CN109520561A - 一种基于大数据的瓷砖制造中故障检测方法及系统 - Google Patents
一种基于大数据的瓷砖制造中故障检测方法及系统 Download PDFInfo
- Publication number
- CN109520561A CN109520561A CN201811234050.0A CN201811234050A CN109520561A CN 109520561 A CN109520561 A CN 109520561A CN 201811234050 A CN201811234050 A CN 201811234050A CN 109520561 A CN109520561 A CN 109520561A
- Authority
- CN
- China
- Prior art keywords
- data
- ceramic tile
- abnormality
- fault detection
- detection method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及大数据处理技术领域,具体涉及一种基于大数据的瓷砖制造中故障检测方法及系统,通过实时采集瓷砖制造中各个生产环节内的状态数据,对正常状态数据和异常状态数据进行隔离和提取,进而形成标准生产模型和故障定位模型、从而在生产过程中实时检测出故障异常状态数据并判断故障来源,本发明提供了一种瓷砖制造中在线式、全自动的故障检测途径。
Description
技术领域
本发明涉及大数据处理技术领域,具体涉及一种基于大数据的瓷砖制造中故障检测方法及系统。
背景技术
智能制造是一种广泛的制造概念,旨在通过充分利用先进的信息和制造技术来优化生产,它被认为是一种基于智能科学技术的新型制造模型,提供使用各种智能传感器,自适应决策模型,智能设备和数据分析可以改善整个产品生命周期,提高产品质量。
基于大数据,通过对前期沉淀的生产数据形成比较稳定的故障检测模型,通过实时检测采集生产过程中的数据,可以实现全过程智能检测,变传统的离线式、人工事后抽检为在线式、全自动的实时在线测量。
因此,如何利用大数据在瓷砖制造中提供一种在线式、全自动的故障检测途径成为值得解决的问题。
发明内容
本发明提供一种基于大数据的瓷砖制造中故障检测方法及系统,能够在瓷砖制造中提供一种在线式、全自动的故障检测途径。
本发明提供的一种基于大数据的瓷砖制造中故障检测方法,包括以下步骤:
步骤S1、实时采集瓷砖制造中各个生产环节内的状态数据;
步骤S2、对所述状态数据进行预处理,隔离正常状态数据和异常状态数据,建立标准化、规范化、数字化的故障检测流程;
步骤S3、分别提取正常状态数据和异常状态数据;
步骤S4、对提取的正常状态数据,形成制造工艺知识库和资源库,进而建立标准生产模型;对提取的异常状态数据实行分类处理,形成故障数据库,进而建立故障定位模型;
步骤S5、根据标准生产模型实时监测生产环节采集的数据进行相似性度量,将异常状态数据更新到所述故障定位模型,并根据所述故障定位模型判断故障来源。
进一步,所述状态数据包括:瓷砖表面的水平成度、图案、颜色、光泽度、尺寸。
进一步,步骤S2中所述对所述状态数据进行预处理具体包括:
将所述状态数据标记为一组(xj,yj)的n个点(j=1,...,n)的数据集,其中xj表示时间点,yj表示所述时间点对应的状态数据,通过一组m个卷积系数Ci对所述数据集进行处理,其中,m为自然数,处理公式如下:
其中,Yj即为处理后的数据集。
进一步,步骤S2中所述隔离正常状态数据和异常状态数据具体包括:
输入正常状态的标准数据,作为标准均值;分别计算每个对象与标准均值的距离,将所述距离低于阈值的状态数据作为正常状态数据;将所述距离等于和大于阈值的状态数据作为异常状态数据。
进一步,步骤S4中对提取的异常状态数据实行分类处理,形成故障数据库,进而建立故障定位模型具体包括如下步骤;
步骤S41、从异常状态数据中任意选择k个数据,形成初始聚类集;
步骤S42、分别计算每个对象与均值的距离,并根据所述距离重新对相应数据对象进行划分,所述距离的计算公式为:
其中,μi表示初始聚类集的均值,Si即为初始聚类集;
步骤S43、重新计算每个数据对象有变化的聚类集的均值;
步骤S44、循环执行步骤S42到步骤S43直到每个聚类集不再发生变化,确定异常状态数据的异常聚类集;
步骤S45、分析不同异常聚类集的故障原因,形成异常状态数据和故障原因的映射关系,从而建立故障定位模型。
一种基于大数据的瓷砖制造中故障检测系统,包括:
一个或多个处理器,
存储装置,用于存储一个或多个程序;
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述任一项所述的方法。
本发明的有益效果是:本发明公开一种基于大数据的瓷砖制造中故障检测方法及系统,通过实时采集瓷砖制造中各个生产环节内的状态数据,形成标准生产模型和故障定位模型、从而实时检测出制造中故障异常状态数据并判断故障来源,本发明提供了一种瓷砖制造中在线式、全自动的故障检测途径。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种基于大数据的瓷砖制造中故障检测方法的流程图;
图2是本发明实施例一种基于大数据的瓷砖制造中故障检测方法中步骤S4的流程图。
具体实施方式
参考图1~2,本发明实施例提供的一种基于大数据的瓷砖制造中故障检测方法,包括以下步骤:
步骤S1、实时采集瓷砖制造中各个生产环节内的状态数据;
步骤S2、对所述状态数据进行预处理,隔离正常状态数据和异常状态数据,建立标准化、规范化、数字化的故障检测流程;
步骤S3、分别提取正常状态数据和异常状态数据;
步骤S4、对提取的正常状态数据,形成制造工艺知识库和资源库,进而建立标准生产模型;对提取的异常状态数据实行分类处理,形成故障数据库,进而建立故障定位模型;
