CN113779895A - 数据模型的建立装置和方法、加工质量的预测装置和方法 - Google Patents
数据模型的建立装置和方法、加工质量的预测装置和方法 Download PDFInfo
- Publication number
- CN113779895A CN113779895A CN202111323392.1A CN202111323392A CN113779895A CN 113779895 A CN113779895 A CN 113779895A CN 202111323392 A CN202111323392 A CN 202111323392A CN 113779895 A CN113779895 A CN 113779895A
- Authority
- CN
- China
- Prior art keywords
- data information
- processing
- test result
- destructive test
- prediction
- 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
Images
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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本申请公开了一种预测物料加工质量的数据模型的建立装置。包括第一通信器和第一处理器,第一通信器与第一处理器耦接,第一通信器用于接收物料的加工数据信息和物料的破坏性测试结果信息,第一处理器用于基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型。上述建立装置提供了建立预测物料加工质量的数据模型的解决方案,使物料的加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。本申请同时公开了一种预测物料加工质量的数据模型的建立方法、加工质量的预测装置和方法。
Description
技术领域
本申请涉及物料检测技术领域,具体涉及一种数据模型的建立装置和方法、加工质量的预测装置和方法。
背景技术
现有对加工后的物料进行检测通常采用人工检测的方式。该方式通过检测工程师的经验来判断加工后的物料是否合格,以及通过对加工后的物料进行抽检的方式进行破坏性检测,以此实现对加工后的物料的检测。然而,在实际作业的过程中,该方式对检测工程师的要求较高,导致人力成本增加;且该方式的检测自动化程度低,存在漏检的情况,导致物料的检测效率低。
发明内容
鉴于以上内容,有必要提出一种数据模型的建立装置和方法、加工质量的预测装置和方法,以降低对检测工程师的依赖,降低人力成本,提升物料加工质量检测的自动化程度,提高检测效率。
本申请一实施例提供一种预测物料加工质量的数据模型的建立装置,包括第一通信器和第一处理器,所述第一通信器与所述第一处理器耦接;所述第一通信器用于接收物料的加工数据信息和所述物料的破坏性测试结果信息,所述第一处理器用于基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,得到加工质量预测模型。
本申请一实施例同时提供一种预测物料加工质量的数据模型的建立方法,包括:获取物料的加工数据信息;获取所述物料的破坏性测试结果信息;基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,得到加工质量预测模型。
上述预测物料加工质量的数据模型的建立装置及方法,通过接收物料的加工数据信息和物料的破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息对预设模型进行训练,得到加工质量预测模型,进而通过加工质量预测模型对加工后的物料的加工质量进行预测,提供了建立预测物料加工质量的数据模型的解决方案,使物料的加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。
本申请一实施例提供了一种物料加工质量的预测装置,包括:第二通信器,用于接收物料的加工数据信息;第二处理器,与所述第二通信器耦接,用于将所述加工数据信息输入至一加工质量预测模型,输出所述物料的加工质量的预测结果,所述加工质量预测模型为基于所述物料的破坏性测试结果信息和所述加工数据信息对一预设模型进行训练得到。
本申请一实施例同时提供了一种物料加工质量的预测方法,包括:获取物料的加工数据信息;获取物料的破坏性测试结果信息;基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,得到加工质量预测模型;基于所述加工数据信息和所述加工质量预测模型,输出所述物料的加工质量的预测结果。
本申请一实施例还提供了一种物料加工质量的预测系统,用于预测物料的加工质量是否合格,包括加工装置和预测物料加工质量的预测服务器;所述加工装置用于对所述物料进行加工,并上传所述物料的加工数据信息;所述预测物料加工质量的预测服务器包括第三通信器和第三处理器,所述第三通信器与所述第三处理器耦接,所述第三通信器用于接收所述加工数据信息,所述第三处理器用于将所述加工数据信息输入至一加工质量预测模型,输出所述物料的加工质量的预测结果,所述加工质量预测模型为基于所述物料的破坏性测试结果信息和所述加工数据信息对一预设模型进行训练得到。
上述物料加工质量的预测装置、方法及系统,通过接收物料的加工数据信息,将加工数据信息输入至一加工质量预测模型,输出物料的加工质量的预测结果,加工质量预测模型为基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到,进而通过加工质量预测模型对加工后的物料进行预测,提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。
本申请一实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序可被处理器执行,并实现如上所述的预测方法。
上述计算机可读存储介质,通过执行预测方法中的获取物料的加工数据信息,获取物料的破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型,基于加工数据信息和加工质量预测模型,输出物料的加工质量的预测结果,进而通过加工质量预测模型对加工后的物料进行预测,提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。
附图说明
图1是本申请第一实施例提出的建立装置的硬件架构图。
图2是本申请第二实施例提出的建立方法的流程示意图。
图3是本申请第三实施例提出的预测装置的硬件架构图。
图4是本申请第四实施例提出的预测方法的流程示意图。
图5是图4所示的S46的具体方法流程示意图。
图6是本申请第五实施例提出的预测系统的硬件架构图。
主要元件符号说明:
建立装置10,第一通信器12,第一处理器14,第一存储器16,预测装置30,第二通信器32,第二处理器34,第二存储器36,预测系统50,加工装置52,预测服务器54,第三通信器544,第三处理器546,第三存储器548,破坏性测试装置56,训练服务器58,第四通信器582,第四处理器584,第四存储器586。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所述描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与术语本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种预测物料加工质量的数据模型的建立装置,包括第一通信器和第一处理器,该第一通信器与该第一处理器耦接;该第一通信器用于接收物料的加工数据信息和该物料的破坏性测试结果信息,该第一处理器用于基于该破坏性测试结果信息和该加工数据信息对一预设模型进行训练,得到加工质量预测模型。
本申请实施例同时提供一种预测物料加工质量的数据模型的建立方法,包括:获取物料的加工数据信息;获取该物料的破坏性测试结果信息;基于该破坏性测试结果信息和该加工数据信息对一预设模型进行训练,得到加工质量预测模型。
上述预测物料加工质量的数据模型的建立装置及方法,通过接收物料的加工数据信息和物料的破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息对预设模型进行训练,得到加工质量预测模型,进而通过加工质量预测模型对加工后的物料的加工质量进行预测,提供了建立预测物料加工质量的数据模型的解决方案,使物料的加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料的检测效率。
本申请实施例提供一种物料加工质量的预测装置,包括:第二通信器,用于接收物料的加工数据信息;第二处理器,与该第二通信器耦接,用于将该加工数据信息输入至一加工质量预测模型,输出该物料的加工质量的预测结果,该加工质量预测模型为基于该物料的破坏性测试结果信息和该加工数据信息对一预设模型进行训练得到。
本申请实施例同时提供一种物料加工质量的预测方法,包括:获取物料的加工数据信息;获取物料的破坏性测试结果信息;基于该破坏性测试结果信息和该加工数据信息对一预设模型进行训练,得到加工质量预测模型;基于该加工数据信息和该加工质量预测模型,输出该物料的加工质量的预测结果。
本申请实施例还提供一种物料加工质量的预测系统,用于预测物料的加工质量是否合格,包括加工装置和物料加工质量的预测装置;该加工装置用于对该物料进行加工,并上传该物料的加工数据信息;该物料加工质量的预测装置包括第三通信器和第三处理器,该第三通信器与该第三处理器耦接,该第三通信器用于接收该加工数据信息,该第三处理器用于将该加工数据信息输入至一加工质量预测模型,输出该物料的加工质量的预测结果,该加工质量预测模型为基于该物料的破坏性测试结果信息和该加工数据信息对一预设模型进行训练得到。
上述物料加工质量的预测装置、方法及系统,通过接收物料的加工数据信息,将加工数据信息输入至一加工质量预测模型,输出物料的加工质量的预测结果,加工质量预测模型为基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到,进而通过加工质量预测模型对加工后的物料进行预测,提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料的检测效率。
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,该计算机程序可被处理器执行,并实现如上该的预测方法。
上述计算机可读存储介质,通过执行预测方法中的获取物料的加工数据信息,获取物料的破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型,基于加工数据信息和加工质量预测模型,输出物料的加工质量的预测结果,进而通过加工质量预测模型对加工后的物料进行预测,提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料的检测效率。
以下将结合附图对本申请的一些实施方式作详细说明。
请参见图1,本申请第一实施例提供了一种预测物料加工质量的数据模型的建立装置。建立装置10用于建立预测物料加工质量的数据模型,也可以理解为,建立装置10用于建立一数据模型,该数据模型可用于预测物料加工质量。物料加工质量可以理解为,加工后的物料是否符合加工要求,加工质量可以包括但不限于加工后的物料的外观是否符合要求、焊接强度是否符合要求、焊接位置是否符合要求、焊接表面是否符合要求等。建立装置10包括第一通信器12和第一处理器14,第一通信器12和第一处理器14耦接。
第一通信器12用于接收物料的加工数据信息和物料的破坏性测试结果信息;第一处理器14用于基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,预设模型经训练后得到加工质量预测模型。如此,建立装置10通过接收物料的加工数据信息和物料的破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息对预设模型进行训练,得到加工质量预测模型,进而通过加工质量预测模型对加工后的物料的加工质量进行预测,该建立装置10提供了建立预测物料加工质量的数据模型的解决方案,使物料的加工质量的检测更加依赖大数据信息。相对于现有的对部分物料破坏性测试的方式而言,由于破坏性测试后物料无法继续使用,因此现有的破坏性测试的方式只能通过对部分物料进行破坏性测试来评估整体物料的质量,而使用本申请的加工质量预测模型,不仅实现对所有加工后物料的加工质量预测,而且达到使用非破坏性的方式即可预测其加工质量的有益效果,节约了物料和人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。其中,加工质量预测模型即为预测物料加工质量的数据模型。
第一处理器14可以为中央处理器(CPU,Central Processing Unit),还可以包括其他通用处理器、数字信息处理器(DSP,Digital Signal Processor)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,第一处理器14是建立装置10的控制中心,利用各种接口和线路连接整个建立装置10的各个部分。
在一些实施例中,物料的加工数据信息可以包括物料加工时的光感信号、温度和图像的数据信息。物料的加工数据信息可以来自多个机台,从而提升加工数据信息的丰富度。例如,一加工装置对物料进行焊接时,该加工装置所使用的激光为红外光、紫外光或其他特殊波型光的光感信号,激光因使用红外光所产生的温度数据信息,激光因使用紫外光所产生的电浆数据信息,物料焊接后所获取的图像数据信息,通过图像数据信息可以进一步地获取物料的焊接位置、焊接后的物料的外观品质、焊点的分布、熔池的形状与颜色等数据信息,上述数据信息均可以理解为物料的加工数据信息。
可以理解地,在其他的实施例中,物料的加工数据信息还可以包括物料加工时的功率、焦距等数据信息,还可以包括物料加工后的背反等数据信息。例如,加工装置所使用的激光的功率和焦距,加工后的物料表面的光的反射效果等。其中,功率可以由功率监控器获取,焦距可以由焦距检测器获取,上述数据信息也可以理解为物料的加工数据信息。
在一些实施例中,破坏性测试结果信息由对加工后的物料进行破坏性检测获取,破坏性测试结果信息包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的一者。可以理解地,对加工后的物料进行破坏性检测时,由于是对物料进行破坏性检测,物料被破坏后无法复原,每次破坏性检测仅可以获取拉拔力、冲击力、扭力和剪切力中的其中一者。
在一些实施例中,破坏性测试结果信息为部分加工的物料的破坏性测试结果信息,其中,部分加工的物料为从加工完成的物料中按照预定规则选取的部分物料。例如,预定规则可以为:选取首件加工后的物料;在生产过程中随机抽检的加工后的物料;相应地,部分加工的物料可以为首件物料、生产过程中随机抽检的物料。
在一些实施例中,建立装置10还可以包括第一存储器16,第一存储器16可以存储可读指令,可读指令能够被第一处理器14加载并执行,以实现建立预测物料加工质量的数据模型的功能。例如,第一存储器16存储可读指令,然后第一处理器14加载所述存储的可读指令以执行:基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型。
第一存储器16用于存储建立装置10中的各类数据,例如各种数据库、程序代码等。示例性地,第一存储器16可以包括但不限于只读存储器(ROM,Read-Only Memory)、随机存储器(RAM,Random Access Memory)、可编程只读存储器(PROM,Programmable Read-OnlyMemory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电子擦除式可复写只读存储器(EEPROM,Electrically-Erasable Programmable Read-Only Memory)、只读光盘(CD-ROM,Compact Disc Read-Only Memory)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。
在一些实施例中,第一处理器14还可以加载可读指令并进一步执行:将破坏性测试结果信息与对应的加工数据信息进行关联。例如,对于一加工后的物料,该加工后的物料的加工数据信息为(红外光,2000℃,焊点分布合理),该加工的物料的破坏性测试结果信息为(拉拔力3kg),将破坏性测试结果信息与对应的加工数据信息进行关联后为(红外光,2000℃,焊点分布合理,拉拔力3kg),即表示在加工数据信息为(红外光,2000℃,焊点分布合理)的情况下,该物料的拉拔力为3kg。
在一些实施例中,由于物料的加工数据信息较多,一些加工数据信息不会对加工质量有影响或者影响很小,因此在将破坏性测试结果信息与对应的加工数据信息进行关联时,还可以包括自动清理加工数据信息的步骤,在该步骤中会自动清理与物料的破坏性测试结果信息无关联或者关联性很小的加工数据信息,使得第一处理器14只是将破坏性测试结果信息与对应的关联程度较高的加工数据信息进行关联,以提高第一处理器14的处理速度。上述自动清理的规则可以根据具体情况确定,如可以根据时间点或者根据加工数据信息的种类等。显然地,上述仅为举例说明之用,并不是对本申请的限定。
在一些实施例中,第一处理器14还可以加载可读指令并进一步执行:将破坏性测试结果信息和加工数据信息分为训练集、验证集和测试集;将训练集用于对预设模型训练得到初步加工质量预测模型;将验证集用于对得到的初步加工质量预测模型进行验证和调整;将测试集用于对调整后的初步加工质量预测模型进行测试,以得到加工质量预测模型。
示例性地,将关联后的破坏性测试结果信息和加工数据信息按照8:1:1的比例关系分为训练集、验证集和测试集,训练集、验证集和测试集中的元素数据信息都是相同的。可以理解地,关联后的破坏性测试结果信息和加工数据信息还可以按照其他的比例关系分为训练集、验证集和测试集,例如,按照7:2:1的比例。
首先,使用训练集对预设模型进行训练以得到初步加工质量预测模型,该初步加工质量预设模型具有根据物料的加工数据信息预测物料的破坏性测试结果信息的功能,即输入物料的加工数据信息至该初步加工质量预测模型,即可预测得到一破坏性测试结果信息的数据。
在使用训练集训练的过程中,在一实施例中,可以采用分类的方式使得得到的初步加工质量预测模型更加精确。如,对于预测焊接的质量的实施例来说,可以根据焊点的数量分为8个以下、8-40个以内、40个以上三类,当然也可以再次细化,比如8个焊点以下、8-20个以内、20-40个、40个以上四类,或者再次细化,如对于每个焊点的数量分为一类,如8个焊点、9个焊点、10个焊点……等。可以理解的是,分类越多,得到的初步加工质量预测模型以及最终的加工质量预测模型也就越精确,但是会造成运算量大。在其他的实施例中,还可以根据焊点形成的形状进行分类,如由于焊接质量和焊点的分布有关,可以根据焊点的分布将分为圆形的和椭圆形的两类,然后分别对这两类进行训练。
在对训练集分类后,然后对训练集进行聚类,如采用K-means算法。在一些实施例中,由于数据存在较多的高频的杂讯,可以使用平滑化算法滤除高频的杂讯。
然后对训练集进行模型训练。如果训练集被分为多个种类,则需要对多个训练集进行训练。在训练的过程中,输入为物料的加工数据信息,标记为物料的破坏性测试结果信息,输出为预测结果,利用机器学习和深度学习模型进行训练,得到初步的加工质量预测模型。在此过程中可以利用收敛损失函数weight square error = ∑ weightn * (Predictn– Ground truthn)2对模型进行收敛,其中weight square error表示带权重平均方差损失函数之和,weightn表示权重值,Predictn表示预测结果,Ground truthn表示破坏性测试结果信息,采用该带有权重性的平均方差损失函数和,减少样本不均的情况。可以理解的是,本领域技术人员也可以采用其他方式或者函数对初步的加工质量预测模型进行收敛。
然而该初步的加工质量预测模型的预测准确性仍然需要验证和调整。
其次,使用验证集对得到的初步加工质量预测模型进行验证和调整。在利用验证集对初步的加工质量预测模型进行验证时,可以首先利用验证集模型误差计算公式:Errorn = |(𝑃𝑟𝑒d𝑖𝑐𝑡𝑛−𝐺𝑟𝑜𝑢𝑛d𝑡𝑟𝑢𝑡ℎ𝑛)|,计算得出验证集内每个物料的绝对误差Errorn。
如果验证集的物料的Errorn满足:
Errorn≤ Threshold1,则Accuracy1累加1;
Threshold1< Errorn ≤Threshold2,则Accuracy2累加1;
Errorn >Threshold2,则Accuracy3累加1。
其中,Threshold1、Threshold2分别为两个预设的临界点,且Threshold1<Threshold2。通过上述公式,可以将验证集内每个物料的绝对误差Errorn通过Threshold进行分层,例如,Threshold1为第一层,Threshold1设置为1KG,则可以表示抗拔力或冲击力为1KG;Threshold2为第二层,Threshold2设置为3KG,则可以表示抗拔力或冲击力为3KG。Accuracy1、Accuracy2和Accuracy3则分别表示处于不同层的物料的数量。
然后利用如下的评价指数公式对验证模型的好坏进行评价:
( Accuracy1 * w1 /N)+( Accuracy2 * w2 /N);
其中,N表示验证集中所有物料的数量总和,w1和w2表示在评价中更在乎精准度在哪一个层级。如,在一本实施例中,w1为0.6,w2为0.4,本实施例表示更在乎Accuracy1的数值。可以理解地,在其他的实施例中,w1和w2还可以表示为其他的数值,从而表示更在乎精准度在哪一个层级。w1和w2的和为1。
可以理解的是,本领域技术人员也可以采用其他方式验证和评价得到的初步的加工质量预测模型。
如果使用验证集对初步加工质量预测模型进行验证的结果均为合格,则该初步加工质量预测模型不需要进行调整;如果使用验证集对初步加工质量预测模型进行验证的结果为不合格,则该初步加工质量预测模型需要进行调整。调整的方式可以为:在初步加工质量预测模型的基础上使用验证集对该初步加工质量预测模型进行调整,或者再次使用训练集对预设模型进行训练,以得到新的初步加工质量预测模型。例如,验证集中的一个元素为(红外光,2500℃,拉拔力2.9kg),将该元素的加工数据信息(红外光,2500℃)输入至该初步加工质量预测模型,该初步加工质量预测模型的预测结果为(拉拔力2.7kg),如果预先设定的允许的误差在±0.1kg内,则该预测结果与该元素中的破坏性测试结果信息(拉拔力2.9±0.1kg)不符合,则该初步加工质量预测模型可能需要进行调整。然后,使用测试集对调整后的初步加工质量预测模型进行测试,以再次对初步加工质量预测模型的预测准确性进行测试,测试结果为合格后,则经过测试的初步加工质量预测模型即为加工质量预测模型。
在一些实施例中,第一处理器14还可以加载可读指令并进一步执行:获取根据加工质量预测模型的预测结果为合格的物料进行抽检、以及预测结果为不合格的物料进行全检的破坏性测试结果信息和对应的加工数据信息;根据抽检以及全检的破坏性测试结果信息和对应的加工数据信息对加工质量预测模型进行更新。如此,通过对预测结果为合格的物料进行抽检、以及对预测结果为不合格的物料进行全检,获取更多的破坏性测试结果信息,有利于提升破坏性测试结果信息的样本数量,通过获取的更多的破坏性测试结果信息对加工质量预测模型进行更新,提升加工质量预测模型的预测准确性。可以理解地,更新后的加工质量预测模型可以按照预定时间上传至加工装置处的服务器,以避免随时更新模型而带来的预测结果不稳定型。例如,以天为单位,第一天在生产过程中获取更多的破坏性测试结果信息和对应的加工数据信息,第一天加工结束后,基于获取的破坏性测试结果信息和对应的加工数据信息对加工质量预测模型进行更新并上传至加工装置处的服务器,第二天加工开始时,即可以使用更新过的加工质量预测模型。
请参见图2,本申请第二实施例提供了一种预测物料加工质量的数据模型的建立方法。建立方法用于建立预测物料加工质量的数据模型,通过该预测物料加工质量的数据模型对加工后的物料的加工质量进行预测。根据不同的需求,流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本申请实施例相关的部分。建立方法包括如下步骤。
S22,获取物料的加工数据信息。
示例性地,获取物料加工时的光感信息、温度和图像的数据信息以及功率、焦距、背反等数据信息。可以同时获取多个机台的物料的加工数据信息。
S24,获取物料的破坏性测试结果信息。
示例性地,获取加工后的物料经破坏性检测所形成的破坏性测试结果信息,破坏性测试结果信息包括拉拔力、冲击力、扭力和剪切力中的一者。
在一些实施例中,步骤S22和步骤S24的顺序可以改变,即先获取物料的破坏性测试结果信息,再获取物料的加工数据信息。
S26,基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型。
示例性地,使用破坏性测试结果信息和加工数据信息对预设模型进行训练,从而得到加工质量预测模型,进而通过该加工质量预测模型对加工后的物料的加工质量进行预测,该建立方法提供了建立预测物料加工质量的数据模型的解决方案,使物料的加工质量的检测更加依赖大数据信息,相对于现有的对部分物料破坏性测试的方式而言,由于破坏性测试后物料无法继续使用,因此现有的破坏性测试的方式只能通过对部分物料进行破坏性测试来评估整体物料的质量,而使用本申请的加工质量预测模型,不仅实现对所有加工后物料的加工质量预测,而且达到使用非破坏性的方式即可预测其加工质量的有益效果,节约了物料和人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。其中,加工质量预测模型即为预测物料加工质量的数据模型。
可以理解的是,本实施例中基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型的方法,可以参考前述任一实施例中得到加工质量预测模型的方法而得到。
可以理解地,该建立方法还能够以计算机程序的形式存储于第一实施例中的第一存储器16中,也可以理解为该建立方法所形成的计算机程序为第一存储器16中的可读指令,第一处理器14通过加载该计算机程序以执行该建立方法的步骤。
请参见图3,本申请第三实施例提供了一种物料加工质量的预测装置。预测装置30用于对物料加工质量进行预测。预测装置30包括第二通信器32和第二处理器34,第二通信器32与第二处理器34耦接。
第二通信器32用于接收物料的加工数据信息;第二处理器34用于将加工数据信息输入至一加工质量预测模型,该加工质量预测模型根据输入的加工数据信息输出物料的加工质量的预测结果,根据该预测结果检测加工后的物料加工质量是否符合要求。其中,加工质量预测模型为基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到。如此,预测装置30通过接收物料的加工数据信息,将加工数据信息输入至一加工质量预测模型,输出物料的加工质量的预测结果,加工质量预测模型为基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到,进而通过加工质量预测模型对加工后的物料进行预测,该预测装置30提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,相对于现有的对部分物料破坏性测试的方式而言,由于破坏性测试后物料无法继续使用,因此现有的破坏性测试的方式只能通过对部分物料进行破坏性测试来评估整体物料的质量,而使用本申请的加工质量预测模型,不仅实现对所有加工后物料的加工质量预测,而且达到使用非破坏性的方式即可预测其加工质量的有益效果,节约了物料和人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。
在一些实施例中,预测结果包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的至少一种。示例性地,加工质量预测模型根据输入的加工数据信息,所输出的预测结果可以为(拉拔力3kg)、(冲击力2kg)、(拉拔力3kg,扭力5kg)、(拉拔力3kg,冲击力2kg,扭力5kg)、(拉拔力3kg,冲击力2kg,扭力5kg,剪切力4kg)等。在实际生产的过程中,可以对拉拔力、冲击力、扭力和剪切力进行优先级排序,例如,拉拔力的优先等级最高,扭力、冲击力、剪切力其次,当预测结果中的拉拔力符合要求时,该物料的加工质量也可以被认为合格;然而,当预测结果中的拉拔力不符合要求时,即使冲击力、扭力、剪切力均符合要求,该物料的加工质量也可以被认为不合格。显然地,对拉拔力、冲击力、扭力和剪切力进行优先级排序可以根据实际情况进行,上述排序并不构成对本申请的限定。
在一些实施例中,预测装置30还可以包括第二存储器36,第二存储器36可以存储可读指令,可读指令能够被第二处理器34加载并执行,以实现物料加工质量的预测功能。例如,第二存储器36存储可读指令,然后第二处理器34加载所述可读指令以执行:将加工数据信息输入至一加工质量预测模型并输出物料的加工质量的预测结果。
可以理解地,第二处理器34的数量可以为一个,也可以为多个。第二处理器34的数量为多个时,其中至少一个第二处理器34用于将加工数据信息输入至一加工质量预测模型,另外至少一个第二处理器34用于输出物料的加工质量的预测结果;另外还有至少一个第二处理器34用于基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到加工质量预测模型。其中,另外还有至少一个第二处理器34中可以包括第一实施例中的第一处理器14。
在一些实施例中,第二处理器34还可以加载可读指令并进一步执行:生成预测结果的显示信息。示例性地,加工质量预测模型根据一加工数据信息输出预测结果为(拉拔力3kg),则第二处理器34将该预测结果(拉拔力3kg)于一显示设备上进行显示,以供作业人员随时进行查看,提高检测的冗余性。
在一些实施例中,第二通信器32进一步用于上传加工数据信息至第二处理器34。示例性地,加工质量预测模型以及在训练得到加工质量预测模型的过程中均需要使用加工数据信息,第二通信器32还可以将该加工数据信息上传至第二处理器34或不同的第二处理器34中,以被第二处理器34接收并处理。
在一些实施例中,第二处理器34还可以加载可读指令并进一步执行:接收更新的加工质量预测模型。示例性地,第二处理器34按照预定时间接收更新的加工质量预测模型。
在一些实施例中,第二处理器34还可以加载可读指令并进一步执行:提示对预测结果为不合格的物料进行破坏性检测,以及对预测结果为合格的物料按照预定选取规则进行破坏性检测。示例性地,对预测结果为合格的物料进行抽检,对预测结果为不合格的物料进行全检;根据抽检以及全检的破坏性测试结果信息和对应的加工数据信息对加工质量预测模型进行更新。如此,通过对预测结果为合格的物料进行抽检、以及对预测结果为不合格的物料进行全检,获取更多的破坏性测试结果信息,有利于提升破坏性测试结果信息的样本数量,通过获取的更多的破坏性测试结果信息对加工质量预测模型进行更新,提升加工质量预测模型的预测准确性。
可以理解地,本实施例中的加工质量预测模型可以为第一实施例提供的建立装置10所建立的加工质量预测模型或第二实施例提供的建立方法所建立的加工质量预测模型。
在一些实施例中,物料的加工数据信息可以包括物料加工时的光感信号、温度和图像的数据信息。物料的加工数据信息可以来自多个机台,从而提升加工数据信息的丰富度。例如,一加工装置对物料进行焊接时,该加工装置所使用的激光为红外光、紫外光或其他特殊波型光的光感信号,激光因使用红外光所产生的温度数据信息,激光因使用紫外光所产生的电浆数据信息,物料焊接后所获取的图像数据信息,通过图像数据信息可以进一步地获取物料的焊接位置、焊接后的物料的外观品质、焊点的分布、熔池的形状与颜色等数据信息,上述数据信息均可以理解为物料的加工数据信息。
可以理解地,在其他的实施例中,物料的加工数据信息还可以包括物料加工时的功率、焦距等数据信息,还可以包括物料加工后的背反等数据信息。例如,加工装置所使用的激光的功率和焦距,加工后的物料表面的光的反射效果等。其中,功率可以由功率监控器获取,焦距可以由焦距检测器获取,上述数据信息也可以理解为物料的加工数据信息。
在一些实施例中,破坏性测试结果信息由对加工后的物料进行破坏性检测获取,破坏性测试结果信息包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的一者。可以理解地,对加工后的物料进行破坏性检测时,由于是对物料进行破坏性检测,物料被破坏后无法复原,每次破坏性检测仅可以获取拉拔力、冲击力、扭力和剪切力中的其中一者。
在一些实施例中,预测结果包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的至少一种。示例性地,加工质量预测模型根据输入的加工数据信息,所输出的预测结果可以为(拉拔力3kg)、(冲击力2kg)、(拉拔力3kg,扭力5kg)、(拉拔力3kg,冲击力2kg,扭力5kg)、(拉拔力3kg,冲击力2kg,扭力5kg,剪切力4kg)等。在实际生产的过程中,可以对拉拔力、冲击力、扭力和剪切力进行优先级排序,例如,拉拔力的优先等级最高,扭力、冲击力、剪切力其次,当预测结果中的拉拔力符合要求时,该物料的加工质量也可以被认为合格;然而,当预测结果中的拉拔力不符合要求时,即使冲击力、扭力、剪切力均符合要求,该物料的加工质量也可以被认为不合格。显然地,对拉拔力、冲击力、扭力和剪切力进行优先级排序可以根据实际情况进行,上述排序并不构成对本申请的限定。
请参见图4,本申请第四实施例提供了一种物料加工质量的预测方法。预测方法用于对物料加工质量进行预测。根据不同的需求,流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本申请实施例相关的部分。预测方法包括如下步骤。
S41,获取物料的加工数据信息。其中,加工数据信息可以来自多个机台,以提升加工数据信息的样本数量。
S42,获取物料的破坏性测试结果信息。其中,破坏性测试结果信息为部分加工的物料的破坏性测试结果信息。部分加工的物料为从加工完成的物料中按照预定规则选取的部分物料。例如,预定规则可以为:选取首件加工后的物料;在生产过程中随机抽检的加工后的物料;相应地,部分加工的物料可以为首件物料、生产过程中随机抽检的物料。
在一些实施例中,步骤S41和步骤S42的顺序可以改变,即先获取物料的破坏性测试结果信息,再获取物料的加工数据信息。
S43,基于破坏性测试结果信息和加工数据信息对一预设模型进行训练,得到加工质量预测模型。
S44,基于加工数据信息和加工质量预测模型,输出物料的加工质量的预测结果。
示例性地,在得到加工质量预测模型并使用该加工质量预测模型后,输入加工数据信息至该加工质量预测模型,该加工质量预测模型输出物料的加工质量的预测结果。预测结果包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的至少一种。如此,预测方法通过接收物料的加工数据信息和破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息得到加工质量预测模型,将加工数据信息输入至加工质量预测模型,输出物料的加工质量的预测结果,进而实现对加工后的物料的加工质量进行预测的功能,该预测方法提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,相对于现有的对部分物料破坏性测试的方式而言,由于破坏性测试后物料无法继续使用,因此现有的破坏性测试的方式只能通过对部分物料进行破坏性测试来评估整体物料的质量,而使用本申请的加工质量预测模型,不仅实现对所有加工后物料的加工质量预测,而且达到使用非破坏性的方式即可预测其加工质量的有益效果,节约了物料和人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。
在一些实施例中,预测结果包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的至少一种。示例性地,加工质量预测模型根据输入的加工数据信息,所输出的预测结果可以为(拉拔力3kg)、(冲击力2kg)、(拉拔力3kg,扭力5kg)、(拉拔力3kg,冲击力2kg,扭力5kg)、(拉拔力3kg,冲击力2kg,扭力5kg,剪切力4kg)等。在实际生产的过程中,可以对拉拔力、冲击力、扭力和剪切力进行优先级排序,例如,拉拔力的优先等级最高,扭力、冲击力、剪切力其次,当预测结果中的拉拔力符合要求时,该物料的加工质量也可以被认为合格;然而,当预测结果中的拉拔力不符合要求时,即使冲击力、扭力、剪切力均符合要求,该物料的加工质量也可以被认为不合格。显然地,对拉拔力、冲击力、扭力和剪切力进行优先级排序可以根据实际情况进行,上述排序并不构成对本申请的限定。
本实施例中的加工质量预测模型可以为第一实施例提供的建立装置10所建立的加工质量预测模型或第二实施例提供的建立方法所建立的加工质量预测模型。
在一些实施例中,预测方法还包括如下步骤。
S45,获取根据加工质量预测模型的预测结果为合格的物料进行抽检、以及预测结果为不合格的物料进行全检的破坏性测试结果信息和对应的加工数据信息。
S46,根据抽检以及全检的破坏性测试结果信息和对应的加工数据信息对加工质量模型进行更新。
示例性地,对预测结果为合格的物料进行抽检,对预测结果为不合格的物料进行全检;根据抽检以及全检的破坏性测试结果信息和对应的加工数据信息对加工质量预测模型进行更新。如此,通过对预测结果为合格的物料进行抽检、以及对预测结果为不合格的物料进行全检,获取更多的破坏性测试结果信息,有利于提升破坏性测试结果信息的样本数量,通过获取的更多的破坏性测试结果信息对加工质量预测模型进行更新,提升加工质量预测模型的预测准确性。
请参见图5,在一些实施例中,步骤S43具体可以包括如下步骤。
S431,将破坏性测试结果信息与对应的加工数据信息进行关联。
示例性地,对于一加工后的物料,该加工后的物料的加工数据信息为(红外光,2000℃,焊点分布合理),该加工的物料的破坏性测试结果信息为(拉拔力3kg),将破坏性测试结果信息与对应的加工数据信息进行关联后为(红外光,2000℃,焊点分布合理,拉拔力3kg),即表示在加工数据信息为(红外光,2000℃,焊点分布合理)的情况下,该物料的拉拔力为3kg。
在一些实施例中,由于物料的加工数据信息较多,一些加工数据信息不会对加工质量有影响或者影响很小,因此在将破坏性测试结果信息与对应的加工数据信息进行关联时,还可以包括自动清理加工数据信息的步骤,在该步骤中会自动清理与物料的破坏性测试结果信息无关联或者关联性很小的加工数据信息,使得第一处理器14只是将破坏性测试结果信息与对应的关联程度较高的加工数据信息进行关联,以提高第一处理器14的处理速度。上述自动清理的规则可以根据具体情况确定,如可以根据时间点或者根据加工数据信息的种类等。显然地,上述仅为举例说明之用,并不是对本申请的限定。
S432,将破坏性测试结果信息和加工数据信息分为训练集、验证集和测试集。
S433,将训练集用于对预设模型训练得到初步加工质量预测模型。
S434,将验证集用于对得到的初步加工质量预测模型进行验证和调整。
S435,将测试集用于对调整后的初步加工质量预测模型进行测试,以得到加工质量预测模型。
在上述步骤S432-S435中,根据破坏性测试结果信息和对应的加工数据信息对预设模型进行训练,得到加工质量预测模型的过程,可以参照前述的预测物料加工质量的数据模型的建立装置中加工质量预测模型的训练方法而得到,在此不再赘述。
请参见图6,本申请第五实施例提供了一种物料加工质量的预测系统。预测系统50用于对物料的加工质量进行预测,可以实现物料加工质量在线式预测的功能,即边加工物料边对加工后的物料的加工质量进行检测。预测系统50包括加工装置52和预测物料加工质量的预测服务器54。
加工装置52用于对物料进行加工,并上传物料的加工数据信息至预测服务器54;物料加工质量的预测服务器54包括第三通信器544和第三处理器546,第三通信器544与第三处理器546耦接,第三通信器544用于接收加工装置52的加工数据信息,第三处理器546用于将加工数据信息输入至一加工质量预测模型,输出物料的加工质量的预测结果,加工质量预测模型为基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到。如此,该预测系统50通过加工装置52加工物料,并通过物料加工质量的预测服务器54对加工后的物料的加工质量进行在线检测,具体为,预测服务器54通过接收加工装置52传送的物料的加工数据信息,并将加工数据信息输入至加工质量预测模型,输出物料的加工质量的预测结果,进而实现对加工后的物料的加工质量进行在线预测的功能,该预测系统50提供了物料加工质量的在线预测功能。
可以理解的是,基于物料的破坏性测试结果信息和加工数据信息对一预设模型进行训练得到加工质量预测模型的方法可以前述任一实施例中得到加工质量预测模型的方法而得到。
在一些实施例中,物料加工质量的预测服务器54还可以包括第三存储器548,第三存储器548可以存储可读指令,可读指令能够被第三处理器546加载并执行,以实现物料加工质量的预测功能。例如,第三处理器546加载可读指令以执行:将加工数据信息输入至一加工质量预测模型,输出物料的加工质量的预测结果。
可以理解地,在一些实施例中,物料加工质量的预测服务器54可以为第三实施例提供的预测装置30。相应地,第三通信器544可以为第二通信器32,第三处理器546可以为第二处理器34,第三存储器548可以为第二存储器36。
在一些实施例中,预测系统50还可以包括破坏性测试装置56,破坏性测试装置56用于提供前述加工质量预测模型所需要的物料的破坏性测试结果信息。示例性地,破坏性测试装置56对选定的物料可以进行拉拔力破坏性检测、冲击力破坏性检测、扭力破坏性检测和剪切力破坏性检测中的任一种破坏性检测。如此,预测系统50通过加工装置52、预测服务器54及破坏性测试装置56之间的相互配合,使得各项数据信息之间得以关联,实现加工后的物料的加工质量的在线式预测,且加工质量预测模型能够及时更新,从而提升加工质量预测模型的预测准确性。
在一些实施例中,预测系统50还可以包括训练服务器58。训练服务器58用于训练一预设模型以得到加工质量预测模型,并将之输出至预测服务器54以对加工后的物料的加工质量进行在线预测。训练服务器58包括第四通信器582及第四处理器584,第四通信器582与第四处理器584耦接。第四通信器582用于接收加工装置52发送的加工数据信息和破坏性测试装置56的破坏性测试结果信息;第四处理器584用于基于破坏性测试结果信息和加工数据信息对预设模型进行训练,从而得到加工质量预测模型。
在一些实施例中,训练服务器58还可以包括第四存储器586,第四存储器586可以存储可读指令,可读指令能够被第四处理器584加载并执行,从而实现加工质量预测模型的建立的功能。例如,第四处理器584加载可读指令以执行:基于破坏性测试结果信息和加工数据信息对预设模型进行训练,从而得到加工质量预测模型。
可以理解地,训练服务器58可以为第一实施例提供的建立装置10。相应地,第四通信器582可以为第一通信器12,第四处理器584可以为第一处理器14,第四存储器586可以为第一存储器16。
示例性地,预测系统50中可以存在多个服务器,为了便于说明,本示例中以第一服务器、第二服务器和第三服务器为例进行说明。第一服务器用于训练一预设模型以得到加工质量预测模型。第二服务器使用该加工质量预测模型,并可以将加工数据信息输入至该加工质量预测模型中,输出物料的加工质量的预测结果。第三服务器获取根据加工质量预测模型的预测结果为合格的物料进行抽检、以及预测结果为不合格的物料进行全检的破坏性测试结果信息和对应的加工数据信息,并根据抽检以及全检的破坏性测试结果信息和对应的加工数据信息对加工质量预测模型进行更新。可以理解地,第一服务器和第三服务器的功能还可以集成于一个服务器中。
本申请第六实施例提供了一种计算机可读存储介质,存储介质上存储有计算机程序,计算机程序可被第五处理器执行,并实现如上所述的物料加工质量的预测方法。
上述计算机可读存储介质,通过第五处理器加载并执行计算机程序以实现如上所述的物料加工质量的预测方法,预测方法通过接收物料的加工数据信息和破坏性测试结果信息,基于破坏性测试结果信息和加工数据信息得到加工质量预测模型,将加工数据信息输入至加工质量预测模型,输出物料的加工质量的预测结果,进而实现对加工后的物料的加工质量进行预测的功能,该预测方法提供了物料加工质量的预测的解决方案,使物料加工质量的检测更加依赖大数据信息,而非检测工程师的经验,降低了人力成本,有利于实现物料的加工质量的自动化检测,进而提升物料加工质量的检测效率。
可以理解地,在一些实施例中,存储介质可以为第三实施例中的第二存储器36,第五处理器可以为第三实施例中的第二处理器34。
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,能够以其他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涵括在本申请内。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (26)
1.一种预测物料加工质量的数据模型的建立装置,包括第一通信器和第一处理器,所述第一通信器与所述第一处理器耦接;
所述第一通信器用于接收物料的加工数据信息和所述物料的破坏性测试结果信息,
所述第一处理器用于基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,得到加工质量预测模型。
2.如权利要求1所述的建立装置,其中,所述加工数据信息包括物料加工时的光感信号、温度和图像的数据信息,所述破坏性测试结果信息包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的一者。
3.如权利要求1所述的建立装置,其中,所述破坏性测试结果信息为部分加工的物料的破坏性测试结果信息,所述部分加工的物料为从加工完成的物料中按照预定规则选取的部分所述物料。
4.如权利要求1所述的建立装置,其中,所述第一处理器进一步用于将所述破坏性测试结果信息与对应的所述加工数据信息进行关联。
5.如权利要求4所述的装置,其中,所述第一处理器进一步用于,
将所述破坏性测试结果信息和所述加工数据信息分为训练集、验证集和测试集;
将所述训练集用于对所述预设模型训练得到初步加工质量预测模型;
将所述验证集用于对得到的所述初步加工质量预测模型进行验证和调整;
将所述测试集用于对调整后的所述初步加工质量预测模型进行测试,以得到所述加工质量预测模型。
6.如权利要求1所述的建立装置,其中,所述第一处理器进一步用于,
根据所述加工质量预测模型的预测结果为合格的物料进行抽检、以及预测结果为不合格的物料进行全检的选取规则,获取所述破坏性测试结果信息和对应的所述加工数据信息;
根据所述选取规则获取的破坏性测试结果信息和对应的所述加工数据信息对所述加工质量预测模型进行更新。
7.如权利要求1所述的装置,其中,所述加工数据信息来自多个机台。
8.一种预测物料加工质量的数据模型的建立方法,其中,包括:
获取物料的加工数据信息;
获取所述物料的破坏性测试结果信息;
基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,得到加工质量预测模型。
9.一种物料加工质量的预测装置,包括:
第二通信器,用于接收物料的加工数据信息;
第二处理器,与所述第二通信器耦接,用于将所述加工数据信息输入至一加工质量预测模型,输出所述物料的加工质量的预测结果,所述加工质量预测模型为基于所述物料的破坏性测试结果信息和所述加工数据信息对一预设模型进行训练得到。
10.如权利要求9所述的预测装置,其中,所述第二处理器进一步用于生成所述预测结果的显示信息。
11.如权利要求9所述的预测装置,其中,所述第二通信器进一步用于传输所述加工数据信息至所述第二处理器。
12.如权利要求9所述的预测装置,其中,所述第二处理器进一步用于接收更新的加工质量预测模型。
13.如权利要求9所述的预测装置,其中,所述第二处理器进一步用于提示对所述预测结果为不合格的所述物料进行破坏性检测,以及对所述预测结果为合格的所述物料按照预定选取规则进行破坏性检测。
14.如权利要求9所述的预测装置,其中,所述加工数据信息包括所述物料加工时的光感信息、温度和图像的数据信息,所述破坏性测试结果信息包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的一者。
15.如权利要求9所述的预测装置,其中,所述预测结果包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的至少一种。
16.一种物料加工质量的预测方法,包括:
获取物料的加工数据信息;
获取物料的破坏性测试结果信息;
基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,得到加工质量预测模型;
基于所述加工数据信息和所述加工质量预测模型,输出所述物料的加工质量的预测结果。
17.如权利要求16所述的预测方法,其中,所述破坏性测试结果信息为部分加工的物料的破坏性测试结果信息,所述部分加工的物料为从加工完成的物料中按照预定规则选取的部分所述物料。
18.如权利要求16所述的预测方法,其中,所述基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,包括:
将所述破坏性测试结果信息与对应的所述加工数据信息进行关联。
19.如权利要求16所述的预测方法,其中,所述基于所述破坏性测试结果信息和所述加工数据信息对一预设模型进行训练,进一步包括:
将所述破坏性测试结果信息和所述加工数据信息分为训练集、验证集和测试集;
将所述训练集用于对所述预设模型训练得到初步加工质量预测模型;
将所述验证集用于对得到的所述初步加工质量预测模型进行验证和调整;
将所述测试集用于对调整后的所述初步加工质量预测模型进行测试,以得到所述加工质量预测模型。
20.如权利要求16所述的预测方法,其中,所述预测方法进一步包括:
获取根据所述加工质量预测模型的预测结果为合格的物料进行抽检、以及预测结果为不合格的物料进行全检的所述破坏性测试结果信息和对应的所述加工数据信息;
根据所述抽检以及所述全检的所述破坏性测试结果信息和对应的所述加工数据信息对所述加工质量预测模型进行更新。
21.如权利要求16所述的预测方法,其中,所述加工数据信息来自多个机台。
22.如权利要求16所述的预测方法,其中,所述预测结果包括焊点失效时的拉拔力、冲击力、扭力和剪切力中的至少一种。
23.一种物料加工质量的预测系统,用于预测物料的加工质量是否合格,包括加工装置和预测物料加工质量的预测服务器;
所述加工装置用于对所述物料进行加工,并上传所述物料的加工数据信息;
所述预测物料加工质量的预测服务器包括第三通信器和第三处理器,所述第三通信器与所述第三处理器耦接,
所述第三通信器用于接收所述加工数据信息,
所述第三处理器用于将所述加工数据信息输入至一加工质量预测模型,输出所述物料的加工质量的预测结果,所述加工质量预测模型为基于所述物料的破坏性测试结果信息和所述加工数据信息对一预设模型进行训练得到。
24.如权利要求23所述的预测系统,其中,所述预测系统进一步包括破坏性测试装置,所述破坏性测试装置用于对按照预定规则选定的所述物料进行破坏性检测,并上传所述破坏性测试结果信息。
25.如权利要求24所述的预测系统,其中,所述预测系统进一步包括训练服务器;
所述训练服务器包括第四通信器及第四处理器,所述第四通信器与所述第四处理器耦接;
所述第四通信器用于接收所述加工数据信息和所述破坏性测试结果信息;
所述第四处理器用于基于所述破坏性测试结果信息和所述加工数据信息对所述预设模型进行训练,得到所述加工质量预测模型。
26.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序可被处理器执行,并实现如权利要求16-22中任一项所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323392.1A CN113779895A (zh) | 2021-11-10 | 2021-11-10 | 数据模型的建立装置和方法、加工质量的预测装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323392.1A CN113779895A (zh) | 2021-11-10 | 2021-11-10 | 数据模型的建立装置和方法、加工质量的预测装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779895A true CN113779895A (zh) | 2021-12-10 |
Family
ID=78873669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111323392.1A Pending CN113779895A (zh) | 2021-11-10 | 2021-11-10 | 数据模型的建立装置和方法、加工质量的预测装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779895A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114749387A (zh) * | 2022-03-21 | 2022-07-15 | 法贝(上海)自动化技术有限公司 | 一种基于柔性产线模块的优化系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668227A (zh) * | 2020-12-31 | 2021-04-16 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
CN113111570A (zh) * | 2021-03-09 | 2021-07-13 | 武汉大学 | 一种基于机器学习的引线键合质量预测控制方法 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN113780900A (zh) * | 2021-11-09 | 2021-12-10 | 深圳市裕展精密科技有限公司 | 基于边缘计算的焊接检测系统及方法 |
-
2021
- 2021-11-10 CN CN202111323392.1A patent/CN113779895A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668227A (zh) * | 2020-12-31 | 2021-04-16 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
CN113111570A (zh) * | 2021-03-09 | 2021-07-13 | 武汉大学 | 一种基于机器学习的引线键合质量预测控制方法 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN113780900A (zh) * | 2021-11-09 | 2021-12-10 | 深圳市裕展精密科技有限公司 | 基于边缘计算的焊接检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
孙立根等: "《连铸在线监控技术的开发与实践》", 30 September 2017, 冶金工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114749387A (zh) * | 2022-03-21 | 2022-07-15 | 法贝(上海)自动化技术有限公司 | 一种基于柔性产线模块的优化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6608029B2 (ja) | データラベリング作業検査方法及びプログラム | |
JP6722309B2 (ja) | 検証用注釈処理作業を用いた実施用注釈処理作業の検証方法及び装置 | |
WO2019211288A1 (en) | A method and system for discovering and visualizing potential operational problems of processes running in equipment and systems in an installation | |
JP2007193457A (ja) | 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法 | |
US10310929B2 (en) | Diagnosing combinations of failures in a system | |
CN113779895A (zh) | 数据模型的建立装置和方法、加工质量的预测装置和方法 | |
Dabbagh et al. | Application of hybrid assessment method for priority assessment of functional and non-functional requirements | |
CN113421264B (zh) | 轮毂质量检测方法、设备、介质及计算机程序产品 | |
JP5098227B2 (ja) | 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
TW202006652A (zh) | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 | |
JP4736613B2 (ja) | 工程管理装置、工程管理プログラム、工程管理プログラムを記録した記録媒体、および工程管理方法 | |
Puspitasari et al. | Analysis of user interface and user experience usability on arsitag. com mobile version using heuristic evaluation method | |
Siraj et al. | Fuzzy system dynamics for modeling construction risk management | |
CN116383048A (zh) | 软件质量信息处理方法及装置 | |
JP2007193456A (ja) | 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法 | |
Malek et al. | Fuzzy logic approach to risk assessment associated with concrete deterioration | |
JP6946530B2 (ja) | 本番作業に基づいた検証用クラウドソーシング作業を提供する方法及び装置 | |
Kovur et al. | An integrated approach of BOCR modeling framework for decision tool evaluation | |
Apollo | Prognostic and diagnostic capabilities of OOBN in assessing investment risk of complex construction projects | |
CN110779566B (zh) | 具有辅助判断功能的产品测试系统及产品测试辅助方法 | |
KR102195963B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 우선 검수량을 이용한 검수 순서 조정 방법 | |
Mamtani et al. | Relative reliability risk assessment applied to original designs during conceptual design phase | |
JP2023154742A (ja) | 学習システム、不良予測システム、学習済みモデル、学習方法、及び不良予測方法 | |
US20230029418A1 (en) | System and method for improving engineer-to-order configuration |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |
|
RJ01 | Rejection of invention patent application after publication |