CN116681272A - 一种自动装配生产线状态监测系统及其方法 - Google Patents
一种自动装配生产线状态监测系统及其方法 Download PDFInfo
- Publication number
- CN116681272A CN116681272A CN202310648105.7A CN202310648105A CN116681272A CN 116681272 A CN116681272 A CN 116681272A CN 202310648105 A CN202310648105 A CN 202310648105A CN 116681272 A CN116681272 A CN 116681272A
- Authority
- CN
- China
- Prior art keywords
- production line
- flow
- test class
- historical data
- machine learning
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 92
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 99
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 230000007547 defect Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002950 deficient Effects 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 58
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000003466 welding Methods 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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种自动装配生产线状态监测系统及其方法,涉及自动装配生产线自动监测技术领域,通过设置生产线信息收集模块预先收集自动装配生产线的流程信息;设置历史数据收集模块预先收集生产线上测试类流程的历史数据;设置历史数据分析模块根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;设置在线信息收集模块实时收集每个测试类流程对当前缺陷产品的检测数据;设置生产线状态监测模块使用训练完成的机器学习模型,根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况;在故障发生时,及时对故障发生的流程进行定位;极大的降低了人力成本,提高了生产线生产效率。
Description
技术领域
本发明属于模块接线盒领域,涉及自动化生产监控技术,具体是一种自动装配生产线状态监测系统及其方法。
背景技术
光伏组件接线盒的自动装配生产线涉及到诸多环节,其中大部分环节是自动化装配的,虽然在装配过程中有检测工位、中盒体测试和测试工位,但由于中间过程复杂,产品出现问题难以第一时间确定出现故障的工位;因此,需要实时生产线每个工位的运行状态进行监测;
目前对流程故障的监控往往是在模块接线盒生产后,对缺陷的模块接线盒进行人工分析以及定位出现故障的生产环节,因此需要耗费人力与物力且难以第一时间定位故障节点;
为此,提出一种自动装配生产线状态监测系统及其方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种自动装配生产线状态监测系统及其方法,该一种自动装配生产线状态监测系统及其方法使用机器学习技术实时对自动装配生产线上各个流程的进行智能监测,在故障发生时,及时对故障发生的流程进行定位;极大的降低了人力成本,提高了生产线生产效率。
为实现上述目的,根据本发明的第一方面的实施例提出一种自动装配生产线状态监测系统,包括生产线信息收集模块、历史数据收集模块、历史数据分析模块、在线信息收集模块以及生产线状态监测模块;其中,各个模块之间通过电气和/或无线网络方式连接;
其中,所述生产线信息收集模块主要用于预先收集自动装配生产线的流程信息;
其中,所述流程信息包括自动装配生产线上每个流程的名称、功能以及流程故障信息;
所述生产线信息收集模块将收集到的自动装配生产线的流程信息发送至历史数据收集模块;
其中,所述历史数据收集模块主要用于预先收集生产线上测试类流程的历史数据;
所述历史数据收集模块收集的测试类流程的历史数据的方式包括以下步骤:
步骤S1:将测试类流程按流程的顺序进行排序;并按顺序对测试类流程进行编号;且将编号标记为m,其中m=1,2,3…M;其中,M为测试类流程的数量;
步骤S2:对于测试类流程m,收集该测试类流程与测试类流程m-1之间的所有故障原因,并对每个故障原因,收集该故障原因导致的对测试类流程m检测的产品的影响结果;
通过收集若干产品外观的训练照片,并将每张产品外观的训练照片的表现形式打上数字标签,再通过CNN神经网络模型对产品外观的照片进行训练,生成根据产品的外观照片,自动分析出产品外观表现形式的数字标签的网络模型;所述数字标签为由人工对每张产品外观的训练照片进行质量评定的等级;
步骤S3:收集历史上每个测试类流程m检测的每个缺陷产品的故障原因以及故障带来的影响结果的属性值,并作为测试类的历史数据;
所述历史数据收集模块将收集的测试类的历史数据发送至历史数据分析模块;
其中,所述历史数据分析模块主要用于根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;
所述历史数据分析模块生成评估故障原因的机器学习模型包括以下步骤:
步骤P1:对于每个测试类流程m,将该流程的历史数据中每个缺陷产品的影响结果的属性值作为机器学习模型的输入,将故障原因作为机器学习模型的输出,将每个缺陷产品的故障原因作为预测目标;以机器学习模型的预测准确率作为训练目标;
步骤P2:对每个测试类流程m的机器学习模型进行训练,并预先设置预测准确率阈值P,在机器学习模型的预测准确率达到预测准确率阈值P时,停止训练;并将测试类流程m训练完成的机器学习模型标记为Jm;优选的,所述机器学习模型可以为深度神经网络模型、深度信念网络或支持向量机;
所述历史数据分析模块将训练完成的机器学习模型Jm发送至生产线状态监测模块;
其中,所述在线信息收集模块主要用于实时收集每个测试类流程对当前产品的检测数据;
所述在线信息收集模块收集当前产品检测数据包括以下步骤:
步骤Q1:根据实际经验为每个测试类流程m预设缺陷比例阈值;将测试类流程m的缺陷比例阈值标记为Ym;
步骤Q2:对于每个测试类流程m,统计每次对产品进行测试时的实时缺陷率;若实时缺陷率大于缺陷比例阈值Ym,转至步骤Q3;
步骤Q3:对于测试类流程m,收集后续测试出的缺陷产品实时的影响结果的属性值;
所述在线信息收集模块将每个测试类流程测试出的缺陷产品实时的影响结果的属性值发送至生产线状态监测模块;
其中,所述生产线状态监测模块主要用于根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况;
所述生产线状态监测模块分析各个流程的实时故障情况的方式为:
所述生产线状态监测模块接收到缺陷产品的影响结果的属性值后,根据对应的测试类流程m,将影响结果的属性值输入至对应的机器学习模型Jm中,获得机器学习模型Jm输出的故障原因。
据本发明的第二方面的实施例提出一种自动装配生产线状态监测方法,包括以下步骤:
步骤一:生产线信息收集模块预先收集自动装配生产线的流程信息;
步骤二:历史数据收集模块预先收集生产线上测试类流程的历史数据;
步骤三:历史数据分析模块根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;
步骤四:在线信息收集模块实时收集每个测试类流程对当前缺陷产品的检测数据;
步骤五:生产线状态监测模块使用训练完成的机器学习模型,根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况;以实时监测自动装配生产线上每个流程的生产状态。
与现有技术相比,本发明的有益效果是:
本发明通过预先收集自动装配生产线上每个流程的流程信息以及生产线上测试类流程的历史数据,再使用测试类流程的历史数据作为机器学习的输入,训练出根据影响结果的属性值分析具体故障原因的机器学习模型;再实时收集自动装配生产线上各个测试类流程检测到的产品的缺陷率,当产品缺陷率超过预设的缺陷比例阈值时,收集后续的缺陷产品的影响结果的属性值,并将实时的影响结果属性值输入至训练完成的机器学习模型中,获得输出的故障原因,根据故障原因对出现故障的流程进行定位;从而实现对自动装配生产线的故障状态的实时监控;
目前在光伏组件模块接线盒实际生产过程中,虽然会对模块接线盒的中间产品和成品进行缺陷产品的自动筛除,但缺少在产品缺陷率过高时,对生产线各个流程进行故障分析的方法;
本发明使用机器学习技术实时对自动装配生产线上各个流程的进行智能监测,在故障发生时,及时对故障发生的流程进行定位;极大的降低了人力成本,提高了生产线生产效率。
附图说明
图1为本发明实施例中各个模块之间的连接结构图;
图2为本发明的实施例中监测方法的流程图。
具体实施方式
下面将结合实施例对本发明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做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。
光伏组件接线盒的自动装配生产线涉及到诸多环节,其中大部分环节是自动化装配的,虽然在装配过程中有检测工位、中盒体测试和测试工位,但由于中间过程复杂,产品出现问题难以第一时间确定出现故障的工位;因此,需要实时生产线每个工位的运行状态进行监测;
如图1所示,一种自动装配生产线状态监测系统,包括生产线信息收集模块、历史数据收集模块、历史数据分析模块、在线信息收集模块以及生产线状态监测模块;其中,各个模块之间通过电气和/或无线网络方式连接;
其中,所述生产线信息收集模块主要用于预先收集自动装配生产线的流程信息;
其中,所述流程信息包括自动装配生产线上每个流程的名称、功能以及流程故障信息;
优选的,所述流程名称为实际生产模块接线盒的自动装配生产线上的具体流程,包括但不限于模块上料、模块旋转规整、模块切边、盒体上料、模块与盒体装配、检测工位、冷压/热熔、中盒体测试、中盒体激光打码、盒体下线、正负极盒体翻转与传输、正负极盒体上料工位、人工上线、自动剥线头、自动送线与铆接、铆线处加锡、压块上料与超声波焊接、测试、激光打码以及成品下线等;所述流程功能即每个流程的实际功能;所述流程故障信息包括每个除测试类流程外的所有流程可能出现的故障原因以及故障表现;可以理解的是,测试类流程包括检测工位、中盒体测试以及测试;
所述生产线信息收集模块将收集到的自动装配生产线的流程信息发送至历史数据收集模块;
其中,所述历史数据收集模块主要用于预先收集生产线上测试类流程的历史数据;
可以理解的是,每个测试类流程在检测到模块接线盒的中间件或成品存在缺陷时,该缺陷往往是由于之前流程产生故障引起的,而每个流程产生的故障原因不同,导致缺陷的表现形式有所不同;
在一个优选的实施例中,所述历史数据收集模块收集的测试类流程的历史数据的方式包括以下步骤:
步骤S1:将测试类流程按流程的顺序进行排序;并按顺序对测试类流程进行编号;且将编号标记为m,其中m=1,2,3…M;其中,M为测试类流程的数量;
步骤S2:对于测试类流程m,收集该测试类流程与测试类流程m-1之间的所有故障原因,并对每个故障原因,收集该故障原因导致的对测试类流程m检测的产品的影响结果;
可以理解的是,对产品的影响结果可能是从产品外观获得的表现形式、某些成分比例以及测试指标差异等;具体的影响结果根据每个流程的实际故障情况而确定;
进一步的,对于产品外观获得的属性由于难以量化,可通过收集若干产品外观的训练照片,并将每张产品外观的训练照片的表现形式打上数字标签,再通过CNN神经网络模型对产品外观的照片进行训练,生成根据产品的外观照片,自动分析出产品外观表现形式的数字标签的网络模型;所述数字标签为由人工对每张产品外观的训练照片进行质量评定的等级;例如:1级代表产品表面无瑕疵,2级代表产品表面具有轻微瑕疵;
步骤S3:收集历史上每个测试类流程m检测的每个缺陷产品的故障原因以及故障带来的影响结果的属性值,并作为测试类的历史数据;
所述历史数据收集模块将收集的测试类的历史数据发送至历史数据分析模块;
其中,所述历史数据分析模块主要用于根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;
在一个优选的实施例中,所述历史数据分析模块生成评估故障原因的机器学习模型包括以下步骤:
步骤P1:对于每个测试类流程m,将该流程的历史数据中每个缺陷产品的影响结果的属性值作为机器学习模型的输入,将故障原因作为机器学习模型的输出,将每个缺陷产品的故障原因作为预测目标;以机器学习模型的预测准确率作为训练目标;
步骤P2:对每个测试类流程m的机器学习模型进行训练,并预先设置预测准确率阈值P,在机器学习模型的预测准确率达到预测准确率阈值P时,停止训练;并将测试类流程m训练完成的机器学习模型标记为Jm;优选的,所述机器学习模型可以为深度神经网络模型、深度信念网络或支持向量机;
所述历史数据分析模块将训练完成的机器学习模型Jm发送至生产线状态监测模块;
其中,所述在线信息收集模块主要用于实时收集每个测试类流程对当前产品的检测数据;
在一个优选的实施例中,所述在线信息收集模块收集当前产品检测数据包括以下步骤:
步骤Q1:根据实际经验为每个测试类流程m预设缺陷比例阈值;将测试类流程m的缺陷比例阈值标记为Ym;
步骤Q2:对于每个测试类流程m,统计每次对产品进行测试时的实时缺陷率;优选的,所述实时缺陷率为在预设的时间周期内,测试出的缺陷产品占总测试产品数量的比例;若实时缺陷率大于缺陷比例阈值Ym,转至步骤Q3;否则,不做处理;
步骤Q3:对于测试类流程m,收集后续测试出的缺陷产品实时的影响结果的属性值;
所述在线信息收集模块将每个测试类流程测试出的缺陷产品实时的影响结果的属性值发送至生产线状态监测模块;
其中,所述生产线状态监测模块主要用于根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况;
在一个优选的实施例中,所述生产线状态监测模块分析各个流程的实时故障情况的方式为:
所述生产线状态监测模块接收到缺陷产品的影响结果的属性值后,根据对应的测试类流程m,将影响结果的属性值输入至对应的机器学习模型Jm中,获得机器学习模型Jm输出的故障原因;可以理解的是,根据该故障原因可定位到具体发生故障的生产线流程。
如图2所示,一种自动装配生产线状态监测方法,包括以下步骤:
步骤一:生产线信息收集模块预先收集自动装配生产线的流程信息;所述流程信息包括自动装配生产线上每个流程的名称、功能以及流程故障信息;
步骤二:历史数据收集模块预先收集生产线上测试类流程的历史数据;所述历史数据为根据不同的测试类流程,收集历史上缺陷产品在测试类流程之前的流程的故障原因以及对应的影响结果的属性值;
步骤三:历史数据分析模块根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;
步骤四:在线信息收集模块实时收集每个测试类流程对当前缺陷产品的检测数据;为了减少误判的情况,通过对每个测试类流程预设缺陷比例阈值,当缺陷率达到缺陷比例阈值时,收集后续缺陷产品的影响结果的属性值;
步骤五:生产线状态监测模块使用训练完成的机器学习模型,根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况;以实时监测自动装配生产线上每个流程的生产状态。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种自动装配生产线状态监测系统,其特征在于,包括生产线信息收集模块、历史数据收集模块、历史数据分析模块、在线信息收集模块以及生产线状态监测模块;其中,各个模块之间通过电气和/或无线网络方式连接;
所述生产线信息收集模块预先收集自动装配生产线的流程信息;所述流程信息包括自动装配生产线上每个流程的名称、功能以及流程故障信息;并将收集到的自动装配生产线的流程信息发送至历史数据收集模块;
所述历史数据收集模块预先收集生产线上测试类流程的历史数据;并将收集的测试类的历史数据发送至历史数据分析模块;
所述历史数据分析模块根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;并将训练完成的每个测试类流程的机器学习模型发送至生产线状态监测模块;
所述在线信息收集模块实时收集每个测试类流程对当前产品的检测数据;并将每个测试类流程测试出的缺陷产品实时的影响结果的属性值发送至生产线状态监测模块;
所述生产线状态监测模块使用训练完成的机器学习模型,根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况。
2.根据权利要求1所述的一种自动装配生产线状态监测系统,其特征在于,所述历史数据收集模块收集的测试类流程的历史数据的方式包括以下步骤:
将测试类流程按流程的顺序进行排序;并按顺序对测试类流程进行编号;将编号标记为m,其中m=1,2,3…M;其中,M为测试类流程的数量;
对于测试类流程m,收集该测试类流程与测试类流程m-1之间的所有故障原因,并对每个故障原因,收集该故障原因导致的对测试类流程m检测的产品的影响结果;
收集历史上每个测试类流程检测的每个缺陷产品的故障原因以及故障带来的影响结果的属性值,并作为测试类的历史数据。
3.根据权利要求2所述的一种自动装配生产线状态监测系统,其特征在于,对于外观表现形式的影响结果,将影响结果进行量化的方式为:
通过收集若干产品外观的训练照片,并将每张产品外观的训练照片的表现形式打上数字标签,再通过CNN神经网络模型对产品外观的照片进行训练,生成根据产品的外观照片,自动分析出产品外观表现形式的数字标签的网络模型;所述数字标签为由人工对每张产品外观的训练照片进行质量评定的等级。
4.根据权利要求3所述的一种自动装配生产线状态监测系统,其特征在于,所述历史数据分析模块生成评估故障原因的机器学习模型包括以下步骤:
对于每个测试类流程,将该流程的历史数据中每个缺陷产品的影响结果的属性值作为机器学习模型的输入,将故障原因作为机器学习模型的输出,将每个缺陷产品的故障原因作为预测目标;以机器学习模型的预测准确率作为训练目标;
对每个测试类流程m的机器学习模型进行训练,并预先设置预测准确率阈值P,在机器学习模型的预测准确率达到预测准确率阈值P时,停止训练。
5.根据权利要求4所述的一种自动装配生产线状态监测系统,其特征在于,所述在线信息收集模块收集当前产品检测数据包括以下步骤:
步骤Q1:为每个测试类流程预设缺陷比例阈值;
步骤Q2:对于每个测试类流程,统计每次对产品进行测试时的实时缺陷率;若实时缺陷率大于对应的缺陷比例阈值,转至步骤Q3;
步骤Q3:对于测试类流程m,收集后续测试出的缺陷产品实时的影响结果的属性值。
6.根据权利要求5所述的一种自动装配生产线状态监测系统,其特征在于,所述生产线状态监测模块接收到缺陷产品的影响结果的属性值后,根据对应的测试类流程,将影响结果的属性值输入至对应的机器学习模型中,获得机器学习模型输出的故障原因。
7.根据权利要求1-6任意一项所述的一种自动装配生产线状态监测系统的监测方法,其特征在于,包括以下步骤:
生产线信息收集模块预先收集自动装配生产线的流程信息;
历史数据收集模块预先收集生产线上测试类流程的历史数据;
历史数据分析模块根据每个测试类流程的历史数据,生成评估故障原因的机器学习模型;
在线信息收集模块实时收集每个测试类流程对当前缺陷产品的检测数据;
生产线状态监测模块使用训练完成的机器学习模型,根据实时的缺陷产品的影响结果的属性值分析自动装配生产线上各个流程的实时故障情况;以实时监测自动装配生产线上每个流程的生产状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310648105.7A CN116681272B (zh) | 2023-06-02 | 2023-06-02 | 一种自动装配生产线状态监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310648105.7A CN116681272B (zh) | 2023-06-02 | 2023-06-02 | 一种自动装配生产线状态监测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681272A true CN116681272A (zh) | 2023-09-01 |
CN116681272B CN116681272B (zh) | 2024-02-02 |
Family
ID=87786632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310648105.7A Active CN116681272B (zh) | 2023-06-02 | 2023-06-02 | 一种自动装配生产线状态监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681272B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN113724211A (zh) * | 2021-08-13 | 2021-11-30 | 扬州美德莱医疗用品有限公司 | 一种基于状态感应的故障自动识别方法及系统 |
-
2023
- 2023-06-02 CN CN202310648105.7A patent/CN116681272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种生产线质量监测方法、装置及系统 |
CN113724211A (zh) * | 2021-08-13 | 2021-11-30 | 扬州美德莱医疗用品有限公司 | 一种基于状态感应的故障自动识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116681272B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170074250A1 (en) | Wind turbine condition monitoring method and system | |
CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN103279063B (zh) | 适用于电子部件生产线的检测防错方法 | |
CN111069819A (zh) | 一种基于人工智能的焊接质量预测系统及方法 | |
CN102262401A (zh) | 一种工业生产线监控系统 | |
CN111985558A (zh) | 一种电能表异常诊断方法及其系统 | |
CN111167668A (zh) | 一种面向手机制造的点胶工艺优化方法 | |
CN116245420A (zh) | 一种生产管理系统及管理方法 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN115639207A (zh) | 一种用于多种产品同时检测的机器视觉检测方法及系统 | |
CN116681272B (zh) | 一种自动装配生产线状态监测系统及其方法 | |
CN110763979A (zh) | 一种基于mes系统的led晶圆点测自动化系统 | |
US11374534B2 (en) | Optoelectronic solar cell test system for an in-line solar cell production plant, and method for optimizing the in-line production of solar cells using an optoelectronic solar cell test system of this type | |
CN112255969A (zh) | 一种数控机床的数据采集分析展示系统及方法 | |
KR102523701B1 (ko) | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 | |
CN115639217B (zh) | 一种新能源动力电池盖板片的工控全检方法及系统 | |
CN109828545B (zh) | Ai智能过程异常识别闭环控制方法、主机及装备系统 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN105204464A (zh) | 一种线束压着品质在线管理系统和方法 | |
CN117974074B (zh) | 生产管理方法及装置 | |
CN110703730A (zh) | 一种基于mes中数据采集测试方法和装置 | |
CN117198458B (zh) | 一种基于物联网的药物筛选装置故障预测系统 | |
CN117620345B (zh) | 一种真空回流焊炉的数据记录系统 | |
US20230297085A1 (en) | Equipment effectiveness in manufacturing environment |
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 |