CN116167505B - 一种钢筋套料裁剪方法及*** - Google Patents
一种钢筋套料裁剪方法及*** Download PDFInfo
- Publication number
- CN116167505B CN116167505B CN202310024471.5A CN202310024471A CN116167505B CN 116167505 B CN116167505 B CN 116167505B CN 202310024471 A CN202310024471 A CN 202310024471A CN 116167505 B CN116167505 B CN 116167505B
- Authority
- CN
- China
- Prior art keywords
- cutting
- data
- result
- planning
- information
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 474
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 51
- 239000010959 steel Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002994 raw material Substances 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 72
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims abstract description 67
- 230000007547 defect Effects 0.000 claims description 42
- 238000012216 screening Methods 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000009966 trimming Methods 0.000 abstract description 28
- 239000002699 waste material Substances 0.000 abstract description 17
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 description 6
- 230000003014 reinforcing effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005498 polishing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 241001495452 Podophyllum Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- YJGVMLPVUAXIQN-XVVDYKMHSA-N podophyllotoxin Chemical compound COC1=C(OC)C(OC)=CC([C@@H]2C3=CC=4OCOC=4C=C3[C@H](O)[C@@H]3[C@@H]2C(OC3)=O)=C1 YJGVMLPVUAXIQN-XVVDYKMHSA-N 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21F—WORKING OR PROCESSING OF METAL WIRE
- B21F11/00—Cutting wire
-
- 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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30136—Metal
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种钢筋套料裁剪方法及***,涉及数据处理技术领域。通过根据裁切设备历史裁切数据生成裁切影响数据,将钢筋原材料、目标裁切信息和裁切影响数据输入规划模型获得预规划结果用于进行裁切实验获得裁切结果的图像采集,基于图像采集结果生成优化裁切数据进行规划模型补偿并根据补偿后模型输出裁切规划。解决现有技术中存在对于裁切设备进行钢筋原材料裁切控制依赖于人工经验,容易发生钢筋原材料浪费导致生产成本上升的技术问题。达到提高裁切设备控制智能化程度,减少裁切设备的造成资源浪费,减低钢筋原材料造成的生产成本浪费的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种钢筋套料裁剪方法及***。
背景技术
钢筋原材料通常为直条或盘状的较长钢筋,用户往往根据个人需要进行钢筋原材料的裁剪,裁切设备在提高钢筋原材料裁切效率从而间接降低用户工作量,提高用户生产效率的同时,存在着裁切所获钢筋长度不满足用户需求的风险现象。
究其根源,现阶段裁切设备执行钢筋原材料的裁切控制往往为半自动化,用户输入裁切目标长度或裁切设备基于裁切目标长度执行钢筋裁切任务,裁切设备的裁切偏离用户需求时往往发现不及时,从而导致裁切产生废气钢筋,造成用户钢筋原材料购买成本上升。
现有技术中存在对于裁切设备进行钢筋原材料裁切控制依赖于人工经验,容易发生钢筋原材料浪费导致生产成本上升的技术问题。
发明内容
本申请提供了一种钢筋套料裁剪方法及***,用于针对解决现有技术中存在对于裁切设备进行钢筋原材料裁切控制依赖于人工经验,容易发生钢筋原材料浪费导致生产成本上升的技术问题。
鉴于上述问题,本申请提供了一种钢筋套料裁剪方法及***。
本申请的第一个方面,提供了一种钢筋套料裁剪方法,所述方法包括:采集获得钢筋原材料信息、目标裁切信息;通过所述数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据;对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据;将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果;选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;通过所述图像采集装置进行所述裁切结果的图像采集,生成图像采集结果;基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。
本申请的第二个方面,提供了一种钢筋套料裁剪***,所述***包括:钢筋信息采集模块,用于采集获得钢筋原材料信息、目标裁切信息;历史数据获得模块,用于通过数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据;数据特征标识模块,用于对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据;规划结果输出模块,用于将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果;裁切结果生成模块,用于选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;图像采集执行模块,用于通过图像采集设备进行所述裁切结果的图像采集,生成图像采集结果;模型补偿执行模块,用于基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。
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:
本申请实施例提供的方法通过采集获得钢筋原材料信息、目标裁切信息;通过所述数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据,所述历史裁切数据为后续进行裁切设备的裁切规划优化处理,为实现获得节约钢筋原材料的套料裁切方案提供原始数据;对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据所述裁切影响数据为后续进行钢筋原材料的低损耗裁剪提供裁切设备数控优化参考;将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果,以裁切规划模型替代基于人工经验进行裁切设备的裁切规划,提高裁切规划方案的科学性;选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;通过所述图像采集装置进行所述裁切结果的图像采集,生成图像采集结果,所述图像采集结果为后续进行裁切设备的控制优化提供有效参考数据;基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。达到提高裁切设备控制智能化程度,减少裁切设备的造成资源浪费,减低钢筋原材料造成的生产成本浪费的技术效果。
附图说明
图1为一个实施例中一种钢筋套料裁剪方法的流程示意图;
图2为一个实施例中生成优化裁切数据的流程示意图;
图3为一个实施例中获得裁切规划结果的流程示意图;
图4为一个实施例中一种钢筋套料裁剪***的结构框图。
附图标记说明:基钢筋信息采集模块1,历史数据获得模块2,数据特征标识模块3,规划结果输出模块4,裁切结果生成模块5,图像采集执行模块6,模型补偿执行模块7。
具体实施方式
本申请提供了一种钢筋套料裁剪方法及***,用于针对解决现有技术中存在对于裁切设备进行钢筋原材料裁切控制依赖于人工经验,容易发生钢筋原材料浪费导致生产成本上升的技术问题。达到提高裁切设备控制智能化程度,减少裁切设备的造成资源浪费,减低钢筋原材料造成的生产成本浪费的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种钢筋套料裁剪方法,所述方法应用于智能裁剪控制***,所述智能裁剪控制***与图像采集设备、数据连通设备通信连接,所述方法包括:
S100:采集获得钢筋原材料信息、目标裁切信息;
具体而言,在本实施例中,所述钢筋原材料为用于结合水泥材料进行建筑用预制节段梁生产加工的直条或盘条状钢材,所述钢筋原材料信息包括钢筋原材料单条长度信息以及钢筋原材料横截面形状信息,例如横截面为光圆形单条长度17m的钢筋原材料。
所述目标裁切信息为基于预制节段梁制造所需钢筋结构形状数据计算获得的对钢筋原材料进行裁切的裁切长度数据,理论上基于裁切设备执行目标裁切信息,即可将钢筋原材料加工为预制节段梁所需长度,再执行后续的钢筋水泥浇铸完成预制节段梁的制造,但在实际裁切中,往往容易发生钢筋裁切截断处温升融化呈球状以及钢筋非裁切截断处被误伤造成钢筋裁切结果表面存在缺陷。
因而裁切设备的实际裁切长度需要大于所述目标裁切信息,以为裁切缺陷的加工去除提供预留空间,避免进行钢筋裁切结果缺陷处理后,钢筋裁切结果长度短于所述目标裁切信息的要求。
S200:通过所述数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据;
具体而言,在本实施例中,所述裁切设备为可根据用户需求进行钢筋原材料裁剪的剪切功能装置,所述数据连通设备为用于进行数据提取传输的信息传输装置,通过将所述数据连通设备与所述裁切设备通信连接,以实现将所述裁切设备的历史裁切数据进行提取,所述历史裁切数据包括用户历史目标裁切信息以及为避免裁切缺陷消除造成的钢筋长度损耗导致实际裁切长度短于用户历史目标裁切信息的历史实际裁切数据,例如用户需求钢筋长度为5m,为避免裁切缺陷去除造成的钢筋长度损耗,实际裁切设备的钢筋裁切数据为5.1m。所述历史裁切数据为后续进行裁切设备的裁切规划优化处理,为实现获得节约钢筋原材料的套料裁切方案提供原始数据。
S300:对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据;
具体而言,应理解的,钢筋原材料在裁剪过程中裁切设备实际钢筋原材料裁切量大于用户目标裁切信息,从而为钢筋裁切产生的缺陷去除提供补救空间。
因而在本实施例中,所述历史裁切数据包括用户历史目标裁切信息以及为避免裁切缺陷消除造成的钢筋长度损耗导致实际裁切长度短于用户历史目标裁切信息的历史实际裁切数据。
将用户历史目标裁切信息要求的裁切长度定义为固定值,历史实际裁切数据定义为扩大值,以固定值和扩大值分别生成数据特征标识,所述数据特征标识包括固定特征标识和扩大特征标识,以用户目标裁切信息要求裁切长度为所述历史裁切数据的判断分类基准,进行所述历史裁切数据的分类,并基于所述数据特征标识进行两类数据的分类标识,获得所述筛选特征数据,所述筛选特征数据为基于历史裁切数据与判断分类基准的数值偏离关系分类并标识获得的两类筛选特征数据,将所述筛选特征数据作为裁切影响数据,所述裁切影响数据为后续进行钢筋原材料的低损耗裁剪提供裁切设备数控优化参考。
S400:将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果;
具体而言,在本实施例中,所述预规划结果为实现裁切以及裁切缺陷消除后钢筋长度仍满足目标裁切信息的钢筋原材料裁切规划方案以及对应钢筋原材料裁切规划方案的裁切设备控制参数。
所述预规划结果为裁切规划模型的模型分析输出结果,所述裁切规划模型为基于BP神经网络构建所述裁切规划模型,以裁切规划模型替代基于人工经验进行裁切设备的裁切规划,提高裁切规划方案的科学性。
所述裁切规划模型的构建方法为采集获取同类型多个样本裁切设备的样本历史裁切数据基于步骤S100~S300的方式获得样本裁切影响数据,获取多个样本裁切设备的样本钢筋原材料信息、样本目标裁切信息以及样本规划结果。将所述样本钢筋原材料信息、样本目标裁切信息、样本规划结果以及样本裁切影响数据按照8:1:1标识划分为训练集、测试集和验证集,基于训练集和测试集进行裁切规划模型的有监督训练测试,并基于验证集进行裁切规划模型输出结果准确性验证,直至裁切规划模型输出准确度趋近于99%时停止裁切规划模型的训练。将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入训练好的所述裁切规划模型,输出所述预规划结果。
S500:选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;
S600:通过所述图像采集设备进行所述裁切结果的图像采集,生成图像采集结果;
具体而言,在本实施例中,所述裁切原材样本为与所述钢筋原材料规格一致的测试样本钢筋,所述裁切原材样本最短要求长度大于所述扩大值。
基于所述预规划结果调节控制所述裁切设备对所述裁剪原材样本执行裁切,获得所述裁切结果,所述裁切结果为实际裁剪原材样本被裁切设备裁切获得的钢筋,所述裁切结果存在诸如钢筋截面呈融化冷却球状、钢筋表面裁切误伤的各种缺陷。
所述图像采集设备为现有技术,基于所述图像采集设备进行所述裁切结果的图像采集,获得图像采集结果。基于所述图像采集结果可知所述裁切结果的钢筋截面和表面缺陷情况,所述图像采集结果为后续进行裁切设备的控制优化提供有效参考数据。
S700:基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。
在一个实施例中,如图2所示,本申请提供的方法步骤还包括:
S710:通过大数据构建缺陷特征集合,其中,所述缺陷特征集合包括关联处理尺寸;
S720:基于所述缺陷特征集合对所述图像采集结果进行特征匹配,获得特征匹配结果;
S730:根据所述特征匹配结果获得匹配关联处理尺寸;
S740:基于所述图像采集结果获得特征位置,根据所述特征位置和所述关联处理尺寸生成所述优化裁切数据。
具体而言,在本实施例中,基于大数据获取裁切后钢筋表面以及横截面存在的缺陷特征以及表征缺陷特征平行钢筋长度方向尺寸大小的所述关联处理尺寸,例如缺陷特征为钢筋截面有融化冷却半球状,关联处理尺寸为14mm。
基于大数据采集获取多类型样本钢筋裁切处理所产生的缺陷特征构成所述缺陷特征集合,基于所述缺陷特征集合遍历比对所述图像采集结果,获得缺陷特征表观以及尺寸具有一致性的所述裁切结果钢筋表面存在的缺陷特征的具***置,即所述特征位置和所述关联处理尺寸。
基于所述图像采集结果获得特征位置,根据所述特征位置和所述关联处理尺寸生成所述优化裁切数据,所述优化裁切数据为用于进行所述裁切规划模型输出结果补偿的数据,基于所述优化裁切数据优化后的所述裁切规划模型输出的预规划结果为实现采用裁切设备对所述钢筋原材料进行裁切处理后即便去除裁切缺陷特征,裁切结果长度仍满足目标裁切信息长度的裁切设备控制优化数据以及实际目标钢筋原材料裁切长度数据。
本实施例实现了提高所述钢筋原材料裁切长度与预制节段梁需求的适配度,避免了钢筋原材料裁切产生的缺陷在修正后,钢筋长度不满足预制节段梁加工需要,造成资源浪费以及预制节段梁生产成本上升问题,实现保障预制节段梁生产成本的稳定性以及减少钢筋原材料浪费的技术效果。
在一个实施例中,本申请提供的方法步骤还包括:
S741:基于所述特征位置和所述关联处理尺寸获得样本处理区间;
S742:对全部样本进行样本监测,统计构建样本处理区间集合,其中,所述样本处理区间集合具有时间标识;
S743:判断所述样本处理区间集合是否均满足所述裁切影响数据;
S744:当所述样本处理区间集合均满足所述裁切影响数据时,则获得所述样本处理区间集合的模糊聚合众数;
S745:通过所述模糊聚合众数匹配扩大区间范围,基于所述扩大区间范围获得所述优化裁切数据。
在一个实施例中,本申请提供的方法步骤还包括:
S744-1:当所述样本处理区间集合存在不满足所述裁切影响数据的数据时,则获得异常数据的异常值;
S744-2:通过所述异常值生成所述裁切设备的设备调控信息;
S744-3:基于所述设备调控信息进行所述裁切设备调控后,重新采样生成所述优化裁切数据。
具体而言,在本实施例中,基于所述特征位置和所述关联处理尺寸获得样本处理区间,所述样本处理区间为所述裁切结果需要进行二次裁切(或打磨)以去除当前所存在的缺陷特征的钢筋二次裁切处理尺寸范围。示例性的,裁切结果的缺陷特征位置在裁切结果对应钢筋距离末端2mm处,该缺陷特征的关联处理尺寸为3mm则样本处理区间为5mm,基于该样本处理区间进行裁切结果的二次裁切或打磨处理,以使存在缺陷特征的部分被去除。
为提高所述样本处理区间的可信度,对步骤S400进行裁切规划模型训练时采集获取的同类型多个样本裁切设备的样本历史裁切数据进行二次应用。具体的,对样本历史裁切数据进行数据提取,获得同类型同关联尺寸数据和特征位置的特征缺陷对应的眼部历史裁切数据记性样本监测,获得与样本历史裁切数据具有一一对应关系的样本处理区间统计构建样本处理区间集合,所述样本处理区间集合具有时间标识。
所述裁切影响数据为以目标裁切信息为基准设定的一个数值范围,最小值为固定值最大值为扩大值。
判断所述样本处理区间集合是否均满足所述裁切影响数据;当所述样本处理区间集合均满足所述裁切影响数据时,表明裁切设备性能稳定,裁切设备裁切产生的缺陷特征稳定于钢筋裁切结果的固定位置,因而可用该裁切设备执行所述钢筋原材料的裁切处理。
为进一步减少裁切以及去除缺陷特征打磨加工行为的钢筋损耗,本实施例获得所述样本处理区间集合的模糊聚合众数,所述模糊聚合众数的获得方法为设定多个连续数据区间与所述样本处理区间集合内各个样本处理区间进行遍历比对,将样本处理区间数据偏差较小的数据模糊认定为相同数据,将样本处理区间分布量最大的数据区间作为所述模糊聚合众数。
通过所述模糊聚合众数结合其所在数据区间前一数据区间的最大值进行所述模糊聚合众数的数值扩大,将数值扩大后的所述模糊聚合众数与所述裁切影响数据进行比对,从而将模糊聚合众数替代裁切影响数据的扩大值,从而缩小所述裁切影响数据的区间范围,基于所述缩小区间范围获得所述优化裁切数据,从而实现对裁切规划模型的优化,减少预规划结果的裁切长度,减少钢筋原材料的浪费,例如用户需求钢筋长度为5m,为避免裁切缺陷去除造成的钢筋长度损耗,实际裁切设备的钢筋裁切数据为5.1m,优化后实际裁切设备的钢筋裁切数据为5.05m。
当所述样本处理区间集合存在不满足所述裁切影响数据的数据时,表明当前裁切设备的裁切稳定性不足,裁切设备裁切产生的缺陷特征并未稳定于钢筋裁切结果的固定位置,则比对获得不满足裁切影响数据的部分样本处理区间作为异常数据的异常值,所述异常值用于参考进行所述裁切设备的稳定系数调节。
通过所述异常值生成所述裁切设备的设备调控信息;基于所述设备调控信息进行所述裁切设备调控后,重新采样,执行步骤S741~S744生成所述优化裁切数据。
本实施例实现了对裁切设备进行运行稳定性分析调节,并基于稳定状态下的裁切设备进行样本处理区间数据分析,从而缩小裁切影响数据的取值范围,减少预规划结果的钢筋原材料裁切长度,减少钢筋原材料的浪费的技术效果。
在一个实施例中,如图3所示,本申请提供的方法步骤还包括:
S410:构建余量约束隐含层,将所述余量约束隐含层耦合至所述裁切规划模型;
S420:判断所述目标裁切信息是否包括多个尺寸裁切规格;
S430:当所述目标裁切信息包括多个裁切规格时,则调用所述余量约束隐含层进行裁切规划;
S440:输出获得所述裁切规划结果。
具体而言,在本实施例中步骤S400构建训练完成所述裁切规划模型除了具有数据输入层,预规划结果分析生成层以及数据输出层以外,在数据输入层和预规划结果分析生成层之间具有目标裁切信息判断层以及在所述裁切规划模型中耦合余量约束隐含层,所述余量约束隐含层为选择调用层,并非实时处于应用状态。
所述余量约束隐含层用于在目标裁切信息包含多类型裁切长度信息时进行钢筋原材料剩余量是否够用的规划。
当所述目标裁切信息输入所述裁切规划模型后,基于目标裁切信息判断层进行数据识别处理,判断所述目标裁切信息是否包括多个尺寸裁切规格,例如裁切2个3m,5个4m的钢筋段。
当所述目标裁切信息包括多个裁切规格时,则调用所述余量约束隐含层根据钢筋原材料现有长度进行裁切规划,输出获得所述裁切规划结果,示例性的,当前钢筋原材料余量为7m一根和23m一根,则所述余量约束隐含层会基于所述钢筋原材料余量分配不同裁切规格钢筋的裁切来源,以减少钢筋裁切余量废弃量,实现了减少多规格钢筋裁切时的钢筋原材料裁切产生的废弃钢筋量,从而减少钢筋原材料使用量和预制节段梁的生产成本的技术效果。
在一个实施例中,本申请提供的方法步骤还包括:
S810:基于所述裁切规划结果进行裁切执行;
S820:对执行裁切的裁切成品进行数据采集,生成成品数据采集结果;
S830:基于所述成品数据采集结果生成裁切预警信息;
S840:通过所述裁切预警信息进行裁切控制反馈。
具体而言,在本实施例中,所述裁切设备基于所述裁切规划结果执行所述钢筋原材料的裁切处理,获得多个钢筋裁切成品,基于所述裁切成品进行数据采集,每一裁切成品数据包括钢筋长度数据以及缺陷特征在裁切成品表面的特征位置以及关联尺寸数据,组合作为所述成品数据采集结果。
基于所述成品数据采集结果获得样本处理区间集合,计算获得样本处理区间数值随时间的波动值,判断波动值是否满足预设预警波动值,当满足时,基于所述成品数据采集结果生成裁切预警信息,通过所述裁切预警信息进行裁切控制反馈,实现了在裁切设备使用过程中实时进行裁切设备稳定性预警,间接实现了降低裁切设备不稳定裁切造成钢筋原材料浪费概率的技术效果。
在一个实施例中,本申请提供的方法步骤还包括:
S910:通过所述裁切规划结果获得裁切余量信息;
S920:通过所述历史裁切数据生成所述裁切设备的设备稳定性数据;
S930:判断所述稳定性数据是否满足预设稳定阈值;
S940:当所述稳定性数据不能满足所述预设稳定阈值时,则对所述裁切余量进行余量分布,根据余量分布结果对所述裁切规划结果调整。
具体而言,应理解的,所述裁切余量信息对应的钢筋长度为理论上无用舍弃的钢筋,通过所述裁切规划结果结合实际裁切钢筋原材料的长度数据计算获得裁切余量信息。
所述历史裁切数据包括用户历史目标裁切信息以及为避免裁切缺陷消除造成的钢筋长度损耗导致实际裁切长度短于用户历史目标裁切信息的历史实际裁切数据。通过所述历史裁切数据计算具有对应关系的历史实际裁切数据与目标裁切数据的差值,并根据裁切时间生成离散图像,基于离散图像获得所述裁切设备的设备稳定性数据。
基于自动化领域专家给出所述预设稳定阈值,判断所述稳定性数据是否满足预设稳定阈值;当所述稳定性数据不能满足所述预设稳定阈值时,表明基于当前的裁切规划结果进行钢筋原材料的裁切处理存在裁切结果进行缺陷特征二次裁切后,钢筋长度不满足目标裁切信息要求的缺陷,则对所述裁切余量进行余量分布,例如将所述裁切余量均匀添加进两个实际裁切长度中,根据余量分布结果对所述裁切规划结果调整,例如采用10m钢筋原材料裁切获得两个4m的钢筋,实际裁切长度为4.2m,则裁切余量信息为10-4.2-4.2=0.8m,将裁切余量0.8添加进实际裁切长度,使实际裁切长度为4.6m。本实施例实现了缓冲裁切设备不稳定运行造成的钢筋原材料裁切过短,达到了避免钢筋原材料裁切浪费的技术效果。
在一个实施例中,如图4所示,提供了一种钢筋套料裁剪***,包括:基钢筋信息采集模块1,历史数据获得模块2,数据特征标识模块3,规划结果输出模块4,裁切结果生成模块5,图像采集执行模块6,模型补偿执行模块7,其中:
钢筋信息采集模块1,用于采集获得钢筋原材料信息、目标裁切信息;
历史数据获得模块2,用于通过数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据;
数据特征标识模块3,用于对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据;
规划结果输出模块4,用于将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果;
裁切结果生成模块5,用于选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;
图像采集执行模块6,用于通过图像采集设备进行所述裁切结果的图像采集,生成图像采集结果;
模型补偿执行模块7,用于基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。
在一个实施例中,所述模型补偿执行模块7还包括:
缺陷特征构建单元,用于通过大数据构建缺陷特征集合,其中,所述缺陷特征集合包括关联处理尺寸;
特征匹配执行单元,用于基于所述缺陷特征集合对所述图像采集结果进行特征匹配,获得特征匹配结果;
处理尺寸匹配单元,用于根据所述特征匹配结果获得匹配关联处理尺寸;
裁切数据优化单元,用于基于所述图像采集结果获得特征位置,根据所述特征位置和所述关联处理尺寸生成所述优化裁切数据。
在一个实施例中,所述裁切数据优化单元还包括:
处理区间获得单元,用于基于所述特征位置和所述关联处理尺寸获得样本处理区间;
样本监测执行单元,用于对全部样本进行样本监测,统计构建样本处理区间集合,其中,所述样本处理区间集合具有时间标识;
处理区间判断单元,用于判断所述样本处理区间集合是否均满足所述裁切影响数据;
模糊聚合执行单元,用于当所述样本处理区间集合均满足所述裁切影响数据时,则获得所述样本处理区间集合的模糊聚合众数;
优化数据获得单元,用于通过所述模糊聚合众数匹配扩大区间范围,基于所述扩大区间范围获得所述优化裁切数据。
在一个实施例中,所述模糊聚合执行单元还包括:
异常数据获得单元,用于当所述样本处理区间集合存在不满足所述裁切影响数据的数据时,则获得异常数据的异常值;
调控信息获得单元,用于通过所述异常值生成所述裁切设备的设备调控信息;
优化数据生成单元,用于基于所述设备调控信息进行所述裁切设备调控后,重新采样生成所述优化裁切数据。
在一个实施例中,所述规划结果输出模块4还包括:
约束层构建单元,用于构建余量约束隐含层,将所述余量约束隐含层耦合至所述裁切规划模型;
裁切信息判断单元,用于判断所述目标裁切信息是否包括多个尺寸裁切规格;
裁切规划执行单元,用于当所述目标裁切信息包括多个裁切规格时,则调用所述余量约束隐含层进行裁切规划;
鬼阿虎结果生成单元,用于输出获得所述裁切规划结果。
在一个实施例中,本申请提供的***还包括:
裁切规划执行单元,用于基于所述裁切规划结果进行裁切执行;
数据采集执行单元,用于对执行裁切的裁切成品进行数据采集,生成成品数据采集结果;
裁切预警生成单元,用于基于所述成品数据采集结果生成裁切预警信息;
控制反馈执行单元,用于通过所述裁切预警信息进行裁切控制反馈。
在一个实施例中,本申请提供的***还包括:
裁切余量获得单元,用于通过所述裁切规划结果获得裁切余量信息;
稳定系数生成单元,用于通过所述历史裁切数据生成所述裁切设备的设备稳定性数据;
稳定系数判断单元,用于判断所述稳定性数据是否满足预设稳定阈值;
余量分布参考单元,用于当所述稳定性数据不能满足所述预设稳定阈值时,则对所述裁切余量进行余量分布,根据余量分布结果对所述裁切规划结果调整。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种钢筋套料裁剪方法,其特征在于,所述方法应用于智能裁剪控制***,所述智能裁剪控制***与图像采集设备、数据连通设备通信连接,所述方法包括:
采集获得钢筋原材料信息、目标裁切信息;
通过所述数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据;
对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据,所述裁切影响数据通过筛选特征数据构建,所述筛选特征数据通过用户目标裁切信息要求裁切长度为所述历史裁切数据的判断分类基准,进行所述历史裁切数据的分类,并基于所述数据特征标识进行两类数据的分类标识生成;
将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果;
选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;
通过所述图像采集设备进行所述裁切结果的图像采集,生成图像采集结果;
基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
通过大数据构建缺陷特征集合,其中,所述缺陷特征集合包括关联处理尺寸;
基于所述缺陷特征集合对所述图像采集结果进行特征匹配,获得特征匹配结果;
根据所述特征匹配结果获得匹配关联处理尺寸;
基于所述图像采集结果获得特征位置,根据所述特征位置和所述关联处理尺寸生成所述优化裁切数据。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
基于所述特征位置和所述关联处理尺寸获得样本处理区间;
对全部样本进行样本监测,统计构建样本处理区间集合,其中,所述样本处理区间集合具有时间标识;
判断所述样本处理区间集合是否均满足所述裁切影响数据;
当所述样本处理区间集合均满足所述裁切影响数据时,则获得所述样本处理区间集合的模糊聚合众数;
通过所述模糊聚合众数匹配扩大区间范围,基于所述扩大区间范围获得所述优化裁切数据。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
当所述样本处理区间集合存在不满足所述裁切影响数据的数据时,则获得异常数据的异常值;
通过所述异常值生成所述裁切设备的设备调控信息;
基于所述设备调控信息进行所述裁切设备调控后,重新采样生成所述优化裁切数据。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
构建余量约束隐含层,将所述余量约束隐含层耦合至所述裁切规划模型;
判断所述目标裁切信息是否包括多个尺寸裁切规格;
当所述目标裁切信息包括多个裁切规格时,则调用所述余量约束隐含层进行裁切规划;
输出获得所述裁切规划结果。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述裁切规划结果进行裁切执行;
对执行裁切的裁切成品进行数据采集,生成成品数据采集结果;
基于所述成品数据采集结果生成裁切预警信息;
通过所述裁切预警信息进行裁切控制反馈。
7.如权利要求1所述的方法,其特征在于,所述方法包括:
通过所述裁切规划结果获得裁切余量信息;
通过所述历史裁切数据生成所述裁切设备的设备稳定性数据;
判断所述稳定性数据是否满足预设稳定阈值;
当所述稳定性数据不能满足所述预设稳定阈值时,则对所述裁切余量进行余量分布,根据余量分布结果对所述裁切规划结果调整。
8.一种钢筋套料裁剪***,其特征在于,所述***包括:
钢筋信息采集模块,用于采集获得钢筋原材料信息、目标裁切信息;
历史数据获得模块,用于通过数据连通设备进行裁切设备连通,读取所述裁切设备的历史裁切数据;
数据特征标识模块,用于对所述历史裁切数据进行数据特征标识,生成筛选特征数据,基于所述筛选特征数据生成裁切影响数据,所述裁切影响数据通过筛选特征数据构建,所述筛选特征数据通过用户目标裁切信息要求裁切长度为所述历史裁切数据的判断分类基准,进行所述历史裁切数据的分类,并基于所述数据特征标识进行两类数据的分类标识生成;
规划结果输出模块,用于将所述钢筋原材料信息、所述目标裁切信息和所述裁切影响数据输入裁切规划模型,输出预规划结果;
裁切结果生成模块,用于选定裁剪原材样本,基于所述预规划结果通过所述裁切设备进行所述裁剪原材样本的裁切,获得裁切结果;
图像采集执行模块,用于通过图像采集设备进行所述裁切结果的图像采集,生成图像采集结果;
模型补偿执行模块,用于基于所述图像采集结果生成优化裁切数据,通过所述优化裁切数据对所述裁切规划模型进行模型补偿,基于补偿后的所述裁切规划模型输出裁切规划结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024471.5A CN116167505B (zh) | 2023-01-09 | 2023-01-09 | 一种钢筋套料裁剪方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024471.5A CN116167505B (zh) | 2023-01-09 | 2023-01-09 | 一种钢筋套料裁剪方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167505A CN116167505A (zh) | 2023-05-26 |
CN116167505B true CN116167505B (zh) | 2023-10-31 |
Family
ID=86415853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310024471.5A Active CN116167505B (zh) | 2023-01-09 | 2023-01-09 | 一种钢筋套料裁剪方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167505B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608393A (zh) * | 2017-08-31 | 2018-01-19 | 保定钞票纸业有限公司 | 一种基于机器视觉技术的定位裁切***及方法 |
CN110728059A (zh) * | 2019-10-16 | 2020-01-24 | 北京首钢股份有限公司 | 一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台 |
CN111709573A (zh) * | 2020-06-15 | 2020-09-25 | 重庆钢铁股份有限公司 | 一种热切分剪待剪切钢板的最优子板规划方法及*** |
CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及*** |
CN114563992A (zh) * | 2022-03-01 | 2022-05-31 | 昆山缔微致精密电子有限公司 | 一种提高注塑模具的冲裁精度的方法及*** |
CN115047162A (zh) * | 2022-06-24 | 2022-09-13 | 张家港沙龙精密管业有限公司 | 一种钢管热处理的缺陷检测方法及*** |
CN115060214A (zh) * | 2022-05-18 | 2022-09-16 | 广西广盛新材料科技有限公司 | 钢材剪切方法、装置、服务器及存储介质 |
-
2023
- 2023-01-09 CN CN202310024471.5A patent/CN116167505B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608393A (zh) * | 2017-08-31 | 2018-01-19 | 保定钞票纸业有限公司 | 一种基于机器视觉技术的定位裁切***及方法 |
CN110728059A (zh) * | 2019-10-16 | 2020-01-24 | 北京首钢股份有限公司 | 一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台 |
CN111709573A (zh) * | 2020-06-15 | 2020-09-25 | 重庆钢铁股份有限公司 | 一种热切分剪待剪切钢板的最优子板规划方法及*** |
CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及*** |
CN114563992A (zh) * | 2022-03-01 | 2022-05-31 | 昆山缔微致精密电子有限公司 | 一种提高注塑模具的冲裁精度的方法及*** |
CN115060214A (zh) * | 2022-05-18 | 2022-09-16 | 广西广盛新材料科技有限公司 | 钢材剪切方法、装置、服务器及存储介质 |
CN115047162A (zh) * | 2022-06-24 | 2022-09-13 | 张家港沙龙精密管业有限公司 | 一种钢管热处理的缺陷检测方法及*** |
Non-Patent Citations (4)
Title |
---|
冷轧切边剪薄带钢起筋控制策略研究;李志超;;金属世界(03);全文 * |
基于图像处理的钢坯定尺定重智能切割***;安辉耀, 沈德耀;中南工业大学学报(自然科学版)(06);全文 * |
基于神经网络的连铸板坯质量在线诊断***;郭贤利;彭世恒;仇圣桃;;冶金自动化(03);全文 * |
影响控轧控冷钢筋生产不畅的因素及对策;丁礼权;丁文胜;董水要;;武钢技术(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116167505A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101710235B (zh) | 一种数控机床在线加工工件的自动识别和监控方法 | |
DE102017011544A1 (de) | Steuerung und maschinelle Lernvorrichtung | |
DE69321005T2 (de) | Bearbeitungs-System und -Verfahren zur Verbesserung der Abmessungsgenauigkeit bearbeiteter Werkstücke | |
DE60220063T2 (de) | Integrierung von fehlererkennung mit run-to-run steuerung | |
JP5114673B2 (ja) | 処理時間予測装置、方法、プログラム、及びコンピュータ読み取り可能な記憶媒体 | |
JP4613751B2 (ja) | 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム | |
EP3296822B1 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
KR20180025757A (ko) | 연속공정용 대용량 데이터를 실시간으로 처리하기 위한 스마트팩토리 플랫폼 | |
DE102018126429A1 (de) | Bearbeitungsbedingungsanpassungsvorrichtung und Maschinenlernvorrichtung | |
DE102019001783A1 (de) | Steuerung, maschinelle lernvorrichtung und system | |
CN116188440B (zh) | 一种轴承保持架的生产分析优化方法、设备及介质 | |
CN116167505B (zh) | 一种钢筋套料裁剪方法及*** | |
CN114563992A (zh) | 一种提高注塑模具的冲裁精度的方法及*** | |
CN114708043B (zh) | 一种供应链牛鞭效应测度方法及***、设备、存储介质 | |
CN113492583B (zh) | 废页预测 | |
DE10297636B4 (de) | Verfahren zum Steuern von Prozessanlagen in einer Halbleiterfertigungsfabrik #### | |
CN117196364A (zh) | 一种烧结状态质量实时评价方法及*** | |
CN115875091A (zh) | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 | |
JP2752787B2 (ja) | 数値制御情報作成装置 | |
DE102006040767A1 (de) | System und Verfahren für die standardisierte Prozessüberwachung in einer komplexen Fertigungsumgebung | |
US20230111359A1 (en) | Dynamic production planning method for continuous casting plants | |
CN110119906B (zh) | 一种管理产品质量的方法和装置 | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
CN116068962B (zh) | 一种基于数控机床的工艺路线规划方法及相关设备 | |
CN113283747B (zh) | 基于mes的生产信息管控方法及装置 |
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 |