CN117406666A - 一种自动化数控机床控制系统 - Google Patents
一种自动化数控机床控制系统 Download PDFInfo
- Publication number
- CN117406666A CN117406666A CN202311541272.8A CN202311541272A CN117406666A CN 117406666 A CN117406666 A CN 117406666A CN 202311541272 A CN202311541272 A CN 202311541272A CN 117406666 A CN117406666 A CN 117406666A
- Authority
- CN
- China
- Prior art keywords
- data
- machine tool
- unit
- control system
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008859 change Effects 0.000 title description 3
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000003754 machining Methods 0.000 claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000010191 image analysis Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- 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
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
-
- 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)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及数控机床领域,公开了一种自动化数控机床控制系统,包括总控系统,总控系统包括数据收集与分析模块、多角度实时图像采集与处理模块、数据接收与算法模型更新模块和数据下发与机床驱动模块;数据收集与分析模块,用于收集和分析各种数据并得出结果,数据包括机床的运行状态、加工参数、工件信息,分析结果用于故障诊断、预测未来的机床性能或优化加工参数;多角度实时图像采集与处理模块,用于从多个角度实时采集工件的图像,辅助其他模块工作;根据实时的机床状态和工件信息,自动调整加工参数,提高加工的精度和效率,并将这些数据覆盖到当前的加工模型中,这使得机床系统具有自我学习和自我优化的能力。
Description
技术领域
本发明涉及数控机床技术领域,具体为一种自动化数控机床控制系统。
背景技术
数控机床作为现代制造业的核心设备,其控制系统的性能直接影响到产品的加工精度和生产效率。现有的数控机床控制系统通常采用预设的程序或操作者的人工输入来控制机床的运动和加工过程。
现有的数控机床控制系统在故障诊断和维护方面的自动化程度较低,机床在长期运行过程中,会因为磨损出现各种故障,如刀具失利、轴承过热、系统误差等。这些故障往往需要通过定期检查和维护来发现和修复,而这种方式既耗时又耗费人力,且可能会因为漏检或误判导致严重的设备损坏和生产停滞。
发明内容
针对现有技术的不足,本发明提供了一种自动化数控机床控制系统,实现了对工件特性的自适应加工,自动化的故障诊断和维护,以及持续的学习和优化加工策略的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种自动化数控机床控制系统,包括总控系统,总控系统包括数据收集与分析模块、多角度实时图像采集与处理模块、数据接收与算法模型更新模块和数据下发与机床驱动模块;
数据收集与分析模块,用于收集和分析各种数据并得出结果,数据包括机床的运行状态、加工参数、工件信息,分析结果用于故障诊断、预测未来的机床性能或优化加工参数;
多角度实时图像采集与处理模块,用于从多个角度实时采集工件的图像,并进行处理,这些信息用来实时监控工件的状态,辅助其他模块工作;
数据接收与算法模型更新模块,用于接收人工加工的数据,并通过算法将这些数据覆盖到当前的加工模型中;
数据下发与机床驱动模块,用于传递数据,并将处理过的数据下发至驱动组件,使机床进行加工操作。
优选的,数据收集与分析模块包括传感器单元、追踪定位单元、安全警告单元;
传感器单元,通过位置传感器与红外传感器对放置在机床上的工件进行定位;
追踪定位单元,负责追踪和定位工件的位置和方向,并在位置发生改变后向系统传递数据;
安全警告单元,负责监控机床的运行状态和环境条件,以确保加工过程的安全。
优选的,多角度实时图像采集与处理模块包括图像分析识别单元、模型构建单元;
图像分析识别单元,用于通过结构光传感器与激光雷达双重定位得到工件尺寸信息;
模型构建单元,对照历史加工工件尺寸数据,匹配则按照历史生成模型作为加工基础进行处理。
优选的,数据接收与算法模型更新模块包括学习优化单元、数据分析与模型训练单元;
学习优化单元,用于强化学习算法,使机床控制系统能够根据历史加工数据和反馈信息不断学习优化加工策略,逐步实现自我调节和改进;
数据分析与模型训练单元,用于实时监测数控机床各部件的工作状态和运行情况,采集工作数据、图像和视频,将采集到的数据输入到机器学习模型中进行训练。
优选的,数据下发与机床驱动模块包括数据处理单元;
数据处理单元,用于持续收集并分析实时数据和图像信息,利用训练好的模型进行实时故障诊断,发现异常情况后向机床驱动发送停止指令。
优选的,安全警告单元与追踪定位单元配合数据处理单元实现加工过程中实时监控效果。
优选的,模型构建单元在判定数据不匹配时,通过传感器数据建立全新模型,并将该模型数据储存至数据库内。
优选的,图像分析识别单元通过结构光传感器与激光雷达双重定位判断工件尺寸信息。
优选的,学习优化单元数据来源为人工输入与传感器识别。
本发明提供了一种自动化数控机床控制系统。具备以下有益效果:
1、本发明通过数据接收与算法模型更新模块内学习优化单元以及数据分析与模型训练单元的配合使用,能够根据实时的机床状态和工件信息,自动调整加工参数,从而提高加工的精度和效率,并将这些数据覆盖到当前的加工模型中,这使得机床系统具有自我学习和自我优化的能力。
2、本发明通过多角度实时图像采集与处理模块内图像分析识别单元和模型构建单元的配合使用,能够对照历史加工工件尺寸数据自动匹配和构建相应加工模型,无需人工多次重复输入加工数据,由此提高加工效率。
附图说明
图1为本发明的流程图;
图2为本发明的总控系统示意图;
图3为本发明的数据收集与分析模块示意图;
图4为本发明的多角度实时图像采集与处理模块示意图;
图5为本发明的数据接收与算法模型更新模块示意图;
图6为本发明的数据下发与机床驱动模块示意图;
具体实施方式
下面将结合本发明的附图,对本发明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:
请参阅附图1-附图2,本发明实施例提供一种自动化数控机床控制系统,包括总控系统,总控系统包括数据收集与分析模块、多角度实时图像采集与处理模块、数据接收与算法模型更新模块和数据下发与机床驱动模块;
数据收集与分析模块,用于收集和分析各种数据并得出结果,数据包括机床的运行状态、加工参数、工件信息,分析结果用于故障诊断、预测未来的机床性能或优化加工参数;
多角度实时图像采集与处理模块,用于从多个角度实时采集工件的图像,并进行处理,这些信息用来实时监控工件的状态,辅助其他模块工作;
数据接收与算法模型更新模块,用于接收人工加工的数据,并通过算法将这些数据覆盖到当前的加工模型中;
数据下发与机床驱动模块,用于传递数据,并将处理过的数据下发至驱动组件,使机床进行加工操作。
具体的,通过集成多个模块,实现了对机床的全方位监控和智能化控制,使得加工过程更加精准、高效和自动化。这里的"全方位监控",是指系统能够实时收集和分析机床的运行状态、加工参数和工件信息,同时通过摄像头采集工件的实时图像,全面了解加工过程的每一个细节。这种监控不仅限于机床自身,也包括工件的状态,使得系统能够及时发现并处理问题,保证加工过程的正常进行;"智能化控制"则是指,系统能够根据收集到的数据和图像信息,自动调整机床的运行状态和加工参数。这种调整不仅基于当前的情况,还包括对未来的预测,例如,系统可以预测机床的性能变化,提前进行调整,避免可能出现的问题。此外,系统还能根据人工加工的数据,进行学习和优化,不断提高其自身的性能;"更加精准、高效和自动化",是这种系统带来的主要优点,其中精准是指,通过全方位监控和智能化控制,系统能够确保工件的加工质量,减少误差,提高精度;其中高效是指,系统能够快速处理数据和图像信息,实时进行调整,减少无效的加工时间,提高生产效率。自动化则是指,这一切过程都是由系统自动完成的,无需人工干预,大大减轻了操作员的工作负担。
请参阅附图3,数据收集与分析模块包括传感器单元、追踪定位单元、安全警告单元;
传感器单元,通过位置传感器与红外传感器对放置在机床上的工件进行定位;
追踪定位单元,负责追踪和定位工件的位置和方向,并在位置发生改变后向系统传递数据;
安全警告单元,负责监控机床的运行状态和环境条件,以确保加工过程的安全,安全警告单元与追踪定位单元配合数据处理单元实现加工过程中实时监控效果。
具体的,位置传感器可以测量工件相对于机床的位置变化,从而得知工件的准确位置。红外传感器则通过检测物体发射的红外辐射来判断其位置。这两种传感器的数据结合起来,可以对工件的位置进行精准测量。传感器单元会将收集到的位置信息发送到数据处理中心,由数据处理中心进行分析和计算,以决定机床的下一步操作,而在加工过程中此数据实时更新,配合追踪定位单元与安全警告单元同步运作,因此当工件加工位置发生偏移后,追踪定位单元会向安全警告单元发送数据,并以安全警告单元进行超限位移距离判定,超出外移位置后则能够发出警告信号,未超出则反之,具体按照公式进行计算:设工件在机床上的位置由坐标(x,y,z)表示,安全边界设定为一个立方体区域,其边长为2a,中心位于(0,0,0)。那么,只要工件的任一坐标超过了[-a,a],就认为其超出了安全范围。
请参阅附图4,多角度实时图像采集与处理模块包括图像分析识别单元、模型构建单元;
图像分析识别单元,用于通过结构光传感器与激光雷达双重定位得到工件尺寸信息;
模型构建单元,对照历史加工工件尺寸数据,匹配则按照历史生成模型作为加工基础进行处理。
所述图像分析识别单元通过结构光传感器与激光雷达双重定位判断工件尺寸信息。
具体的,结合了结构光传感器和激光雷达的优势,通过双重定位的方式获取工件的尺寸信息。首先,结构光传感器发射结构化光线照射到工件表面,捕捉到反射光图像。通过分析反射光图像中的条纹或格点的形状和变形,可以计算出工件表面的二维形状信息。然后,激光雷达发射激光束测量工件与传感器之间的距离,获取工件的三维形状信息。通过将二维和三维形状信息进行融合和处理,可以得到工件的完整尺寸信息,如长度、宽度、高度等。
这种双重定位的方式可以提供更准确和可靠的尺寸测量结果。结构光传感器适用于测量平面或轮廓较为明显的表面,而激光雷达适用于测量复杂形状和曲面的物体。通过结合两种技术,图像分析识别单元可以克服各自单一技术的局限性,提高尺寸测量的精度和质量。而在得到尺寸数据后,首先会与历史加工工件尺寸数据进行匹配。系统会查询之前加工过的工件的尺寸数据,并与当前加工的工件进行比对。如果两者尺寸匹配,系统可以直接使用历史生成模型进行加工处理,如果当前加工的工件尺寸与历史数据不匹配,系统将使用传感器数据建立全新模型。结构光传感器和激光雷达会获取实时的工件尺寸数据,并将这些数据用于建立新的模型。
请参阅附图5,数据接收与算法模型更新模块包括学习优化单元、数据分析与模型训练单元;
学习优化单元,用于强化学习算法,使机床控制系统能够根据历史加工数据和反馈信息不断学习优化加工策略,逐步实现自我调节和改进;
数据分析与模型训练单元,用于实时监测数控机床各部件的工作状态和运行情况,采集工作数据、图像和视频,将采集到的数据输入到机器学习模型中进行训练。
学习优化单元数据来源为人工输入与传感器识别。
具体的,学习优化单元使用强化学习算法,通过不断学习和优化加工策略,实现机床控制系统的自我调节和改进。强化学习是一种机器学习方法,它通过智能体与环境的交互学习,通过尝试不同的行动并根据环境的反馈获得奖励或惩罚来调整自己的策略,从而达到最优化的目标,深度Q网络是一种用于强化学习的深度学习算法,其核心是利用深度神经网络来近似Q函数,从而实现对动作价值的估计和优化,在Q-learning算法中,Q函数表示在状态s下选择动作a后所能获得的长期回报,其更新公式为:
其中(Q(s,a))表示在状态s下选择动作a的动作价值,(a)是学习率,用于控制每次更新的幅度,(r)是执行动作a后获得的即时奖励,r是折扣因子,用于平衡当前奖励和未来奖励的重要性,(s')是执行动作a后得到的下一个状态,(a')是在状态(s')下选择的下一个动作,而在此基础上,利用深度神经网络来逼近Q函数,其损失函数可以表示为:
其中L(θ)是网络的损失函数、(θ)表示网络的参数,(r)是执行动作a后获得的即时奖励,r是折扣因子,(s')是执行动作a后得到的下一个状态,(a')是在状态(s')下选择的下一个动作,(θ-)表示目标网络的参数。
由此得知,学习优化单元可以根据历史加工数据和反馈信息,选择合适的加工策略,并根据强化学习算法进行优化调整。例如,在加工过程中,可以通过学习优化单元来调整切削参数、路径规划、加工速度,以提高加工效率和质量。学习优化单元可以不断学习和适应不同的加工情况,从而实现自我调节和改进。
请参阅附图6,数据下发与机床驱动模块包括数据处理单元;
数据处理单元,用于持续收集并分析实时数据和图像信息,利用训练好的模型进行实时故障诊断,发现异常情况后向机床驱动发送停止指令。
具体的,数据处理单元通过实时收集、分析和处理数据,结合训练好的模型,能够及时发现机床的故障和异常情况,并采取相应的措施。这有助于提高机床的可靠性、安全性和生产效率,保护设备和操作人员的安全。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种自动化数控机床控制系统,其特征在于,包括总控系统,所述总控系统包括数据收集与分析模块、多角度实时图像采集与处理模块、数据接收与算法模型更新模块和数据下发与机床驱动模块;
数据收集与分析模块,用于收集和分析各种数据并得出结果,数据包括机床的运行状态、加工参数、工件信息,分析结果用于故障诊断、预测未来的机床性能或优化加工参数;
多角度实时图像采集与处理模块,用于从多个角度实时采集工件的图像,并进行处理,这些信息用来实时监控工件的状态,辅助其他模块工作;
数据接收与算法模型更新模块,用于接收人工加工的数据,并通过算法将这些数据覆盖到当前的加工模型中;
数据下发与机床驱动模块,用于传递数据,并将处理过的数据下发至驱动组件,使机床进行加工操作。
2.根据权利要求1所述的一种自动化数控机床控制系统,其特征在于,所述数据收集与分析模块包括传感器单元、追踪定位单元、安全警告单元;
传感器单元,通过位置传感器与红外传感器对放置在机床上的工件进行定位;
追踪定位单元,负责追踪和定位工件的位置和方向,并在位置发生改变后向系统传递数据;
安全警告单元,负责监控机床的运行状态和环境条件,以确保加工过程的安全。
3.根据权利要求1所述的一种自动化数控机床控制系统,其特征在于,所述多角度实时图像采集与处理模块包括图像分析识别单元、模型构建单元;
图像分析识别单元,用于通过结构光传感器与激光雷达双重定位得到工件尺寸信息;
模型构建单元,对照历史加工工件尺寸数据,匹配则按照历史生成模型作为加工基础进行处理。
4.根据权利要求1所述的一种自动化数控机床控制系统,其特征在于,所述数据接收与算法模型更新模块包括学习优化单元、数据分析与模型训练单元;
学习优化单元,用于强化学习算法,使机床控制系统能够根据历史加工数据和反馈信息不断学习优化加工策略,逐步实现自我调节和改进;
数据分析与模型训练单元,用于实时监测数控机床各部件的工作状态和运行情况,采集工作数据、图像和视频,将采集到的数据输入到机器学习模型中进行训练。
5.根据权利要求1所述的一种自动化数控机床控制系统,其特征在于,所述数据下发与机床驱动模块包括数据处理单元;
数据处理单元,用于持续收集并分析实时数据和图像信息,利用训练好的模型进行实时故障诊断,发现异常情况后向机床驱动发送停止指令。
6.根据权利要求2所述的一种自动化数控机床控制系统,其特征在于,所述安全警告单元与追踪定位单元配合数据处理单元实现加工过程中实时监控效果。
7.根据权利要求1所述的一种自动化数控机床控制系统,其特征在于,所述模型构建单元在判定数据不匹配时,通过传感器数据建立全新模型,并将该模型数据储存至数据库内。
8.根据权利要求3所述的一种自动化数控机床控制系统,其特征在于,所述图像分析识别单元通过结构光传感器与激光雷达双重定位判断工件尺寸信息。
9.根据权利要求4所述的一种自动化数控机床控制系统,其特征在于,所述学习优化单元数据来源为人工输入与传感器识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541272.8A CN117406666A (zh) | 2023-11-17 | 2023-11-17 | 一种自动化数控机床控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541272.8A CN117406666A (zh) | 2023-11-17 | 2023-11-17 | 一种自动化数控机床控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117406666A true CN117406666A (zh) | 2024-01-16 |
Family
ID=89487164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541272.8A Pending CN117406666A (zh) | 2023-11-17 | 2023-11-17 | 一种自动化数控机床控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406666A (zh) |
-
2023
- 2023-11-17 CN CN202311541272.8A patent/CN117406666A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929309B (zh) | 一种基于机器视觉的铸造件外观缺陷检测方法及系统 | |
CN114851195A (zh) | 一种可视化焊接工艺系统的控制方法 | |
CN107433593B (zh) | 一种实现并联机器人食品分拣加工的方法 | |
CN108829068A (zh) | 一种电镀生产线控制系统及控制方法 | |
CN113617852B (zh) | 一种基于数据驱动的楔横轧智能化控制系统 | |
CN112934518A (zh) | 基于点云的自动喷涂装置及方法 | |
CN117282580A (zh) | 一种用于喷涂流水线的智能机械手及控制方法 | |
Fang et al. | Vision-based initial weld point positioning using the geometric relationship between two seams | |
CN111375961B (zh) | 确定夹具调整量的方法、白车身焊装方法和自动夹具系统 | |
Xiao et al. | An automatic calibration algorithm for laser vision sensor in robotic autonomous welding system | |
CN113641155A (zh) | 一种高温锻件检测控制系统 | |
CN115415549A (zh) | 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法 | |
CN114523475A (zh) | 一种机器人装配系统误差自动标定与补偿装置及方法 | |
CN203772217U (zh) | 非接触式柔性在线尺寸测量装置 | |
CN114749848A (zh) | 一种基于3d视觉引导的钢筋焊接自动化系统 | |
CN117589177A (zh) | 基于工业大模型自主导航方法 | |
CN116922415A (zh) | 一种用于钢结构焊接的机器人系统 | |
CN117406666A (zh) | 一种自动化数控机床控制系统 | |
CN116852371A (zh) | 一种用于钢结构焊接的轨道机器人 | |
CN117111660A (zh) | 一种无人值守智能粮仓系统及方法 | |
CN115717868A (zh) | 一种实时在线的三维自动化扫描测量系统 | |
CN114782378A (zh) | 一种各类构件焊接工艺用机器人智能焊接数据库的构建方法 | |
CN114427836A (zh) | 一种车身过程尺寸精度控制方法 | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
CN117908495B (zh) | 基于多传感器的柔性高精度加工系统及加工方法 |
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 |