CN105956330B - 基于现场数据的产品工艺质量预测模型的建立方法及系统 - Google Patents
基于现场数据的产品工艺质量预测模型的建立方法及系统 Download PDFInfo
- Publication number
- CN105956330B CN105956330B CN201610373992.1A CN201610373992A CN105956330B CN 105956330 B CN105956330 B CN 105956330B CN 201610373992 A CN201610373992 A CN 201610373992A CN 105956330 B CN105956330 B CN 105956330B
- Authority
- CN
- China
- Prior art keywords
- data
- cigarette machine
- product
- field
- prediction model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Abstract
本发明公开了基于现场数据的产品工艺质量预测模型的建立方法及系统,包括以下步骤:获取卷烟设备的现场数据并将获取的数据存储至数据库中;对卷烟设备的现场数据进行处理,卷烟设备的现场数据包括卷烟机停机数据、剔除数据、产量数据及产品质量数据;建立产品工艺质量神经网络预测模型;建立设备故障树;输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据,结合设备故障树对卷烟设备进行控制。本发明能够避免数据统计分析方法的单一性,将卷烟设备数据有效结合,建立数据综合分析模型,预测下一时间段内的产品质量情况,防止问题产品的产出,做到以产品质量为导向指导设备管理。
Description
技术领域
本发明涉及烟草行业数据模型的建立领域,具体涉及基于现场数据的产品工艺质量预测模型的建立方法及系统。
背景技术
近些年来,卷烟企业工业自动化方面得到了长足的发展,建立了底层数采、集控和状态监测等系统,管理层也建立了大量的应用系统,这些工业自动化系统和应用系统中存在大量的设备数据资源,但在设备管理方面的数据管理和数据价值挖掘水平并不高,导致大量数据资源的浪费,不能有效支撑精益管理。
卷烟设备的现场数据主要包含停机数据、剔除数据、产量数据以及产品质量数据。在以往应用中,各类数据往往是被单独应用的,如产量、质量考核,设备停机分析等,且应用方法多为统计分析,数据应用手段较为贫乏。
目前针对卷烟设备的产品工艺质量的预测仅仅靠人工根据烟支质量变化趋势,通过经验进行判断,主观性比较强,没有基于相关的数据进行分析,精确性不高。
发明内容
为解决现有技术存在的不足,本发明公开了基于现场数据的产品工艺质量预测模型的建立方法及系统,本申请基于卷烟设备各类现场数据建立相应的模型,并结合设备故障树,对卷烟设备的产品进行实时预测。
为实现上述目的,本发明的具体方案如下:
基于现场数据的产品工艺质量预测模型的建立方法,包括以下步骤:
获取卷烟设备的现场数据并将获取的数据存储至数据库中;
对卷烟设备的现场数据进行处理,卷烟设备的现场数据包括卷烟机停机数据、剔除数据、产量数据及产品质量数据;
以卷烟机停机数据、剔除数据、产量数据作为输入,产品质量数据作为输出,建立产品工艺质量神经网络预测模型;
建立设备故障树,该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层级;
输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据,结合设备故障树对卷烟设备进行控制。
进一步的,对卷烟设备的现场数据进行处理时,包括以下步骤:
1-1)、采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的停机数据;
1-2)、将各类现场数据按时间顺序分别排序;
1-3)、各类现场数据以彼此采集周期的最小公倍数为单位进行数据采集,设备产量数据、停机数据、剔除数据为该时间段内的最大最小值之差,设备重量数据为该时间段内数据的平均值;
1-4)、将各类现场数据按时间段一一对应,产品质量数据与上一时段的停机、剔除、产量数据对应。
进一步的,建立产品工艺质量神经网络预测模型之前对卷烟设备的现场数据进行处理之后还需要对处理后的数据进行归一化。
进一步的,采用最大最小法对数据进行归一化,其函数形式如下:
x′k=(xk-xmin)/(xmax-xmin)
式中,xmin为某一指标数据序列中的最小数,xmax为该指标序列中的最大数,xk为该指标数据序列中的第k个数据。
进一步的,设备故障树在建立时,故障部位按照上下游关系排序,每个故障部位的故障原因按照出现概率进行排序,依据设备维修记录数据反馈的出现频次调整故障部位及故障原因的顺序。
基于现场数据的产品工艺质量预测模型的建立系统,包括:
