CN114372613A - 液体含量分析方法、装置、介质、上位机及干燥线系统 - Google Patents
液体含量分析方法、装置、介质、上位机及干燥线系统 Download PDFInfo
- Publication number
- CN114372613A CN114372613A CN202111550736.2A CN202111550736A CN114372613A CN 114372613 A CN114372613 A CN 114372613A CN 202111550736 A CN202111550736 A CN 202111550736A CN 114372613 A CN114372613 A CN 114372613A
- Authority
- CN
- China
- Prior art keywords
- liquid content
- historical
- production process
- process equipment
- process parameters
- 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
- 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
- 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
-
- 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
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for 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
Abstract
本申请涉及一种液体含量分析方法、装置、介质、上位机及干燥线系统。液体含量分析方法包括:采集待测物的工艺设备当前的多类生产工艺参数;基于生产工艺参数,采用工艺设备对应的液体含量预测模型进行预测,得到待测物的液体含量预测结果;根据液体含量预测结果进行合格性分析,得到待测物的液体含量合格性分析结果。采用本申请,可以提高液体含量分析效率,从而提高产线生产效率。
Description
技术领域
本申请涉及工艺检测技术领域,特别是涉及一种液体含量分析方法、装置、介质、上位机及干燥线系统。
背景技术
在有接触水或其他液体的工艺生产中,通常会需要监测产品或设备中液体含量,比如干燥线系统中产品经过烘箱烘烤之后的水含量监测,比如电芯的涂布工艺中的水含量监测。
现有的液体含量监测方法大多是靠人工检测。以干燥线系统烘箱中电芯的水含量监测为例,现有干燥线系统水含量监测的方案主要为离线监测,如图1所示,在电芯组盘完成、并在烘箱内完成一次烘烤之后,RGV(Rail Guided Vehicle有轨制导车辆)会把装有电芯的托盘运送至拆盘位,由现场工程师人工选取假电芯(假电芯为前期生产过程中的不合格品,用于拆解判断整盘电芯的干燥效果),然后用专门的检测设备测得其中的水含量,在检测期间,RGV会把该托盘内其它电芯重新送回原烘箱;若水含量检验不合格,则电芯在烘箱内开始二次烘烤,若检验合格,则由RGV把电芯取出,送往拆盘位进行拆盘。
人工检测分析液体含量的方法,虽然液体含量检验结果精确,但是会耗费人工,且耗费较长的时间,分析效率低,从而导致产线生产效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高液体含量分析效率,从而提高产线生产效率的液体含量分析方法、装置、介质、上位机及干燥线系统。
一种液体含量分析方法,包括:
采集待测物的工艺设备当前的多类生产工艺参数;
基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果;
根据所述液体含量预测结果进行合格性分析,得到所述待测物的液体含量合格性分析结果。
在其中一个实施例中,所述工艺设备包括烘烤所述待测物的烘箱,所述生产工艺参数包括烘箱内真空度、烘箱内温度、烘箱外温湿度、烘箱密封胶条老化表征参数、工作电流、工作电压和用电量中的至少两种。
在其中一个实施例中,所述基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果之前,还包括:
获取多个工艺设备历史生产的多类历史生产工艺参数和所述历史生产对应的历史液体含量实际值;
根据多类所述历史生产工艺参数确定多维特征数据;
采用所述多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量数据对应关系的液体含量预测模型。
在其中一个实施例中,所述采用所述多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量数据对应关系的液体含量预测模型之后,还包括:
以一次历史生产的多类历史生产工艺参数和历史液体含量实际值为一组数据,从多次历史生产得到的多组数据中选取样本;
将所述样本中的多类历史生产工艺参数输入所述液体含量预测模型得到模型输出,将所述模型输出与所述验证样本中的历史液体含量实际值进行比较,计算偏差;
若所述偏差在预设允许偏差内,则将所述液体含量预测模型作为各工艺设备对应的液体含量预测模型;
若所述偏差超出所述预设允许偏差,则调整所述历史生产工艺参数重新确定多维特征数据,并返回所述采用所述多维特征数据和对应的历史液体含量实际值训练初始模型的步骤。
在其中一个实施例中,所述基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果之后,还包括:
获取各个工艺设备对应的待测物实际的液体含量值;
分别根据各个工艺设备的实际的液体含量值与所述液体含量预测结果,获取所述液体含量预测模型针对各个工艺设备的预测精度;所述液体含量预测模型基于多个工艺设备的历史生产工艺参数确定的多维特征数据构建。
在其中一个实施例中,所述获取所述液体含量预测模型针对各个工艺设备的预测精度之后,还包括:
若所述预测精度不符合预设精度要求,则调整对应的工艺设备的液体含量预测模型。
在其中一个实施例中,所述调整对应的工艺设备的液体含量预测模型,包括:
获取所述对应的工艺设备历史生产的多类历史生产工艺参数;
根据所述对应的工艺设备的多类历史生产工艺参数确定所述对应的工艺设备的多维特征数据;
针对所述对应的工艺设备的多维特征数据分配第一预设权重,针对所述多个工艺设备的历史生产工艺参数确定的多维特征数据分配第二预设权重,进行加权求和得到更新的多维特征数据;
基于更新的多维特征数据重新训练得到所述对应工艺设备的液体含量预测模型。
一种液体含量分析装置,包括:
参数采集模块,用于采集待测物的工艺设备当前的多类生产工艺参数;
含量预测模块,用于基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果;
合格性分析模块,用于根据所述液体含量预测结果进行合格性分析,得到所述待测物的液体含量合格性分析结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
采集待测物的工艺设备当前的多类生产工艺参数;
基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果;
根据所述液体含量预测结果进行合格性分析,得到所述待测物的液体含量合格性分析结果。
一种上位机,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
采集待测物的工艺设备当前的多类生产工艺参数;
基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果;
根据所述液体含量预测结果进行合格性分析,得到所述待测物的液体含量合格性分析结果。
一种干燥线系统,包括烘箱和上述的上位机,所述烘箱与所述上位机连接;所述烘箱在烘烤作业完成之后,将多类生产工艺参数发送至所述计算机设备。
在其中一个实施例中,上述干燥线系统还包括操作车,所述操作车与所述上位机连接;
所述上位机在得到待测物的液体含量合格性分析结果为合格时,发送待测物取出指示信号至所述操作车,所述操作车从所述烘箱中取出待测物;
所述上位机在得到待测物的液体含量合格性分析结果为不合格时,发送再烘烤指示信号至所述烘箱,所述烘箱响应所述再烘烤指示信号启动烘烤作业。
上述液体含量分析方法、装置、介质、上位机及干燥线系统,通过基于待测物的工艺设备的多类生产工艺参数、采用工艺设备对应的液体含量预测模型进行液体含量的预测,根据预测得到的液体含量预测结果进行合格性分析;如此,可以实现对液体含量的自动预测和自动合格性分析,不需要人工检测分析,可以节省工艺时间,从而提高分析效率、提高产线生产效率。而且,基于多种类的生产工艺参数进行预测,考虑更全面,预测效果更好。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为传统的干燥线系统电芯水含量检测的流程图;
图2为一个实施例中液体含量分析方法的流程示意图;
图3为一个实施例中液体含量预测模型的构建与部署操作流程图;
图4为一个实施例中模型搭建流程图;
图5为一个实施例中可靠性评估的流程图;
图6为一个实施例中干燥线系统水含量预测分析的流程示意图;
图7为一个实施例中液体含量分析装置的结构框图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于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。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在一个实施例中,提供了一种液体含量分析方法,可以应用于上位机,比如上位机可以是电脑、笔记本、其他便携式终端等设备。以应用于上位机为例,如图2所示,该方法包括如下步骤:
S110:采集待测物的工艺设备当前的多类生产工艺参数。
