CN112766059A - 产品加工品质的检测方法、检测装置 - Google Patents
产品加工品质的检测方法、检测装置 Download PDFInfo
- Publication number
- CN112766059A CN112766059A CN202011615485.7A CN202011615485A CN112766059A CN 112766059 A CN112766059 A CN 112766059A CN 202011615485 A CN202011615485 A CN 202011615485A CN 112766059 A CN112766059 A CN 112766059A
- Authority
- CN
- China
- Prior art keywords
- parameter data
- processing parameter
- working condition
- product
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims description 38
- 238000001514 detection method Methods 0.000 claims abstract description 150
- 238000012549 training Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000003754 machining Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及产品检测技术领域，提供一种产品加工品质的检测方法、检测装置，所述产品加工品质的检测方法包括：获取所述产品的加工参数数据；基于所述加工参数数据及工况识别模型，确定第一加工参数数据；根据所述第一加工参数数据提取第一工况特征；基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。本申请可以及时对产品加工品质进行检测，同时也能提高产品加工品质的检测准确率。
Description
技术领域
本申请涉及产品检测技术领域，尤其涉及一种产品加工品质的检测方法、检测装置。
背景技术
随着质检信息化体系的快速发展，工厂对于工具机生产的工业产品的检测逐步向大规模自动化批量作业发展，提高了产品质检的效率。但是目前现有的自动化产品检测往往是脱机测量，即在产品生产后对产品进行抽检，如首尾件巡检，由于只有少量的取样产品被测量，因此很可能导致产品加工品质的检测误差。同时，由于产品生产和脱机测量之间存在一定的延时性，所以工具机出现故障导致生产出的产品品质不达标到检查出产品品质不达标之间存在着一定的时间间隔，若在该时间间隔内，该工具仍在进行产品生产，则会给工厂带来一定的经济损失。
发明内容
鉴于以上内容，有必要提出一种产品加工品质的检测方法、检测装置，能够减少产品加工品质的检测误差。
本申请的第一方面，提供了一种产品加工品质的检测方法，所述检测方法包括：
获取所述产品的加工参数数据；
基于所述加工参数数据及工况识别模型，确定第一加工参数数据；
根据所述第一加工参数数据提取第一工况特征；
基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。
根据本申请的一个可选的实施例，所述基于所述加工参数数据及工况识别模型，确定第一加工参数数据的步骤包括：
将所述加工参数数据输入至所述工况识别模型，所述工况识别模型是基于历史产品中被标记的加工参数数据进行建模的；
通过所述工况识别模型的分析，确定所述第一加工参数数据。
根据本申请的一个可选的实施例，所述工况识别模型进一步的是基于将所述被标记的加工参数数据左右移动及时间段缩放后得到的数据分为训练、验证及测试数据集进行建模的。
根据本申请的一个可选的实施例，所述工况识别模型进一步的是基于对所述训练、验证及测试数据集进行卷积神经网络模型训练进而建模的。
根据本申请的一个可选的实施例，所述基于所述第一工况特征及所述品质检测规则，得到所述产品的品质检测结果的步骤包括：
将所述第一工况特征输入至所述品质检测模型，所述品质检测模型是基于支持向量机、决策树和XGBoost模型中的至少一种算法以及历史产品的第二工况特征及品质检测特征进行建模的；
基于所述品质检测模型，得到所述产品的品质预测信息及所述品质检测结果。
根据本申请的一个可选的实施例，所述根据所述第一加工参数数据提取所述第一工况特征的步驟包括：
根据所述第一加工参数数据，提取所述第一加工参数数据的时域特征、频域特征及统计特征中的至少一种作为所述第一工况特征。
根据本申请的一个可选的实施例，所述加工参数数据包括加速度传感器测得的震动数据及所述震动数据对应的加工时刻的时间数据，所述将所述加工参数数据输入至所述工况识别模型的步骤包括：
将所述震动数据及所述时间进行合并及降噪以得到第二加工参数数据；
将所述第二加工参数数据输入至所述工况识别模型。
本申请的第二方面，提供了一种产品加工品质的检测装置，所述检测装置包括：
通信接口，用于获取所述产品的加工参数数据；
处理器，耦接于所述通信接口，所述处理器用于，
基于所述加工参数数据及工况识别模型，确定第一加工参数数据，
根据所述第一加工参数数据提取第一工况特征，
基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。
根据本申请的一个可选的实施例，所述处理器用于基于所述加工参数数据及工况识别模型，确定第一加工参数数据，包括：
将所述加工参数数据输入至所述工况识别模型，所述工况识别模型是基于历史产品中被标记的加工参数数据进行建模的；
通过所述工况识别模型的分析，确定所述第一加工参数数据。
根据本申请的一个可选的实施例，所述工况识别模型进一步的是基于将所述被标记的加工参数数据左右移动及时间段缩放后得到的数据分为训练、验证及测试数据集，并将所述训练、验证及测试数据集进行卷积神经网络模型训练进而建模的。
根据本申请的一个可选的实施例，所述处理器基于所述第一工况特征及所述品质检测规则，得到所述产品的品质检测结果，包括：
将所述第一工况特征输入至所述品质检测模型，所述品质检测模型是基于支持向量机、决策树和XGBoost模型中的至少一种算法以及历史产品的工况特征及品质检测特征进行建模的；
基于所述品质检测模型，得到所述产品的品质预测信息及所述品质检测结果。
根据本申请的一个可选的实施例，所述处理器用于根据所述第一加工参数数据提取第一工况特征，包括：
根据所述第一加工参数数据，提取所述第一加工参数数据的时域特征、频域特征及统计特征中的至少一种作为所述第一工况特征。
本申请实施例公开了一种产品加工品质的检测方法、检测装置，基于所述产品的加工参数数据及工况识别模型，确定第一加工参数数据；并根据所述第一加工参数数据提取第一工况特征；最后基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果；通过将产品的品质和加工过程进行有效关联，提高了提取第一工况特征的准确度，从而进一步提高了产品的品质检测结果的准确率。同时通过在线检测，实时反馈产品资料，无需额外的检测设备，在提高了检测效率的同时降低了加工成本。
附图说明
图1是本申请实施例提供的一种产品加工品质的检测装置的示意性框图；
图2是本申请实施例提供的一种产品加工品质的检测方法的流程示意图；
图3是本申请实施例提供的一种工况识别模型的示意性框图；
图4是本申请实施例提供的一种数据整合方法的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
请参阅图1，其为本申请实施例提供的一种产品加工品质的检测装置10的示意性框图。
需要说明的是，所述产品加工品质的检测装置10可为一种距离加工设备较近的工控机，也可以为距离加工设备较远的云端服务器，检测装置10的布设方式可根据实际情况布设，在此不做任何限定。
如图1所示，该产品加工品质的检测装置10至少包括通过通信接口101、存储器102、处理器103、输入/输出(Input/Output，I/O)接口104及总线105。处理器103通过总线105分别耦合于通信接口101、存储器102、I/O接口104。
通信接口101用于获取所述产品的加工参数数据；通信接口101可用于在处理器103执行存储器102内的计算机程序时实现与至少一加工设备的通信。通信接口101可以为检测装置10上已有的接口，也可以为在检测装置10上新建的接口。通信接口101可以为网络接口，例如无线区域网络(Wireless Local Area Network，WLAN)接口，蜂窝网络通信接口或其组合等。
存储器102可用于可存储操作系统和计算机程序。在一实施方式中，存储器102内至少存储有工况识别模型及品质检测模型，以供处理器103在需要时调取使用。且所述工况识别模型及品质检测模型可以为动态模型，随着检测次数的增加，所述工况识别模型及品质检测模型的可靠性越高。
处理器103提供计算和控制能力，支撑整个计算机设备的运行。例如，处理器103用于执行存储器102内存储的计算机程序。
应当理解的是，处理器103可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
I/O接口104用于提供用户输入或输出的通道，例如I/O接口104可用于连接各种输入输出设备(鼠标、键盘或3D触控装置等)、显示器，使得用户可以录入加工产品的相关信息，加工项目信息等，或者使相关信息可视化。
总线105至少用于提供检测装置10中的通信接口101、存储器102、处理器103、I/O接口104之间相互通信的通道。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，在一个实施例中，处理器103执行存储器102内存储的计算机程序，以实现以下步骤：
基于所述加工参数数据及工况识别模型，确定第一加工参数数据，根据所述第一加工参数数据提取第一工况特征，基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。所述加工参数数据包括多个加工设备的机台数据、传感数据和质量数据。其中所述机台数据包括产品编号、刀号、时间、四轴温度、负载、扭矩、坐标、进给、主轴转速和加工程序，所述传感数据包括主轴震动数据和平台三轴震动数据；所述质量数据包括在线/线下尺寸检测值和标准值。上述每个加工设备的所述机台数据、传感数据及质量数据构成加工参数数据子集，即每个加工设备具有多个加工参数数据，所述加工参数数据包括多个加工设备的加工参数数据子集所组成的加工参数数据集。所述第一加工参数数据为从所述加工参数数据集中选取的参数数据。
在一实施方式中，处理器103基于所述加工参数数据及工况识别模型，确定第一加工参数数据，具体包括以下步骤：
将所述加工参数数据输入至所述工况识别模型，所述工况识别模型是基于历史产品中被标记的加工参数数据进行建模的；
通过所述工况识别模型的分析，确定所述第一加工参数数据。
在一实施方式中，所述工况识别模型进一步的是基于将所述被标记的加工参数数据左右移动及时间段缩放后得到的数据分为训练、验证及测试数据集，并将所述训练、验证及测试数据集进行卷积神经网络模型训练进而建模的。
在一实施方式中，处理器103基于所述第一工况特征及所述品质检测规则，得到所述产品的品质检测结果，具体包括以下步骤：
将所述第一工况特征输入至所述品质检测模型，所述品质检测模型是基于支持向量机、决策树和XGBoost模型中的至少一种算法以及历史产品的工况特征及品质检测特征进行建模的；基于所述品质检测模型，得到所述产品的品质预测信息及所述品质检测结果。
在一实施方式中，处理器103根据所述第一加工参数数据提取第一工况特征，具体包括以下步骤：
根据所述第一加工参数数据，提取所述第一加工参数数据的时域特征、频域特征及统计特征中的至少一种作为所述第一工况特征。
本实施方式中的处理器可为提供处理、数据库、以及通信设施的服务器。举例而言，服务器可以指具有相关通信、数据存储以及数据库设施的单个的物理处理器。或者，它可以指联网或集聚的处理器、相关网络和存储设备的集合体，并且可以对软件、至少一个数据库系统或支持服务器所提供的服务的应用软件进行操作。服务器一般可以包括至少一个中央处理单元和存储器。服务器还可以是整体式服务器或是跨多计算机或计算机数据中心的分布式服务器。服务器可以包括硬件，软件，用于执行目标服务终端所支持或实现的合适功能的内嵌逻辑组件，或两个或多个以上组件的组合。
处理器103执行上述计算机程序实现的具体步骤描述可详见下文产品加工品质的检测方法实施例中相关步骤的描述。
前述实施例提供的产品加工品质的检测装置，基于所述产品的加工参数数据及工况识别模型，确定第一加工参数数据；并根据所述第一加工参数数据提取第一工况特征；最后基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果；通过将产品的品质和加工过程进行有效关联，提高了提取第一工况特征的准确度，从而提高了产品的品质检测结果的准确率。同时通过在线检测，无需额外的检测设备，在提高了检测效率的同时降低了加工成本。
本申请实施例还提供一种产品加工品质的检测方法。其中，该产品加工品质的检测方法可应用于终端设备或服务器中，该终端设备可以手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备，该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。以下以该产品加工品质的检测方法应用于服务器为例进行解释说明。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图2，图2是本申请实施例提供的一种产品加工品质的检测方法的流程示意图。
如图2所示，所述产品加工品质的检测方法具体包括步骤S21至S24，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
步骤S21，获取所述产品的加工参数数据。
示例性的，检测装置可以与生产产品的工具机机台(加工设备)、与产品相关的传感器设备和/或产品的质量量测设备建立通信，通过检测装置的通信接口获取所述产品的加工参数数据，并将所述加工参数数据传送给处理器。
所述通信可以包括蓝牙通信、Wi-Fi通信、4G/5G通信等。本实施例中，所述加工可以为产品的CNC加工。
示例性的，所述加工参数数据包括多个加工设备的机台数据、传感数据和质量数据。其中所述机台数据包括产品编号、刀号、时间、四轴温度、负载、扭矩、坐标、进给、主轴转速和加工程序，所述传感数据包括主轴震动数据和平台三轴震动数据；所述质量数据包括在线/线下尺寸检测值和标准值。上述每个加工设备的所述机台数据、传感数据及质量数据构成加工参数数据子集，即每个加工设备具有多个加工参数数据，所述加工参数数据包括多个加工设备的加工参数数据子集所组成的加工参数数据集。所述加工参数数据可根据用户的需求进行自定义设置，以上仅为举例说明，在此不做任何限定。
步骤S22，基于所述加工参数数据及工况识别模型，确定第一加工参数数据。
存储器中存储有所述工况识别模型，处理器调用存储器中的所述工况识别模型，并基于从通信接口获取的所述加工参数数据，将所述加工参数数据输入预先训练的工况识别模型，以输出并确定第一加工参数数据。
在一实施方式中，所述基于所述加工参数数据及工况识别模型，确定第一加工参数数据，具体包括以下步骤：
将所述加工参数数据输入至所述工况识别模型，所述工况识别模型是基于历史产品中被标记的加工参数数据进行建模的；
通过所述工况识别模型的分析，确定所述第一加工参数数据。
在一实施方式中，所述工况识别模型包括工况识别函数。
所述工况识别模型进一步的是基于将所述历史产品中被标记的加工参数数据左右移动及时间段缩放后得到的数据分为训练、验证及测试数据集进行建模的。其中，所述工况识别模型进一步的是基于对所述训练、验证及测试数据集进行卷积神经网络模型训练进而建模的。
示例性的，对获取到的历史产品中被标记的加工参数数据进行资料扩增，例如，通过对所述被标记的加工参数数据进行左右移动处理及时间段缩放处理提升被标记的加工参数数据，得到标注数据集，并按照比例将所述标注数据集进行划分为三个子数据集，如训练子数据集、验证子数据集和测试子数据集。例如按照训练子数据集64％、验证子数据集16％和测试子数据集20％的比例对标注数据集进行划分。训练子数据集、验证子数据集及测试子数据集的比例可以根据实际情况进行划分，在此不做任何限定。
使用训练子数据集和验证子数据集进行工况识别深度学习模型训练，得到工况识别模型。其中，通过测试子数据集评价工况识别模型的模型识别结果。当所述工况识别模型的模型识别结果不符合预设的识别精度时，进行对所述工况识别模型进行模型训练，当所述工况识别模型的模型识别结果符合预设的识别精度时，可停止所述工况识别模型的模型训练。
在一实施方式中，所述工况识别模型的模型结构如图3所示，为pspnnet架构下的1D-CNN神经网络，所述工况识别模型用于进行各工况时间段识别,以利于后续品质特征的提取。
在一实施方式中，所述加工参数数据包括加速度传感器测得的震动数据及所述震动数据对应的加工时刻的时间数据，所述将所述加工参数数据输入至所述工况识别模型，具体包括以下步骤：
将所述震动数据及所述时间进行合并及降噪，并得到第二加工参数数据；
将所述第二加工参数数据输入至所述工况识别模型。
示例性的，使用移动窗格方均根法对所述震动数据及所述时间合并后的数据进行降噪，得到第二加工参数数据。
在一实施方式中，所述将所述震动数据及所述时间进行合并及降噪以得到第二加工参数数据具体包括以下步骤：获取用户手工标注的标注震动数据；将所述标注震动数据、所述震动数据及所述时间进行合并及降噪以得到第二加工参数数据。
示例性的，根据用户对目标加工段波型样态中对震动特征数据工况位置的标注，获取所述标注对应的标注震动数据。
在一实施方式中，所述基于所述加工参数数据及工况识别模型，确定第一加工参数数据，具体包括以下步骤：
将获取到的加工参数数据进行数据处理，得到目标加工参数数据；
将目标加工参数数据输入工况识别模型，确定第一加工参数数据。
示例性的，所述工况识别模型为可动态调整的模型，随着检测次数的增加，所述工况识别模型的可靠性越高。
示例性的，所述数据处理包括目标筛选、数量判定和数据整合。其中所述目标筛选可以是在加工参数数据中选取预设时间段内的数据，如选取预设时间段内的机台数据和传感数据。所述数量判定是对目标筛选步骤中获取到的数据进行数量排查，判断数据的数量是否符合数量标准，符合即保留，不符合则判定为所述数据为无效数据。所述数据整合是根据数据对应的时间对数据进行整合，并以数值向后填满方式填补缺值。例如，如图4所示，所述数据中包括机台数据和传感器数据，根据所述机台数据对应的时间和传感器数据对应的时间进行数据整合，并以数值向后填满方式填补缺值，其中，M1-M4可代表机台数据，S1-S8可表示震动数据。通过数据处理，可以解决异源数据间的时间延迟问题，以保证加工参数数据的有效性，从而提高产品的品质检测结果的准确率。
步骤S23，根据所述第一加工参数数据提取第一工况特征。
此步骤由处理器执行，示例性的，预先设置目标工况时间段，处理器在所述第一加工参数数据中提取所述工况时间段对应的数据作为目标数据，对所述目标数据进行降噪处理，对降噪处理后的目标数据进行特征提取，得到第一工况特征。其中，可以使用移动窗格方均根对所述目标数据进行降噪处理。
在一实施方式中，所述根据所述第一加工参数数据提取所述第一工况特征包括以下步骤：
根据所述第一加工参数数据，提取所述第一加工参数数据的时域特征、频域特征及统计特征中的至少一种作为所述第一工况特征。
示例性的，所述时域特征包括自相关(Autocorrelation)峰值与统计特征，所述频域特征包括离散傅立叶变换(DFT)波峰频率/震幅与统计特征、功率谱密度(PSD)波峰频率/震幅与统计特征和离散小波转换(DWT)能量，所述统计特征包括最大值(Maxima)、最小值(Minima)、平均值(Average)、全距(R)、变异数(Variance)、偏态(Skew)、峰态(Kurtosis)和方均跟(RMS)。
在一实施方式中，所述第一加工参数数据包括加速度传感器测得的震动数据，在目标工况时间段内，对所述震动数据进行降噪处理，并对降噪处理后的目标数据进行特征提取，得到震动数据中具有代表性的第一工况特征。目标数据提取可以提取该目标工况时间段内的时域特征、频域特征及统计特征中的至少一种。
示例性的，所述震动数据的统计特征平均值(Average)公式如下所示：
示例性的，所述震动数据的变异数(Variance)公式如下所示：
示例性的，所述震动数据的方均跟(RMS)公式如下所示：
其中,N为目标工况时间段内所取的震动数据的个数，Xi为该目标工况时间端内所取的震动数据集中的第i个震动数据，
为该目标工况时间端内所取的震动数据集中震动数据的平均值。
步骤S24，基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。
存储器中存储有所述品质检测模型，处理器调用所述品质检测模型，并基于所述第一工况特征，得到所述产品的品质检测结果。示例性的，将所述第一工况特征输入预先训练的品质检测模型中，得到所述产品的品质检测结果。所述品质检测模型用于进行多尺寸质量预测，其中，所述品质检测模型包括品质检测函数。
在一实施方式中，所述基于所述第一工况特征及所述品质检测规则，得到所述产品的品质检测结果的步骤包括：
将所述第一工况特征输入至所述品质检测模型，所述品质检测模型是基于支持向量机、决策树和XGBoost模型中的至少一种算法以及历史产品的第二工况特征及品质检测特征进行建模的；其中，历史产品的第二工况特征与品质检测结果的构成具有一定规律的映射关系，该映射关系构成所述品质检测函数。将所述第一工况特征输入至所述品质检测函数，即可得到品质预测信息及品质检测结果。即基于所述品质检测模型，得到所述产品的品质预测信息及所述品质检测结果。
示例性的，根据多个样本工况特征和所述多个样本工况特征对应的标注对所述品质检测模型进行训练，当所述品质检测模型的检测精度达到预设的精度值时，停止所述品质检测模型的训练。
示例性的，所述品质检测模型为可动态调整的模型，随着检测次数的增加，所述品质检测模型的可靠性越高。
需要说明的是,构建所述品质检测模型的过程中,在选取历史产品的第二工况特征及该历史产品的品质检测结果建立映射关系时,所述历史产品的品质检测结果可以采用实际的品质检测设备来确定所述品质检测结果,本实施例中的检测方法只是对当前批次的产品,采用本实施例提供的检测装置来确定最终的品质检测结果。也即，构建品质检测模型需要实际的品质检测设备，而本实施例仅需要品质检测模型及第一工况特征，即可对产品的加工品质进行预测，而无需借助实际的品质检测设备。
在一实施方式中，生成所述产品的品质检测结果后，将所述品质检测结果发送至预先设置的客户端，以提示用户查看所述品质检测结果。当所述品质检测结果为不合格时，拦截不合格的产品。并提示用户进行实时问题排查。
上述实施例提供的产品加工品质的检测方法，通过基于所述产品的加工参数数据及工况识别模型，确定第一加工参数数据；并根据所述第一加工参数数据提取第一工况特征；最后基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果；通过将产品的品质和加工过程进行有效关联，提高了提取第一工况特征的准确度，从而提高了产品的品质检测结果的准确率。同时通过在线检测，实时反馈产品资料，无需额外的检测设备，在提高了检测效率的同时降低了加工成本。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时用于实现以下步骤：
获取所述产品的加工参数数据；
基于所述加工参数数据及工况识别模型，确定第一加工参数数据；
根据所述第一加工参数数据提取第一工况特征；
基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。
具体地，所述程序指令被执行时实现的步骤可参考前述产品加工品质的检测方法的实施例中相关步骤的描述，在此不做赘述。
其中，所述计算机可读存储介质可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述计算机可读存储介质也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
前述实施例提供的计算机可读存储介质，基于所述产品的加工参数数据及工况识别模型，确定第一加工参数数据；并根据所述第一加工参数数据提取第一工况特征；最后基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果；通过将产品的品质和加工过程进行有效关联，提高了提取第一工况特征的准确度，从而提高了产品的品质检测结果的准确率。同时通过在线检测，无需额外的检测设备，在提高了检测效率的同时降低了加工成本。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种产品加工品质的检测方法，所述检测方法包括：
获取所述产品的加工参数数据；
基于所述加工参数数据及工况识别模型，确定第一加工参数数据；
根据所述第一加工参数数据提取第一工况特征；
基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。
2.如权利要求1所述的检测方法，其中，所述基于所述加工参数数据及工况识别模型，确定第一加工参数数据的步骤包括：
将所述加工参数数据输入至所述工况识别模型，所述工况识别模型是基于历史产品中被标记的加工参数数据进行建模的；
通过所述工况识别模型的分析，确定所述第一加工参数数据。
3.如权利要求2所述的检测方法，其中，所述工况识别模型进一步的是基于将所述被标记的加工参数数据左右移动及时间段缩放后得到的数据分为训练、验证及测试数据集进行建模的。
4.如权利要求3所述的检测方法，其中，所述工况识别模型进一步的是基于对所述训练、验证及测试数据集进行卷积神经网络模型训练进而建模的。
5.如权利要求1所述的检测方法，其中，所述基于所述第一工况特征及所述品质检测规则，得到所述产品的品质检测结果的步骤包括：
将所述第一工况特征输入至所述品质检测模型，所述品质检测模型是基于支持向量机、决策树和XGBoost模型中的至少一种算法以及历史产品的第二工况特征及品质检测特征进行建模的；
基于所述品质检测模型，得到所述产品的品质预测信息及所述品质检测结果。
6.如权利要求1所述的检测方法，其中，所述根据所述第一加工参数数据提取所述第一工况特征的步驟包括：
根据所述第一加工参数数据，提取所述第一加工参数数据的时域特征、频域特征及统计特征中的至少一种作为所述第一工况特征。
7.如权利要求2所述的检测方法，其中，所述加工参数数据包括加速度传感器测得的震动数据及所述震动数据对应的加工时刻的时间数据，所述将所述加工参数数据输入至所述工况识别模型的步骤包括：
将所述震动数据及所述时间进行合并及降噪以得到第二加工参数数据；
将所述第二加工参数数据输入至所述工况识别模型。
8.一种产品加工品质的检测装置，包括：
通信接口，用于获取所述产品的加工参数数据；
处理器，耦接于所述通信接口，所述处理器用于，
基于所述加工参数数据及工况识别模型，确定第一加工参数数据，
根据所述第一加工参数数据提取第一工况特征，
基于所述第一工况特征及品质检测模型，得到所述产品的品质检测结果。
9.如权利要求8所述的检测装置，其中，所述处理器用于基于所述加工参数数据及工况识别模型，确定第一加工参数数据，包括：
将所述加工参数数据输入至所述工况识别模型，所述工况识别模型是基于历史产品中被标记的加工参数数据进行建模的；
通过所述工况识别模型的分析，确定所述第一加工参数数据。
10.如权利要求9所述的检测装置，其中，所述工况识别模型进一步的是基于将所述被标记的加工参数数据左右移动及时间段缩放后得到的数据分为训练、验证及测试数据集，并将所述训练、验证及测试数据集进行卷积神经网络模型训练进而建模的。
11.如权利要求8所述的检测装置，其中，所述处理器基于所述第一工况特征及所述品质检测规则，得到所述产品的品质检测结果，包括：
将所述第一工况特征输入至所述品质检测模型，所述品质检测模型是基于支持向量机、决策树和XGBoost模型中的至少一种算法以及历史产品的工况特征及品质检测特征进行建模的；
基于所述品质检测模型，得到所述产品的品质预测信息及所述品质检测结果。
12.如权利要求8所述的检测装置，其中，所述处理器用于根据所述第一加工参数数据提取第一工况特征，包括：
根据所述第一加工参数数据，提取所述第一加工参数数据的时域特征、频域特征及统计特征中的至少一种作为所述第一工况特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615485.7A CN112766059B (zh) | 2020-12-30 | 2020-12-30 | 产品加工品质的检测方法、检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615485.7A CN112766059B (zh) | 2020-12-30 | 2020-12-30 | 产品加工品质的检测方法、检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766059A true CN112766059A (zh) | 2021-05-07 |
| CN112766059B CN112766059B (zh) | 2024-05-03 |
Family
ID=75697850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011615485.7A Active CN112766059B (zh) | 2020-12-30 | 2020-12-30 | 产品加工品质的检测方法、检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766059B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103331204A (zh) * | 2013-06-26 | 2013-10-02 | 中冶南方工程技术有限公司 | 高炉喷煤制粉系统中速磨控制方法 |
| CN103439919A (zh) * | 2013-09-02 | 2013-12-11 | 南京航空航天大学 | 基于动态特征模型的cad/cam/cnc闭环控制方法 |
| CN105988416A (zh) * | 2015-03-04 | 2016-10-05 | 台中精机厂股份有限公司 | Cnc工具机的热变位补正系统及方法 |
| CN108280543A (zh) * | 2018-01-17 | 2018-07-13 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
| CN108563188A (zh) * | 2018-05-23 | 2018-09-21 | 安徽胜利精密制造科技有限公司 | Cnc智能化全自动检测生产线 |
| CN109472057A (zh) * | 2018-10-16 | 2019-03-15 | 浙江大学 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
| CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
| CN110000705A (zh) * | 2019-05-17 | 2019-07-12 | 蓝思科技（长沙）有限公司 | 一种磨机异常加工操作的检测方法、系统及相关组件 |
| CN110516636A (zh) * | 2019-08-30 | 2019-11-29 | 盈盛智创科技(广州)有限公司 | 一种工序的监测方法、装置、计算机设备和存储介质 |
| CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
| CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
| CN110705807A (zh) * | 2019-10-23 | 2020-01-17 | 哈工大机器人（合肥）国际创新研究院 | 基于现场数据的半导体生产质量预测方法及系统 |
| CN111007817A (zh) * | 2019-12-11 | 2020-04-14 | 三一重工股份有限公司 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
| CN111119835A (zh) * | 2018-11-01 | 2020-05-08 | 中国石油化工股份有限公司 | 一种随钻工况识别方法及系统 |
| CN111325069A (zh) * | 2018-12-14 | 2020-06-23 | 珠海格力电器股份有限公司 | 产线数据处理方法、装置、计算机设备和存储介质 |
| CN111538286A (zh) * | 2020-04-14 | 2020-08-14 | 深圳市裕展精密科技有限公司 | 刀具控制装置及控制方法 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN111766253A (zh) * | 2019-03-15 | 2020-10-13 | 鸿富锦精密电子（成都）有限公司 | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 |
| CN111833303A (zh) * | 2020-06-05 | 2020-10-27 | 北京百度网讯科技有限公司 | 产品的检测方法、装置、电子设备及存储介质 |
| CN112115752A (zh) * | 2019-06-21 | 2020-12-22 | 北京百度网讯科技有限公司 | 品质检测模型的训练方法和装置以及品质检测方法和装置 |
-
2020
- 2020-12-30 CN CN202011615485.7A patent/CN112766059B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103331204A (zh) * | 2013-06-26 | 2013-10-02 | 中冶南方工程技术有限公司 | 高炉喷煤制粉系统中速磨控制方法 |
| CN103439919A (zh) * | 2013-09-02 | 2013-12-11 | 南京航空航天大学 | 基于动态特征模型的cad/cam/cnc闭环控制方法 |
| CN105988416A (zh) * | 2015-03-04 | 2016-10-05 | 台中精机厂股份有限公司 | Cnc工具机的热变位补正系统及方法 |
| CN108280543A (zh) * | 2018-01-17 | 2018-07-13 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
| CN108563188A (zh) * | 2018-05-23 | 2018-09-21 | 安徽胜利精密制造科技有限公司 | Cnc智能化全自动检测生产线 |
| CN109472057A (zh) * | 2018-10-16 | 2019-03-15 | 浙江大学 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
| CN111119835A (zh) * | 2018-11-01 | 2020-05-08 | 中国石油化工股份有限公司 | 一种随钻工况识别方法及系统 |
| CN111325069A (zh) * | 2018-12-14 | 2020-06-23 | 珠海格力电器股份有限公司 | 产线数据处理方法、装置、计算机设备和存储介质 |
| CN111766253A (zh) * | 2019-03-15 | 2020-10-13 | 鸿富锦精密电子（成都）有限公司 | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 |
| CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
| CN110000705A (zh) * | 2019-05-17 | 2019-07-12 | 蓝思科技（长沙）有限公司 | 一种磨机异常加工操作的检测方法、系统及相关组件 |
| CN112115752A (zh) * | 2019-06-21 | 2020-12-22 | 北京百度网讯科技有限公司 | 品质检测模型的训练方法和装置以及品质检测方法和装置 |
| CN110516636A (zh) * | 2019-08-30 | 2019-11-29 | 盈盛智创科技(广州)有限公司 | 一种工序的监测方法、装置、计算机设备和存储介质 |
| CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
| CN111024708A (zh) * | 2019-09-06 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
| CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
| CN110705807A (zh) * | 2019-10-23 | 2020-01-17 | 哈工大机器人（合肥）国际创新研究院 | 基于现场数据的半导体生产质量预测方法及系统 |
| CN111007817A (zh) * | 2019-12-11 | 2020-04-14 | 三一重工股份有限公司 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
| CN111538286A (zh) * | 2020-04-14 | 2020-08-14 | 深圳市裕展精密科技有限公司 | 刀具控制装置及控制方法 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN111833303A (zh) * | 2020-06-05 | 2020-10-27 | 北京百度网讯科技有限公司 | 产品的检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766059B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103890766B (zh) | 坐标测量系统数据缩减 | |
| CN111144548A (zh) | 抽油机井工况的识别方法及装置 | |
| CN114819636B (zh) | 一种基于spc检测的工业生产数据处理方法及系统 | |
| CA2911429C (en) | Detecting edge cracks | |
| CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
| CN113569432B (zh) | 一种液气密元件的模拟检测方法及系统 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN111723206B (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
| CN115705413A (zh) | 异常日志的确定方法及装置 | |
| CN111222051B (zh) | 一种趋势预测模型的训练方法及装置 | |
| CN112766059B (zh) | 产品加工品质的检测方法、检测装置 | |
| CN108073464A (zh) | 一种基于速度和加速度的时序数据异常点检测方法及装置 | |
| CN112200271A (zh) | 一种训练样本确定方法、装置、计算机设备及存储介质 | |
| WO2015191678A1 (en) | Performing and communicating sheet metal simulations employing a combination of factors | |
| CN116079498A (zh) | 一种刀具异常信号的识别方法 | |
| CN113704452A (zh) | 基于Bert模型的数据推荐方法、装置、设备及介质 | |
| CN114218462A (zh) | 基于lstm的数据分类方法、装置、设备及存储介质 | |
| CN113505039A (zh) | 一种通信故障分析方法、设备及系统 | |
| CN113997989B (zh) | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 | |
| CN113435058B (zh) | 配网自愈测试模型的数据降维方法、系统、终端及介质 | |
| CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 | |
| CN112765011B (zh) | 质控状态判定方法、装置及电子设备 | |
| CN117571321B (zh) | 轴承故障检测方法、装置、设备及存储介质 | |
| CN113641848B (zh) | 一种电子产品的在线组装连接指导方法及系统 | |
| Li et al. | Adaptive modelling of non-linear errors-in-variables systems |
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 | ||
| CB02 | Change of applicant information |
Address after: 518109 Foxconn H5 plant 101, No. 2, Donghuan 2nd Road, Fukang community, Longhua street, Longhua District, Shenzhen, Guangdong Province; plant 5, building C09, 4th floor, building C07, 2nd floor, building C08, 3rd floor, 4th floor, building C04, zone B, Foxconn Hongguan science and Technology Park, Fucheng Dasan community, Guanlan street, Guangdong Province Applicant after: Fulian Yuzhan Technology (Shenzhen) Co.,Ltd. Address before: 518109 Guangzhou Guanlan Foxconn Hongguan Science Park B workshop 5 C09 buildings 4 floors, C07 buildings 2 floors, C08 buildings 3 floors 4 floors, C04 buildings 1 floors Applicant before: SHENZHENSHI YUZHAN PRECISION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |