-
公开(公告)号:CN118631860A
公开(公告)日:2024-09-10
申请号:CN202410641805.8
申请日:2024-05-23
申请人: 深圳市邦正精密机械股份有限公司
IPC分类号: H04L67/125
摘要: 本发明涉及运动控制通信领域,尤其涉及一种基于VB.NET的轴运动控制通信传输方法,包括:S1、建立轴运动控制通信节点;S2、根据所述轴运动控制通信节点获取综合控制通信数据;S3、利用所述综合控制通信数据基于VB.NET建立适应性运行环境得到综合控制通信适应性数据;S4、利用所述综合控制通信适应性数据得到轴运动控制通信传输结果,通过深入研究不同系统的通信协议和控制方式,实现了对轴运动的精准控制,尽量避免了由于通信传输等非主要变量导致的控制误差。
-
公开(公告)号:CN118964051A
公开(公告)日:2024-11-15
申请号:CN202411429023.4
申请日:2024-10-14
申请人: 深圳市邦正精密机械股份有限公司
摘要: 本发明涉及轴运动控制数据综合处理领域,尤其涉及一种基于VB.NET的多向轴运动控制数据处理方法,包括:S1、获取多向轴运动控制数据的数据属性得到控制数据处理综合对应关系;S2、根据所述控制数据处理综合对应关系基于VB.NET进行初始处理得到初始处理结果;S3、利用所述初始处理结果进行验证处理完成多向轴运动控制数据处理,首先对多向轴运动控制数据进行分析处理,针对单一数据或多数据分别设置了不同线程调度执行方案,同时基于VB.NET进行分别独立运行,在不过度增加运行压力的前提下,保证多向轴运动控制数据的合理性验证、数据实施准确等效果。
-
公开(公告)号:CN118555472A
公开(公告)日:2024-08-27
申请号:CN202410641804.3
申请日:2024-05-23
申请人: 深圳市邦正精密机械股份有限公司
IPC分类号: H04N23/60
摘要: 本发明涉及相机运动状态监测评估领域,尤其涉及一种基于VB.NET的相机运动状态监测评估方法,包括:S1、基于VB.NET建立监测评估运行架构;S2、利用所述监测评估运行架构采集相机运动实时状态数据;S3、根据所述相机运动实时状态数据得到相机运动状态监测评估结果,实现对相机的集中控制、灵活配置和高效管理,通过创建相机对象并绑定运动轴,并建立三维坐标系精确定位各部分坐标,实现对相机运动的精准控制,从而提高生产效率和自动化水平。
-
公开(公告)号:CN118623756A
公开(公告)日:2024-09-10
申请号:CN202410641803.9
申请日:2024-05-23
申请人: 深圳市邦正精密机械股份有限公司
IPC分类号: G01B9/02 , G06F18/241 , G06F18/214
摘要: 本发明涉及轴运动线性测量领域,尤其涉及一种基于激光干涉仪的轴运动线性测量数据处理方法,包括:S1、基于激光干涉仪采集轴运动实时多向数据;S2、根据所述轴运动实时多向数据进行分类补偿处理得到轴运动规范运动轨迹;S3、利用所述轴运动实时多向数据与轴运动规范运动轨迹得到轴运动线性测量数据处理结果,通过激光干涉仪采集轴运动轨迹数据,并利用设备自动运行配合完成数据采集并对采集的实时数据进行再次分类筛选,在进行数据轨迹补偿后,确保轴运动精度达到预定要求。
-
公开(公告)号:CN118927325A
公开(公告)日:2024-11-12
申请号:CN202410994545.2
申请日:2024-07-24
申请人: 深圳市邦正精密机械股份有限公司
摘要: 本发明涉及覆膜机自动裁切工艺产线的纠偏识别监测领域,尤其涉及一种用于覆膜机自动裁切工艺的纠偏补偿识别方法,包括:S1、获取覆膜机自动裁切工艺的实时监测图像;S2、根据所述覆膜机自动裁切工艺的实时监测图像获取初始偏差识别筛选结果;S3、根据所述初始偏差识别筛选结果得到纠偏补偿识别结果,在实际覆膜裁切实际生产中,流水线加工处理,通过监测图像的逐步分析,将误差识别划分至最小单位区间,对分割后图像进行特征区域轮廓的综合研判,复杂问题简单化处理,提升纠偏识别的准确性与效率,同时减少对于实际生产的干扰。
-
公开(公告)号:CN118651707A
公开(公告)日:2024-09-17
申请号:CN202411125771.3
申请日:2024-08-16
申请人: 深圳市邦正精密机械股份有限公司
IPC分类号: B65H23/038 , B65H23/16 , B65H23/188 , G06N3/044 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/147 , G06V10/44 , G06V10/82
摘要: 本发明涉及贴铜机技术领域,尤其涉及一种基于深度学习的贴铜机料带直线纠偏方法,包括以下步骤:步骤S1:将传感器安装在传感器支架上,通过传感器实时采集料带在输送过程中的图像;步骤S2:利用卷积神经网络对传感器采集的料带图像进行空间特征提取,得到每帧图像的特征信息;步骤S3:将每帧图像的特征信息向量按时间顺序排列,形成图像特征序列。本发明通过深度学习技术,尤其是结合卷积神经网络的空间特征提取能力和循环神经网络的时序分析能力,能够对料带的实时图像进行精细化分析,捕捉到更为复杂的边缘、纹理等特征,以及料带在输送过程中的动态变化,显著提高了纠偏的准确性和稳定性。
-
-
-
-
-