步骤S5、根据标准生产模型实时监测生产环节采集的数据进行相似性度量,将异常状态数据更新到所述故障定位模型,并根据所述故障定位模型判断故障来源。
进一步,所述状态数据包括:瓷砖表面的水平成度、图案、颜色、光泽度、尺寸。
进一步,步骤S2中所述对所述状态数据进行预处理具体包括:
将所述状态数据标记为一组(xj,yj)的n个点(j=1,...,n)的数据集,其中xj表示时间点,yj表示所述时间点对应的状态数据,通过一组m个卷积系数Ci对所述数据集进行处理,其中,m为自然数,处理公式如下:
其中,Yj即为处理后的数据集。
进一步,步骤S2中所述隔离正常状态数据和异常状态数据具体包括:
输入正常状态的标准数据,作为标准均值;分别计算每个对象与标准均值的距离,将所述距离低于阈值的状态数据作为正常状态数据;将所述距离等于和大于阈值的状态数据作为异常状态数据。
进一步,步骤S4中对提取的异常状态数据实行分类处理,形成故障数据库,进而建立故障定位模型具体包括如下步骤;
步骤S41、从异常状态数据中任意选择k个数据,形成初始聚类集;
步骤S42、分别计算每个对象与均值的距离,并根据所述距离重新对相应数据对象进行划分,所述距离的计算公式为:
其中,μi表示初始聚类集的均值,Si即为初始聚类集;
步骤S43、重新计算每个数据对象有变化的聚类集的均值;
步骤S44、循环执行步骤S42到步骤S43直到每个聚类集不再发生变化,确定异常状态数据的异常聚类集;
步骤S45、分析不同异常聚类集的故障原因,形成异常状态数据和故障原因的映射关系,从而建立故障定位模型。
本实施例提供的一种基于大数据的瓷砖制造中故障检测系统,包括:
一个或多个处理器,
存储装置,用于存储一个或多个程序;
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述任一项所述的方法。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (6)
1.一种基于大数据的瓷砖制造中故障检测方法,其特征在于,包括以下步骤:
步骤S1、实时采集瓷砖制造中各个生产环节内的状态数据;
步骤S2、对所述状态数据进行预处理,隔离正常状态数据和异常状态数据;
步骤S3、分别提取正常状态数据和异常状态数据;
步骤S4、对提取的正常状态数据,形成制造工艺知识库和资源库,进而建立标准生产模型;对提取的异常状态数据实行分类处理,形成故障数据库,进而建立故障定位模型;
步骤S5、根据标准生产模型实时监测生产环节采集的数据进行相似性度量,将异常状态数据更新到所述故障定位模型,并根据所述故障定位模型判断故障来源。
2.根据权利要求1所述的一种基于大数据的瓷砖制造中故障检测方法,其特征在于,所述状态数据包括:瓷砖表面的水平成度、图案、颜色、光泽度、尺寸。
3.根据权利要求1所述的一种基于大数据的瓷砖制造中故障检测方法,其特征在于,步骤S2中所述对所述状态数据进行预处理具体包括:
将所述状态数据标记为一组(xj,yj)的n个点(j=1,...,n)的数据集,其中xj表示时间点,yj表示所述时间点对应的状态数据,通过一组m个卷积系数Ci对所述数据集进行处理,其中,m为自然数,处理公式如下:
其中,Yj即为处理后的数据集。
4.根据权利要求3所述的一种基于大数据的瓷砖制造中故障检测方法,其特征在于,步骤S2中所述隔离正常状态数据和异常状态数据具体包括:
输入正常状态的标准数据,作为标准均值;分别计算每个对象与标准均值的距离,将所述距离低于阈值的状态数据作为正常状态数据;将所述距离等于和大于阈值的状态数据作为异常状态数据。
5.根据权利要求1所述的一种基于大数据的瓷砖制造中故障检测方法,其特征在于,步骤S4中对提取的异常状态数据实行分类处理,形成故障数据库,进而建立故障定位模型具体包括如下步骤;
步骤S41、从异常状态数据中任意选择k个数据,形成初始聚类集;
步骤S42、分别计算每个对象与均值的距离,并根据所述距离重新对相应数据对象进行划分,所述距离的计算公式为:
其中,μi表示初始聚类集的均值,Si即为初始聚类集;
步骤S43、重新计算每个数据对象有变化的聚类集的均值;
步骤S44、循环执行步骤S42到步骤S43直到每个聚类集不再发生变化,确定异常状态数据的异常聚类集;
步骤S45、分析不同异常聚类集的故障原因,形成异常状态数据和故障原因的映射关系,从而建立故障定位模型。
6.一种基于大数据的瓷砖制造中故障检测系统,其特征在于,包括:
一个或多个处理器,
存储装置,用于存储一个或多个程序;
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234050.0A CN109520561A (zh) | 2018-10-23 | 2018-10-23 | 一种基于大数据的瓷砖制造中故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234050.0A CN109520561A (zh) | 2018-10-23 | 2018-10-23 | 一种基于大数据的瓷砖制造中故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109520561A true CN109520561A (zh) | 2019-03-26 |
Family
ID=65772249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811234050.0A Pending CN109520561A (zh) | 2018-10-23 | 2018-10-23 | 一种基于大数据的瓷砖制造中故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109520561A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023174007A1 (zh) * | 2022-03-16 | 2023-09-21 | 科达制造股份有限公司 | 一种基于ai视觉分级分色的瓷砖产线及控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996023038A1 (en) * | 1995-01-24 | 1996-08-01 | National Starch And Chemical Investment Holding Corporation | Water-based adhesives containing thermally-inhibited starches |
US5753250A (en) * | 1995-01-12 | 1998-05-19 | Hagiwara Research Corporation | Crystalline antimicrobial composition |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN106315195A (zh) * | 2016-11-18 | 2017-01-11 | 山东爱而生智能科技有限公司 | 一种瓷砖包装流水线的瓷砖临时储砖库 |
-
2018
- 2018-10-23 CN CN201811234050.0A patent/CN109520561A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5753250A (en) * | 1995-01-12 | 1998-05-19 | Hagiwara Research Corporation | Crystalline antimicrobial composition |
WO1996023038A1 (en) * | 1995-01-24 | 1996-08-01 | National Starch And Chemical Investment Holding Corporation | Water-based adhesives containing thermally-inhibited starches |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN106315195A (zh) * | 2016-11-18 | 2017-01-11 | 山东爱而生智能科技有限公司 | 一种瓷砖包装流水线的瓷砖临时储砖库 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023174007A1 (zh) * | 2022-03-16 | 2023-09-21 | 科达制造股份有限公司 | 一种基于ai视觉分级分色的瓷砖产线及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
CN110309886B (zh) | 基于深度学习的无线传感器高维数据实时异常检测方法 | |
CN111127517B (zh) | 一种基于监控视频的生产线产品定位方法 | |
CN109145941B (zh) | 一种非规则宫颈细胞团图像分类方法及系统 | |
CN108333314B (zh) | 一种空气污染智能监测系统 | |
CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
CN108921201A (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN111950525B (zh) | 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
JP6778132B2 (ja) | 設備機器の異常診断システム | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN110516526A (zh) | 一种基于特征原型度量学习的小样本目标识别方法 | |
CN110837874A (zh) | 基于时间序列分类的业务数据异常检测方法 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN106203476A (zh) | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 | |
CN103575279A (zh) | 基于模糊信息的航迹关联方法及系统 | |
CN109520561A (zh) | 一种基于大数据的瓷砖制造中故障检测方法及系统 | |
CN113569459A (zh) | 基于群体智能的液压支架性能退化定量评估方法及系统 | |
CN114997276A (zh) | 一种面向压制成型设备的异构多源时序数据异常识别方法 | |
CN113153267B (zh) | 一种抽油机井示功图多尺度归一化方法及系统 | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
CN106404443A (zh) | 混合动力起重装置故障预示平台及其数据样本获取方法 | |
CN117808495A (zh) | 用于义齿智能化生产的产品数据溯源方法及系统 | |
CN117473351A (zh) | 基于物联网的电源信息远程传输系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |
|
RJ01 | Rejection of invention patent application after publication |