CN111260818A - 扣件成型机的模具状态诊断方法 - Google Patents

扣件成型机的模具状态诊断方法 Download PDF

Info

Publication number
CN111260818A
CN111260818A CN201910795297.8A CN201910795297A CN111260818A CN 111260818 A CN111260818 A CN 111260818A CN 201910795297 A CN201910795297 A CN 201910795297A CN 111260818 A CN111260818 A CN 111260818A
Authority
CN
China
Prior art keywords
sample
sensing data
pressure sensing
mold
target
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.)
Granted
Application number
CN201910795297.8A
Other languages
English (en)
Other versions
CN111260818B (zh
Inventor
曾健明
吴闵楠
龚吕文
郑淳宏
杨浩青
陈昱中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Metal Industries Research and Development Centre
Original Assignee
Metal Industries Research and Development Centre
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Metal Industries Research and Development Centre filed Critical Metal Industries Research and Development Centre
Publication of CN111260818A publication Critical patent/CN111260818A/zh
Application granted granted Critical
Publication of CN111260818B publication Critical patent/CN111260818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/146—Quality control systems during manufacturing process
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Manufacturing & Machinery (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种扣件成型机的模具状态诊断方法，包含:获取扣件成型机和样本模具处理样本工件时的样本压力感测数据。进行模具状态定义步骤，获得对应至样本压力感测数据的多个模具状态。使用样本压力感测数据并根据自动编码演算法建立编码模型，编码模型压缩每个组样本压力感测数据为阵列样本编码特征。使用样本编码特征和其对应的模具状态建立模具状态预测模型。使用扣件成型机和标的模具处理标的工件，获得标的压力感测数据。输入标的压力感测数据至编码模型，获得一组标的编码特征。输入标的编码特征至预测模型，推估出标的模具的预测模具状态。借此，能够提早侦测出扣件成型机的异常状态。

Description

扣件成型机的模具状态诊断方法
技术领域
本发明是有关于一种模具状态诊断方法，且特别是有关于一种扣件成型机的模具状态诊断方法。
背景技术
为了解决加工机在加工过程无法立即检测加工品质的缺失，现有作法是利用一种预测系统，来在加工机进行加工作业的过程中来预测加工品质。
然而，不同加工机具有不同的运作方式与加工坊是，如何找出影响扣件成型机的加工品质的关键特征，来作为提供预测系统的输入值，以达到预测加工品质已成为相关业者努力的目标。
发明内容
因此，本发明的一目的是在提供一种扣件成型机的模具状态诊断方法，其可在扣件成型机的加工过程中快速取得模具状态变化，进而能够提早侦测出扣件成型机的异常状态。
根据本发明的上述目的，提出一种扣件成型机的模具状态诊断方法，包含以下步骤。安装至少一个压力感测器至扣件成型机上。安装样本模具至扣件成型机上。使用扣件成型机和样本模具分别处理多个样本工件，而获得多组样本压力感测数据。进行模具状态的定义步骤，以获得一对一对应至样本压力感测数据的多个模具状态。使用样本压力感测数据并根据自动编码(Autoencoder)演算法建立编码模型，其中编码模型分别压缩样本压力感测数据为多组样本编码特征，这些样本编码特征一对一对应至这些模具状态。使用样本编码特征和其对应的模具状态并根据推估演算法，来建立模具状态预测模型。安装标的模具至扣件成型机上。使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。输入标的压力感测数据至编码模型，以获得一组标的编码特征。输入标的编码特征至预测模型中，而推估出针对标的模具所对应的预测模具状态。
根据本发明的上述目的，提出另一种扣件成型机的模具状态诊断方法，包含以下步骤。获取扣件成型机和样本模具分别处理多个样本工件时的样本压力感测数据，其中组样本压力感测数据是由安装在扣件成型机的压力感测器所获得。进行模具状态的定义步骤，以获得一对一对应至样本压力感测数据的多个模具状态。使用样本压力感测数据并根据自动编码(Autoencoder)演算法建立编码模型，其中编码模型分别压缩样本压力感测数据为多组样本编码特征，这些样本编码特征一对一对应至这些模具状态。使用样本编码特征和其对应的模具状态并根据推估演算法，来建立模具状态预测模型。使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。输入标的压力感测数据至编码模型，以获得一组标的编码特征。输入标的编码特征至预测模型中，而推估出针对标的模具所对应的预测模具状态。
依据本发明的一实施例，上述的编码模型包含压缩器以及解码器。其中，压缩器可将每一个样本压力感测数据以及标的压力感测数据压缩后形成压缩数据。解码器可将压缩数据解码还原成对应每一个压缩数据的解码数据。
依据本发明的一实施例，上述的扣件成型机的模具状态诊断方法还包含判断这些压缩数据是否可靠，其中解码数据与其对应的样本压力感测数据的差异小于门槛值时，压缩数据可作为对应的样本压力感测数据的样本编码特征。
依据本发明的一实施例，上述的推估演算法包括支持向量机(Support VectorMachines，SVM)演算法或深度神经网络(Deep neural network，DNN)演算法。
依据本发明的一实施例，上述的模具状态的定义步骤包含将每一这些样本模具的该组样本压力感测数据转换成频域信号。进行判断步骤，以根据频域信号获得对应每一个样本模具的模具状态。
据本发明的一实施例，上述的压力感测器是安装在扣件成型机的模座上。
由上述可知，本发明利用自动编码演算法来建立编码模型，并利用编码模型寻找出能够代表扣件成型机所取得的压力感测数据的最适特征，然后再利用最适特征与专家评估的对应模具状态建立预测模型。如此一来，当有不同的待测模具(标的模具)在使用期间所产生的压力感测数据时，编码模型可即时从压力感测数据中找到标的编码特征，当标的编码特征输入至预测模型中后，可准确预测出标的模具的模具状态，进而达到节省数据处理时间、提早侦测出扣件成型机的异常状态等目的。
附图说明
为了更完整了解实施例及其优点，现参照并结合附图做下列描述，其中：
图1是绘示依照本发明的一实施方式的一种扣件成型机的模具状态诊断方法的流程示意图；
图2是绘示依照本发明的一实施方式的一种扣件成型机的局部装置示意图；
图3是绘示依照本发明的一实施方式的模具状态示意图；
图4是绘示依照本发明的一实施方式的编码模型的运作示意图；
图5是绘示依照本发明的一实施方式的编码模型与预测模型的运作示意图；以及
图6是绘示依照本发明的一实施方式的另一种扣件成型机的模具状态诊断方法的流程示意图。
主要附图标记说明：
