融合多传感技术的数字化制造设备建模方法

• 论文 •

融合多传感技术的数字化制造设备建模方法

张映锋，江平宇，黄双喜，周光辉，夏荣英

1.西安交通大学机械制造系统工程国家重点实验室,陕西西安710049；2.清华大学自动化系国家CIMS工程技术研究中心，北京100084

出版日期:2010-12-15 发布日期:2010-12-25

Digital manufacturing machine modeling based on multi-sensor technology

ZHANG Ying-feng, JIANG Ping-yu, HUANG Shuang-xi, ZHOU Guang-hui, XIA Rong-ying

1.State Key Laboratory for Manufacturing Systems Engineering, Xi'an Jiaotong University, Xi'an 710049, China;2.National CIMS Engineering Research Center, Department of Automation, Tsinghua University, Beijing 100084,China

Online:2010-12-15 Published:2010-12-25

摘要/Abstract

摘要： 针对制造过程实时信息采集和传输的问题，基于多传感器技术和Web技术，提出了一种从制造设备层进行数字化建模的思想和方法，通过对制造设备安置多种传感设备构建附加传感设备网络模型，形成实时制造信息采集的硬件基础，进而采用Agent技术对各个传感设备进行封装，在工作流的控制下捕获相应的制造信息并按照标准模板进行信息的加工与存储，以使构建的数字化制造设备模型具有执行过程透明和可访问化的特点，从而为解决制造过程中的复杂、实时信息的自动采集和传输以及数字化精确生产提供解决方法。以一个实例验证了所开发原型系统的有效性。

关键词: 传感器, 数字化制造, 设备建模, 实时制造, 代理, 信息模板

Abstract: An innovative model of equipping manufacturing machine with multi-sensor and Web techniques was proposed in order to solve the capture and transmission of real-time manufacturing information during the ongoing manufacturing activities. Through installing multi-sensor devices at machine side, a multi-sensor-based network model was constructed to form hardware foundation for collecting real- time information. Then, Agent technology was adopted to encapsulate various sensors. Corresponding real-time manufacturing information was captured under workflow management and was processed and stored according to standard templates. Execution process of the model was characterized by transparency and accessibility. The model provided solution to digital production. Finally, a case study was given to verify the prototype system.

Key words: sensors, digital manufacturing, machine modeling, real-time manufacturing, Agent, information template

中图分类号:

TH166

张映锋，江平宇，黄双喜，周光辉，夏荣英. 融合多传感技术的数字化制造设备建模方法[J]. .

ZHANG Ying-feng, JIANG Ping-yu, HUANG Shuang-xi, ZHOU Guang-hui, XIA Rong-ying. Digital manufacturing machine modeling based on multi-sensor technology[J]. .

[1]	郜启凯,李莹,邓水光. 支持跨组织协作的高可靠性服务编排框架[J]. 计算机集成制造系统, 2021, 27(9): 2501-2507.
[2]	张海军,闫琼,张国辉,李庆宇,余杰. 基于数字孪生的制造资源动态优选决策[J]. 计算机集成制造系统, 2021, 27(2): 521-535.
[3]	乐春宇,马义中. 基于Kriging模型的自适应多阶段并行代理优化算法[J]. 计算机集成制造系统, 2021, 27(11): 3227-3235.
[4]	李倩倩,袁宏祥,马昕,宋锐. 基于六维力传感器的机器人末端执行器碰撞位置检测方法[J]. 计算机集成制造系统, 2021, 27(1): 110-118.
[5]	曹大理,孙惠斌,张纪铎,莫蓉. 基于卷积神经网络的刀具磨损在线监测[J]. 计算机集成制造系统, 2020, 26(第1): 74-80.
[6]	潘柏松,丁炜,项涌涌,罗路平,俞铭杰. 直纹面侧铣加工精度可靠性分析[J]. 计算机集成制造系统, 2020, 26(9): 2344-2354.
[7]	周建亨,李少坤. 不同分离节奏的供应链信息甄别合约选择[J]. 计算机集成制造系统, 2020, 26(12): 3447-3457.
[8]	肖美丹,任曼琳,徐丽娜. 双边创新信息不对称下的供应链协调激励机制[J]. 计算机集成制造系统, 2020, 26(11): 3177-3184.
[9]	杨斌,张根保,庾辉,冉琰. 基于数字孪生的机械产品运动性能调控方法[J]. 计算机集成制造系统, 2019, 25(第6): 1591-1599.
[10]	魏锋涛,卢凤仪,郑建明. 基于多策略的改进径向基代理模型方法[J]. 计算机集成制造系统, 2019, 25(第3): 764-771.
[11]	马越,陈捷,洪荣晶,潘裕斌. 多传感器数据融合的风电齿轮箱性能衰退评估[J]. 计算机集成制造系统, 2019, 25(第2): 318-325.
[12]	付宇,殷逸冰,冒慧杰,左洪福,冯正兴. 基于静电监测和神经网络的航发典型故障诊断[J]. 计算机集成制造系统, 2019, 25(第11): 2852-2862.
[13]	李兵,兰梦辉,孙彬,侯颖. 基于多传感器测量的孔组位置度快速检测方法[J]. 计算机集成制造系统, 2018, 24(第5): 1089-1097.
[14]	张建侠,马义中,张延静,欧阳林寒. 基于Kriging模型和两目标约束应对策略的代理优化算法[J]. 计算机集成制造系统, 2018, 24(第12): 3001-3007.
[15]	侯一鸣,徐泉,李亚杰,王良勇,刘长鑫,柴天佑. 基于物联网和工业云的选矿设备状态监控系统[J]. 计算机集成制造系统, 2017, 23(第9期): 1972-1982.