CN116520755A - 一种音响的自动化产线监测预警方法及系统 - Google Patents
一种音响的自动化产线监测预警方法及系统 Download PDFInfo
- Publication number
- CN116520755A CN116520755A CN202310777663.3A CN202310777663A CN116520755A CN 116520755 A CN116520755 A CN 116520755A CN 202310777663 A CN202310777663 A CN 202310777663A CN 116520755 A CN116520755 A CN 116520755A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- processing
- sets
- early warning
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 297
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 301
- 230000002159 abnormal effect Effects 0.000 claims abstract description 197
- 238000004458 analytical method Methods 0.000 claims abstract description 181
- 239000000463 material Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 21
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003754 machining Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 229920002799 BoPET Polymers 0.000 description 2
- 239000005041 Mylar™ Substances 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000012945 sealing adhesive Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种音响的自动化产线监测预警方法及系统,涉及数据处理技术领域,该方法包括:获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据;基于目标生产线历史时间内的生产数据,构建异常加工参数分析模型;将M个加工监测参数集合输入M个分析模块内,获得N个异常加工监测参数集合;分别对N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;将N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。本发明解决了现有技术中音响的自动化生产线监测智能化程度低,预警可靠性低的技术问题,达到了提升监测质量的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种音响的自动化产线监测预警方法及系统。
背景技术
随着科学技术水平的不断提升,自动化生产技术不断被应用于产品制造中。音响的自动化产线可以大幅度提升产量和生产效率,但是,由于音响的生产工艺繁杂,产线的运行状态无法被可靠的监测。现有对生产音响的质量进行监测,从而对产线进行预警的方式反馈周期过长,无法及时发现产线的异常。现有技术中音响的自动化生产线监测智能化程度低,预警可靠性低的技术问题。
发明内容
本申请提供了一种音响的自动化产线监测预警方法及系统,用于针对解决现有技术中音响的自动化生产线监测智能化程度低,预警可靠性低的技术问题。
鉴于上述问题,本申请提供了一种音响的自动化产线监测预警方法及系统。
本申请的第一个方面,提供了一种音响的自动化产线监测预警方法,其中,所述方法包括:
获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,所述多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数;
基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,所述异常加工参数分析模型包括M个分析模块,每个分析模块内包括所述多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点;
将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数;
分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;
将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。
本申请的第二个方面,提供了一种音响的自动化产线监测预警系统,所述系统包括:
监测参数获得模块,所述监测参数获得模块用于获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,所述多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数;
分析模型构建模块,所述分析模型构建模块用于基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,所述异常加工参数分析模型包括M个分析模块,每个分析模块内包括所述多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点;
异常监测参数获得模块,所述异常监测参数获得模块用于将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数;
异常系数集获得模块,所述异常系数集获得模块用于分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;
预警模块,所述预警模块用于将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数,然后基于目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,异常加工参数分析模型包括M个分析模块,每个分析模块内包括多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点,将M个加工监测参数集合输入M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数,分别对N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集,通过将N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。达到了提升预警可靠性,智能化的对音响生产线进行异常监测,提高监测效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种音响的自动化产线监测预警方法流程示意图;
图2为本申请实施例提供的一种音响的自动化产线监测预警方法中获得异常加工参数分析模型的流程示意图;
图3为本申请实施例提供的一种音响的自动化产线监测预警方法中获得N个预警方案集和N个综合预警方案的流程示意图;
图4为本申请实施例提供的一种音响的自动化产线监测预警系统结构示意图。
附图标记说明:监测参数获得模块11,分析模型构建模块12,异常监测参数获得模块13,异常系数集获得模块14,预警模块15。
具体实施方式
本申请通过提供了一种音响的自动化产线监测预警方法及系统,用于针对解决现有技术中音响的自动化生产线监测智能化程度低,预警可靠性低的技术问题。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种音响的自动化产线监测预警方法,其中,所述方法包括:
步骤S100:获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,所述多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数;
进一步的,获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,本申请实施例步骤S100还包括:
步骤S110:获取在上一个预设时间周期内,所述M个加工步骤内的多种加工监测参数的数据,获得加工监测参数集合;
步骤S120:按照所述M个加工步骤内的多种加工监测参数,对所述加工监测参数集合内的数据进行聚类和均值计算,获得所述M个加工监测参数集合。
在一个可能的实施例中,所述预设时间周期是对目标生产线进行相邻两次监测时间隔的时间段,由本领域技术人员自行设定,在此不做限制,例如为一周。所述M个加工监测参数集合是对上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据进行采集和均值处理后的参数集合,能够反映目标生产线在上一个预设时间周期内产线运行情况。其中,所述多种加工监测参数包括每个加工步骤进行加工时的物料取用时间、加工时间、良品率、异常行为次数。所述M个加工步骤是通过目标生产线将原材料加工成目标音响所需要的工艺操作顺序和工艺操作内容。示例性的,获得目标音响的加工步骤包括显示背板上线、机器点胶,手工安装灯条,安装反射板,安装扩散板,安装膜片,安装小件、麦拉片,贴封屏胶,装下框,装支撑S板,装防尘麦拉片,装配SOURCE板,装配导电布,显示模组监测等。
具体而言,通过对上一个预设时间周期内目标生产线的生产记录数据进行调取,获得M个加工步骤内的多种加工监测参数在上一个预设时间周期内的多个数据,从而获得所述加工监测参数集合。在获得所述加工监测参数集合后,为了提高数据的分析效率,以M个加工步骤为索引对所述加工监测参数集合中的数据进行一次聚类分析,将属于同一个加工步骤的多种加工监测参数的数据划分为一类,进而,对划分后的数据以多种加工监测参数的种类为索引进行二次聚类分析,将属于同一种加工监测参数的数据划分为一类并进行均值计算,根据一次聚类、二次聚类和均值计算的结果,获得M个加工监测参数集合。其中,所述M个加工监测参数集合中的每个加工监测参数集合内包括上一个预设时间周期内一个加工步骤中物料取用时间、加工时间、良品率和异常行为次数的均值。
具体的,在上一个预设时间周期内,目标生产线生产目标音响的过程中,由于工作环境的变化(如材料搬运过程中工人误触开关,导致工作台的聚光灯熄灭,使物料取用时间延长)、人员分配不合理(如不同组工人的工作负荷不同,导致低工作负荷的工人不能按照正常节奏进行组装)、物料摆放不合理、机器运行状态(由于机器长时间运转导致零部件松动,从而加工的产品质量不能满足要求)等因素,导致M个加工步骤内的多种加工监测参数是在一个范围内波动,通过求取均值的方式,降低偶然误差,提高监测数据的准确性和可靠性。所述物料取用时间是每个加工步骤内获取物料的时间。所述加工时间是每个加工步骤内产品进行生产加工的时间。所述良品率是每个加工步骤在上一个预设时间周期内加工合格产品的数量占加工产品总数的比例。所述异常行为次数是每个加工步骤内员工发生异常行为的次数,示例性的,异常行为可以是员工非正常脱离工作岗位等。
步骤S200:基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,所述异常加工参数分析模型包括M个分析模块,每个分析模块内包括所述多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点;
进一步的,如图2所示,基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,本申请实施例步骤S200还包括:
步骤S210:根据所述目标生产线历史时间内的生产数据,获取M个加工步骤的M个历史加工监测参数集合,每个历史加工监测参数集合内包括历史第一参数集、历史第二参数集、历史第三参数集和历史第四参数集;
步骤S220:采用所述M个历史加工监测参数集合内的第一历史加工监测参数集合作为构建数据,构建所述M个分析模块内的第一分析模块;
步骤S230:采用其他的M-1个历史加工监测参数集合,构建其他的M-1个分析模块,获得所述异常加工参数分析模型。
进一步的,采用所述M个历史加工监测参数集合内的第一历史加工监测参数集合作为构建数据,构建所述M个分析模块内的第一分析模块,本申请实施例步骤S200还包括:
步骤S240:以物料取用时间作为划分特征,采用所述第一历史加工监测参数集合内的历史第一参数集,构建多层第一监测节点,其中,每层第一监测节点对输入的第一加工步骤的物料取用时间进行二分类划分监测;
步骤S250:在所述多层第一监测节点内,设置第一异常输出节点,获得所述第一分析模块内的第一分析单元,其中,第一异常输出节点及以下的第一监测节点划分获得的单个物料取用时间为异常数据;
步骤S260:分别以加工时间、良品率、异常行为次数作为划分特征,采用所述第一历史加工监测参数集合内的历史第二参数集、历史第三参数集和历史第四参数集,构建所述第一分析模块内的第二分析单元、第三分析单元和第四分析单元,获得所述第一分析模块。
在本申请的实施例中,以所述目标生产线在历史时间内的生产数据为模型的基本构建数据,构建所述异常加工参数分析模型。其中,所述异常加工参数分析模型是用于对目标生产线的加工监测参数异常进行智能化分析的功能模型,包括M个分析模块,每个分析模型内包括多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点。M个分析模块对应目标生产线生产目标音响的M个加工步骤。每个分析单元对应一种加工监测参数,包括一异常输出节点。
在一个实施例中,通过根据所述目标生产线历史时间内的生产数据,以M个加工步骤为索引,获得M个历史加工监测参数集合。并以多种加工监测参数(物料取用时间、加工时间、良品率、异常行为次数)为索引对每个历史加工监测参数集合进行聚类,获得每个加工步骤的历史第一参数集、历史第二参数集、历史第三参数集和历史第四参数集。其中,历史第一参数集对应一个加工步骤的物料取用时间的历史参数集合。历史第二参数集对应一个加工步骤的加工时间的历史参数集合。历史第三参数集对应一个加工步骤的良品率的历史参数集合。历史第四参数集对应一个加工步骤的异常行为次数的历史参数集合。
在本申请的实施例中,通过使用M个历史加工监测参数集合中的第一历史加工监测参数集合作为构建数据,构建所述M个分析模块内的第一分析模块。以物料取用时间为划分特征,以第一历史加工监测参数集合内的历史第一参数集构建每层第一监测节点,并以历史第一参数集中的物料取用时间对每层第一监测节点进行赋值,从而根据每层第一监测节点对应的物料取用时间对输入的第一加工步骤的物料取用时间进行二分类划分监测,具体为将下一层第一监测节点输入的物料取用时间进行划分,划分为大于该第一监测节点内物料取用时间的一类和小于等于的一类,如此进行多层划分监测。在所述多层第一监测节点内设置一层第一监测节点为第一异常输出节点。示例性的,将多层第一监测节点中间层的监测节点设置为第一异常输出节点。以多层第一监测节点和第一异常输出节点构成所述第一分析模块内的第一分析单元。第一异常输出节点及以下的第一监测节点划分获得的单个物料取用时间为异常数据。
具体而言,基于与第一分析模块内的第一分析单元同样的方法,分别以加工时间、良品率、异常行为次数作为划分特征,采用第一历史加工监测参数集合内的历史第二参数集、历史第三参数集和历史第四参数集,构建所述第一分析模块内的第二分析单元、第三分析单元和第四分析单元。其中,所述第二分析单元是对加工时间对应的异常数据进行分析的功能单元。所述第三分析单元是对良品率对应的异常数据进行分析的功能单元。所述第四分析单元是对异常行为次数对应的异常数据进行分析的功能单元。将所述第一分析单元、第二分析单元、第三分析单元和第四分析单元进行并列获得所述第一分析模块。
具体的,基于与第一分析模块同样的构建方法,利用其他的M-1个历史加工监测参数集合,构建其他的M-1个分析模块,从而将所述第一分析模块和其他M-1个分析模块进行并列,获得所述异常加工参数分析模型。达到了对目标生产线在生产过程中不同步骤的异常情况进行智能化监测,提升监测准确性和监测分析效率的技术效果。
步骤S300:将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数;
进一步的,将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,本申请实施例步骤S300还包括:
步骤S310:将所述M个加工监测参数集合内的数据,分别结合所述M个历史加工监测参数集合内的数据,输入所述M个分析模块内的多个分析单元内进行监测;
步骤S320:判断所述M个加工监测参数集合内的数据是否被任意一个异常输出节点及以下的监测节点划分为单个数据,若是,则获得所述N个异常加工监测参数集合,若否,则所述M个加工监测参数集合无异常数据。
在一个实施例中,将所述M个加工监测参数集合内的数据与对应的M个历史加工监测参数集合内的数据进行汇总,然后按照多种加工监测参数类型进行聚类,将聚类后的结果分别输入所述M个分析模块内的四个分析单元中,进而根据M个分析模块内的多个分析单元输出的监测结果,判断所述M个加工监测参数集合内的数据是否被任意一个异常输出节点及以下的监测节点划分为单个数据。
具体而言,在正常的生产运行中,目标生产线的M个加工步骤对应的M个加工监测参数集合内的数据结合M个历史加工监测参数集合内的数据,由于生产在合格的范围内正常波动,导致数据形成密集的数据簇,而异常的数据形成孤立的数据点,例如正常的加工时间大多相同,异常的加工时间明显较大,在多层划分中,异常的数据更容易被划分为单个数据,即异常输出节点以下的监测节点就可以把异常数据划分为单个数据,但正常数据常常抱团难以被划分为单个数据,所以异常输出节点以下的监测节点无法将其划分为单个数据。因此,可以通过判断M个加工监测参数集合内的数据是否被任意一个异常输出节点及以下的监测节点划分为单个数据,从而判断M个加工监测参数集合内的数据是否包含异常数据。判断所述M个加工监测参数集合内的数据是否被任意一个异常输出节点及以下的监测节点划分为单个数据,若是,则获得表明存在异常数据,获得N个异常加工监测参数集合,若否,则所述M个加工监测参数集合无异常数据。当M个加工监测参数集合中对应的M个加工步骤内任意一种加工监测参数出现异常时,将其作为一个异常加工监测参数集合,因此,N为大于等于1小于等于M的整数。
步骤S400:分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;
进一步的,分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集,本申请实施例步骤S400还包括:
步骤S410:对所述M个历史加工监测参数集合内每个历史加工监测数据集合内的第一参数集、历史第二参数集、历史第三参数集和历史第四参数集内的数据进行均值计算,计算获得M个历史平均参数集合;
步骤S420:计算每个异常加工监测参数集合内的多个加工监测参数与对应的每个历史平均参数集合内的多个历史平均参数的偏差,获得所述N个异常系数集。
具体而言,在获得N个异常加工监测参数集合后,需要对加工监测参数偏离的程度进行计算,由此,为后续进行目标生产线的预警提供基础数据。通过对所述M个历史加工监测参数集合内每个历史加工监测数据集合内的第一参数集、历史第二参数集、历史第三参数集和历史第四参数集内的数据进行均值计算,获得每个加工步骤在历史时间内多种加工监测参数(物料取用时间、加工时间、良品率、异常行为次数)的平均取值情况,将均值计算的结果作为M个历史平均参数集合。
具体的,将N个异常加工监测参数集合对应的N个加工步骤,与M个历史加工监测参数集合对应的M个加工步骤进行匹配,获得对应N个历史加工监测参数集合的N个历史平均参数集合。根据N个异常加工监测参数集合的多个加工监测参数和M个历史平均参数集合,计算每个异常加工监测参数集合内的多个加工监测参数与对应的每个历史平均参数集合内的多个历史平均参数的偏差。优选的,某一加工步骤的异常加工时间为16分钟,历史平均加工时间为10分钟,将异常加工时间减去历史平均加工时间的值比上历史平均加工时间的结果,也就是40%作为异常系数。如此,获得异常系数集,其中,所述异常系数集反映了异常加工监测参数集合内的多个加工监测参数的异常程度。
步骤S500:将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。
进一步的,如图3所示,将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,本申请实施例步骤S500还包括:
步骤S510:计算所述N个异常系数集内的多个异常系数的均值,获得N个综合异常系数;
步骤S520:获取所述多种加工监测参数的多个样本异常系数集,以及综合异常系数集;
步骤S530:根据所述多个样本异常系数集和所述综合异常系数集,进行预警方案制定匹配,获得多个样本预警方案集合和样本综合预警方案集合;
步骤S540:采用所述多个样本异常系数集和所述综合异常系数集,以及多个样本预警方案集合和样本综合预警方案集合,构建所述预警方案分析模型内的多个预警方案分析模块和综合预警方案分析分支;
步骤S550:将所述N个异常系数集内的异常系数和所述N个综合异常系数输入所述预警方案分析模型内,获得所述N个预警方案集和N个综合预警方案。
在一个可能的实施例中,所述预警方案分析模型是用于对目标生产线进行监测预警的方案智能化输出的功能模型,包括多个预警方案分析模块和综合预警方案分析分支。其中,所述多个预警方案分析模块用于不同加工步骤的多种加工监测参数异常进行预警方案分析,所述综合预警方案分析分支用于对目标生产线的加工步骤生产运行情况进行预警方案的分析。
在一个可能的实施例中,通过对N个异常系数集内的多个异常系数进行均值计算,获得N个综合异常系数。其中,N个综合异常系数反映了目标生产的N个加工步骤对应的异常情况。
示例性地,以生产线多种加工监测参数的异常系数为索引,获得多个样本异常系数集和综合异常系数集。并根据所述多个样本异常系数集和所述综合异常系数集的大小确定对应的预警方案,优选的,可以由本领域技术人员进行制定匹配,从而获得多个样本预警方案集合和样本综合预警方案集合。
在一个实施例中,通过以所述多个样本异常系数集和多个样本预警方案集合为训练数据,对以BP神经网络为基础构建的框架进行监督训练,直至输出达到收敛,获得所述预警方案分析模型内的多个预警方案分析模型。优选的,通过构建综合异常系数集和样本综合预警方案集合之间的一一对应关系,构建综合异常系数-综合预警方案映射关系,并以所述综合异常系数-综合预警方案映射关系生成所述综合预警方案分析分支。
具体的,将所述N个异常系数集合内的异常系数输入预警方案分析模型内的多个预警方案分析模块中,经过模型运算,获得N个预警方案集。同时,将所述N个综合异常系数输入所述预警方案分析模型内的综合预警方案分析分支中,结合综合异常系数-综合预警方案映射关系,对应获得N个综合预警方案。根据所述N个预警方案集和N个综合预警方案对目标生产线进行预警。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对目标生产线生产目标音响的M个加工步骤内的多种加工监测参数在上一个预设时间周期内的数据进行采集,从而为分析生产线的状态提供监测数据,进而基于历史时间的生产数据构建异常加工参数分析模型,其中,异常加工参数分析模型可以对每个步骤中的每种加工监测参数分别进行异常分析,从而实现提升监测可靠性的目标,在获得N个异常加工监测参数集合后,进行异常系数计算,获得N个异常系数集,从而实现了对异常偏离的程度进行量化,提升监测分析准确性的目标,然后将N个异常系数集输入预警方案分析模型内,经过模型的智能化分析,获得N个预警方案集和N个综合预警方案。达到了对音响的自动化产线进行智能监测预警,提升预警的可靠性的技术效果。
实施例二
基于与前述实施例中一种音响的自动化产线监测预警方法相同的发明构思,如图4所示,本申请提供了一种音响的自动化产线监测预警系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
监测参数获得模块11,所述监测参数获得模块11用于获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,所述多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数;
分析模型构建模块12,所述分析模型构建模块12用于基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,所述异常加工参数分析模型包括M个分析模块,每个分析模块内包括所述多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点;
异常监测参数获得模块13,所述异常监测参数获得模块13用于将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数;
异常系数集获得模块14,所述异常系数集获得模块14用于分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;
预警模块15,所述预警模块15用于将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。
进一步的,所述监测参数获得模块11用于执行如下方法:
获取在上一个预设时间周期内,所述M个加工步骤内的多种加工监测参数的数据,获得加工监测参数集合;
按照所述M个加工步骤内的多种加工监测参数,对所述加工监测参数集合内的数据进行聚类和均值计算,获得所述M个加工监测参数集合。
进一步的,所述分析模型构建模块12用于执行如下方法:
根据所述目标生产线历史时间内的生产数据,获取M个加工步骤的M个历史加工监测参数集合,每个历史加工监测参数集合内包括历史第一参数集、历史第二参数集、历史第三参数集和历史第四参数集;
采用所述M个历史加工监测参数集合内的第一历史加工监测参数集合作为构建数据,构建所述M个分析模块内的第一分析模块;
采用其他的M-1个历史加工监测参数集合,构建其他的M-1个分析模块,获得所述异常加工参数分析模型。
进一步的,所述分析模型构建模块12用于执行如下方法:
以物料取用时间作为划分特征,采用所述第一历史加工监测参数集合内的历史第一参数集,构建多层第一监测节点,其中,每层第一监测节点对输入的第一加工步骤的物料取用时间进行二分类划分监测;
在所述多层第一监测节点内,设置第一异常输出节点,获得所述第一分析模块内的第一分析单元,其中,第一异常输出节点及以下的第一监测节点划分获得的单个物料取用时间为异常数据;
分别以加工时间、良品率、异常行为次数作为划分特征,采用所述第一历史加工监测参数集合内的历史第二参数集、历史第三参数集和历史第四参数集,构建所述第一分析模块内的第二分析单元、第三分析单元和第四分析单元,获得所述第一分析模块。
进一步的,所述异常监测参数获得模块13用于执行如下方法:
将所述M个加工监测参数集合内的数据,分别结合所述M个历史加工监测参数集合内的数据,输入所述M个分析模块内的多个分析单元内进行监测;
判断所述M个加工监测参数集合内的数据是否被任意一个异常输出节点及以下的监测节点划分为单个数据,若是,则获得所述N个异常加工监测参数集合,若否,则所述M个加工监测参数集合无异常数据。
进一步的,所述异常系数集获得模块14用于执行如下方法:
对所述M个历史加工监测参数集合内每个历史加工监测数据集合内的第一参数集、历史第二参数集、历史第三参数集和历史第四参数集内的数据进行均值计算,计算获得M个历史平均参数集合;
计算每个异常加工监测参数集合内的多个加工监测参数与对应的每个历史平均参数集合内的多个历史平均参数的偏差,获得所述N个异常系数集。
进一步的,所述预警模块15用于执行如下方法:
计算所述N个异常系数集内的多个异常系数的均值,获得N个综合异常系数;
获取所述多种加工监测参数的多个样本异常系数集,以及综合异常系数集;
根据所述多个样本异常系数集和所述综合异常系数集,进行预警方案制定匹配,获得多个样本预警方案集合和样本综合预警方案集合;
采用所述多个样本异常系数集和所述综合异常系数集,以及多个样本预警方案集合和样本综合预警方案集合,构建所述预警方案分析模型内的多个预警方案分析模块和综合预警方案分析分支;
将所述N个异常系数集内的异常系数和所述N个综合异常系数输入所述预警方案分析模型内,获得所述N个预警方案集和N个综合预警方案。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种音响的自动化产线监测预警方法,其特征在于,所述方法包括:
获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,所述多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数;
基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,所述异常加工参数分析模型包括M个分析模块,每个分析模块内包括所述多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点;
将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数;
分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;
将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。
2.根据权利要求1所述的方法,其特征在于,获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,包括:
获取在上一个预设时间周期内,所述M个加工步骤内的多种加工监测参数的数据,获得加工监测参数集合;
按照所述M个加工步骤内的多种加工监测参数,对所述加工监测参数集合内的数据进行聚类和均值计算,获得所述M个加工监测参数集合。
3.根据权利要求1所述的方法,其特征在于,基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,包括:
根据所述目标生产线历史时间内的生产数据,获取M个加工步骤的M个历史加工监测参数集合,每个历史加工监测参数集合内包括历史第一参数集、历史第二参数集、历史第三参数集和历史第四参数集;
采用所述M个历史加工监测参数集合内的第一历史加工监测参数集合作为构建数据,构建所述M个分析模块内的第一分析模块;
采用其他的M-1个历史加工监测参数集合,构建其他的M-1个分析模块,获得所述异常加工参数分析模型。
4.根据权利要求3所述的方法,其特征在于,采用所述M个历史加工监测参数集合内的第一历史加工监测参数集合作为构建数据,构建所述M个分析模块内的第一分析模块,包括:
以物料取用时间作为划分特征,采用所述第一历史加工监测参数集合内的历史第一参数集,构建多层第一监测节点,其中,每层第一监测节点对输入的第一加工步骤的物料取用时间进行二分类划分监测;
在所述多层第一监测节点内,设置第一异常输出节点,获得所述第一分析模块内的第一分析单元,其中,第一异常输出节点及以下的第一监测节点划分获得的单个物料取用时间为异常数据;
分别以加工时间、良品率、异常行为次数作为划分特征,采用所述第一历史加工监测参数集合内的历史第二参数集、历史第三参数集和历史第四参数集,构建所述第一分析模块内的第二分析单元、第三分析单元和第四分析单元,获得所述第一分析模块。
5.根据权利要求4所述的方法,其特征在于,将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,包括:
将所述M个加工监测参数集合内的数据,分别结合所述M个历史加工监测参数集合内的数据,输入所述M个分析模块内的多个分析单元内进行监测;
判断所述M个加工监测参数集合内的数据是否被任意一个异常输出节点及以下的监测节点划分为单个数据,若是,则获得所述N个异常加工监测参数集合,若否,则所述M个加工监测参数集合无异常数据。
6.根据权利要求3所述的方法,其特征在于,分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集,包括:
对所述M个历史加工监测参数集合内每个历史加工监测数据集合内的第一参数集、历史第二参数集、历史第三参数集和历史第四参数集内的数据进行均值计算,计算获得M个历史平均参数集合;
计算每个异常加工监测参数集合内的多个加工监测参数与对应的每个历史平均参数集合内的多个历史平均参数的偏差,获得所述N个异常系数集。
7.根据权利要求1所述的方法,其特征在于,将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,包括:
计算所述N个异常系数集内的多个异常系数的均值,获得N个综合异常系数;
获取所述多种加工监测参数的多个样本异常系数集,以及综合异常系数集;
根据所述多个样本异常系数集和所述综合异常系数集,进行预警方案制定匹配,获得多个样本预警方案集合和样本综合预警方案集合;
采用所述多个样本异常系数集和所述综合异常系数集,以及多个样本预警方案集合和样本综合预警方案集合,构建所述预警方案分析模型内的多个预警方案分析模块和综合预警方案分析分支;
将所述N个异常系数集内的异常系数和所述N个综合异常系数输入所述预警方案分析模型内,获得所述N个预警方案集和N个综合预警方案。
8.一种音响的自动化产线监测预警系统,其特征在于,所述系统包括:
监测参数获得模块,所述监测参数获得模块用于获取在上一个预设时间周期内,目标生产线生产目标音响的M个加工步骤内的多种加工监测参数的数据,获得M个加工监测参数集合,其中,所述多种加工监测参数包括物料取用时间、加工时间、良品率、异常行为次数,M为大于1的整数;
分析模型构建模块,所述分析模型构建模块用于基于所述目标生产线历史时间内的生产数据,构建异常加工参数分析模型,其中,所述异常加工参数分析模型包括M个分析模块,每个分析模块内包括所述多种加工监测参数对应的多个分析单元,每个分析单元内包括一异常输出节点;
异常监测参数获得模块,所述异常监测参数获得模块用于将所述M个加工监测参数集合输入所述M个分析模块内,在任意一个加工步骤内的任意一种加工监测参数出现异常时,获得N个异常加工监测参数集合,N为大于等于1小于等于M的整数;
异常系数集获得模块,所述异常系数集获得模块用于分别对所述N个异常加工监测参数集合内的多个加工监测参数进行计算,获得N个异常系数集;
预警模块,所述预警模块用于将所述N个异常系数集输入预警方案分析模型内,获得N个预警方案集和N个综合预警方案,进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777663.3A CN116520755B (zh) | 2023-06-29 | 2023-06-29 | 一种音响的自动化产线监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777663.3A CN116520755B (zh) | 2023-06-29 | 2023-06-29 | 一种音响的自动化产线监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520755A true CN116520755A (zh) | 2023-08-01 |
CN116520755B CN116520755B (zh) | 2023-09-26 |
Family
ID=87390552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310777663.3A Active CN116520755B (zh) | 2023-06-29 | 2023-06-29 | 一种音响的自动化产线监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520755B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912028A (zh) * | 2023-09-13 | 2023-10-20 | 杭州万瑞格智能制造有限公司 | 用于智能燃气表的生产效率智能监测预警系统及预警方法 |
CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
CN117032147A (zh) * | 2023-09-19 | 2023-11-10 | 昆山纽杰伦智能机器科技有限公司 | 一种基于人工智能的生产线机床数字化调节系统及方法 |
CN117270480A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市天兴诚科技有限公司 | 一种生产线监控方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164465A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
CN114237156A (zh) * | 2021-12-07 | 2022-03-25 | 纽控(广东)数控技术有限公司 | Cnc自动化生产线加工过程监控方法、装置、终端和介质 |
CN114936675A (zh) * | 2022-04-26 | 2022-08-23 | 国能朔黄铁路发展有限责任公司 | 一种故障预警方法、装置、存储介质及电子设备 |
CN115100600A (zh) * | 2022-06-30 | 2022-09-23 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及系统 |
CN115460031A (zh) * | 2022-11-14 | 2022-12-09 | 深圳市听见时代科技有限公司 | 一种基于物联网的智能音响控制监管系统及方法 |
CN115650006A (zh) * | 2022-10-24 | 2023-01-31 | 昆山广联发通信服务有限公司 | 一种基于大数据的电梯安全监测预警方法及系统 |
CN116307641A (zh) * | 2023-05-19 | 2023-06-23 | 广州健新科技有限责任公司 | 一种面向数字化电厂的资源协同调度管理方法及系统 |
CN116347318A (zh) * | 2023-05-29 | 2023-06-27 | 深圳东原电子有限公司 | 一种音响的智能生产测试方法及系统 |
-
2023
- 2023-06-29 CN CN202310777663.3A patent/CN116520755B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164465A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
CN114237156A (zh) * | 2021-12-07 | 2022-03-25 | 纽控(广东)数控技术有限公司 | Cnc自动化生产线加工过程监控方法、装置、终端和介质 |
CN114936675A (zh) * | 2022-04-26 | 2022-08-23 | 国能朔黄铁路发展有限责任公司 | 一种故障预警方法、装置、存储介质及电子设备 |
CN115100600A (zh) * | 2022-06-30 | 2022-09-23 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及系统 |
CN115650006A (zh) * | 2022-10-24 | 2023-01-31 | 昆山广联发通信服务有限公司 | 一种基于大数据的电梯安全监测预警方法及系统 |
CN115460031A (zh) * | 2022-11-14 | 2022-12-09 | 深圳市听见时代科技有限公司 | 一种基于物联网的智能音响控制监管系统及方法 |
CN116307641A (zh) * | 2023-05-19 | 2023-06-23 | 广州健新科技有限责任公司 | 一种面向数字化电厂的资源协同调度管理方法及系统 |
CN116347318A (zh) * | 2023-05-29 | 2023-06-27 | 深圳东原电子有限公司 | 一种音响的智能生产测试方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912028A (zh) * | 2023-09-13 | 2023-10-20 | 杭州万瑞格智能制造有限公司 | 用于智能燃气表的生产效率智能监测预警系统及预警方法 |
CN116912028B (zh) * | 2023-09-13 | 2023-12-12 | 杭州万瑞格智能制造有限公司 | 用于智能燃气表的生产效率智能监测预警系统及预警方法 |
CN117032147A (zh) * | 2023-09-19 | 2023-11-10 | 昆山纽杰伦智能机器科技有限公司 | 一种基于人工智能的生产线机床数字化调节系统及方法 |
CN117032147B (zh) * | 2023-09-19 | 2024-02-09 | 昆山纽杰伦智能机器科技有限公司 | 一种基于人工智能的生产线机床数字化调节系统及方法 |
CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
CN116995280B (zh) * | 2023-09-27 | 2023-11-28 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
CN117270480A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市天兴诚科技有限公司 | 一种生产线监控方法及系统 |
CN117270480B (zh) * | 2023-11-21 | 2024-02-09 | 深圳市天兴诚科技有限公司 | 一种生产线监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116520755B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116520755B (zh) | 一种音响的自动化产线监测预警方法及系统 | |
CN101536002B (zh) | 用于工艺监控的系统和方法 | |
CN1494671A (zh) | 处理工厂内的数据共享 | |
CN113298450B (zh) | 一种基于互联网的涂料加工产线监管反馈系统 | |
CN112529320A (zh) | 空压机集群智能诊断系统 | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
CN110135636B (zh) | 一种车间运行状态预测信息的获取方法、装置及系统 | |
CN111580479A (zh) | 一种基于机器学习和工业物联网的智能制造行业参数寻优方法 | |
CN111581837A (zh) | 一种综合制造业务管理仿真系统 | |
Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
CN109816191A (zh) | 多工作站系统的质量预测方法及其系统 | |
CN115081723A (zh) | 一种智慧厂务能源管理系统及管理方法 | |
CN112527778B (zh) | 基于异常信息数据库增量的异常消缺管理系统及方法 | |
US6947801B2 (en) | Method and system for synchronizing control limit and equipment performance | |
CN113759854B (zh) | 基于边缘计算的智能工厂管控系统及方法 | |
CN113778042B (zh) | 基于信息化建模的工控设备指令模拟运行通信系统 | |
CN113408764B (zh) | 基于数字孪生的产品在线技术状态管控系统 | |
JP2000198051A (ja) | 設備フロ―の異常抽出装置、設備フロ―の異常抽出方法、及び設備フロ―の異常抽出プログラムを記録した記憶媒体 | |
JP5257160B2 (ja) | Spcによる品質管理方法および装置 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN113869502A (zh) | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 | |
CN113538997A (zh) | 一种设备预测性维护学习系统 | |
KR20220080983A (ko) | 실시간 생산현황 모니터링을 위한 IoT 엣지 컴퓨팅 시스템 | |
KR102608721B1 (ko) | 태양광 모듈 제조 공정을 위한 시각화 모니터링 시스템 | |
CN112255969A (zh) | 一种数控机床的数据采集分析展示系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |