CN115511367B - 生产线的质量智能管理系统 - Google Patents
生产线的质量智能管理系统 Download PDFInfo
- Publication number
- CN115511367B CN115511367B CN202211291797.6A CN202211291797A CN115511367B CN 115511367 B CN115511367 B CN 115511367B CN 202211291797 A CN202211291797 A CN 202211291797A CN 115511367 B CN115511367 B CN 115511367B
- Authority
- CN
- China
- Prior art keywords
- station
- quality inspection
- production line
- analysis module
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 83
- 238000003326 Quality management system Methods 0.000 title claims description 8
- 238000007689 inspection Methods 0.000 claims abstract description 190
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000004458 analytical method Methods 0.000 claims abstract description 79
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012372 quality testing Methods 0.000 claims 1
- 238000012797 qualification Methods 0.000 abstract description 6
- 239000000047 product Substances 0.000 description 17
- 238000000034 method Methods 0.000 description 5
- 239000012467 final product Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了生产线的质量智能管理系统,涉及质量管理技术领域,解决了现有技术无法结合质量影响因素分析各工位的质量风险,导致各工位的质量风险累积而影响产品质量的技术问题;本发明通过边缘分析模块采集对应检测工位的工位数据和图像数据,将工位数据和图像数据结合起来获取工位质检得分,基于工位质检得分进行阶段性预警;中央分析模块再结合质检权重对若干工位质检得分进行分析,获取生产线质检得分,基于生产线质检得分判定生产线质检评估是否正常,进而完成整体性预警。本发明从整体性和阶段性两个角度评估生产线以及各检测工位的质检风险,进而实现及时预警,提高生产线的产品合格率。
Description
技术领域
本发明属于质量管理领域,涉及生产线的质量智能管理技术,具体是生产线的质量智能管理系统。
背景技术
多数生产制造企业还停留在传统的制造工艺上,对于生产线设备智能管理和产品制造过程管理意识不强,造成在设备管理及操作人员上投入较多,生产质量管控时效性差,通常在批量出现质量问题之后才会被发现,严重影响生产效率。
现有技术(公开号为CN110989521A的发明专利申请)公开了一种生产线智能管理系统,将主服务器与生产线各工位连接的操作主机通过网线连接成局域网,在各工位识别产品的二维码之后将产品信息发送至主服务器,保证了解各工位的工作状态,进而实现生产线的管理。现有技术在进行生产线管理时,仅对各工位的产品信息进行识别上传,而无法结合质量影响要素对该工位的质量风险进行分析,使得各工位的质量风险累积影响最终的产品质量;因此,亟须一种生产线的质量智能管理系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了生产线的质量智能管理系统,用于解决现有技术无法结合质量影响因素分析各工位的质量风险,导致各工位的质量风险累积而影响产品质量的技术问题。
为实现上述目的,本发明的第一方面提供了生产线的质量智能管理系统,包括中央分析模块,以及与之相连接的若干边缘分析模块和数据库;且边缘分析模块与检测工位一一对应,每个检测工位均进行质量检测;
边缘分析模块通过与之连接的数据传感器采集工位数据,以及通过图像采集设备获取对应检测工位的图像数据;其中,工位数据包括运行速度或设备信息;
边缘分析模块根据图像数据分析工作人员的状态,当工作人员的状态正常时,则结合工位数据计算获取该检测工位的工位质检得分,之后进行数据上传;
中央分析模块从若干边缘分析模块上传数据中提取若干工位质检得分;将若干工位质检得分与各检测工位的质检权重结合计算生产线质检得分。
优选的,所述中央分析模块分别与数据库和若干所述边缘分析模块通信和/或电气连接;且每个所述检测工位均匹配设置有所述边缘分析模块;
所述边缘分析模块与对应所述检测工位的数据传感器或者图像采集设备通信和/或电气连接;其中,图像采集设备为用于监控生产线的摄像头。
优选的,所述边缘分析模块根据对应所述检测工位的图像数据分析工作人员状态,包括:
基于所述图像采集设备提取对应所述检测工位工作范围的图像数据;
通过图像识别技术识别图像数据中是否存在工作人员;是,则分析工作人员对应的培训经历是否与检测工位匹配,否,则判定工作人员状态异常;
当工作人员的培训经历与检测工位匹配时,则判定工作人员状态正常;否则,判定工作人员状态异常。
优选的,所述边缘分析模块在工作人员状态正常时,对所述工位数据进行分析计算获取对应检测工位的工位质检得分,包括:
根据工作人员状态设置状态标签;将状态标签标记为ZB,运行速度标记为YS,设备标签为SB;其中,状态标签和设备标签的取值为0或者1;
通过公式GZF=α×ZB×SB×exp(1/YS)计算获取工位质检得分GZF;其中,α为大于0的比例系数,exp()是以自然常数e为底的指数函数。
优选的,所述边缘分析模块将对应检测工位的工位质检得分与工位质检阈值进行比较分析,包括:
从数据库获取所述检测工位的工位质检阈值,将其与工位质检得分比较;
当工位质检得分大于工位质检阈值时,判定该检测工位质检评估正常;否则,判定该检测工位质检评估异常,并进行预警。
优选的,所述中央分析模块结合质检权重对若干所述工位质检得分进行分析,获取所述生产线质检得分,包括:
基于抽检数据获取各检测工位的质检权重,并标记为ZQi,同时将工位质检得分标记为GZFi;其中,i为检测工位的编号;其中,抽检数据从数据库获取;
通过公式SDF=β×(ZQ1×GZF1+ZQ2×GZF2+…+ZQi×GZFi)获取生产线质检得分SDF;其中,β为大于0的比例系数。
优选的,所述中央分析模块对各检测工位的抽检数据进行分析,获取对应的质检权重,包括:
确定抽检数量,基于抽检数量对各检测工位进行抽检获取抽检数据;
统计各检测工位抽检数据中合格品数量;将抽检数量和合格品数量分别标记为CS和HGS;通过公式ZS=HGS/CS获取质检系数ZS;
在获取各检测工位的质检系数之后,统一对若干质检系数归一化处理,处理之后的数值作为对应检测工位的质检权重。
优选的,所述中央分析模块根据生产线质检得分与生产线质检阈值进行比较,判断生产线质检评估是否正常;以及
当生产线质检评估异常时进行预警,同时根据各工位质检得分对若干检测工位的工位数据进行调整或者更新。
与现有技术相比,本发明的有益效果是:
本发明通过边缘分析模块采集对应检测工位的工位数据和图像数据,将工位数据和图像数据结合起来获取工位质检得分,基于工位质检得分进行阶段性预警;中央分析模块再结合质检权重对若干工位质检得分进行分析,获取生产线质检得分,基于生产线质检得分判定生产线质检评估是否正常,进而完成整体性预警。本发明从整体性和阶段性两个角度评估生产线以及各检测工位的质检风险,进而实现及时预警,提高生产线的产品合格率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
请参阅图1,本发明第一方面实施例提供了生产线的质量智能管理系统,包括中央分析模块,以及与之相连接的若干边缘分析模块和数据库;且边缘分析模块与检测工位一一对应,每个检测工位均进行质量检测;边缘分析模块通过与之连接的数据传感器采集工位数据,以及通过图像采集设备获取对应检测工位的图像数据;边缘分析模块根据图像数据分析工作人员的状态,当工作人员的状态正常时,则结合工位数据计算获取该检测工位的工位质检得分,之后进行数据上传;中央分析模块从若干边缘分析模块上传数据中提取若干工位质检得分;将若干工位质检得分与各检测工位的质检权重结合计算生产线质检得分。
现有技术在进行生产线质量管理时,通过自动化技术识别各检测工位的产品信息,对产品信息进行分析上传以达到质量管理,该方式是以结果为导向,在识别出质量问题时已经无法进行及时补救了;而且检测工位的其他质量影响因素虽然没有爆发,但是会将爆发风险累积起来而影响最终的产品质量。
本发明通过边缘分析模块采集对应检测工位的工位数据和图像数据,将工位数据和图像数据结合起来获取工位质检得分,基于工位质检得分进行阶段性预警;中央分析模块再结合质检权重对若干工位质检得分进行分析,获取生产线质检得分,基于生产线质检得分判定生产线质检评估是否正常,进而完成整体性预警。本发明从整体性和阶段性两个角度评估生产线以及各检测工位的质检风险,进而实现及时预警,提高生产线的产品合格率。
本发明中中央分析模块分别与数据库和若干边缘分析模块通信和/或电气连接;且每个检测工位均匹配设置有边缘分析模块;边缘分析模块与对应检测工位的数据传感器或者图像采集设备通信和/或电气连接;其中,图像采集设备为用于监控生产线的摄像头。
一条生产线中依次会有多个检测工位,而每个检测工位均对应设置有质检活动,按照设定的质检要求对生产线上的产品进行质检并反馈质检信息。值得注意的是,本发明为了提高质检的及时性,从各检测工位的质检风险来计算整个生产线的质检风险,因此上述多个检测工位并不包括生产线最后的成品检测。
中央分析模块用于整个工厂的生产线管理,也就是说可以与多条生产线的边缘分析模块相连接。以一条生产线为例,中央分析模块与该生产线中若干检测工位对应的边缘分析模块进行数据交互,并进行整体性分析;边缘分析模块与该生产线中的检测工位一一对应,且与该检测工位的数据传感器、图像采集设备等相连接,必要时候还可以通过边缘分析模块对检测工位中的设备进行必要控制。
数据传感器用于采集工位数据,主要通过速度传感器来采集该检测工位对应生产线的运行速度;工位数据中的设备信息包括设备年限、工作参数等,主要通过人工录入上传。图像采集设备具体为设置在工厂内的摄像头,各边缘分析模块可通过图像采集设备采集对应检测工位的图像数据,如通过边缘分析模块上传图像数据的采集频率,中央分析模块或者边缘分析模块根据采集频率各检测工位图像数据采集。
检测工位的质检风险包括多个方面,如工人人员是否怠工,是否满足质检要求等,以及产品的通过速度(如上述的运行速度)等。本发明会对这些环节进行分析判断最终计算出工位质检得分。
在一个优选的实施例中,边缘分析模块根据对应检测工位的图像数据分析工作人员状态,包括:基于图像采集设备提取对应检测工位工作范围的图像数据;通过图像识别技术识别图像数据中是否存在工作人员;是,则分析工作人员对应的培训经历是否与检测工位匹配,否,则判定工作人员状态异常;当工作人员的培训经历与检测工位匹配时,则判定工作人员状态正常;否则,判定工作人员状态异常。
在获取图像数据的基础上,通过现已成熟的图像识别技术识别工作人员是否就位,以及识别出工作人员身份之后可以结合数据库来判断该工作人员的培训经历是否符合(也就是判断工作人员是否能够胜任该检测工位的质检工作),若上述二者均满足要求时,则判定工作人员状态正常,反之状态异常。
需要理解的是,有时候工作人员并不需要时刻待着检测工位的范围之内,因此可以持续识别图像数据中的工作人员,当工作人员没有长时间离开检测工位时也可作为判定工作人员状态正常的判断基础。
在一个可选的实施例中,本发明中边缘分析模块在工作人员状态正常时,对工位数据进行分析计算获取对应检测工位的工位质检得分,包括:根据工作人员状态设置状态标签;将状态标签标记为ZB,运行速度标记为YS,设备标签为SB;通过公式GZF=α×ZB×SB×exp(1/YS)计算获取工位质检得分GZF。
状态标签和设备标签的取值为0或者1;当状态标签或者设备标签的取值为1时,分别表示对应的工作人员状态正常或者对应质检设备的状态正常。设备标签根据设备信息来确定,如设备年限和运行参数在出厂限定范围之内时,则可以判定设备状态正常,即将设备标签设置为1。
工位质检得分主要与工人人员状态、设备状态以及运行速度(检测工位的产品通过速度)有关,当工作人员状态和设备状态均正常时,才会保证能够获取检测工位的工位质检得分;当运行速度越快,质检效果越差,也就是工位质检得分会越小。因此,当工位质检得分为0时,优先检查工作人员状态和设备状态。
本发明中边缘分析模块将对应检测工位的工位质检得分与工位质检阈值进行比较分析,包括:从数据库获取检测工位的工位质检阈值,将其与工位质检得分比较;当工位质检得分大于工位质检阈值时,判定该检测工位质检评估正常;否则,判定该检测工位质检评估异常,并进行预警。
工位质检阈值是根据经验设定的,并关联存储数据库中;当工位质检得分小于工位质检阈值时,说明运行速度过快并进行预警,还可以根据工位质检得分与工位质检阈值的差值来调整运行速度,保证该检测工位的高效运行。
在一个优选的实施例中,本发明中中央分析模块结合质检权重对若干工位质检得分进行分析,获取生产线质检得分,包括:基于抽检数据获取各检测工位的质检权重,并标记为ZQi,同时将工位质检得分标记为GZFi;通过公式SDF=β×(ZQ1×GZF1+ZQ2×GZF2+…+ZQi×GZFi)获取生产线质检得分SDF。
根据质检权重将各检测工位的质检风险统一起来,获取生产线质检得分。也就是说在对各检测工位进行分析时,有些潜在风险在该检测工位不会体现,但是会累积到生产线上,此时则需要对整个生产线进行质检评估。
值得注意的是,本发明中的中央分析模块对各检测工位的抽检数据进行分析,获取对应的质检权重,包括:确定抽检数量,基于抽检数量对各检测工位进行抽检获取抽检数据;统计各检测工位抽检数据中合格品数量;将抽检数量和合格品数量分别标记为CS和HGS;通过公式ZS=HGS/CS获取质检系数ZS;在获取各检测工位的质检系数之后,统一对若干质检系数归一化处理,处理之后的数值作为对应检测工位的质检权重。
对各检测工位输出的产品(多为半成品)进行抽检,根据抽检数据获取抽检合格率。抽检合格率越高说明对应的工位质检得分可信度越高,同理抽检合格率y越低说明对应的工位质检得分的可信度越低,则将二者相乘作为生产线得分计算公式中的一项,能够合理平衡各检测工位在生产线的质检评估中所占比重。
在另外一个优选的实施例中,还可以结合人工智能模型来对生产线进行质检评估,具体包括:从数据库获取标准输入数据和标准输出数据,来训练构建的人工智能模型(如误差逆向传播神经网络模型或者RBF神经网络模型),将训练完成的人工智能模型标记为生产线评估模型;将各检测工位的质检权重以及对应的工位质检得分整合成数据序列,输入至生产线评估模型获取输出的生产线质检得分。需要理解的是,该实施例中,标准输入数据与整合形成的数据序列内容属性一直,标准输出数据为标准输入数据对应的生产线质检得分。
本发明中中央分析模块根据生产线质检得分与生产线质检阈值进行比较,判断生产线质检评估是否正常;以及当生产线质检评估异常时进行预警,同时根据各工位质检得分对若干检测工位的工位数据进行调整或者更新。
举例说明本发明的具体技术方案:
某生产线具有i(i=3)个检测工位,各检测工位对应的工作人员状态和设备状态均正常,检测工位1的工位质检得分为20,检测工位2的工位质检得分为30,检测工位3的工位质检得分为40;以及各检测工位对应的质检权重分别为0.5、0.1和0.25;则该生产线对应的生产线质检得分为20×0.5+30×0.1+40×0.25=23(β=1),比较23与对应的生产线质检阈值即可。
上述公式中的部分数据均是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:
边缘分析模块通过与之连接的数据传感器采集工位数据,以及通过图像采集设备获取对应检测工位的图像数据。
边缘分析模块根据图像数据分析工作人员的状态,当工作人员的状态正常时,则结合工位数据计算获取该检测工位的工位质检得分,之后进行数据上传。
中央分析模块从若干边缘分析模块上传数据中提取若干工位质检得分;将若干工位质检得分与各检测工位的质检权重结合计算生产线质检得分。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (4)
1.生产线的质量智能管理系统,包括中央分析模块,以及与之相连接的若干边缘分析模块和数据库;且边缘分析模块与检测工位一一对应,每个检测工位均进行质量检测,其特征在于:
边缘分析模块通过与之连接的数据传感器采集工位数据,以及通过图像采集设备获取对应检测工位的图像数据;其中,工位数据包括运行速度或设备信息;
边缘分析模块根据图像数据分析工作人员的状态,当工作人员的状态正常时,则结合工位数据计算获取该检测工位的工位质检得分,之后进行数据上传;
中央分析模块从若干边缘分析模块上传数据中提取若干工位质检得分;将若干工位质检得分与各检测工位的质检权重结合计算生产线质检得分;
所述边缘分析模块在工作人员状态正常时,对所述工位数据进行分析计算获取对应检测工位的工位质检得分,包括:
根据工作人员状态设置状态标签ZB;将运行速度标记为YS,设备标签为SB;其中,状态标签和设备标签在对应状态正常时为1,异常时为0;
通过公式GZF=α×ZB×SB×exp(1/YS)计算获取工位质检得分GZF;其中,α为大于0的比例系数,exp()是以自然常数e为底的指数函数;
所述边缘分析模块将对应检测工位的工位质检得分与工位质检阈值进行比较分析,包括:
从数据库获取所述检测工位的工位质检阈值,将其与工位质检得分比较;
当工位质检得分大于工位质检阈值时,判定该检测工位质检评估正常;否则,判定该检测工位质检评估异常,并进行预警;
所述中央分析模块结合质检权重对若干所述工位质检得分进行分析,获取所述生产线质检得分,包括:
基于抽检数据获取各检测工位的质检权重,并标记为ZQi,同时将工位质检得分标记为GZFi;其中,i为检测工位的编号;其中,抽检数据从数据库获取;
通过公式SDF=β×(ZQ1×GZF1+ZQ2×GZF2+…+ZQi×GZFi)获取生产线质检得分SDF;其中,β为大于0的比例系数;
所述中央分析模块对各检测工位的抽检数据进行分析,获取对应的质检权重,包括:
确定抽检数量,基于抽检数量对各检测工位进行抽检获取抽检数据;
统计各检测工位抽检数据中合格品数量;将抽检数量和合格品数量分别标记为CS和HGS;通过公式ZS=HGS/CS获取质检系数ZS;
在获取各检测工位的质检系数之后,统一对若干质检系数归一化处理,处理之后的数值作为对应检测工位的质检权重。
2.根据权利要求1所述的生产线的质量智能管理系统,其特征在于,所述中央分析模块分别与数据库和若干所述边缘分析模块通信和/或电气连接;且每个所述检测工位均匹配设置有所述边缘分析模块;
所述边缘分析模块与对应所述检测工位的数据传感器或者图像采集设备通信和/或电气连接;其中,图像采集设备为用于监控生产线的摄像头。
3.根据权利要求1所述的生产线的质量智能管理系统,其特征在于,所述边缘分析模块根据对应所述检测工位的图像数据分析工作人员状态,包括:
基于所述图像采集设备提取对应所述检测工位工作范围的图像数据;
通过图像识别技术识别图像数据中是否存在工作人员;是,则分析工作人员对应的培训经历是否与检测工位匹配,否,则判定工作人员状态异常;
当工作人员的培训经历与检测工位匹配时,则判定工作人员状态正常;否则,判定工作人员状态异常。
4.根据权利要求1所述的生产线的质量智能管理系统,其特征在于,所述中央分析模块根据生产线质检得分与生产线质检阈值进行比较,判断生产线质检评估是否正常;以及
当生产线质检评估异常时进行预警,同时根据各工位质检得分对若干检测工位的工位数据进行调整或者更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211291797.6A CN115511367B (zh) | 2022-10-21 | 2022-10-21 | 生产线的质量智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211291797.6A CN115511367B (zh) | 2022-10-21 | 2022-10-21 | 生产线的质量智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511367A CN115511367A (zh) | 2022-12-23 |
CN115511367B true CN115511367B (zh) | 2023-07-25 |
Family
ID=84511159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211291797.6A Active CN115511367B (zh) | 2022-10-21 | 2022-10-21 | 生产线的质量智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511367B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187867B (zh) * | 2023-04-27 | 2023-06-27 | 苏州上舜精密工业科技有限公司 | 一种智能化的传动模组生产管理方法及系统 |
CN117709755B (zh) * | 2024-02-04 | 2024-05-10 | 深圳市安达新材科技有限公司 | 一种基于云计算的光学膜片数据管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020068009A (ja) * | 2018-10-25 | 2020-04-30 | Dynabook株式会社 | 操作検出装置、操作検出方法及び操作検出システム |
CN113516285A (zh) * | 2021-05-12 | 2021-10-19 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108639855B (zh) * | 2018-04-17 | 2020-01-10 | 四川大学 | 液体类包装生产线的集成联动系统 |
CN210038807U (zh) * | 2019-01-02 | 2020-02-07 | 红云红河烟草(集团)有限责任公司 | 卷烟车间的智能管理系统 |
CN111636123B (zh) * | 2020-01-20 | 2021-07-27 | 武汉裕大华纺织有限公司 | 一种智能纺纱生产线故障检测系统 |
CN113296427B (zh) * | 2021-05-24 | 2022-06-17 | 湖南长顺项目管理有限公司 | 一种基于物联网的建筑工地安全监测系统 |
CN114386542A (zh) * | 2021-06-09 | 2022-04-22 | 罗来飞 | 一种用于医疗用品安全生产的智能系统 |
CN114202248B (zh) * | 2022-01-13 | 2022-09-02 | 浙江工企信息技术股份有限公司 | 一种基于mes智能制造的生产管理方法及系统 |
-
2022
- 2022-10-21 CN CN202211291797.6A patent/CN115511367B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020068009A (ja) * | 2018-10-25 | 2020-04-30 | Dynabook株式会社 | 操作検出装置、操作検出方法及び操作検出システム |
CN113516285A (zh) * | 2021-05-12 | 2021-10-19 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115511367A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115511367B (zh) | 生产线的质量智能管理系统 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN109472241A (zh) | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 | |
CN111445106A (zh) | 一种用电采集设备故障处理作业现场安全控制方法及系统 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN113391239B (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN116382217A (zh) | 一种生产线智能运维监管系统 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN110469561A (zh) | 一种液压系统状态监测的装置、方法与系统 | |
CN112836809A (zh) | 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法 | |
CN112365186A (zh) | 一种电力信息系统健康度评估方法及其评估系统 | |
CN114817681B (zh) | 一种基于大数据分析的金融风控系统及其管理设备 | |
CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
CN111754737A (zh) | 一种计量装置安装验收在线识别评价装置及评价方法 | |
CN113420162A (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN116185757A (zh) | 机房能耗智能监测系统 | |
CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及系统 | |
CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
CN107392506A (zh) | 一种融合移动互联网技术的自学线路状态评价系统及评价方法 | |
CN111310723A (zh) | 基于深度学习技术的变电站人员穿戴规范分析方法 | |
CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |