CN115511398A - 一种基于时间敏感网络的焊接质量智能检测方法及系统 - Google Patents

一种基于时间敏感网络的焊接质量智能检测方法及系统 Download PDF

Info

Publication number
CN115511398A
CN115511398A CN202211471505.7A CN202211471505A CN115511398A CN 115511398 A CN115511398 A CN 115511398A CN 202211471505 A CN202211471505 A CN 202211471505A CN 115511398 A CN115511398 A CN 115511398A
Authority
CN
China
Prior art keywords
welding
defect
probability
welding process
data
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
CN202211471505.7A
Other languages
English (en)
Other versions
CN115511398B (zh
Inventor
叶迎春
陈刚
张强
王银河
葛东玉
陈文静
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.)
Jiangsu Future Network Group Co ltd
Original Assignee
Jiangsu Future Network Group 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 Jiangsu Future Network Group Co ltd filed Critical Jiangsu Future Network Group Co ltd
Priority to CN202211471505.7A priority Critical patent/CN115511398B/zh
Publication of CN115511398A publication Critical patent/CN115511398A/zh
Application granted granted Critical
Publication of CN115511398B publication Critical patent/CN115511398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)

Abstract

本申请涉及焊接检测技术领域，提供一种基于时间敏感网络的焊接质量智能检测方法及系统。所述方法包括：根据焊接日志数据对焊接工艺参数进行预设缺陷类型的缺陷概率评估并生成第一触发概率并根据其是否满足缺陷概率阈值进行焊接工艺参数优化，基于焊接工艺参数优化结果的触发概率匹配焊接质量抽检数量，进行后续生产产品的随机抽检，获得质量检测结果。采用本方法能够解决现有技术中存在进行焊接产品质量检测效率和准确率不足，导致自动焊接产品的品控较差的技术问题，实现了基于焊接产品质量缺陷进行自动焊接设备控制参数优化调整以及抽检数量的适应性调整，提高焊接产品质量以及抽检结果可参考性的技术效果。

Description

一种基于时间敏感网络的焊接质量智能检测方法及系统
技术领域
本申请涉及焊接检测技术领域，特别是涉及一种基于时间敏感网络的焊接质量智能检测方法及系统。
背景技术
随着科技发展，搭载自动化技术、物联网科技的自动焊接设备由于其相较于人工焊接具有更高的焊接生产效率和焊接质量稳定性的优势，而逐渐取代人工焊接被应用于多种焊接产品生产中。
自动焊接设备的运行往往依赖于人工进行运行参数设定，在焊接产品高效生产的同时，落后的人工周期性抽检已无法满足自动化焊接产品检测需求，导致基于自动焊接设备生产获得的焊接产品的品控较弱，自动焊接设备控制参数调节滞后性较强。
综上所述，现有技术中存在进行焊接产品质量检测效率和准确率不足，导致自动焊接产品的品控较差的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现基于焊接产品质量缺陷进行自动焊接设备控制参数优化调整以及抽检数量的适应性调整，提高焊接产品质量以及抽检结果可参考性的一种基于时间敏感网络的焊接质量智能检测方法及系统。
一种基于时间敏感网络的焊接质量智能检测方法，方法包括：根据所述自动焊接设备，获取焊接工艺参数和焊接场景数据；根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；判断所述第一触发概率是否满足缺陷概率阈值；若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；根据所述第二触发概率，匹配焊接质量抽检数量；根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
一种基于时间敏感网络的焊接质量智能检测系统，所述系统包括：焊接数据获取模块，用于根据自动焊接设备，获取焊接工艺参数和焊接场景数据；日志数据采集模块，用于根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；缺陷概率评估模块，用于根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；缺陷概率判断模块，用于判断所述第一触发概率是否满足缺陷概率阈值；工艺参数优化模块，用于若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；抽检数量确定模块，用于根据所述第二触发概率，匹配焊接质量抽检数量；随机抽检执行模块，用于根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据所述自动焊接设备，获取焊接工艺参数和焊接场景数据；
根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；
根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；
判断所述第一触发概率是否满足缺陷概率阈值；
若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；
根据所述第二触发概率，匹配焊接质量抽检数量；
根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
上述一种基于时间敏感网络的焊接质量智能检测方法及系统，解决了现有技术中存在进行焊接产品质量检测效率和准确率不足，导致自动焊接产品的品控较差的技术问题，达到了基于焊接产品质量缺陷进行自动焊接设备控制参数优化调整以及抽检数量的适应性调整，提高焊接产品质量以及抽检结果可参考性的技术效果。
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为一个实施例中一种基于时间敏感网络的焊接质量智能检测方法的流程示意图；
图2为一个实施例中一种基于时间敏感网络的焊接质量智能检测方法中构建触发概率评估模型的流程示意图；
图3为一个实施例中一种基于时间敏感网络的焊接质量智能检测系统的结构框图；
图4为一个实施例中计算机设备的内部结构示意图。
附图标记说明：焊接数据获取模块1，日志数据采集模块2，缺陷概率评估模块3，缺陷概率判断模块4，工艺参数优化模块5，抽检数量确定模块6，随机抽检执行模块7。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于时间敏感网络的焊接质量智能检测方法，应用于焊接质量智能检测系统，所述系统和自动焊接设备通信连接，包括：
步骤S100:根据所述自动焊接设备，获取焊接工艺参数和焊接场景数据；
步骤S200:根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；
具体而言，在本实施例中，所述自动焊接设备为替代人工手动焊接的自动化机械，相较于人工焊接具有更高的焊接生产效率和焊接质量稳定性。所述焊接场景数据为进行多个焊接对象焊接连结的焊接要求，包括但不限于焊接方法和焊接工艺要求。所述焊接工艺参数为以所述焊接场景数据为参考获得的自动焊接设备控制参数以及焊接原料数据，应理解的，参考同一焊接场景数据获得的焊接工艺参数也存在一定的差异性。
在本实施例的实际生产中，所述自动焊接设备基于所述焊接场景数据生成所述焊接工艺参数，基于所述焊接工艺参数控制自动电焊设备进行多个焊接对象的焊接连结。
所述自动焊接设备焊接加工所获焊接成品经由包括但不限于力学检测、外观检测、使用性能检测的多种质量检测，以确定产品是否存在质量缺陷。对焊接成品检测产生的数据统称为质量检测缺陷记录数据并上传至局域网中进行数据存储。所述自动焊接设备生产焊接成品的焊接工艺参数记录数据以及对应的焊接场景数据也上传至局域网中进行数据存储，历史焊接场景数据、历史焊接工艺参数以及历史质量检测缺陷数据按照焊接成品映射并作为所述焊接日志数据存储在局域网数据存储空间中。
在本实施例中，基于所述焊接场景数据，采用时间敏感网络方法遍历局域网数据存储空间，获得与所述焊接场景数据具有一致性的所述焊接日志数据，所述焊接日志数据为多组焊接场景数据具有一致性的焊接工艺参数记录数据、焊接质量检测缺陷记录数据集合。
应理解的，由于对每一焊接产品都进行多种类型质量缺陷检测，因而每一焊接工艺参数记录数据对应多种类型的多组焊接质量检测缺陷记录数据。
步骤S300:根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；
在一个实施例中，如图2所示，所述根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率，本申请提供的方法步骤S300还包括：
步骤S310:根据所述焊接日志数据，获取多组焊接工艺参数记录数据和多组质量检测缺陷记录数据；
步骤S320:对所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联性分析，生成多组关联数据和多个关联度；
步骤S330:根据所述多个关联度中满足关联度阈值的所述多组关联筛选数据，构建触发概率评估模型；
步骤S340:将所述焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成所述第一触发概率。
在一个实施例中，所述根据所述多个关联度中满足关联度阈值的所述多组关联筛选数据，构建触发概率评估模型，本申请提供的方法步骤S330还包括：
步骤S331:构建触发概率计算公式：
Figure 983634DEST_PATH_IMAGE001
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表征第i种工艺参数记录数据第j组质量检测缺陷记录数据，
Figure 100002_DEST_PATH_IMAGE004
表征 记录的第k类型缺陷参数，
Figure DEST_PATH_IMAGE005
表征第i种工艺参数和第k类型缺陷参数共同出现的频率，
Figure 100002_DEST_PATH_IMAGE006
表征任意一组工艺参数和缺陷类型特征值的出现总频率，
Figure DEST_PATH_IMAGE007
表征触发概率；
步骤S332:基于满足所述关联度阈值的所述多组关联筛选数据，调取所述触发概率计算公式，计算多组触发概率标识数据；
步骤S333:根据所述多组关联筛选数据和所述多组触发概率标识数据，基于前馈神经网络进行有监督训练，生成所述触发概率评估模型。
具体而言，应理解的，所述自动焊接设备在某一焊接场景下基于对应的焊接工艺参数进产品焊接加工时，存在获得各种类型质量缺陷的焊接产品的可能。本实施例基于历史自动焊接设备焊接质量缺陷进行整合，生成所述预设焊接缺陷类型，所述预设焊接缺陷类型包括但不限于外观缺陷、力学缺陷、功能缺陷。所述预设缺陷类型中每一缺陷类型发生概率存在差异性。
在本实施例中，根据所述焊接日志数据对基于所述焊接工艺参数进行焊接产品加工出现所述预设缺陷类型中各类型质量缺陷的缺陷概率评估，具体的，根据所述焊接日志数据，获取多组焊接工艺参数记录数据和多组质量检测缺陷记录数据，每组质量检测缺陷记录数据包含多个焊接产品质量缺陷类型。
对所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联性分析，生成多组关联数据和多个关联度，所述多组关联数据与对应质量检测缺陷记录数据的关联度反映了不同工艺参数与不同焊接产品缺陷发生的相关程度大小，关联度越大表明工艺参数与焊接产品质量缺陷的相关性越高。本实施例后续说明书内容中进行所述关联性分析方法最优实施例的阐述。
基于自动焊接设备使用工作人员过去经验进行所述关联度阈值的设置，所述关联度阈值为判断工艺参数是否与某一类型质量缺陷具有相关性的参考数据阈值。
基于所述关联度阈值对所述多组关联数据进行筛选，获得关联度数据满足所述关联度阈值的所述多组关联筛选数据，所述多组关联筛选数据用于构建触发概率评估模型，所述触发概率评估模型为可根据焊接工艺参数评估计划焊接获得的焊接产品发生所述预设质量缺陷中多种类型质量缺陷的概率。
为提高所述触发概率评估模型的输出准确度，本实施例基于所述多组关联筛选数据计算获得基于多组工艺参数进行焊接发生多种类型质量缺陷的概率，即所述触发概率。将多个触发概率和多组关联筛选数据和多个触发概率作为训练数据进行所述概率评估模型的训练。
所述触发概率的最优获得方法为，构建触发概率计算公式：
Figure 288582DEST_PATH_IMAGE001
Figure 308491DEST_PATH_IMAGE002
基于所述触发概率公式进行工艺参数触发质量缺陷概率的计算，以提高触发概率 数据的科学性和准确性，在所述触发概率计算公式中，
Figure 373399DEST_PATH_IMAGE003
表征第i种工艺参数记录数据的 第j组质量检测缺陷记录数据，
Figure 100002_DEST_PATH_IMAGE008
表征记录的第k类型缺陷参数，
Figure DEST_PATH_IMAGE009
表征第i种工艺参 数和第k类型缺陷参数共同出现的频率，
Figure 21418DEST_PATH_IMAGE006
表征任意一组工艺参数和 缺陷类型特征值的出现总频率，
Figure 100002_DEST_PATH_IMAGE010
表征触发概率。
基于满足所述关联度阈值的所述多组关联筛选数据，调取所述触发概率计算公式，计算多组触发概率标识数据，将所述多组触发概率标识数据与多组关联筛选数据进行关联标识。
基于前馈神经网络进行所述触发概率评估模型的构建，将所述多组关联筛选数据和所述多组触发概率标识数据标识划分为训练数据集、监督数据集以及验证数据集，进行所述触发概率评估模型的有监督训练，直至所述触发概率评估模型的输出准确度满足预设准确率要求，生成所述触发概率评估模型。
将步骤S100获得的所述焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成所述第一触发概率，所述第一触发概率为自动焊接设备基于所述焊接工艺参数进行焊接加工时触发预设缺陷类型中各类型缺陷发生概率的数据集合。
本实施例通过分析多组焊接工艺参数记录数据和多组质量检测缺陷记录数据生成多组关联数据和多个关联度进行构建触发概率评估模型，达到了基于模型即可采用所述工艺参数进行焊接加工触发预设质量缺陷中各类型缺陷的概率数据的准确预测评估，达到了为后续是否进行自动焊接设备工艺参数优化调整以降低质量缺陷触发概率提供判断基准。
步骤S400:判断所述第一触发概率是否满足缺陷概率阈值；
具体而言，应理解的，采用任意工艺参数进行焊接加工，都存在触发不特定质量缺陷发生的可能，因而本实施例预设缺陷概率阈值用于判断所述第一触发概率为基于工艺参数优化即可规避质量缺陷还是与工艺参数优化无关属于自动焊接的客观缺陷。所述缺陷概率阈值与所述关联度阈值都可基于自动焊接设备使用工作人员过去经验进行设定。
判断所述第一触发概率中各个质量缺陷类型对应的触发概率数据是否满足所述缺陷概率阈值，若存在不满足项，则表明通过进行焊接工艺参数优化即可降低质量缺陷触发概率。
步骤S500:若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；
在一个实施例中，所述若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，本申请提供的方法步骤S500还包括：
步骤S510:根据所述自动焊接设备，设定所述焊接工艺参数调整区间；
步骤S520:根据所述焊接工艺参数调整区间随机抽取，获取第m组焊接工艺参数；
步骤S530:将所述第m组焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成第m触发概率；
步骤S540:判断所述第m触发概率是否小于所述缺陷概率阈值；
步骤S550:若小于，将所述第m组焊接工艺参数设为所述焊接工艺参数优化结果。
具体而言，在本实施例中，基于步骤S200采集获得的所述焊接日志数据，基于所述焊接日志数据提取获得多组焊接工艺参数记录数据，对所述多组焊接工艺参数记录数据按照工艺参数项进行数据拆分，并对各项工艺参数项的多个数据进行由大到小的排序，获得各工艺参数项的最大值和最小值，作为步骤S100的焊接场景数据的焊接工艺参数调整区间。
根据所述焊接工艺参数调整区间随机抽取，获取第m组焊接工艺参数，将所述第m组焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成第m触发概率，所述第m触发概率中包含以第m组焊接工艺参数控制自动焊接设备运行，获得的焊接产品发生所述预设缺陷类型中各类型质量缺陷的触发概率数据。
判断所述第m触发概率中各类型质量缺陷触发概率是否小于所述缺陷概率阈值，若小于，将所述第m组焊接工艺参数设为所述焊接工艺参数优化结果，并且将述第m触发概率作为所述第二触发概率用于后续进行焊接产品抽检频率确定的参考数据。
本实施例通过基于焊接日志数据进行焊接场景数据下焊接工艺参数调整区间的确定，基于焊接工艺参数调整区间进行多组焊接工艺参数的生成，并通依次输入触发概率评估模型获得触发概率数据与缺陷概率阈值比对，实现了高效获得质量缺陷触发概率较低的焊接工艺参数优化结果以进行该焊接场景下自动焊接设备控制的技术效果。
步骤S600:根据所述第二触发概率，匹配焊接质量抽检数量；
在一个实施例中，所述根据所述第二触发概率，匹配焊接质量抽检数量，本申请提供的方法步骤S600还包括：
步骤S610:根据所述第二触发概率对所述预设缺陷类型进行由大到小排序，生成缺陷类型排序结果；
步骤S620:根据所述缺陷类型排序结果，匹配多种质量检测类型；
步骤S630:基于所述缺陷类型排序结果为所述多种质量检测类型，匹配所述焊接质量抽检数量，排序靠前的抽检数量大于排序靠后的抽检数量。
具体而言，在本实施例中，所述第一触发概率与所述第二触发概率都为预设缺陷类型中各类型质量缺陷触发概率的数据集合，根据所述第二触发概率对所述预设缺陷类型进行由大到小排序，生成缺陷类型排序结果。
根据所述缺陷类型排序结果以及对应的质量缺陷类型，匹配多种质量检测类型，所述多种质量检测类型包括但不限于力学检测、外观检测、使用性能检测。
基于所述缺陷类型排序结果为所述多种质量检测类型，匹配所述焊接质量抽检数量，排序靠前的抽检数量大于排序靠后的抽检数量，本实施例对于具体的抽检数量不做限制，可根据焊接产品数量按比例抽取进行。
本实施例通过按照第二触发概率中各个质量缺陷类型的触发概率进行排序，并对应进行质量缺陷类型的质量检测类型以及抽检焊接产品数量高低的设置，实现了按照焊接质量缺陷触发频率适应性进行抽检数量设定，提高产品抽检科学性以及抽检质检结果对于焊接产品生产品质的代表性的技术效果。
步骤S700:根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
具体而言，在本实施例中，根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接产品的流水线生产，基于所述焊接质量抽检数量进行焊接产品的随机抽检，并将焊接质量检测结果上传至局域网存储空间作为新增焊接日志数据中的质量检测缺陷记录数据。
本实施例通过根据所述自动焊接设备，获取焊接工艺参数和焊接场景数据；根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率，为后续是否进行自动焊接设备工艺参数优化调整以降低质量缺陷触发概率提供判断基准；判断所述第一触发概率是否满足缺陷概率阈值；若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值，实现高效获得质量缺陷触发概率较低的焊接工艺参数优化结果以进行该焊接场景下自动焊接设备控制；根据所述第二触发概率，匹配焊接质量抽检数量，实现按照焊接质量缺陷触发频率适应性进行抽检数量设定，提高产品抽检科学性以及抽检质检结果对于焊接产品生产品质的代表性；根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。达到了基于焊接产品质量缺陷进行自动焊接设备控制参数优化调整以及抽检数量的适应性调整，提高焊接产品质量以及抽检结果可参考性的技术效果。
在一个实施例中，所述对所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联性分析，生成多组关联数据和多个关联度，本申请提供的方法步骤S320还包括：
步骤S321:构建关联度计算公式：
Figure DEST_PATH_IMAGE011
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表征第i种工艺参数记录数据第j组质量检测缺陷记录数据，
Figure 169371DEST_PATH_IMAGE004
表征 记录的第k类型缺陷参数,
Figure DEST_PATH_IMAGE014
表征任意两组只有第k类型缺陷的质量检测缺陷记录数据 变化量，
Figure DEST_PATH_IMAGE015
表征两组只有第k类型缺陷的焊接工艺参数记录数据变化量，
Figure DEST_PATH_IMAGE016
表征 对多个变化量比值求均值，记为
Figure DEST_PATH_IMAGE017
，表征关联度。
根据所述关联度计算公式，遍历所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联度计算，生成所述多组关联数据和所述多个关联度。
具体而言，在本实施例中，所述关联度计算方法是步骤S320的细化，同时也是步骤S300中获取多组关联数据和多个关联度的最优实施例。
具体构建的所述关联度计算公式如下：
Figure 134965DEST_PATH_IMAGE001
Figure 675668DEST_PATH_IMAGE012
基于所述关联度计算公式可获得较为科学准确的反映工艺参数与质量缺陷发生 之间关联性高低的关联度计算结果。在所述关联度计算公式中，
Figure 647035DEST_PATH_IMAGE003
表征第i种工艺参数记 录数据种的第j组质量检测缺陷记录数据，
Figure 513360DEST_PATH_IMAGE008
表征记录的第k类型缺陷参数,
Figure 507860DEST_PATH_IMAGE014
表征任 意两组只有第k类型缺陷的质量检测缺陷记录数据变化量，
Figure 914571DEST_PATH_IMAGE015
表征两组只有第k类型缺陷 的焊接工艺参数记录数据变化量，
Figure 678128DEST_PATH_IMAGE016
表征对多个变化量比值求均值，记为
Figure DEST_PATH_IMAGE018
， 表征关联度。
根据所述关联度计算公式，遍历所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联度计算，生成所述多组关联数据和所述多个关联度。
本实施例通过构建关联度计算公式，计算获得工艺参数与焊接产品的多种质量缺陷发生关联性的关联度数据，达到了科学直观的获知自动焊接设备基于工艺参数进行原材料焊接进行焊接产品生产时，发生不同类型质量缺陷的可能性高低的技术效果。
在一个实施例中，所述判断所述第m触发概率是否小于所述缺陷概率阈值，本申请提供的方法步骤S540还包括：
步骤S541:若大于或等于，判断所述第m触发概率是否大于第m-1触发概率；
步骤S542:若所述第m触发概率大于所述第m-1触发概率，将所述第m组焊接工艺参数添加进淘汰数据组，基于第m-1组焊接工艺参数重复迭代优化；
步骤S543:若第m触发概率小于或等于所述第m-1触发概率，将所述第m-1组焊接工艺参数添加进所述淘汰数据组，基于所述第m组焊接工艺参数重复迭代优化。
在一个实施例中，本申请提供的方法步骤S543还包括：
步骤S543-1:当m满足预设迭代次数时，将所述第m组焊接工艺参数或所述第m-1组焊接工艺参数设为所述焊接工艺参数优化结果。
具体而言，在本实施例中，判断所述第m触发概率是否小于所述缺陷概率阈值，若大于或等于，则比对第m-1触发概率与第m触发概率，判断所述第m触发概率是否大于第m-1触发概率，若所述第m触发概率大于所述第m-1触发概率，将所述第m组焊接工艺参数添加进淘汰数据组，基于第m-1组焊接工艺参数重复迭代优化，若第m触发概率小于或等于所述第m-1触发概率，将所述第m-1组焊接工艺参数添加进所述淘汰数据组，基于所述第m组焊接工艺参数重复迭代优化。预设迭代次数，以避免所获焊接工艺参数对应的触发概率不满足预设概率阈值而持续进行寻优迭代，造成对基于时间敏感网络的焊接质量智能监测系统的算力资源浪费。当m满足预设迭代次数时，将所述第m组焊接工艺参数或所述第m-1组焊接工艺参数设为所述焊接工艺参数优化结果。
本实施例通过基于焊接工艺参数调整区间随机抽取工艺参数组合进行触发概率获取寻优，并预设迭代次数避免所获焊接工艺参数对应的触发概率不满足预设概率阈值而持续进行寻优迭代，造成对基于时间敏感网络的焊接质量智能监测系统的算力资源浪费，达到了较为高效的进行焊接工艺参数优化结果的获取，从而实现提高控制自动焊接设备进行焊接生产所获焊接产品的优良率的技术效果。
在一个实施例中，如图4所示，提供了一种基于时间敏感网络的焊接质量智能检测系统，包括：焊接数据获取模块1，日志数据采集模块2，缺陷概率评估模块3，缺陷概率判断模块4，工艺参数优化模块5，抽检数量确定模块6，随机抽检执行模块7，其中：
焊接数据获取模块1，用于根据自动焊接设备，获取焊接工艺参数和焊接场景数据；
日志数据采集模块2，用于根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；
缺陷概率评估模块3，用于根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；
缺陷概率判断模块4，用于判断所述第一触发概率是否满足缺陷概率阈值；
工艺参数优化模块5，用于若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；
抽检数量确定模块6，用于根据所述第二触发概率，匹配焊接质量抽检数量；
随机抽检执行模块7，用于根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
在一个实施例中，所述缺陷概率评估模块3还包括：
日志数据提取单元，用于根据所述焊接日志数据，获取多组焊接工艺参数记录数据和多组质量检测缺陷记录数据；
关联性分析单元，用于对所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联性分析，生成多组关联数据和多个关联度；
评估模型构建单元，用于根据所述多个关联度中满足关联度阈值的所述多组关联筛选数据，构建触发概率评估模型；
触发概率获得单元，用于将所述焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成所述第一触发概率。
在一个实施例中，所述关联性分析单元还包括：
关联度公式构建单元，用于构建关联度计算公式：
Figure 43250DEST_PATH_IMAGE001
Figure 321785DEST_PATH_IMAGE012
其中，
Figure 469869DEST_PATH_IMAGE003
表征第i种工艺参数记录数据第j组质量检测缺陷记录数据，
Figure 150249DEST_PATH_IMAGE004
表征 记录的第k类型缺陷参数,
Figure 358377DEST_PATH_IMAGE014
表征任意两组只有第k类型缺陷的质量检测缺陷记录数据 变化量，
Figure 124207DEST_PATH_IMAGE015
表征两组只有第k类型缺陷的焊接工艺参数记录数据变化量，
Figure 810404DEST_PATH_IMAGE016
表征 对多个变化量比值求均值，记为
Figure 610869DEST_PATH_IMAGE018
，表征关联度；
关联度计算单元，用于根据所述关联度计算公式，遍历所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联度计算，生成所述多组关联数据和所述多个关联度。
在一个实施例中，所述评估模型构建单元还包括：
触发概率构建单元，用于构建触发概率计算公式：
Figure 255477DEST_PATH_IMAGE001
Figure 446287DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE019
表征第i种工艺参数记录数据第j组质量检测缺陷记录数据，
Figure 258211DEST_PATH_IMAGE004
表征 记录的第k类型缺陷参数，
Figure 647604DEST_PATH_IMAGE009
表征第i种工艺参数和第k类型缺陷参数共同出现的频率，
Figure DEST_PATH_IMAGE020
表征任意一组工艺参数和缺陷类型特征值的出现总频率，
Figure 525430DEST_PATH_IMAGE010
表征触发概率；
标识数据计算单元，用于基于满足所述关联度阈值的所述多组关联筛选数据，调取所述触发概率计算公式，计算多组触发概率标识数据；
评估模型训练单元，用于根据所述多组关联筛选数据和所述多组触发概率标识数据，基于前馈神经网络进行有监督训练，生成所述触发概率评估模型。
在一个实施例中，所述工艺参数优化模块5还包括：
参数阈值确定单元，用于根据所述自动焊接设备，设定所述焊接工艺参数调整区间；
工艺参数获得单元，用于根据所述焊接工艺参数调整区间随机抽取，获取第m组焊接工艺参数；
触发概率输出单元，用于将所述第m组焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成第m触发概率；
触发概率判断单元，用于判断所述第m触发概率是否小于所述缺陷概率阈值；
参数优化获得单元，用于若小于，将所述第m组焊接工艺参数设为所述焊接工艺参数优化结果。
在一个实施例中，所述触发概率判断单元还包括：
触发概率比对单元，用于若大于或等于，判断所述第m触发概率是否大于第m-1触发概率；
参数迭代优化单元，用于若所述第m触发概率大于所述第m-1触发概率，将所述第m组焊接工艺参数添加进淘汰数据组，基于第m-1组焊接工艺参数重复迭代优化；
参数迭代淘汰单元，用于若第m触发概率小于或等于所述第m-1触发概率，将所述第m-1组焊接工艺参数添加进所述淘汰数据组，基于所述第m组焊接工艺参数重复迭代优化。
参数迭代停止单元，用于当m满足预设迭代次数时，将所述第m组焊接工艺参数或所述第m-1组焊接工艺参数设为所述焊接工艺参数优化结果。
在一个实施例中，所述抽检数量确定模块6还包括：
缺陷类型排序单元，用于根据所述第二触发概率对所述预设缺陷类型进行由大到小排序，生成缺陷类型排序结果；
排序结果匹配单元，用于根据所述缺陷类型排序结果，匹配多种质量检测类型；
抽检数量匹配单元，用于基于所述缺陷类型排序结果为所述多种质量检测类型，匹配所述焊接质量抽检数量，排序靠前的抽检数量大于排序靠后的抽检数量。
关于一种基于时间敏感网络的焊接质量智能检测系统的具体实施例可以参见上文中对于一种基于时间敏感网络的焊接质量智能检测方法的实施例，在此不再赘述。上述一种基于时间敏感网络的焊接质量智能检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于时间敏感网络的焊接质量智能检测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：根据所述自动焊接设备，获取焊接工艺参数和焊接场景数据；根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；判断所述第一触发概率是否满足缺陷概率阈值；若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；根据所述第二触发概率，匹配焊接质量抽检数量；根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于时间敏感网络的焊接质量智能检测方法，其特征在于，应用于焊接质量智能检测系统，所述系统和自动焊接设备通信连接，包括：
根据所述自动焊接设备，获取焊接工艺参数和焊接场景数据；
根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；
根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；
判断所述第一触发概率是否满足缺陷概率阈值；
若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；
根据所述第二触发概率，匹配焊接质量抽检数量；
根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
2.如权利要求1所述的方法，其特征在于，所述根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率，包括：
根据所述焊接日志数据，获取多组焊接工艺参数记录数据和多组质量检测缺陷记录数据；
对所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联性分析，生成多组关联数据和多个关联度；
根据所述多个关联度中满足关联度阈值的所述多组关联筛选数据，构建触发概率评估模型；
将所述焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成所述第一触发概率。
3.如权利要求2所述的方法，其特征在于，所述对所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联性分析，生成多组关联数据和多个关联度，包括：
构建关联度计算公式：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
其中，
Figure 642025DEST_PATH_IMAGE003
表征第i种工艺参数记录数据第j组质量检测缺陷记录数据，
Figure DEST_PATH_IMAGE004
表征记录的 第k类型缺陷参数,
Figure 152641DEST_PATH_IMAGE005
表征任意两组只有第k类型缺陷的质量检测缺陷记录数据变化量，
Figure DEST_PATH_IMAGE006
表征两组只有第k类型缺陷的焊接工艺参数记录数据变化量，
Figure 729116DEST_PATH_IMAGE007
表征对多个变 化量比值求均值，记为
Figure DEST_PATH_IMAGE008
，表征关联度；
根据所述关联度计算公式，遍历所述多组焊接工艺参数记录数据和所述多组质量检测缺陷记录数据进行关联度计算，生成所述多组关联数据和所述多个关联度。
4.如权利要求3所述的方法，其特征在于，所述根据所述多个关联度中满足关联度阈值的所述多组关联筛选数据，构建触发概率评估模型，包括：
构建触发概率计算公式：
Figure 717800DEST_PATH_IMAGE001
Figure 63331DEST_PATH_IMAGE009
其中，
Figure 948110DEST_PATH_IMAGE003
表征第i种工艺参数记录数据第j组质量检测缺陷记录数据，
Figure 543040DEST_PATH_IMAGE004
表征记录的 第k类型缺陷参数，
Figure DEST_PATH_IMAGE010
表征第i种工艺参数和第k类型缺陷参数共同出现的频率，
Figure 538678DEST_PATH_IMAGE011
表征任意一组工艺参数和缺陷类型特征值的出现总频率，
Figure DEST_PATH_IMAGE012
表 征触发概率；
基于满足所述关联度阈值的所述多组关联筛选数据，调取所述触发概率计算公式，计算多组触发概率标识数据；
根据所述多组关联筛选数据和所述多组触发概率标识数据，基于前馈神经网络进行有监督训练，生成所述触发概率评估模型。
5.如权利要求4所述的方法，其特征在于，所述若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，包括：
根据所述自动焊接设备，设定所述焊接工艺参数调整区间；
根据所述焊接工艺参数调整区间随机抽取，获取第m组焊接工艺参数；
将所述第m组焊接工艺参数和所述预设缺陷类型输入所述触发概率评估模型，生成第m触发概率；
判断所述第m触发概率是否小于所述缺陷概率阈值；
若小于，将所述第m组焊接工艺参数设为所述焊接工艺参数优化结果。
6.如权利要求5所述的方法，其特征在于，所述判断所述第m触发概率是否小于所述缺陷概率阈值，还包括：
若大于或等于，判断所述第m触发概率是否大于第m-1触发概率；
若所述第m触发概率大于所述第m-1触发概率，将所述第m组焊接工艺参数添加进淘汰数据组，基于第m-1组焊接工艺参数重复迭代优化；
若第m触发概率小于或等于所述第m-1触发概率，将所述第m-1组焊接工艺参数添加进所述淘汰数据组，基于所述第m组焊接工艺参数重复迭代优化。
7.如权利要求6所述的方法，其特征在于，还包括：当m满足预设迭代次数时，将所述第m组焊接工艺参数或所述第m-1组焊接工艺参数设为所述焊接工艺参数优化结果。
8.如权利要求1所述的方法，其特征在于，所述根据所述第二触发概率，匹配焊接质量抽检数量，包括：
根据所述第二触发概率对所述预设缺陷类型进行由大到小排序，生成缺陷类型排序结果；
根据所述缺陷类型排序结果，匹配多种质量检测类型；
基于所述缺陷类型排序结果为所述多种质量检测类型，匹配所述焊接质量抽检数量，排序靠前的抽检数量大于排序靠后的抽检数量。
9.一种基于时间敏感网络的焊接质量智能检测系统，其特征在于，包括：
焊接数据获取模块，用于根据自动焊接设备，获取焊接工艺参数和焊接场景数据；
日志数据采集模块，用于根据所述焊接场景数据，基于时间敏感网络采集焊接日志数据；
缺陷概率评估模块，用于根据所述焊接日志数据对所述焊接工艺参数进行预设缺陷类型的缺陷概率评估，生成第一触发概率；
缺陷概率判断模块，用于判断所述第一触发概率是否满足缺陷概率阈值；
工艺参数优化模块，用于若不满足，对所述焊接工艺参数进行优化，生成焊接工艺参数优化结果，其中，所述焊接工艺参数优化结果包括第二触发概率，且所述第二触发概率满足所述缺陷概率阈值；
抽检数量确定模块，用于根据所述第二触发概率，匹配焊接质量抽检数量；
随机抽检执行模块，用于根据所述焊接工艺参数优化结果控制所述自动焊接设备进行焊接后，基于所述焊接质量抽检数量进行随机抽检，上传焊接质量检测结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
CN202211471505.7A 2022-11-23 2022-11-23 一种基于时间敏感网络的焊接质量智能检测方法及系统 Active CN115511398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211471505.7A CN115511398B (zh) 2022-11-23 2022-11-23 一种基于时间敏感网络的焊接质量智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211471505.7A CN115511398B (zh) 2022-11-23 2022-11-23 一种基于时间敏感网络的焊接质量智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN115511398A true CN115511398A (zh) 2022-12-23
CN115511398B CN115511398B (zh) 2023-04-07

Family

ID=84514118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211471505.7A Active CN115511398B (zh) 2022-11-23 2022-11-23 一种基于时间敏感网络的焊接质量智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN115511398B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842768A (zh) * 2023-09-01 2023-10-03 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
CN117252284A (zh) * 2023-01-13 2023-12-19 嘉兴红点应用科技有限公司 一种工业丝油剂原料的智能筛选方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113319462A (zh) * 2021-06-22 2021-08-31 广东工业大学 一种基于边云协同的焊接机器人管控方法和装置
CN114071768A (zh) * 2020-08-07 2022-02-18 大唐移动通信设备有限公司 一种时间同步方法、装置及存储介质
CN114513404A (zh) * 2021-12-30 2022-05-17 网络通信与安全紫金山实验室 时间敏感网络的配置方法、装置及计算机可读存储介质
CN114820499A (zh) * 2022-04-20 2022-07-29 上海电气集团股份有限公司 管道焊缝检测方法
CN115205318A (zh) * 2022-09-16 2022-10-18 中天科技海缆股份有限公司 一种海缆表面缺陷识别的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114071768A (zh) * 2020-08-07 2022-02-18 大唐移动通信设备有限公司 一种时间同步方法、装置及存储介质
CN113319462A (zh) * 2021-06-22 2021-08-31 广东工业大学 一种基于边云协同的焊接机器人管控方法和装置
CN114513404A (zh) * 2021-12-30 2022-05-17 网络通信与安全紫金山实验室 时间敏感网络的配置方法、装置及计算机可读存储介质
CN114820499A (zh) * 2022-04-20 2022-07-29 上海电气集团股份有限公司 管道焊缝检测方法
CN115205318A (zh) * 2022-09-16 2022-10-18 中天科技海缆股份有限公司 一种海缆表面缺陷识别的方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252284A (zh) * 2023-01-13 2023-12-19 嘉兴红点应用科技有限公司 一种工业丝油剂原料的智能筛选方法及系统
CN117252284B (zh) * 2023-01-13 2024-03-05 嘉兴红点应用科技有限公司 一种工业丝油剂原料的智能筛选方法及系统
CN116842768A (zh) * 2023-09-01 2023-10-03 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
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

Also Published As

Publication number Publication date
CN115511398B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115511398B (zh) 一种基于时间敏感网络的焊接质量智能检测方法及系统
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN111314329B (zh) 流量入侵检测系统和方法
US20070061144A1 (en) Batch statistics process model method and system
CN111177655B (zh) 一种数据处理方法、装置及电子设备
CN112257963A (zh) 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置
CN115827411A (zh) 一种用于自动化设备的在线监测及运维评估系统和方法
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
CN115936262B (zh) 基于大数据的环境干扰的产量预测方法、系统和介质
CN115373370A (zh) 一种可编程控制器运行状态监测方法及系统
CN112904148A (zh) 智能电缆运行监测系统、方法及装置
CN111950795A (zh) 基于随机森林的松散回潮加水比例的预测方法
CN115221964A (zh) 一种基于深度学习的火灾报警开集分类方法
CN113642209B (zh) 基于数字孪生的结构植入故障响应数据获取及评判方法
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN115422263B (zh) 一种电力现场多功能通用型故障分析方法及系统
CN116502155A (zh) 一种用于数控电动螺旋压力机的安全监管系统
US20230156043A1 (en) System and method of supporting decision-making for security management
CN116186507A (zh) 一种特征子集的选取方法、装置及存储介质
CN112434808B (zh) 全栈式的前向型神经网络深度学习系统安全分析与检测方法
CN115034094A (zh) 一种金属加工机床运行状态预测方法及系统
CN115879680A (zh) 钢铁表面缺陷判定规则管理系统
CN112862180A (zh) 一种脱硝系统入口NOx浓度预测方法
CN112052241A (zh) 一种大数据存储用数据分类方法
CN107506824B (zh) 一种配电网的不良观测数据检测方法及装置

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