CN113095340A - 生产机台的异常预警方法以及物件的量产方法 - Google Patents
生产机台的异常预警方法以及物件的量产方法 Download PDFInfo
- Publication number
- CN113095340A CN113095340A CN201911335898.7A CN201911335898A CN113095340A CN 113095340 A CN113095340 A CN 113095340A CN 201911335898 A CN201911335898 A CN 201911335898A CN 113095340 A CN113095340 A CN 113095340A
- Authority
- CN
- China
- Prior art keywords
- parameters
- machine
- production
- objects
- tool
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 29
- 238000007689 inspection Methods 0.000 description 18
- 239000000758 substrate Substances 0.000 description 12
- 230000007774 longterm Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
- G05B19/0425—Safety, monitoring
-
- 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
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
一种生产机台的异常预警方法以及物件的量产方法,所述生产机台的异常预警方法包括:接收来自若干个机台中的每一者的若干组基底参数、以若干组基底参数进行一群集分析以得到一分析结果、侦测分析结果中是否出现一离群群集或一离群点、于侦测到离群群集或离群点时,发出离群群集或离群点对应的机台的一示警信息、以及于未侦测到离群群集或离群点时,不发出任何示警信息。本发明的生产机台的异常预警方法以及物件的量产方法,能系统性监督各机台的生产参数优化是否趋势异常,并针对潜在或即时异常进行示警,以致对于多机台同时大批量生产状况下,不须人工监控机台状态,且能同时依长短期特性飘移进行分析示警。
Description
【技术领域】
本发明是关于自动化生产技术,特别是关于一种生产机台的异常预警方法以及物件的量产方法。
【背景技术】
现代企业的竞争越来越激烈,为保证企业的市场竞争地位,如何提高生产效率已成为企业的一大关注焦点。为了提升生产技术与良率,并降低生产过程中所产生的异常损失,厂商莫不积极的导入生产自动化制程,以缩短回货时间(Cycle Time)与提升良率(Yield),期能在毛利不断压缩的现实下,提高获利能力与竞争优势。
机台的零件性能状态会因长期使用而弱化或故障。当零件有异常状况时,机台则必须停止加工,并通知设备维修人员进行检视或安排维修时程。若机台遇到零件异常但未即时检修,机台所接续生产出的物件(即产品)则多半良率不佳,甚至需要报废,以致造成制程成本增加及生产效率降低等问题。
再者,针对同一种类产品在严苛的生产环境中进行大批量的生产时,机台的不确定性使得工程师无法准确判断产品的最佳生产参数。并且,针对大批量的同类产品,每次加工都需要手动输入机台的生产参数,使得整个产品的生产效率低下,且不能保证输入的生产参数是否为最佳参数。
【发明内容】
在一实施例中,一种生产机台的异常预警方法,其包括:接收来自若干个机台中的每一者的若干组基底参数、以若干组基底参数进行一群集分析以得到一分析结果、侦测分析结果中是否出现一离群群集或一离群点、于侦测到离群群集或离群点时,发出离群群集或离群点对应的机台的一示警信息、以及于未侦测到离群群集或离群点时,不发出任何示警信息。
在一实施例中,一种物件的量产方法,其包括:以一机台生产若干个物件。其中,各物件的生产步骤包括:调整一组随机参数、以机台的一组基底参数及调整后的一组随机参数产生一组生产参数、以此组生产参数设定机台、以及以设定后的机台生产物件。
综上所述,根据本发明的生产机台的异常预警方法以及物件的量产方法,能系统性监督各机台的生产参数优化是否趋势异常(如,长期性离群异常或/及短期离群异常),并针对潜在或即时异常进行示警,以致对于多机台同时大批量生产状况下,不须人工监控机台状态,且能同时依长短期特性飘移进行分析示警。换言之,机台无须以各生产参数的绝对阀值来检测机台的零件性能状态是否稳定。
【附图说明】
图1为一实施例的量产系统的示意图。
图2为一实施例的生产机台的异常预警方法的流程图。
图3为又一实施例的生产机台的异常预警方法的流程图。
图4为图3中的步骤S20的一示范例的流程图。
图5为另一实施例的量产系统的示意图。
图6为图5中的影像检测系统的一示范例的示意图。
图7为图3中的步骤S30的第一示范例的流程图。
图8为图3中的步骤S30的第二示范例的流程图。
图9为图3中的步骤S30的第三示范例的流程图。
图10为图3中的步骤S30的第四示范例的流程图。
图11为图3中的步骤S30的第五示范例的流程图。
图12为图3中的步骤S30的第六示范例的流程图。
【具体实施方式】
在一实施例中,参照图1,量产系统包括若干个机台10以及一服务器20。各机台10通过网络(如,区域网络或网际网络)耦接服务器20。于此,每一机台10根据各自的一组基底参数生产同一种物件。在一些实施例中,此组基底参数包括下列生产参数设定中的若干个基本设定值:机台10各部分加热器的温度设定曲线、水冷系统的温度设定曲线、各个原料入料流道的压力与遇热温度、成品冷却的等待时间等。在一些实施例中,服务器20可为公有云的主机、私有云的主机、或具有一定运算能力的主机。
参照图1及图2,服务器20通过网络接收来自每一机台10的若干组基底参数(步骤S11)。换言之,服务器20接收各机台10生产一批物件时所使用的一组基底参数。
于步骤S11之后,服务器20以来自各机台10的多组基底参数进行群集分析以得到一分析结果(步骤S12),并侦测分析结果中是否出现一离群群集或一离群点(步骤S13)。其中,分析结果中呈现多个群集的分布,并且每个群集是由多个群点所汇聚而成。于此,各群集是由来自一个机台10的多组基底参数所构成,而各群点则是由来自一个机台10的一组基底参数所构成。换言之,一个离群群集是由来自若干个机台10中的某一个机台10的多组基底参数所构成,而一个离群点则是由来自某一个机台10的某一组基底参数所构成。
于侦测到离群群集或离群点时,服务器20发出离群群集或离群点对应的机台的一示警信息(步骤S14)。反之,于未侦测到离群群集或离群点时,服务器20则不发出任何示警信息(步骤S15)。其中,于离群点出现时,服务器20进行对应的机台的短期示警。其中,于离群群集出现时,服务器20进行对应的机台的长期示警。
在一些实施例中,各机台10周期性更新其所使用的一组基底参数。并且,各机台10于更新其所使用的一组基底参数后即将更新后的一组基底参数传送给服务器20。在一实施例中,于各机台10传送更新后的一组基底参数传送给服务器20时,服务器20以各机台10先前接收到的至少一组基底参数与当前接收到的一组基底参数进行群集分析(ClusterAnalysis)以得到一分析结果(步骤S12)。在另一实施例中,于各机台10传送更新后的一组基底参数传送给服务器20时,服务器20以当前接收到的一组基底参数在先前得到的分析结果中增加由此组基底参数构成的群点,以得到新的分析结果(步骤S12)。
在一些实施例中,机台10的信号处理装置可通过计算全损(total loss)来得到离群群集。其中,全损(total loss)可根据特定权重的惩罚参数来计算。举例来说,全损可为第一权重的偏移值(Devication)与第二权重的重复性(Repeatability)的总和。其中,第一权重与第二权重可以实际需求设置。
在一些实施例中,参照图1至图3,各机台10会利用各自的一组基底参数生产一批物件(步骤S20),并且于生产完一批物件后进行基底参数的更新(步骤S30)。在一些实施例中,一批物件的数量可例如为80个、1000个、5000个或10000个等。
在步骤S20的一示范例中,参照图1及图4,于每次生产物件时,机台10会先调整一组随机参数(步骤S21),并以此机台10当前使用的一组基底参数及调整后的此组随机参数产生一组生产参数(步骤S22)。在一些实施例中,一组基底参数包括机台10的若干个生产参数设定的基本设定值,而一组随机参数则对应包括此些生产参数设定的随机调整量。换言之,用以设定机台10的若干个生产参数设定的一组生产参数为对应的基底参数通过对应的随机参数调整而生成。举例来说,机台10的加热器的设定温度的设定值是由温度的基本设定值(即基底参数)通过温度的随机调整量(即随机参数)调整而生成。在一些实施例中,随机调整量可为一既定范围内的一参数随机值(如,±0.3单位之间的任意数、或-0.2~0.1单位之间的任意数等)、或另一既定范围内的一参数随机比例(如,±2%之间的一任意比例、±5%之间的一任意比例、或±10%之间的一任意比例等)。换言之,在步骤S21中,各生产参数设定的随机参数则是在其对应的既定范围内调整。于此,可依据实际需求来决定各取像设定对应的既定范围(或另一既定范围)。
于产生一组生产参数(步骤S22)后,机台10以产生的一组生产参数设定机台10的对应的生产参数设定(步骤S23)。于设定(步骤S23)后,机台10即以设定后的生产参数设定进行一物件的生产,即设定后的机台10生产一物件(步骤S24)。
于此,机台10通过反复执行步骤S21至步骤S24来生产多个物件。并且,于每次完成物件的生产(步骤S24)后,机台10的信号处理装置会进行生产的物件量的累加。于累加的物件量达预先设定的物件基数(即一既定数量)时,机台10的信号处理装置会进行基底参数的更新程序(步骤S30)。举例来说,以物件基数为10000(即一批物件的既定数量为10000为例,物件量的初始值为0。于每次生产(步骤S24)后,信号处理装置将物件量累计1。于物件量累计至10000时,信号处理装置进行基底参数的更新程序(步骤S30),并将物件量重置为初始值。
在一实施例中,各机台10除了物件生产系统(用以执行步骤S20)外还可内建一影像检测系统(用以执行步骤S30)。在一示范例中,当影像检测系统内建于机台10中时,物件生产系统与影像检测系统能由共同使用同一信号处理装置进行各自的程序控制。在另一实施例中,各影像检测系统30也可从外部信号耦接至对应的机台10,如图5所示。其中,各影像检测系统30能进行对应机台10所生产的物件的检测并据以提供基底参数的更新值给对应机台10的信号处理装置,以更新对应机台10的当前使用的基底参数。
以影像检测系统30外接机台10为例,在步骤S30的一示范例中,参照图5至图7,针对任一机台10所生产的一批物件40,以对应的影像检测系统30的摄像模块330拍摄各物件40以得到各物件40的物件影像(步骤S31),并以影像检测系统30的信号处理装置350利用各物件40的物件影像进行一瑕疵检测以得到此物件40的缺陷率(步骤S32)。在一些实施例中,瑕疵检测可利用一瑕疵检测演算法来实现,例如,深度学习(Deep Learning)演算法。举例来说,在瑕疵检测的一示范例中,已训练好的深度学习模型(即缺陷率的预测模型)会根据物件影像的特定影像图块中的亮点数及/或从物件影像中识别出的缺陷的数量等项目来输出此物件40的缺陷率。在一些实施例中,影像检测系统30能在机台10生产完一批物件后,再进行产出的各物件40的影像撷取(步骤S31)及瑕疵检测(步骤S32),如图7所示。在一些实施例中,影像检测系统30能在每个物件40产出时,接续进行产出的物件40的影像撷取(步骤S31-1)及瑕疵检测(步骤S32-1),如图8所示。
对于每批物件40,影像检测系统30的信号处理装置350以此批物件40中所有物件40的缺陷率与其各自对应的一组生产参数(即机台10生产此物件40时所用的一组生产参数)进行群集分析以得到稳定群集(步骤S33)。其中,群集分析的分析结果中呈现多个群集的分布,并且每个群集是由多个群点所汇聚而成。于此,各群点则是由一个物件40的缺陷率及其对应的一组生产参数所构成。换言之,一个稳定群集是可汇聚大部分的群点且具代表性的群集。
然后,影像检测系统30的信号处理装置350根据得到的稳定群集更新对应机台10当前使用的一组基底参数(步骤S34)。
在步骤S30的另一示范例中,参照图5、图6及图9,针对任一机台10所生产的一批物件40,以对应的影像检测系统30的摄像模块330拍摄各物件40以得到各物件40的物件影像(步骤S31’),并以影像检测系统30的信号处理装置350利用各物件40的物件影像判定此物件40的至少一目标形态(步骤S32’)。在一些实施例中,目标型态可为此物件40的特定部位(如,位于物件40特定区域的特定结构)的估算尺寸、此物件40的特定部位的变形量、或此物件40的缺陷等。其中,估算尺寸可为物件40的特定部位的长度、宽度、直径或其组合等。特定部位可为位于物件40特定区域的特定结构,如槽孔、凸块、或转轴等。在步骤S32’的一些示范例中,信号处理装置350可基于物件影像对应特定部位的若干个位置分别估算对应的物件40的特定部位的若干个量测尺寸,然后取若干个量测尺寸的平均值以得到对应的物件40的特定部位的估算尺寸。举例来说,信号处理装置350可在物件影像中呈现孔洞的圆周上不同位置量测得圆周的10个直径值,然后再取平均来得到对应此孔洞的估算直径。
在一些实施例中,影像检测系统30能在机台10生产完一批物件后,再进行产出的各物件40的影像撷取(步骤S31’)及瑕疵检测(步骤S32’),如图9所示。在一些实施例中,影像检测系统30能在每个物件40产出时,接续进行产出的物件40的影像撷取(步骤S31-1’)及瑕疵检测(步骤S32-1’),如图10所示。
对于每批物件40,影像检测系统30的信号处理装置350以此批物件40中所有物件40的目标型态与其各自对应的一组生产参数(即机台10生产此物件40时所用的一组生产参数)进行群集分析以得到稳定群集(步骤S33’)。其中,群集分析的分析结果中呈现多个群集的分布,并且每个群集是由多个群点所汇聚而成。于此,各群点则是由一个物件40的目标型态及其对应的一组生产参数所构成。换言之,一个稳定群集是可汇聚大部分的群点且具代表性的群集。
然后,影像检测系统30的信号处理装置350根据得到的稳定群集更新对应机台10当前使用的一组基底参数(步骤S34’)。
在步骤S34或S34’的一示范例中,影像检测系统30的信号处理装置350利用稳定群集中各群点对应的一组生产参数取得或计算更新用的一组生产参数。举例来说,影像检测系统30的信号处理装置350找出稳定群集中重复性较高的群点并取得构成此群点的一组生产参数以作为更新使用。在另一例子中,影像检测系统30的信号处理装置350找出稳定群集中中心区域的多个群点、取得构成中心区域的多个群点中的每个群点的一组生产参数,然后计算各生产参数的均值以得到更新用的一组生产参数。然后,影像检测系统30的信号处理装置350将取得的更新用的一组生产参数提供给机台10,并且由机台10的信号处理装置以来自影像检测系统30的更新用的一组生产参数更新其当前使用的一组基底参数。
在一些实施例中,在步骤S24中,除了机台10的物件生产系统进行物件的产出外,机台10的至少一环境侦测器同时会侦测环境状态,例如机台10周边的温度、湿度、压力或其组合等环境参数。换言之,设定后的机台10会在一组环境参数下生产物件。在步骤S30的又一示范例中,参照图1及图11,对于每批物件,机台10的信号处理装置以其所生产的所有物件各自对应的一组生产参数(即机台10生产此物件时所用的一组生产参数)及其各自对应的一组环境参数(即机台10生产此物件时侦测到的一组环境参数)进行一人工神经网络的训练以得到一预测模型(步骤S39)。在一些实施例中,人工神经网络可利用一演算法来实现,例如,深度学习(Deep Learning)演算法。换言之,预测模型为已训练好的深度学习模型(即已训练好的人工神经网络)。
并且,请参见图12,于机台10生产下一批物件前,机台10的环境侦测器会先侦测机台10周边的环境状态以得到当前的一组环境参数(步骤S36),并提供给机台10的信号处理装置。然后,机台10的信号处理装置再根据当前的一组环境参数与预测模型产生一组预测参数(步骤S37)。在步骤S37的一示范例中,机台10的信号处理装置将得到的当前的一组环境参数输入至预测模型(即已训练好的人工神经网络)中并由预测模型基于输入的一组环境参数输出一组预测参数。
然后,机台10的信号处理装置以产生的一组预测参数更新机台10当前使用的一组基底参数(步骤S38)。换言之,在于机台10开始生产一批物件前,机台10会先基于当前的环境参数重设所使用的基底参数。
在一些实施例中,机台10的信号处理装置能在每一批物件生产完成(步骤S24)后,都再次以当次生产的整批物件所对应的生产参数与环境参数再次进行人工神经网络的训练以得到更新后的预测模型(步骤S39)。换言之,在机台10于当前的环境参数更新基底参数并以更新后的基底参数生产完一批物件后,机台10会重启所使用的预测模型(即原已训练号的人工神经网络)的训练模式并输入当次生产的整批物件的所对应的生产参数与环境参数以再次训练人工神经网络来更新预测模型。
在一些实施例中,前述的各信号处理装置可由一个或多个处理器实现。在一些实施例中,摄像模块330还可包括感光元件,如线(linear)型影像感测器或面型影像感测器。在一些实施例中,环境侦测器可例如温度计、湿度计、压力计或其任意组合等。
综上所述,根据本发明的生产机台的异常预警方法以及物件的量产方法,能系统性监督各机台的生产参数优化是否趋势异常(如,长期性离群异常或/及短期离群异常),并针对潜在或即时异常进行示警,以致对于多机台同时大批量生产状况下,不须人工监控机台状态,且能同时依长短期特性飘移进行分析示警。换言之,机台无须以各生产参数的绝对阀值来检测机台的零件性能状态是否稳定。在一些实施例中,每台机器个别可自动依生产品质进行生产参数优化,减少人为监控的需求,进而自适性提高整体良率。换言之,对单一机台下进行大批量生产状况下,不须人工细致调机,机台可依其长期特性飘移进行多维生产参数校正的适应。在一些实施例中,每台机器个别可自动依生产品质进行学习,减少人为监控的需求,且能具备环境参数的应变能力,进而自适性提高整体良率。换言之,对单一机台下进行大批量生产状况下,不须人工细致对应环境状态进行机台的调整,机台能自行依据随机学习结果来及时进行多维生产参数对环境变异的适应。
Claims (18)
1.一种生产机台的异常预警方法,其特征在于,包括:
接收来自若干个机台中的每一者的若干组基底参数;
以该若干组基底参数进行一群集分析以得到一分析结果;
侦测该分析结果中是否出现一离群群集或一离群点;
于侦测到该离群群集或该离群点时,发出该离群群集或该离群点对应的该机台的一示警信息;以及
于未侦测到该离群群集或该离群点时,不发出任何该示警信息。
2.如权利要求1所述的生产机台的异常预警方法,其特征在于,同一该机台的各该组基底参数为该机台一次更新后所使用的生产参数设定。
3.如权利要求1所述的生产机台的异常预警方法,其特征在于,还包括:
执行各该机台的生产程序,其中执行各该机台的该生产程序的步骤包括:
以该机台生产若干个物件,其中各该物件的该生产步骤包括:
调整一组随机参数;
以该机台的该若干组基底参数中的一组基底参数及调整后的该组随机参数产生一组生产参数;
以该组生产参数设定该机台;以及
以设定后的该机台生产该物件;
以一摄像模块拍摄各该物件以得到各该物件的物件影像;
利用各该物件的该物件影像进行一瑕疵检测以得到一缺陷率;
以该若干个物件的若干个该缺陷率与该若干个物件对应的若干组该生产参数进行一群集分析以得到一稳定群集;以及
根据该稳定群集更新该机台当前使用的该组基底参数。
4.如权利要求3所述的生产机台的异常预警方法,其特征在于,该瑕疵检测为一深度学习。
5.如权利要求3所述的生产机台的异常预警方法,其特征在于,根据该稳定群集更新该机台当前使用的该组基底参数的步骤包括:以该稳定群集对应的该组生产参数更新该机台当前使用的该组基底参数。
6.如权利要求1所述的生产机台的异常预警方法,其特征在于,还包括:
执行各该机台的生产程序,其中执行各该机台的该生产程序的步骤包括:
以该机台生产若干个物件,其中各该物件的该生产步骤包括:
调整一组随机参数;
以该机台的该若干组基底参数中的一组基底参数及调整后的该组随机参数产生一组生产参数;
以该组生产参数设定该机台;以及
以设定后的该机台生产该物件;
以一摄像模块拍摄各该物件以得到各该物件的物件影像;
利用各该物件的该物件影像判定该物件的至少一目标形态;
以该若干个物件的若干个该目标形态与该若干个物件对应的若干组该生产参数进行一群集分析以得到一稳定群集;以及
根据该稳定群集更新该机台当前使用的该组基底参数。
7.如权利要求6所述的生产机台的异常预警方法,其特征在于,各该目标形态为该物件的一缺陷。
8.如权利要求6所述的生产机台的异常预警方法,其特征在于,各该目标形态为该物件的一特定部位的一估算尺寸。
9.如权利要求6所述的生产机台的异常预警方法,其特征在于,各该目标形态为该物件的一特定部位的一变形量。
10.如权利要求6所述的生产机台的异常预警方法,其特征在于,根据该稳定群集更新该机台当前使用的该组基底参数的步骤包括:以该稳定群集对应的该组生产参数更新该机台当前使用的该组基底参数。
11.如权利要求1所述的生产机台的异常预警方法,其特征在于,还包括:
执行各该机台的生产程序,其中执行各该机台的该生产程序的步骤包括:
以该机台生产若干个物件,其中各该物件的该生产步骤包括:
调整一组随机参数;
以该机台的该若干组基底参数中的一组基底参数及调整后的该组随机参数产生一组生产参数;
以该组生产参数设定该机台;以及
在一组环境参数下以设定后的该机台生产该物件;以及
以该若干个物件分别对应的若干组该生产参数与该若干个物件分别对应的若干组该环境参数进行一人工神经网络的训练以得到一预测模型。
12.如权利要求11所述的生产机台的异常预警方法,其特征在于,还包括:
执行各该机台的生产程序,其中执行各该机台的该生产程序的步骤包括:
检测该机台的环境以得到当前的一组环境参数;
根据当前的该组环境参数与该预测模型产生一组预测参数;
以该组预测参数更新该机台当前使用的该组基底参数;以及
以更新该组基底参数后的该机台生产若干个物件,其中各该物件的该产生步骤包括:
调整一组随机参数;
以该机台的该若干组基底参数中的一组基底参数及调整后的该组随机参数产生一组生产参数;
以该组生产参数设定该机台;以及
在一组环境参数下以设定后的该机台生产该物件。
13.如权利要求12所述的生产机台的异常预警方法,其特征在于,执行各该机台的该生产程序的步骤还包括:
以该若干个物件分别对应的若干组该生产参数与该若干个物件分别对应的若干组该环境参数进行该预测模型的人工神经网络的训练以得到更新后的该预测模型。
14.一种物件的量产方法,其特征在于,包括:
以一机台生产若干个物件,其中各该物件的该生产步骤包括:
调整一组随机参数;
以该机台的一组基底参数及调整后的该组随机参数产生一组生产参数;
以该组生产参数设定该机台;以及
以设定后的该机台生产该物件。
15.如权利要求14所述的物件的量产方法,其特征在于,各该物件的该生产步骤还包括:
以一摄像模块拍摄该物件以得到该物件的物件影像;以及
利用该物件影像判定该物件的至少一目标形态;
其中该物件的量产方法还包括:
以该若干个物件的若干个该目标形态与该若干个物件对应的该若干组生产参数进行一群集分析以得到一稳定群集;以及
根据该稳定群集更新该机台当前使用的该组基底参数。
16.如权利要求14所述的物件的量产方法,其特征在于,各该物件的该生产步骤还包括:
以一摄像模块拍摄该物件以得到该物件的物件影像;以及
利用该物件影像进行一瑕疵检测以得到一缺陷率;
其中该物件的量产方法还包括:
以该若干个物件的若干个该缺陷率与该若干个物件对应的该若干组生产参数进行一群集分析以得到一稳定群集;以及
根据该稳定群集更新该机台当前使用的该组基底参数。
17.如权利要求14所述的物件的量产方法,其特征在于,以设定后的该机台生产该物件的步骤包括在一组环境参数下以设定后的该机台生产该物件,以及其中该物件的量产方法还包括:
以该若干个物件分别对应的该若干组生产参数与该若干个物件分别对应的该若干组环境参数进行一人工神经网络的训练以得到一预测模型。
18.如权利要求14所述的物件的量产方法,其特征在于,以设定后的该机台生产该物件的步骤包括在一组环境参数下以设定后的该机台生产该物件,以及其中该物件的量产方法还包括:
检测该机台的环境状态以得到当前的一组环境参数;
根据当前的该组环境参数与一预测模型产生一组预测参数;以及
以该组预测参数更新该机台当前使用的该组基底参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335898.7A CN113095340B (zh) | 2019-12-23 | 2019-12-23 | 生产机台的异常预警方法以及物件的量产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335898.7A CN113095340B (zh) | 2019-12-23 | 2019-12-23 | 生产机台的异常预警方法以及物件的量产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095340A true CN113095340A (zh) | 2021-07-09 |
CN113095340B CN113095340B (zh) | 2024-04-16 |
Family
ID=76662949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335898.7A Active CN113095340B (zh) | 2019-12-23 | 2019-12-23 | 生产机台的异常预警方法以及物件的量产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095340B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004165216A (ja) * | 2002-11-08 | 2004-06-10 | Matsushita Electric Ind Co Ltd | 生産管理方法および生産管理装置 |
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN106323452A (zh) * | 2015-07-06 | 2017-01-11 | 中达电子零组件(吴江)有限公司 | 一种设备异音的检测方法及检测装置 |
CN108241925A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于离群点检测的离散制造机械产品质量溯源方法 |
CN108604093A (zh) * | 2016-02-05 | 2018-09-28 | 依视路国际公司 | 用于监测光学镜片制造过程的方法 |
US20180314965A1 (en) * | 2017-04-26 | 2018-11-01 | Elasticsearch B.V. | Anomaly and Causation Detection in Computing Environments Using Counterfactual Processing |
KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
CN109670695A (zh) * | 2018-12-12 | 2019-04-23 | 太原科技大学 | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 |
DE102018006035A1 (de) * | 2018-02-27 | 2019-08-29 | Stasa Steinbeis Angewandte Systemanalyse Gmbh | Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen |
WO2019235776A1 (ko) * | 2018-06-07 | 2019-12-12 | 엘지이노텍 주식회사 | 이상 개체 판단 장치 및 방법 |
-
2019
- 2019-12-23 CN CN201911335898.7A patent/CN113095340B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004165216A (ja) * | 2002-11-08 | 2004-06-10 | Matsushita Electric Ind Co Ltd | 生産管理方法および生産管理装置 |
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN106323452A (zh) * | 2015-07-06 | 2017-01-11 | 中达电子零组件(吴江)有限公司 | 一种设备异音的检测方法及检测装置 |
TW201703028A (zh) * | 2015-07-06 | 2017-01-16 | 中達電子零組件(吳江)有限公司 | 設備異音的檢測方法及檢測裝置 |
CN108604093A (zh) * | 2016-02-05 | 2018-09-28 | 依视路国际公司 | 用于监测光学镜片制造过程的方法 |
CN108241925A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于离群点检测的离散制造机械产品质量溯源方法 |
US20180314965A1 (en) * | 2017-04-26 | 2018-11-01 | Elasticsearch B.V. | Anomaly and Causation Detection in Computing Environments Using Counterfactual Processing |
KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
DE102018006035A1 (de) * | 2018-02-27 | 2019-08-29 | Stasa Steinbeis Angewandte Systemanalyse Gmbh | Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen |
WO2019235776A1 (ko) * | 2018-06-07 | 2019-12-12 | 엘지이노텍 주식회사 | 이상 개체 판단 장치 및 방법 |
CN109670695A (zh) * | 2018-12-12 | 2019-04-23 | 太原科技大学 | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095340B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200333777A1 (en) | Abnormality detection method and abnormality detection apparatus | |
CA2866117C (en) | Machine-vision system and method for remote quality inspection of a product | |
US20170003677A1 (en) | Real Time Monitoring System and Method Thereof of Optical Film Manufacturing Process | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
US7184910B2 (en) | Method of compensating sensor data and evaluating an interlock of an interlock system | |
TW201820213A (zh) | 排程系統及方法 | |
KR102379259B1 (ko) | AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 | |
JP6678824B2 (ja) | 非定常検出装置、非定常検出システム、および非定常検出方法 | |
CN109968671B (zh) | 3d打印过程故障诊断方法和装置 | |
CN108312456A (zh) | 一种注塑机产品工艺品质监控系统以及监控方法 | |
CN109976291A (zh) | 生产监控方法及装置 | |
CN112534362B (zh) | 控制装置、控制方法及计算机可读存储介质 | |
CN104992295A (zh) | 基于流式处理技术Storm的配电生产设备的在线监控方法 | |
CN115613128A (zh) | 一种晶体生长用智能控制系统 | |
CN114608741A (zh) | 一种基于大数据的压力传感器采集系统 | |
CN113095340A (zh) | 生产机台的异常预警方法以及物件的量产方法 | |
CN117161120A (zh) | 金合金丝的基体圆度调整方法、装置、设备及存储介质 | |
US11676055B2 (en) | System for detecting data drift in machine-learning process monitoring | |
CN109001989B (zh) | 基于智能学习算法的机器控制方法 | |
CN116618639A (zh) | 具有质量检测功能的汽车零部件浇铸机用监控系统 | |
WO2022167654A1 (en) | A food processing line and method for controlling a food processing line | |
CN209373409U (zh) | 退火炉加热管电流监控改造装置 | |
TW202123033A (zh) | 人工智慧技術估測產品良率的系統與方法 | |
WO2021250959A1 (ja) | コントローラ、システム、方法及びプログラム | |
US20240212356A1 (en) | Systems and methods for monitoring and controlling industrial processes |
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 |