CN115115213A - 一种钢铁产品质量特性的追溯分析方法及装置 - Google Patents
一种钢铁产品质量特性的追溯分析方法及装置 Download PDFInfo
- Publication number
- CN115115213A CN115115213A CN202210725898.3A CN202210725898A CN115115213A CN 115115213 A CN115115213 A CN 115115213A CN 202210725898 A CN202210725898 A CN 202210725898A CN 115115213 A CN115115213 A CN 115115213A
- Authority
- CN
- China
- Prior art keywords
- data
- product
- quality
- target data
- attribute 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请提供一种钢铁产品质量特性的追溯分析方法及装置,首先获取钢铁产品的属性信息,再获取产品在制造过程的记录数据。然后根据所述产品编号将属性信息与记录数据匹配,以形成目标数据。将所述目标数据存储至数据仓库。根据所述目标数据确定主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息。在所述数据仓库中根据所述产品编号提取所述目标数据,对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。从而对产品的质量进行追溯分析,并及时对产品工序进行调整,提高质量分析的精确度以及钢铁产品的质量。
Description
技术领域
本申请涉及冶炼工程生产技术领域,尤其涉及一种钢铁产品质量特性的追溯分析方法及装置。
背景技术
传统机械加工业是离散型、非连续、常温化的生产过程,而对于一个连续、长流程、跨工序的生产过程,比如钢铁企业,其产品及中间产品的质量取决于生产过程中的每一道工序。因此在整个生产过程中,各工序原料质量情况、过程操作参数的取值、设备运行状态、操作和检验人员的经验及其工作状态直接决定了产品及中间产品的质量。
目前国内大型钢铁制造都采用生产制造信息化管理系统及自动化控制系统对钢铁产品的质量进行检验。由于制造流程比较长,关键质量控制点较多,涉及到原材料、中间产品、产成品的质量检验,产品的质量分析往往是在最终产品检验、判定后,通过各个离散的系统进行质量数据的统计和质量追溯。
但通过各个离散的系统进行统计,往往需要耗费较多的人力和时间来做质量分析,质量特性参数可能查找不全,使影响质量的因素定位不准,降低了对钢铁产品质量分析的准确度。
发明内容
本申请提供了一种钢铁产品质量特性的追溯分析方法及装置,以解决钢铁产品质量分析的准确度低的问题。
第一方面,本申请提供一种钢铁产品质量特性的追溯分析方法,包括:
获取产品编号以及产品的属性信息;获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数以及生产工序时间。
根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据;将所述目标数据存储至数据仓库;根据所述目标数据确定主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息。
在所述数据仓库中根据所述产品编号提取所述目标数据,对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。
结合第一方面,在第一方面的一种可实施方式中,所述产品的种类包括原材料、中间产品以及产成品。
结合第一方面,在第一方面的一种可实施方式中,所述属性信息包括厂区、生产工序、生产时间、炉号、代码、钢种、技术标准、化学成分、力学性能、工艺信息以及金相组织。
结合第一方面,在第一方面的一种可实施方式中,根据所述目标数据确定主要工艺数据包括:根据所述属性信息获取工艺数据,所述工艺数据包括质量偏差、工艺参数、设备状态、控制模型、操作水平;通过人工智能算法分析所述工艺数据,以确定影响质量的属性信息。通过所述影响质量的属性信息建立质量特征库。
结合第一方面,在第一方面的一种可实施方式中,所述获取工艺数据包括:获取同一工序产品的所述工艺数据,以生成横向信息集;获取同一物料产品的所述工艺数据,以生成纵向信息集。在所述横向信息集与所述纵向信息集中获取所述工艺数据。
结合第一方面,在第一方面的一种可实施方式中,如果产品为不合格品,则根据质量标准获取废品参数,所述质量标准根据预设的质量控制计划生成。如果所述目标数据在所述废品参数范围内,则判断产品为废品;如果所述目标数据不在所述废品参数范围内,则生成工艺调整信息。
结合第一方面,在第一方面的一种可实施方式中,所述工艺调整信息根据所述目标数据、所述质量特征库以及专家经验库生成。
第二方面,本申请提供一种钢铁产品质量特性的追溯分析装置,包括:
采集模块,被配置为获取产品的属性信息,所述属性信息包括产品编号、厂区、生产工序、生产时间、炉号、代码、钢种、技术标准、化学成分、力学性能、工艺信息以及金相组织;获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数、生产工序时间。
数据处理模块,被配置为根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据;将目标数据存储至数据仓库。
判断模块,被配置为根据所述目标数据获取主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息;在所述数据仓库中根据所述产品编号提取所述目标数据;对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。
结合第二方面,在第二方面的一种可实施方式中,所述确定主要工艺数据的步骤中,所述判断模块被配置为:根据所述属性信息获取工艺数据,所述工艺数据包括质量偏差、工艺参数、设备状态、控制模型、操作水平;通过人工智能算法分析所述工艺数据,以确定影响质量的属性信息;通过所述影响质量的属性信息建立质量特征库。
结合第二方面,在第二方面的一种可实施方式中,所述装置还包括:质量处置模块,被配置为如果产品为不合格品,则根据所述标准参数获取废品参数;如果所述目标数据在所述废品参数范围内,则判断产品为废品;如果所述目标数据不在所述废品参数范围内,则生成工艺调整信息。
由以上技术方案可知,本申请提供一种钢铁产品质量特性的追溯分析方法及装置,所述方法首先获取钢铁产品的属性信息,再获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数以及生产工序时间。然后根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据,并将所述目标数据存储至数据仓库。最后根据所述目标数据确定主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息。在所述数据仓库中根据所述产品编号提取所述目标数据。对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。从而对产品的质量进行追溯分析,高质量分析的精确度。并且可及时对不合格产品的工序进行调整,以提升钢铁生产的质量。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种钢铁产品质量特性的追溯分析方法的流程图;
图2为本申请实施例中确定主要工艺数据的流程图;
图3为本申请实施例中质量处置的流程图;
图4为一种钢铁产品质量特性的追溯分析装置的示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
钢铁制造属于流程制造行业,可使用生产制造信息化管理系统及自动化控制系统,对钢铁制造过程进行监控。钢铁制造的流程比较长,关键质量控制点较多,因此需要对产品各个阶段的质量进行检验。对于产品的原材料、中间产品、产成品的质量分析是在最终产品检验、判定后,通过各个离散的系统进行质量数据的统计和质量追溯。但通过多个离散的系统,往往需要耗费较多的人力和时间来做质量分析,并且质量特性参数可能查找不全,导致影响质量的因素定位不准,不利于产品质量的快速改进。
为了解决以上问题,参见图1,本申请提供一种钢铁产品质量特性的追溯分析方法,包括以下步骤:
S101:获取产品编号以及产品的属性信息。在钢铁产品的生产过程中,不同的产品对应不同的属性信息,并且每一个产品均设有对应的产品编号。属性信息是指产品自身的信息以及在生产过程中产生的关联信息,例如:属性信息包括厂区、生产工序、时间、炉号、代码、钢种、技术标准、化学成分、力学性能、工艺信息以及金相组织等。其中,由于制造的流程比较长,每一道工序流程都会生产出对应的产品。因此,本申请实施例中的产品种类并不仅限制于最终的产成品。
在一些实施例中,产品种类包括原材料、中间产品以及产成品。通过对每一道工序产出的产品属性信息进行收集,可以在后续分析过程中对出现的质量问题进行定位。其中,中间产品即为在制造钢铁产成品过程中的半成品。
S102:获取产品在制造过程的记录数据。记录数据包括生产过程环境参数以及生产工序时间。环境参数指的是产品在制造时的实际生产环境数据,例如:水电气风温度、压力、含量等。通常,以上数据可以在生产现场的可编程逻辑控制器中进行采集,如果现场的可编程逻辑控制器中没有存储所需产品的记录数据,可以选择生产企业其他的可编程逻辑控制器,或者从其他服务器中采集所需数据,例如产销服务器等。采集的数据源可以为多个,以确保最终采集数据的完整性。在采集数据后,可设置规则对数据进行清洗,例如:缺失值处理、重复数据处理和异常数据处理,保证数据的有效性。需要注意的是,在进行数据清洗的过程中,由于数据采集不易,一般不轻易删除数据。
S103:根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据。将记录数据与具体的产品编号进行匹配绑定,便于每一个产品的关键属性集成和流程追溯。例如:将炼铁铁水铁次、炼钢炉次、板坯、轧钢板卷等生产过程中的水电气风温度、压力、含量以及生产工序时间,与具体的产品编号进行匹配绑定,实现将生产过程中产品的信息按照时间和空间规则相匹配。
S104:将所述目标数据存储至数据仓库。通常在采集产品的属性信息以及记录数据时,只能采集产品本身直接可以体现的数据,无法得出其他关联的数据。本申请通过构建统一的数据采集平台以及数据仓库,可以将产品在生产过程中的全部信息进行全方面采集,并储存至数据仓库中。其中,数据仓库是为企业所有级别的决策制定过程,提供所有类型数据支持的战略集合。它是单个数据存储,出于分析性报告和决策支持目的而创建,可以为企业提供指导业务流程改进、监视时间、成本、质量以及控制。
S105:根据所述目标数据确定主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息。其中,本申请采用的人工智能算法可以为聚类、关联分析、神经网络以及深度学习算法等。聚类又称群分析,它是研究样品或指标分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。关联分析是从大规模的数据集中寻找物品隐含关系。比如频繁模式、相关性或因果结构,关联分析的目的就是寻找频繁项集和发现关联规则,因此引入两个支持度和置信度来衡量着关联分析是否成功。神经网络算法是根据逻辑规则进行推理的过程。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。通过以上智能算法可以对目标数据的特征进行分析,确定产品质量的影响因素。
例如:采用聚类算法进行分析,首先将获取的目标数据进行统计整合,将产品的目标数据进行汇集,找出产品中对应的目标数据中的相同之处。然后根据数据的特征确定生产过程中的影响因素,即本申请实施例中影响质量的属性信息。最后根据确定的影响因素设定标准参数的范围,通过标准参数的范围对其对应的各个工序的产品进行质量检验。
在一些实施例中,参见图2,本发明实施例中,根据目标数据确定主要工艺数据的步骤,还包括:
S501:根据所述属性信息获取工艺数据。其中,工艺数据包括生产过程中的质量偏差、工艺参数、设备状态、控制模型、操作水平。质量偏差为将生产过程的工艺参数与质量标准进行对比得出的偏差,质量标准为根据生产计划预设的数值范围。
在一些实施例中,在每一道工序工艺中的工艺参数均可针对标准进行质量偏差的显示,可以及时提醒工作人员发现质量问题并采取处置措施。
在一些实施例中,获取工艺数据的步骤包括:获取同一工序产品的所述工艺数据,以生成横向信息集;获取同一物料产品的所述工艺数据,以生成纵向信息集;在所述横向信息集与所述纵向信息集中获取所述工艺数据。例如:获取连退过程中产品的工艺数据。连退是一种冷轧退火的工艺,就是将冷轧卷的多个卷打开,并且首尾相连,通过退火炉,完成退火。假设得出了连退工序中三个不同编号的产品。通过集成三个产品的信息,如成分、外观尺寸等信息,可直观地横向分析对比得出影响质量的属性信息。
S502:通过人工智能算法分析所述工艺数据,以确定影响质量的属性信息。例如:对连退过程中产品进行分析,对比此工序下的产品的工艺参数,发现此工序下产品1中的外径与其他产品的外径明显相对较小。然后采用关联分析算法找出与外径关联的数据,确定其他影响外径的关联因素。其中,关联因素并不限制于此道工艺数据信息,还可以通过获取此产品的所有工序数据,对质量问题进行纵向追溯。比如:连退工序的某一产品出现了质量问题,在对连退过程的数据信息进行分析后并没有发现与产品质量问题对应的因素,可通过产品编号对上一道工序进行追溯。在获取上一道工序的数据信息后,选择合适的人工智能算法对数据信息进行分析。
S503:通过所述影响质量的属性信息建立质量特征库。将S402步骤中得出的影响质量的属性信息储存在质量特征库中,根据质量特征库设置标准参数的范围。在确定影响产品质量的属性信息后,设置各工序产品对应的标准参数,即可以对产品各个阶段的质量进行检验。
在一些实施例中,在进行质量检验的过程中,当检验出不符合标准的产品后,可以根据实际情况对该产品进行调整。在进行调整后,在人工智能算法分析过程中可以不断地训练与优化所述质量特征库。
S106:在所述数据仓库中根据所述产品编号提取所述目标数据;对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。在判断产品为不合格后,根据对比结果可对产品进行调整处理。其中,标准参数可设置多个区间,不用的区间范围代表产品不合格的程度,对质量问题较小的产品可以仅获取其生产过程的信息,以对后续生产过程进行优化,不需对其进行处理。
参见图3,本发明实施例中,在判断产品为不合格品的步骤后,还包括:
如果产品为不合格品,则根据质量标准获取废品参数,所述质量标准根据预设的质量控制计划生成。如果所述目标数据在所述废品参数范围内,则判断产品为废品;如果所述目标数据不在所述废品参数范围内,则生成工艺调整信息。
在一些实施例中,工艺调整信息根据所述目标数据、所述质量特征库以及专家经验库生成。可以快速提供质量处置方式及优先级,供质量控制人员选择,以便及时对产品生产工艺进行调整,避免不合格产品的出现。例如:检验到某道工序的产品质量出现了问题,经过判断该产品不是废品。如果根据目标数据与质量特征库分析得出可在下一道工序中对其进行调整,则生成在下一道工序调整的工艺调整信息;如果分析得出不能在下一道工序中对其进行调整,则暂时对产品进行封闭处理,根据专家经验库生成工艺调整信息,以对产品进行优化调整。
参见图4,本申请的部分实施例还提供一种钢铁产品质量特性的追溯分析装置,包括:采集模块、数据处理模块以及判断模块。
其中,采集模块被配置为获取产品的属性信息,所述属性信息包括产品编号、厂区、生产工序、生产时间、炉号、代码、钢种、技术标准、化学成分、力学性能、工艺信息以及金相组织;获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数、生产工序时间。
数据处理模块被配置为根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据;将目标数据存储至数据仓库。
判断模块被配置为根据所述目标数据获取主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息;在所述数据仓库中根据所述产品编号提取所述目标数据;对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。
在一些实施例中,在确定主要工艺数据的步骤中,所述判断模块被配置为:根据所述属性信息获取工艺数据,所述工艺数据包括质量偏差、工艺参数、设备状态、控制模型、操作水平;通过人工智能算法分析所述工艺数据,以确定影响质量的属性信息;通过所述影响质量的属性信息建立质量特征库。
在本申请的部分实施例中,所述装置还包括:质量处置模块,质量处置模块被配置为如果产品为不合格品,则根据所述标准参数获取废品参数;如果所述目标数据在所述废品参数范围内,则判断产品为废品;如果所述目标数据不在所述废品参数范围内,则生成工艺调整信息。
由以上技术方案可知,本申请提供一种钢铁产品质量特性的追溯分析方法及装置,所述方法首先获取钢铁产品的属性信息,再获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数以及生产工序时间。然后根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据,并将所述目标数据存储至数据仓库。最后根据所述目标数据确定主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息。在所述数据仓库中根据所述产品编号提取所述目标数据。对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。
本发明提供的一种钢铁产品质量特性的追溯分析方法及装置,按照人、机、料、法、环进行关键参数的确定,构建统一的数据采集平台。针对具体的产品按照时空匹配,汇聚产品关键环节的数据信息。同时可以对质量特性进行纵向追溯和横向分析,将原材料、中间成品、成品的成分、性能、工艺参数、设备状态、控制模型、操作水平,使用聚类、关联分析、神经网络等人工智能算法进行数据特征识别,并建立钢材产品工艺质量特征库。达到快速质量诊断、快速分析、快速制定改进措施的目的,全面提升钢铁企业各工序产品质量。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (10)
1.一种钢铁产品质量特性的追溯分析方法,其特征在于,包括:
获取产品编号以及产品的属性信息;
获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数以及生产工序时间;
根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据;将所述目标数据存储至数据仓库;根据所述目标数据确定主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息;
在所述数据仓库中根据所述产品编号提取所述目标数据;
对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。
2.根据权利要求1所述的钢铁产品质量特性的追溯分析方法,其特征在于,所述产品的种类包括原材料、中间产品以及产成品。
3.根据权利要求1所述的钢铁产品质量特性的追溯分析方法,其特征在于,所述属性信息包括厂区、生产工序、生产时间、炉号、代码、钢种、技术标准、化学成分、力学性能、工艺信息以及金相组织。
4.根据权利要求1所述的钢铁产品质量特性的追溯分析方法,其特征在于,所述根据所述目标数据确定主要工艺数据包括:
根据所述属性信息获取工艺数据,所述工艺数据包括质量偏差、工艺参数、设备状态、控制模型、操作水平;通过人工智能算法分析所述工艺数据,以确定影响质量的属性信息;
通过所述影响质量的属性信息建立质量特征库。
5.根据权利要求4所述的钢铁产品质量特性的追溯分析方法,其特征在于,所述获取工艺数据包括:
获取同一工序产品的所述工艺数据,以生成横向信息集;
获取同一物料产品的所述工艺数据,以生成纵向信息集;
在所述横向信息集与所述纵向信息集中获取所述工艺数据。
6.根据权利要求4所述的钢铁产品质量特性的追溯分析方法,其特征在于,如果产品为不合格品,则根据质量标准获取废品参数,所述质量标准根据预设的质量控制计划生成;
如果所述目标数据在所述废品参数范围内,则判断产品为废品;
如果所述目标数据不在所述废品参数范围内,则生成工艺调整信息。
7.根据权利要求6所述的钢铁产品质量特性的追溯分析方法,其特征在于,所述工艺调整信息根据所述目标数据、所述质量特征库以及专家经验库生成。
8.一种钢铁产品质量特性的追溯分析装置,其特征在于,包括:
采集模块,被配置为获取产品编号以及产品的属性信息;获取产品在制造过程的记录数据,所述记录数据包括生产过程环境参数、生产工序时间;
数据处理模块,被配置为根据所述产品编号将所述属性信息与所述记录数据匹配,以形成目标数据;将目标数据存储至数据仓库;
判断模块,被配置为根据所述目标数据获取主要工艺数据,获取主要工艺数据对应的标准参数,所述主要工艺数据是通过数据特征识别以及人工智能算法确定的影响质量的属性信息;在所述数据仓库中根据所述产品编号提取所述目标数据;对比所述标准参数与所述目标数据,如果所述目标数据不在所述标准参数的范围内,则判断产品为不合格品。
9.根据权利要求8所述的钢铁产品质量特性的追溯分析装置,其特征在于,所述确定主要工艺数据的步骤中,所述判断模块被配置为:
根据所述属性信息获取工艺数据,所述工艺数据包括质量偏差、工艺参数、设备状态、控制模型、操作水平;通过人工智能算法分析所述工艺数据,以确定影响质量的属性信息;通过所述影响质量的属性信息建立质量特征库。
10.根据权利要求8所述的钢铁产品质量特性的追溯分析装置,其特征在于,所述装置还包括:质量处置模块,被配置为如果产品为不合格品,则根据所述标准参数获取废品参数;如果所述目标数据在所述废品参数范围内,则判断产品为废品;如果所述目标数据不在所述废品参数范围内,则生成工艺调整信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210725898.3A CN115115213A (zh) | 2022-06-23 | 2022-06-23 | 一种钢铁产品质量特性的追溯分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210725898.3A CN115115213A (zh) | 2022-06-23 | 2022-06-23 | 一种钢铁产品质量特性的追溯分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115213A true CN115115213A (zh) | 2022-09-27 |
Family
ID=83329284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210725898.3A Pending CN115115213A (zh) | 2022-06-23 | 2022-06-23 | 一种钢铁产品质量特性的追溯分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115213A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055509A (zh) * | 2023-09-25 | 2023-11-14 | 四川德润钢铁集团航达钢铁有限责任公司 | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
-
2022
- 2022-06-23 CN CN202210725898.3A patent/CN115115213A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055509A (zh) * | 2023-09-25 | 2023-11-14 | 四川德润钢铁集团航达钢铁有限责任公司 | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
CN117055509B (zh) * | 2023-09-25 | 2024-03-08 | 四川德润钢铁集团航达钢铁有限责任公司 | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
CN112348101B (zh) | 一种基于异常数据分析的轧钢燃耗预警方法及系统 | |
CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
Xiao et al. | Long-term predictive opportunistic replacement optimisation for a small multi-component system using partial condition monitoring data to date | |
JP2024509741A (ja) | パーツ、センサ、および計測データ統合 | |
CN115115213A (zh) | 一种钢铁产品质量特性的追溯分析方法及装置 | |
CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
CN107122907B (zh) | 一种机电产品符号化质量特性的分析与故障原因追溯方法 | |
CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
CN111077876B (zh) | 一种电站设备状态智能评价和预警方法、装置及系统 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN115099147A (zh) | 一种基于smt产线的工艺分析及智能决策方法 | |
CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
Eger et al. | Knowledge capturing platform in multi-stage production systems for zero-defect manufacturing | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN112884212A (zh) | 烟支单支克重偏差分析预测方法 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN111142488A (zh) | 基于工况比对驱动的流程工业优化方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Wang et al. | Broad learning system based visual fault diagnosis for electrical equipment thermography images | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 |
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 |