CN116561693A - 注塑机异常确定方法、电子设备及存储介质 - Google Patents

注塑机异常确定方法、电子设备及存储介质 Download PDF

Info

Publication number
CN116561693A
CN116561693A CN202310603308.4A CN202310603308A CN116561693A CN 116561693 A CN116561693 A CN 116561693A CN 202310603308 A CN202310603308 A CN 202310603308A CN 116561693 A CN116561693 A CN 116561693A
Authority
CN
China
Prior art keywords
injection molding
molding machine
real
abnormal
historical
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
Application number
CN202310603308.4A
Other languages
English (en)
Inventor
李详
马晨阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Fulian Foshan Industrial Demonstration Base Co ltd
Original Assignee
Industrial Fulian Foshan Industrial Demonstration Base Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial Fulian Foshan Industrial Demonstration Base Co ltd filed Critical Industrial Fulian Foshan Industrial Demonstration Base Co ltd
Priority to CN202310603308.4A priority Critical patent/CN116561693A/zh
Publication of CN116561693A publication Critical patent/CN116561693A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C2045/7606—Controlling or regulating the display unit
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76929—Controlling method
    • B29C2945/76939—Using stored or historical data sets
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种注塑机异常确定方法、电子设备及存储介质，涉及设备检测技术领域，所述方法包括：获取样本数据集以及待测注塑机的实时运行数据；基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别；利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。本申请提供的方法能够提高待测注塑机的异常监测的准确率和可视化程度。

Description

注塑机异常确定方法、电子设备及存储介质
技术领域
本申请涉及设备检测技术领域，特别是指一种注塑机异常确定方法、电子设备及存储介质。
背景技术
注塑机是制造业中的常见设备，注塑机的设备状态对整个企业的生产和资产管理都具有重大的影响。现有的对注塑机异常的确定方法，通常难以得知注塑机内部重要结构的运行状态，无法直观地判断注塑机是否存在异常，导致注塑机生产的产品的不良率的提高，大大降低了产能效率。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种注塑机异常确定方法、电子设备及存储介质，能够提高待测注塑机的异常监测的准确率和可视化程度，从而提高出行产能效率。
为了解决上述技术问题，本发明实施例提供了一种注塑机异常确定方法，应用于电子设备中，所述方法包括：
获取样本数据集以及待测注塑机的实时运行数据；
基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别；
利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。
可选的，所述样本数据集包括：多个样本注塑机的多个历史异常数据，以及每个历史异常数据对应的异常类别，其中，每个历史异常数据包括多个历史监测参数；
所述实时运行数据包括：所述待测注塑机的多个实时监测参数。
可选的，所述获取样本数据集以及待测注塑机的实时运行数据后，所述方法还包括：
将所述样本数据集中历史异常数据中的历史监测参数作为历史特征值，得到所述历史异常数据对应的历史特征向量；
将所述实时运行数据中的实时监测参数作为实时特征值，得到所述实时运行数据对应的实时特征向量。
可选的，所述基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别，包括：
基于预设的距离函数，确定所述实时运行数据对应的实时特征向量与所述样本数据集中的每个历史异常数据对应的历史特征向量的距离；
根据所述距离，确定所述实时运行数据的最近邻历史异常数据集合，所述最近邻历史异常数据集合包括预设数量的所述实时运行数据的最近邻的历史异常数据；
根据所述最近邻历史异常数据集合获得对应的最近邻异常类别集合，确定所述最近邻异常类别集合中数量最多的异常类别，将数量最多的异常类别作为所述实时运行数据所属的异常类别。
可选的，所述距离函数包括欧式距离，所使用的公式包括：
；
其中，表示历史特征向量/>与实时特征向量/>的欧氏距离，所述历史特征向量/>，/>表示历史特征向量/>中的历史特征值，所述实时特征向量/>，/>表示实时特征向量/>中的实时特征值，/>的取值范围为/>，/>表示维度，/>取值为正整数。
可选的，所述根据所述距离，确定所述实时运行数据的最近邻历史异常数据集合，包括：
将所述距离按照从小至大的顺序排序，选择排序后的前K个最小距离对应的K个历史异常数据作为所述最近邻的历史异常数据，利用所述最近邻的历史异常数据构成所述最近邻历史异常数据集合，其中，K表示所述预设数量，K取值为正整数。
可选的，所述可视化模型的构建方法包括：
获取所述待测注塑机的多张多维度的图片，基于增强现实技术构建所述待测注塑机的三维可视化模型。
可选的，所述利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态，包括：
使用所述可视化模型展示所述待测注塑机的异常类别对应的异常位置。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上述中任意一项所述的注塑机异常确定方法。
另外，本发明实施例还提供了一种电子设备，该电子设备包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如上述中任意一项所述的注塑机异常确定方法。
相较于现有技术，本申请实施例提供的注塑机异常确定方法，能够获取样本数据集以及待测注塑机的实时运行数据；基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别；利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。所述方法能将AR技术与注塑机工艺数据检测方法相结合，使用KNN算法对注塑机的异常状态进行预测和判断，利用AR技术将异常状态进行展示，能够提高对待测注塑机的异常监测的准确率和可视化程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，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它的附图。
图1是本申请实施例提供的注塑机异常确定方法的流程图。
图2是本申请实施例提供的电子设备的架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在一个实施例中，随着互联网以及硬件技术的发展，增强现实AR技术也在飞速发展中，将AR技术应用到传统制造业中能够帮助用户更加直观、高效地查看数据与制定决策。
注塑机是制造业中的常见设备，注塑机的设备状态对整个企业的生产和资产管理都具有重大的影响。现有的注塑机的异常确定方法，通常只有在异常已经发生的情况下才能获知注塑机的异常状态，但造成的损失已无法挽回。可见，利用当前的技术手段，难以得知注塑机内部重要结构的运行状态，无法直观地判断注塑机是否存在异常，导致注塑机生产的产品的不良率的提高，大大降低了产能效率。
为了解决上述问题，本申请实施例提供的注塑机异常确定方法，能够获取样本数据集以及待测注塑机的实时运行数据；基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别；利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。所述方法能将AR技术与注塑机工艺数据检测方法相结合，使用KNN算法对注塑机异常状态进行预测和判断，利用AR技术将异常状态进行展示，能够提高待测注塑机的异常监测的准确率和可视化程度。
参阅图1所示，为本申请较佳实施例的注塑机异常确定方法的流程图。
在本实施例中，所述注塑机异常确定方法可以应用于电子设备（例如图2所示的电子设备3），电子设备上集成本申请实施例的方法所提供的注塑机异常确定的功能，或者以软件开发工具包（Software Development Kit，SDK）的形式运行在电子设备中，所述电子设备可以是计算机、服务器、笔记本电脑等设备。
如图1所示，所述注塑机异常确定方法具体包括以下步骤，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。
步骤S1，获取样本数据集以及待测注塑机的实时运行数据。
在一个实施例中，注塑机是制造企业中常用的一种成型设备，用于将热塑性塑料或热固性塑料利用塑料成型模具制成各种形状的塑料制品。注塑机能加热塑料，对熔融塑料施加高压，使其射出而充满模具型腔。
在一个实施例中，每个注塑机（包括样本注塑机、待测注塑机）的设备结构大致相同，例如，每个注塑机的设备结构都可以包括：注射系统、合模系统、液压传动系统、电气控制系统、润滑系统、加热及冷却系统、安全监测系统等。其中，安全监测系统可以用于对注塑机的工艺和设备进行监测，获得注塑机的运行数据，所述运行数据将结合后续的实施例进行说明。
在一个实施例中，安全监测系统获取注塑机的运行数据时，会对注塑机的每个系统的每个部件（或组件）进行监测，获得注塑机的每个部件的一个或多个监测参数，因此，每个注塑机的运行数据都包括多个监测参数。例如，注塑机的注射系统的部件包括射嘴，安全监测系统对射嘴进行监控得到的监测参数包括射嘴的射出速度（单位为mm/s）、射出压力(单位为Mpa)、喷嘴温度(单位为℃)等。
在一个实施例中，按照注塑机的生产厂商制造的使用标准或者用户定义的制造标准，每个监测参数都对应一个标准数值范围，当任一监测参数超出对应的标准数值范围时，确定所述任一监测参数出现异常。例如，用户定义监测参数“射出速度”对应的标准数值范围为[11,30]，但是实际监测得到的“射出速度”为35时，确定监测参数“射出速度”为出现异常的监测参数。
在一个实施例中，电子设备与每个注塑机电连接或通信连接（例如，通过蓝牙、Wi-Fi连接），电子设备获取每个注塑机的运行数据，保存在预设路径（例如，指定的文档）中，将当下时间节点的运行数据作为实时运行数据，将当下时间节点之前的运行数据作为历史运行数据。
在一个实施例中，所述样本数据集包括：多个（例如，100个）样本注塑机的多个（例如，100个）历史异常数据，以及每个历史异常数据对应的异常类别，其中，每个历史异常数据包括多个（例如，50个）历史监测参数。
在一个实施例中，所述样本注塑机包括出现过异常的注塑机，相对应地，将所述样本注塑机的历史运行数据作为所述历史异常数据。每个样本注塑机对应一组历史异常数据，每组历史异常数据包括多个历史监测参数，所述多个历史监测参数中包括至少一个出现异常的历史监测参数。
此外，按照监测参数对应的部件或系统，每个出现异常的历史监测参数对应一个异常类别。例如，出现异常的历史监测参数是射嘴的“射出速度”时，对应的异常类别为“射嘴异常”。
由于每组历史异常数据包括多个历史监测参数，所述多个历史监测参数中包括至少一个出现异常的历史监测参数，每个出现异常的历史监测参数对应一个异常类别，因此，每个历史异常数据对应包括至少一个异常类别。此外，所述历史运行数据还可以包括出现异常之前（例如3秒前）的时间节点的历史监测参数，从而可以使用后续方法实现对待测注塑机的异常的预测。
在一个实施例中，所述待测注塑机包括需要进行异常监测的注塑机，所述实时运行数据包括：所述待测注塑机的多个实时监测参数。
在一个实施例中，所述获取样本数据集以及待测注塑机的实时运行数据后，所述方法还包括：将所述样本数据集中历史异常数据中的历史监测参数作为历史特征值，得到所述历史异常数据对应的历史特征向量；将所述实时运行数据中的实时监测参数作为实时特征值，得到所述实时运行数据对应的实时特征向量。
在一个实施例中，所述方法还包括：对每个注塑机的运行数据进行预处理，将每个监测参数转化为数字格式，例如，当监测参数包含单位的数字时，去除监测参数中的单位，仅保留数字；或者当监测参数为文字时，将监测参数编码为数字。通过将每个监测参数转化为数字格式，可以便于将监测参数作为特征值，以进行后续的计算。
在一个实施例中，由于每个注塑机的设备结构大致相同，所以每个注塑机的运行数据中的监测参数的个数相同。因此，可以将每个监测参数作为一个特征值，将每个运行数据作为由多个特征值构成的特征向量，那么，所有运行数据都可以表示为具有相同维度的特征向量。其中，在每个特征向量中可以按照相同的顺序排列监测参数对应的特征值。
进一步地，所述样本数据集可以表示为，其中，样本数据集/>中包括/>个历史特征向量/>，/>表示大于或等于1的整数；历史特征向量中，/>表示历史特征向量/>中的第/>个历史特征值，/>表示第/>个样本注塑机，/>的取值范围为/>；实时特征向量/>，/>表示实时特征向量/>中的第/>个实时特征值，/>表示待测注塑机；/>的取值范围为/>，/>表示维度，/>取值为正整数。其中，上述维度/>即表示每个运行数据中的监测参数的个数，历史特征值的第/>个历史特征值/>与实时特征值的第/>个历史特征值/>对应的监测参数的类别一致，例如，都表示位于特征向量的第/>个位置“射出速度”。
在一个实施例中，第个历史特征向量/>对应的异常类别表示为，其中，/>表示第一个异常类别，/>表示大于或等于1的整数。例如，/>={射嘴异常，模具异常，...,压模压力异常}，表示第/>个样本注塑机出现的异常包括{射嘴异常，模具异常，...,压模压力异常}。
步骤S2，基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别。
在一个实施例中，所述基于所述样本数据集与最近邻算法（K-Nearest Neighbor，KNN），确定所述实时运行数据所属的异常类别，包括：
基于预设的距离函数，确定所述实时运行数据对应的实时特征向量与所述样本数据集中的每个历史异常数据对应的历史特征向量的距离；
根据所述距离，确定所述实时运行数据的最近邻历史异常数据集合，所述最近邻历史异常数据集合包括预设数量的所述实时运行数据的最近邻的历史异常数据；
根据所述最近邻历史异常数据集合获得对应的最近邻异常类别集合，确定所述最近邻异常类别集合中数量最多的相同的异常类别，将数量最多的相同的异常类别作为所述实时运行数据所属的异常类别。
在一个实施例中，所述距离函数包括欧式距离，所使用的公式包括：
；
其中，表示历史特征向量/>与实时特征向量/>的欧氏距离，所述历史特征向量/>，/>表示历史特征向量/>中的历史特征值，所述实时特征向量/>，/>表示实时特征向量/>中的实时特征值，/>的取值范围为/>，/>表示维度，/>取值为正整数。
在一个实施例中，所述根据所述距离，确定所述实时运行数据的最近邻历史异常数据集合，包括：
将所述距离按照从小至大的顺序排序，选择排序后的前K个最小距离对应的K个历史异常数据作为所述最近邻的历史异常数据，利用所述最近邻的历史异常数据构成所述最近邻历史异常数据集合，其中，K表示所述预设数量，K取值为正整数。
在一个实施例中，每个最近邻的异常历史数据对应至少一个异常类别，例如第i个历史特征向量xi对应的异常类别表示为yi={c1,c2,…,cm}，将所有最近邻的历史异常数据对应的异常类别组合起来，得到所述最近邻历史异常数据集合。所述最近邻异常类别集合中包含重复的异常类别，将重复次数最多的异常类别作为数量最多的异常类别。例如，所述最近邻异常类别集合中“射嘴异常”重复的次数最多，那么将“射嘴异常”作为数量最多的异常类别。
在一个实施例中，根据实时运行数据确定K个最近邻的历史异常数据，可以确定待测注塑机的K个状态最相似的样本注塑机，根据K个状态最相似的样本注塑机中出现的最多的异常类别作为待测注塑机的异常类别，可以提高待测注塑机的异常检测的准确性。
步骤S3，利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。
在一个实施例中，所述可视化模型的构建方法包括：获取所述待测注塑机的多张多维度的图片，基于增强现实技术（Augmented Reality，AR）构建所述待测注塑机的三维可视化模型。
在一个实施例中，可以利用摄像装置拍摄获得所述待测注塑机的多张多维度的图片，具体地，为了获得更真实的待测注塑机的三维模型，可以针对所述待测机的内部结构和外部结构，尽可能获得所述待测注塑机的全部视角的图片。
在一个实施例中，增强现实技术是指透过摄像装置拍摄图片的位置及角度精算并加上图像分析技术，让屏幕上的虚拟世界能够与现实世界场景进行结合与交互的技术。利用增强现实技术构建所述待测注塑机的三维可视化模型包括：基于所述多张多维度的图片对所述待测注塑机进行三维注册与重建，得到所述待测注塑机的三维模型；基于虚实融合显示技术对所述三维模型进行光照估计、真实感绘制、遮挡处理以及阴影投射等计算，得到所述待测注塑机在真实场景（例如，待测注塑机所在的厂房）中的三维可视化模型。其中，所述三维注册包括根据所述多张多维度的图片恢复摄像装置相对于真实场景的位姿与对待测注塑机的识别和位姿恢复。
在一个实施例中，用户可以通过佩戴头戴式显示器（HMD）在真实世界中查看所述待测注塑机的三维可视化模型。此外，还可以针对所述三维可视化模型生成对应的二维码，使用户可以使用例如手机等终端扫描二维码，在终端显示器中查看所述三维可视化模型。进一步地，还可以在所述三维可视化模型中展示所述待测注塑机的设备信息，例如设备型号、购买日期、生产商等。
在一个实施例中，为了便于用户查看所述三维可视化模型的内部结构，还可以使用自然人机交互技术，响应用户通过佩戴的数据手套、力反馈设备、磁传感器等设备触碰或者点击所述三维可视化模型中预置的埋点的操作，对应展示所述埋点处的内部结构。
在一个实施例中，还可以通过动画系统还原待测注塑机的内部工作逻辑，响应用户对埋点的触碰或点击操作，将所述待测注塑机的实时监测参数展示在所述三维可视化模型的对应位置。
在一个实施例中，所述利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态，包括：使用所述可视化模型展示所述待测注塑机的异常类别对应的异常位置。例如，将所述异常类别对应的实时监测参数进行高亮展示，并且在所述三维可视化模型中使用预设的图形（例如矩形）框选出所述异常位置，便于提醒用户进行维护。
在一个实施例中，本申请提供的注塑机异常确定方法，获取样本数据集以及待测注塑机的实时运行数据；基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别；利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。所述方法能将AR技术与注塑机工艺数据检测方法相结合，使用KNN算法对注塑机异常状态进行预测和判断，利用AR技术将异常状态进行展示，能够提高待测注塑机的异常监测的准确率和可视化程度。
上述图1详细介绍了本申请的注塑机异常确定方法，下面结合图2，对实现所述注塑机异常确定方法的软件系统的功能模块以及实现所述注塑机异常确定方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
参阅图2所示，为本申请较佳实施例提供的电子设备的结构示意图。
在本申请较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32。本领域技术人员应该了解，图2示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3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。
在一些实施例中，所述电子设备3包括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/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述电子设备3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。
在一些实施例中，所述存储器31用于存储程序代码和各种数据。例如，所述存储器31可以用于存储安装在所述电子设备3中的注塑机异常确定系统30，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（Compact Disc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
在一些实施例中，所述至少一个处理器32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。所述至少一个处理器32是所述电子设备3的控制核心（Control Unit），利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据，例如执行图1所示的注塑机异常确定的功能。
在一些实施例中，所述注塑机异常确定系统30运行于电子设备3中。所述注塑机异常确定系统30可以包括多个由程序代码段所组成的功能模块。所述注塑机异常确定系统30中的各个程序段的程序代码可以存储于电子设备3的存储器31中，并由至少一个处理器32所执行，以实现图1所示的注塑机异常确定的功能。
本实施例中，所述注塑机异常确定系统30根据其所执行的功能，可以被划分为多个功能模块。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障测试电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，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电子设备（可以是服务器、个人电脑等）或处理器（processor）执行本申请各个实施例所述方法的部分。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。存储在所述存储器31中的程序代码可以由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到注塑机异常确定的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
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，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。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。
另外，以上对本发明实施例所提供的注塑机异常确定方法、电子设备及存储介质进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种注塑机异常确定方法，应用于电子设备中，其特征在于，所述方法包括：
获取样本数据集以及待测注塑机的实时运行数据；
基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别；
利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态。
2.根据权利要求1所述的注塑机异常确定方法，其特征在于，所述样本数据集包括：多个样本注塑机的多个历史异常数据，以及每个历史异常数据对应的异常类别，其中，每个历史异常数据包括多个历史监测参数；
所述实时运行数据包括：所述待测注塑机的多个实时监测参数。
3.根据权利要求1所述的注塑机异常确定方法，其特征在于，所述获取样本数据集以及待测注塑机的实时运行数据后，所述方法还包括：
将所述样本数据集中历史异常数据中的历史监测参数作为历史特征值，得到所述历史异常数据对应的历史特征向量；
将所述实时运行数据中的实时监测参数作为实时特征值，得到所述实时运行数据对应的实时特征向量。
4.根据权利要求1所述的注塑机异常确定方法，其特征在于，所述基于所述样本数据集与最近邻算法，确定所述实时运行数据所属的异常类别，包括：
基于预设的距离函数，确定所述实时运行数据对应的实时特征向量与所述样本数据集中的每个历史异常数据对应的历史特征向量的距离；
根据所述距离，确定所述实时运行数据的最近邻历史异常数据集合，所述最近邻历史异常数据集合包括预设数量的所述实时运行数据的最近邻的历史异常数据；
根据所述最近邻历史异常数据集合获得对应的最近邻异常类别集合，确定所述最近邻异常类别集合中数量最多的异常类别，将数量最多的异常类别作为所述实时运行数据所属的异常类别。
5.根据权利要求4所述的注塑机异常确定方法，其特征在于，所述距离函数包括欧式距离，所使用的公式包括：
；
其中，表示历史特征向量/>与实时特征向量/>的欧氏距离，所述历史特征向量/>，/>表示历史特征向量/>中的历史特征值，所述实时特征向量/>，/>表示实时特征向量/>中的实时特征值，/>的取值范围为，/>表示维度，/>取值为正整数。
6.根据权利要求4所述的注塑机异常确定方法，其特征在于，所述根据所述距离，确定所述实时运行数据的最近邻历史异常数据集合，包括：
将所述距离按照从小至大的顺序排序，选择排序后的前K个最小距离对应的K个历史异常数据作为所述最近邻的历史异常数据，利用所述最近邻的历史异常数据构成所述最近邻历史异常数据集合，其中，K表示所述预设数量，K取值为正整数。
7.根据权利要求1所述的注塑机异常确定方法，其特征在于，所述可视化模型的构建方法包括：
获取所述待测注塑机的多张多维度的图片，基于增强现实技术构建所述待测注塑机的三维可视化模型。
8.根据权利要求1所述的注塑机异常确定方法，其特征在于，所述利用预先构建的所述待测注塑机的可视化模型，展示所述实时运行数据所属的异常类别对应的异常状态，包括：
使用所述可视化模型展示所述待测注塑机的异常类别对应的异常位置。
9.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的注塑机异常确定方法。
10.一种电子设备，其特征在于，该电子设备包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至8中任意一项所述的注塑机异常确定方法。
CN202310603308.4A 2023-05-26 2023-05-26 注塑机异常确定方法、电子设备及存储介质 Pending CN116561693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310603308.4A CN116561693A (zh) 2023-05-26 2023-05-26 注塑机异常确定方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310603308.4A CN116561693A (zh) 2023-05-26 2023-05-26 注塑机异常确定方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116561693A true CN116561693A (zh) 2023-08-08

Family

ID=87501730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310603308.4A Pending CN116561693A (zh) 2023-05-26 2023-05-26 注塑机异常确定方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116561693A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274259A (zh) * 2023-11-22 2023-12-22 深圳市利新联电子有限公司 一种基于物联网的键盘生产设备管理方法及系统
CN117421679A (zh) * 2023-10-08 2024-01-19 宁波创基机械股份有限公司 一种注塑机周期管控方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299259A (zh) * 2018-09-26 2019-02-01 深圳壹账通智能科技有限公司 企业发票数据监测方法、装置、计算机设备和存储介质
CN111483125A (zh) * 2020-04-08 2020-08-04 宁波中国科学院信息技术应用研究院 一种用于注塑机的液压故障预警系统
CN112052890A (zh) * 2020-08-28 2020-12-08 华北电力科学研究院有限责任公司 给水泵振动预测方法及装置
CN114068028A (zh) * 2021-11-18 2022-02-18 泰康保险集团股份有限公司 医疗问诊数据处理方法及装置、可读存储介质及电子设备
CN115358297A (zh) * 2022-07-27 2022-11-18 广东工业大学 一种基于改进mkeca方法的注塑机异常检测方法及系统
CN115534255A (zh) * 2022-09-21 2022-12-30 广东拓斯达科技股份有限公司 注塑机动作流程配置方法、装置、电子设备及存储介质
CN116027754A (zh) * 2023-01-17 2023-04-28 浪潮云洲(山东)工业互联网有限公司 一种基于主动标识载体的生产设备运维方法、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299259A (zh) * 2018-09-26 2019-02-01 深圳壹账通智能科技有限公司 企业发票数据监测方法、装置、计算机设备和存储介质
CN111483125A (zh) * 2020-04-08 2020-08-04 宁波中国科学院信息技术应用研究院 一种用于注塑机的液压故障预警系统
CN112052890A (zh) * 2020-08-28 2020-12-08 华北电力科学研究院有限责任公司 给水泵振动预测方法及装置
CN114068028A (zh) * 2021-11-18 2022-02-18 泰康保险集团股份有限公司 医疗问诊数据处理方法及装置、可读存储介质及电子设备
CN115358297A (zh) * 2022-07-27 2022-11-18 广东工业大学 一种基于改进mkeca方法的注塑机异常检测方法及系统
CN115534255A (zh) * 2022-09-21 2022-12-30 广东拓斯达科技股份有限公司 注塑机动作流程配置方法、装置、电子设备及存储介质
CN116027754A (zh) * 2023-01-17 2023-04-28 浪潮云洲(山东)工业互联网有限公司 一种基于主动标识载体的生产设备运维方法、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421679A (zh) * 2023-10-08 2024-01-19 宁波创基机械股份有限公司 一种注塑机周期管控方法、装置、电子设备及存储介质
CN117274259A (zh) * 2023-11-22 2023-12-22 深圳市利新联电子有限公司 一种基于物联网的键盘生产设备管理方法及系统
CN117274259B (zh) * 2023-11-22 2024-03-26 深圳市利新联电子有限公司 一种基于物联网的键盘生产设备管理方法及系统

Similar Documents

Publication Publication Date Title
CN116561693A (zh) 注塑机异常确定方法、电子设备及存储介质
Lai et al. Smart augmented reality instructional system for mechanical assembly towards worker-centered intelligent manufacturing
US9977425B1 (en) Systems and methods for receiving sensor data for an operating manufacturing machine and producing an alert during manufacture of a part
CN110210302B (zh) 多目标跟踪方法、装置、计算机设备及存储介质
CN111176245A (zh) 基于数字孪生技术的多终端工业设备巡检监控系统及方法
CN108873830A (zh) 一种生产现场数据在线采集分析及故障预测系统
JP6571741B2 (ja) 作業者管理装置
Mourtzis et al. Equipment design optimization based on digital twin under the framework of zero-defect manufacturing
Gökalp et al. Industry 4.0 revolution in clothing and apparel factories: Apparel 4.0
US10520919B2 (en) Systems and methods for receiving sensor data for an operating additive manufacturing machine and mapping the sensor data with process data which controls the operation of the machine
TW201923610A (zh) ３次元空間監視裝置、３次元空間監視方法、及３次元空間監視程式
KR102284282B1 (ko) 증강현실 이미지 기반의 원격협업 모니터링 방법
CN116541570A (zh) 一种基于数字孪生的设备预测性维护系统
CN109115262A (zh) 一种搅拌厂生产线监测方法及系统
CN108628597A (zh) 一种机器视觉系统开发方法及装置
Kim et al. Server-Edge dualized closed-loop data analytics system for cyber-physical system application
CN110597235A (zh) 一种通用智能故障诊断方法
CN111770450B (zh) 一种车间生产监控服务器、移动终端及应用
US10409523B1 (en) Storage device monitoring using augmented reality
Sun et al. Towards industrial iot-ar systems using deep learning-based object pose estimation
CN116127821A (zh) 一种运维数据的三维可视化呈现方法及平台
CN110175648B (zh) 应用人工智能云计算对设备进行非侵入性的信息连通方法
CN113807227B (zh) 基于图像识别的安全监测方法、装置、设备及存储介质
CN114815757A (zh) 一种面向水泥工厂数字孪生虚拟巡检方法
CN114326517A (zh) 一种基于虚拟现实的远程管理方法和系统

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