CN115100600A - 一种电池包的产线智能检测方法及系统 - Google Patents
一种电池包的产线智能检测方法及系统 Download PDFInfo
- Publication number
- CN115100600A CN115100600A CN202210768140.8A CN202210768140A CN115100600A CN 115100600 A CN115100600 A CN 115100600A CN 202210768140 A CN202210768140 A CN 202210768140A CN 115100600 A CN115100600 A CN 115100600A
- Authority
- CN
- China
- Prior art keywords
- parameter
- production line
- result
- obtaining
- information
- 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 231
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000011056 performance test Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 81
- 230000007547 defect Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract description 20
- 229910052744 lithium Inorganic materials 0.000 abstract description 20
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000037303 wrinkles Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池包的产线智能检测方法及系统，获得第一产线的基础信息，根据基础信息获得标识参数，获得第一时间监测参数；获得产线工位时间分布结果；根据标识参数获得第一图像采集集合，获得第一图像采集参数，根据第一时间监测参数和产线工位时间分布结果获得第一测试参数，根据第一测试参数和第一图像采集参数获得第一异常信息；根据标识参数获得第一抽样电池包的性能测试参数，根据性能测试参数获得第二异常信息；根据第一异常信息和第二异常信息进行第一产线的异常预警。解决了现有技术在进行产线生产锂电池的过程中，存在不能很好地结合产线锂电池的生产参数变化，进行产线问题分析，进而准确进行产线预警的技术问题。
Description
技术领域
本发明涉及电池包智能生产相关领域，尤其涉及一种电池包的产线智能检测方法及系统。
背景技术
锂电池因为能量密度高、环保、寿命长等优势，是动力工具、数码行业的重要能源，因此锂电池产业市场潜力巨大。在进行锂电池生产的过程中，从锂电池单体电芯到自动化模组再到PACK生产线的整个过程中，组装线的自动化程度是决定产品质量与生产效率的重要因素，如何在锂电池生产的过程中进行自动化的检测预警是保障锂电池生产效率、生产质量的重点因素。
但在实现本申请中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术在进行产线生产锂电池的过程中，存在不能很好地结合产线锂电池的生产参数变化，进行产线问题分析，进而准确进行产线预警的技术问题。
发明内容
本申请通过提供一种电池包的产线智能检测方法及系统，解决了现有技术在进行产线生产锂电池的过程中，存在不能很好地结合产线锂电池的生产参数变化，进行产线问题分析，进而准确进行产线预警的技术问题，达到结合产线的样本参数，进行产线的状态评估，进而及时发现产线的生产异常，进行准确的产线预警的技术效果。
鉴于上述问题，提出了本申请提供一种电池包的产线智能检测方法及系统。
第一方面，本申请提供了一种电池包的产线智能检测方法，所述方法应用于产线智能检测系统，所述系统与图像采集装置通信连接，所述方法包括：获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
另一方面，本申请还提供了一种电池包的产线智能检测系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；第二获得单元，所述第二获得单元用于根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；第三获得单元，所述第三获得单元用于根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过图像采集装置采集的图像；第四获得单元，所述第四获得单元用于根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；第五获得单元，所述第五获得单元用于根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；第一预警单元，所述第一预警单元用于根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
第三方面，本发明提供了一种电子设备，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，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：
由于采用了获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。通过对产线信息的采集，分析产线的样本参数，进行产线的状态评估，进而及时发现产线的生产异常，进行准确的产线预警的技术效果。
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为本申请一种电池包的产线智能检测方法的流程示意图；
图2为本申请一种电池包的产线智能检测方法的获得所述第一图像采集参数的流程示意图；
图3为本申请一种电池包的产线智能检测方法的获得所述极耳的第二评估参数的流程示意图；
图4为本申请一种电池包的产线智能检测方法的获得所述极耳的第二评估参数的进一步细化的流程示意图；
图5为本申请一种电池包的产线智能检测系统的结构示意图；
图6为本申请一种电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第一预警单元16，电子设备50，处理器51，存储器52，输入装置53，输出装置54。
具体实施方式
本申请通过提供一种电池包的产线智能检测方法及系统，解决了现有技术在进行产线生产锂电池的过程中，存在不能很好地结合产线锂电池的生产参数变化，进行产线问题分析，进而准确进行产线预警的技术问题，达到结合产线的样本参数，进行产线的状态评估，进而及时发现产线的生产异常，进行准确的产线预警的技术效果。下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请提供的技术方案对于类似的技术问题，同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
申请概述
目前动力电池生产企业虽然生产自动化水平有显著提高，但如何在锂电池生产的过程中进行自动化的检测预警是保障锂电池生产效率、生产质量的重点因素。现有技术在进行产线生产锂电池的过程中，存在不能很好地结合产线锂电池的生产参数变化，进行产线问题分析，进而准确进行产线预警的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供了一种电池包的产线智能检测方法，所述方法应用于产线智能检测系统，所述系统与图像采集装置通信连接，所述方法包括：获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
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，本申请提供了一种电池包的产线智能检测方法，所述方法应用于产线智能检测系统，所述系统与图像采集装置通信连接，所述方法包括：
步骤S100：获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；
步骤S200：根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；
具体而言，所述产线智能检测系统为可进行产线的自动化检测和预警的系统，它与产线的管理平台通信连接，可进行相互的信息交互，所述图像采集装置为安装在产线上的，可进行图像采集的设备，一般为CCD相机或者其它高清摄像头，且所述图像采集装置与所述产线智能检测系统通信连接。所述第一产线为进行智能监测的目标产线，且为生产电池包的PACK生产线，所述第一产线具有多个工位，包括极耳处理、电芯处理、内阻检测、包装、测试等，所述第一产线的基础信息包括工位数量、工位的工艺参数、第一产线的生产任务等信息，所述第一抽样电池包为抽样选择的电池包，在进行产线分析的过程中，是依据从产线抽样的电池包产品的数据作为评定基础的，且抽样的数量和频率可自行设定。对所述第一产线进行第一抽样，获得所述第一抽样电池包，对所述第一电池包的各个零件的零件标识进行读取，根据唯一标识的零件标识码，获得所述第一电池包在各个工序进行组装的过程中的时间参数，即所述第一时间监测参数。根据所述基础信息进行所述第一产线的工位时间分配，所述工位时间分配结果为标定情况下，进行电池包生产的预定工序的时间分布结果。通过所述第一抽样电池包的标识参数获取，根据标识参数进行产线的生产时间调用，进而为后续进行准确的产线检测提供了数据支持。
步骤S300：根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；
步骤S400：根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；
具体而言，根据所述标识参数，进行所述第一电池包生产工位中，需要进行图像检测工位确定，根据工位确定结果和所述标识参数对应的工位零件参数，进行图像调用。所述工位包括极耳工位和电芯工位。所述图像采集装置布设在极耳工位和电芯工位上，且与进行极耳和电芯检测的图像采集装置不为同一装置。通过所述图像采集装置进行极耳和电芯零件的图像采集，并根据极耳和电芯的唯一标识信息进行存储。当确定第一采样电池包后，根据所述第一电池包的标识参数进行对应的图像信息的调用，根据调用的图像进行异常检测，包括极耳的褶皱、破损、异常折弯、缺失，电芯的外观检测等，根据异常检测结果获得所述第一图像采集参数；
进一步的，根据所述第一时间监测参数和所述产线工位时间分布结果，确定所述第一采样电池包在进行产线生产过程中，各个工位的用时时间是否与预定产线标定时间一致，根据一致性的评估结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息。通过对图像、产线时间匹配评估，获得第一异常信息，为后续进行产线是否在生产正常提供了支持数据，进而为后续进行准确的产线评估夯实了基础。
步骤S500：根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；
步骤S600：根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
具体而言，所述性能测试参数为在电池包包装完成后，进行内阻/电压测试获得的参数，通过所述产线智能检测系统进行测试信息读取，根据读取结果进行所述第一采样电池包的信息调用，根据调用结果获得所述性能测试参数，根据性能测试参数的表现信息获得所述第二异常信息，基于所述第一异常信息和所述第二异常信息的异常度和异常的参数，生成所述第一产线的预警信息，基于所述预警信息进行所述第一产线的生产预警。通过对产线信息的采集，分析产线的样本参数，进行产线的状态评估，进而及时发现产线的生产异常，进行准确的产线预警的技术效果。
进一步而言，如图2所示，本申请步骤S300还包括：
步骤S310：根据所述标识参数进行电芯的外观图像调用，获得第一图像；
步骤S320：根据所述第一图像进行所述电芯的外观评估，获得第一评估参数；
步骤S330：通过所述标识参数进行极耳的图像调用，获得第二图像；
步骤S340：根据所述第二图像获得所述极耳的第二评估参数；
步骤S350：根据所述第一评估参数和所述第二评估参数获得所述第一图像采集参数。
具体而言，根据采集的电芯外观图像集合，基于所述标识参数进行所述第一样品电池包的外观图像调用，根据调用结果获得所述第一图像。获得电芯的外观检测的标准，根据外观检测的标准进行所述第一图像的图像评估，根据图像的评估结果获得所述第一评估参数；通过所述图像采集装置进行极耳的图像采集，基于所述标识结果进行极耳的图像调用，基于极耳的图像的调用结果进行图像缺陷评估，没货的所述第二评估参数，通过所述第一评估参数和所述第二评估参数获得所述第一图像采集参数。
进一步来说，所述第一评估参数和所述第二评估参数的获得过程为通过异常检测模型进行评估获得的过程，即针对电芯和极耳分别进行异常检测模型的构建，以标识缺陷类型、缺陷程度的标识信息作为监督数据，以缺陷图像作为输入数据，完成模型的构建，将所述第一图像和所述第二图像分别输入对应的模型中，获得所述第一评估参数和所述第二评估参数。
进一步而言，如图3所示，根据所述第二图像获得所述极耳的第二评估参数，本申请步骤S340还包括：
步骤S341：获得极耳的缺陷特征图像集合；
步骤S342：对所述缺陷特征图像集合进行特征种类及缺陷度的标识，获得第一标识结果；
步骤S343：基于所述第一标识结果和所述缺陷特征图像集合构建极耳异常特征检测模型；
步骤S344：将所述第二图像输入所述极耳异常特征检测模型，获得所述第二评估参数。
具体而言，所述极耳的缺陷特征包括极耳褶皱、极耳破损、极耳缺失、极耳的异常弯折，基于上述缺陷特征构成极耳的缺陷特征集合，并且，根据各个缺陷特征的特征影响，对各个特征的不同程度的缺陷进行统一的分级标准，获得各缺陷特征的分级结果。通过大数据收集包括极耳异常的图像集合，即所述极耳的缺陷特征图像集合。通过人工，根据上述缺陷特征集合和分级结果，进行所述缺陷特征图像集合进行特征种类及缺陷度的标识，获得第一标识结果，将所述缺陷特征图像集合作为输入数据，将所述第一标识结果作为标识数据，完成极耳异常特征检测模型的构建，将所述第二图像输入所述极耳异常特征检测模型，根据匹配的异常检测的异常种类、异常分级以及匹配度参数，获得所述第二评估参数。通过对极耳图像的标识，使得所述极耳异常特征检测模型的构建结果更加的准确，进而使得产线的检测更加的智能准确，进而实现产线问题的快速、准确定位预警的技术效果。
进一步的，如图4所示，本申请步骤S344还包括：
步骤S3441：通过所述极耳异常特征检测模型获得所述第二图像的匹配结果集合；
步骤S3442：根据匹配度参数进行所述匹配结果集合的顺序排序，获得第一匹配结果和第二匹配结果；
步骤S3443：判断所述第一匹配结果和所述第二匹配结果的匹配度差值是否满足第一预设阈值；
步骤S3444：当所述第一匹配结果和所述第二匹配结果的匹配度差值满足所述第一预设阈值时，则根据所述第一匹配结果和所述第二匹配结果获得匹配度均值权重；
步骤S3445：基于所述匹配度均值权重获得所述第二评估参数
具体而言，当所述第二图像输入所述极耳异常特征检测模型，获得所述极耳异常特征检测模型的输出结果，其中，所述输出结果至少包括一个输出结果，一般而言，所述输出结果会包括多个输出结果。对所述多个输出结果按照匹配度的大小进行顺序排序，基于顺序排序结果，对匹配度最高的第一结果和第二结果进行提取。所述第一预设阈值优选设定为15％，当所述第一结果和所述第二结果的匹配度差值满足所述第一预设阈值，即在15％范围内时，则根据两个匹配度的平均值获得所述匹配度均值权重，且将所述第一结果和所述第二结果的匹配的等级进行平均值求取，根据求取结果和匹配度均值权重进行所述第二评估参数的计算。
举例而言，当所述极耳异常特征检测模型输出的结果为：极耳褶皱缺陷、3级、匹配度70％；极耳褶皱缺陷、4级、匹配度62％。则所述匹配度差值为8％，满足所述第一预设阈值。此时所述匹配度均值为(70％+62％)/2＝66％，此时的第二评估参数为(3+4)/2*66％＝2.31。将所述计算结果：极耳褶皱缺陷2.31作为所述第二评估参数。通过匹配结果的细化计算，使得对第二评估参数的获取更加的精确，进而使得对所述第一产线的评估更加准确，为进行准确的预警夯实了基础。
进一步的，本申请步骤S700还包括：
步骤S710：获得第一统计指令，根据所述第一统计指令进行所述第一产线的异常预警进行统计，获得第一统计结果；
步骤S720：根据所述第一统计结果进行异常位置标识，获得异常位置评估参数；
步骤S730：根据所述第一统计结果进行异常度标识，获得异常度评估结果；
步骤S740：根据所述第一统计结果进行异常频次标识，获得异常频次评估结果；
步骤S750：对异常位置、异常度、异常频次进行权重分配，获得第一权重分配结果；
步骤S760：根据所述异常位置评估参数、所述异常度评估结果、所述异常频次评估结果和所述第一权重分配结果获得所述第一产线的质量评定结果。
具体而言，所述第一统计指令为进行所述第一产线进行抽样结果的异常预警的统计指令，基于所述第一统计指令获得所述第一统计结果。根据所述第一统计结果出现的所述第一产线的异常信息，进行异常的位置评估，获得所述异常位置评估参数，即出现异常预警的工位及工位对应的特征。进一步的，根据出现的异常度的最大异常信息，获得所述异常度评估结果，根据所述第一产线的采样数量及出现异常预警的数量的比例，获得所述异常频次评估结果。对异常位置、异常度、异常频次进行固定权重分配，获得第一权重分配结果，基于所述第一权重分配结果结合上述计算获得的所述异常位置评估参数、所述异常度评估结果、所述异常频次评估结果，进行加权计算，基于加权计算结果获得所述第一产线的质量评定结果。通过对第一产线的异常频次、异常位置评估参数、异常度评估结果的计算和权重分配，使得最终获得的所述第一产线的产线质量评估结果更加的全面和准确，进而达到准确进行产线检测的技术效果。
进一步的，本申请步骤S400还包括：
步骤S410：根据所述产线工位时间分布结果获得各个工位的约束时间信息；
步骤S420：基于所述约束时间信息进行所述第一时间监测参数的异常评估，根据评估结果获得所述第一测试参数。
具体而言，所述第一产线的各个工位具有预先设定的工位时间区间，根据所述时间区间获得所述约束时间信息。基于所述第一时间监测参数和所述约束时间信息进行时间的异常匹配。
进一步的，所述异常匹配包括超时异常匹配和处理时间不足异常匹配，根据监测获得的参数与约束时间的差异大小，获得所述第一测试参数。通过超时异常的匹配结果和处理时间不足的异常匹配结果获得所述第一测试参数，使得对工位的产品是否进行正常加工处理进行更加准确的评估和定位，进而使得为后续进行准确的产线评估提供更加准确的数据支持。
进一步的，本申请步骤S800还包括：
步骤S810：获得所述第一产线的产线任务信息；
步骤S820：对所述第一产线的实际生产信息进行调用，根据调用结果获得第一生产信息；
步骤S830：根据所述第一生产信息和所述产线任务信息进行产线的完成度打分，获得第一完成度打分结果；
步骤S840：根据所述第一完成度打分结果进行所述第一产线的管理。
具体而言，所述产线任务信息为所述第一产线的被分配的每日工作量的任务信息，连续对所述第一产线进行监测，根据监测结果获得所述第一生产信息，对监测的第一生产信息对应的产线任务进行调用，根据调用结果和所述第一生产信息进行产线的每日完成度评分，评分的依据包括完成的时间、完成的质量，获得所述第一完成度打分结果。基于所述一完成度打分结果进行所述第一产线的生产管理。
进一步的，所述第一打分结果还包括对产线任务的分配合理度的约束参数，即当所述产线任务分配合理，则直接按照上述打分规则进行产线评分，当所述产线任务分配不合理时，则需要进行不合理分配产线任务的对应完成打分结果进行标识，使得对产线的打分结果更加的客观和准确，进而方便后续进行准确的产线分析和管理。
综上所述，本申请所提供的一种电池包的产线智能检测方法及系统具有如下技术效果：
1、由于采用了获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。通过对产线信息的采集，分析产线的样本参数，进行产线的状态评估，进而及时发现产线的生产异常，进行准确的产线预警的技术效果。
2、由于采用了对极耳图像的标识的方式，使得所述极耳异常特征检测模型的构建结果更加的准确，进而使得产线的检测更加的智能准确，进而实现产线问题的快速、准确定位预警的技术效果。
3、通过匹配结果的细化计算，使得对第二评估参数的获取更加的精确，进而使得对所述第一产线的评估更加准确，为进行准确的预警夯实了基础。
4、由于采用了对第一产线的异常频次、异常位置评估参数、异常度评估结果的计算和权重分配的方式，使得最终获得的所述第一产线的产线质量评估结果更加的全面和准确，进而达到准确进行产线检测的技术效果。
实施例二
基于与前述实施例中一种电池包的产线智能检测方法同样发明构思，本发明还提供了一种电池包的产线智能检测系统，如图5所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；
第二获得单元12，所述第二获得单元12用于根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；
第三获得单元13，所述第三获得单元13用于根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过图像采集装置采集的图像；
第四获得单元14，所述第四获得单元14用于根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；
第五获得单元15，所述第五获得单元15用于根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；
第一预警单元16，所述第一预警单元16用于根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
进一步的，所述系统还包括：
第六获得单元，所述第六获得单元用于根据所述标识参数进行电芯的外观图像调用，获得第一图像；
第七获得单元，所述第七获得单元用于根据所述第一图像进行所述电芯的外观评估，获得第一评估参数；
第八获得单元，所述第八获得单元用于通过所述标识参数进行极耳的图像调用，获得第二图像；
第九获得单元，所述第九获得单元用于根据所述第二图像获得所述极耳的第二评估参数；
第十获得单元，所述第十获得单元用于根据所述第一评估参数和所述第二评估参数获得所述第一图像采集参数。
进一步的，所述系统还包括：
第十一获得单元，所述第十一获得单元用于获得极耳的缺陷特征图像集合；
第十二获得单元，所述第十二获得单元用于对所述缺陷特征图像集合进行特征种类及缺陷度的标识，获得第一标识结果；
第一构建单元，所述第一构建单元用于基于所述第一标识结果和所述缺陷特征图像集合构建极耳异常特征检测模型；
第十三获得单元，所述第十三获得单元用于将所述第二图像输入所述极耳异常特征检测模型，获得所述第二评估参数。
进一步的，所述系统还包括：
第十四获得单元，所述第十四获得单元用于通过所述极耳异常特征检测模型获得所述第二图像的匹配结果集合；
第十五获得单元，所述第十五获得单元用于根据匹配度参数进行所述匹配结果集合的顺序排序，获得第一匹配结果和第二匹配结果；
第一判断单元，所述第一判断单元用于判断所述第一匹配结果和所述第二匹配结果的匹配度差值是否满足第一预设阈值；
第十六获得单元，所述第十六获得单元用于当所述第一匹配结果和所述第二匹配结果的匹配度差值满足所述第一预设阈值时，则根据所述第一匹配结果和所述第二匹配结果获得匹配度均值权重。
第十七获得单元，所述第十七获得单元用于基于所述匹配度均值权重获得所述第二评估参数。
进一步的，所述系统还包括：
第十八获得单元，所述第十八获得单元用于获得第一统计指令，根据所述第一统计指令进行所述第一产线的异常预警进行统计，获得第一统计结果；
第十九获得单元，所述第十九获得单元用于根据所述第一统计结果进行异常位置标识，获得异常位置评估参数；
第二十获得单元，所述第二十获得单元用于根据所述第一统计结果进行异常度标识，获得异常度评估结果；
第二十一获得单元，所述第二十一获得单元用于根据所述第一统计结果进行异常频次标识，获得异常频次评估结果；
第二十二获得单元，所述第二十二获得单元用于对异常位置、异常度、异常频次进行权重分配，获得第一权重分配结果；
第二十三获得单元，所述第二十三获得单元用于根据所述异常位置评估参数、所述异常度评估结果、所述异常频次评估结果和所述第一权重分配结果获得所述第一产线的质量评定结果。
进一步的，所述系统还包括：
第二十四获得单元，所述第二十四获得单元用于根据所述产线工位时间分布结果获得各个工位的约束时间信息；
第二十五获得单元，所述第二十五获得单元用于基于所述约束时间信息进行所述第一时间监测参数的异常评估，根据评估结果获得所述第一测试参数。
进一步的，所述系统还包括：
第二十六获得单元，所述第二十六获得单元用于获得所述第一产线的产线任务信息；
第二十七获得单元，所述第二十七获得单元用于对所述第一产线的实际生产信息进行调用，根据调用结果获得第一生产信息；
第二十八获得单元，所述第二十八获得单元用于根据所述第一生产信息和所述产线任务信息进行产线的完成度打分，获得第一完成度打分结果；
第一管理单元，所述第一管理单元用于根据所述第一完成度打分结果进行所述第一产线的管理。
前述图1实施例一中的一种电池包的产线智能检测方法的各种变化方式和具体实例同样适用于本实施例的一种电池包的产线智能检测系统，通过前述对一种电池包的产线智能检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种电池包的产线智能检测系统的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图6来描述本申请的电子设备。
图6图示了根据本申请的电子设备的结构示意图。
基于与前述实施例中一种电池包的产线智能检测方法的发明构思，本发明还提供一种电子设备，下面，参考图6来描述根据本申请的电子设备。该电子设备可以是可移动设备本身，或与其独立的单机设备，其上存储有计算机程序，该程序被处理器执行时实现前文所述方法的任一方法的步骤。
如图6所示，电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备50中的其他组件以执行期望的功能。
存储器52可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器51可以运行所述程序指令，以实现上文所述的本申请的各个实施例的方法以及/或者其他期望的功能。
在一个示例中，电子设备50还可以包括：输入装置53和输出装置54，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
本发明实施例提供的一种电池包的产线智能检测方法，所述方法应用于产线智能检测系统，所述系统与图像采集装置通信连接，所述方法包括：获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。解决了现有技术在进行产线生产锂电池的过程中，存在不能很好地结合产线锂电池的生产参数变化，进行产线问题分析，进而准确进行产线预警的技术问题，达到结合产线的样本参数，进行产线的状态评估，进而及时发现产线的生产异常，进行准确的产线预警的技术效果。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述的方法。
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，或者从计算机可读存储介质向另计算机可读存储介质传输，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。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应理解，在本申请中，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
总之，以上所述仅为本申请技术方案的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种电池包的产线智能检测方法，其特征在于，所述方法应用于产线智能检测系统，所述系统与图像采集装置通信连接，所述方法包括：
获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；
根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；
根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过所述图像采集装置采集的图像；
根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；
根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；
根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
2.如权利要求1所述的方法，其特征在于，所述方法包括：
根据所述标识参数进行电芯的外观图像调用，获得第一图像；
根据所述第一图像进行所述电芯的外观评估，获得第一评估参数；
通过所述标识参数进行极耳的图像调用，获得第二图像；
根据所述第二图像获得所述极耳的第二评估参数；
根据所述第一评估参数和所述第二评估参数获得所述第一图像采集参数。
3.如权利要求2所述的方法，其特征在于，根据所述第二图像获得所述极耳的第二评估参数，所述方法包括：
获得极耳的缺陷特征图像集合；
对所述缺陷特征图像集合进行特征种类及缺陷度的标识，获得第一标识结果；
基于所述第一标识结果和所述缺陷特征图像集合构建极耳异常特征检测模型；
将所述第二图像输入所述极耳异常特征检测模型，获得所述第二评估参数。
4.如权利要求3所述的方法，其特征在于，所述方法包括：
通过所述极耳异常特征检测模型获得所述第二图像的匹配结果集合；
根据匹配度参数进行所述匹配结果集合的顺序排序，获得第一匹配结果和第二匹配结果；
判断所述第一匹配结果和所述第二匹配结果的匹配度差值是否满足第一预设阈值；
当所述第一匹配结果和所述第二匹配结果的匹配度差值满足所述第一预设阈值时，则根据所述第一匹配结果和所述第二匹配结果获得匹配度均值权重；
基于所述匹配度均值权重获得所述第二评估参数。
5.如权利要求1所述的方法，其特征在于，所述方法包括：
获得第一统计指令，根据所述第一统计指令进行所述第一产线的异常预警进行统计，获得第一统计结果；
根据所述第一统计结果进行异常位置标识，获得异常位置评估参数；
根据所述第一统计结果进行异常度标识，获得异常度评估结果；
根据所述第一统计结果进行异常频次标识，获得异常频次评估结果；
对异常位置、异常度、异常频次进行权重分配，获得第一权重分配结果；
根据所述异常位置评估参数、所述异常度评估结果、所述异常频次评估结果和所述第一权重分配结果获得所述第一产线的质量评定结果。
6.如权利要求1所述的方法，其特征在于，所述方法包括：
根据所述产线工位时间分布结果获得各个工位的约束时间信息；
基于所述约束时间信息进行所述第一时间监测参数的异常评估，根据评估结果获得所述第一测试参数。
7.如权利要求1所述的方法，其特征在于，所述方法包括：
获得所述第一产线的产线任务信息；
对所述第一产线的实际生产信息进行调用，根据调用结果获得第一生产信息；
根据所述第一生产信息和所述产线任务信息进行产线的完成度打分，获得第一完成度打分结果；
根据所述第一完成度打分结果进行所述第一产线的管理。
8.一种电池包的产线智能检测系统，其特征在于，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一产线的基础信息，根据所述基础信息获得第一抽样电池包的标识参数，根据所述标识参数获得第一时间监测参数；
第二获得单元，所述第二获得单元用于根据所述基础信息进行所述第一产线的工位时间分配，获得产线工位时间分布结果；
第三获得单元，所述第三获得单元用于根据所述标识参数获得第一图像采集集合，根据所述第一图像采集集合获得第一图像采集参数，其中，所述第一图像采集集合为通过图像采集装置采集的图像；
第四获得单元，所述第四获得单元用于根据所述第一时间监测参数和所述产线工位时间分布结果获得所述第一抽样电池包的第一测试参数，根据所述第一测试参数和所述第一图像采集参数获得第一异常信息；
第五获得单元，所述第五获得单元用于根据所述标识参数获得所述第一抽样电池包的性能测试参数，根据所述性能测试参数获得第二异常信息；
第一预警单元，所述第一预警单元用于根据所述第一异常信息和所述第二异常信息进行所述第一产线的异常预警。
9.一种电子设备，其特征在于，包括处理器和存储器；所述存储器，用于存储；所述处理器，用于通过调用，执行权利要求1至7中任一项所述的方法。
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 |
|---|---|---|---|
| CN202210768140.8A CN115100600A (zh) | 2022-06-30 | 2022-06-30 | 一种电池包的产线智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210768140.8A CN115100600A (zh) | 2022-06-30 | 2022-06-30 | 一种电池包的产线智能检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100600A true CN115100600A (zh) | 2022-09-23 |
Family
ID=83295151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210768140.8A Pending CN115100600A (zh) | 2022-06-30 | 2022-06-30 | 一种电池包的产线智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100600A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456459A (zh) * | 2022-09-30 | 2022-12-09 | 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 |
| CN116428972A (zh) * | 2023-01-29 | 2023-07-14 | 平湖市凯鑫塑业股份有限公司 | 一种箱包配件质量在线检测方法及系统 |
| CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
| CN117236793A (zh) * | 2023-11-10 | 2023-12-15 | 一夫科技股份有限公司 | 一种α型半水石膏性能测试方法及系统 |
| CN117408575A (zh) * | 2023-12-13 | 2024-01-16 | 深圳市安科讯电子制造有限公司 | 一种能源产品生产智能管理方法及平台 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103067101A (zh) * | 2012-12-20 | 2013-04-24 | 青岛海信移动通信技术股份有限公司 | 通信终端测试监控方法和装置 |
| CN109165930A (zh) * | 2018-09-11 | 2019-01-08 | 安徽江淮汽车集团股份有限公司 | 一种工厂生产线的离线管理方法及系统 |
| CN109741323A (zh) * | 2019-01-09 | 2019-05-10 | 广州市顶丰自动化设备有限公司 | 锂电池的极片检测方法、装置、计算机设备和存储介质 |
| CN110987493A (zh) * | 2019-11-14 | 2020-04-10 | 深圳市华星光电半导体显示技术有限公司 | 设备异常检测方法、装置、存储介质及电子设备 |
| CN111063144A (zh) * | 2019-12-03 | 2020-04-24 | 联通物联网有限责任公司 | 异常行为的监控方法、装置、设备及计算机可读存储介质 |
| CN111707477A (zh) * | 2020-05-25 | 2020-09-25 | 上海迪璞电子科技股份有限公司 | 一种车辆检测方法、设备及系统 |
| CN111767826A (zh) * | 2020-06-24 | 2020-10-13 | 浙江大学 | 一种定时定点场景异常检测方法 |
| CN113222900A (zh) * | 2021-04-16 | 2021-08-06 | 深圳市安仕新能源科技有限公司 | 极耳的极性检测方法、检测装置、终端设备及存储介质 |
| WO2021169335A1 (zh) * | 2020-02-25 | 2021-09-02 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
| CN113469991A (zh) * | 2021-07-15 | 2021-10-01 | 广东奥普特科技股份有限公司 | 一种锂电池极耳激光焊点视觉在线检测方法 |
| CN113624275A (zh) * | 2021-07-20 | 2021-11-09 | 浙江南都电源动力股份有限公司 | 一种锂电池循环测试中多种状态的试验检测方法 |
| CN214726386U (zh) * | 2021-01-26 | 2021-11-16 | 佛山市德联邦盛光电科技股份有限公司 | 一种挤出生产线透过率线上检测系统 |
| CN113687234A (zh) * | 2021-07-16 | 2021-11-23 | 新源智储能源发展(北京)有限公司 | 电池异常识别方法、装置、设备、介质及程序产品 |
| CN114037673A (zh) * | 2021-11-03 | 2022-02-11 | 深圳市创科自动化控制技术有限公司 | 一种基于机器视觉的硬件衔接接口监测方法及系统 |
| US20220067583A1 (en) * | 2020-08-25 | 2022-03-03 | Pegatron Corporation | Method and electronic device for evaluating performance of identification model |
| CN114202248A (zh) * | 2022-01-13 | 2022-03-18 | 浙江工企信息技术股份有限公司 | 一种基于mes智能制造的生产管理方法及系统 |
| CN114581442A (zh) * | 2022-05-05 | 2022-06-03 | 山东师范大学 | 用于mes系统的产品检测方法及装置 |
| CN114626615A (zh) * | 2022-03-21 | 2022-06-14 | 江苏仪化信息技术有限公司 | 一种生产过程监控管理方法及系统 |
-
2022
- 2022-06-30 CN CN202210768140.8A patent/CN115100600A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103067101A (zh) * | 2012-12-20 | 2013-04-24 | 青岛海信移动通信技术股份有限公司 | 通信终端测试监控方法和装置 |
| CN109165930A (zh) * | 2018-09-11 | 2019-01-08 | 安徽江淮汽车集团股份有限公司 | 一种工厂生产线的离线管理方法及系统 |
| CN109741323A (zh) * | 2019-01-09 | 2019-05-10 | 广州市顶丰自动化设备有限公司 | 锂电池的极片检测方法、装置、计算机设备和存储介质 |
| CN110987493A (zh) * | 2019-11-14 | 2020-04-10 | 深圳市华星光电半导体显示技术有限公司 | 设备异常检测方法、装置、存储介质及电子设备 |
| CN111063144A (zh) * | 2019-12-03 | 2020-04-24 | 联通物联网有限责任公司 | 异常行为的监控方法、装置、设备及计算机可读存储介质 |
| WO2021169335A1 (zh) * | 2020-02-25 | 2021-09-02 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
| CN111707477A (zh) * | 2020-05-25 | 2020-09-25 | 上海迪璞电子科技股份有限公司 | 一种车辆检测方法、设备及系统 |
| CN111767826A (zh) * | 2020-06-24 | 2020-10-13 | 浙江大学 | 一种定时定点场景异常检测方法 |
| US20220067583A1 (en) * | 2020-08-25 | 2022-03-03 | Pegatron Corporation | Method and electronic device for evaluating performance of identification model |
| CN214726386U (zh) * | 2021-01-26 | 2021-11-16 | 佛山市德联邦盛光电科技股份有限公司 | 一种挤出生产线透过率线上检测系统 |
| CN113222900A (zh) * | 2021-04-16 | 2021-08-06 | 深圳市安仕新能源科技有限公司 | 极耳的极性检测方法、检测装置、终端设备及存储介质 |
| CN113469991A (zh) * | 2021-07-15 | 2021-10-01 | 广东奥普特科技股份有限公司 | 一种锂电池极耳激光焊点视觉在线检测方法 |
| CN113687234A (zh) * | 2021-07-16 | 2021-11-23 | 新源智储能源发展(北京)有限公司 | 电池异常识别方法、装置、设备、介质及程序产品 |
| CN113624275A (zh) * | 2021-07-20 | 2021-11-09 | 浙江南都电源动力股份有限公司 | 一种锂电池循环测试中多种状态的试验检测方法 |
| CN114037673A (zh) * | 2021-11-03 | 2022-02-11 | 深圳市创科自动化控制技术有限公司 | 一种基于机器视觉的硬件衔接接口监测方法及系统 |
| CN114202248A (zh) * | 2022-01-13 | 2022-03-18 | 浙江工企信息技术股份有限公司 | 一种基于mes智能制造的生产管理方法及系统 |
| CN114626615A (zh) * | 2022-03-21 | 2022-06-14 | 江苏仪化信息技术有限公司 | 一种生产过程监控管理方法及系统 |
| CN114581442A (zh) * | 2022-05-05 | 2022-06-03 | 山东师范大学 | 用于mes系统的产品检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 何康;贾民平;赵转哲;: "基于属性层次模型的单工位状态监测异类传感器布置优化", 机械工程学报, no. 24, 20 December 2014 (2014-12-20), pages 23 - 29 * |
| 范肇平;: "基于CC-Link的碱性电池生产线信息管理系统", 低压电器, no. 16, 30 August 2012 (2012-08-30), pages 31 - 33 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456459A (zh) * | 2022-09-30 | 2022-12-09 | 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 |
| 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 |
| CN116428972A (zh) * | 2023-01-29 | 2023-07-14 | 平湖市凯鑫塑业股份有限公司 | 一种箱包配件质量在线检测方法及系统 |
| CN116428972B (zh) * | 2023-01-29 | 2024-02-06 | 平湖市凯鑫塑业股份有限公司 | 一种箱包配件质量在线检测方法及系统 |
| CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
| CN116520755B (zh) * | 2023-06-29 | 2023-09-26 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
| CN117236793A (zh) * | 2023-11-10 | 2023-12-15 | 一夫科技股份有限公司 | 一种α型半水石膏性能测试方法及系统 |
| CN117236793B (zh) * | 2023-11-10 | 2024-02-06 | 一夫科技股份有限公司 | 一种α型半水石膏性能测试方法及系统 |
| CN117408575A (zh) * | 2023-12-13 | 2024-01-16 | 深圳市安科讯电子制造有限公司 | 一种能源产品生产智能管理方法及平台 |
| CN117408575B (zh) * | 2023-12-13 | 2024-03-29 | 深圳市安科讯电子制造有限公司 | 一种能源产品生产智能管理方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100600A (zh) | 一种电池包的产线智能检测方法及系统 | |
| CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
| CN114202248B (zh) | 一种基于mes智能制造的生产管理方法及系统 | |
| CN109604186B (zh) | 动力电池性能柔性评估分选方法 | |
| CN104680428A (zh) | 一种电网客户满意度模型的构建方法 | |
| CN114542444B (zh) | 一种空压机智能监控方法及系统 | |
| CN115685946B (zh) | 一种智能用电采集终端生产质量管控方法及系统 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN111130890A (zh) | 一种网络流量动态预测系统 | |
| KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
| CN112180279A (zh) | 一种退役电池健康状态诊断专家系统 | |
| CN115661040A (zh) | 一种锂电池电芯涂胶的检测方法及装置、电子设备 | |
| CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
| CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
| CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
| US8649990B2 (en) | Method for detecting variance in semiconductor processes | |
| CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
| JP7070224B2 (ja) | 電池情報処理システムおよび電池情報処理方法 | |
| CN111212434B (zh) | 一种wifi模组质量预测方法、装置、设备及存储介质 | |
| CN113987031A (zh) | 一种电力大数据的数据异常判别方法 | |
| CN113478552A (zh) | 一种pcb板切割路径预警的方法和装置 | |
| CN115144037B (zh) | 一种锂电池防爆性能安全监测方法及系统 | |
| CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
| CN115049320B (zh) | 一种电网营销业务风险数字化管控系统 | |
| CN111061717A (zh) | 电能设备的分析方法及装置、电子设备 |
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 |