CN113554240A - 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统 - Google Patents

一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统 Download PDF

Info

Publication number
CN113554240A
CN113554240A CN202110963561.1A CN202110963561A CN113554240A CN 113554240 A CN113554240 A CN 113554240A CN 202110963561 A CN202110963561 A CN 202110963561A CN 113554240 A CN113554240 A CN 113554240A
Authority
CN
China
Prior art keywords
glaze
glazing
data
overglaze
xgboost
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
Application number
CN202110963561.1A
Other languages
English (en)
Other versions
CN113554240B (zh
Inventor
白梅
陈淑琳
姚青山
聂贤勇
卢秋萍
刘伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Linzhou Zhongtaolian Supply Chain Service Co ltd
Original Assignee
Linzhou Zhongtaolian Supply Chain Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Linzhou Zhongtaolian Supply Chain Service Co ltd filed Critical Linzhou Zhongtaolian Supply Chain Service Co ltd
Priority to CN202110963561.1A priority Critical patent/CN113554240B/zh
Publication of CN113554240A publication Critical patent/CN113554240A/zh
Application granted granted Critical
Publication of CN113554240B publication Critical patent/CN113554240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06Q50/08—Construction
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统，涉及陶瓷表面施釉工艺的技术领域，本发明通过向分类模型输入当前釉线的施釉工艺参数项预测出施釉的缺陷，以利于提醒工人随时调整好釉线的施釉工艺参数，以减少缺陷发生。且能够减少施釉工人摸索施釉工艺参数的时间，提高工作效率，达到更好的施釉效果。通过向分类模型输入当前釉线的施釉工艺参数项、面釉左中右重量的标准差和抛釉左中右重量的标准差预测出施釉工序产生的缺陷对瓷砖总体质量的影响，以利于工人对釉线的相关工序作出相应的修改和调整。实现利用计算机产生模拟预测代替实际的实验，节约了试验成本，缩短了试验周期，利于降低整体的釉线缺陷率。

