CN116119284A - 基于人工智能的物料装配方法、装置、设备及介质 - Google Patents
基于人工智能的物料装配方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116119284A CN116119284A CN202211627821.9A CN202211627821A CN116119284A CN 116119284 A CN116119284 A CN 116119284A CN 202211627821 A CN202211627821 A CN 202211627821A CN 116119284 A CN116119284 A CN 116119284A
- Authority
- CN
- China
- Prior art keywords
- materials
- assembly
- dimension
- key
- partition
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 372
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000005192 partition Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 39
- 239000013072 incoming material Substances 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000000638 solvent extraction Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 26
- 239000013077 target material Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 26
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P19/00—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes
- B23P19/001—Article feeders for assembling machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0208—Control or detection relating to the transported articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
-
- 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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请提出一种基于人工智能的物料装配方法、装置、电子设备及存储介质,基于人工智能的物料装配方法包括:获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子;基于所述物料的历史信息计算得到所述关键特征因子权重;基于所述关键特征因子权重对来料进行分区以获得分区物料集;从所述分区物料集中筛选出符合要求的分区物料进行装配;计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。本申请通过从物料的历史信息中提取关键特征因子,并计算关键特征因子的权重后对来料进行分区,并通过对分区后的物料进行匹配获得尺寸正确的物料,从而提高了物料装配良率的准确度和稳定度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的物料装配方法、装置、电子设备及存储介质。
背景技术
装配生产线的良率问题一直广泛地存在于工厂中,目前技术还停留在传统的被动式解决问题的方法,经验丰富的装配老师傅基于历史测量物料的尺寸通过试错法则去决定各种尺寸物料的按批次排产,然而这种人为方式具有大时滞、良率不佳、经验无法形成有效的知识规律的特点。
由于物料之间的搭配较为固定,成品的尺寸水准和装配机台良率直接相关,因此装配良率随着物料尺寸水准的不稳定会产生波动,同时装配过程缺乏对物料生产尺寸信息的监管和有效利用,从而导致了物料的装配不够准确合理,装配良率不稳定的问题。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的物料装配方法、装置、电子设备及存储介质,以提高物料装配良率的准确度和稳定度。
本申请提供一种基于人工智能的物料装配方法,所述方法包括:
获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子;
基于所述物料的历史信息计算得到所述关键特征因子权重;
基于所述关键特征因子权重对来料进行分区以获得分区物料集;
从所述分区物料集中筛选出符合要求的分区物料进行装配;
计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
在一些实施例中,所述获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子包括:
统计物料的历史信息;
获取物料中影响装配精度的关键点位;
基于所述历史信息数据集对所述关键点位进行筛选获得关键特征因子。
在一些实施例中,所述基于所述物料的历史信息计算得到所述关键特征因子权重包括:
基于所述物料的历史信息构建决策树训练数据集;
依据随机森林算法和所述决策树训练数据集构建特征因子决策模型;
基于所述特征因子决策模型计算得到所述关键特征因子权重。
在一些实施例中,所述基于所述关键特征因子权重对来料进行分区以获得分区物料集包括:
基于所述关键特征因子权重对来料的尺寸信息进行降维以获得物料单维尺寸值;
依据聚类算法对所述物料单维尺寸值进行分类获得分类结果;
基于所述分类结果对所述物料单维尺寸值进行分区以获得分区物料集。
在一些实施例中,所述基于所述关键特征因子权重对来料的尺寸信息进行降维以获得物料单维尺寸值包括:
选取来料的各关键特征因子所在的方向维度作为关键特征维度;
依据预设方式测量各关键特征维度的尺寸值;
基于所述关键特征因子权重对各个关键特征维度的尺寸值进行加权求和获得物料单维尺寸值。
在一些实施例中,所述从所述分区物料集中筛选出符合要求的分区物料进行装配包括:
计算所述分区物料集中各分区物料的物料单维尺寸值的平均值获得单维尺寸平均值数据集;
计算需要匹配的目标物料的物料单维尺寸值的平均值作为目标单维尺寸平均值;
匹配所述目标单维尺寸平均值和所述单维尺寸平均值数据集获得目标分区平均值;
将所述目标分区平均值对应的分区物料作为符合要求的分区物料进行装配。
在一些实施例中,所述计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整包括:
依据蒙特卡洛算法计算目标物料的装配良率;
对比所述装配良率和预设的装配良率阈值,若所述装配良率小于所述装配良率阈值,则对物料的装配过程进行优化调整,若所述装配良率不小于所述装配良率阈值,则无需对物料的装配过程进行优化调整。
本申请实施例还提供一种基于人工智能的物料装配装置,所述装置包括获取模块、计算模块、分区模块、筛选模块以及调整模块:
所述获取模块,用于获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子;
所述计算模块,用于基于所述物料的历史信息计算得到所述关键特征因子权重;
所述分区模块,用于基于所述关键特征因子权重对来料进行分区以获得分区物料集;
所述筛选模块,用于从所述分区物料集中筛选出符合要求的分区物料进行装配;
所述调整模块,用于计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
本申请实施例还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
处理器,执行所述存储器中存储的指令以实现所述的基于人工智能的物料装配方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的物料装配方法。
本申请通过从物料的历史信息中提取关键特征因子,并计算关键特征因子的权重后对来料进行分区,并通过对分区后的物料进行匹配获得尺寸正确的物料,从而提高了物料装配良率的准确度和稳定度。
附图说明
图1是本申请所涉及的基于人工智能的物料装配方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的物料装配装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的物料装配方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所述描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的物料装配方法,可应用于一个或者多个电子设备中,电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
如图1所示,是本申请基于人工智能的物料装配方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
在一个可选的实施例中,本方案的应用场景可以是在装配线上的上游产线中的两种以上的物料之间按照固定搭配的方式进行转配,成品的尺寸水准和装配机台良率直接相关,而由于无法对物料的生产尺寸信息进行有效监管和利用,导致物料排配不够理想,从而导致装配良率不够准确和稳定。
S10,获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子。
在一个可选的实施例中,所述获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子包括:
统计物料的历史信息;
获取物料中影响装配精度的关键点位;
基于所述历史信息数据集对所述关键点位进行筛选获得关键特征因子。
该可选的实施例中,可统计待装配的物料的历史信息,待装配的物料中包括至少两种物料,物料之间是固定装配的关系。示例性的,两种物料的装配可以是housing物料和端子物料,其中端子是指来凝结电线的铜导体用的,housing是插座,端子和housing是需配套使用,因此,在装配时,需要考虑housing和端子物料之间的配合关系进行排配,以控制装配良率。
该可选的实施例中,物料的历史信息是指实际已经产生加工完成的物料的相关信息,历史相关信息中包括不同批次的所述装配物料的图位尺寸、量测尺寸、成产模号等的信息,其中,图位尺寸是物料的装配图尺寸,属于加工需要实现的标准尺寸;量测尺寸是指生产加工后的尺寸,由于机械加工精度的原因,量测尺寸与图位尺寸可能不同;成产模号是指加工物料的模具,物料的加工中通过成型或冲压两种方式,则对应有不同的模具,获取成产模号后,在发生物料加工误差导致装配良率降低时,可通过物料的成产模号追溯到加工的模具,进而对模具进行修模,通过提高物料加工的精度,来提高装配的良率。
该可选的实施例中,不同批次的同一种装配物料(如housin或端子)由于加工精度等的影响可能存在不同的图位尺寸,因此,历史相关信息中具有多组图位尺寸,根据不同的图位尺寸的统计分析,能够挖掘出影响装配精度的关键特征因子。
该可选的实施例中,可首先通过人工方式初步确定待装配物料中影响装配精度的关键点位,关键点位是指物料的某一个位置点,位置点通常是两个物料之间配合的点,也即为关键点位,例如,housing和端子之间配合时,housing中设定有允许端子通过的孔,此时,housing中孔的孔径位置点即为housing的关键点位,端子需要与housing插装配合时,那么端子的位置点即为端子的关键点位。
该可选的实施例中,由于人工方式确定的关键点位的准确性不稳定,因此需要通过对所述关键点位进行筛选来进一步获得关键特征因子。物料的关键点位的量测尺寸发生变化时,会影响物料装配精度,由于物料在加工过程中,由于加工机械、成型模具、加工模具等的不同,导致同一种物料同一关键点位的量测尺寸在不同批次生产时会出现变化,因此,需要根据物料关键点位不同批次的图位尺寸的数据,计算出关键点位的加工精度,也即CPK数值(Com plex ProcessCapability index,生产制程水准)。
该可选的实施例中,,根据housing物料中某一关键点位的图位尺寸(图位尺寸也即装配制定的标准尺寸)、尺寸公差、不同批次生产得到的多个量测尺寸(量测尺寸也即生产后实际尺寸),结合CPK计算公式或包含关键点位数据的表格自动计算,得到一个关键点位CPK数值。以此,可以获得housing物料的多个关键点位以及关键点位对应的CPK数值,端子物料的关键点位以及关键点位对应的CPK数值计算方法与housing物料的具体实施方式基本相同,本方案中不再重复描述。
该可选的实施例中,可对每种物料的各关键点位对应的CPK数值按照由大到小的顺序进行排序,并选取其中排序靠前的一些CPK数值所对应的关键点位作为关键特征因子,如选取排名在前6的CPK数值所对应的关键点位作为关键特征因子。
如此,通过统计物料的历史信息筛选出能够较大影响物料装配良率的关键特征因子,有利于后续步骤据此计算出每种物料的实际尺寸,从而提高物料装配的准确度。
S11,基于所述物料的历史信息计算得到所述关键特征因子权重。
在一个可选的实施例中,所述基于所述物料的历史信息计算得到所述关键特征因子权重包括:
基于所述物料的历史信息构建决策树训练数据集;
依据随机森林算法和所述决策树训练数据集构建特征因子决策模型;
基于所述特征因子决策模型计算得到所述关键特征因子权重。
该可选的实施例中,可根据所述物料的历史信息构建决策树训练数据集,所述训练数据集可包括训练数据、验证数据和测试数据三部分。然后通过随机森林算法使用训练数据训练出特征因子决策模型,所述随机森林算法是一种高效的机器学习分类算法,可以将多个决策树结合在一起,从而根据训练数据构建出因子决策模型来计算每一个特征的重要度,即每一个特征的权重。
该可选的实施例中,由于随机森林算法需要多次从训练数据中选取一定数量的特征,因此本方案中所选取的特征的数量应与获得的关键特征因子的数量相一致,通过多次从训练数据中有放回的进行抽样获得不同的训练集,并用未抽到的数据作为验证数据和测试数据来评估随机森林中决策树的误差,从而能够根据误差对随机森林的训练过程进行持续优化。
该可选的实施例中,可通过验证数据和测试数据对因子决策模型进行验证和优化从而获得训练好的因子决策模型,然后根据所述因子决策模型计算出每一个关键特征因子的特征权重作为该关键特征因子对应的关键特征因子权重。
如此,通过随机森林算法可自动快速获取各关键特征因子在影响物料装配时的权重值,从而便于后续过程获取更为准确的物料尺寸信息,提高无物料匹配的准确度。
S12,基于所述关键特征因子权重对来料进行分区以获得分区物料集。
在一个可选的实施例中,所述基于所述关键特征因子权重对来料进行分区以获得分区物料集包括:
基于所述关键特征因子权重对来料的尺寸信息进行降维以获得物料单维尺寸值;
依据聚类算法对所述物料单维尺寸值进行分类获得分类结果;
基于所述分类结果对所述物料单维尺寸值进行分区以获得分区物料集。
该可选的实施例中,由于物料常常具有多个维度方向的边棱,而本方案中仅选取各关键特征因子所在的边棱进行计算,因此可选取来料的各关键特征因子所在的方向维度作为关键特征维度,并通过物料尺寸测量工具测量各关键特征维度的尺寸值,最终能够基于所述关键特征因子权重对各个关键特征维度的尺寸值进行加权求和获得物料单维尺寸值。
示例性的,首先对端子物料的四个关键特征因子的权重进行归一化,从而使四个关键特征因子的权重总和为1,设四个关键特征因子的权重分比为0.3、0.3、0.2、0.4,四个关键特征因子对应维度的尺寸值为20、30、50、80,则加权求和的结果为0.3×20+0.3×30+0.3×50+0.4×80=62,因此端子物料的物料单维尺寸值为62。
该可选的实施例中,可依据K均值聚类算法对所有物料的单位尺寸值进行分类,从而获得固定数量的类别作为分类结果,并可将获得的每一个类别的单位尺寸值所对应的物料作为一个区,由此实现对物料的分区,本方案中将经过分区后各个分区物料作为分区物料集。
如此,可以根据各物料的关键特征因子的尺寸信息对物料进行准确分区,实现物料的合理分类,有利于提高物料匹配的准确度。
S13,从所述分区物料集中筛选出符合要求的分区物料进行装配。
在一个可选的实施例中,所述从所述分区物料集中筛选出符合要求的分区物料进行装配包括:
计算所述分区物料集中各分区物料的物料单维尺寸值的平均值获得单维尺寸平均值数据集;
计算需要匹配的目标物料的物料单维尺寸值的平均值作为目标单维尺寸平均值;
匹配所述目标单维尺寸平均值和所述单维尺寸平均值数据集获得目标分区平均值;
将所述目标分区平均值对应的分区物料作为符合要求的分区物料进行装配。
该可选的实施例中,可分别计算所述分区物料集中每一个分区物料中所有物料对应的物料单维尺寸值的平均值,本方案中将所有的分区物料所对应的单位尺寸平均值作为单位尺寸平均值数据集。同时可计算需要进行匹配的目标物料的物料单维尺寸值的平均值或者人为设定所要求的物料单维尺寸值的平均值作为目标单维尺寸平均值。
该可选的实施例中,可逐一匹配所述目标单维尺寸平均值和所述单维尺寸平均值数据集中的每一个物料单维尺寸值的平均值,从而获得与所述目标单维尺寸平均值最为接近或相同的平均值作为目标分区平均值。
该可选的实施例中,在获得目标分区平均值之后,将所述目标分区平均值对应的分区物料作为符合目标物料的尺寸匹配要求的分区物料,并对所述分区物料中包括的所有物料进行装配。
该可选的实施例中,还可以在确定符合目标物料的尺寸匹配要求的分区物料后,进一步从该符合要求的分区物料中继续匹配出与所述目标物料中的每一个物料的尺寸最相近的物料进行匹配,从而获得更为准确的物料装配良率。
如此,可通过计算众多分区物料的物料单维尺寸值的平均值来匹配出符合目标物料尺寸的分区物料,并由此实现物料的准确装配。
S14,计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
在一个可选的实施例中,所述计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整包括:
依据蒙特卡洛算法计算目标物料的装配良率;
对比所述装配良率和预设的装配良率阈值,若所述装配良率小于所述装配良率阈值,则对物料的装配过程进行优化调整,若所述装配良率不小于所述装配良率阈值,则无需对物料的装配过程进行优化调整。
该可选的实施例中,在对所有的物料进行多次装配之后,可依据蒙特卡洛算法计算目标物料的装配良率。其中,蒙特卡洛算法是按抽样调查法求取统计值来推定未知特性量的计算方法,可利用事件发生的频率作为事件发生的概率的近似值。
该可选的实施例中,可通过统计物料历史信息中已经获取到的大量已装配物料的装配良率来构建概率统计模型,并使所求的解恰好是所求问题的概率分布或数学期望,然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征,最后给出所求解的近似值作为本批次目标物料。
该可选的实施例中,在获得当前批次目标物料的装配良率之后,还可以对比所述装配良率和预设的装配良率阈值,若所述装配良率小于所述装配良率阈值,则对物料的装配过程进行优化调整,若所述装配良率不小于所述装配良率阈值,则说明误差属于正常范围,因此无需对物料的装配过程进行优化调整。
该可选的实施例中,优化调整的具体方式可以为:将此次装配中的目标物料信息、目标排配、实际装配良率储存至装配不良模式库内,对装配不良模式库中影响装配良率的影响因子的确定以及用于训练模型的历史相关信息进行调整,以增大样本数量和样本准确性,从而在对特征因子决策模型训练过程中以及对蒙特卡洛算法中的概率统计模型构建的过程中对各模型参数进行调优。
如此,可通过计算目标物料的装配良率,并对比装配良率与装配良率阈值实现对物料装配过程的持续优化,从而保证装配良率的稳定性与准确度。
请参见图2,图2是本申请基于人工智能的物料装配装置的较佳实施例的功能模块图。基于人工智能的物料装配装置11包括获取模块110、计算模块111、分区模块112、筛选模块113、调整模块114。本申请所称的模块/模块是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/模块的功能将在后续的实施例中详述。
在一个可选的实施例中,获取模块110用于获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子。
在一个可选的实施例中,所述获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子包括:
统计物料的历史信息;
获取物料中影响装配精度的关键点位;
基于所述历史信息数据集对所述关键点位进行筛选获得关键特征因子。
该可选的实施例中,可统计待装配的物料的历史信息,待装配的物料中包括至少两种物料,物料之间是固定装配的关系。示例性的,两种物料的装配可以是housing物料和端子物料,其中端子是指来凝结电线的铜导体用的,housing是插座,端子和housing是需配套使用,因此,在装配时,需要考虑housing和端子物料之间的配合关系进行排配,以控制装配良率。
该可选的实施例中,物料的历史信息是指实际已经产生加工完成的物料的相关信息,历史相关信息中包括不同批次的所述装配物料的图位尺寸、量测尺寸、成产模号等的信息,其中,图位尺寸是物料的装配图尺寸,属于加工需要实现的标准尺寸;量测尺寸是指生产加工后的尺寸,由于机械加工精度的原因,量测尺寸与图位尺寸可能不同;成产模号是指加工物料的模具,物料的加工中通过成型或冲压两种方式,则对应有不同的模具,获取成产模号后,在发生物料加工误差导致装配良率降低时,可通过物料的成产模号追溯到加工的模具,进而对模具进行修模,通过提高物料加工的精度,来提高装配的良率。
该可选的实施例中,不同批次的同一种装配物料(如housin或端子)由于加工精度等的影响可能存在不同的图位尺寸,因此,历史相关信息中具有多组图位尺寸,根据不同的图位尺寸的统计分析,能够挖掘出影响装配精度的关键特征因子。
该可选的实施例中,可首先通过人工方式初步确定待装配物料中影响装配精度的关键点位,关键点位是指物料的某一个位置点,位置点通常是两个物料之间配合的点,也即为关键点位,例如,housing和端子之间配合时,housing中设定有允许端子通过的孔,此时,housing中孔的孔径位置点即为housing的关键点位,端子需要与housing插装配合时,那么端子的位置点即为端子的关键点位。
该可选的实施例中,由于人工方式确定的关键点位的准确性不稳定,因此需要通过对所述关键点位进行筛选来进一步获得关键特征因子。物料的关键点位的量测尺寸发生变化时,会影响物料装配精度,由于物料在加工过程中,由于加工机械、成型模具、加工模具等的不同,导致同一种物料同一关键点位的量测尺寸在不同批次生产时会出现变化,因此,需要根据物料关键点位不同批次的图位尺寸的数据,计算出关键点位的加工精度,也即CPK数值(Com plex ProcessCapability index,生产制程水准)。
该可选的实施例中,,根据housing物料中某一关键点位的图位尺寸(图位尺寸也即装配制定的标准尺寸)、尺寸公差、不同批次生产得到的多个量测尺寸(量测尺寸也即生产后实际尺寸),结合CPK计算公式或包含关键点位数据的表格自动计算,得到一个关键点位CPK数值。以此,可以获得housing物料的多个关键点位以及关键点位对应的CPK数值,端子物料的关键点位以及关键点位对应的CPK数值计算方法与housing物料的具体实施方式基本相同,本方案中不再重复描述。
该可选的实施例中,可对每种物料的各关键点位对应的CPK数值按照由大到小的顺序进行排序,并选取其中排序靠前的一些CPK数值所对应的关键点位作为关键特征因子,如选取排名在前6的CPK数值所对应的关键点位作为关键特征因子。
在一个可选的实施例中,计算模块111用于基于所述物料的历史信息计算得到所述关键特征因子权重。
在一个可选的实施例中,所述基于所述物料的历史信息计算得到所述关键特征因子权重包括:
基于所述物料的历史信息构建决策树训练数据集;
依据随机森林算法和所述决策树训练数据集构建特征因子决策模型;
基于所述特征因子决策模型计算得到所述关键特征因子权重。
该可选的实施例中,可根据所述物料的历史信息构建决策树训练数据集,所述训练数据集可包括训练数据、验证数据和测试数据三部分。然后通过随机森林算法使用训练数据训练出特征因子决策模型,所述随机森林算法是一种高效的机器学习分类算法,可以将多个决策树结合在一起,从而根据训练数据构建出因子决策模型来计算每一个特征的重要度,即每一个特征的权重。
该可选的实施例中,由于随机森林算法需要多次从训练数据中选取一定数量的特征,因此本方案中所选取的特征的数量应与获得的关键特征因子的数量相一致,通过多次从训练数据中有放回的进行抽样获得不同的训练集,并用未抽到的数据作为验证数据和测试数据来评估随机森林中决策树的误差,从而能够根据误差对随机森林的训练过程进行持续优化。
该可选的实施例中,可通过验证数据和测试数据对因子决策模型进行验证和优化从而获得训练好的因子决策模型,然后根据所述因子决策模型计算出每一个关键特征因子的特征权重作为该关键特征因子对应的关键特征因子权重。
在一个可选的实施例中,分区模块112用于基于所述关键特征因子权重对来料进行分区以获得分区物料集。
在一个可选的实施例中,所述基于所述关键特征因子权重对来料进行分区以获得分区物料集包括:
基于所述关键特征因子权重对来料的尺寸信息进行降维以获得物料单维尺寸值;
依据聚类算法对所述物料单维尺寸值进行分类获得分类结果;
基于所述分类结果对所述物料单维尺寸值进行分区以获得分区物料集。
该可选的实施例中,由于物料常常具有多个维度方向的边棱,而本方案中仅选取各关键特征因子所在的边棱进行计算,因此可选取来料的各关键特征因子所在的方向维度作为关键特征维度,并通过物料尺寸测量工具测量各关键特征维度的尺寸值,最终能够基于所述关键特征因子权重对各个关键特征维度的尺寸值进行加权求和获得物料单维尺寸值。
示例性的,首先对端子物料的四个关键特征因子的权重进行归一化,从而使四个关键特征因子的权重总和为1,设四个关键特征因子的权重分比为0.3、0.3、0.2、0.4,四个关键特征因子对应维度的尺寸值为20、30、50、80,则加权求和的结果为0.3×20+0.3×30+0.3×50+0.4×80=62,因此端子物料的物料单维尺寸值为62。
该可选的实施例中,可依据K均值聚类算法对所有物料的单位尺寸值进行分类,从而获得固定数量的类别作为分类结果,并可将获得的每一个类别的单位尺寸值所对应的物料作为一个区,由此实现对物料的分区,本方案中将经过分区后各个分区物料作为分区物料集。
在一个可选的实施例中,筛选模块113用于从所述分区物料集中筛选出符合要求的分区物料进行装配。
在一个可选的实施例中,所述从所述分区物料集中筛选出符合要求的分区物料进行装配包括:
计算所述分区物料集中各分区物料的物料单维尺寸值的平均值获得单维尺寸平均值数据集;
计算需要匹配的目标物料的物料单维尺寸值的平均值作为目标单维尺寸平均值;
匹配所述目标单维尺寸平均值和所述单维尺寸平均值数据集获得目标分区平均值;
将所述目标分区平均值对应的分区物料作为符合要求的分区物料进行装配。
该可选的实施例中,可分别计算所述分区物料集中每一个分区物料中所有物料对应的物料单维尺寸值的平均值,本方案中将所有的分区物料所对应的单位尺寸平均值作为单位尺寸平均值数据集。同时可计算需要进行匹配的目标物料的物料单维尺寸值的平均值或者人为设定所要求的物料单维尺寸值的平均值作为目标单维尺寸平均值。
该可选的实施例中,可逐一匹配所述目标单维尺寸平均值和所述单维尺寸平均值数据集中的每一个物料单维尺寸值的平均值,从而获得与所述目标单维尺寸平均值最为接近或相同的平均值作为目标分区平均值。
该可选的实施例中,在获得目标分区平均值之后,将所述目标分区平均值对应的分区物料作为符合目标物料的尺寸匹配要求的分区物料,并对所述分区物料中包括的所有物料进行装配。
该可选的实施例中,还可以在确定符合目标物料的尺寸匹配要求的分区物料后,进一步从该符合要求的分区物料中继续匹配出与所述目标物料中的每一个物料的尺寸最相近的物料进行匹配,从而获得更为准确的物料装配良率。
在一个可选的实施例中,调整模块114用于计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
在一个可选的实施例中,所述计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整包括:
依据蒙特卡洛算法计算目标物料的装配良率;
对比所述装配良率和预设的装配良率阈值,若所述装配良率小于所述装配良率阈值,则对物料的装配过程进行优化调整,若所述装配良率不小于所述装配良率阈值,则无需对物料的装配过程进行优化调整。
该可选的实施例中,在对所有的物料进行多次装配之后,可依据蒙特卡洛算法计算目标物料的装配良率。其中,蒙特卡洛算法是按抽样调查法求取统计值来推定未知特性量的计算方法,可利用事件发生的频率作为事件发生的概率的近似值。
该可选的实施例中,可通过统计物料历史信息中已经获取到的大量已装配物料的装配良率来构建概率统计模型,并使所求的解恰好是所求问题的概率分布或数学期望,然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征,最后给出所求解的近似值作为本批次目标物料。
该可选的实施例中,在获得当前批次目标物料的装配良率之后,还可以对比所述装配良率和预设的装配良率阈值,若所述装配良率小于所述装配良率阈值,则对物料的装配过程进行优化调整,若所述装配良率不小于所述装配良率阈值,则说明误差属于正常范围,因此无需对物料的装配过程进行优化调整。
该可选的实施例中,优化调整的具体方式可以为:将此次装配中的目标物料信息、目标排配、实际装配良率储存至装配不良模式库内,对装配不良模式库中影响装配良率的影响因子的确定以及用于训练模型的历史相关信息进行调整,以增大样本数量和样本准确性,从而在对特征因子决策模型训练过程中以及对蒙特卡洛算法中的概率统计模型构建的过程中对各模型参数进行调优。
由以上技术方案可以看出,本申请能够通过从物料的历史信息中提取关键特征因子,并计算关键特征因子的权重后对来料进行分区,并通过对分区后的物料进行匹配获得尺寸正确的物料,从而提高了物料装配良率的准确度和稳定度。
请参见图3,是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令,处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的物料装配方法。
在一个可选的实施例中,电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于人工智能的物料装配程序。
图3仅示出了具有存储器12和处理器13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的物料装配方法,所述处理器13可执行所述多个指令从而实现:
获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子;
基于所述物料的历史信息计算得到所述关键特征因子权重;
基于所述关键特征因子权重对来料进行分区以获得分区物料集;
从所述分区物料集中筛选出符合要求的分区物料进行装配;
计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,电子设备1可以是总线型结构,也可以是星形结构,电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质可以是非易失性的,也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储模块,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的物料装配程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的物料装配程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的物料装配方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个单元/模块,所述一个或者多个单元/模块被存储在所述存储器12中,并由所述处理器13执行,以完成本申请。所述一个或多个单元/模块可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取模块110、计算模块111、分区模块112、筛选模块113、调整模块114。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述的基于人工智能的物料装配方法的部分。
电子设备1集成的单元/模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存储器及其他存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示),计算机可读存储介质中存储有计算机可读指令,计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的物料装配方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。说明书陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的物料装配方法,其特征在于,所述方法包括:
获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子;
基于所述物料的历史信息计算得到所述关键特征因子权重;
基于所述关键特征因子权重对来料进行分区以获得分区物料集;
从所述分区物料集中筛选出符合要求的分区物料进行装配;
计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
2.如权利要求1所述的基于人工智能的物料装配方法,其特征在于,所述获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子包括:
统计物料的历史信息;
获取物料中影响装配精度的关键点位;
基于所述历史信息数据集对所述关键点位进行筛选获得关键特征因子。
3.如权利要求1所述的基于人工智能的物料装配方法,其特征在于,所述基于所述物料的历史信息计算得到所述关键特征因子权重包括:
基于所述物料的历史信息构建决策树训练数据集;
依据随机森林算法和所述决策树训练数据集构建特征因子决策模型;
基于所述特征因子决策模型计算得到所述关键特征因子权重。
4.如权利要求1所述的基于人工智能的物料装配方法,其特征在于,所述基于所述关键特征因子权重对来料进行分区以获得分区物料集包括:
基于所述关键特征因子权重对来料的尺寸信息进行降维以获得物料单维尺寸值;
依据聚类算法对所述物料单维尺寸值进行分类获得分类结果;
基于所述分类结果对所述物料单维尺寸值进行分区以获得分区物料集。
5.如权利要求4所述的基于人工智能的物料装配方法,其特征在于,所述基于所述关键特征因子权重对来料的尺寸信息进行降维以获得物料单维尺寸值包括:
选取来料的各关键特征因子所在的方向维度作为关键特征维度;
依据预设方式测量各关键特征维度的尺寸值;
基于所述关键特征因子权重对各个关键特征维度的尺寸值进行加权求和获得物料单维尺寸值。
6.如权利要求1所述的基于人工智能的物料装配方法,其特征在于,所述从所述分区物料集中筛选出符合要求的分区物料进行装配包括:
计算所述分区物料集中各分区物料的物料单维尺寸值的平均值获得单维尺寸平均值数据集;
计算需要匹配的目标物料的物料单维尺寸值的平均值作为目标单维尺寸平均值;
匹配所述目标单维尺寸平均值和所述单维尺寸平均值数据集获得目标分区平均值;
将所述目标分区平均值对应的分区物料作为符合要求的分区物料进行装配。
7.如权利要求1所述的基于人工智能的物料装配方法,其特征在于,所述计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整包括:
依据蒙特卡洛算法计算目标物料的装配良率;
对比所述装配良率和预设的装配良率阈值,若所述装配良率小于所述装配良率阈值,则对物料的装配过程进行优化调整,若所述装配良率不小于所述装配良率阈值,则无需对物料的装配过程进行优化调整。
8.一种基于人工智能的物料装配装置,其特征在于,所述装置包括获取模块、计算模块、分区模块、筛选模块以及调整模块:
所述获取模块,用于获取物料的历史信息,并基于所述物料的历史信息提取物料的关键特征因子;
所述计算模块,用于基于所述物料的历史信息计算得到所述关键特征因子权重;
所述分区模块,用于基于所述关键特征因子权重对来料进行分区以获得分区物料集;
所述筛选模块,用于从所述分区物料集中筛选出符合要求的分区物料进行装配;
所述调整模块,用于计算已装配物料的装配良率,并基于所述装配良率对物料的装配过程进行优化调整。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的物料装配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的物料装配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627821.9A CN116119284B (zh) | 2022-12-16 | 2022-12-16 | 基于人工智能的物料装配方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627821.9A CN116119284B (zh) | 2022-12-16 | 2022-12-16 | 基于人工智能的物料装配方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116119284A true CN116119284A (zh) | 2023-05-16 |
CN116119284B CN116119284B (zh) | 2023-11-24 |
Family
ID=86303650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211627821.9A Active CN116119284B (zh) | 2022-12-16 | 2022-12-16 | 基于人工智能的物料装配方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116119284B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117302897A (zh) * | 2023-11-23 | 2023-12-29 | 常州市传动输送机械有限公司 | 一种带式输送机智能监测防控方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006222118A (ja) * | 2005-02-08 | 2006-08-24 | Renesas Technology Corp | 半導体製品の歩留り予測方法、製造方法、ならびに歩留り予測システム |
DE102007002418A1 (de) * | 2007-01-17 | 2008-08-07 | Eick, Stephen, Naperville | Automatisierte merkmalsbasierte Analyse für Kostenmanagement von Materialien |
CN106020147A (zh) * | 2016-05-23 | 2016-10-12 | 北京理工大学 | 一种复杂精密机械产品的装配精度系统分析方法 |
CN109086491A (zh) * | 2018-07-09 | 2018-12-25 | 华南理工大学 | 一种基于混合粒子群算法的多维方向选择装配优化方法 |
US20190163169A1 (en) * | 2017-11-27 | 2019-05-30 | International Business Machines Corporation | Parts matching for improved manufacturing assembly |
CN111062400A (zh) * | 2018-10-16 | 2020-04-24 | 浙江宇视科技有限公司 | 目标匹配方法及装置 |
WO2020190450A1 (en) * | 2019-03-21 | 2020-09-24 | Raytheon Company | Hardware integration for part tracking using texture extraction and networked distributed ledgers |
CN112116015A (zh) * | 2020-09-25 | 2020-12-22 | 苏州宇希新材料科技有限公司 | 基于图像处理的材料分类方法、装置及计算机设备 |
CN112528440A (zh) * | 2021-01-13 | 2021-03-19 | 桂林电子科技大学 | 一种基于本体的轴类零件外圆工序尺寸参数智能设计方法 |
CN112784876A (zh) * | 2020-12-30 | 2021-05-11 | 恒大新能源汽车投资控股集团有限公司 | 车辆尺寸匹配系统及方法 |
CN112884413A (zh) * | 2021-03-02 | 2021-06-01 | 科世达(上海)机电有限公司 | 一种物料清单生成方法、系统、设备及存储介质 |
CN113657820A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 产线配料方法、装置、设备及可读存储介质 |
CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
CN113673822A (zh) * | 2021-07-15 | 2021-11-19 | 微梦创科网络科技(中国)有限公司 | 一种弹性调度方法及系统 |
KR102348006B1 (ko) * | 2020-09-28 | 2022-01-07 | 주식회사 휴먼시스템 | 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치 |
WO2022052021A1 (zh) * | 2020-09-11 | 2022-03-17 | 京东方科技集团股份有限公司 | 联合模型的训练方法和对象信息处理方法、装置及系统 |
CN114254827A (zh) * | 2021-12-21 | 2022-03-29 | 中国电子科技集团公司第三十八研究所 | 一种数据驱动的smt制造周期预测及修正方法 |
CN115122065A (zh) * | 2022-07-20 | 2022-09-30 | 安徽工程大学 | 一种轴承装配柔性生产线控制系统及控制方法 |
CN115311618A (zh) * | 2022-07-29 | 2022-11-08 | 华中科技大学 | 一种基于深度学习和对象匹配的装配质量检查方法 |
WO2022237105A1 (zh) * | 2021-05-12 | 2022-11-17 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
-
2022
- 2022-12-16 CN CN202211627821.9A patent/CN116119284B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006222118A (ja) * | 2005-02-08 | 2006-08-24 | Renesas Technology Corp | 半導体製品の歩留り予測方法、製造方法、ならびに歩留り予測システム |
DE102007002418A1 (de) * | 2007-01-17 | 2008-08-07 | Eick, Stephen, Naperville | Automatisierte merkmalsbasierte Analyse für Kostenmanagement von Materialien |
CN106020147A (zh) * | 2016-05-23 | 2016-10-12 | 北京理工大学 | 一种复杂精密机械产品的装配精度系统分析方法 |
US20190163169A1 (en) * | 2017-11-27 | 2019-05-30 | International Business Machines Corporation | Parts matching for improved manufacturing assembly |
CN109086491A (zh) * | 2018-07-09 | 2018-12-25 | 华南理工大学 | 一种基于混合粒子群算法的多维方向选择装配优化方法 |
CN111062400A (zh) * | 2018-10-16 | 2020-04-24 | 浙江宇视科技有限公司 | 目标匹配方法及装置 |
WO2020190450A1 (en) * | 2019-03-21 | 2020-09-24 | Raytheon Company | Hardware integration for part tracking using texture extraction and networked distributed ledgers |
WO2022052021A1 (zh) * | 2020-09-11 | 2022-03-17 | 京东方科技集团股份有限公司 | 联合模型的训练方法和对象信息处理方法、装置及系统 |
CN112116015A (zh) * | 2020-09-25 | 2020-12-22 | 苏州宇希新材料科技有限公司 | 基于图像处理的材料分类方法、装置及计算机设备 |
KR102348006B1 (ko) * | 2020-09-28 | 2022-01-07 | 주식회사 휴먼시스템 | 생산 공정에 대한 불량률 모니터링이 가능한 공장 생산 설비 시스템 모니터링 장치 |
CN112784876A (zh) * | 2020-12-30 | 2021-05-11 | 恒大新能源汽车投资控股集团有限公司 | 车辆尺寸匹配系统及方法 |
CN112528440A (zh) * | 2021-01-13 | 2021-03-19 | 桂林电子科技大学 | 一种基于本体的轴类零件外圆工序尺寸参数智能设计方法 |
CN112884413A (zh) * | 2021-03-02 | 2021-06-01 | 科世达(上海)机电有限公司 | 一种物料清单生成方法、系统、设备及存储介质 |
WO2022237105A1 (zh) * | 2021-05-12 | 2022-11-17 | 中船重工鹏力(南京)智能装备系统有限公司 | 自动化装配检测生产线在生产中产品质量分析预测方法 |
CN113673822A (zh) * | 2021-07-15 | 2021-11-19 | 微梦创科网络科技(中国)有限公司 | 一种弹性调度方法及系统 |
CN113657820A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 产线配料方法、装置、设备及可读存储介质 |
CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
CN114254827A (zh) * | 2021-12-21 | 2022-03-29 | 中国电子科技集团公司第三十八研究所 | 一种数据驱动的smt制造周期预测及修正方法 |
CN115122065A (zh) * | 2022-07-20 | 2022-09-30 | 安徽工程大学 | 一种轴承装配柔性生产线控制系统及控制方法 |
CN115311618A (zh) * | 2022-07-29 | 2022-11-08 | 华中科技大学 | 一种基于深度学习和对象匹配的装配质量检查方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117302897A (zh) * | 2023-11-23 | 2023-12-29 | 常州市传动输送机械有限公司 | 一种带式输送机智能监测防控方法及系统 |
CN117302897B (zh) * | 2023-11-23 | 2024-01-26 | 常州市传动输送机械有限公司 | 一种带式输送机智能监测防控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116119284B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376873B (zh) | 运维方法、装置、电子设备及计算机可读存储介质 | |
CN111507470A (zh) | 一种异常账户的识别方法及装置 | |
CN108256570A (zh) | 基于k邻域相似性的数据聚类方法、装置和存储介质 | |
CN116119284B (zh) | 基于人工智能的物料装配方法、装置、设备及介质 | |
CN110737917A (zh) | 基于隐私保护的数据共享装置、方法及可读存储介质 | |
CN109558384A (zh) | 日志分类方法、装置、电子设备和存储介质 | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN111460315B (zh) | 社群画像构建方法、装置、设备及存储介质 | |
CN115456438A (zh) | 企业经营行为异常预警方法及其应用 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN116664335A (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
CN108305174B (zh) | 资源处理方法、装置、存储介质和计算机设备 | |
CN110047509A (zh) | 一种两级子空间划分方法及装置 | |
CN109840246A (zh) | 一种用于计算目标特征的历史数据的方法及装置 | |
CN114595216A (zh) | 数据校验方法、装置、存储介质及电子设备 | |
CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
CN114757397A (zh) | 一种坏料预测方法、坏料预测装置及电子设备 | |
CN111507397A (zh) | 一种异常数据的分析方法及装置 | |
CN117745721B (zh) | 一种基于标识解析的排产计划优化方法及相关设备 | |
CN116484230B (zh) | 识别异常业务数据的方法及ai数字人的训练方法 | |
CN115062495B (zh) | 材料绝缘性能分析方法、装置、电子设备及存储介质 | |
CN117689186B (zh) | 一种基于标识解析的排产计划筛选方法及相关设备 | |
CN116703240A (zh) | 基于人工智能的产能监测方法及相关设备 |
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 |