数控系统中基于深度学习模型的Docker容器部署方法和系统

    公开(公告)号:CN114780140A

    公开(公告)日:2022-07-22

    申请号:CN202210486646.X

    申请日:2022-05-06

    摘要: 本发明涉及数控机床领域和智能制造领域,具体涉及一种数控系统中基于深度学习模型的Docker容器部署方法,包括如下步骤:将深度学习模型的训练代码和环境依赖打包,创建Docker镜像文件;将Docker镜像文件传输至数控系统云平台,然后将其实例化为Docker容器;将数控机床的加工数据远程传输至数控系统云平台,载入Docker容器;基于云平台提供的算力资源基础和数控机床提供的加工数据基础,在Docker容器中进行深度学习模型的训练,将训练完成的深度学习模型保存为序列化格式;通过云平台将序列化格式的深度学习模型远程传输至智能数控系统。该方法结合迁移学习的思想,能够简单有效地完成深度学习模型的训练与部署,以提高数控机床的加工精度、加工速度和可靠性。

    一种基于微服务架构的柔性生产线控制系统平台

    公开(公告)号:CN112965446B

    公开(公告)日:2022-06-14

    申请号:CN202110127446.0

    申请日:2021-01-29

    IPC分类号: G05B19/418

    摘要: 本发明公开了一种基于微服务架构的柔性生产线控制系统平台,属于柔性制造控制系统集成化、平台化技术领域,包括扩展层、表现层、应用层和数据层,应用层包括核心功能单元和多控制器单元;数据层包括由柔性生产线涉及的全部数据组成的ECode数据模型;扩展层用于加载、卸载、修改或删除基于ECode数据模型编写的功能模块以实现在应用层的功能上进行新功能的扩展;多控制器单元包括多个子控制器,用于根据执行指令调用至少一个扩展层或核心功能单元中的功能模块,以使功能模块独立或相互协调配合以对执行指令进行分析、处理,直至执行完成;所述表现层包括用于实现核心功能单元与扩展层的功能显示。本发明的系统平台具有高度灵活性和可扩展性。

    环境温度影响下立式机床z轴热误差建模方法及系统

    公开(公告)号:CN114488945A

    公开(公告)日:2022-05-13

    申请号:CN202210008756.5

    申请日:2022-01-06

    IPC分类号: G05B19/404

    摘要: 本发明属于数控加工相关技术领域,其公开了一种环境温度影响下立式机床Z轴热误差建模方法及系统,所述方法包括:获取立式加工中心Z轴的上端轴承温升和螺母温升;基于上端轴承温升构建零点误差模型,并基于所述螺母温升构建区间误差模型;将所述零点误差模型和区间误差模型叠加获得环境温度与热误差的关系模型;采用上端轴承温升、螺母温升以及热误差对关系模型进行训练即可获得训练完成的关系模型。本申请可以精确的描述热误差与温度场之间的非线性变化规律。

    结合相邻刀轨横向几何特征的刀具特征点识别方法及设备

    公开(公告)号:CN114202662A

    公开(公告)日:2022-03-18

    申请号:CN202111406872.4

    申请日:2021-11-24

    摘要: 本发明属于铣削精加工及深度学习相关技术领域,其公开了一种结合相邻刀轨横向几何特征的刀具特征点识别方法及设备,方法包括以下步骤:(1)解析目标零件的G01程序段以获取加工刀具路径中刀位点的三维坐标,并按照刀具行进方向排序以得到刀位点点云;(2)确定并计算刀位点的几何参数,构建刀位点的几何特征向量;(3)结合刀具行进方向的邻域刀位点生成刀位点几何特征矩阵;(4)将刀位点云拓扑成图数据结构;(5)通过每个刀位点的邻接刀位点索引构建刀位点间的连通关系,计算刀位点云邻接矩阵;(6)将预测特征点的刀位点云数据及刀位点云邻接矩阵输入训练后图神经网络模型,以完成刀具特征点识别。本发明有更高的识别精度和查全率。

    一种机床主轴回转误差运动综合在机测量装置及方法

    公开(公告)号:CN113927369A

    公开(公告)日:2022-01-14

    申请号:CN202111075488.0

    申请日:2021-09-14

    IPC分类号: B23Q17/00 G01B21/02 G01B21/22

    摘要: 本发明公开了一种机床主轴回转误差运动综合在机测量装置及方法,属于精密测量领域,装置包括:芯轴、第一至第五非接触位移传感器、传感器支架、3轴精密调整平台、连接板、可调磁力底座和数据处理模块;其中两个非接触位移传感器布置在第一测量点处,另有两个非接触位移传感器布置在的第二测量点处,测量主轴径向误差运动;两测量点的径向误差运动的对应点的连线就是主轴轴线的空间方向,以此测量出主轴回转过程中轴线的倾斜角度;利用Donaldson反向法实现芯轴圆度误差与主轴误差运动的在机测量分离。本发明实现主轴回转过程中的径向误差运动、轴向误差运动和倾斜角度的在机综合测量,且有效去除芯轴圆度误差的影响,提高了主轴回转误差运动的测量精度。

    一种针对自由曲面的摆线式扫描测量轨迹规划方法及系统

    公开(公告)号:CN112859736B

    公开(公告)日:2022-01-11

    申请号:CN202110115946.2

    申请日:2021-01-28

    IPC分类号: G05B19/19

    摘要: 本发明公开了一种针对自由曲面的摆线式扫描测量轨迹规划方法及系统,属于自由曲面的五轴连续式测量领域,目的是通过避免测头旋转轴的频繁加减速以提高机器的动态性能,从而提高测量效率。本发明包括测头轨迹曲线生成步骤、摆线步长确定步骤、摆线扫描轨迹扩展步骤。通过本发明,在扫描测量过程中,不仅可使C轴始终保持相同的旋转方向,必要时还可保持恒定的角速度,避免了因C轴旋转方向突变引起的振动,显著提升测量机的动态性能,还可显著缩短测头轨迹长度,减少线性轴的运动量,提高测量效率。

    一种针对自由曲面的摆线式扫描测量轨迹规划方法及系统

    公开(公告)号:CN112859736A

    公开(公告)日:2021-05-28

    申请号:CN202110115946.2

    申请日:2021-01-28

    IPC分类号: G05B19/19

    摘要: 本发明公开了一种针对自由曲面的摆线式扫描测量轨迹规划方法及系统,属于自由曲面的五轴连续式测量领域,目的是通过避免测头旋转轴的频繁加减速以提高机器的动态性能,从而提高测量效率。本发明包括测头轨迹曲线生成步骤、摆线步长确定步骤、摆线扫描轨迹扩展步骤。通过本发明,在扫描测量过程中,不仅可使C轴始终保持相同的旋转方向,必要时还可保持恒定的角速度,避免了因C轴旋转方向突变引起的振动,显著提升测量机的动态性能,还可显著缩短测头轨迹长度,减少线性轴的运动量,提高测量效率。

    用于大型双驱龙门铺丝一体化成型设备的龙门架体装置

    公开(公告)号:CN112809402A

    公开(公告)日:2021-05-18

    申请号:CN202011622313.2

    申请日:2020-12-30

    摘要: 本发明公开了用于大型双驱龙门铺丝一体化成型设备的龙门架体装置,包括工作台、龙门横梁;龙门横梁采用封闭式箱形结构,其中工作台的两侧旁均设有立柱,其中龙门横梁的底部两端均连接固定横梁滑座;每个所述横梁滑座均与立柱滑配连接固定;其中卧式回转工装固定在工作台上,其中所述龙门横梁的两端均通过横向滑轨滑动连接滑枕传动机构;其中所述滑枕传动机构上设有支撑框,其中支撑框内设有滚珠丝杠,其中溜板箱的一端与所述滚珠丝杠滑配连接固定;每个所述滚珠丝杠上连接第一传动电机,本发明形成高架桥式的总体布局,强度稳定性高并能满足控制振动的要求;适用于碳纤维复合材料构件成形加工,尤其适用于航空、航天轻质结构壁板要求等。

    一种数控机床进给系统波动在线检测装置及方法

    公开(公告)号:CN110561188B

    公开(公告)日:2021-02-26

    申请号:CN201910796645.3

    申请日:2019-08-27

    IPC分类号: B23Q17/00

    摘要: 本发明属于数控机床检测领域,并具体公开了一种数控机床进给系统波动在线检测装置及方法。该装置包括数据采集卡和机床管理测试模块,其中数据采集卡用于采集进给系统的外部数据;机床管理测试模块中任务定制子模块用于生成测试G代码,数控系统连接管理子模块用于连接数控系统并进行内部数据采集,外部数据采集子模块用于接收数据采集卡采集到的外部数据并对其进行频域转换,数据分析示波子模块用于对外部数据和内部数据进行分析并判断其是否正常,生成诊断报告。本发明能够同时完成进给系统振动测量、伺服电机电流测量和转速波动测量,此外通过机床管理测试模块与数控机床的实时状态数据进行同步,进而能够准确判断故障的来源,提高测试精度。

    基于神经网络的进给系统模型训练和预测方法及其系统

    公开(公告)号:CN109447235B

    公开(公告)日:2021-02-02

    申请号:CN201811119041.7

    申请日:2018-09-21

    IPC分类号: G06N3/02

    摘要: 本申请涉及数控系统领域,公开了一种基于神经网络的进给系统模型训练和预测方法及其系统,可以通过输入单轴运动指令时间序列精准预测出实际响应时间序列。本申请中,对进给系统中的至少一个单轴,执行以下步骤:为单轴的N个运动状态分别设置N个神经网络子模型,其中N>=1;从历史数据中获取单轴的单轴运动指令时间序列和实际响应时间序列作为样本数据;根据单轴运动指令时间序列为样本数据标记运动状态;将样本数据按照运动状态分类,分别训练对应运动状态的神经网络子模型,其中神经网络子模型的输入包括单轴运动指令时间序列,神经网络子模型的输出包括实际响应时间序列。