金属镜面抛光产线的控制方法、控制装置及控制系统与流程

1.本发明涉及金属抛光产线技术领域，尤其涉及一种金属镜面抛光产线的控制方法、金属镜面抛光产线的控制装置及金属镜面抛光产线的控制系统。


背景技术：

2.当前，针对金属抛光产品的生产过程控制中，工艺参数的设定以及调整决定着生产效率以及金属镜面抛光效果，而当前工艺参数的设定以及调整均是工作人员根据经验进行设定，这种方式在每次调整后需要看到镜面抛光的效果才能确定该工艺参数是否合适，尤其是针对不同的板材等更是需要多次实验才能确定合适的工艺参数，因此存在着生产效率低且效果无法预测的缺陷。


技术实现要素：

3.本发明提供了一种金属镜面抛光产线的控制方法、金属镜面抛光产线的控制装置及金属镜面抛光产线的控制系统，解决相关技术中存在的生产效率低且效果无法预测的问题。
4.作为本发明的第一个方面，提供一种金属镜面抛光产线的控制方法，其中，包括：
5.获取当前有加工需求的金属镜面抛光产线上传的工件加工需求标准；
6.将当前工艺参数数据库中与所述工件加工需求标准匹配的一般工艺参数发送至当前有加工需求的金属镜面抛光产线；
7.实时获取当前有加工需求的金属镜面抛光产线反馈的镜面磨抛效果；
8.根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，所述最优工艺参数能够使得所述镜面磨抛效果满足所述工件加工需求标准；
9.向所述当前有加工需求的金属镜面抛光产线发送所述最优工艺参数。
10.进一步地，所述根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，包括：
11.根据所述镜面磨抛效果获得工件表面质量参数和磨抛效率，所述工件表面质量参数包括：粗糙度、反射率和镜面度；
12.根据神经网络算法将所述工件表面质量参数、磨抛效率以及当前工艺参数数据库中的一般工艺参数建立磨抛数学模型；
13.根据所述磨抛数学模型选择工件表面质量参数和磨抛效率均满足所述工件加工需求标准的最优工艺参数；
14.将所述最优工艺参数更新至当前工艺参数数据库。
15.进一步地，所述根据神经网络算法将所述工件表面质量参数、磨抛效率以及当前工艺参数数据库中的工艺参数进行建模，包括：
16.将当前工艺参数数据库中的一般工艺参数进行归一化处理；
17.将归一化处理后的数据作为神经网络模型的输入数据，并根据最小梯度法对所述神经网络模型进行训练；
18.直至所述神经网络模型的输出结果和期望输出结果之间的偏差在预设范围内时，得到磨抛数学模型。
19.进一步地，所述金属镜面抛光产线的控制方法还包括：
20.与位于不同地理位置的多个金属镜面抛光产线建立通信连接，并获取多个金属镜面抛光产线的实时现场生产数据。
21.进一步地，所述根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，包括：
22.根据所述镜面磨抛效果获得工件表面质量参数和磨抛效率，所述工件表面质量参数包括：粗糙度、反射率和镜面度；
23.根据粒子群算法将所述工件表面质量参数、磨抛效率、当前工艺参数数据库中的一般工艺参数以及所述实时现场生产数据建立磨抛数学模型；
24.根据所述磨抛数学模型选择工件表面质量参数和磨抛效率均满足所述工件加工需求标准的最优工艺参数；
25.将所述最优工艺参数更新至当前工艺参数数据库。
26.进一步地，所述根据粒子群算法将所述工件表面质量参数、磨抛效率、当前工艺参数数据库中的一般工艺参数以及所述实时现场生产数据建立磨抛数学模型，包括：
27.将所述当前工艺参数数据库中的一般工艺参数以及所述实时现场生产数据进行粒子群初始化处理，得到粒子群速度和粒子群位置，其中所述粒子群速度表示工艺参数变化的快慢，所述粒子群位置表示工艺参数变化的方向；
28.根据所述粒子群速度和粒子群位置计算工艺参数的适应度值；
29.根据所述工艺参数的适应度值获取单个工艺参数的最佳值；
30.根据所述单个工艺参数的最佳值获得工艺参数全局最优值；
31.根据所述工艺参数全局最优值更新工艺参数的粒子群速度以及更新工艺参数的粒子群位置；
32.判断更新后的粒子群速度和粒子群位置是否满足所述工件加工需求标准的最优工艺参数；
33.若满足，则将所述最优工艺参数更新至当前工艺参数数据库。
34.进一步地，所述一般工艺参数和所述最优工艺参数均包括：打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度和打磨液体的循环速度。
35.作为本发明的另一个方面，提供一种金属镜面抛光产线的控制装置，其中，包括：
36.第一获取模块，用于获取当前有加工需求的金属镜面抛光产线上传的工件加工需求标准；
37.第一发送模块，用于将当前工艺参数数据库中与所述工件加工需求标准匹配的一般工艺参数发送至当前有加工需求的金属镜面抛光产线；
38.第二获取模块，用于实时获取当前有加工需求的金属镜面抛光产线反馈的镜面磨抛效果；
39.更新模块，用于根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，所述最优工艺参数能够使得所述镜面磨抛效果满足所述工件加工需求标准；
40.第二发送模块，用于向所述当前有加工需求的金属镜面抛光产线发送所述最优工艺参数。
41.作为本发明的另一个方面，提供一种金属镜面抛光产线的控制系统，其中，包括：
42.金属镜面磨抛产线，包括多个加工工序，每个加工工序均设置有生产控制单元；
43.抛光质量检测装置，与所述金属镜面磨抛产线中的每个生产控制单元通信连接，用于对每个加工工序的抛光质量进行检测，并得到镜面磨抛效果；
44.前文所述的金属镜面抛光产线的控制装置，分别通信连接所述抛光质量检测装置以及所述金属镜面磨抛产线中的每个生产控制单元，用于根据所述抛光质量检测装置检测到的镜面磨抛效果调整每个生产控制单元的工艺参数以获得最优工艺参数。
45.进一步地，当所述金属镜面磨抛产线包括多个位于不同地理位置的金属镜面抛光产线时，所述金属镜面抛光产线的控制系统包括云服务器，所述云服务器包括工艺云数据库，所述金属镜面抛光产线的控制装置位于所述云服务器上，且与所述工艺员数据库通信连接。
46.本发明提供的金属镜面抛光产线的控制方法，通过对工艺参数的不断在线优化，并建立磨抛数学模型可以实现对磨抛效果的预测，从而可以在对工件进行磨抛加工时获取到有针对性的最优工艺参数，提高产线生产效率，且这种方式确定的工艺参数使得加工效果更加符合工件加工需求标准。
附图说明
47.附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
48.图1为本发明提供的金属镜面抛光产线的控制方法的流程图。
49.图2为本发明提供的当前金属镜面抛光产线的整体结构框图，。
50.图3为本发明提供的云服务器控制磨抛产线的结构框图。
51.图4为本发明提供的粗/精抛单元的内部原理图。
52.图5为本发明提供的粒子群算法的流程图。
具体实施方式
53.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
54.为了使本领域技术人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
55.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
56.在本实施例中提供了一种金属镜面抛光产线的控制方法，图1是根据本发明实施例提供的金属镜面抛光产线的控制方法的流程图，如图1所示，包括：
57.s110、获取当前有加工需求的金属镜面抛光产线上传的工件加工需求标准；
58.应当理解的是，当有加工需求的金属镜面抛光产线需要对金属镜面进行加工时，可以通过用户输入工件的加工需求标准。
59.如图2所示，为当前金属镜面抛光产线的整体结构框图，整条产线分为板材/卷材上料单元、粗抛单元、清洗烘干单元、精抛单元、打磨液体循环过滤单元、成品板材/卷材下料单元，各个单元之间通过传送带进行连接，传送带运行速度由传送电机控制。
60.需要磨抛的板材/卷材在上料区准备完成后，首先由粗抛单元进行表面的打磨，粗抛打磨结束后经过清洗烘干单元确保板材/卷材表面的清洁，然后经过精抛单元打磨后再次通过清洗烘干单元，最后成品在下料区完成打包。
61.s120、将当前工艺参数数据库中与所述工件加工需求标准匹配的一般工艺参数发送至当前有加工需求的金属镜面抛光产线；
62.需要说明的是，此处所述一般工艺参数具体可以指当前工艺参数数据库中与所述工件加工需求标准最接近或者说是最匹配的工艺参数，但是并不能确定磨抛效果就是最佳的，还需要工件磨抛后进行验证。
63.上述方式可以理解为，所述金属镜面抛光产线仅为本地的情况，当存在于不同地方或者不同城市的金属镜面抛光产线均需要做相同类型的工件加工时，如果能够与多个不同地方的金属镜面抛光产线建立通信连接，则可以有效降低各个金属镜面抛光产线的成本，直接获取其中某一产线已经获得的最优工艺参数直接用于加工生产。
64.因此，本发明还提供了另一实施例，与位于不同地理位置的多个金属镜面抛光产线建立通信连接，并获取多个金属镜面抛光产线的实时现场生产数据。
65.可以理解的是，通过与位于不同地理位置的多个金属镜面抛光产线建立通信连接，可以将获得的最优工作参数发送至有需要的金属镜面抛光产线，同时也可以获取到多个金属镜面抛光产线的现场生产数据，从而来优化当前金属镜面抛光产线的工艺参数。
66.若要实现这种方式则需要建立云服务器，该云服务器能够与各个城市的金属镜面抛光产线建立通信连接。
67.例如，位于a城市的金属镜面抛光产线为当前有工件加工需求的金属镜面抛光产线，a城市、b城市、c城市等多个城市均共同与所述云服务器通信连接，a城市的金属镜面抛光产线将工件加工需求标准发送至所述云服务器，所述云服务器中的算法单元同时获取b城市、c城市等多个与之通信连接的金属镜面抛光产线的现场生产数据，并根据所述工件加工需求标准和现场生产数据在工艺云数据库中找到与工件加工需求标准最匹配的一般工艺参数，并发送至a城市的金属镜面抛光产线。
68.如图3所示，为云服务器控制磨抛产线的结构框图，相比于本地控制器的产线，通过云服务器控制产线无需设置本地控制器单元和生产数据库单元，用户输入工件加工需求
的标准后，生产控制单元将需求标准发送至本地数据处理中心，本地数据处理中心将数据上传至云服务器，云服务器中包含有云服务器算法单元和工艺云数据库，云服务器通过网络连接不同地方的磨抛生产线的数据处理中心，云服务器算法单元通过接收大量的实时现场生产数据运用粒子群算法对磨抛过程中的打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度、打磨液体的循环速度等工艺参数解出最优参数配置，预测出不同工艺参数下的磨抛质量。
69.s130、实时获取当前有加工需求的金属镜面抛光产线反馈的镜面磨抛效果；
70.如图4所示，为粗/精抛单元的内部原理图，粗/精抛两个单元在硬件结构上完全一致，只是两个单元的工艺参数不同。粗抛生产控制单元将接收到的由用户输入的板材/卷材加工需求标准上传至工艺参数数据库单元，工艺参数数据库单元将当前数据库中最优的参数配置发送给粗抛生产控制单元和精抛生产控制单元，两个生产控制单元之间通过网络交换机互相连接，粗抛生产控制单元和精抛生产控制单元分别将粗抛工艺参数和精抛工艺参数发送至粗抛加工单元和精抛加工单元进行打磨作业。而此时可以通过抛光质量检测装置来检测镜面磨抛效果。
71.在本发明实施例中，所述抛光质量检测装置具体可以包括生产检测单元和在线表面质量检测单元。其中所述生产检测单元实时监测当前工艺参数的运行情况，在线表面质量检测单元实时检测加工表面的质量，即镜面磨抛效果，并反馈镜面磨抛效果。
72.需要说明的是，当多个金属镜面抛光产线均通过云服务器进行工艺参数优化时，生产检测单元和在线表面质量检测单元将实时的监控数据返回给本地数据处理中心，由数据处理中心上传至云服务器用于训练粒子群算法单元，所有符合标准的工艺参数都存储于工艺云数据库，可以对不同的数据处理中心进行工艺参数更新，是产线的磨抛质量达到最优。
73.还需要说明的是，所述一般工艺参数和所述最优工艺参数均包括：打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度和打磨液体的循环速度。
74.s140、根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，所述最优工艺参数能够使得所述镜面磨抛效果满足所述工件加工需求标准；
75.作为一种具体地实施方式，根据所述镜面磨抛效果获得工件表面质量参数和磨抛效率，所述工件表面质量参数包括：粗糙度、反射率和镜面度；
76.根据神经网络算法将所述工件表面质量参数、磨抛效率以及当前工艺参数数据库中的一般工艺参数建立磨抛数学模型；
77.根据所述磨抛数学模型选择工件表面质量参数和磨抛效率均满足所述工件加工需求标准的最优工艺参数；
78.将所述最优工艺参数更新至当前工艺参数数据库。
79.进一步具体地，所述根据神经网络算法将所述工件表面质量参数、磨抛效率以及当前工艺参数数据库中的工艺参数进行建模，包括：
80.将当前工艺参数数据库中的一般工艺参数进行归一化处理；
81.将归一化处理后的数据作为神经网络模型的输入数据，并根据最小梯度法对所述
神经网络模型进行训练；
82.直至所述神经网络模型的输出结果和期望输出结果之间的偏差在预设范围内时，得到磨抛数学模型。
83.下面对本实施例的具体实现过程进行详细描述。
84.1)将磨抛过程中的打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度、打磨液体的循环速度作为具体的工艺参数，针对不同种类规格的金属板材/卷材在不同生产标准下的磨抛工艺参数数据建立数据库；
85.2)产线具有抛光质量检测装置，通过预先建立的检测标准可以检测出打磨抛光后的工件表面质量参数(粗糙度、反射率、镜面度等)并记录生产效率信息；在打磨抛光新规格工件时，数据可以自动加入到数据库当中，实现数据库的更新；
86.3)本地智能算法单元没有联网功能，单元独立应用大数据神经网络算法对磨抛系统进行建模，将磨抛过程中的打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度、打磨液体的循环速度作为大数据神经网络单元的输入参数，将工件的表面质量和磨抛效率作为大数据神经网络单元的输出参数，利用大数据神经网络单元对工件的表面质量和磨抛效率进行预测，这样就可以根据用户输入的不同需求标准自动选择最优的工艺参数。
87.4)大数据神经网络单元首先对磨抛过程中的打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度、打磨液体的循环速度这6个输入参数进行归一化处理，经过归一化处理后的数据输入范围为[0.15,0.95],计算公式为：
[0088][0089]
其中，x
初始
为处理前的数据，x
输入
为处理后的数据，x
最小
和x
最大
分别为对应工艺参数的最大值和最小值。
[0090]
数据初始化处理后，采用最小梯度法对模型进行训练，通过大量的现场实际磨抛样本数据对神经网络单元进行训练，直到模型的实际输出和期望输出之间的偏差达到预期值，同时在生产过程中，不断将新采集的数据传送至大数据神经网络单元进行训练，使其建立的磨抛数学模型逐渐完善，从而更好地得到更优的磨抛工艺参数。
[0091]
作为另一种具体地实施方式，所述根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，包括：
[0092]
根据所述镜面磨抛效果获得工件表面质量参数和磨抛效率，所述工件表面质量参数包括：粗糙度、反射率和镜面度；
[0093]
根据粒子群算法将所述工件表面质量参数、磨抛效率、当前工艺参数数据库中的一般工艺参数以及所述实时现场生产数据建立磨抛数学模型；
[0094]
根据所述磨抛数学模型选择工件表面质量参数和磨抛效率均满足所述工件加工需求标准的最优工艺参数；
[0095]
将所述最优工艺参数更新至当前工艺参数数据库。
[0096]
进一步具体地，所述根据粒子群算法将所述工件表面质量参数、磨抛效率、当前工艺参数数据库中的一般工艺参数以及所述实时现场生产数据建立磨抛数学模型，包括：
[0097]
将所述当前工艺参数数据库中的一般工艺参数以及所述实时现场生产数据进行粒子群初始化处理，得到粒子群速度和粒子群位置，其中所述粒子群速度表示工艺参数变化的快慢，所述粒子群位置表示工艺参数变化的方向；
[0098]
根据所述粒子群速度和粒子群位置计算工艺参数的适应度值；
[0099]
根据所述工艺参数的适应度值获取单个工艺参数的最佳值；
[0100]
根据所述单个工艺参数的最佳值获得工艺参数全局最优值；
[0101]
根据所述工艺参数全局最优值更新工艺参数的粒子群速度以及更新工艺参数的粒子群位置；
[0102]
判断更新后的粒子群速度和粒子群位置是否满足所述工件加工需求标准的最优工艺参数；
[0103]
若满足，则将所述最优工艺参数更新至当前工艺参数数据库。
[0104]
下面详细说明该实施方式的具体实现过程。
[0105]
1)将磨抛过程中的打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度、打磨液体的循环速度作为具体的工艺参数，针对不同种类规格的金属板材/卷材在不同生产标准下的磨抛工艺参数数据建立数据库；
[0106]
2)产线具有抛光质量检测装置，通过预先建立的检测标准可以检测出打磨抛光后的工件表面质量参数(粗糙度、反射率、镜面度等)并记录生产效率信息；在打磨抛光新规格工件时，数据可以自动加入到数据库当中，实现数据库的更新；
[0107]
3)本地数据处理中心将工件加工需求标准和实时监控参数上传至云服务器，云服务器中的云服务器算法单元利用粒子群算法对工艺参数建模，粒子群算法单元首先对磨抛过程中的打磨接触力、打磨工具的旋转速度、打磨工具的摆动速度、工件的进给速度、打磨工具的表面粗糙度、打磨液体的循环速度这6个输入参数进行粒子群初始化处理，粒子群算法中的速度和位置分别表示工艺参数变化的快慢和方向，通过算法单元得到工艺参数的最优配置。具体算法流程如图5所示。
[0108]
同时在生产过程中，不断将新采集的数据传送至云服务器不断对粒子群算法单元进行训练，使其建立的磨抛数学模型逐渐完善，从而更好地得到更优的磨抛工艺参数。
[0109]
4)通过云服务器，实现工艺参数的云端大数据库积累，用户的产线设备可以使用到更丰富的工艺数据库，实现不同厂家、不同材料、不同尺寸规格的板材/卷材可以自动匹配得到最优的工艺参数；
[0110]
5)产线融入物联网技术，可以共享云端大数据资源与算法，支持远程技术支持与维护。
[0111]
s150、向所述当前有加工需求的金属镜面抛光产线发送所述最优工艺参数。
[0112]
综上，本发明实施例提供的金属镜面抛光产线的控制方法，通过对工艺参数的不断在线优化，并建立磨抛数学模型可以实现对磨抛效果的预测，从而可以在对工件进行磨抛加工时获取到有针对性的最优工艺参数，提高产线生产效率，且这种方式确定的工艺参数使得加工效果更加符合工件加工需求标准。
[0113]
作为本发明的另一实施例，提高一种金属镜面抛光产线的控制装置，其中，包括：
[0114]
第一获取模块，用于获取当前有加工需求的金属镜面抛光产线上传的工件加工需求标准；
[0115]
第一发送模块，用于将当前工艺参数数据库中与所述工件加工需求标准匹配的一般工艺参数发送至当前有加工需求的金属镜面抛光产线；
[0116]
第二获取模块，用于实时获取当前有加工需求的金属镜面抛光产线反馈的镜面磨抛效果；
[0117]
更新模块，用于根据所述镜面磨抛效果实时更新当前工艺参数数据库中的一般工艺参数直至获得最优工艺参数，所述最优工艺参数能够使得所述镜面磨抛效果满足所述工件加工需求标准；
[0118]
第二发送模块，用于向所述当前有加工需求的金属镜面抛光产线发送所述最优工艺参数。
[0119]
本发明实施例提供的金属镜面抛光产线的控制装置，通过对工艺参数的不断在线优化，并建立磨抛数学模型可以实现对磨抛效果的预测，从而可以在对工件进行磨抛加工时获取到有针对性的最优工艺参数，提高产线生产效率，且这种方式确定的工艺参数使得加工效果更加符合工件加工需求标准。
[0120]
关于本发明实施例提供的金属镜面抛光产线的控制装置的工作原理可以参照前文的金属镜面抛光产线的控制方法的描述，此处不再赘述。
[0121]
作为本发明的另一实施例，提供一种属镜面抛光产线的控制系统，其中，包括：
[0122]
金属镜面磨抛产线，包括多个加工工序，每个加工工序均设置有生产控制单元；
[0123]
抛光质量检测装置，与所述金属镜面磨抛产线中的每个生产控制单元通信连接，用于对每个加工工序的抛光质量进行检测，并得到镜面磨抛效果；
[0124]
前文所述的金属镜面抛光产线的控制装置，分别通信连接所述抛光质量检测装置以及所述金属镜面磨抛产线中的每个生产控制单元，用于根据所述抛光质量检测装置检测到的镜面磨抛效果调整每个生产控制单元的工艺参数以获得最优工艺参数。
[0125]
需要说明的是，当所述金属镜面磨抛产线包括多个位于不同地理位置的金属镜面抛光产线时，所述金属镜面抛光产线的控制系统包括云服务器，所述云服务器包括工艺云数据库，所述金属镜面抛光产线的控制装置位于所述云服务器上，且与所述工艺员数据库通信连接。
[0126]
综上，本发明实施例提供的金属镜面抛光产线的控制系统，通过对工艺参数的不断在线优化，并建立磨抛数学模型可以实现对磨抛效果的预测，从而可以在对工件进行磨抛加工时获取到有针对性的最优工艺参数，提高产线生产效率，且这种方式确定的工艺参数使得加工效果更加符合工件加工需求标准。
[0127]
关于本发明实施例提供的金属镜面抛光产线的控制系统的工作原理可以参照前文的金属镜面抛光产线的控制方法的描述，此处不再赘述。
[0128]
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。