CN116306320B - 非血管腔道导丝生产质量管理方法及系统 - Google Patents
非血管腔道导丝生产质量管理方法及系统 Download PDFInfo
- Publication number
- CN116306320B CN116306320B CN202310558645.6A CN202310558645A CN116306320B CN 116306320 B CN116306320 B CN 116306320B CN 202310558645 A CN202310558645 A CN 202310558645A CN 116306320 B CN116306320 B CN 116306320B
- Authority
- CN
- China
- Prior art keywords
- index
- information
- basic information
- quality
- production
- 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.)
- Active
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域,提供了非血管腔道导丝生产质量管理方法及系统,包括:提取目标导丝的基础信息;将基础信息集合和工艺设备信息输入质量指标匹配模块中获得质量指标集合;将基础信息集合和工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用加工控制参数进行样品生产,获得目标样品;对目标样品进行物理性质分析,获得第一验证结果;对目标样品进行使用分析,获得第二验证结果;获得生产偏差信息;根据生产偏差信息对加工控制参数进行优化,并根据优化控制参数进行导丝生产。能够解决非血管腔道导丝生产过程中由于加工控制参数设置不合理造成产品质量较低的问题,可以提高非血管腔道导丝的生产质量。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及非血管腔道导丝生产质量管理方法及系统。
背景技术
非血管腔导丝是一种医疗耗材产品,属于二类医疗器械,主要用途是在非血管腔道作导引使用,目前的导丝主要由导丝芯、涂覆层和软头组成。在非血管腔导丝生成过程中,通常是设定固定的生产控制参数进行产品生产,并没有根据设备类型以及产品规格对生产控制参数进行调整,经常会造成产品与预期标准存在偏差的现象,影响了产品的使用效果。
综上所述,现有技术中存在非血管腔道导丝生产过程中由于加工控制参数设置不合理造成产品质量较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供非血管腔道导丝生产质量管理方法及系统。
一种非血管腔道导丝生产质量管理方法,包括:采集目标导丝的订单信息,根据所述订单信息提取所述目标导丝的基础信息,获得基础信息集合;获取生产车间的工艺设备信息,通过将所述基础信息集合和所述工艺设备信息输入质量指标匹配模块中获得质量指标集合,其中,所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,每个质量指标具有对应的指标值阈值;将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用所述加工控制参数进行样品生产,获得目标样品;利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,获得第一验证结果;利用所述耐腐蚀性指标和所述使用性能指标对所述目标样品进行使用分析,获得第二验证结果;根据第一验证结果和第二验证结果获得生产偏差信息;根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产。
在一个实施例中,还包括:调用生产数据库中过去时间段内的加工信息,获得历史加工信息,其中,所述历史加工信息包括历史基础信息集合、历史工艺设备信息和历史质量评价信息,所述历史质量评价信息包括异常指标信息;从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第一历史基础信息,利用所述第一历史基础信息作为第一划分节点对所述历史基础信息集合进行二分类,获得第一划分结果;再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第二历史基础信息,利用所述第二历史基础信息作为第二划分节点对所述第一划分结果进行二分类,获得第二划分结果;再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第N历史基础信息,利用所述第N历史基础信息作为第N划分节点对第N-1划分结果进行二分类,获得第N划分结果;利用所述异常指标信息对第一划分结果、第二划分结果和第N划分结果进行标注,获得标注结果;根据所述第一划分节点、第二划分节点和第N划分节点,以及所述标注结果构建质量指标匹配模块。
在一个实施例中,还包括:遍历所述异常指标信息中的指标进行指标数值提取,获得异常指标数值集合;根据所述异常指标数值集合确定指标值阈值,并根据所述指标值阈值对所述异常指标信息进行阈值标识。
