CN113419502A - 基于人工智能的制壳生产过程的工序监测方法与系统 - Google Patents
基于人工智能的制壳生产过程的工序监测方法与系统 Download PDFInfo
- Publication number
- CN113419502A CN113419502A CN202110965648.2A CN202110965648A CN113419502A CN 113419502 A CN113419502 A CN 113419502A CN 202110965648 A CN202110965648 A CN 202110965648A CN 113419502 A CN113419502 A CN 113419502A
- Authority
- CN
- China
- Prior art keywords
- projection
- deviation
- characteristic parameter
- value
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 227
- 230000008569 process Effects 0.000 title claims abstract description 183
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 132
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 15
- 238000010606 normalization Methods 0.000 description 7
- 230000036544 posture Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000007605 air drying Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007598 dipping method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005495 investment casting Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及基于人工智能的制壳生产过程的工序监测方法与系统,属于制壳设备的智能监测领域,该方法包括获取各个工序在当前时刻下的m个特征参数,将特征参数带入对应各工序的设定主元向量的偏离投影模型,确定各个工序的特征参数在主元向量的各偏离方向上的投影值,判断各偏离方向上的投影值是否在设定的投影值临界范围;根据各个工序的特征参数在各偏离方向上的投影值与投影值临界范围的偏差,判断对应的工序是否异常,当判定为工序异常时进行报警。本发明能够客观的监测各个工序的异常情况,并将监测异常结果及时上报,监测准确性较高,不容易产生误判、漏判等情况,实现了制壳生产过程的自动智能监测,不需要人工现场监测,降低了人力成本。
Description
技术领域
本发明涉及制壳设备的智能监测领域,具体涉及基于人工智能的制壳生产过程的工序监测方法与系统。
背景技术
目前,精密铸造技术主要涉及在于军工、航空类产品的生产过程中,不仅如此,该技术在各种工业领域中都会出现,例如:电子、石油、化工、能源等领域。精密铸造的过程即是整个制壳的生产过程,该过程主要包括以下工序的流程:成型蜡模(工序一)-涂料的配制(工序二)-沾浆淋砂(工序三)-风干硬化(工序四)-脱蜡(工序五)-焙烧(工序六)。制壳过程在各个工序上完成的好坏均能够影响最终制壳成品的质量,因此对各个工序进行监测是非常必要的。但是,现有技术中,对于制壳生产过程的监控,均是通过设置专门的工作人员,进行现场监控所有工序来实现的,这种监控方式的效果受工作人员的处理经验的影响较大,不客观,容易产生工序监控异常的误判和漏判,监测的准确性较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的制壳生产过程的工序监测方法与系统,用于解决现有方法通过人工监测制壳生产过程工序增加人工成本的问题,以及解决现有方法的监测结果不准确的问题。
第一方面,对于基于人工智能的制壳生产过程的工序监测方法,所采用的技术方案具体如下:
步骤S01,获取制壳生产过程中各个工序在当前时刻下的m个特征参数,m≥2;
步骤S02,将各个工序在当前时刻下的m个特征参数,带入对应各工序的设定主元向量的偏离投影模型,确定各个工序的特征参数在主元向量的各偏离方向上的投影值,并判断各偏离方向上的投影值是否在设定的投影值临界范围;
步骤S03,根据各个工序的特征参数在各偏离方向上的投影值与投影值临界范围的偏差,判断对应的工序是否异常,当判定为工序异常时进行报警提醒。
优选的,步骤S02中,各工序的设定主元向量的偏离投影模型的确定过程如下:
步骤S0201,获取各个工序的m个特征参数的历史数据,历史数据包括n个时刻下的m个特征参数,n≥2,确定n个时刻下的m个特征参数分别与对应的m个标准特征参数之间的特征参数差异,构成各工序下的差异矩阵;
步骤S0202,利用主成分分析算法,确定各工序下差异矩阵的k个主成分向量,以及与各主成分向量对应的一组特征向量;其中k≥2,k个主成分向量的方向对应为特征参数在主元向量的k个偏离方向,每个主成分向量对应的一组特征向量即为映射到对应偏离方向的一组特征向量;
步骤S0203,利用各工序下m个特征参数在主元向量的k个偏离方向的特征向量,构建各工序的设定主元向量的偏离投影模型,该模型为:各工序在某一时刻下的m个特征参数,分别与对应k个偏离方向的特征向量进行内积运算,得到对应工序的特征参数在主元向量的k个偏离方向上的投影值。
优选的,步骤S02中,设定的投影值临界范围的确定过程如下:
步骤S0211,获取各个工序的m个特征参数在正常制壳生产工况下的特征参数范围,包括m个特征参数上限和m个特征参数下限,m个特征参数上限构成特征参数上限向量,m个特征参数下限构成特征参数下限向量;
步骤S0212,将各工序下的特征参数上限向量与对应k个偏离方向的特征向量进行内积,得到对应工序的特征参数在主元向量的k个偏离方向上的第一投影限值;
将各工序下的特征参数下限向量与对应k个偏离方向的特征向量的内积,作为对应工序的特征参数在主元向量的k个偏离方向上的第二投影限值;
步骤S0213,通过各偏离方向上的第一投影限值和第二投影限值,得到各偏离方向上的投影值临界范围,该投影值临界范围的两个临界值即为第一投影限值和第二投影限值。
优选的,步骤S0212中,特征参数在主元向量的某个偏离方向上的第一投影值的计算公式如下:
优选的,步骤S0212中,特征参数在主元向量的某个偏离方向上的第二投影值的计算公式如下:
优选的,步骤S03中,判断对应的工序是否异常包括:
若k个偏离方向上的投影值中的至少一个,不在对应的投影临界范围中,则计算各个工序的特征参数在各偏离方向上的投影偏差均值,将该投影偏差均值与设定异常程度阈值比较,当该投影偏差均值大于异常程度阈值时,判断该工序异常。
优选的,所述投影偏差均值的计算式如下:
其中,为某个工序的特征参数在各偏离方向上的投影偏差均值,c为不在对应投影临界范围中的投影值数量,w为不在投影临界范围中的投影值所对应的主元向量的第w个偏离方向,为各个工序的特征参数在第w个偏离方向上的投影偏差。
其中,为各个工序的特征参数在第w个偏离方向上的投影值,为各个工序的特征参数在第w个偏离方向上的第二投影值,为各个工序的特征参数在第w个偏离方向上的第一投影值,为各个工序的特征参数在第w个偏离方向上的投影偏差。
优选的,在步骤S01或步骤S0201中,还包括:利用数据修正模型用于对特征参数进行去噪处理,该数据修正模型如下:
第二方面,对于基于人工智能的制壳生产过程的工序监测系统,所采用的技术方案具体如下:
包括存储器和处理器,以及存储器上并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现所述的基于人工智能的制壳生产过程的工序监测方法。
本发明具有如下有益效果:
本发明通过收集能够影响每个工序状况的多个特征参数,利用每个工序的设定主元向量的偏离投影模型,来确定各个特征参数分别映射到主元方向的各偏离方向上的投影值,然后对各个偏离方向上的投影值与在工序正常状态下应该得到对应偏离方向的投影值临界范围进行比较,最终根据各投影值偏离投影值临界范围的偏差情况,来综合判定工序是否异常。本发明能够客观的监测各个工序的异常情况,并将监测异常结果及时上报,监测准确性较高,不容易产生误判、漏判等情况,实现了制壳生产过程的自动智能监测,不需要人工现场监测,降低了人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明的制壳生产过程的工序监测方法流程图;
图2为本发明的各工序的设定主元向量的偏离投影模型的确定步骤流程图;
图3为本发明的投影值临界范围的确定步骤流程图;
图4为本发明的制壳生产过程的工序监测系统硬件结构图。
具体实施方式
下面结合附图具体的说明本发明所提供的具体方案。
实施例1:
请参阅图1,其示出了本发明提供的基于人工智能的制壳生产过程的工序监测方法的步骤流程图,该方法包括以下步骤:
步骤S01,获取制壳生产过程中各个工序在当前时刻下的m个特征参数,m≥2。
具体的,制壳生产过程中各个工序包括背景技术中记载的六种工序,分为:成型蜡模(工序一),涂料的配制(工序二),沾浆淋砂(工序三),风干硬化(工序四),脱蜡(工序五),焙烧(工序六)。
本步骤中,特征参数的获取过程如下:
步骤S011,布置用于获取特征参数的装置,例如,在各工序上的合适位置布置工业CCD相机,用于获取在对应工序上进行作业的工人姿态图像;同时在各工序的合适位置安装各特征参数传感器、检测仪,如温度传感器、湿度传感器、光照传感器、位移传感器等,以获取能够表征各工序的状况以及产品质量的特征参数信息(如温度、湿度、光照强度、机械振动等)。
步骤S012,获取各个工序下的具体特征参数。
对于安装的各特征参数传感器、检测仪,只需要获取对应的检测值,即为特征参数。而对获取的各工序上进行作业的工人姿态图像,需要进一步对图像中的人体姿态进行判断,用于根据人体姿态的规范程度,确定所属的人体工作状态等级,将确定的等级作为一种特征参数。
具体的,首先在所需监测的各工序过程摄像头,采集对应工序监测区域的图像数据,对于相机的布置以及相机采集图像的频率等实施者可自行设置。并且,相机需要采集各工序对应的操作人员的姿态,通过网络获得RGB图像(工人姿态图像)中的人体二维骨骼信息,再通过分类网络(神经网络)实现对各工序操作人员的工作状态进行识别判定,将人体工作状态分为5个等级,等级越高,人体工作状态越不规范。
本步骤中,还包括对特征参数进行处理,包括归一化处理和去噪处理,具体过程如下:
(1)首先,对各个工序下获取的特征参数进行归一化处理,去掉各特征参数的量纲。
进行归一化处理的原因在于,对于每个工序所获取的数据库的生产过程变量不同,获取各工序的所需监测的生产过程变量数据,因此需要对特征参数的数据进行归一化处理,避免不同量纲的影响。
(2)对于除人体工作状态等级以外的其他特征参数,通过构建的数据修正模型,来修正特征参数,以防止特征参数的数据检测过程中出现的突变以及噪声。该数据修正模型如下:
作为其他实现方式,也可以先按照数据修正模型,对特征参数进行去噪处理,再进行归一化处理,这种数据处理顺序的效果与先归一化、后去噪处理的效果是等同的。
步骤S02,将各个工序在当前时刻下的m个特征参数,带入对应各工序的设定主元向量的偏离投影模型,确定各个工序的特征参数在主元向量的各偏离方向上的投影值,并判断各偏离方向上的投影值是否在设定的投影值临界范围。
具体的,本步骤中,各工序的设定主元向量的偏离投影模型的确定过程如下,如图2所示:
步骤S0201,获取各个工序的m个特征参数的历史数据,包括n个时刻下的m个特征参数,确定n个时刻下的m个特征参数分别与对应的m个标准特征参数之间的特征参数差异,构成各工序下的差异矩阵。
本步骤中,对应m个特征参数的历史数据的获取,参考上面步骤S011和步骤S012中的记载,进行归一化处理和去噪处理,在此不再赘述。
需要说明的是,由于制壳生产过程中各个工序的工艺标准不同,因此影响各个工序情况好坏的指标也不尽相同,在选取各个工序下的参数特征时,需要根据各个工序的工艺情况,选取能够对该工序状态影响较大的几个特征参数,工序状态影响较大指的是特征参数能够较大影响该工序生产过程中的产品质量。
此外,对于不同的制壳产品,还可以专门收集某一种制壳产品在不同工序下的特征参数,来专门对某一制壳产品进行制壳生产过程的工序监测。本实施例则不限定制壳产品的种类,只需保证采用上面记载的六种工序即可,可以采集多种制壳产品生产过程中各个工序下的参数特征。
进一步的,上面各个工序的m个特征参数的历史数据存储在对应工序的产品过程数据库中,在确定各个工序的特征参数在主元向量的各偏离方向上的投影值时,可从相应工序的产品过程数据库中,提取需要的历史数据。
并且,各个工序的产品过程数据库中存储的是动态更新的n个时刻的m个特征参数,即当前时刻ti下各工序监测完毕后,将当前时刻ti下的m个特征参数作为历史数据,存储至对应工序的产品过程数据库中,剔除数据库中最早一个时刻t0的m个特征参数,用新的n个时刻的m个特征参数,计算下一时刻ti+1的差异矩阵。
本步骤中,对于确定n个时刻下的m个特征参数中,对于其中一个特征参数,设其n个时刻下的特征参数向量为,j表示特征参数编号,j=1,2,…,m,则n个时刻下的m个特征参数构成n*m的特征参数矩阵X,矩阵,其中,每行中的元素对应一组数据样本,每个行向量代表某时刻i对应的m个特征参数,每列对应一个特征参数向量。
步骤S0202,利用主成分分析算法,确定各工序下差异矩阵的k个主成分向量,以及与各主成分向量对应的一组特征向量。其中,k个主成分向量的方向即为特征参数在主元向量的k个偏离方向,各主成分向量对应的一组特征向量即为对应偏离方向的一组特征向量。
可理解的,通过主成分分析算法对差异矩阵进行分析,获取所有的主成分向量,主成分向量的具体为:
其中,为第c个数据样本在主成分上的主成分分量,c=1,2…,n,为主成分分析后的第i个线性组合所形成的主成分向量,主成分分析之后的各主成分方向为差异矩阵D1所对应的协方差矩阵的各特征向量的方向,为差异矩阵D1所对应的协方差矩阵的第i个特征根的特征向量,也即第i个主成分向量的特征向量,i=1,2,…,m。
根据上面公式,可知主成分向量的协方差越大,评分越高,则对应的主成分向量包含的原始特征参数信息越多,越能够体现原始各特征参数的变化。因此,本发明最终选取得分排名前的k个主成分向量,来对各个工序的生产过程进行后面步骤的分析。
步骤S0203,利用各工序下m个特征参数在主元向量的k个偏离方向的特征向量,构建各工序的设定主元向量的偏离投影模型,该模型为:各工序下在某一时刻下的m个特征参数,分别与对应k个偏离方向的特征向量进行内积,得到对应工序的特征参数在主元向量的k个偏离方向上的投影值。
具体的,上述各工序的设定主元向量的偏离投影模型的计算式如下:
本步骤中,设定的投影值临界范围的确定过程如下,如图3所示:
步骤S0211,获取各个工序的m个特征参数在正常制壳生产工况下的特征参数范围,包括m个特征参数上限和m个特征参数下限,m个特征参数上限构成特征参数上限向量,记为;m个特征参数下限构成特征参数下限向量,记为。
步骤S0212,将各工序下的特征参数上限向量与对应k个偏离方向的特征向量进行内积,得到对应工序的特征参数在主元向量的k个偏离方向上的第一投影限值。具体的,特征参数在主元向量的某个偏离方向上的第一投影值的计算公式如下:
同理,将各工序下的特征参数下限向量与对应k个偏离方向的特征向量的内积,作为对应工序的特征参数在主元向量的k个偏离方向上的第二投影限值。具体的,特征参数在主元向量的某个偏离方向上的第二投影值的计算公式如下:
根据上面两个公式,能够计算得到k个偏离方向上的第一投影值和第二投影值。
可理解的,本步骤中,各偏离方向上的第一投影限值的大小取决于两方面,一方面是m个特征参数上限构成特征参数下限向量,另一方面是对应某一偏离方向上的特征向量,当各偏离方向上的特征向量不同时,最终计算得到各偏离方向上的第一投影值大小也不同;同理,当各偏离方向上的特征向量不同时,计算得到的各偏离方向上的第二投影值大小也不同。
步骤S03,根据各个工序的特征参数在各偏离方向上的投影值与投影值临界范围的偏差,判断对应的工序是否异常,当判定为工序异常时进行报警提醒。
若k个偏离方向上的投影值中的至少一个,不在对应的投影临界范围中,则计算各个工序的特征参数在各偏离方向上的投影偏差均值,将该投影偏差均值与设定异常程度阈值比较,当该投影偏差均值大于异常程度阈值时,判断该工序异常。
具体的,投影偏差均值的计算式如下:
其中,为某个工序的特征参数在各偏离方向上的投影偏差均值,c为不在对应的投影临界范围中的投影值数量,w为不在投影临界范围中的投影值所对应的主元向量的第w个偏离方向,为各个工序的特征参数在第w个偏离方向上的投影偏差,该值的计算式如下:
利用上面的公式,能够对各个工序的异常情况和正常情况进行实时监测,当判定当前时刻下某工序异常时,及时提示操作人员尽快对该工序进行检测。
本发明的设计思路是:由于现有方式往往采用单一特征参数的异常,作为判断某个指标状态的异常,但如果将此方式应用至制壳工序异常的判定上,会出现误判的结果,因此,本发明不将单一的某个特征参数的异常,作为某工序异常的唯一判断标准,而是从对能够影响工序的各特征参数进行综合整体考虑,来判断工序是否发生异常,即利用主成分分析,用选取的k个主成分向量,即对应k个偏离方向,判断各特征参数投影到各偏离方向上的投影值,偏离正常投影值临界范围的程度,用于衡量工序的异常,这样能够更加客观的反映工序的异常状况,监测结果更加可靠。
实施例2:
本实施例提出一种基于人工智能的制壳生产过程的工序监测系统,包括存储器和处理器,以及存储器上并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现实施例1中的基于人工智能的制壳生产过程的工序监测方法。
如图4所示的一种具体硬件构成的工序监测系统设备600,设备可以包括CPU(611),其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备600还可以包括大容量存储器612或只读存储器ROM 613,其中大容量存储器612可以配置用于存储各类数据,包括图像数据、特征参数数据、算法数据、中间结果和运行设备600所需要的各种程序,ROM(613)可以配置成存储对于设备600的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
可选地,设备600还可以包括其他的硬件平台或组件,例如示出的TPU(张量处理单元)614、GPU(图形处理单元)615、FPGA(现场可编程门阵列)616和MLU(机器学习单元)617中的一个或多个。可以理解的是,尽管在设备600中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备600可以仅包括CPU来实现本发明用于制壳生产过程的工序监测过程。
本发明的设备600还可以包括通信接口618,从而可以通过该通信接口618连接到局域网/无线局域网(LAN/WLAN)605,进而可以通过LAN/WLAN连接到本地服务器606或连接到因特网(“Internet”)607。替代地或附加地,本发明的设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明的设备600还可以根据需要访问外部网络的服务器608和数据库609,以便获得各种已知的图像模型(如工人姿态图像)、数据和模块,并且可以远程地存储各种数据,例如用于后续计算分析的特征参数数据。
设备600的外围设备可以包括显示装置602、输入装置603以及数据传输接口604。在一个实施例中,显示装置602可以例如包括一个或多个扬声器和一个或多个视觉显示器,其配置用于对本发明的工序监测结果进行语音提示或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件,其配置用于接收病灶区域图像数据的输入或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCIExpress和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。
本发明的设备600的上述CPU(611)、大容量存储器612、只读存储器ROM(613)、TPU(614)、GPU(615)、FPGA(616)、MLU(617)和通信接口618可以通过总线619相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线619,CPU(611)可以控制设备600中的其他硬件组件及其外围设备。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (10)
1.基于人工智能的制壳生产过程的工序监测方法,其特征在于,包括以下步骤:
步骤S01,获取制壳生产过程中各个工序在当前时刻下的m个特征参数,m≥2;
步骤S02,将各个工序在当前时刻下的m个特征参数,带入对应各工序的设定主元向量的偏离投影模型,确定各个工序的特征参数在主元向量的各偏离方向上的投影值,并判断各偏离方向上的投影值是否在设定的投影值临界范围;
步骤S03,根据各个工序的特征参数在各偏离方向上的投影值与投影值临界范围的偏差,判断对应的工序是否异常,当判定为工序异常时进行报警提醒。
2.根据权利要求1所述的基于人工智能的制壳生产过程的工序监测方法,其特征在于,步骤S02中,各工序的设定主元向量的偏离投影模型的确定过程如下:
步骤S0201,获取各个工序的m个特征参数的历史数据,历史数据包括n个时刻下的m个特征参数,n≥2,确定n个时刻下的m个特征参数分别与对应的m个标准特征参数之间的特征参数差异,构成各工序下的差异矩阵;
步骤S0202,利用主成分分析算法,确定各工序下差异矩阵的k个主成分向量,以及与各主成分向量对应的一组特征向量;其中k≥2,k个主成分向量的方向对应为特征参数在主元向量的k个偏离方向,每个主成分向量对应的一组特征向量即为映射到对应偏离方向的一组特征向量;
步骤S0203,利用各工序下m个特征参数在主元向量的k个偏离方向的特征向量,构建各工序的设定主元向量的偏离投影模型,该模型为:各工序在某一时刻下的m个特征参数,分别与对应k个偏离方向的特征向量进行内积运算,得到对应工序的特征参数在主元向量的k个偏离方向上的投影值。
3.根据权利要求2所述的基于人工智能的制壳生产过程的工序监测方法,其特征在于,步骤S02中,设定的投影值临界范围的确定过程如下:
步骤S0211,获取各个工序的m个特征参数在正常制壳生产工况下的特征参数范围,包括m个特征参数上限和m个特征参数下限,m个特征参数上限构成特征参数上限向量,m个特征参数下限构成特征参数下限向量;
步骤S0212,将各工序下的特征参数上限向量与对应k个偏离方向的特征向量进行内积,得到对应工序的特征参数在主元向量的k个偏离方向上的第一投影限值;
将各工序下的特征参数下限向量与对应k个偏离方向的特征向量的内积,作为对应工序的特征参数在主元向量的k个偏离方向上的第二投影限值;
步骤S0213,通过各偏离方向上的第一投影限值和第二投影限值,得到各偏离方向上的投影值临界范围,该投影值临界范围的两个临界值即为第一投影限值和第二投影限值。
10.基于人工智能的制壳生产过程的工序监测系统,其特征在于,包括存储器和处理器,以及存储器上并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现如权利要求1-9中任一项所述的基于人工智能的制壳生产过程的工序监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965648.2A CN113419502B (zh) | 2021-08-23 | 2021-08-23 | 基于人工智能的制壳生产过程的工序监测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965648.2A CN113419502B (zh) | 2021-08-23 | 2021-08-23 | 基于人工智能的制壳生产过程的工序监测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113419502A true CN113419502A (zh) | 2021-09-21 |
CN113419502B CN113419502B (zh) | 2021-11-09 |
Family
ID=77719803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110965648.2A Active CN113419502B (zh) | 2021-08-23 | 2021-08-23 | 基于人工智能的制壳生产过程的工序监测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419502B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700408A (zh) * | 2023-07-31 | 2023-09-05 | 济南深蓝动物保健品有限公司 | 一种基于人工智能的水量自动控制方法及相关设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其系统 |
CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
CN106054832A (zh) * | 2016-06-07 | 2016-10-26 | 蓝星(北京)技术中心有限公司 | 基于多变量的间歇化工生产过程动态在线监测方法与装置 |
CN107168270A (zh) * | 2017-07-07 | 2017-09-15 | 广东技术师范学院 | 一种非线性过程监控方法 |
US20190129402A1 (en) * | 2015-03-10 | 2019-05-02 | Mitsubishi Chemical Engineering Corporation | Manufacturing process analysis method |
CN111160788A (zh) * | 2019-12-31 | 2020-05-15 | 南京天溯自动化控制系统有限公司 | 医院后勤人员工作质量的检测方法、装置、计算机设备 |
CN112199409A (zh) * | 2020-08-17 | 2021-01-08 | 浙江中控技术股份有限公司 | 一种用于催化重整装置实时工况的监测方法及装置 |
CN112254500A (zh) * | 2020-11-28 | 2021-01-22 | 东营嘉扬精密金属有限公司 | 一种利用熔模铸造制壳干燥间温湿度控制装置及方法 |
-
2021
- 2021-08-23 CN CN202110965648.2A patent/CN113419502B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其系统 |
CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
US20190129402A1 (en) * | 2015-03-10 | 2019-05-02 | Mitsubishi Chemical Engineering Corporation | Manufacturing process analysis method |
CN106054832A (zh) * | 2016-06-07 | 2016-10-26 | 蓝星(北京)技术中心有限公司 | 基于多变量的间歇化工生产过程动态在线监测方法与装置 |
CN107168270A (zh) * | 2017-07-07 | 2017-09-15 | 广东技术师范学院 | 一种非线性过程监控方法 |
CN111160788A (zh) * | 2019-12-31 | 2020-05-15 | 南京天溯自动化控制系统有限公司 | 医院后勤人员工作质量的检测方法、装置、计算机设备 |
CN112199409A (zh) * | 2020-08-17 | 2021-01-08 | 浙江中控技术股份有限公司 | 一种用于催化重整装置实时工况的监测方法及装置 |
CN112254500A (zh) * | 2020-11-28 | 2021-01-22 | 东营嘉扬精密金属有限公司 | 一种利用熔模铸造制壳干燥间温湿度控制装置及方法 |
Non-Patent Citations (1)
Title |
---|
崔蕾等: "基于改进PCA的古龙酸工业发酵过程关键阶段识别", 《计算机与应用化学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700408A (zh) * | 2023-07-31 | 2023-09-05 | 济南深蓝动物保健品有限公司 | 一种基于人工智能的水量自动控制方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113419502B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10664754B2 (en) | Information processing apparatus | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN109620244B (zh) | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN114218860B (zh) | 一种基于机器学习的激光雷达测风运动补偿方法和系统 | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及系统 | |
CN113419502B (zh) | 基于人工智能的制壳生产过程的工序监测方法与系统 | |
CN110895716A (zh) | 检查装置以及机器学习方法 | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
CN113197558A (zh) | 心率与呼吸率检测方法、系统及计算机存储介质 | |
JP7251955B2 (ja) | 検出装置及び機械学習方法 | |
CN117272082A (zh) | 基于工业物联网的数据处理方法及系统 | |
CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
CN113435106B (zh) | 一种过渡模态操作故障检测方法和系统 | |
CN116702064A (zh) | 电力工器具的作业行为估计方法、系统、存储介质及设备 | |
CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、系统及存储介质 | |
Hanafi et al. | Performance Evaluation of Rice Seed Classification System Based on The CNN with VGG-GoogleNet Architecture | |
US20230086261A1 (en) | Clustering device, clustering method, and clustering program | |
US11966218B2 (en) | Diagnosis device, diagnosis method and program | |
CN114660931A (zh) | 用于石油化工过程故障诊断与识别的方法及系统 |
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 |