CN115049170B - 一种套丝机控制器套丝工作的调试方法 - Google Patents
一种套丝机控制器套丝工作的调试方法 Download PDFInfo
- Publication number
- CN115049170B CN115049170B CN202210978355.2A CN202210978355A CN115049170B CN 115049170 B CN115049170 B CN 115049170B CN 202210978355 A CN202210978355 A CN 202210978355A CN 115049170 B CN115049170 B CN 115049170B
- Authority
- CN
- China
- Prior art keywords
- sequence
- index
- threading
- difference
- threading machine
- 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 54
- 229910000831 Steel Inorganic materials 0.000 claims description 33
- 239000010959 steel Substances 0.000 claims description 33
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000032683 aging Effects 0.000 claims description 25
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 25
- 230000003014 reinforcing effect Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Feedback Control In General (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及设备参数调控技术领域,具体涉及一种套丝机控制器套丝工作的调试方法,该方法利用套丝机的历史数据训练每个套丝机的专属良品率预测网络,使得专属良品率预测网络有针对性的对每个套丝机的良品率预测值进行准确预测,进而根据每个套丝机的预测结果确认套丝机的最优设备参数,以及时对全局套丝机进行设备参数调整,使得每个套丝机都处于最优工作状态,提高钢筋套丝结果的一致性,同时也提高了钢筋套丝的良品率。
Description
技术领域
本发明涉及设备参数调控技术领域,具体涉及一种套丝机控制器套丝工作的调试方法。
背景技术
随着现代建筑业的高速发展,其所用的经加工的钢筋螺杆的量越来越大,特别是建筑施工现场使用的套丝螺杆更是越来越多。套丝机是加工钢筋螺杆的设备,套丝机工作时,先把要加工螺纹的管子放进管子卡盘、撞击卡紧、按下启动开关,管子就随卡盘转动起来,调节好板牙头上的板牙开口大小,设定好丝口长短,然后顺时针扳动进刀手轮,使板牙头上的板牙刀以恒力贴紧转动的管子的端部,板牙刀就自动切削套丝,但是在套丝过程中,钢筋固定问题和刀具行进问题都会影响到钢筋套丝结果。
目前,对于不同规格的钢筋,都是通过人工调节以实现钢筋套丝的要求,但由于套丝机的工作环境和使用时长,套丝机会的性能就会逐渐降低,在这种情况下利用人工操作会出现调整误差和滞后现象,无法及时准确调整套丝机的设备参数,进而导致钢筋套丝结果不一致。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种套丝机控制器套丝工作的调试方法,所采用的技术方案具体如下:
基于采样频率采集当前钢筋夹紧后的电机电流和板牙刀的行进速度,得到当前钢筋的整个套丝时段内电机电流序列和行进速度序列;根据所述电机电流序列中相邻电机电流之间的差异计算电机电流稳定性指标,结合所述电机电流稳定性指标和所述行进速度序列对应的行进速度变化计算当前钢筋表面的螺纹均一性指标;
获取当前套丝机下当前批次中每个钢筋的所述螺纹均一性指标,得到螺纹均一性指标序列;根据螺纹均一性指标序列中任意两个所述螺纹均一性指标的差异计算每个所述螺纹均一性指标的局部异常因子,基于所述局部异常因子获取当前批次的钢筋良品率;获取多个批次的历史钢筋良品率,构成历史良品率序列,利用所述历史良品率序列对良品率预测网络进行不断迭代训练,以根据良品率预测网络的输入数据与输出数据之间的差异,确认当前套丝机对应的目标良品率预测网络;
获取每个套丝机的所述目标良品率预测网络,将每个套丝机的实时良品率序列通过对应的所述目标良品率预测网络,得到每个套丝机的良品率预测序列;根据所述良品率预测序列和批次对应的钢筋总数量得到每个套丝机的良品总数量,基于所述良品总数量计算当前套丝机的良品适配指标,由所述良品率预测序列中相邻两个元素的差值计算当前套丝机的机器老化指标;根据良品适配指标和机器老化指标确定目标套丝机,将每个套丝机的设备参数都调整为目标套丝机的设备参数。
进一步地,所述基于所述局部异常因子获取当前批次的钢筋良品率的方法,包括:
设置局部异常因子阈值,当所述局部异常因子小于局部异常因子阈值时,确认对应套丝后的钢筋为良品;统计良品的第一数量,计算当前批次中钢筋的总数量与所述第一数量之间的比值,将所述比值作为所述钢筋良品率。
进一步地,所述目标良品率预测网络的获取方法,包括:
基于改进后的良品率预测网络算法,利用所述历史良品率序列对良品率预测网络进行一次迭代训练,得到所述历史良品率序列中每个历史良品率对应的良品率预测值,构成历史良品率预测序列;
分别计算所述历史良品率预测序列和所述历史良品率序列中对应位置的两个元素之间的第一差值,根据第一差值对良品率预测网络进行网络参数的控制调整,得到新良品率预测网络;所述网络参数包括:良品率预测网络的输入空间和改进后的良品率预测网络算法中的各个参数;
利用所述历史良品率序列对新良品率预测网络进行一次迭代训练,得到新历史良品率预测序列;计算历史良品率预测序列和新历史良品率预测序列中对应位置的两个元素之间的第二差值,当第二差值满足差值阈值时,计算新历史良品率预测序列和所述历史良品率序列中对应位置的两个元素之间的第三差值,对所述第三差值进行累加得到第三差值累加值,当所述第三差值累加值小于累加值阈值时,确认所述新良品率预测网络为所述目标良品率预测网络。
进一步地,所述改进后的良品率预测网络算法为:
进一步地,所述根据第一差值对良品率预测网络进行网络参数的控制调整的方法,包括:
当第一差值大于或等于第一差值阈值时,基于专家控制***,引入极值控制进行快速校正;当第一差值小于或等于第一差值阈值的负数时,则结合比例控制和CMAC控制进行控制调整。
进一步地,所述基于所述良品总数量计算当前套丝机的良品适配指标的方法,包括:
统计与标准螺母适配的良品个数,将所述良品个数与所述良品总数量之间的比值作为良品适配指标。
进一步地,由所述良品率预测序列中相邻两个元素的差值计算当前套丝机的机器老化指标的方法,包括:
分别计算所述良品率预测序列中相邻两个良品率预测值之间的预测值差值,对预测值差值进行累加得到预测值差值累加值;计算所述良品率预测序列中相邻两个元素的组合数量和所述预测值差值累加值之间的比值,将该比值作为所述机器老化指标。
进一步地,所述根据良品适配指标和机器老化指标确定目标套丝机的方法,包括:
计算良品适配指标和机器老化指标之间的比值,将该比值作为对应套丝机的工作状态指标;所述工作状态指标与机器老化指标呈负相关关系、所述工作状态指标与良品适配指标呈正相关关系;
获取每个套丝机的所述工作状态指标,将最大的所述工作状态指标所对应的套丝机作为所述目标套丝机。
本发明实施例至少具有如下有益效果:利用套丝机的历史数据训练每个套丝机的专属良品率预测网络,使得专属良品率预测网络有针对性的对每个套丝机的良品率预测值进行准确预测,进而根据每个套丝机的预测结果确认套丝机的最优设备参数,以及时对全局套丝机进行设备参数调整,使得每个套丝机都处于最优工作状态,提高钢筋套丝结果的一致性,同时也提高了钢筋套丝的良品率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一个实施例提供的一种套丝机控制器套丝工作的调试方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种套丝机控制器套丝工作的调试方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种套丝机控制器套丝工作的调试方法的具体方案。
