CN114757517A - 一种设备零部件的生产智能管理方法及系统 - Google Patents
一种设备零部件的生产智能管理方法及系统 Download PDFInfo
- Publication number
- CN114757517A CN114757517A CN202210362464.1A CN202210362464A CN114757517A CN 114757517 A CN114757517 A CN 114757517A CN 202210362464 A CN202210362464 A CN 202210362464A CN 114757517 A CN114757517 A CN 114757517A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- production
- deviation
- distribution
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 250
- 238000007726 management method Methods 0.000 title claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 161
- 230000002159 abnormal effect Effects 0.000 claims abstract description 150
- 238000000034 method Methods 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 92
- 230000008569 process Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006978 adaptation Effects 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000005498 polishing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000000227 grinding Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备零部件的生产智能管理方法及系统,其中,所述方法应用于一种设备零部件的生产智能管理系统,所述系统与图像采集拟合装置通信连接,所述方法包括:获得第一配置指令;配置多个图像采集节点;获得生产工艺检测数据;输出第一样本数据;输出第一偏向分布结果;获得第一异常分布结果;根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。解决了设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题,通过设备零部件的生产流程的生产工艺数据,基于参数分布偏向分析,达到了智能评估生产工艺步骤的异常点,确定异常分布结果,实现生产流程自动化管理的技术效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种设备零部件的生产智能管理方法及系统。
背景技术
工业化的不断发展,自动化设备广泛的需求促进了技术的进步和革新,产业自主创新能力显著增强,重点产业关键技术取得突破,通过自主研发和引进消化吸收再创新,但自动化设备的工程机械进步和革新受到设备零部件的缺乏的限制,关键设备零部件是工程机械产品发展的基础、支撑和制约瓶颈,当工程机械发展到一定阶段后,行业高技术的研究主要聚集在发动机、液压、传动和控制技术等关键设备零部件上,设备零部件的生产工艺步骤的异常点难以合理评估精准定位,设备零部件的生产异常结果与生产工艺数据适配度低,设备零部件的生产管理难以有效执行。
现有技术中存在设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题。
发明内容
本申请通过提供了一种设备零部件的生产智能管理方法及系统,解决了设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题,达到了智能评估生产工艺步骤的异常点,确定异常分布结果,实现生产流程自动化管理的技术效果。
鉴于上述问题,本申请提供了一种设备零部件的生产智能管理方法及系统。
第一方面,本申请提供了一种设备零部件的生产智能管理方法,其中,所述方法应用于一种设备零部件的生产智能管理系统,所述系统与图像采集拟合装置通信连接,所述方法包括:根据第一设备零部件的生产流程信息,获得第一配置指令;根据所述第一配置指令,配置多个图像采集节点;基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
第二方面,本申请提供了一种设备零部件的生产智能管理系统,其中,所述系统与图像采集拟合装置通信连接,所述系统包括:第一获得单元,所述第一获得单元用于根据第一设备零部件的生产流程信息,获得第一配置指令;第一执行单元,所述第一执行单元用于根据所述第一配置指令,配置多个图像采集节点;第二获得单元,所述第二获得单元用于基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;第二执行单元,所述第二执行单元用于将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;第一输出单元,所述第一输出单元用于通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;第三获得单元,所述第三获得单元用于按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;第三执行单元,所述第三执行单元用于根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
