CN116681351A - 用于注塑工序的质量预测和根本原因分析系统和方法 - Google Patents

Abstract

一种用于注塑工序的质量预测和根本原因分析系统，包括：前端、数据库、后端和机器学习模块。该机器学习模块被配置为用于基于存储在所述数据库中的该工序参数数据和该质量特征数据和一个或多个算法来训练一个或多个机器学习模型。其中，该机器学习模型包括预测模型，该预测模型适于基于该工序参数数据和该质量特征数据以及预测算法预测注塑产生的模制产品的质量特征，以及根本原因分析模型，其与该预测模型协同操作，并适于基于从该模制产品获得的质量特征数据和根本原因分析算法分析模制产品的一个或多个偏差，及如果该偏差超过预定公差阈值，则确定偏差的一个或多个可能原因。还有一种用于注塑工序的质量预测和根本原因分析方法。

Description

用于注塑工序的质量预测和根本原因分析系统和方法

技术领域

本发明涉及一种质量预测和根本原因分析系统。具体来说，本发明涉及一种基于AI的系统，其用于分析在先前执行的制造操作中获得的各种数据，用于执行质量预测和根本原因分析，以确定在制造工序中导致生产偏差的一个或多个可能的根本原因。本发明还涉及一种用于注塑工序的质量预测和根本原因分析方法。

背景技术

一般而言，生产工序中的主要目的包括优化生产工序、改善产品质量、和减轻检查工作。生产商面对多个使其生产工序和产品容易出现误差和缺陷的因素。例如，诸如机器设定、工序提产(ramp-up)及工序参数的机器因素都对最终产品质量发挥关键作用。对于任一所述参数的轻微变动均可导致产品结果的显着变化。设备的折旧也可导致不佳的生产效率和准确性。因此，需要持续地主动监测和分析机器因素，以维持和管理生产工序的质量。

涉及人手监测的传统方法已被证明是困难且容易出错；然而，基于AI的方法具有克服人的限制的能力。想要的是有一种基于AI的系统，其具有为量产工序中的产品质量提供预测的能力，所述预测是通过使用在先前执行的制造工序中收集的数据以及从前述的制造工序产生的产品获得的数据来训练机器学习模型而提供。按照这样的系统，无论是通过人工或自动检查装置，都仅需在训练阶段期间进行制成产品的视觉检查。因此，产品质量的检查已能够在早期过程进行，并且被认为比传统的人手检查更具效率和成效。这是由于当使用机器学习来分析在生产工序过程经由相机和传感器捕获的历史数据，免除了物理测量的需要。因而减少人力和误差。随之而来，从基于AI的系统自动收集的数据还可用于根本原因分析，这有助于优化产品的质量和避免产品缺陷。

发明内容

根据本发明的第一方面，提供一种用于注塑工序的质量预测和根本原因分析系统，所述系统包括：

前端，所述前端提供由计算装置支持的用户界面；

数据库，所述数据库可由所述计算装置访问；

后端，所述后端提供对数据库的访问，所述后端包括：

数据收集模块，所述数据收集模块包括一个或多个传感器，所述一个或多个传感器被配置为用于收集数据，所述数据包括在先前执行的注塑工序中获得的工序参数数据和与由所述注塑工序所产出的模制产品相关联的质量特征数据；

数据摄取模块，所述数据摄取模块被配置为用于合并从所述数据收集模块接收的工序参数数据和质量特征数据，并将所述数据存储在所述数据库中；

数据操作模块，所述数据操作模块被配置为用于检测、校正或去除所述工序参数数据和所述质量特征数据中的无效数据；

预处理模块，所述预处理模块被配置为用于执行替换所述数据中的一个或多个缺失值和数据变换的一个或多个过程,所述一个或多个过程是基于特定于所述注塑机和产品类型的预定信息来执行；以及

机器学习模块，所述机器学习模块被配置为用于基于存储在所述数据库中的所述工序参数数据和所述质量特征数据以及一个或多个算法来训练一个或多个机器学习模型，

其中所述一个或多个机器学习模型包括：

预测模型，所述预测模型适于基于所述工序参数数据和所述质量特征数据以及预测算法来预测由注塑工序产生的模制产品的质量特征，以及

根本原因分析模型，所述根本原因分析模型与所述预测模型协同操作，所述根本原因分析模型适于基于从所述模制产品获得的质量特征数据和根本原因分析算法来分析所述模制产品的一个或多个偏差，以及如果所述偏差超过预定公差阈值，则确定偏差的一个或多个可能原因。

在一种实施例中，所述一个或多个传感器设置在所述注塑机内，所述一个或多个传感器包括以下项目中的任何一项或多项：尺寸或距离传感器、压力传感器、温度传感器、定时器、重量传感器、位置传感器和相机。

在一种实施例中，所述数据收集模块还包括用于从所述模制产品获得质量特征数据的视觉检查系统。

在一种实施例中，所述工序参数数据包括与注射压力、注射时间、注射速度、保压压力、保压时间、冷却时间、螺杆位置、模内温度和模具位置有关的数据。

在一种实施例中，所述用户界面由设置有所述计算装置的显示器支持，所述用户界面被配置为用于监测产品数据，配置系统设定，或部署根据所述数据收集模块收集的所述工序参数数据和所述质量特征数据训练的一个或多个机器学习模型。

在一种实施例中，所述用户界面适于生成用于表明从所述模制产品获得的质量特征与由所述预测模型确定的目标值之间的比较的一个或多个图表表示。

在一种实施例中，所述系统被配置为在检测到从所述模制产品获得的所述质量特征数据与所述目标值之间作所述比较后的偏差时触发警报。

在一种实施例中，所述用户界面适于向所述用户表明被确定为产品偏差的一个或多个原因的所述工序参数数据的一个或多个值，其由所述根本原因分析模型所确定。

在一种实施例中，从所述模制产品获得的所述质量特征数据和所述目标值以重叠方式标绘在雷达图上。

根据本发明的第二方面，提供了一种用于注塑工序的质量预测和根本原因分析方法，包括以下步骤:

提供计算装置支持的用户界面以及可由所述计算装置访问的数据库；

收集各种数据，所述各种数据包括来自同一产品类型的先前执行的注塑工序的工序参数数据和质量特征数据；

合并从所述数据接收到的工序数据并将所述数据存储在所述数据库中；

通过检测、校正或去除所述工序参数数据和所述质量特征数据中的无效数据来清洗所述数据；

基于特定于注塑机和所述产品类型的预定信息，执行用于替换所述数据中的一个或多个缺失值和数据变换的一个或多个过程；

基于所述工序参数数据、所述质量特征数据和一个或多个预测算法训练预测模型；

基于所述工序参数数据和所述质量特征数据以及所述预测算法，预测由注塑产生的模制产品的质量特征；

提供根本原因分析模型，所述根本原因分析模型与所述预测模型协同操作，所述根本原因分析模型适于基于从所述模制产品获得的所述质量特征数据和根本原因分析算法来分析所述模制产品的一个或多个偏差；以及

如果所述偏差超过预定公差阈值，则使用所述根本原因分析模型确定偏差的一个或多个可能原因。

附图说明

现将通过仅作为示例的方式，参考附图，来更具体地描述本发明，其中：

图1示出了根据本发明的一种实施例的质量分析系统的示意图；

图2示出了包含根据图1的包括数据流的所述系统的Kubernetes集群架构；

图3示出了所述用户界面的屏幕截图，所述屏幕截图包含雷达图和根本原因分析的评述；

图4示出了在一段时间内使用所述工序参数绘制的线图；以及

图5示出了用于表明被确定为对引起偏差具影响的不同特征之间的比较的条形图。

本文中的附图仅用于说明性目的，无需画成符合比例。

具体实施方式

以下将参考附图清楚、完整地描述本发明实施例中的技术方案。显然地，所描述的实施例仅是本发明的一部分而不是全部的实施例。所有其他基于本发明中的所述实施例的且由本领域一般技术人员在没有作出创造性劳动所获得的实施例，都属于本发明的范围。

图1示出了根据一种实施例的质量预测和根本原因分析系统100的系统流程。例如，所述系统100可以由五个功能模块化组件组成：数据收集模块10、数据摄取模块20、数据操作模块30、预处理模块40和机器学习模块50。有利地，可提供有机器学习模块50并将其配置为用于预测产品质量，并分析在注塑工序中引致潜在问题的一个或多个根本原因，这些潜在问题例如制造缺陷或偏差，在生产线的最后产品上呈现。优选地，上述模块协同工作来汇编、组织、标准化、和组装数据以进行分析和处理。

数据收集模块10可被配置为通过使用包括机载传感器的各种类型的传感器从生产线上的机器收集两种或更多种类型的数据。所述待收集数据可包括工序参数数据和质量特征数据，这些数据可以是微值数据。所述工序参数是在注塑工序中(即在注塑机上)获得的数据，并且可包括高频或非高频时序数据，包括但不限于模具温度、填料压力和注射速度。所述工序参数还可包括非时序数据。所收集的工序参数的数量可以由所安装的传感器数量和测量顺序来确定。优选地，所有工序参数都是数字格式，但不限于布尔值，例如用作任何限值超出指示的真/假值。取决于传感器，其它数据可包括但不限于注射压力和时间、保压压力和时间、冷却时间、螺杆位置和模具位置。所述质量特征是通过对所述模制产品执行视觉检查而从所述模制产品收集的非时序数据。质量特征可包括但不限于尺寸、重量和缺陷大小，这些质量特征可经由尺寸或距离传感器、重量计或相机来收集。

根据一种实施例，数据摄取模块20可被配置为用于对可经由数据收集模块10收集的数据进行通用建模，以使得所述数据能够适当地存储到数据库中。参考图1，数据摄取模块20包含总体数据库21，所述建模数据存储于所述总体数据库。优选地，包含所述数据的文件22可以是但不限于DFQ或CSV格式的文件。优选地，可以采用通用数据模型将工序参数和质量特征数据存储在Kubernetes容器化的MySQL数据库中。有利地，可经由MQTT协议促进将数据从传感器或其它测量装置摄取到数据库。

数据操作模块30可被配置为用于进行数据整合和数据清洗。优选地，数据操作模块30可从数据摄取模块20检索数据库中的原始数据，并且应用一个或多个数据清洗过程，所述一个或多个数据清洗过程可包括去除无效特征，例如空值和不准确的标识符。在这过程中，数据操作模块30的动作可以包括但不限于不完整或不准确记录的校正和去除，其可优选地标准化数据以确保数据集的一致性，以为由数据预处理模块进行的数据预处理作准备。

数据预处理可以指在使用数据前通过操纵或丢弃数据来将原始数据转换为经处理的形式，以便确保或增强分析的表现或准确性。预处理模块40可以被配置为执行准备用于机器学习过程的数据的一个或多个过程。例如，预处理模块40可用于数据插补和特征变换和富集。在第一过程中，例如，数值插补可用于填充任何缺失数据。所述缺失数据的值可以从未为所述数据集一部分的其它可用信息估算。在值插补完成后，下一事件是特征生成和特征提取的应用。在特征生成和特征提取的过程中，为了最佳模型度量减少高维数据以优化准备数据的特征并生成机器学习模型。然后，优选地，将数据归一化或标准化为符合机器学习语言的格式。测量所有提取特征的特征重要性所得的最佳特征将在随后用于数据建模。

机器学习模块50(也被称为自动化机器学习流水线)是质量预测和根本原因分析系统100的重要组件。在机器学习模块50内，可以执行一个或多个机器学习模型的训练。例如，一个或多个机器模型可用于预测和故障排除目的。可以工序参数作为模型的输入并且目标预测结果为所述质量特征来训练预测模型51。例如，注射压力/时间/速度可用于通过预测模型51预测产品重量或其它物理特征。用户获得注塑操作的质量特征的预测的过程，优选地，是通过用户界面200完成，其中工序参数的输入由用户进行，而质量特征的输出显示在同一屏幕上。同时，经训练的预测模型51，连同各种所收集的数据，可用于形成根本原因分析模型52。优选地，当因生产差异而触发产品偏差警报时，可以执行根本原因分析模型52。根本原因分析模型52将负责特征重要性结果，例如工序参数的重要性。通过用户界面200，用户能够使用根本原因分析来确定高优先级的，对于具有想要的质量特征的产品的预测和生产重要的工序参数。

根据一种实施例，质量预测和根本原因分析系统100可能需要一个或多个算法来执行质量预测和根本原因分析。例如，在预处理模块40中，可以使用诸如但不限于最小最大缩放(min-max scaling)和主成分分析的归一化方法来处理表格数据。最小最大缩放也被称为重新缩放。这是最简单的归一化方法，其包括将特征范围重新缩放以将其范围缩放至[0，1]或[-1，1]。例如，为了找出归一化值，所述算法将从原始值减去该范围的最小值，然后除以最大值和最小值之间的差。一个这种情况的例子是五(5)克的产品重量，其范围可以在四(4)克和七(7)克之间。为了得到归一化值，有以下计算：

归一化值＝(5g 4g)/(7g 4g)＝1g/3g＝0.333

这方法将使数值归一化以保持在适合于机器学习的0和1之间的范围内。在数据于高维度变化且需要降维时，可以使用主成分分析。换句话说，分析数据集以总结它们的主要特征。一般而言，它是用于预测模型，例如该实施例。主成分分析可以应用于，优选地，具有较大变化程度的数据集。这算法可取用在图上标绘的数据集，然后通过点来运行“最佳拟合线”，其在考虑所有变化下可作为数据的最佳和最简单的表示。

作为一个非限制性示例，特征提取可以通过已知的方法来执行，诸如使用套索回归(LASSO regression)进行预测和使用tsfresh从时序数据中进行提取。LASSO(或作最小绝对收缩和选择算子)一般用于回归分析，其为了可解释性和预测准确性需要数据增强，例如在机器学习方面。该技术鼓励更简单的具有较少参数的模型。收缩(Shrinkage)，是在该技术中使用的方法，将数据朝着指定为平均值的中心点“收缩”。结果是得到在测试数据上具有较小方差的统计模型，其通过系数压缩而限制预测变量对输出变量的影响。另一种可用于特征提取的工具是tsfresh，其是一种特别是从预处理的时序数据中提取特征的算法。一般而言，所述tsfresh应用将通过经证明的统计算法、时序分析、信号处理和非线性动力学加上技术上可靠的特征选择算法，来系统地执行时序特征提取。

如所述，将需要对时序数据进行预处理以执行tsfresh。预处理模块40可以采用但不限于滚动窗口(rolling window)统计法、扩展窗口(expanding window)统计法、和Time2Vec等方法。例如，滚动窗口统计法通过提供沿时间自变量的预定时间间隔的平均数据而产生适合于tsfresh的经细化的数据。在另一种情况中，可以使用扩展窗口随着时间间隔从零或预定起点扩展到一特定时间点时，提供在特定时间点处的平均数据。预处理的第三示例是Time2Vec，其中其算法学习时间向量，目的是构建满足周期性、时间重新缩放不变性(invariance to time rescaling)和简单性的性质的时间函数。这对于时序预测模块中的一个是必需的。

在一种实施例中，可以提供三种不同的时序预测模型，即广义加性模型(Generalised Additive Model)、神经网络变换器(Transformers)和Statsmodel自回归(Autoregression)。通常，所述广义加性模型致力于非线性数据的建模，其中所述数据不能以直线表示或预测。使用用于该模型的平滑函数的方法可优选地被使用，以将具有大差异的数据集归一化成更可解释的数据。例如，可以确定要应用平滑函数的间隔，并且结果是得到更紧随于数据模式的表示，带来更好的预测。变换器神经网络还可被使用于时序预测。优选地，将完整的时序数据同时输入到变换器中进行同步的处理和预测输出。通过一系列其自身的模块，所述变换器对数据进行编码和处理。然后，使用模仿认知的自注意力技术，机器学习模块50能够学习模式和特征，继而基于其发现产生预测。由于时序预测一般是单变量的，仅有一个因变量，可以使用Statsmodel自回归。例如，自回归使用对先前时间数据的观察来以线性函数预测相同序列中的随后步骤。这可仅在没有趋势或周期变化的情况下应用。

为了控制机器学习模块50的学习过程，优选地可使用两个超参数优化模块来找出被确定为能够产生最优结果的最佳参数组合。首先，可使用随机搜索模块，这是由于其有效率的特性。与其它优化方法相比，随机搜索超参数组合将相对上在明显较少时间内产生其表现可接受的模型。第二模块可以是Parzen树估计器(Tree-of-Parzen Estimator)。这方法被分类为贝叶斯优化方法的一种，其采用基于模型的方法来基于概率映射超参数。这方法更耗时；然而，在一些情况下，其有效性可能远胜于时间成本，因为其结果是以先前的评估结果为基础。在两个超参数优化的情况中，将以Hyperopt基础架构提供接口和算法。

根本原因分析方法可包括两种局部方法和两种全局方法。局部方法会是多样化反事实解释(Diverse Counterfactual Explanations)和Kernel SHAP，而全局方法会是累积局部效应(Accumulated Local Effects)和H-statistic。多样化反事实解释可以允许机器学习以因果方面来表达其预测。例如，如果注射速度未设定在特定水平以下，则产品尺寸将不会在标准尺寸内。Kernel SHAP使用数学方法来解释机器学习输出。输出的是SHAP概要图，用户可从中看到等级或特征重要性和其值，可以从其提取成功概率。在全局方法上，累积局部效应是可用于基于特征值与目标变量之间的关系的评估来提供全局解释的模型。这模型反映了一些特征如何可影响机器学习模型的预测，因为其隔离了其他特征的影响。还可以使用H-statistic来解释取决于另一个自变量的值的变量相互之间的影响。由于系统100可包括收集多个数据和变量的没有设上限数量的传感器，需要局部和全局方法来有效地处理机器学习模块50的输出。

优选地，系统100可以采用基于容器的系统架构来对其整体进行托管。系统组件可以被分成被称为容器的较小部件。容器是系统内的功能单元，更常被称为应用，每个都具有docker镜像(image)，其包含这些应用运行所需的源代码、库、附属项(dependencies)、工具和文件。数据将被存储在被包含在所述架构中的集群内的持久卷中。优选地，容器化应用和数据存储将具有跨越不同操作系统之间的便携性。每个被隔离的单元将由应用执行所需的附属项组成，且共享操作系统核心(kernel)。这种设置能实现容器化应用的自动化管理、部署和扩缩。在一种实施例中，Kubernetes集群架构可以被配置在多个物理服务器上，这消除了任何单点故障。本实施例还优选地实施自动pod管理以在pod故障的情况下自动重启新pod。

图2示出了根据一种实施例的用于系统部署的一个Kubernetes集群架构的处于优选托管配置的示例。例如，有两个外部客户端类型，用户和传感器。用户可以是将与系统100交互的任何终端用户，例如工厂技术人员或质量控制人员。所述交互可经由类似于图3中所描绘的用户界面来协助进行，所述用户界面将根本原因分析的结果优选地以图表形式显示给用户。另一客户端类型，传感器，是负责从注塑模具收集工序参数并从称重和视觉仪器收集质量特征的装置。这些仪器例如可以是重量计、相机和温度计。

根据图2，在Kubernetes集群内，每个容器将是应用或数据存储。从传感器开始，经由MQTT容器将数据摄取到系统100中，MQTT容器是协助装置之间通信的应用。在所述实施例的这种情况下，传感器读数经MQTT容器处理，作为数据存储在下个组件中，MySQL数据库中。作为存储容器，优选地，MySQL数据库是持久卷。所述MySQL数据库将成为在用户从前端提出请求时，基于Python的后端服务组件从其中提取信息进行处理的来源。例如，当前端请求被提出时，触发作为依赖于后端的基于Python的应用容器的机器学习训练实例。然后，经由后端从MySQL数据库请求的信息被应用于机器学习训练实例以产生机器学习模型。经训练的模型将被存储为机器学习模型存储容器内的持久卷，用于预测和根本原因分析输出。优选地，根据经由前端的用户请求，后端服务可以通过RESTful API提供预测和根本原因分析输出，RESTful API可以通过互联网浏览器上的网络服务显示所述信息。

有利地，可进行输入和输出的用户界面200可从Node.js实施，Node.js是基于JavaScript的运行时(runtime)，可从任何能支持JavaScript的浏览器(例如GoogleChrome)上被访问。最后，可以将任何前端相关文件存储在前端镜像存储容器中的持久卷上。将于下文讨论一个针对注塑操作执行的根本原因分析的示例。

图3示出了根据一种实施例的由系统100支持的用户界面200的屏幕截图。根据该示例，由质量分析系统100执行针对注塑操作的根本原因分析。具体地，由数据收集模块10监测并记录多个工序参数。在该示例中，所述工序参数可以是在特定时间间隔的一时间段内记录的高频数据。例如，可要求监测在注塑模具内的从材料注射到模具中时，直到材料在模具中固化的压力。如图4所示，在不同时间点实际记录的注射压力的监测可以通过在用户界面200上提供的线图显示出来。该线的斜率表明注射压力值随时间(每五秒的时间间隔)的变化。作为参照，图中示出了一条位于注射压力值处的平线，用于表明特定注塑操作的理想或目标注射压力值。为了方便监测和参考，可使用用户界面200以类似方式为其他工序参数生成其他线图。可将工序参数记录在本地数据库中并且使其准备好由数据摄取模块20检索以用于由数据操作模块30和预处理模块40进一步处理。

参照图3，数据收集模块10可以通过设置在注塑机上的传感器和视觉检查系统获得多个质量特征值。例如，作为单值数据的质量特征值可以包括模制产品的重量、诸如宽度和高度的尺寸值、倾斜角和孔直径。这些值可以与各自的目标值在用户界面上的雷达图上标绘。优选地，两组值以重叠的方式表明在相同的雷达图上，以示出所述值之间的比较，如图所示。这些表示实际模制产品质量特征的质量特征值与在相同操作记录的工序参数被馈送到数据摄取模块10，以训练一个或多个机器学习模型，诸如质量预测模型51。在另一种实施例中，用户界面200可以提供界面以便用户指定与特定类型的注塑操作有关的一个或多个工序参数。有着由用户输入的值，系统100使用先前在过去的注塑操作中训练的质量预测模型51，来针对预期的注塑操作以一个或多个质量特征的形式生成质量预测。

根本原因分析模型52与质量预测模型51协同操作，并且被配置为用于确定呈现在模制产品上的一个或多个偏差的一个或多个可能的根本原因。具体地，如图所示，数据收集模块10中的重量传感器表明模制产品具有比目标值(即5克)更高的实际重量值(即7.490克)，这表明重量偏差。此外，数据收集模块10中的视觉检查系统确定在模制产品的中心孔处存在尺寸偏差，其中实际中心孔直径被测量为大于目标中心孔直径。通常，工序参数和质量特征的目标值为特定于产品类型、注塑机类型及注塑操作类型的预定值。接下来，系统100可以被设定为使用根本原因分析模型52来处理所收集的值，以用于确定检测到的偏差的一个或多个可能的根本原因。例如，根本原因分析模型52确定导致重量偏差的可能的根本原因是注射压力和/或填料压力过高。优选地，还可以进一步由根本原因分析模型52执行更详细的分析，以表明相关工序参数中的每一个的重要程度，这些工序参数可能对偏差具有影响和有贡献。如图5所示，用户界面200可以被配置为生成条形图，其包括被确定为偏差的一个或多个根本原因的最有影响的工序参数。具体地，该图表用于表明这些有影响的导致模制产品重量偏差的工序参数的重要程度的比较。

与在注塑行业中由一个或多个工人手动执行的现有技术质量检查方法相比，本发明提供了对在注塑操作期间收集的工序参数和质量特征的自动及基于AI的分析。基于这些数据，可以仅以最小的人力进行质量预测和根本原因分析。因此，由于不断改进的机器训练的分析模型，可以极大地减少或消除工人对质量检查的人力，而且可以将制造误差减至最小。根据本发明，对每一个引起偏差的特征都可以通过其影响程度准确地识别，所述影响程度由方便用户的系统界面上的视觉图量化和表明，这为用户提供有价值的洞察，使得质量优化的最关键因素可被考虑用于增强制造质量和效率。

应当理解，尽管在本说明书中是以实施例的形式作出描述，但并非每个实施例仅包括单个技术方案。本说明书的描述仅仅是为了清楚起见。本领域技术人员应当将说明书以整体考虑，所述实施例中的技术方案也可以被适当组合以形成本领域技术人员能够理解的其他实施例。然而，本发明的保护范围由所附权利要求书来限定，而不是前述描述来限定，因此其旨在将落入权利要求书的等同含义和范围内的所有变化都包括在本发明中，并且权利要求中的任何附图标记不应被理解为是对所涉及的权利要求的限制。

应当理解，以上仅说明和描述了可以实施本发明的示例，并且在不脱离本发明的精神的情况下可以对其进行修饰和/或改变。

本文具体引用的所有参考文献在此整体引入作为参考。然而，引用或结合这样的参考文献不一定是对其作为关于/针对本发明的现有技术的适当性、可引用性和/或可用性的认可。

Claims (10)

1.一种用于注塑工序的质量预测和根本原因分析系统，其特征在于，所述系统包括：

前端，所述前端提供由计算装置支持的用户界面；

数据库，所述数据库可由所述计算装置访问；

后端，所述后端提供对数据库的访问，所述后端包括：

数据收集模块，所述数据收集模块包括一个或多个传感器，所述一个或多个传感器被配置为用于收集数据，所述数据包括在先前执行的注塑工序中获得的工序参数数据和与由所述注塑工序所产出的模制产品相关联的质量特征数据；

数据摄取模块，所述数据摄取模块被配置为用于合并从所述数据收集模块接收的工序参数数据和质量特征数据，并将所述数据存储在所述数据库中；

数据操作模块，所述数据操作模块被配置为用于检测、校正或去除所述工序参数数据和所述质量特征数据中的无效数据；

预处理模块，所述预处理模块被配置为用于执行替换所述数据中的一个或多个缺失值和数据变换的一个或多个过程,所述一个或多个过程是基于特定于所述注塑机和产品类型的预定信息来执行；以及

机器学习模块，所述机器学习模块被配置为用于基于存储在所述数据库中的所述工序参数数据和所述质量特征数据以及一个或多个算法来训练一个或多个机器学习模型，

其中所述一个或多个机器学习模型包括：

预测模型，所述预测模型适于基于所述工序参数数据和所述质量特征数据以及预测算法来预测由注塑工序产生的模制产品的质量特征，以及

根本原因分析模型，所述根本原因分析模型与所述预测模型协同操作，所述根本原因分析模型适于基于从所述模制产品获得的质量特征数据和根本原因分析算法来分析所述模制产品的一个或多个偏差，以及如果所述偏差超过预定公差阈值，则确定偏差的一个或多个可能原因。

2.根据权利要求1所述的系统，其特征在于，其中，所述一个或多个传感器设置在所述注塑机内，所述一个或多个传感器包括以下项目中的任何一项或多项：尺寸或距离传感器、压力传感器、温度传感器、定时器、重量传感器、位置传感器和相机。

3.根据权利要求1所述的系统，其特征在于，其中，所述数据收集模块还包括用于从所述模制产品获得质量特征数据的视觉检查系统。

4.根据权利要求1所述的系统，其特征在于，其中，所述工序参数数据包括与注射压力、注射时间、注射速度、保压压力、保压时间、冷却时间、螺杆位置、模内温度和模具位置有关的数据。

5.根据权利要求1所述的系统，其特征在于，其中，所述用户界面由设置有所述计算装置的显示器支持，所述用户界面被配置为用于监测产品数据，配置系统设定，或部署根据所述数据收集模块收集的所述工序参数数据和所述质量特征数据训练的一个或多个机器学习模型。

6.根据权利要求1所述的系统，其特征在于，其中，所述用户界面适于生成用于表明从所述模制产品获得的质量特征与由所述预测模型确定的目标值之间的比较的一个或多个图表表示。

7.根据权利要求6所述的系统，其特征在于，其中，所述系统被配置为在检测到从所述模制产品获得的所述质量特征数据与所述目标值之间作所述比较后的偏差时触发警报。

8.根据权利要求6所述的系统，其特征在于，其中，所述用户界面适于向所述用户表明被确定为产品偏差的一个或多个原因的所述工序参数数据的一个或多个值，其由所述根本原因分析模型所确定。

9.根据权利要求6所述的系统，其特征在于，其中，从所述模制产品获得的所述质量特征数据和所述目标值以重叠方式标绘在雷达图上。

10.一种用于注塑工序的质量预测和根本原因分析方法，包括以下步骤:

提供计算装置支持的用户界面以及可由所述计算装置访问的数据库；

收集各种数据，所述各种数据包括来自同一产品类型的先前执行的注塑工序的工序参数数据和质量特征数据；

合并从所述数据接收到的工序数据并将所述数据存储在所述数据库中；

通过检测、校正或去除所述工序参数数据和所述质量特征数据中的无效数据来清洗所述数据；

基于特定于注塑机和所述产品类型的预定信息，执行用于替换所述数据中的一个或多个缺失值和数据变换的一个或多个过程；

基于所述工序参数数据、所述质量特征数据和一个或多个预测算法训练预测模型；

基于所述工序参数数据和所述质量特征数据以及所述预测算法，预测由注塑产生的模制产品的质量特征；

提供根本原因分析模型，所述根本原因分析模型与所述预测模型协同操作，所述根本原因分析模型适于基于从所述模制产品获得的所述质量特征数据和根本原因分析算法来分析所述模制产品的一个或多个偏差；以及

如果所述偏差超过预定公差阈值，则使用所述根本原因分析模型确定偏差的一个或多个可能原因。