CN113361958A - 一种缺陷预警方法及系统 - Google Patents
一种缺陷预警方法及系统 Download PDFInfo
- Publication number
- CN113361958A CN113361958A CN202110734381.6A CN202110734381A CN113361958A CN 113361958 A CN113361958 A CN 113361958A CN 202110734381 A CN202110734381 A CN 202110734381A CN 113361958 A CN113361958 A CN 113361958A
- Authority
- CN
- China
- Prior art keywords
- data
- product
- defect
- defects
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002950 deficient Effects 0.000 claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005282 brightening Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 26
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- 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
- G06Q50/00—Systems or methods specially adapted for 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
Abstract
本发明提出了一种缺陷预警方法及系统，涉及智能化制造领域。一种缺陷预警方法包括：进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合甚至更换磨损件。其能够在产品未被加工出来时，基于历史数据和此产品的加工数据，就可以预报出此产品在完成生产后是正品还是次品。此外本发明还提出了一种缺陷预警系统，包括：数据处理模块、建模模块及缺陷预警模块。
Description
技术领域
本发明涉及智能化制造领域，具体而言，涉及一种缺陷预警方法及系统。
背景技术
目前，大部分项目管理系统对于产品可能存在的缺陷并无直观有效的预测方法，当出现测试缺陷后，开发人员无法快速获取到测试缺陷。缺陷预警系统在产品质量普遍较低、缺陷较严重的中国制造业，意义重大！
目前所有MES都有一个共同的弱点，就是MES只能够展示出各阶段各产品的质量问题和次品，但是都不具备智能以自动地提供优化方案使本来会成为次品的产品变成正品，或在生产之前提供报警。
比如锂电池制造业的次品率，韩日等国一直声称低于2％，而中国多年一直接近10％，如何使缺陷预警系统达到简单易用和模块化，是本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提供一种缺陷预警方法，其能够在产品未被加工出来时，基于历史数据和此产品的加工数据，就可以预报出此产品在完成生产后是正品还是次品；如果将是次品，则在生产没完成时就改变生产工艺参数组合甚至更改磨损件，使得产品成为正品。此系统利用工厂现场已经有的制造执行系统MES的数据，或者工业互联网的数据，以及工厂检测部门的检测数据作为数据源，而不必专门采集数据而造成产品损失，因而开发成本相对较低。
本发明的另一目的在于提供一种缺陷预警系统，其能够运行一种缺陷预警方法。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种缺陷预警方法，其包括进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合。
在本发明的一些实施例中，在上述在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合之后还包括：改变参数组合后进行第二次判断产品是否会出现缺陷，若判断结果为会出现缺陷则更换磨损件。
在本发明的一些实施例中，上述进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据包括：基于机器视觉的图像识别模型进行产品质量缺陷检测，图像识别模型中的感知层进行图像识别和数据解析，从而获取数据并对获取到的数据进行过滤和质量优化。
在本发明的一些实施例中，上述选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度包括：建立基于工业场景的人工智能算法，用于数据实时接入处理、模型计算、规则判定及实时预警的工程模型。
在本发明的一些实施例中，上述选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度包括：对MES数据库中对此次品有影响的参数进行预处理，其中，预处理包括均值去噪并利用拉普拉斯算子调亮待识别区域，利用灰度特征提取可能会产生的缺陷数据。
在本发明的一些实施例中，在上述在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合之前还包括：通过深度学习对判定规则进行优化，建立基于机器学习的缺陷判定规则库。
在本发明的一些实施例中，上述还包括：在达到缺陷允许最大值的预设百分比值时，开启警报以避免产品出现缺陷成为次品。
第二方面，本申请实施例提供一种缺陷预警系统，其包括数据处理模块，用于进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；
建模模块，用于选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；
缺陷预警模块，用于在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合。
在本发明的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：数据处理模块、建模模块及缺陷预警模块。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种缺陷预警方法中任一项的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
第一，对所需要预警的缺陷进行影响因素的建模，通过机器学习，提高其精准性，如果模型预报目前正在生产的产品，将来在生产完成后会是次品，那么系统将进行报警，提示现场操作人员更改工艺参数组合，甚至提前更换磨损件，使得正在生产的产品，将来在生产完成后会是正品；
第二，当操作人员接到报警后进行工艺参数最佳组合时，此系统提供最佳组合的参考参数，操作人员可以利用此参数，也可。以自己设置自己认为最更好的参数，自动提供的，用于操作人员参考的参数组合便是第二大主体功能。
这两大主体功能领域内，每一块都有众多的功能点，在设置预警参数时，可以增加三方面的系数，用于对消模型误差的系数，还可以设置初始报警时的系数。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种缺陷预警方法步骤示意图；
图2为本发明实施例提供的一种缺陷预警方法详细步骤示意图；
图3为本发明实施例提供的一种缺陷预警系统模块示意图；
图4为本发明实施例提供的一种电子设备。
图标：10-数据处理模块；20-建模模块；30-缺陷预警模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，术语“包括”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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1为本发明实施例提供的一种缺陷预警方法步骤示意图，其如下所示：
步骤S100，进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；
在一些实施方式中，利用数据建模及实行机器自学，对数据质量的要求远远高于数据看板，因此在应用缺陷预警系统之前应先进行数据过滤和数据质量优化，过滤掉错误数据，修改掉遗漏的或错误的数据。
步骤S110，选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；
在一些实施方式中，对于任何一个待去除的次品，先选取出MES数据库中所具有的、对此次品有影响的参数系列，简历模型，并通过机器自学实现模型与数据的紧密关联，提高模型的高精度。先建模，再机器学习，可以基于数据调整模型系数。
步骤S120，在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合。
步骤S130，改变参数组合后进行第二次判断产品是否会出现缺陷，若判断结果为会出现缺陷则更换磨损件。
在一些实施方式中，基于历史数据进行机器学习，产生出极为精准、完全适合生产线的模型，在产品尚未完成生产时便可以预报出产品在未来是正品还是次品；如果是次品，则系统报警，现场操作人员改变参数组合甚至提前更换磨损件使之成为正品。
实施例2
请参阅图2，图2为本发明实施例提供的一种缺陷预警方法详细步骤示意图，其如下所示：
步骤S200，基于机器视觉的图像识别模型进行产品质量缺陷检测，图像识别模型中的感知层进行图像识别和数据解析，从而获取数据并对获取到的数据进行过滤和质量优化。
步骤S210，建立基于工业场景的人工智能算法，用于数据实时接入处理、模型计算、规则判定及实时预警的工程模型。
步骤S220，对MES数据库中对此次品有影响的参数进行预处理，其中，预处理包括均值去噪并利用拉普拉斯算子调亮待识别区域，利用灰度特征提取可能会产生的缺陷数据。
步骤S230，通过深度学习对判定规则进行优化，建立基于机器学习的缺陷判定规则库。
步骤S240，在达到缺陷允许最大值的预设百分比值时，开启警报以避免产品出现缺陷成为次品。
在一些实施方式中，金通分切缺陷模型极高精度
毛刺缺陷是引发锂电池着火(比如去年三星手机锂电池爆炸事件)主要触发因素；为了在线跟踪及预警锂电池极片毛刺缺陷尺寸，金通团队为某大型锂电池厂建立了毛刺缺陷尺寸预报模型，通过模型预报值和实际测量值的对比来界定模型预报的精准度。
合作之初：该厂用此极难建模的极片分切毛刺预报模型对金通模型水平进行严格考察，要求模型命中率85％，金通“大脑”达到了98％命中率；在对此结果难以置信的情况下，又重新测取一批数据，金通模型命中率更高；目前也针对中国制造业数据采集能力较弱的现状，成功应用行业难度极高的软测量技术；软测量就是在某参数难以直接测量时，利用高精度模型将待测量的参数预报出来。
历经第一阶段的磨合：项目第二阶段将进一步预报出失效刀具和毛刺缺陷，利用软件，实现缺陷产品尺寸的在线预警与跟踪，确保次品不发生或减少次品(次品就是当缺陷尺寸超出允许的最大值的情形)。
在一些实施方式中，用现场的历史数据预报现场的未来，建立极为精准的模型系统，在产品的加工中，当产品还没有完成时，便可以预报出正在生产的产品在成为成品时是正品还是次品？如果将来是次品，在加工中，就应该改变参数组合，甚至提前更换磨损件，使得正在加工的产品，将来是正品！这样便可以大大降低次品率，提高产品质量！
在一些实施方式中，基于以上的讨论，主导产品如下：
(1)主要产品，特别是初始阶段，是已经开发完成的缺陷预警系统在各家MES上的安装，指别是增加与各个MES系统的安装接口，使之能够充分结合到现有各家MES之中。目前所有MES都有一个共同的弱点，就是MES能够展示出各阶段各产品的质量问题和次品，但是都不具备智能以自动地提供优化方案使本来会成为次品的产品变成正品，或在生产之前提供报警。本项目的产品缺陷预警系统完美地解决了这个问题。
(2)设备软件系统和未来全面智能系统的开发平台；在此平台上凝聚着本团队几十年来的技术和成果。目前主要的成果有：(a)制造业智能系统技术，包括主体领域二级系统特别是新一代二级系统,以及此技术与一、三和四级系统的集成；(b)此系统基于中国需求的简化，缺陷预警系统，将与MES深度集成，比如将开发缺陷预警系统与各家MES供货商产品的接口以便于集成；(c)基于此平台定制开发的设备软件系统和(两三年后的将来)工厂层面的智能制造系统，特别是新兴行业所需要的诸如5G材料技术。
(3)用于筹资的一系列现系统优化、技术咨询和基于以前所完成各国智能制造的案例培训，等等。
主体技术缺陷预警系统，包括以下几项功能：
1、数据优化。对于现有MES数据进行优化，比如根据制造过程特征，对于错误的和漏采集的数据进行优化和补充。
2、缺陷预报及消除。对于客户选定的需要消除的目标缺陷，可以自动地进行建模和进行机器自学，确定生产过程中设备、工艺和来料等因素与此缺陷的关联，设计出的缺陷预警系统，可以在产品没生产出来之前就预报出此产品生产出来后是否为次品；如果是次品，有没有可能通过改变现有生产参数而消除次品使之成为正品？如果有，则系统为操作人员提供参考数据；如果没有，则警示现场操作人员迅速更换磨损件，使得此产品成为正品。此可使本来会成为次品的产品，变为正品，使得次品率大大降低，产品质量大大提高。
3、次品预警。实际操作中在达到缺陷允许最大值(既产生次品的值)的90％或80％(此值可调)便开始报警(拉响笛等)，以确保次品能够充分地避免。此即缺陷预警系统这个名字的由来。由于通过数据对系统进行机器自学，所以只要数据质量足够，系统中的模型能够充分反映出现场的实际情况。
4、生产指导。此系统对操作人员追求现场的最优化操作进行指导，比如可以建议最佳的参数值；如果现场有磨损件，可以建议具体每一个磨损件的最优使用时间。以分切刀具为例。假定常规的使用时间为一周。由于每个磨损件刀具的情况不同，对于好的刀可以达到正常使用寿命后仍然不会引起次品；而对于差的刀在低于正常使用寿命之前就容易产生次品，所以通过鉴定每个刀具的实际质量可以针对每一个磨损件的实际情况，确定其应有使用寿命。
5、软测量技术。此项目中遇到了某些极难测量的参数，在MES系统中没有数据。项目采用了软测量技术，用其它相关联的参数，通过高精度的模型(当然包括机器自学提高模型精度)，将所需要的参数预报出来。某些在线数据属于此类。
实施例3
请参阅图3，图3为本发明实施例提供的一种缺陷预警系统模块示意图，其如下所示：
数据处理模块10，用于进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；
建模模块20，用于选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；
缺陷预警模块30，用于在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合。
如图4所示，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(Digital Signal Processing，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。
在本申请所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
另一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器101(ROM，Read-Only Memory)、随机存取存储器101(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种缺陷预警方法及系统，对所需要预警的缺陷进行影响因素的建模，通过机器学习，提高其精准性，如果模型预报目前正在生产的产品，将来在生产完成后会是次品，那么系统将进行报警，提示现场操作人员更改工艺参数组合，甚至提前更换磨损件，使得正在生产的产品，将来在生产完成后会是正品；当操作人员接到报警后进行工艺参数最佳组合时，此系统提供最佳组合的参考参数，操作人员可以利用此参数，也可。以自己设置自己认为最更好的参数，自动提供的，用于操作人员参考的参数组合便是第二大主体功能。
这两大主体功能领域内，每一块都有众多的功能点，在设置预警参数时，可以增加三方面的系数，用于对消模型误差的系数，还可以设置初始报警时的系数。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种缺陷预警方法，其特征在于，包括：
进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；
选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；
在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合。
2.如权利要求1所述的一种缺陷预警方法，其特征在于，在所述在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合之后还包括：
改变参数组合后进行第二次判断产品是否会出现缺陷，若判断结果为会出现缺陷则更换磨损件。
3.如权利要求1所述的一种缺陷预警方法，其特征在于，所述进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据包括：
基于机器视觉的图像识别模型进行产品质量缺陷检测，图像识别模型中的感知层进行图像识别和数据解析，从而获取数据并对获取到的数据进行过滤和质量优化。
4.如权利要求1所述的一种缺陷预警方法，其特征在于，所述选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度包括：
建立基于工业场景的人工智能算法，用于数据实时接入处理、模型计算、规则判定及实时预警的工程模型。
5.如权利要求1所述的一种缺陷预警方法，其特征在于，所述选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度包括：
对MES数据库中对此次品有影响的参数进行预处理，其中，预处理包括均值去噪并利用拉普拉斯算子调亮待识别区域，利用灰度特征提取可能会产生的缺陷数据。
6.如权利要求1所述的一种缺陷预警方法，其特征在于，在所述在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合之前还包括：
通过深度学习对判定规则进行优化，建立基于机器学习的缺陷判定规则库。
7.如权利要求1所述的一种缺陷预警方法，其特征在于，还包括：
在达到缺陷允许最大值的预设百分比值时，开启警报以避免产品出现缺陷成为次品。
8.一种缺陷预警系统，其特征在于，包括：
数据处理模块，用于进行数据过滤和数据质量优化，其中，过滤掉错误数据，修改掉遗漏和/或错误的数据；
建模模块，用于选取出MES数据库中对此次品有影响的参数系列，然后基于选取的数据进行工程建模和机器学习，实现模型与数据的紧密关联，提高模型的高精度；
缺陷预警模块，用于在产品未完成生产前进行第一次判断产品是否会出现缺陷，若判断结果为会出现缺陷则进行警报并改变参数组合。
9.如权利要求8所述的一种缺陷预警系统，其特征在于，包括：
用于存储计算机指令的至少一个存储器；
与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：数据处理模块、建模模块及缺陷预警模块。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734381.6A CN113361958A (zh) | 2021-06-30 | 2021-06-30 | 一种缺陷预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734381.6A CN113361958A (zh) | 2021-06-30 | 2021-06-30 | 一种缺陷预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361958A true CN113361958A (zh) | 2021-09-07 |
Family
ID=77537384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110734381.6A Pending CN113361958A (zh) | 2021-06-30 | 2021-06-30 | 一种缺陷预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361958A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837598A (zh) * | 2021-09-18 | 2021-12-24 | 北京精密机电控制设备研究所 | 基于智能制造的信息获取方法 |
| CN116088456A (zh) * | 2023-04-06 | 2023-05-09 | 安徽深迪科技有限公司 | 基于mes的智能工厂产品质量监控方法及系统 |
| CN116663875A (zh) * | 2023-05-11 | 2023-08-29 | 广东恒域科技股份有限公司 | 一种基于大数据的智能化安装工程监测系统及方法 |
| CN117252486A (zh) * | 2023-11-14 | 2023-12-19 | 长春师范大学 | 基于物联网的汽车零配件缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338521A (zh) * | 2016-09-22 | 2017-01-18 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| CN110118784A (zh) * | 2019-06-20 | 2019-08-13 | 山西大数据产业发展有限公司 | 基于机器视觉的钢卷表面质量缺陷检测系统 |
| CN111007073A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 |
-
2021
- 2021-06-30 CN CN202110734381.6A patent/CN113361958A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338521A (zh) * | 2016-09-22 | 2017-01-18 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| CN110118784A (zh) * | 2019-06-20 | 2019-08-13 | 山西大数据产业发展有限公司 | 基于机器视觉的钢卷表面质量缺陷检测系统 |
| CN111007073A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 |
Non-Patent Citations (3)
| Title |
|---|
| 李东辉;: "连铸小方坯表面夹渣缺陷质量评判", 中国冶金, no. 03 * |
| 王红涛;冯连强;刘颖;周士凯;赵静;: "铸坯质量判定系统的研究与应用", 重型机械, no. 03 * |
| 赵洪强;王叶婷;国兴龙;曾智;常运合;张家泉;: "连铸坯内裂纹预报模型开发", 连铸, no. 1 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837598A (zh) * | 2021-09-18 | 2021-12-24 | 北京精密机电控制设备研究所 | 基于智能制造的信息获取方法 |
| CN113837598B (zh) * | 2021-09-18 | 2024-04-16 | 北京精密机电控制设备研究所 | 基于智能制造的信息获取方法 |
| CN116088456A (zh) * | 2023-04-06 | 2023-05-09 | 安徽深迪科技有限公司 | 基于mes的智能工厂产品质量监控方法及系统 |
| CN116088456B (zh) * | 2023-04-06 | 2023-06-16 | 安徽深迪科技有限公司 | 基于mes的智能工厂产品质量监控方法及系统 |
| CN116663875A (zh) * | 2023-05-11 | 2023-08-29 | 广东恒域科技股份有限公司 | 一种基于大数据的智能化安装工程监测系统及方法 |
| CN116663875B (zh) * | 2023-05-11 | 2024-01-30 | 广东恒域科技股份有限公司 | 一种基于大数据的智能化安装工程监测系统及方法 |
| CN117252486A (zh) * | 2023-11-14 | 2023-12-19 | 长春师范大学 | 基于物联网的汽车零配件缺陷检测方法及系统 |
| CN117252486B (zh) * | 2023-11-14 | 2024-02-02 | 长春师范大学 | 基于物联网的汽车零配件缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113361958A (zh) | 一种缺陷预警方法及系统 | |
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| CN113556258A (zh) | 一种异常检测方法及装置 | |
| CN103676868A (zh) | 一种fpc制造关键工序自动监控与智能分析系统 | |
| CN113076817B (zh) | 焊缝气孔缺陷实时检测方法及系统 | |
| Saputra et al. | Quality improvement of molding machine through statistical process control in plastic industry | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
| Duc et al. | Design of industrial system using digital numerical control | |
| KR102353574B1 (ko) | Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템 | |
| CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
| KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
| CN115099693B (zh) | 一种烧结钕铁硼磁钢材料的生产控制方法及系统 | |
| CN110910061A (zh) | 一种物料管理方法、系统、存储介质以及电子设备 | |
| CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
| CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
| CN113986659A (zh) | 故障分析方法、装置、设备及计算机存储介质 | |
| CN114022305A (zh) | 地下水动态监测方法及装置 | |
| CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
| CN115213735B (zh) | 一种铣削加工过程刀具状态监测系统及方法 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
| CN117150371A (zh) | 一种零部件异常预警与诊断方法 | |
| CN117933818A (zh) | 基于协同检测模型的质检方法、装置、计算机设备及介质 |
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 |