CN112985318B - 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 - Google Patents
扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 Download PDFInfo
- Publication number
- CN112985318B CN112985318B CN201911301136.5A CN201911301136A CN112985318B CN 112985318 B CN112985318 B CN 112985318B CN 201911301136 A CN201911301136 A CN 201911301136A CN 112985318 B CN112985318 B CN 112985318B
- Authority
- CN
- China
- Prior art keywords
- forging
- fastener
- size
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Forging (AREA)
Abstract
本发明提供一种扣件尺寸的线上预测方法与扣件尺寸的线上预测系统,所述扣件尺寸的线上预测方法包括:在扣件的锻造过程中线上取得感测参数,且感测参数包括锻造模具的合模距离、温度与锻造力;提供一尺寸预测模型;以及输入感测参数至预测模型,以通过尺寸预测模型预测出扣件的尺寸。
Description
技术领域
本发明涉及一种构件的线上预测方法与预测系统,尤其涉及一种扣件尺寸的线上预测方法与扣件尺寸的线上预测系统。
背景技术
传统上,锻造是金属成形方法之一,指利用压力改变金属原料的形状,以获得具有一定机械性能的扣件。
以金属扣件而言,其需通过模具冲压手段而加以锻造而成,然在其制作过程中,模具的性质以及相关锻造条件皆会影响其质量,故而在现有技术中,仍须对制作完成的金属扣件进行尺寸检测(全检或抽检),其除了耗费时间与人工之外,还会因人工检测的手法不同而产生不同结果。
再者,现有以在锻造机上加装位移测量装置,以期对扣件提供尺寸判断的依据,但除了需耗费额外成本,还会受到锻造机上的空间的限制。同时,随着制造时程推进,模具磨损程度也会逐渐对扣件尺寸造成影响,故而上述方式并无法对扣件的尺寸提供具效益的精确的判断依据。
发明内容
本发明提供一种扣件尺寸的线上预测方法与扣件尺寸的线上预测系统,其通过机器学习模型而对扣件的尺寸提供稳定且精确的预测。
本发明的扣件尺寸的线上预测方法,包括:在扣件的锻造过程中线上取得一感测参数,且一感测参数包括锻造模具的合模距离、温度与锻造力;提供尺寸预测模型;以及输入感测参数至预测模型,以通过尺寸预测模型预测出扣件的尺寸。
本发明的扣件尺寸的线上预测系统,适用于锻造机,扣件尺寸的线上预测系统包括控制单元、运算单元以及多个感测单元。运算单元电性连接控制单元,且运算单元具有尺寸预测模型。感测单元配置于锻造机上的锻造模具,且电性连接控制单元。感测单元在扣件的锻造过程中线上测量并取得感测参数,感测参数包括锻造模具的合模距离、温度与锻造力,其中控制单元将锻造模具的合模距离、温度与锻造力输入运算单元,以通过尺寸预测模型预测扣件的尺寸。
在本发明的一实施例中,上述建立所述尺寸预测模型包括:取得锻造力成型曲线的原始数据;取得与所述锻造力成型曲线对应的扣件尺寸;通过机器学习方式特征化所述原始数据;以及比对特征化后的所述原始数据与所述扣件尺寸,以检出与所述扣件尺寸相关性最高的特征。
在本发明的一实施例中,上述通过机器学习方式特征化所述原始数据包括:以二维自编码器(2D autoencoder)学习且分辨出标准锻造力曲线与异常锻造力曲线;排除异常锻造力曲线之后,通过自编码器(autoencoder)将通过的锻造力曲线减少维度至5个特征值。
在本发明的一实施例中,上述通过机器学习方式特征化所述原始数据还包括:提供锻造模具的最大锻造力至减少维度至5个特征值的锻造力曲线。
在本发明的一实施例中,上述建立尺寸预测模型还包括:提供模具状态预测模型以结合特征化后的原始数据,模具状态预测模型是以仿制样本生成方法与失效诊断方法所构成。
在本发明的一实施例中,还包括:提供锻造模具的最大锻造力与锻造模具的渐变状态至模具状态预测模型。
在本发明的一实施例中,上述的运算单元还具有模具状态预测模型。
基于上述,扣件尺寸的线上预测方法及预测系统提供了机器学习的尺寸预测模型来预测成型过程中成型力变异状况,以让锻造过程中所取得的感测参数,包括锻造模具的合模距离、温度与锻造力,能通过所述尺寸预测模型的运算而预测出扣件的尺寸,进而作为判断扣件在其锻造过程中的质量依据。
附图说明
图1是依据本发明一实施例的扣件尺寸的线上预测方法;
图2是扣件尺寸的线上预测系统的方块图;
图3是尺寸预测模型的建立流程示意图;
图4是另一实施例的尺寸预测模型的建立流程示意图。
附图标记说明
10:扣件尺寸的线上预测系统
100:控制单元
200:运算单元
300:感测单元
400:锻造机
500:锻造模具
S1、S2、S10、S20、S21、S22、S23、S30、S40:步骤
具体实施方式
图1是依据本发明一实施例的扣件尺寸的线上预测方法。图2是扣件尺寸的线上预测系统的方块图。请同时参考图1与图2,在本实施例中,扣件尺寸的线上预测系统10适用于锻造机400,其包括控制单元100、运算单元200以及多个感测单元300(在此仅示出单一感测单元300为例),其中运算单元200电性连接控制单元100,且运算单元200具有尺寸预测模型,感测单元300配置于锻造机400上的锻造模具500,且电性连接控制单元100。据此,扣件尺寸的线上预测系统10便能对锻造过程中的扣件进行尺寸预测。
进一步地说,如图1所示步骤S1,在锻造过程中,通过感测单元300进行测量并取得感测参数,且所述感测参数包括锻造模具500的合模距离、温度与锻造力。接着,在步骤S2中,控制单元100将通过感测单元300所取得的感测参数输入运算单元200,并依据设置于运算单元200内的尺寸预测模型而对锻造过程中的每一个扣件进行尺寸预测。之后,即能对尺寸预测结果采取对应的步骤,例如调整锻造模具500和/或锻造机400的相关参数,而能据以提高下一次锻造过程的良率。
图3是尺寸预测模型的建立流程示意图。请参考图3,详细来说,本实施例用以建立尺寸预测模型的步骤包括:在步骤S10中,取得锻造力成型曲线的原始数据,而后在步骤S20中,通过机器学习方式特征化所述原始数据;以及在步骤S30中,取得与锻造力成型曲线对应的扣件尺寸,且比对特征化后的原始数据及所述与锻造力成型曲线对应的扣件尺寸,以检出与扣件尺寸相关性最高的特征。其中原因即在于,对于扣件尺寸而言,锻造模具500的锻造力是直接影响扣件模具状态的主因,而模具状态又是影响扣件尺寸的主因,因此一旦取得与上述扣件尺寸相关性最高的锻造力成型曲线特征,即代表了完成与扣件尺寸直接相关的信息建立,后续便能在锻造过程中,通过感测单元300所取得的感测参数而直接反映出当下制成扣件的尺寸。也就是说,有别于现有技术须经历完整锻造过程后才能对扣件进行尺寸检测,本实施例所揭示的尺寸预测模型能线上地对每一道次的成型扣件提供预测结果。一旦出现异常尺寸,即能立刻停止锻造过程,以利提供对应的修整动作,因此对锻造制成提供了更精确且稳定的检测手段。
请再参考图3,在本实施例中,步骤S20更进一步地包括:以二维自编码器(2Dautoencoder)学习且分辨出标准锻造力曲线与异常锻造力曲线;以及排除异常锻造力曲线后,通过自编码器(autoencoder)将通过的锻造力曲线减少维度至5个特征值,据以让所述减少维度至5个特征值的锻造力曲线能成为反映锻造模具500的锻造力的主要特征。再者,在本步骤中,还提供锻造模具的最大锻造力至所述减少维度至5个特征值的锻造力曲线,以此作为锻造力成型曲线的临界条件。
图4是另一实施例的尺寸预测模型的建立流程示意图。与前述实施例不同的是,本实施例还包括步骤S40,即提供模具状态预测模型以结合特征化后的原始数据,其中模具状态预测模型是以仿制样本生成方法与失效诊断方法所构成。
进一步地说,上述仿制样本生成方法是通过不同比例的正常与异常数据生成仿制样本,并提供判别器分辨数据真伪,同时给出回馈,再提供生成器根据所述回馈而重复训练模型,直到判别器分辨不出真伪后,如此即可生成仿制真正数据的效果。举例来说,先以非监督式学习模型(生成对抗网络,GAN)作为一处,并通过模型内的生成器将正常模具的数据与异常模具的数据以不同比例生成仿制数据,再通过判别器分辨数据的真假,并给出回馈,而生成器根据所述回馈来训练,并调整模型的参数,最终两个网络相互对抗、不断调整参数到判别器分辨不出来真假,如此,即可生成仿制真正数据分布的模型。
据此,由于锻造模具500的状态与扣件尺寸息息相关,故而通过上述方式构成的模具状态预测模型,通过正常与异常比例的数据生成模具老化样本,再通过失效诊断方法以同时判别多失效模式,便能线上预测出锻造机400以致锻造模具500的异常状态,进而提早采取对应措施。
综上所述,在本发明的上述实施例中,扣件尺寸的线上预测方法及预测系统提供了机器学习的尺寸预测模型来预测成型过程中成型力变异状况,以让锻造过程中所取得的感测参数,包括锻造模具的合模距离、温度与锻造力,能通过所述尺寸预测模型的运算而线上预测出扣件的尺寸,有别于现有技术需加装额外装置来进行感测,或是需在锻造过程完毕后方能对扣件进行检测而延误时机,本发明更能因此增加测量线上性、精确度与稳定性,进而有效且线上地作为判断扣件在其锻造过程中的质量依据。
Claims (8)
1.一种扣件尺寸的线上预测方法,包括:
在扣件的锻造过程中线上取得感测参数,所述感测参数包括锻造模具的合模距离、温度与锻造力;
提供尺寸预测模型;以及
输入所述感测参数至所述预测模型,以通过所述尺寸预测模型预测所述扣件的尺寸,其中建立所述尺寸预测模型包括:
取得锻造力成型曲线的原始数据;
取得与所述锻造力成型曲线对应的扣件尺寸;
通过机器学习方式特征化所述原始数据;以及
比对特征化后的所述原始数据与所述与锻造力成型曲线对应的扣件尺寸,以检出与所述扣件尺寸相关性最高的特征。
2.根据权利要求1所述的扣件尺寸的线上预测方法,其中通过机器学习方式特征化所述原始数据包括:
以二维自编码器学习且分辨出标准锻造力曲线与异常锻造力曲线;以及
排除异常锻造力曲线后,通过自编码器将通过的锻造力曲线减少维度至5个特征值。
3.根据权利要求2所述的扣件尺寸的线上预测方法,其中通过机器学习方式特征化所述原始数据还包括:
提供所述锻造模具的最大锻造力至所述减少维度至5个特征值的锻造力曲线。
4.根据权利要求1所述的扣件尺寸的线上预测方法,其中建立所述尺寸预测模型还包括:
提供模具状态预测模型以结合特征化后的所述原始数据,所述模具状态预测模型是以仿制样本生成方法与失效诊断方法所构成。
5.根据权利要求4所述的扣件尺寸的线上预测方法,还包括:
提供所述锻造模具的最大锻造力与所述锻造模具的渐变状态至所述模具状态预测模型。
6.一种扣件尺寸的线上预测系统,适用于锻造机,所述扣件尺寸的线上预测系统包括:
控制单元;
运算单元,电性连接所述控制单元,且所述运算单元具有尺寸预测模型;以及
多个感测单元,配置于所述锻造机上的锻造模具,且电性连接所述控制单元,所述多个感测单元在扣件的锻造过程中线上测量并取得感测参数,所述感测参数包括所述锻造模具的合模距离、温度与锻造力,其中所述控制单元将所述锻造模具的合模距离、温度与锻造力输入所述运算单元,以通过所述尺寸预测模型预测所述扣件的尺寸,其中所述尺寸预测模型包括:
取得锻造力成型曲线的原始数据;
取得与所述锻造力成型曲线对应的扣件尺寸;
通过机器学习方式特征化所述原始数据;以及
比对特征化后的所述原始数据与所述与锻造力成型曲线对应的扣件尺寸,以检出与所述扣件尺寸相关性最高的特征。
7.根据权利要求6所述的扣件尺寸的线上预测系统,其中所述运算单元还具有模具状态预测模型。
8.根据权利要求7所述的扣件尺寸的线上预测系统,其中所述模具状态预测模型是以仿制样本生成方法与失效诊断方法所构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301136.5A CN112985318B (zh) | 2019-12-17 | 2019-12-17 | 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301136.5A CN112985318B (zh) | 2019-12-17 | 2019-12-17 | 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112985318A CN112985318A (zh) | 2021-06-18 |
CN112985318B true CN112985318B (zh) | 2022-11-22 |
Family
ID=76342184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911301136.5A Active CN112985318B (zh) | 2019-12-17 | 2019-12-17 | 扣件尺寸的线上预测方法与扣件尺寸的线上预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112985318B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071162A1 (fr) * | 2001-03-01 | 2002-09-12 | Usinor | Procede de controle et de commande d'un processus technique |
JP2003151744A (ja) * | 2001-11-15 | 2003-05-23 | Matsushita Electric Ind Co Ltd | 加熱装置 |
TW200612214A (en) * | 2004-10-14 | 2006-04-16 | Toshiba Mitsubishi Elec Inc | Material controlling method and device for rolling, forging or straightening line |
CN101210798A (zh) * | 2006-12-29 | 2008-07-02 | 财团法人金属工业研究发展中心 | 一种运用于元件的微细尺寸机上测量的方法及系统 |
WO2014170919A1 (en) * | 2013-04-15 | 2014-10-23 | Vea S.R.L. | Method of controlling a forging system and relative system |
EP3009898A1 (en) * | 2014-10-15 | 2016-04-20 | Vea S.r.l. | Automatically controlled method for forging a workpiece. |
CN105880449A (zh) * | 2016-04-07 | 2016-08-24 | 中南大学 | 模锻压机运行状态的在线预测方法及系统 |
CN106202937A (zh) * | 2016-01-28 | 2016-12-07 | 西北工业大学 | M50钢锻造组织中碳化物尺寸预测方法 |
CN107844852A (zh) * | 2017-10-20 | 2018-03-27 | 太原理工大学 | 一种模拟铸钢件砂型铸造过程的缩松缺陷预测方法 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN109242192A (zh) * | 2018-09-20 | 2019-01-18 | 高志远 | 一种低压铸造生产数据处理与工艺优化方法 |
CN109840335A (zh) * | 2017-11-27 | 2019-06-04 | 上海交通大学 | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 |
KR102016270B1 (ko) * | 2018-12-28 | 2019-08-29 | 부산대학교 산학협력단 | 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649964B (zh) * | 2016-10-17 | 2020-02-04 | 贵州大学 | 一种基于ga-elm算法的铝合金压铸件晶粒尺寸预测方法 |
JP6665849B2 (ja) * | 2017-12-14 | 2020-03-13 | マツダ株式会社 | 鋳造品の機械的特性予測方法、機械的特性予測システム、機械的特性予測プログラム及び機械的特性予測プログラムを記録したコンピュータ読取り可能な記録媒体 |
-
2019
- 2019-12-17 CN CN201911301136.5A patent/CN112985318B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071162A1 (fr) * | 2001-03-01 | 2002-09-12 | Usinor | Procede de controle et de commande d'un processus technique |
JP2003151744A (ja) * | 2001-11-15 | 2003-05-23 | Matsushita Electric Ind Co Ltd | 加熱装置 |
TW200612214A (en) * | 2004-10-14 | 2006-04-16 | Toshiba Mitsubishi Elec Inc | Material controlling method and device for rolling, forging or straightening line |
CN1913984A (zh) * | 2004-10-14 | 2007-02-14 | 东芝三菱电机产业系统株式会社 | 轧制、锻造或矫正生产线的材质控制方法及其装置 |
CN101210798A (zh) * | 2006-12-29 | 2008-07-02 | 财团法人金属工业研究发展中心 | 一种运用于元件的微细尺寸机上测量的方法及系统 |
WO2014170919A1 (en) * | 2013-04-15 | 2014-10-23 | Vea S.R.L. | Method of controlling a forging system and relative system |
EP3009898A1 (en) * | 2014-10-15 | 2016-04-20 | Vea S.r.l. | Automatically controlled method for forging a workpiece. |
CN106202937A (zh) * | 2016-01-28 | 2016-12-07 | 西北工业大学 | M50钢锻造组织中碳化物尺寸预测方法 |
CN105880449A (zh) * | 2016-04-07 | 2016-08-24 | 中南大学 | 模锻压机运行状态的在线预测方法及系统 |
CN107844852A (zh) * | 2017-10-20 | 2018-03-27 | 太原理工大学 | 一种模拟铸钢件砂型铸造过程的缩松缺陷预测方法 |
CN109840335A (zh) * | 2017-11-27 | 2019-06-04 | 上海交通大学 | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN109242192A (zh) * | 2018-09-20 | 2019-01-18 | 高志远 | 一种低压铸造生产数据处理与工艺优化方法 |
KR102016270B1 (ko) * | 2018-12-28 | 2019-08-29 | 부산대학교 산학협력단 | 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 |
Non-Patent Citations (3)
Title |
---|
Rolling force prediction for strip casting using theoretical model and artificial intelligence;Guangming Cao等;《Journal of Central South University of Technology》;20100815(第04期);141-146 * |
基于BP神经网络和遗传算法的齿轮坯预锻件多目标优化设计;张明月 等;《锻压技术》;20101225;第35卷(第06期);22-26 * |
基于T-S模糊神经网络和田口法的热径向锻造端部凹坑预测;王碧凝 等;《锻压技术》;20180525;第43卷(第05期);6-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN112985318A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
CN108121295A (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
US20220091597A1 (en) | Analysis system and analysis method | |
CN113486457A (zh) | 一种压铸件缺陷预测及诊断系统 | |
CN105891321B (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
CN101118422A (zh) | 半导体制造的虚拟量测预估与建立预估模型的方法与系统 | |
CN110561191A (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
CN105868428A (zh) | 冲压件的回弹补偿方法 | |
TWI566061B (zh) | The management system of the mold clamping device | |
CN105334105A (zh) | 一种高速冲裁裂纹萌生临界损伤阀值的获取方法及装置 | |
CN111428329A (zh) | 基于模型的机器学习系统 | |
TWI729627B (zh) | 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統 | |
US11940357B2 (en) | System for predicting anomalies of machining | |
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 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN115323292A (zh) | 一种高强铝合金热处理工艺的智能预警方法 | |
CN112906155B (zh) | 一种用于注塑品信息的虚拟量测方法 | |
KR101482758B1 (ko) | 문제 검출 방법 | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
KR20130112243A (ko) | 시편에 대한 성형 및 크랙 분석의 비접촉식 진단 장치 및 이를 위한 소프트웨어 | |
TWI700566B (zh) | 扣件成型機之模具異常診斷方法及其電腦程式產品 | |
Sinha | Efficient wall thickness analysis methods for optimal design of casting parts | |
CN117505551B (zh) | 用于异型钢连轧工艺的工件质量控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |