CN112508464B - 基于注塑成型的产品检测方法和装置 - Google Patents

基于注塑成型的产品检测方法和装置 Download PDF

Info

Publication number
CN112508464B
CN112508464B CN202110170046.8A CN202110170046A CN112508464B CN 112508464 B CN112508464 B CN 112508464B CN 202110170046 A CN202110170046 A CN 202110170046A CN 112508464 B CN112508464 B CN 112508464B
Authority
CN
China
Prior art keywords
data
target data
injection molding
feature
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.)
Active
Application number
CN202110170046.8A
Other languages
English (en)
Other versions
CN112508464A (zh
Inventor
宋怡然
王闯
顾徐波
马元巍
潘正颐
侯大为
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.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology Co Ltd
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 Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202110170046.8A priority Critical patent/CN112508464B/zh
Publication of CN112508464A publication Critical patent/CN112508464A/zh
Application granted granted Critical
Publication of CN112508464B publication Critical patent/CN112508464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

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

Abstract

本发明提供了一种基于注塑成型的产品检测方法和装置，其中，基于注塑成型的产品检测方法包括以下步骤：获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据；对采样数据进行数据清洗，以获取第一目标数据；根据调机记录数据对第一目标数据进行分组；对各组内的第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据；对第二目标数据进行特征增强，以获取第三目标数据；根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。由此，能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。

Description

基于注塑成型的产品检测方法和装置
技术领域
本发明涉及目标检测技术领域，具体涉及一种基于注塑成型的产品检测方法和一种基于注塑成型的产品检测装置。
背景技术
注塑成型是塑料制品成型重要方式之一，适于大批量生产形状复杂、尺寸要求精确的塑料制品，该技术具有生产加工性能良好、生产周期短、效率高、可多型腔成型、产品精度高、质量轻、颜色多元化等优点，产品质量要求高。随着注塑产品应用范围的变化，对产品质量的要求也越来越高。
相关技术中，一般是采用人工智能算法通过模型的堆叠和集成来实现注塑成型过程中的异常检测，然而，该方式并不符合工业中成本控制和高效快速的需求。
发明内容
本发明为解决上述技术问题，提供了一种基于注塑成型的产品检测方法，能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。
本发明采用的技术方案如下：
一种基于注塑成型的产品检测方法，包括以下步骤：获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据；对所述采样数据进行数据清洗，以获取第一目标数据；根据所述调机记录数据对所述第一目标数据进行分组；对各组内的所述第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据；对所述第二目标数据进行特征增强，以获取第三目标数据；根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测。
对所述采样数据进行数据清洗，以获取第一目标数据，包括：获取所述采样数据对应的特征数据，并判断所述采样数据对应的特征数据是否为空；如果否，则获取所述采样数据的波动幅度；判断所述波动幅度是否小于预设幅度阈值；如果所述波动幅度小于或等于所述预设幅度阈值，则删除所述采样数据；如果所述波动幅度大于所述预设幅度阈值，则将所述采样数据作为所述第一目标数据。
根据提取出的特征数据进行特征筛选，以获取第二目标数据，包括：依次根据机器学习模型的特征重要性、SHAP value（指预测样本中每个特征所分配到的数值）以及特征分布的相似性、单调性和相关系数对所述提取出的特征数据进行特征筛选，以获取所述第二目标数据。
对所述第二目标数据进行特征增强，以获取第三目标数据包括：采用MIX UP（一种运用在计算机视觉中的对图像进行混类增强的算法）方法对每组内的所述第二目标数据进行线性增强，以获取所述第三目标数据。
根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测包括：获取梯度提升树模型；通过所述梯度提升树模型并根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测。
一种基于注塑成型的产品检测装置，包括：第一获取模块，所述第一获取模块用于获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据；数据清洗模块，所述数据清洗模块用于对所述采样数据进行数据清洗，以获取第一目标数据；分组模块，所述分组模块用于根据所述调机记录数据对所述第一目标数据进行分组；第二获取模块，所述第二获取模块用于对各组内的所述第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据；第三获取模块，所述第三获取模块用于对所述第二目标数据进行特征增强，以获取第三目标数据；检测模块，所述检测模块用于根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于注塑成型的产品检测方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于注塑成型的产品检测方法。
本发明的有益效果：
本发明能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。
附图说明
图1为本发明实施例的基于注塑成型的产品检测方法的流程图；
图2为本发明实施例的基于注塑成型的产品检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
图1是根据本发明实施例的基于注塑成型的产品检测方法的流程图。
如图1所示，本发明实施例的基于注塑成型的产品检测方法可包括以下步骤：
S1，获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据。
具体而言，本发明所使用的数据均来自于注塑成型的实际工业现场，从关模开始至下一模次开始进行记录。其中，调机记录数据可包括：调机时间、调机原因、调机模次以及当时机台的工艺参数（例如，对应的压力、速度、时间、位置等）；采样数据（在工作过程中通过采样装置以预设频率采样所获取的数据，其中，预设频率可为40Hz或50Hz）和成型机状态数据可包括：压力数据（模内压力、喷头射出压力等）、温度数据（包括：模内温度、恒温温度、冷/热水温度、回水温度等反应模温机的实际温度，以及公模/母模温度）、流量数据（模温机水流流量计实际流量，包括：单循环总量、单循环冷水总量、单循环热水总量等）、位置数据（包括实际螺杆位置等数据）。需要说明的是，在获取到上述数据后，还可记录采样数据对应的成型机动作阶段和时间。
S2，对采样数据进行数据清洗，以获取第一目标数据。
根据本发明的一个实施例，对采样数据进行数据清洗，以获取第一目标数据，包括：获取采样数据对应的特征数据，并判断采样数据对应的特征数据是否为空；如果否，则获取采样数据的波动幅度；判断波动幅度是否小于预设幅度阈值；如果波动幅度小于或等于预设幅度阈值，则删除采样数据；如果波动幅度大于预设幅度阈值，则将采样数据作为第一目标数据。
具体而言，在获取到采样数据后，还可对采样数据进行清洗，以除去标签异常、传感器异常等情况。
具体地，首先，可获取采样数据对应的特征数据，并判断采样数据对应的特征数据是否为空，如果特征数据为空并且所有数据均为空，则可判断该采样数据为异常数据，因此，可对其进行删除；如果特征数据不为空，则可判断该采样数据为非异常数据，因此，可以保留该采样数据。其中，如果采样数据对应的特征数据存在关联，则可进行插值补充。其次，可获取采样数据的波动幅度，如果波动幅度大于预设幅度阈值，则说明采样数据变化较大，因此，可保留该采样数据，并将采样数据作为第一目标数据；如果波动幅度小于或等于预设幅度阈值，则说明采样数据变化较小，因此，可删除该采样数据，特别地，当采样数据完全相同（即，为单一值），或者采样数据中90%以上的数据为相同值时，也需对采样数据进行删除。最后，对采样数据进行特征缩放和归一化处理，以为下一阶段做准备。
S3，根据调机记录数据对第一目标数据进行分组。
具体而言，可根据调机记录数据对第一目标数据进行聚合和特征提取。其中，首先可利用调机记录数据对第一目标数据进行分组和权重赋值。举例而言，可根据调机时间对第一目标数据进行分组，并进行权重赋值，以获取在某个调机时间段的第一目标数据，例如，在调机开始至调机十分钟这段时间内的第一目标数据，或者调机前半时间段的第一目标数据。
S4，对各组内的第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据。
进一步而言，对分组后的数据进行进一步的特征提取，即对各组内的第一目标数据进行特征提取。
具体地，可提取第一目标数据的时域特征和频域特征。其中，时域特征可包括：波形、峰度、峰值、均方根、均值、脉冲、偏度、峭度、裕度等；频域特征可包括：功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大幅值频率等。
在提取后，为了选择出有效的指标以表征预测的适用性，可设定一组指标以评估提取出的特征数据的有效特征，并对提取后的特征数据进行筛选。
根据本发明的一个实施例，根据提取出的特征数据进行特征筛选，以获取第二目标数据，包括：依次根据机器学习模型的特征重要性、SHAP value以及特征分布的相似性、单调性和相关系数对提取出的特征数据进行特征筛选，以获取第二目标数据。
具体而言，可通过三种方式逐步对特征数据进行筛选。首先，可根据传统的机器学习模型的特征重要性（feature importance）进行初步筛选。其次，为了增加特征的可解释性和方案的有效性，可引入SHAP方法评估SHAP value（来自合作博弈论的指标），其中，对于每个预测样本，模型均可产生一个预测值，SHAP value是该预测样本中每个特征所分配到的数值。其中，
y i =y base +f(x i ,1)+f(x i ,2)+…+f(x i ,k)，
其中，f(x i ,k)为第i个样本中第k个特征对最终预测值y i 的贡献值，y base 为初始预测值。f(x i ,k)＞0，说明该特征提升了预测值，即正向作用；反之，则说明该特征使得预测值降低，有反作用，因此，可去除。
最后，可通过特征分布的相似性、单调度和相关系数进行最终筛选。
也就是说，在特征提取后，可依次根据机器学习模型的特征重要性、SHAP value以及特征分布的相似性、单调性和相关系数对提取出的特征数据进行特征筛选，并将筛选出的特征数据所对应的目标数据作为第二目标数据。
S5，对第二目标数据进行特征增强，以获取第三目标数据。
根据本发明的一个实施例，对第二目标数据进行特征增强，以获取第三目标数据包括：采用MIX UP方法对每组内的第二目标数据进行线性增强，以获取第三目标数据。
具体地，可采用MIX UP方法对第二目标数据进行线性增强，对特征数据和目标值进行线性组合，以完善数据集的多样，提高特征提取系统的泛化能力。
S6，根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。
根据本发明的一个实施例，根据第三目标数据、调机记录数据和成型机状态数据进行产品检测包括：获取梯度提升树模型；通过梯度提升树模型并根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。
具体而言，通过实验对比XGBoost（eXtreme Gradient Boosting，极端梯度提升），Catboost（Categorical Boosting，类别提升），LightGBM（Light Gradient BoostingMachine，轻量级梯度提升机）等集成模型和传统的线性回归模型，如逻辑回归，最终选择仅采用梯度提升树模型（LightGBM模型）对训练数据进行学习，以获取最终的梯度提升树模型。其中，可利用MAE（Mean Absolute Error，平均绝对误差）损失函数学习，在最终评估中构造以MAE为基础，对较大偏差进行指数增长惩罚，对超标的误检、漏检惩罚的评价指标通过五折交叉验证，以进行模型训练与测试。其中，在未进行参数优化和模型融合的情况下，产生较好的预测结果，证实了模型的有效性。
由此，以特征少、运行速度快和模型简单、可解释性强为原则，通过实验和对比，采用单一的梯度提升树模型，能够准确高效地实现产品检测。另外，在对目标数据进行回归预测后，针对尺寸异常等预警问题，还可结合超规情况进行后续处理，通过进一步的分类和异常检测，对模型的预测进行精调，实现更高的精度和效果。
综上所述，根据本发明实施例的基于注塑成型的产品检测方法，获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据，并对采样数据进行数据清洗，以获取第一目标数据，以及根据调机记录数据对第一目标数据进行分组，并对各组内的第一目标数据进行特征提取，以及根据提取出的特征数据进行特征筛选，以获取第二目标数据，并对第二目标数据进行特征增强，以获取第三目标数据，以及根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。由此，能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。
对应上述实施例的基于注塑成型的产品检测方法，本发明还提出一种基于注塑成型的产品检测装置。
如图2所示，本发明实施例的基于注塑成型的产品检测装置可包括第一获取模块100、数据清洗模块200、分组模块300、第二获取模块400、第三获取模块500和检测模块600。
其中，第一获取模块100用于获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据；数据清洗模块200用于对采样数据进行数据清洗，以获取第一目标数据；分组模块300用于根据调机记录数据对第一目标数据进行分组；第二获取模块400用于对各组内的第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据；第三获取模块500用于对第二目标数据进行特征增强，以获取第三目标数据；检测模块600用于根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。
根据本发明的一个实施例，数据清洗模块200具体用于获取采样数据对应的特征数据，并判断采样数据对应的特征数据是否为空；如果否，则获取采样数据的波动幅度；判断波动幅度是否小于预设幅度阈值；如果波动幅度小于或等于预设幅度阈值，则删除采样数据；如果波动幅度大于预设幅度阈值，则将采样数据作为第一目标数据。
根据本发明的一个实施例，第二获取模块400具体用于依次根据机器学习模型的特征重要性、SHAP value以及特征分布的相似性、单调性和相关系数对提取出的特征数据进行特征筛选，以获取第二目标数据。
根据本发明的一个实施例，第三获取模块500具体用于采用MIX UP方法对每组内的第二目标数据进行线性增强，以获取第三目标数据。
根据本发明的一个实施例，检测模块600具体用于获取梯度提升树模型，并通过梯度提升树模型根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。
需要说明的是，本发明实施例的基于注塑成型的产品检测装置更具体的实施方式可参照上述基于注塑成型的产品检测方法的实施例，在此不再赘述。
根据本发明实施例的基于注塑成型的产品检测装置，通过第一获取模块100获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据，以及通过数据清洗模块200对采样数据进行数据清洗，以获取第一目标数据，并通过分组模块300根据调机记录数据对第一目标数据进行分组，以及通过第二获取模块400对各组内的第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据，以及通过第三获取模块500对第二目标数据进行特征增强，以获取第三目标数据，并通过检测模块600根据第三目标数据、调机记录数据和成型机状态数据进行产品检测。由此，能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实施例的基于注塑成型的产品检测方法。
根据本发明实施例的计算机设备，能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于注塑成型的产品检测方法。
根据本发明实施例的非临时性计算机可读存储介质，能够准确进行产品检测，并且运行速度快，成本低廉，泛化性能较高。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于注塑成型的产品检测方法，其特征在于，包括以下步骤：
获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据，其中，所述调机记录数据包括：调机时间、调机原因、调机模次以及当时机台的工艺参数；
对所述采样数据进行数据清洗，以获取第一目标数据；
根据所述调机记录数据对所述第一目标数据进行分组；
对各组内的所述第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据；
对所述第二目标数据进行特征增强，以获取第三目标数据；
根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测。
2.根据权利要求1所述的基于注塑成型的产品检测方法，其特征在于，对所述采样数据进行数据清洗，以获取第一目标数据，包括：
获取所述采样数据对应的特征数据，并判断所述采样数据对应的特征数据是否为空；
如果否，则获取所述采样数据的波动幅度；
判断所述波动幅度是否小于预设幅度阈值；
如果所述波动幅度小于或等于所述预设幅度阈值，则删除所述采样数据；
如果所述波动幅度大于所述预设幅度阈值，则将所述采样数据作为所述第一目标数据。
3.根据权利要求1所述的基于注塑成型的产品检测方法，其特征在于，根据提取出的特征数据进行特征筛选，以获取第二目标数据，包括：
依次根据机器学习模型的特征重要性、SHAP value以及特征分布的相似性、单调性和相关系数对所述提取出的特征数据进行特征筛选，以获取所述第二目标数据。
4.根据权利要求1所述的基于注塑成型的产品检测方法，其特征在于，对所述第二目标数据进行特征增强，以获取第三目标数据包括：
采用MIX UP方法对每组内的所述第二目标数据进行线性增强，以获取所述第三目标数据。
5.根据权利要求1所述的基于注塑成型的产品检测方法，其特征在于，根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测包括：
获取梯度提升树模型；
通过所述梯度提升树模型并根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测。
6.一种基于注塑成型的产品检测装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取注塑成型过程中的成型机状态数据、调机记录数据以及采样数据，其中，所述调机记录数据包括：调机时间、调机原因、调机模次以及当时机台的工艺参数；
数据清洗模块，所述数据清洗模块用于对所述采样数据进行数据清洗，以获取第一目标数据；
分组模块，所述分组模块用于根据所述调机记录数据对所述第一目标数据进行分组；
第二获取模块，所述第二获取模块用于对各组内的所述第一目标数据进行特征提取，并根据提取出的特征数据进行特征筛选，以获取第二目标数据；
第三获取模块，所述第三获取模块用于对所述第二目标数据进行特征增强，以获取第三目标数据；
检测模块，所述检测模块用于根据所述第三目标数据、所述调机记录数据和所述成型机状态数据进行产品检测。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-5中任一项所述的基于注塑成型的产品检测方法。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-5中任一项所述的基于注塑成型的产品检测方法。
CN202110170046.8A 2021-02-08 2021-02-08 基于注塑成型的产品检测方法和装置 Active CN112508464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110170046.8A CN112508464B (zh) 2021-02-08 2021-02-08 基于注塑成型的产品检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110170046.8A CN112508464B (zh) 2021-02-08 2021-02-08 基于注塑成型的产品检测方法和装置

Publications (2)

Publication Number Publication Date
CN112508464A CN112508464A (zh) 2021-03-16
CN112508464B true CN112508464B (zh) 2021-06-01

Family

ID=74952804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110170046.8A Active CN112508464B (zh) 2021-02-08 2021-02-08 基于注塑成型的产品检测方法和装置

Country Status (1)

Country Link
CN (1) CN112508464B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444986B (zh) * 2022-04-11 2022-06-03 成都数之联科技股份有限公司 产品分析方法及系统及装置及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109144985A (zh) * 2018-06-29 2019-01-04 广东工业大学 一种注塑成型装备大数据的分析方法及装置
EP3478410B1 (en) * 2016-06-30 2020-04-01 Lumiradx Uk Ltd Fluid control in an assay system
CN111191608A (zh) * 2019-12-30 2020-05-22 浙江工业大学 基于YOLOv3改进的交通标志检测与识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3478410B1 (en) * 2016-06-30 2020-04-01 Lumiradx Uk Ltd Fluid control in an assay system
CN109144985A (zh) * 2018-06-29 2019-01-04 广东工业大学 一种注塑成型装备大数据的分析方法及装置
CN111191608A (zh) * 2019-12-30 2020-05-22 浙江工业大学 基于YOLOv3改进的交通标志检测与识别方法

Also Published As

Publication number Publication date
CN112508464A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
Mirat et al. ZebraZoom: an automated program for high-throughput behavioral analysis and categorization
CN112508464B (zh) 基于注塑成型的产品检测方法和装置
Venkatesh et al. Robust Heteroscedastic Probabilistic Neural Network for multiple source partial discharge pattern recognition–Significance of outliers on classification capability
CN108693448B (zh) 一种应用于电力设备局部放电模式识别系统
Tellaeche et al. Machine learning algorithms for quality control in plastic molding industry
CN114114039A (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN107748209B (zh) 一种结构损伤检测方法
CN113118065A (zh) 一种塑料分选方法、装置、设备和介质
CN117251798A (zh) 一种基于两层渐进式的气象设备异常检测方法
CN117350435A (zh) 一种对虾工厂化养殖设备管理方法及系统
CN101871928A (zh) 一种基于免疫否定选择的水质异常检测方法
Musliman et al. Identification of White Blood Cells Using Machine Learning Classification Based on Feature Extraction
CN113177544A (zh) 一种罗非鱼加工过程损伤、血污残留的检测方法
CN106683001B (zh) 基于历史运行数据的火电机组辨识数据的选取方法
CN111122635B (zh) 一种食用菌干燥状态在线评估方法及系统
Winiarti et al. Consumable Fish Classification Using k-Nearest Neighbor
CN114742297B (zh) 动力电池的处理方法
CN114701135B (zh) 基于虚拟量测模型的注塑工件尺寸预测方法
CN114417737B (zh) 用于晶圆刻蚀工艺的异常检测方法和装置
CN101996316A (zh) 一种用于辨别拉深件裂纹的模糊识别方法
CN103136439B (zh) 植物病症辨识方法及其系统
Sharma et al. Robust and Uncertainty-Aware VAE (RU-VAE) for One-Class Classification
Rashvand et al. Potential of image processing, dielectric spectroscopy and intelligence methods in order to authentication of microalgae biodiesel
Muhamad et al. Fish freshness classification based on image processing and fuzzy logic
DE102004014338A1 (de) Verfahren zum Bestimmen der Eigenschaften einer Stoffprobe

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