CN117234164A - 全面数字化生产管理的智慧工厂控制*** - Google Patents
全面数字化生产管理的智慧工厂控制*** Download PDFInfo
- Publication number
- CN117234164A CN117234164A CN202311414337.2A CN202311414337A CN117234164A CN 117234164 A CN117234164 A CN 117234164A CN 202311414337 A CN202311414337 A CN 202311414337A CN 117234164 A CN117234164 A CN 117234164A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- data
- real
- cutting
- monitoring
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 103
- 238000005520 cutting process Methods 0.000 claims abstract description 95
- 238000012544 monitoring process Methods 0.000 claims abstract description 85
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 48
- 239000013618 particulate matter Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000000875 corresponding effect Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000003754 machining Methods 0.000 claims abstract description 21
- 238000005299 abrasion Methods 0.000 claims abstract description 17
- 239000002184 metal Substances 0.000 claims abstract description 13
- 230000002596 correlated effect Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000001816 cooling Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 239000012809 cooling fluid Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 239000002923 metal particle Substances 0.000 claims description 6
- 239000002826 coolant Substances 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004887 air purification Methods 0.000 claims description 3
- 239000000110 cooling liquid Substances 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005555 metalworking Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- Numerical Control (AREA)
Abstract
本发明公开了全面数字化生产管理的智慧工厂控制***,涉及切削加工技术领域,该***通过监测模块,原始数据库、数据建模模块、评估模块和控制模块的协同,在切削加工生产线上,采集每个监测区域R的生产实时数据和颗粒物实时数据,并全面监测和分析切削过程,获得刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy,和区域安全加工系数Jgx,并与相对应的区域颗粒物系数Fz进行相关联,获得相关联附着影响系数F;并由评估模块和控制模块的协同,比对获得第一评估结果和第二评估结果,并由控制模块自动生成第一控制指令和第二控制指令对每个监测点R进行生成相对应控制。从而改进切削金属零件的加工过程,提高效率和质量。
Description
技术领域
本发明涉及切削加工技术领域,具体为全面数字化生产管理的智慧工厂控制***。
背景技术
在现代工业生产领域,特别是在切削零件加工领域,数字化生产管理和智能工厂控制***已经成为至关重要的技术。过去,切削金属零件的制造过程通常依赖于经验和手动操作。然而,这种传统方法存在许多挑战,包括刀具磨损、切削质量波动和安全性问题。因此,数字化生产管理的智能工厂控制***已经崭露头角,以应对这些挑战。
现有数字化生产管理***在切削金属零件时存在多个缺陷。首先,切削工具的磨损和刀轨的形变问题导致产品质量下降和工具寿命减少。其次,附着现象常见于金属加工,影响表面质量和精度。另外,气象条件,尤其是气温和大气压力,对金属颗粒扩散产生影响现有***通常难以精确监测和量化这些问题,因此,亟需提出全面数字化生产管理的智慧工厂控制***。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了全面数字化生产管理的智慧工厂控制***,以解决背景技术的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:全面数字化生产管理的智慧工厂控制***,包括监测模块,原始数据库、数据建模模块、评估模块和控制模块;
在加工零件切削加工生产线上,布设若干个监测点,对应每个车床的区域监测点,标记为R,由监测模块采集每个监测区域R的生产实时数据和颗粒物实时数据,并存储至原始数据库中;
由数据建模模块,建立生产数字化模型,所述数据建模模块包括第一分析单元、第二分析单元和第三相关分析单元,所述第一分析单元用于依据所述生产实时数据进行输入至生产数字化模型中,提取每个监测区域R的刀具加工数据,分析计算获得刀具磨损系数Ms;并从所述生产实时数据提取刀轨几何形变特征、刀具和工件的距离位置特征,计算获得刀轨形变系数Dg;且从所述生产实时数据中,提取刀具加工数据和冷却液流量数据,计算获得冷却效率系数Gy;并由第二分析单元从所述颗粒物实时数据中提取每个监测区域R内实时温度值wd,大气压力值YL、颗粒物金属浓度nd以及空气密度值md,并进行无量纲处理后,计算获得区域颗粒物系数Fz;
由第三相关分析单元将刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy拟合,获得区域安全加工系数Jgx,并与相对应的区域颗粒物系数Fz进行相关联,获得相关联附着影响系数F;所述区域安全加工系数Jgx和区域颗粒物系数Fz通过以下公式生成:
式中,w1、w2和w3表示为刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy的权重值,且,0.35≤w1≤5.5,0.45≤w2≤5.5,0.25≤w3≤3.5,且w1+w2+w3≥1.0;A1表示为修正常数值;
B表示为实时温度值wd和大气压力值YL之间的运动因子,通过大气压力和气体分子密度碰撞频率度量,公式的含义:高的气体密度会增加金属粒子与气体分子之间的碰撞频率,从而影响扩散速度;α、β是权重值;0≤α<<1,0≤β<<1,且α+β=1,α、β为权重,C为常数修正系数,V为区域空气体积;
由评估模块设置第一阈值Yz1和第二阈值Yz2,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,并由控制模块根据第一评估结果和第二评估结果,生成第一控制指令和第二控制指令对每个监测点R进行生成相对应控制。
优选的,所述监测模块包括布局单元第一监测单元和第二监测单元;
所述布局单元用于对应每个车床的区域监测点,依次标记为R1、R2、R3、...、Rn;用于在所述数据建模模块中建立的生产数字化模型中,进行相对应的区域监测点标记;
所述第一监测单元用于采用第一集成传感器组采集获取生产实时数据;
所述生产实时数据包括刀具加工数据以及冷却液流量数据,所述刀具加工数据包括切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和切削材料硬度值Cm、工件和刀轨的位置和运动数据和刀轨几何形变数据;
所述第一集成传感器组包括位移传感器、速度传感器、视觉传感器、流量计、震动传感器和加速度传感器;
第二监测单元用于采用第二集成传感器组采集获取颗粒物实时数据;包括实时温度值wd,大气压力值YL、颗粒物金属浓度nd以及空气密度值md和区域空气体积V;
所述第二集成传感器组包括温度传感器、大气压传感器、颗粒物浓度传感器、空气密度计和体积测量仪。
优选的,所述原始数据库包括数据清洗单元和数据整合单元;
数据清洗单元接收第一监测单元和第二监测单元监测得到的生产实时数据和颗粒物实时数据,并进行包括清洗,处理缺失值、去除异常数据和进行数据插值处理,并由数据整合单元将处理后的生产实时数据和颗粒物实时数据进行整合。
优选的,所述数据建模模块包括建模单元,所述建模单元采用分类聚类模型法,建立生产数字化模型,并通过训练集和验证集进行训练和验证生产数字化模型后,将整合过的生产实时数据作为第一输入子集,将颗粒物实时数据作为第二输入子集。
优选的,所述第一分析单元包括刀具磨损计算单元,所述刀具磨损计算单元用于依据所述生产实时数据进行输入至生产数字化模型中,提取每个监测区域R的切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和切削材料硬度值Cm,并进行无量纲处理后,计算获得刀具磨损系数Ms;所述刀具磨损系数Ms通过以下公式进行计算:
式中,A2表示修正常数,公式的含义在于,得出的刀具磨损系数Ms值越高,刀具磨损越大。
优选的,所述第一分析单元包括冷却效率计算单元,所述冷却效率计算单元用于依据从所述生产实时数据中,提取切削速度Vc、工件进给速度SD和冷却液流量LQLY,并进行无量纲处理后,计算获得冷却效率系数Gy,所述冷却效率系数Gy通过以下公式进行计算获得:
式中,A3表示修正常数,公式的含义在于,得出的冷却效率系数Gy值越高,冷却效果越高。
优选的,所述第二分析单元包括形变特征提取单元和形变计算单元:
所述形变特征提取单元用于从第一输入子集中,提取刀轨几何形变特征、刀具和工件的距离位置特征,并进行量化,通过形变计算单元计算获得标准运动轨迹系数Bz和刀轨形变系数Dg,具体包括:
从第一输入子集中,获取刀轨的多帧图像,依据刀轨的时间标准运动轨迹进行建立标准轨迹特征,建立刀轨坐标系列模型;
使得刀轨运动原理沿着轨迹坐标系x,y,z轴进行运动,且标准运动轨迹方向获得未变形切削厚度,表示为h=(i,j,t),刀具和刀轨的任意一点作为刀轴的垂线,与刀具刀刃面相交与L点,L表示为未变形的垂直焦点,且提取分析获得标准运动轨迹系数Bz的生成公式为:
式中,m表示数据点的数量,p代表数据点的索引,fx,r,L(i,j,t)、fy,r,L(i,j,t)和fz,r,L(i,j,t)分别表示为刀轨沿着x轴、y轴和z轴方向上的力r,fx,c,L(i,j,t)、fc,e,L(i,j,t)和fz,c,L(i,j,t)分别表示为刀轨沿着x轴、y轴和z轴方向的角度e。
优选的,Lo表示为已检测变形的垂直焦点,则,含有已检测变形垂直焦点的刀轨路径通在坐标系中表述为:Lo(i,j,t),并计算获得若干个变形点L1,o、L2,o、L3,o、...、Ln,o生成刀轨形变系数Dg,所述刀轨形变系数Dg由以下公式生成:
式中,L1,o(i,j,t),L2,o(i,j,t),L3,o(i,j,t),...,Ln,o(i,j,t)表示为若干个变形垂直焦点,公式的含义为,用于定量衡变形点与标准刀轨路径的差异值。
优选的,所述相关联附着影响系数Q通过以下公式生成:
n表示数据点的数量,符号i代表数据点的索引,xi是区域安全加工系数Jgx的数据点,yi是相对应区域颗粒物系数Fz的数据点;是区域安全加工系数Jgx的均值,/>是相对应区域颗粒物系数Fz的均值;公式的含义为:计算出区域安全加工系数Jgx与对应区域颗粒物系数Fz之间的线性相关性,相关联附着影响系数Q的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示没有线性相关性。
优选的,由评估模块设置第一阈值Yz1和第二阈值Yz2,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,包括:
如果区域安全加工系数Jgx≤第一阈值Yz1,标记为"安全",表示切削过程处于安全状态;
如果区域安全加工系数Jgx>第一阈值Yz1,标记为"不安全"或"异常";这表示切削过程存在风险,并由控制模块依据第一评估结果的值,由大至小,进行优先级顺序排序,并优先生成第一调控指令进行实际调控,所述第一调控指令包括:
第一:发出警报信息,暂停切削过程并,自动调整切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和冷却液流量LQLY参数,已使得区域安全加工系数Jgx小于第一阈值Yz1内,重新开机;
第二:当区域安全加工系数Jgx>第一阈值Yz1且上浮点超过10个点时,暂停切削过程并,更换刀具或校正刀轨变形区域;
将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,包括:
如果相关联附着影响系数Q≤第二阈值Yz2,标记为“附着正常",这表示附着对切削过程的无影响;
如果相关联附着影响系数Q>第二阈值Yz2,标记为"附着影响大",这表示附着对切削过程产生显著影响;并由控制模块依据第二评估结果的值,由大至小,进行优先级顺序排序,并优先生成第二调控指令进行实际调控,包括:
第一,优先开启净化装置对空气中进行净化和吸尘,使得区域颗粒物系数Fz低于第三阈值Yz3,第三阈值Yz3根据实际空气净化度去设置安全阈值;第二,自动调整切削参数,以减小附着影响,包括减小切削速度Vc、减慢工件进给速度SD、增加冷却液流量LQLY参数。
(三)有益效果
本发明提供了全面数字化生产管理的智慧工厂控制***。具备以下有益效果:
(1)通过监测模块,原始数据库、数据建模模块、评估模块和控制模块的协同,监测模块在切削加工生产线上,设置监测点R,采集每个监测区域R的生产实时数据和颗粒物实时数据,并全面监测和分析切削过程,综合考虑刀具磨损、刀轨形变、附着和气象条件等因素,并将刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy拟合,获得区域安全加工系数Jgx,并与相对应的区域颗粒物系数Fz进行相关联,获得相关联附着影响系数F;并由评估模块和控制模块的协同,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,并由控制模块根据第一评估结果和第二评估结果,生成第一控制指令和第二控制指令对每个监测点R进行生成相对应控制。从而改进切削金属零件的加工过程,提高效率和质量。
(2)该全面数字化生产管理的智慧工厂控制***,智慧工厂控制***的实施,通过实时监测和调控切削过程,能够显著提高产品质量。通过监测刀具磨损、刀轨形变以及附着等因素,***能够及时发现问题并采取措施,以确保产品表面粗糙度、精度和质量在良好水平上。
(3)该全面数字化生产管理的智慧工厂控制***,***中的自动化控制和实时调整功能有助于提高生产效率。通过优化切削参数,***可以减小附着和提高冷却效率,从而减少生产中的停机时间,提高产量。
(4)该全面数字化生产管理的智慧工厂控制***,该***有助于降低切削过程中的风险。通过监测区域安全加工系数Jgx和对应区域颗粒物系数Fz,计算获得相关联附着影响系数Q,***可以及时警报并采取控制措施来减少不安全或异常情况。这可以降低事故风险,维护生产车间的安全。
附图说明
图1为本发明全面数字化生产管理的智慧工厂控制***框图流程示意图;
图中:1、监测模块;11、布局单元;12、第一监测单元;13、第二监测单元;2、原始数据库;21、数据清洗单元;22、数据整合单元;3、数据建模模块;30、建模单元;31、第一分析单元;311、刀具磨损计算单元;312、冷却效率计算单元;32、第二分析单元;321、形变特征提取单元;322、形变计算单元;33、第三相关分析单元;4、评估模块;5、控制模块。
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。
现有的数字化生产管理***在处理切削金属零件时仍存在一些缺陷,其中一些问题包括:刀具在切削过程中会磨损,刀轨会发生形变,这可能导致产品质量下降和工具寿命的降低。附着是金属加工过程中的一个常见问题,可以导致产品表面粗糙度、精度和质量下降。大气条件,特别是气温和大气压力,可以影响金属颗粒的扩散速度和分布。
实施例1
本发明提供全面数字化生产管理的智慧工厂控制***,请参阅图1,为实现以上目的,本发明通过以下技术方案予以实现:全面数字化生产管理的智慧工厂控制***,包括监测模块1,原始数据库2、数据建模模块3、评估模块4和控制模块5;
在加工零件切削加工生产线上,布设若干个监测点,对应每个车床的区域监测点,标记为R,由监测模块1采集每个监测区域R的生产实时数据和颗粒物实时数据,并存储至原始数据库2中;
由数据建模模块3,建立生产数字化模型,所述数据建模模块3包括第一分析单元31、第二分析单元32和第三相关分析单元33,所述第一分析单元31用于依据所述生产实时数据进行输入至生产数字化模型中,提取每个监测区域R的刀具加工数据,分析计算获得刀具磨损系数Ms;并从所述生产实时数据提取刀轨几何形变特征、刀具和工件的距离位置特征,计算获得刀轨形变系数Dg;且从所述生产实时数据中,提取刀具加工数据和冷却液流量数据,计算获得冷却效率系数Gy;并由第二分析单元32从所述颗粒物实时数据中提取每个监测区域R内实时温度值wd,大气压力值YL、颗粒物金属浓度nd以及空气密度值md,并进行无量纲处理后,计算获得区域颗粒物系数Fz;
由第三相关分析单元33将刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy拟合,获得区域安全加工系数Jgx,并与相对应的区域颗粒物系数Fz进行相关联,获得相关联附着影响系数F;所述区域安全加工系数Jgx和区域颗粒物系数Fz通过以下公式生成:
式中,w1、w2和w3表示为刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy的权重值,且,0.35≤w1≤5.5,0.45≤w2≤5.5,0.25≤w3≤3.5,且w1+w2+w3≥1.0;A1表示为修正常数值;
B表示为实时温度值wd和大气压力值YL之间的运动因子,通过大气压力和气体分子密度碰撞频率度量,公式的含义:高的气体密度会增加金属粒子与气体分子之间的碰撞频率,从而影响扩散速度;α、β是权重值;0≤α<<1,0≤β<<1,且α+β=1,α、β为权重,C为常数修正系数,V为区域空气体积;
由评估模块4设置第一阈值Yz1和第二阈值Yz2,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,并由控制模块5根据第一评估结果和第二评估结果,生成第一控制指令和第二控制指令对每个监测点R进行生成相对应控制。
本实施例中,通过以上监测模块1,原始数据库2、数据建模模块3、评估模块4和控制模块5的协同,监测模块1在切削加工生产线上,设置监测点R,采集每个监测区域R的生产实时数据和颗粒物实时数据,并全面监测和分析切削过程,综合考虑刀具磨损、刀轨形变、附着和气象条件等因素,刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy拟合,获得区域安全加工系数Jgx,并与相对应的区域颗粒物系数Fz进行相关联,获得相关联附着影响系数F;并由评估模块4和控制模块5的协同,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,并由控制模块5根据第一评估结果和第二评估结果,生成第一控制指令和第二控制指令对每个监测点R进行生成相对应控制。从而改进切削金属零件的加工过程,提高效率和质量。
通过实时数据采集和计算,***能够准确监测和预测刀具磨损和刀轨形变,帮助提前识别可能影响产品质量的问题。附着问题的处理:***综合考虑附着对产品表面质量的影响,可以采取控制措施来减少附着,从而提高产品表面的光滑度和精度。气象条件的考虑:***考虑气象条件,如气温和大气压力,对金属颗粒扩散的影响,有助于促进控制金属加工过程,特别是在不同气象条件下的金属颗粒扩散的影响情况。
综合性决策支持:***通过评估模块4生成第一和第二评估结果,可以根据这些结果生成具体的控制指令,有助于优化生产流程并提高产品质量。
实施例2
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述监测模块1包括布局单元11、第一监测单元12和第二监测单元13;
所述布局单元11用于对应每个车床的区域监测点,依次标记为R1、R2、R3、...、Rn;用于在所述数据建模模块3中建立的生产数字化模型中,进行相对应的区域监测点标记;这些标记将用于建立生产数字化模型中的区域监测点标记,以便在后续分析中识别各个区域。
所述第一监测单元12用于采用第一集成传感器组采集获取生产实时数据;
所述生产实时数据包括刀具加工数据以及冷却液流量数据,所述刀具加工数据包括切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和切削材料硬度值Cm、工件和刀轨的位置和运动数据和刀轨几何形变数据;
所述第一集成传感器组包括位移传感器、速度传感器、视觉传感器、流量计、震动传感器和加速度传感器;这些传感器将捕获所需的生产实时数据。
第二监测单元13用于采用第二集成传感器组采集获取颗粒物实时数据;包括实时温度值wd,大气压力值YL、颗粒物金属浓度nd以及空气密度值md和区域空气体积V;
所述第二集成传感器组包括温度传感器、大气压传感器、颗粒物浓度传感器、空气密度计和体积测量仪。
本实施例中,监测单元1的组合允许***实时监测生产过程中的关键参数和特征,从而支持数据分析、建模和评估,以改进切削金属零件的加工过程,提高质量和效率。
实施例3
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述原始数据库2包括数据清洗单元21和数据整合单元22;
数据清洗单元21接收第一监测单元12和第二监测单元13监测得到的生产实时数据和颗粒物实时数据,并进行包括清洗,处理缺失值、去除异常数据和进行数据插值处理,并由数据整合单元22将处理后的生产实时数据和颗粒物实时数据进行整合。
处理缺失值:识别并处理生产实时数据和颗粒物实时数据中的缺失值,确保数据完整性。异常数据处理:检测并去除异常数据,这些异常数据可能会干扰后续的分析和建模过程。数据插值处理:进行数据插值以填补可能存在的数据间隙,确保连续性和一致性。清洗后的生产实时数据和颗粒物实时数据被整合在数据整合单元22中。数据整合有助于将来自不同监测单元的数据结合在一起,以便进行综合分析、建模和评估。这有助于***综合理解生产过程的状态和性能。
实施例4
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述数据建模模块3包括建模单元30,所述建模单元采用分类聚类模型法,选择适当的分类或聚类模型,并使用训练集来训练模型。模型的目标是学习数据中的模式和关系,以便能够将新样本分为不同的类别或聚类。
建立生产数字化模型,并通过训练集和验证集进行训练和验证生产数字化模型后,使用验证集来验证模型的性能。这涉及评估模型的准确性、精确性、召回率等性能指标,以确定模型的质量。一旦模型经过训练和验证,它就可以用于对新样本进行分类或聚类。这有助于识别未知数据的类别或归属。
将整合过的生产实时数据作为第一输入子集,将颗粒物实时数据作为第二输入子集。
实施例5
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述第一分析单元31包括刀具磨损计算单元311,所述刀具磨损计算单元311用于依据所述生产实时数据进行输入至生产数字化模型中,提取每个监测区域R的切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和切削材料硬度值Cm,并进行无量纲处理后,计算获得刀具磨损系数Ms;所述刀具磨损系数Ms通过以下公式进行计算:
式中,A2表示修正常数,公式的含义在于,得出的刀具磨损系数Ms值越高,刀具磨损越大。
本实施例中,通过计算和监测刀具磨损系数Ms,评估切削工具的使用寿命和性能,以及识别何时需要更换或维护切削工具,从而提高生产质量和效率。
实施例6
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述第一分析单元31包括冷却效率计算单元312,所述冷却效率计算单元312用于依据从所述生产实时数据中,提取切削速度Vc、工件进给速度SD和冷却液流量LQLY,并进行无量纲处理后,计算获得冷却效率系数Gy,所述冷却效率系数Gy通过以下公式进行计算获得:
式中,A3表示修正常数,公式的含义在于,得出的冷却效率系数Gy值越高,冷却效果越高。
本实施例中,通过计算和监测冷却效率系数Gy值,促进地了解和控制切削过程中的冷却效果,从而提高生产质量和工具的使用寿命。
实施例7
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述第二分析单元32包括形变特征提取单元321和形变计算单元322:
所述形变特征提取单元321用于从第一输入子集中,提取刀轨几何形变特征、刀具和工件的距离位置特征,并进行量化,通过形变计算单元322计算获得标准运动轨迹系数Bz和刀轨形变系数Dg,具体包括:
从第一输入子集中,获取刀轨的多帧图像,依据刀轨的时间标准运动轨迹进行建立标准轨迹特征,建立刀轨坐标系列模型;
使得刀轨运动原理沿着轨迹坐标系x,y,z轴进行运动,且标准运动轨迹方向获得未变形切削厚度,表示为h=(i,j,t),刀具和刀轨的任意一点作为刀轴的垂线,与刀具刀刃面相交与L点,L表示为未变形的垂直焦点,且提取分析获得标准运动轨迹系数Bz的生成公式为:
式中,m表示数据点的数量,p代表数据点的索引,fx,r,L(i,j,t)、fy,r,L(i,j,t)和fz,r,L(i,j,t)分别表示为刀轨沿着x轴、y轴和z轴方向上的力r,fx,c,L(i,j,t)、fc,e,L(i,j,t)和fz,c,L(i,j,t)分别表示为刀轨沿着x轴、y轴和z轴方向的角度e。
具体的,Lo表示为已检测变形的垂直焦点,则,含有已检测变形垂直焦点的刀轨路径通在坐标系中表述为:Lo(i,j,t),并计算获得若干个变形点L1,o、L2,o、L3,o、...、Ln,o生成刀轨形变系数Dg,所述刀轨形变系数Dg由以下公式生成:
式中,L1,o(i,j,t),L2,o(i,j,t),L3,o(i,j,t),...,Ln,o(i,j,t)表示为若干个变形垂直焦点,公式的含义为,用于定量衡变形点与标准刀轨路径的差异值。
本实施例中,用于从图像数据中提取刀轨的形变特征,计算标准运动轨迹系数Bz和刀轨形变系数Dg,这有助于评估刀轨的形变情况,进一步改进切削过程的质量和精度。
实施例8
本实施例是在实施例1中的解释说明,请参照图1,具体的,所述相关联附着影响系数Q通过以下公式生成:
n表示数据点的数量,符号i代表数据点的索引,xi是区域安全加工系数Jgx的数据点,yi是相对应区域颗粒物系数Fz的数据点;是区域安全加工系数Jgx的均值,/>是相对应区域颗粒物系数Fz的均值;公式的含义为:计算出区域安全加工系数Jgx与对应区域颗粒物系数Fz之间的线性相关性,相关联附着影响系数Q的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示没有线性相关性。
本实施例中,可以评估附着对切削过程的影响,以便采取相应的控制措施来改善产品质量和生产效率。相关联附着影响系数Q促进更好地理解对应区域颗粒物系数Fz附着与区域安全加工系数Jgx之间的关系。
实施例10
本实施例是在实施例1中的解释说明,请参照图1,具体的,由评估模块4设置第一阈值Yz1和第二阈值Yz2,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,包括:
如果区域安全加工系数Jgx≤第一阈值Yz1,标记为"安全",表示切削过程处于安全状态;
如果区域安全加工系数Jgx>第一阈值Yz1,标记为"不安全"或"异常";这表示切削过程存在风险,并由控制模块5依据第一评估结果的值,由大至小,进行优先级顺序排序,并优先生成第一调控指令进行实际调控,所述第一调控指令包括:
第一:发出警报信息,暂停切削过程并,自动调整切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和冷却液流量LQLY参数,已使得区域安全加工系数Jgx小于第一阈值Yz1内,重新开机;
第二:当区域安全加工系数Jgx>第一阈值Yz1且上浮点超过10个点时,暂停切削过程并,更换刀具或校正刀轨变形区域;
将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,包括:
如果相关联附着影响系数Q≤第二阈值Yz2,标记为“附着正常",这表示附着对切削过程的无影响;
如果相关联附着影响系数Q>第二阈值Yz2,标记为"附着影响大",这表示附着对切削过程产生显著影响;并由控制模块5依据第二评估结果的值,由大至小,进行优先级顺序排序,并优先生成第二调控指令进行实际调控,包括:
第一,优先开启净化装置对空气中进行净化和吸尘,使得区域颗粒物系数Fz低于第三阈值Yz3,第三阈值Yz3根据实际空气净化度去设置安全阈值;第二,自动调整切削参数,以减小附着影响,包括减小切削速度Vc、减慢工件进给速度SD、增加冷却液流量LQLY参数。
本实施例中,并根据实时监测结果采取相应的控制措施,从而提高产品质量和工具寿命。同时,评估模块4关注附着对切削过程的影响,以减小附着对产品表面粗糙度、精度和质量的不利影响,由控制模块5依据第一评估结果和第二评估结果的值生成,第一调控指令和第二调控指令,这些控制措施有助于确保切削过程的质量和安全性,以应对可能出现的问题,如刀具磨损、刀轨形变和附着,从而提高产品质量和工具寿命。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.全面数字化生产管理的智慧工厂控制***,其特征在于:包括监测模块(1),原始数据库(2)、数据建模模块(3)、评估模块(4)和控制模块(5);
在加工零件切削加工生产线上,布设若干个监测点,对应每个车床的区域监测点,标记为R,由监测模块(1)采集每个监测区域R的生产实时数据和颗粒物实时数据,并存储至原始数据库(2)中;
由数据建模模块(3),建立生产数字化模型,所述数据建模模块(3)包括第一分析单元(31)、第二分析单元(32)和第三相关分析单元(33),所述第一分析单元(31)用于依据所述生产实时数据进行输入至生产数字化模型中,提取每个监测区域R的刀具加工数据,分析计算获得刀具磨损系数Ms;并从所述生产实时数据提取刀轨几何形变特征、刀具和工件的距离位置特征,计算获得刀轨形变系数Dg;且从所述生产实时数据中,提取刀具加工数据和冷却液流量数据,计算获得冷却效率系数Gy;并由第二分析单元(32)从所述颗粒物实时数据中提取每个监测区域R内实时温度值wd,大气压力值YL、颗粒物金属浓度nd以及空气密度值md,并进行无量纲处理后,计算获得区域颗粒物系数Fz;
由第三相关分析单元(33)将刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy拟合,获得区域安全加工系数Jgx,并与相对应的区域颗粒物系数Fz进行相关联,获得相关联附着影响系数F;所述区域安全加工系数Jgx和区域颗粒物系数Fz通过以下公式生成:
式中,w1、w2和w3表示为刀具磨损系数Ms、刀轨形变系数Dg和工艺系数Gy的权重值,且,0.35≤w1≤5.5,0.45≤w2≤5.5,0.25≤w3≤3.5,且w1+w2+w3≥1.0;A1表示为修正常数值;
B表示为实时温度值wd和大气压力值YL之间的运动因子,通过大气压力和气体分子密度碰撞频率度量,公式的含义:高的气体密度会增加金属粒子与气体分子之间的碰撞频率,从而影响扩散速度;α、β是权重值;0≤α<<1,0≤β<<1,且α+β=1,α、β为权重,C为常数修正系数,V为区域空气体积;
由评估模块(4)设置第一阈值Yz1和第二阈值Yz2,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,并由控制模块(5)根据第一评估结果和第二评估结果,生成第一控制指令和第二控制指令对每个监测点R进行生成相对应控制。
2.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述监测模块(1)包括布局单元(11)、第一监测单元(12)和第二监测单元(13);
所述布局单元(11)用于对应每个车床的区域监测点,依次标记为R1、R2、R3、...、Rn;用于在所述数据建模模块(3)中建立的生产数字化模型中,进行相对应的区域监测点标记;
所述第一监测单元(12)用于采用第一集成传感器组采集获取生产实时数据;
所述生产实时数据包括刀具加工数据以及冷却液流量数据,所述刀具加工数据包括切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和切削材料硬度值Cm、工件和刀轨的位置和运动数据和刀轨几何形变数据;
所述第一集成传感器组包括位移传感器、速度传感器、视觉传感器、流量计、震动传感器和加速度传感器;
第二监测单元(13)用于采用第二集成传感器组采集获取颗粒物实时数据;包括实时温度值wd,大气压力值YL、颗粒物金属浓度nd以及空气密度值md和区域空气体积V;
所述第二集成传感器组包括温度传感器、大气压传感器、颗粒物浓度传感器、空气密度计和体积测量仪。
3.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述原始数据库(2)包括数据清洗单元(21)和数据整合单元(22);
数据清洗单元(21)接收第一监测单元(12)和第二监测单元(13)监测得到的生产实时数据和颗粒物实时数据,并进行包括清洗,处理缺失值、去除异常数据和进行数据插值处理,并由数据整合单元(22)将处理后的生产实时数据和颗粒物实时数据进行整合。
4.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述数据建模模块(3)包括建模单元(30),所述建模单元采用分类聚类模型法,建立生产数字化模型,并通过训练集和验证集进行训练和验证生产数字化模型后,将整合过的生产实时数据作为第一输入子集,将颗粒物实时数据作为第二输入子集。
5.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述第一分析单元(31)包括刀具磨损计算单元(311),所述刀具磨损计算单元(311)用于依据所述生产实时数据进行输入至生产数字化模型中,提取每个监测区域R的切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和切削材料硬度值Cm,并进行无量纲处理后,计算获得刀具磨损系数Ms;所述刀具磨损系数Ms通过以下公式进行计算:
式中,A2表示修正常数,公式的含义在于,得出的刀具磨损系数Ms值越高,刀具磨损越大。
6.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述第一分析单元(31)包括冷却效率计算单元(312),所述冷却效率计算单元(312)用于依据从所述生产实时数据中,提取切削速度Vc、工件进给速度SD和冷却液流量LQLY,并进行无量纲处理后,计算获得冷却效率系数Gy,所述冷却效率系数Gy通过以下公式进行计算获得:
式中,A3表示修正常数,公式的含义在于,得出的冷却效率系数Gy值越高,冷却效果越高。
7.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述第二分析单元(32)包括形变特征提取单元(321)和形变计算单元(322):
所述形变特征提取单元(321)用于从第一输入子集中,提取刀轨几何形变特征、刀具和工件的距离位置特征,并进行量化,通过形变计算单元(322)计算获得标准运动轨迹系数Bz和刀轨形变系数Dg,具体包括:
从第一输入子集中,获取刀轨的多帧图像,依据刀轨的时间标准运动轨迹进行建立标准轨迹特征,建立刀轨坐标系列模型;
使得刀轨运动原理沿着轨迹坐标系x,y,z轴进行运动,且标准运动轨迹方向获得未变形切削厚度,表示为h=(i,j,t),刀具和刀轨的任意一点作为刀轴的垂线,与刀具刀刃面相交与L点,L表示为未变形的垂直焦点,且提取分析获得标准运动轨迹系数Bz的生成公式为:
式中,m表示数据点的数量,p代表数据点的索引,fx,r,L(i,j,t)、fy,r,L(i,j,t)和fz,r,L(i,j,t)分别表示为刀轨沿着x轴、y轴和z轴方向上的力r,fx,c,L(i,j,t)、fc,e,L(i,j,t)和fz,c,L(i,j,t)分别表示为刀轨沿着x轴、y轴和z轴方向的角度e。
8.根据权利要求7所述的全面数字化生产管理的智慧工厂控制***,其特征在于:Lo表示为已检测变形的垂直焦点,则,含有已检测变形垂直焦点的刀轨路径通在坐标系中表述为:Lo(i,j,t),并计算获得若干个变形点L1,o、L2,o、L3,o、...、Ln,o生成刀轨形变系数Dg,所述刀轨形变系数Dg由以下公式生成:
式中,L1,o(i,j,t),L2,o(i,j,t),L3,o(i,j,t),...,Ln,o(i,j,t)表示为若干个变形垂直焦点,公式的含义为,用于定量衡变形点与标准刀轨路径的差异值。
9.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:所述相关联附着影响系数Q通过以下公式生成:
n表示数据点的数量,符号i代表数据点的索引,xi是区域安全加工系数Jgx的数据点,yi是相对应区域颗粒物系数Fz的数据点;是区域安全加工系数Jgx的均值,/>是相对应区域颗粒物系数Fz的均值;公式的含义为:计算出区域安全加工系数Jgx与对应区域颗粒物系数Fz之间的线性相关性,相关联附着影响系数Q的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示没有线性相关性。
10.根据权利要求1所述的全面数字化生产管理的智慧工厂控制***,其特征在于:由评估模块(4)设置第一阈值Yz1和第二阈值Yz2,将区域安全加工系数Jgx与第一阈值Yz1进行对比,获得第一评估结果,包括:
如果区域安全加工系数Jgx≤第一阈值Yz1,标记为"安全",表示切削过程处于安全状态;
如果区域安全加工系数Jgx>第一阈值Yz1,标记为"不安全"或"异常";这表示切削过程存在风险,并由控制模块(5)依据第一评估结果的值,由大至小,进行优先级顺序排序,并优先生成第一调控指令进行实际调控,所述第一调控指令包括:
第一:发出警报信息,暂停切削过程并,自动调整切削速度Vc、工件进给速度SD、切削深度AP、切削时间Tc和冷却液流量LQLY参数,已使得区域安全加工系数Jgx小于第一阈值Yz1内,重新开机;
第二:当区域安全加工系数Jgx>第一阈值Yz1且上浮点超过10个点时,暂停切削过程并,更换刀具或校正刀轨变形区域;
将相关联附着影响系数Q与第二阈值Yz2进行对比,获得第二评估结果,包括:
如果相关联附着影响系数Q≤第二阈值Yz2,标记为“附着正常",这表示附着对切削过程的无影响;
如果相关联附着影响系数Q>第二阈值Yz2,标记为"附着影响大",这表示附着对切削过程产生显著影响;并由控制模块(5)依据第二评估结果的值,由大至小,进行优先级顺序排序,并优先生成第二调控指令进行实际调控,包括:
第一,优先开启净化装置对空气中进行净化和吸尘,使得区域颗粒物系数Fz低于第三阈值Yz3,第三阈值Yz3根据实际空气净化度去设置安全阈值;第二,自动调整切削参数,以减小附着影响,包括减小切削速度Vc、减慢工件进给速度SD、增加冷却液流量LQLY参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414337.2A CN117234164A (zh) | 2023-10-30 | 2023-10-30 | 全面数字化生产管理的智慧工厂控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414337.2A CN117234164A (zh) | 2023-10-30 | 2023-10-30 | 全面数字化生产管理的智慧工厂控制*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117234164A true CN117234164A (zh) | 2023-12-15 |
Family
ID=89086168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311414337.2A Pending CN117234164A (zh) | 2023-10-30 | 2023-10-30 | 全面数字化生产管理的智慧工厂控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117234164A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608254A (zh) * | 2024-01-19 | 2024-02-27 | 新立讯科技股份有限公司 | 新能源智慧工厂ba自控性能评估方法及*** |
-
2023
- 2023-10-30 CN CN202311414337.2A patent/CN117234164A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608254A (zh) * | 2024-01-19 | 2024-02-27 | 新立讯科技股份有限公司 | 新能源智慧工厂ba自控性能评估方法及*** |
CN117608254B (zh) * | 2024-01-19 | 2024-04-05 | 新立讯科技股份有限公司 | 新能源智慧工厂ba自控性能评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117234164A (zh) | 全面数字化生产管理的智慧工厂控制*** | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN108581635B (zh) | 一种铣刀侧刃刃口磨损三维检测装置及方法 | |
CN113284143B (zh) | 基于图像数据处理的压铸件去毛刺精度检测*** | |
CN117314244B (zh) | 一种基于数据分析的工艺流程数据监管***及方法 | |
CN115639781B (zh) | 基于大数据的数控机床控制方法及*** | |
CN115170563A (zh) | 基于物联网的压铸件去毛刺后的检测***及方法 | |
CN112526931A (zh) | 一种船用柴油机机身孔系镗削加工过程质量控制方法 | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试***及方法 | |
CN117032415A (zh) | 一种基于温度变化的设备数据监管***及方法 | |
CN115601313A (zh) | 一种钢化玻璃生产工艺可视化监控管理*** | |
CN109877650B (zh) | 一种棒料剪切刀具寿命预测方法 | |
CN117330156A (zh) | 一种气体流量计故障自动检测分析装置 | |
CN117331344A (zh) | 数控加工过程多信号质量监测与控制*** | |
CN117518982B (zh) | 一种提高机床加工精度的方法及*** | |
CN116451044A (zh) | 基于数据分析的机加设备故障预警*** | |
CN114742798A (zh) | 一种基于剪刃磨损检测的圆盘剪换刀时机预测***及方法 | |
CN111724203A (zh) | 基于多重回归模型的产品加工价格预估方法及*** | |
CN117313951B (zh) | 一种多传感器融合的柔性去毛刺管理方法及*** | |
CN112946072A (zh) | 基于机器学习的砂带磨损状态监测方法 | |
CN116307938B (zh) | 一种加工中心进给***健康状态评估方法 | |
CN115741218B (zh) | 基于加工画像分析的机床故障预警方法及*** | |
CN109648397B (zh) | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 | |
Huihui et al. | Feature transfer-based approach for tool wear monitoring of face milling | |
CN114936590A (zh) | 一种光伏电站弃光数据识别方法、装置及存储介质 |
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 |