Description

一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统
技术领域
本发明涉及陶瓷表面施釉工艺的技术领域，尤其涉及一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统。
背景技术
陶瓷施釉是指通过高温的方式，在陶瓷体表面上附着一层玻璃态层物质。施釉的目的在于改善坯体的表面物理性能和化学性能，同时增加产品的美感，提高产品的使用性能。
建筑陶瓷企业在生产陶瓷砖时普遍使用的施釉工艺是钟罩式淋釉，釉缸中的釉浆在电泵的作用下，经过供釉管流到稳压缸内，然后从稳压缸底部流入釉碗，釉浆聚集而满溢，溢出的釉浆覆盖在钟罩表面，最终在钟罩外沿形成一圈弧形的釉幕。皮带上砖坯以一定的速度穿过釉幕，釉浆会均匀地平铺在砖坯表面形成釉膜，砖坯即施加了一层釉，多余的釉浆由底部的回釉槽收集后回收流入釉缸继续使用。由于钟罩弧形的设定，其釉幕厚度始终存在细微的差别，具体表现为两边厚、中间薄，使得砖坯表面的釉层也存在微小的薄厚不一。
为解决该问题，本领域行业普遍是施釉工人对产线的施釉工艺参数和施釉工序进行调整实验。但存在的问题是，调整时间长，试错成本大，且只有足够经验的施釉工人才能对产线进行有效率的调整实验。
发明内容
本发明的目的在于提出一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统，以解决现有技术调整釉线需要的时间长，试错成本大，且只有足够经验的施釉工人才能对产线进行有效率调整实验的技术问题。
为达此目的，本发明第一方面公开了一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，包括以下方法：
获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；
分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；
统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差，并对所述施釉工艺数据进行清理和清洗；
基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；
根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型，并利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型用于预测当前釉线会出现的缺陷；
根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；
根据所述详细分级数据，计算出釉线每小时缺陷率；
按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型，并利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型用于预测整线的釉线每小时缺陷率；
对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。
作为一种可选的实施方式，在本发明第一方面中，所述施釉工艺数据包括面釉工艺数据和抛釉工艺数据；所述面釉工艺数据包括：可控参数：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量；不可控参数：面釉日期、面釉时间、面釉班次、面釉规格、面釉编号、面釉接班存砖、面釉交班存砖；目标变量：第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉；
所述抛釉工艺数据包括：可控参数：抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量；不可控参数：抛釉日期、抛釉时间、抛釉班次、抛釉规格、抛釉编号、抛釉接班存砖、抛釉交班存砖；目标变量：第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉。
作为一种可选的实施方式，在本发明第一方面中，将面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量划分为所述施釉工艺参数项；
将面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉调整为布尔变量，并划分为所述缺陷检测参数项。
作为一种可选的实施方式，在本发明第一方面中，统计分析施釉工艺数据中，统计分析指标包括总数、最小值、最小值位置、25％分位数、中位数、75％分位数、均值、最大值、最大值位置、平均绝对偏差、方差、标准差、峰度和异常值。
作为一种可选的实施方式，在本发明第一方面中，釉线缺陷细项包括色釉、缩釉、白边、金属粒子、小白点、拉丝、釉路、阴阳色、滴墨、拉线、釉痕、色差、色粒斑、角裂、钟罩纹、撞花、铜缕、黄边、凹釉、缺釉、釉缕纹、青边、滴釉、釉泡、红边、暗影、喷头印、色脏重釉、烂边、透底、缺墨、缺花、落脏、针孔、色痕、变形、刮釉、缺边、油污和缺角；
对各釉线缺陷细项中的每一项划分出合格、次品和废品三个等级，得到详细分级数据。
作为一种可选的实施方式，在本发明第一方面中，训练Xgboost分类模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost分类模型输入训练集中数据样本的施釉工艺参数项的参数，使Xgboost分类模型输出该数据样本缺陷检测参数项的相应参数；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost分类模型输入测试集中数据样本的施釉工艺参数项的参数，Xgboost分类模型输出缺陷检测参数项的预测参数；
分类模型评价，使用F1_score评分方式对Xgboost分类模型的检测过程进行评分，导出评分最高的Xgboost分类模型作为最优的Xgboost分类模型。
作为一种可选的实施方式，在本发明第一方面中，训练Xgboost回归模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost回归模型输入训练集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，使Xgboost回归模型输出该数据样本相应的釉线每小时缺陷率；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost回归模型输入测试集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，Xgboost回归模型输出预测的釉线每小时缺陷率；
回归模型评价，使用R2_score的评分方式对Xgboost回归模型的训练过程和测试过程进行评分，导出在训练过程和测试过程分别达到预设值分数的Xgboost回归模型作为最优的Xgboost分类模型。
本发明第二方面公开了应用在本发明第一方面公开的任意一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，所述系统包括数据获取模块、数据分类模块、数据统计分析模块、数据清理清洗模块、样本库建立模块、Xgboost分类模型建立模块、Xgboost分类模型训练模块、缺陷分级模块、缺陷率计算模块、Xgboost回归模型建立模块、Xgboost回归模型训练模块和特征重要性分析模块；
所述数据获取模块用于获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；
所述数据分类模块用于分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；
所述数据统计分析模块用于统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差；
所述数据清理清洗模块用于对所述施釉工艺数据进行清理和清洗；
所述样本库建立模块用于基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；
所述Xgboost分类模型建立模块用于根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型；
所述Xgboost分类模型训练模块利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型；
所述缺陷分级模块用于根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；
所述缺陷率计算模块用于根据所述详细分级数据，计算出釉线每小时缺陷率；
所述Xgboost回归模型建立模块用于按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型；
所述Xgboost回归模型训练模块用于利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型；
所述特征重要性分析模块用于对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。
本发明第三方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时用于执行本发明第一方面公开的任意一种建筑陶瓷砖表面装饰施釉的数据分析预测方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明利用产线已有的施釉工艺数据和最后工序分级检测的缺陷数据，建立出Xgboost分类模型和Xgboost回归模型。通过向Xgboost分类模型输入当前釉线的施釉工艺参数项预测出面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉的缺陷，以利于提醒工人随时调整好釉线的施釉工艺参数，以减少缺陷发生。且能够减少施釉工人摸索施釉工艺参数的时间，提高工作效率，达到更好的施釉效果。
通过向Xgboost分类模型输入当前釉线的施釉工艺参数项、面釉左中右重量的标准差和抛釉左中右重量的标准差预测出施釉工序产生的缺陷对瓷砖总体质量的影响，以利于工人对釉线的相关工序作出相应的修改和调整。实现利用计算机产生模拟预测代替实际的实验，节约了试验成本，缩短了试验周期，利于降低整体的釉线缺陷率，解决现有釉线人工调整存在调整时间长，试错成本大，且只有足够经验的施釉工人才能对产线进行有效率的调整实验的技术问题，为产线进一步实施人工智能打下了数据科学的基础。
附图说明
图1是本发明其中一个实施例的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
下面结合图1，描述本发明实施例的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，包括以下步骤：
获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；
分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；具体地，施釉是分为面釉和抛釉两次进行的，面釉则是通过第一钟罩进行，抛釉则是通过第二钟罩进行，如此可通过第一钟罩和第二钟罩区分开施釉工艺数据中部分面釉工艺数据和抛釉工艺数据。进一步具体地，在本实施例中，施釉工艺数包括面釉工艺数据和抛釉工艺数据。所述面釉工艺数据包括：可控参数：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量；不可控参数：面釉日期、面釉时间、面釉班次、面釉规格、面釉编号、面釉接班存砖、面釉交班存砖；目标变量：第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉；所述抛釉工艺数据包括：可控参数：抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量；不可控参数：抛釉日期、抛釉时间、抛釉班次、抛釉规格、抛釉编号、抛釉接班存砖、抛釉交班存砖；目标变量：第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉。进一步，将面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量划分为所述施釉工艺参数项；将面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉调整为布尔变量，并划分为所述缺陷检测参数项。
统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差，并对所述施釉工艺数据进行清理和清洗；具体地，统计分析的目的在于检查施釉工艺数据的总体情况，查看施釉工艺数据的分布及作出方差分析，查看数据是否有异常值，实现总体判断施釉工艺数据总体的质量情况。以利于从施釉工艺数据中清理和清洗出存在异常值和偏差的数据样本，以提高数据样本的精确性。进一步具体地，在本实施例中，统计分析指标包括总数、最小值、最小值位置、25％分位数、中位数、75％分位数、均值、最大值、最大值位置、平均绝对偏差、方差、标准差、峰度和异常值。统计分析表如表1所示：
表1
统计分析指标 钟罩 砖面温度 比重 釉量 流速检测 左釉量 中釉量 右釉量 水量
总数 第一钟罩
最小值 第一钟罩
最小值位置 第一钟罩
25％分位数 第一钟罩
中位数 第一钟罩
75％分位数 第一钟罩
均值 第一钟罩
最大值 第一钟罩
最大值位置 第一钟罩
平均绝对偏差 第一钟罩
方差 第一钟罩
标准差 第一钟罩
峰度 第一钟罩
异常值 第一钟罩
总数 第二钟罩
最小值 第二钟罩
最小值位置 第二钟罩
25％分位数 第二钟罩
中位数 第二钟罩
75％分位数 第二钟罩
均值 第二钟罩
最大值 第二钟罩
最大值位置 第二钟罩
平均绝对偏差 第二钟罩
方差 第二钟罩
标准差 第二钟罩
峰度 第二钟罩
异常值 第二钟罩
基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；具体地，利用SMOTE采样技术，根据样本标签少的样本的规律去生成更多该标签样本，使得施釉工艺数据趋向于平衡，有效解决样本不平衡的技术问题。
根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型，并利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型用于预测当前釉线会出现的缺陷；
具体地，在本实施例中Xgboost分类模型为：
向Xgboost分类模型输入参数X：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量；
Xgboost分类模型则输出参数Y：面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉。
如此，可实现向Xgboost分类模型输入当前釉线的施釉工艺参数项预测出面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉的缺陷，以利于提醒工人随时调整施釉工艺参数。其中，值得说明的是，引入面釉左中右重量的标准差、抛釉左中右重量的标准差的在于增加施釉量的权重。
根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；
具体地，在本实施例中，釉线缺陷细项有40项，包括色釉、缩釉、白边、金属粒子、小白点、拉丝、釉路、阴阳色、滴墨、拉线、釉痕、色差、色粒斑、角裂、钟罩纹、撞花、铜缕、黄边、凹釉、缺釉、釉缕纹、青边、滴釉、釉泡、红边、暗影、喷头印、色脏重釉、烂边、透底、缺墨、缺花、落脏、针孔、色痕、变形、刮釉、缺边、油污和缺角。详细分级数据是对各釉线缺陷细项中的每一项划分出合格、次品和废品三个等级的分级数据。例如：将色釉划分为色釉_合格、色釉_次品、色釉_废品。
根据所述详细分级数据，计算出釉线每小时缺陷率；
按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型，并利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型用于预测整线的釉线每小时缺陷率；
具体地，在本实施例中Xgboost回归模型为：
向Xgboost回归模型输入参数X：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉左中右重量的标准差、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量和抛釉左中右重量的标准差；
Xgboost回归模型则输出参数Y：釉线每小时缺陷率。
如此，可实现向Xgboost分类模型输入当前釉线的施釉工艺参数项、面釉左中右重量的标准差和抛釉左中右重量的标准差预测出整体的釉线缺陷率，即预测出施釉工序产生的缺陷对瓷砖总体质量的影响，以利于工人对釉线的相关工序作出相应的修改和调整。
对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。具体地，在本发明的一个实施例中，经过特征重要性分析后，分析出面釉有无缩釉的重要性最高，占比很大，其次是面釉水量和抛釉有无磨去砖边，面釉有无磨去砖边，抛釉比重和抛釉有无缩釉。因此工人在调整釉线工序时，可优先对重要性高的工序进行调整，以利于工人调整到位，提高调整效率。
本发明利用产线已有的施釉工艺数据和最后工序分级检测的缺陷数据，建立出Xgboost分类模型和Xgboost回归模型。通过向Xgboost分类模型输入当前釉线的施釉工艺参数项预测出面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉的缺陷，以利于提醒工人随时调整好釉线的施釉工艺参数，以减少缺陷发生。且能够减少施釉工人摸索施釉工艺参数的时间，提高工作效率，达到更好的施釉效果。
通过向Xgboost分类模型输入当前釉线的施釉工艺参数项、面釉左中右重量的标准差和抛釉左中右重量的标准差预测出施釉工序产生的缺陷对瓷砖总体质量的影响，以利于工人对釉线的相关工序作出相应的修改和调整。实现利用计算机产生模拟预测代替实际的实验，节约了试验成本，缩短了试验周期，利于降低整体的釉线缺陷率，解决现有釉线人工调整存在调整时间长，试错成本大，且只有足够经验的施釉工人才能对产线进行有效率的调整实验的技术问题，为产线进一步实施人工智能打下了数据科学的基础。
作为可选的实施例，训练Xgboost分类模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost分类模型输入训练集中数据样本的施釉工艺参数项的参数，使Xgboost分类模型输出该数据样本缺陷检测参数项的相应参数；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost分类模型输入测试集中数据样本的施釉工艺参数项的参数，Xgboost分类模型输出缺陷检测参数项的预测参数；
分类模型评价，使用F1_score评分方式对Xgboost分类模型的检测过程进行评分，导出评分最高的Xgboost分类模型作为最优的Xgboost分类模型。具体地，F1_score的评分公式为F1＝2*(precision*recall)/(precision+recall)。
作为可选的实施例，训练Xgboost回归模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost回归模型输入训练集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，使Xgboost回归模型输出该数据样本相应的釉线每小时缺陷率；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost回归模型输入测试集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，Xgboost回归模型输出预测的釉线每小时缺陷率；
回归模型评价，使用R2_score的评分方式对Xgboost回归模型的训练过程和测试过程进行评分，导出在训练过程和测试过程分别达到预设值分数的Xgboost回归模型作为最优的Xgboost分类模型。
具体地，在本发明的一个实施例中，最优的Xgboost分类模型结果记录如下：调整最大深度(max_depth)8；学习率(learning_rate)0.1；评估器数量(n_estimators)200；训练集R2_score 0.989252；测试集R2_score 0.703725。将测试集的数据输入Xgboost回归模型进行预测，测试集中实际缺陷率是3.75％，Xgboost回归模型预测得出的缺陷率是3.62％，准确率达到96.53％。
本发明还公开了一种建筑陶瓷砖表面装饰施釉的数据分析预测系统，应用在上述任一实施例中的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，所述系统包括数据获取模块、数据分类模块、数据统计分析模块、数据清理清洗模块、样本库建立模块、Xgboost分类模型建立模块、Xgboost分类模型训练模块、缺陷分级模块、缺陷率计算模块、Xgboost回归模型建立模块、Xgboost回归模型训练模块和特征重要性分析模块；
所述数据获取模块用于获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；
所述数据分类模块用于分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；具体地，施釉是分为面釉和抛釉两次进行的，面釉则是通过第一钟罩进行，抛釉则是通过第二钟罩进行，如此可通过第一钟罩和第二钟罩区分开施釉工艺数据中部分面釉工艺数据和抛釉工艺数据。进一步具体地，在本实施例中，施釉工艺数包括面釉工艺数据和抛釉工艺数据。所述面釉工艺数据包括：可控参数：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量；不可控参数：面釉日期、面釉时间、面釉班次、面釉规格、面釉编号、面釉接班存砖、面釉交班存砖；目标变量：第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉；所述抛釉工艺数据包括：可控参数：抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量；不可控参数：抛釉日期、抛釉时间、抛釉班次、抛釉规格、抛釉编号、抛釉接班存砖、抛釉交班存砖；目标变量：第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉。
进一步，将面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量划分为所述施釉工艺参数项；将面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉调整为布尔变量，并划分为所述缺陷检测参数项。
所述数据统计分析模块用于统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差；
具体地，统计分析的目的在于检查施釉工艺数据的总体情况，查看施釉工艺数据的分布及作出方差分析，查看数据是否有异常值，实现总体判断施釉工艺数据总体的质量情况。进一步具体地，在本实施例中，统计分析指标包括总数、最小值、最小值位置、25％分位数、中位数、75％分位数、均值、最大值、最大值位置、平均绝对偏差、方差、标准差、峰度和异常值。
所述数据清理清洗模块用于对所述施釉工艺数据进行清理和清洗；数据清理清洗的目的在于，从施釉工艺数据中清理和清洗出存在异常值和偏差的数据样本，以提高数据样本的精确性。
所述样本库建立模块用于基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；具体地，利用SMOTE采样技术，根据样本标签少的样本的规律去生成更多该标签样本，使得施釉工艺数据趋向于平衡，有效解决样本不平衡的技术问题。
所述Xgboost分类模型建立模块用于根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型；
具体地，在本实施例中Xgboost分类模型为：
向Xgboost分类模型输入参数X：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量；
Xgboost分类模型则输出参数Y：面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉。
如此，可实现向Xgboost分类模型输入当前釉线的施釉工艺参数项预测出面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉的缺陷，以利于提醒工人随时调整施釉工艺参数。
所述Xgboost分类模型训练模块利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型；具体地，训练Xgboost分类模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost分类模型输入训练集中数据样本的施釉工艺参数项的参数，使Xgboost分类模型输出该数据样本缺陷检测参数项的相应参数；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost分类模型输入测试集中数据样本的施釉工艺参数项的参数，Xgboost分类模型输出缺陷检测参数项的预测参数；
分类模型评价，使用F1_score评分方式对Xgboost分类模型的检测过程进行评分，导出评分最高的Xgboost分类模型作为最优的Xgboost分类模型。具体地，F1_score的评分公式为F1＝2*(precision*recall)/(precision+recall)。
所述缺陷分级模块用于根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；具体地，在本实施例中，釉线缺陷细项有40项，包括色釉、缩釉、白边、金属粒子、小白点、拉丝、釉路、阴阳色、滴墨、拉线、釉痕、色差、色粒斑、角裂、钟罩纹、撞花、铜缕、黄边、凹釉、缺釉、釉缕纹、青边、滴釉、釉泡、红边、暗影、喷头印、色脏重釉、烂边、透底、缺墨、缺花、落脏、针孔、色痕、变形、刮釉、缺边、油污和缺角。详细分级数据是对各釉线缺陷细项中的每一项划分出合格、次品和废品三个等级的分级数据。例如：将色釉划分为色釉_合格、色釉_次品、色釉_废品。
所述缺陷率计算模块用于根据所述详细分级数据，计算出釉线每小时缺陷率；
所述Xgboost回归模型建立模块用于按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型；
具体地，在本实施例中Xgboost回归模型为：
向Xgboost回归模型输入参数X：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉左中右重量的标准差、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量和抛釉左中右重量的标准差；
Xgboost回归模型则输出参数Y：釉线每小时缺陷率。
如此，可实现向Xgboost分类模型输入当前釉线的施釉工艺参数项、面釉左中右重量的标准差和抛釉左中右重量的标准差预测出整体的釉线缺陷率，即预测出施釉工序产生的缺陷对瓷砖总体质量的影响，以利于工人对釉线的相关工序作出相应的修改和调整。其中，值得说明的是，引入面釉左中右重量的标准差、抛釉左中右重量的标准差的在于增加施釉量的权重。
所述Xgboost回归模型训练模块用于利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型；具体地，训练Xgboost回归模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost回归模型输入训练集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，使Xgboost回归模型输出该数据样本相应的釉线每小时缺陷率；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost回归模型输入测试集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，Xgboost回归模型输出预测的釉线每小时缺陷率；
回归模型评价，使用R2_score的评分方式对Xgboost回归模型的训练过程和测试过程进行评分，导出在训练过程和测试过程分别达到预设值分数的Xgboost回归模型作为最优的Xgboost分类模型。
具体地，在本发明的一个实施例中，最优的Xgboost分类模型结果记录如下：调整最大深度(max_depth)8；学习率(learning_rate)0.1；评估器数量(n_estimators)200；训练集R2_score 0.989252；测试集R2_score 0.703725。将测试集的数据输入Xgboost回归模型进行预测，测试集中实际缺陷率是3.75％，Xgboost回归模型预测得出的缺陷率是3.62％，准确率达到96.53％。
所述特征重要性分析模块用于对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。具体地，在本发明的一个实施例中，经过特征重要性分析后，分析出面釉有无缩釉的重要性最高，占比很大，其次是面釉水量和抛釉有无磨去砖边，面釉有无磨去砖边，抛釉比重和抛釉有无缩釉。因此工人在调整釉线工序时，可优先对重要性高的工序进行调整，以利于工人调整到位，提高调整效率。
本发明还公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时用于执行如上述的任意一项实施例所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法。
以上所描述的装置实施例仅是示意性的，其中作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
根据本发明实施例的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统的其他构成等以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。
在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：包括以下步骤：
获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；
分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；
统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差，并对所述施釉工艺数据进行清理和清洗；
基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；
根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型，并利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型用于预测当前釉线会出现的缺陷；
根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；
根据所述详细分级数据，计算出釉线每小时缺陷率；
按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型，并利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型用于预测整线的釉线每小时缺陷率；
对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。
2.根据权利要求1所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：所述施釉工艺数据包括面釉工艺数据和抛釉工艺数据；
所述面釉工艺数据包括：
可控参数：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量；
不可控参数：面釉日期、面釉时间、面釉班次、面釉规格、面釉编号、面釉接班存砖、面釉交班存砖；
目标变量：第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉；
所述抛釉工艺数据包括：
可控参数：抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量；
不可控参数：抛釉日期、抛釉时间、抛釉班次、抛釉规格、抛釉编号、抛釉接班存砖、抛釉交班存砖；
目标变量：第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉。
3.根据权利要求2所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：
将面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量划分为所述施釉工艺参数项；
将面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉调整为布尔变量，并划分为所述缺陷检测参数项。
4.根据权利要求1所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：统计分析施釉工艺数据中，统计分析指标包括总数、最小值、最小值位置、25％分位数、中位数、75％分位数、均值、最大值、最大值位置、平均绝对偏差、方差、标准差、峰度和异常值。
5.根据权利要求1所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：釉线缺陷细项包括色釉、缩釉、白边、金属粒子、小白点、拉丝、釉路、阴阳色、滴墨、拉线、釉痕、色差、色粒斑、角裂、钟罩纹、撞花、铜缕、黄边、凹釉、缺釉、釉缕纹、青边、滴釉、釉泡、红边、暗影、喷头印、色脏重釉、烂边、透底、缺墨、缺花、落脏、针孔、色痕、变形、刮釉、缺边、油污和缺角；
对各釉线缺陷细项中的每一项划分出合格、次品和废品三个等级，得到详细分级数据。
6.根据权利要求3所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：训练Xgboost分类模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost分类模型输入训练集中数据样本的施釉工艺参数项的参数，使Xgboost分类模型输出该数据样本缺陷检测参数项的相应参数；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost分类模型输入测试集中数据样本的施釉工艺参数项的参数，Xgboost分类模型输出缺陷检测参数项的预测参数；
分类模型评价，使用F1_score评分方式对Xgboost分类模型的检测过程进行评分，导出评分最高的Xgboost分类模型作为最优的Xgboost分类模型。
7.根据权利要求3所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：训练Xgboost回归模型包括以下步骤：
划分施釉样本库，将施釉样本库80％的数据样本划分为训练集，将施釉样本库剩余20％的数据样本作为测试集；
模型训练，向Xgboost回归模型输入训练集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，使Xgboost回归模型输出该数据样本相应的釉线每小时缺陷率；
超参数调整，训练时使用自动调参，调整最大深度、学习率和评估数量三个超参数；
模型检测，向Xgboost回归模型输入测试集中数据样本的施釉工艺参数项的参数、面釉左中右重量的标准差和抛釉左中右重量的标准差，Xgboost回归模型输出预测的釉线每小时缺陷率；
回归模型评价，使用R2_score的评分方式对Xgboost回归模型的训练过程和测试过程进行评分，导出在训练过程和测试过程分别达到预设值分数的Xgboost回归模型作为最优的Xgboost分类模型。
8.一种建筑陶瓷砖表面装饰施釉的数据分析预测系统，其特征在于：应用在如权利要求1-7任一项所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，所述系统包括数据获取模块、数据分类模块、数据统计分析模块、数据清理清洗模块、样本库建立模块、Xgboost分类模型建立模块、Xgboost分类模型训练模块、缺陷分级模块、缺陷率计算模块、Xgboost回归模型建立模块、Xgboost回归模型训练模块和特征重要性分析模块；
所述数据获取模块用于获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；
所述数据分类模块用于分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；
所述数据统计分析模块用于统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差；
所述数据清理清洗模块用于对所述施釉工艺数据进行清理和清洗；
所述样本库建立模块用于基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；
所述Xgboost分类模型建立模块用于根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型；
所述Xgboost分类模型训练模块利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型；
所述缺陷分级模块用于根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；
所述缺陷率计算模块用于根据所述详细分级数据，计算出釉线每小时缺陷率；
所述Xgboost回归模型建立模块用于按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型；
所述Xgboost回归模型训练模块用于利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型；
所述特征重要性分析模块用于对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时用于执行如权利要求1-7任一项所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法。
CN202110963561.1A 2021-08-20 2021-08-20 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统 Active CN113554240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110963561.1A CN113554240B (zh) 2021-08-20 2021-08-20 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110963561.1A CN113554240B (zh) 2021-08-20 2021-08-20 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统

Publications (2)

Publication Number Publication Date
CN113554240A true CN113554240A (zh) 2021-10-26
CN113554240B CN113554240B (zh) 2022-06-10

Family

ID=78105916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110963561.1A Active CN113554240B (zh) 2021-08-20 2021-08-20 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统

Country Status (1)

Country Link
CN (1) CN113554240B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118780A (ja) * 2002-09-30 2004-04-15 Toto Ltd 陶磁器の生産管理システム
WO2004090521A1 (en) * 2003-04-09 2004-10-21 Crc For Intelligent Manufacturing Systems & Technologies Ltd Method of classifying defects
US20120207380A1 (en) * 2009-10-21 2012-08-16 Saint-Gobain Glass France Method for analyzing the quality of a glazing unit
CN107553702A (zh) * 2017-09-06 2018-01-09 佛山市嘉亿艺术陶瓷研究有限公司 一种基于大数据运算的智能自动刻花施釉方法
CN110736825A (zh) * 2019-11-15 2020-01-31 九牧厨卫股份有限公司 一种卫生陶瓷产品釉面缩釉缺陷探测方法
CN110782449A (zh) * 2019-10-31 2020-02-11 河海大学常州校区 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法
CN110826416A (zh) * 2019-10-11 2020-02-21 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN111222623A (zh) * 2018-11-26 2020-06-02 沈阳高精数控智能技术股份有限公司 一种陶瓷喷釉机器人喷釉工艺参数调试方法
CN111242464A (zh) * 2020-01-08 2020-06-05 广东省智能制造研究所 一种基于spc的陶瓷卫浴质量管理方法
EP3838530A1 (en) * 2019-12-19 2021-06-23 Paolo Sighinolfi A method and a plant for the weight distribution of glazes on surfaces of handpieces
CN113129265A (zh) * 2021-03-18 2021-07-16 广东工业大学 瓷砖表面缺陷检测方法、装置及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118780A (ja) * 2002-09-30 2004-04-15 Toto Ltd 陶磁器の生産管理システム
WO2004090521A1 (en) * 2003-04-09 2004-10-21 Crc For Intelligent Manufacturing Systems & Technologies Ltd Method of classifying defects
US20120207380A1 (en) * 2009-10-21 2012-08-16 Saint-Gobain Glass France Method for analyzing the quality of a glazing unit
CN107553702A (zh) * 2017-09-06 2018-01-09 佛山市嘉亿艺术陶瓷研究有限公司 一种基于大数据运算的智能自动刻花施釉方法
CN111222623A (zh) * 2018-11-26 2020-06-02 沈阳高精数控智能技术股份有限公司 一种陶瓷喷釉机器人喷釉工艺参数调试方法
CN110826416A (zh) * 2019-10-11 2020-02-21 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN110782449A (zh) * 2019-10-31 2020-02-11 河海大学常州校区 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法
CN110736825A (zh) * 2019-11-15 2020-01-31 九牧厨卫股份有限公司 一种卫生陶瓷产品釉面缩釉缺陷探测方法
EP3838530A1 (en) * 2019-12-19 2021-06-23 Paolo Sighinolfi A method and a plant for the weight distribution of glazes on surfaces of handpieces
CN111242464A (zh) * 2020-01-08 2020-06-05 广东省智能制造研究所 一种基于spc的陶瓷卫浴质量管理方法
CN113129265A (zh) * 2021-03-18 2021-07-16 广东工业大学 瓷砖表面缺陷检测方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHHUGANITUSHAR 等: "Structural Health Monitoring of Biocomposites, Fibre-Reinforced Composites and Hybrid Composites", 《WOODHEAD PUBLISHING SERIES IN COMPOSITES SCIENCE AND ENGINEERING》 *
于盛睿 等: "基于人工神经网络的釉料厚度沉积率模型拟合软件模块的开发与实现", 《陶瓷学报》 *
谢森林 等: "基于机器视觉的日用瓷表面缺陷检测", 《韩山师范学院学报》 *

Also Published As

Publication number Publication date
CN113554240B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
EP3055680B1 (en) Decoration line
IT201600089389A1 (it) Impianto, e relativo processo, per la smaltatura di articoli igienico sanitari
CN106181218A (zh) 一种汽车铝合金轮毂再制造工艺
CN107335686B (zh) 一种检测带钢清洗效果的方法
CN101865858B (zh) 镀膜附着力测量方法及测量装置
CN105445235B (zh) 一种快速检测乳胶漆涂膜耐沾污性的方法
CN113554240B (zh) 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统
Bhamu et al. Reduction of post-kiln rejections for improving sustainability in ceramic industry: a case study
Suresh et al. Defects reduction in manufacturing of automobile piston ring using six sigma
CN105569238B (zh) 一种用ab胶、树脂胶灌注的幕墙石材干挂施工方法
CN110989510A (zh) 一种热镀锌产品全流程质量控制与等级自动判断系统
WO2023174007A1 (zh) 一种基于ai视觉分级分色的瓷砖产线及控制方法
CN109543267A (zh) 基于图像处理的工艺品表面喷涂仿真与优化方法
Boér et al. Reducing production costs by monitoring the roughness of raw product surfaces
DE102019219269A1 (de) Computergestütztes Verfahren und Steuereinrichtung zur Bestimmung einer Sichtbetonqualität
CN205427956U (zh) 一种基于工业相机的铺叶台烟叶摆把监控装置
CN115740950B (zh) 一种基于逆向建模的dz125合金涡轮叶片激光沉积修理方法
CN102688995B (zh) 一种连铸结晶器振动台参数控制方法
CN210571030U (zh) 一种瓷砖表面色差检测设备
NO803545L (no) Framgangsmaate for framstilling av keramiske produkter med dekor, saerlig uglaserte plater
ITMI20071449A1 (it) Metodo di classificazione di difetti e di gestione della rettifica di cilindri di laminazione
DE4318178C2 (de) Verfahren zum chemischen Entfernen von, mit der Oberfläche eines Substrates aus Glas, Glaskeramik oder Keramik verbundenen Beschichtungen, so hergestelltes Substrat und Verfahren zur Herstellung eines neuen Dekors auf diesem Substrat
CN106272899A (zh) 一种釉面砖生产方法
CN105787944A (zh) 一种基于工业相机的铺叶台摆把监控装置及监控方法
CN117890389B (zh) 精烧制品表面质量在线检测方法、设备及其存储介质

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
CB02 Change of applicant information

Address after: 851600 Pengbo Health Industrial Park Management Committee 111b, Linzhou County, Lhasa City, Tibet Autonomous Region

Applicant after: Tibet zhongtaolian Supply Chain Service Co.,Ltd.

Address before: 851600 Pengbo Health Industrial Park Management Committee 111b, Linzhou County, Lhasa City, Tibet Autonomous Region

Applicant before: Linzhou zhongtaolian Supply Chain Service Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant