本发明涉及一种煤矿用液压支架的制造以及组装控制技术，尤其涉及一种基于视觉识别及ai深度学习算法下的设备制造工艺智能化方法。
背景技术：
目前，各行业工艺文件基本都是由资深工艺师进行人工编制，没有自动化手段。传统制造业由人管理生产，个人管理调度水平决定产品生产进度和质量。
煤机用液压支架制造涉及数千个零件的加工制造以及组装，属于发散性、小批量、定制化制造业。各类零部件生产制造中存在一定共性，但又各不相同，且通用化率很低。当多品种同时生产时，将会对生产安排，工艺准备时间，质量把控等多方面情况造成考验。
视觉识别技术及ai算法技术，已广泛应用于各个行业。现有技术中，autocad辅助设计是目前主要的图纸输出平台；capp工艺管理平台主要用于工艺文件的输出；mes系统即制造执行系统已经将设备联网与mrp计划壁垒打通。
但上述现有技术在设备制造业应用较少，尤其在煤机用液压支架制造领域还没有应用。
技术实现要素：
本发明的目的是提供一种基于视觉识别及ai深度学习算法下的设备制造工艺智能化方法。
本发明的目的是通过以下技术方案实现的：
本发明的基于视觉识别及ai深度学习算法下的设备制造工艺智能化方法，其特征在于，在视觉识别及ai深度学习算法下进行多平台联网，实现自动识别零件并自动生成可执行工艺文件，所述多平台包括autocad辅助设计、capp工艺管理平台、移动终端、设备终端，具体包括三个阶段，分别为：
第一阶段：平台搭建；
第二阶段：数据库建立；
第三阶段：工艺管理数据推送。
由上述本发明提供的技术方案可以看出，本发明实施例提供的基于视觉识别及ai深度学习算法下的设备制造工艺智能化方法，通过搭建智能制造平台，进行生产、工艺数据采集，建立数据库，形成大数据，借用ai技术算法，指导、规划产品生产，实现高效生产，严肃工艺纪律，确保高质量品质。
具体实施方式
下面将对本发明实施例作进一步地详细描述。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
本发明的基于视觉识别及ai深度学习算法下的设备制造工艺智能化方法，其较佳的具体实施方式是：
在视觉识别及ai深度学习算法下进行多平台联网，实现自动识别零件并自动生成可执行工艺文件，所述多平台包括autocad辅助设计、capp工艺管理平台、移动终端、设备终端，具体包括三个阶段，分别为：
第一阶段：平台搭建；
第二阶段：数据库建立；
第三阶段：工艺管理数据推送。
所述第一阶段包括：
步骤一：生产设备联网监控；
步骤二：智能报工系统搭建；
所述第二阶段包括：
步骤三：制造数据，管理调度数据采集；
步骤四：大数据分析；
所述第三阶段包括：
步骤五：自动调度排产，自动成工艺；
步骤六：终端设备推送。
所述步骤一包括：
下料、机加、焊接的全部设备联网监控，采集并在终端显示设备实时运行状态，采集并终端显示实时运行参数，全部相关数据上传数据库；
所述步骤二包括：
采用扫码报工系统，对全部一线职工进行编码用于关联设备，对全部零件进行编码用于追溯，零件到达工位，通过扫码，记录基础数据，零件加工完成，再次扫码，记录基础数据，零件完工后应交检，再次扫码，记录基础数据，全部相关数据上传数据库；
所述步骤三包括：
通过一定算法，实时反馈每种零件实时生产数据，管理调度部门结合生产情况，进行调度调整，系统记录调度调整数据，全部相关数据上传数据库；
所述步骤四包括：
全部数据采集后，通过一定算法，根据零件特征，形成完整的生产、调度数据库，逐步形成大数据，借用ai技术，深度结合零件特征，匹配零件图纸、工艺，通过大数据分析，找到零件生产时间瓶颈、设备瓶颈、工时分配制度合理性问题；
所述步骤五包括：
结合大数据分析结论，结合质量数据，工艺指导参数等指标，通过算法，有机结合零件图纸、工艺路线、工艺参数、全流程生产时间以及设备能力、调度策略，在生产相似零件时，由系统直接给出工艺路线、设备选用及调度策略，从而形成完整的工艺指导文件、工时定额以及质量预估、产出时间预估；
所述步骤六包括：
推送移动数据终端，并根据多要素，形成相关图形、曲线、示例的直观数据。
所述步骤一中：
所述设备实时运行状态包括运行、等待、维修，所述实时运行参数包括转速、进给、电流、电压；
所述步骤二中：
所述基础数据包括零件图号、零件编号、员工编号、到达时间、完工时间、检验员编号、合格/返修/报废数据；
所述步骤三中：
每种零件实时生产数据包括加工参数、产出状态。
本发明的基于视觉识别及ai深度学习算法下的设备制造工艺智能化方法，通过搭建智能制造平台，进行生产、工艺数据采集，建立数据库，形成大数据，借用ai技术算法，指导、规划产品生产，实现高效生产，严肃工艺纪律，确保高质量品质。
具体实施例：
包括三个阶段，六个步骤：
第一阶段：平台搭建
步骤一：生产设备联网监控。
下料、机加、焊接等全部设备联网监控。采集并在终端显示设备实时运行状态(例如运行、等待、维修等)。采集并终端显示实时运行参数(例如转速、进给、电流、电压等)。全部相关数据并上传数据库。
步骤二：智能报工系统搭建。
采用扫码报工系统。对全部一线职工进行编码用于关联设备，对全部零件进行编码用于追溯。零件到达工位，通过扫码，记录基础数据(例如零件图号、零件编号、员工编号、到达时间等)。零件加工完成，再次扫码，记录基础数据(例如零件图号、零件编号、员工编号、完工时间等)。零件完工后应交检，再次扫码，记录基础数据(例如例如零件图号、零件编号、检验员编号、合格/返修/报废等)。全部相关数据并上传数据库。
第二阶段：数据库建立
步骤三：制造数据，管理调度数据采集。
通过一定算法，实时反馈每种零件实时生产数据(例如加工参数、产出状态等)。管理调度部门结合生产情况，进行调度调整，系统记录调度调整数据。全部相关数据并上传数据库。
步骤四：大数据分析。
全部数据采集后，通过一定算法(例如零件图号、生产周期等)，根据零件特征，形成完整的生产、调度数据库。逐步形成大数据。借用ai技术，深度结合零件特征，匹配零件图纸、工艺，通过大数据分析，找到零件生产时间瓶颈，设备瓶颈，工时分配制度合理性等问题。
第三阶段：工艺管理数据推送
步骤五：自动调度排产，自动成工艺。
结合大数据分析结论，结合质量数据，工艺指导参数等指标，通过算法，有机结合零件图纸、工艺路线、工艺参数、全流程生产时间以及设备能力、调度策略等。再生产相似零件时，由系统直接给出工艺路线、设备选用及调度策略，从而形成完整的工艺指导文件、工时定额以及质量预估、产出时间预估。
步骤六：终端设备推送。
推送移动数据终端，并根据多要素(例如零件图号、员工编号、设备编号等)，形成相关图形、曲线、示例等直观数据。
本发明基于视觉识别及ai深度学习算法下多平台(autocad辅助设计、capp工艺管理平台、移动终端、设备终端)联网，实现自动识别零件，自动生成可执行工艺文件。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。