CN115091283B - 一种高效磨削曲轴的控制调整方法及*** - Google Patents
一种高效磨削曲轴的控制调整方法及*** Download PDFInfo
- Publication number
- CN115091283B CN115091283B CN202210790158.8A CN202210790158A CN115091283B CN 115091283 B CN115091283 B CN 115091283B CN 202210790158 A CN202210790158 A CN 202210790158A CN 115091283 B CN115091283 B CN 115091283B
- Authority
- CN
- China
- Prior art keywords
- crankshaft
- information
- grinding
- parameter
- ground
- 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
Classifications
-
- 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
- B24B5/00—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor
- B24B5/36—Single-purpose machines or devices
- B24B5/42—Single-purpose machines or devices for grinding crankshafts or crankpins
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
- B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G05B2219/35017—Finite elements analysis, finite elements method FEM
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Robotics (AREA)
- Grinding Of Cylindrical And Plane Surfaces (AREA)
Abstract
本发明公开了一种高效磨削曲轴的控制调整方法及***,涉及人工智能技术领域,所述方法包括:通过曲轴特征决策树对曲轴多维数据信息进行分类,获得曲轴特征信息;对曲轴图像信息进行有限元分割,获得曲轴图像分割信息;基于曲轴特征信息和曲轴图像分割信息进行集成学习,构建曲轴磨削参数集成分析模型;将待磨削曲轴数据信息和待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;获取磨削装置误差参数,基于磨削装置误差参数和曲轴磨削参数信息对曲轴磨削进行控制调整。达到通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种高效磨削曲轴的控制调整方法及***。
背景技术
曲轴是保证发动机正常运转的核心部件,是活塞式发动机的关键部件,它承受连杆传来的力,并将其转变为转矩通过曲轴输出并驱动发动机上其他附件工作,在轿车、卡车、摩托车、船舶、航模、剪草机的引擎中,起着承受冲击载荷和传递动力的重要作用。为此,曲轴上的每个部位如法兰端、轴头端、主轴颈和连杆颈都必须经过精确的磨削加工。
然而,现有技术存在曲轴磨削精度低、耗时长,导致影响曲轴磨削质量的技术问题。
发明内容
本申请通过提供一种高效磨削曲轴的控制调整方法及***,解决了现有技术曲轴磨削精度低、耗时长,导致影响曲轴磨削质量的技术问题,达到通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
鉴于上述问题,本发明提供了一种高效磨削曲轴的控制调整方法及***。
第一方面,本申请提供了一种高效磨削曲轴的控制调整方法,所述方法包括:获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学习,构建曲轴磨削参数集成分析模型;采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。
另一方面,本申请还提供了一种高效磨削曲轴的控制调整***,所述***包括:数据获取模块,用于获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;特征分类模块,用于构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;图像分割模块,用于对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;模型构建模块,用于基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学习,构建曲轴磨削参数集成分析模型;数据采集模块,用于采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;模型输出模块,用于将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;控制调整模块,用于获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过曲轴特征决策树对曲轴多维数据信息进行分类,获得曲轴特征信息,对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息,再基于曲轴特征信息和曲轴图像分割信息集成训练构建曲轴磨削参数集成分析模型,将待磨削曲轴数据信息和待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;基于磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整的技术方案。进而达到通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
附图说明
图1为本申请一种高效磨削曲轴的控制调整方法的流程示意图;
图2为本申请一种高效磨削曲轴的控制调整方法中构建曲轴磨削参数集成分析模型的流程示意图;
图3为本申请一种高效磨削曲轴的控制调整方法中获得曲轴磨削参数信息的流程示意图;
图4为本申请一种高效磨削曲轴的控制调整***的结构示意图;
附图标记说明:数据获取模块11,特征分类模块12,图像分割模块13,模型构建模块14,数据采集模块15,模型输出模块16,控制调整模块17。
具体实施方式
本申请通过提供了一种高效磨削曲轴的控制调整方法***,解决了现有技术曲轴磨削精度低、耗时长,导致影响曲轴磨削质量的技术问题,达到了通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
实施例一
如图1所示,本申请提供了一种高效磨削曲轴的控制调整方法,所述方法包括:
步骤S100:获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;
具体而言,曲轴是保证发动机正常运转的核心部件,是活塞式发动机的关键部件,它承受连杆传来的力,并将其转变为转矩通过曲轴输出并驱动发动机上其他附件工作,在轿车、卡车、摩托车、船舶、航模、剪草机的引擎中,起着承受冲击载荷和传递动力的重要作用。为此,曲轴上的每个部位如法兰端、轴头端、主轴颈和连杆颈都必须经过精确的磨削加工。
采集获取曲轴数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息,所述曲轴多维数据信息包括曲轴类型、材料、结构尺寸、应用用途等各类信息,所述曲轴图像信息包括曲轴的颜色、结构、表面特征等信息,对曲轴数据信息进行全面采集,保证后续模型训练结果更加准确。
步骤S200:构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;
进一步而言,所述构建曲轴特征决策树,本申请步骤S200还包括:
步骤S210:获得曲轴结构形式属性,将所述曲轴结构形式属性作为第一曲轴分类特征;
步骤S220:获得曲轴工艺材料属性,将所述曲轴工艺材料属性作为第二曲轴分类特征;
步骤S230:获得曲轴应用类型属性,将所述曲轴应用类型属性作为第三曲轴分类特征;
步骤S240:基于所述第一曲轴分类特征、所述第二曲轴分类特征和所述第三曲轴分类特征,构建所述曲轴特征决策树。
具体而言,为了具体构建曲轴特征决策树,首先确定曲轴分类特征。将所述曲轴结构形式属性作为第一曲轴分类特征,所述曲轴结构形式属性按照曲轴结构进行分类,曲轴主要结构包括曲轴主轴颈、连杆轴颈、曲轴臂、前轴颈、后轴颈等,根据结构组成类型可分为整体式曲轴、组合式曲轴、圆盘式曲轴等。将所述曲轴工艺材料属性作为第二曲轴分类特征,所述曲轴工艺材料属性为曲轴的制造材料,包括锻钢曲轴、铸铁曲轴等,不同材质性能,磨削力度相应也不同。
将所述曲轴应用类型属性作为第三曲轴分类特征,所述曲轴应用类型属性为曲轴在发动机中的应用类型,例如汽油机曲轴、柴油机曲轴等,不同应用属性,曲轴要求也不同。决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成。
将所述第一曲轴分类特征、所述第二曲轴分类特征以及所述第三曲轴分类特征分别作为所述曲轴特征决策树的内部节点,通过对其进行信息熵的计算,可对熵值最小的特征进行优先分类,以此方法对所述曲轴特征决策树进行递归构建。通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得对应的曲轴特征信息即曲轴特征分类结果,包括结构形式特征、工艺材料特征以及应用类型特征等。通过曲轴特征决策树的准确性构建进行曲轴多维数据分类,从而提高曲轴数据处理结果的准确性和特定性。
步骤S300:对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;
具体而言,对所述曲轴图像信息进行有限元分割,根据曲轴的图像结构尺寸属性,将所述曲轴图像信息分割为多个图像网格,网格分割越多,图像的细节展示越丰富,获得曲轴图像分割信息,利于后续对图像外观特征分析更加准确高效。
步骤S400:基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学习,构建曲轴磨削参数集成分析模型;
如图2所示,进一步而言,所述基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学习,构建曲轴磨削参数集成分析模型,本申请步骤S400还包括:
步骤S410:将所述曲轴特征信息和所述曲轴图像分割信息输入深度卷积神经网络中进行训练,构建一方曲轴磨削参数分析模型;
步骤S420:获得多方曲轴采集数据信息,将所述多方曲轴采集数据信息分别输入所述深度卷积神经网络中进行分布式训练,获得多方曲轴磨削参数分析模型;
步骤S430:提取所述一方曲轴磨削参数分析模型和所述多方曲轴磨削参数分析模型的训练模型参数;
步骤S440:所述数据集成训练平台对所述训练模型参数进行联合训练,获得所述曲轴磨削参数集成分析模型。
具体而言,基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学***台用于对多个来源数据模型进行训练,使得最终的模型构建更加合理准确。首先将所述曲轴特征信息和所述曲轴图像分割信息输入深度卷积神经网络中进行训练,深度卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,特征识别稳定性高。以此训练构建一方曲轴磨削参数分析模型,用于该平台或企业内的曲轴数据处理,以对曲轴磨削参数信息进行分析。为能够对曲轴磨削参数进行更加准确全面的分析,同理对其他多个平台或企业进行曲轴数据采集,将所述多方曲轴采集数据信息分别输入所述深度卷积神经网络中进行分布式训练,获得其对应的多方曲轴磨削参数分析模型。
提取所述一方曲轴磨削参数分析模型和所述多方曲轴磨削参数分析模型的训练模型参数,所述训练模型参数包括曲轴参数、曲轴磨削类型、磨削速度、磨削力度参数以及模型相应权重等。所述数据集成训练平台对所述训练模型参数进行联合训练,构建联邦集成训练后的所述曲轴磨削参数集成分析模型,训练过程安全系数高,使得进行参数联邦学习后的所述曲轴磨削参数集成分析模型的输出结果更加合理准确,适用范围更加全面,进而保证曲轴磨削质量。
步骤S500:采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;
具体而言,为保证待磨削曲轴的磨削精确度,采集获取待磨削曲轴数据信息和待磨削曲轴图像信息,包括待磨削曲轴类型、材料、结构尺寸、应用用途、曲轴结构、表面特征等各类信息,以保证模型输出磨削参数的准确性。
步骤S600:将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;
如图3所示,进一步而言,所述将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息,本申请步骤S600还包括:
步骤S610:所述曲轴磨削参数集成分析模型包括输入层、图像卷积逻辑层、隐藏层和输出层;
步骤S620:将所述待磨削曲轴图像信息通过输入层,输入至所述图像卷积逻辑层中,输出待磨削曲轴外观特征;
步骤S630:将所述待磨削曲轴数据信息和所述待磨削曲轴外观特征输入所述隐藏层中,输出所述曲轴磨削参数信息;
步骤S640:将所述曲轴磨削参数信息作为模型输出结果通过所述输出层输出。
进一步而言,所述将所述待磨削曲轴图像信息通过输入层,输入至所述图像卷积逻辑层中,输出待磨削曲轴外观特征,本申请步骤S620还包括:
步骤S621:获取曲轴应用标准,根据所述曲轴应用标准获得预定卷积特征集合,所述预定卷积特征集合包括曲轴弯曲度特征、光滑度特征、毛刺值特征;
步骤S622:将所述待磨削曲轴图像信息通过输入层输入至所述图像卷积逻辑层中进行特征提取;
步骤S623:获得所述图像卷积逻辑层的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述待磨削曲轴外观特征。
具体而言,将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,所述曲轴磨削参数集成分析模型具体包括输入层、图像卷积逻辑层、隐藏层和输出层。将所述待磨削曲轴图像信息通过输入层,输入至所述图像卷积逻辑层中,所述图像卷积逻辑层用于对图像特征进行提取。
具体为首先获取曲轴应用标准,所述曲轴应用标准为曲轴能够实际应用的外观标准,根据所述曲轴应用标准获得预定卷积特征集合,所述预定卷积特征集合包括曲轴弯曲度特征、表面光滑度特征以及表面毛刺值特征要求标准。将所述待磨削曲轴图像信息通过输入层输入至所述图像卷积逻辑层中进行特征提取,即对图像特征进行卷积运算,获得所述图像卷积逻辑层的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述待磨削曲轴外观特征,即符合应用标准的图像外观特征。
将所述待磨削曲轴数据信息和所述待磨削曲轴外观特征输入所述隐藏层中,所述隐藏层用于通过曲轴多维数据特征和图像特征进行曲轴磨削参数分析,可通过历史数据进行训练,输出所述曲轴磨削参数信息。所述曲轴磨削参数信息包括磨削力度、磨削速度、磨削路线、磨削角度等,将所述曲轴磨削参数信息作为模型输出结果通过所述输出层输出。通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,使得模型输出的曲轴磨削参数更加合理准确,进而提高曲轴磨削精度和磨削效率。
步骤S700:获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。
进一步而言,所述获取磨损装置误差参数,基于所述磨损装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整,本申请步骤S700还包括:
步骤S710:通过声发射传感器获得所述磨削装置误差参数;
步骤S720:根据所述磨削装置误差参数,获得曲轴磨削补偿参数;
步骤S730:基于曲轴磨削补偿参数对所述曲轴磨削参数集成分析模型进行迭代更新,获得曲轴磨削参数集成优化分析模型;
步骤S740:基于所述曲轴磨削参数集成优化分析模型的输出参数信息对所述磨损装置误差参数进行修正。
具体而言,在曲轴磨削过程中,不可避免的会产生磨削装置的磨损现象,例如磨床、砂轮等,为了保证加工精度,需要及时地对砂轮的直径变化或磨损量进行检测。通过声发射传感器获得所述磨削装置误差参数,所谓声发射现象是固体材料由于结构变化引起应变能的快速释放而产生的弹性波,基于该原理,考虑将声发射传感器安装在砂轮架上,用于测量砂轮磨削过程中的声发射信号,以此获得其磨削过程中产生的磨损误差参数。
根据所述磨削装置误差参数,需要在磨削过程中对曲轴磨削精度进行误差补偿,以此获得曲轴磨削补偿参数,例如增大磨削给进量、增大磨削力等参数。基于曲轴磨削补偿参数对所述曲轴磨削参数集成分析模型进行迭代更新,获得更新后的曲轴磨削参数集成优化分析模型,并基于所述曲轴磨削参数集成优化分析模型的输出参数信息对所述磨损装置误差参数进行修正。通过修正后的磨削参数对曲轴磨削进行控制调整,使得输出参数更加贴合实际应用效果,提高磨削参数输出准确性和更新实时性,进而保证曲轴磨削精度质量。
进一步而言,本申请步骤S740还包括:
步骤S741:对所述磨削装置误差参数进行生成原因分析,获得误差生成原因信息;
步骤S742:构建曲轴磨削解决方案列表,所述曲轴磨削解决方案列表按照误差生成类型进行排列;
步骤S743:将所述误差生成原因信息和所述曲轴磨削解决方案列表进行匹配,获得曲轴误差解决方案;
步骤S744:如果所述误差生成原因信息为局限误差,基于所述曲轴误差解决方案对所述磨削装置误差参数进行消除。
具体而言,对所述磨削装置误差参数进行生成原因分析,获得误差生成原因信息,例如砂轮粒度不合适、平衡度不够、砂轮磨损、砂轮表面裂纹、机床震动等。构建曲轴磨削解决方案列表,所述曲轴磨削解决方案列表按照误差生成类型进行排列,不同的误差生成类型对应相应的解决方案,示例性的,可以控制砂轮圆度、减少进给量、更换砂轮、修整砂轮工作参数等。
将所述误差生成原因信息和所述曲轴磨削解决方案列表进行匹配,获得该误差生成类型对应的曲轴误差解决方案,如果所述误差生成原因信息为局限误差,局限误差即是可以通过调整磨削装置工作参数或使用类型可以消除的误差,基于所述曲轴误差解决方案对所述磨削装置误差参数进行消除。通过匹配合适的曲轴误差解决方案对磨削装置误差参数进行消除,达到减小磨削误差,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
综上所述,本申请所提供的一种高效磨削曲轴的控制调整方法及***具有如下技术效果:
由于采用了通过曲轴特征决策树对曲轴多维数据信息进行分类,获得曲轴特征信息,对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息,再基于曲轴特征信息和曲轴图像分割信息集成训练构建曲轴磨削参数集成分析模型,将待磨削曲轴数据信息和待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;基于磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整的技术方案。进而达到通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
实施例二
基于与前述实施例中一种高效磨削曲轴的控制调整方法同样发明构思,本发明还提供了一种高效磨削曲轴的控制调整***,如图4所示,所述***包括:
数据获取模块11,用于获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;
特征分类模块12,用于构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;
图像分割模块13,用于对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;
模型构建模块14,用于基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学习,构建曲轴磨削参数集成分析模型;
数据采集模块15,用于采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;
模型输出模块16,用于将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;
控制调整模块17,用于获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。
进一步的,所述模型构建模块还包括:
数据训练单元,用于将所述曲轴特征信息和所述曲轴图像分割信息输入深度卷积神经网络中进行训练,构建一方曲轴磨削参数分析模型;
模型训练单元,用于获得多方曲轴采集数据信息,将所述多方曲轴采集数据信息分别输入所述深度卷积神经网络中进行分布式训练,获得多方曲轴磨削参数分析模型;
参数提取单元,用于提取所述一方曲轴磨削参数分析模型和所述多方曲轴磨削参数分析模型的训练模型参数;
模型联合训练单元,用于所述数据集成训练平台对所述训练模型参数进行联合训练,获得所述曲轴磨削参数集成分析模型。
进一步的,所述模型输出模块还包括:
模型构成单元,用于所述曲轴磨削参数集成分析模型包括输入层、图像卷积逻辑层、隐藏层和输出层;
模型输入单元,用于将所述待磨削曲轴图像信息通过输入层,输入至所述图像卷积逻辑层中,输出待磨削曲轴外观特征;
参数输出单元,用于将所述待磨削曲轴数据信息和所述待磨削曲轴外观特征输入所述隐藏层中,输出所述曲轴磨削参数信息;
模型输出单元,用于将所述曲轴磨削参数信息作为模型输出结果通过所述输出层输出。
进一步的,所述模型输入单元还包括:
特征获取单元,用于获取曲轴应用标准,根据所述曲轴应用标准获得预定卷积特征集合,所述预定卷积特征集合包括曲轴弯曲度特征、光滑度特征、毛刺值特征;
特征提取单元,用于将所述待磨削曲轴图像信息通过输入层输入至所述图像卷积逻辑层中进行特征提取;
图像特征输出单元,用于获得所述图像卷积逻辑层的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述待磨削曲轴外观特征。
进一步的,所述控制调整模块还包括:
误差参数获得单元,用于通过声发射传感器获得所述磨削装置误差参数;
补偿参数获得单元,用于根据所述磨削装置误差参数,获得曲轴磨削补偿参数;
模型更新单元,用于基于曲轴磨削补偿参数对所述曲轴磨削参数集成分析模型进行迭代更新,获得曲轴磨削参数集成优化分析模型;
参数修正单元,用于基于所述曲轴磨削参数集成优化分析模型的输出参数信息对所述磨损装置误差参数进行修正。
进一步的,所述***还包括:
误差生成单元,用于对所述磨削装置误差参数进行生成原因分析,获得误差生成原因信息;
方案构建单元,用于构建曲轴磨削解决方案列表,所述曲轴磨削解决方案列表按照误差生成类型进行排列;
方案匹配单元,用于将所述误差生成原因信息和所述曲轴磨削解决方案列表进行匹配,获得曲轴误差解决方案;
误差消除单元,用于如果所述误差生成原因信息为局限误差,基于所述曲轴误差解决方案对所述磨削装置误差参数进行消除。
进一步的,所述特征分类模块还包括:
结构分类单元,用于获得曲轴结构形式属性,将所述曲轴结构形式属性作为第一曲轴分类特征;
材料分类单元,用于获得曲轴工艺材料属性,将所述曲轴工艺材料属性作为第二曲轴分类特征;
应用分类单元,用于获得曲轴应用类型属性,将所述曲轴应用类型属性作为第三曲轴分类特征;
决策树构建单元,用于基于所述第一曲轴分类特征、所述第二曲轴分类特征和所述第三曲轴分类特征,构建所述曲轴特征决策树。
本申请提供了一种高效磨削曲轴的控制调整方法,所述方法包括:获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学习,构建曲轴磨削参数集成分析模型;采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。解决了现有技术曲轴磨削精度低、耗时长,导致影响曲轴磨削质量的技术问题。达到通过构建曲轴磨削参数集成分析模型对曲轴磨削参数进行确定,提高曲轴磨削精度和磨削效率,进而保证曲轴磨削质量的技术效果。
本说明书和附图仅仅是本申请的示例性说明,如果本发明的修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种高效磨削曲轴的控制调整方法,其特征在于,所述方法包括:
获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;
构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;
对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;
基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学***台对所述训练模型参数进行联合训练,获得所述曲轴磨削参数集成分析模型;
采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;
将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;
获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。
2.如权利要求1所述的方法,其特征在于,所述将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息,包括:
所述曲轴磨削参数集成分析模型包括输入层、图像卷积逻辑层、隐藏层和输出层;
将所述待磨削曲轴图像信息通过输入层,输入至所述图像卷积逻辑层中,输出待磨削曲轴外观特征;
将所述待磨削曲轴数据信息和所述待磨削曲轴外观特征输入所述隐藏层中,输出所述曲轴磨削参数信息;
将所述曲轴磨削参数信息作为模型输出结果通过所述输出层输出。
3.如权利要求2所述的方法,其特征在于,所述将所述待磨削曲轴图像信息通过输入层,输入至所述图像卷积逻辑层中,输出待磨削曲轴外观特征,包括:
获取曲轴应用标准,根据所述曲轴应用标准获得预定卷积特征集合,所述预定卷积特征集合包括曲轴弯曲度特征、光滑度特征、毛刺值特征;
将所述待磨削曲轴图像信息通过输入层输入至所述图像卷积逻辑层中进行特征提取;
获得所述图像卷积逻辑层的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述待磨削曲轴外观特征。
4.如权利要求1所述的方法,其特征在于,所述获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整,包括:
通过声发射传感器获得所述磨削装置误差参数;
根据所述磨削装置误差参数,获得曲轴磨削补偿参数;
基于曲轴磨削补偿参数对所述曲轴磨削参数集成分析模型进行迭代更新,获得曲轴磨削参数集成优化分析模型;
基于所述曲轴磨削参数集成优化分析模型的输出参数信息对所述磨削装置误差参数进行修正。
5.如权利要求4所述的方法,其特征在于,所方法包括:
对所述磨削装置误差参数进行生成原因分析,获得误差生成原因信息;
构建曲轴磨削解决方案列表,所述曲轴磨削解决方案列表按照误差生成类型进行排列;
将所述误差生成原因信息和所述曲轴磨削解决方案列表进行匹配,获得曲轴误差解决方案;
如果所述误差生成原因信息为局限误差,基于所述曲轴误差解决方案对所述磨削装置误差参数进行消除。
6.如权利要求1所述的方法,其特征在于,所述构建曲轴特征决策树,包括:
获得曲轴结构形式属性,将所述曲轴结构形式属性作为第一曲轴分类特征;
获得曲轴工艺材料属性,将所述曲轴工艺材料属性作为第二曲轴分类特征;
获得曲轴应用类型属性,将所述曲轴应用类型属性作为第三曲轴分类特征;
基于所述第一曲轴分类特征、所述第二曲轴分类特征和所述第三曲轴分类特征,构建所述曲轴特征决策树。
7.一种高效磨削曲轴的控制调整***,其特征在于,所述***包括:
数据获取模块,用于获取曲轴采集数据信息,所述曲轴采集数据信息包括曲轴多维数据信息和曲轴图像信息;
特征分类模块,用于构建曲轴特征决策树,通过所述曲轴特征决策树对所述曲轴多维数据信息进行分类,获得曲轴特征信息;
图像分割模块,用于对所述曲轴图像信息进行有限元分割,获得曲轴图像分割信息;
模型构建模块,用于基于所述曲轴特征信息和所述曲轴图像分割信息上传至数据集成训练平台进行学***台对所述训练模型参数进行联合训练,获得所述曲轴磨削参数集成分析模型;
数据采集模块,用于采集获取待磨削曲轴数据信息和待磨削曲轴图像信息;
模型输出模块,用于将所述待磨削曲轴数据信息和所述待磨削曲轴图像信息输入所述曲轴磨削参数集成分析模型中,获得曲轴磨削参数信息;
控制调整模块,用于获取磨削装置误差参数,基于所述磨削装置误差参数和所述曲轴磨削参数信息对曲轴磨削进行控制调整。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790158.8A CN115091283B (zh) | 2022-07-06 | 2022-07-06 | 一种高效磨削曲轴的控制调整方法及*** |
LU502681A LU502681B1 (en) | 2022-07-06 | 2022-08-18 | Control adjustment method and system for high-efficiency grinding crankshaft |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790158.8A CN115091283B (zh) | 2022-07-06 | 2022-07-06 | 一种高效磨削曲轴的控制调整方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115091283A CN115091283A (zh) | 2022-09-23 |
CN115091283B true CN115091283B (zh) | 2023-08-22 |
Family
ID=83297736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210790158.8A Active CN115091283B (zh) | 2022-07-06 | 2022-07-06 | 一种高效磨削曲轴的控制调整方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115091283B (zh) |
LU (1) | LU502681B1 (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2061554A (en) * | 1979-10-18 | 1981-05-13 | Gfm Fertigungstechnik | Control System for Producing Crankshafts |
WO1998010891A1 (en) * | 1996-09-13 | 1998-03-19 | Unova U.K. Limited | Improvements in and relating to workpiece grinding |
WO2000064632A1 (en) * | 1999-04-23 | 2000-11-02 | Unova U.K. Limited | Method and apparatus for controlling a workrest |
WO2001066305A1 (en) * | 2000-03-06 | 2001-09-13 | Marposs Società per Azioni | Apparatus and methods for measuring the pins diameter of a crankshaft at the place of grinding |
CN108481102A (zh) * | 2018-03-22 | 2018-09-04 | 天润曲轴股份有限公司 | 一种插补磨削曲轴圆角的方法 |
CN108763803A (zh) * | 2018-06-04 | 2018-11-06 | 东华大学 | 基于曲轴连杆颈随动磨削轮廓误差分解的磨床分析方法 |
CN112884770A (zh) * | 2021-04-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN114037709A (zh) * | 2021-11-05 | 2022-02-11 | 复旦大学附属肿瘤医院 | 一种磨玻璃肺结节分割方法及装置 |
CN114153816A (zh) * | 2021-11-25 | 2022-03-08 | 山东理工大学 | 一种用户-基础-过程-知识递进结构的远程磨削数据库管理***及高效低耗智能磨削方法 |
CN114161240A (zh) * | 2021-12-15 | 2022-03-11 | 清华大学 | 一种磨削面形预测方法、磨削***及终端设备 |
CN114536110A (zh) * | 2022-03-03 | 2022-05-27 | 华辰精密装备(昆山)股份有限公司 | 用于非圆构件复杂轮廓磨削的误差实时补偿方法及*** |
CN114571326A (zh) * | 2022-01-20 | 2022-06-03 | 上海交通大学 | 基于计算机视觉的变形曲面磨削方法、装置及*** |
-
2022
- 2022-07-06 CN CN202210790158.8A patent/CN115091283B/zh active Active
- 2022-08-18 LU LU502681A patent/LU502681B1/en active IP Right Grant
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2061554A (en) * | 1979-10-18 | 1981-05-13 | Gfm Fertigungstechnik | Control System for Producing Crankshafts |
WO1998010891A1 (en) * | 1996-09-13 | 1998-03-19 | Unova U.K. Limited | Improvements in and relating to workpiece grinding |
WO2000064632A1 (en) * | 1999-04-23 | 2000-11-02 | Unova U.K. Limited | Method and apparatus for controlling a workrest |
WO2001066305A1 (en) * | 2000-03-06 | 2001-09-13 | Marposs Società per Azioni | Apparatus and methods for measuring the pins diameter of a crankshaft at the place of grinding |
CN108481102A (zh) * | 2018-03-22 | 2018-09-04 | 天润曲轴股份有限公司 | 一种插补磨削曲轴圆角的方法 |
CN108763803A (zh) * | 2018-06-04 | 2018-11-06 | 东华大学 | 基于曲轴连杆颈随动磨削轮廓误差分解的磨床分析方法 |
CN112884770A (zh) * | 2021-04-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN114037709A (zh) * | 2021-11-05 | 2022-02-11 | 复旦大学附属肿瘤医院 | 一种磨玻璃肺结节分割方法及装置 |
CN114153816A (zh) * | 2021-11-25 | 2022-03-08 | 山东理工大学 | 一种用户-基础-过程-知识递进结构的远程磨削数据库管理***及高效低耗智能磨削方法 |
CN114161240A (zh) * | 2021-12-15 | 2022-03-11 | 清华大学 | 一种磨削面形预测方法、磨削***及终端设备 |
CN114571326A (zh) * | 2022-01-20 | 2022-06-03 | 上海交通大学 | 基于计算机视觉的变形曲面磨削方法、装置及*** |
CN114536110A (zh) * | 2022-03-03 | 2022-05-27 | 华辰精密装备(昆山)股份有限公司 | 用于非圆构件复杂轮廓磨削的误差实时补偿方法及*** |
Non-Patent Citations (1)
Title |
---|
轴类零件的磨损分析与检测***设计;侯立丹;张宇;;山东理工大学学报(自然科学版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
LU502681B1 (en) | 2023-02-20 |
CN115091283A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554657B (zh) | 一种数控机床运行状态健康诊断***及诊断方法 | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
JP2013186899A (ja) | 構造物を監視するための方法及びシステム | |
CN112765732B (zh) | 一种基于选区激光熔化工艺的航空叶片拓扑优化设计方法 | |
Ramnath et al. | Implementation of reverse engineering for crankshaft manufacturing industry | |
CN115091283B (zh) | 一种高效磨削曲轴的控制调整方法及*** | |
CN113538378A (zh) | 一种基于深度学习的轴承尺寸在线检测*** | |
CN111075647B (zh) | 一种基于elm的变速风电机组最大风能捕获方法 | |
CN112115555A (zh) | 一种智能网联环境下汽车瞬时油耗监测方法 | |
CN113946911B (zh) | 一种基于灰色关联分析法的驾驶室结构优化方法 | |
CN110889239A (zh) | 基于飞参数据辨识的航空燃气涡轮发动机建模方法 | |
CN114491863A (zh) | 一种发动机主轴承座的螺纹连接副可靠性仿真分析方法 | |
Li et al. | CNN-GRU network-based force prediction approach for variable working condition milling clamping points of deformable parts | |
CN108073074B (zh) | 一种基于机床进给***运动特性的装配质量控制方法 | |
CN114970049B (zh) | 一种轴承预紧力可变的电主轴热误差预测方法 | |
Wu et al. | Adaptive CNC machining process optimization of near-net-shaped blade based on machining error data flow control | |
CN114905515B (zh) | 一种基于柔性感知神经网络的机器人控制方法及*** | |
CN109117597B (zh) | 一种基于对应分析法的加工关键因素分级方法 | |
CN110633521B (zh) | 一种针对回转体的多级转子装配相位优化方法 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN111709160B (zh) | 一种基于卡车底盘的行驶动态性能分析优化方法及*** | |
CN111178425B (zh) | 一种基于卷积神经网络的大型高速回转装备面型分类方法 | |
CN109253884B (zh) | 基于神经网络的涡轮排气背压估计方法 | |
CN115099102A (zh) | 一种融合肤面模型与有限元的精密机械精度建模方法 |
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 |