CN116611745A - 一种基于智能制造的塑料薄膜质量评价方法及系统 - Google Patents
一种基于智能制造的塑料薄膜质量评价方法及系统 Download PDFInfo
- Publication number
- CN116611745A CN116611745A CN202310889158.8A CN202310889158A CN116611745A CN 116611745 A CN116611745 A CN 116611745A CN 202310889158 A CN202310889158 A CN 202310889158A CN 116611745 A CN116611745 A CN 116611745A
- Authority
- CN
- China
- Prior art keywords
- plastic film
- evaluation
- quality
- prediction
- performance
- 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
- 239000002985 plastic film Substances 0.000 title claims abstract description 333
- 229920006255 plastic film Polymers 0.000 title claims abstract description 333
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 257
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 3
- 239000004033 plastic Substances 0.000 description 6
- 229920003023 plastic Polymers 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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"
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于智能制造的塑料薄膜质量评价方法及系统,涉及薄膜质检技术领域,包括:确定影响塑料薄膜质量的性能参数;建立塑料薄膜性能模型;实时监测塑料薄膜加工过程中的参数;获得塑料薄膜的各项评价性能参数的实时评价预测指标;判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值;对于所有评价性能参数的不合格风险均为低的塑料薄膜,进行计算其质量预测指标;将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜。本发明的优点在于:基于塑料薄膜加工过程中的参数进行综合预测塑料薄膜的质量指标,进而进行制定针对性的塑料薄膜检验方案,可有效的甄别出塑料薄膜中的不合格品,保证塑料薄膜侧出厂良率。
Description
技术领域
本发明涉及薄膜质检技术领域,具体是涉及一种基于智能制造的塑料薄膜质量评价方法及系统。
背景技术
用聚氯乙烯、聚乙烯、聚丙烯、聚苯乙烯以及其他树脂制成的薄膜,用于包装,以及用作覆膜层。 塑料包装及塑料包装产品在市场上所占的份额越来越大,特别是复合塑料软包装,已经广泛地应用于食品、医药、化工等领域,其中又以食品包装所占比例最大,比如饮料包装、速冻食品包装、蒸煮食品包装、快餐食品包装等,这些产品都给人们生活带来了极大的便利。
塑料薄膜在进行出厂前,通常需要经过外观性能检测、物理机械性能检测、防腐蚀性能检测等多种类的检测过程,这些检测项目十分繁琐,同时塑料薄膜的生产数量通常较大,对于塑料薄膜进行全体检测需要耗费大量的资源,因此对于塑料薄膜的检测通常采用的是抽检方式。
现有技术中缺乏一套行之有效的基于塑料薄膜的加工过程对塑料薄膜质量进行预测评价的方法,不能精准的预测塑料薄膜的各项性能参数的不合格风险,因此,难以塑料薄膜产品进行建立针对性的建立检测方案,检测结果随机性较大,难以准确的反映塑料薄膜的整体质量。
发明内容
为解决上述技术问题,提供一种基于智能制造的塑料薄膜质量评价方法及系统,本技术方案解决了上述的现有技术中缺乏一套行之有效的基于塑料薄膜的加工过程对塑料薄膜质量进行预测评价的方法,不能精准的预测塑料薄膜的各项性能参数的不合格风险,因此,难以塑料薄膜产品进行建立针对性的建立检测方案,检测结果随机性较大,难以准确的反映塑料薄膜的整体质量的问题。
为达到以上目的,本发明采用的技术方案为:
一种基于智能制造的塑料薄膜质量评价方法,包括:
确定影响塑料薄膜质量的性能参数,记为评价性能参数;
基于塑料薄膜的历史加工数据,建立塑料薄膜性能模型,所述塑料薄膜性能模型与塑料薄膜的评价性能参数一一对应,所述塑料薄膜性能模型以塑料薄膜的加工参数作为输入,以对应的评价性能参数的评价预测指标作为输出;
