CN115438592A - 基于系统工程的工业研发设计数据建模方法 - Google Patents

基于系统工程的工业研发设计数据建模方法 Download PDF

Info

Publication number
CN115438592A
CN115438592A CN202211389072.0A CN202211389072A CN115438592A CN 115438592 A CN115438592 A CN 115438592A CN 202211389072 A CN202211389072 A CN 202211389072A CN 115438592 A CN115438592 A CN 115438592A
Authority
CN
China
Prior art keywords
production
data
industrial
characteristic information
neural network
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
Application number
CN202211389072.0A
Other languages
English (en)
Other versions
CN115438592B (zh
Inventor
张戎
易真
范杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhongke Hexun Technology Co ltd
Original Assignee
Chengdu Zhongke Hexun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhongke Hexun Technology Co ltd filed Critical Chengdu Zhongke Hexun Technology Co ltd
Priority to CN202211389072.0A priority Critical patent/CN115438592B/zh
Publication of CN115438592A publication Critical patent/CN115438592A/zh
Application granted granted Critical
Publication of CN115438592B publication Critical patent/CN115438592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了基于系统工程的工业研发设计数据建模方法，涉及工业设计技术领域，其利用实际工业生产场景的视觉生产数据和非视觉生产数据，得到优化的神经网络模型，保证其与对应的工业生产场景的实际生产过程相匹配，再利用优化的神经网络模型对工业研发设计方案进行排查和纠正，全面完善工业研发设计方案；还保存纠正后的工业研发设计方案在优化后的神经网络模型的输出信息，这样能够为后续实际工业生产过程提供可靠的参照，保证工业生产的精确性和稳定性。

Description

基于系统工程的工业研发设计数据建模方法
技术领域
本发明涉及工业设计的技术领域，特别涉及基于系统工程的工业研发设计数据建模方法。
背景技术
在工业生产过程中，对于同一零件需要经过多个不同生产装置实施不同加工工序，才能完成零件的生产。每个生产装置会根据自身对应的加工工序要求对零件坯进行冲压或切割等不同操作，这需要针对每个生产装置设定相应的工作参数。为了保证每个生产装置的正常工作，需要对生产装置进行工作参数的调试，通常而言都是在生产装置进行工作过程中，同步进行工作参数的调试，上述方式无法准确地得到生产装置的最佳工作参数，并且还会影响生产装置对零件坯的正常稳定加工，降低零件的加工良品率。可见，现有的工业研发设计中无法预先对生产装置进行精确的调试设定，无法保证工业生产过程中生产装置加工的稳定性和零件加工的精确性。
发明内容
针对现有技术存在的缺陷，本发明提供了一种基于系统工程的工业研发设计数据建模方法，其在实际工业生产场景的若干监测点中获取相应的工业生产场景的视觉生产数据和非视觉生产数据，以此得到工业生产过程特征信息和工业生产结果特征信息；利用工业生产过程特征信息和工业生产结果特征信息，优化监测点对应的工业生产场景的神经网络模型；再将工业研发设计方案的设计数据输入到优化后的神经网络模型，得到模拟工业生产特征信息，以此确定设计数据包含的异常数据和工业研发设计方案存在的异常设计方案部分；对异常设计方案部分进行排查和纠正后，再次输入到优化后的神经网络模型，并对神经网络模型的输出信息进行存储，其利用实际工业生产场景的视觉生产数据和非视觉生产数据，得到优化的神经网络模型，保证其与对应的工业生产场景的实际生产过程相匹配，再利用优化的神经网络模型对工业研发设计方案进行排查和纠正，全面完善工业研发设计方案；还保存纠正后的工业研发设计方案在优化后的神经网络模型的输出信息，这样能够为后续实际工业生产过程提供可靠的参照，保证工业生产的精确性和稳定性。