在一个实施例中,还包括:从生产数据库中调取历史基础信息集合、历史工艺设备信息和历史加工控制参数,生成历史数据集合;对所述历史数据集合进行划分,获得训练集和验证集;利用所述训练集对所述控制参数设定模块进行监督训练,直至训练至收敛;利用所述验证集对所述控制参数设定模块进行验证,当达到预设准确度之后,获得所述控制参数设定模块。
在一个实施例中,还包括:对所述目标样品进行抗弯检测,获得样品抗弯性指标数值,并与所述抗弯性指标的指标值阈值进行比对,获得抗弯性偏差值;利用拉力试验机对所述目标样品进行拉伸试验,获得样品拉力变化曲线;根据所述样品拉力变化曲线提取样品峰值拉力值,并与所述峰值拉力指标的指标值阈值进行比对,获得拉力偏差值;通过预设权重占比对所述抗弯性偏差值和拉力偏差值进行加权计算,根据计算结果获得第一验证结果。
在一个实施例中,还包括:以所述生产偏差信息为目标优化方向;以所述基础信息集合为索引,从生产数据库中调取N个加工控制参数和N个加工质量信息,N为大于等于1的整数;根据所述N个加工质量信息和所述N个加工控制参数构建优化控制空间;利用寻优算法从所述优化控制空间中获取优化控制参数。
在一个实施例中,还包括:根据所述目标优化方向从所述优化控制空间中匹配邻域加工质量集合;基于所述邻域加工质量集合匹配所述优化控制空间中的参数,获得邻域加工控制参数集合;基于所述加工控制参数集合和所述邻域加工控制参数集合获得P个调整方向;根据所述P个调整方向对加工控制参数进行随机优化调整,获得Q个优化加工参数;基于所述优化控制空间对所述Q个优化加工参数进行加工质量估计,获得Q个估计加工质量,筛选后获得优化加工质量;根据所述优化加工质量获得优化控制参数。
非血管腔道导丝生产质量管理系统,包括:
基础信息集合获得模块,所述基础信息集合获得模块用于采集目标导丝的订单信息,根据所述订单信息提取所述目标导丝的基础信息,获得基础信息集合;
质量指标集合获得模块,所述质量指标集合获得模块用于获取生产车间的工艺设备信息,通过将所述基础信息集合和所述工艺设备信息输入质量指标匹配模块中获得质量指标集合,其中,所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,每个质量指标具有对应的指标值阈值;
加工控制参数获得模块,所述加工控制参数获得模块用于将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用所述加工控制参数进行样品生产,获得目标样品;
第一验证结果获得模块,所述第一验证结果获得模块用于利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,获得第一验证结果;
第二验证结果获得模块,所述第二验证结果获得模块用于利用所述耐腐蚀性指标和所述使用性能指标对所述目标样品进行使用分析,获得第二验证结果;
生产偏差信息获得模块,所述生产偏差信息获得模块用于根据第一验证结果和第二验证结果获得生产偏差信息;
优化控制参数获得模块,所述优化控制参数获得模块用于根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产。
上述非血管腔道导丝生产质量管理方法及系统,能够解决非血管腔道导丝生产过程中由于加工控制参数设置不合理造成产品质量较低的问题,首先获得非血管腔导丝产品的历史加工信息,通过决策树算法对所述历史加工信息进行分类,并根据分类结果构建质量指标匹配模块,通过构建质量指标匹配模块,可以提高产品质量指标匹配的效率和精度。然后将目标导丝的基础信息集合和工艺设备信息输入所述质量指标匹配模块中获得质量指标集合;基于BP神经网络构建控制参数设定模块,通过获取历史数据集合对所述控制参数设定模块进行监督训练,获得训练完成的控制参数设定模块,然后将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,通过构建控制参数设定模块获得加工控制参数,可以提高加工控制参数获得的准确率。基于所述加工控制参数进行样品生产,利用抗弯性指标和峰值拉力指标对目标样品进行物理性质分析,获得第一验证结果;利用耐腐蚀性指标和使用性能指标对目标样品进行使用分析,获得第二验证结果;并将所述第一验证结果与所述第二验证结果与指标值阈值进行比对,获得生产偏差信息。最后根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产。可以提高非血管腔道导丝的生产质量。
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为本申请提供了非血管腔道导丝生产质量管理方法的流程示意图;
图2为本申请提供了非血管腔道导丝生产质量管理方法中构建质量指标匹配模块的流程示意图;
图3为本申请提供了非血管腔道导丝生产质量管理方法中获得控制参数设定模块的流程示意图;
图4为本申请提供了非血管腔道导丝生产质量管理系统的结构示意图。
附图标记说明:基础信息集合获得模块1、质量指标集合获得模块2、加工控制参数获得模块3、第一验证结果获得模块4、第二验证结果获得模块5、生产偏差信息获得模块6、优化控制参数获得模块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,本申请提供了非血管腔道导丝生产质量管理方法,所述方法包括:
步骤S100:采集目标导丝的订单信息,根据所述订单信息提取所述目标导丝的基础信息,获得基础信息集合;
具体而言,获得目标导丝的订单信息,所述目标导丝是指待进行质量优化的非血管腔道导丝,所述订单信息包括商品信息、基础信息、金融信息、附加信息等。根据所述订单信息获取所述目标导丝的基础信息,获得基础信息集合,所述基础信息集合包括所述目标导丝的产品结构、产品组件、型号规格、产品适用范围等信息。通过获得所述基础信息集合,为下一步进行质量指标匹配和获得加工控制参数提供了数据支持。
步骤S200:获取生产车间的工艺设备信息,通过将所述基础信息集合和所述工艺设备信息输入质量指标匹配模块中获得质量指标集合,其中,所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,每个质量指标具有对应的指标值阈值;
如图2所示,在一个实施例中,本申请步骤S200还包括:
步骤S210:调用生产数据库中过去时间段内的加工信息,获得历史加工信息,其中,所述历史加工信息包括历史基础信息集合、历史工艺设备信息和历史质量评价信息,所述历史质量评价信息包括异常指标信息;
步骤S220:从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第一历史基础信息,利用所述第一历史基础信息作为第一划分节点对所述历史基础信息集合进行二分类,获得第一划分结果;
步骤S230:再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第二历史基础信息,利用所述第二历史基础信息作为第二划分节点对所述第一划分结果进行二分类,获得第二划分结果;
步骤S240:再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第N历史基础信息,利用所述第N历史基础信息作为第N划分节点对第N-1划分结果进行二分类,获得第N划分结果;
具体而言,调取生产数据库中过去时间段内的加工信息,所述生产数据库为人工智能和数据库相结合的非血管腔导丝产品生产数据库,其中存储有大量的非血管腔导丝产品的生产数据,其中包括历史加工信息、历史加工控制参数等数据,并且可以通过不断学习对所述生产数据库进行补充和更新。获得历史加工信息,所述历史加工信息包括历史基础信息集合、历史工艺设备信息和历史质量评价信息,所述历史工艺设备信息是指生产历史非血管腔导丝产品零部件的设备类型以及生产参数。所述历史质量评价信息包括异常指标信息,所述异常指标信息是指所述历史非血管腔导丝产品出现的不符合质量指标要求的异常情况和异常情况的指标数值等信息。
利用决策树算法对所述历史基础信息集合进行划分,首先从所述历史基础信息集合中随机不放回选取一历史基础信息作为第一历史基础信息,根据所述第一历史基础信息中的任意一个指标作为第一划分节点,根据所述第一划分节点对所述历史基础信息集合进行二分类,获得第一划分结果。例如:将所述第一历史基础信息中的长度指标作为第一划分节点,假设长度指标为20厘米,则根据所述长度指标将所述历史基础信息集合分为长度小于等于20厘米和长度大于20厘米两部分。然后再次从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第二历史基础信息,利用所述第二历史基础信息作为第二划分节点对所述第一划分结果进行二分类,获得第二划分结果;直至获得第N划分结果,其中N为大于等于2的正整数。
步骤S250:利用所述异常指标信息对第一划分结果、第二划分结果和第N划分结果进行标注,获得标注结果;
在一个实施例中,本申请步骤S250还包括:
步骤S251:遍历所述异常指标信息中的指标进行指标数值提取,获得异常指标数值集合;
步骤S252:根据所述异常指标数值集合确定指标值阈值,并根据所述指标值阈值对所述异常指标信息进行阈值标识。
步骤S260:根据所述第一划分节点、第二划分节点和第N划分节点,以及所述标注结果构建质量指标匹配模块。
具体而言,对所述异常指标中的指标进行指标数值提取,所述指标数值是指所述异常指标具体的值,例如:假设所述异常指标为拉力强度异常时,则拉力强度的具体数值为所述指标数值,比如20兆帕,获得异常指标数值集合。然后根据所述异常指标数值集合确定指标值阈值,例如:可以根据所述异常指标数值集合中最大值和最小值确定指标值阈值,例如:所述异常指标为拉力强度异常,其中所述异常指标数值集合中最大拉力强度为20兆帕,最小拉力强度为18兆帕,则所述指标值阈值为大于等于18兆帕和小于等于20兆帕。根据所述指标值阈值对所述异常指标信息进行阈值标识。
具体的,通过对异常指标信息中的指标进行指标数值提取,对生产车间的加工异常情况进行获取,从而根据生产车间在生产非血管腔道导丝时的实际生产质量设定对应的指标值阈值。为提高进一步保证导丝生产质量提供数据支持。
然后根据所述异常指标信息对所述第N划分结果进行标注,获得N+1个标注划分结果。最后根据所述第一划分节点、第二划分节点和第N划分节点,以及所述标注结果构建质量指标匹配模块。通过利用决策树算法对所述历史基础信息集合进行划分,可以提高所述历史基础信息集合划分的效率。
获取生产车间的工艺设备信息,所述工艺设备信息是指待使用的非血管腔导丝产品零部件的设备类型以及生产参数,将所述目标导丝的基础信息集合和所述工艺设备信息输入所述质量指标匹配模块,获得质量指标集合。其中所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,且每个质量指标具有对应的指标值阈值。所述抗弯性是指所述非血管腔导丝产品的抗弯曲性,所述峰值拉力是指导丝上关键连接处的峰值拉力,所述耐腐蚀性是指芯丝中与人体接触的金属部分的耐腐蚀性,所述使用性能是指当导丝产品带有涂层时,所述涂层的润滑性能和持久性能。通过构建质量指标匹配模块进行质量指标匹配,可以提高非血管腔导丝产品质量指标匹配的效率和精度。
步骤S300:将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用所述加工控制参数进行样品生产,获得目标样品;
如图3所示,在一个实施例中,本申请步骤S300还包括:
步骤S310:从生产数据库中调取历史基础信息集合、历史工艺设备信息和历史加工控制参数,生成历史数据集合;
步骤S320:对所述历史数据集合进行划分,获得训练集和验证集;
步骤S330:利用所述训练集对所述控制参数设定模块进行监督训练,直至训练至收敛;
步骤S340:利用所述验证集对所述控制参数设定模块进行验证,当达到预设准确度之后,获得所述控制参数设定模块。
具体而言,根据所述生产数据库调取历史基础信息集合、历史工艺设备信息和历史加工控制参数,并根据所述历史基础信息集合、所述历史工艺设备信息和所述历史加工控制参数构建历史数据集合。预设数据划分比例,所述数据划分比例本领域技术人员可自定义设置,例如:80%、20%。根据所述预设数据划分比例将所述历史数据集合划分为训练集和验证集。基于BP神经网络,构建控制参数设定模块,所述控制参数设定模块的输入数据为基础信息集合和工艺设备信息,输出数据为加工控制参数。所述控制参数设定模块为机器学习中可以进行不断迭代优化的神经网络模型,通过训练数据集进行监督训练获得。通过所述训练集对所述控制参数设定模块进行监督训练,当输出结果趋于收敛状态时,通过所述验证集对所述控制参数设定模块进行验证,预设验证准确率指标,所述验证准确率指标本领域技术人员可自定义设置,例如:95%。当所述控制参数设定模块的输出结果准确率大于等于所述验证准确率指标时,获得所述控制参数设定模块,通过利用BP神经网络构建控制参数设定模块,可以提高加工控制参数获得的效率和准确率。
将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,根据所述加工控制参数利用所述工艺设备进行样品生产,获得目标样品。通过获得所述目标样品,为下一步进行样品分析提供了支持。
步骤S400:利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,获得第一验证结果;
在一个实施例中,本申请步骤S400还包括:
步骤S410:对所述目标样品进行抗弯检测,获得样品抗弯性指标数值,并与所述抗弯性指标的指标值阈值进行比对,获得抗弯性偏差值;
步骤S420:利用拉力试验机对所述目标样品进行拉伸试验,获得样品拉力变化曲线;
步骤S430:根据所述样品拉力变化曲线提取样品峰值拉力值,并与所述峰值拉力指标的指标值阈值进行比对,获得拉力偏差值;
步骤S440:通过预设权重占比对所述抗弯性偏差值和拉力偏差值进行加权计算,根据计算结果获得第一验证结果。
具体而言,利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,首先利用抗弯曲强度测试仪对所述目标样品进行抗弯检测,获得样品抗弯指标数值,将所述抗弯性指标的指标值阈值减去所述抗弯性指标数值,通过计算获得抗弯性偏差值。利用拉力测试机对所述目标样品进行拉伸试验,获得样品拉力变化曲线,然后提取所述样品拉力变化曲线中拉力强度的最高值作为样品峰值拉力值,将所述峰值拉力指标的指标值阈值减去所述样品峰值拉力值,获得拉力偏差值。预设权重占比,所述权重占比本领域技术人员可基于实际情况自定义设置,例如:40%、60%。根据所述预设权重占比对所述抗弯性偏差值和拉力偏差值进行加权计算,获得加权计算结果即所述第一验证结果。
步骤S500:利用所述耐腐蚀性指标和所述使用性能指标对所述目标样品进行使用分析,获得第二验证结果;
步骤S600:根据第一验证结果和第二验证结果获得生产偏差信息;
具体而言,将所述耐腐蚀性指标的指标值阈值减去所述样品耐腐蚀性指标数值,获得耐腐蚀性偏差值。将所述使用性能指标减去所述样品使用性指标数值,获得使用性偏差值,预设权重占比,所述权重占比本领域技术人员可基于实际情况自定义设置。根据所述预设权重占比对所述耐腐蚀性偏差值和所述使用性偏差值进行加权计算,获得第二计算结果。对所述第一验证结果和所述第二验证结果设置权重占比,根据所述权重占比对所述第一验证结果和第二验证结果进行加权计算,获得计算结果即所述生产偏差信息。通过获得所述生产偏差信息,为下一步进行加工控制参数优化提供了支持。
步骤S700:根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产。
在一个实施例中,本申请步骤S700还包括:
步骤S710:以所述生产偏差信息为目标优化方向;
步骤S720:以所述基础信息集合为索引,从生产数据库中调取N个加工控制参数和N个加工质量信息,N为大于等于1的整数;
步骤S730:根据所述N个加工质量信息和所述N个加工控制参数构建优化控制空间;
具体而言,将所述生产偏差信息作为目标优化方向,将所述基础信息集合作为查询条件,从生产数据库中调取N个加工控制参数和N个加工质量信息,其中N为大于等于1的整数。然后根据所述N个加工质量信息和所述N个加工控制参数构建优化控制空间,所述优化控制空间是指控制参数进行优化的范围空间。
步骤S740:利用寻优算法从所述优化控制空间中获取优化控制参数。
在一个实施例中,本申请步骤S740还包括:
