国内知名工控机品牌研华科技开始使用3D打印技术革新生产

3482e6715e0167336e40ec7416a04234.png

研华科技(以下简称“研华”)是全球知名的工业物联网厂商之一,其业务分布全球28个国家,在全球拥有约8,900名员工。2023年是研华成立的40周年,也是其在江苏昆山扎根的23个年头。作为工业物联网的实践者与赋能者,近些年来研华科技大力投入数字化工厂的建设,不仅利用自身AIoT(人工智能物联网)技术,也积极引入外部的创新技术,3D打印技术便是其中之一。

9906466bdcfc72893f42287c3a4d9cc3.jpeg

▲昆山研华园区

研华工厂生产过程中需要大量使用非标定制件——PCB定位治具。过去,这些治具主要采用委托外加工,并使用电木材质,通过CNC加工的方式完成。然而,随着时间的推移,在使用CNC外协过程中的问题逐渐增多了起来。

01

加工成本增长趋势下的挑战

首先,加工成本不断推高——随着上海经济辐射圈的逐步扩大,昆山当地的房价和物价水平不断升高的同时,老的CNC操作人员不断流失,而愿意从事CNC加工的年轻人在减少,导致近两年CNC加工的费用逐年增长。

其次,委外生产的生产周期往往较长,通常需要1-2周时间。当面对需要快速响应的客户需求,往往无法及时响应并影响交付计划。

第三,灵活性受限,传统的委外形式,一旦图纸发出就很难更改,无法灵活应对产品设计的迭代,遇到紧急且设计变更频繁的需求,往往只能重新制作。

5b3ce1cc96584094cab30c0a80709a20.jpeg

02

改变思维,利用3D打印技术

面对这些挑战与困难,研华昆山工厂MPM栗经理一直在寻找新的技术与方案进行改善。一次与总部同事的技术交流时,谈到了这个问题,总部同事当时就给他推荐了3D打印技术。

在横向对比了多家3D打印设备之后,研华购入了Raise3D Pro2 Plus的设备,对于当时的这个决定,栗经理还是比较满意的:“当时别人给我推荐的是另外一款国外的设备,我们前前后后做了多项调研,最后选择了Raise3D Pro2 Plus。”对于为何选择,栗经理进一步补充解释道:“首先是精度,我们做了多轮的样件测试,也在内部做了比较,测试下来令我们啧啧称奇的是Pro2 Plus的高精度。”

“确保精度的同时,打印尺寸比较大。虽然大部分我们的夹具都比较小,大概都是20cm以下的小件,但是偶尔也会打一些大的零件,305×305×605 mm尺寸足够大,能够满足这些制件需求的同时,你又不用为这个额外多花大几万,那就非常具有性价比了。”

188e6baf62026cf5156ac13f1e294157.png

▲研华昆山工厂在用的Pro2 Plus

“另外,还有很多细节的地方,如同我说的一样,这台设备有很多的设计逻辑和思考,都是基于制造业企业端来思考的,像我们看到的外在的丝杆、喷嘴、拖链,内在的很多像RaiseCloud这样的‘团队管多台’逻辑的云管理平台、像ideaMaker这种脱机、封闭且安全的切片软件,甚至是这个设备的重量——你真的很难想象这样的小小一台桌面机居然有100斤!”

a62bbeca4f42c9953b10a0b95d2287d4.png

03

3D打印定位治具,轻松实现降本增效

“我们的设备安装在工厂工程师的工作室,操作简单,工程师会用UG,SW软件,所以很快就可以上手操作。原来我们用CNC外发需要两周时间,但在使用Raise3D Pro2 Plus后,我们的生产速度提高了很多,大一点的件20个小时就可以制造出来,表面也不用任何处理,就已经很够用了。”

4289adb1efd868ad9a038d97a10da4e5.jpeg

▲利用Raise3D Pro2 Plus打印的PCBA装备定位治具

“从材料方面来讲,目前主要使用PLA耗材,相比以前使用的电木材质,价格更低,由于通常我们填充一般30%或50%,只在需要强度的地方用ideaMaker调整成实心结构,在不影响结构强度的前提下实现轻量化处理,材料的利用率就会更高,大大的降低了成本。这样整体下来,治具成本相当于原来的10%左右。”

23bb7f5a9953b6b6101b3d4faae1f1f1.jpeg▲利用Raise3D Pro2 Plus打印的自动测试机台快拆治具

以创新技术实现成本效率的优化,同时兼顾高可靠性,是包括研华、舍弗勒、SKF等工控企业选择Raise3D品牌打印机的原因。

展会预告:2023年10月24-27日,第27届亚洲国际动力传动与控制技术展览会(PTC ASIA 2023)将在上海新国际博览中心召开!Raise3D复志科技将展示在原型设计、模具制造和个性化定制以及小批量生产等工业制造领域的数字化解决方案。Raise3D复志科技诚挚邀请您莅临OE2  A801 数智液压广场,一同探讨行业前沿,交流经验,共同见证制造业数字化转型的无限可能。

d02b8978d0d537a5896f255fa9e29b62.png

欢迎转发

95bec087dbec22e68e57e96261a49851.jpeg

主编微信:2396747576(请注明身份); 硕博千人交流Q群:248112776;网址:www.amreference.com

延伸阅读:

1.最大12kg打印!Raise3D发布光固化3D打印解决方案

2.99.95%!国产Raise3D桌面级3D打印技术具有颠覆性的成功率,广获应用

3.最新:国外团队使用中国3D打印机发表Science重磅研究

4.60平米打印幅面!美能源部支持开发迄今最大砂型3D打印系统

9ee9f83a4f6dc97aeead81b4d66e6f5c.gif

f7e1141302a040415ec1e8b01827f116.gif

大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法,旨在通过结合多种先进深度学习模型的优势,提升在复杂工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时间序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的究人员及工程技术人员,尤其适合究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复杂时间序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。
代码下载地址: https://pan.quark.cn/s/f675b88243cd 《华大HC32L110库函数与例程详解》 华大HC32L110属于低功耗且高性能的微控制器,在众多嵌入式系统设计中具有广泛的应用,特别是在需要电池供电的物联网设备和便携式装置中表现出色。该微控制器的库函数与例程为程序设计者提供了重要的参考资料,包含了丰富的功能接口和示范性代码,从而辅助开发者迅速掌握并运用该芯片。库函数是事先编写完成且可反复使用的代码单元,针对HC32L110的特定硬件特性进行了优化,使得开发者无需深入探究底层机制,仅需调用相应的库函数即可达成预期功能。这些库函数一般涵盖了时钟管理、GPIO操控、ADC转换、串行通信(包含UART、SPI、I2C等形式)以及中断管理等多个方面。比如,若需将一个GPIO端口设置为输出模式并设定其电平状态,开发者可通过调用`HAL_GPIO_Init()`与`HAL_GPIO_WritePin()`函数来实现。 例程则是展示如何运用库函数的应用范例代码,它们具体说明了在实际操作中如何适当地调用库函数及设定相关参数。以HC32L110的串行通信例程为例,它可能涉及初始化UART接口、传输数据、接收数据等环节,借助这些例程,开发者能够清晰地洞察每个功能的具体实现途径。对于新手而言,例程是理解芯片特性及库函数使用的理想途径。 在华大HC32L110的库函数与例程中,通常包含以下核心组成部分: 1. **初始化函数**:诸如`SystemInit()`,其作用是配置系统时钟,作为其他功能的基础。 2. **外设驱动函数**:例如GPIO的`HAL_GPIO_xxx()`系列函数,ADC的`HAL_ADC_xxx()`函数等,用于管理和设定...
【多变量输入超前多步预测】基于CNN-BiGRU的光伏功率预测究(Matlab代码实现)内容概要:本文究基于CNN-BiGRU混合神经网络模型的多变量输入超前多步光伏功率预测方法,并提供了完整的Matlab代码实现。该模型结合卷积神经网络(CNN)强大的局部特征提取能力和双向门控循环单元(BiGRU)对时间序列前后向依赖关系的建模能力,能够有效处理光伏发电受光照强度、温度、湿度等多因素影响的非线性、非平稳特性,实现对未来多个时间步长的功率输出进行精准预测。究涵盖了数据预处理、模型构建、训练优化及结果分析全过程,并通过实验验证了模型在不同天气条件下的预测性能,展示了其在提升预测精度方面的有效性。; 适合人群:具备一定机器学习和时间序列预测基础知识,从事新能源发电预测、电力系统调度或相关领域究的究生、科人员及工程技术人员。; 使用场景及目标:①应用于光伏发电站的功率预测系统,为电网调度、能量管理和电力交易提供数据支持;②作为深度学习在可再生能源预测领域应用的教学案例,帮助理解CNN与RNN类模型的融合机制;③为进一步究更复杂的预测模型(如加入注意力机制)提供基础框架和技术参考。; 阅读建议:建议读者结合Matlab代码逐步复现文中实验,重点关注数据预处理流程、模型结构设计细节以及超参数调优策略,同时可尝试在不同数据集上验证模型泛化能力,以深入掌握多变量时间序列预测的关键技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值