数据获取模块:用于获取卷烟设备的现场数据并将获取的数据存储至数据库中;
数据处理模块,用于对卷烟设备的现场数据进行处理,卷烟设备的现场数据包括卷烟机停机数据、剔除数据、产量数据及产品质量数据;
模型建立模块,用于以卷烟机停机数据、剔除数据、产量数据作为输入,产品质量数据作为输出,建立产品工艺质量神经网络预测模型;
设备故障树建立模块,建立设备故障树,该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层级;
数据预测模块,用于输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据,结合设备故障树对卷烟设备进行控制。
数据处理模块中,对卷烟设备的现场数据进行处理时,包括:
数据筛选模块,采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的停机数据;
数据排序模块,将各类现场数据按时间顺序分别排序;
数据采集模块,将各类现场数据以彼此采集周期的最小公倍数为单位进行数据采集,设备产量数据、停机数据、剔除数据为该时间段内的最大最小值之差,设备重量数据为该时间段内数据的平均值;
数据对应模块,将各类现场数据按时间段一一对应,产品质量数据与上一时段的停机、剔除、产量数据对应。
进一步的,模型建立模块在建立产品工艺质量神经网络预测模型之前及数据处理模块对卷烟设备的现场数据进行处理之后还需要对处理后的数据进行归一化。
进一步的,采用最大最小法对数据进行归一化,其函数形式如下:
x′k=(xk-xmin)/(xmax-xmin)
式中,xmin为某一指标数据序列中的最小数,xmax为该指标序列中的最大数,xk为该指标数据序列中的第k个数据。
进一步的,设备故障树建立模块在建立设备故障树时,故障部位按照上下游关系排序,每个故障部位的故障原因按照出现概率进行排序,依据设备维修记录数据反馈的出现频次调整故障部位及故障原因的顺序。
本发明的有益效果:
本发明综合应用卷烟设备停机、剔除、产量、质量等数据制定卷烟设备管理策略。首先整理各类现场设备数据,按时间段排序整理,其中质量数据与上一时间段的其他数据对应。然后以停机、剔除、产量数据为输入,采用神经网络方法预测产品质量。最后根据预测结果,结合设备故障树制定管理策略。本发明能够避免数据统计分析方法的单一性,将卷烟设备数据有效结合,建立数据综合分析模型,预测下一时间段内的产品质量情况,防止问题产品的产出,做到以产品质量为导向指导设备管理。
本发明能够避免数据统计分析方法的单一性,将卷烟设备数据有效结合,建立数据综合分析模型,预测下一时间段内的产品质量情况,防止问题产品的产出,做到以产品质量为导向指导设备管理。
附图说明
图1是本发明基于现场数据的卷烟设备管理策略的构建流程图;
图2是本发明实施例停机数据在不同类别数下的聚类优度分布图;
图3是本发明实施例停机数据的聚类结果图;
图4是本发明实施例产品质量预测模型的预测结果图;
图5是本发明实施例短期标准偏差过大的故障树;
具体实施方式:
下面结合附图对本发明进行详细说明:
如图1所示,基于现场数据的产品工艺质量预测模型的建立方法,包括以下步骤:
步骤1、通过数据分析软件整理各类现场设备数据;步骤2、采用神经网络方法预测产品质量;步骤3、根据预测结果结合设备故障树制定管理策略。
整理各类现场设备数据包含以下分步骤:步骤11、采用数据分析软件读取储存在数据库中的卷烟设备现场数据;步骤12、停机数据采用聚类方法筛选出较为重要的停机因素;步骤13、将各类数据按时间顺序分别排序;步骤14、各类数据以彼此采集周期的最小公倍数15分钟为单位进行数据整理,设备产量、剔除、停机类的数据为该时间段内的最大最小值之差,设备重量数据为该时间段内数据的平均值,形成数据矩阵;步骤15、将各类数据按时间段一一对应,即在数据矩阵中将同时刻的数据置于同一行,产品质量数据与上一时段的停机、剔除、产量数据对应,即在数据矩阵中将所有产品质量数据提前一行。
采用神经网络方法预测产品质量包含以下分步骤:步骤21、对整理后的数据进行归一化处理;步骤22、以卷烟机停机、剔除、产量数据作为输入,产品质量数据作为输出,采用BP神经网络模型,建立产品质量神经网络预测模型。其中,剔除数据指的是卷烟机烟支剔除的数据。
根据预测结果结合设备故障树制定管理策略包含以下分步骤:步骤31、依据维修经验,建立设备故障树,该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层级,包含了造成停机故障所有可能的部位及原因;步骤32、输入卷烟设备实时数据,得到预测产品质量结果;步骤33、判断预测的产品质量结果是否符合生产要求,若符合,则正常生产,若不符合,则结合设备故障树,及时采取维修管理措施。
设备故障树的故障部位按照上下游关系排序,每个故障部位的故障原因根据经验按照出现概率进行排序,依据设备维修记录数据反馈的出现频次调整故障部位及故障原因的顺序。
本实施例采用某卷烟厂ZJ112卷烟机的实际生产数据进行了基于现场数据的卷烟设备管理策略的构建。