步骤S741:根据所述目标优化方向从所述优化控制空间中匹配邻域加工质量集合;
步骤S742:基于所述邻域加工质量集合匹配所述优化控制空间中的参数,获得邻域加工控制参数集合;
步骤S743:基于所述加工控制参数集合和所述邻域加工控制参数集合获得P个调整方向;
步骤S744:根据所述P个调整方向对加工控制参数进行随机优化调整,获得Q个优化加工参数;
步骤S745:基于所述优化控制空间对所述Q个优化加工参数进行加工质量估计,获得Q个估计加工质量,筛选后获得优化加工质量;
步骤S746:根据所述优化加工质量获得优化控制参数。
具体而言,根据所述目标优化方向从所述优化控制空间中匹配邻域加工质量集合,所述邻域加工质量是指小于所述生产偏差信息的加工质量信息。根据所述邻域加工质量集合对所述优化控制空间中的加工控制参数进行匹配,获得邻域加工控制参数集合。将所述邻域加工控制参数集合与所述加工控制参数集合进行遍历比对,将其中有差异的控制参数作为调整方向,获得P个调整方向,其中P为大于等于1的整数。并根据所述P个调整方向对所述加工控制参数进行随机优化调整,获得Q个优化加工参数,其中Q为大于等于1的整数,且Q大于等于P。根据所述优化控制空间对所述Q个优化加工参数进行加工质量评估,优选的,通过以所述Q个优化加工参数为索引,从所述优化控制空间中匹配相近的加工控制参数,在获得相近的多个加工控制参数后,从相近的多个加工控制参数对应的多个加工质量信息中,选取质量最低的加工质量信息作为Q个估计加工质量。从而,以最低质量进行评估,可以保证加工质量估计的可靠性,降低加工质量误差。
将所述Q个估计加工质量中质量评估结果最高的估计加工质量作为优化加工质量,并根据所述优化加工质量获得优化控制参数。通过利用优化算法对所述优化控制空间进行寻优,获得优化控制参数,可以提高优化控制参数获得的准确率,从而提高非血管腔道导丝产品的生产质量。最后根据所述优化控制参数进行导丝生产。通过上述方法解决了非血管腔道导丝生产过程中由于加工控制参数设置不合理造成产品质量较低的问题,可以提高非血管腔道导丝的生产质量。
在一个实施例中,如图4所示提供了非血管腔道导丝生产质量管理系统,包括:基础信息集合获得模块1、质量指标集合获得模块2、加工控制参数获得模块3、第一验证结果获得模块4、第二验证结果获得模块5、生产偏差信息获得模块6、优化控制参数获得模块7、其中:
基础信息集合获得模块1,所述基础信息集合获得模块1用于采集目标导丝的订单信息,根据所述订单信息提取所述目标导丝的基础信息,获得基础信息集合;
质量指标集合获得模块2,所述质量指标集合获得模块2用于获取生产车间的工艺设备信息,通过将所述基础信息集合和所述工艺设备信息输入质量指标匹配模块中获得质量指标集合,其中,所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,每个质量指标具有对应的指标值阈值;
加工控制参数获得模块3,所述加工控制参数获得模块3用于将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用所述加工控制参数进行样品生产,获得目标样品;
第一验证结果获得模块4,所述第一验证结果获得模块4用于利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,获得第一验证结果;
第二验证结果获得模块5,所述第二验证结果获得模块5用于利用所述耐腐蚀性指标和所述使用性能指标对所述目标样品进行使用分析,获得第二验证结果;
生产偏差信息获得模块6,所述生产偏差信息获得模块6用于根据第一验证结果和第二验证结果获得生产偏差信息;
优化控制参数获得模块7,所述优化控制参数获得模块7用于根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产。
在一个实施例中,所述系统还包括:
历史加工信息获得模块,所述历史加工信息获得模块用于调用生产数据库中过去时间段内的加工信息,获得历史加工信息,其中,所述历史加工信息包括历史基础信息集合、历史工艺设备信息和历史质量评价信息,所述历史质量评价信息包括异常指标信息;
第一划分结果获得模块,所述第一划分结果获得模块用于从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第一历史基础信息,利用所述第一历史基础信息作为第一划分节点对所述历史基础信息集合进行二分类,获得第一划分结果;
第二划分结果获得模块,所述第二划分结果获得模块用于再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第二历史基础信息,利用所述第二历史基础信息作为第二划分节点对所述第一划分结果进行二分类,获得第二划分结果;
第N划分结果获得模块,所述第N划分结果获得模块用于再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第N历史基础信息,利用所述第N历史基础信息作为第N划分节点对第N-1划分结果进行二分类,获得第N划分结果;
标注结果获得模块,所述标注结果获得模块用于利用所述异常指标信息对第一划分结果、第二划分结果和第N划分结果进行标注,获得标注结果;
质量指标匹配模块构建模块,所述质量指标匹配模块构建模块用于根据所述第一划分节点、第二划分节点和第N划分节点,以及所述标注结果构建质量指标匹配模块。
在一个实施例中,所述系统还包括:
指标数值提取模块,所述指标数值提取模块用于遍历所述异常指标信息中的指标进行指标数值提取,获得异常指标数值集合;
阈值标识模块,所述阈值标识模块用于根据所述异常指标数值集合确定指标值阈值,并根据所述指标值阈值对所述异常指标信息进行阈值标识。
在一个实施例中,所述系统还包括:
历史数据集合生成模块,所述历史数据集合生成模块用于从生产数据库中调取历史基础信息集合、历史工艺设备信息和历史加工控制参数,生成历史数据集合;
历史数据集合划分模块,所述历史数据集合划分模块用于对所述历史数据集合进行划分,获得训练集和验证集;
监督训练模块,所述监督训练模块用于利用所述训练集对所述控制参数设定模块进行监督训练,直至训练至收敛;
控制参数设定模块获得模块,所述控制参数设定模块获得模块用于利用所述验证集对所述控制参数设定模块进行验证,当达到预设准确度之后,获得所述控制参数设定模块。
在一个实施例中,所述系统还包括:
抗弯性偏差值获得模块,所述抗弯性偏差值获得模块用于对所述目标样品进行抗弯检测,获得样品抗弯性指标数值,并与所述抗弯性指标的指标值阈值进行比对,获得抗弯性偏差值;
样品拉力变化曲线获得模块,所述样品拉力变化曲线获得模块用于利用拉力试验机对所述目标样品进行拉伸试验,获得样品拉力变化曲线;
拉力偏差值获得模块,所述拉力偏差值获得模块用于根据所述样品拉力变化曲线提取样品峰值拉力值,并与所述峰值拉力指标的指标值阈值进行比对,获得拉力偏差值;
第一验证结果获得模块,所述第一验证结果获得模块用于通过预设权重占比对所述抗弯性偏差值和拉力偏差值进行加权计算,根据计算结果获得第一验证结果。
在一个实施例中,所述系统还包括:
目标优化方向获得模块,所述目标优化方向获得模块用于以所述生产偏差信息为目标优化方向;
信息调取模块,所述信息调取模块用于以所述基础信息集合为索引,从生产数据库中调取N个加工控制参数和N个加工质量信息,N为大于等于1的整数;
优化控制空间构建模块,所述优化控制空间构建模块用于根据所述N个加工质量信息和所述N个加工控制参数构建优化控制空间;
优化控制参数获取模块,所述优化控制参数获取模块用于利用寻优算法从所述优化控制空间中获取优化控制参数。
在一个实施例中,所述系统还包括:
邻域加工质量集合匹配模块,所述邻域加工质量集合匹配模块用于根据所述目标优化方向从所述优化控制空间中匹配邻域加工质量集合;
邻域加工控制参数集合获得模块,所述邻域加工控制参数集合获得模块用于基于所述邻域加工质量集合匹配所述优化控制空间中的参数,获得邻域加工控制参数集合;
调整方向获得模块,所述调整方向获得模块用于基于所述加工控制参数集合和所述邻域加工控制参数集合获得P个调整方向;
优化加工参数获得模块,所述优化加工参数获得模块用于根据所述P个调整方向对加工控制参数进行随机优化调整,获得Q个优化加工参数;
优化加工质量获得模块,所述优化加工质量获得模块用于基于所述优化控制空间对所述Q个优化加工参数进行加工质量估计,获得Q个估计加工质量,筛选后获得优化加工质量;
优化控制参数获得模块,所述优化控制参数获得模块用于根据所述优化加工质量获得优化控制参数。
综上所述,本申请提供了非血管腔道导丝生产质量管理方法及系统具有以下技术效果:
1.解决了非血管腔道导丝生产过程中由于加工控制参数设置不合理造成产品质量较低的问题,通过获得优化控制参数进行导丝生产,可以提高非血管腔道导丝的生产质量。
2.利用决策树算法对历史基础信息集合进行划分,可以提高历史基础信息集合划分的效率,通过构建质量指标匹配模块进行质量指标匹配,可以提高非血管腔导丝产品质量指标匹配的效率和精度。
3.通过利用优化算法对所述优化控制空间进行寻优,获得优化控制参数,可以提高优化控制参数获得的准确率,从而提高非血管腔道导丝产品的生产质量。
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 (7)
1.非血管腔道导丝生产质量管理方法,其特征在于,所述方法包括:
采集目标导丝的订单信息,根据所述订单信息提取所述目标导丝的基础信息,获得基础信息集合;
获取生产车间的工艺设备信息,通过将所述基础信息集合输入质量指标匹配模块中获得质量指标集合,其中,所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,每个质量指标具有对应的指标值阈值;
将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用所述加工控制参数进行样品生产,获得目标样品;
利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,获得第一验证结果;
利用所述耐腐蚀性指标和所述使用性能指标对所述目标样品进行使用分析,获得第二验证结果;
根据第一验证结果和第二验证结果获得生产偏差信息,包括:对所述第一验证结果和所述第二验证结果设置权重占比,根据权重占比对所述第一验证结果和所述第二验证结果进行加权计算,获得计算结果,所述计算结果为所述生产偏差信息;
根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产;
所述第一验证结果获取方式,包括:
对所述目标样品进行抗弯检测,获得样品抗弯性指标数值,并与所述抗弯性指标的指标值阈值进行比对,获得抗弯性偏差值;
利用拉力试验机对所述目标样品进行拉伸试验,获得样品拉力变化曲线;
根据所述样品拉力变化曲线提取样品峰值拉力值,并与所述峰值拉力指标的指标值阈值进行比对,获得拉力偏差值;
通过预设权重占比对所述抗弯性偏差值和拉力偏差值进行加权计算,根据计算结果获得第一验证结果;
所述第二验证结果获取方式,包括:
将所述耐腐蚀性指标的指标值阈值减去所述目标样品耐腐蚀性指标数值,获得耐腐蚀性偏差值,将所述使用性能指标的指标值阈值减去所述目标样品使用性能指标数值,获得使用性能偏差值,根据预设权重占比对所述耐腐蚀性偏差值和所述使用性能偏差值进行加权计算,根据计算结果获得第二验证结果。
2.如权利要求1所述的方法,其特征在于,包括:
调用生产数据库中过去时间段内的加工信息,获得历史加工信息,其中,所述历史加工信息包括历史基础信息集合、历史工艺设备信息和历史质量评价信息,所述历史质量评价信息包括异常指标信息;
从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第一历史基础信息,利用所述第一历史基础信息作为第一划分节点对所述历史基础信息集合进行二分类,获得第一划分结果;
再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第二历史基础信息,利用所述第二历史基础信息作为第二划分节点对所述第一划分结果进行二分类,获得第二划分结果;
再从所述历史基础信息集合中随机不放回选取一历史基础信息,作为第N历史基础信息,利用所述第N历史基础信息作为第N划分节点对第N-1划分结果进行二分类,获得第N划分结果;
利用所述异常指标信息对第一划分结果、第二划分结果和第N划分结果进行标注,获得标注结果;
根据所述第一划分节点、第二划分节点和第N划分节点,以及所述标注结果构建质量指标匹配模块。
3.如权利要求2所述的方法,其特征在于,包括:
遍历所述异常指标信息中的指标进行指标数值提取,获得异常指标数值集合;
根据所述异常指标数值集合确定指标值阈值,并根据所述指标值阈值对所述异常指标信息进行阈值标识。
4.如权利要求1所述的方法,其特征在于,包括:
从生产数据库中调取历史基础信息集合、历史工艺设备信息和历史加工控制参数,生成历史数据集合;
对所述历史数据集合进行划分,获得训练集和验证集;
利用所述训练集对所述控制参数设定模块进行监督训练,直至训练至收敛;
利用所述验证集对所述控制参数设定模块进行验证,当达到预设准确度之后,获得所述控制参数设定模块。
5.如权利要求1所述的方法,其特征在于,包括:
以所述生产偏差信息为目标优化方向;
以所述基础信息集合为索引,从生产数据库中调取N个加工控制参数和N个加工质量信息,N为大于等于1的整数;
根据所述N个加工质量信息和所述N个加工控制参数构建优化控制空间;
利用寻优算法从所述优化控制空间中获取优化控制参数。
6.如权利要求5所述的方法,其特征在于,包括:
根据所述目标优化方向从所述优化控制空间中匹配邻域加工质量集合;
基于所述邻域加工质量集合匹配所述优化控制空间中的参数,获得邻域加工控制参数集合;
基于所述加工控制参数和所述邻域加工控制参数集合获得P个调整方向;
根据所述P个调整方向对加工控制参数进行随机优化调整,获得Q个优化加工参数;
基于所述优化控制空间对所述Q个优化加工参数进行加工质量估计,获得Q个估计加工质量,筛选后获得优化加工质量;
根据所述优化加工质量获得优化控制参数。
7.非血管腔道导丝生产质量管理系统,其特征在于,所述系统包括:
基础信息集合获得模块,所述基础信息集合获得模块用于采集目标导丝的订单信息,根据所述订单信息提取所述目标导丝的基础信息,获得基础信息集合;
质量指标集合获得模块,所述质量指标集合获得模块用于获取生产车间的工艺设备信息,通过将所述基础信息集合输入质量指标匹配模块中获得质量指标集合,其中,所述质量指标集合包括抗弯性指标、峰值拉力指标、耐腐蚀性指标和使用性能指标,每个质量指标具有对应的指标值阈值;
加工控制参数获得模块,所述加工控制参数获得模块用于将所述基础信息集合和所述工艺设备信息输入控制参数设定模块,获得加工控制参数,并利用所述加工控制参数进行样品生产,获得目标样品;
第一验证结果获得模块,所述第一验证结果获得模块用于利用所述抗弯性指标和所述峰值拉力指标对所述目标样品进行物理性质分析,获得第一验证结果;
第二验证结果获得模块,所述第二验证结果获得模块用于利用所述耐腐蚀性指标和所述使用性能指标对所述目标样品进行使用分析,获得第二验证结果;
生产偏差信息获得模块,所述生产偏差信息获得模块用于根据第一验证结果和第二验证结果获得生产偏差信息,包括:对所述第一验证结果和所述第二验证结果设置权重占比,根据权重占比对所述第一验证结果和所述第二验证结果进行加权计算,获得计算结果,所述计算结果为所述生产偏差信息;
优化控制参数获得模块,所述优化控制参数获得模块用于根据所述生产偏差信息对所述加工控制参数进行优化,获得优化控制参数,并根据所述优化控制参数进行导丝生产;
所述第一验证结果获得模块,包括:
对所述目标样品进行抗弯检测,获得样品抗弯性指标数值,并与所述抗弯性指标的指标值阈值进行比对,获得抗弯性偏差值;
利用拉力试验机对所述目标样品进行拉伸试验,获得样品拉力变化曲线;
根据所述样品拉力变化曲线提取样品峰值拉力值,并与所述峰值拉力指标的指标值阈值进行比对,获得拉力偏差值;
通过预设权重占比对所述抗弯性偏差值和拉力偏差值进行加权计算,根据计算结果获得第一验证结果;
所述第二验证结果获得模块,包括:
将所述耐腐蚀性指标的指标值阈值减去所述目标样品耐腐蚀性指标数值,获得耐腐蚀性偏差值,将所述使用性能指标的指标值阈值减去所述目标样品使用性能指标数值,获得使用性能偏差值,根据预设权重占比对所述耐腐蚀性偏差值和所述使用性能偏差值进行加权计算,根据计算结果获得第二验证结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558645.6A CN116306320B (zh) | 2023-05-18 | 2023-05-18 | 非血管腔道导丝生产质量管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558645.6A CN116306320B (zh) | 2023-05-18 | 2023-05-18 | 非血管腔道导丝生产质量管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116306320A CN116306320A (zh) | 2023-06-23 |
CN116306320B true CN116306320B (zh) | 2023-09-15 |
Family
ID=86790983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558645.6A Active CN116306320B (zh) | 2023-05-18 | 2023-05-18 | 非血管腔道导丝生产质量管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306320B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757546B (zh) * | 2023-07-05 | 2023-12-12 | 安徽如柒信息科技有限公司 | 一种基于工业互联网的生产监测预警系统 |
CN116700189A (zh) * | 2023-07-12 | 2023-09-05 | 广州市基优源食品有限公司 | 用于牛油捏合机的控制方法、装置、设备以及存储介质 |
CN117035697B (zh) * | 2023-10-09 | 2023-12-15 | 天津云起技术有限公司 | 基于历史动态分析的itsm平台优化方法及系统 |
CN117236795B (zh) * | 2023-11-13 | 2024-02-06 | 一夫科技股份有限公司 | 一种无水石膏的生产质量管理方法及系统 |
CN117234171B (zh) * | 2023-11-16 | 2024-02-20 | 江苏永鼎股份有限公司 | 用于芯片生产的工艺参数控制方法及系统 |
CN117826735B (zh) * | 2024-02-29 | 2024-05-14 | 江苏益捷思信息科技有限公司 | 基于物联网的生产质量管控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
CN114841626A (zh) * | 2022-07-01 | 2022-08-02 | 张家港市欧凯医疗器械有限公司 | 一种导尿管质量智能评估方法及系统 |
-
2023
- 2023-05-18 CN CN202310558645.6A patent/CN116306320B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
CN114841626A (zh) * | 2022-07-01 | 2022-08-02 | 张家港市欧凯医疗器械有限公司 | 一种导尿管质量智能评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116306320A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116306320B (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN111222290A (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
CN116976682B (zh) | 一种基于模糊算法的用电信息采集系统运行状态评估方法 | |
CN113452018B (zh) | 一种电力系统备用不足风险场景辨识方法 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN114384423A (zh) | 一种基于典型运行参数的燃料电池健康状态识别方法 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN113496255B (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN112241610A (zh) | 一种交联聚乙烯电缆的健康状态评估方法 | |
CN115190038B (zh) | 一种状态确定方法以及装置 | |
CN112507790B (zh) | 基于差异演化的互补分类回归树的故障诊断方法及系统 | |
CN116862209B (zh) | 一种新能源汽车充电设施管理方法及系统 | |
CN113190406B (zh) | 一种云原生可观测性下的it实体群组异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |