CN116050678A - 一种基于云计算的压铸产品加工测试系统及方法 - Google Patents
一种基于云计算的压铸产品加工测试系统及方法 Download PDFInfo
- Publication number
- CN116050678A CN116050678A CN202310342590.5A CN202310342590A CN116050678A CN 116050678 A CN116050678 A CN 116050678A CN 202310342590 A CN202310342590 A CN 202310342590A CN 116050678 A CN116050678 A CN 116050678A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- die
- casting
- processing
- 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
- 238000004512 die casting Methods 0.000 title claims abstract description 120
- 238000012545 processing Methods 0.000 title claims abstract description 102
- 238000012360 testing method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 238000007405 data analysis Methods 0.000 claims abstract description 27
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000005266 casting Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000033228 biological regulation Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004148 unit process Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 239000002184 metal Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005058 metal casting Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算的压铸产品加工测试系统及方法，系统包括模型建立模块、数据监控模块、数据分析模块和输出反馈模块，通过所述模型建立模块根据测试数据确定优化模型，并对模型进行定期更新；通过所述数据监控模块对产品加工状态进行监控，获取实时数据；通过所述数据分析模块对获取到的实时数据进行分析，并对当前生产状态的变化趋势进行预测；通过所述输出反馈模块将分析得出的数据信息进行可视化处理，并发送至用户终端；实现了对压铸生产的全面感知，以便于工作人员对生产状态的准确掌控，对可能出现的生产问题进行提前预判，对出现违背策略的异常情况进行及时处理修正和调整，实现了安全稳定，并且能够不断优化的生产过程。
Description
技术领域
本发明涉及云计算技术领域，具体为一种基于云计算的压铸产品加工测试系统及方法。
背景技术
压铸是一种金属铸造工艺，其特点是利用模具腔对融化的金属施加高压。同其他铸造技术相比，压铸的表面更为平整，拥有更高的尺寸一致性，因而使用压铸工艺可以使得铸件拥有优秀的尺寸精度。
随着汽车、通信、机电、通机等产业的高速发展，对压铸产品的需求量正不断增加，与其他先进企业相比，当前压铸制造业普遍存在能耗高、效率低、设备利用率低、产品表面质量不高，车间生产信息化管理薄弱等诸多问题，严重制约了压铸行业朝智能和高端制造方向的发展。
而近几年，基于云计算的建模仿真技术开始受到行业的重点关注。通过在云平台部署专业软件，从超算中心获得计算资源，提供全面快捷的处理功能，使得减少了硬件条件的限制，降低了高性能计算资源的门槛，并且无需购置昂贵的硬件设备，云计算下的仿真数据，实现了大数据沉淀和数据挖掘，形成智能分析和决策，大大节省了技术人员的时间和精力，十分有利于构建产品、工艺设计的标准，提升生产加工整体的数字化能力和设计水平。
因此，人们需要一种基于云计算的压铸产品加工测试系统及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于云计算的压铸产品加工测试系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于云计算的压铸产品加工测试系统，所述系统包括：模型建立模块、数据监控模块、数据分析模块和输出反馈模块；
所述模型建立模块的输出端和所述数据监控模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述输出反馈模块的输入端；
通过所述模型建立模块根据测试数据确定优化模型，并对模型进行定期更新；
通过所述数据监控模块对产品加工状态进行监控，获取实时数据；
通过所述数据分析模块对获取到的实时数据进行分析，并对当前生产状态的变化趋势进行预测；
通过所述输出反馈模块将分析得出的数据信息进行可视化处理，并发送至用户终端。
进一步的，所述模型建立模块包括数据采集单元、模型训练单元和模型验证单元；
通过所述数据采集单元采集到压铸产品加工过程的的历史信息，并进行存储记录；包括压铸设备参数、压铸模具参数、压铸件参数；
通过所述模型训练单元根据采集到的数据训练多个不同类别的模型；
通过所述模型验证单元对各模型进行验证，确定最优模型。
通过调整学习算法和从给定的假设空间中选择最佳的执行模型来提高预测性能，对模型的泛化性能进行评估，即评价模型对未知数据的预测性能，来确定最适合于当前问题的机器学习算法；因此，我们需要比较不同的算法，从算法的假设空间中选择最佳性能的算法和最佳的执行模型。
进一步的，所述数据监控模块包括数据获取单元和特征提取单元；
通过所述数据获取单元实时获取到压铸产品加工的相关状态信息，包括压铸设备相关信息、压铸模具相关信息、压铸原料相关信息、压铸成品相关信息等；如铸件形状、表面颜色，铸具厚度、形状等信息。
其中，数据获取单元可通过直接联网通信进行采集、通过工业网关进行采集或通过远程IO进行采集等方式获取实时数据。
通过所述特征提取单元对获取到的信息数据进行特征分析，提取特征数据。
进一步的，所述数据分析模块包括数据处理单元、数据检测单元；
通过所述数据处理单元对提取到的特征数据进行处理，去除无关特征和冗余特征；处理方式包括数据预处理、特征选择、降维等，并将处理后的特征数据输入所述模型建立模块确定的预设模型中；
通过所述数据检测单元对当前压铸产品加工的生产变化趋势进行预测。
进一步的，所述输出反馈模块包括数据接收单元、信息可视化单元和调控修正单元；
通过所述数据接收单元将数据检测结果进行接收，并将其转换数据类型后输入所述信息可视化单元；
通过所述信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，输出显示至用户终端；运用计算机图形学和图像处理技术，将分析过程转化为图像的变化，在屏幕上展示出来并进行交互；以便于工作人员对压铸产品加工测试结果中的异常趋势进行查验；
通过所述调控修正单元对测试结果中的误差进行溯源，并根据预设的修正策略对相应部分进行修正和调控，包括生产计划管理和生产过程控制，保证了安全稳定的生产状态。
一种基于云计算的压铸产品加工测试方法，包括以下步骤：
S1：建立数字模型，将压铸产品加工过程数字化；
S2：通过模型建立模块确定最优算法模型；
S3：通过数据监控模块将压铸产品加工状态实时同步至数字化空间；
S4：通过数据分析模块进行分析，预测当前生产状态的变化趋势；
S5：反馈预测结果，将数据信息可视化至用户终端。
进一步的，在S1中，根据压铸生产环境构建数字化的虚拟场景，将现实生产环境映射到虚拟世界中，即，基于一个虚拟的制造环境来验证和评价压铸加工的生产过程，通过产品和生产车间现场的数字化模型，将生产阶段的各种要素，如原材料、设备和工序要求，通过数字化的手段集成在一个紧密协作的生产过程中，并根据既定的规则，自动地完成在不同条件组合下的操作，实现自动化的生产过程；
在S2中，通过数据采集单元对压铸加工运行时产生的大量历史数据进行采集，进行数据处理后将其存储至数据库中，对处理后的数据进行特征提取，使用标准参数训练多个不同类别的模型，并对各模型进行性能评估，进行模型参数的优化，模型的性能评估具体包括以下步骤：
Z1：将可用的数据随机分为两个子集，一个训练集和一个测试集；
Z2：训练数据输入到选定的学习算法中，以学习模型；
Z3：使用模型对测试集进行预测，得到模型对未知数据的预测数据；
Z4：计算模型在测试集上的错误率，得到模型预测的准确率；
根据所得各模型的准确率确定最适用于对应问题的算法模型，即选择在算法的假设空间中的性能最优模型。
进一步的，在S3中，通过数据获取单元获取到压铸加工运行时产生的实时数据，同时将生产过程中的各类数据进行记录，为后续的分析和优化提供依据；通过特征提取单元对获取到的实时数据进行特征提取，将提取到的特征数据通过数据处理单元进行过滤，并输入S2中选定的对应问题最优模型；
通过所述数据获取单元对模型进行定期检查，并且能够在掉线时触发警告，对模型的相关数据进行定期更新。
进一步的，在S4中，通过数据检测单元对输入的特征数据进行检测，通过预设模型进行模拟预测，基于预测趋势来确定可能发生的异常类型，发出预警，触发响应该预警事件的调控策略，其中，输入的特征数据包括时间戳、在该时间戳所获取到的传感器读数以及设备编号，在时间t,使用截止到该时间的数据来预测压铸产品在最近一段时间内的加工是否会发生异常或故障；
通过结合指数平滑法对压铸产品的铸件表面情况变化趋势进行预测，根据以下公式能够对时间t的平滑值St进行计算：
；
其中，a表示平滑常数，yt表示时间t的实际值，St-1表示时间t-1的平滑值；
根据输入的时间戳、在该时间戳所获取到的传感器读数以及设备编号，对任一设备进行处理的当前铸件进行表面情况变化趋势预测，初始值可选取历史数据的平均值或最近一个时间点的真实值；以第t期的指数平滑值作为t+1期的预测值；则对压铸产品的铸件表面情况变化趋势的预测模型为：
；
其中，表示t+1时对铸件表面情况的预测值，表示t时对铸件表面情况的预测值；所述表面情况可以为铸件体积、铸件温度、铸件颜色或铸件图像的相似度；通过实时监控到的压铸加工运行时产生的实时数据，将获取的各类数据分别进行变化趋势预测，根据预测得到的压铸件表面情况进而判断是否存在异常。
优选的，根据预测结果判断可能发生的异常类型，例如，若预测铸件表面温度的结果呈现逐步下降趋势，同时预测误差逐渐增大，则说明铸件加工时的设备或金属液存在异常；所述预测误差表示预测结果和真实值之间的差异；
若预测铸件表面颜色数值的预测误差逐渐增大，则说明铸件表面可能发生氧化、铸件存在杂质或磨损等异常情况；若预测结果呈现逐步下降的趋势，同时预测误差逐渐增大，则可能发生金属液溅出、模具内部异常等情况。
按照生产建设的规律，发现问题越早，整改成本越低，将生产周期长、更改成本高的结构部分在虚拟环境中进行展示和模拟，对出现违背策略的异常情况进行及时处理和调整，以便于实现稳定并不断优化的生产过程。
进一步的，在S5中，通过所述信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，构建可视化数据库，基于分析结果中的时间、名称、类型信息，与可视化数据库中的数据进行匹配，将图像化的反馈信息输出显示至用户终端；工作人员通过所述调控修正单元对压铸产品加工测试结果中的异常趋势进行查验，并根据预设的修正策略对相应部分进行修正和调控；工作人员可实时掌握生产状态，在压铸产品加工生产之前，就可以通过虚拟生产的方式来模拟在不同产品、不同参数、不同外部条件下的生产过程，实现对产能、效率以及可能出现的生产瓶颈等问题的提前预判，加速压铸产品加工生产的过程。
与现有技术相比，本发明所达到的有益效果是：
本发明通过使用云计算技术对压铸产品加工生产过程进行仿真模拟，将实时监控数据输入预设的预测模拟模型，实时获取压铸设备加工状态，实现了对生产过程的全面感知，以便于工作人员对生产状态的准确掌控，实现了对产能、效率以及可能出现的生产问题进行提前预判，对出现违背策略的异常情况进行及时处理修正和调整，实现了安全稳定，并且能够不断优化的生产过程。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于云计算的压铸产品加工测试系统的模块结构示意图；
图2是本发明一种基于云计算的压铸产品加工测试方法的方法流程示意图。
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做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。
请参阅图1和图2，本发明提供技术方案： 一种基于云计算的压铸产品加工测试系统，所述系统包括：模型建立模块、数据监控模块、数据分析模块和输出反馈模块；
所述模型建立模块和所述数据监控模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述输出反馈模块的输入端；
通过模型建立模块根据测试数据确定优化模型，并对模型进行定期更新；所述模型建立模块包括数据采集单元、模型训练单元和模型验证单元；通过数据采集单元采集到压铸产品加工过程的的历史信息，并进行存储记录；包括压铸设备参数、压铸模具参数、压铸件参数；
通过模型训练单元根据采集到的数据训练多个不同类别的模型；通过模型验证单元对各模型进行验证，确定最优模型。
通过数据监控模块对产品加工状态进行监控，获取实时数据；所述数据监控模块包括数据获取单元和特征提取单元；通过数据获取单元实时获取到压铸产品加工的相关状态信息；包括压铸设备相关信息、压铸模具相关信息、压铸原料相关信息、压铸成品相关信息等；通过特征提取单元对获取到的信息数据进行特征分析，提取特征数据。
通过数据分析模块对获取到的实时数据进行分析，并对当前生产状态的变化趋势进行预测；所述数据分析模块包括数据处理单元、数据检测单元；通过数据处理单元对提取到的特征数据进行处理，去除无关特征和冗余特征；处理方式包括数据预处理、特征选择、降维等，并将处理后的特征数据输入所述模型建立模块确定的预设模型中；通过数据检测单元对当前压铸产品加工的生产变化趋势进行预测。
通过输出反馈模块将分析得出的数据信息进行可视化处理，并发送至用户终端。所述输出反馈模块包括数据接收单元、信息可视化单元和调控修正单元；通过数据接收单元将数据检测结果进行接收，并将其转换数据类型后输入所述信息可视化单元；通过信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，输出显示至用户终端；运用计算机图形学和图像处理技术，将分析过程转化为图像的变化，在屏幕上展示出来并进行交互；通过调控修正单元对测试结果中的误差进行溯源，并根据预设的修正策略对相应部分进行修正和调控，包括生产计划管理和生产过程控制。
一种基于云计算的压铸产品加工测试方法，包括以下步骤：
S1：建立数字模型，将压铸产品加工过程数字化；在S1中，根据压铸生产环境构建数字化的虚拟场景，将现实生产环境映射到虚拟世界中，即，基于一个虚拟的制造环境来验证和评价压铸加工的生产过程，通过产品和生产车间现场的数字化模型，将生产阶段的各种要素，如原材料、设备和工序要求，通过数字化的手段集成在一个紧密协作的生产过程中，并根据既定的规则，自动地完成在不同条件组合下的操作，实现自动化的生产过程；
S2：通过模型建立模块确定最优算法模型；在S2中，通过数据采集单元对压铸加工运行时产生的大量历史数据进行采集，进行数据处理后将其存储至数据库中，对处理后的数据进行特征提取，使用标准参数训练多个不同类别的模型，并对各模型进行性能评估，进行模型参数的优化，模型的性能评估具体包括以下步骤：
Z1：将可用的数据随机分为两个子集，一个训练集和一个测试集；
Z2：训练数据输入到选定的学习算法中，以学习模型；
Z3：使用模型对测试集进行预测，得到模型对未知数据的预测数据；
Z4：计算模型在测试集上的错误率，得到模型预测的准确率；
根据所得各模型的准确率确定最适用于对应问题的算法模型，即选择在算法的假设空间中的性能最优模型。
S3：通过数据监控模块将压铸产品加工状态实时同步至数字化空间；在S3中，通过数据获取单元获取到压铸加工运行时产生的实时数据，同时将生产过程中的各类数据进行记录，为后续的分析和优化提供依据；通过特征提取单元对获取到的实时数据进行特征提取，将提取到的特征数据通过数据处理单元进行过滤，并输入S2中选定的对应问题最优模型；
通过所述数据获取单元对模型进行定期检查，并且能够在掉线时触发警告，对模型的相关数据进行定期更新。
S4：通过数据分析模块进行分析，预测当前生产状态的变化趋势；在S4中，通过数据检测单元对输入的特征数据进行检测，通过预设模型进行模拟预测，基于预测趋势来确定可能发生的异常类型，发出预警，触发响应该预警事件的调控策略，按照生产建设的规律，发现问题越早，整改成本越低，将生产周期长、更改成本高的结构部分在虚拟环境中进行展示和模拟，对出现违背策略的异常情况进行及时处理和调整，以便于实现稳定并不断优化的生产过程。
优选的，输入的特征数据包括时间戳、在该时间戳所获取到的传感器读数以及设备编号，在时间t,使用截止到该时间的数据来预测压铸产品在最近一段时间内的加工是否会发生异常或故障；
优选的，通过结合指数平滑法对压铸产品的铸件表面情况变化趋势进行预测，根据以下公式对时间t的平滑值St进行计算：St=a×yt+(1-a)St-1；
其中，a表示平滑常数，yt表示时间t的实际值，St-1表示时间t-1的平滑值；
根据输入的时间戳、在该时间戳所获取到的传感器读数以及设备编号，对任一设备进行处理的当前铸件进行表面情况变化趋势预测，初始值可选取历史数据的平均值或最近一个时间点的真实值；则对压铸产品的铸件表面情况变化趋势的预测模型为：
；
其中，表示t+1时对铸件表面情况的预测值，表示t时对铸件表面情况的预测值；所述表面情况可以为铸件体积、铸件温度、铸件颜色或铸件图像的相似度；通过实时监控到的压铸加工运行时产生的实时数据，将获取的各类数据分别进行变化趋势预测，根据预测得到的压铸件表面情况进而判断是否存在异常。
即以第t期指数平滑值作为t+1期预测值；
当一次指数平滑法的预测存在明显的滞后偏差时，添加趋势修正值进行修正，根据以下公式计算第t期经过平滑的趋势Tt：
Tt=(1-b)Tt-1+b(yt-yt-1)；
其中Tt-1表示第t-1期经过平滑的趋势，b表示趋势平滑系数，yt表示对第t期的简单指数平滑预测，yt-1表示对第t-1期的简单指数平滑预测；
计算趋势调整后的指数平滑预测值Yt根据以下公式进行计算：Yt=yt+Tt；
S5：反馈预测结果，将数据信息可视化至用户终端。在S5中，通过所述信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，构建可视化数据库，基于分析结果中的时间、名称、类型信息，与可视化数据库中的数据进行匹配，将图像化的反馈信息输出显示至用户终端；工作人员通过所述调控修正单元对压铸产品加工测试结果中的异常趋势进行查验，并根据预设的修正策略对相应部分进行修正和调控；例如，通过对当前压铸生产的状态测试，预测到铸件表面有裂纹或局部变形的趋势，通过调控修正单元分析得到风险原因来自顶料杆分布不均，导致受力不均；工作人员根据数据库中的预设处理策略，增加顶料杆数量，调整其分布位置，使铸件顶出受力均衡，在铸件表面出现异常前，提前完成调整；工作人员可实时掌握生产状态，在压铸产品加工生产之前，就可以通过虚拟生产的方式来模拟在不同产品、不同参数、不同外部条件下的生产过程，实现对产能、效率以及可能出现的生产瓶颈等问题的提前预判，加速压铸产品加工生产的过程。
实施例一
根据压铸生产环境构建数字化的虚拟场景，将生产阶段的各种要素，如原材料、设备和工序要求，通过数字化的手段集成在一个紧密协作的生产过程中，并根据既定的规则，自动地完成在不同条件组合下的操作，实现自动化的生产过程；通过数据采集单元对压铸加工运行时产生的大量历史数据进行采集，进行数据处理后将其存储至数据库中，对处理后的数据进行特征提取，使用标准参数训练多个不同类别的模型，并对各模型进行性能评估，进行模型参数的优化，选择在算法的假设空间中的性能最优模型。
通过数据获取单元获取到压铸加工运行时产生的实时数据，包括压铸设备相关信息、压铸模具相关信息、压铸原料相关信息、压铸成品相关信息等；同时将生产过程中的各类数据进行记录，为后续的分析和优化提供依据；通过特征提取单元对获取到的实时数据进行特征提取，将提取到的特征数据通过数据处理单元进行过滤，并输入选定的解决对应问题的最优模型；同时，通过数据获取单元对模型进行定期检查，并且能够在掉线时触发警告，对模型的相关数据进行定期更新；通过数据检测单元对输入的特征数据进行检测，通过预设模型进行模拟预测，基于预测趋势来确定可能发生的异常类型，发出预警，触发响应该预警事件的调控策略；通过所述信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，构建可视化数据库，基于分析结果中的时间、名称、类型信息，与可视化数据库中的数据进行匹配，将图像化的反馈信息输出显示至用户终端；工作人员通过所述调控修正单元对压铸产品加工测试结果中的异常趋势进行查验，并根据预设的修正策略对相应部分进行修正和调控；
具体的，通过机器学习的算法模型对压铸加工过程进行测试，预测到存在金属液溅出的风险趋势，根据数据库中的匹配数据，分析得到该情况的产生原因为动、定模间密合不严密，间隙较大，压机动、定模板不平行，工作人员根据系统指引，对模具重新安装，调整压铸机，使动、定模相互平行；
具体的，通过机器学习的算法模型对压铸成品进行测试，预测到铸件内有存在杂质的风险趋势，根据数据库中的匹配数据，分析得到该情况的产生原因为合金成分不纯，模具型腔不干净，工作人员根据系统指引，将浇注合金进行更换，清理模具型腔，保持模具干清洁；
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于云计算的压铸产品加工测试方法，其特征在于：包括以下步骤：
S1：建立数字模型，将压铸产品加工过程数字化；
S2：通过模型建立模块确定最优算法模型；
S3：通过数据监控模块将压铸产品加工状态实时同步至数字化空间；
S4：通过数据分析模块进行分析，预测当前生产状态的变化趋势；
S5：反馈预测结果，将数据信息可视化至用户终端；
在S4中，通过数据检测单元对输入的特征数据进行检测，通过预设模型进行模拟预测，基于预测趋势来确定可能发生的异常类型，发出预警，触发响应该预警事件的调控策略；其中，输入的特征数据包括时间戳、在该时间戳所获取到的传感器读数以及压铸设备编号，在时间t,对压铸产品的铸件表面情况变化趋势进行预测，根据以下公式对时间t的平滑值St进行计算：
；
其中，a表示平滑常数，yt表示时间t的实际值，St-1表示时间t-1的平滑值；
根据输入的时间戳、在该时间戳所获取到的传感器读数以及设备编号，对任一设备进行处理的当前铸件进行表面情况变化趋势预测，以第t期的指数平滑值作为t+1期的预测值；则对压铸产品的铸件表面情况变化趋势的预测模型为：
；
其中，表示t+1时对铸件表面情况的预测值，表示t时对铸件表面情况的预测值；所述表面情况可为铸件体积、铸件温度、铸件颜色或铸件图像的相似度；通过实时监控到的压铸加工运行时产生的实时数据，将获取的各类数据分别进行变化趋势预测，根据预测得到的压铸件表面情况进而判断是否存在异常。
2.根据权利要求1所述的一种基于云计算的压铸产品加工测试方法，其特征在于：在S1中，根据压铸生产环境构建数字化的虚拟场景，将现实生产环境映射到虚拟世界中，基于一个虚拟的制造环境来验证和评价压铸加工的生产过程，通过产品和生产车间现场的数字化模型，自动地完成在不同条件组合下的操作，实现自动化的生产过程；
在S2中，通过数据采集单元对压铸加工运行时产生的大量历史数据进行采集，进行数据处理后将其存储至数据库中，对处理后的数据进行特征提取，使用标准参数训练多个不同类别的模型，并对各模型进行性能评估，进行模型参数的优化，模型的性能评估具体包括以下步骤：
Z1：将可用的数据随机分为两个子集，一个训练集和一个测试集；
Z2：训练数据输入到选定的学习算法中，以学习模型；
Z3：使用模型对测试集进行预测，得到模型对未知数据的预测数据；
Z4：计算模型在测试集上的错误率，得到模型预测的准确率；
根据所得各模型的准确率确定最适用于对应问题的算法模型，即选择在算法的假设空间中的性能最优模型。
3.根据权利要求1所述的一种基于云计算的压铸产品加工测试方法，其特征在于：在S3中，通过数据获取单元获取到压铸加工运行时产生的实时数据，通过特征提取单元对获取到的实时数据进行特征提取，将提取到的特征数据通过数据处理单元进行过滤，并输入S2中选定的对应问题最优模型；
通过所述数据获取单元对模型进行定期检查，对模型的相关数据进行定期更新。
4.根据权利要求1所述的一种基于云计算的压铸产品加工测试方法，其特征在于：在S5中，通过信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，构建可视化数据库，基于分析结果中的时间、名称、类型信息，与可视化数据库中的数据进行匹配，将图像化的反馈信息输出显示至用户终端；工作人员通过调控修正单元对压铸产品加工测试结果中的异常趋势进行查验，并根据预设的修正策略对相应部分进行修正和调控。
5.应用权利要求1-4中的任一项所述的一种基于云计算的压铸产品加工测试方法的基于云计算的压铸产品加工测试系统，其特征在于：所述系统包括：模型建立模块、数据监控模块、数据分析模块和输出反馈模块；
所述模型建立模块和所述数据监控模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述输出反馈模块的输入端；
通过所述模型建立模块根据测试数据确定优化模型，并对模型进行定期更新；
通过所述数据监控模块对产品加工状态进行监控，获取实时数据；
通过所述数据分析模块对获取到的实时数据进行分析，并对当前生产状态的变化趋势进行预测；
通过所述输出反馈模块将分析得出的数据信息进行可视化处理，并发送至用户终端。
6.根据权利要求5所述的一种基于云计算的压铸产品加工测试系统，其特征在于：所述模型建立模块包括数据采集单元、模型训练单元和模型验证单元；
通过所述数据采集单元采集到压铸产品加工过程的的历史信息，并进行存储记录；包括压铸设备参数、压铸模具参数、压铸件参数；
通过所述模型训练单元根据采集到的数据训练多个不同类别的模型；
通过所述模型验证单元对各模型进行验证，确定最优模型。
7.根据权利要求5所述的一种基于云计算的压铸产品加工测试系统，其特征在于：所述数据监控模块包括数据获取单元和特征提取单元；
通过所述数据获取单元实时获取到压铸产品加工的相关状态信息；
通过所述特征提取单元对获取到的信息数据进行特征分析，提取特征数据。
8.根据权利要求5所述的一种基于云计算的压铸产品加工测试系统，其特征在于：所述数据分析模块包括数据处理单元、数据检测单元；
通过所述数据处理单元对提取到的特征数据进行处理，去除无关特征和冗余特征；并将处理后的特征数据输入所述模型建立模块确定的预设模型中；
通过所述数据检测单元对当前压铸产品加工的生产变化趋势进行预测。
9.根据权利要求5所述的一种基于云计算的压铸产品加工测试系统，其特征在于：所述输出反馈模块包括数据接收单元、信息可视化单元和调控修正单元；
通过所述数据接收单元将数据检测结果进行接收，并将其转换数据类型后输入所述信息可视化单元；
通过所述信息可视化单元将获取到数据分析结果对压铸产品加工测试结果进行可视化处理，输出显示至用户终端；
通过所述调控修正单元对测试结果中的误差进行溯源，并根据预设的修正策略对相应部分进行修正和调控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310342590.5A CN116050678A (zh) | 2023-04-03 | 2023-04-03 | 一种基于云计算的压铸产品加工测试系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310342590.5A CN116050678A (zh) | 2023-04-03 | 2023-04-03 | 一种基于云计算的压铸产品加工测试系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116050678A true CN116050678A (zh) | 2023-05-02 |
Family
ID=86114892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310342590.5A Pending CN116050678A (zh) | 2023-04-03 | 2023-04-03 | 一种基于云计算的压铸产品加工测试系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050678A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116931530A (zh) * | 2023-09-15 | 2023-10-24 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
| CN116910984B (zh) * | 2023-06-15 | 2024-02-06 | 小米汽车科技有限公司 | 压射曲线参数优化方法、装置、电子设备和存储介质 |
| CN117933827A (zh) * | 2024-03-13 | 2024-04-26 | 深圳市吉方工控有限公司 | 计算机终端工控信息数据处理方法、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110328A (zh) * | 2021-04-14 | 2021-07-13 | 大连亚明汽车部件股份有限公司 | 一种基于数字孪生技术的生产过程全周期智慧车间系统及解决方法 |
| CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
| CN114115147A (zh) * | 2021-11-18 | 2022-03-01 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的smt制造过程智能管控系统 |
| CN114442510A (zh) * | 2021-12-31 | 2022-05-06 | 广东省科学院智能制造研究所 | 数字孪生闭环控制方法、系统、计算机设备及存储介质 |
| CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
-
2023
- 2023-04-03 CN CN202310342590.5A patent/CN116050678A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110328A (zh) * | 2021-04-14 | 2021-07-13 | 大连亚明汽车部件股份有限公司 | 一种基于数字孪生技术的生产过程全周期智慧车间系统及解决方法 |
| CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
| CN114115147A (zh) * | 2021-11-18 | 2022-03-01 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的smt制造过程智能管控系统 |
| CN114442510A (zh) * | 2021-12-31 | 2022-05-06 | 广东省科学院智能制造研究所 | 数字孪生闭环控制方法、系统、计算机设备及存储介质 |
| CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116910984B (zh) * | 2023-06-15 | 2024-02-06 | 小米汽车科技有限公司 | 压射曲线参数优化方法、装置、电子设备和存储介质 |
| CN116931530A (zh) * | 2023-09-15 | 2023-10-24 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
| CN116931530B (zh) * | 2023-09-15 | 2023-12-26 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
| CN117933827A (zh) * | 2024-03-13 | 2024-04-26 | 深圳市吉方工控有限公司 | 计算机终端工控信息数据处理方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| CN115993807B (zh) | 一种碳化硅的生产监测优化控制方法及系统 | |
| CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
| CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
| CN110895716A (zh) | 检查装置以及机器学习方法 | |
| US20210394247A1 (en) | Method and system for forming a stamped component using a stamping simulation model | |
| CN112884717A (zh) | 实时工件表面检测与刀具寿命预测的系统及方法 | |
| CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
| CN116307289A (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| CN115576267A (zh) | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 | |
| CN116740044A (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
| CN116703254B (zh) | 模具机械零部件生产信息管理系统 | |
| CN117464420A (zh) | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 | |
| CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
| CN116724224A (zh) | 加工面判定装置、加工面判定程序、加工面判定方法、加工系统、推论装置及机器学习装置 | |
| CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
| CN114764867A (zh) | 基于图像主特征提取的风机故障诊断系统、方法及应用 | |
| CN113344918B (zh) | 一种热成型模具检测方法、系统和可读存储介质 | |
| CN117911796B (zh) | 一种基于图像识别的智能化数据处理系统及方法 | |
| CN118037138B (zh) | 一种基于计算机视觉的饮料车间生产精细化管理系统 | |
| CN117171922B (zh) | 一种钢结构制作中平行矫正的方法及系统 | |
| CN117952323B (zh) | 一种基于数字孪生的产品创建系统、方法、设备及介质 | |
| CN117252851B (zh) | 一种基于图像检测识别的标准质量检测管理平台 | |
| CN117911415B (zh) | 一种基于机器视觉的设备自动化监管系统及方法 |
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 |