CN115933534A - 一种基于物联网的数控智能检测***及方法 - Google Patents
一种基于物联网的数控智能检测***及方法 Download PDFInfo
- Publication number
- CN115933534A CN115933534A CN202310084634.9A CN202310084634A CN115933534A CN 115933534 A CN115933534 A CN 115933534A CN 202310084634 A CN202310084634 A CN 202310084634A CN 115933534 A CN115933534 A CN 115933534A
- Authority
- CN
- China
- Prior art keywords
- data
- workpiece
- image
- numerical control
- unit
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 12
- 238000013144 data compression Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009776 industrial production Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 6
- 239000000428 dust Substances 0.000 abstract description 4
- 238000003754 machining Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
Images
Classifications
-
- 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
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于物联网的数控智能检测***及方法,涉及物联网技术领域,包括:S1:通过数据采集模块对数控机床的状态数据和生产工件的状态数据进行采集;S2:通过数据处理模块对采集到的相关数据进行处理;S3:通过数据分析模块对处理后数据进行分析;S4:通过数控管理模块对相关生产数据进行调整;通过对数控生产工件的智能检测,避免了由于工件振动和尘屑遮挡引起的检测失误,提高了机器分拣的准确率,减少了检测失误造成的对生产资源的浪费。
Description
技术领域
本发明涉及物联网技术领域,具体为一种基于物联网的数控智能检测***及方法。
背景技术
随着科技的发展,目前对于生产制造行业的要求不断提高,传统的工业生产方式也发生了改变。由于现阶段对于机床加工的要求精度高,加工速度快,在现代化制造领域,基于自动化的数字控制技术在工业生产中逐渐引起了人们的重视;利用数字化信息对机械加工过程进行控制这一技术方案具有质量稳定、精度高、生产效率高等优点。其中,数控机床在加工过程中通过图像识别技术对物体表面情况进行检测,以此来达到自动化分拣的效果,相比于人工分拣的方式,通过机器视觉能够减少由于工人视觉主观差异造成的检测失误,同时加快了检测速度,减少了人力和物力的消耗。
但是,在使用数控机床加工精密工件时,连续、大批量的小微工件通过流水线作业不断输出,而加工过程中的工件振动和加工尘屑如金属飞屑等,将会对图像识别造成一定的干扰,影响机器对工件的准确判别。所以,人们需要一种基于物联网的数控智能检测***及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于物联网的数控智能检测***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于物联网的数控智能检测***,所述***包括:数据采集模块、数据处理模块、数据库、数据分析模块和数控管理模块;
所述数据采集模块用于对数控机床的状态数据和生产工件的状态数据进行采集;
所述数据处理模块用于对采集到的数据进行处理,并将处理后的数据进行传输;
所述数据库用于对处理后的数据进行存储;
所述数据分析模块用于对接收到的数据进行检测分析,并将检测结果进行反馈;
所述数控管理模块用于根据检测结果对相关生产数据进行调整。
进一步的,所述数据采集模块包括机床状态采集单元和工件状态采集单元;
所述机床状态采集单元用于对数控生产机床的状态数据进行采集;
所述工件状态采集单元用于对数控生产的各工件状态进行采集;
所述数据处理模块包括数据变换单元、数据压缩单元和数据传输单元;
所述数据变换单元用于对采集到的相关数据进行转换处理,所述数据压缩单元用于对转换后的数据进行压缩,以便于减少数据量,节省传输和存储所需的资源量;本发明使用无损压缩算法对图像进行压缩,通过计算空间或时间上相邻像素值的差,再进行编码。
所述数据传输单元用于对压缩后的相关数据进行传输,并在传输时进行加密;并在传输时进行加密,确保工业生产数据的安全性。
进一步的,所述数据分析模块包括特征提取单元、图像识别单元和识别反馈单元;
所述特征提取单元用于对数据中的特征部分进行提取;减少噪声影响,
所述图像识别单元用于对提取到的图像特征进行识别;
所述识别反馈单元用于根据所述图像识别单元的识别结果发出指令。
进一步的,所述数控管理模块包括数据接收单元和数据更新单元;
所述数据接收单元用于对识别反馈单元的指令进行接收;
所述数据更新单元用于根据接收到的指令对数控生产中的相关参数进行更新。
一种基于物联网的数控智能检测方法,包括以下步骤:
S1:通过数据采集模块对数控机床的状态数据和生产工件的状态数据进行采集;
S2:通过数据处理模块对采集到的相关数据进行处理;
S3:通过数据分析模块对处理后数据进行分析;
S4:通过数控管理模块对相关生产数据进行调整。
进一步的,在步骤S1中,通过机床状态采集单元采集到数控生产机床的状态数据,通过工件状态采集单元采集到数控生产中的各工件的状态数据,包括工件位置信息和工件图像信息;通过采集到的机床数据能够对当前生产状态进行了解,同时能够根据检测结果通过数字化控制对机床设置进行调整更新;通过采集到的工件状态数据能够在生产过程中实时对各工件进行检测,以便于在各加工环节实现对工件状态的把控,减少资源浪费。
进一步的,在步骤S2中,对于采集到的工件图像,通过数据变换单元对采集到的工件图像信息进行变换处理,通过傅里叶变换后将图像将空间域转换到频域,设置数字滤波器,对图形的频谱进行滤波,得到处理后的工件图像信息;通过数据压缩单元对转换后的图像信息进行压缩,在步骤S2中,对于采集到的工件图像信息,通过数据变换单元对采集到的工件图像信息进行变换处理,由相机采集到的图像阵列较大,直接对其进行识别处理时需要很大的计算量,通过变换处理后,能够减少计算量;通过傅里叶变换后将图像从空间域转换到频域,设置数字滤波器,对图形的频谱进行滤波,以便于能够减少噪声干扰;得到处理后的工件图像信息;通过数据压缩单元对转换后的图像信息进行压缩,通过减少比特数,减少数据体积,使得能够节省存储占用的数据库空间和传输所需的资源;通过数据传输单元对压缩后的图像信息进行传输,并在传输时进行加密,确保工业生产数据的安全性。对图像数据进行加密处理的过程为现有技术,因此,在本发明中不做过多的阐述。
进一步的,在步骤S3中通过数据分析模块对处理后数据进行分析具体包括:
S3-1:通过数据提取单元对图像数据中的特征部分进行提取;
S3-2:通过图像识别单元对提取到的图像特征进行识别;所述识别包括工件振动识别和工件表面遮盖识别;
S3-3:通过识别反馈单元根据所述图像识别单元的识别结果发出相应指令;对不合格工件进行分拣。
进一步的,所述工件振动识别具体包括以下步骤:
A1:对工件图像数据进行特征值化,建立二维坐标系,将图像数据映射到二维坐标系内,形成像素点坐标组成的集合A={(xi,yj)},i,j=1,2,...,n,n表示坐标点个数;
A2:根据各像素点的特征信息,定义大小为(2N+1)*(2N+1)的窗口,其中,2N+1表示像素的数量,以窗口中心位置为坐标原点进行取样,得到若干由像素点组成的窗口集合Q={qh};其中,qh 表示工件图像数据的第h个窗口,h=1,2,...,m;m表示窗口数目;
具体的,(2N+1)2*m=n;
A3:通过卷积扫描各区域内的每一个像素,用卷积确定的中心各邻域的像素加权平均灰度值代替中心像素点的值,根据以下公式计算得到第r个窗口的中心像素值Lr:
Lr=[1/(2N+1)2] ∑j+N j=j-N∑i+N i=i-N(xi,yj);
整合得到图像中的中心像素点集合L={L1,L2,...,Lm};
A4:根据预设的阈值θ,当中心像素值Lr>θ时,认为该像素点属于工件图像;当中心像素值Lr<θ时,认为该像素点属于因振动导致的图像误差,对Lr对应的窗口进行删除,得到处理后的工件图像F(x,y);
A5:通过将构建得到的工件图像F(x,y)与预设工件标准进行比较,判断工件是否属于因振动造成的图像异常;
若比较结果显示工件符合生产要求,则认为存在工件振动影响检测,判定该工件合格;
若比较结果显示工件不符合生产要求,则认为该工件不属于因工件振动导致的检测误差,判定该工件不合格。
进一步的,所述工件表面遮盖识别具体包括以下步骤:
B1:对工件图像数据进行特征值化,建立二维坐标系,将图像数据映射到二维坐标系内,形成像素点坐标组成的集合A={(xi,yj)},i,j=1,2,...,n,n表示坐标点个数;
所述坐标系以图像数据中工件主体与传送装置相接面为参考建立;
B2:根据各像素点的特征信息,提取到图像中工件的边缘像素点,根据像素点坐标信息构建关于工件轮廓的坐标集W,所述W内包括{w1,w2,...,wσ},其中,w1,w2,...,wσ分别表示坐标集W中的第1、2、...、σ个坐标;
B3:通过将构建得到的图像轮廓坐标集W与预设的工件标准轮廓坐标集Y进行比较,得到坐标集W中与预设标准相匹配的第一区域坐标集O,得到坐标集W中与预设标准不匹配的第二区域坐标集D,其中,O∪D=W;
B4:对工件施加外部作用力,工件受迫振动产生图像变化;
其中,可通过上述步骤A2-A4对振动图像进行还原;
B5:对工件振动瞬间进行监测,重复步骤B1-B3,将获取到的振动瞬间图像与原图像进行对比,根据两图像中第一区域与第二区域连接处的坐标变化,判断第一区域与第二区域是否存在分离关系;
具体的,在原图像中,第一区域与第二区域的连接处坐标集为Wa,Wa∈W;Wa是工件轮廓的坐标集W的一个子集,振动瞬间图像中第一区域与第二区域的连接处坐标集为Wb,Wb∈W;Wb是工件轮廓的坐标集W的一个子集,对两图像中第一区域与第二区域连接处的坐标集进行对比,当Wa≠Wb时,认为第一区域与第二区域存在分离关系;
优选的,选取图像中的特征点,得到图像特征点模板,通过匹配成功的两图像中的特征点,进行透视变换,得到两图像中的差异对比;
B6:若两区域存在分离关系,则认为第一区域内的工件符合生产要求;若两区域不存在分离关系,则认为该工件不合格。
所述工件表面遮盖识别用于对小微工件因生产环境造成的工件表面存在材料飞屑进行判别,防止因相机拍摄图像引起的机器检测判断失误,减少在分拣时对工件是否合格造成的误判,能够有效减少资源浪费,同时能够防止因合格工件处理不当导致的数据泄露;
进一步的,在步骤S4中,通过数据接收单元对识别反馈单元的指令进行接收;通过数据更新单元用于根据接收到的指令信息对数控生产中的相关参数进行更新。
若工件在加工过程中检测到振动,为了生产安全和加工精度,调整振源参数或进行隔振处理;若工件在验收分拣时检测到振动,进行振动图像的还原后,对不符合生产标准的工件进行回收处理。
与现有技术相比,本发明所达到的有益效果是:
本发明对数控生产的小微工件进行检测,通过数据采集模块对数控机床的状态数据和生产工件的状态数据进行采集;通过数据处理模块对采集到的数据进行处理,并将处理后的数据进行传输;通过数据库对处理后的数据进行存储;通过数据分析模块对接收到的数据进行检测分析,并将检测结果进行反馈;通过数控管理模块根据检测结果对相关生产数据进行调整。通过对数控生产工件的智能检测,避免了由于工件振动和尘屑遮挡引起的检测失误,提高了机器分拣的准确率,减少了检测失误造成的对生产资源的浪费。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于物联网的数控智能检测***及方法的模块结构示意图;
图2是本发明一种基于物联网的数控智能检测***及方法的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一:
如图1所示,本实施例提供了一种基于物联网的数控智能检测***,所述***包括:数据采集模块、数据处理模块、数据库、数据分析模块和数控管理模块;
通过数据采集模块对数控机床的状态数据和生产工件的状态数据进行采集;所述数据采集模块包括机床状态采集单元和工件状态采集单元;
通过机床状态采集单元对数控生产机床的状态数据进行采集;
通过工件状态采集单元对数控生产的各工件状态进行采集。
通过数据处理模块对采集到的数据进行处理,并将处理后的数据进行传输;所述数据处理模块包括数据变换单元、数据压缩单元和数据传输单元;
通过数据变换单元对采集到的相关数据进行转换处理,可采用的关于图像变换的方法包括傅里叶变换、沃尔什变换、离散余弦变换等,将图像阵列在空间域的处理转换为变换域处理,以便于减少计算量;本发明使用傅里叶变换对数据进行变换处理,使得在频域中进行数字滤波处理。
通过数据压缩单元对转换后的数据进行压缩,以便于减少数据量,节省传输和存储所需的资源量;本发明使用无损压缩算法对图像进行压缩,通过计算空间或时间上相邻像素值的差,再进行编码。
通过数据传输单元对压缩后的相关数据进行传输,并在传输时进行加密,确保工业生产数据的安全性。
通过数据库用于对处理后的数据进行存储;
通过数据分析模块对接收到的数据进行检测分析,并将检测结果进行反馈;所述数据分析模块包括特征提取单元、图像识别单元和识别反馈单元;
通过特征提取单元对数据中的特征部分进行提取;减少噪声影响,
通过图像识别单元对提取到的图像特征进行识别;
通过识别反馈单元根据所述图像识别单元的识别结果发出指令。
通过数控管理模块根据检测结果对相关生产数据进行调整。
通过数控管理模块包括数据接收单元和数据更新单元;
通过数据接收单元对识别反馈单元的指令进行接收;
通过数据更新单元根据接收到的指令对数控生产中的相关参数进行更新。
实施例二:
如图2所示,本实施例提供了一种基于物联网的数控智能检测方法,具体包括以下步骤:
S1:通过数据采集模块对数控机床的状态数据和生产工件的状态数据进行采集;通过机床状态采集单元采集到数控生产机床的状态数据,包括开关状态数据、设备参数数据、生产设置数据等;通过工件状态采集单元采集到数控生产中的各工件的状态数据,包括工件位置信息和工件图像信息;
通过采集到的机床数据能够对当前生产状态进行了解,同时能够根据检测结果通过数字化控制对机床设置进行调整更新;通过采集到的工件状态数据能够在生产过程中实时对各工件进行检测,以便于在各加工环节实现对工件状态的把控,减少资源浪费。
S2:通过数据处理模块对采集到的相关数据进行处理;对于采集到的工件图像,通过数据变换单元对采集到的工件图像信息进行变换处理,通过傅里叶变换后将图像将空间域转换到频域,设置数字滤波器,对图形的频谱进行滤波,得到处理后的工件图像信息;通过数据压缩单元对转换后的图像信息进行压缩,在步骤S2中,对于采集到的工件图像信息,通过数据变换单元对采集到的工件图像信息进行变换处理,由相机采集到的图像阵列较大,直接对其进行识别处理时需要很大的计算量,通过变换处理后,能够减少计算量;通过傅里叶变换后将图像从空间域转换到频域,设置数字滤波器,对图形的频谱进行滤波,以便于能够减少噪声干扰;滤波器是一个矩阵,通过滤波器依次从左往右、从上到下滑过图像的所有区域,将该滤波器对尺寸大小相同的图像区域进行点乘,对点乘后的各个乘积进行求和后,得到过滤后的新图像;得到处理后的工件图像信息;通过数据压缩单元对转换后的图像信息进行压缩,通过减少比特数,减少数据体积,使得能够节省存储占用的数据库空间和传输所需的资源;本发明使用无损压缩算法对图像进行压缩,通过计算空间或时间上相邻像素值的差,再进行编码。
通过数据传输单元对压缩后的图像信息进行传输,并在传输时进行加密,确保工业生产数据的安全性。对图像数据进行加密处理的过程为现有技术,因此,在本发明中不做过多的阐述。
S3:通过数据分析模块对处理后数据进行分析;
在步骤S3中通过数据分析模块对处理后数据进行分析具体包括:
S3-1:通过数据提取单元对图像数据中的特征部分进行提取;
S3-2:通过图像识别单元对提取到的图像特征进行识别;所述识别包括工件振动识别和工件表面遮盖识别;
S3-3:通过识别反馈单元根据所述图像识别单元的识别结果发出相应指令;对不合格工件进行分拣。
其中,工件振动识别具体包括以下步骤:
A1:对工件图像数据进行特征值化,建立二维坐标系,将图像数据映射到二维坐标系内,形成像素点坐标组成的集合A={(xi,yj)},i,j=1,2,...,n,n表示坐标点个数;
A2:根据各像素点的特征信息,定义大小为(2N+1)*(2N+1)的窗口,其中,2N+1表示像素的数量,以窗口中心位置为坐标原点进行取样,得到若干由像素点组成的窗口集合Q={qh};其中,qh 表示工件图像数据的第h个窗口,h=1,2,...,m;m表示窗口数目;
具体的,(2N+1)2*m=n;
A3:通过卷积扫描各区域内的每一个像素,用卷积确定的中心各邻域的像素加权平均灰度值代替中心像素点的值,根据以下公式计算得到第r个窗口的中心像素值Lr:
Lr=[1/(2N+1)2] ∑j+N j=j-N∑i+N i=i-N(xi,yj);
整合得到图像中的中心像素点集合L={L1,L2,...,Lm};
A4:根据预设的阈值θ,当中心像素值Lr>θ时,认为该像素点属于工件图像;当中心像素值Lr<θ时,认为该像素点属于因振动导致的图像误差,对Lr对应的窗口进行删除,得到处理后的工件图像F(x,y);
A5:通过将构建得到的工件图像F(x,y)与预设工件标准进行比较,判断工件是否属于因振动造成的图像异常;
若比较结果显示工件符合生产要求,则认为存在工件振动影响检测,判定该工件合格;
若比较结果显示工件不符合生产要求,则认为该工件不属于因工件振动导致的检测误差,判定该工件不合格。
其中,工件表面遮盖识别具体包括以下步骤:
B1:对工件图像数据进行特征值化,建立二维坐标系,将图像数据映射到二维坐标系内,形成像素点坐标组成的集合A={(xi,yj)},i=1,2,...,n,n表示坐标点个数;
所述坐标系以图像数据中工件主体与传送装置相接面为参考建立;
B2:根据各像素点的特征信息,提取到图像中工件的边缘像素点,根据像素点坐标信息构建关于工件轮廓的坐标集W,所述W内包括{w1,w2,...,wσ},其中,w1,w2,...,wσ分别表示坐标集W中的第1、2、...、σ个坐标;
B3:通过将构建得到的图像轮廓坐标集W与预设的工件标准轮廓坐标集Y进行比较,得到坐标集W中与预设标准相匹配的第一区域坐标集O,得到坐标集W中与预设标准不匹配的第二区域坐标集D,其中,O∪D=W;
B4:对工件施加外部作用力,工件受迫振动产生图像变化;
其中,可通过上述步骤A2-A4对振动图像进行还原;
B5:对工件振动瞬间进行监测,重复步骤B1-B3,将获取到的振动瞬间图像与原图像进行对比,根据两图像中第一区域与第二区域连接处的坐标变化,判断第一区域与第二区域是否存在分离关系;
具体的,在原图像中,第一区域与第二区域的连接处坐标集为Wa,Wa∈W;Wa是工件轮廓的坐标集W的一个子集,振动瞬间图像中第一区域与第二区域的连接处坐标集为Wb,Wb∈W;Wb是工件轮廓的坐标集W的一个子集,对两图像中第一区域与第二区域连接处的坐标集进行对比,当Wa≠Wb时,认为第一区域与第二区域存在分离关系;
优选的,选取图像中的特征点,得到图像特征点模板,通过匹配成功的两图像中的特征点,进行透视变换,得到两图像中的差异对比;
B6:若两区域存在分离关系,则认为第一区域内的工件符合生产要求;若两区域不存在分离关系,则认为该工件不合格。
所述工件表面遮盖识别用于对小微工件因生产环境造成的工件表面存在材料飞屑进行判别,防止因相机拍摄图像引起的机器检测判断失误,减少在分拣时对工件是否合格造成的误判,能够有效减少资源浪费,同时能够防止因合格工件处理不当导致的数据泄露;
S4:通过数控管理模块对相关生产数据进行调整;通过数据接收单元对识别反馈单元的指令进行接收;通过数据更新单元用于根据接收到的指令信息对数控生产中的相关参数进行更新。若工件在加工过程中检测到振动,为了生产安全和加工精度,调整振源参数或进行隔振处理;例如,调整切削深度、下刀角度,或选择刀具参数来增大切割刀具与工件之间的阻尼系数;若工件在验收分拣时检测到振动,进行振动图像的还原后,对不符合生产标准的工件进行回收处理。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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)
1.一种基于物联网的数控智能检测***,其特征在于:所述***包括:数据采集模块、数据处理模块、数据库、数据分析模块和数控管理模块;
所述数据采集模块用于对数控机床的状态数据和生产工件的状态数据进行采集;
所述数据处理模块用于对采集到的数据进行处理,并将处理后的数据进行传输;
所述数据库用于对处理后的数据进行存储;
所述数据分析模块用于对接收到的数据进行检测分析,并将检测结果进行反馈;
所述数控管理模块用于根据检测结果对相关生产数据进行调整。
2.根据权利要求1所述的一种基于物联网的数控智能检测***,其特征在于:所述数据采集模块包括机床状态采集单元和工件状态采集单元;
所述机床状态采集单元用于对数控生产机床的状态数据进行采集;
所述工件状态采集单元用于对数控生产的各工件状态进行采集;
所述数据处理模块包括数据变换单元、数据压缩单元和数据传输单元;
所述数据变换单元用于对采集到的相关数据进行转换处理,所述数据压缩单元用于对转换后的数据进行压缩,所述数据传输单元用于对压缩后的相关数据进行传输,并在传输时进行加密。
3.根据权利要求1所述的一种基于物联网的数控智能检测***,其特征在于:所述数据分析模块包括特征提取单元、图像识别单元和识别反馈单元;
所述特征提取单元用于对数据中的特征部分进行提取;
所述图像识别单元用于对提取到的图像特征进行识别;
所述识别反馈单元用于根据所述图像识别单元的识别结果发出指令。
4.根据权利要求3所述的一种基于物联网的数控智能检测***,其特征在于:所述数控管理模块包括数据接收单元和数据更新单元;
所述数据接收单元用于对所述识别反馈单元的指令进行接收;
所述数据更新单元用于根据接收到的指令对数控生产中的相关参数进行更新。
5.一种基于物联网的数控智能检测方法,其特征在于:包括以下步骤:
S1:通过数据采集模块对数控机床的状态数据和生产工件的状态数据进行采集;
S2:通过数据处理模块对采集到的相关数据进行处理;
S3:通过数据分析模块对处理后数据进行分析;
S4:通过数控管理模块对相关生产数据进行调整。
6.根据权利要求5所述的一种基于物联网的数控智能检测方法,其特征在于:在步骤S1中,通过机床状态采集单元采集到数控生产机床的状态数据,通过工件状态采集单元采集到数控生产中的各工件的状态数据,包括工件位置信息和工件图像信息;
在步骤S2中,对于采集到的工件图像信息,通过数据变换单元对采集到的工件图像信息进行变换处理,通过傅里叶变换后将图像从空间域转换到频域,设置数字滤波器,对图形的频谱进行滤波,得到处理后的工件图像信息;通过数据压缩单元对转换后的图像信息进行压缩,通过数据传输单元对压缩后的图像信息进行传输,并在传输时进行加密,确保工业生产数据的安全性。
7.根据权利要求5所述的一种基于物联网的数控智能检测方法,其特征在于:在步骤S3中通过数据分析模块对处理后数据进行分析具体包括:
S3-1:通过数据提取单元对图像数据中的特征部分进行提取;
S3-2:通过图像识别单元对提取到的图像特征进行识别;所述识别包括工件振动识别和工件表面遮盖识别;
S3-3:通过识别反馈单元根据所述图像识别单元的识别结果发出相应指令;对不合格工件进行分拣。
8.根据权利要求7所述的一种基于物联网的数控智能检测方法,其特征在于:所述工件振动识别具体包括以下步骤:
A1:对工件图像数据进行特征值化,建立二维坐标系,将图像数据映射到二维坐标系内,形成像素点坐标组成的集合A={(xi,yj)},i,j=1,2,...,n,n表示坐标点个数;
A2:根据各像素点的特征信息,定义大小为(2N+1)*(2N+1)的窗口,其中,2N+1表示像素的数量,以窗口中心位置为坐标原点进行取样,得到若干由像素点组成的窗口集合Q={qh};其中,qh 表示工件图像数据的第h个窗口,h=1,2,...,m;m表示窗口数目;
A3:通过卷积扫描各区域内的每一个像素,用卷积确定的中心各邻域的像素加权平均灰度值代替中心像素点的值,根据以下公式计算得到第r个窗口的中心像素值Lr:
Lr=[1/(2N+1)2] ∑j+N j=j-N∑i+N i=i-N(xi,yj);
整合得到图像中的中心像素点集合L={L1,L2,...,Lm};
A4:根据预设的阈值θ,当中心像素值Lr>θ时,认为该像素点属于工件图像;当中心像素值Lr<θ时,认为该像素点属于因振动导致的图像误差,对Lr对应的窗口进行删除,得到处理后的工件图像F(x,y);
A5:通过将处理得到的工件图像F(x,y)与预设工件标准进行比较,判断工件是否属于因振动造成的图像异常;
若比较结果显示工件符合生产要求,则认为存在工件振动影响检测,判定该工件合格;
若比较结果显示工件不符合生产要求,则认为该工件不属于因工件振动导致的检测误差,判定该工件不合格。
9.根据权利要求7所述的一种基于物联网的数控智能检测方法,其特征在于:所述工件表面遮盖识别具体包括以下步骤:
B1:对工件图像数据进行特征值化,建立二维坐标系,将图像数据映射到二维坐标系内,形成像素点坐标组成的集合A={(xi,yj)},i,j=1,2,...,n,n表示坐标点个数;
B2:根据各像素点的特征信息,提取到图像中工件的边缘像素点,根据像素点坐标信息构建关于工件轮廓的坐标集W,所述W内包括{w1,w2,...,wσ},其中,w1,w2,...,wσ分别表示坐标集W中的第1、2、...、σ个坐标;
B3:通过将构建得到的图像轮廓坐标集W与预设的工件标准轮廓坐标集Y进行比较,得到坐标集W中与预设标准相匹配的第一区域坐标集O,得到坐标集W中与预设标准不匹配的第二区域坐标集D,其中,O∪D=W;
B4:对工件施加外部作用力,工件受迫振动产生图像变化;
B5:对工件振动瞬间进行监测,重复步骤B1-B3,将获取到的振动瞬间图像与原图像进行对比,根据两图像中第一区域与第二区域连接处的坐标变化,判断第一区域与第二区域是否存在分离关系;
具体的,在原图像中,第一区域与第二区域的连接处坐标集为Wa,Wa∈W;振动瞬间图像中第一区域与第二区域的连接处坐标集为Wb,Wb∈W;对两图像中第一区域与第二区域连接处的坐标集进行对比,当Wa≠Wb时,认为第一区域与第二区域存在分离关系;
B6:若两区域存在分离关系,则认为第一区域内的工件符合生产要求;若两区域不存在分离关系,则认为该工件不合格。
10.根据权利要求5所述的一种基于物联网的数控智能检测方法,其特征在于:在步骤S4中,通过数据接收单元对识别反馈单元的指令进行接收;通过数据更新单元用于根据接收到的指令信息对数控生产中的相关参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310084634.9A CN115933534B (zh) | 2023-02-09 | 2023-02-09 | 一种基于物联网的数控智能检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310084634.9A CN115933534B (zh) | 2023-02-09 | 2023-02-09 | 一种基于物联网的数控智能检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115933534A true CN115933534A (zh) | 2023-04-07 |
CN115933534B CN115933534B (zh) | 2023-11-07 |
Family
ID=86550826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310084634.9A Active CN115933534B (zh) | 2023-02-09 | 2023-02-09 | 一种基于物联网的数控智能检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115933534B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215276A (zh) * | 2023-11-09 | 2023-12-12 | 蓝思***集成有限公司 | 数控生产设备数据分析控制方法、装置、***及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248159A (zh) * | 2017-08-04 | 2017-10-13 | 河海大学常州校区 | 一种基于双目视觉的金属工件缺陷检测方法 |
CN109299689A (zh) * | 2018-09-21 | 2019-02-01 | 石家庄铁道大学 | 基于机器视觉的环形生产线模台自动化识别装置及其识别方法 |
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*** |
CN111275665A (zh) * | 2019-12-19 | 2020-06-12 | 华中科技大学 | 一种基于视觉的叶片磨抛加工振动检测***及方法 |
CN111338290A (zh) * | 2020-04-03 | 2020-06-26 | 西华大学 | 一种基于多目视觉的五轴数控机床多功能检测方法 |
CN111738320A (zh) * | 2020-03-04 | 2020-10-02 | 沈阳工业大学 | 基于模板匹配的遮挡工件识别方法 |
CN113126563A (zh) * | 2019-12-31 | 2021-07-16 | 中国航发商用航空发动机有限责任公司 | 数控机床数据管理***及方法 |
CN113843660A (zh) * | 2020-11-12 | 2021-12-28 | 西华大学 | 基于多线激光扫描的数控机床工件检测方法 |
CN113909996A (zh) * | 2021-09-30 | 2022-01-11 | 华中科技大学 | 一种基于数字孪生的高端装备加工状态监测方法及*** |
CN114460901A (zh) * | 2022-01-04 | 2022-05-10 | 广州佳盟子机床有限公司 | 一种数控机床数据采集*** |
-
2023
- 2023-02-09 CN CN202310084634.9A patent/CN115933534B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248159A (zh) * | 2017-08-04 | 2017-10-13 | 河海大学常州校区 | 一种基于双目视觉的金属工件缺陷检测方法 |
CN109299689A (zh) * | 2018-09-21 | 2019-02-01 | 石家庄铁道大学 | 基于机器视觉的环形生产线模台自动化识别装置及其识别方法 |
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*** |
CN111275665A (zh) * | 2019-12-19 | 2020-06-12 | 华中科技大学 | 一种基于视觉的叶片磨抛加工振动检测***及方法 |
CN113126563A (zh) * | 2019-12-31 | 2021-07-16 | 中国航发商用航空发动机有限责任公司 | 数控机床数据管理***及方法 |
CN111738320A (zh) * | 2020-03-04 | 2020-10-02 | 沈阳工业大学 | 基于模板匹配的遮挡工件识别方法 |
CN111338290A (zh) * | 2020-04-03 | 2020-06-26 | 西华大学 | 一种基于多目视觉的五轴数控机床多功能检测方法 |
CN113843660A (zh) * | 2020-11-12 | 2021-12-28 | 西华大学 | 基于多线激光扫描的数控机床工件检测方法 |
CN113909996A (zh) * | 2021-09-30 | 2022-01-11 | 华中科技大学 | 一种基于数字孪生的高端装备加工状态监测方法及*** |
CN114460901A (zh) * | 2022-01-04 | 2022-05-10 | 广州佳盟子机床有限公司 | 一种数控机床数据采集*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215276A (zh) * | 2023-11-09 | 2023-12-12 | 蓝思***集成有限公司 | 数控生产设备数据分析控制方法、装置、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115933534B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109465676B (zh) | 一种刀具寿命预测方法 | |
CN105160654A (zh) | 基于特征点提取的毛巾标签缺陷检测方法 | |
CN106584209A (zh) | 基于云制造的刀具磨损实时在线监测方法 | |
CN115933534B (zh) | 一种基于物联网的数控智能检测***及方法 | |
CN110561195B (zh) | 一种机械加工过程中颤振的监测方法 | |
CN107085846A (zh) | 工件表面缺陷图像识别方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析***及方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN110942450A (zh) | 一种基于深度学习的多生产流水线实时缺陷检测方法 | |
CN111783544B (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测***搭建方法 | |
CN116597239B (zh) | 一种建筑用回收钢管的加工处理方法及*** | |
CN110921146A (zh) | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其*** | |
CN113588656A (zh) | 一种新型螺栓外观尺寸检测方法 | |
CN116740044A (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
CN116071348B (zh) | 基于视觉检测的工件表面检测方法及相关装置 | |
CN115375658A (zh) | 一种铣刀磨损在线监测*** | |
CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
KR102152352B1 (ko) | 기계 결함 진단 장치 및 방법 | |
CN117132828B (zh) | 一种铜管加工过程固体废料的自动分类方法及*** | |
CN114986633B (zh) | 一种基于机器视觉的原竹剖分刀具自动选择***及方法 | |
CN116931497B (zh) | 一种基于人工智能的裁剪机控制*** | |
CN112613421B (zh) | 人脸图片降维特征分析比对方法 | |
CN116665138B (zh) | 一种汽车配件冲压加工视觉检测方法及*** | |
CN111986198B (zh) | 一种模具残留物检测方法及装置 | |
CN118411379A (zh) | 一种基于自动化的去毛刺工艺反馈优化***及方法 |
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 |