CN117707051A - 一种具备自主学习能力的云制造支撑方法 - Google Patents
一种具备自主学习能力的云制造支撑方法 Download PDFInfo
- Publication number
- CN117707051A CN117707051A CN202410156546.XA CN202410156546A CN117707051A CN 117707051 A CN117707051 A CN 117707051A CN 202410156546 A CN202410156546 A CN 202410156546A CN 117707051 A CN117707051 A CN 117707051A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- sensing data
- sensing
- data
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims description 23
- 238000003754 machining Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012994 industrial processing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种具备自主学习能力的云制造支撑方法,属于智能制造技术领域,本发明中根据每张机床的加工传感数据,提取每张机床的传感距离数据集,从而根据传感距离数据集,计算质量系数,通过质量系数量化出该机床的加工质量,通过质量系数分配标签值,实现自动为自主学习模型分配标签值,解决现有技术中需要人工根据质量情况分配标签值的问题,再根据加工传感数据、传感距离数据集和标签值进行学习,一方面利用原始的加工传感数据,另一方面利用能体现质量差距的传感距离数据集,提高自主学习模型的学习精度,本发明能输出机床加工质量的具体等级值,具备自主的精细化的机床加工质量评估。
Description
技术领域
本发明涉及智能制造技术领域,具体涉及一种具备自主学习能力的云制造支撑方法。
背景技术
在机床工作过程中,需要设置多种传感器,例如位移传感器用来测量机床零件的位移和偏移量、速度传感器用来测量机床零件的速度、力传感器用来测量机床零件的受力情况,各种传感器采集多项传感数据,并上传至云端,通过机器学习或深度学习技术,对各项传感数据进行监测,保障机床工作过程的正常运行,对生产过程进行技术支撑。
现有的云制造支撑方法通过设置阈值的方式,将超过阈值的传感数据归类为异常数据,从而找出加工质量差的零件,这种方式仅适用于粗略评估零件的加工质量,无法做到精细化评估。
发明内容
针对现有技术中的上述不足,本发明提供的一种具备自主学习能力的云制造支撑方法解决了现有的云制造支撑方法无法做到精细化评估零件的加工质量的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种具备自主学习能力的云制造支撑方法,包括以下步骤:
S1、将每张机床的加工传感数据上传至云端服务器;
S2、在云端服务器中根据每张机床的加工传感数据,提取每张机床的传感距离数据集;
S3、根据每张机床的传感距离数据集,计算质量系数;
S4、根据质量系数,对每张机床的加工传感数据和传感距离数据集赋予标签值;
S5、采用自主学习模型对每张机床的加工传感数据、传感距离数据集和标签值进行学习,得到优化自主学习模型;
S6、根据优化自主学习模型对机床加工质量进行评估。
本发明的有益效果为:本发明中根据每张机床的加工传感数据,提取每张机床的传感距离数据集,从而根据传感距离数据集,计算质量系数,通过质量系数量化出该机床的加工质量,通过质量系数分配标签值,实现自动为自主学习模型分配标签值,解决现有技术中需要人工根据质量情况分配标签值的问题,进一步提高系统的智能化,再根据加工传感数据、传感距离数据集和标签值进行学习,一方面利用原始的加工传感数据,另一方面利用能体现质量差距的传感距离数据集,提高自主学习模型的学习精度,充分利用数据量,提高自主学习模型质量评估的精度,相比于现有的设置阈值的方式,本发明能输出机床加工质量的具体等级值,具备自主的精细化的机床加工质量评估。
进一步地,所述S2包括以下分步骤:
S21、在云端服务器中根据每张机床的加工传感数据,提取多个传感数据特征,构建每张机床的数据特征集;
S22、取各张机床的数据特征集中同一个传感数据特征,计算传感数据特征均值,构建整体机床的数据特征均值集;
S23、根据每张机床的数据特征集与整体机床的数据特征均值集的差距,构建每张机床的传感距离数据集。
进一步地,所述S21中每张机床的数据特征集为:X={C1,c , C2,b , C3,max ,C4,min},其中,X为每张机床的数据特征集,C1,c为第1个传感数据特征,第1个传感数据特征代表每张机床的加工传感数据的均值,C2,b为第2个传感数据特征,第2个传感数据特征代表每张机床的加工传感数据的分布值,C3,max为第3个传感数据特征,第3个传感数据特征代表每张机床的加工传感数据的最大值,C4,min为第4个传感数据特征,第4个传感数据特征代表每张机床的加工传感数据的最小值;
所述第2个传感数据特征C2,b的计算公式为:
,
其中,exp为以自然常数为底的指数函数,Ci为机床的第i个加工传感数据,N为加工传感数据的数量,i为正整数。
进一步地,所述S22中整体机床的数据特征均值集中包含4个元素,第1个元素为各张机床的数据特征集中第1个传感数据特征的均值,第2个元素为各张机床的数据特征集中第2个传感数据特征的均值,第3个元素为各张机床的数据特征集中第3个传感数据特征的均值,第4个元素为各张机床的数据特征集中第4个传感数据特征的均值;
所述S23中每张机床的传感距离数据集包含4个元素,第1个元素为第1个传感数据特征与整体机床的数据特征均值集中第1个元素的差值,第2个元素为第2个传感数据特征与整体机床的数据特征均值集中第2个元素的差值,第3个元素为第3个传感数据特征与整体机床的数据特征均值集中第3个元素的差值,第4个元素为第4个传感数据特征与整体机床的数据特征均值集中第4个元素的差值。
上述进一步地方案的有益效果为:本发明中先根据每张机床的加工传感数据,提取每张机床的数据特征集,根据各个机床的数据特征集中同一个传感数据特征,计算出均值,从而构建出能体现整体质量差距的传感距离数据集。
在工业加工过程中,存在多个相同的机床进行同一种零件的加工,本发明获取同种传感器的传感数据,从而得到每张机床的数据特征集,再计算出均值,通过同一个传感数据特征与均值的距离,得到数据特征差值,体现出质量差距情况。
进一步地,所述S3中计算质量系数的公式为:
,
其中,g为质量系数,dj为传感距离数据集中第j个元素,exp为以自然常数为底的指数函数,j为正整数,arccot为反余切函数。
上述进一步地方案的有益效果为:本发明中dj越大,意味该数据与均值相差越远,因此,质量系数越小,质量越差。
进一步地,所述S4包括以下分步骤:
S41、将质量系数大于质量阈值对应的机床的加工传感数据和传感距离数据集设置为合格标签值;
S42、将质量系数小于等于质量阈值对应的机床的加工传感数据和传感距离数据集设置为不合格标签值。
进一步地,所述S41中合格标签值的计算公式为:,所述S42中不合格标签值的计算公式为:/>,其中,y1为合格标签值,y2为不合格标签值,e为自然常数,g为质量系数,H为固定值,ln为对数函数,/>为取整运算。
上述进一步地方案的有益效果为:本发明在分配标签值时,利用了不同的函数,在本身质量系数有区别的基础上,设置指数函数和对数函数分别计算不同类别的标签值,进一步地凸显合格和不合格的区别,使得自主学习模型在学习后,输出的机床加工质量的具体等级值能显著体现各机床加工质量上的不同。
进一步地,所述S5中自主学习模型包括:第一输入层、第一隐藏层、第一输出层、第二输入层、第二隐藏层和第二输出层;
所述第一输入层用于输入每张机床的加工传感数据,其输出端与第一隐藏层的输入端连接;所述第一输出层的输入端与第一隐藏层的输出端连接;所述第一输出层的设置4个输出节点,输出4个质量特征值;所述第二输入层用于输入4个质量特征值和传感距离数据集,其输出端与第二隐藏层的输入端连接;所述第二输出层的输入端与第二隐藏层的输出端连接,其输出端作为自主学习模型的输出端。
上述进一步地方案的有益效果为:本发明中设置第一输入层、第一隐藏层和第一输出层提取原始的加工传感数据的数据特征,在第二输入层时,将第一输出层的输出和传感距离数据集输入,实现充分利用数据量,提高自主学习模型的学习精度。
进一步地,所述S5中自主学习模型学习时的损失函数为:
,
其中,Ln为第n次学习时的损失值,yn为第n次学习时自主学习模型的输出,yn,o为第n次学习时的标签值,γ为训练增强系数。
进一步地,所述训练增强系数γ的计算公式为:
,
其中,e为自然常数。
上述进一步地方案的有益效果为:本发明中设置训练增强系数增强自主学习模型的学习能力,在yn与yn,o差距大时,能增大损失值,提高自主学习模型中权重和偏置的下降幅度,减少强自主学习模型的学习时间。
附图说明
图1为一种具备自主学习能力的云制造支撑方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种具备自主学习能力的云制造支撑方法,包括以下步骤:
S1、将每张机床的加工传感数据上传至云端服务器;
S2、在云端服务器中根据每张机床的加工传感数据,提取每张机床的传感距离数据集;
S3、根据每张机床的传感距离数据集,计算质量系数;
S4、根据质量系数,对每张机床的加工传感数据和传感距离数据集赋予标签值;
S5、采用自主学习模型对每张机床的加工传感数据、传感距离数据集和标签值进行学习,得到优化自主学习模型;
S6、根据优化自主学习模型对机床加工质量进行评估。
本发明的方法适应于同种的加工传感数据,例如:速度传感数据或力传感数据等。
所述S2包括以下分步骤:
S21、在云端服务器中根据每张机床的加工传感数据,提取多个传感数据特征,构建每张机床的数据特征集;
S22、取各张机床的数据特征集中同一个传感数据特征,计算传感数据特征均值,构建整体机床的数据特征均值集;
S23、根据每张机床的数据特征集与整体机床的数据特征均值集的差距,构建每张机床的传感距离数据集。
所述S21中每张机床的数据特征集为:X={C1,c , C2,b , C3,max , C4,min},其中,X为每张机床的数据特征集,C1,c为第1个传感数据特征,第1个传感数据特征代表每张机床的加工传感数据的均值,C2,b为第2个传感数据特征,第2个传感数据特征代表每张机床的加工传感数据的分布值,C3,max为第3个传感数据特征,第3个传感数据特征代表每张机床的加工传感数据的最大值,C4,min为第4个传感数据特征,第4个传感数据特征代表每张机床的加工传感数据的最小值;
所述第2个传感数据特征C2,b的计算公式为:
,
其中,exp为以自然常数为底的指数函数,Ci为机床的第i个加工传感数据,N为加工传感数据的数量,i为正整数。
所述S22中整体机床的数据特征均值集中包含4个元素,第1个元素为各张机床的数据特征集中第1个传感数据特征的均值,第2个元素为各张机床的数据特征集中第2个传感数据特征的均值,第3个元素为各张机床的数据特征集中第3个传感数据特征的均值,第4个元素为各张机床的数据特征集中第4个传感数据特征的均值;
所述S23中每张机床的传感距离数据集包含4个元素,第1个元素为第1个传感数据特征与整体机床的数据特征均值集中第1个元素的差值,第2个元素为第2个传感数据特征与整体机床的数据特征均值集中第2个元素的差值,第3个元素为第3个传感数据特征与整体机床的数据特征均值集中第3个元素的差值,第4个元素为第4个传感数据特征与整体机床的数据特征均值集中第4个元素的差值。
本发明中先根据每张机床的加工传感数据,提取每张机床的数据特征集,根据各个机床的数据特征集中同一个传感数据特征,计算出均值,从而构建出能体现整体质量差距的传感距离数据集。
在工业加工过程中,存在多个相同的机床进行同一种零件的加工,本发明获取同种传感器的传感数据,从而得到每张机床的数据特征集,再计算出均值,通过同一个传感数据特征与均值的距离,得到数据特征差值,体现出质量差距情况。
所述S3中计算质量系数的公式为:
,
其中,g为质量系数,dj为传感距离数据集中第j个元素,exp为以自然常数为底的指数函数,j为正整数,arccot为反余切函数。
本发明中dj越大,意味该数据与均值相差越远,因此,质量系数越小,质量越差。
所述S4包括以下分步骤:
S41、将质量系数大于质量阈值对应的机床的加工传感数据和传感距离数据集设置为合格标签值;
S42、将质量系数小于等于质量阈值对应的机床的加工传感数据和传感距离数据集设置为不合格标签值。
所述S41中合格标签值的计算公式为:,所述S42中不合格标签值的计算公式为:/>,其中,y1为合格标签值,y2为不合格标签值,e为自然常数,g为质量系数,H为固定值,ln为对数函数,/>为取整运算。
本发明在分配标签值时,利用了不同的函数,在本身质量系数有区别的基础上,设置指数函数和对数函数分别计算不同类别的标签值,进一步地凸显合格和不合格的区别,使得自主学习模型在学习后,输出的机床加工质量的具体等级值能显著体现各机床加工质量上的不同。
所述S5中自主学习模型包括:第一输入层、第一隐藏层、第一输出层、第二输入层、第二隐藏层和第二输出层;
所述第一输入层用于输入每张机床的加工传感数据,其输出端与第一隐藏层的输入端连接;所述第一输出层的输入端与第一隐藏层的输出端连接;所述第一输出层的设置4个输出节点,输出4个质量特征值;所述第二输入层用于输入4个质量特征值和传感距离数据集,其输出端与第二隐藏层的输入端连接;所述第二输出层的输入端与第二隐藏层的输出端连接,其输出端作为自主学习模型的输出端。
在本实施例中,隐藏层和输出层的激活函数可选择sigmoid和tanh激活函数。
在本实施例中,第一输出层的设置4个输出节点,因此,第一输入层、第一隐藏层和第一输出层相当于是从加工传感数据提取了4个特征值。
本发明中设置第一输入层、第一隐藏层和第一输出层提取原始的加工传感数据的数据特征,在第二输入层时,将第一输出层的输出和传感距离数据集输入,实现充分利用数据量,提高自主学习模型的学习精度。
所述S5中自主学习模型学习时的损失函数为:
,
其中,Ln为第n次学习时的损失值,yn为第n次学习时自主学习模型的输出,yn,o为第n次学习时的标签值,γ为训练增强系数。
所述训练增强系数γ的计算公式为:
,
其中,e为自然常数。
本发明中设置训练增强系数增强自主学习模型的学习能力,在yn与yn,o差距大时,能增大损失值,提高自主学习模型中权重和偏置的下降幅度,减少强自主学习模型的学习时间。
本发明中根据每张机床的加工传感数据,提取每张机床的传感距离数据集,从而根据传感距离数据集,计算质量系数,通过质量系数量化出该机床的加工质量,通过质量系数分配标签值,实现自动为自主学习模型分配标签值,解决现有技术中需要人工根据质量情况分配标签值的问题,进一步提高系统的智能化,再根据加工传感数据、传感距离数据集和标签值进行学习,一方面利用原始的加工传感数据,另一方面利用能体现质量差距的传感距离数据集,提高自主学习模型的学习精度,充分利用数据量,提高自主学习模型质量评估的精度,相比于现有的设置阈值的方式,本发明能输出机床加工质量的具体等级值,具备自主的精细化的机床加工质量评估。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种具备自主学习能力的云制造支撑方法,其特征在于,包括以下步骤:
S1、将每张机床的加工传感数据上传至云端服务器;
S2、在云端服务器中根据每张机床的加工传感数据,提取每张机床的传感距离数据集;
S3、根据每张机床的传感距离数据集,计算质量系数;
S4、根据质量系数,对每张机床的加工传感数据和传感距离数据集赋予标签值;
S5、采用自主学习模型对每张机床的加工传感数据、传感距离数据集和标签值进行学习,得到优化自主学习模型;
S6、根据优化自主学习模型对机床加工质量进行评估。
2.根据权利要求1所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S2包括以下分步骤:
S21、在云端服务器中根据每张机床的加工传感数据,提取多个传感数据特征,构建每张机床的数据特征集;
S22、取各张机床的数据特征集中同一个传感数据特征,计算传感数据特征均值,构建整体机床的数据特征均值集;
S23、根据每张机床的数据特征集与整体机床的数据特征均值集的差距,构建每张机床的传感距离数据集。
3.根据权利要求2所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S21中每张机床的数据特征集为:X={C1,c , C2,b , C3,max , C4,min},其中,X为每张机床的数据特征集,C1,c为第1个传感数据特征,第1个传感数据特征代表每张机床的加工传感数据的均值,C2,b为第2个传感数据特征,第2个传感数据特征代表每张机床的加工传感数据的分布值,C3,max为第3个传感数据特征,第3个传感数据特征代表每张机床的加工传感数据的最大值,C4,min为第4个传感数据特征,第4个传感数据特征代表每张机床的加工传感数据的最小值;
所述第2个传感数据特征C2,b的计算公式为:
,
其中,exp为以自然常数为底的指数函数,Ci为机床的第i个加工传感数据,N为加工传感数据的数量,i为正整数。
4.根据权利要求3所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S22中整体机床的数据特征均值集中包含4个元素,第1个元素为各张机床的数据特征集中第1个传感数据特征的均值,第2个元素为各张机床的数据特征集中第2个传感数据特征的均值,第3个元素为各张机床的数据特征集中第3个传感数据特征的均值,第4个元素为各张机床的数据特征集中第4个传感数据特征的均值;
所述S23中每张机床的传感距离数据集包含4个元素,第1个元素为第1个传感数据特征与整体机床的数据特征均值集中第1个元素的差值,第2个元素为第2个传感数据特征与整体机床的数据特征均值集中第2个元素的差值,第3个元素为第3个传感数据特征与整体机床的数据特征均值集中第3个元素的差值,第4个元素为第4个传感数据特征与整体机床的数据特征均值集中第4个元素的差值。
5.根据权利要求1所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S3中计算质量系数的公式为:
,
其中,g为质量系数,dj为传感距离数据集中第j个元素,exp为以自然常数为底的指数函数,j为正整数,arccot为反余切函数。
6.根据权利要求1所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S4包括以下分步骤:
S41、将质量系数大于质量阈值对应的机床的加工传感数据和传感距离数据集设置为合格标签值;
S42、将质量系数小于等于质量阈值对应的机床的加工传感数据和传感距离数据集设置为不合格标签值。
7.根据权利要求6所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S41中合格标签值的计算公式为:,所述S42中不合格标签值的计算公式为:,其中,y1为合格标签值,y2为不合格标签值,e为自然常数,g为质量系数,H为固定值,ln为对数函数,/>为取整运算。
8.根据权利要求1所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S5中自主学习模型包括:第一输入层、第一隐藏层、第一输出层、第二输入层、第二隐藏层和第二输出层;
所述第一输入层用于输入每张机床的加工传感数据,其输出端与第一隐藏层的输入端连接;所述第一输出层的输入端与第一隐藏层的输出端连接;所述第一输出层的设置4个输出节点,输出4个质量特征值;所述第二输入层用于输入4个质量特征值和传感距离数据集,其输出端与第二隐藏层的输入端连接;所述第二输出层的输入端与第二隐藏层的输出端连接,其输出端作为自主学习模型的输出端。
9.根据权利要求1所述的具备自主学习能力的云制造支撑方法,其特征在于,所述S5中自主学习模型学习时的损失函数为:
,
其中,Ln为第n次学习时的损失值,yn为第n次学习时自主学习模型的输出,yn,o为第n次学习时的标签值,γ为训练增强系数。
10.根据权利要求9所述的具备自主学习能力的云制造支撑方法,其特征在于,所述训练增强系数γ的计算公式为:
,
其中,e为自然常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156546.XA CN117707051B (zh) | 2024-02-04 | 2024-02-04 | 一种具备自主学习能力的云制造支撑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156546.XA CN117707051B (zh) | 2024-02-04 | 2024-02-04 | 一种具备自主学习能力的云制造支撑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117707051A true CN117707051A (zh) | 2024-03-15 |
CN117707051B CN117707051B (zh) | 2024-04-16 |
Family
ID=90146488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156546.XA Active CN117707051B (zh) | 2024-02-04 | 2024-02-04 | 一种具备自主学习能力的云制造支撑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117707051B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007193552A (ja) * | 2006-01-19 | 2007-08-02 | Toyota Motor Corp | 面モデルの作成装置と作成方法 |
CN106886172A (zh) * | 2017-03-29 | 2017-06-23 | 上海科勒电子科技有限公司 | 智能设备故障检测方法、装置及系统 |
KR20180048218A (ko) * | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 |
CN109581972A (zh) * | 2017-09-29 | 2019-04-05 | 发那科株式会社 | 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组 |
CN110286649A (zh) * | 2019-06-28 | 2019-09-27 | 江苏南高智能装备创新中心有限公司 | 针对数控机床上传感器采集数据的建模系统及其方法 |
CN110297464A (zh) * | 2019-06-28 | 2019-10-01 | 江苏南高智能装备创新中心有限公司 | 基于数控机床上传感器数据的故障预测系统及其方法 |
US20190384268A1 (en) * | 2018-06-18 | 2019-12-19 | Hitachi, Ltd. | Facility state determination device, facility state determination method, and facility management system |
CN110837247A (zh) * | 2018-08-17 | 2020-02-25 | 智能云科信息科技有限公司 | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 |
CN111026058A (zh) * | 2019-12-16 | 2020-04-17 | 浙江大学 | 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法 |
KR20200143053A (ko) * | 2019-06-14 | 2020-12-23 | 코오롱베니트 주식회사 | 제품 제조에 대한 최적조건 설정방법 및 장치 |
US20210117787A1 (en) * | 2019-10-16 | 2021-04-22 | Robert Bosch Gmbh | Method for determining a quality grade of data sets of sensors |
CN114281044A (zh) * | 2021-12-24 | 2022-04-05 | 工业云制造(四川)创新中心有限公司 | 一种基于云制造的工业机器人远程监控方法及系统 |
CN115167323A (zh) * | 2022-08-16 | 2022-10-11 | 江苏中科云控智能工业装备有限公司 | 基于数字化工厂的工控设备反馈信息指令传输系统 |
KR102479755B1 (ko) * | 2021-11-30 | 2022-12-23 | 팩트얼라이언스 주식회사 | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 |
CN115564338A (zh) * | 2022-10-25 | 2023-01-03 | 福建师范大学 | 面向多工况的数控机床关键部件集群性能评估方法 |
KR102623389B1 (ko) * | 2023-06-30 | 2024-01-11 | 주식회사 에이아이비즈 | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 |
-
2024
- 2024-02-04 CN CN202410156546.XA patent/CN117707051B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007193552A (ja) * | 2006-01-19 | 2007-08-02 | Toyota Motor Corp | 面モデルの作成装置と作成方法 |
KR20180048218A (ko) * | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | 기계학습 기반 공작기계 고장 진단 시스템 및 방법 |
CN106886172A (zh) * | 2017-03-29 | 2017-06-23 | 上海科勒电子科技有限公司 | 智能设备故障检测方法、装置及系统 |
CN109581972A (zh) * | 2017-09-29 | 2019-04-05 | 发那科株式会社 | 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组 |
US20190384268A1 (en) * | 2018-06-18 | 2019-12-19 | Hitachi, Ltd. | Facility state determination device, facility state determination method, and facility management system |
CN110837247A (zh) * | 2018-08-17 | 2020-02-25 | 智能云科信息科技有限公司 | 基于机床数据的机床性能测评方法、系统、综合系统、云平台 |
KR20200143053A (ko) * | 2019-06-14 | 2020-12-23 | 코오롱베니트 주식회사 | 제품 제조에 대한 최적조건 설정방법 및 장치 |
CN110286649A (zh) * | 2019-06-28 | 2019-09-27 | 江苏南高智能装备创新中心有限公司 | 针对数控机床上传感器采集数据的建模系统及其方法 |
CN110297464A (zh) * | 2019-06-28 | 2019-10-01 | 江苏南高智能装备创新中心有限公司 | 基于数控机床上传感器数据的故障预测系统及其方法 |
US20210117787A1 (en) * | 2019-10-16 | 2021-04-22 | Robert Bosch Gmbh | Method for determining a quality grade of data sets of sensors |
CN111026058A (zh) * | 2019-12-16 | 2020-04-17 | 浙江大学 | 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法 |
KR102479755B1 (ko) * | 2021-11-30 | 2022-12-23 | 팩트얼라이언스 주식회사 | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 |
CN114281044A (zh) * | 2021-12-24 | 2022-04-05 | 工业云制造(四川)创新中心有限公司 | 一种基于云制造的工业机器人远程监控方法及系统 |
CN115167323A (zh) * | 2022-08-16 | 2022-10-11 | 江苏中科云控智能工业装备有限公司 | 基于数字化工厂的工控设备反馈信息指令传输系统 |
CN115564338A (zh) * | 2022-10-25 | 2023-01-03 | 福建师范大学 | 面向多工况的数控机床关键部件集群性能评估方法 |
KR102623389B1 (ko) * | 2023-06-30 | 2024-01-11 | 주식회사 에이아이비즈 | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 |
Non-Patent Citations (1)
Title |
---|
石荣波;: "基于状态监测的高档数控机床智能保障系统研究", 自动化与仪器仪表, no. 05, 25 September 2011 (2011-09-25), pages 28 - 30 * |
Also Published As
Publication number | Publication date |
---|---|
CN117707051B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
CN110650153B (zh) | 一种基于聚焦损失深度神经网络的工控网络入侵检测方法 | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
CN112561041B (zh) | 基于滤波器分布的神经网络模型加速方法及平台 | |
CN109063983B (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN108830492B (zh) | 一种基于大数据的确定抽检商家的方法 | |
CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN115577152A (zh) | 基于数据分析的在线图书借阅管理系统 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN113723692A (zh) | 数据处理方法、装置、设备、介质及程序产品 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN117707051B (zh) | 一种具备自主学习能力的云制造支撑方法 | |
CN112907067A (zh) | 混凝土坝安全监测方法及系统 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN116629686A (zh) | 一种评估企业能耗数据的方法及装置 | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 |
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 |