-
题名基于装模清单的锻造模具管理系统研究
- 1
-
-
作者
王玉国
刘子康
谢斌
洪磊
-
机构
南京工程学院汽车与轨道交通学院
南京工程学院先进工业技术研究院
南京康尼精密机械有限公司
-
出处
《制造技术与机床》
北大核心
2024年第7期191-196,共6页
-
基金
江苏省高等学校基础科学研究重大项目(23KJA460007)
南京工程学院先进工业技术研究院开放基金(XJY202107)。
-
文摘
针对锻造工厂在生产过程中人工采集模具信息存在的效率低、易出错等问题,文章研究开发了锻造模具信息管理系统,提出了装模清单的概念,设计了以装模清单为核心的关系数据库模型,融合模具借出、归还等业务场景研究了装模清单创建、运用和终止的业务流程。在此基础上,开展了锻造模具管理系统总体架构、功能模块、编码规则的设计和开发。利用装模清单二维码,实现了锻造生产现场对模具信息的快捷采集和追溯要求。以某高端汽车零部件锻造工厂的实际运用为例,验证了系统在锻造加工过程中模具信息采集的可行性和高效性。
-
关键词
装模清单
锻造模具
管理系统
二维码
信息采集
-
Keywords
mold assembly list
forging mold
management system
2D code
information collection
-
分类号
TH186
[机械工程—机械制造及自动化]
-
-
题名基于边缘计算的车间设备生产信息监测系统研发
被引量：3
- 2
-
-
作者
王玉国
费家翔
朱晓春
谢斌
郑堃
-
机构
南京工程学院汽车与轨道交通学院
南京工程学院先进工业技术研究院
南京康尼精密机械有限公司
-
出处
《机床与液压》
北大核心
2025年第3期89-93,共5页
-
基金
国家自然科学基金项目(51805244)
南京工程学院先进工业技术研究院开放基金(XJY202107)。
-
文摘
随市场竞争加剧,传统离散制造车间设备急需借助现代技术实现数字化、网络化、智能化升级。采用边缘计算架构,针对车间生产信息采集的实际需求,研发了离散制造车间设备生产信息监测系统。详细设计了监测系统的总体架构、硬件方案、软件功能,并采用国产化芯片和开源Linux系统进行开发。研发的监测系统实现了原始电流数据的边缘存储和零件级实时边缘计算和状态监测,识别设备加工、待机等运行状态以及每个零件的开工时间和完工时间等生产信息。对某汽车零件的加工过程进行了试验,结果表明:所研发系统能够实时、准确地对车间设备进行长时间稳定监测。
-
关键词
车间设备
监测系统
生产信息
边缘计算
电流数据
-
Keywords
workshop equipment
monitoring system
production information
edge computing
current data
-
分类号
TG65
[金属学及工艺—金属切削加工及机床]
-
-
题名一种利用总电流监测组合车床运行状态的方法
- 3
-
-
作者
王玉国
沈缪聪
朱晓春
谢斌
-
机构
南京工程学院汽车与轨道交通学院
南京工程学院先进工业技术研究院
南京康尼精密机械有限公司
-
出处
《机械设计与制造》
北大核心
2025年第9期59-63,共5页
-
基金
江苏省研究生实践创新计划项目(SJCX21-0927)
南京工程学院先进工业技术研究院开放基金(XJY202107)。
-
文摘
针对传统组合车床不能及时准确地获取生产数量、效率、运行状态异常等生产信息的问题,提出了一种基于总电流信号的组合车床运行状态实时监测方法。首先对采集的组合车床总电流信号进行滤波去噪预处理,离线标定出组合车床在特定零件和工序下的生产运行状态特征向量;然后以此特征向量为基准,实时监测组合车床的运行状态,辨识获得每个零件的加工开始时间、加工结束时间、上下料待机时长、倍率异常和撞刀异常等信息。以某汽车传动轴零件为例,进行了监测试验,验证了该方法的有效性。
-
关键词
组合车床
总电流
运行状态
特征标定
实时监测
-
Keywords
Combined Lathe
Total Current
Production Status
Characteristic Calibration
Real-Time Monitoring
-
分类号
TH16
[机械工程—机械制造及自动化]
TG659
[金属学及工艺—金属切削加工及机床]
-
-
题名基于混合深度神经网络的异常检测方法
- 4
-
-
作者
邱鹏
刘汉忠
黄晓华
-
机构
南京工程学院计算机工程学院
南京工程学院先进工业技术研究院
-
出处
《实验室研究与探索》
CAS
北大核心
2023年第9期73-77,共5页
-
基金
国家自然科学基金面上项目(62076122)
南京工程学院先进工业技术研究院开放基金(XJY202112)。
-
文摘
为提高监控与数据采集中的异常检测精度和效率,对数据进行归一化特征标准、拆分、均衡以及独热编码等预处理,构建栈式稀疏去噪自编码器深度神经网络模型作为混合深度神经网络,重建网络模型中自编码器的输入特征值,进行无监督特征学习,再添加监督分类器。通过训练异常检测引擎模块来完成异常检测。仿真结果表明,在检测异常攻击特征上,无论是精度与召回率协调值还是假阳性率相较于其他检测算法都更有优势;采用分布式训练模型提高了异常检测效率,证明本方法可行且有效。
-
关键词
混合深度神经网络
无监督特征学习
栈式稀疏去噪自编码器
监督分类器
异常检测
-
Keywords
hybrid deep neural networks
unsupervised feature learning
stacked sparse de-noising auto-encoder
supervised classifier
anomaly detection
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
