CN116151087A - 优化冲压件的质量的方法、装置、设备与计算机程序产品 - Google Patents
优化冲压件的质量的方法、装置、设备与计算机程序产品 Download PDFInfo
- Publication number
- CN116151087A CN116151087A CN202111359094.8A CN202111359094A CN116151087A CN 116151087 A CN116151087 A CN 116151087A CN 202111359094 A CN202111359094 A CN 202111359094A CN 116151087 A CN116151087 A CN 116151087A
- Authority
- CN
- China
- Prior art keywords
- parameters
- stamping
- additional
- defect
- stampings
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
公开了一种优化冲压件的质量的方法、装置、设备与计算机程序产品。该方法包括:接收一个或多个材料参数、一个或多个工艺参数和缺陷数据;至少基于所述缺陷数据、一个或多个材料参数、一个或多个工艺参数而生成关联模型;以及至少基于该关联模型来预测附加的一个或多个冲压件中的一个或多个潜在缺陷。
Description
技术领域
本公开涉及工业生产领域,并且更具体地,涉及优化冲压件的质量的方法、装置、设备与计算机程序产品。
背景技术
现代工业产品的生产需要大量的零件。这些零件当中的一部分是通过冲压过程而形成的冲压件。冲压过程是一种材料成型工艺。例如,在汽车生产过程中,通过冲压过程将原材料(例如,钢材料、铝合金材料)冲压形成汽车的各种零件。这些零件然后可以被组装为汽车的一部分。原材料的材料参数和/或冲压过程的工艺参数的选择对于冲压件的质量十分关键。不适当的材料参数和/或工艺参数的组合可能会造成有缺陷的冲压件,从而降低生产效率并提高生产成本。
发明内容
本公开提供了一种由计算设备执行的优化冲压件的质量的方法,包括:接收第一参数集合,第一参数集合包括一个或多个材料参数,该一个或多个材料参数描述用于形成一个或多个冲压件的材料的属性;接收第二参数集合,该第二参数集合包括一个或多个工艺参数,该一个或多个工艺参数描述用于形成该一个或多个冲压件的工艺过程的属性;接收缺陷数据,该缺陷数据指示从该一个或多个冲压件中识别的一个或多个缺陷;至少基于该缺陷数据、该第一参数集合、该第二参数集合,生成关联模型,该关联模型描述所识别的缺陷与该一个或多个材料参数中的至少一个材料参数和/或该一个或多个工艺参数中的至少一个工艺参数之间的关系;以及至少基于该关联模型,预测附加的一个或多个冲压件中的一个或多个潜在缺陷。
本公开还提供了一种优化冲压件的质量的装置,其包括用于执行如本文所述的方法的部件。
本公开还提供了一种优化冲压件的质量的设备,其包括:至少一个处理器;以及至少一个存储设备,该至少一个存储设备存储有指令,当该指令由该至少一个处理器执行时使得该至少一个处理器执行如本文所述的方法。
本公开还提供了一种计算机程序产品,该计算机程序产品包括指令,当该指令由处理器执行时使得执行如本文所述的方法。
本公开的方法和系统能够自动识别冲压件的缺陷与形成该冲压件的材料与工艺之间的关联,并基于该关联预测未来的冲压件中的潜在缺陷。如果预测到潜在缺陷,本公开的系统和方法能够自动调整用于形成冲压件的材料与工艺,从而避免潜在缺陷的形成。本公开的方法和系统可以处理与冲压过程相关联的多维度的参数的组合,并基于这些参数的组合(而不仅仅是单一参数)的整体做出预测和调整,避免了调整单一参数时可能出现的顾此失彼的缺点。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1示出了根据本公开的实施例的从原材料形成冲压件的冲压过程的流程图。
图2示出了根据本公开的实施例的用于优化冲压件的质量的方法的流程图。
图3示出了根据本公开的实施例的用于优化冲压件的质量的装置的示意图。
图4示出了根据本公开的示例性实施例的其中可应用本公开的计算设备的示意图。
具体实施方式
提供以下描述以使得本领域的技术人员能够实现和使用所述实施例,并且以下描述是以特定系统及其要求的上下文提供的。各种修改形式对于本领域的技术人员而言将是清楚的,并且本文中所限定的一般性原则可应用于其他实施例和系统,而不脱离所述实施例的实质和范围。因此,所述实施例不限于所示出的实施例,而是要被赋予符合本文所公开的原理和特征的最宽泛的范围。
图1示出了根据本公开的实施例的从原材料形成冲压件的冲压过程1000的流程图。
冲压过程1000可以从步骤1100开始。在步骤1100中,可以执行拆垛过程。拆垛过程可以包括将成垛存放的原材料拆解成原材料板的形式。例如,原材料可以是钢、铝合金、钛合金或其他任何合适的原材料。这些原材料通常被生产为原材料板并被卷曲成垛以便于运输和存储。拆垛过程将成垛的原材料展平为原材料板以便于后续的处理。
拆垛过程可以涉及一个或多个参数,包括与原材料相关的材料参数(称为“材料参数”)和与执行拆垛过程相关的设备、工艺、辅助材料相关的参数(称为“工艺参数”)。材料参数的示例包括但不限于原材料的化学组分(例如,合金的比例)、机械属性(刚度、延展性、密度等)等等。工艺参数的示例包括但不限于用于展平原材料的应力的大小、作用位置、作用方向及持续时间等。
然后,冲压过程1000可以继续到步骤1200。在步骤1200中,可以执行清洗过程。清洗过程用于对经历拆垛过程而获得的原材料板进行清洁。具体而言,原材料板由引入辊带入清洗机内。清洗机泵站将油箱中的油料按照设定的压力和流量喷射至原材料板的上下表面,同时清洗刷辊上下刷拭原材料板。通过油料喷淋和刷辊的刷洗去除原材料板的上下表面的颗粒杂质。然后,液压站(有些清洗机为气压)通过设定的挤干压力将原材料板上的残油挤出,从而在原材料板的表面上留下一定厚度的油膜涂层。
油膜涂层在冲压件的成型过程中起到重要的作用。例如,油膜涂层可以在模具和工件间进行有效润滑。除此之外,油膜涂层还可以起到冷却、抗磨\极压性、清洁和防锈等作用。油膜涂层对提高零件表面质量有显著效果。润滑性和极压性是十分重要的功能,可以有效保证冲压拉延工艺的顺利进行,避免表面开裂和褶皱的产生,保证原材料板的良好的成型性和脱模性,防止模具表面与原材料板间擦伤和烧结。润滑效果的提高可以改善模具的性能,从而降低对原材料的要求,从而可以允许使用级别更低的原材料,并大幅度降低废品率。
油膜涂层的厚度可以显著影响冲压件的质量。例如,过薄的油膜厚度会降低油膜涂层的效果,从而有可能导致冲压件上呈现开裂或其他缺陷。又例如,过厚的油膜厚度可能导致冲压件上呈现褶皱、油包或其他缺陷。油膜涂层的厚度的均匀性也是重要的。油膜涂层的不合适和/或不均匀的厚度将降低冲压件的合格率。
油膜涂层的厚度受多个参数的影响。该多个参数可以包括与原材料相关的材料参数(称为“材料参数”)和与执行清洗过程相关的设备、工艺、辅助材料相关的参数(称为“工艺参数”)。例如,原材料板的材料参数可以包括但不限于原材料板的尺寸、厚度、表面粗糙度、表面洁净度、原始油膜厚度(原材料在出厂时可能已涂覆一定油料)。工艺参数可以包括与所使用的油料有关的参数,包括但不限于油料的类型(组分、黏度、密度、酸值、闪点、水分)、温度、纯度(杂质含量)等。工艺参数还可以包括与喷涂有关的参数,包括但不限于喷涂的位置、角度、速率和持续时间。工艺参数还可以包括与清洗机的机械配置有关的参数,包括但不限于刷辊重合度、刷辊转速、刷辊完整性等。附加地,影响油膜涂层的厚度的多个参数还可以包括与环境有关的多个环境参数,包括但不限于温度、湿度、空气洁净度等。
然后,冲压过程1000可以继续到步骤1300。在步骤1300中,可以执行冲压成型过程。冲压成型过程用于将经历了清洗过程的原材料板成型为期望的冲压件。冲压成型过程通常可以包括四个工序:拉延工序、修边工序、冲孔工序和翻边工序。每个工序可以对应一套模具。拉延工序是主要的成型工序。通过拉延工序,零件的主要形状基本形成。此外,拉延成型后的零件通过形变强化,可以获得一定的强度和刚度。修边工序主要是切除拉延工序多余的辅料,如拉延筋、工艺补充面等。冲孔工序是冲零件上的孔。翻边工序主要是将零件四周的边翻起,供后面包边工序或后续装配使用。通过冲压成型过程,可以形成冲压件。
与冲压成型过程相关联的多个参数可能影响所产生的冲压件的质量。该多个参数可以包括与原材料相关的材料参数(称为“材料参数”)和与执行冲压成型过程相关的设备、工艺、辅助材料相关的参数(称为“工艺参数”)。例如,材料参数可以包括用于冲压成型过程的材料板本身的材料参数,包括但不限于材料板的化学组分(合金的比例)、机械属性(刚度、延展性、密度等)、粗糙度、表面油膜的厚度等。工艺参数可以包括用于拉延工序、修边工序、冲孔工序和翻边工序中每一个工序的每一个步骤的参数。作为示例,拉延工序的工艺参数可以包括但不限于拉延工序的各个步骤的执行顺序,所使用的拉延力的大小、作用位置、作用方向和持续时间,等等。应当注意,尽管没有一一列出,但是用于执行冲压成型过程的设备的配置参数、冲压成型过程的各步骤的时序关系、以及所使用的其他辅助材料的属性都可以被视为工艺参数。
通过冲压过程1000,可以从原材料制造出冲压件,这些冲压件可以作为零件以用于工业产品(例如,汽车)的生产。为了确保该工业产品的质量,应当确保冲压件的质量。然而,冲压过程1000所生产的冲压件难免会存在缺陷。缺陷可能有多种类型,包括开裂、缩颈、减薄、褶皱等等。这些缺陷是执行冲压过程1000的材料参数和工艺参数共同作用的结果。
为了尽可能地减少冲压件的缺陷,可以依靠人类经验来设置执行冲压过程1000的材料参数和工艺参数。然而,人类经验可能是直观浅显的,因为人类可能不能发现特定参数与特定缺陷之间的内在联系。人类也可能不能注意到特定参数的细微变化对缺陷的显著影响。同时,人类经验常常是单维度的。当需要考虑多个维度(例如,材料和工艺)的几十甚至上百个参数时,人类难以进行统筹的考虑。此外,人类经验的灵活性低,它通常需要较长的时间来形成、验证和调整。
图2示出了根据本公开的实施例的用于优化冲压件的质量的方法2000的流程图。方法2000可以由计算设备执行。计算设备的示例例如是图3描述的装置3000。方法2000可以提供用于优化冲压件的质量的改进的方法。
方法2000可以从步骤2100开始。在步骤2100中,可以接收第一参数集合。第一数据集合可以包括一个或多个材料参数。该一个或多个材料参数可以描述用于形成一个或多个冲压件的材料的属性。作为示例,该一个或多个材料参数描述的材料的属性可以包括材料的化学组分、粗糙度、表面涂覆的油膜的厚度、机械属性等等当中的一个或多个。例如,该一个或多个材料参数可以包括关于图1的过程描述的材料参数中的任意一部分或全部。
可以从一个或多个源接收第一参数集合。例如,与原材料的化学组分、物理属性和/或机械属性相关的参数可以从原材料供应商、原材料库存管理方、原材料检验方的人员或设备接收。也可以从其他任何合适的来源获得第一参数集合中的一个或多个,而不受限制。
然后,方法2000可以继续到步骤2200。在步骤2200中,可以接收第二参数集合。第二参数集合可以包括一个或多个工艺参数。该一个或多个工艺参数可以描述用于形成所述一个或多个冲压件的工艺过程的属性。作为示例,该一个或多个工艺参数描述的工艺过程的属性包括与材料的拆垛过程、清洗过程、冲压成型过程中的一者或多者相关联的工艺参数。例如,该一个或多个工艺参数可以包括关于图1的过程描述的工艺参数中的任意一部分或全部。
可以从一个或多个源接收第二参数集合。例如,可以从执行冲压过程1000的人员或设备接收第二参数集合。也可以从其他任何合适的来源获得第二参数集合中的一个或多个,而不受限制。
然后,方法2000可以继续到步骤2300。在步骤2300中,可以接收缺陷数据。缺陷数据可以指示从上述一个或多个冲压件中识别的一个或多个缺陷。缺陷数据可以包括与该一个或多个缺陷相关联的任何数据,例如缺陷的类型、缺陷的位置、缺陷的严重级别等等。缺陷的类型可以包括但不限于开裂、缩颈、减薄、褶皱,等等。此外,缺陷数据还可以包括有缺陷的冲压件的类型(例如,零件类型)。
可以从一个或多个源接收缺陷数据。在一个实施例中,由冲压过程1000生产的冲压件将经历人工检测,其中检测工人通过对冲压件的检视而检测出有缺陷的冲压件,并记录相关联的缺陷信息(例如,冲压件的类型、缺陷的类型、缺陷的位置、缺陷的严重级别等等)。检测工人可以通过终端设备将所记录的缺陷信息作为缺陷数据发送给执行方法2000的计算设备。在替代的实施例中,可以使用检测机器替代检测工人来获得缺陷数据。例如,检测机器可以通过超声波或红外探测的方式识别冲压件的缺陷。优选地,检测机器还可以通过获得冲压件的一个或多个图像并基于计算机视觉(例如,计算机图像识别)识别冲压件的缺陷。检测机器可以将所识别的缺陷作为缺陷数据发送给执行方法2000的计算设备。通过检测机器使用计算机视觉来识别冲压件的缺陷可以减少检测工人对冲压件的接触并且提高检测效率。
优选地,可以在冲压过程1000中为每个冲压件镌刻标识符。检测工人或检测机器可以识别所镌刻的将标识符与缺陷数据一并发送执行方法2000的计算设备,给从而使得缺陷数据可以与相应的冲压件相关联(例如,可以相关联地存储在数据库中)。
然后,方法2000可以继续到步骤2400。在步骤2400中,可以基于所接收的缺陷数据、第一参数集合、第二参数集合而生成关联模型。所生成的关联模型可以被存储和/或分发。
在一个实施例中,所生成的关联模型可以描述所识别的缺陷与第一参数集合中的至少一个材料参数和/或第二参数集合中的至少一个工艺参数之间的关系。这种关系可以是因果关系。作为示例,关联模型可以描述开裂(或任何其他类型的缺陷)与油膜厚度的关系。该关系可以用关系参数来表示。在一个示例中,关系参数可以具有二元值,即,“有关”或“无关”。在另一个例子中,关系参数可以具有指示关联程度的数值,例如归一化的概率值。作为另一个示例,缺陷可以被表示为缺陷矢量(例如,包括表示缺陷的类型、位置、严重级别的数值),并且一组材料参数或工艺参数可以一起被组织为参数矢量。在这种情况下,关系参数可以包括表示这两者之间的关联性的一个或多个矩阵。该一个或多个矩阵能够度量形成为该参数矢量的一组材料参数和工艺参数整体(而不是每个参数单独地)对缺陷的影响。
优选地,所生成的关联模型还可以描述为一个或多个材料参数和/或一个或多个工艺参数估计的安全阈值。每个安全阈值可以与缺陷及一个或一组参数相关联。例如,可以针对开裂来设置油膜厚度的安全阈值。该安全阈值指示不会导致冲压件开裂的一个或多个油膜厚度值(或值范围)。此外,可以针对开裂来设置一组参数的安全阈值组。该组参数可以包括一组材料参数和工艺参数的组合。该安全阈值组可以包括针对该组参数的一个或多个参数矢量,每个参数矢量包含不会导致冲压件开裂的值组。
在步骤2400中,可以通过将机器学习应用于缺陷数据、第一参数集合、第二参数集合以生成关联模型。例如,可以将缺陷数据、第一参数集合、第二参数集合作为训练数据输入到机器学习模型以对机器学习模型进行训练。可以将所训练的模型作为所生成的关联模型。可以使用任何合适的机器学习算法(诸如神经网络、支持向量机、逻辑回归、随机森林等等)来训练该关联模型。
根据本公开的实施例,在使用机器学习模型时,可以将缺陷数据、第一参数集合、第二参数集合中的每一者数值化。例如,可以基于冲压件的一个或多个缺陷而生成一个或多个缺陷分数,该一个或多个缺陷分数可以表示缺陷的类型、位置、严重级别等。优选地,可以使用单个缺陷分数来综合地表征缺陷的类型、位置、严重级别。对于第一参数集合和/或第二参数集合,可以类似地处理以获得材料分数和工艺分数。可以将机器学习应用于缺陷分数、材料分数以及工艺分数,以生成关联模型。
优选地,在生成关联模型时,可以将冲压过程1000所涉及的参数划分为维度层次结构。该维度层次结构可以包括多个维度级别。可以针对每一维度级别生成相应的关联模型。
例如,在第一维度级别,冲压过程1000所涉及的一个或多个参数可以分为两个的主要维度,即材料参数维度和工艺参数维度。材料参数维度可以是所有考虑的材料参数的综合,其由单个材料分数表示。工艺参数维度可以是所有考虑的工艺参数的综合,其由单个工艺分数表示。在第一维度级别,可以将机器学习应用于缺陷分数、材料分数、以及工艺分数以生成第一关联模型。该第一关联模型可以指示冲压件的缺陷与单个材料分数和单个工艺分数的关系。由于已经将材料参数和工艺参数各自简化为单个材料分数和单个工艺分数,所以第一关联模型的训练和使用是相对简单的。
进一步地,在第二维度级别,可以将第一维度级别的材料参数维度和工艺参数维度各自划分为更多的子维度。例如,材料参数维度可以被划分为物理材料参数维度和化学材料参数维度。工艺参数维度可以按照拆垛过程参数维度、清洗过程参数维度、冲压成型过程参数维度来划分。所划分出的每一个子维度可以具有相应分数,该相应分数可以通过综合与该子维度相关联的参数而得出。例如,清洗过程参数维度的相应分数可以通过综合与清洗过程相关联的多个工艺参数(例如,油料有关的参数、喷涂有关的参数、设备的机械配置有关的参数等)而得出。在第二维度级别,可以将机器学习应用于缺陷分数和每一子维度的相应分数以生成第二关联模型。第二关联模型可以指示冲压件的缺陷与第二维度级别的多个子维度(即,物理材料参数维度、化学材料参数维度、拆垛过程参数维度、清洗过程参数维度、冲压成型过程参数维度)之间的关系。与第一关联模型相比,第二关联模型涉及的参数的粒度更细并且维度更多,因此准确性较高,但训练和使用相对复杂。
进一步地,在第三维度级别,可以将第二维度级别的子维度各自划分为更多的孙维度。仅作为示例,清洗过程参数维度可以被划分为油料有关的参数维度、喷涂有关的参数维度、设备的机械配置有关的参数维度三个孙维度。所划分出的每一个孙维度可以具有相应分数,该相应分数可以通过综合与该孙维度相关联的多个参数而得出。例如,喷涂有关的参数维度的相应分数可以通过综合喷涂的位置、角度、速率和持续时间等多个参数而得出。其他每个子维度也可以划分出相应的孙维度。在第三维度级别,可以将机器学习应用于缺陷分数和每一孙维度的相应分数以生成第三关联模型。第三关联模型可以指示冲压件的缺陷与第三维度级别的多个孙维度之间的关系。与第二关联模型相比,第三关联模型涉及的参数的粒度更细并且维度更多,因此准确性更高,但训练和使用更加复杂。
依此类推,可以将冲压过程1000所涉及的一个或多个参数进一步划分为更多的维度级别,并为每个维度级别生成对应的关联模型。随着维度级别的递增,相应的关联模型涉及的参数的粒度更细并且维度更多,但训练和使用越复杂。
优选地,在每个维度级别上,还可以对不同的参数维度应用不同的权重。例如,在第一维度级别,可以将第一组权重应用于一个或多个材料参数(材料参数维度)以生成材料分数,并且将第二组权重应用于一个或多个工艺参数(工艺参数维度)以生成工艺分数。考虑到材料本身的属性可能比工艺参数更能影响缺陷的产生,所以第一组权重可以大于第二组权重,以在第一关联模型中突出材料参数的影响。类似地,在生成第二关联模型时,可以为第二维度级别的每个子维度应用不同的权重。进一步地,在生成第三关联模型时,还可以为第三维度级别的每个孙维度应用不同的权重。
然后,方法2000可以继续到步骤2500。在步骤2500中,可以基于步骤2400中所生成的关联模型来预测附加的一个或多个冲压件中的一个或多个潜在缺陷。附加的一个或多个冲压件可以指在用于生成关联模型的冲压件之后投入生产的冲压件。
具体而言,在步骤2500中,可以接收附加的第一参数集合和附加的第二参数集合,该附加的第一参数集合包括与附加的一个或多个冲压件相关联的一个或多个材料参数,并且该附加的第二参数集合包括与附加的一个或多个冲压件相关联的一个或多个工艺参数。附加的第一参数集合和附加的第二参数集合可以从当前正在为附加的一个或多个冲压件执行冲压过程1000的设备或人员接收。
然后,可以至少基于附加的第一参数集合和附加的第二参数集合,使用步骤2400中生成的关联模型来预测附加的一个或多个冲压件中的一个或多个潜在缺陷。
在一个例子中,可以基于该附加的第一参数集合和/或该附加的第二参数集合中的特定参数(或参数组)的值并且基于描述该特定参数(或参数组)与缺陷之间的关系的关系参数,来推算用于描述潜在缺陷的数据,例如,描述潜在缺陷的数据可以描述潜在缺陷是否会发生、可能的类型、可能的位置以及可能的严重级别等。
在另一个例子中,可以将附加的第一参数集合和/或该附加的第二参数集合中的特定参数(或参数组)的值与关联模型中相应的安全阈值(或阈值组)进行比较。如果特定参数(或参数组)的值不属于相应的安全阈值(或阈值组),则可能发生潜在缺陷。
通过这种方式,先前生成的关联模型可以被用来预测未来可能发生的潜在缺陷。
优选地,可以对附加的第一参数集合和/或该附加的第二参数集合使用不同维度级别的关联模型(例如,前面所描述的第一关联模型、第二关联模型、第三关联模型,等等)。对于每个冲压件(或者使用相同参数的一组冲压件),可以首先使用第一关联模型在主要的参数维度进行预测。如果第一关联模型没有预测到缺陷(或者给出的预测置信度低于第一预定阈值),则可以认为不会发生缺陷,并且终止对该冲压件的预测。否则,可以使用第二关联模型在子维度进行更精细的预测,如果第二关联模型没有预测到缺陷(或者给出的预测置信度低于第二预定阈值),则可以认为不会发生缺陷,并且终止对该冲压件的预测。否则,可以使用第三关联模型在孙维度进行更精细的预测。如果第三关联模型在孙维度预测到将会产生缺陷,则可以认为预测到一个或多个潜在缺陷。以此类推,也可以扩展到与第四维度级别、第五维度级别或者更高维度级别对应的关联模型。通过这种方式,可以避免一直使用高维度的关联模型(其具有大量维度和精细粒度),从而在维持可接受的预测准确度的基础上减少计算与资源的消耗。
可选地,方法2000还可以包括当预测到一个或多个潜在缺陷时执行一个或多个动作。该一个或多个动作可以是警报动作和/或调整动作。
在一个实施例中,当预测到一个或多个潜在缺陷时,所执行的一个或多个动作可以包括向用于检测冲压件的检测工人发出警报。响应于该警报,检测工人可以更仔细地检视附加的一个或多个冲压件中被预测包含缺陷的冲压件并将其剔除,从而避免有缺陷的冲压件外溢到后续的工业产品中。
附加地或替代地,当预测到一个或多个潜在缺陷时,所执行的一个或多个动作可以包括基于所预测的一个或多个潜在缺陷而调整与附加的一个或多个冲压件相关联的一个或多个材料参数和/或一个或多个工艺参数。其目的在于期望减少实际缺陷的发生(或降低发生率)。例如,可以将与所预测的潜在缺陷相关联的特定参数(或参数组)的值调整为关联模型中所指示的相应的安全阈值(或阈值组)。注意到,由于针对给定原材料板的冲压过程开始之后,材料参数通常是固定的,所以可以调整工艺参数。例如,可以基于附加的第一参数集合(材料参数集合)来寻找安全阈值(或阈值组)中具有匹配的第一参数集合的那些安全阈值(或阈值组),并然后将找到的这些安全阈值组中指示的工艺参数应用于冲压过程1000。通过这种方式,可以使得应用于冲压过程1000的材料参数和工艺参数属于同一安全阈值组。
可选地,方法2000还可以包括接收附加的缺陷数据。该附加的缺陷数据指示从附加的一个或多个冲压件中识别的一个或多个实际缺陷。进一步地,还可以基于从附加的一个或多个冲压件中识别的一个或多个实际缺陷,来更新步骤2400中生成的关联模型。具体而言,可以将附加的缺陷数据、附加的第一参数集合、附加的第二参数集合作为新的训练数据应用于步骤2400中所使用的机器学习模型。如果对附加的第一参数集合和/或附加的第二参数集合进行了调整,则可以以调整后的附加的第一参数集合和/或附加的第二参数集合作为训练数据。与先前的关联模型相比,更新后的关联模型可以具有不同的关系参数和/或安全阈值。在一些实施例中,更新后的关联模型可以具有不同的权重分配(例如,不同的第一组权重和第二组权重)。
可选地,在执行步骤2400之前,方法2000还可以包括接收第三参数集合,该第三参数集合包括一个或多个环境参数,该一个或多个环境参数可以描述用于形成一个或多个冲压件的环境的属性(例如,温度、湿度、空气洁净度等)。相应地,在步骤2400中,关联模型还可以附加地基于第三参数集合而生成。并且,当预测到一个或多个潜在缺陷时,所执行的一个或多个动作可以还包括调整与缺陷相关联的一个或多个环境参数,例如,通过控制空调和空气清洁设备来调整温度、湿度、空气洁净度。
根据本公开的实施例的方法提供了用于提高冲压件的质量的改进的方法。该方法能够自动识别冲压件的缺陷与形成该冲压件的材料与工艺之间的关联。所识别的关联将随着数据的积累而变得越来越准确。该方法还可以基于所识别的该关联预测未来的冲压件中的潜在缺陷。此外,如果预测到潜在缺陷,该方法能够给出警报或者自动调整用于形成冲压件的材料与工艺,从而避免有缺陷的冲压件的外溢和/或阻止潜在缺陷的实际形成。本公开的方法可以处理与冲压过程相关联的多维度的参数的组合,并基于这些参数的组合(而不仅仅是单一参数)的整体做出预测和调整,避免了调整单一参数时可能出现的顾此失彼的缺点。同时,本公开的方法可以在多个维度层次上构建关联模型,这些关联模型可以提供使用的灵活性、准确性和经济性的平衡。
图3示出了根据本公开的实施例的用于优化冲压件的质量的装置3000的示意图。装置3000可以被配置为执行前面关于图2所描述的方法的步骤。如图3所示,装置3000可以包括数据接收部件3100、模型生成部件3200和缺陷预测部件3300。
数据接收部件3100可以被配置为接收第一参数集合、第二参数集合和缺陷数据。第一参数集合包括一个或多个材料参数,该一个或多个材料参数描述用于形成一个或多个冲压件的材料的属性。第二参数集合包括一个或多个工艺参数,该一个或多个工艺参数描述用于形成所述一个或多个冲压件的工艺过程的属性。缺陷数据指示从所述一个或多个冲压件中识别的一个或多个缺陷。
模型生成部件3200可以被配置为至少基于缺陷数据、第一参数集合、第二参数集合而生成关联模型。该关联模型描述所识别的缺陷与一个或多个材料参数中的至少一个材料参数和/或一个或多个工艺参数中的至少一个工艺参数之间的关系。
缺陷预测部件3300可以被配置为至少基于所生成的关联模型,预测附加的一个或多个冲压件中的一个或多个潜在缺陷。
装置3000还可以包括用于执行前面关于图2所描述的方法的其他步骤的其他部件(未示出)。
图4示出了根据本公开的示例性实施例的其中可应用本公开的计算设备4000的示意图。
参考图4,现在将描述作为可应用于本公开的各方面的硬件设备的示例的计算设备4000。计算设备4000可以是被配置成执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、便携式相机或其任意组合。上述装置3000可以整体或至少部分地由计算设备4000或类似的设备或系统来实现。
计算设备4000可以包括能够经由一个或多个接口与总线4020连接或者与总线4020通信的元件。例如,计算设备4000可以包括总线4020、一个或多个处理器4040、一个或多个输入设备4060以及一个或多个输出设备4080。一个或多个处理器4040可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专用处理芯片)。输入设备4060可以是能够向计算设备输入信息的任何类型的设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备4080可以是能够呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端和/或打印机。计算设备4000还可以包括非瞬态存储设备4100或与非瞬态存储设备4100连接,非瞬态存储设备4100可以是非瞬态的并且可以实现数据存储库的任何存储设备,并且可以包括但不限于盘驱动器、光学存储设备、固态存储装置、软盘、柔性盘、硬盘、磁带或任何其它磁性介质、紧凑型盘或任何其它光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存存储器和/或任何其它存储器芯片或盒带、和/或计算机可以从其读取数据、指令和/或代码的任何其它介质。非瞬态存储设备4100可以是可从接口拆卸的。非暂态存储设备4100可以具有用于实现上述方法和步骤的数据/指令/代码。计算设备4000还可以包括通信设备4120。通信设备4120可以是能够与外部装置和/或与网络通信的任何类型的设备或系统,并且可以包括但不限于调制解调器、网络卡、红外通信设备、无线通信装备和/或诸如蓝牙设备、802.11设备、Wi-Fi设备、Wi-Max设备、蜂窝通信设施等的芯片组。
