CN116032969B - 一种云边协同的智能数控车间自调控***、控制方法 - Google Patents
一种云边协同的智能数控车间自调控***、控制方法 Download PDFInfo
- Publication number
- CN116032969B CN116032969B CN202310014075.4A CN202310014075A CN116032969B CN 116032969 B CN116032969 B CN 116032969B CN 202310014075 A CN202310014075 A CN 202310014075A CN 116032969 B CN116032969 B CN 116032969B
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- cloud
- module
- numerical control
- 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 35
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000009133 cooperative interaction Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000008447 perception Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 238000003754 machining Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 238000013523 data management Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000003801 milling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本发明公开了一种云边协同的智能数控车间自调控***、控制方法,属于智能制造技术领域。本发明基于边缘计算技术提出了一种云边协同的智能数控车间自调控模式,在分析数控车间运行机制和调控特点的基础上,搭建了智能数控车间制造单元边缘感知‑云协同运行‑智能调控框架,完成了云边两级协同交互场景部署,通过设计规则引擎的判断逻辑提高了边缘感知节点的计算性能;其次,采用长短期记忆神经网络进行云边加工模型的训练及修正,制定云边协同生产逻辑完成智能数控车间设备的自调控;最后,通过应用案例验证了所提云边协同框架具有易协同、易调控、延时低的特点,为实现数控车间智能化生产提供了技术支撑。
Description
技术领域
本发明涉及一种云边协同的智能数控车间自调控***、控制方法,属于智能制造技术领域。
背景技术
物联网技术的不断发展加快了制造车间信息化、智能化的进程,助力于提升制造企业自主创新和市场竞争能力。智能制造(IntelligentManufacturing,IM)是制造业与物联网信息技术的深度融合,是企业升级和优化的必经之路,也是我国推动“中国制造2025”成为世界制造业前沿的关键。智能数控车间是IM生产过程中的重要体现,智能数控车间中接入设备数量和种类的不断增加将产生海量的实时工艺数据,如何高效地利用这些数据成为智能数控车间数据处理技术的关键。目前,大多数企业将产生的实时工业数据上传云端服务器集中统一处理,然而,海量数据导入和导出云中心的过程十分复杂,带宽不足和延迟较大等问题影响着云中心和设备的直接交互。因此,边缘计算技术的引入较好地解决了以上问题,即在靠近设备或数据源头的网络边缘侧部署边缘网关,融合网络、计算、存储等核心能力,就近提供边缘智能服务,满足不同业务领域的关键需求。
面对智能数控车间海量异构多源数据,边缘计算技术虽然能够满足实时计算的需求,但并不能取代云服务器的高计算性能,围绕智能数控车间制造资源的感知、数据的分层处理及云服务器的搭建等相关工作已开展了大量的研究。吕佑龙等提出了一个数据中心和五个工业业务层的智慧工厂技术体系架构,并针对大数据驱动的制造过程探讨了动态优化的大数据分析方法,有利于解决智能工厂多源异构数据的分层处理及数据应用问题。TAO等提出云制造接入资源分类、制造资源感知接入架构和典型案例;李海等针对云制造环境接入资源提出了一种基于多准则决策的机床装备资源选择方法。然而,以上的方法较好的扩充了云服务平台在工业物联网中的应用,但仍未解决设备端实时响应的需求,因此,基于边缘计算的云边协同技术是未来发展的必然趋势,目前将云边协同的方式融入到车间生产中的研究较少,更缺乏针对智能数控车间生产自调控的云边协同方式的相关研究。
发明内容
本发明提供了一种云边协同的智能数控车间自调控***、控制方法,将边缘计算与云计算耦合协同的方式来处理数控车间中的多源异构数据,通过将数控车间各工序设备抽象成边缘节点,数控车间控制中心作为云端应用服务器构建云边协同框架,解决了数控车间多源异构数据在云中心和边缘节点的分层调度处理问题,利用边缘节点与数控设备协同交互,进行边缘设备迅速响应,解决了数控车间制造生产自调控问题。
本发明的技术方案是:
根据本发明的一方面,提供了一种云边协同的智能数控车间自调控***,包括智能数控车间云端应用中心、智能数控车间边缘感知节点、智能数控车间终端设备;所述智能数控车间云端应用中心设有云端数据库、数据应用模块、边缘应用模块,云端数据库用于存储边缘感知节点上传的非敏感型数据;数据应用模块用于云端数据库中非敏感型数据的数据预处理和预测模型的训练修正;边缘应用模块用于边缘感知节点预测模型和加工程序的下发;所述智能数控车间边缘感知节点包括设备服务层、核心数据层、支持服务层;设备服务层通过通讯协议与智能数控车间终端设备建立通讯进行数据采集和命令交互;核心数据层包括核心数据模块、数据管理模块、边缘端数据库和命令调控模块,核心数据模块用于终端设备采集数据的显示,数据管理模块用于区分敏感型数据和非敏感型数据,边缘端数据库用于敏感型数据的存储,命令调控模块接收支持服务层规则引擎模块、加工程序模块的命令,调控终端设备;支持服务层包括应用服务模块、规则引擎模块、算法模块、加工程序模块,应用服务模块用于云边数据的传输交互,规则引擎模块用于设定规则,算法模块用于接收云端应用中心下发的预测模型进行实时预测,加工程序模块用于接收云端应用中心下发的加工程序进行工件相应工序的加工。
采用服务器-客户端之间文件传输的方式实现智能数控车间云端应用中心与智能数控车间边缘感知节点的预测模型交互。
根据本发明的另一方面,还提供了一种云边协同的智能数控车间自调控***的控制方法,所述方法应用于上述中任意一项所述的云边协同的智能数控车间自调控***,包括:
智能数控车间终端设备通过设备服务层的通讯协议与智能数控车间边缘感知节点建立通讯,将数据采集到核心数据模块进行边缘感知节点的数据显示;核心数据模块将数据传入到数据管理模块进行数据的处理,将数据分为敏感型数据、非敏感型数据;对于敏感型数据在边缘端数据库进行存储进行边缘感知节点的进一步应用,同时,敏感型数据也传入规则引擎模块根据预先设置的规则做判断,当检测到的数据超过限定范围,则直接触发规则进行命令调控进行数控设备的动作响应,当检测到的数据符合限定范围,进入到预测模型进行加工数据的实时预测,并进行分析对比,对于预测值与真实值对比结果不一致的情况以预测值为准传入加工程序模块进行程序的调整后传给命令调控模块,命令调控模块根据加工程序模块由设备服务层的通讯协议与终端设备进行命令调控,从而达到智能数控车间终端设备的自调控;对于非敏感型数据通过应用服务模块与智能数控车间云端应用中心建立通讯,将非敏感型数据传入云端数据库进行存储,云端应用中心数据应用模块对云端数据库中的非敏感型数据进行预处理并对预测模型进行训练修正,再由云端应用中心边缘应用模块将修正更新的预测模型传入边缘感知节点算法模块进行预测模型的周期性更新,通过这种云边协同交互机制实现边缘感知节点预测模型实时更新。
本发明的有益效果是:本发明基于边缘计算技术提出了一种云边协同的智能数控车间自调控模式,在分析数控车间运行机制和调控特点的基础上,搭建了智能数控车间制造单元边缘感知-云协同运行-智能调控框架,完成了云边两级协同交互场景部署,通过设计规则引擎的判断逻辑提高了边缘感知节点的计算性能;其次,采用长短期记忆神经网络进行云边加工模型的训练及修正,制定云边协同生产逻辑完成智能数控车间设备的自调控;最后,通过应用案例验证了所提云边协同框架具有易协同、易调控、延时低的特点,为实现数控车间智能化生产提供了技术支撑。
附图说明
图1是本发明云边协同的智能数控车间自调控***架构示意图;
图2是本发明云边协同的智能数控车间自调控***控制方法流程图;
图3是本发明可选应用案例自调控流程图;
图4是本发明可选实施例的控制方法架构示意图。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
如图1所示,一种云边协同的智能数控车间自调控***,包括智能数控车间云端应用中心、智能数控车间边缘感知节点、智能数控车间终端设备;智能数控车间云端应用中心设有云端数据库、数据应用模块、边缘应用模块,还可以包括可视化***,云端数据库用于存储边缘感知节点上传的非敏感型数据;数据应用模块用于云端数据库中非敏感型数据的数据预处理和预测模型的训练修正;边缘应用模块用于边缘感知节点预测模型和加工程序的下发;可视化***用于智能数控车间的可视化显示;智能数控车间边缘感知节点包括设备服务层、核心数据层、支持服务层,设备服务层为各种通讯协议与智能数控车间终端设备建立通讯进行数据采集和命令交互;核心数据层包括核心数据模块、数据管理模块、边缘端数据库和命令调控模块,核心数据模块用于终端设备采集数据的显示,数据管理模块用于区分敏感型数据和非敏感型数据,边缘端数据库用于边缘感知节点敏感型数据的存储,对于一些无需上传云端应用中心的数据直接进行存储,缓解云端的存储压力,命令调控模块接收支持服务层规则引擎模块、加工程序模块的命令,调控终端设备;支持服务层包括应用服务模块、规则引擎模块、算法模块、加工程序模块,应用服务模块用于云边数据的传输交互,规则引擎模块用于设定规则,保证数控车间设备在限定范围之内运行,算法模块用于接收云端应用中心下发的预测模型,进行实时预测,加工程序模块用于接收云端应用中心下发的加工程序,进行工件相应工序的加工。
可选地,所述智能数控车间终端设备包括数控设备、传感器及预警装置,数控设备包括数控机床、检测装置、机械臂、AGV小车等。
可选地,采用服务器-客户端之间文件传输的方式实现智能数控车间云端应用中心与智能数控车间边缘感知节点的预测模型交互;具体而言,在本发明实施例中,本发明构建的LSTM预测模型是基于Tensorflow架构下的,Tensorflow模型主要包括训练的网络参数图形和参数值,训练完成一个神经网络之后,通过将模型保存成HDF5文件格式以便将来直接使用。因此在构建预测模型时,搭建的LSTM预测网络完成训练引入model.save(LSTM.h5)命令进行保存。通过该方法,对训练完成的模型进行整体保存,后期载入运用不再需要定义网络和编译模型,即已保存了神经网络的结构、权重、损失函数、优化器及状态等模型配置信息。保存后的模型以LSTM.h5的格式存在,并经边缘应用模块通过python建立云端应用中心服务器和边缘感知节点客户端实现LSTM预测模型的下发与接收,具体由python中Paramiko模块的SSHClient命令实现。
如图2所示,一种云边协同的智能数控车间自调控***控制方法,所述方法应用于上述中任一项所述的云边协同的智能数控车间自调控***,包括:智能数控车间终端设备通过设备服务层的通讯协议与智能数控车间边缘感知节点建立通讯,将数据采集到核心数据模块进行边缘感知节点的数据显示;核心数据模块将数据传入到数据管理模块进行数据的处理,将数据分为敏感型数据、非敏感型数据(在边缘感知节点应用的数据为敏感型数据,在智能数控车间云端应用中心应用的数据为非敏感型数据);对于敏感型数据在边缘端数据库进行存储进行边缘感知节点的进一步应用,无需上传云端应用中心存储,缓解云端应用中心的存储压力,同时,敏感型数据也传入规则引擎模块根据预先设置的规则做判断,当检测到的数据超过限定范围,则直接触发规则进行命令调控进行数控设备的动作响应,当检测到的数据符合限定范围,进入到预测模型进行加工数据的实时预测,并进行分析对比,对于预测值与真实值对比结果不一致的情况以预测值为准传入加工程序模块进行程序的调整后传给命令调控模块,命令调控模块根据加工程序模块由设备服务层的通讯协议与终端设备进行命令调控,从而达到智能数控车间终端设备的自调控;如果一致,则不进行加工程序的调整;需要说明的是,边缘感知节点算法模块的初始预测模型先由云端数据应用模块训练完成下发得到进行预测,后期进行预测模型的修正更新;对于非敏感型数据通过应用服务模块与智能数控车间云端应用中心建立通讯,将非敏感型数据传入云端数据库进行存储,云端应用中心数据应用模块对云端数据库中的非敏感型数据进行预处理并对预测模型进行训练修正,再由云端应用中心边缘应用模块将修正更新的预测模型传入边缘感知节点算法模块进行预测模型的周期性更新,通过这种云边协同交互机制实现边缘感知节点预测模型实时更新,达到边缘感知节点预测模型的预测效果始终保持较好的效果。
进一步地,给出可选地一种云边协同的智能数控车间自调控***工序之间协同实施过程如下:
智能数控车间包括1个物料仓储(储存待加工工件/不合格品/合格品)、2个待加工工件缓存区(存储待加工工件)、3台数控机床(数控车床、数控铣床、数控雕刻机)、1台AGV小车(负责物料仓储与待加工工件区间的物料运输)、1台机械臂(负责取料及三台数控设备间工件的装夹)、1台图像检测装置。智能数控车间各终端设备分别部署各自的边缘感知节点,采用部署有EdgeXFoundry和相关软件的RaspberryPi与设备建立通讯搭建边缘感知节点(EdgeAwareNode,EAN)。其智能数控车间工序间的自调控***如下:
云端应用中心(以下简称“云端”)发送指令、加工程序或预测模型到各数控车间设备边缘感知节点,物料仓储EAN接收云端下发的取货指令,堆垛机取出待加工工件运送至工作台等待AGV取货。AGVEAN接收到云端下发的运输路径加工程序,将物料仓储中的待加工工件运输至待加工工作台等待机械臂EAN夹取工件,同时,AGV运动至完工工作台等待加工完成的工件。机械臂EAN接收云端下发的装夹加工程序,夹取待加工工作台的工件至数控车床EAN。数控车床EAN接收云端下发的数控车削加工程序和预测模型开始加工工件,数控车床设备中的传感器检测工件是否装夹完成,若没有完成等待机械臂EAN装夹完成,数控车床EAN发送指令至三抓卡盘夹紧,并根据加工程序进行加工,同时,云端下发的预测模型进行切削力和工件粗糙度的预测,由预测结果对比调整加工程序中的指令,其预测模型由云端修正的预测模型而进行实时更新,维持较好的预测效果,也保证加工工件的质量更优。数控车床加工完成由机械臂卸取工件并运送至下一工序数控铣床进行铣削,铣削完成机械臂装夹工件至数控雕刻机进行雕刻,铣削和雕刻的过程如同数控车床的车削过程。数控雕刻完成,机械臂装夹工件至图像检测装置进行检测,图像检测EAN接收云端下发的图像检测程序进行分析对比,判断加工工件是否为合格品,若不合格则进行判断是否可重新加工,对于可重新加工的工件由机械臂运输至相应的数控设备再次加工。检测完成的工件由机械臂运送至完工工作台,并由等待的AGV小车运回至物料仓储,物料仓储EAN将库存信息反馈至云端应用中心。通过云端发送指令和下发加工程序或预测模型至各设备的边缘感知节点,各边缘感知节点完成工件的加工和工序之间的协同,达到智能数控车间的自调控。具体流程如图3所示。
以机械臂EAN的规则引擎模块进行举例,由规则引擎模块预先设定机械臂角度运行位置限定值,当EAN感知到的信息超过规则模块设定的限定值,将直接通过EAN规则模块激活机械臂停机命令进行机械臂避障调控,实现边缘设备的自调控。以机械臂轴2(Axis2Pos)为例,Axis2Pos的角度在5°-35°范围之内,当规则引擎检测到的Axis2Pos<5°,触发设定的规则1进行机械臂停机指令;当规则引擎检测到的Axis2Pos>35°,触发设定的规则2进行机械臂停机,实现机械臂EAN避障自调控。
如图4所示,具体以数控车床实施例展开阐述,数控车床边缘感知节点通过设备服务层与数控车床建立通讯,采集数控车床设备数据、数控车床运行数据、粗糙度数据和切削力数据到核心数据模块,核心数据模块将数据传入到数据管理模块,数据管理模块进行数据的处理和敏感型数据、非敏感型数据区分,对于敏感型数据进行边缘感知节点的进一步应用并在边缘感知节点的数据库进行存储,无需上传云端应用中心存储,缓解云端应用中心的存储压力,同时,敏感型数据也传入规则引擎模块根据预先设置的规则做判断,以切削力数据为例,设定切削力的限定范围,当检测到的切削力超过设定的切削范围,则触发规则,规则引擎进行命令调控,控制数控车床相应参数使切削力恢复到限定范围之内,当检测到的数据符合限定范围,传入数据至预测模型中,预测模型采用LSTM神经网络对数控车床时序性的加工数据进行质量指标的预测,输入为数控车床的加工工艺参数(如主轴转速、进给速度、切削深度等),输出为质量指标(切削力、粗糙度等)进行预测,预测值与真实值进行分析对比,对于预测值与真实值对比结果不一致的情况以预测值为准传入数控车床加工程序进行调整,并传给命令调控模块,命令调控模块根据加工程序由设备服务层的通讯协议调控数控车床的控制参数,从而达到预测值的预测效果,实现了数控车床的自调控;如果一致,则不进行加工程序的调整;对于非敏感型数据通过应用服务模块与云端应用中心建立通讯,将非敏感型数据传入云端应用中心数据库进行存储,云端应用中心数据应用模块对数据库中的数控车床数据集进行预处理将数据传入预测模型进行模型的训练修正,根据实际生产加工情况设定预测模型训练修正的周期,再由云端应用中心边缘应用模块将修正更新的预测模型传入数控车床边缘感知节点算法模块进行预测模型的周期性更新(模型下发的时间也可进行自定义设定),通过这种云边协同交互机制实现边缘感知节点预测模型实时更新,达到边缘感知节点预测模型的预测效果始终保持较好的效果。
以数控车床EAN为例,进行LSTM单一预测模型和本发明云边交互预测模型情况对比,单一预测模型由2000条历史数据训练完成,云边交互的预测模型由EAN上传的数据进行模型修正更新且每2h下发一次至数控车床EAN进行实时预测,经过24小时后,验证得到表1结果,其单一云中心的预测模型和本发明的云边交互的预测模型预测效果的均方误差值和拟合值如表1所示:
表1LSTM预测模型两种模式下的实验误差对比
由上表1数据可知,云边协同交互预测模型的预测效果更好,拟合度更高,均方误差更小,通过这种周期性的云边交互机制,保证了LSTM预测模型随着实时数据的更新而不断修正,避免了预测模型随着时间和数据的增加而导致预测效果的降低。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种云边协同的智能数控车间自调控***,其特征在于,包括智能数控车间云端应用中心、智能数控车间边缘感知节点、智能数控车间终端设备;
所述智能数控车间云端应用中心设有云端数据库、数据应用模块、边缘应用模块,云端数据库用于存储边缘感知节点上传的非敏感型数据;数据应用模块用于云端数据库中非敏感型数据的数据预处理和预测模型的训练修正;边缘应用模块用于边缘感知节点预测模型和加工程序的下发;
所述智能数控车间边缘感知节点包括设备服务层、核心数据层、支持服务层;设备服务层通过通讯协议与智能数控车间终端设备建立通讯进行数据采集和命令交互;核心数据层包括核心数据模块、数据管理模块、边缘端数据库和命令调控模块,核心数据模块用于终端设备采集数据的显示,数据管理模块用于区分敏感型数据和非敏感型数据,边缘端数据库用于敏感型数据的存储,命令调控模块接收支持服务层规则引擎模块、加工程序模块的命令,调控终端设备;支持服务层包括应用服务模块、规则引擎模块、算法模块、加工程序模块,应用服务模块用于云边数据的传输交互,规则引擎模块用于设定规则,算法模块用于接收云端应用中心下发的预测模型进行实时预测,加工程序模块用于接收云端应用中心下发的加工程序进行工件相应工序的加工;在边缘感知节点应用的数据为敏感型数据,在智能数控车间云端应用中心应用的数据为非敏感型数据。
2.根据权利要求1所述的云边协同的智能数控车间自调控***,其特征在于,采用服务器-客户端之间文件传输的方式实现智能数控车间云端应用中心与智能数控车间边缘感知节点的预测模型交互。
3.一种云边协同的智能数控车间自调控***的控制方法,其特征在于,所述方法应用于权利要求1-2中任意一项所述的云边协同的智能数控车间自调控***,包括:
智能数控车间终端设备通过设备服务层的通讯协议与智能数控车间边缘感知节点建立通讯,将数据采集到核心数据模块进行边缘感知节点的数据显示;
核心数据模块将数据传入到数据管理模块进行数据的处理,将数据分为敏感型数据、非敏感型数据;
对于敏感型数据在边缘端数据库进行存储进行边缘感知节点的进一步应用,同时,敏感型数据也传入规则引擎模块根据预先设置的规则做判断,当检测到的数据超过限定范围,则直接触发规则进行命令调控进行数控设备的动作响应,当检测到的数据符合限定范围,进入到预测模型进行加工数据的实时预测,并进行分析对比,对于预测值与真实值对比结果不一致的情况以预测值为准传入加工程序模块进行程序的调整后传给命令调控模块,命令调控模块根据加工程序模块由设备服务层的通讯协议与终端设备进行命令调控,从而达到智能数控车间终端设备的自调控;
对于非敏感型数据通过应用服务模块与智能数控车间云端应用中心建立通讯,将非敏感型数据传入云端数据库进行存储,云端应用中心数据应用模块对云端数据库中的非敏感型数据进行预处理并对预测模型进行训练修正,再由云端应用中心边缘应用模块将修正更新的预测模型传入边缘感知节点算法模块进行预测模型的周期性更新,通过这种云边协同交互机制实现边缘感知节点预测模型实时更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014075.4A CN116032969B (zh) | 2023-01-05 | 2023-01-05 | 一种云边协同的智能数控车间自调控***、控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014075.4A CN116032969B (zh) | 2023-01-05 | 2023-01-05 | 一种云边协同的智能数控车间自调控***、控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116032969A CN116032969A (zh) | 2023-04-28 |
CN116032969B true CN116032969B (zh) | 2024-02-20 |
Family
ID=86079057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014075.4A Active CN116032969B (zh) | 2023-01-05 | 2023-01-05 | 一种云边协同的智能数控车间自调控***、控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116032969B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542656B (zh) * | 2023-07-05 | 2023-09-22 | 煤炭科学技术研究院有限公司 | 一种云边结合的矿用设备智能运维***及方法 |
CN116740821B (zh) * | 2023-08-16 | 2023-10-24 | 南京迅集科技有限公司 | 基于边缘计算的智能车间控制方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112073461A (zh) * | 2020-08-05 | 2020-12-11 | 烽火通信科技股份有限公司 | 一种基于云边协同的工业互联网*** |
CN112270429A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 基于云边协同的动力电池极片制造设备维护方法和*** |
WO2021067140A1 (en) * | 2019-10-04 | 2021-04-08 | Intel Corporation | Edge computing technologies for transport layer congestion control and point-of-presence optimizations based on extended in-advance quality of service notifications |
CN113379135A (zh) * | 2021-06-18 | 2021-09-10 | 浙江大学 | 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和*** |
CN114924889A (zh) * | 2022-06-21 | 2022-08-19 | 浙江大学 | 一种基于云边端协同的超低排放智能调控***及方法 |
CN114971574A (zh) * | 2022-06-14 | 2022-08-30 | 北京航天长峰科技工业集团有限公司 | 基于云边协同的多模态信息复合感知与融合架构及方法 |
CN115086315A (zh) * | 2022-06-08 | 2022-09-20 | 徐州医科大学 | 基于图像敏感度识别的云边协同安全认证方法及*** |
-
2023
- 2023-01-05 CN CN202310014075.4A patent/CN116032969B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021067140A1 (en) * | 2019-10-04 | 2021-04-08 | Intel Corporation | Edge computing technologies for transport layer congestion control and point-of-presence optimizations based on extended in-advance quality of service notifications |
CN112073461A (zh) * | 2020-08-05 | 2020-12-11 | 烽火通信科技股份有限公司 | 一种基于云边协同的工业互联网*** |
CN112270429A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 基于云边协同的动力电池极片制造设备维护方法和*** |
CN113379135A (zh) * | 2021-06-18 | 2021-09-10 | 浙江大学 | 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和*** |
CN115086315A (zh) * | 2022-06-08 | 2022-09-20 | 徐州医科大学 | 基于图像敏感度识别的云边协同安全认证方法及*** |
CN114971574A (zh) * | 2022-06-14 | 2022-08-30 | 北京航天长峰科技工业集团有限公司 | 基于云边协同的多模态信息复合感知与融合架构及方法 |
CN114924889A (zh) * | 2022-06-21 | 2022-08-19 | 浙江大学 | 一种基于云边端协同的超低排放智能调控***及方法 |
Non-Patent Citations (2)
Title |
---|
"Research on Big Data Processing Model of Edge-Cloud Collaboration in Cyber Physical Systems";Zhifeng Yue、Zhixiang Zhu;《2020 5th IEEE International Conference on Big Data Analytics (ICBDA)》;20200527;全文 * |
云边协同关键技术及应用场景研究;杨绍光;房秉毅;王增森;郭澄宇;曲秀超;;信息通信技术;20200815(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116032969A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116032969B (zh) | 一种云边协同的智能数控车间自调控***、控制方法 | |
US20210237136A1 (en) | Method and machine system for controlling an industrial operation | |
Liu et al. | Cyber-physical machine tool–the era of machine tool 4.0 | |
US11156985B2 (en) | System for optimization of industrial machine operation through modification of standard process parameter input | |
WO2020007016A1 (zh) | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 | |
JP2018530829A (ja) | 産業用ロボットのプロセスクラウドシステム及びその作動方法 | |
US11663292B2 (en) | Base analytics engine modeling for monitoring, diagnostics optimization and control | |
US10423152B2 (en) | Information processing apparatus for processing machining information between plurality of manufacturing cells | |
WO2017142470A1 (en) | Method and machine system for controlling an industrial operation | |
JP7221196B2 (ja) | 加工装置誤差補正方法及びそのシステム | |
CN112558576A (zh) | 一种安全高效的自动化集成控制方法及*** | |
US10678231B2 (en) | Production controller equipped with function of identifying cause upon operation stop of production facility including manufacturing facilities | |
CN111352398A (zh) | 智能精密加工单元 | |
Djurdjanovic et al. | Process and operations control in modern manufacturing | |
Zhang et al. | A model-driven dynamic synchronization mechanism of lifecycle business activity for complicated and customized products | |
KR20230081136A (ko) | 용도에 따른 절삭공구 추천 플랫폼 시스템 | |
Schmid et al. | Tacit knowledge based acquisition of verified machining data | |
CN116165966B (zh) | 一种数控机床信息化自适应物料调控方法及*** | |
Kononov et al. | Intelligent solutions for industrial automation | |
Škulj et al. | Geometry and temperature data fusion for automated measurement during open die forging of large hot workpieces | |
CN118244710A (zh) | 一种加工设备及产线的共享制造加工方法及*** | |
Liu et al. | Technology Architecture and Key Technologies of Discrete Manufacturing Digital Workshop | |
SE1651097A1 (en) | Modification of input data | |
CN118417954A (zh) | 一种刀具管理及基于pid刀具动态补偿的加工装置 | |
Deshayes et al. | Towards an information processing representation for dynamic process optimization in smart machining systems |
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 |