实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
将塑料薄膜实时加工参数组输入塑料薄膜性能模型,获得塑料薄膜的各项评价性能参数的实时评价预测指标;
判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低;
对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜,分别按照设定的抽检比例对高加工质量薄膜和低加工质量薄膜进行质量抽检,其中,高加工质量薄膜的抽检比例低于低加工质量薄膜的抽检比例。
优选的,所述基于塑料薄膜的历史加工数据,建立塑料薄膜性能模型具体包括:
基于每个评价性能参数的属性,对每个评价性能参数进行划分评价等级;
调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型,所述评价等级预测模型与评价性能参数划分出的评价等级一一对应,所述评价等级预测模型以塑料薄膜的加工参数为输入,以塑料薄膜对应的评价性能参数在对应的评价等级的分级概率为输出;
基于每个评价性能参数对应的若干评价等级预测模型进行建立评价性能参数对应的塑料薄膜性能模型;
其中,所述塑料薄膜性能模型的表达式为:
式中,为评价性能参数的评价预测指标,/>为评价性能参数划分出评价等级数量,为塑料薄膜对应的评价性能参数分级到第i级的分级概率。
优选的,所述评价等级预测模型的表达式为:
式中,为塑料薄膜加工过程中的参数总数,/>为塑料薄膜加工过程中的第j个参数,/>均为与第i个评价等级对应的评价等级预测模型的系数。
优选的,所述调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型具体包括:
从塑料薄膜的历史加工数据中随机调取若干训练样本数据;
按照塑料薄膜是否分到第i个评价等级,将若干个训练样本数据分为符合i级的训练数据和不符合i级的训练数据;
基于符合i级的训练数据和不符合i级的训练数据,利用最大似然法进行训练与第i个评价等级对应的评价等级预测模型的回归系数;
从塑料薄膜的历史加工数据中随机调取若干验证样本数据;
利用验证样本数据对第i个评价等级对应的评价等级预测模型的回归系数进行显著性检测,判断第i个评价等级对应的评价等级预测模型的回归系数是否满足显著性要求;
若满足显著性要求,则第i个评价等级对应的评价等级预测模型的回归系数具有统计学意义,模型训练完成,若不满足显著性要求,则第i个评价等级对应的评价等级预测模型的回归系数不具有统计学意义,模型训练失败,重新从塑料薄膜的历史加工数据中随机调取若干训练样本数据,并进行评价等级预测模型的训练。
优选的,所述模型验证样本数据的数量和模型训练样本数据数量应满足:
式中,为验证样本数据的数量,/>为训练样本数据数量。
优选的,所述对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标具体包括:
基于塑料薄膜的属性,确定每一个评价性能参数对塑料薄膜质量的影响权重值;
基于评价性能参数对塑料薄膜质量的影响权重值和评价性能参数的评价预测指标,按照质量预测公式进行综合计算塑料薄膜的质量预测指标;
其中,所述质量预测公式具体为:
式中,为塑料薄膜的质量预测指标,/>为评价性能参数的总数量,/>为第h个评价性能参数的影响权重值,/>为第h个评价性能参数的评价预测指标。
优选的,所述基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜具体包括:
判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
进一步的,提出一种基于智能制造的塑料薄膜质量评价系统,用于实现如上述的基于智能制造的塑料薄膜质量评价方法,包括:
参数监测模块,所述参数监测模块用于实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
存储模块,所述存储模块用于存储塑料薄膜的历史加工数据;
模型训练模块,模型训练模块与所述存储模块电性连接,所述模型训练模块用于建立塑料薄膜性能模型;
性能预测模块,性能预测模块与所述参数监测模块和模型训练模块电性连接,所述性能预测模块用于将塑料薄膜实时加工参数组输入塑料薄膜性能模型,获得塑料薄膜的各项评价性能参数的实时评价预测指标和判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,并基于判断结果将塑料薄膜该项评价性能参数划分为不合格风险高和不合格风险低;
质量预测模块,质量预测模块与所述性能预测模型电性连接,所述质量预测模块用于对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标和基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜。
可选的,所述性能预测模块包括:
第一计算单元,所述第一计算单元用于将塑料薄膜实时加工参数组输入塑料薄膜性能模型,进行计算获得塑料薄膜的各项评价性能参数的实时评价预测指标;
第一判断单元,所述第一判断单元用于判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低。
可选的,所述质量预测模块包括:
第二计算单元,所述第二计算单元用于对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
第二判断单元,所述第二判断单元用于判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
与现有技术相比,本发明的有益效果在于:
本发明提出利用塑料薄膜加工过程中的参数进行综合预测塑料薄膜的各个性能参数的不合格风险,针对塑料薄膜不合格风险高的性能参数进行针对性检测,可有效的保证塑料薄膜检测项目的精准性,有效的甄别出塑料薄膜的不良,防止塑料薄膜中的不良品流入市场,造成经济损失的情况出现;
本发明还基于塑料薄膜加工过程中的参数进行综合分析,将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜,分别对高加工质量薄膜和低加工质量薄膜进行针对化的综合抽检,此方法的检测结果可有效的反映出塑料薄膜的整体质量,同时精准甄别出塑料薄膜中的不合格品,保证塑料薄膜侧出厂良率。
附图说明
图1为本发明提出的基于智能制造的塑料薄膜质量评价方法流程图;
图2为本发明中的建立塑料薄膜性能模型的方法流程图;
图3为本发明中的训练评价等级预测模型的方法流程图;
图4为本发明中的计算塑料薄膜的质量预测指标的方法流程图;
图5为本发明中的将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜的方法流程图;
图6为本发明提出的基于智能制造的塑料薄膜质量评价系统结构框图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
请参阅图1所示,一种基于智能制造的塑料薄膜质量评价方法,包括:
确定影响塑料薄膜质量的性能参数,记为评价性能参数;
基于塑料薄膜的历史加工数据,建立塑料薄膜性能模型,塑料薄膜性能模型与塑料薄膜的评价性能参数一一对应,塑料薄膜性能模型以塑料薄膜的加工参数作为输入,以对应的评价性能参数的评价预测指标作为输出;
实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
将塑料薄膜实时加工参数组输入塑料薄膜性能模型,获得塑料薄膜的各项评价性能参数的实时评价预测指标;
判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低;
对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜,分别按照设定的抽检比例对高加工质量薄膜和低加工质量薄膜进行质量抽检,其中,高加工质量薄膜的抽检比例低于低加工质量薄膜的抽检比例。
利用塑料薄膜加工过程中的参数进行综合预测塑料薄膜的各个性能参数的不合格风险,针对塑料薄膜不合格风险高的性能参数进行针对性检测,可有效的保证塑料薄膜检测项目的精准性,有效的甄别出塑料薄膜的不良,同时还基于塑料薄膜加工过程中的参数进行综合分析,将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜,分别对高加工质量薄膜和低加工质量薄膜进行针对化的综合抽检,此方法的检测结果可有效的反映出塑料薄膜的整体质量,同时精准甄别出塑料薄膜中的不合格品。
请参阅图2所示,在一些实施例中,基于塑料薄膜的历史加工数据,建立塑料薄膜性能模型具体包括:
基于每个评价性能参数的属性,对每个评价性能参数进行划分评价等级;
调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型,评价等级预测模型与评价性能参数划分出的评价等级一一对应,评价等级预测模型以塑料薄膜的加工参数为输入,以塑料薄膜对应的评价性能参数在对应的评价等级的分级概率为输出;
基于每个评价性能参数对应的若干评价等级预测模型进行建立评价性能参数对应的塑料薄膜性能模型;
其中,塑料薄膜性能模型的表达式为:
式中,为评价性能参数的评价预测指标,/>为评价性能参数划分出评价等级数量,为塑料薄膜对应的评价性能参数分级到第i级的分级概率。
具体的,以下结合具体计算案例进行说明本实施例中的塑料薄膜性能模型;
在一些实施例中,对于塑料薄膜的外观性能分级为1-5级,5级为最高等级,1级为最低等级,在将塑料薄膜的某次实时加工参数组代入评价性能参数对应的评价等级预测模型中,得出塑料薄膜的外观性能等级为1级的概率为15%,塑料薄膜的外观性能等级为2级的概率为21%,塑料薄膜的外观性能等级为3级的概率为36%,塑料薄膜的外观性能等级为4级的概率为45%,塑料薄膜的外观性能等级为5级的概率为90%,则该塑料薄膜的外观性能的评价预测指标为[1×0.15/(0.15+0.21+0.36+0.45+0.9)]+[2×0.21/(0.15+0.21+0.36+0.45+0.9)]+[3×0.36/(0.15+0.21+0.36+0.45+0.9)]+[4×0.45/(0.15+0.21+0.36+0.45+0.9)]+[5×0.9/(0.15+0.21+0.36+0.45+0.9)]=3.84,通常状态下,预设的性能指标阈值为0.6×n,即在本具体计算案例中,预设的性能指标阈值为,由于3.84>3,则塑料薄膜的外观性能的不合格风险低。
在一些实时例中,评价等级预测模型的表达式为:
式中,为塑料薄膜加工过程中的参数总数,/>为塑料薄膜加工过程中的第j个参数,/>均为与第i个评价等级对应的评价等级预测模型的系数。
请参阅图3所示,调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型具体包括:
从塑料薄膜的历史加工数据中随机调取若干训练样本数据;
按照塑料薄膜是否分到第i个评价等级,将若干个训练样本数据分为符合i级的训练数据和不符合i级的训练数据;
基于符合i级的训练数据和不符合i级的训练数据,利用最大似然法进行训练与第i个评价等级对应的评价等级预测模型的回归系数;
从塑料薄膜的历史加工数据中随机调取若干验证样本数据;
利用验证样本数据对第i个评价等级对应的评价等级预测模型的回归系数进行显著性检测,判断第i个评价等级对应的评价等级预测模型的回归系数是否满足显著性要求;
若满足显著性要求,则第i个评价等级对应的评价等级预测模型的回归系数具有统计学意义,模型训练完成,若不满足显著性要求,则第i个评价等级对应的评价等级预测模型的回归系数不具有统计学意义,模型训练失败,重新从塑料薄膜的历史加工数据中随机调取若干训练样本数据,并进行评价等级预测模型的训练。
模型验证样本数据的数量和模型训练样本数据数量应满足:
式中,为验证样本数据的数量,/>为训练样本数据数量。
本实施例中,采用Logistic回归模型原理进行建立生成评价等级预测模型,Logistic回归模型是一种广义的线性回归分析模型,常用于数据挖掘,结果预测等领域,可以理解的是,在一些实施例中,可采用其他方式进行建立用于预测塑料薄膜对应的评价性能参数在对应的评价等级的分级概率的评价等级预测模型;
在一些实施例中,请参阅图4所示,对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标具体包括:
基于塑料薄膜的属性,确定每一个评价性能参数对塑料薄膜质量的影响权重值;
基于评价性能参数对塑料薄膜质量的影响权重值和评价性能参数的评价预测指标,按照质量预测公式进行综合计算塑料薄膜的质量预测指标;
其中,质量预测公式具体为:
式中,为塑料薄膜的质量预测指标,/>为评价性能参数的总数量,/>为第h个评价性能参数的影响权重值,/>为第h个评价性能参数的评价预测指标。
请参阅图5所示,基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜具体包括:
判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
本实施例中,采用加权求和的方式进行综合计算塑料薄膜的质量预测指标,由于对于不同用途属性的塑料薄膜,其各项评价性能参数对于塑料薄膜的质量影响不相同,例如,对于包装属性的塑料薄膜,其外观性能对于塑料薄膜的质量影响相对较高,对于工业属性的塑料薄膜,其物理机械性能对于塑料薄膜的质量影响相对较高,因此,在进行计算塑料薄膜的质量预测指标时,通过针对塑料薄膜的不同的用途属性进行权重赋值,可使计算出的塑料薄膜的质量预测指标更加贴合塑料薄膜的实际用途,为划分高加工质量薄膜和低加工质量薄膜提供更加精准的参数指标。
进一步的,请参阅图6所示,基于与上述基于智能制造的塑料薄膜质量评价方法相同的发明构思,本方案还提出一种基于智能制造的塑料薄膜质量评价系统,包括:
参数监测模块,参数监测模块用于实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
存储模块,存储模块用于存储塑料薄膜的历史加工数据;
模型训练模块,模型训练模块与存储模块电性连接,模型训练模块用于建立塑料薄膜性能模型;
性能预测模块,性能预测模块与参数监测模块和模型训练模块电性连接,性能预测模块用于将塑料薄膜实时加工参数组输入塑料薄膜性能模型,获得塑料薄膜的各项评价性能参数的实时评价预测指标和判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,并基于判断结果将塑料薄膜该项评价性能参数划分为不合格风险高和不合格风险低;
质量预测模块,质量预测模块与性能预测模型电性连接,质量预测模块用于对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标和基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜。
其中,性能预测模块包括:
第一计算单元,第一计算单元用于将塑料薄膜实时加工参数组输入塑料薄膜性能模型,进行计算获得塑料薄膜的各项评价性能参数的实时评价预测指标;
第一判断单元,第一判断单元用于判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低。
质量预测模块包括:
第二计算单元,第二计算单元用于对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
第二判断单元,第二判断单元用于判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
上述基于智能制造的塑料薄膜质量评价系统的工作过程为:
步骤一:模型训练模块从存储模块中调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型,评价等级预测模型与评价性能参数划分出的评价等级一一对应,评价等级预测模型以塑料薄膜的加工参数为输入,以塑料薄膜对应的评价性能参数在对应的评价等级的分级概率为输出;基于每个评价性能参数对应的若干评价等级预测模型进行建立评价性能参数对应的塑料薄膜性能模型;
步骤二:参数监测模块实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
步骤三:第一计算单元塑料薄膜实时加工参数组输入塑料薄膜性能模型,进行计算获得塑料薄膜的各项评价性能参数的实时评价预测指标;
步骤四:第一判断单元判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低;
步骤五:第二计算单元对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
步骤六:第二判断单元判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
综上所述,本发明的优点在于:基于塑料薄膜加工过程中的参数进行综合预测塑料薄膜的质量指标,进而进行制定针对性的塑料薄膜检验方案,可有效的甄别出塑料薄膜中的不合格品,保证塑料薄膜侧出厂良率。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种基于智能制造的塑料薄膜质量评价方法,其特征在于,包括:
确定影响塑料薄膜质量的性能参数,记为评价性能参数;
基于塑料薄膜的历史加工数据,建立塑料薄膜性能模型,所述塑料薄膜性能模型与塑料薄膜的评价性能参数一一对应,所述塑料薄膜性能模型以塑料薄膜的加工参数作为输入,以对应的评价性能参数的评价预测指标作为输出;
实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
将塑料薄膜实时加工参数组输入塑料薄膜性能模型,获得塑料薄膜的各项评价性能参数的实时评价预测指标;
判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低;
对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜,分别按照设定的抽检比例对高加工质量薄膜和低加工质量薄膜进行质量抽检,其中,高加工质量薄膜的抽检比例低于低加工质量薄膜的抽检比例。
2.根据权利要求1所述的一种基于智能制造的塑料薄膜质量评价方法,其特征在于,所述基于塑料薄膜的历史加工数据,建立塑料薄膜性能模型具体包括:
基于每个评价性能参数的属性,对每个评价性能参数进行划分评价等级;
调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型,所述评价等级预测模型与评价性能参数划分出的评价等级一一对应,所述评价等级预测模型以塑料薄膜的加工参数为输入,以塑料薄膜对应的评价性能参数在对应的评价等级的分级概率为输出;
基于每个评价性能参数对应的若干评价等级预测模型进行建立评价性能参数对应的塑料薄膜性能模型;
其中,所述塑料薄膜性能模型的表达式为:
式中,为评价性能参数的评价预测指标,/>为评价性能参数划分出评价等级数量,为塑料薄膜对应的评价性能参数分级到第i级的分级概率。
3.根据权利要求2所述的一种基于智能制造的塑料薄膜质量评价方法,其特征在于,所述评价等级预测模型的表达式为:
式中,为塑料薄膜加工过程中的参数总数,/>为塑料薄膜加工过程中的第j个参数,均为与第i个评价等级对应的评价等级预测模型的系数。
4.根据权利要求3所述的一种基于智能制造的塑料薄膜质量评价方法,其特征在于,所述调取塑料薄膜的历史加工数据,分别训练每个评价性能参数对应的若干评价等级预测模型具体包括:
从塑料薄膜的历史加工数据中随机调取若干训练样本数据;
按照塑料薄膜是否分到第i个评价等级,将若干个训练样本数据分为符合i级的训练数据和不符合i级的训练数据;
基于符合i级的训练数据和不符合i级的训练数据,利用最大似然法进行训练与第i个评价等级对应的评价等级预测模型的回归系数;
从塑料薄膜的历史加工数据中随机调取若干验证样本数据;
利用验证样本数据对第i个评价等级对应的评价等级预测模型的回归系数进行显著性检测,判断第i个评价等级对应的评价等级预测模型的回归系数是否满足显著性要求;
若满足显著性要求,则第i个评价等级对应的评价等级预测模型的回归系数具有统计学意义,模型训练完成,若不满足显著性要求,则第i个评价等级对应的评价等级预测模型的回归系数不具有统计学意义,模型训练失败,重新从塑料薄膜的历史加工数据中随机调取若干训练样本数据,并进行评价等级预测模型的训练。
5.根据权利要求4所述的一种基于智能制造的塑料薄膜质量评价方法,其特征在于,所述模型验证样本数据的数量和模型训练样本数据数量应满足:
式中,为验证样本数据的数量,/>为训练样本数据数量。
6.根据权利要求5所述的一种基于智能制造的塑料薄膜质量评价方法,其特征在于,所述对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标具体包括:
基于塑料薄膜的属性,确定每一个评价性能参数对塑料薄膜质量的影响权重值;
基于评价性能参数对塑料薄膜质量的影响权重值和评价性能参数的评价预测指标,按照质量预测公式进行综合计算塑料薄膜的质量预测指标;
其中,所述质量预测公式具体为:
式中,为塑料薄膜的质量预测指标,/>为评价性能参数的总数量,/>为第h个评价性能参数的影响权重值,/>为第h个评价性能参数的评价预测指标。
7.根据权利要求6所述的一种基于智能制造的塑料薄膜质量评价方法,其特征在于,所述基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜具体包括:
判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
8.一种基于智能制造的塑料薄膜质量评价系统,用于实现如权利要求1-7任一项所述的基于智能制造的塑料薄膜质量评价方法,其特征在于,包括:
参数监测模块,所述参数监测模块用于实时监测塑料薄膜加工过程中的参数,获得塑料薄膜实时加工参数组;
存储模块,所述存储模块用于存储塑料薄膜的历史加工数据;
模型训练模块,模型训练模块与所述存储模块电性连接,所述模型训练模块用于建立塑料薄膜性能模型;
性能预测模块,性能预测模块与所述参数监测模块和模型训练模块电性连接,所述性能预测模块用于将塑料薄膜实时加工参数组输入塑料薄膜性能模型,获得塑料薄膜的各项评价性能参数的实时评价预测指标和判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,并基于判断结果将塑料薄膜该项评价性能参数划分为不合格风险高和不合格风险低;
质量预测模块,质量预测模块与所述性能预测模型电性连接,所述质量预测模块用于对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标和基于塑料薄膜的质量预测指标将塑料薄膜划分为高加工质量薄膜和低加工质量薄膜。
9.根据权利要求8所述的一种基于智能制造的塑料薄膜质量评价系统,其特征在于,所述性能预测模块包括:
第一计算单元,所述第一计算单元用于将塑料薄膜实时加工参数组输入塑料薄膜性能模型,进行计算获得塑料薄膜的各项评价性能参数的实时评价预测指标;
第一判断单元,所述第一判断单元用于判断评价性能参数的实时评价预测指标是否大于预设的性能指标阈值,若否,则判定为塑料薄膜该项评价性能参数的不合格风险高,对塑料薄膜该项评价性能参数进行针对性检测,若是,则判定为塑料薄膜该项评价性能参数的不合格风险低。
10.根据权利要求8所述的一种基于智能制造的塑料薄膜质量评价系统,其特征在于,所述质量预测模块包括:
第二计算单元,所述第二计算单元用于对于所有评价性能参数的不合格风险均为低的塑料薄膜,基于塑料薄膜的所有评价性能参数的评价预测指标进行综合计算塑料薄膜的质量预测指标;
第二判断单元,所述第二判断单元用于判断塑料薄膜的质量预测指标是否大于质量指标预设值,若是,则判定为塑料薄膜为高加工质量薄膜,若否,则判定为塑料薄膜为低加工质量薄膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889158.8A CN116611745A (zh) | 2023-07-20 | 2023-07-20 | 一种基于智能制造的塑料薄膜质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889158.8A CN116611745A (zh) | 2023-07-20 | 2023-07-20 | 一种基于智能制造的塑料薄膜质量评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611745A true CN116611745A (zh) | 2023-08-18 |
Family
ID=87675045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889158.8A Pending CN116611745A (zh) | 2023-07-20 | 2023-07-20 | 一种基于智能制造的塑料薄膜质量评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437235A (zh) * | 2023-12-21 | 2024-01-23 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826855A (zh) * | 2019-10-09 | 2020-02-21 | 广州供电局有限公司 | 智能配电房状态监测传感器入网性能的检验方法及系统 |
CN113361940A (zh) * | 2021-06-15 | 2021-09-07 | 红云红河烟草(集团)有限责任公司 | 基于在线检测数据的卷包质量综合评价方法及系统 |
CN115630847A (zh) * | 2022-12-07 | 2023-01-20 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
-
2023
- 2023-07-20 CN CN202310889158.8A patent/CN116611745A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826855A (zh) * | 2019-10-09 | 2020-02-21 | 广州供电局有限公司 | 智能配电房状态监测传感器入网性能的检验方法及系统 |
CN113361940A (zh) * | 2021-06-15 | 2021-09-07 | 红云红河烟草(集团)有限责任公司 | 基于在线检测数据的卷包质量综合评价方法及系统 |
CN115630847A (zh) * | 2022-12-07 | 2023-01-20 | 四川省华盾防务科技股份有限公司 | 一种基于数据预测的收发组件检测方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
屈贞财: "《基于AHP和DEA的喷墨打印纸质量预测模型的建立》", 《中国造纸学报》, vol. 33, no. 4, pages 31 - 35 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437235A (zh) * | 2023-12-21 | 2024-01-23 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117437235B (zh) * | 2023-12-21 | 2024-03-12 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
CN112098714A (zh) | 一种基于ResNet-LSTM的窃电检测方法及系统 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111445103B (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
CN116611745A (zh) | 一种基于智能制造的塑料薄膜质量评价方法及系统 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN112637132A (zh) | 一种网络异常检测方法、装置、电子设备和存储介质 | |
CN115630847A (zh) | 一种基于数据预测的收发组件检测方法、系统及存储介质 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN115129019A (zh) | 生产线故障分析模型的训练方法及生产线故障分析方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN116737510A (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
Ren et al. | Predicting software defects using self-organizing data mining | |
CN110599071A (zh) | 一种基于bp神经网络的蔬菜冷链物流系统 | |
CN113554321A (zh) | 一种乳制品冷链物流质量安全预警方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN116703158A (zh) | 一种关于进口食品风险预警的风险评估模型构建方法 | |
CN116713631A (zh) | 焊接质量预测方法、装置和设备 | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230818 |