100-模具状态诊断方法，101～110-步骤，210-压力感测器，220-模座，230-样本模具，300-编码模型，310-压缩器，320-解码器，500-模具状态诊断方法，501～507-步骤。
具体实施方式
请同时参照图1及图2，图1是绘示依照本发明的一实施方式的一种扣件成型机的模具状态诊断方法的流程示意图，图2是绘示依照本发明的一实施方式的一种扣件成型机的局部装置示意图。本实施方式的模具状态诊断方法100主要包含以下步骤。首先，进行步骤101，以将至少一个压力感测器210安装至扣件成型机的模座220上。接着，进行步骤102，以将样本模具230安装至扣件成型机的模座220上。然后，进行步骤103，以使用扣件成型机和样本模具230分别处理多个样本工件230，而获得多组样本压力感测数据。在一些实施例中，样本压力感测数据为锻造力波形变化图。在本实施例中，样本压力感测数据是当样本模具220在进行扣件成形步骤时，由压力感测器210所测得的压力对时间的关系曲线图。
请继续参照图1及图2，在获得样本压力感测数据后，接着进行步骤104，以进行模具状态的定义，进而获得一对一对应至样本压力感测数据的数个模具状态。在本实施例中，模具状态的定义步骤包含将每一个样本模具的样本压力感测数据转换成频域信号。接着，再进行一判断步骤，以根据频域信号获得对应每一个样本模具的模具状态。请一并参照图3，其是绘示依照本发明的一实施方式的模具状态示意图。图3的特征线趋势代表样本模具在使用时的模具状态变化。在本示范例子中，模具状态包含四种状态，分别为第一状态(Green)、第二状态(Blue)、第三状态(Yellow)以及第四状态(Red)。其中，第一状态是以尚未使用过的新样本模具的初始状态为基准，特征线趋势的振幅差异小于15％。第二状态是相较于第一状态，特征线趋势的振幅差异介于15～30％之间。第三状态是相较于第一状态，特征线趋势的振幅差异介于30～45％之间。第四状态是相较于第一状态，特征线趋势的振幅差异超过50％。在一些例子中，模具状态示意图可根据专家根据历史数据(例如样本压力感测数据)所判断的状态。
请同时参照图1及图4，其中图4是绘示依照本发明的一实施方式的编码模型的运作示意图。在获得对应至样本压力感测数据的数个模具状态后，可进行步骤105，使用样本压力感测数据并根据自动编码(AutoEncoder)演算法建立编码模型300。AutoEncoder演算法主要是使用对称的模型结构，将原始数据进行压缩和解压缩数据训练模型，当解压缩后的数据趋近于原始数据，则在压缩后所产生的数据可直接作为原始数据的代表特征。在本实施例中，编码模型300可分别压缩样本压力感测数据为多个样本编码特征，这些样本编码特征一对一对应至这些模具状态。AutoEncoder演算法的原理为本领域中的技术人员所熟知，故于此不再赘述。
请继续参照图1及图4，编码模型300包含压缩器310以及解码器320。其中，压缩器310可将每一个样本压力感测数据压缩后形成压缩数据。解码器320可将压缩数据解码还原成对应每一个压缩数据的解码数据。如图4所示，若要判断压缩数据是否可作为代表样本压力感测数据的样本编码特征，可通过比对解码数据与其对应的样本压力感测数据的差异，若差异小于门槛值时，代表压缩数据可作为对应的样本压力感测数据的样本编码特征。若差异大于门槛值时，则调整编码模型的相关参数。欲陈明者，步骤104及步骤105的可依实际需要而调动、结合或省略。
另请一并参照图1及图5，其中图5是绘示依照本发明的一实施方式的编码模型与预测模型的运作示意图。在取得样本编码特征及其对应的模具状态后，可进行步骤106，以使用样本编码特征和其对应的模具状态并根据推估演算法，来建立模具状态预测模型400。在一些例子中，推估演算法包括支持向量机(Support Vector Machines，SVM)演算法或深度神经网络(Deep neural network，DNN)演算法。其中，SVM演算法与DNN演算法的原理为本领域中的技术人员所熟知，故于此不再赘述。
请继续参照图1及图5，在建立完模具状态预测模型400后，可进行步骤107，将标的模具安装至如图2所示的模座220上。在本实施例中，标的模具为未知状态的待预测的模具。接着，进行步骤108，以使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。在本实施例中，标的压力感测数据是当标的模具在进行扣件成形步骤时，由压力感测器210所测得的压力对时间的关系曲线图。
请继续参照图1及图5，在获得标的压力感测数据后，接着进行步骤109，输入标的压力感测数据至编码模型300，以获得标的编码特征，此标的编码特征可作为标的压力感测数据的代表特征。在获得标的压力感测数据后，可进行步骤110。在步骤110中，输入标的编码特征至预测模型400中，而推估出针对标的模具所对应的预测模具状态。
请再次参照图1及图5，本发明的模具状态诊断方法100主要分为训练阶段以及推估阶段。在训练阶段中，图5的压力感测数据为样本压力感测数据，而通过编码模型将样本压力感测数据压缩为样本编码特征后，可将样本编码特征连同专家根据历史(样本)数据所判断的模具状态，共同建立预测模型400。在预测模型400建立后，则可进入推估阶段。在推估阶段中，图5的压力感测数据为标的压力感测数据，当一个未知状态的标的模型在使用时，编码模型同样可将压力感测器所取得的标的压力感测数据压缩为标的编码特征。使用标的编码特征作为预测模型400的输入值后，预测模型400则可推估出标的模型的模具状态。
为了评估前述模具状态诊断方法的效能，本发明先使用了56000笔数据用于建立预测模型，另使用了24000笔数据用于验证，以评估模具状态诊断方法的准确性。当使用SVM演算法来建立预测模型，且自动编码(Autoencoder)演算法使用的层数为7、9及11时，使用两个编码特征的预测准确度从80.15％增加到82.06％；若使用三个编码特征时，其预测状态的准确度与两个编码特征相似(81.65％、82.96％和84.76％)。当使用DNN演算法来建立预测模型，且隐藏层数量从8-12时，预测准确率从77.7％增加到93.4％。由此可知，不论是使用SVM演算法或DNN演算法来建立预测模型，只要通过自动编码演算法来寻找建立预测模型所使用的特征，均有良好的预测效果。
另请参照图6，其是绘示依照本发明的一实施方式的另一种扣件成型机的模具状态诊断方法的流程示意图。本实施方式的模具状态诊断方法500主要包含以下步骤。首先，进行步骤501，获取扣件成型机和样本模具分别处理多个样本工件时的样本压力感测数据，其中组样本压力感测数据是由安装在如图2所示的扣件成型机的模座220上的压力感测器210所获得。
接着，进行步骤502，以进行模具状态的定义步骤，以获得一对一对应至样本压力感测数据的多个模具状态。然后，进行步骤503，使用样本压力感测数据并根据自动编码演算法建立如图4及图5所示的编码模型300。接着，进行步骤504，以使用样本编码特征和其对应的模具状态并根据推估演算法，来建立如图5所示模具状态预测模型400。在步骤504后，接着进行步骤505，以使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。在步骤505后，接着进行步骤506，输入标的压力感测数据至如图4及图5所示的编码模型300，以获得标的编码特征。在获得标的压力感测数据后，可进行步骤507。在步骤507中，输入标的编码特征至预测模型400中，而推估出针对标的模具所对应的预测模具状态。
欲陈明者，图6所示实施方式的步骤501、502、503、504、505、506及507的具体进行方式分别与图1所示的步骤103、104、105、106、108、109及110相同，故于此不再赘述。
可理解的是，本发明的模具状态诊断方法500为以上所述的实施步骤。上述实施例所说明的各实施步骤的次序可依实际需要而调动、结合或省略。上述实施例可利用电脑程式产品来实现，其可包含储存有多个指令的机器可读取媒体，这些指令可编程(programming)电脑来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软碟、光碟、只读光碟、磁光碟、只读存储器、随机存取存储器、可抹除可编程只读存储器(EPROM)、电子可抹除可编程只读存储器(EEPROM)、光卡(optical card)或磁卡、快闪存储器、或任何适于储存电子指令的机器可读取媒体。再者，本发明的实施例也可作为电脑程式产品来下载，其可藉由使用通讯连接(例如网络连线的类的连接)的数据信号来从远端电脑转移本发明的电脑程式产品至请求电脑。
由上述实施方式可知，由上述可知，本发明利用自动编码演算法来建立编码模型，并利用编码模型寻找出能够代表扣件成型机所取得的压力感测数据的最适合特征，然后再利用最适特征与专家评估的对应模具状态建立预测模型。如此一来，当有不同的待测模具(标的模具)在使用期间所产生的压力感测数据时，编码模型可即时从压力感测数据中找到标的编码特征，当标的编码特征输入至预测模型中后，可准确预测出标的模具的模具状态，进而达到节省数据处理时间、提早侦测出扣件成型机的异常状态等目的。
虽然本发明已以实施例公开如上，然其并非用以限定本发明，任何所属技术领域中的技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视权利要求所界定的为准。

Claims (9)

1.一种扣件成型机的模具状态诊断方法，其特征在于，所述扣件成型机的模具状态诊断方法包含：
安装至少一个压力感测器至扣件成型机上；
安装样本模具至所述扣件成型机上；
使用所述扣件成型机和所述样本模具分别处理多个样本工件，而获得多组样本压力感测数据；
进行模具状态的定义步骤，以获得一对一对应至所述多组样本压力感测数据的多个模具状态；
使用所述多组样本压力感测数据并根据自动编码演算法建立编码模型，其中所述编码模型分别压缩所述多组样本压力感测数据为多组样本编码特征，所述多组样本编码特征一对一对应至所述多个模具状态；
使用所述多组样本编码特征和其对应的所述多个模具状态并根据推估演算法，来建立模具状态预测模型；
安装标的模具至所述扣件成型机上；
使用所述扣件成型机和所述标的模具分别处理标的工件，而获得一组标的压力感测数据；
输入所述组标的压力感测数据至所述编码模型，以获得一组标的编码特征；以及
输入所述组标的编码特征至所述预测模型中，而推估出针对所述标的模具所对应的预测模具状态。
2.如权利要求1所述的扣件成型机的模具状态诊断方法，其特征在于，所述编码模型包含压缩器以及解码器，其中所述压缩器可将每个所述样本压力感测数据以及标的压力感测数据压缩后形成压缩数据，所述解码器可将所述多个压缩数据解码还原成对应每个所述压缩数据的解码数据。
3.如权利要求2所述的扣件成型机的模具状态诊断方法，其特征在于，所述扣件成型机的模具状态诊断方法还包含：
比对解码数据与其对应的所述多个样本压力感测数据的差异，其中当所述解码数据与其对应的所述多个样本压力感测数据的差异小于门槛值时，所述压缩数据可作为对应的所述多个样本压力感测数据的所述组样本编码特征。
4.如权利要求1所述的扣件成型机的模具状态诊断方法，其特征在于，所述推估演算法包括支持向量机演算法或深度神经网络演算法。
5.如权利要求1所述的扣件成型机的模具状态诊断方法，其特征在于，所述模具状态的定义步骤包含：
将每个所述样本模具的所述组样本压力感测数据转换成频域信号；以及
进行判断步骤，以根据所述频域信号获得对应每个所述样本模具的所述模具状态。
6.如权利要求1所述的扣件成型机的模具状态诊断方法，其特征在于，所述至少一个压力感测器是安装在所述扣件成型机的模座上。
7.一种扣件成型机的模具状态诊断方法，其特征在于，所述扣件成型机的模具状态诊断方法包含：
获取扣件成型机和样本模具分别处理多个样本工件时的样本压力感测数据，其中所述多组样本压力感测数据是由安装在所述扣件成型机的上的至少一个压力感测器所获得；
进行模具状态的定义步骤，以获得一对一对应至所述多组样本压力感测数据的多个模具状态；
使用所述多组样本压力感测数据并根据自动编码演算法建立编码模型，其中所述编码模型分别压缩所述多组样本压力感测数据为多组样本编码特征，所述多组样本编码特征一对一对应至所述多个模具状态；
使用所述多组样本编码特征和其对应的所述多个模具状态并根据推估演算法，来建立模具状态预测模型；
使用所述扣件成型机和标的模具分别处理标的工件，而获得一组标的压力感测数据；
输入所述组标的压力感测数据至所述编码模型，以获得一组标的编码特征；以及
输入所述组标的编码特征至所述预测模型中，而推估出针对所述标的模具所对应的预测模具状态。
8.如权利要求7所述的扣件成型机的模具状态诊断方法，其特征在于，所述编码模型包含压缩器以及解码器，其中所述压缩器可将每个所述样本压力感测数据以及标的压力感测数据压缩后形成压缩数据，所述解码器可将所述多个压缩数据解码还原成对应每个所述压缩数据的解码数据。
9.如权利要求8所述的扣件成型机的模具状态诊断方法，其特征在于，所述扣件成型机的模具状态诊断方法还包含：
比对解码数据与其对应的所述多个样本压力感测数据的差异，其中当所述解码数据与其对应的所述多个样本压力感测数据的差异小于门槛值时，所述压缩数据可作为对应的所述多个样本压力感测数据的所述组样本编码特征。
CN201910795297.8A 2018-11-30 2019-08-27 扣件成型机的模具状态诊断方法 Active CN111260818B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW107143105A TWI684839B (zh) 2018-11-30 2018-11-30 扣件成型機之模具狀態診斷方法及其電腦程式產品
TW107143105 2018-11-30

Publications (2)

Publication Number Publication Date
CN111260818A true CN111260818A (zh) 2020-06-09
CN111260818B CN111260818B (zh) 2022-02-08

Family

ID=70413491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910795297.8A Active CN111260818B (zh) 2018-11-30 2019-08-27 扣件成型机的模具状态诊断方法

Country Status (2)

Country Link
CN (1) CN111260818B (zh)
TW (1) TWI684839B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102601166A (zh) * 2012-03-05 2012-07-25 上海海事大学 一种基于支持向量机的工件变形矫正方法
TW201405330A (zh) * 2012-07-20 2014-02-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
CN104657526A (zh) * 2013-11-21 2015-05-27 郑芳田 工具机的加工品质的预测方法
CN106156430A (zh) * 2016-07-06 2016-11-23 大连理工大学 一种基于刀具磨损效应的微铣削力建模方法
US20170160125A1 (en) * 2015-12-04 2017-06-08 Seoul National University R&Db Foundation Apparatus and method for diagnosing rotor shaft
US20180017960A1 (en) * 2016-07-15 2018-01-18 Ricoh Company, Ltd. Diagnostic apparatus, diagnostic system, diagnostic method, and recording medium
TW201820064A (zh) * 2016-11-29 2018-06-01 財團法人工業技術研究院 預測模型建立方法及其相關預測方法與電腦程式產品
CN108334033A (zh) * 2018-02-28 2018-07-27 中国科学院重庆绿色智能技术研究院 基于物联网与机器学习的冲床组故障预测方法及其系统
CN108491878A (zh) * 2018-03-06 2018-09-04 宁波大学 一种基于多个误差生成模型的故障分类诊断方法
CN108621393A (zh) * 2017-03-17 2018-10-09 爱信精机株式会社 树脂成型品的变形预测方法
CN108898254A (zh) * 2018-07-03 2018-11-27 柳州市木子科技有限公司 一种基于lr的生产线备件损坏率预测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112015004920T5 (de) * 2014-10-31 2017-07-13 Cloudbased Industry 4.0 Technologies Ag Computerimplementiertes Verfahren zur Teilanalytik eines Werkstücks, das von mindestens einer CNC- Maschine bearbeitet wird
US20160349737A1 (en) * 2015-05-29 2016-12-01 Chun-Tai Yen Manufacturing efficiency optimization platform and tool condition monitoring and prediction method
JP6898079B2 (ja) * 2016-11-16 2021-07-07 芝浦機械株式会社 工作機械およびその制御方法
TWI638251B (zh) * 2017-01-20 2018-10-11 國立中興大學 Modal detection system
JP6673306B2 (ja) * 2017-03-03 2020-03-25 株式会社デンソー 診断システム
CN108873814A (zh) * 2018-06-25 2018-11-23 深圳精匠云创科技有限公司 监测系统、监测方法及存储设备
CN108803492A (zh) * 2018-07-20 2018-11-13 南京梵科智能科技有限公司 一种数控机床刀头故障诊断系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102601166A (zh) * 2012-03-05 2012-07-25 上海海事大学 一种基于支持向量机的工件变形矫正方法
TW201405330A (zh) * 2012-07-20 2014-02-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
CN104657526A (zh) * 2013-11-21 2015-05-27 郑芳田 工具机的加工品质的预测方法
US20170160125A1 (en) * 2015-12-04 2017-06-08 Seoul National University R&Db Foundation Apparatus and method for diagnosing rotor shaft
CN106156430A (zh) * 2016-07-06 2016-11-23 大连理工大学 一种基于刀具磨损效应的微铣削力建模方法
US20180017960A1 (en) * 2016-07-15 2018-01-18 Ricoh Company, Ltd. Diagnostic apparatus, diagnostic system, diagnostic method, and recording medium
TW201820064A (zh) * 2016-11-29 2018-06-01 財團法人工業技術研究院 預測模型建立方法及其相關預測方法與電腦程式產品
CN108121295A (zh) * 2016-11-29 2018-06-05 财团法人工业技术研究院 预测模型建立方法及其相关预测方法与计算机程序产品
CN108621393A (zh) * 2017-03-17 2018-10-09 爱信精机株式会社 树脂成型品的变形预测方法
CN108334033A (zh) * 2018-02-28 2018-07-27 中国科学院重庆绿色智能技术研究院 基于物联网与机器学习的冲床组故障预测方法及其系统
CN108491878A (zh) * 2018-03-06 2018-09-04 宁波大学 一种基于多个误差生成模型的故障分类诊断方法
CN108898254A (zh) * 2018-07-03 2018-11-27 柳州市木子科技有限公司 一种基于lr的生产线备件损坏率预测系统

Also Published As

Publication number Publication date
TWI684839B (zh) 2020-02-11
TW202022515A (zh) 2020-06-16
CN111260818B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN106649026B (zh) 适用于运维自动化系统的监测数据压缩方法
CN104077785A (zh) 运动对象检测装置、运动对象检测方法和计算机程序
CN117131035B (zh) 一种化工染料生产数据智能储存方法及系统
CN112666918B (zh) 一种基于在线压缩keca自适应工业过程故障检测方法
CN111967535A (zh) 一种储粮管理场景温度传感器故障诊断方法及其诊断装置
CN117076258A (zh) 一种基于互联网云端的远程监控方法及系统
CN111260818B (zh) 扣件成型机的模具状态诊断方法
CN117173172A (zh) 一种基于机器视觉的硅胶成型效果检测方法及系统
CN117131530B (zh) 一种智慧工厂敏感数据加密防护方法
CN116341770B (zh) 基于聚苯乙烯生产数据的生产能力预测方法及系统
CN110769000B (zh) 连续型监测数据在非稳定网络传输中的动态压缩预测控制方法
CN111258863B (zh) 数据异常检测方法、装置、服务器和计算机可读存储介质
Singh et al. Forensics for partially double compressed doctored JPEG images
CN116405139A (zh) 一种基于Informer的频谱预测模型和方法
CN115963766A (zh) 一种多种局部放电传感器快速切换方法、系统及存储介质
TWI700566B (zh) 扣件成型機之模具異常診斷方法及其電腦程式產品
KR102658296B1 (ko) Mbs 입경 예측 방법
CN113283157A (zh) 智能冲压压力机部件生命周期预测系统、方法、终端、介质
Li et al. Methodology on establishing multivariate failure thresholds for improved remaining useful life prediction in PHM
WO2020025809A1 (en) Method, system and computer program product for predicting failure of a noise-emitting apparatus
CN112985318B (zh) 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统
JP6999936B2 (ja) 無線状況予測装置、無線状況予測方法、および、プログラム
CN117113107B (zh) 一种转子压铸异常误差数据处理方法
Sanborn et al. Quantifying information content in data compression using the autocorrelation function
CN116306217A (zh) 基于慢特征信息增益比的轨迹相似性剩余寿命预测方法

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