CN114971433A - 基于工业互联网的质量管控方法、装置、设备及存储介质 - Google Patents
基于工业互联网的质量管控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114971433A CN114971433A CN202210913653.3A CN202210913653A CN114971433A CN 114971433 A CN114971433 A CN 114971433A CN 202210913653 A CN202210913653 A CN 202210913653A CN 114971433 A CN114971433 A CN 114971433A
- Authority
- CN
- China
- Prior art keywords
- target
- yield
- preset
- parameter
- production line
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 276
- 230000007547 defect Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 109
- 230000006870 function Effects 0.000 claims description 99
- 238000000034 method Methods 0.000 claims description 35
- 230000009711 regulatory function Effects 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于工业互联网的质量管控方法、装置、设备及存储介质,包括:通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;通过预设图像识别模型对产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定目标生产线的生产良品率;在生产良品率小于目标生产线的目标良品率时,根据当前控制参数和预设参数调整模型确定模拟良品率;在模拟良品率与生产良品率之间的良品率差值小于预设阈值时,根据当前控制参数和预设参数调整模型确定目标调控函数;根据目标调控函数和当前控制参数确定目标控制参数,并将目标生产线对应的生产参数设定为目标控制参数。在降低次品产出量的同时降低了生产成本。
Description
技术领域
本发明涉及工业互联网技术领域,尤其涉及一种基于工业互联网的质量管控方法、装置、设备及存储介质。
背景技术
目前,生产线产品的质量检测一般是通过人工完成的,工作人员将不合格产品分拣出来,后续工程师对不合格产品进行分析确定不产品不合格的原因,再对生产线的控制参数进行调整以提高产品良率,但是这种方式遵循的流程是先分拣产线产出的次品,再对次品的产生原因进行分析,根据分析结果确定需要对哪些控制参数进行改进,最后调整生产线的控制参数,不仅调整周期长,而且在此期间生产线还不断产出次品,导致生产成本增高。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于工业互联网的质量管控方法、装置、设备及存储介质,旨在解决现有技术在生产线良品率低时,产品控制参数调整效率低的技术问题。
为实现上述目的,本发明提供了一种基于工业互联网的质量管控方法,所述方法包括以下步骤:
通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;
通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;
在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;
根据所述当前控制参数和预设参数调整模型确定模拟良品率;
在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;
根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。
可选地,所述通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集之前,还包括:
遍历试验控制参数集合,并将遍历到的试验控制参数设定为目标生产线对应的生产参数;
控制所述目标生产线在所述试验控制参数下生产若干试验产品,根据所述若干试验产品确定所述试验控制参数对应的试验良品率;
在遍历结束时,获得所述试验控制参数集合中各试验控制参数对应的试验良品率;
根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型。
可选地,所述根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型,包括:
将所述试验控制参数集合中的试验控制参数和对应的试验良品率映射至预设坐标系;
将所述预设坐标系中的离群点去除,获得去离群点坐标;
按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分;
通过最小二乘法对各区间中的坐标点进行曲线拟合,获得各区间对应的分段拟合函数;
确定各分段拟合函数的拟合优度,并确定各分段拟合函数对应拟合优度的平均拟合优度;
在所述平均拟合优度小于预设拟合优度时,返回执行按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分的步骤,直至所述平均拟合优度大于所述预设拟合优度;
在所述平均拟合优度大于所述预设拟合优度时,获得各区间对应的调控函数;
根据各区间对应的调控函数构建预设参数调整模型。
可选地,所述根据所述当前控制参数和预设参数调整模型确定模拟良品率,包括:
确定所述当前控制参数所属的参数区间;
从所述预设参数调整模型中选取与所述参数区间对应的调控函数,并将所述当前调控参数输入所述调控函数,获得所述调控函数输出的模拟良品率。
可选地,所述根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数之后,还包括:
获取预设时长内所述目标生产线在所述目标控制参数下的平均生产良品率;
确定所述平均生产良品率小于所述目标良品率的累计次数;
在所述累计次数大于预设次数时,根据所述平均生产良品率和所述目标控制参数更新所述预设参数调整模型;
通过更新后的预设参数调整模型确定第二目标控制参数,并将所述目标生产线对应的生产参数设定为所述第二目标控制参数。
可选地,所述根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数,包括:
确定所述目标调控函数的函数特性以及所述目标调控函数中与所述当前控制参数对应的参数坐标;
根据所述函数特性和所述参数坐标确定若干候选坐标,并从所述若干候选坐标中选取纵坐标大于所述目标良品率的若干目标坐标;
从所述若干目标坐标中选取与所述参数坐标距离最近的目标坐标,并将所述目标坐标对应的控制参数作为目标控制参数。
可选地,所述根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数之后,还包括:
在所述目标生产线以所述目标控制参数运行时,获取所述目标生产线上目标工位的操作图像;
对所述操作图像进行图像识别,并根据识别结果确定所述目标工位的操作特征;
在所述操作特征与标准操作特征不符合时,输出违规操作提示信息。
此外,为实现上述目的,本发明还提出一种基于工业互联网的质量管控装置,所述装置包括:
第一获取模块,用于通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;
识别模块,用于通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;
第二获取模块,用于在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;
第一确定模块,用于根据所述当前控制参数和预设参数调整模型确定模拟良品率;
第二确定模块,用于在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;
设定模块,用于根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。
此外,为实现上述目的,本发明还提出一种基于工业互联网的质量管控设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于工业互联网的质量管控程序,所述基于工业互联网的质量管控程序配置为实现如上文所述的基于工业互联网的质量管控方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于工业互联网的质量管控程序,所述基于工业互联网的质量管控程序被处理器执行时实现如上文所述的基于工业互联网的质量管控方法的步骤。
本发明通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;根据所述当前控制参数和预设参数调整模型确定模拟良品率;在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。本发明对目标生产线生产过程中采集的产品图像进行表面缺陷识别,在根据识别结果确定的良品率小于目标良品率时,根据目标生产线的当前控制参数和预设参数调整模型确定模拟良品率,在模拟良品率与目标良品率之间的差小于预设阈值时,根据当前控制参数和预设参数调整模型确定的目标调控函数确定目标控制参数,并将目标生产线的控制参数设定为目标控制参数,解决了现有技术中生产线控制参数的调整效率低的技术问题,降低了次品的产出量,降低了生产成本。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于工业互联网的质量管控设备的结构示意图;
图2为本发明基于工业互联网的质量管控方法第一实施例的流程示意图;
图3为本发明基于工业互联网的质量管控方法第二实施例的流程示意图;
图4为本发明基于工业互联网的质量管控方法第三实施例的流程示意图;
图5为本发明基于工业互联网的质量管控装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于工业互联网的质量管控设备结构示意图。
如图1所示,该基于工业互联网的质量管控设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于工业互联网的质量管控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于工业互联网的质量管控程序。
在图1所示的基于工业互联网的质量管控设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于工业互联网的质量管控设备中的处理器1001、存储器1005可以设置在基于工业互联网的质量管控设备中,所述基于工业互联网的质量管控设备通过处理器1001调用存储器1005中存储的基于工业互联网的质量管控程序,并执行本发明实施例提供的基于工业互联网的质量管控方法。
本发明实施例提供了一种基于工业互联网的质量管控方法,参照图2,图2为本发明基于工业互联网的质量管控方法第一实施例的流程示意图。
本实施例中,所述基于工业互联网的质量管控方法包括以下步骤:
步骤S10:通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如平板电脑、个人电脑、手机等,或者是一种能够实现上述功能的电子设备、基于工业互联网的质量管控设备等。以下以基于工业互联网的质量管控设备(简称管控设备)为例,对本实施例及下述各实施例进行说明。
可以理解的是,本方案可用于产品表面缺陷的识别和管控,该产品可以是PCB板、太阳能电池片等;摄像装置可以是目标生产线上设置的用于拍摄生产图像的装置,例如可以拍摄产品图像、工位图像或生产设备图像等;预设采样频率可以是预先设置的采集产品图像的频率;产品图像集可以是摄像装置采集的产品图像的集合。
在具体实现中,在目标生产线刚启动时,运行状态可能不稳定,导致摄像装置拍摄的产品图像无法准确反映目标生产线的真实状况,为了解决目标生产线刚启动时运行状态不稳定导致拍摄的产品图像不准确的问题,在目标生产线启动时,获取所述目标生产线的运行参数,在所述运行参数与标准运行参数之间参数差异符合预设标准时,通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,在采集时长到达预设时长时,停止图像采集,获得产品图像集,其中运行参数包括产线运行速度、每分钟产品产出量等。
步骤S20:通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率。
可以理解的是,预设图像识别模型可以是预先设定的对产品图像进行表面缺陷识别的算法,预设图像识别模型可以是用存在表面缺陷的产品图像对卷积神经网络进行训练获得的模型;根据识别结果确定所述目标生产线的生产良品率可以是根据识别结果确定不良品的数量,根据不良品的数量确定目标生产线的生产良品率。
在具体实现中,通过摄像装置采集目标生产线的产品图像,获得若干产品图像集,通过预设图像识别模型对各产品图像集中的产品图像进行表面缺陷识别根据识别结果确定各产品图像集对应的生产良品率,将各产品图像集对应的生产良品率的平均值作为目标生产线的生产良品率。
步骤S30:在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数。
可以理解的是,目标良品率可以是预先设定的目标生产线生产产品的良品率,若生产良品率大于或等于目标生产线的目标良品率,则判定目标生产线符合生产要求,否则判定目标生产线不符合生产要求;当前控制参数可以是当前控制目标生产线运行的参数,在本实施例中,当前控制参数可以是影响产品外观的参数,当前控制参数可以是产线速度控制参数。
在具体实现中,管控设备在目标生产线的生产良品率小于目标良品率时,判定目标生产线不符合生产要求,获得目标生产线的产线速度控制参数。
步骤S40:根据所述当前控制参数和预设参数调整模型确定模拟良品率。
可以理解的是,预设参数调控模型可以是预先设定的对目标生产线的产线速度控制参数进行调控的模型;模拟良品率可以是将当前控制参数输入预设参数控制模型,预设参数控制模型根据当前控制参数输出的良品率。
在具体实现中,管控设备将目标生产线的当前控制参数输入预设参数调整模型,并获取预设参数调整模型根据当前控制参数输出的模拟良品率。
步骤S50:在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数。
可以理解的是,在所述模拟良品率与生产良品率之间的良品率差值小于预设阈值时,判定所述预设参数调整模型适用于所述目标生产线,在所述预设参数调控模型适用于所述目标生产线时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数。
应该理解的是,目标调控函数可以是调控目标生产线的生产参数的函数;预设参数调整模型由若干调控函数构成,根据当前控制参数可确定预设参数调整模型中对应的目标调控函数;不同控制参数对应的调控函数可能不同。
在具体实现中,管控设备在模拟良品率与生产良品率之间的良品率差值小于预设阈值时,判定预设参数调整模型适用于目标生产线,此时根据当前控制参数从预设参数调整模型中匹配对应的目标调控函数。
步骤S60:根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。
在具体实现中,管控设备在目标生产线运行平稳后,通过摄像装置按照预设采样频率采集目标生产线上生产产品的产品图像,采集预设时长后获得产品图像集,按照上述方式采集若干次获得若干产品图像集,通过预设图像识别模型对各产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定各产品图像集对应的生产良品率,将各产品图像集对应的生产良品率的均值作为目标生产线的生产良品率,在生产良品率小于目标良品率时,判定目标生产线不符合生产要求,将目标生产线的当前控制参数输入至预设参数调控模型,并获取预设参数调控模型输出的模拟良品率,在模拟良品率与生产良品率之间的差值小于预设阈值时,判定预设参数调控模型适用于目标生产线,此时根据当前控制参数在预设参数调控模型中匹配目标调控函数,根据当前控制参数和目标控制函数确定目标控制参数,将目标生产线的生产参数设定为目标控制参数,并在当前控制参数的基础上将目标生产线的生产参数调整至目标控制参数。
进一步地,在具体应用中,可能存在预设参数调整模型与目标生产线不匹配的情况,导致无法准确地对目标生产线进行质量管控,为了提高质量管控的准确度,所述步骤S40,包括:确定所述当前控制参数所属的参数区间;从所述预设参数调整模型中选取与所述参数区间对应的调控函数,并将所述当前调控参数输入所述调控函数,获得所述调控函数输出的模拟良品率。
可以理解的是,参数区间可以是预先划分的控制参数的区间;各参数区间对应不同的调控函数。
在具体实现中,管控设备确定当前控制参数所属的参数区间,并从预设参数调整模型中选取与该参数区间对应的调控函数,将当前控制参数输入调控函数获得对应的模拟良品率。
进一步地,将目标生产线的生产参数调整后,目标生产线在一段时间内的产品良率可能符合生产要求,但是目标生产线运行一段时间后,产品良品率可能又会下降到目标良品率之下,为了实现对目标生产线的生产参数进行动态调整,以提高产品良品率,所述步骤S60之后,还包括:获取预设时长内所述目标生产线在所述目标控制参数下的平均生产良品率;确定所述平均生产良品率小于所述目标良品率的累计次数;在所述累计次数大于预设次数时,根据所述平均生产良品率和所述目标控制参数更新所述预设参数调整模型;通过更新后的预设参数调整模型确定第二目标控制参数,并将所述目标生产线对应的生产参数设定为所述第二目标控制参数。
可以理解的是,预设时长可以是预先设定的目标生产线以目标控制参数运行的时长;平均生产良品率可以是预设时长内目标生产线在各时段的生产良品率;若平均生产良品率小于目标良品率,则判定目标生产线在对应的时段不符合生产要求。
在具体实现中,管控设备获取目标生产线在预设时长各时段内以目标管控参数运行时,生产产品的平均生产良品率,确定各时段对应的平均生产良品率小于目标良品率的累计次数,在累计次数大于预设次数时,判定需要对目标生产线的生产参数进行调整,此时确定各时段对应平均生产良品率的良品率均值,通过该良品率均值和目标控制参数更新预设参数调整模型,根据更新后的预设参数调整模型确定第二目标控制参数,将目标生产线的控制参数从目标控制参数调整至第二目标控制参数。
进一步地,为了避免人工操作失误导致产品良率降低,所述步骤S60之后,还包括:在所述目标生产线以所述目标控制参数运行时,获取所述目标生产线上目标工位的操作图像;对所述操作图像进行图像识别,并根据识别结果确定所述目标工位的操作特征;在所述操作特征与标准操作特征不符合时,输出违规操作提示信息。
可以理解的是,目标工位可以是能够对生产产品的外观产生影响的工位;操作图像可以是通过摄像装置拍摄的目标工位上工人的操作图像;操作特征可以是根据图像识别结果确定的工人在目标生产线运行过程中执行操作的特征。
在具体实现中,管控设备在目标生产线以目标控制参数运行时,通过摄像装置连续获取目标生产线上目标工位的若干操作图像,对若干操作图像进行图像识别,根据图像识别结果确定目标工位对应工人的操作特征,在操作特征与标准操作特征不符时,输出违规操作提示信息。
本实施例通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;根据所述当前控制参数和预设参数调整模型确定模拟良品率;在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。本实施例对目标生产线生产过程中采集的产品图像进行表面缺陷识别,在根据识别结果确定的良品率小于目标良品率时,根据目标生产线的当前控制参数和预设参数调整模型确定模拟良品率,在模拟良品率与目标良品率之间的差小于预设阈值时,根据当前控制参数和预设参数调整模型确定的目标调控函数确定目标控制参数,并将目标生产线的控制参数设定为目标控制参数,解决了现有技术中生产线控制参数的调整效率低的技术问题,降低了次品的产出量,降低了生产成本。
参考图3,图3为本发明基于工业互联网的质量管控方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,在所述步骤S10之前,还包括:
步骤S01:遍历试验控制参数集合,并将遍历到的试验控制参数设定为目标生产线对应的生产参数。
可以理解的是,试验控制参数可以是控制目标生产线进行试产的参数;试验控制参数集合中包含若干试验控制参数。
步骤S02:控制所述目标生产线在所述试验控制参数下生产若干试验产品,根据所述若干试验产品确定所述试验控制参数对应的试验良品率。
可以理解的是,试验产品可以是目标生产线以试验控制参数运行生产的产品;试验良品率可以是目标生产线以试验控制参数运行生产产品的良品率;每个试验控制参数都对应有试验良品率。
步骤S03:在遍历结束时,获得所述试验控制参数集合中各试验控制参数对应的试验良品率;
步骤S04:根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型。
在具体实现中,管控设备遍历试验控制参数集合,将遍历到的试验控制参数集合设定为目标生产线的生产参数,控制目标生产线在各试验控制参数下分别生产若干试验产品,根据若干试验产品确定各试验控制参数对应的试验良品率,根据试验控制参数和对应的试验良品率构建预设参数调整模型。
进一步地,为了构建预设参数调整模型,以提高参数调整效率,所述步骤S04,包括:将所述试验控制参数集合中的试验控制参数和对应的试验良品率映射至预设坐标系;将所述预设坐标系中的离群点去除,获得去离群点坐标;按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分;通过最小二乘法对各区间中的坐标点进行曲线拟合,获得各区间对应的分段拟合函数;确定各分段拟合函数的拟合优度,并确定各分段拟合函数对应拟合优度的平均拟合优度;在所述平均拟合优度小于预设拟合优度时,返回执行按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分的步骤,直至所述平均拟合优度大于所述预设拟合优度;在所述平均拟合优度大于所述预设拟合优度时,获得各区间对应的调控函数;根据各区间对应的调控函数构建预设参数调整模型。
可以理解的是,预设坐标系可以是预先设定的平面直角坐标系,以试验控制参数为横坐标,试验良品率为纵坐标构建预设坐标系;将试验控制参数和对应的试验良品率映射至预设坐标系即将试验控制参数和试验良品率转化为预设坐标系中的坐标点;预设规则可以是预先设定的横坐标区间划分规则,例如预设规则为将区间划分为2的a次方份,a为划分次数;每划分一次区间,都需要对各个区间内的坐标点进行拟合;平均拟合优度可以是各区间分段拟合函数拟合优度的平均值;在平均拟合优度小于预设拟合优度时,判定获得的分段拟合函数不合格;在平均拟合优度大于或等于预设拟合优度时,判定获得的分段拟合函数合格,根据当前获得的各分段拟合函数构建预设参数调整模型。
在具体实现中,假设预设拟合优度为0.94,将试验控制参数和对应的试验良品率映射至预设坐标系,并将离群坐标点去除获得去离群点坐标,第一次将横坐标平均划分为两个区间,分别对两个区间内的坐标点进行拟合获得两个拟合函数,第一个拟合函数的拟合优度为0.9,第二个拟合函数的拟合优度为0.92,则平均拟合优度为0.91,则上述拟合函数不合格,继续对横坐标进行划分,将其平均划分为四个区间,对各区间的坐标点进行拟合获得四个拟合函数,拟合优度分别为0.98、0.92、0.96和0.94,则平均拟合优度为0.95,大于预设拟合优度,上述拟合函数合格,则根据上述四个拟合函数构建预设参数调整模型。
本实施例遍历试验控制参数集合,并将遍历到的试验控制参数设定为目标生产线对应的生产参数;控制所述目标生产线在所述试验控制参数下生产若干试验产品,根据所述若干试验产品确定所述试验控制参数对应的试验良品率;在遍历结束时,获得所述试验控制参数集合中各试验控制参数对应的试验良品率;根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型。本实施例控制目标生产线以试验控制参数生产获得若干试验产品,根据试验产品确定各试验控制参数对应的试验良品率;根据试验控制参数和试验良品率构建预设参数调整模型,基于预设参数调整模型对目标生产线进行参数调整,提高了产线参数调整的效率,降低了不良品的产出量。
参考图4,图4为本发明基于工业互联网的质量管控方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S60,包括:
步骤S601:确定所述目标调控函数的函数特性以及所述目标调控函数中与所述当前控制参数对应的参数坐标。
可以理解的是,函数特征可以是函数的升降特性;参数坐标可以是目标调控函数中以当前控制参数为横坐标的坐标点。
步骤S602:根据所述函数特性和所述参数坐标确定若干候选坐标,并从所述若干候选坐标中选取纵坐标大于所述目标良品率的若干目标坐标。
可以理解的是,根据所述函数特性和所述参数坐标确定若干候选坐标可以是根据所述函数特性确定目标调控函数的升降特点,根据升降特点和参数坐标确定处于参数坐标之上的若干候选坐标,即若干候选坐标对应的良率大于生产良品率;目标坐标可以是纵坐标值大于或等于目标良品率的坐标。
步骤S603:从所述若干目标坐标中选取与所述参数坐标距离最近的目标坐标,并将所述目标坐标对应的控制参数作为目标控制参数。
可以理解的是,为了便于对目标生产线进行参数调整,从若干目标坐标中选取与所述参数坐标距离最近的目标坐标,所述距离为个目标坐标与参数坐标的几何距离。
在具体实现中,管控设备确定目标调控函数的升降特点和当前控制参数对应的参数坐标,根据目标函数的升降特点和参数坐标确定若干处于参数坐标之上的候选坐标,再从若干处于参数坐标之上的候选坐标中选取良品率大于或等于目标良品率的若干目标坐标,求各目标坐标与参数坐标之间的几何距离,将最小几何距离对应的目标坐标的控制参数设定为目标控制参数。
本实施例确定所述目标调控函数的函数特性以及所述目标调控函数中与所述当前控制参数对应的参数坐标;根据所述函数特性和所述参数坐标确定若干候选坐标,并从所述若干候选坐标中选取纵坐标大于所述目标良品率的若干目标坐标;从所述若干目标坐标中选取与所述参数坐标距离最近的目标坐标,并将所述目标坐标对应的控制参数作为目标控制参数。能够选取与当前控制参数相近的控制参数作为目标控制参数,降低了参数调整的难度,提高了目标生产线参数调整的效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于工业互联网的质量管控程序,所述基于工业互联网的质量管控程序被处理器执行时实现如上文所述的基于工业互联网的质量管控方法的步骤。
参照图5,图5为本发明基于工业互联网的质量管控装置第一实施例的结构框图。
如图5所示,本发明实施例提出的基于工业互联网的质量管控装置包括:
第一获取模块10,用于通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;
识别模块20,用于通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;
第二获取模块30,用于在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;
第一确定模块40,用于根据所述当前控制参数和预设参数调整模型确定模拟良品率;
第二确定模块50,用于在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;
设定模块60,用于根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。
本实施例通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;根据所述当前控制参数和预设参数调整模型确定模拟良品率;在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。本实施例对目标生产线生产过程中采集的产品图像进行表面缺陷识别,在根据识别结果确定的良品率小于目标良品率时,根据目标生产线的当前控制参数和预设参数调整模型确定模拟良品率,在模拟良品率与目标良品率之间的差小于预设阈值时,根据当前控制参数和预设参数调整模型确定的目标调控函数确定目标控制参数,并将目标生产线的控制参数设定为目标控制参数,解决了现有技术中生产线控制参数的调整效率低的技术问题,降低了次品的产出量,降低了生产成本。
基于本发明上述基于工业互联网的质量管控装置第一实施例,提出本发明基于工业互联网的质量管控装置的第二实施例。
在本实施例中,所述第一获取模块10,还用于遍历试验控制参数集合,并将遍历到的试验控制参数设定为目标生产线对应的生产参数;控制所述目标生产线在所述试验控制参数下生产若干试验产品,根据所述若干试验产品确定所述试验控制参数对应的试验良品率;在遍历结束时,获得所述试验控制参数集合中各试验控制参数对应的试验良品率;根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型。
所述第一获取模块10,还用于将所述试验控制参数集合中的试验控制参数和对应的试验良品率映射至预设坐标系;将所述预设坐标系中的离群点去除,获得去离群点坐标;按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分;通过最小二乘法对各区间中的坐标点进行曲线拟合,获得各区间对应的分段拟合函数;确定各分段拟合函数的拟合优度,并确定各分段拟合函数对应拟合优度的平均拟合优度;在所述平均拟合优度小于预设拟合优度时,返回执行按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分的步骤,直至所述平均拟合优度大于所述预设拟合优度;在所述平均拟合优度大于所述预设拟合优度时,获得各区间对应的调控函数;根据各区间对应的调控函数构建预设参数调整模型。
所述第一确定模块40,还用于确定所述当前控制参数所属的参数区间;从所述预设参数调整模型中选取与所述参数区间对应的调控函数,并将所述当前调控参数输入所述调控函数,获得所述调控函数输出的模拟良品率。
所述设定模块60,还用于获取预设时长内所述目标生产线在所述目标控制参数下的平均生产良品率;确定所述平均生产良品率小于所述目标良品率的累计次数;在所述累计次数大于预设次数时,根据所述平均生产良品率和所述目标控制参数更新所述预设参数调整模型;通过更新后的预设参数调整模型确定第二目标控制参数,并将所述目标生产线对应的生产参数设定为所述第二目标控制参数。
所述设定模块60,还用于确定所述目标调控函数的函数特性以及所述目标调控函数中与所述当前控制参数对应的参数坐标;根据所述函数特性和所述参数坐标确定若干候选坐标,并从所述若干候选坐标中选取纵坐标大于所述目标良品率的若干目标坐标;从所述若干目标坐标中选取与所述参数坐标距离最近的目标坐标,并将所述目标坐标对应的控制参数作为目标控制参数。
所述设定模块60,还用于在所述目标生产线以所述目标控制参数运行时,获取所述目标生产线上目标工位的操作图像;对所述操作图像进行图像识别,并根据识别结果确定所述目标工位的操作特征;在所述操作特征与标准操作特征不符合时,输出违规操作提示信息。
本发明基于工业互联网的质量管控装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于工业互联网的质量管控方法,其特征在于,所述方法包括:
通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;
通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;
在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;
根据所述当前控制参数和预设参数调整模型确定模拟良品率;
在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;
根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。
2.如权利要求1所述的方法,其特征在于,所述通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集之前,还包括:
遍历试验控制参数集合,并将遍历到的试验控制参数设定为目标生产线对应的生产参数;
控制所述目标生产线在所述试验控制参数下生产若干试验产品,根据所述若干试验产品确定所述试验控制参数对应的试验良品率;
在遍历结束时,获得所述试验控制参数集合中各试验控制参数对应的试验良品率;
根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型。
3.如权利要求2所述的方法,其特征在于,所述根据所述试验控制参数集合和对应的若干试验良品率构建预设参数调整模型,包括:
将所述试验控制参数集合中的试验控制参数和对应的试验良品率映射至预设坐标系;
将所述预设坐标系中的离群点去除,获得去离群点坐标;
按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分;
通过最小二乘法对各区间中的坐标点进行曲线拟合,获得各区间对应的分段拟合函数;
确定各分段拟合函数的拟合优度,并确定各分段拟合函数对应拟合优度的平均拟合优度;
在所述平均拟合优度小于预设拟合优度时,返回执行按照预设规则对所述预设坐标系中的去离群点坐标进行区间划分的步骤,直至所述平均拟合优度大于所述预设拟合优度;
在所述平均拟合优度大于所述预设拟合优度时,获得各区间对应的调控函数;
根据各区间对应的调控函数构建预设参数调整模型。
4.如权利要求1-3任一项所述的方法,其特征在于,所述根据所述当前控制参数和预设参数调整模型确定模拟良品率,包括:
确定所述当前控制参数所属的参数区间;
从所述预设参数调整模型中选取与所述参数区间对应的调控函数,并将所述当前调控参数输入所述调控函数,获得所述调控函数输出的模拟良品率。
5.如权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数之后,还包括:
获取预设时长内所述目标生产线在所述目标控制参数下的平均生产良品率;
确定所述平均生产良品率小于所述目标良品率的累计次数;
在所述累计次数大于预设次数时,根据所述平均生产良品率和所述目标控制参数更新所述预设参数调整模型;
通过更新后的预设参数调整模型确定第二目标控制参数,并将所述目标生产线对应的生产参数设定为所述第二目标控制参数。
6.如权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数,包括:
确定所述目标调控函数的函数特性以及所述目标调控函数中与所述当前控制参数对应的参数坐标;
根据所述函数特性和所述参数坐标确定若干候选坐标,并从所述若干候选坐标中选取纵坐标大于所述目标良品率的若干目标坐标;
从所述若干目标坐标中选取与所述参数坐标距离最近的目标坐标,并将所述目标坐标对应的控制参数作为目标控制参数。
7.如权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数之后,还包括:
在所述目标生产线以所述目标控制参数运行时,获取所述目标生产线上目标工位的操作图像;
对所述操作图像进行图像识别,并根据识别结果确定所述目标工位的操作特征;
在所述操作特征与标准操作特征不符合时,输出违规操作提示信息。
8.一种基于工业互联网的质量管控装置,其特征在于,所述装置包括:
第一获取模块,用于通过摄像装置按照预设采样频率采集目标生产线上产品的产品图像,获得产品图像集;
识别模块,用于通过预设图像识别模型对所述产品图像集中的产品图像进行表面缺陷识别,根据识别结果确定所述目标生产线的生产良品率;
第二获取模块,用于在所述生产良品率小于所述目标生产线的目标良品率时,获取所述目标生产线对应的当前控制参数;
第一确定模块,用于根据所述当前控制参数和预设参数调整模型确定模拟良品率;
第二确定模块,用于在所述模拟良品率与所述生产良品率之间的良品率差值小于预设阈值时,根据所述当前控制参数和所述预设参数调整模型确定目标调控函数;
设定模块,用于根据所述目标调控函数和所述当前控制参数确定目标控制参数,并将所述目标生产线对应的生产参数设定为所述目标控制参数。
9.一种基于工业互联网的质量管控设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于工业互联网的质量管控程序,所述基于工业互联网的质量管控程序配置为实现如权利要求1至7中任一项所述的基于工业互联网的质量管控方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于工业互联网的质量管控程序,所述基于工业互联网的质量管控程序被处理器执行时实现如权利要求1至7任一项所述的基于工业互联网的质量管控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210913653.3A CN114971433B (zh) | 2022-08-01 | 2022-08-01 | 基于工业互联网的质量管控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210913653.3A CN114971433B (zh) | 2022-08-01 | 2022-08-01 | 基于工业互联网的质量管控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114971433A true CN114971433A (zh) | 2022-08-30 |
CN114971433B CN114971433B (zh) | 2022-10-25 |
Family
ID=82970516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210913653.3A Active CN114971433B (zh) | 2022-08-01 | 2022-08-01 | 基于工业互联网的质量管控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971433B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902227A (zh) * | 2022-12-22 | 2023-04-04 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
CN116880404A (zh) * | 2023-07-28 | 2023-10-13 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
CN117689086A (zh) * | 2024-02-02 | 2024-03-12 | 山东国泰民安玻璃科技有限公司 | 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192060A1 (en) * | 2006-02-14 | 2007-08-16 | Hongsee Yam | Web-based system of product performance assessment and quality control using adaptive PDF fitting |
JP2013012100A (ja) * | 2011-06-30 | 2013-01-17 | Olympus Corp | 生産管理方法および生産管理システム |
JP2014071609A (ja) * | 2012-09-28 | 2014-04-21 | Mitsubishi Heavy Ind Ltd | 生産管理方法及び生産管理システム |
CN107479509A (zh) * | 2008-03-06 | 2017-12-15 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
CN108910177A (zh) * | 2018-08-01 | 2018-11-30 | 龙口味美思环保科技有限公司 | 一种给袋式食品全自动包装机的智能调控方法 |
CN110992479A (zh) * | 2020-03-05 | 2020-04-10 | 浙江交工集团股份有限公司 | 一种适合散乱点云的高粗糙度三维曲面拟合方法 |
CN113887049A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的钻速预测方法及系统 |
WO2022127797A1 (zh) * | 2020-12-15 | 2022-06-23 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
-
2022
- 2022-08-01 CN CN202210913653.3A patent/CN114971433B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192060A1 (en) * | 2006-02-14 | 2007-08-16 | Hongsee Yam | Web-based system of product performance assessment and quality control using adaptive PDF fitting |
CN107479509A (zh) * | 2008-03-06 | 2017-12-15 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
JP2013012100A (ja) * | 2011-06-30 | 2013-01-17 | Olympus Corp | 生産管理方法および生産管理システム |
JP2014071609A (ja) * | 2012-09-28 | 2014-04-21 | Mitsubishi Heavy Ind Ltd | 生産管理方法及び生産管理システム |
CN108910177A (zh) * | 2018-08-01 | 2018-11-30 | 龙口味美思环保科技有限公司 | 一种给袋式食品全自动包装机的智能调控方法 |
CN110992479A (zh) * | 2020-03-05 | 2020-04-10 | 浙江交工集团股份有限公司 | 一种适合散乱点云的高粗糙度三维曲面拟合方法 |
WO2022127797A1 (zh) * | 2020-12-15 | 2022-06-23 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
CN113887049A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的钻速预测方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902227A (zh) * | 2022-12-22 | 2023-04-04 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
CN115902227B (zh) * | 2022-12-22 | 2024-05-14 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
CN116880404A (zh) * | 2023-07-28 | 2023-10-13 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
CN116880404B (zh) * | 2023-07-28 | 2024-05-03 | 北京远舢智能科技有限公司 | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
CN117689086A (zh) * | 2024-02-02 | 2024-03-12 | 山东国泰民安玻璃科技有限公司 | 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质 |
CN117689086B (zh) * | 2024-02-02 | 2024-04-26 | 山东国泰民安玻璃科技有限公司 | 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114971433B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114971433B (zh) | 基于工业互联网的质量管控方法、装置、设备及存储介质 | |
CN111640091B (zh) | 产品缺陷的检测方法及计算机存储介质 | |
CN110580475A (zh) | 基于无人机巡检的线路诊断方法、电子装置及存储介质 | |
CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN105468161A (zh) | 指令执行方法和装置 | |
CN114677567B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN111046283A (zh) | 特征选择方法、装置、设备及存储介质 | |
CN115810133A (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN112686322A (zh) | 零件差异识别方法、装置、设备及存储介质 | |
CN116152609B (zh) | 分布式模型训练方法、系统、装置以及计算机可读介质 | |
CN109407630B (zh) | 参数计算的方法、装置、终端及可读存储介质 | |
CN113537446A (zh) | 深度学习算法的选择方法及深度学习算法的选择装置 | |
CN116596903A (zh) | 缺陷识别方法、装置、电子设备及可读存储介质 | |
CN116362348A (zh) | 参数优化方法以及装置 | |
CN115375965A (zh) | 一种目标场景识别的预处理方法、目标场景识别方法 | |
CN116128044A (zh) | 一种模型剪枝方法、图像处理方法及相关装置 | |
CN113976400B (zh) | 一种涂胶方法、装置、设备及系统 | |
CN115560926A (zh) | 一种手机密封性检测方法及装置 | |
CN114170449A (zh) | 一种基于深度学习的人工智能图像识别装置 | |
CN115186751A (zh) | 一种基于s变换的CVT计量误差预测方法、装置及存储介质 | |
CN115859065A (zh) | 模型评测方法、装置、设备及存储介质 | |
CN113627755A (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN114418458A (zh) | 基于数字孪生DaaS平台的工艺调参方法 | |
CN110705627A (zh) | 目标检测方法、目标检测系统、装置及可读存储介质 | |
CN114581360A (zh) | 光伏组件标签检测方法、装置、设备和计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |