CN115481775A - 预测系统、预测方法和非易失性存储介质 - Google Patents

预测系统、预测方法和非易失性存储介质 Download PDF

Info

Publication number
CN115481775A
CN115481775A CN202210540715.0A CN202210540715A CN115481775A CN 115481775 A CN115481775 A CN 115481775A CN 202210540715 A CN202210540715 A CN 202210540715A CN 115481775 A CN115481775 A CN 115481775A
Authority
CN
China
Prior art keywords
product
trained
defect
model
casting
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
Application number
CN202210540715.0A
Other languages
English (en)
Inventor
广川公
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN115481775A publication Critical patent/CN115481775A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20—Accessories: Details
    • B22D17/32—Controlling equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by CIM planning or realisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32222—Fault, defect detection of origin of fault, defect of product

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

配置为预测目标产品的缺陷的预测系统包括预训练的第一模型，该预训练的第一模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征以及指示现有产品的制造条件的条件信息训练。预训练的第一模型配置为，当输入了目标产品的三维形状的特征时，输出指示与目标产品中的位置相关联的缺陷的缺陷特性值。

Description

预测系统、预测方法和非易失性存储介质
技术领域
本发明涉及预测系统、预测方法和非易失性存储介质。
背景技术
通常，用于预测产品的缺陷的技术被用于包括汽车行业的各种行业。作为这种技术的示例，在WO2018/062398中描述了特性预测设备。当输入了指示铝产品的制造条件的参数时，特性预测设备通过使用输出在制造条件下制造的铝产品的特性值的神经网络来预测铝产品的特性。
发明内容
然而，WO 2018/062398中描述的特性预测设备仅基于产品的制造条件来预测产品的缺陷，因此该特性预测设备不能预测由于产品的形状引起的缺陷。
本发明提供能够预测由于产品的形状引起的缺陷的预测系统、预测方法和非易失性存储介质。
本发明的第一方面涉及配置为预测目标产品的缺陷的预测系统。预测系统包括预训练的第一模型，该预训练的第一模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征以及指示现有产品的制造条件的条件信息训练。预训练的第一模型配置为，当输入了目标产品的三维形状的特征时，输出指示与目标产品中的位置相关联的缺陷的缺陷特性值。
当产品是铸件时，由缺陷特性值指示的产品的缺陷可以包括产品的咬死、收缩、汤纹、擦伤、原材料变形、模具开裂和截留中的至少一者。
缺陷特性值可以包括指示产品的缺陷的程度的值。
当产品是铸件时，预训练的第一模型还可以通过铸件的模具体积、铸件体积、铸件表面积和铸件的厚度中的至少一者训练。
预测系统还可以包括预训练的第二模型，预训练的第二模型配置为，当输入了指示现有产品的三维形状的形状信息时，输出现有产品的三维形状的特征，并且可以通过使用从预训练的第二模型输出的特征来训练预训练的第一模型。
当产品是铸件时，制造条件可以包括熔融金属类型、熔融金属温度、内部冷却温度、水流时间、模具温度、模具表面处理、循环时间、模制时间、开模顺序、喷涂施加量、喷涂时间和鼓风顺序中的至少一者。
预测系统还可以包括显示装置，并且指示与目标产品中的位置相关联的缺陷的缺陷特性值可以显示在显示装置上。
本发明的第二方面涉及预测目标产品的缺陷的预测方法。预测方法包括：由计算机将目标产品的三维形状的特征输入到预训练的第一模型，预训练的第一模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、指示现有产品的三维形状的形状信息以及指示现有产品的制造条件的条件信息训练；以及使预训练的第一模型输出指示与目标产品中的位置相关联的缺陷的缺陷特性值。可应用于根据第一方面的预测系统的配置也可应用于根据第二方面的预测方法。
预测方法还可以包括由计算机将指示现有产品的三维形状的形状信息输入到预训练的第二模型，并使预训练的第二模型输出现有产品的三维形状的特征；以及由计算机使预训练的第一模型通过使用从预训练的第二模型输出的特征来训练。
本发明的第三方面涉及存储程序的非易失性存储介质，该程序是配置为预测目标产品的缺陷的预训练模型。预训练模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征以及指示现有产品的制造条件的条件信息训练，并且预训练模型配置为，当输入了目标产品的三维形状的特征时，输出指示与目标产品中的位置相关联的缺陷的缺陷特性值。
根据本发明的上述方面，能够提供能够预测由于产品的形状引起的缺陷的预测系统、预测方法和非易失性存储介质。
附图说明
下面将参考附图描述本发明的示例性实施例的特征、优点、和技术和工业意义，在附图中相似的符号表示相似的元件，并且其中：
图1是示出根据本发明的实施例的预测设备的配置的框图；
图2是示出由根据本发明的实施例的预测设备执行的处理的示例的流程图；
图3是示出由根据本发明的实施例的预测设备执行的处理的另一示例的流程图；以及
图4是示出图像的示例的图，该图像示出根据本发明的实施例的预测结果。
具体实施方式
在下文中，将参照附图描述本发明的实施例。图1是示出根据本发明的实施例的预测设备10的配置的框图。预测设备10预测目标产品的缺陷。预测设备10的具体示例包括诸如服务器和个人计算机(Personal Computer，PC)的信息处理设备；然而，预测设备10不限于此。预测设备10可以被视为预测系统。目标产品的示例包括用于在诸如汽车的车辆中使用的铸件。
预测设备10包括运算单元100、存储装置110和显示装置120。运算单元100是诸如中央处理单元(Central Processing Unit，CPU)和微处理单元(Micro Processing Unit，MPU)的运算单元。运算单元100通过读取和运行保存在存储装置110中的程序来执行预测目标产品的缺陷的预测方法。
存储装置110是保存了要由运算单元100运行的程序和诸如关于现有产品的信息和关于目标产品的信息的各种数据的存储装置。具体地，关于现有产品的信息包括指示与现有产品中的位置相关联的缺陷的缺陷特性值、指示现有产品的三维形状的形状信息以及指示现有产品的制造条件的条件信息。现有产品的缺陷特性值和形状信息例如是通过对现有产品的计算机辅助工程(Computer-Aided Engineering，CAE)分析获得的。目标产品的信息包括指示目标产品的三维形状的形状信息和指示目标产品的制造条件的条件信息。
当产品是铸件时，由缺陷特性值指示的产品的缺陷可以是一般的铸造缺陷。铸造缺陷的具体示例包括咬死(seizure)、收缩(shrinkage)、汤纹(flow line)、擦伤(galling)、原材料变形、模具开裂和截留(entrapment)。原材料变形意味着当在铸造过程中形成铸件之后将铸件冷却至常温时可能发生的不期望的变形。由缺陷特性值指示的产品的缺陷不限于这些示例。
缺陷特性值是数量变量，并且是指示产品的缺陷的程度的值。缺陷特性值通过其大小来指示产品的缺陷的程度。
当产品是铸件时，由条件信息指示的制造条件可以是在一般铸造过程中设定的条件。由条件信息指示的制造条件的具体示例包括为了制造铸件的熔融金属类型、熔融金属温度、内部冷却温度、水流时间、模具温度、模具表面处理、循环时间、模制时间、开模顺序、喷涂施加量、喷涂时间和鼓风顺序。制造条件不限于这些示例。
熔融金属类型是熔融金属的类型。熔融金属温度是熔融金属的温度。内部冷却温度是穿过模具内部以冷却铸件的水的温度。模具温度是形成铸件的时刻的模具的温度。水流时间是水穿过模具内部所花费的时间。模具表面处理是为了降低模具表面的磨损而进行的热处理等。
循环时间是当连续生产铸件时在铸造过程中所需的时间。铸造过程的循环由合模、浇注、固化、开模、铸件的移除、脱模剂施加、鼓风以及合模组成。
模制时间是包括在循环时间中的时间并且是从固化(即，浇注的完成)到开模的时间。开模顺序是打开由多个模具部件组成的模具的顺序。喷涂施加量是用于容易地从模具去除铸件的脱模剂的施加量。喷涂时间是施加脱模剂的时间。鼓风顺序是利用鼓风去除遗留在模具上的脱模剂的顺序。
要由运算单元100运行的程序包括分离单元101、模型控制单元102、第一模型103、第二模型104、预测精度判定单元105和预测单元106。在另一实施例中，诸如现场可编程门阵列(Field-Programmable Gate Array，FPGA)和专用集成电路(Application SpecificIntegrated Circuit，ASIC)的集成电路可以运行这些程序。服务器、PC、运算单元和集成电路可以视为计算机。
分离单元101是从存储装置110获取关于现有产品的信息并且将关于现有产品的信息分离成现有产品的缺陷特性值和现有产品的形状信息的程序。
第一模型103是基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征、以及指示现有产品的制造条件的条件信息训练的程序。第一模型103可以通过使用诸如深度学习的机器学习来训练。在例如深度学习的情况下，第一模型103可以通过神经网络来实现。机器学习不限于深度学习，并且可以采用其他技术。
第二模型104是当指示现有产品的三维形状的形状信息被输入时输出现有产品的三维形状的特征的程序。第二模型104可以由卷积神经网络实现。三维形状的特征可以以特征向量的形式来表达。
模型控制单元102是控制第一模型103和第二模型104的程序。模型控制单元102能够通过将指示现有产品的三维形状的形状信息输入到第二模型104来训练第二模型104。模型控制单元102能够通过使用从预训练的第二模型104输出的特征、通过分离单元101获得的现有产品的缺陷特性值、以及保存在存储装置110中的关于现有产品的一个或多个条件信息来训练第一模型103。
在另一实施例中，模型控制单元102可以向第一模型103不仅输入从预训练的第二模型104输出的特征而且还可以输入现有产品的其他特征。当现有产品是铸件时，其他特征的示例包括铸件的模具体积、铸件体积、铸件表面积和铸件的厚度。换言之，第一模型103可以进一步通过铸件的模具体积、铸件体积、铸件表面积以及铸件的厚度中的至少一者来训练。
预测精度判定单元105是将从第一模型103输出的缺陷特性值与现有产品的缺陷特性值进行比较并判定第一模型103的缺陷预测精度是否等于或高于设定精度的程序。利用该判定，能够将通过诸如CAE分析的模拟而获得的现有产品的各部位的缺陷特性值作为现有产品的缺陷特性值。
缺陷特性值能够指示产品的缺陷的程度。预测精度判定单元105能够在当从第一模型103输出的缺陷特性值和通过模拟获得的现有产品的缺陷特性值之间的差小于或等于规定值时判定第一模型103的缺陷预测精度等于或高于设定精度。
预测单元106是通过使用预训练的第一模型103来预测目标产品的缺陷的程序。具体地，预测单元106能够通过将指示目标产品的三维形状的特征量的特征输入到预训练的第一模型103来预测目标产品的缺陷。预测单元106基于从预训练的第一模型103输出的目标产品的缺陷特性值，将指示与目标产品中的位置相关联的缺陷的缺陷特性值显示在显示装置120上。
在另一实施例中，预测单元106可以通过向预训练的第一模型103不仅输入指示目标产品的三维形状的特征量的特征而且输入指示目标产品的一个或多个制造条件的条件信息来预测目标产品的缺陷。
图4是示出目标产品的缺陷的预测结果的图像的示例的图。在图4所示的示例中，逐个位置地示出目标产品的缺陷。在图4所示的示例中，为了方便起见，由圆形标记来表示缺陷。替代性地，可以通过使用颜色指示或各种形状逐个位置地表示目标产品的缺陷。在这种情况下，目标产品的缺陷的程度可以由颜色的类型来表达。目标产品的缺陷的程度也可以通过指示每个缺陷的形状的尺寸来表达。
图2是示出训练第一模型103和第二模型104的处理的示例的流程图。在步骤S101中，预测设备10的分离单元101将关于现有产品的信息分离成缺陷特性值和形状信息。在步骤S102中，模型控制单元102将关于现有产品的形状信息输入到第二模型104。
在步骤S103中，第二模型104通过使用关于现有产品的形状信息来执行卷积现有产品的三维形状的处理，并且生成现有产品的三维形状的特征。在步骤S104中，第二模型104输出所生成的现有产品的三维形状的特征。
在步骤S105中，模型控制单元102将在步骤S101中获得的现有产品的缺陷特性值、在步骤S104中输出的现有产品的特征、以及关于现有产品的条件信息输入到第一模型103。
在步骤S106中，第一模型103将关于现有产品的缺陷特性值、特征和条件信息彼此相关联。在步骤S107中，第一模型103基于现有产品的缺陷特性值、特征和条件信息的相关联性来构建回归表达。在步骤S108中，第一模型103输出分别与现有产品中的位置相关联的缺陷特性值。
在步骤S109中，预测精度判定单元105将从第一模型103输出的缺陷特性值与通过模拟获得的现有产品的缺陷特性值进行比较，并判定第一模型103的缺陷预测精度是否等于或高于设定精度。当第一模型103的缺陷预测精度低于设定精度时(否)，该处理返回到步骤S102，并重复训练第一模型103和第二模型104。另一方面，当第一模型103的缺陷预测精度等于或高于设定精度时(是)，图2的处理结束。
图3是示出预测目标产品的缺陷的处理的示例的流程图。在步骤S201中，预测设备10的预测单元106将指示目标产品的三维形状的特征量的特征输入到通过图2所示的处理训练的预训练的第一模型103。在步骤S202中，预训练的第一模型103输出指示与目标产品中的位置相关联的缺陷的缺陷特性值。在步骤S203中，预测单元106将由预训练的第一模型103输出的目标产品的缺陷特性值显示在显示装置120上，并且图3的处理结束。
在上述实施例中，基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征以及指示现有产品的制造条件的条件信息来训练第一模型103。当目标产品的三维形状的特征和指示目标产品的制造条件的条件信息输入到预训练的第一模型103时，预训练的第一模型103输出指示与目标产品中的位置相关联的缺陷的缺陷特性值。
现有产品的缺陷特性值与目标产品的缺陷特性值相关。产品的三维形状与产品的缺陷相关。产品的制造条件与产品的缺陷相关。因此，通过使用基于现有产品的缺陷特性值、三维形状的特征、以及指示制造条件的条件信息来训练的预训练的第一模型103来预测与目标产品的三维形状相关联的缺陷。因此，能够逐个位置地预测由于诸如新产品的目标产品的形状而引起的缺陷。
当产品是铸件时，由缺陷特性值指示的产品的缺陷包括产品的咬死、收缩、汤纹、擦伤、原材料变形、模具开裂和截留中的至少一者。因此，能够预测目标产品的咬死、收缩、汤纹、擦伤、原材料变形、模具开裂和截留。特别地，能够逐个位置地预测目标产品的咬死、收缩、汤纹、擦伤、原材料变形、模具开裂和截留。
缺陷特性值包括指示目标产品的缺陷的程度的值。因此，能够逐个位置地预测目标产品的缺陷的程度。
当产品是铸件时，预训练的第一模型103可以进一步由铸件的模具体积、铸件体积、铸件表面积和铸件的厚度中的至少一者来训练。因此，预训练的第一模型103能够考虑铸件的模具体积、铸件体积、铸件表面积以及铸件的厚度来预测缺陷。
当产品是铸件时，制造条件包括熔融金属类型、熔融金属温度、内部冷却温度、水流时间、模具温度、模具表面处理、循环时间、模制时间、开模顺序、喷涂施加量、喷涂时间和鼓风顺序中的至少一者。因此，能够基于这些各种制造条件逐个位置地预测目标产品的缺陷。
在上述示例中，程序包括用于当程序被加载到计算机上时使计算机执行本实施例中所描述的一个或多个功能的命令集(或软件代码)。程序可存储在非易失性计算机可读介质或有形的非易失性存储介质中。计算机可读介质或有形的非易失性存储介质的非限制性示例包括诸如随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-OnlyMemory，ROM)、闪存、固态驱动器(Solid-State Drive，SSD)及其他的存储器技术、诸如CD-ROM、数字通用盘(Digital Versatile Disc，DVD)、蓝光(Blu-ray，注册商标)盘及其他的光盘存储器以及诸如磁带盒、磁带、磁盘存储器及其他的磁存储装置。程序可以在易失性计算机可读介质或通信介质上传输。易失性计算机可读介质或通信介质的非限制性示例包括电、光、声或其他类型的传播信号。
本发明不限于上述实施例并且可以在不脱离本发明的范围的情况下根据需要进行修改。例如，在上述实施例中，作为单个设备的预测设备10可以视为预测系统。替代性地，在另一实施例中，预测系统可以由多个设备实现。例如，在运算单元100中实现的分离单元101、模型控制单元102、第一模型103、第二模型104、预测精度判定单元105和预测单元106可以在多个设备之中以分布方式实现。

Claims (15)

1.预测系统，配置为预测目标产品的缺陷，其特征在于，所述预测系统包括预训练的第一模型，所述预训练的第一模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征以及指示所述现有产品的制造条件的条件信息训练，其中
所述预训练的第一模型配置为，当输入了所述目标产品的三维形状的特征时，输出指示与所述目标产品中的位置相关联的缺陷的缺陷特性值。
2.根据权利要求1所述的预测系统，其特征在于：
所述产品是铸件；以及
由所述缺陷特性值指示的产品的缺陷包括所述产品的咬死、收缩、汤纹、擦伤、原材料变形、模具开裂和截留中的至少一者。
3.根据权利要求1或2所述的预测系统，其特征在于，所述缺陷特性值包括指示所述产品的缺陷的程度的值。
4.根据权利要求1至3中任一项所述的预测系统，其特征在于，当所述产品是铸件时，所述预训练的第一模型还通过所述铸件的模具体积、铸件体积、铸件表面积和所述铸件的厚度中的至少一者训练。
5.根据权利要求1至4中任一项所述的预测系统，其特征在于，还包括预训练的第二模型，所述预训练的第二模型配置为，当输入了指示所述现有产品的三维形状的形状信息时，输出所述现有产品的三维形状的特征，其中
通过使用从所述预训练的第二模型输出的特征来训练所述预训练的第一模型。
6.根据权利要求1至5中任一项所述的预测系统，其特征在于，当所述产品是铸件时，所述制造条件包括熔融金属类型、熔融金属温度、内部冷却温度、水流时间、模具温度、模具表面处理、循环时间、模制时间、开模顺序、喷涂施加量、喷涂时间和鼓风顺序中的至少一者。
7.根据权利要求1至6中任一项所述的预测系统，其特征在于，还包括显示装置，其中
指示与所述目标产品中的位置相关联的缺陷的缺陷特性值显示在所述显示装置上。
8.预测目标产品的缺陷的预测方法，其特征在于，所述预测方法包括：由计算机将所述目标产品的三维形状的特征输入到预训练的第一模型，所述预训练的第一模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、指示所述现有产品的三维形状的形状信息以及指示所述现有产品的制造条件的条件信息训练；以及使所述预训练的第一模型输出指示与所述目标产品中的位置相关联的缺陷的缺陷特性值。
9.根据权利要求8所述的预测方法，其特征在于，当所述产品是铸件时，由所述缺陷特性值指示的产品的缺陷包括所述产品的咬死、收缩、汤纹、擦伤、原材料变形、模具开裂和截留中的至少一者。
10.根据权利要求8或9所述的预测方法，其特征在于，所述缺陷特性值包括指示所述产品的缺陷的程度的值。
11.根据权利要求8至10中任一项所述的预测方法，其特征在于，当所述产品是铸件时，所述预训练的第一模型还通过所述铸件的模具体积、铸件体积、铸件表面积和所述铸件的厚度中的至少一者训练。
12.根据权利要求8至11中任一项所述的预测方法，其特征在于，还包括：
由所述计算机将指示所述现有产品的三维形状的形状信息输入到预训练的第二模型，并使所述预训练的第二模型输出现有产品的三维形状的特征；以及
由所述计算机通过使用从所述预训练的第二模型输出的特征来训练所述预训练的第一模型。
13.根据权利要求8至12中任一项所述的预测方法，其特征在于，当所述产品是铸件时，所述制造条件包括熔融金属类型、熔融金属温度、内部冷却温度、水流时间、模具温度、模具表面处理、循环时间、模制时间、开模顺序、喷涂施加量、喷涂时间和鼓风顺序中的至少一者。
14.根据权利要求8至13中任一项所述的预测方法，其特征在于，还包括在显示装置上显示指示与所述目标产品中的位置相关联的缺陷的缺陷特性值。
15.非易失性存储介质，其存储程序，所述程序是配置为预测目标产品的缺陷的预训练模型，其特征在于：
所述预训练模型基于指示与现有产品中的位置相关联的缺陷的缺陷特性值、现有产品的三维形状的特征以及指示所述现有产品的制造条件的条件信息训练；以及
所述预训练模型配置为，当输入了所述目标产品的三维形状的特征时，输出指示与所述目标产品中的位置相关联的缺陷的缺陷特性值。
CN202210540715.0A 2021-06-15 2022-05-17 预测系统、预测方法和非易失性存储介质 Pending CN115481775A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021099239A JP2022190798A (ja) 2021-06-15 2021-06-15 予測システム、予測方法及びプログラム
JP2021-099239 2021-06-15

Publications (1)

Publication Number Publication Date
CN115481775A true CN115481775A (zh) 2022-12-16

Family

ID=82058293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210540715.0A Pending CN115481775A (zh) 2021-06-15 2022-05-17 预测系统、预测方法和非易失性存储介质

Country Status (4)

Country Link
US (1) US20220397892A1 (zh)
EP (1) EP4105747A1 (zh)
JP (1) JP2022190798A (zh)
CN (1) CN115481775A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822341A (zh) * 2023-06-12 2023-09-29 华中科技大学 一种基于三维铸件模型特征提取的缺陷预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200024712A1 (en) 2016-09-30 2020-01-23 Uacj Corporation Device for predicting aluminum product properties, method for predicting aluminum product properties, control program, and storage medium
EP3316061A1 (en) * 2016-10-31 2018-05-02 Fundacion Deusto Procedure for predicting the mechanical properties of pieces obtained by casting
DE102019110360A1 (de) * 2019-04-18 2020-10-22 Volume Graphics Gmbh Computer-implementiertes Verfahren zur Bestimmung von Defekten eines mittels eines additiven Fertigungsprozesses hergestellten Objekts
DE102020210967A1 (de) * 2019-11-14 2021-05-20 Sms Group Gmbh Verfahren und System zur Optimierung eines Produktionsprozesses in einer Produktionsanlage der metallerzeugenden Industrie, der Nicht-Eisen-Industrie oder der Stahlindustrie zur Herstellung von Halbzeugen oder Fertigerzeugnissen, insbesondere zur Überwachung von Produktqualitäten von gewalzten oder geschmiedeten Metallerzeugnissen

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822341A (zh) * 2023-06-12 2023-09-29 华中科技大学 一种基于三维铸件模型特征提取的缺陷预测方法及系统

Also Published As

Publication number Publication date
US20220397892A1 (en) 2022-12-15
EP4105747A1 (en) 2022-12-21
JP2022190798A (ja) 2022-12-27

Similar Documents

Publication Publication Date Title
US10520917B2 (en) Method of simulating a shaping process
BramahHazela et al. Machine Learning: Supervised Algorithms to Determine the Defect in High‐Precision Foundry Operation
CN115481775A (zh) 预测系统、预测方法和非易失性存储介质
Ahmed et al. Warpage prediction of Injection-molded PVC part using ensemble machine learning algorithm
JP2012057195A (ja) 溶鋼温度管理方法、装置及びプログラム
US11341409B2 (en) Systems and methods for error reduction in materials casting
US10974318B2 (en) Cast product mechanical characteristic prediction method, cast product mechanical characteristic prediction system, and computer readable recording medium recording cast product mechanical characteristic prediction program
US20230316380A1 (en) System and method for recommending a recipe in a manufacturing process
JP4303252B2 (ja) 鋳造方案評価装置
US20230241826A1 (en) Method and device for reducing the amount of reworking required on mold cavities prior to their use in series production
JP2009053094A (ja) 金型温度解析方法
JP2015174116A (ja) ひけ割れの推定方法及びその推定プログラムの記憶媒体
CN111571913A (zh) 卫浴塑胶件缺陷预测方法
JP2020140365A (ja) 製品品質不良予測システム
JP2006205452A (ja) 加硫条件の決定方法
Sambandam et al. Intelligent surface defect detection for submersible pump impeller using MobileNet V2 architecture
JP2004318863A (ja) 成形品の設計支援方法および装置
WO2021201187A1 (ja) 装置、方法、およびプログラム
Idzik et al. Decision Support for the Optimization of Continuous Processesusing Digital Shadows
Park et al. Convolutional LSTM based melt-pool prediction from images of laser tool path strategy in laser powder bed fusion for additive manufacturing
JP2000211005A (ja) 射出成形品の欠陥予測・評価方法及び欠陥予測・評価装置
US9475221B2 (en) Method of predicing injection molding cycle time
EP4025406B1 (en) Computer implemented method of designing a molding process
CN118862371A (zh) 一种汽车注塑零部件的变形预测方法及系统
Rauch et al. Development and Application of the Statistically Similar Representative Volume Element for Numerical Modelling of Multiphase Materials

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