本发明实施例所针对的具体场景为:根据每个套丝机的历史运行数据训练对应套丝机的良品率预测网络,利用每个套丝机的良品率预测网络进行良品率预测,基于预测结果获取工作状态最优的套丝机,基于该套丝机的设备参数调整其他套丝机的设备参数。
请参阅图1,其示出了本发明一个实施例提供的一种套丝机控制器套丝工作的调试方法的步骤流程图,该方法包括以下步骤:
步骤S001,基于采样频率采集当前钢筋夹紧后的电机电流和板牙刀的行进速度,得到当前钢筋的整个套丝时段内电机电流序列和行进速度序列;根据电机电流序列中相邻电机电流之间的差异计算电机电流稳定性指标,结合电机电流稳定性指标和行进速度序列对应的行进速度变化计算当前钢筋表面的螺纹均一性指标。
具体的,套丝机控制转台夹紧时,夹紧用的电机几乎停止转动,此时电流就会增大很多,且当电流增大到一定的数值时,***判定已夹紧,发送夹紧完成的指令。由于钢筋在转动时受到板牙刀的影响,可能会有轻微的晃动,导致钢筋套丝结果并不完美,所以要监控钢筋在套丝时被瞬时夹紧的电机电流,故利用工业用电流表通过接在电机附近的电路就能够实时测量夹紧时的电机电流,设置采样频率,基于采样频率采集一个钢筋的整个套丝时段内的多个电机电流,得到一个电机电流序列其中,为第1次采样的电机电流,为第次采样的电机电流,为采样次数。
优选的,本发明实施例中采样频率为5s。
在固定好钢筋后开始进行利用板牙刀进刀,而板牙刀的进刀速度直接影响到钢筋套丝结果符合要求,因此利用测速传感器能够实时得到板牙刀的行进速度,即单位时间内位移的增量就是行进速度,相同的,基于设定的采样频率,得到一个钢筋的整个套丝时段内的多个行进速度,得到一个行进速度序列其中,为第1次采样的行进速度,为第次采样的行进速度,为采样次数。
进一步地,钢筋在整个套丝过程中,由于晃动会导致钢筋加紧出现不稳定性,进而导致电机电流出现变化,因此根据电机电流序列中相邻电机电流之间的差异计算电机电流稳定性指标,则电机电流稳定性指标的计算公式为:
其中,为电机电流稳定性指标;为电机电流序列中第个电机电流;为电机电流序列中前个电机电流之间的平均电机电流;为电机电流序列中前个电机电流之间的平均电机电流;为电机电流序列中第个电机电流和第个电机电流之间的差值。
需要说明的是,钢筋的套丝过程中若是没有出现晃动的情况,则钢筋被夹紧时的电机电流大小几乎保持不变,即当前时刻和前一时刻的电机电流差值为零,并且电机电流均值的差值同样为零,从而使得电机电流稳定性指标保持为1;如果钢筋的套丝过程中电机电流发生变化,则电机电流稳定性指标会小于1,电机电流变化程度越大,电机电流稳定性指标大小越接近于0。
由于在套丝过程中,刀具会受到螺纹槽的阻力从而导致板牙刀的行进速度受到影响,控制好每一时刻与前一时刻的之间的行进速度能够让钢筋螺纹间距更加均匀并且螺纹深度也能保持一致,因此结合电机电流稳定性指标和行进速度序列对应的行进速度变化计算当前钢筋表面的螺纹均一性指标,具体方法为:获取行进速度序列中的最大行进速度和最小行进速度,以及平均行进速度,同理,获取电机电流序列中的最小电机电流,根据最大行进速度、最小行进速度和平均行进速度之间的差异、最小电机电流和电机电流稳定性指标计算钢筋表面的螺纹均一性指标,则螺纹均一性指标的计算公式为:
需要说明的是,电机电流越不稳定,说明钢筋套丝结果越不理想,相对应钢筋的螺纹均一性指标越差,因此电机电流稳定性指标与螺纹均一性指标呈正相关关系;为板牙刀的行进速度最大值与均值之间的差值,该差值能够体现板牙刀在行进过程中是否出现某一时刻的突变行为以及最大突变数值相较于均值的幅值,幅值越大说明螺纹间距出现偏差,间距会出现大小不一的情况,进而导致钢筋表面的螺纹均一性差,反之幅值越小意味着即使在套丝工作中出现不可控的偏差,但偏差较小,与均值较为接近,可忽略不计,此时钢筋表面螺纹均一性较好;为板牙刀的行进速度的相对变化情况,此数值能够体现套丝出的每个螺纹与上一个螺纹在被套丝过程的相近度,且一定程度上能够体现套丝机本身是否保持同一工作状态,此数值越大,说明螺纹均一性指标越小,反之数值越小,说明螺纹均一性指标越大。
步骤S002,获取当前套丝机下当前批次中每个钢筋的螺纹均一性指标,得到螺纹均一性指标序列;根据螺纹均一性指标序列中任意两个螺纹均一性指标的差异计算每个螺纹均一性指标的局部异常因子,基于局部异常因子获取当前批次的钢筋良品率;获取多个批次的历史钢筋良品率,构成历史良品率序列,利用历史良品率序列对良品率预测网络进行不断迭代训练,以根据良品率预测网络的输入数据与输出数据之间的差异,确认当前套丝机对应的目标良品率预测网络。
具体的,利用步骤S001的方法,获取一个套丝机下一个批次中每个钢筋的螺纹均一性指标,构成螺纹均一性指标序列,即一个批次对应一个螺纹均一性指标序列。
优选的,本发明实施例以100个钢筋为一个批次。
根据螺纹均一性指标序列中任意两个螺纹均一性指标的差异计算对应一个批次的钢筋良品率,则具体方法为:以螺纹均一性指标序列中任意一个螺纹均一性指标为目标螺纹均一性指标,分别计算目标螺纹均一性指标与其他螺纹均一性指标之间的螺纹均一性指标差值,对螺纹均一性指标差值进行累加,得到差值累加值,计算差值累加值与螺纹均一性指标序列中的元素数量之间的比值,将比值的倒数作为目标螺纹均一性指标的局部可达密度;获取螺纹均一性指标序列中每个螺纹均一性指标的局部可达密度,构成局部可达密度集合,以局部可达密度集合中的任意一个局部可达密度为目标局部可达密度,分别计算目标局部可达密度与其他目标局部可达密度之间的局部可达密度差值,对局部可达密度差值进行累加,得到局部可达密度差值累加值,计算局部可达密度差值累加值与局部可达密度集合中的元素数量之间的比值,将比值与目标局部可达密度之间的第一比值作为目标局部可达密度对应的局部异常因子,也即是对应螺纹均一性指标的局部异常因子,进而得到每个螺纹均一性指标的局部异常因子;设置局部异常因子阈值,当局部异常因子小于局部异常因子阈值时,确认对应套丝后的钢筋为良品,统计良品的第一数量,计算当前批次中钢筋的总数量与第一数量之间的比值,将比值作为钢筋良品率。
优选的,本发明实施例中局部异常因子阈值取经验值,则局部异常因子阈值为0.8。
利用上述钢筋良品率的获取方法,获取一个套丝机下多个批次的历史钢筋良品率,构成一个历史良品率序列。利用历史良品率序列对套丝机的良品率预测网络进行不断迭代训练,以根据良品率预测网络的输入数据与输出数据之间的差异,确认套丝机对应的目标良品率预测网络,优选的,本发明实施例中的良品率预测网络为CMAC神经网络,其具体过程为:
(1)基于信度分配思想,对常规CMAC神经网络的训练算法进行改进,则改进后的CMAC神经网络算法为:
需要说明的是,改进后的CNAC神经网络的训练算法对训练过程中每个激活的存储单元的学习次数进行统计,该统计不仅包含后续学习样本对相同存储单元激活次数的改变,也包含后续训练对存储单元激活次数的改变,然后更新权值时把误差按激活的存储单元的学习次数占所有激活的存储单元的学习次数总和的百分比来进行分配,从上式可见百分比越大,分配误差越小。
权值调整规则为:迭代学习次数多,则包含信息可信度高,调整量少;迭代学习次数少,则包含信息可信度低,调整量多。如此,既可减少后续学习样本对先前学习样本的学习干扰,也可减少后续训练对先前训练的学习干扰。该算法基于信度分配误差,对于学习次数多的存储单元少校正误差,对于学习次数少的存储单元多校正误差,从而减少了学习干扰。
(2)将历史良品率序列输入改进后的CMAC神经网络进行一次迭代训练,得到所述历史良品率序列中每个历史良品率对应的良品率预测值,构成历史良品率预测序列;分别计算历史良品率预测序列和历史良品率序列中对应位置的两个元素之间的第一差值,根据第一差值对改进后的CMAC神经网络进行网络参数的控制调整,得到新CMAC神经网络,其中网络参数的包括网络的输入空间、泛化参数、学习速率和学习次数等改进后的CMAC神经网络算法的各个参数。
具体的,引入专家协调器,根据第一差值切换控制策略:
需要说明的是,专家控制是指基于专家控制***,引入极值控制对神经网络进行快速校正,从而能够在下一次迭代训练中减少误差;CMAC控制是指CMAC神经网络的自我学习所对应的调控;比例控制实质上是一个具有可调增益的放大器,可以提高***的开环增益,减小***的稳态误差,从而提高***的控制精度,由于比例控制单独引用会降低***的相对稳定性,甚至可能造成闭环***不稳定,所以 比例控制是CMAC神经网络的辅助控制器。
(3)利用历史良品率序列对新CMAC神经网络进行一次迭代训练,得到新历史良品率预测序列;计算历史良品率预测序列和新历史良品率预测序列中对应位置的两个元素之间的第二差值,当第二差值满足差值阈值时,计算新历史良品率预测序列和历史良品率序列中对应位置的两个元素之间的第三差值,对第三差值进行累加得到第三差值累加值,当第三差值累加值小于累加值阈值时,确认新CMAC神经网络为目标CMAC神经网络。
具体的,分别计算历史良品率预测序列和新历史良品率预测序列中对应位置的两个元素之间的第二差值,计算所有第二差值之间的平均第二差值,设置第二差值范围,当平均第二差值不在第二差值范围内时,立即对新CMAC神经网络进行网络参数的控制调整,反之,当平均第二差值在第二差值范围内时,说明新CMAC神经网络比改进的CMAC神经网络的预测结果更好,然后计算新历史良品率预测序列和历史良品率序列中对应位置的两个元素之间的第三差值,对第三差值进行累加得到第三差值累加值,当第三差值累加值小于累加值阈值时,确认新CMAC神经网络为目标CMAC神经网络,当第三差值累加值大于或等于累加值阈值时,对新CMAC神经网络进行网络参数的控制调整,然后对调整后的网络进行再次迭代训练,直到得到目标CMAC神经网络。
需要说明的是,目标CMAC神经网络是指泛化能力最好所对应的神经网络,且该神经网络的预测效果最佳。
步骤S003,获取每个套丝机的目标良品率预测网络,将每个套丝机的实时良品率序列通过对应的目标良品率预测网络,得到每个套丝机的良品率预测序列;根据良品率预测序列和批次对应的钢筋总数量得到每个套丝机的良品总数量,基于良品总数量计算当前套丝机的良品适配指标,由良品率预测序列中相邻两个元素的差值计算当前套丝机的机器老化指标;根据良品适配指标和机器老化指标确定目标套丝机,将每个套丝机的设备参数都调整为目标套丝机的设备参数。
具体的,利用步骤S002的方法,得到每一个套丝机的目标良品率预测网络,即一个套丝机对应一个专属的目标良品率预测网络。
基于时序分别获取每个套丝机的实时良品率序列,将每个实时良品率序列输入对应的目标良品率预测网络中,得到对应套丝机的良品率预测序列,同理,一个套丝机对应一个良品率预测序列。根据良品率预测序列中每个良品率预测值和批次对应的钢筋总数量得到对应套丝机的良品总数量,统计与标准螺母适配的良品个数,将良品个数与良品总数量之间的比值作为良品适配指标;由良品率预测序列中相邻两个元素的差值计算机器老化指标,则机器老化指标的获取方法为:分别计算良品率预测序列中相邻两个良品率预测值之间的预测值差值,对预测值差值进行累加得到预测值差值累加值,计算良品率预测序列中相邻两个元素的组合数量和预测值差值累加值之间的比值,将该比值作为机器老化指标。
需要说明的是,良品适配指标是指套丝后的钢筋与标准螺母是否匹配,也即是否能和标准螺母拧上;机器老化指标是指根据每个批次下良品率之间的差值所体现的套丝机的老化程度,也即是差值越大,说明套丝机过载工作加重了机器老化。
计算良品适配指标和机器老化指标之间的比值,将该比值作为对应套丝机的工作状态指标,工作状态指标与机器老化指标呈负相关关系、工作状态指标与良品适配指标呈正相关关系;由于一个套丝机对应一个良品适配指标和一个机器老化指标,因此能够得到每个套丝机的工作状态指标,将最大的工作状态指标所对应的套丝机作为目标套丝机,目标套丝机即为套丝工作时设备参数最好的套丝机,因此为了保证全局套丝机的都能达到最优,则将每个套丝机的设备参数都调整为目标套丝机的设备参数。
需要说明的是,当存在多个目标套丝机的时候,获取目标套丝机的平均设备参数,将每个套丝机的设备参数调整为平均设备参数。
综上所述,本发明实施例提供了一种套丝机控制器套丝工作的调试方法,该方法利用套丝机的历史数据训练每个套丝机的专属良品率预测网络,使得专属良品率预测网络有针对性的对每个套丝机的良品率预测值进行准确预测,进而根据每个套丝机的预测结果确认套丝机的最优设备参数,以及时对全局套丝机进行设备参数调整,使得每个套丝机都处于最优工作状态,提高钢筋套丝结果的一致性,同时也提高了钢筋套丝的良品率。
需要说明的是:上述本发明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。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (7)
1.一种套丝机控制器套丝工作的调试方法,其特征在于,该方法包括以下步骤:
基于采样频率采集当前钢筋夹紧后的电机电流和板牙刀的行进速度,得到当前钢筋的整个套丝时段内电机电流序列和行进速度序列;根据所述电机电流序列中相邻电机电流之间的差异计算电机电流稳定性指标,结合所述电机电流稳定性指标和所述行进速度序列对应的行进速度变化计算当前钢筋表面的螺纹均一性指标;
获取当前套丝机下当前批次中每个钢筋的所述螺纹均一性指标,得到螺纹均一性指标序列;根据螺纹均一性指标序列中任意两个所述螺纹均一性指标的差异计算每个所述螺纹均一性指标的局部异常因子,基于所述局部异常因子获取当前批次的钢筋良品率;获取多个批次的历史钢筋良品率,构成历史良品率序列,利用所述历史良品率序列对良品率预测网络进行不断迭代训练,以根据良品率预测网络的输入数据与输出数据之间的差异,确认当前套丝机对应的目标良品率预测网络;
获取每个套丝机的所述目标良品率预测网络,将每个套丝机的实时良品率序列通过对应的所述目标良品率预测网络,得到每个套丝机的良品率预测序列;根据所述良品率预测序列和批次对应的钢筋总数量得到每个套丝机的良品总数量,基于所述良品总数量计算当前套丝机的良品适配指标,由所述良品率预测序列中相邻两个元素的差值计算当前套丝机的机器老化指标;根据良品适配指标和机器老化指标确定目标套丝机,将每个套丝机的设备参数都调整为目标套丝机的设备参数;
所述电机电流稳定性指标的计算公式为:
其中,为电机电流稳定性指标;为电机电流序列中第个电机电流;为电机电流序列中前个电机电流之间的平均电机电流;为电机电流序列中前个电机电流之间的平均电机电流;为电机电流序列中第个电机电流和第个电机电流之间的差值;为电机电流序列;为电机电流序列的长度;
所述螺纹均一性指标的获取方法,包括:
获取行进速度序列中的最大行进速度和最小行进速度,以及平均行进速度,同理,获取电机电流序列中的最小电机电流,根据最大行进速度、最小行进速度和平均行进速度之间的差异、最小电机电流和电机电流稳定性指标计算钢筋表面的螺纹均一性指标,则螺纹均一性指标的计算公式为:
所述局部异常因子的获取方法为:以螺纹均一性指标序列中任意一个螺纹均一性指标为目标螺纹均一性指标,分别计算目标螺纹均一性指标与其他螺纹均一性指标之间的螺纹均一性指标差值,对螺纹均一性指标差值进行累加,得到差值累加值,计算差值累加值与螺纹均一性指标序列中的元素数量之间的比值,将比值的倒数作为目标螺纹均一性指标的局部可达密度;获取螺纹均一性指标序列中每个螺纹均一性指标的局部可达密度,构成局部可达密度集合,以局部可达密度集合中的任意一个局部可达密度为目标局部可达密度,分别计算目标局部可达密度与其他目标局部可达密度之间的局部可达密度差值,对局部可达密度差值进行累加,得到局部可达密度差值累加值,计算局部可达密度差值累加值与局部可达密度集合中的元素数量之间的比值,将比值与目标局部可达密度之间的第一比值作为目标局部可达密度对应的局部异常因子,也即是对应螺纹均一性指标的局部异常因子;
所述目标良品率预测网络的获取方法,包括:
基于改进后的良品率预测网络算法,利用所述历史良品率序列对良品率预测网络进行一次迭代训练,得到所述历史良品率序列中每个历史良品率对应的良品率预测值,构成历史良品率预测序列;
分别计算所述历史良品率预测序列和所述历史良品率序列中对应位置的两个元素之间的第一差值,根据第一差值对良品率预测网络进行网络参数的控制调整,得到新良品率预测网络;所述网络参数包括:良品率预测网络的输入空间和改进后的良品率预测网络算法中的各个参数;
利用所述历史良品率序列对新良品率预测网络进行一次迭代训练,得到新历史良品率预测序列;计算历史良品率预测序列和新历史良品率预测序列中对应位置的两个元素之间的第二差值,当第二差值满足差值阈值时,计算新历史良品率预测序列和所述历史良品率序列中对应位置的两个元素之间的第三差值,对所述第三差值进行累加得到第三差值累加值,当所述第三差值累加值小于累加值阈值时,确认所述新良品率预测网络为所述目标良品率预测网络。
2.如权利要求1所述的一种套丝机控制器套丝工作的调试方法,其特征在于,所述基于所述局部异常因子获取当前批次的钢筋良品率的方法,包括:
设置局部异常因子阈值,当所述局部异常因子小于局部异常因子阈值时,确认对应套丝后的钢筋为良品;统计良品的第一数量,计算当前批次中钢筋的总数量与所述第一数量之间的比值,将所述比值作为所述钢筋良品率。
4.如权利要求1所述的一种套丝机控制器套丝工作的调试方法,其特征在于,所述根据第一差值对良品率预测网络进行网络参数的控制调整的方法,包括:
当第一差值大于或等于第一差值阈值时,基于专家控制***,引入极值控制进行快速校正;当第一差值小于或等于第一差值阈值的负数时,则结合比例控制和CMAC控制进行控制调整。
5.如权利要求1所述的一种套丝机控制器套丝工作的调试方法,其特征在于,所述基于所述良品总数量计算当前套丝机的良品适配指标的方法,包括:
统计与标准螺母适配的良品个数,将所述良品个数与所述良品总数量之间的比值作为良品适配指标。
6.如权利要求1所述的一种套丝机控制器套丝工作的调试方法,其特征在于,由所述良品率预测序列中相邻两个元素的差值计算当前套丝机的机器老化指标的方法,包括:
分别计算所述良品率预测序列中相邻两个良品率预测值之间的预测值差值,对预测值差值进行累加得到预测值差值累加值;计算所述良品率预测序列中相邻两个元素的组合数量和所述预测值差值累加值之间的比值,将该比值作为所述机器老化指标。
7.如权利要求1所述的一种套丝机控制器套丝工作的调试方法,其特征在于,所述根据良品适配指标和机器老化指标确定目标套丝机的方法,包括:
计算良品适配指标和机器老化指标之间的比值,将该比值作为对应套丝机的工作状态指标;所述工作状态指标与机器老化指标呈负相关关系、所述工作状态指标与良品适配指标呈正相关关系;
获取每个套丝机的所述工作状态指标,将最大的所述工作状态指标所对应的套丝机作为所述目标套丝机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978355.2A CN115049170B (zh) | 2022-08-16 | 2022-08-16 | 一种套丝机控制器套丝工作的调试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210978355.2A CN115049170B (zh) | 2022-08-16 | 2022-08-16 | 一种套丝机控制器套丝工作的调试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049170A CN115049170A (zh) | 2022-09-13 |
CN115049170B true CN115049170B (zh) | 2022-10-25 |
Family
ID=83167689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210978355.2A Active CN115049170B (zh) | 2022-08-16 | 2022-08-16 | 一种套丝机控制器套丝工作的调试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049170B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114111A (zh) * | 2016-06-24 | 2016-11-16 | 江苏大学 | 一种含有驾驶行为预测模型的可调阻尼馈能悬架***及其控制方法 |
CN110658774A (zh) * | 2019-11-05 | 2020-01-07 | 百世康电气有限公司 | 一种套丝机控制器 |
CN110794680A (zh) * | 2019-11-14 | 2020-02-14 | 浙江工业大学 | 一种基于扩张状态观测器的磁悬浮球***预测跟踪控制方法 |
CN112308298A (zh) * | 2020-10-16 | 2021-02-02 | 同济大学 | 一种面向半导体生产线的多场景性能指标预测方法及*** |
CN113487140A (zh) * | 2021-06-11 | 2021-10-08 | 田新忠 | 一种建筑施工现场智能施工设备运行管理平台及控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759868B (zh) * | 2021-08-16 | 2023-05-02 | 浙江运达风电股份有限公司 | 一种基于神经网络的工业以太网故障预测方法 |
-
2022
- 2022-08-16 CN CN202210978355.2A patent/CN115049170B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114111A (zh) * | 2016-06-24 | 2016-11-16 | 江苏大学 | 一种含有驾驶行为预测模型的可调阻尼馈能悬架***及其控制方法 |
CN110658774A (zh) * | 2019-11-05 | 2020-01-07 | 百世康电气有限公司 | 一种套丝机控制器 |
CN110794680A (zh) * | 2019-11-14 | 2020-02-14 | 浙江工业大学 | 一种基于扩张状态观测器的磁悬浮球***预测跟踪控制方法 |
CN112308298A (zh) * | 2020-10-16 | 2021-02-02 | 同济大学 | 一种面向半导体生产线的多场景性能指标预测方法及*** |
CN113487140A (zh) * | 2021-06-11 | 2021-10-08 | 田新忠 | 一种建筑施工现场智能施工设备运行管理平台及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115049170A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU665048B2 (en) | Apparatus and method for feedback-adjusting working condition for improving dimensional accuracy of processed workpieces | |
CN110488754B (zh) | 一种基于ga-bp神经网络算法的机床自适应控制方法 | |
CN111694320A (zh) | 一种虑及颤振抑制的机床自适应控制方法 | |
CN107248047B (zh) | 基于加工过程状态熵动态计算的加工过程状态评价方法 | |
CN116352607B (zh) | 基于数控分析的无心磨床补偿控制***及方法 | |
CN115049170B (zh) | 一种套丝机控制器套丝工作的调试方法 | |
CN115305526A (zh) | 基于x射线测量的铜箔厚度面密度一致性自适应控制方法 | |
DE102010002174A1 (de) | Verfahren zur Regelung eines Spritzgießprozesses | |
CN108303952A (zh) | 一种适用于数控装置刀具的小线段的速度曲线规划方法 | |
CN114253219A (zh) | 一种基于端面磨削的磨削力自适应控制方法及*** | |
CN109240203B (zh) | 一种基于多模型的连铸坯定重控制方法 | |
CN102999008B (zh) | 切边圆盘剪的重叠量控制器参数优化方法 | |
CN115218603B (zh) | 冷却流量控制方法及装置 | |
Miodragović et al. | The application of metaheuristic algorithms in multi-objective optimization of engineering problems | |
CN116463691A (zh) | 一种电解铜箔精确生产***及电解铜箔精确生产方法 | |
CN116610067A (zh) | 基于指令域分析的机床加速度参数辨识与优化方法及*** | |
CN111482466B (zh) | 一种轧机加速度的设定方法 | |
CN110764404B (zh) | 一种pid参数自适应的拉丝机变频器调试方法 | |
CN112434868A (zh) | 一种薄板干燥工序精准控制智能预测模型及应用 | |
US5770830A (en) | Method and apparatus for wire-cutting curved workpieces by compensating machining parameters on wire-cut electric discharge machine | |
CN113792417A (zh) | 一种基于给矿参数与智能算法的强磁机电流优化方法 | |
CN112589354A (zh) | 一种自动控制焊接变形的***和方法 | |
CN118060149B (zh) | 一种电极涂布面密度的全局控制方法、装置、设备及介质 | |
CN113909318B (zh) | 一种排线补偿工艺方法 | |
CN111086268B (zh) | 一种电石炉石灰粉料压球控制***的积分强化学习控制方法 |
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 |