CN113642253A - 一种陶瓷砖半成品在加工中的损耗判断方法和系统 - Google Patents
一种陶瓷砖半成品在加工中的损耗判断方法和系统 Download PDFInfo
- Publication number
- CN113642253A CN113642253A CN202111018127.2A CN202111018127A CN113642253A CN 113642253 A CN113642253 A CN 113642253A CN 202111018127 A CN202111018127 A CN 202111018127A CN 113642253 A CN113642253 A CN 113642253A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- loss
- variables
- variable
- 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 93
- 238000012545 processing Methods 0.000 title claims abstract description 93
- 239000000919 ceramic Substances 0.000 title claims abstract description 88
- 239000011265 semifinished product Substances 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 239000000047 product Substances 0.000 claims abstract description 78
- 230000007547 defect Effects 0.000 claims abstract description 64
- 238000007405 data analysis Methods 0.000 claims abstract description 39
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000013178 mathematical model Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000005498 polishing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000000227 grinding Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004018 waxing Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract 1
- 239000011449 brick Substances 0.000 description 13
- 230000000630 rising effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 240000004282 Grewia occidentalis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003373 anti-fouling effect Effects 0.000 description 1
- 238000004814 ceramic processing Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000007688 edging Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
Abstract
一种陶瓷砖半成品在加工中的损耗判断方法和系统，损耗判断方法通过步骤(1)‑步骤(7)将半成品数据、设备运行数据、成品检测数据等多源异构数据进行采集、存储、提取、清洗、整理、建模分析，最后通过图、表、文字等多种形式进行呈现；损耗判断系统，用于执行上述的损耗判断方法，包括：填报系统、服务器、数据处理系统、数据分析系统、建模系统和预测系统；本方案的损耗判断方法和系统可以快速地发现造成抛光线瓷砖产品缺陷的设备、工序和操作参数，找出影响缺陷产生的主要影响因素，并推荐最优操作参数对设备进行调整从而降低加工过程缺陷和损耗，提高产品优等品率。
Description
技术领域
本发明涉及陶瓷砖技术领域，尤其涉及一种陶瓷砖半成品在加工中的损耗判断方法和系统。
背景技术
现有陶瓷加工装备，基本已实现全线自动化上砖、抛光、磨边、上超洁亮、打防污蜡，最后进行质量检验的过程。现有生产工艺条件的加工设备设备包括抛光机、磨边机、超洁亮机、打蜡机等，其加工过程容易造成各类缺陷的产生，如崩边，崩角、大小头，对角线，漏磨边、刀痕、阴阳色、抛花、漏抛，刀痕，磨痕，光泽度不均和倒角宽等，加工工序缺陷占瓷砖总缺陷的比例较大，同时加工过程中的损耗也比较大。而造成这类加工缺陷产生的原因主要是机台设备运行状态不佳、机台设备参数调试不合理、机台本身设计存在缺陷或者半成品砖形较差造成。解决这类加工过程造成的缺陷，往往需要后工序——分级检验环节人工检测产品质量才能发现问题的产生，并反馈给抛光生产线进行调整。而在调整过程中需要经验丰富的技术人员根据经验判断缺陷产生的原因，部分缺陷还需要停机查找原因，往往需要较长的调试时间和试错成本。
发明内容
本发明的目的在于提出一种陶瓷砖半成品在加工中的损耗判断方法，其通过一种工业数据的分析方法，将半成品数据、设备运行数据、成品检测数据等多源异构数据进行采集、存储、提取、清洗、整理、建模分析，最后通过图、表、文字等多种形式进行呈现，快速发现造成抛光线瓷砖产品缺陷的设备、工序和操作参数，找出影响缺陷产生的主要影响因素。
本发明还提出一种陶瓷砖半成品在加工中的损耗判断系统，其特征在于，用于执行上述的陶瓷砖半成品在加工中的损耗判断方法。
为达此目的，本发明采用以下技术方案：
一种陶瓷砖半成品在加工中的损耗判断方法，包括以下步骤：
步骤(1)：对半成品瓷砖的检测数据进行录入；
步骤(2)：通过网关接口利用各类协议(Modbus/PLC等)采集多个设备的运行数据，所采的运行数据通过传输协议传输至服务器(本地服务器、云服务器等)进行数据存储；
步骤(3)：梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；
将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；
步骤(4)：将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，转换成数据集；
步骤(5)：进行数据分析，包括：损耗数据分析、检测变量分析和自动采集变量数据分析；
所述损耗数据分析，将步骤(4)得出的数据集利用数学统计模型对数据进行分析，绘制时间趋势图和箱型图；通过图谱分析数据的均值、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的工序和设备；
所述检测变量分析，通过数学统计模型对包括陶瓷砖成品质量数据和陶瓷砖成品质量数据两者的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；
所述自动采集变量数据分析，去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；
步骤(6)：根据步骤(5)的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；
步骤(7)：根据步骤(6)筛选出的数据变量搭建预测模型，预测模型的预测结果根据参数变化的损耗数，对损耗数进行预测，并推导影响损耗的设备及运行参数两者的特征的重要性，并对特征的重要性进行排序，基于优先级筛选排名靠前的变量，筛选出的变量作为重点参数优先关注。
优选地，将陶瓷砖半成品质量数据表、设备的运行数据表和陶瓷砖成品质量数据表按照工序先后顺序进行逻辑关联，筛选出产品分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；
陶瓷砖半成品质量数据表包括：瓷砖半成品的长度检测数据表、宽度检测数据表和厚度检测数据表；
设备的运行数据表包括：抛光机运行数据表、刮平定厚机运行数据表、磨边机运行数据表、超洁亮机运行数据表、打蜡机运行数据表、尺寸检测仪检测数据表、平整度检测仪检测数据表和表面缺陷检测仪检测数据表；
陶瓷砖成品质量数据表包括：成品瓷砖的长度数据表、宽度长度数据表、厚度长度数据表、对角线差长度数据表、倒角宽度长度数据表和平整度长度数据表。
更优地，所述步骤(3)中，筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；
变量类型包括：可控变量、不可控变量、约束变量和目标变量；
数据类型包括：string、float、int、bool和datatime。
进一步优化地，所述步骤(6)中，根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；
所述步骤(7)中，根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用xgboost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；
采用R方值评价回归模型，利用R方值的计算公式：
对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R2_score和测试集R2_score趋近于1的算法模型，评价模型效果为可用模型。
更优地，所述步骤(7)中，对造成损耗的设备及运行参数进行预测和判断后，将模型的分析结果输出；
分析结果包括：算法模型图表、算法模型训练集、测试集评分、模型效果展示、参数调整建议和重要性特征排名。
优选地，所述步骤(4)中，将数据采集表中异常数据和空值通过设定不同阈值进行筛选。
优选地，所述步骤(3)中，将各数据采集表的字段转换成英文后，将各表的字段进行关联。
一种陶瓷砖半成品在加工中的损耗判断系统，用于执行上述的陶瓷砖半成品在加工中的损耗判断方法，包括：填报系统、服务器、数据处理系统、数据分析系统、建模系统和预测系统；
所述填报系统，用于对半成品瓷砖的检测数据进行录入，并通过网关接口采集设备的运行数据，再将运行数据通过传输协议传输至服务器；
所述服务器，用于储存检测数据和运行数据；
所述数据处理系统，用于梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；并将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，将转换成数据集；
所述数据分析系统，包括：损耗数据分析模块、检测变量分析模块和自动采集变量数据分析模块；
所述损耗数据分析模块，用于将所述数据处理系统得出的数据集利用数学统计模型对数据进行分析，绘制时间趋势图和箱型图，分析数据的均值、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的环节和设备；
所述检测变量分析模块，用于通过数学统计模型对包括半成品检测数据和成品检测数据的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；
所述自动采集变量数据分析模块，用于去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；
所述建模系统，用于根据所述数据分析系统的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；利用机器学习算法建立与损耗参数相关的设备运行参数的关系，筛选出的参数和工序作为数据分析模型的数据变量，并对筛选的数据变量进行模型搭建；
所述预测系统，用于对模型的变量根据重要特征进行排序，筛选排名靠前的变量特征，对造成损耗的设备及运行参数进行预测和判断。
优选地，所述数据处理系统设有类型分类模块；
所述类型分类模块用于筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；
变量类型包括：可控变量、不可控变量、约束变量和目标变量；
数据类型包括：string、float、int、bool和datatime。
优选地，所述建模系统，用于根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；
根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用xgboost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；
采用R方值评价回归模型，利用R方值的计算公式：
对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R2_score和测试集R2_score趋近于1的算法模型，评价模型效果为可用模型。
本发明提供的技术方案可以包括以下有益效果：
本发明可以通过一种工业数据的分析方法，将半成品数据、设备运行数据、成品检测数据等多源异构数据进行采集、存储、提取、清洗、整理、建模分析，最后通过图、表、文字等多种形式进行呈现，快速发现造成抛光线瓷砖产品缺陷的设备、工序和操作参数，找出影响缺陷产生的主要影响因素，并推荐最优操作参数对设备进行调整从而降低加工过程缺陷和损耗，提高产品优等品率。
具体实施方式
下面通过具体实施方式来进一步说明本方案的技术方案。
一种陶瓷砖半成品在加工中的损耗判断方法，包括以下步骤：
步骤(1)：对半成品瓷砖的检测数据进行录入；
步骤(2)：通过网关接口利用各类协议(Modbus/PLC等)采集多个设备的运行数据，所采的运行数据通过传输协议传输至服务器(本地服务器、云服务器等)进行数据存储；
运行数据包括：生产线中抛光机运行数据、刮平定厚机运行数据、磨边机运行数据、超洁亮机运行数据、打蜡机运行数据、尺寸检测仪的检测数据、平整度检测仪检测数据、表面缺陷检测仪检测数据等设备数据、陶瓷砖半成品质量数据、陶瓷砖成品质量数据、分级检测数据。
抛光机运行数据包括：抛光机电流、电压、频率、抛光磨头压力、抛光模块目数，皮带运行速度，横梁运行速度，主皮带延时启动、横梁前停留时间、横梁后停留时间、横梁前位置、横梁后位置、砖坯厚度、横梁速度、横梁位置、线架速度、主皮带频率、视在功率、无功功率、功率因数、有功功率、电流互感器等，抛光机电流包括：A相电流、B相电流、C相电流；电压包括：相电压、线电压；频率是电流频率；抛光磨头压力是抛光机施加到陶瓷砖表面的压力；抛光模块目数是抛光磨头的模块目数；
刮平定厚机运行数据包括：刮平定厚机运行状态、进砖厚度、滚刀高度、出砖厚度、传动速度等
磨边机运行数据包括：磨边机机器状态、进给计时、线架1速度、转向A速度、转向B速度、主皮带速度、推砖速度、延时对中、延中保持、延时推砖、推砖延时升、磨头延时停止、自动进刀间隔时间、倒角1A延时上升、倒角1A延时下降、倒角1B延时上升、倒角1B延时下降、倒角2A延时上升、倒角2A延时下降、倒角2B延时上升、倒角2B延时下降；
超洁亮机运行数据包括：电机功率、磨头转速、输送速度、压力等；
尺寸检测仪的检测数据包括：成品瓷砖长度、宽度、对角线差值；
平整度检测仪检测数据包括：成品瓷砖四边变形度、对角线变形度
表面缺陷检测仪检测数据包括：瓷砖表面缺陷、瓷砖四边缺陷、瓷砖四角缺陷数据；
陶瓷砖半成品质量数据包括：瓷砖半成品长度、宽度、厚度；
陶瓷砖成品质量数据包括：成品瓷砖长度、宽度、厚度、对角线差、倒角宽度、平整度；
分级检测数据包括：瓷砖各类缺陷数据。
步骤(3)：梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；把表中的每一行叫做一个“记录”，每一个记录包含这行中的所有信息。表字段(或称字段)是比记录更小的单位，表字段集合组成记录，每个表字段描述文献的某一特征，即数据项，并有唯一的供计算机识别的字段标识符。
将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；
代表半成品的数据采集表内含有瓷砖半成品的长度、宽度、厚度检测数据表格；
代表设备的数据采集表内含有生产线中抛光机运行数据表、刮平定厚机运行数据、磨边机运行数据表、超洁亮机运行数据表、打蜡机运行数据表、尺寸检测仪的检测数据表、平整度检测仪检测数据表、表面缺陷检测仪检测数据表等设备数据。
代表产品的数据采集表内含有成品瓷砖长度、宽度、厚度、对角线差、倒角宽度、平整度；
将半成品、设备和产品的各个数据采集表按照时间序列和工序先后进行关联，并将分级缺陷记录与对应设备进行逻辑关联，如对角线差、长度、宽度、大小头、倒角宽等缺陷与磨边机关联；直线抛花、圆弧抛花、刀痕等抛光缺陷与抛光机关联等。
步骤(4)：将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，转换成数据集；
通过对所采集的半成品、设备运行、产品数据进行清洗、整理、逻辑关联形成数据集，为下一步分析建模做好准备工作。
步骤(5)：进行数据分析，包括：损耗数据分析、检测变量分析和自动采集变量数据分析；
所述损耗数据分析，将步骤(4)得出的数据集利用数学统计模型对缺陷和损耗数据进行分析，绘制时间趋势图和箱型图；通过图谱分析数据的均值、均值、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的工序和设备；损耗数据分析中所利用的数学统计模型是以概率论为基础，采用数学统计方法建立的模型。
所述检测变量分析，通过数学统计模型对包括陶瓷砖成品质量数据和陶瓷砖成品质量数据两者的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；
所述自动采集变量数据分析，去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；
此步骤中，去除设备的变量固定值可以去减少不变量对数学统计模型的计算干扰，以便数学统计模型可以计算出最准确的变量变异系数；当变量变异系数计算准确时，可以通过分析变异系数的大小，进一步地定位至异常设备定位，有助于监测设备；
其中，变量固定值是通过各类协议(Modbus/PLC等)采集到的数据集中一直未发生变化的数据，如：主皮带延时启动时间、缺砖验收停皮带时间、横梁惯量系数等设备设定的固定参数值。
步骤(6)：根据步骤(5)的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；利用机器学习算法建立与损耗参数相关的设备运行参数的关系，筛选出的参数和工序作为数据分析模型的数据变量；
其中，相关性分析是指利用对两个或多个具备相关性的变量进行分析，从而衡量两个变量的相关密切程度,用相关系数来表示。相关系数又叫或线性相关系数，用字母r表示，用来度量两个变量间的线性关系，公式：
式中：
Cov(X,Y)为X与Y的协方差；Var[X]为X的方差；Var[Y]为Y的方差。
筛选相关系数绝对值大于0.3的变量。
利用机器学习算法建立与损耗参数相关的设备运行参数的关系，筛选出的参数和工序作为数据分析模型的数据变量，并对筛选的数据变量进行模型搭建；
成品的参数包括成品尺寸和光泽度；损耗参数包括：损耗数、缺陷数、缺陷种类；
步骤(7)：模型变量根据重要特征进行排序，筛选排名靠前的变量特征，对造成损耗的设备及运行参数进行预测和判断；即根据步骤(6)筛选出的数据变量搭建预测模型，其预测结果为根据参数变化的损耗数。在对损耗数进行预测的同时，推导影响损耗的设备及运行参数的特征的重要性，并对其进行排序，基于优先级筛选排名靠前的变量，筛选出的变量作为重点参数优先关注。此步骤的模型是根据设备的参数和造成损耗的工序作为数据变量所搭建的，因此，对模型的变量进行排序时可以得出变量特征。
本发明可以通过一种工业数据的分析方法，将半成品数据、设备运行数据、成品检测数据等多源异构数据进行采集、存储、提取、清洗、整理、建模分析，最后通过图、表、文字等多种形式进行呈现，快速发现造成抛光线瓷砖产品缺陷的设备、工序和操作参数，找出影响缺陷产生的主要影响因素，并推荐最优操作参数对设备进行调整从而降低加工过程缺陷和损耗，提高产品优等品率。
特征的重要性排序是指利用XGBoost算法中的feature_importances_函数包进行特征重要性排序。
预测模型是指利用筛选的数据变量对加工缺陷、损耗等加工过程质量进行预测和判断。预测模型包括机器学习模型、深度学习模型等。使用的预测算法包括但不限于回归算法、树状回归算法、XGBoost等。
回归算法包括岭回归、线性回归、LASSO回归、弹性网络回归、多元回归算法；
树状回归算法包括决策树、随机森林、梯度提升决策树等；
XGBoost，全称eXtreme Gradient Boosting(极端梯度提升)；
优选地，将陶瓷砖半成品质量数据表、设备的运行数据表和陶瓷砖成品质量数据表按照工序先后顺序进行逻辑关联，筛选出产品分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；
陶瓷砖半成品质量数据表包括：瓷砖半成品的长度检测数据表、宽度检测数据表和厚度检测数据表；
设备的运行数据表包括：抛光机运行数据表、刮平定厚机运行数据表、磨边机运行数据表、超洁亮机运行数据表、打蜡机运行数据表、尺寸检测仪检测数据表、平整度检测仪检测数据表和表面缺陷检测仪检测数据表；
陶瓷砖成品质量数据表包括：成品瓷砖的长度数据表、宽度长度数据表、厚度长度数据表、对角线差长度数据表、倒角宽度长度数据表和平整度长度数据表。
陶瓷砖成品质量数据表分别记载了成品瓷砖长度、宽度、厚度、对角线差、倒角宽度和平整度，是陶瓷成品的基本判断是否有加工损耗的指标；陶瓷砖半成品质量数据表、设备的运行数据表和陶瓷砖成品质量数据表按照工序先后顺序进行逻辑关联；产品的分级检测数据表出现异常意味着对应加工工序，具体至抛光机运行数据表、刮平定厚机运行数据表、磨边机运行数据表、超洁亮机运行数据表、打蜡机运行数据表、尺寸检测仪检测数据表、平整度检测仪检测数据表和表面缺陷检测仪检测数据表中的其中一个数据表都会有异常；因此，在关联情况下，成品的参数出现异常时，可根据逻辑关联形成的关系对异常处进行定位，提高了判断速度。
更优地，所述步骤(3)中，筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；
变量类型包括：可控变量、不可控变量、约束变量和目标变量；
可控变量是可以通过调整变量值对设备进行控制的变量，如：主皮带频率、线架速度、横梁停留时间、抛光压力、横梁位置、总进砖数量、进给计时、转向速度、主皮带速度、推砖速度、延时对中、延中保持、延时推砖、推砖延时升、磨头延时停止等
不可控变量是不能改变或控制的变量，如：半成品瓷砖的长度、宽度、厚度、变形度等。
约束变量是一个变量取了某值就说该变量约束于某值，或者说该变量被某值所约束，或者说该变量被某值实例化了，如：缺陷数量、损耗、存砖数、运行状态等。
目标变量是算法所选择的输出变量，如：平整度、尺寸、光泽度、对角线差、倒角宽度等。
数据类型包括：string、float、int、bool和datatime。
对变量类型进一步地分类，以便后续步骤(7)的数据分析模型建立，步骤(7)会根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练，以通过数学模型分析各个变量中的关系，可以对造成缺陷和损耗产生的工序设备及运行参数进行预测和判断，并提出设备参数调整建议。
进一步优化地，所述步骤(6)中，根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；
所述步骤(7)中，根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用XGBoost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；
采用R方值评价回归模型，利用R方值的计算公式：
对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R2_score和测试集R2_score趋近于1的算法模型，评价模型效果为可用模型。
进一步优化地，所述步骤(7)中，对造成损耗的设备及运行参数进行预测和判断后，将模型的分析结果输出；
分析结果包括：算法模型图表、算法模型训练集、测试集评分、模型效果展示、参数调整建议和重要性特征排名。
本方案可优选在设备及运行参数进行预测和判断后，对模型的分析结果进行输出，以便智能化地提出设备参数调整建议，辅助技术人员进行快速调整，降低加工损耗和缺陷，提高产品优等品率。
优选地，所述步骤(4)中，将数据采集表中异常数据和空值通过设定不同阈值进行筛选。
当数据采集表中出现的数据偏离于正常值，表明该数据有异常；或数据采集表中的数据有空值，表面由于该工序出现异常，导致该数据并未输入；因此，异常数据和空值都是代表缺陷的数据，可通过设定不同阈值进行筛选，以准确地将异常的情况筛选出来。
优选地，所述步骤(3)中，将各数据采集表的字段转换成英文后，将各表的字段进行关联。
将数据采集表的字段转换成英文后，方便了后续表中变量类型和数据类型进行分类，以将变量类型和数据类型分布成不同的类型，以为后续的数据分析模型建立作准备。
一种陶瓷砖半成品在加工中的损耗判断系统，用于执行上述的陶瓷砖半成品在加工中的损耗判断方法，包括：填报系统、服务器、数据处理系统、数据分析系统、建模系统和预测系统；
所述填报系统，用于对半成品瓷砖的检测数据进行录入，并通过网关接口采集设备的运行数据，再将运行数据通过传输协议传输至服务器；
所述服务器，用于储存检测数据和运行数据；
所述数据处理系统，用于梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；并将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，将转换成数据集；
所述数据分析系统，包括：损耗数据分析模块、检测变量分析模块和自动采集变量数据分析模块；
所述损耗数据分析模块，用于将所述数据处理系统得出的数据集利用数学统计模型对缺陷和损耗数据进行分析，绘制时间趋势图和箱型图，分析数据的均值、标准差、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的环节和设备；
所述检测变量分析模块，用于通过数学统计模型对包括半成品检测数据和成品检测数据的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；
所述自动采集变量数据分析模块，用于去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；
所述建模系统，用于根据所述数据分析系统的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；利用机器学习算法建立与损耗参数相关的设备运行参数的关系，筛选出的参数和工序作为数据分析模型的数据变量，并对筛选的数据变量进行模型搭建；
所述预测系统，用于对模型的变量根据重要特征进行排序，筛选排名靠前的变量特征，对造成损耗的设备及运行参数进行预测和判断。
优选地，所述数据处理系统设有类型分类模块；
所述类型分类模块用于筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；
变量类型包括：可控变量、不可控变量、约束变量和目标变量；
数据类型包括：string、float、int、bool和datatime。
优选地，所述建模系统，用于根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；
根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用XGBoost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；
采用R方值评价回归模型，利用R方值的计算公式：
对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R2_score和测试集R2_score趋近于1的算法模型，评价模型效果为可用模型。
以上结合具体实施例描述了本方案的技术原理。这些描述只是为了解释本方案的原理，而不能以任何方式解释为对本方案保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本方案的其它具体实施方式，这些方式都将落入本方案的保护范围之内。
Claims (10)
1.一种陶瓷砖半成品在加工中的损耗判断方法，其特征在于，包括以下步骤：
步骤(1)：对半成品瓷砖的检测数据进行录入；
步骤(2)：通过网关接口利用各类协议(Modbus/PLC等)采集多个设备的运行数据，所采的运行数据通过传输协议传输至服务器(本地服务器、云服务器等)进行数据存储；
步骤(3)：梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；
将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；
步骤(4)：将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，转换成数据集；
步骤(5)：进行数据分析，包括：损耗数据分析、检测变量分析和自动采集变量数据分析；
所述损耗数据分析，将步骤(4)得出的数据集利用数学统计模型对缺陷和损耗数据进行分析，绘制时间趋势图和箱型图；通过图谱分析数据的均值、标准差、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的工序和设备；
所述检测变量分析，通过数学统计模型对包括陶瓷砖成品质量数据和陶瓷砖成品质量数据两者的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；
所述自动采集变量数据分析，去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；
步骤(6)：根据步骤(5)的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；
步骤(7)：根据步骤(6)筛选出的数据变量搭建预测模型，预测模型的预测结果根据参数变化的损耗数，对损耗数进行预测，并推导影响损耗的设备及运行参数两者的特征的重要性，并对特征的重要性进行排序，基于优先级筛选排名靠前的变量，筛选出的变量作为重点参数优先关注。
2.根据权利要求1所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，将陶瓷砖半成品质量数据表、设备的运行数据表和陶瓷砖成品质量数据表按照工序先后顺序进行逻辑关联，筛选出产品分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；
陶瓷砖半成品质量数据表包括：瓷砖半成品的长度检测数据表、宽度检测数据表和厚度检测数据表；
设备的运行数据表包括：抛光机运行数据表、刮平定厚机运行数据表、磨边机运行数据表、超洁亮机运行数据表、打蜡机运行数据表、尺寸检测仪检测数据表、平整度检测仪检测数据表和表面缺陷检测仪检测数据表；
陶瓷砖成品质量数据表包括：成品瓷砖的长度数据表、宽度长度数据表、厚度长度数据表、对角线差长度数据表、倒角宽度长度数据表和平整度长度数据表。
3.根据权利要求2所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(3)中，筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；
变量类型包括：可控变量、不可控变量、约束变量和目标变量；
数据类型包括：string、float、int、bool和datatime。
4.根据权利要求3所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(6)中，根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；
所述步骤(7)中，根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用XGBoost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；
采用R方值评价回归模型，利用R方值的计算公式：
对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R2_score和测试集R2_score趋近于1的算法模型，评价模型效果为可用模型。
5.根据权利要求4所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(7)中，对造成损耗的设备及运行参数进行预测和判断后，将模型的分析结果输出；
分析结果包括：算法模型图表、算法模型训练集、测试集评分、模型效果展示、参数调整建议和重要性特征排名。
6.根据权利要求1所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(4)中，将数据采集表中异常数据和空值通过设定不同阈值进行筛选。
7.根据权利要求1所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(3)中，将各数据采集表的字段转换成英文后，将各表的字段进行关联。
8.一种陶瓷砖半成品在加工中的损耗判断系统，其特征在于，用于执行权利要求1-7任意一项所述的陶瓷砖半成品在加工中的损耗判断方法，包括：填报系统、服务器、数据处理系统、数据分析系统、建模系统和预测系统；
所述填报系统，用于对半成品瓷砖的检测数据进行录入，并通过网关接口采集设备的运行数据，再将运行数据通过传输协议传输至服务器；
所述服务器，用于储存检测数据和运行数据；
所述数据处理系统，用于梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；并将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，将转换成数据集；
所述数据分析系统，包括：损耗数据分析模块、检测变量分析模块和自动采集变量数据分析模块；
所述损耗数据分析模块，用于将所述数据处理系统得出的数据集利用数学统计模型对数据进行分析，绘制时间趋势图和箱型图，分析数据的均值、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的环节和设备；
所述检测变量分析模块，用于通过数学统计模型对包括半成品检测数据和成品检测数据的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；
所述自动采集变量数据分析模块，用于去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；
所述建模系统，用于根据所述数据分析系统的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；利用机器学习算法建立与损耗参数相关的设备运行参数的关系，筛选出的参数和工序作为数据分析模型的数据变量，并对筛选的数据变量进行模型搭建；
所述预测系统，用于对模型的变量根据重要特征进行排序，筛选排名靠前的变量特征，对造成损耗的设备及运行参数进行预测和判断。
9.根据权利要求8所述的陶瓷砖半成品在加工中的损耗判断系统，其特征在于，所述数据处理系统设有类型分类模块；
所述类型分类模块用于筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；
变量类型包括：可控变量、不可控变量、约束变量和目标变量；
数据类型包括：string、float、int、bool和datatime。
10.根据权利要求9所述的陶瓷砖半成品在加工中的损耗判断系统，其特征在于，所述建模系统，用于根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；
根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用XGBoost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；
采用R方值评价回归模型，利用R方值的计算公式：
对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R2_score和测试集R2_score趋近于1的算法模型，评价模型效果为可用模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111018127.2A CN113642253B (zh) | 2021-08-30 | 2021-08-30 | 一种陶瓷砖半成品在加工中的损耗判断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111018127.2A CN113642253B (zh) | 2021-08-30 | 2021-08-30 | 一种陶瓷砖半成品在加工中的损耗判断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642253A true CN113642253A (zh) | 2021-11-12 |
| CN113642253B CN113642253B (zh) | 2024-04-02 |
Family
ID=78424821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111018127.2A Active CN113642253B (zh) | 2021-08-30 | 2021-08-30 | 一种陶瓷砖半成品在加工中的损耗判断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642253B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023174007A1 (zh) * | 2022-03-16 | 2023-09-21 | 科达制造股份有限公司 | 一种基于ai视觉分级分色的瓷砖产线及控制方法 |
| CN117875787A (zh) * | 2024-01-17 | 2024-04-12 | 辽宁中医药大学 | 一种基于数据分析的塘瓷煎中药锅生产监管系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110276393A (zh) * | 2019-06-19 | 2019-09-24 | 西安建筑科技大学 | 一种绿色建筑能耗复合预测方法 |
| US20200257933A1 (en) * | 2019-02-05 | 2020-08-13 | Imagars Llc | Machine Learning to Accelerate Alloy Design |
| CN112749623A (zh) * | 2020-12-08 | 2021-05-04 | 上海微亿智造科技有限公司 | 注塑成型工艺高频传感器数据的处理和特征提取方法及系统 |
| CN112884212A (zh) * | 2021-02-02 | 2021-06-01 | 陕西中烟工业有限责任公司 | 烟支单支克重偏差分析预测方法 |
| CN113030633A (zh) * | 2020-12-01 | 2021-06-25 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
| CN113065356A (zh) * | 2021-03-19 | 2021-07-02 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于语义分析算法的it设备运维故障建议处理方法 |
| CN113256409A (zh) * | 2021-07-12 | 2021-08-13 | 广州思迈特软件有限公司 | 基于机器学习的银行零售客户流失预测方法 |
-
2021
- 2021-08-30 CN CN202111018127.2A patent/CN113642253B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
| US20200257933A1 (en) * | 2019-02-05 | 2020-08-13 | Imagars Llc | Machine Learning to Accelerate Alloy Design |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110276393A (zh) * | 2019-06-19 | 2019-09-24 | 西安建筑科技大学 | 一种绿色建筑能耗复合预测方法 |
| CN113030633A (zh) * | 2020-12-01 | 2021-06-25 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
| CN112749623A (zh) * | 2020-12-08 | 2021-05-04 | 上海微亿智造科技有限公司 | 注塑成型工艺高频传感器数据的处理和特征提取方法及系统 |
| CN112884212A (zh) * | 2021-02-02 | 2021-06-01 | 陕西中烟工业有限责任公司 | 烟支单支克重偏差分析预测方法 |
| CN113065356A (zh) * | 2021-03-19 | 2021-07-02 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于语义分析算法的it设备运维故障建议处理方法 |
| CN113256409A (zh) * | 2021-07-12 | 2021-08-13 | 广州思迈特软件有限公司 | 基于机器学习的银行零售客户流失预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕庆;刘颂;刘小杰;毕中心;李建鹏;: "基于大数据技术的烧结全产线质量智能控制系统", 钢铁, no. 07 * |
| 崔博洋;王永林;王云;孙大平;王桦;: "基于长短期记忆神经网络的吸收塔pH值预测模型", 华电技术, no. 09 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023174007A1 (zh) * | 2022-03-16 | 2023-09-21 | 科达制造股份有限公司 | 一种基于ai视觉分级分色的瓷砖产线及控制方法 |
| CN117875787A (zh) * | 2024-01-17 | 2024-04-12 | 辽宁中医药大学 | 一种基于数据分析的塘瓷煎中药锅生产监管系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642253B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642253A (zh) | 一种陶瓷砖半成品在加工中的损耗判断方法和系统 | |
| CN109262368B (zh) | 一种刀具失效判定方法 | |
| CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
| CN109158953B (zh) | 一种刀具磨损状态在线监测方法及系统 | |
| CN102095731A (zh) | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 | |
| CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
| CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
| CN104794492B (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
| CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| CN104056789A (zh) | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 | |
| CN112784938B (zh) | 一种面向工业大数据的工序批量产出智能计数方法 | |
| CN112192319A (zh) | 无监督模型的刀具磨损监测方法及系统 | |
| CN109333159B (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
| CN114872290B (zh) | 一种注塑件的自适应生产异常监测方法 | |
| Alikhanov et al. | Design and performance of an automatic egg sorting system based on computer vision | |
| CN108393744A (zh) | 一种刀具状态多传感监测方法 | |
| CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
| CN109490776A (zh) | 一种基于机器学习的手机振动马达良次品检测方法 | |
| CN109396956B (zh) | 一种数控滚齿机滚刀状态智能监测方法 | |
| CN109622407B (zh) | 基于图像识别的核桃无损检测设备与方法 | |
| CN114723331A (zh) | 打磨数字化智能管理系统、方法、装置及计算机存储介质 | |
| CN105470163A (zh) | 一种半导体生产工艺控制系统及分析方法 | |
| CN109389039A (zh) | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 | |
| CN115351600A (zh) | 一种可用于钻铣加工的刀具状态的监测方法和装置 |
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 |