CN116975770A - 铸钢的缺陷检测方法及系统 - Google Patents
铸钢的缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116975770A CN116975770A CN202311226337.XA CN202311226337A CN116975770A CN 116975770 A CN116975770 A CN 116975770A CN 202311226337 A CN202311226337 A CN 202311226337A CN 116975770 A CN116975770 A CN 116975770A
- Authority
- CN
- China
- Prior art keywords
- parameter
- cast steel
- attribute
- time sequence
- defect
- 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.)
- Withdrawn
Links
- 229910001208 Crucible steel Inorganic materials 0.000 title claims abstract description 290
- 230000007547 defect Effects 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 121
- 230000008569 process Effects 0.000 claims abstract description 92
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000005266 casting Methods 0.000 claims abstract description 45
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 35
- 239000010959 steel Substances 0.000 claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000003213 activating effect Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000004886 process control Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012300 Sequence Analysis Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013506 data mapping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000009750 centrifugal casting Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 238000005495 investment casting Methods 0.000 description 2
- 238000007528 sand casting Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了铸钢的缺陷检测方法及系统,应用于数据处理技术领域,该方法包括:通过获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线。监测铸钢执行工艺参数时序信息,与铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数。当铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区,并进行关联获得缺陷预测类型。激活分流机器手,将铸钢偏离系数大于或等于铸钢偏离系数阈值的铸钢件分流至特定质检通道。当铸钢件位于特定质检通道的预设区域时,结合缺陷预测类型进行缺陷定向检测。解决了现有技术中铸钢缺陷检测方法检测的准确性较低,难以实现个体化缺陷的定向检测的技术问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及铸钢的缺陷检测方法及系统。
背景技术
铸钢件是指利用铸钢进行铸造生产的零件,在铸造生产过程中容易出现气孔、定位不准确等缺陷。然而,在现有技术中对于铸钢件的缺陷检测多为抽样检测,检测的准确性较低,同时与生产过程中的控制参数状态结合度不高,难以实现个体化缺陷的定向检测。
因此,在现有技术中铸钢缺陷检测方法检测的准确性较低,难以实现个体化缺陷的定向检测的技术问题。
发明内容
本申请通过提供铸钢的缺陷检测方法及系统,解决了在现有技术中铸钢缺陷检测方法检测的准确性较低,难以实现个体化缺陷的定向检测的技术问题。
本申请提供铸钢的缺陷检测方法,应用于铸钢的缺陷检测系统,所述系统和铸钢件输送通道通信连接,所述铸钢件输送通道包括分流机器手,包括:获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线;监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数;当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区;根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型;激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道;当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。
本申请还提供了铸钢的缺陷检测系统,所述系统和铸钢件输送通道通信连接,所述铸钢件输送通道包括分流机器手,包括:参数基线获取模块,用于获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线;偏离系数获取模块,用于监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数;异常参数获取模块,用于当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区;缺陷预测模块,用于根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型;分流模块,用于激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道;定向检测模块,用于当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。
本申请还提供了一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的铸钢的缺陷检测方法。
本申请提供一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的铸钢的缺陷检测方法。
拟通过本申请提出的铸钢的缺陷检测方法及系统,通过获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线。监测铸钢执行工艺参数时序信息,与铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数。当铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区,并进行关联获得缺陷预测类型。激活分流机器手,将铸钢偏离系数大于或等于铸钢偏离系数阈值的铸钢件分流至特定质检通道。当铸钢件位于特定质检通道的预设区域时,结合缺陷预测类型进行缺陷定向检测。提高检测与生产过程中的控制参数状态结合度,从而实现个体化缺陷的定向检测,进而提高了铸钢缺陷检测的准确性。解决了现有技术中铸钢缺陷检测方法检测的准确性较低,难以实现个体化缺陷的定向检测的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的铸钢的缺陷检测方法的流程示意图;
图2为本申请实施例提供的铸钢的缺陷检测方法生成铸钢工艺参数基线的流程示意图;
图3为本申请实施例提供的铸钢的缺陷检测方法获取铸钢偏离系数的流程示意图;
图4为本申请实施例提供的铸钢的缺陷检测方法的系统的结构示意图;
图5为本发明实施例提供的铸钢的缺陷检测方法的系统电子设备的结构示意图。
附图标记说明:参数基线获取模块11,偏离系数获取模块12,异常参数获取模块13,缺陷预测模块14,分流模块15,定向检测模块16,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
如图1所示,本申请实施例提供了铸钢的缺陷检测方法,应用于铸钢的缺陷检测系统,所述系统和铸钢件输送通道通信连接,所述铸钢件输送通道包括分流机器手,包括:
获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线;
监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数;
当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区;
铸钢件是指利用铸钢进行铸造生产的零件,在铸造生产过程中容易出现气孔、定位不准确等缺陷。然而,在现有技术中对于铸钢件的缺陷检测多为抽样检测,与生产过程中的控制参数状态结合度不高,难以实现个体化缺陷的定向检测。通过获取铸钢型号信息,其中,铸钢型号信息即为铸钢件的型号信息,结合铸钢工艺类型进行铸钢工艺优化,其中,铸钢工艺类型砂型铸造、熔模铸造、压力铸造、低压铸造、离心铸造、真空铸造、挤压铸造、连续铸造等,获取不同工艺类型的生产控制参数,如温度、压力、降温速率等控制参数进行工艺优化,生成铸钢工艺参数基线。随后,监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数。进一步,当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区,即提取执行工艺参数中异常参数属性和参数异常时区。其中,铸钢偏离系数阈值为基于实际情况预先设定的系数阈值,当超出该阈值时则对应的执行工艺参数与铸钢工艺参数基线偏离程度较高生产效果较差,反之则偏离较小对应的执行工艺参数生产效果较好。
如图2所示,本申请实施例提供的方法还包括:
根据所述铸钢工艺类型,提取铸钢参数属性时序信息,其中,所述铸钢参数属性时序信息具有随时序排列的可控的铸钢参数属性;
激活频繁快速寻优算法,对所述铸钢参数属性时序信息进行大数据映射,生成所述铸钢工艺参数基线。
根据铸钢工艺类型,其中,铸钢工艺类型砂型铸造、熔模铸造、压力铸造、低压铸造、离心铸造、真空铸造、挤压铸造、连续铸造等,提取铸钢参数属性时序信息,即获取铸钢参数属性的时间顺序信息,其中,所述铸钢参数属性时序信息具有随时序排列的可控的铸钢参数属性。激活频繁快速寻优算法,对所述铸钢参数属性时序信息进行大数据映射,生成所述铸钢工艺参数基线。
本申请实施例提供的方法还包括:
以所述铸钢工艺类型和所述铸钢型号信息为约束条件,在工业互联网进行检索,生成铸钢工艺控制日志集,其中,任意一个铸钢工艺控制日志表征一组铸钢参数属性时序信息的赋值结果;
对所述铸钢工艺控制日志集进行单属性时序频繁序列分析,生成单属性时序控制基线,其中,所述单属性时序控制基线指的是单一属性参数随着时序频繁出现的参数变化序列;
对所述铸钢工艺控制日志集进行单时刻多属性频繁序列分析,生成单时刻多属性控制基线,其中,所述单时刻多属性控制基线指的是相同时刻多个属性参数频繁出现参数状态;
对所述单属性时序控制基线和所述单时刻多属性控制基线进行共线参数状态提取,构建所述铸钢工艺参数基线。
以铸钢工艺类型和所述铸钢型号信息为约束条件,在工业互联网进行检索,生成铸钢工艺控制日志集,其中,任意一个铸钢工艺控制日志表征一组铸钢参数属性时序信息的赋值结果,从而完成对铸钢参数属性时序信息的赋值。随后,对所述铸钢工艺控制日志集进行单属性时序频繁序列分析,即获取铸钢工艺控制日志集中各单属性时序中的频繁项,生成单属性时序控制基线,其中,所述单属性时序控制基线指的是单一属性参数随着时序频繁出现的参数变化序列。对所述铸钢工艺控制日志集进行单时刻多属性频繁序列分析,生成单时刻多属性控制基线,其中,所述单时刻多属性控制基线指的是相同时刻多个属性参数频繁出现参数状态。对所述单属性时序控制基线和所述单时刻多属性控制基线进行共线参数状态提取,即提取单属性时序控制基线和所述单时刻多属性控制基线同属于同一日志的参数,构建所述铸钢工艺参数基线。
本申请实施例提供的方法还包括:
根据所述铸钢参数属性时序信息,提取第一参数属性,设定第一参数属性一致性偏差;
从所述铸钢工艺控制日志集中,提取所述第一参数属性的多组参数变化序列;
根据所述多组参数变化序列,获取第一时序参数状态集、第二时序参数状态集直到第N时序参数状态集;
根据所述第一参数属性一致性偏差,对所述第一时序参数状态集进行聚类分析,生成第一时序参数状态聚类结果;
遍历所述第二时序参数状态集直到所述第N时序参数状态集,获取第二时序参数状态聚类结果直到第N时序参数状态聚类结果;
清洗类内参数状态数量小于或等于参数状态数量阈值的所述第一时序参数状态聚类结果,获得第一时序频繁参数状态;
遍历所述第二时序参数状态聚类结果直到所述第N时序参数状态聚类结果进行频繁状态分析,获得第二时序频繁参数状态直到第N时序频繁参数状态;
对所述第一时序频繁参数状态、所述第二时序频繁参数状态直到所述第N时序频繁参数状态进行共线参数状态提取,生成第一参数属性时序控制基线,添加进所述单属性时序控制基线,其中,共线参数状态指的是既属于相同组的参数变化序列,同时属于频繁参数状态。
在生成单属性时序控制基线时,根据所述铸钢参数属性时序信息,提取第一参数属性,其中,第一参数属性为时序中排序第一的参数属性,设定第一参数属性一致性偏差。第一参数属性一致性偏差为预先设定的参数一致性偏差范围,当处于该偏差范围内时则参数属性对应的控制参数为一致性参数,反之则为非一致性参数。从所述铸钢工艺控制日志集中,提取所述第一参数属性的多组参数变化序列,其中,每组参数变化序列均按照时序排列。根据所述多组参数变化序列,获取第一时序参数状态集、第二时序参数状态集直到第N时序参数状态集,其中,N为多组参数变化序列中的时序数量,每个时序参数状态集对应一个时序。
进一步,根据所述第一参数属性一致性偏差,对所述第一时序参数状态集进行聚类分析,即根据第一参数属性一致性偏差对第一时序参数状态集进行聚类,获取其中满足偏差的参数聚类结果,以及不满足偏差的参数聚类结果,生成第一时序参数状态聚类结果。随后,遍历所述第二时序参数状态集直到所述第N时序参数状态集,并进行聚类分析,获取第二时序参数状态聚类结果直到第N时序参数状态聚类结果。清洗类内参数状态数量小于或等于参数状态数量阈值的所述第一时序参数状态聚类结果,获得第一时序频繁参数状态。其中,参数状态数量阈值为预先设定的最小参数状态数量。遍历所述第二时序参数状态聚类结果直到所述第N时序参数状态聚类结果进行频繁状态分析,获得第二时序频繁参数状态直到第N时序频繁参数状态。最后,对所述第一时序频繁参数状态、所述第二时序频繁参数状态直到所述第N时序频繁参数状态进行共线参数状态提取,获取其中从属于同一日志的参数作为共线参数状态,生成第一参数属性时序控制基线,添加进所述单属性时序控制基线,其中,共线参数状态指的是既属于相同组的参数变化序列,同时属于频繁参数状态,且共线参数状态可以包含多条。
本申请实施例提供的方法还包括:
根据所述铸钢参数属性时序信息,提取第一时刻的多组参数状态,其中,任意一组参数状态表征某次控制日志的第一时刻的多个属性状态值;
以参数属性为坐标点,对所述多组参数状态进行欧式距离计算,生成多个欧式距离计算结果;
设定参数状态一致性欧式距离阈值,结合所述多个欧式距离计算结果对所述多组参数状态进行聚类分析,生成多组参数状态聚类结果;
清洗类内参数组数量小于或等于参数组数量阈值的所述多组参数状态聚类结果,获得第一时刻多属性控制基线,添加进所述单时刻多属性控制基线。
根据所述铸钢参数属性时序信息,提取第一时刻的多组参数状态,其中,任意一组参数状态表征某次控制日志的第一时刻的多个属性状态值,且每组参数状态对应一个时刻。以参数属性为坐标点,对所述多组参数状态进行欧式距离计算,生成多个欧式距离计算结果。随后,设定参数状态一致性欧式距离阈值,其中,一致性欧式距离阈值为技术人员进行预先设定的欧式距离阈值,当满足该欧式距离阈值则可以认定为一致性参数,结合所述多个欧式距离计算结果对所述多组参数状态进行聚类分析,生成多组参数状态聚类结果。清洗类内参数组数量小于或等于参数组数量阈值的所述多组参数状态聚类结果,即清洗多组参数状态聚类结果中小于或等于参数组数量阈值的数据,获得第一时刻多属性控制基线,添加进所述单时刻多属性控制基线。
如图3所示,本申请实施例提供的方法还包括:
根据所述铸钢执行工艺参数时序信息,获取第一属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第一属性参数偏离时刻比例;
遍历第二属性参数执行时序信息直到第M属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第二属性参数偏离时刻比例直到第M属性参数偏离时刻比例,其中,M为控制参数属性总数;
统计所述第一属性参数偏离时刻比例、所述第二属性参数偏离时刻比例直到所述第M属性参数偏离时刻比例中大于或等于偏离时刻比例阈值的第一统计数量;
计算所述第一统计数量与M的比值,设为所述铸钢偏离系数。
根据所述铸钢执行工艺参数时序信息,获取第一属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第一属性参数偏离时刻比例。即根据第一属性参数执行时序信息和铸钢工艺参数基线的对应属性参数基线都一一对比,统计不一致的时刻数量和所有时间序列时刻的比值。遍历第二属性参数执行时序信息直到第M属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第二属性参数偏离时刻比例直到第M属性参数偏离时刻比例,其中,M为控制参数属性总数。其中,每种属性参数执行时序信息对应一种控制参数属性。进一步,统计所述第一属性参数偏离时刻比例、所述第二属性参数偏离时刻比例直到所述第M属性参数偏离时刻比例中大于或等于偏离时刻比例阈值的第一统计数量,其中偏离时刻比例阈值基于实际情况设定的最低比例阈值。计算所述第一统计数量与M的比值,设为所述铸钢偏离系数。
根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型;
激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道;
当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。
根据所述异常参数属性和所述参数异常时区进行关联性分析,获取与所述异常参数属性和所述参数异常时区关联性较高的缺陷类型,获得缺陷预测类型。随后,激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道。最后,当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。通过获取执行工艺参数时序,对执行工艺参数时序进行偏离分析,并基于偏离结果对铸钢件缺陷类型进行预测,提高检测与生产过程中的控制参数状态结合度,从而实现个体化缺陷的定向检测,进而提高了铸钢缺陷检测的准确性。
本申请实施例提供的方法还包括:
以所述异常参数属性和所述参数异常时区为异常控制变量,以所述铸钢型号信息和所述铸钢工艺类型铸钢约束场景进行采样,获取铸钢缺陷类型记录集;
根据所述铸钢缺陷类型记录集,统计第一缺陷类型触发次数比;
当所述第一缺陷类型触发次数比大于或等于触发次数比阈值,添加进所述缺陷预测类型。
根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型时,以所述异常参数属性和所述参数异常时区为异常控制变量,以所述铸钢型号信息和所述铸钢工艺类型铸钢约束场景进行采样,采样历史生产记录数据中存在对应约束场景的缺陷记录,获取铸钢缺陷类型记录集。根据所述铸钢缺陷类型记录集,统计第一缺陷类型触发次数比。触发次数比阈值为预先设定的最大缺陷触发次数比例,当大于该比例时对应的约束场景导致的缺陷记录次数较高,则二者关联性较高。当所述第一缺陷类型触发次数比大于或等于触发次数比阈值,添加进所述缺陷预测类型。
本发明实施例所提供的技术方案,通过获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线。监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数。当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区,并进行关联获得缺陷预测类型。激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道。当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。通过获取执行工艺参数时序,对执行工艺参数时序进行偏离分析,并基于偏离结果对铸钢件缺陷类型进行预测,提高检测与生产过程中的控制参数状态结合度,从而实现个体化缺陷的定向检测,进而提高了铸钢缺陷检测的准确性。解决了现有技术中铸钢缺陷检测方法检测的准确性较低,难以实现个体化缺陷的定向检测的技术问题。
实施例二
基于与前述实施例中铸钢的缺陷检测方法同样发明构思,本发明还提供了铸钢的缺陷检测方法的系统,系统可以由硬件和/或软件的方式来实现,一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示,所述系统和铸钢件输送通道通信连接,所述铸钢件输送通道包括分流机器手,包括:
参数基线获取模块11,用于获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线;
偏离系数获取模块12,用于监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数;
异常参数获取模块13,用于当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区;
缺陷预测模块14,用于根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型;
分流模块15,用于激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道;
定向检测模块16,用于当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。
进一步地,所述参数基线获取模块11还用于:
根据所述铸钢工艺类型,提取铸钢参数属性时序信息,其中,所述铸钢参数属性时序信息具有随时序排列的可控的铸钢参数属性;
激活频繁快速寻优算法,对所述铸钢参数属性时序信息进行大数据映射,生成所述铸钢工艺参数基线。
进一步地,所述参数基线获取模块11还用于:
以所述铸钢工艺类型和所述铸钢型号信息为约束条件,在工业互联网进行检索,生成铸钢工艺控制日志集,其中,任意一个铸钢工艺控制日志表征一组铸钢参数属性时序信息的赋值结果;
对所述铸钢工艺控制日志集进行单属性时序频繁序列分析,生成单属性时序控制基线,其中,所述单属性时序控制基线指的是单一属性参数随着时序频繁出现的参数变化序列;
对所述铸钢工艺控制日志集进行单时刻多属性频繁序列分析,生成单时刻多属性控制基线,其中,所述单时刻多属性控制基线指的是相同时刻多个属性参数频繁出现参数状态;
对所述单属性时序控制基线和所述单时刻多属性控制基线进行共线参数状态提取,构建所述铸钢工艺参数基线。
进一步地,所述参数基线获取模块11还用于:
根据所述铸钢参数属性时序信息,提取第一参数属性,设定第一参数属性一致性偏差;
从所述铸钢工艺控制日志集中,提取所述第一参数属性的多组参数变化序列;
根据所述多组参数变化序列,获取第一时序参数状态集、第二时序参数状态集直到第N时序参数状态集;
根据所述第一参数属性一致性偏差,对所述第一时序参数状态集进行聚类分析,生成第一时序参数状态聚类结果;
遍历所述第二时序参数状态集直到所述第N时序参数状态集,获取第二时序参数状态聚类结果直到第N时序参数状态聚类结果;
清洗类内参数状态数量小于或等于参数状态数量阈值的所述第一时序参数状态聚类结果,获得第一时序频繁参数状态;
遍历所述第二时序参数状态聚类结果直到所述第N时序参数状态聚类结果进行频繁状态分析,获得第二时序频繁参数状态直到第N时序频繁参数状态;
对所述第一时序频繁参数状态、所述第二时序频繁参数状态直到所述第N时序频繁参数状态进行共线参数状态提取,生成第一参数属性时序控制基线,添加进所述单属性时序控制基线,其中,共线参数状态指的是既属于相同组的参数变化序列,同时属于频繁参数状态。
进一步地,所述参数基线获取模块11还用于:
根据所述铸钢参数属性时序信息,提取第一时刻的多组参数状态,其中,任意一组参数状态表征某次控制日志的第一时刻的多个属性状态值;
以参数属性为坐标点,对所述多组参数状态进行欧式距离计算,生成多个欧式距离计算结果;
设定参数状态一致性欧式距离阈值,结合所述多个欧式距离计算结果对所述多组参数状态进行聚类分析,生成多组参数状态聚类结果;
清洗类内参数组数量小于或等于参数组数量阈值的所述多组参数状态聚类结果,获得第一时刻多属性控制基线,添加进所述单时刻多属性控制基线。
进一步地,所述偏离系数获取模块12还用于:
根据所述铸钢执行工艺参数时序信息,获取第一属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第一属性参数偏离时刻比例;
遍历第二属性参数执行时序信息直到第M属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第二属性参数偏离时刻比例直到第M属性参数偏离时刻比例,其中,M为控制参数属性总数;
统计所述第一属性参数偏离时刻比例、所述第二属性参数偏离时刻比例直到所述第M属性参数偏离时刻比例中大于或等于偏离时刻比例阈值的第一统计数量;
计算所述第一统计数量与M的比值,设为所述铸钢偏离系数。
进一步地,所述缺陷预测模块14还用于:
以所述异常参数属性和所述参数异常时区为异常控制变量,以所述铸钢型号信息和所述铸钢工艺类型铸钢约束场景进行采样,获取铸钢缺陷类型记录集;
根据所述铸钢缺陷类型记录集,统计第一缺陷类型触发次数比;
当所述第一缺陷类型触发次数比大于或等于触发次数比阈值,添加进所述缺陷预测类型。
所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图5中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的铸钢的缺陷检测方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述铸钢的缺陷检测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.铸钢的缺陷检测方法,其特征在于,应用于铸钢的缺陷检测系统,所述系统和铸钢件输送通道通信连接,所述铸钢件输送通道包括分流机器手,包括:
获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线;
监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数;
当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区;
根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型;
激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道;
当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。
2.如权利要求1所述的方法,其特征在于,获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线,包括:
根据所述铸钢工艺类型,提取铸钢参数属性时序信息,其中,所述铸钢参数属性时序信息具有随时序排列的可控的铸钢参数属性;
激活频繁快速寻优算法,对所述铸钢参数属性时序信息进行大数据映射,生成所述铸钢工艺参数基线。
3.如权利要求2所述的方法,其特征在于,根据所述铸钢期望机械性能,激活频繁快速寻优算法,对所述铸钢参数属性时序信息进行大数据映射,生成所述铸钢工艺参数基线,包括:
以所述铸钢工艺类型和所述铸钢型号信息为约束条件,在工业互联网进行检索,生成铸钢工艺控制日志集,其中,任意一个铸钢工艺控制日志表征一组铸钢参数属性时序信息的赋值结果;
对所述铸钢工艺控制日志集进行单属性时序频繁序列分析,生成单属性时序控制基线,其中,所述单属性时序控制基线指的是单一属性参数随着时序频繁出现的参数变化序列;
对所述铸钢工艺控制日志集进行单时刻多属性频繁序列分析,生成单时刻多属性控制基线,其中,所述单时刻多属性控制基线指的是相同时刻多个属性参数频繁出现参数状态;
对所述单属性时序控制基线和所述单时刻多属性控制基线进行共线参数状态提取,构建所述铸钢工艺参数基线。
4.如权利要求3所述的方法,其特征在于,对所述铸钢工艺控制日志集进行单属性时序频繁序列分析,生成单属性时序控制基线,其中,所述单属性时序控制基线指的是单一属性参数随着时序频繁出现的参数变化序列,包括:
根据所述铸钢参数属性时序信息,提取第一参数属性,设定第一参数属性一致性偏差;
从所述铸钢工艺控制日志集中,提取所述第一参数属性的多组参数变化序列;
根据所述多组参数变化序列,获取第一时序参数状态集、第二时序参数状态集直到第N时序参数状态集;
根据所述第一参数属性一致性偏差,对所述第一时序参数状态集进行聚类分析,生成第一时序参数状态聚类结果;
遍历所述第二时序参数状态集直到所述第N时序参数状态集,获取第二时序参数状态聚类结果直到第N时序参数状态聚类结果;
清洗类内参数状态数量小于或等于参数状态数量阈值的所述第一时序参数状态聚类结果,获得第一时序频繁参数状态;
遍历所述第二时序参数状态聚类结果直到所述第N时序参数状态聚类结果进行频繁状态分析,获得第二时序频繁参数状态直到第N时序频繁参数状态;
对所述第一时序频繁参数状态、所述第二时序频繁参数状态直到所述第N时序频繁参数状态进行共线参数状态提取,生成第一参数属性时序控制基线,添加进所述单属性时序控制基线,其中,共线参数状态指的是既属于相同组的参数变化序列,同时属于频繁参数状态。
5.如权利要求3所述的方法,其特征在于,对所述铸钢工艺控制日志集进行单时刻多属性频繁序列分析,生成单时刻多属性控制基线,其中,所述单时刻多属性控制基线指的是相同时刻多个属性参数频繁出现参数状态,包括:
根据所述铸钢参数属性时序信息,提取第一时刻的多组参数状态,其中,任意一组参数状态表征某次控制日志的第一时刻的多个属性状态值;
以参数属性为坐标点,对所述多组参数状态进行欧式距离计算,生成多个欧式距离计算结果;
设定参数状态一致性欧式距离阈值,结合所述多个欧式距离计算结果对所述多组参数状态进行聚类分析,生成多组参数状态聚类结果;
清洗类内参数组数量小于或等于参数组数量阈值的所述多组参数状态聚类结果,获得第一时刻多属性控制基线,添加进所述单时刻多属性控制基线。
6.如权利要求1所述的方法,其特征在于,监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数,包括:
根据所述铸钢执行工艺参数时序信息,获取第一属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第一属性参数偏离时刻比例;
遍历第二属性参数执行时序信息直到第M属性参数执行时序信息,与所述铸钢工艺参数基线进行比对,获取第二属性参数偏离时刻比例直到第M属性参数偏离时刻比例,其中,M为控制参数属性总数;
统计所述第一属性参数偏离时刻比例、所述第二属性参数偏离时刻比例直到所述第M属性参数偏离时刻比例中大于或等于偏离时刻比例阈值的第一统计数量;
计算所述第一统计数量与M的比值,设为所述铸钢偏离系数。
7.如权利要求1所述的方法,其特征在于,根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型,包括:
以所述异常参数属性和所述参数异常时区为异常控制变量,以所述铸钢型号信息和所述铸钢工艺类型铸钢约束场景进行采样,获取铸钢缺陷类型记录集;
根据所述铸钢缺陷类型记录集,统计第一缺陷类型触发次数比;
当所述第一缺陷类型触发次数比大于或等于触发次数比阈值,添加进所述缺陷预测类型。
8.铸钢的缺陷检测系统,其特征在于,所述系统和铸钢件输送通道通信连接,所述铸钢件输送通道包括分流机器手,包括:
参数基线获取模块,用于获取铸钢型号信息,结合铸钢工艺类型进行铸钢工艺优化,生成铸钢工艺参数基线;
偏离系数获取模块,用于监测铸钢执行工艺参数时序信息,与所述铸钢工艺参数基线进行铸钢偏离分析,生成铸钢偏离系数;
异常参数获取模块,用于当所述铸钢偏离系数大于或等于铸钢偏离系数阈值时,提取异常参数属性和参数异常时区;
缺陷预测模块,用于根据所述异常参数属性和所述参数异常时区进行关联性分析,获得缺陷预测类型;
分流模块,用于激活分流机器手,将所述铸钢偏离系数大于或等于所述铸钢偏离系数阈值的铸钢件分流至特定质检通道;
定向检测模块,用于当所述铸钢件位于所述特定质检通道的预设区域时,结合所述缺陷预测类型进行缺陷定向检测。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的铸钢的缺陷检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的铸钢的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226337.XA CN116975770A (zh) | 2023-09-22 | 2023-09-22 | 铸钢的缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226337.XA CN116975770A (zh) | 2023-09-22 | 2023-09-22 | 铸钢的缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975770A true CN116975770A (zh) | 2023-10-31 |
Family
ID=88475276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226337.XA Withdrawn CN116975770A (zh) | 2023-09-22 | 2023-09-22 | 铸钢的缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808495A (zh) * | 2024-01-24 | 2024-04-02 | 申雕智能科技(苏州)有限公司 | 用于义齿智能化生产的产品数据溯源方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844852A (zh) * | 2017-10-20 | 2018-03-27 | 太原理工大学 | 一种模拟铸钢件砂型铸造过程的缩松缺陷预测方法 |
WO2020177031A1 (zh) * | 2019-03-01 | 2020-09-10 | 苏州明志科技股份有限公司 | 一种制芯机及制芯机控制方法和系统 |
CN116630428A (zh) * | 2023-07-24 | 2023-08-22 | 浩科机器人(苏州)有限公司 | 基于机器视觉的浇注位置识别方法及系统 |
-
2023
- 2023-09-22 CN CN202311226337.XA patent/CN116975770A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844852A (zh) * | 2017-10-20 | 2018-03-27 | 太原理工大学 | 一种模拟铸钢件砂型铸造过程的缩松缺陷预测方法 |
WO2020177031A1 (zh) * | 2019-03-01 | 2020-09-10 | 苏州明志科技股份有限公司 | 一种制芯机及制芯机控制方法和系统 |
CN116630428A (zh) * | 2023-07-24 | 2023-08-22 | 浩科机器人(苏州)有限公司 | 基于机器视觉的浇注位置识别方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808495A (zh) * | 2024-01-24 | 2024-04-02 | 申雕智能科技(苏州)有限公司 | 用于义齿智能化生产的产品数据溯源方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN116975770A (zh) | 铸钢的缺陷检测方法及系统 | |
CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
Arif et al. | A data mining approach for developing quality prediction model in multi-stage manufacturing | |
JP2002318617A (ja) | 製造工程のための管理方法 | |
CN103279123A (zh) | 对间歇控制系统进行分段故障监视的方法 | |
CN105117485B (zh) | 一种基于k甚近邻的高准确率全局离群点检测算法 | |
CN105302123A (zh) | 在线测量数据的监控方法 | |
CN110334083A (zh) | 一种时间序列异常值检测方法及装置 | |
CN117162428A (zh) | 一种塑料注塑模具的冷却控制方法及系统 | |
CN110457550B (zh) | 一种烧结过程中异常运行数据的校正方法 | |
Eger et al. | Knowledge capturing platform in multi-stage production systems for zero-defect manufacturing | |
CN109189840B (zh) | 一种流式在线日志解析方法 | |
CN1521824A (zh) | 在线品质检测参数分析方法 | |
CN111121946B (zh) | 大动态范围大离散单区域多点精准确定异常值的方法 | |
CN108364095B (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
CN110889395A (zh) | 基于机器学习的机械运动识别方法及系统 | |
JP2020166407A (ja) | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 | |
US11829124B2 (en) | Method for predicting occurrence of tool processing event and virtual metrology application and computer program product thereof | |
CN114844696A (zh) | 一种基于风险池最小化的网络入侵动态监测方法、系统、设备和可读存储介质 | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
US20220237451A1 (en) | Semiconductor process prediction method and semiconductor process prediction apparatus for heterogeneous data | |
Hsieh et al. | Equipment sensor data cleansing algorithm design for ML-based anomaly detection | |
CN108009174B (zh) | 一种基于模式匹配的振动事件时间顺序区分方法 | |
CN113720343B (zh) | 基于动态数据实时适应的航向预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231031 |
|
WW01 | Invention patent application withdrawn after publication |