯度下降算法、设置均方误差，并通过反向传播法来更新神经网络的权重；
S4454、计算预测值与实际值之间的误差，并评估神经网络模型；
S4455、将最新的数据输入到神经网络模型中，使用训练好的神经网络模型对未来的直径变化进行预测，获取模型的输出作为预测结果。
相较于现有技术，本申请具有以下有益效果：
1、本发明通过使用数控机床和激光测距仪，可以非常精确地控制汽车零件的加工过程，从而确保零件的尺寸、形状和位置等都满足设计要求；整个过程为自动化设计，只需要在开始时设置好参数和程序，然后机床就可以自动进行加工，这大大提高了生产效率，降低了人工操作的复杂性和出错率，在加工过程中，通过实时测量和调整，可以及时发现和修正问题，从而保证产品的质量，通过修改数控程序和加工参数，可以轻松地对不同的设计要求进行适应，从而实现多样化的生产。
2、本发明通过将测量结果实时发送到云平台，可以实时监控加工过程，及时发现和解决问题，从而提高产品质量和生产效率，且利用云平台进行处理，云平台具有强大的数据处理能力，可以快速处理大量的数据，进行复杂的计算和分析，通过使用神经网络模型，可以根据历史数据预测未来的直径变化，从而提前做出调整，避免误差积累没有得到及时纠正，从而批量产生不合格产品。
3、若实际直径与预期直径存在差异，云平台会实时发送信号到数控机床，并调整数控机床的加工参数，这种实时反馈和调整机制可以大大提高加工精度和效率。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：
图1是根据本发明实施例的一种汽车零件加工直径在线控制方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
根据本发明的实施例，提供了一种汽车零件加工直径在线控制方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的汽车零件加工直径在线控制方法，该在线控制方法包括以下步骤：
S1、根据汽车零件的设计图纸，使用数控机床加工汽车零件。
优选地，根据所述设计图纸和加工参数，使用数控机床加工汽车零件包括以下步骤：
S11、获取设计图纸中汽车零件的参数信息，所述参数信息至少包括零件的形状、尺寸和公差；
S12、根据汽车零件的形状、尺寸和公差的参数信息设置数控机床的加工参数；
S13、根据汽车零件的材料选择合适的刀具；
S14、将设计图纸中汽车零件的参数信息和数控机床的加工参数编写成数控程序，并输入到数控机床中；
S15、启动数控机床，运行数控程序，开始加工汽车零件。
需要解释说明的是，设计图纸是产品设计的重要组成部分，它包含了产品的所有尺寸、形状、公差等参数信息。在加工过程中，工程师需要根据设计图纸设置数控机床的加工参数，加工参数是影响加工过程的各种因素，包括刀具类型、切削速度、进给速度、切削深度等。正确设置加工参数是保证产品质量和生产效率的关键，数控程序是控制数控机床运行的指令集。它通常由一系列的G代码和M代码组成，用来控制机床的各种动作，如刀具的移动路径、切削速度、冷却液的开关等，刀具的选择对加工效果有很大影响。不同的材料需要使用不同的刀具，例如，硬质合金刀具适合加工硬度较高的材料，高速钢刀具适合加工硬度较低的材料。
S2、在加工过程中，使用激光测距仪对汽车零件的位置进行定位。
优选地，所述在加工过程中，使用激光测距仪对汽车零件的位置进行定位包括以下步骤：
S21、在开始加工之前，对激光测距仪进行校准；
S22、在数控机床上设定参考点（这个点可以是机床本身的某个固定位置，也可以是工件夹具的某个位置）；
S23、在启动数控机床并运行数控程序开始加工汽车零件后，使用激光测距仪对准汽车零件，启动测距仪，测量汽车零件表面到参考点的距离；
S24、将测量结果与设计图纸中汽车零件的参数信息或数控机床的加工参数中的预设位置进行比较；
S25、若测量结果与预设位置有差异，调整汽车零件或夹具的位置，使汽车零件位置符合预设位置；
S26、重复上述S23至S25的步骤，直到零件位置满足预设位置的要求。
需要解释说明的是，激光测距仪是一种利用激光技术进行距离测量的设备。它通过发射一束激光，然后测量激光从发射到反射回来的时间，从而计算出距离。激光测距仪的优点是精度高，速度快，可以在复杂的环境中使用。在数控机床上设定的参考点是用来确定工件位置的基准。这个点可以是机床本身的某个固定位置，也可以是工件夹具的某个位置。通过参考点，可以精确地控制工件的位置。在加工过程中，需要不断地检查和调整工件的位置，以确保其符合设计要求。这个过程通常包括测量工件的实际位置，与预设位置进行比较，然后根据比较结果调整工件或夹具的位置。
S3、使用激光测距仪设备实时测量零件的直径。
需要解释说明的是，激光测距仪是一种精确测量距离的设备，它通过发射激光脉冲并接收反射回来的脉冲来测量距离。由于激光速度恒定，通过测量激光脉冲往返的时间，可以精确计算出距离。在制造业中，零件的直径是一个重要的参数，需要精确测量。使用激光测距仪可以实现非接触式的直径测量，不仅精度高，而且不会对零件造成任何损伤。在许多生产过程中，需要实时监控零件的尺寸，以确保产品质量。激光测距仪可以实现实时测量，即时反馈测量结果，有助于及时调整生产过程，提高生产效率。
S4、将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较。
优选地，所述将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较包括以下步骤：
S41、将激光测距仪设备实时测量的汽车零件直径数据通过网络实时发送到云平台；
S42、云平台接收汽车零件直径数据，并利用卡尔曼滤波算法对汽车零件直径数据进行平滑处理；
S43、使用Z-score对汽车零件直径数据检测并移除异常值；
S44、使用多项式回归对汽车零件直径数据进行趋势分析，并根据历史数据，使用神经网络模型对未来的直径变化进行预测；
S45、根据神经网络模型的预测结果，调整加工参数；
S46、根据调整后的加工参数和处理后的汽车零件直径数据，计算汽车零件的实际直径；
S47、获取汽车零件的预期直径，将计算出的实际直径与预期直径进行比较，若存在差异，则在云平台生成差异报告。
优选地，所述云平台接收汽车零件直径数据，并利用卡尔曼滤波算法对汽车零件直径数据进行平滑处理包括以下步骤：
S421、获取汽车零件直径数据，并设置卡尔曼滤波器的初始状态估计和初始误差协方差；
S422、使用卡尔曼滤波器的当前状态估计来预测下一个状态；
S423、根据预测值与实际接收到的新数据之间的差异，更新卡尔曼滤波器的初始状态估计和初始误差协方差；
S424、将卡尔曼滤波器的状态估计作为平滑处理后的直径数据。
优选地，所述使用Z-score对汽车零件直径数据检测并移除异常值包括以下步骤：
S431、计算汽车零件直径数据的平均值和标准差；
S432、将单个汽车零件直径数据表述为数据点，计算每一个数据点的Z-score，所述Z-score为汽车零件直径数据的数据点与汽车零件直径数据的平均值的误差；
其中，所述Z-score的计算公式为：
S433、设定误差阈值，并移除Z-score大于误差阈值的数据点；
式中，为数据点与平均值的误差；
为汽车零件直径数据的数据点；
为汽车零件直径数据的平均值；
为汽车零件直径数据的标准差。
优选地，所述使用多项式回归对汽车零件直径数据进行趋势分析，并根据历史数据，使用神经网络模型对未来的直径变化进行预测包括以下步骤：
S441、获取汽车零件直径的历史数据；
S442、选择多项式阶数，构建多项式回归模型；
S443、使用最小二乘法计算多项式的参数向量，并对多项式回归模型进行评估；
S444、根据多项式回归模型的评估结果，进行汽车零件直径的趋势分析；
S445、构建神经网络模型，使用汽车零件直径的历史数据训练神经网络模型，并对汽车零件直径未来的直径变化进行预测。
优选地，所述使用最小二乘法计算多项式的参数向量，并对多项式回归模型进行评估包括以下步骤：
S4431、根据多项式阶数构建设计矩阵，设计矩阵的每一列是汽车零件直径的历史数据；
S4432、构建目标向量，并计算多项式回归模型的参数向量；
S4433、使用计算得到的参数在训练集上进行预测，得到预测值，并计算预测值与实际值之间的误差；
S4434、进行多项式回归模型的验证。
优选地，所述多项式回归模型的参数向量的计算公式为：
式中，为设计矩阵；
为设计矩阵的转置；
为目标向量；
为参数向量。
优选地，所述构建神经网络模型，使用汽车零件直径的历史数据训练神经网络模型，并对汽车零件直径未来的直径变化进行预测包括以下步骤：
S4451、将汽车零件直径的历史数据进行归一化处理，使得汽车零件直径的历史数据在设定范围内；
S4452、定义神经网络模型的结构，所述神经网络模型的结构至少包括层数、每层的节点数和激活函数；
S4453、使用历史数据训练神经网络模型，选择梯度下降算法、设置均方误差，并通过反向传播法来更新神经网络的权重；
S4454、计算预测值与实际值之间的误差，并评估神经网络模型；
S4455、将最新的数据输入到神经网络模型中，使用训练好的神经网络模型对未来的直径变化进行预测，获取模型的输出作为预测结果。
需要解释说明的是，在训练开始之前，需要初始化神经网络的权重和偏置。这通常是随机的，但也可以使用一些更复杂的方法，在每次迭代中，首先进行前向传播，即将输入数据传递通过神经网络，从输入层到输出层，然后，计算损失，即预测值与实际值之间的差异。在这个案例中，使用均方误差作为损失函数，接下来，进行反向传播，即计算损失函数关于每个权重和偏置的梯度，最后，使用梯度下降算法来更新权重和偏置。这个步骤会根据梯度和学习率来调整权重和偏置，以减小下一次迭代的损失。
S5、若实际直径与预期直径存在差异，云平台会发送信号到数控机床，并调整数控机床的加工参数。
S6、在汽车零件加工完成后，再次测量零件的直径，并确认测量结果是否满足设计要求。
需要解释说明的是，在零件加工完成后进行的测量被称为后处理测量。这是为了确保零件的尺寸、形状和位置等都满足设计要求。这种测量通常使用精密测量设备进行，如卡尺、测微器、激光测距仪等。质量控制是制造过程中的重要环节，目的是确保产品的质量满足设计要求和客户需求。在汽车零件加工中，质量控制包括对零件的尺寸、形状、材料性能等进行检查。在设计零件时，通常会给出一个理想的尺寸，但实际生产中，由于各种因素，零件的尺寸可能会有一些偏差。这种偏差在一定范围内是可以接受的，这个范围就是公差。若测量结果在公差范围内，那么这个零件就是合格的。若测量结果显示零件的直径不满足设计要求，那么就需要对生产过程进行调整。这可能涉及到调整机器的设置，改变材料的处理方式，或者修改设计等。
具体地，为了便于本领域技术人员更好的理解，本申请相关实施例，现对本申请可能涉及的技术术语或者部分名词进行解释：
云平台是一种提供各种在线服务的平台，包括数据存储、数据处理、数据分析等。通过云平台，可以实时处理和分析大量的数据，无需在本地设备上进行复杂的计算。
卡尔曼滤波是一种用于估计线性动态系统状态的算法。它可以有效地处理含有噪声的数据，使得估计结果更加准确。
Z-score是一种统计分析方法，用于检测和移除异常值。它表示一个数据点与平均值的距离，以标准差为单位。
多项式回归是一种回归分析方法，可以用于分析数据的趋势。通过选择合适的多项式阶数，可以得到一个较好的拟合效果。
神经网络模型是一种强大的机器学习模型，可以用于预测未来的数据。通过训练神经网络模型，可以得到一个能够预测未来直径变化的模型。
综上所述，借助于本发明的上述技术方案，本发明通过使用数控机床和激光测距仪，可以非常精确地控制汽车零件的加工过程，从而确保零件的尺寸、形状和位置等都满足设计要求；整个过程为自动化设计，只需要在开始时设置好参数和程序，然后机床就可以自动进行加工，这大大提高了生产效率，降低了人工操作的复杂性和出错率，在加工过程中，通过实时测量和调整，可以及时发现和修正问题，从而保证产品的质量，通过修改数控程序和加工参数，可以轻松地对不同的设计要求进行适应，从而实现多样化的生产；本发明通过将测量结果实时发送到云平台，可以实时监控加工过程，及时发现和解决问题，从而提高产品质量和生产效率，且利用云平台进行处理，云平台具有强大的数据处理能力，可以快速处理大量的数据，进行复杂的计算和分析，通过使用神经网络模型，可以根据历史数据预测未来的直径变化，从而提前做出调整，避免产生不合格产品；若实际直径与预期直径存在差异，云平台会实时发送信号到数控机床，并调整数控机床的加工参数，这种实时反馈和调整机制可以大大提高加工精度和效率。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。
Claims (3)
1.一种汽车零件加工直径在线控制方法，其特征在于，该在线控制方法包括以下步骤：
S1、根据汽车零件的设计图纸，使用数控机床加工汽车零件；
S2、在加工过程中，使用激光测距仪对汽车零件的位置进行定位；
S3、使用激光测距仪设备实时测量零件的直径；
S4、将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较；
S5、若实际直径与预期直径存在差异，云平台会发送信号到数控机床，并调整数控机床的加工参数；
S6、在汽车零件加工完成后，再次测量零件的直径，并确认测量结果是否满足设计要求；
所述将测量结果实时发送到云平台，并通过云平台计算汽车零件的实际直径，并与汽车零件的预期直径进行比较包括以下步骤：
S41、将激光测距仪设备实时测量的汽车零件直径数据通过网络实时发送到云平台；
S42、云平台接收汽车零件直径数据，并利用卡尔曼滤波算法对汽车零件直径数据进行平滑处理；
S43、使用Z-score对汽车零件直径数据检测并移除异常值；
S44、使用多项式回归对汽车零件直径数据进行趋势分析，并根据历史数据，使用神经网络模型对未来的直径变化进行预测；
S45、根据神经网络模型的预测结果，调整加工参数；
S46、根据调整后的加工参数和处理后的汽车零件直径数据，计算汽车零件的实际直径；
S47、获取汽车零件的预期直径，将计算出的实际直径与预期直径进行比较，若存在差异，则在云平台生成差异报告；
所述云平台接收汽车零件直径数据，并利用卡尔曼滤波算法对汽车零件直径数据进行平滑处理包括以下步骤：
S421、获取汽车零件直径数据，并设置卡尔曼滤波器的初始状态估计和初始误差协方差；
S422、使用卡尔曼滤波器的当前状态估计来预测下一个状态；
S423、根据预测值与实际接收到的新数据之间的差异，更新卡尔曼滤波器的初始状态估计和初始误差协方差；
S424、将卡尔曼滤波器的状态估计作为平滑处理后的直径数据；
所述使用Z-score对汽车零件直径数据检测并移除异常值包括以下步骤：
S431、计算汽车零件直径数据的平均值和标准差；
S432、将单个汽车零件直径数据表述为数据点，计算每一个数据点的Z-score，所述Z-score为汽车零件直径数据的数据点与汽车零件直径数据的平均值的误差；
其中，所述Z-score的计算公式为：
；
S433、设定误差阈值，并移除Z-score大于误差阈值的数据点；
式中，为数据点与平均值的误差；
为汽车零件直径数据的数据点；
为汽车零件直径数据的平均值；
为汽车零件直径数据的标准差；
所述使用多项式回归对汽车零件直径数据进行趋势分析，并根据历史数据，使用神经网络模型对未来的直径变化进行预测包括以下步骤：
S441、获取汽车零件直径的历史数据；
S442、选择多项式阶数，构建多项式回归模型；
S443、使用最小二乘法计算多项式的参数向量，并对多项式回归模型进行评估；
S444、根据多项式回归模型的评估结果，进行汽车零件直径的趋势分析；
S445、构建神经网络模型，使用汽车零件直径的历史数据训练神经网络模型，并对汽车零件直径未来的直径变化进行预测；
所述使用最小二乘法计算多项式的参数向量，并对多项式回归模型进行评估包括以下步骤：
S4431、根据多项式阶数构建设计矩阵，设计矩阵的每一列是汽车零件直径的历史数据；
S4432、构建目标向量，并计算多项式回归模型的参数向量；
S4433、使用计算得到的参数在训练集上进行预测，得到预测值，并计算预测值与实际值之间的误差；
S4434、进行多项式回归模型的验证；
所述多项式回归模型的参数向量的计算公式为：
；
式中，为设计矩阵；
为设计矩阵的转置；
为目标向量；
为参数向量；
所述构建神经网络模型，使用汽车零件直径的历史数据训练神经网络模型，并对汽车零件直径未来的直径变化进行预测包括以下步骤：
S4451、将汽车零件直径的历史数据进行归一化处理，使得汽车零件直径的历史数据在设定范围内；
S4452、定义神经网络模型的结构，所述神经网络模型的结构至少包括层数、每层的节点数和激活函数；
S4453、使用历史数据训练神经网络模型，选择梯度下降算法、设置均方误差，并通过反向传播法来更新神经网络的权重；
S4454、计算预测值与实际值之间的误差，并评估神经网络模型；
S4455、将最新的数据输入到神经网络模型中，使用训练好的神经网络模型对未来的直径变化进行预测，获取模型的输出作为预测结果。
2.根据权利要求1所述的一种汽车零件加工直径在线控制方法，其特征在于，根据所述设计图纸和加工参数，使用数控机床加工汽车零件包括以下步骤：
S11、获取设计图纸中汽车零件的参数信息，所述参数信息至少包括零件的形状、尺寸和公差；
S12、根据汽车零件的形状、尺寸和公差的参数信息设置数控机床的加工参数；
S13、根据汽车零件的材料选择合适的刀具；
S14、将设计图纸中汽车零件的参数信息和数控机床的加工参数编写成数控程序，并输入到数控机床中；
S15、启动数控机床，运行数控程序，开始加工汽车零件。
3.根据权利要求2所述的一种汽车零件加工直径在线控制方法，其特征在于，所述在加工过程中，使用激光测距仪对汽车零件的位置进行定位包括以下步骤：
S21、在开始加工之前，对激光测距仪进行校准；
S22、在数控机床上设定参考点；
S23、在启动数控机床并运行数控程序开始加工汽车零件后，使用激光测距仪对准汽车零件，启动测距仪，测量汽车零件表面到参考点的距离；
S24、将测量结果与设计图纸中汽车零件的参数信息或数控机床的加工参数中的预设位置进行比较；
S25、若测量结果与预设位置有差异，调整汽车零件或夹具的位置，使汽车零件位置符合预设位置；
S26、重复上述S23至S25的步骤，直到零件位置满足预设位置的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311553673.5A CN117260379B (zh) | 2023-11-21 | 2023-11-21 | 一种汽车零件加工直径在线控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311553673.5A CN117260379B (zh) | 2023-11-21 | 2023-11-21 | 一种汽车零件加工直径在线控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117260379A CN117260379A (zh) | 2023-12-22 |
| CN117260379B true CN117260379B (zh) | 2024-02-23 |
Family
ID=89221911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311553673.5A Active CN117260379B (zh) | 2023-11-21 | 2023-11-21 | 一种汽车零件加工直径在线控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117260379B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104748683A (zh) * | 2015-04-10 | 2015-07-01 | 四川理工学院 | 一种数控机床工件在线自动测量装置及测量方法 |
| CN105835902A (zh) * | 2016-05-27 | 2016-08-10 | 南京理工大学 | 一种基于激光位移传感器的车轮直径的检测方法 |
| CN110376963A (zh) * | 2019-07-17 | 2019-10-25 | 华中科技大学 | 一种基于在位检测的闭环控制精密加工方法及系统 |
| WO2020168584A1 (zh) * | 2019-02-20 | 2020-08-27 | 大连理工大学 | 一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法 |
| CN111745465A (zh) * | 2020-06-30 | 2020-10-09 | 中国航发动力股份有限公司 | 一种数控机床工件的自适应定位方法及定位系统 |
| CN112388107A (zh) * | 2020-11-11 | 2021-02-23 | 福州大学 | 一种增材制造成形几何在线监控与校正方法 |
| CN217096927U (zh) * | 2022-04-29 | 2022-08-02 | 安徽港泰机械制造集团有限公司 | 一种数控机床刀补检测系统 |
| CN115130772A (zh) * | 2022-07-11 | 2022-09-30 | 沈阳工业大学 | 基于pso优化bp神经网络的地表沉降预测的方法 |
| CN116546067A (zh) * | 2023-06-20 | 2023-08-04 | 广东工业大学 | 一种基于鸿蒙系统的车联网编队方法、系统及介质 |
| US20230315066A1 (en) * | 2022-04-02 | 2023-10-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things system for automatic control of production line manufacturing parameters and control methods thereof |
| CN116859836A (zh) * | 2023-06-14 | 2023-10-10 | 江苏南通发电有限公司 | 一种制粉系统优化控制的方法 |
-
2023
- 2023-11-21 CN CN202311553673.5A patent/CN117260379B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104748683A (zh) * | 2015-04-10 | 2015-07-01 | 四川理工学院 | 一种数控机床工件在线自动测量装置及测量方法 |
| CN105835902A (zh) * | 2016-05-27 | 2016-08-10 | 南京理工大学 | 一种基于激光位移传感器的车轮直径的检测方法 |
| WO2020168584A1 (zh) * | 2019-02-20 | 2020-08-27 | 大连理工大学 | 一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法 |
| CN110376963A (zh) * | 2019-07-17 | 2019-10-25 | 华中科技大学 | 一种基于在位检测的闭环控制精密加工方法及系统 |
| CN111745465A (zh) * | 2020-06-30 | 2020-10-09 | 中国航发动力股份有限公司 | 一种数控机床工件的自适应定位方法及定位系统 |
| CN112388107A (zh) * | 2020-11-11 | 2021-02-23 | 福州大学 | 一种增材制造成形几何在线监控与校正方法 |
| US20230315066A1 (en) * | 2022-04-02 | 2023-10-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things system for automatic control of production line manufacturing parameters and control methods thereof |
| CN217096927U (zh) * | 2022-04-29 | 2022-08-02 | 安徽港泰机械制造集团有限公司 | 一种数控机床刀补检测系统 |
| CN115130772A (zh) * | 2022-07-11 | 2022-09-30 | 沈阳工业大学 | 基于pso优化bp神经网络的地表沉降预测的方法 |
| CN116859836A (zh) * | 2023-06-14 | 2023-10-10 | 江苏南通发电有限公司 | 一种制粉系统优化控制的方法 |
| CN116546067A (zh) * | 2023-06-20 | 2023-08-04 | 广东工业大学 | 一种基于鸿蒙系统的车联网编队方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 吴浩、杨剑等.北斗/GNSS变形监测时间序列的滤波方法及应用.武汉理工大学出版社,2021,(第1版),第118-120页. * |
| 基于多元多项式构建深度神经网络实现算法逼近的方法;刘春苗;中国硕士学位论文全文数据库 信息科技辑(第01期);第I140-157页 * |
| 梅子行.智能风控原理、算法与工程实践.机械工业出版社,2020,(第1版),第134页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117260379A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105785943B (zh) | 补偿误差的方法、单元、系统、测量设施、介质 | |
| US8892255B2 (en) | Method for the automated programming and optimization of robotic work sequences | |
| CN108723889B (zh) | 加减速控制装置 | |
| CN110355462B (zh) | 加工条件调整装置以及机器学习装置 | |
| CN109048082B (zh) | 一种基于卡尔曼滤波的距离控制方法 | |
| CN104668770A (zh) | 缩短趋近时间的激光加工装置的控制装置以及控制方法 | |
| CN110549005A (zh) | 加工条件调整装置以及机器学习装置 | |
| WO2020193944A1 (en) | Calibration method and method of obtaining workpiece information | |
| US11565344B2 (en) | Device and method for learning focal position offset of laser processing apparatus, and laser processing system correcting focal position offset | |
| CN111390647A (zh) | 刀具寿命预测系统及其方法 | |
| JP2020086842A (ja) | 異常検知装置、異常検知方法、制御プログラム、および記録媒体 | |
| CN117260379B (zh) | 一种汽车零件加工直径在线控制方法 | |
| Djurdjanovic et al. | Online stochastic control of dimensional quality in multistation manufacturing systems | |
| CN114616070B (zh) | 用于在加工结构相同的工件期间识别不良品的方法以及相关联的数控式工件加工装置 | |
| US11958135B2 (en) | Machining condition adjustment device and machine learning device | |
| CN217096927U (zh) | 一种数控机床刀补检测系统 | |
| US7225051B1 (en) | Closed-loop feedback for maximizing Cpk in progressive forming operations | |
| CN110877233A (zh) | 磨损量估计系统及方法、校正系统、异常、寿命检测系统 | |
| CN114427836A (zh) | 一种车身过程尺寸精度控制方法 | |
| CN114951906A (zh) | 焊接系统和用于运行焊接系统的方法 | |
| GB2603400A (en) | Tool control using multistage LSTM for predicting on-wafer measurements | |
| CN118305642B (zh) | 用于机床加工定位的监测控制方法及其装置 | |
| RU2544713C1 (ru) | Способ механической обработки заготовок на станках с чпу | |
| US20240307944A1 (en) | Press line, press forming condition calculation method, and press forming condition calculation program | |
| Allen et al. | Self-tuning control of cutting force for rough turning operations |
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 |