其中,待测物是指需要预测分析液体含量的物品;待测物的工艺设备是指在待测物的工艺生产中需要分析液体含量的工艺所用到的工艺设备。例如,待测物可以是电芯,对电芯烘烤进行液体含量分析,则对应使用的工艺设备为烘箱。生产工艺参数是工艺设备对待测物进行工艺处理所涉及的工作参数。具体地,可以是由工艺设备和/或其他数据采集器件采集到多种类的生产工艺参数后发送至上位机。
S130:基于生产工艺参数,采用工艺设备对应的液体含量预测模型进行预测,得到待测物的液体含量预测结果。
工艺设备对应的液体含量预测模型预先建立。具体地,液体含量预测模型是表征生产工艺参数和液体含量数据的对应关系的模型;基于生产工艺参数,液体含量预测模型可以处理得到液体含量数据,将处理得到的液体含量数据作为液体含量预测结果。具体地,基于一次工艺处理的生产工艺参数,采用该工艺设备所对应的液体含量预测模型进行预测,得到这个工艺设备这一批次工艺处理的所有待测物的液体含量预测结果。
S150:根据液体含量预测结果进行合格性分析,得到待测物的液体含量合格性分析结果。
液体含量预测结果反映液体含量的多少;具体地,可以将液体含量预测结果与预设的含量合格条件进行比较分析,以判断待测物的液体含量是否合格。基于液体含量预测结果对待测物的液体含量进行合格性分析,可用于进行后续的工艺操作流程,比如以电芯烘烤为例,可以基于液体含量合格性分析结果控制烘箱再次烘烤或者控制结束烘烤、取出电芯。
液体含量预测结果可以是具体的含量数值,预设的含量合格条件可以是液体含量数值小于或等于设定阈值,则若液体含量预测结果小于或等于设定阈值,则表示待测物的液体含量合格,否则不合格。又例如,液体含量预测结果可以是含量分类结果,比如包括优质、合格、不合格中的一种,预设的含量合格条件可以是预测结果为优质或合格,则若液体含量预测结果为优质或合格,则表示待测物的液体含量合格,若液体含量预测结果为不合格,则表示待测物的液体含量超标、不合格。
上述液体含量分析方法,通过基于待测物的工艺设备的多类生产工艺参数、采用工艺设备对应的液体含量预测模型进行液体含量的预测,根据预测得到的液体含量预测结果进行合格性分析;如此,可以实现对液体含量的自动预测和自动合格性分析,不需要人工检测分析,可以节省工艺时间,从而提高分析效率、提高产线生产效率。而且,基于多种类的生产工艺参数进行预测,考虑更全面,预测效果更好。
在其中一个实施例中,工艺设备包括烘烤待测物的烘箱,生产工艺参数包括烘箱内真空度、烘箱内温度、烘箱外温湿度、烘箱密封胶条老化表征参数、工作电流、工作电压和用电量中的至少两种。对应地,液体含量可以是电芯的水含量。其中,烘箱外温湿度包括烘箱外温度和烘箱外湿度;烘箱密封胶条老化表征参数是用于表征烘箱密封胶条老化程度的参数,比如可以是使用时长。
液体含量的涉及因素一般有很多,以烘箱内电芯为例,其液体含量与现场的电芯材质、烘箱一致性、烘箱加热曲线、密封胶条情况等等都有影响,单一工作参数无法精确预测水含量。烘箱内真空度、烘箱内温度、烘箱外温湿度、烘箱密封胶条老化表征参数、工作电流、工作电压和用电量是烘箱不同维度的工作参数,采用其中的至少两种用于液体含量预测模型,相比于使用单个的真空度或单个的其他参数进行预测,考虑更全面,可以优化预测效果。
优选地,生产工艺参数可以包括烘箱内真空度、烘箱内温度、烘箱外温湿度、烘箱密封胶条老化表征参数、工作电流、工作电压和用电量。通过全维度数据采集,通过完整烘烤过程来全面预测最终的水含量数值。
在其中一个实施例中,步骤S130之前还包括模型建立步骤,模型建立步骤包括步骤(a1)至步骤(a3)。优选地,模型建立步骤可以是在步骤S110之前执行。
步骤(a1):获取多个工艺设备历史生产的多类历史生产工艺参数和历史生产对应的历史液体含量实际值。
其中,多个工艺设备可以是相同的工艺流程所使用的同种类设备,比如干燥线系统中,多个烘箱进行烘烤操作。对于一个工艺设备,一次历史生产对应该次生产的多类历史生产工艺参数和历史液体含量实际值。
步骤(a2):根据多类历史生产工艺参数确定多维特征数据。
对多类历史生产工艺参数中的至少两种历史生产工艺参数进行特征分析得到特征值;多维特征数据包括多类历史生产工艺参数中至少两种历史生产工艺参数所对应的特征值。
步骤(a3):采用多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量对应关系的液体含量预测模型。
初始模型包括分类模型和回归模型中的任意一种;其中,分类模型可以是SVM(Support Vector Machines支持向量机)、CNN(Convolutional Neural Networks卷积神经网络)等,回归模型可以是XGBOOST(eXtreme Gradient Boosting极端梯度提升)、LSTM(Long short-term memory长短期记忆)等。可以理解,在其他实施例中,初始模型也可以是采用其他类型的模型,能实现数值预测即可。
基于多个工艺设备的历史生产进行样本数据积累,在工艺稳定并积累一定数量的样本库之后进行模型训练,可以确保训练后的液体含量预测模型的预测准确性。
在其中一个实施例中,步骤(a1)之后、步骤(a2)之前,还包括:对历史生产工艺参数和历史液体含量实际值进行数据清洗。对应地,步骤(a2)基于数据清洗后的历史生产工艺参数确定多维特征数据,步骤(a3)基于数据清洗之后的历史液体含量实际值训练初始模型。通过数据清洗,将异常数据滤除,提高数据的准确性,从而提高建模的准确性。
在其中一个实施例中,步骤(a3)之后,还包括步骤(a4)至步骤(a7)。
步骤(a4):以一次历史生产的多类历史生产工艺参数和历史液体含量实际值为一组数据,从多次历史生产得到的多组数据中选取样本。
步骤(a5):将样本中的多类历史生产工艺参数输入液体含量预测模型得到模型输出,将模型输出与样本中的历史液体含量实际值进行比较,计算偏差。
一组样本的数据包括历史生产工艺参数和历史液体含量实际值,将模型输出与对应样本的历史液体含量实际值进行比较。具体地,计算的误差是表征模型输出与历史液体含量实际值之间的差距的数值,比如,可以是误差值,或者是预测精度。进一步地,样本可以有多个;对于多个样本的情况,可以是针对每一个样本计算偏差,再基于各个样本的偏差计算总的偏差,比如求平均,从而得到最终的偏差。
步骤(a6):若偏差在预设允许偏差内,则将液体含量预测模型作为各工艺设备对应的液体含量预测模型。
其中,预设允许偏差根据实际需求进行设置。
步骤(a7):若偏差超出预设允许偏差,则调整历史生产工艺参数重新确定多维特征数据,并返回步骤(a3)。
通过在训练得到液体含量预测模型后,对液体含量预测模型进行验证,确保应用到各个工艺设备的液体含量预测模型的预测准确度。
例如,以干燥线系统中烘箱内电芯的水含量预测为例,如图3所示,模型建立的操作可以如下:
1、数据采集
烘箱把每次烘烤过程的时间戳、烘箱内真空度、烘箱内温度、工作电压、工作电流和用电量发送至上位机,烘箱外部的温湿度传感器采集烘箱外温湿度发送至上位机,上位机保存到本地文件中,每个烘箱每次烘烤的所有生产工艺参数都会存储为一个新的文件。以每次采集的生产工艺参数包括5种为例,每次烘烤约持续11个小时,每半分钟采集一次数据,该批次结束烘烤后,本地文件中共产生数据2*60*11*5=6600个工艺参数点。
2、人工检验水含量
当电芯在烘箱内烘烤结束时,RGV会到烘箱处取出电芯托盘,然后运送至水含量检测位(一般在拆盘位),由现场检验工程师拿出在托盘上烘烤结束的假电芯,然后在空缺处放入未烘烤的假电芯(供二次烘烤完成后再检测),随后送去实验装置处检测水含量;与此同时,RGV把整托盘电芯再运送回原烘箱位置,等待假电芯水含量检测结果,若不合格(水含量检测数值大于500微克/克),则烘箱关门重新烘烤,若合格(水含量检测数值小于500微克/克),则由RGV将电芯托盘取出并送至拆盘位,进入下一工序。
3、样本库数据积累
每个烘箱每次烘烤结束后,都会生成6600个工艺参数点和一个最终的水含量检测值,作为一组样本。假设现场一条干燥线有72个烘箱,每次烘烤时长为11小时,则一天就可以积累144组样本,若不停产,数据积累一周,则有144*7=1008组样本,为后续模型建立储备了足够的样本库数据。
4、模型搭建
当样本库数据准备充分之后,即可开启模型搭建流程,如图4所示:
a)对样本库数据进行数据清洗,将一些异常数据滤除,其中异常数据包括漏采样数据(表现为时间轴不连续)、通信异常数据、工艺不稳定期间数据、电芯产品质量异常数据(表现为数据明显异常)等等。
b)特征处理:结合常用的信号特征和工艺特征,对每组样本中的工艺参数点进行特征分析得到特征值,比如,分析得到的特征值包括:不同烘烤时间段下真空度的斜率与极值、烘箱内温度极值与均方根值、电流电压平稳度和总用电量,以及烘箱胶条使用时间、烘箱外温湿度等,将数量庞大的原始数据提炼为多维特征空间,得到多维特征数据。比如,多维特征数据可以是多个特征值组成的矩阵其中,X1表示第一个特征值,如真空度的斜率,Xn表示第n个特征值。
c)模型搭建:采用分类模型或者回归模型,对样本数据中的训练数据进行建模,可以是将压缩后的多维特征数据和水含量检测值作为模型的两个变量,比如一个为输入变量,一个为输出变量,训练出相应的分类模型或者回归模型。
d)模型验证:在样本数据库中随机抽取部分数据作为验证集,将验证集输入到已训练好的模型中,将模型输出与水含量检测值进行比较,若预测精度达到标准,则确定该模型,否则调整模型参数,重新训练。
e)模型输出:模型验证结束之后,输出模型文件,将该模型文件导出,应用到实际场景开始推理。
5、模型推理:
模型验证完成之后,模型文件下发到产线计算资源层,该计算资源层内预装实时数据接口与模型执行引擎,通过采集现场实际数据,执行引擎进行实时模型推理,每次烘烤结束即可快速计算出水含量的预测结果。
6、预测水含量:
模型推理结束后,输出水含量的预测值,根据不同的模型选择,输出不同模式的水含量预测结果。如果用户选择了分类模型,则输出I类(优质,水含量0-200微克/克)、II类(合格,水含量200-500微克/克)、III类(不合格,水含量>500微克/克)等类别输出结果。如果用户选择的是回归模型,输出的则是水含量的具体预测数值,例如159微克/克或者354微克/克等结果。
7、可靠性评估
当训练好的模型加载到本地,可以对水含量进行实时预测时,就可以开启模型可靠性评估阶段,通过大量实际数据检验模型对于现场信号的波动、通信的干扰、工步的微调,甚至工序的不稳定是否能够保持足够的鲁棒性。可靠性评估的流程如图5所示。在进入模型可靠性评估阶段后,每次烘烤都会记录预测的水含量值,由用户选择人工抽检的频次,实时记录并计算预测精度,定期出具评估报告。考虑到现场各个烘箱的实际差别,报告内容可以分为整体预测精度与各烘箱预测精度,若个别烘箱存在精度偏低的情况,则将此偏差反馈到其训练好的模型中,进行独立的参数微调工作,使模型自适应该烘箱的实际情况。最后,由用户或者专家组对评估报告进行评审,若认为模型可靠性达到了标准,则确认正式部署模型。
在中一个实施例中,步骤S130之后,还包括:获取各个工艺设备对应的待测物实际的液体含量值;分别根据各个工艺设备的实际的液体含量值与液体含量预测结果,获取液体含量预测模型针对各个工艺设备的预测精度。其中,液体含量预测模型基于多个工艺设备的历史生产工艺参数确定的多维特征数据构建。具体地,液体含量预测模型是采用多个工艺设备的历史液体含量实际值以及多个工艺设备的历史生产工艺参数所确定的多维特征数据训练初始模型所得到。
对于每一个工艺设备,通过在预测之后根据实际的值与预测的结果进行预测精度获取,监测各个工艺设备的预测精度,以定期评估各个工艺设备的液体含量预测模型的可靠性。例如,若液体含量预测结果为具体的含量数值,则可以根据实际的液体含量值与液体含量预测结果计算预测误差,计算预测误差除实际的液体含量值得到相对误差,计算1减去相对误差得到预测精度。若液体含量预测结果为分类结果,比如包括优质、合格、不合格中的一种,则可以先基于实际的液体含量值进行分类,判断为优质、合格或不合格中的一种,然后比较实际的液体含量值的分类结果与预测的分类结果是否一致,若不一致,则预测精度低,若一致,则预测精度高。
在其中一个实施例中,获取液体含量预测模型针对各个工艺设备的预测精度之后,还包括:若预测精度不符合预设精度要求,则调整对应的工艺设备的液体含量预测模型。
预设精度要求可以根据实际情况进行设置。预测精度不满足预设精度要求,则表示液体含量预测模型的可靠性低,通过调整这个工艺设备的液体含量预测模型,采用调整后的液体含量预测模型替换原有旧模型,可以保证液体含量的预测精度。
在其中一个实施例中,调整对应的工艺设备的液体含量预测模型的步骤包括:
步骤(b1):获取对应的工艺设备历史生产的多类历史生产工艺参数。
具体地,从待测物的工艺设备处采集多次历史生产的多类历史生产工艺参数。
步骤(b2):根据对应的工艺设备对应的多类历史生产工艺参数确定工艺设备的多维特征数据。
工艺设备的多维特征数据的确定方式与前述步骤(a2)中获取多维特征数据的方式可以相同,在此不做赘述。
步骤(b3):针对对应的工艺设备的多维特征数据分配第一预设权重,针对多个工艺设备的历史生产工艺参数确定的多维特征数据分配第二预设权重,进行加权求和得到更新的多维特征数据。
其中,第一预设权重和第二预设权重可以根据实际情况进行设置。具体地,第一预设权重大于第二预设权重,以提升当前需要调整的工艺设备的样本的权重,例如第二预设权重取20%,第一预设权重取80%。
例如,多个工艺设备的历史生产工艺参数确定的多维特征数据可以是包括X1、X2、X3、……、Xn的矩阵,工艺设备的多维特征数据可以是包括Y1、Y2、Y3、……、Yn的矩阵,可以是采用X1*第一预设权重+Y1*第二预设权重的值作为更新的多维特征数据中的第一个特征值,采用X2*第一预设权重+Y2*第二预设权重的值作为更新的多维特征数据中的第二个特征值,以此类推,得到更新的多维特征数据中的各个特征值。
步骤(b4):基于更新的多维特征数据重新训练得到对应的工艺设备的液体含量预测模型。
具体地,采用更新的多维特征数据,重新训练初始模型,得到需要调整的工艺设备的调整后的液体含量预测模型。
前期基于多个工艺设备的历史生产工艺参数进行的模型训练完成之后,得到的液体含量预测模型作为所有工艺设备的液体含量预测模型,考虑到现场各个工艺设备的一致性问题,模型实际应用之后针对各个工艺设备的历史数据来调整对应的液体含量预测模型,形成专属于每个工艺设备的特有模型,进一步提升含量预测准确度。
以上述液体含量分析方法应用于干燥线系统的上位机为例,对烘箱烘烤的电芯进行水含量预测,如图6所示,上位机在得到待测物的液体含量合格性分析结果为合格时,发送待测物取出指示信号至RGV,RGV从烘箱中取出待测物;上位机在得到待测物的液体含量合格性分析结果为不合格时,发送再烘烤指示信号至烘箱,烘箱响应再烘烤指示信号启动烘烤作业。应用本申请的液体含量预测模型,可以准确预测水含量的区间值;对比图6和图1可知,与传统的工艺比较,采用本申请实施自动化检测之后,省去了现场检验工程师的工作量,提升了RGV的利用率以及烘箱利用率,综合来看,能大幅提升产线生产效率。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在一个实施例中,如图7所示,提供了一种液体含量分析装置,包括参数采集模块710、含量预测模块730和合格性分析模块750。
参数采集模块710用于采集待测物的工艺设备当前的多类生产工艺参数;含量预测模块730用于基于生产工艺参数,采用工艺设备对应的液体含量预测模型进行预测,得到待测物的液体含量预测结果;合格性分析模块750,用于根据液体含量预测结果进行合格性分析,得到待测物的液体含量合格性分析结果。
上述液体含量分析装置,通过基于待测物的工艺设备的多类生产工艺参数、采用工艺设备对应的液体含量预测模型进行液体含量的预测,根据预测得到的液体含量预测结果进行合格性分析;如此,可以实现对液体含量的自动预测和自动合格性分析,不需要人工检测分析,可以节省工艺时间,从而提高分析效率、提高产线生产效率。而且,基于多种类的生产工艺参数进行预测,考虑更全面,预测效果更好。
在其中一个实施例中,工艺设备包括烘烤待测物的烘箱,生产工艺参数包括烘箱内真空度、烘箱内温度、烘箱外温湿度、烘箱密封胶条老化表征参数、工作电流、工作电压和用电量中的至少两种。
在其中一个实施例中,上述液体含量分析装置还包括模型建立模块(图未示),用于在含量预测模块730执行相应功能之前,获取多个工艺设备历史生产的多类历史生产工艺参数和历史生产对应的历史液体含量实际值;根据多类历史生产工艺参数确定多维特征数据;采用多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量对应关系的液体含量预测模型。
在其中一个实施例中,模型建立模块还用于在得到表征生产工艺参数与液体含量对应关系的液体含量预测模型之后,以一次历史生产的多类历史生产工艺参数和历史液体含量实际值为一组数据,从多次历史生产得到的多组数据中选取样本;将样本中的多类历史生产工艺参数输入液体含量预测模型得到模型输出,将模型输出与样本中的历史液体含量实际值进行比较,计算偏差;若偏差在预设允许偏差内,则将液体含量预测模型作为各工艺设备对应的液体含量预测模型;若偏差超出预设允许偏差,则调整历史生产工艺参数重新确定多维特征数据,并返回重新采用多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量对应关系的液体含量预测模型。
在其中一个实施例中,上述液体含量分析装置还包括精度分析模块(图未示),用于在含量预测模块730执行相应功能之后,获取各个工艺设备对应的待测物实际的液体含量值;分别根据各个工艺设备的实际的液体含量值与液体含量预测结果,获取液体含量预测模型针对各个工艺设备的预测精度。其中,液体含量预测模型基于多个工艺设备的历史生产工艺参数确定的多维特征数据构建。
在其中一个实施例中,上述液体含量分析装置还包括模型调整模块(图未示),用于在精度分析模块获取液体含量预测模型针对各个工艺设备的预测精度之后,在预测精度不符合预设精度要求时,调整对应的工艺设备的液体含量预测模型。
在其中一个实施例中,模型调整模块获取对应的工艺设备历史生产的多类历史生产工艺参数;根据对应的工艺设备的多类历史生产工艺参数确定工艺设备的多维特征数据;针对对应的工艺设备的多维特征数据分配第一预设权重、针对多个工艺设备的历史生产工艺参数确定的多维特征数据分配第二预设权重,进行加权求和得到更新的多维特征数据;基于更新的多维特征数据重新训练得到对应的工艺设备的液体含量预测模型。
关于液体含量分析装置的具体限定可以参见上文中对于液体含量分析方法的限定,在此不再赘述。上述液体含量分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于上位机中的处理器中,也可以以软件形式存储于上位机中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,提供了一种上位机,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
上述上位机,由于可以实现上述各方法实施例中的步骤,同理,可以提高液体含量预测效率,从而提高产线生产效率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
上述计算机可读存储介质,由于可以实现上述各方法实施例中的步骤,同理,可以提高液体含量预测效率,从而提高产线生产效率。
在一个实施例中,提供了一种干燥线系统,包括烘箱和前述实施例中的上位机,烘箱与上位机连接;烘箱在烘烤作业完成之后,将多类生产工艺参数发送至计算机设备。
上述干燥线系统,由于采用了前述上位机,同理,液体含量分析效率高、产线生产效率高。
在其中一个实施例中,上述干燥线系统还包括操作车,操作车与上位机连接;上位机在得到待测物的液体含量合格性分析结果为合格时,发送待测物取出指示信号至操作车,操作车从烘箱中取出待测物;上位机在得到待测物的液体含量合格性分析结果为不合格时,发送再烘烤指示信号至烘箱,烘箱响应再烘烤指示信号启动烘烤作业。
其中,操作车是干燥线系统中用于对烘箱放取电芯的车,比如可以是RGV。与传统的工艺比较,本申请的干燥线系统实现了液体含量的自动化检测,省去了现场检验工程师的工作量,提升了RGV的利用率以及烘箱利用率,综合来看,能大幅提升产线生产效率。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本申请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描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种液体含量分析方法,其特征在于,包括:
采集待测物的工艺设备当前的多类生产工艺参数;
基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果;
根据所述液体含量预测结果进行合格性分析,得到所述待测物的液体含量合格性分析结果。
2.根据权利要求1所述的方法,其特征在于,所述工艺设备包括烘烤所述待测物的烘箱,所述生产工艺参数包括烘箱内真空度、烘箱内温度、烘箱外温湿度、烘箱密封胶条老化表征参数、工作电流、工作电压和用电量中的至少两种。
3.根据权利要求1所述的方法,其特征在于,所述基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果之前,还包括:
获取多个工艺设备历史生产的多类历史生产工艺参数和所述历史生产对应的历史液体含量实际值;
根据多类所述历史生产工艺参数确定多维特征数据;
采用所述多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量数据对应关系的液体含量预测模型。
4.根据权利要求3所述的方法,其特征在于,所述采用所述多维特征数据和对应的历史液体含量实际值训练初始模型,得到表征生产工艺参数与液体含量数据对应关系的液体含量预测模型之后,还包括:
以一次历史生产的多类历史生产工艺参数和历史液体含量实际值为一组数据,从多次历史生产得到的多组数据中选取样本;
将所述样本中的多类历史生产工艺参数输入所述液体含量预测模型得到模型输出,将所述模型输出与所述样本中的历史液体含量实际值进行比较,计算偏差;
若所述偏差在预设允许偏差内,则将所述液体含量预测模型作为各工艺设备对应的液体含量预测模型;
若所述偏差超出所述预设允许偏差,则调整所述历史生产工艺参数重新确定多维特征数据,并返回所述采用所述多维特征数据和对应的历史液体含量实际值训练初始模型的步骤。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果之后,还包括:
获取各个工艺设备对应的待测物实际的液体含量值;
分别根据各个工艺设备的实际的液体含量值与所述液体含量预测结果,获取所述液体含量预测模型针对各个工艺设备的预测精度;所述液体含量预测模型基于多个工艺设备的历史生产工艺参数确定的多维特征数据构建。
6.根据权利要求5所述的方法,其特征在于,所述获取所述液体含量预测模型针对各个工艺设备的预测精度之后,还包括:
若所述预测精度不符合预设精度要求,则调整对应的工艺设备的液体含量预测模型。
7.根据权利要求6所述的方法,其特征在于,所述调整对应的工艺设备的液体含量预测模型,包括:
获取所述对应的工艺设备历史生产的多类历史生产工艺参数;
根据所述对应的工艺设备的多类历史生产工艺参数确定所述对应的工艺设备的多维特征数据;
针对所述对应的工艺设备的多维特征数据分配第一预设权重,针对所述多个工艺设备的历史生产工艺参数确定的多维特征数据分配第二预设权重,进行加权求和得到更新的多维特征数据;
基于更新的多维特征数据重新训练得到所述对应工艺设备的液体含量预测模型。
8.一种液体含量分析装置,其特征在于,包括:
参数采集模块,用于采集待测物的工艺设备当前的多类生产工艺参数;
含量预测模块,用于基于所述生产工艺参数,采用所述工艺设备对应的液体含量预测模型进行预测,得到所述待测物的液体含量预测结果;
合格性分析模块,用于根据所述液体含量预测结果进行合格性分析,得到所述待测物的液体含量合格性分析结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种上位机,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
11.一种干燥线系统,其特征在于,包括烘箱和权利要求10所述的上位机,所述烘箱与所述上位机连接;所述烘箱在烘烤作业完成之后,将多类生产工艺参数发送至所述计算机设备。
12.根据权利要求11所述的干燥线系统,其特征在于,还包括操作车,所述操作车与所述上位机连接;
所述上位机在得到待测物的液体含量合格性分析结果为合格时,发送待测物取出指示信号至所述操作车,所述操作车从所述烘箱中取出待测物;
所述上位机在得到待测物的液体含量合格性分析结果为不合格时,发送再烘烤指示信号至所述烘箱,所述烘箱响应所述再烘烤指示信号启动烘烤作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550736.2A CN114372613A (zh) | 2021-12-17 | 2021-12-17 | 液体含量分析方法、装置、介质、上位机及干燥线系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550736.2A CN114372613A (zh) | 2021-12-17 | 2021-12-17 | 液体含量分析方法、装置、介质、上位机及干燥线系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372613A true CN114372613A (zh) | 2022-04-19 |
Family
ID=81140278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111550736.2A Pending CN114372613A (zh) | 2021-12-17 | 2021-12-17 | 液体含量分析方法、装置、介质、上位机及干燥线系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372613A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169756A (zh) * | 2022-09-07 | 2022-10-11 | 深圳市信润富联数字科技有限公司 | 电芯水份预测方法、装置、设备及存储介质 |
-
2021
- 2021-12-17 CN CN202111550736.2A patent/CN114372613A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169756A (zh) * | 2022-09-07 | 2022-10-11 | 深圳市信润富联数字科技有限公司 | 电芯水份预测方法、装置、设备及存储介质 |
CN115169756B (zh) * | 2022-09-07 | 2022-12-09 | 深圳市信润富联数字科技有限公司 | 电芯水份预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | State of health estimation for Li-Ion battery using incremental capacity analysis and Gaussian process regression | |
Turetskyy et al. | Battery production design using multi-output machine learning models | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
JP2023501995A (ja) | バッテリー性能予測 | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
KR20090001148A (ko) | 가상 계측 시스템 및 가상 계측 방법 | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN114372613A (zh) | 液体含量分析方法、装置、介质、上位机及干燥线系统 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
US20220166075A1 (en) | Method for Enhancing a Battery Module Model of a Battery Module Type | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN115826636B (zh) | 一种cvd设备的压力控制方法及系统 | |
CN116840703A (zh) | 一种电池自放电异常的识别方法及其系统、设备 | |
KR20210075358A (ko) | 스마트공장의 운영 분석 시스템 및 방법 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
KR101650041B1 (ko) | 전지셀의 품질 규격을 산정하는 방법 및 그것을 이용한 품질관리 시스템 | |
CN114487848A (zh) | 一种蓄电池的状态计算方法和装置 | |
CN112307652B (zh) | 基于平均剩余寿命重要度的复杂装备系统快速维修方法 | |
US20220381832A1 (en) | Production of a Quality Test System | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 |
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 |