德国曼商用车与CADENAS合作实现多系统兼容优化设计流程

在这里插入图片描述
德国曼集团成立于1758年。 三个字母MAN由公司前身Maschinenfabrik Augsburg Nürnberg(机械工厂 奥斯堡-纽伦堡)的第一个字母组成。总部位于德国慕尼黑,是一个欧洲领先的工程集团,在世界120个国家有约52500名员工在商用车辆、工业服务、印刷系统、柴油发动机和涡轮机五大核心领域工作,能力全面,提供系统解决方案,年销售额达165 亿欧元(2011年)。曼集团与印度,波兰,土耳其和美国的当地公司建立了合资企业和其他合作关系。是世界500强之一。自2009年初以来,德国曼商用车辆股份有限公司引入CADENAS的PARTsolutions战略性零部件数据资源管理系统。PARTsolutions的优势在于提高查找CAD组件的速度,减少零部件数量,加强零部件的标准化管理,从而帮助企业长期持续地降低成本。研究表明:产品的设计阶段决定了产品总成本的70%。因此, MAN将具有几何相似性搜索功能的战略性零部件数据资源管理系统PARTsolutions首先用于了产品设计。

曼商用车辆股份有限公司之所以选择与CADENAS合作,有以下几大原因:

1、现有企业内部零部件管理系统PartsMan没有包含曼公司的所有零部件。
2、各种不同的系统用于公司的零部件数据管理杂乱无章,并且它们之间几乎没有任何接口 。
3、并非所有分公司都有权限访问相同的系统。
4、现有的解决方案无法适用于不同的 CAD 系统。
5、无法在所有分公司部署和旧系统相兼容的软件解决方案。

CADENAS工业软件PARTsolutions成为了整个曼公司零部件数据库管理的中央和整体解决方案,目前在全球约1300个工作站中被引入使用。将众多曼现用管理系统集成到CADENAS的PARTsolutions中是逐步进行的。 例如,借助成功的系统总体架构,基于网络的EZIS系统将能稳妥地实现后续的嵌入。EZIS是曼商用车辆股份有限公司的技术文档电子档案系统。 它是一个基于网络的应用程序,目前可直接在PARTsolutions系统中访问。 从而让使用者能够轻松访问所有已被审批的2D工程图和标准文档。曼的标准化部门(ESS)始终致力于为公司的零部件管理提供适合的分类和特征标准。凭借其部门数十年来对零部件标准化管理的丰富经验,让曼企业内部的零部件库拥有高质量的数据和具有目标导向的完善数据结构。

PARTsolutions集成到曼商用车现用的最重要的集成系统清单:

  • CAD系统: CATIA V4以及V5, Autodesk Inventor
  • PDM系统:ENOVIA LCA和CATIA V4 VPM(此外,所有获得“结构性批准”的零部件每天都要上传到PARTsolutions系统上)
  • 主技术数据信息系统(SADIS)(曼自己内部的ERP系统作为主机应用程序)
  • 电子绘图信息系统 (EZIS)

在这里插入图片描述

将传统的数据库结合智能几何相似性搜索,可以通过文本描述和几何特征属性在曼公司庞大的数据库中快速找到并重用现有的3D CAD组件。此外,PARTsolutions还提供由CADENAS和制造商自行创建和已预分类的大量电子 CAD产品目录的具有"预分类"标准内容的数据库。该数据库结合不同管理系统的企业内部零部件信息,创建了一个适用于整个集团的统一的独特知识源库。

通过引入PARTsolutions后,曼商用车辆股份有限公司企业零部件的标准化管理焕然一新:

1、零部件管理系统集成了来自其他零部件信息源的所有曼公司零部件数据存,并支持所有常见的CAD系统。
2、能够在全球所有曼企业所在地访问浏览组件信息。
3、可大幅简化查找和搜索现有库存组件的进程。
4、助力曼公司内部流程实现跨部门优化。
5、发布升级版本:新版本9提供了许多重要功能,例如无需CAD系统进行2D草图搜索。
6、供应商集成其中:将众多供应商和曼合作伙伴集成到零部件管理系统中。
7、增加使用PARTsolutions的工作站数量:公司更多部门希望引入PARTsolutions,其中包括建筑部门、变量管理和巴西分公司等。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
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