CN114997528B - 一种基于注塑产品质量分析的生产参数调节方法及系统 - Google Patents
一种基于注塑产品质量分析的生产参数调节方法及系统 Download PDFInfo
- Publication number
- CN114997528B CN114997528B CN202210839364.3A CN202210839364A CN114997528B CN 114997528 B CN114997528 B CN 114997528B CN 202210839364 A CN202210839364 A CN 202210839364A CN 114997528 B CN114997528 B CN 114997528B
- Authority
- CN
- China
- Prior art keywords
- production
- parameters
- result
- quality
- parameter
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 248
- 238000004458 analytical method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001746 injection moulding Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 117
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 210000000225 synapse Anatomy 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000002347 injection Methods 0.000 claims description 15
- 239000007924 injection Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 9
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于注塑产品质量分析的生产参数调节方法及系统,涉及人工智能领域,包括:采集第一产品的多维产品生产参数并作为第一输入信息;获得第一生产人员基础信息、第一产品生产设备运行参数;获得第三输入信息;获得第一参数调整结果;进行产品生产、质量检测,获得第二批次质量检测结果,比对获得第一质量比对结果;进行产品质量抽检,获得第二批次质量检测结果;分析良品率,获得第一良品率分析结果;进行雷达图突触分析,获得第一雷达图分析结果;获得第一优化指令,进行更新优化。解决现有产品质量品质稳定性、均匀性不高,对工艺参数的调控、优化准确性有待提升的技术问题。达到有效调控工艺参数,提高产品质量的技术效果。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于注塑产品质量分析的生产参数调节方法及系统。
背景技术
随着塑料产品广泛使用,人们对产品的质量及稳定性也越发关注,其中,高精密仪表及医疗器械等高端设备对产品的品质需求越发的严格。因此,增强注塑制品品质及其稳定性成为注塑领域的重要课题方向,注塑制品主要出现的缺陷包括收缩、气穴、浇痕等。
现有技术存在产品质量品质稳定性、均匀性不高,对工艺参数的调控、优化的准确性有待提升的技术问题。
发明内容
本申请通过提供了一种基于注塑产品质量分析的生产参数调节方法及系统,解决了现有技术存在产品质量品质稳定性、均匀性不高,对工艺参数的调控、优化的准确性有待提升的技术问题。达到了通过对注塑产品进行多维度参数采集,通过对多维度参数进行分析比较,从而得到利于品质提升的调节参数,从而有效调控工艺参数,并提高了产品品质质量的技术效果。
鉴于上述问题,本申请提供了一种基于注塑产品质量分析的生产参数调节方法及系统。
第一方面,本申请提供了一种基于注塑产品质量分析的生产参数调节方法,其中,所述方法包括:基于所述生产参数调节系统采集第一产品的多维产品生产参数,其中,所述多维产品生产参数包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数;获得第一生产人员基础信息、第一产品生产设备运行参数;将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息;将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息;获得第一批次质量检测结果,并将所述第一批次质量检测结果作为第三输入信息;将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;基于所述第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果。
另一方面,本申请提供了一种基于注塑产品质量分析的生产参数调节系统,其中,所述系统包括:第一采集单元,所述第一采集单元用于基于生产参数调节系统采集第一产品的多维产品生产参数,其中,所述多维产品生产参数包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数;第一获得单元,所述第一获得单元用于获得第一生产人员基础信息、第一产品生产设备运行参数;第一执行单元,所述第一执行单元用于将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息;第二执行单元,所述第二执行单元用于将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息;第三执行单元,所述第三执行单元用于获得第一批次质量检测结果,并将所述第一批次质量检测结果作为第三输入信息;第二获得单元,所述第二获得单元用于将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;第三获得单元,所述第三获得单元用于基于所述第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果。
第三方面,本申请提供了一种基于注塑产品质量分析的生产参数调节系统,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。
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:
由于采用了采集第一产品的多维产品生产参数并作为第一输入信息;获得第一生产人员基础信息、第一产品生产设备运行参数,并将其作为第二输入信息;基于第一批次质量检测结果,并获得第三输入信息;将第一输入信息、第二输入信息和第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;进行产品生产、质量检测,获得第二批次质量检测结果,对第二批次质量检测结果与第一批次质量检测结果进行比对,获得第一质量比对结果的技术方案,本申请通过提供了一种基于注塑产品质量分析的生产参数调节方法及系统,达到了通过对注塑产品进行多维度参数采集,通过对多维度参数进行分析比较,从而得到利于品质提升的调节参数,从而有效调控工艺参数,并提高了产品品质质量的技术效果。
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为本申请实施例一种基于注塑产品质量分析的生产参数调节方法的流程示意图;
图2为本申请实施例一种基于注塑产品质量分析的生产参数调节方法的获得第一输入信息的流程示意图;
图3为本申请实施例一种基于注塑产品质量分析的生产参数调节方法的获得第二输入信息的流程示意图;
图4为本申请实施例一种基于注塑产品质量分析的生产参数调节系统的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一采集单元11,第一获得单元12,第一执行单元13,第二执行单元14,第三执行单元15,第二获得单元16,第三获得单元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基于注塑产品质量分析的生产参数调节方法及系统,解决了现有技术存在产品质量品质稳定性、均匀性不高,对工艺参数的调控、优化的准确性有待提升的技术问题。达到了通过对注塑产品进行多维度参数采集,通过对多维度参数进行分析比较,从而得到利于品质提升的调节参数,从而有效调控工艺参数,并提高了产品品质质量的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
随着塑料产品广泛使用,人们对产品的质量及稳定性也越发关注,其中,高精密仪表及医疗器械等高端设备对产品的品质需求越发的严格,所以,增强零件的品质及其稳定性成为注塑领域的重要课题方向。注塑制品主要出现的缺陷包括收缩、气穴、浇痕等。制品质量受到各种各样的影响,主要归纳为四类:机械变量、原材料性能、注塑过程变量以及周围环境因素。由于影响因素的随机性大,因此,存在产品质量品质稳定性、均匀性不高,对工艺参数的调控、优化的准确性有待提升的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于注塑产品质量分析的生产参数调节方法,其中,所述方法包括:采集第一产品的多维产品生产参数并作为第一输入信息;获得第一生产人员基础信息、第一产品生产设备运行参数,并将其作为第二输入信息;基于第一批次质量检测结果,并获得第三输入信息;将第一输入信息、第二输入信息和第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;按照第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对第二批次质量检测结果与第一批次质量检测结果进行比对,获得第一质量比对结果。达到了通过对注塑产品进行多维度参数采集,通过对多维度参数进行分析比较,从而得到利于品质提升的调节参数,从而有效调控工艺参数,并提高了产品品质质量的技术效果。
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,本申请实施例提供了一种基于注塑产品质量分析的生产参数调节方法,其中,所述方法应用于一生产参数调节系统,所述方法包括:
步骤S100:基于所述生产参数调节系统采集第一产品的多维产品生产参数,其中,所述多维产品生产参数包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数;
步骤S200:获得第一生产人员基础信息、第一产品生产设备运行参数;
具体而言,由于注塑制品的质量受到多种因素的影响,且部分因素随机性大、可控性差,因此,存在产品质量品质稳定性、均匀性不高,对工艺参数的调控、优化的准确性有待提升的技术问题。因此,提出一种基于注塑产品质量分析的生产参数调节方法,该方法应用于所述生产参数调节系统,用于对生产过程中不适宜的参数进行数据采集、信息处理、参数调节等。
通过所述生产参数调节系统采集企业生产的第一产品的多维产品生产参数。所述第一产品为任一注塑产品,所述多维产品生产参数为多个维度的产品生产参数,包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数。外观参数、工程尺寸参数、性能强度参数和组件装配度参数均为对第一产品生产后的质量检查时的质检、抽检参数,包括各维度参数对应的大量质检、抽检数据。
进一步的,采集第一产品生产时的生产人员基础信息和生产设备运行参数,即所述第一生产人员基础信息、第一产品生产设备运行参数,生产人员的操作经验和设备运行状况、运行参数等信息对于产品质量的影响是最为直接的,直接影响到第一产品生产参数,依次采集多维产品生产参数、生产人员信息能够为产品质量把控、生产参数调节提供数据支撑。
步骤S300:将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息;
进一步的,如图2所示,所述将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息,本申请实施例步骤S300还包括:
步骤S310:根据所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数获得第一参数数据集;
步骤S320:对所述第一参数数据集进行去中心化处理,获得第二参数数据集;
步骤S330:获得所述第二参数数据集的第一协方差矩阵;
步骤S340:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S350:将所述第一参数数据集投影到所述第一特征向量,获得第一降维数据集,并将所述第一降维数据集作为所述第一输入信息。
具体而言,为了对第一产品的生产参数进行调节,将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数,进行预处理后,作为所述第一输入信息。具体的,预处理通过主成分分析法对所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数进行参数降维。
具体的,对获得的外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数的数据进行归一化处理,并构建特征数据集矩阵,获得所述第一参数数据集。继而对所述第一参数数据集中的各特征数据进行中心化处理,首先,求解所述第一参数数据集中各数据的平均值,然后对于所有的样本,每一个数据都减去自身的均值,继而获得新的特征值,由新的数据集构成所述第二参数数据集,所述第二参数数据集为一数据矩阵。通过协方差公式对所述第二参数数据集进行运算,获得所述第二参数数据集的第一协方差矩阵,继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前N个特征值及其对应的特征向量,并将所述第一参数数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的所述第一降维数据集,并将所述第一降维数据集作为所述第一输入信息。
通过主成分分析法对数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。
步骤S400:将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息;
进一步的,如图3所示,所述将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息,本申请实施例步骤S400还包括:
步骤S410:基于所述第一生产人员基础信息,获得第一生产人员的生产时长信息和生产熟练度信息;
步骤S420:基于所述第一产品生产设备运行参数,对第一产品生产设备进行异常作业检测,获得第一设备异常检测结果;
步骤S430:基于所述生产时长信息、所述生产熟练度信息和所述第一设备异常检测结果,对所述第一生产人员基础信息和所述第一产品生产设备运行参数进行权重分配,获得第一权重分配结果;
步骤S440:基于所述第一生产人员基础信息、所述第一产品生产设备运行参数和所述第一权重分配结果,获得所述第二输入信息。
具体而言,采集到所述第一生产人员基础信息和所述第一产品生产设备运行参数后,将二者作为第二输入信息,进一步对两个数据信息的权重进行细化。具体的,根据所述第一生产人员基础信息对第一生产人员的生产经验进行分析,采集的基础信息包含第一生产人员的生产时长信息和生产熟练度信息。其中,生产时长为第一生产人员在这个岗位的总生产时间信息,生产熟练度为第一生产人员的生产技能信息,可通过生产操作技能评估等手段获得。
进一步,对第一产品生产设备运行参数进行异常作业检测,通过实际作业参数与生产中的预设参数的比对,进行异常检测。若实际参数与预设参数不服,则说明设备异常,反之则正常,从而获得所述第一设备异常检测结果。所述第一设备异常检测结果包括具体实际参数与预设参数的差值信息。
按照实际生产过程中的生产时长信息、生产熟练度信息和第一设备异常检测结果,对第二输入信息中的第一生产人员基础信息、第一产品生产设备运行参数进行权重分配,按照两者实际的影响程度进行权重分配。示例性的:若第一生产人员的生产熟练程度较差,而设备运行参数良好,则为第一生产人员基础信息赋予较高权重,若第一生产人员的生产熟练程度较好,生产时长长,而设备运行参数较差,则为第一餐品生产设备运行参数赋予较高权重。
进一步的,根据所述第一生产人员基础信息、所述第一产品生产设备运行参数和所述第一权重分配结果,作为所述第二输入信息,即将所述第一生产人员基础信息和所述第一产品生产设备运行参数按照所述第一权重分配结果进行权重分配后,作为所述第二输入信息。
步骤S500:获得第一批次质量检测结果,并将所述第一批次质量检测结果作为第三输入信息;
步骤S600:将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;
具体而言,所述第一批次质量检测结果为生产第一产品的第一批次的质量检测结果,可包括质量检测单据、图像等资料信息。将质量检测结果进行数字化处理后,作为第三输入信息。所述第一生产参数调节模型为通过历史数据训练神经网络模型至收敛而获得的模型。神经网络模型,反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统,第一生产参数调节模型能够根据训练数据集进行不断的自我训练学习,不断地自我的修正,当达到预定的准确率/收敛状态时,则监督学习过程结束。进一步的将所述第一输入信息、所述第二输入信息、所述第三输入信息输入所述第一生产参数调节模型,所述第一生产参数调节模型可根据输入信息进行参数调节分析,获得所述第一参数调整结果。
步骤S700:基于所述第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果。
进一步的,所述对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果,本申请实施例步骤S700还包括:
步骤S710:基于所述第二批次质量检测结果,获得首件质量检测结果;
步骤S720:将所述首件质量检测结果与所述第一批次质量检测结果进行比对,获得第一比对结果;
步骤S730:基于所述第二批次质量检测结果,进行质量稳定性分析,获得第一分析结果;
步骤S740:对所述第一比对结果和所述第一分析结果进行权重分配,获得第二权重分配结果;
步骤S750:根据所述第一比对结果、所述第一分析结果和所述第二权重分配结果获得所述第一质量比对结果。
具体而言,根据第一生产参数调节模型获得所述第一参数调整结果后,按照所述第一参数调整结果进行生产,并对生产出来的产品进行质量检测。按照第一参数调整结果进行生产、质量检测后,得到的质量检测结果即为所述第二批次质量检测结果。将再次生产的第一件产品的质量检验结果称为所述首件质量检测结果。
由于进行参数调整后的首件产品能够极大的反映出参数调整的准确程度,因此需要将首件质量检测结果进行重点分析。因此,将检验得到的所述首件质量检测结果与所述第一批次质量检测结果进行各项检验标准的比对后,获得所述第一比对结果,并将所述第一比对结果存储以备后续调用。
进一步的,对检测得到的第二批次质量检测结果进行质量稳定性分析,通过对连续产品质量检测结果进行稳定性分析,分析产品间质量波动情况,将每一质量与标准质量的差值进行分析后,对所有误差进行比较,得到所述第一分析结果。
为了更加准确的描述第二批次质量检测结果,将所述第一比对结果和所述第一分析结果进行权重分配,得到所述第二权重分配结果,即按照首件质量检测结果和质量稳定性分析结果的具体影响程度,进行权重分配。并将所述第一比对结果、所述第一分析结果按照所述第二权重分配结果进行加权计算,获得所述第一质量比对结果。达到了对调整参数后的产品质量精准分析,全面把握参数调节后的质量情况,从而根据第一质量比对结果对参数调节效果进行评价。
进一步的,本申请实施例还包括:
步骤S800:基于所述第一参数调整结果进行产品生产后,对所述第一产品的多个环节进行产品质量抽检,获得第二批次质量检测结果;
步骤S900:将所述第二批次质量检测结果进行良品率分析,获得第一良品率分析结果;
步骤S1000:对所述第一参数调整结果进行雷达图突触分析,获得第一雷达图分析结果;
步骤S1100:根据所述第一良品率分析结果、所述第一雷达图分析结果,获得第一优化指令,基于所述第一优化指令进行所述第一生产参数调节模型的更新优化。
具体而言,在所述第一参数调整结果进行产品生产、质量检测,质量检测包括对多个环节进行产品质量抽检,如对机台作业环节、包装环节、装配环节等等。进行质量抽检后,将抽检获得的数字化的产品质量检测结果进行产品良品率分析。即将产品按照质量标准进行良品占比的分析,得到所述第一良品率分析结果。
另外,将所述第一参数调整结果和调整前的参数进行雷达图突触分析,即将调整前参数和调整后参数均绘制于雷达图之上,对调整后参数的调整变化情况进行重点分析,得到所述第一雷达图分析结果。根据第一良品率分析结构和第一雷达图分析结果进行综合分析,判断是否需要对第一生产参数调节模型进行优化,示例性的如:参数调整幅度过大,或良品率较低则说明参数调整不当,则需要进行优化。若需要进行模型更新优化,则获得第一优化指令用于对所述第一生产参数调节模型进行更新优化。
达到了通过产品质量对参数调节结果进行负反馈优化,通过产品良品率分析结果,和参数调整结果的综合分析,生成第一优化指令,从而为提高模型准确率、模型适应性奠定基础。
进一步的,所述基于所述第一优化指令进行所述第一生产参数调节模型的更新优化,本申请实施例步骤S1100包括:
步骤S1110:获得第一优化指令后,将所述第二批次质量检测结果进行划分,获得正样本集合和负样本集合;
步骤S1120:基于所述正样本集合和所述负样本集合,确定生产调节参数集合;
步骤S1130:将所述生产调节参数集合作为更新数据,对所述第一生产参数调节模型进行增量学习,获得第一生产参数调节优化模型。
进一步的,所述将所述生产调节参数集合作为更新数据,对所述第一生产参数调节模型进行增量学习,获得第一生产参数调节优化模型,本申请实施例步骤S1130还包括:
步骤S1131:将所述生产调节参数集合划分为k个相等的子集,获得k个训练子集;
步骤S1132:依次遍历所述k个训练子集,对所述第一生产参数调节模型进行训练和评估,获得k个输出参数结果;
步骤S1133:基于所述k个输出参数结果进行均值计算,获得第二参数调整结果;
步骤S1134:对所述第二参数调整结果进行数据损失分析,获得第一损失数据;
步骤S1135:将所述第一损失数据输入所述第一生产参数调节模型中进行训练,获得所述第一生产参数调节优化模型。
具体而言,获得第一优化指令后,按照良品和劣品对所述第二批次质量检测结果进行划分,将良品作为正样本集合,将劣品作为负样本集合。根据所述正样本集合和所述负样本集合确定具体的生产调节参数集合。此处的正样本集合和负样本集合对应的生产调节参数会存在一定差异,这是因为设定的参数与实际工作中的参数可能会因为机器因素、人为因素而产生一定的差异。
将所述生产调节参数集合作为更新数据,将所述生产调节参数集合划分为k个相等的子集,获得k个训练子集,k优选为10。依次遍历这k个子集,每次把当前子集作为验证集,其余所有样本作为训练集,进行第一生产参数调节模型的训练。第一生产参数调节模型输出k次数据,将k个输出参数进行参数数值的均值计算后,将均值作为所述第二参数调整结果。对所述第二参数调整结果进行数据损失分析,获得所述第一损失数据,第一损失数据为第二参数调整结果与第一参数调整结果进行损失分析获得的。再基于所述第一损失数据完成对所述第一生产参数调节模型的增量学习,其中,增量学习是指一个学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。随着数据库以及互联网技术的快速发展和广泛应用,社会各部门积累了大量数据。进一步的,所述第一生产参数调节模型是多个神经元相互连接组成构成神经网络获得的,因此,通过损失数据的训练使得所述第一生产参数调节优化模型保留了所述第一生产参数调节模型的基本功能,并维持模型不断更新的性能,从而提高了业务评估准确性,保证更新业务能力评估准确性的技术效果。
综上所述,本申请实施例所提供的一种基于注塑产品质量分析的生产参数调节方法及系统具有如下技术效果:
1、由于采用了采集第一产品的多维产品生产参数并作为第一输入信息;获得第一生产人员基础信息、第一产品生产设备运行参数,并将其作为第二输入信息;基于第一批次质量检测结果,并获得第三输入信息;将第一输入信息、第二输入信息和第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;按照第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对第二批次质量检测结果与第一批次质量检测结果进行比对,获得第一质量比对结果的技术方案,本申请实施例通过提供了一种基于注塑产品质量分析的生产参数调节方法及系统,达到了通过对注塑产品进行多维度参数采集,通过对多维度参数进行分析比较,从而得到利于品质提升的调节参数,从而有效调控工艺参数,并提高了产品品质质量的技术效果。
2、通过损失数据的训练使得所述第一生产参数调节优化模型保留了所述第一生产参数调节模型的基本功能,并维持模型不断更新的性能,从而提高了业务评估准确性,保证更新业务能力评估准确性的技术效果。
实施例二
基于与前述实施例中一种基于注塑产品质量分析的生产参数调节方法相同的发明构思,如图4所示,本申请实施例提供了一种基于注塑产品质量分析的生产参数调节系统,其中,所述系统包括:
第一采集单元11,所述第一采集单元11用于基于生产参数调节系统采集第一产品的多维产品生产参数,其中,所述多维产品生产参数包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数;
第一获得单元12,所述第一获得单元12用于获得第一生产人员基础信息、第一产品生产设备运行参数;
第一执行单元13,所述第一执行单元13用于将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息;
第二执行单元14,所述第二执行单元14用于将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息;
第三执行单元15,所述第三执行单元15用于获得第一批次质量检测结果,并将所述第一批次质量检测结果作为第三输入信息;
第二获得单元16,所述第二获得单元16用于将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;
第三获得单元17,所述第三获得单元17用于基于所述第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果。
进一步的,所述系统包括:
第四获得单元18,所述第四获得单元18用于根据所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数获得第一参数数据集;
第五获得单元19,所述第五获得单元19用于对所述第一参数数据集进行去中心化处理,获得第二参数数据集;
第六获得单元20,所述第六获得单元20用于获得所述第二参数数据集的第一协方差矩阵;
第七获得单元21,所述第七获得单元21用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
第四执行单元,所述第四执行单元用于将所述第一参数数据集投影到所述第一特征向量,获得第一降维数据集,并将所述第一降维数据集作为所述第一输入信息。
进一步的,所述系统包括:
第八获得单元,所述第八获得单元用于基于所述第一生产人员基础信息,获得第一生产人员的生产时长信息和生产熟练度信息;
第九获得单元,所述第九获得单元用于基于所述第一产品生产设备运行参数,对第一产品生产设备进行异常作业检测,获得第一设备异常检测结果;
第十获得单元,所述第十获得单元用于基于所述生产时长信息、所述生产熟练度信息和所述第一设备异常检测结果,对所述第一生产人员基础信息和所述第一产品生产设备运行参数进行权重分配,获得第一权重分配结果;
第十一获得单元,所述第十一获得单元用于基于所述第一生产人员基础信息、所述第一产品生产设备运行参数和所述第一权重分配结果,获得所述第二输入信息。
进一步的,所述系统包括:
第十二获得单元,所述第十二获得单元用于基于所述第二批次质量检测结果,获得首件质量检测结果;
第十三获得单元,所述第十三获得单元用于将所述首件质量检测结果与所述第一批次质量检测结果进行比对,获得第一比对结果;
第十四获得单元,所述第十四获得单元用于基于所述第二批次质量检测结果,进行质量稳定性分析,获得第一分析结果;
第十五获得单元,所述第十五获得单元用于对所述第一比对结果和所述第一分析结果进行权重分配,获得第二权重分配结果;
第五执行单元,所述第五执行单元用于根据所述第一比对结果、所述第一分析结果和所述第二权重分配结果获得所述第一质量比对结果。
进一步的,所述系统包括:
第十六获得单元,所述第十六获得单元用于基于所述第一参数调整结果进行产品生产后,对所述第一产品的多个环节进行产品质量抽检,获得第二批次质量检测结果;
第十七获得单元,所述第十七获得单元用于将所述第二批次质量检测结果进行良品率分析,获得第一良品率分析结果;
第十八获得单元,所述第十八获得单元用于对所述第一参数调整结果进行雷达图突触分析,获得第一雷达图分析结果;
第十九获得单元,所述第十九获得单元用于根据所述第一良品率分析结果、所述第一雷达图分析结果,获得第一优化指令,基于所述第一优化指令进行所述第一生产参数调节模型的更新优化。
进一步的,所述系统包括:
第二十获得单元,所述第二十获得单元用于获得第一优化指令后,将所述第二批次质量检测结果进行划分,获得正样本集合和负样本集合;
第六执行单元,所述第六执行单元用于基于所述正样本集合和所述负样本集合,确定生产调节参数集合;
第二十一获得单元,所述第二十一获得单元用于将所述生产调节参数集合作为更新数据,对所述第一生产参数调节模型进行增量学习,获得第一生产参数调节优化模型。
进一步的,所述系统包括:
第二十二获得单元,所述第二十二获得单元用于将所述生产调节参数集合划分为k个相等的子集,获得k个训练子集;
第二十三获得单元,所述第二十三获得单元用于依次遍历所述k个训练子集,对所述第一生产参数调节模型进行训练和评估,获得k个输出参数结果;
第二十四获得单元,所述第二十四获得单元用于基于所述k个输出参数结果进行均值计算,获得第二参数调整结果;
第二十五获得单元,所述第二十五获得单元用于对所述第二参数调整结果进行数据损失分析,获得第一损失数据;
第二十六获得单元,所述第二十六获得单元用于将所述第一损失数据输入所述第一生产参数调节模型中进行训练,获得所述第一生产参数调节优化模型。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。基于与前述实施例中一种基于注塑产品质量分析的生产参数调节方法相同的发明构思,本申请实施例还提供了一种基于注塑产品质量分析的生产参数调节系统,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,使得系统以执行实施例一所述方法的步骤。
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5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系统,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(compactdisc read-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基于注塑产品质量分析的生产参数调节方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于注塑产品质量分析的生产参数调节方法,其中,所述方法包括:采集第一产品的多维产品生产参数并作为第一输入信息;获得第一生产人员基础信息、第一产品生产设备运行参数,并将其作为第二输入信息;基于第一批次质量检测结果,并获得第三输入信息;将第一输入信息、第二输入信息和第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;按照第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对第二批次质量检测结果与第一批次质量检测结果进行比对,获得第一质量比对结果。
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实施例的范围,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实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。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(Solid State Disk,SSD))等。
本申请实施例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)或其它可编程逻辑系统,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系统的组合来实现,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。
本申请实施例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。
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本申请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,倘若这些修改和变型属于本申请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 (8)
1.一种基于注塑产品质量分析的生产参数调节方法,其特征在于,所述方法应用于一生产参数调节系统,所述方法包括:
基于所述生产参数调节系统采集第一产品的多维产品生产参数,其中,所述多维产品生产参数包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数;
获得第一生产人员基础信息、第一产品生产设备运行参数;
将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息;
将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息;
获得第一批次质量检测结果,并将所述第一批次质量检测结果作为第三输入信息;
将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;
基于所述第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果;
基于所述第一参数调整结果进行产品生产后,对所述第一产品的多个环节进行产品质量抽检,获得第二批次质量检测结果;
将所述第二批次质量检测结果进行良品率分析,获得第一良品率分析结果;
对所述第一参数调整结果进行雷达图突触分析,获得第一雷达图分析结果;
根据所述第一良品率分析结果、所述第一雷达图分析结果,获得第一优化指令,基于所述第一优化指令进行所述第一生产参数调节模型的更新优化。
2.如权利要求1所述的方法,其特征在于,所述将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息,所述方法包括:
根据所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数获得第一参数数据集;
对所述第一参数数据集进行去中心化处理,获得第二参数数据集;
获得所述第二参数数据集的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一参数数据集投影到所述第一特征向量,获得第一降维数据集,并将所述第一降维数据集作为所述第一输入信息。
3.如权利要求1所述的方法,其特征在于,所述将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息,所述方法包括:
基于所述第一生产人员基础信息,获得第一生产人员的生产时长信息和生产熟练度信息;
基于所述第一产品生产设备运行参数,对第一产品生产设备进行异常作业检测,获得第一设备异常检测结果;
基于所述生产时长信息、所述生产熟练度信息和所述第一设备异常检测结果,对所述第一生产人员基础信息和所述第一产品生产设备运行参数进行权重分配,获得第一权重分配结果;
基于所述第一生产人员基础信息、所述第一产品生产设备运行参数和所述第一权重分配结果,获得所述第二输入信息。
4.如权利要求1所述的方法,其特征在于,所述对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果,所述方法包括:
基于所述第二批次质量检测结果,获得首件质量检测结果;
将所述首件质量检测结果与所述第一批次质量检测结果进行比对,获得第一比对结果;
基于所述第二批次质量检测结果,进行质量稳定性分析,获得第一分析结果;
对所述第一比对结果和所述第一分析结果进行权重分配,获得第二权重分配结果;
根据所述第一比对结果、所述第一分析结果和所述第二权重分配结果获得所述第一质量比对结果。
5.如权利要求1所述的方法,其特征在于,所述基于所述第一优化指令进行所述第一生产参数调节模型的更新优化,所述方法包括:
获得第一优化指令后,将所述第二批次质量检测结果进行划分,获得正样本集合和负样本集合;
基于所述正样本集合和所述负样本集合,确定生产调节参数集合;
将所述生产调节参数集合作为更新数据,对所述第一生产参数调节模型进行增量学习,获得第一生产参数调节优化模型。
6.如权利要求5所述的方法,其特征在于,所述将所述生产调节参数集合作为更新数据,对所述第一生产参数调节模型进行增量学习,获得第一生产参数调节优化模型,所述方法包括:
将所述生产调节参数集合划分为k个相等的子集,获得k个训练子集;
依次遍历所述k个训练子集,对所述第一生产参数调节模型进行训练和评估,获得k个输出参数结果;
基于所述k个输出参数结果进行均值计算,获得第二参数调整结果;
对所述第二参数调整结果进行数据损失分析,获得第一损失数据;
将所述第一损失数据输入所述第一生产参数调节模型中进行训练,获得所述第一生产参数调节优化模型。
7.一种基于注塑产品质量分析的生产参数调节系统,其特征在于,所述系统包括:
第一采集单元,所述第一采集单元用于基于生产参数调节系统采集第一产品的多维产品生产参数,其中,所述多维产品生产参数包括外观参数、工程尺寸参数、性能强度参数和组件装配度参数;
第一获得单元,所述第一获得单元用于获得第一生产人员基础信息、第一产品生产设备运行参数;
第一执行单元,所述第一执行单元用于将所述外观参数、所述工程尺寸参数、所述性能强度参数和所述组件装配参数作为第一输入信息;
第二执行单元,所述第二执行单元用于将所述第一生产人员基础信息和所述第一产品生产设备运行参数作为第二输入信息;
第三执行单元,所述第三执行单元用于获得第一批次质量检测结果,并将所述第一批次质量检测结果作为第三输入信息;
第二获得单元,所述第二获得单元用于将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一生产参数调节模型,获得第一参数调整结果;
第三获得单元,所述第三获得单元用于基于所述第一参数调整结果进行产品生产、质量检测,获得第二批次质量检测结果,对所述第二批次质量检测结果与所述第一批次质量检测结果进行比对,获得第一质量比对结果;
第四获得单元,所述第四获得单元用于基于所述第一参数调整结果进行产品生产后,对所述第一产品的多个环节进行产品质量抽检,获得第二批次质量检测结果;
第五获得单元,所述第五获得单元用于将所述第二批次质量检测结果进行良品率分析,获得第一良品率分析结果;
第六获得单元,所述第六获得单元用于对所述第一参数调整结果进行雷达图突触分析,获得第一雷达图分析结果;
第七获得单元,所述第七获得单元根据所述第一良品率分析结果、所述第一雷达图分析结果,获得第一优化指令,基于所述第一优化指令进行所述第一生产参数调节模型的更新优化。
8.一种基于注塑产品质量分析的生产参数调节系统,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,其特征在于,使系统以执行如权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839364.3A CN114997528B (zh) | 2022-07-18 | 2022-07-18 | 一种基于注塑产品质量分析的生产参数调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839364.3A CN114997528B (zh) | 2022-07-18 | 2022-07-18 | 一种基于注塑产品质量分析的生产参数调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997528A CN114997528A (zh) | 2022-09-02 |
CN114997528B true CN114997528B (zh) | 2022-10-28 |
Family
ID=83021020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839364.3A Active CN114997528B (zh) | 2022-07-18 | 2022-07-18 | 一种基于注塑产品质量分析的生产参数调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997528B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456459B (zh) * | 2022-09-30 | 2023-05-05 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片加工工艺方法及系统 |
CN116842768B (zh) * | 2023-09-01 | 2023-11-28 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
CN116934055B (zh) * | 2023-09-14 | 2024-01-09 | 山东中成包装科技有限公司 | 一种基于大数据的化工包装桶生产调节方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756175B1 (en) * | 2012-02-22 | 2014-06-17 | Google Inc. | Robust and fast model fitting by adaptive sampling |
CN113537751A (zh) * | 2021-07-09 | 2021-10-22 | 联通(浙江)产业互联网有限公司 | 影响磨加工产品质量要素的确定方法和装置 |
CN114119561A (zh) * | 2021-11-29 | 2022-03-01 | 扬州三星塑胶有限公司 | 一种pet成品包装质量检测方法及系统 |
CN114706358A (zh) * | 2022-06-02 | 2022-07-05 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的焊接工艺信息处理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334957A (zh) * | 2019-07-09 | 2019-10-15 | 长沙格力暖通制冷设备有限公司 | 生产工艺质量信息化管理方法、系统、设备及存储介质 |
CN114417954B (zh) * | 2021-12-01 | 2023-12-26 | 江苏权正检验检测有限公司 | 一种提升食品检测效果的信息处理方法及系统 |
-
2022
- 2022-07-18 CN CN202210839364.3A patent/CN114997528B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756175B1 (en) * | 2012-02-22 | 2014-06-17 | Google Inc. | Robust and fast model fitting by adaptive sampling |
CN113537751A (zh) * | 2021-07-09 | 2021-10-22 | 联通(浙江)产业互联网有限公司 | 影响磨加工产品质量要素的确定方法和装置 |
CN114119561A (zh) * | 2021-11-29 | 2022-03-01 | 扬州三星塑胶有限公司 | 一种pet成品包装质量检测方法及系统 |
CN114706358A (zh) * | 2022-06-02 | 2022-07-05 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的焊接工艺信息处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114997528A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114997528B (zh) | 一种基于注塑产品质量分析的生产参数调节方法及系统 | |
US11403535B2 (en) | Model-based machine learning system | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
JP2002525757A (ja) | 統計的プロセス管理のための多次元的方法及びシステム | |
CN114819636B (zh) | 一种基于spc检测的工业生产数据处理方法及系统 | |
CN114840375B (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
CN111482467A (zh) | 一种轧机参数管理方法 | |
CN111861552A (zh) | 一种基于shd-elm的农产品价格预测方法 | |
Diering et al. | New method for assessment of raters agreement based on fuzzy similarity | |
CN114239396A (zh) | 一种风机齿轮箱状态预测方法及系统 | |
WO2019204072A1 (en) | Model interpretation | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
Huang et al. | Outlier detection method based on improved two-step clustering algorithm and synthetic hypothesis testing | |
CN113205274A (zh) | 一种施工质量定量化排名方法 | |
CN112275439A (zh) | 水泥生料立磨压差软测量建模方法、存储介质及系统 | |
CN110991847A (zh) | 一种电能表批次管理方法、装置及可读存储介质 | |
CN116401570B (zh) | 一种印刷质量监测大数据智能处理系统 | |
Liu et al. | Hidden Markov Linear Regression Model and Its Parameter Estimation | |
LU504745B1 (en) | Supply chain quality optimization method and system based on gradient descent | |
CN111079574B (zh) | 一种训练神经网络的方法及系统 | |
Wu et al. | An Algorithm for Establishing A Model of Optimal Cotton Blending | |
CN118195224A (zh) | 电力物资需求预测方法、装置、终端及存储介质 | |
CN115270916A (zh) | 一种基于深度置信网络的供电服务工单异常识别方法 | |
Paim et al. | Adaptive Linear Regression for Data Stream | |
CN114493477A (zh) | 一种基于bim的建筑成本多维度统计方法及系统 |
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 |