本实施例中,考虑的产品质量指标主要为烟支重量短期标准偏差。
一种基于现场数据的卷烟设备管理策略的构建方法,具体包括以下步骤:
停机数据对设备的影响主要表现在停机时长及停机次数两个方面。统计该卷烟机2014年4月1日至8月31日的班次停机数据,如下表1所示,由于卷烟机的停机原因种类较多,需要采用聚类方法筛选出对设备影响较大的停机原因。首先依据组间平方和占总平方和的比值,确定最优聚类数,如图2所示;然后以此最优聚类数进行数据聚类,聚类结果如图3所示;最终选择对设备影响较大的类别作为分析要素,这里选取了SE手动停机、SE跑条、MAX搓板堵塞、SE断纸、MAX出烟堵塞、下游机器停机作为分析要素。
选定停机数据的主要因素后,采集卷烟机2014年8月份日志文件中的数据,将各类数据以15分钟为单位进行整理,设备产量、停机、剔除的数据为该时间段内的最大最小值之差,设备质量数据为该时间段内数据的平均值,将各类数据按时间段一一对应,而产品质量数据与上一时段的其他数据对应。
表1班次停机数据统计表
然后采用最大最小法对整理后的数据进行归一化,其函数形式如下:
x′k=(xk-xmin)/(xmax-xmin)
式中,xmin为数据序列中的最小数,xmax为序列中的最大数。
以卷烟机停机、剔除、产量数据作为输入,产品质量数据作为输出,使用R语言的nnet程序包建立产品质量神经网络预测模型。预测结果如图4所示,图4中X轴方向为短期标准偏差的实际值,Y轴为预测值。通过计算,该模型的平均误差为0.24%。
如代入数据表中第942行的数据,可得预测值为29.53mg,说明该模型预测出在下一个15分钟的时间段内烟支重量标准偏差将超出规定的小于20mg的要求,需要立即结合图5所示的故障树按照故障出现概率的高低,对设备进行维保处理。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.基于现场数据的产品工艺质量预测模型的建立方法,其特征是,包括以下步骤:
获取卷烟设备的现场数据并将获取的数据存储至数据库中;
对卷烟设备的现场数据进行处理,卷烟设备的现场数据包括卷烟机停机数据、剔除数据、产量数据及产品质量数据,整理各类现场设备数据包含以下分步骤:步骤11、采用数据分析软件读取储存在数据库中的卷烟设备现场数据;步骤12、停机数据采用聚类方法筛选出较为重要的停机因素;步骤13、将各类数据按时间顺序分别排序;步骤14、各类数据以彼此采集周期的最小公倍数15分钟为单位进行数据整理,设备产量、剔除、停机类的数据为该时间段内的最大最小值之差,设备重量数据为该时间段内数据的平均值,形成数据矩阵;步骤15、将各类数据按时间段一一对应,即在数据矩阵中将同时刻的数据置于同一行,产品质量数据与上一时段的停机、剔除、产量数据对应,即在数据矩阵中将所有产品质量数据提前一行;
以卷烟机停机数据、剔除数据、产量数据作为输入,产品质量数据作为输出,建立产品工艺质量神经网络预测模型;
建立设备故障树,该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层级;
输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据,结合设备故障树对卷烟设备进行控制;根据预测结果结合设备故障树制定管理策略包含以下分步骤:步骤32、输入卷烟设备实时数据,得到预测产品质量结果;步骤33、判断预测的产品质量结果是否符合生产要求,若符合,则正常生产,若不符合,则结合设备故障树,及时采取维修管理措施。
2.如权利要求1所述的基于现场数据的产品工艺质量预测模型的建立方法,其特征是,建立产品工艺质量神经网络预测模型之前对卷烟设备的现场数据进行处理之后,还需要对处理后的数据进行归一化。
3.如权利要求2所述的基于现场数据的产品工艺质量预测模型的建立方法,其特征是,采用最大最小法对数据进行归一化,其函数形式如下:
x′k=(xk-xmin)/(xmax-xmin)
式中,xmin为某一指标数据序列中的最小数,xmax为该指标序列中的最大数,xk为该指标数据序列中的第k个数据。
4.如权利要求1所述的基于现场数据的产品工艺质量预测模型的建立方法,其特征是,设备故障树在建立时,故障部位按照上下游关系排序,每个故障部位的故障原因按照出现概率进行排序,依据设备维修记录数据反馈的出现频次调整故障部位及故障原因的顺序。
5.基于现场数据的产品工艺质量预测模型的建立系统,其特征是,包括:
数据获取模块:用于获取卷烟设备的现场数据并将获取的数据存储至数据库中;
数据处理模块,用于对卷烟设备的现场数据进行处理,卷烟设备的现场数据包括卷烟机停机数据、剔除数据、产量数据及产品质量数据,整理各类现场设备数据包含以下分步骤:步骤11、采用数据分析软件读取储存在数据库中的卷烟设备现场数据;步骤12、停机数据采用聚类方法筛选出较为重要的停机因素;步骤13、将各类数据按时间顺序分别排序;步骤14、各类数据以彼此采集周期的最小公倍数15分钟为单位进行数据整理,设备产量、剔除、停机类的数据为该时间段内的最大最小值之差,设备重量数据为该时间段内数据的平均值,形成数据矩阵;步骤15、将各类数据按时间段一一对应,即在数据矩阵中将同时刻的数据置于同一行,产品质量数据与上一时段的停机、剔除、产量数据对应,即在数据矩阵中将所有产品质量数据提前一行;
模型建立模块,用于以卷烟机停机数据、剔除数据、产量数据作为输入,产品质量数据作为输出,建立产品工艺质量神经网络预测模型;
设备故障树建立模块,建立设备故障树,该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层级;
数据预测模块,用于输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据,结合设备故障树对卷烟设备进行控制,根据预测结果结合设备故障树制定管理策略包含以下分步骤:步骤32、输入卷烟设备实时数据,得到预测产品质量结果;步骤33、判断预测的产品质量结果是否符合生产要求,若符合,则正常生产,若不符合,则结合设备故障树,及时采取维修管理措施。
6.如权利要求5所述的基于现场数据的产品工艺质量预测模型的建立系统,其特征是,数据处理模块中,对卷烟设备的现场数据进行处理时,包括:
数据筛选模块,采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的停机数据;
数据排序模块,将各类现场数据按时间顺序分别排序;
数据采集模块,将各类现场数据以彼此采集周期的最小公倍数为单位进行数据采集,设备产量数据、停机数据、剔除数据为该时间段内的最大最小值之差,设备重量数据为该时间段内数据的平均值;
数据对应模块,将各类现场数据按时间段一一对应,产品质量数据与上一时段的停机、剔除、产量数据对应。
7.如权利要求5所述的基于现场数据的产品工艺质量预测模型的建立系统,其特征是,模型建立模块在建立产品工艺质量神经网络预测模型之前及数据处理模块对卷烟设备的现场数据进行处理之后,还需要对处理后的数据进行归一化。
8.如权利要求7所述的基于现场数据的产品工艺质量预测模型的建立系统,其特征是,采用最大最小法对数据进行归一化,其函数形式如下:
x′k=(xk-xmin)/(xmax-xmin)
式中,xmin为某一指标数据序列中的最小数,xmax为该指标序列中的最大数,xk为该指标数据序列中的第k个数据。
9.如权利要求5所述的基于现场数据的产品工艺质量预测模型的建立系统,其特征是,设备故障树建立模块在建立设备故障树时,故障部位按照上下游关系排序,每个故障部位的故障原因按照出现概率进行排序,依据设备维修记录数据反馈的出现频次调整故障部位及故障原因的顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610373992.1A CN105956330B (zh) | 2016-05-31 | 2016-05-31 | 基于现场数据的产品工艺质量预测模型的建立方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610373992.1A CN105956330B (zh) | 2016-05-31 | 2016-05-31 | 基于现场数据的产品工艺质量预测模型的建立方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956330A CN105956330A (zh) | 2016-09-21 |
CN105956330B true CN105956330B (zh) | 2019-03-22 |
Family
ID=56907386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610373992.1A Active CN105956330B (zh) | 2016-05-31 | 2016-05-31 | 基于现场数据的产品工艺质量预测模型的建立方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956330B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133402A (zh) * | 2017-05-03 | 2017-09-05 | 山东中烟工业有限责任公司 | 一种基于熵权topsis法的卷烟设备差异化轮保方法 |
CN111356964A (zh) * | 2017-09-30 | 2020-06-30 | 西门子股份公司 | 一种数控机床的故障诊断方法和装置 |
CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
CN108703410A (zh) * | 2018-07-27 | 2018-10-26 | 红塔烟草(集团)有限责任公司 | 适用于卷烟机设备的可视化动态设备管理系统 |
CN111340250A (zh) * | 2018-12-19 | 2020-06-26 | 富泰华工业(深圳)有限公司 | 设备检修装置、方法及计算机可读存储介质 |
CN109612556B (zh) * | 2019-01-16 | 2020-07-24 | 福州中润电子科技有限公司 | 一种识别物料投料量的方法及终端 |
CN109799106A (zh) * | 2019-02-12 | 2019-05-24 | 红云红河烟草(集团)有限责任公司 | 滤棒成型机的性能评价方法 |
CN110247473A (zh) * | 2019-03-26 | 2019-09-17 | 国网浙江桐乡市供电有限公司 | 一种监控系统异常信息缺陷概率分析方法 |
CN109858714B (zh) * | 2019-04-03 | 2021-05-04 | 杭州安脉盛智能技术有限公司 | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 |
CN110263972B (zh) * | 2019-05-15 | 2021-02-09 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN111103420B (zh) * | 2019-11-20 | 2022-05-10 | 华东理工大学 | 一种原料不确定下的酚醛树脂产品质量预测方法 |
CN111212434B (zh) * | 2019-12-31 | 2023-06-13 | 宁波奥克斯电气股份有限公司 | 一种wifi模组质量预测方法、装置、设备及存储介质 |
CN111273618A (zh) * | 2020-01-13 | 2020-06-12 | 中船第九设计研究院工程有限公司 | 一种管道生产设备运行状态监控系统 |
CN111838749B (zh) * | 2020-07-14 | 2021-10-22 | 湖南大学 | 24-30mm双倍长超短烟支蜘蛛手机构及其设计方法 |
CN112487711B (zh) * | 2020-11-25 | 2021-08-31 | 江苏科技大学 | 一种基于概率分布的AltaRica故障树生成方法及系统 |
CN112801366A (zh) * | 2021-01-27 | 2021-05-14 | 上海微亿智造科技有限公司 | 工业质量数据指标智能预测方法、系统及介质 |
CN114128917B (zh) * | 2021-11-12 | 2022-10-14 | 浙江中烟工业有限责任公司 | 一种基于双枪卷烟机前后两道数据的故障检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0795277A2 (en) * | 1996-03-14 | 1997-09-17 | Japan Tobacco Inc. | Method and apparatus for determining the tobacco shred filling quality of cigarette rods |
CN101419627A (zh) * | 2008-12-03 | 2009-04-29 | 山东中烟工业公司 | 基于关联规则的卷烟配方维护行为挖掘系统及其方法 |
EP2327795A1 (en) * | 2003-06-10 | 2011-06-01 | The Trustees Of Boston University | Detection methods for disorders of the lung |
CN102087729A (zh) * | 2011-03-18 | 2011-06-08 | 贵州省烟草公司遵义市公司 | 一种烟叶生产全程质量监控方法与系统 |
CN105548079A (zh) * | 2015-12-28 | 2016-05-04 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟丝组成测定方法 |
-
2016
- 2016-05-31 CN CN201610373992.1A patent/CN105956330B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0795277A2 (en) * | 1996-03-14 | 1997-09-17 | Japan Tobacco Inc. | Method and apparatus for determining the tobacco shred filling quality of cigarette rods |
EP2327795A1 (en) * | 2003-06-10 | 2011-06-01 | The Trustees Of Boston University | Detection methods for disorders of the lung |
CN101419627A (zh) * | 2008-12-03 | 2009-04-29 | 山东中烟工业公司 | 基于关联规则的卷烟配方维护行为挖掘系统及其方法 |
CN102087729A (zh) * | 2011-03-18 | 2011-06-08 | 贵州省烟草公司遵义市公司 | 一种烟叶生产全程质量监控方法与系统 |
CN105548079A (zh) * | 2015-12-28 | 2016-05-04 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟丝组成测定方法 |
Non-Patent Citations (4)
Title |
---|
《Quality prediction and control of injection molding process using multistage MWGRNN method》;Guo Xiao-Ping;《Proceedings of the Fifth International Conference on Machine Learning and Cybernetics》;20061231;第13-16页 |
《基于SPC和神经网络的卷烟制丝生产质量监控方法研究》;纪盛强;《工业控制计算机》;20111231;第24卷(第12期);第65-68页 |
《基于神经网络集成的质量预测模型》;徐兰 等;《系统管理学报》;20131130;第22卷(第6期);第823-827页 |
《神经网络在在线产品质量控制中的应用》;吕金平;《机械制造》;20051231;第43卷(第489期);第8-10页 |
Also Published As
Publication number | Publication date |
---|---|
CN105956330A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956330B (zh) | 基于现场数据的产品工艺质量预测模型的建立方法及系统 | |
CN105486831B (zh) | 一种钢卷质量检测系统 | |
CN109726234B (zh) | 基于工业互联网的集成电路测试信息化管理系统 | |
CN106079892B (zh) | 一种pcb锡膏印刷过程质量智能监控系统及方法 | |
CN107491381A (zh) | 一种设备状态监测数据质量评测系统 | |
CN105159239B (zh) | 一种spc策略自动更新方法及spc自动策略系统 | |
CN107368957A (zh) | 一种设备状态监测数据质量评测体系的构建方法 | |
CN109976289B (zh) | 生产线kpi监测方法、装置、电子设备及可读介质 | |
TW201702776A (zh) | 光學薄膜製程即時監測系統及其方法 | |
CN103337043A (zh) | 电力通信设备运行状态的预警方法和系统 | |
CN109406984A (zh) | 集成电路全生态链智能测试分析方法 | |
CN110688389A (zh) | 变电站二次设备缺陷云管理系统 | |
CN113812664A (zh) | 松散回潮设备智能控制方法 | |
CN109741927A (zh) | 微型变压器生产线的设备故障和潜在不良品智能预测系统 | |
CN115630839A (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
Dewi et al. | Evaluation of effectiveness and cost of machine losses using Overall Equipment Effectiveness (OEE) and Overall Equipment Cost Loss (OECL) methods, a case study on Toshiba CNC Machine | |
CN106355338A (zh) | 一种原料奶风险监测控制方法 | |
CN115099457A (zh) | 烟丝结构在线预测分析系统 | |
CN112784938B (zh) | 一种面向工业大数据的工序批量产出智能计数方法 | |
CN109636152B (zh) | 一种产品化学成分的均质化加工调控方法及系统 | |
CN107679163A (zh) | 一种单步工序制造因素显著差异分析系统和分析方法 | |
CN112884212A (zh) | 烟支单支克重偏差分析预测方法 | |
CN106682817A (zh) | 一种采集异常紧急程度的判定方法 | |
CN110147935A (zh) | 一种烟草卷包车间质量综合决策模型的建立方法 | |
CN105759748A (zh) | 一种半导体生产机台硬件性能的动态监控系统及监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |