CN114037277A - 基于深度学习的钢厂无人车间监控方法和系统 - Google Patents
基于深度学习的钢厂无人车间监控方法和系统 Download PDFInfo
- Publication number
- CN114037277A CN114037277A CN202111324674.3A CN202111324674A CN114037277A CN 114037277 A CN114037277 A CN 114037277A CN 202111324674 A CN202111324674 A CN 202111324674A CN 114037277 A CN114037277 A CN 114037277A
- Authority
- CN
- China
- Prior art keywords
- information
- rework
- product
- quality detection
- processing model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 27
- 239000010959 steel Substances 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 235
- 238000012545 processing Methods 0.000 claims abstract description 111
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012546 transfer Methods 0.000 claims description 28
- 230000032258 transport Effects 0.000 claims description 27
- 238000012797 qualification Methods 0.000 claims description 12
- 239000002699 waste material Substances 0.000 claims description 5
- 230000003746 surface roughness Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明适用于无人车间技术领域,提供了一种基于深度学习的钢厂无人车间监控方法和系统,所述方法包括以下步骤:对加工完成的产品进行质量监控,生成质量检测信息;对质量检测信息进行判定;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;对返工质量检测信息进行判定;生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。本发明通过学习式处理模型的设置,能够对判定不合格的产品进行二次判定,当学习式处理模型的二次判定结果为可返工时,使得产品转移至加工工位,对返工完成的产品进行质量监控以实现闭环,另外学习式处理模型根据返工信息不断更新,学习式处理模型的判定结果更加有效。
Description
技术领域
本发明涉及无人车间技术领域,具体是涉及一种基于深度学习的钢厂无人车间监控方法和系统。
背景技术
无人车间是一种全自动化车间,无人车间中包括计算机控制的机器人、数控机床、无人运输小车等自动化机器。
相比传统车间而言,无人车间的监控工作更加方便,无人车间无需对工人的活动进行监控,只需要对车间的各种机器设备进行监控即可,现有的无人车间监控方法都是通过监测机器设备的各项参数指标来实现的,并不能对生产的产品质量进行很好的监控,虽然现有的自动化检测设备能够对产品进行自动检测,进而判定是否合格,但不能够对不合格的产品进行自动化处理,产品的监控不能够实现闭环。
因此,需要提供一种基于深度学习的钢厂无人车间监控方法和系统,旨在解决上述问题。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于深度学习的钢厂无人车间监控方法和系统,以解决上述背景技术中存在的问题。
本发明是这样实现的,一种基于深度学习的钢厂无人车间监控方法,所述方法包括以下步骤:
对加工完成的产品进行产品信息读取和质量监控,生成质量检测信息;
对质量检测信息进行判定,当质量检测信息为合格时,使得产品转移至合格区;当质量检测信息为不合格时,将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定;
当学习式处理模型判定结果为不可返工时,使得产品转移至报废区;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;
对返工完成的产品进行产品信息读取和质量监控,生成返工质量检测信息;
对返工质量检测信息进行判定,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区;
生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。
作为本发明进一步的方案:所述将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定的步骤,具体包括:
将质量检测信息发送至学习式处理模型,所述质量检测信息包括产品信息和检测不合格项目信息;
根据质量检测信息中的产品信息,调出学习式处理模型中的检测项目数据库,所述检测项目数据库包括不合格项目和判定结论;
将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
作为本发明进一步的方案:所述当学习式处理模型判定结果为可返工时,使得产品转移至加工工位的步骤,具体包括:
当学习式处理模型判定结果为可返工时,向无人运输车发送将产品运输至转存区的返工转移指令;
发送返工指令,以使得无人运输车根据返工指令将返工产品从转存区运输至加工工位。
作为本发明进一步的方案:所述生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新的步骤,具体包括:
生成返工信息,所述返工信息包括产品信息、检测不合格项目信息以及返工质量检测结果;
将返工信息发送至学习式处理模型,根据产品信息调出学习式处理模型中的检测项目数据库;
根据检测不合格项目信息和返工质量检测结果,对所述检测项目数据库中的判定结论进行更新。
作为本发明进一步的方案:所述根据检测不合格项目信息和返工质量检测结果,对所述检测项目数据库中的判定结论进行更新的步骤,具体包括:
根据检测不合格项目信息和返工质量检测结果,得到返工合格率,所述返工合格率为返工质量检测结果为合格的次数与所述检测不合格项目信息总次数的比值;
当返工合格率大于或者等于预设合格值时,检测项目数据库中对应不合格项目的判定结论保持不变;
当返工合格率小于预设值时,检测项目数据库中对应不合格项目的判定结论由可返工更新为不可返工。
作为本发明进一步的方案:所述根据检测不合格项目信息和返工质量检测结果,得到返工合格率的步骤还包括:对返工合格率的有效性进行判定,当所述检测不合格项目信息总次数大于等于预设次数值时,则返工合格率有效,继续下一步骤;当所述检测不合格项目信息总次数小于预设次数值时,则返工合格率无效,检测项目数据库中对应不合格项目的判定结论保持不变。
本发明的另一目的在于提供一种基于深度学习的钢厂无人车间监控系统,所述系统包括:
质量监控模块,用于对加工完成的产品进行产品信息读取和质量监控,生成质量检测信息;
质量检测信息判定模块,用于对质量检测信息进行判定,当质量检测信息为合格时,使得产品转移至合格区;当质量检测信息为不合格时,将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定;
二次判定模块,当学习式处理模型判定结果为不可返工时,使得产品转移至报废区;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;
返工质量监控模块,用于对返工完成的产品进行产品信息读取和质量监控,生成返工质量检测信息;
返工质量检测信息判定模块,用于对返工质量检测信息进行判定,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区;以及
学习式处理模型更新模块,用于生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。
作为本发明进一步的方案:所述质量检测信息判定模块包括:
质量检测信息发送单元,用于将质量检测信息发送至学习式处理模型,所述质量检测信息包括产品信息和检测不合格项目信息;
检测项目数据库调用单元,用于根据质量检测信息中的产品信息,调出学习式处理模型中的检测项目数据库,所述检测项目数据库包括不合格项目和判定结论;以及
判定结果生成单元,用于将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
作为本发明进一步的方案:所述二次判定模块包括:
返工转移指令发送单元,当学习式处理模型判定结果为可返工时,用于向无人运输车发送将产品运输至转存区的返工转移指令;以及
返工指令发送单元,用于发送返工指令,以使得无人运输车根据返工指令将返工产品从转存区运输至加工工位。
与现有技术相比,本发明的有益效果是:本发明通过学习式处理模型的设置,能够对判定不合格的产品进行二次判定,当学习式处理模型的二次判定结果为可返工时,使得产品转移至加工工位,然后对返工完成的产品进行质量监控以实现闭环,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区。另外,本发明还能够生成返工信息,学习式处理模型根据返工信息不断更新,以使得学习式处理模型的判定结果更加可靠有效。
附图说明
图1为一种基于深度学习的钢厂无人车间监控方法的流程图。
图2为一种基于深度学习的钢厂无人车间监控方法中进行二次判定的流程图。
图3为一种基于深度学习的钢厂无人车间监控方法中产品转移至加工工位的流程图。
图4为一种基于深度学习的钢厂无人车间监控方法中使得学习式处理模型不断更新的流程图。
图5为一种基于深度学习的钢厂无人车间监控方法中对所述检测项目数据库中的判定结论进行更新的流程图。
图6为一种基于深度学习的钢厂无人车间监控系统的结构示意图。
图7为一种基于深度学习的钢厂无人车间监控系统中质量检测信息判定模块的结构示意图。
图8为一种基于深度学习的钢厂无人车间监控系统中二次判定模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,本发明实施例提供了一种基于深度学习的钢厂无人车间监控方法,包括以下步骤:
S100,对加工完成的产品进行产品信息读取和质量监控,生成质量检测信息;
可以理解的是,为了方便产品进行溯源,现代化无人车间生产的每个产品都会有其专门的编码,编码可以印在产品上也可以粘贴在产品上,通过读取编码可以得到产品的型号、生成日期、生产线等信息,无人车间里面会有产品质量检测设备,产品质量检测设备读取编码并生成质量检测信息。
S200,对质量检测信息进行判定,当质量检测信息为合格时,使得产品转移至合格区;当质量检测信息为不合格时,将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定;
在本发明实施例中,质量检测信息中包含检测项目和对应的检测结果,当所有检测项目的检测结果都合格时,质量检测信息为合格,向无人运输车发送指令,无人运输车将产品转移至合格区;当存在检测项目的检测结果不合格时,质量检测信息为不合格,将质量检测信息发送至学习式处理模型,学习式处理模型对质量检测信息进行二次判定,学习式处理模型中包含项目数据库,将质量检测信息中的检测不合格项目信息与项目数据库进行匹配,即可生成判定结果,所述学习式处理模型基于的深度学习框架有PaddlePaddle、Tensorflow、Caffe、Theano、MXNet或者是PyTorch。
S300,当学习式处理模型判定结果为不可返工时,使得产品转移至报废区;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;
在本发明实施例中,所述学习式处理模型包含每个产品的检测项目数据库,检测项目数据库包括不合格项目和判定结论,例如某一款产品的部分检测项目数据库如下表所示:
不合格项目 | 判定结论 |
表面粗糙度 | 可返工 |
尺寸过大 | 可返工 |
尺寸过小 | 不可返工 |
表面粗糙度和尺寸过大 | 可返工 |
表面粗糙度和尺寸过小 | 不可返工 |
S400,对返工完成的产品进行产品信息读取和质量监控,生成返工质量检测信息;
S500,对返工质量检测信息进行判定,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区;
在本发明实施例中,产品质量检测设备对返工完成的产品进行编码读取并生成质量检测信息,通过编码可以得知是否为返工产品,当为返工产品时且质量检测信息为不合格时,无人运输车将返工产品转移至报废区。
S600,生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。
本发明实施例中,所述返工信息包括产品信息、检测不合格项目信息以及返工质量检测结果,学习式处理模型根据返工信息不断更新,例如,当某款产品的某个项目检测不合格进行返工后,返工后的产品的不合格率仍然很高,浪费了大量财力物力,则说明该款产品的该项目检测不合格后,不应该进行返工,则将学习式处理模型中对应的判定结论进行更改,需要说明的是检测项目数据库的原始数据是专业人员根据实际情况上传得到的。
如图2所示,作为本发明一个优选的实施例,所述将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定的步骤,具体包括:
S201,将质量检测信息发送至学习式处理模型,所述质量检测信息包括产品信息和检测不合格项目信息;
S202,根据质量检测信息中的产品信息,调出学习式处理模型中的检测项目数据库,所述检测项目数据库包括不合格项目和判定结论;
S203,将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
本发明实施例中,每款产品都对应一个检测项目数据库,需要使用时,根据质量检测信息中的产品信息,调出该产品的检测项目数据库,然后将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果,例如,检测不合格项目信息包含表面粗糙度不合格和尺寸过大这两项,则生成的判定结果为:可返工。
如图3所示,作为本发明一个优选的实施例,所述当学习式处理模型判定结果为可返工时,使得产品转移至加工工位的步骤,具体包括:
S301,当学习式处理模型判定结果为可返工时,向无人运输车发送将产品运输至转存区的返工转移指令;
S302,发送返工指令,以使得无人运输车根据返工指令将返工产品从转存区运输至加工工位。
本发明实施例中,为了让产品返工更加高效,尽量不耽误正常生产的进行,先将产品运输至转存区,等到该批次产品加工完成后,对该批次所有的待返工产品进行统一返工,统一返工完成之后,进行下一批次的生产工作。
本发明实施例中,无人运输车发送将产品运输至转存区具体包括:无人运输车接收返工转移指令,所述返工转移指令中包含产品的检测不合格项目信息;无人运输车根据返工转移指令对返工产品进行分类,将检测不合格项目信息一致的产品标记为同一类产品;以及无人运输车将同一类产品运输至转存区的同一片区域。
可以理解的是,为了让产品返工更加高效,可以对待返工产品进行自动分类,将检测不合格项目信息一致的产品标记为同一类产品,这样就能够快速的将同一类产品运输至同一个工位上进行返工,使得返工工作更加高效。
如图4所示,作为本发明一个优选的实施例,所述生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新的步骤,具体包括:
S601,生成返工信息,所述返工信息包括产品信息、检测不合格项目信息以及返工质量检测结果;
S602,将返工信息发送至学习式处理模型,根据产品信息调出学习式处理模型中的检测项目数据库;
S603,根据检测不合格项目信息和返工质量检测结果,对所述检测项目数据库中的判定结论进行更新。
本发明实施例中,为了让学习式处理模型能够不断学习,不断更新,需要采集返工信息,所述返工信息包括产品信息、检测不合格项目信息以及返工质量检测结果,并根据产品信息调出学习式处理模型中的检测项目数据库,对检测项目数据库进行更新。
如图5所示,作为本发明一个优选的实施例,所述根据检测不合格项目信息和返工质量检测结果,对所述检测项目数据库中的判定结论进行更新的步骤,具体包括:
S6031,根据检测不合格项目信息和返工质量检测结果,得到返工合格率,所述返工合格率为返工质量检测结果为合格的次数与所述检测不合格项目信息总次数的比值;
S6033,当返工合格率大于或者等于预设合格值时,检测项目数据库中对应不合格项目的判定结论保持不变;
S6034,当返工合格率小于预设值时,检测项目数据库中对应不合格项目的判定结论由可返工更新为不可返工。
本发明实施例中,需要对返工合格率进行计算,所述返工合格率为返工质量检测结果为合格的次数与所述检测不合格项目信息总次数的比值,例如某款产品的表面粗糙度不合格且尺寸过大出现的总次数为100次,返工合格的次数为74次,则返工合格率为74%,当预设合格值为70%时,“表面粗糙度和尺寸过大”这一不合格项目对应的判定结论保持不变,仍然为“可返工”;当预设合格值为80%时,“表面粗糙度和尺寸过大”这一不合格项目对应的判定结论由可返工更新为不可返工。
如图5所示,作为本发明一个优选的实施例,所述根据检测不合格项目信息和返工质量检测结果,得到返工合格率的步骤还包括:
S6032,对返工合格率的有效性进行判定,当所述检测不合格项目信息总次数大于等于预设次数值时,则返工合格率有效,继续下一步骤;当所述检测不合格项目信息总次数小于预设次数值时,则返工合格率无效,检测项目数据库中对应不合格项目的判定结论保持不变。
可以理解的是,只有当某款产品的某个检测不合格项目出现次数达到一定值时,返工合格率才会生效,例如,预设次数值为80次,当某款产品的表面粗糙度不合格且尺寸过大出现的总次数大于等于80次时,“表面粗糙度和尺寸过大”这一不合格项目对应的返工合格率才是有效的。
如图6所示,本发明实施例还提供了一种基于深度学习的钢厂无人车间监控系统,所述系统包括:
质量监控模块100,用于对加工完成的产品进行产品信息读取和质量监控,生成质量检测信息;
质量检测信息判定模块200,用于对质量检测信息进行判定,当质量检测信息为合格时,使得产品转移至合格区;当质量检测信息为不合格时,将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定;
二次判定模块300,当学习式处理模型判定结果为不可返工时,使得产品转移至报废区;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;
返工质量监控模块400,用于对返工完成的产品进行产品信息读取和质量监控,生成返工质量检测信息;
返工质量检测信息判定模块500,用于对返工质量检测信息进行判定,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区;以及
学习式处理模型更新模块600,用于生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。
本发明实施例中,为了方便产品进行溯源,现代化无人车间生产的每个产品都会有其专门的编码,编码可以印在产品上也可以粘贴在产品上,通过读取编码可以得到产品的型号、生成日期、生产线等信息,质量监控模块100能够读取编码并生成质量检测信息,质量检测信息中包含检测项目和对应的检测结果,当所有检测项目的检测结果都合格时,质量检测信息为合格,当存在检测项目的检测结果不合格时,质量检测信息为不合格,将质量检测信息发送至学习式处理模型,学习式处理模型对质量检测信息进行二次判定,所述返工信息包括产品信息、检测不合格项目信息以及返工质量检测结果,学习式处理模型根据返工信息不断更新,例如,当某款产品的某个项目检测不合格进行返工后,返工后的产品的不合格率仍然很高,浪费了大量财力物力,则说明该款产品的该项目检测不合格后,不应该进行返工,则将学习式处理模型中对应的判定结论进行更改,需要说明的是,检测项目数据库的原始数据是专业人员根据实际情况上传得到的。
如图7所示,作为本发明一个优选的实施例,所述质量检测信息判定模块200包括:
质量检测信息发送单元201,用于将质量检测信息发送至学习式处理模型,所述质量检测信息包括产品信息和检测不合格项目信息;
检测项目数据库调用单元202,用于根据质量检测信息中的产品信息,调出学习式处理模型中的检测项目数据库,所述检测项目数据库包括不合格项目和判定结论;以及
判定结果生成单元203,用于将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
本发明实施例中,每款产品都对应一个检测项目数据库,需要使用时,根据质量检测信息中的产品信息,调出该产品的检测项目数据库,然后将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
如图8所示,作为本发明一个优选的实施例,所述二次判定模块300包括:
返工转移指令发送单元301,当学习式处理模型判定结果为可返工时,用于向无人运输车发送将产品运输至转存区的返工转移指令;以及
返工指令发送单元302,用于发送返工指令,以使得无人运输车根据返工指令将返工产品从转存区运输至加工工位。
本发明实施例中,为了让产品返工更加高效,尽量不耽误正常生产的进行,先将产品运输至转存区,等到该批次产品加工完成后,对该批次所有的待返工产品进行统一返工,统一返工完成之后,进行下一批次的生产工作。
以上仅对本发明的较佳实施例进行了详细叙述,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、等同替换和改进等,均应包含在本发明的保护范围之内。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (9)
1.一种基于深度学习的钢厂无人车间监控方法,其特征在于,所述方法包括以下步骤:
对加工完成的产品进行产品信息读取和质量监控,生成质量检测信息;
对质量检测信息进行判定,当质量检测信息为合格时,使得产品转移至合格区;当质量检测信息为不合格时,将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定;
当学习式处理模型判定结果为不可返工时,使得产品转移至报废区;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;
对返工完成的产品进行产品信息读取和质量监控,生成返工质量检测信息;
对返工质量检测信息进行判定,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区;
生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。
2.根据权利要求1所述一种基于深度学习的钢厂无人车间监控方法,其特征在于,所述将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定的步骤,具体包括:
将质量检测信息发送至学习式处理模型,所述质量检测信息包括产品信息和检测不合格项目信息;
根据质量检测信息中的产品信息,调出学习式处理模型中的检测项目数据库,所述检测项目数据库包括不合格项目和判定结论;
将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
3.根据权利要求1所述一种基于深度学习的钢厂无人车间监控方法,其特征在于,所述当学习式处理模型判定结果为可返工时,使得产品转移至加工工位的步骤,具体包括:
当学习式处理模型判定结果为可返工时,向无人运输车发送将产品运输至转存区的返工转移指令;
发送返工指令,以使得无人运输车根据返工指令将返工产品从转存区运输至加工工位。
4.根据权利要求2所述一种基于深度学习的钢厂无人车间监控方法,其特征在于,所述生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新的步骤,具体包括:
生成返工信息,所述返工信息包括产品信息、检测不合格项目信息以及返工质量检测结果;
将返工信息发送至学习式处理模型,根据产品信息调出学习式处理模型中的检测项目数据库;
根据检测不合格项目信息和返工质量检测结果,对所述检测项目数据库中的判定结论进行更新。
5.根据权利要求4所述一种基于深度学习的钢厂无人车间监控方法,其特征在于,所述根据检测不合格项目信息和返工质量检测结果,对所述检测项目数据库中的判定结论进行更新的步骤,具体包括:
根据检测不合格项目信息和返工质量检测结果,得到返工合格率,所述返工合格率为返工质量检测结果为合格的次数与所述检测不合格项目信息总次数的比值;
当返工合格率大于或者等于预设合格值时,检测项目数据库中对应不合格项目的判定结论保持不变;
当返工合格率小于预设值时,检测项目数据库中对应不合格项目的判定结论由可返工更新为不可返工。
6.根据权利要求5所述一种基于深度学习的钢厂无人车间监控方法,其特征在于,所述根据检测不合格项目信息和返工质量检测结果,得到返工合格率的步骤还包括:
对返工合格率的有效性进行判定,当所述检测不合格项目信息总次数大于等于预设次数值时,则返工合格率有效,继续下一步骤;当所述检测不合格项目信息总次数小于预设次数值时,则返工合格率无效,检测项目数据库中对应不合格项目的判定结论保持不变。
7.一种基于深度学习的钢厂无人车间监控系统,其特征在于,所述系统包括:
质量监控模块,用于对加工完成的产品进行产品信息读取和质量监控,生成质量检测信息;
质量检测信息判定模块,用于对质量检测信息进行判定,当质量检测信息为合格时,使得产品转移至合格区;当质量检测信息为不合格时,将质量检测信息发送至学习式处理模型,以使得学习式处理模型对质量检测信息进行二次判定;
二次判定模块,当学习式处理模型判定结果为不可返工时,使得产品转移至报废区;当学习式处理模型判定结果为可返工时,使得产品转移至加工工位;
返工质量监控模块,用于对返工完成的产品进行产品信息读取和质量监控,生成返工质量检测信息;
返工质量检测信息判定模块,用于对返工质量检测信息进行判定,当返工质量检测信息为合格时,使得返工产品转移至合格区;当返工质量检测信息为不合格时,使得返工产品转移至报废区;以及
学习式处理模型更新模块,用于生成返工信息并将返工信息发送至学习式处理模型,以使得学习式处理模型不断更新。
8.根据权利要求7所述一种基于深度学习的钢厂无人车间监控系统,其特征在于,所述质量检测信息判定模块包括:
质量检测信息发送单元,用于将质量检测信息发送至学习式处理模型,所述质量检测信息包括产品信息和检测不合格项目信息;
检测项目数据库调用单元,用于根据质量检测信息中的产品信息,调出学习式处理模型中的检测项目数据库,所述检测项目数据库包括不合格项目和判定结论;以及
判定结果生成单元,用于将质量检测信息中的检测不合格项目信息与所述项目数据库进行匹配,生成判定结果。
9.根据权利要求7所述一种基于深度学习的钢厂无人车间监控系统,其特征在于,所述二次判定模块包括:
返工转移指令发送单元,当学习式处理模型判定结果为可返工时,向无人运输车发送将产品运输至转存区的返工转移指令;以及
返工指令发送单元,用于发送返工指令,以使得无人运输车根据返工指令将返工产品从转存区运输至加工工位。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021109092367 | 2021-08-09 | ||
CN202110909236 | 2021-08-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037277A true CN114037277A (zh) | 2022-02-11 |
CN114037277B CN114037277B (zh) | 2024-06-21 |
Family
ID=80143787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324674.3A Active CN114037277B (zh) | 2021-08-09 | 2021-11-10 | 基于深度学习的钢厂无人车间监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037277B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132174A (zh) * | 2023-10-26 | 2023-11-28 | 扬宇光电(深圳)有限公司 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090164305A1 (en) * | 2007-12-21 | 2009-06-25 | Hong Fu Jin Prcision Industry (Shenzhen) Co., Ltd. | System and method for managing product quality |
WO2018051844A1 (ja) * | 2016-09-14 | 2018-03-22 | 株式会社スプリックス | 管理システム、管理方法およびプログラム |
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、系统、装置及可读存储介质 |
CN109753041A (zh) * | 2019-01-27 | 2019-05-14 | 安徽擎峰自动化科技有限公司 | 一种网络化工业自动化控制系统 |
CN111069819A (zh) * | 2019-11-27 | 2020-04-28 | 广州明珞汽车装备有限公司 | 一种基于人工智能的焊接质量预测系统及方法 |
CN111178784A (zh) * | 2020-01-06 | 2020-05-19 | 广州赛意信息科技股份有限公司 | 一种质量检验管理系统及方法 |
CN111915175A (zh) * | 2020-07-23 | 2020-11-10 | 山西中电科新能源技术有限公司 | 一种基于物联网的多晶硅棒返工管控方法 |
-
2021
- 2021-11-10 CN CN202111324674.3A patent/CN114037277B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090164305A1 (en) * | 2007-12-21 | 2009-06-25 | Hong Fu Jin Prcision Industry (Shenzhen) Co., Ltd. | System and method for managing product quality |
WO2018051844A1 (ja) * | 2016-09-14 | 2018-03-22 | 株式会社スプリックス | 管理システム、管理方法およびプログラム |
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、系统、装置及可读存储介质 |
CN109753041A (zh) * | 2019-01-27 | 2019-05-14 | 安徽擎峰自动化科技有限公司 | 一种网络化工业自动化控制系统 |
CN111069819A (zh) * | 2019-11-27 | 2020-04-28 | 广州明珞汽车装备有限公司 | 一种基于人工智能的焊接质量预测系统及方法 |
CN111178784A (zh) * | 2020-01-06 | 2020-05-19 | 广州赛意信息科技股份有限公司 | 一种质量检验管理系统及方法 |
CN111915175A (zh) * | 2020-07-23 | 2020-11-10 | 山西中电科新能源技术有限公司 | 一种基于物联网的多晶硅棒返工管控方法 |
Non-Patent Citations (1)
Title |
---|
沈壮壮: "基于深度学习的高光曲面表面缺陷检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 035 - 106 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132174A (zh) * | 2023-10-26 | 2023-11-28 | 扬宇光电(深圳)有限公司 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
CN117132174B (zh) * | 2023-10-26 | 2024-01-30 | 扬宇光电(深圳)有限公司 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114037277B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8090557B2 (en) | Quality assurance method when operating an industrial machine | |
CN114676647B (zh) | 一种基于深度学习方法的数控机床零部件寿命预测方法 | |
CN109129019A (zh) | 一种小型工件柔性生产线的在线检测装置及其检测方法 | |
CN114037277A (zh) | 基于深度学习的钢厂无人车间监控方法和系统 | |
CN104199424A (zh) | 一种基于rfid的电极全生命周期控制系统及控制方法 | |
US20190317475A1 (en) | Controller and control system | |
CN111993161B (zh) | 一种基于数控加工中心同时加工非标零部件系统及方法 | |
CN109360064B (zh) | 家具定制订单工艺改补方法、电子设备、存储介质 | |
CN114859822A (zh) | 全自动铣刀检测方法、装置、计算机设备以及存储介质 | |
CN108595612B (zh) | 一种在生产制造过程中的高温锻件追踪方法 | |
CN111487943A (zh) | 电机轴的工艺处理方法和装置 | |
CN115812181A (zh) | 用于维修工件的方法和装置 | |
CN115618828B (zh) | 一种应用于工业互联网的数据交互方法和系统 | |
US11561526B2 (en) | Control system of industrial machine | |
CN113592043B (zh) | 一种纸盒分类方法 | |
JPH02241627A (ja) | 金型生産システム | |
CN113902386A (zh) | 基于物联网室内定位的工业管理系统及方法 | |
US20220413467A1 (en) | Method of and apparatus for maintaining a transport system | |
JP5023651B2 (ja) | 搬送制御のためのデータトラッキングシステム | |
CN110083132A (zh) | 一种柔性制造单元智能控制系统 | |
CN116165966B (zh) | 一种数控机床信息化自适应物料调控方法及系统 | |
US20170322547A1 (en) | Processing Apparatus | |
de Oliveira et al. | In-Situ Measurement and Dimensional Error Modeling: A Case Study in a Machine Tool Manufacturer | |
Campos et al. | In-Situ Measurement and Dimensional Error Modeling: A Case Study in a Machine Tool Manufacturer | |
JP3276155B2 (ja) | 生産ライン管理装置 |
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 |