第三方面,本申请提供了一种设备零部件的生产智能管理系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面,本申请提供了一种计算机程序产品,包括计算机程序和/或指令,其中,该计算机程序和/或指令被处理器执行时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据第一设备零部件的生产流程信息,获得第一配置指令;根据所述第一配置指令,配置多个图像采集节点;基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。本申请实施例解决了设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题,通过设备零部件的生产流程的生产工艺数据,基于参数分布偏向分析,达到了智能评估生产工艺步骤的异常点,确定异常分布结果,实现生产流程自动化管理的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种设备零部件的生产智能管理方法的流程示意图;
图2为本申请一种设备零部件的生产智能管理方法的执行数据抽样器的数据抽样逻辑功能的流程示意图;
图3为本申请一种设备零部件的生产智能管理方法的获得第一异常分布结果的流程示意图;
图4为本申请一种设备零部件的生产智能管理方法的按照第一、二异常承接节点的承接关系进行管理目标定位的流程示意图;
图5为本申请一种设备零部件的生产智能管理系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一执行单元12,第二获得单元13,第二执行单元14,第一输出单元15,第三获得单元16,第三执行单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种设备零部件的生产智能管理方法及系统,解决了设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题,达到了智能评估生产工艺步骤的异常点,确定异常分布结果,实现生产流程自动化管理的技术效果。
申请概述
设备零部件的生产工艺步骤的异常点难以合理评估精准定位,设备零部件的生产异常结果与生产工艺数据适配度低,设备零部件的生产管理难以有效执行。
现有技术中存在设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种设备零部件的生产智能管理方法及系统,其中,所述方法应用于一种设备零部件的生产智能管理系统,所述系统与图像采集拟合装置通信连接,所述方法包括:根据第一设备零部件的生产流程信息,获得第一配置指令;根据所述第一配置指令,配置多个图像采集节点;基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请提供了一种设备零部件的生产智能管理方法,其中,所述方法应用于一种设备零部件的生产智能管理系统,所述系统与图像采集拟合装置通信连接,所述方法包括:
S100:根据第一设备零部件的生产流程信息,获得第一配置指令;
具体而言,所述第一设备零部件可以是螺丝钉、传动轴承、弹簧、齿轮或其他相关零部件产品,不对所述第一设备零部件的材料、形状、功能进行具体限制,基于所述第一设备零部件确定所述生产流程信息,所述生产流程信息可以是打磨、抛光、粗铣、精铣或其他相关生产工艺步骤组成的生产加工流程数据,所述生产加工流程数据结合所述第一设备零部件的标准加工生产工艺步骤进行具体排列,基于所述生产流程信息,获取所述第一配置指令,所述第一配置指令用于确定所述第一设备零部件加工流程,所述第一配置指令即实时的所述第一设备零部件的生产加工操作指令,获取所述第一配置指令,便于进行所述生产流程信息的流程定位。
S200:根据所述第一配置指令,配置多个图像采集节点;
具体而言,所述第一配置指令包括操作步骤可能是自动化机器对应的操作步骤,也可能是手动加工对应的操作步骤,所述操作步骤的操作过程确定所述第一配置指令,不对所述第一配置指令的操作步骤进行具体的过程限定,结合所述第一配置指令配置所述多个采集节点,所述第一配置指令为实时的所述第一设备零部件的生产加工操作步骤的操作过程确定指令,所述第一配置指令不表示单一的某一加工指令。
结合所述第一设备零部件的生产流程进行具体解释,所述第一设备零部件的生产流程信息的第一步骤为打磨操作,所述第一设备零部件打磨标准为所述第一设备零部件的表面均匀无颗粒感,所述打磨操作的操作过程也分为前期与后期,粗打磨为前期操作,去掉所述第一设备零部件的毛刺部分,细打磨为后期操作,去掉所述第一设备零部件的细节凹凸分布部分,所述第一配置指令可以定位实际的生产加工操作步骤的操作过程,所述第一配置指令为一组指令数据,所述第一配置指令的指令数据包括所述第一设备零部件的多个生产加工操作步骤的实时操作过程对应的指令数据,所述多个图像采集节点为所述多个生产加工操作步骤的实时操作过程对应的操作节点的图像信息,上述例中以打磨进行具体解释说明,例中限定所述打磨为所述第一设备零部件的多个生产加工操作步骤的第一步骤,上述例中所述说明是为进行步骤解释,不对实际的所述第一配置指令进行具体的限定。
S300:基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;
具体而言,所述图像采集拟合装置包括多个图像采集设备,所述图像采集设备可以是摄像头、摄像机或其他图像采集设备,不对所述图像采集设备进行具体限定,多个所述图像采集设备的分布结合所述第一设备零部件的生产流程信息进行对应确定,多个所述图像采集设备对所述多个图像采集节点进行数据采集,所述图像采集拟合装置可以将所述数据采集的图像数据进行数据整合,获得生产工艺检测数据,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应,所述多组检测分布数据的分布规律与所述第一设备零部件的生产流程信息相对应,获得生产工艺检测数据,为进行生产工艺检测与异常点评估提供可靠的数据基础。
S400:将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;
具体而言,所述数据抽样模型按照所述数据抽样层数和所述数据抽样权重进行功能训练,所述数据抽样权重与所述数据抽样层数两组数据一一对应,所述数据抽样权重结合所述数据抽样层数对应的生产工艺的复杂度进行实际的具体确定,所述数据抽样器的数据抽样逻辑功能通过所述数据抽样模型进行具体执行,将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,所述第一样本数据包含多组数据样本,第一组所述数据样本的数据量与所述数据抽样层数对应的生产工艺的复杂度相关,所述数据样本的组数与所述第一设备零部件的生产流程信息的工艺步骤相对应,输出所述第一样本数据,在数据可靠性基本一致的情况下,降低数据的复杂度,直接使用所述生产工艺检测数据,会造成后续数据分析的速度无法保证,所述第一样本数据包括了所述生产工艺检测数据的基本数据特征。
S500:通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;
具体而言,基于偏相关分析对所述第一样本数据进行参数分布偏向分析,所述偏相关分析可以在控制其他变量的线性影响的条件下分析两变量间的线性相关性,可以将干扰变量的干扰项通过所述偏相关分析剔除,使得数据分析中的数据样本的可靠度提高,所述第一偏向分布结果是对所述第一样本数据进行参数分布偏向分析所确定,保证了所述第一偏向分布结果的数据的可靠性。
S600:按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;
S700:根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
具体而言,所述生产异常点表示生产工艺检测结果与标准不符状况下,生产流程中确定的生产工艺步骤中的生产异常,所述生产异常点不代表某一数据组或某一数据量,所述生产异常点可以表示为一异常标识信息点,具体的数据类型应结合所述生产工艺步骤类型进行具体确定,按照所述第一偏向分布结果进行生产异常点评估,所述评估标准结合偏相关检验进行具体确定,此处不做具体细化,将所述评估的评估结果确定为所述第一异常分布结果,获取所述第一异常分布结果,根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理,优化所述第一设备零部件的生产流程,减少生产加工所述第一设备零部件生产异常点,提高所述第一设备零部件的生产流程管理方案的可靠性与合理性。
进一步的,如图2所示,所述方法还包括:
S710:通过对所述第一设备零部件的生产流程信息进行流程层级分析,确定对所述第一设备零部件生产加工的执行流程层级;
S720:根据所述执行流程层级的层级数量,确定数据抽样层数;
S730:通过对所述执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重;
S740:按照所述数据抽样层数和所述数据抽样权重对所述数据抽样模型进行功能训练,生成所述数据抽样模型;
S750:基于所述数据抽样模型执行所述数据抽样器的数据抽样逻辑功能。
具体而言,所述流程层级分析结合所述生产流程信息进行解析,所述第一设备零部件的生产流程包含多个生产工艺步骤,不同的所述生产工艺步骤对应不同的所述流程层,基于所述多个生产工艺步骤确定所述流程层级,通过对所述第一设备零部件的生产流程信息进行流程层级分析,确定对所述第一设备零部件生产加工的执行流程层级;确定所述执行流程层级,可以确定所述执行流程层级的层级数量,确定数据抽样层数;所述执行复杂度与所述权重分配确定的权重值相对应,通过对所述执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重;所述数据抽样模型的模型基础为神经网络模型,所述数据抽样层数和所述数据抽样权重为训练数据,按照所述数据抽样层数和所述数据抽样权重对所述神经网络模型进行功能训练,在输出趋于稳定过程,确定所述数据抽样模型,所述数据抽样模型的功能为数据抽样逻辑功能;所述数据抽样器包含所述数据抽样模型,所述数据抽样模型用于执行所述数据抽样器的数据抽样逻辑功能。
进一步具体说明,所述执行复杂度与所述权重分配确定的权重值线性相关,简单来说就是,若是执行难度大的对应的权重分配的权重值数据大,执行难度小的对应的权重分配的权重值数据小,获取所述数据抽样模型,为数据抽样提供模型基础,保证了所述数据抽样步骤方案的可靠性。
进一步的,所述通过对所述执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重,步骤S730还包括:
S731:获得所述执行流程层级的多组复杂度指标;
S732:判断所述多组复杂度指标是否处于预设复杂度指标阈值中,获得第一判断结果;
S733:根据所述第一判断结果将所述多组复杂度指标进行分类,输出第一分类指标和第二分类指标,其中,所述第一分类指标为处于所述预设复杂度指标阈值的指标集合,所述第二分类指标为不处于所述预设复杂度指标阈值的指标集合;
S734:以第一预设权重对所述第一分类指标;
S735:通过对所述第二分类指标进行比值分配权重,对所述第二分类指标进行定值分配权重,确定所述数据抽样权重。
具体而言,获得所述执行流程层级的多组复杂度指标,所述复杂度指标与所述执行复杂度相对应,一般的,执行难度大操作复杂度高的复杂度指标高,执行难度小操作复杂度低的复杂度指标低,用高低判定是为进行复杂度指标的理解说明,所述复杂度指标的具体的定制定量分析需要结合所述多组复杂度指标的数据类型特征进行确定;所述预设复杂度指标阈值为一定值,所述预设复杂度对应一定值的权重,所述定值的权重必须要小于分配权重的最小值,判断所述多组复杂度指标是否处于预设复杂度指标阈值中,获得第一判断结果;根据所述第一判断结果将所述多组复杂度指标进行分类,输出第一分类指标和第二分类指标,其中,所述第一分类指标为处于所述预设复杂度指标阈值的指标集合,所述第二分类指标为不处于所述预设复杂度指标阈值的指标集合;所述第一预设权重即所述定值的权重,以第一预设权重对所述第一分类指标;以所述第一预设权重作为比值分配权重的基础数据,通过对所述第二分类指标进行比值分配权重,对所述第二分类指标进行定值分配权重,确定所述数据抽样权重。
进一步具体说明,假设设定所述预设复杂度指标阈值对应的计算的复杂度为50,如,计算的复杂度:40、60、82、12,预设复杂度指标阈值数值50之下的复杂度指标40、12对应的所述执行流程层级的复杂度不高,出现异常概率小,全部设置为一个定值的权重,所述定值的权重即所述第一预设权重,预设复杂度指标阈值数值50之上的复杂度指标60、82对应的所述执行流程层级的复杂度不高,出现异常概率大,必要的,所述第一预设权重必须要小于分配权重的最小值,需要按照比值进行权重分配,如果若预设复杂度指标阈值50对应的所述第一预设权重为1,复杂度指标60对应的权重为1.2,实际可以结合实际数据进行进一步的优化,此处不做具体细化。
进一步的,如图3所示,所述按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果,步骤S600还包括:
S610:获得所述第一设备零部件加工的第一生产环境信息;
S620:获得所述第一偏向分布结果,其中,所述第一偏向分布结果包括第一偏向域和第二偏向域,所述第一偏向为自动化生产工艺域,所述第二偏向为实时人工生产工艺域;
S630:以所述第一生产环境信息和所述第一偏向分布结果中的两个偏向信息作为三组变量进行偏相关分析,获得第一偏相关系数;
S640:基于所述第一偏相关系数进行生产异常点评估,获得所述第一异常分布结果。
具体而言,所述第一生产环境信息为加工所述第一设备零部件过程的实时环境数据,所述第一生产环境信息包括温度、湿度或其他相关环境指标对应的环境信息,获得所述第一设备零部件加工的第一生产环境信息;获得所述第一偏向分布结果,其中,所述第一偏向分布结果包括第一偏向域和第二偏向域,所述第一偏向为自动化生产工艺域,所述第二偏向为实时人工生产工艺域;以所述第一生产环境信息和所述第一偏向分布结果中的两个偏向信息作为三组变量进行偏相关分析,所述偏相关分析可以在控制所述第一生产环境信息的线性影响的条件下分析所述第一偏向域与所述第二偏向域之间的线性相关性,所述线性相关性即所述第一偏相关系数;基于所述第一偏相关系数进行生产异常点评估,获得所述第一异常分布结果,保证所述第一异常分布结果的客观性,提供所述第一异常分布结果的可靠性。
进一步的,所述方法还包括:
S650:基于所述第一偏相关系数进行偏相关检验,获得第一偏相关检验结果;
S660:若所述第一偏相关检验结果为检验成功,判断所述第一偏相关系数是否大于预设偏相关系数;
S670:若所述第一偏相关系数大于所述预设偏相关系数,对所述第一设备零部件的工艺流程进行标识,确定承接流程节点;
S680:若进行生产异常点评估时包括所述承接流程节点,获得第二异常分布结果。
具体而言,所述偏相关检验是结合所述偏相关分析确定的检验,一般的,如果偏相关系数大的话,表示目前可能由于人工造成的生产异常,或者是生产异常造成之后流程的人工操作异常,所述偏相关检验是对所述偏相关系数进行细化确定的检验方案,基于所述第一偏相关系数进行偏相关检验,获得第一偏相关检验结果;所述预设偏相关系数为一数据阈值,所述预设偏相关系数的数据大小需结合所述偏相关分析进行具体确定,若所述第一偏相关检验结果为检验成功,判断所述第一偏相关系数是否大于预设偏相关系数;处于所述承接流程节点确定的生产工艺步骤的相关程度大,上一步生产工艺步骤出现阈值内的误差也有可能造成下一步生产工艺步骤的异常,若所述第一偏相关系数大于所述预设偏相关系数,对所述第一设备零部件的工艺流程进行标识,确定承接流程节点;若进行生产异常点评估时包括所述承接流程节点,获得第二异常分布结果,便于定位需要进行异常优化的生产工艺步骤,有利于提高所述生产流程管理方案的执行效果。
具体进一步说明,一般的,如果偏相关系数大的话,表示目前可能由于人工造成的生产异常,或者是生产异常造成之后流程的人工操作异常,所述承接流程节点简单来说,上一步生产工艺步骤出现阈值内的误差也有可能造成下一步生产工艺步骤的异常,人工操作相关联的生产异常所确定的所述第一偏相关系数的数值一般比较大。上一步生产工艺步骤出现阈值内的误差也有可能造成下一步生产工艺步骤的异常,具体的,例如第一加工步骤分为a、b、c三小步操作,a、b、c操作正常,所述第一加工步骤执行结果正常;所述a操作出错,所述b操作、所述c操作正常,所述第一加工步骤执行结果正常;所述a操作、所述c操作正常,所述b操作出错,但所述b操作在的误差在阈值内,检测结果表示所述b操作正常,输出所述第一加工步骤执行结果异常,所述b、c操作即为所述承接流程节点,在进行异常判定过程应先确定所述承接流程节点,可以有效提高异常定位的精确度。
进一步的,所述方法还包括:
S760:搭建第一转换功能模块,其中,所述第一转换功能模块包括第一识别单元和第一转换单元,所述第一识别单元用于对所述多个图像采集节点进行画面识别,所述第一转换单元用于根据画面识别结果进行图像采集和设备接口采集两种功能的转换;
S770:根据所述第一转换功能模块对所述拟合图像采集装置进行逻辑配置。
具体而言,搭建第一转换功能模块,其中,所述第一转换功能模块包括第一识别单元和第一转换单元,所述第一识别单元用于对所述多个图像采集节点进行画面识别,所述第一转换单元用于根据画面识别结果进行图像采集和设备接口采集两种功能的转换,所述转换需要分情况使得所述拟合图像采集装置的采集功能灵活转换,一般的,对于只有设备自动化的情况,不需要进行图像识别,进行设备接口直接接入实现数据采集;根据所述第一转换功能模块对所述拟合图像采集装置进行逻辑配置,不对所述逻辑配置进行具体限定,实际应结合实际的使用场景进行具体的逻辑配置优化,此处不做限制。
进一步的,如图4所示,所述根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理,还包括:
S641:根据所述第一异常分布结果,获得所述第一偏向域与所述第二偏向域的异常分布比;
S642:根据所述异常分布比,获得所述第一偏向域和所述第二偏向域中的异常承接节点;
S643:所述异常承接节点包括第一异常承接节点和第二异常承接节点,其中,所述第一异常承接节点对应所述第一偏向域,所述第二异常承接节点对应所述第二偏向域,且所述第一异常承接节点和所述第二异常承接节点存在承接关系;
S644:按照所述第一异常承接节点和所述第二异常承接节点的承接关系进行管理目标定位。
具体而言,根据所述第一异常分布结果,获得所述第一偏向域与所述第二偏向域的异常分布比,所述异常分布比用于检测有至少两个以上的异常节点时,分析是否存在标记重叠,一般的,上一步异常会可能导致下一步异常,只对所述上一步异常进行异常标记;根据所述异常分布比,获得所述第一偏向域和所述第二偏向域中的异常承接节点,所述异常承接节点的异常需要通过所述偏相关检验进行具体确定;所述异常承接节点包括第一异常承接节点和第二异常承接节点,其中,所述第一异常承接节点对应所述第一偏向域,所述第二异常承接节点对应所述第二偏向域,且所述第一异常承接节点和所述第二异常承接节点存在承接关系,如果存在标记重叠,说明可能存在上一步流程的操作引起下一步的异常,所以需要优先对步骤连接的首个流程进行管理;按照所述第一异常承接节点和所述第二异常承接节点的承接关系进行管理目标定位,所述承接关系从操作步骤的生产加工流程进行确定。
综上所述,本申请所提供的一种设备零部件的生产智能管理方法与系统具有如下技术效果:
1.由于采用了本申请通过提供了一种设备零部件的生产智能管理方法与系统,根据第一设备零部件的生产流程信息,获得第一配置指令;根据第一配置指令,配置多个图像采集节点;基于图像采集拟合装置对多个图像采集节点进行数据采集,获得生产工艺检测数据;将生产工艺检测数据输入数据抽样器中,根据数据抽样器进行数据抽样,输出第一样本数据;通过对第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;按照第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;根据第一异常分布结果实现对第一设备零部件的生产流程管理。解决了设备零部件的生产异常结果与生产工艺数据适配度低且生产工艺步骤的异常点难以合理评估的技术问题,通过设备零部件的生产流程的生产工艺数据,基于参数分布偏向分析,达到了智能评估生产工艺步骤的异常点,确定异常分布结果,实现生产流程自动化管理的技术效果。
2.由于采用了通过对第一设备零部件的生产流程信息进行流程层级分析,确定对第一设备零部件生产加工的执行流程层级;根据执行流程层级的层级数量,确定数据抽样层数;通过对执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重;按照数据抽样层数和数据抽样权重对数据抽样模型进行功能训练,生成数据抽样模型;基于数据抽样模型执行数据抽样器的数据抽样逻辑功能。获取数据抽样模型,为数据抽样提供模型基础,保证了数据抽样步骤方案的可靠性。
3.由于采用了获得第一设备零部件加工的第一生产环境信息;获得第一偏向分布结果,其中,第一偏向分布结果包括第一偏向域和第二偏向域,第一偏向为自动化生产工艺域,第二偏向为实时人工生产工艺域;以第一生产环境信息和第一偏向分布结果中的两个偏向信息作为三组变量进行偏相关分析,获得第一偏相关系数;基于第一偏相关系数进行生产异常点评估,获得第一异常分布结果。保证第一异常分布结果的客观性,提供第一异常分布结果的可靠性。
4.由于采用了基于第一偏相关系数进行偏相关检验,获得第一偏相关检验结果;若第一偏相关检验结果为检验成功,判断第一偏相关系数是否大于预设偏相关系数;若第一偏相关系数大于预设偏相关系数,对第一设备零部件的工艺流程进行标识,确定承接流程节点;若进行生产异常点评估时包括承接流程节点,获得第二异常分布结果。便于定位需要进行异常优化的生产工艺步骤,有利于提高生产流程管理方案的执行效果。
实施例二
基于与前述实施例中一种设备零部件的生产智能管理方法相同的发明构思,如图5所示,本申请提供了一种设备零部件的生产智能管理系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于根据第一设备零部件的生产流程信息,获得第一配置指令;
第一执行单元12,所述第一执行单元12用于根据所述第一配置指令,配置多个图像采集节点;
第二获得单元13,所述第二获得单元13用于基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;
第二执行单元14,所述第二执行单元14用于将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;
第一输出单元15,所述第一输出单元15用于通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;
第三获得单元16,所述第三获得单元16用于按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;
第三执行单元17,所述第三执行单元17用于根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
进一步的,所述系统包括:
第四获得单元,所述第四获得单元用于通过对所述第一设备零部件的生产流程信息进行流程层级分析,确定对所述第一设备零部件生产加工的执行流程层级;
第一确定单元,所述第一确定单元用于根据所述执行流程层级的层级数量,确定数据抽样层数;
第二确定单元,所述第二确定单元用于通过对所述执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重;
第一生成单元,所述第一生成单元用于按照所述数据抽样层数和所述数据抽样权重对所述数据抽样模型进行功能训练,生成所述数据抽样模型;
第四执行单元,所述第四执行单元用于基于所述数据抽样模型执行所述数据抽样器的数据抽样逻辑功能。
进一步的,所述系统包括:
第五获得单元,所述第五获得单元用于获得所述执行流程层级的多组复杂度指标;
第六获得单元,所述第六获得单元用于判断所述多组复杂度指标是否处于预设复杂度指标阈值中,获得第一判断结果;
第二输出单元,所述第二输出单元用于根据所述第一判断结果将所述多组复杂度指标进行分类,输出第一分类指标和第二分类指标,其中,所述第一分类指标为处于所述预设复杂度指标阈值的指标集合,所述第二分类指标为不处于所述预设复杂度指标阈值的指标集合;
第五执行单元,所述第五执行单元用于以第一预设权重对所述第一分类指标;
第三确定单元,所述第三确定单元用于通过对所述第二分类指标进行比值分配权重,对所述第二分类指标进行定值分配权重,确定所述数据抽样权重。
进一步的,所述系统包括:
第七获得单元,所述第七获得单元用于获得所述第一设备零部件加工的第一生产环境信息;
第八获得单元,所述第八获得单元用于获得所述第一偏向分布结果,其中,所述第一偏向分布结果包括第一偏向域和第二偏向域,所述第一偏向为自动化生产工艺域,所述第二偏向为实时人工生产工艺域;
第九获得单元,所述第九获得单元用于以所述第一生产环境信息和所述第一偏向分布结果中的两个偏向信息作为三组变量进行偏相关分析,获得第一偏相关系数;
第十获得单元,所述第十获得单元用于基于所述第一偏相关系数进行生产异常点评估,获得所述第一异常分布结果。
进一步的,所述系统包括:
第十一获得单元,所述第十一获得单元用于基于所述第一偏相关系数进行偏相关检验,获得第一偏相关检验结果;
第一判断单元,所述第一判断单元用于若所述第一偏相关检验结果为检验成功,判断所述第一偏相关系数是否大于预设偏相关系数;
第二判断单元,所述第二判断单元用于若所述第一偏相关系数大于所述预设偏相关系数,对所述第一设备零部件的工艺流程进行标识,确定承接流程节点;
第十二获得单元,所述第十二获得单元用于若进行生产异常点评估时包括所述承接流程节点,获得第二异常分布结果。
进一步的,所述系统包括:
第一构建单元,所述第一构建单元用于搭建第一转换功能模块,其中,所述第一转换功能模块包括第一识别单元和第一转换单元,所述第一识别单元用于对所述多个图像采集节点进行画面识别,所述第一转换单元用于根据画面识别结果进行图像采集和设备接口采集两种功能的转换;
第六执行单元,所述第六执行单元用于根据所述第一转换功能模块对所述拟合图像采集装置进行逻辑配置。
进一步的,所述系统包括:
第十三获得单元,所述第十三获得单元用于根据所述第一异常分布结果,获得所述第一偏向域与所述第二偏向域的异常分布比;
第十四获得单元,所述第十四获得单元用于根据所述异常分布比,获得所述第一偏向域和所述第二偏向域中的异常承接节点;
第四确定单元,所述第四确定单元用于所述异常承接节点包括第一异常承接节点和第二异常承接节点,其中,所述第一异常承接节点对应所述第一偏向域,所述第二异常承接节点对应所述第二偏向域,且所述第一异常承接节点和所述第二异常承接节点存在承接关系;
第七执行单元,所述第七执行单元用于按照所述第一异常承接节点和所述第二异常承接节点的承接关系进行管理目标定位。
示例性电子设备
下面参考图6来描述本申请的电子设备,
基于与前述实施例中一种设备零部件的生产智能管理方法相同的发明构思,本申请还提供了一种设备零部件的生产智能管理系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得装置以执行第一方面任一项所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种设备零部件的生产智能管理方法及系统。
可选的,本申请中的计算机执行指令也可以称之为应用程序代码,本申请对此不作具体限定。
本申请提供了一种设备零部件的生产智能管理方法,其中,所述方法应用于一种设备零部件的生产智能管理系统,所述系统与图像采集拟合装置通信连接,所述方法包括:根据第一设备零部件的生产流程信息,获得第一配置指令;根据所述第一配置指令,配置多个图像采集节点;基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种设备零部件的生产智能管理方法,其特征在于,所述方法应用于一种设备零部件的生产智能管理系统,所述系统与图像采集拟合装置通信连接,所述方法包括:
根据第一设备零部件的生产流程信息,获得第一配置指令;
根据所述第一配置指令,配置多个图像采集节点;
基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;
将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;
通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;
按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;
根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过对所述第一设备零部件的生产流程信息进行流程层级分析,确定对所述第一设备零部件生产加工的执行流程层级;
根据所述执行流程层级的层级数量,确定数据抽样层数;
通过对所述执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重;
按照所述数据抽样层数和所述数据抽样权重对所述数据抽样模型进行功能训练,生成所述数据抽样模型;
基于所述数据抽样模型执行所述数据抽样器的数据抽样逻辑功能。
3.如权利要求2所述的方法,其特征在于,所述通过对所述执行流程层级中每一层级的执行复杂度进行分析,按照复杂度指标进行每一层级抽样数据的权重分配,确定数据抽样权重,所述方法还包括:
获得所述执行流程层级的多组复杂度指标;
判断所述多组复杂度指标是否处于预设复杂度指标阈值中,获得第一判断结果;
根据所述第一判断结果将所述多组复杂度指标进行分类,输出第一分类指标和第二分类指标,其中,所述第一分类指标为处于所述预设复杂度指标阈值的指标集合,所述第二分类指标为不处于所述预设复杂度指标阈值的指标集合;
以第一预设权重对所述第一分类指标;
通过对所述第二分类指标进行比值分配权重,对所述第二分类指标进行定值分配权重,确定所述数据抽样权重。
4.如权利要求1所述的方法,其特征在于,所述按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果,所述方法还包括:
获得所述第一设备零部件加工的第一生产环境信息;
获得所述第一偏向分布结果,其中,所述第一偏向分布结果包括第一偏向域和第二偏向域,所述第一偏向为自动化生产工艺域,所述第二偏向为实时人工生产工艺域;
以所述第一生产环境信息和所述第一偏向分布结果中的两个偏向信息作为三组变量进行偏相关分析,获得第一偏相关系数;
基于所述第一偏相关系数进行生产异常点评估,获得所述第一异常分布结果。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述第一偏相关系数进行偏相关检验,获得第一偏相关检验结果;
若所述第一偏相关检验结果为检验成功,判断所述第一偏相关系数是否大于预设偏相关系数;
若所述第一偏相关系数大于所述预设偏相关系数,对所述第一设备零部件的工艺流程进行标识,确定承接流程节点;
若进行生产异常点评估时包括所述承接流程节点,获得第二异常分布结果。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
搭建第一转换功能模块,其中,所述第一转换功能模块包括第一识别单元和第一转换单元,所述第一识别单元用于对所述多个图像采集节点进行画面识别,所述第一转换单元用于根据画面识别结果进行图像采集和设备接口采集两种功能的转换;
根据所述第一转换功能模块对所述拟合图像采集装置进行逻辑配置。
7.如权利要求4所述的方法,其特征在于,所述根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理,所述方法还包括:
根据所述第一异常分布结果,获得所述第一偏向域与所述第二偏向域的异常分布比;
根据所述异常分布比,获得所述第一偏向域和所述第二偏向域中的异常承接节点;
所述异常承接节点包括第一异常承接节点和第二异常承接节点,其中,所述第一异常承接节点对应所述第一偏向域,所述第二异常承接节点对应所述第二偏向域,且所述第一异常承接节点和所述第二异常承接节点存在承接关系;
按照所述第一异常承接节点和所述第二异常承接节点的承接关系进行管理目标定位。
8.一种设备零部件的生产智能管理系统,其特征在于,所述系统与图像采集拟合装置通信连接,所述系统包括:
第一获得单元,所述第一获得单元用于根据第一设备零部件的生产流程信息,获得第一配置指令;
第一执行单元,所述第一执行单元用于根据所述第一配置指令,配置多个图像采集节点;
第二获得单元,所述第二获得单元用于基于所述图像采集拟合装置对所述多个图像采集节点进行数据采集,获得生产工艺检测数据,其中,所述生产工艺检测数据包括多组检测分布数据,其中,所述多组检测分布数据与所述多个图像采集节点一一对应;
第二执行单元,所述第二执行单元用于将所述生产工艺检测数据输入数据抽样器中,根据所述数据抽样器进行数据抽样,输出第一样本数据,其中,所述数据抽样器中内嵌一数据抽样模型;
第一输出单元,所述第一输出单元用于通过对所述第一样本数据进行参数分布偏向分析,输出第一偏向分布结果;
第三获得单元,所述第三获得单元用于按照所述第一偏向分布结果进行生产异常点评估,获得第一异常分布结果;
第三执行单元,所述第三执行单元用于根据所述第一异常分布结果实现对所述第一设备零部件的生产流程管理。
9.一种设备零部件的生产智能管理系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210362464.1A CN114757517A (zh) | 2022-04-07 | 2022-04-07 | 一种设备零部件的生产智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210362464.1A CN114757517A (zh) | 2022-04-07 | 2022-04-07 | 一种设备零部件的生产智能管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757517A true CN114757517A (zh) | 2022-07-15 |
Family
ID=82329045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210362464.1A Pending CN114757517A (zh) | 2022-04-07 | 2022-04-07 | 一种设备零部件的生产智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757517A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186623A (zh) * | 2022-09-08 | 2022-10-14 | 中科卓芯半导体科技(苏州)有限公司 | 一种精密掩膜版的设计分析方法及系统 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN116713709A (zh) * | 2023-05-29 | 2023-09-08 | 苏州索力伊智能科技有限公司 | 一种连接器自动组装设备控制系统及其方法 |
CN116859875A (zh) * | 2023-09-04 | 2023-10-10 | 苏州友得利金属制品有限公司 | 一种基于使用需求的钢管生产工艺调节控制方法及系统 |
CN116993532A (zh) * | 2023-09-25 | 2023-11-03 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及系统 |
-
2022
- 2022-04-07 CN CN202210362464.1A patent/CN114757517A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186623A (zh) * | 2022-09-08 | 2022-10-14 | 中科卓芯半导体科技(苏州)有限公司 | 一种精密掩膜版的设计分析方法及系统 |
CN115186623B (zh) * | 2022-09-08 | 2022-12-16 | 中科卓芯半导体科技(苏州)有限公司 | 一种精密掩膜版的设计分析方法及系统 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN116596336B (zh) * | 2023-05-16 | 2023-10-31 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN116713709A (zh) * | 2023-05-29 | 2023-09-08 | 苏州索力伊智能科技有限公司 | 一种连接器自动组装设备控制系统及其方法 |
CN116713709B (zh) * | 2023-05-29 | 2023-12-19 | 苏州索力伊智能科技有限公司 | 一种连接器自动组装设备控制系统及其方法 |
CN116859875A (zh) * | 2023-09-04 | 2023-10-10 | 苏州友得利金属制品有限公司 | 一种基于使用需求的钢管生产工艺调节控制方法及系统 |
CN116859875B (zh) * | 2023-09-04 | 2023-11-24 | 苏州友得利金属制品有限公司 | 一种基于使用需求的钢管生产工艺调节控制方法及系统 |
CN116993532A (zh) * | 2023-09-25 | 2023-11-03 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及系统 |
CN116993532B (zh) * | 2023-09-25 | 2023-12-08 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757517A (zh) | 一种设备零部件的生产智能管理方法及系统 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
Buldakova et al. | Assessment of the state of production system components for digital twins technology | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
Chen et al. | Optimal variability sensitive condition-based maintenance with a Cox PH model | |
CN111949429A (zh) | 基于密度聚类算法的服务器故障监测方法及系统 | |
JP2023504103A (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
KR101998972B1 (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
CN113449703A (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及系统 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN113646714A (zh) | 生产设备的加工参数设置方法、装置和计算机可读介质 | |
Packianather et al. | Development of soft computing tools and IoT for improving the performance assessment of analysers in a clinical laboratory | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN111306051B (zh) | 一种输油泵机组探针式状态监测预警方法、装置及系统 | |
US20220404792A1 (en) | Method, system and computer program product for monitoring a shaping process | |
CN112527610A (zh) | 设备运作状态的监测方法及装置 | |
Yang et al. | Streaming data analysis framework for cyber-physical system of metal machining processes | |
KR20200002433A (ko) | 빅데이터 분석을 이용한 통계적 품질 관리 시스템 | |
CN114818460A (zh) | 基于自动机器学习的实验室设备剩余使用寿命预测方法 | |
Fernandes et al. | Predictive maintenance in the metallurgical industry: data analysis and feature selection | |
Olender-Skóra et al. | Application of a digital twin for manufacturing process simulation | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 |
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 |