总线4020可以包括但不限于工业标准体系架构(ISA)总线、微通道体系架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线和外围组件互连(PCI)总线。
计算设备4000还可以包括工作存储器4140,工作存储器4140可以是可以存储对处理器4040的工作有用的指令和/或数据的任何类型的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素可以位于工作存储器4140中,包括但不限于操作系统4160、一个或多个应用程序4180、驱动程序和/或其它数据和代码。用于执行上述方法和步骤的指令可以被包括在一个或多个应用程序4180中,并且上述装置3000的部件可以通过处理器4040读取并执行一个或多个应用程序4180的指令来实现。更具体地,数据接收部件3100可以例如由处理器4040在执行具有执行步骤2100-2300的指令的应用程序4180时实现。模型生成部件3200可以例如由处理器4040在执行具有执行步骤2400的指令的应用程序4180时实现。缺陷预测部件可以例如由处理器4040在执行具有执行步骤2500的指令的应用程序4180时实现。软件要素的指令的可执行代码或源代码可以存储在非瞬态计算机可读存储介质(诸如上述(一个或多个)存储设备4100)中,并且可以在可能编译和/或安装的情况下被读入到工作存储器4140中。软件要素的指令的可执行代码或源代码也可以从远程位置下载。
本公开可以被实施为系统、方法和/或计算机程序产品。该计算机程序产品可以包括(一个或多个)计算机可读存储介质,其上具有计算机可读程序指令,用于使处理器执行本公开的方面。
计算机可读存储介质可以是可以保持和存储用于由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如(但不限于)电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的示例的非穷举的列表包括以下:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码设备(诸如其上存储有指令的打孔卡或凹槽内凸起结构)以及上述的任意合适的组合。如本文所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络(例如互联网、局域网、广域网和/或无线网)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或者网络接口从网络接收计算机可读程序指令,并转发这些计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、依赖机器的指令、微代码、固件指令、状态设置数据,或者以一种或多种编程语言的任意组合编写的或者源代码或者目标代码,这些编程语言包括面向对象的编程语言(诸如Smalltalk、C++等)以及常规过程式编程语言(诸如“C”编程语言或类似的编程语言)。计算机可读程序指令可以完全地在用户的计算机上执行、部分地在用户的计算机上执行、作为独立的软件包执行、部分在用户的计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者,可以连接到外部计算机(例如使用互联网服务提供商通过互联网)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,以便执行本公开的方面。
本文参考根据实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的方面。将理解的是,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以生产出机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/行为的装置。这些计算机可读程序指令也可被存储在计算机可读存储介质中,这些计算机可读程序指令可以指导计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,其中存储有指令的计算机可读介质包括制造品,该制造品包括实现流程图和/或框图中的一个或多个方框中规定的功能/行为的方面的指令。
计算机可读程序指令也可被加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程装置或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/行为。
图中的流程图和框图显示了根据本公开的各个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表模块、段或指令的一部分,该模块、段或指令的一部分包含用于实现规定的(一个或多个)逻辑功能的一个或多个可执行指令。在一些替换的实现中,方框中所标注的功能也可以以不同于图中所标注的顺序发生。例如,取决于所涉及的功能,两个连续的方框实际上可以基本并行地执行,或者这些方框有时也可以按相反的顺序执行。还将注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以由执行规定的功能或行为的或执行专用硬件与计算机指令的组合的基于专用硬件的系统来实现。
本领域技术人员还应当理解,在本公开的实施例中按照顺序例示的各种操作并不一定必须按照例示的顺序执行。本领域技术人员可以根据需要调整操作的顺序。本领域技术人员还可以根据需要,增加更多的操作或省略其中一些操作。
对本公开的各种实施例的描述已经出于说明的目的给出,但是并不旨在是详尽的或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,许多修改和变化对于本领域普通技术人员来说将是显然的。选择本文使用的术语,以最好地解释实施例的原理、实际应用或对市场中发现的技术的改进,或者使本领域其他技术人员能够理解本文公开的实施例。
Claims (15)
1.一种由计算设备执行的优化冲压件的质量的方法,其特征在于,包括:
接收第一参数集合,所述第一参数集合包括一个或多个材料参数,所述一个或多个材料参数描述用于形成一个或多个冲压件的材料的属性;
接收第二参数集合,所述第二参数集合包括一个或多个工艺参数,所述一个或多个工艺参数描述用于形成所述一个或多个冲压件的工艺过程的属性;
接收缺陷数据,所述缺陷数据指示从所述一个或多个冲压件中识别的一个或多个缺陷;
至少基于所述缺陷数据、所述第一参数集合、所述第二参数集合,生成关联模型,所述关联模型描述所识别的所述缺陷与所述一个或多个材料参数中的至少一个材料参数和/或所述一个或多个工艺参数中的至少一个工艺参数之间的关系;以及
至少基于所述关联模型,预测附加的一个或多个冲压件中的一个或多个潜在缺陷。
2.如权利要求1所述的方法,其特征在于,所述关联模型还描述为所述一个或多个材料参数和/或所述一个或多个工艺参数估计的安全阈值。
3.如权利要求1所述的方法,其特征在于,预测所述附加的一个或多个冲压件中的一个或多个潜在缺陷包括:
接收附加的第一参数集合,所述附加的第一参数集合包括与所述附加的一个或多个冲压件相关联的所述一个或多个材料参数;
接收附加的第二参数集合,所述附加的第二参数集合包括与所述附加的一个或多个冲压件相关联的所述一个或多个工艺参数;以及
至少基于所述附加的第一参数集合和所述附加的第二参数集合,使用所述关联模型来预测所述一个或多个潜在缺陷。
4.如权利要求3所述的方法,其特征在于,还包括:
基于所预测的一个或多个潜在缺陷,调整与所述附加的一个或多个冲压件相关联的所述一个或多个材料参数和/或所述一个或多个工艺参数。
5.如权利要求4所述的方法,其特征在于,还包括:
接收附加的缺陷数据,所述附加的缺陷数据指示从所述附加的一个或多个冲压件中识别的一个或多个实际缺陷;以及
基于从所述附加的一个或多个冲压件中识别的一个或多个实际缺陷,更新所述关联模型。
6.如权利要求1所述的方法,其特征在于,所述一个或多个材料参数描述的所述材料的属性包括以下各项中的一个或多个:
所述材料的化学组分;
所述材料的粗糙度;
所述材料的表面涂覆的油膜的厚度;
所述材料的机械属性。
7.如权利要求1所述的方法,其特征在于,所述一个或多个工艺参数描述的所述工艺过程的属性包括以下各项中的一个或多个:
与所述材料的拆垛过程相关联的工艺参数;
与所述材料的清洗过程相关联的工艺参数;
与所述材料的冲压成型过程相关联的工艺参数。
8.如权利要求1所述的方法,其特征在于,冲压件的所述缺陷包括开裂、缩颈、减薄、褶皱中的一个或多个。
9.如权利要求8所述的方法,其特征在于,所述缺陷是通过计算机图像识别而获得的。
10.如权利要求1所述的方法,其特征在于,生成所述关联模型包括将机器学习应用于所述缺陷数据、所述第一参数集合、所述第二参数集合以训练所述关联模型。
11.如权利要求10所述的方法,其特征在于,生成所述关联模型还包括:
基于所述一个或多个缺陷,生成缺陷分数;
将第一组权重应用于所述一个或多个材料参数以生成材料分数;
将第二组权重应用于所述一个或多个工艺参数以生成工艺分数,所述第二组权重小于所述第一组权重;以及
将机器学习应用于所述缺陷分数、所述材料分数、以及所述工艺分数,以训练所述关联模型。
12.如权利要求1所述的方法,其特征在于,所述方法还包括:
接收第三参数集合,所述第三参数集合包括一个或多个环境参数,所述一个或多个环境参数描述用于形成所述一个或多个冲压件的环境的属性;并且
其中,所述关联模型还附加地基于所述第三参数集合而生成。
13.一种优化冲压件的质量的装置,其特征在于,包括:用于执行如权利要求1-12中的任一项所述的方法的部件。
14.一种优化冲压件的质量的设备,其特征在于,包括:
至少一个处理器;以及
至少一个存储设备,所述至少一个存储设备存储有指令,当所述指令由所述至少一个处理器执行时使得所述至少一个处理器执行如权利要求1-12中的任一项所述的方法。
15.一种计算机程序产品,其特征在于,所述计算机程序产品包括指令,当所述指令由处理器执行时使得执行如权利要求1-12中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111359094.8A CN116151087A (zh) | 2021-11-17 | 2021-11-17 | 优化冲压件的质量的方法、装置、设备与计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111359094.8A CN116151087A (zh) | 2021-11-17 | 2021-11-17 | 优化冲压件的质量的方法、装置、设备与计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151087A true CN116151087A (zh) | 2023-05-23 |
Family
ID=86354808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111359094.8A Pending CN116151087A (zh) | 2021-11-17 | 2021-11-17 | 优化冲压件的质量的方法、装置、设备与计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151087A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116428984A (zh) * | 2023-05-24 | 2023-07-14 | 湖南涛淼实业有限公司 | 一种五金模具冲压加工智能检测系统 |
-
2021
- 2021-11-17 CN CN202111359094.8A patent/CN116151087A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116428984A (zh) * | 2023-05-24 | 2023-07-14 | 湖南涛淼实业有限公司 | 一种五金模具冲压加工智能检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443288B2 (en) | Automatic assessment of damage and repair costs in vehicles | |
CN109583489B (zh) | 缺陷分类识别方法、装置、计算机设备和存储介质 | |
CN109547814B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN106127363B (zh) | 一种用户信用评估方法和装置 | |
Guan et al. | A steel surface defect recognition algorithm based on improved deep learning network model using feature visualization and quality evaluation | |
US11544721B2 (en) | Supporting automation of customer service | |
WO2015195841A1 (en) | Model-driven evaluator bias detection | |
JP2022512065A (ja) | 画像分類モデルの訓練方法、画像処理方法及び装置 | |
CN111368636A (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
CN110930017B (zh) | 数据处理的方法及装置 | |
CN116151087A (zh) | 优化冲压件的质量的方法、装置、设备与计算机程序产品 | |
US12002085B2 (en) | Digital image ordering using object position and aesthetics | |
US20240233358A9 (en) | Image classification method, model training method, device, storage medium, and computer program | |
Someshwar et al. | Implementation of virtual assistant with sign language using deep learning and TensorFlow | |
CN116150339A (zh) | 对话方法、装置、设备及存储介质 | |
CN113012088A (zh) | 一种电路板故障检测及孪生网络的训练方法、装置和设备 | |
CN116618529B (zh) | 一种智能模具的控制系统及方法 | |
WO2019000892A1 (zh) | Pcb订单报废率预测方法和装置 | |
CN112766351A (zh) | 一种图像质量的评估方法、系统、计算机设备和存储介质 | |
JPWO2019180868A1 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
US20230118305A1 (en) | Method and apparatus for identifying an article | |
TWI801820B (zh) | 用於製造流程之系統及方法 | |
GB2614170A (en) | Action-object recognition in cluttered video scenes using text | |
CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
Trauth et al. | A characterization of quality of sheared edge in fine blanking using edge-computing approach |
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 |