本发明提供了一种基于系统工程的工业研发设计数据建模方法，其包括如下步骤：
步骤S1，在实际工业生产现场中设置若干监测点，获取所述监测点对应的工业生产场景的视觉生产数据和非视觉生产数据；对所述视觉生产数据和所述非视觉生产数据进行分析处理，得到所述监测点对应的工业生产过程特征信息和工业生产结果特征信息；
步骤S2，根据所述工业生产过程特征信息和所述工业生产结果特征信息，优化关于所述监测点对应的工业生产场景的神经网络模型；将工业研发设计方案的设计数据输入到优化后的神经网络模型，并获取所述神经网络模型的输出信息；从所述输出信息中提取得到相应的模拟工业生产特征信息；
步骤S3，对所述模拟工业生产特征信息进行分析处理，确定所述设计数据包含的异常数据；并根据所述异常数据，确定所述工业研发设计方案存在的异常设计方案部分；
步骤S4，对所述异常设计方案部分进行排查和纠正，以此得到纠正后的工业研发设计方案；将所述纠正后的工业研发设计方案的设计数据再次输入到优化后的神经网络模型，并对所述神经网络模型的输出信息进行存储。
在本申请公开的一个实施例中，在所述步骤S1中，在实际工业生产现场中设置若干监测点，获取所述监测点对应的工业生产场景的视觉生产数据和非视觉生产数据具体包括：
将实际工业生产现场中每个产品生产环节对应的生产装置所在位置点设为监测点；
根据所述生产装置的生产动作信息，调整安装于所述监测点的摄像设备对所述生产装置的拍摄动作参数，从而通过所述摄像设备拍摄得到所述生产装置在生产过程中的影像数据，以此作为所述视觉生产数据；
指示安装于所述生产装置的电学传感设备检测所述生产装置在生产过程中的电学数据，以此作为所述非视觉生产数据。
在本申请公开的一个实施例中，在所述步骤S1中，根据所述生产装置的生产动作信息，调整安装于所述监测点的摄像设备对所述生产装置的拍摄动作参数具体包括：
根据所述生产装置的动作部件分布范围信息和动作部件动作频率信息，调整安装于所述监测点的摄像设备对所述生产装置的拍摄视场角范围和拍摄频率；
以及，
在所述步骤S1中，指示安装于所述生产装置的电学传感设备检测所述生产装置在生产过程中的电学数据，以此作为所述非视觉生产数据具体包括：
指示安装于所述生产装置的动作部件的电流传感设备和电压传感设备检测所述生产装置的动作部件在生产过程中的工作电流数据和工作电压数据，以此作为所述非视觉生产数据。
在本申请公开的一个实施例中，在所述步骤S1中，对所述视觉生产数据和所述非视觉生产数据进行分析处理，得到所述监测点对应的工业生产过程特征信息和工业生产结果特征信息具体包括：
对所述影像数据进行识别处理，得到所述生产装置的动作部件在生产过程中的动作姿势特征信息以及产品经过所述动作部件加工后对应的产品外形轮廓特征信息；
对所述工作电流数据和所述工作电压数据进行分析处理，得到所述生产装置的动作部件在生产过程中的平均驱动电流信息和平均驱动电压信息；
将所述动作姿势特征信息、所述平均驱动电流信息和所述平均驱动电压信息作为所述监测点对应的工业生产过程特征信息；
将所述产品外形轮廓特征信息作为所述监测点对应的工业生产结果特征信息。
在本申请公开的一个实施例中，在所述步骤S2中，根据所述工业生产过程特征信息和所述工业生产结果特征信息，优化关于所述监测点对应的工业生产场景的神经网络模型具体包括：
根据所述监测点对应的生产设备的装置类型信息，从预设模型库中选择匹配的神经网络模型；
对所述工业生产过程特征信息和所述工业生产结果特征信息进行降噪滤波处理后，输入到选择的神经网络模型，从而对所述神经网络模型进行优化。
在本申请公开的一个实施例中，在所述步骤S2中，将工业研发设计方案的设计数据输入到优化后的神经网络模型，并获取所述神经网络模型的输出信息；从所述输出信息中提取得到相应的模拟工业生产特征信息具体包括：
将工业研发设计方案的设计数据区分为产品形状尺寸设计数据和装置工作状态设定数据；其中，所述装置工作状态设定数据包括设备的工作电流和工作电压设定数据；
再将所述产品形状尺寸设计数据和所述装置工作状态设定数据分别输入到优化后的神经网络模型的不同输入层中，并获取所述神经网络模型对应的输出信息；
从所述输出信息中提取得到相应的模拟工业生产特征信息；其中，所述模拟工业生产特征信息包括与所述工业研发设计方案的设计数据对应的模拟生产过程的模拟产品外形轮廓特征信息和生产部件模拟动作姿势特征信息。
在本申请公开的一个实施例中，在所述步骤S3中，对所述模拟工业生产特征信息进行分析处理，确定所述设计数据包含的异常数据具体包括：
将所述模拟产品外形轮廓特征信息与所述产品形状尺寸设计数据进行比对，得到两者在产品形状和尺寸上的偏差信息，以此确定所述设计数据中存在的异常产品形状尺寸设计数据；
将所述生产部件模拟动作姿势特征信息与预设生产部件标准动作姿势特征信息进行比对，得到两者在动作姿势上的偏差信息，以此确定所述设计数据中存在的异常装置工作状态设定数据。
在本申请公开的一个实施例中，在所述步骤S3中，根据所述异常数据，确定所述工业研发设计方案存在的异常设计方案部分具体包括：
将所述工业研发设计方案中与所述异常数据关联的所有设计方案内容部分均确定为异常设计方案部分。
在本申请公开的一个实施例中，在所述步骤S4中，对所述异常设计方案部分进行排查和纠正，以此得到纠正后的工业研发设计方案具体包括：
对所述异常设计方案部分存在的异常数据进行错误排查和纠正，以此得到纠正后的工业研发设计方案。
在本申请公开的一个实施例中，在所述步骤S4中，将所述纠正后的工业研发设计方案的设计数据再次输入到优化后的神经网络模型，并对所述神经网络模型的输出信息进行存储具体包括：
将所述纠正后的工业研发设计方案的设计数据再次区分为产品形状尺寸设计数据和装置工作状态设定数据后，重新将所述产品形状尺寸设计数据和装置工作状态设定数据输入到优化后的神经网络模型的不同输入层中，并获取所述神经网络模型对应的输出信息；
构建所述神经网络模型对应的输出信息与所述纠正后的工业研发设计方案的设计数据之间的映射关系，并根据所述映射关系，对所述神经网络模型的输出信息进行存储。
相比于现有技术，该基于系统工程的工业研发设计数据建模方法在实际工业生产场景的若干监测点中获取相应的工业生产场景的视觉生产数据和非视觉生产数据，以此得到工业生产过程特征信息和工业生产结果特征信息；利用工业生产过程特征信息和工业生产结果特征信息，优化监测点对应的工业生产场景的神经网络模型；再将工业研发设计方案的设计数据输入到优化后的神经网络模型，得到模拟工业生产特征信息，以此确定设计数据包含的异常数据和工业研发设计方案存在的异常设计方案部分；对异常设计方案部分进行排查和纠正后，再次输入到优化后的神经网络模型，并对神经网络模型的输出信息进行存储，其利用实际工业生产场景的视觉生产数据和非视觉生产数据，得到优化的神经网络模型，保证其与对应的工业生产场景的实际生产过程相匹配，再利用优化的神经网络模型对工业研发设计方案进行排查和纠正，全面完善工业研发设计方案；还保存纠正后的工业研发设计方案在优化后的神经网络模型的输出信息，这样能够为后续实际工业生产过程提供可靠的参照，保证工业生产的精确性和稳定性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明提供的基于系统工程的工业研发设计数据建模方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，图1为本发明实施例提供的基于系统工程的工业研发设计数据建模方法的流程示意图。该基于系统工程的工业研发设计数据建模方法包括如下步骤：
步骤S1，在实际工业生产现场中设置若干监测点，获取该监测点对应的工业生产场景的视觉生产数据和非视觉生产数据；对该视觉生产数据和该非视觉生产数据进行分析处理，得到该监测点对应的工业生产过程特征信息和工业生产结果特征信息；
步骤S2，根据该工业生产过程特征信息和该工业生产结果特征信息，优化关于该监测点对应的工业生产场景的神经网络模型；将工业研发设计方案的设计数据输入到优化后的神经网络模型，并获取该神经网络模型的输出信息；从该输出信息中提取得到相应的模拟工业生产特征信息；
步骤S3，对该模拟工业生产特征信息进行分析处理，确定该设计数据包含的异常数据；并根据该异常数据，确定该工业研发设计方案存在的异常设计方案部分；
步骤S4，对该异常设计方案部分进行排查和纠正，以此得到纠正后的工业研发设计方案；将该纠正后的工业研发设计方案的设计数据再次输入到优化后的神经网络模型，并对该神经网络模型的输出信息进行存储。
上述技术方案的有益效果为：该基于系统工程的工业研发设计数据建模方法在实际工业生产场景的若干监测点中获取相应的工业生产场景的视觉生产数据和非视觉生产数据，以此得到工业生产过程特征信息和工业生产结果特征信息；利用工业生产过程特征信息和工业生产结果特征信息，优化监测点对应的工业生产场景的神经网络模型；再将工业研发设计方案的设计数据输入到优化后的神经网络模型，得到模拟工业生产特征信息，以此确定设计数据包含的异常数据和工业研发设计方案存在的异常设计方案部分；对异常设计方案部分进行排查和纠正后，再次输入到优化后的神经网络模型，并对神经网络模型的输出信息进行存储，其利用实际工业生产场景的视觉生产数据和非视觉生产数据，得到优化的神经网络模型，保证其与对应的工业生产场景的实际生产过程相匹配，再利用优化的神经网络模型对工业研发设计方案进行排查和纠正，全面完善工业研发设计方案；还保存纠正后的工业研发设计方案在优化后的神经网络模型的输出信息，这样能够为后续实际工业生产过程提供可靠的参照，保证工业生产的精确性和稳定性。
优选地，在该步骤S1中，在实际工业生产现场中设置若干监测点，获取该监测点对应的工业生产场景的视觉生产数据和非视觉生产数据，具体包括：
将实际工业生产现场中每个产品生产环节对应的生产装置所在位置点设为监测点；
根据该生产装置的生产动作信息，调整安装于该监测点的摄像设备对该生产装置的拍摄动作参数，从而通过该摄像设备拍摄得到该生产装置在生产过程中的影像数据，以此作为该视觉生产数据；
指示安装于该生产装置的电学传感设备检测该生产装置在生产过程中的电学数据，以此作为该非视觉生产数据。
上述技术方案的有益效果为：在实际工作中，可以在零件不同加工工序环节对应的生产装置所在位置点设为监测点，并且在每个监测点安装摄像头等摄像设备，同时在生产装置内部安装相应的电学传感设备，分别对生产装置的生产过程进行拍摄以及对生产装置在生产过程中的电学数据进行采集，从而分别得到关于生产装置在生产过程中的视觉生产数据和非视觉生产数据，便于后续对于神经网络模型进行准确的优化。
优选地，在该步骤S1中，根据该生产装置的生产动作信息，调整安装于该监测点的摄像设备对该生产装置的拍摄动作参数具体包括：
根据该生产装置的动作部件分布范围信息和动作部件动作频率信息，调整安装于该监测点的摄像设备对该生产装置的拍摄视场角范围和拍摄频率；
以及，
在该步骤S1中，指示安装于该生产装置的电学传感设备检测该生产装置在生产过程中的电学数据，以此作为该非视觉生产数据，具体包括：
指示安装于该生产装置的动作部件的电流传感设备和电压传感设备检测该生产装置的动作部件在生产过程中的工作电流数据和工作电压数据，以此作为该非视觉生产数据。
上述技术方案的有益效果为：以生产装置的切割刀或冲压锤等动作部件的分布范围信息和动作频率信息为基准，调整摄像设备对生产装置的拍摄视场角范围和拍摄频率，这样能够保证摄像设备完整和同步地拍摄到生产装置的生产过程影像。通过在生产装置的动作部件安装电流传感设备和电压传感设备，能够对生产装置在生产过程中的工作电流和动作电压进行实时采集，便于对生产装置的电学工作状态进行有效的监测。
优选地，在该步骤S1中，对该视觉生产数据和该非视觉生产数据进行分析处理，得到该监测点对应的工业生产过程特征信息和工业生产结果特征信息，具体包括：
对该影像数据进行识别处理，得到该生产装置的动作部件在生产过程中的动作姿势特征信息以及产品经过该动作部件加工后对应的产品外形轮廓特征信息；
对该工作电流数据和该工作电压数据进行分析处理，得到该生产装置的动作部件在生产过程中的平均驱动电流信息和平均驱动电压信息；
将该动作姿势特征信息、该平均驱动电流信息和该平均驱动电压信息作为该监测点对应的工业生产过程特征信息；
将该产品外形轮廓特征信息作为该监测点对应的工业生产结果特征信息。
上述技术方案的有益效果为：通过上述方式，对影像数据进行识别处理，得到动作部件在生产过程中的动作姿势特征信息以及产品经过动作部件加工后对应的产品外形轮廓特征信息，以及对工作电流数据和工作电压数据进行分析处理，得到动作部件在生产过程中的平均驱动电流和平均驱动电压，这样能够对生产装置的外部动作和内部电学状态以及生产装置对零件的加工结果进行有效的表征。
优选地，在该步骤S2中，根据该工业生产过程特征信息和该工业生产结果特征信息，优化关于该监测点对应的工业生产场景的神经网络模型具体包括：
根据该监测点对应的生产装置的装置类型信息，从预设模型库中选择匹配的神经网络模型；
对该工业生产过程特征信息和该工业生产结果特征信息进行降噪滤波处理后，输入到选择的神经网络模型，从而对该神经网络模型进行优化。
上述技术方案的有益效果为：通过上述方式，以生产装置的装置类型信息为基准，从预设模型库中选择匹配的神经网络模型，这样能够保证选择的神经网络模型与生产装置的生产方式相匹配。此外，对工业生产过程特征信息和工业生产结果特征信息进行降噪滤波处理，能够提高对神经网络模型的优化效率。
优选地，在该步骤S2中，将工业研发设计方案的设计数据输入到优化后的神经网络模型，并获取该神经网络模型的输出信息；从该输出信息中提取得到相应的模拟工业生产特征信息，具体包括：
将工业研发设计方案的设计数据区分为产品形状尺寸设计数据和装置工作状态设定数据；其中，该装置工作状态设定数据包括设备的工作电流和工作电压设定数据；其中，该工业研发设计方案可为但不限于是设计人员预先设定的包括零件设计图样尺寸参数和装置控制参数的方案；
再将该产品形状尺寸设计数据和该装置工作状态设定数据分别输入到优化后的神经网络模型的不同输入层中，并获取该神经网络模型对应的输出信息；
从该输出信息中提取得到相应的模拟工业生产特征信息；其中，该模拟工业生产特征信息包括与该工业研发设计方案的设计数据对应的模拟生产过程的模拟产品外形轮廓特征信息和生产部件模拟动作姿势特征信息。
上述技术方案的有益效果为：通过上述方式，能够有针对性地对该工业研发设计方案中包含的不同类型的数据输入到神经网络模型中进行处理，保证最终得到的模拟工业生产特征信息能够与工业研发设计方案相匹配。
优选地，在该步骤S3中，对该模拟工业生产特征信息进行分析处理，确定该设计数据包含的异常数据，具体包括：
将该模拟产品外形轮廓特征信息与该产品形状尺寸设计数据进行比对，得到两者在产品形状和尺寸上的偏差信息，以此确定该设计数据中存在的异常产品形状尺寸设计数据；
将该生产部件模拟动作姿势特征信息与预设生产部件标准动作姿势特征信息进行比对，得到两者在动作姿势上的偏差信息，以此确定该设计数据中存在的异常装置工作状态设定数据。
上述技术方案的有益效果为：通过上述方式，能够将根据工业研发设计方案进行加工后得到的模拟产品外形轮廓特征信息，以及根据工业研发设计方案控制装置生产得到的生产部件模拟动作姿势特征信息，实现从产品外形轮廓和生产部件动作姿势两个方面对设计数据进行判断，从而为后续工业研发设计方案进行纠正提供可靠的依据。
优选地，在该步骤S3中，根据该异常数据，确定该工业研发设计方案存在的异常设计方案部分，具体包括：
将该工业研发设计方案中与该异常数据关联的所有设计方案内容部分均确定为异常设计方案部分。
上述技术方案的有益效果为：通过上述方式，能够对工业研发设计方案的异常设计方案部分进行准确的标定。
优选地，在该步骤S4中，对该异常设计方案部分进行排查和纠正，以此得到纠正后的工业研发设计方案，具体包括：
对该异常设计方案部分存在的异常数据进行错误排查和纠正，以此得到纠正后的工业研发设计方案。
上述技术方案的有益效果为：在实际工作中，可以对异常设计方案部分存在的异常数据进行数据范围的调整，以此实现相应的错误排查和纠正，保证工业研发设计方案的正确性和可信度。
优选地，在该步骤S4中，将该纠正后的工业研发设计方案的设计数据再次输入到优化后的神经网络模型，并对该神经网络模型的输出信息进行存储，具体包括：
将该纠正后的工业研发设计方案的设计数据再次区分为产品形状尺寸设计数据和装置工作状态设定数据后，重新将该产品形状尺寸设计数据和装置工作状态设定数据输入到优化后的神经网络模型的不同输入层中，并获取该神经网络模型对应的输出信息；
构建该神经网络模型对应的输出信息与该纠正后的工业研发设计方案的设计数据之间的映射关系，并根据该映射关系，对该神经网络模型的输出信息进行存储。
上述技术方案的有益效果为：通过上述方式，将纠正后的工业研发设计方案的设计数据与神经网络模型对应的输出信息进行映射关联，这样便于对神经网络模型的输出信息进行定向存储和提高后续查找对应工业研发设计方案的神经网络模型的输出信息的准确性。
从上述实施例的内容可知，该基于系统工程的工业研发设计数据建模方法在实际工业生产场景的若干监测点中获取相应的工业生产场景的视觉生产数据和非视觉生产数据，以此得到工业生产过程特征信息和工业生产结果特征信息；利用工业生产过程特征信息和工业生产结果特征信息，优化监测点对应的工业生产场景的神经网络模型；再将工业研发设计方案的设计数据输入到优化后的神经网络模型，得到模拟工业生产特征信息，以此确定设计数据包含的异常数据和工业研发设计方案存在的异常设计方案部分；对异常设计方案部分进行排查和纠正后，再次输入到优化后的神经网络模型，并对神经网络模型的输出信息进行存储，其利用实际工业生产场景的视觉生产数据和非视觉生产数据，得到优化的神经网络模型，保证其与对应的工业生产场景的实际生产过程相匹配，再利用优化的神经网络模型对工业研发设计方案进行排查和纠正，全面完善工业研发设计方案；还保存纠正后的工业研发设计方案在优化后的神经网络模型的输出信息，这样能够为后续实际工业生产过程提供可靠的参照，保证工业生产的精确性和稳定性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于系统工程的工业研发设计数据建模方法，其特征在于，其包括如下步骤：
步骤S1，在实际工业生产现场中设置若干监测点，获取所述监测点对应的工业生产场景的视觉生产数据和非视觉生产数据；对所述视觉生产数据和所述非视觉生产数据进行分析处理，得到所述监测点对应的工业生产过程特征信息和工业生产结果特征信息；
步骤S2，根据所述工业生产过程特征信息和所述工业生产结果特征信息，优化关于所述监测点对应的工业生产场景的神经网络模型；将工业研发设计方案的设计数据输入到优化后的神经网络模型，并获取所述神经网络模型的输出信息；从所述输出信息中提取得到相应的模拟工业生产特征信息；
步骤S3，对所述模拟工业生产特征信息进行分析处理，确定所述设计数据包含的异常数据；并根据所述异常数据，确定所述工业研发设计方案存在的异常设计方案部分；
步骤S4，对所述异常设计方案部分进行排查和纠正，以此得到纠正后的工业研发设计方案；将所述纠正后的工业研发设计方案的设计数据再次输入到优化后的神经网络模型，并对所述神经网络模型的输出信息进行存储。
2.如权利要求1所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S1中，在实际工业生产现场中设置若干监测点，获取所述监测点对应的工业生产场景的视觉生产数据和非视觉生产数据，具体包括：
将实际工业生产现场中每个产品生产环节对应的生产装置所在位置点设为监测点；
根据所述生产装置的生产动作信息，调整安装于所述监测点的摄像设备对所述生产装置的拍摄动作参数，从而通过所述摄像设备拍摄得到所述生产装置在生产过程中的影像数据，以此作为所述视觉生产数据；
指示安装于所述生产装置的电学传感设备检测所述生产装置在生产过程中的电学数据，以此作为所述非视觉生产数据。
3.如权利要求2所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S1中，根据所述生产装置的生产动作信息，调整安装于所述监测点的摄像设备对所述生产装置的拍摄动作参数，具体包括：
根据所述生产装置的动作部件分布范围信息和动作部件动作频率信息，调整安装于所述监测点的摄像设备对所述生产装置的拍摄视场角范围和拍摄频率；
以及，
在所述步骤S1中，指示安装于所述生产装置的电学传感设备检测所述生产装置在生产过程中的电学数据，以此作为所述非视觉生产数据，具体包括：
指示安装于所述生产装置的动作部件的电流传感设备和电压传感设备检测所述生产装置的动作部件在生产过程中的工作电流数据和工作电压数据，以此作为所述非视觉生产数据。
4.如权利要求3所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S1中，对所述视觉生产数据和所述非视觉生产数据进行分析处理，得到所述监测点对应的工业生产过程特征信息和工业生产结果特征信息，具体包括：
对所述影像数据进行识别处理，得到所述生产装置的动作部件在生产过程中的动作姿势特征信息以及产品经过所述动作部件加工后对应的产品外形轮廓特征信息；
对所述工作电流数据和所述工作电压数据进行分析处理，得到所述生产装置的动作部件在生产过程中的平均驱动电流信息和平均驱动电压信息；
将所述动作姿势特征信息、所述平均驱动电流信息和所述平均驱动电压信息作为所述监测点对应的工业生产过程特征信息；
将所述产品外形轮廓特征信息作为所述监测点对应的工业生产结果特征信息。
5.如权利要求4所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S2中，根据所述工业生产过程特征信息和所述工业生产结果特征信息，优化关于所述监测点对应的工业生产场景的神经网络模型，具体包括：
根据所述监测点对应的生产装置的装置类型信息，从预设模型库中选择匹配的神经网络模型；
对所述工业生产过程特征信息和所述工业生产结果特征信息进行降噪滤波处理后，输入到选择的神经网络模型，从而对所述神经网络模型进行优化。
6.如权利要求5所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S2中，将工业研发设计方案的设计数据输入到优化后的神经网络模型，并获取所述神经网络模型的输出信息；从所述输出信息中提取得到相应的模拟工业生产特征信息，具体包括：
将工业研发设计方案的设计数据区分为产品形状尺寸设计数据和装置工作状态设定数据；其中，所述装置工作状态设定数据包括设备的工作电流和工作电压设定数据；
再将所述产品形状尺寸设计数据和所述装置工作状态设定数据分别输入到优化后的神经网络模型的不同输入层中，并获取所述神经网络模型对应的输出信息；
从所述输出信息中提取得到相应的模拟工业生产特征信息；其中，所述模拟工业生产特征信息包括与所述工业研发设计方案的设计数据对应的模拟生产过程的模拟产品外形轮廓特征信息和生产部件模拟动作姿势特征信息。
7.如权利要求6所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S3中，对所述模拟工业生产特征信息进行分析处理，确定所述设计数据包含的异常数据，具体包括：
将所述模拟产品外形轮廓特征信息与所述产品形状尺寸设计数据进行比对，得到两者在产品形状和尺寸上的偏差信息，以此确定所述设计数据中存在的异常产品形状尺寸设计数据；
将所述生产部件模拟动作姿势特征信息与预设生产部件标准动作姿势特征信息进行比对，得到两者在动作姿势上的偏差信息，以此确定所述设计数据中存在的异常装置工作状态设定数据。
8.如权利要求7所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S3中，根据所述异常数据，确定所述工业研发设计方案存在的异常设计方案部分，具体包括：
将所述工业研发设计方案中与所述异常数据关联的所有设计方案内容部分均确定为异常设计方案部分。
9.如权利要求8所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S4中，对所述异常设计方案部分进行排查和纠正，以此得到纠正后的工业研发设计方案，具体包括：
对所述异常设计方案部分存在的异常数据进行错误排查和纠正，以此得到纠正后的工业研发设计方案。
10.如权利要求9所述的基于系统工程的工业研发设计数据建模方法，其特征在于：
在所述步骤S4中，将所述纠正后的工业研发设计方案的设计数据再次输入到优化后的神经网络模型，并对所述神经网络模型的输出信息进行存储，具体包括：
将所述纠正后的工业研发设计方案的设计数据再次区分为产品形状尺寸设计数据和装置工作状态设定数据后，重新将所述产品形状尺寸设计数据和装置工作状态设定数据输入到优化后的神经网络模型的不同输入层中，并获取所述神经网络模型对应的输出信息；
构建所述神经网络模型对应的输出信息与所述纠正后的工业研发设计方案的设计数据之间的映射关系，并根据所述映射关系，对所述神经网络模型的输出信息进行存储。
CN202211389072.0A 2022-11-08 2022-11-08 基于系统工程的工业研发设计数据建模方法 Active CN115438592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211389072.0A CN115438592B (zh) 2022-11-08 2022-11-08 基于系统工程的工业研发设计数据建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211389072.0A CN115438592B (zh) 2022-11-08 2022-11-08 基于系统工程的工业研发设计数据建模方法

Publications (2)

Publication Number Publication Date
CN115438592A true CN115438592A (zh) 2022-12-06
CN115438592B CN115438592B (zh) 2023-01-24

Family

ID=84252905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211389072.0A Active CN115438592B (zh) 2022-11-08 2022-11-08 基于系统工程的工业研发设计数据建模方法

Country Status (1)

Country Link
CN (1) CN115438592B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389181A (zh) * 2018-10-30 2019-02-26 全球能源互联网研究院有限公司 电网异常事件的关联规则生成方法及装置
CN109800875A (zh) * 2019-01-08 2019-05-24 华南理工大学 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
US20190302713A1 (en) * 2018-03-27 2019-10-03 Terminus (Beijing) Technology Co., Ltd. Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN110619182A (zh) * 2019-09-24 2019-12-27 长沙理工大学 一种基于wams大数据的输电线路参数辨识及输电网建模方法
CN112001740A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于自适应神经网络的组合预测方法
CN112581262A (zh) * 2020-12-23 2021-03-30 百维金科(上海)信息科技有限公司 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN112698568A (zh) * 2020-10-23 2021-04-23 西安工程大学 基于优化bp神经网络的长丝恒张力控制方法
CN113222250A (zh) * 2021-05-13 2021-08-06 中国工程物理研究院激光聚变研究中心 基于卷积神经网络的大功率激光装置输出波形预测方法
CN114462636A (zh) * 2021-12-30 2022-05-10 上海零灏智演科技有限公司 一种工业时序数据通过数据处理进行在线异常监测方法
CN114650199A (zh) * 2021-12-30 2022-06-21 南京戎智信息创新研究院有限公司 一种基于数据驱动的深度神经网络信道估计方法及系统
CN114998357A (zh) * 2022-08-08 2022-09-02 长春摩诺维智能光电科技有限公司 基于多信息分析的工业检测方法、系统、终端和介质
CN115129011A (zh) * 2022-07-08 2022-09-30 慧之安信息技术股份有限公司 基于边缘计算的工业资源管理方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190302713A1 (en) * 2018-03-27 2019-10-03 Terminus (Beijing) Technology Co., Ltd. Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN109389181A (zh) * 2018-10-30 2019-02-26 全球能源互联网研究院有限公司 电网异常事件的关联规则生成方法及装置
CN109800875A (zh) * 2019-01-08 2019-05-24 华南理工大学 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN110619182A (zh) * 2019-09-24 2019-12-27 长沙理工大学 一种基于wams大数据的输电线路参数辨识及输电网建模方法
CN112001740A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于自适应神经网络的组合预测方法
CN112698568A (zh) * 2020-10-23 2021-04-23 西安工程大学 基于优化bp神经网络的长丝恒张力控制方法
CN112581262A (zh) * 2020-12-23 2021-03-30 百维金科(上海)信息科技有限公司 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN113222250A (zh) * 2021-05-13 2021-08-06 中国工程物理研究院激光聚变研究中心 基于卷积神经网络的大功率激光装置输出波形预测方法
CN114462636A (zh) * 2021-12-30 2022-05-10 上海零灏智演科技有限公司 一种工业时序数据通过数据处理进行在线异常监测方法
CN114650199A (zh) * 2021-12-30 2022-06-21 南京戎智信息创新研究院有限公司 一种基于数据驱动的深度神经网络信道估计方法及系统
CN115129011A (zh) * 2022-07-08 2022-09-30 慧之安信息技术股份有限公司 基于边缘计算的工业资源管理方法
CN114998357A (zh) * 2022-08-08 2022-09-02 长春摩诺维智能光电科技有限公司 基于多信息分析的工业检测方法、系统、终端和介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DORIANA M.D"ADDONA 等: "Tool-wear prediction and pattern-recognition using artificial neural network and DNA-based computing", 《JOURNAL OF INTELLIGENT MANUFACTURING》 *
ZHIQIANG GE 等: "Review on data driven modeling and monitoring for plant-wide Industrial processes", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 *
吕庆 等: "基于大数据技术的烧结全产线质量智能控制系统", 《钢铁》 *
张人敬: "基于深度神经网络的车间生产异常发现与分析方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李春燕 等: "汽车冲压生产线状态监测系统设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
瞿云华: "基于智能算法的热轧螺纹钢成分遴选及增效研究", 《中国优秀博士学位论文全文数据库 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN115438592B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
US20240087104A1 (en) Method for monitoring manufacture of assembly units
CN112384924B (zh) 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统
CN111274671B (zh) 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统
CN115077425B (zh) 一种基于结构光三维视觉的产品检测设备及方法
CN110515781B (zh) 一种复杂系统状态监测及故障诊断方法
CN116428984B (zh) 一种五金模具冲压加工智能检测系统
CN113205511A (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN115619738A (zh) 一种模组侧缝焊焊后检测方法
CN114429441A (zh) 一种异常检测方法及装置、设备、存储介质
CN114897102A (zh) 一种工业机器人故障诊断方法、系统、设备与存储介质
CN113255255A (zh) 一种集成电路热真空试验系统
CN109635001A (zh) 基于设备失效数据分析的产品可靠性提升方法和系统
CN113655370B (zh) 确定芯片异常测试工况的方法、装置、系统及相关设备
CN115438592B (zh) 基于系统工程的工业研发设计数据建模方法
CN110290203A (zh) 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通
CN117236054A (zh) 一种基于数字孪生的汽车焊装夹具装配方法、系统及介质
CN114091347A (zh) 一种电子元器件寿命预测方法
CN116686535B (zh) 基于数据分析的无人驾驶收割机控制方法及系统
CN113870207A (zh) 刀具检测方法、装置、计算机设备和存储介质
CN116703914B (zh) 基于生成式人工智能的焊接缺陷检测方法、设备及介质
US11676055B2 (en) System for detecting data drift in machine-learning process monitoring
CN115082661B (zh) 一种传感器装配难度降低方法
US20060034506A1 (en) Machine vision analysis system and method
CN115617000A (zh) 一种基于数字孪生技术的流程管理方法
CN115908292A (zh) 焊接工件的缺陷检测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant