CN116991131A - 基于传感器协同的生产流转控制方法及系统 - Google Patents
基于传感器协同的生产流转控制方法及系统 Download PDFInfo
- Publication number
- CN116991131A CN116991131A CN202311247674.7A CN202311247674A CN116991131A CN 116991131 A CN116991131 A CN 116991131A CN 202311247674 A CN202311247674 A CN 202311247674A CN 116991131 A CN116991131 A CN 116991131A
- Authority
- CN
- China
- Prior art keywords
- sizing
- patch
- control parameters
- control
- activating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 239000000758 substrate Substances 0.000 claims abstract description 243
- 238000004513 sizing Methods 0.000 claims abstract description 213
- 238000012795 verification Methods 0.000 claims abstract description 55
- 230000003213 activating effect Effects 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 28
- 238000010845 search algorithm Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims description 77
- 230000002159 abnormal effect Effects 0.000 claims description 72
- 238000009826 distribution Methods 0.000 claims description 67
- 230000000694 effects Effects 0.000 claims description 49
- 239000002002 slurry Substances 0.000 claims description 47
- 238000010030 laminating Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000006855 networking Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 2
- 229910044991 metal oxide Inorganic materials 0.000 claims description 2
- 150000004706 metal oxides Chemical class 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 24
- 230000006870 function Effects 0.000 description 23
- 238000010276 construction Methods 0.000 description 4
- 239000011449 brick Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010882 bottom ash Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011505 plaster Substances 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31094—Data exchange between modules, cells, devices, processors
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于传感器协同的生产流转控制方法及系统,涉及协同控制技术领域,方法包括:激活第一、二CMOS摄像机阵列分别采集第一输送通道的基板图像信息与第二输送通道的贴片图像信息,激活内嵌于贴片检测装置的异常检测算法生成异常校验结果,当异常校验结果为校验通过激活贴片上浆装置,提取上浆控制参数,激活微变量搜索算法生成上浆推荐控制参数进行上浆控制,当贴片上浆完成时提取贴合控制参数,激活微变量搜索算法生成贴合推荐控制参数,对板材贴合装置进行初始化进行贴合控制,解决现有技术中对传统的墙面贴片加工产线流转过程的管控不足,导致存在缺乏非停机尺寸准确校验且成本高的技术问题,实现进行非停机尺寸准确校验且成本较低。
Description
技术领域
本发明涉及协同控制技术领域,具体涉及基于传感器协同的生产流转控制方法及系统。
背景技术
传统的墙面贴片加工产线流转过程,对于贴片的尺寸校验,常为停机式检测,分为非接触式和接触式两种,非接触的尺寸传感设备在动态生产过程误差较大,无法适用于非停机检测,且随着精度的提升,成本也随之提升;接触式的由于需要接触的特性,也无法适用于非停机检测。存在缺乏非停机尺寸准确校验,且成本较高的技术方案的技术问题。
发明内容
本申请提供了基于传感器协同的生产流转控制方法及系统,用于针对解决现有技术中存在的对传统的墙面贴片加工产线流转过程的管控不足,导致存在缺乏非停机尺寸准确校验且成本高的技术问题。
鉴于上述问题,本申请提供了基于传感器协同的生产流转控制方法及系统。
第一方面,本申请提供了基于传感器协同的生产流转控制方法,所述方法包括:激活第一CMOS摄像机阵列采集第一输送通道的第一位置的基板图像信息;激活第二CMOS摄像机阵列采集第二输送通道的第二位置的贴片图像信息;激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果;当所述异常校验结果为校验通过,启动所述第二输送通道将所述第二位置的墙面贴片输送至第三位置,激活贴片上浆装置,提取上浆控制参数,其中,所述上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力;激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制;当贴片上浆完成时,启动所述第二输送通道将所述第三位置的墙面贴片输送至板材贴合区域,启动所述第一输送通道将所述第一位置的贴片基板输送至所述板材贴合区域,激活板材贴合装置,提取贴合控制参数,其中,所述贴合控制参数包括贴合压力、贴合温度和贴合时长;激活微变量搜索算法,对所述贴合控制参数进行搜索,生成贴合推荐控制参数,对所述板材贴合装置进行初始化进行贴合控制。
第二方面,本申请提供了基于传感器协同的生产流转控制系统,所述系统包括:第一激活模块,所述第一激活模块用于激活第一CMOS摄像机阵列采集第一输送通道的第一位置的基板图像信息;第二激活模块,所述第二激活模块用于激活第二CMOS摄像机阵列采集第二输送通道的第二位置的贴片图像信息;第三激活模块,所述第三激活模块用于激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果;第一判断模块,所述第一判断模块用于当所述异常校验结果为校验通过,启动所述第二输送通道将所述第二位置的墙面贴片输送至第三位置,激活贴片上浆装置,提取上浆控制参数,其中,所述上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力;上浆控制模块,所述上浆控制模块用于激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制;第四激活模块,所述第四激活模块用于当贴片上浆完成时,启动所述第二输送通道将所述第三位置的墙面贴片输送至板材贴合区域,启动所述第一输送通道将所述第一位置的贴片基板输送至所述板材贴合区域,激活板材贴合装置,提取贴合控制参数,其中,所述贴合控制参数包括贴合压力、贴合温度和贴合时长;第五激活模块,所述第五激活模块用于激活微变量搜索算法,对所述贴合控制参数进行搜索,生成贴合推荐控制参数,对所述板材贴合装置进行初始化进行贴合控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的基于传感器协同的生产流转控制方法及系统,涉及协同控制技术领域,解决了现有技术中对传统的墙面贴片加工产线流转过程的管控不足,导致存在缺乏非停机尺寸准确校验且成本高的技术问题,实现了结合图像传感器协同处理进行非停机尺寸准确校验且成本较低。
附图说明
图1为本申请提供了基于传感器协同的生产流转控制方法流程示意图;
图2为本申请提供了基于传感器协同的生产流转控制方法中异常校验结果流程示意图;
图3为本申请提供了基于传感器协同的生产流转控制系统结构示意图。
附图标记说明:第一激活模块1,第二激活模块2,第三激活模块3,第一判断模块4,上浆控制模块5,第四激活模块6,第五激活模块7。
具体实施方式
本申请通过提供基于传感器协同的生产流转控制方法及系统,用于解决现有技术中对传统的墙面贴片加工产线流转过程的管控不足,导致存在缺乏非停机尺寸准确校验且成本高的技术问题。
实施例一
如图1所示,本申请实施例提供了基于传感器协同的生产流转控制方法,该方法应用于墙面贴片加工产线,墙面贴片加工产线包括贴片检测装置、贴片上浆装置和板材贴合装置,所述贴片检测装置包括第一CMOS摄像机阵列和第二CMOS摄像机阵列,该方法包括:
步骤A100:激活第一CMOS摄像机阵列采集第一输送通道的第一位置的基板图像信息;
在本申请中,本申请实施例提供的基于传感器协同的生产流转控制方法应用于墙面贴片加工产线,该墙面贴片加工产线包括贴片检测装置、贴片上浆装置和板材贴合装置,所述贴片检测装置包括第一CMOS摄像机阵列和第二CMOS摄像机阵列,该贴片检测装置、贴片上浆装置和板材贴合装置用于进行墙面贴面加工的校验,该第一CMOS摄像机阵列和第二CMOS摄像机阵列用于进行墙面贴片过程中图片像素的参数采集。
为精准获取墙面贴片后期的检测效率,首先需要将贴片检测装置内的第一CMOS摄像机阵列依次进行激活运行操作,进一步的,通过第一CMOS摄像机阵列对基板在第一输送通道上的第一位置进行多角度的图像采集,基板是指制造PCB的基本材料,第一输送通道是用于在生产线内对基板进行输送的传送带通道,第一位置是基板在第一输送通道上的位置信息,进一步的,将第一CMOS摄像阵列所采集的实时基板图像记作基板图像信息,第二CMOS摄像阵列具有像素级的电路,第二CMOS摄像阵列所采集的基板图像信息内的每个像素同时被读取和传输,为芯片准备电压后芯片使用放大器、噪声校正和数字化等附加技术将电压转换为数字数据,为后期实现基于传感器协同进行生产流转的控制作为重要参考依据。
步骤A200:激活第二CMOS摄像机阵列采集第二输送通道的第二位置的贴片图像信息;
在本申请中,为了保证通过传感器协同生产墙面贴片的板材贴合度,因此
首先需要将贴片检测装置内的第二CMOS摄像机阵列依次进行激活运行操作,进一步的,通过第二CMOS摄像机阵列对贴片在第二输送通道上的第二位置进行多角度的图像采集,贴片是指用于墙面的薄层贴片,第二输送通道是用于在生产线内对贴片进行输送的传送带通道,第二位置是贴片在第二输送通道上的位置信息,进一步的,将第二CMOS摄像阵列所采集的实时贴片图像记作贴片图像信息,第二CMOS摄像阵列具有像素级的电路,第二CMOS摄像阵列所采集的贴片图像信息内的每个像素同时被读取和传输,为芯片准备电压后芯片使用放大器、噪声校正和数字化等附加技术将电压转换为数字数据,进而为实现基于传感器协同进行生产流转的控制做保障。
步骤A300:激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果;
进一步而言,如图2所示,本申请步骤A300还包括:
步骤A310:获取所述第一CMOS摄像机阵列的第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置;
步骤A320:结合所述第一位置、墙面贴片型号和CMOS摄像控制参数,遍历所述第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置进行基板图像正采样,获取第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像;
步骤A330:遍历所述第一组样本基板图像、所述第二组样本基板图像直到所述第M组样本基板图像对所述基板图像信息进行异常分析,生成M个异常系数;
步骤A340:当所述M个异常系数均小于或等于异常系数阈值,生成基板校验通过信号,添加进所述异常校验结果;
步骤A350:当所述M个异常系数的任意一个大于所述异常系数阈值,生成基板校验未通过信号,添加进所述异常校验结果。
在本申请中,为降低墙面贴片的生产异常,因此需要对上述采集所获的基板图像信息以及贴片图像信息进行异常分析,首先需要对贴片检测装置内嵌的异常检测算法进行激活,且基板与贴片的校验仅为处理数据的区别,其流程完全相同,以基板的异常分析为例,首先通过提取贴片检测装置内第一CMOS摄像机阵列的第一个CMOS摄像机位置以及第二个CMOS摄像机位置直到第M个CMOS摄像机位置,第一个CMOS摄像机位置可以是第一CMOS摄像机阵列中的任意一个边缘位置,第二个CMOS摄像机位置是与第一个CMOS摄像机位置相邻的位置,由一定朝向顺序依照第一个CMOS摄像机位置作为起始点进行位置遍历标记,直到遍历完成第一CMOS摄像机阵列中的所有位置。
进一步的,将第一个CMOS摄像机位置、墙面贴片型号、CMOS摄像控制参数进行结合,墙面贴片型号可以按使用面材进行划分,其可以包含透明PVC、静电PVC、聚酯PET等面材的墙面贴片型号,CMOS摄像控制参数可以包含感光参数、像素参数、时序控制参数、模拟信号转换处理参数等,从而根据结合数据对第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置的位置所对应的墙面贴片型号以及CMOS摄像控制参数依次进行基板图像正采样,是指在第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置的基础上所采集的多个基板图像进行随机抽取采样,在每个位置至少保留一个基板图像信息,从而获取与第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置所对应的第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像,遍历第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像对基板图像信息进行异常分析,基板所可能出现的异常可以包含基板的焊接头存在爆破孔异常、基板的焊盘与导线分离异常等,通过对基板所包含的异常对基板使用过程中的影响程度对基板的M个异常系数进行确定,其中,异常对基板使用过程中的影响程度与M个异常系数为正比关系,因此其影响程度越高则M个异常系数越高,进一步的,对M个异常系数是否大于等于异常系数阈值进行判断,异常系数阈值是指通过基板出现异常时的异常上限值以及异常下限值进行范围划分,当M个异常系数均小于或等于异常系数阈值,则视为此时基板不存在异常并生成基板校验通过信号添加进异常校验结果中,当M个异常系数的任意一个大于异常系数阈值,则视为此时基板存在异常并生成基板校验未通过信号进行异常提示,同时添加进异常校验结果中进行基板异常情况的完善,为后续实现基于传感器协同进行生产流转的控制夯实基础。
进一步而言,本申请步骤A330包括:
步骤A331:所述基板图像信息包括第一个基板图像、第二个基板图像直到第M个基板图像;
步骤A332:构建异常系数评估函数:
;
;
其中,表征第i个基板图像与第i组样本基板图像的第k个样本基板图像的不相似度,/>表征第i个基板图像与第i组样本基板图像的第k个样本基板图像非相交的像素点数量,/>第i个基板图像与第i组样本基板图像的第k个样本基板图像重合的像素点数量,/>表征可视为不同的不相似度阈值,/>表征第i个基板图像的异常系数,/>表征第i组样本基板图像的总数,count()为计数函数;
步骤A333:根据所述异常系数评估函数,分别对所述第一个基板图像和所述第一组样本基板图像,所述第二个基板图像和所述第二组样本基板图像直到所述第M个基板图像和所述第M组样本基板图像进行异常分析,生成所述M个异常系数。
进一步而言,本申请步骤A333包括:
步骤A3331:获取所述第一组样本基板图像的第一个样本基板图像、第二个样本基板图像直到第Y个样本基板图像;
步骤A3332:基于所述第一位置和所述第一个样本基板图像,遍历所述第一个基板图像、所述第二个样本基板图像直到所述第Y个样本基板图像进行虚拟重合,生成第一数字图像重合结果直到第Y数字图像重合结果;
步骤A3333:激活所述异常系数评估函数,对所述第一数字图像重合结果直到所述第Y数字图像重合结果进行异常分析,生成第一个异常系数,添加进所述M个异常系数。
在本申请中,通过遍历第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像对基板图像信息进行异常分析,其中,基板图像信息包括第一个基板图像、第二个基板图像直到第M个基板图像,第一个基板图像、第二个基板图像直到第M个基板图像是与第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像在大数据中所对应的标准基板图像。
进一步的,为保证异常分析的准确性,则需要构建异常系数评估函数,所构建异常系数评估函数为:
;
;
其中,表征第i个基板图像与第i组样本基板图像的第k个样本基板图像的不相似度,/>表征第i个基板图像与第i组样本基板图像的第k个样本基板图像非相交的像素点数量,/>第i个基板图像与第i组样本基板图像的第k个样本基板图像重合的像素点数量,/>表征可视为不同的不相似度阈值,/>表征第i个基板图像的异常系数,/>表征第i组样本基板图像的总数,count()为计数函数;
分别对第一个基板图像和第一组样本基板图像,第二个基板图像和第二组样本基板图像直到第M个基板图像和第M组样本基板图像通过异常系数评估函数进行异常分析,是指根据异常系数评估函数计算获取第一个基板图像与第一组样本基板图像的第一个样本基板图像的不相似度,第二个基板图像与第二组样本基板图像的第二个样本基板图像的不相似度,直到第M个基板图像与第M组样本基板图像的第M个样本基板图像的不相似度。
确定第一个基板图像的异常系数,第二个基板图像的异常系数直到第M个基板图像的异常系数,是指首先在第一组样本基板图像中的基板图像进行排列,获取第一个样本基板图像、第二个样本基板图像直到第Y个样本基板图像,进一步的,根据CMOS摄像机中的第一位置和第一个样本基板图像,对第一个基板图像、第二个样本基板图像直到第Y个样本基板图像依次进行遍历进行图像的虚拟重合定位,是指由于两个图像的采集位置相同,且采集控制参数也相同,因此可以在第一位置预设多个定位点,并根据所预设的定位点在两个图像上的对应位置,实现图像虚拟定位重合,从而生成第一数字图像重合结果直到第Y数字图像重合结果,最终对异常系数评估函数进行激活,对第一数字图像重合结果直到第Y数字图像重合结果根据异常系数评估函数进行异常分析,生成与第一数字图像重合结果所对应的第一个异常系数,由此同理获取直至与第Y数字图像重合结果所对应的第Y个异常系数,并同时将一个异常系数直至第Y个异常系数添加进M个异常系数作为基板异常系数进行输出,以便为后期基于传感器协同进行生产流转的控制时作为参照数据。
步骤A400:当所述异常校验结果为校验通过,启动所述第二输送通道将所述第二位置的墙面贴片输送至第三位置,激活贴片上浆装置,提取上浆控制参数,其中,所述上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力;
在本申请中,为了后期能够更好将墙面贴片进行贴片上浆,因此需要对上述所获的异常校验结果进行判断,当异常校验结果为校验不通过时,视为当前基板和/或贴片存在异常,则需要根据该异常对基板和/或贴片进行异常溯源,进一步的,当异常校验结果为校验通过时,则需要对第二输送通道内的墙面贴片所处的第二位置通过第二输送通道输送至第三位置,同时对贴片上浆装置进行激活,贴片上浆装置是使墙面贴片依照规定的浸没路线通过浆槽,使浆液浸透及附着在墙面贴片上,从而保证得到墙面贴片规定的上浆率,使浆流以均匀、稳定的流速按一定的方向流到成形在墙面贴片上,从而对上浆过程的上浆控制参数进行提取,且上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力,点料位置是指上浆过程中在墙面贴片上的浆料位置,点料流量是指上浆过程中在墙面贴片上的浆料使用剂量,点料时长是指上浆过程中在墙面贴片上进行上浆的耗费时长,抹料路径是指上浆过程中在墙面贴片上进行浆料涂抹的路线,抹料压力是指上浆过程中在墙面贴片上进行浆料涂抹时的物理力度,实现基于传感器协同进行生产流转的控制有着上料限制的作用。
步骤A500:激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制;
进一步而言,本申请步骤A500还包括:
步骤A510:设定料浆期望厚度和料浆期望分布区域;
步骤A520:调取所述第三位置和墙面贴片型号,结合墙面贴片加工联网日志库构建上浆效果预测节点;
步骤A530:基于所述上浆效果预测节点,结合所述料浆期望厚度和所述料浆期望分布区域,构建微变量搜索库;
步骤A540:遍历所述点料位置、所述点料流量、所述点料时长、所述抹料路径和所述抹料压力,基于用户端设定上浆控制解空间;
步骤A550:根据所述微变量搜索库,在所述上浆控制解空间中执行Q次搜索,生成所述上浆推荐控制参数。
进一步而言,本申请步骤A500包括:
步骤A531:基于所述第三位置和所述墙面贴片型号,在所述墙面贴片加工联网日志库中进行检索,获取上浆控制参数记录数据、上浆厚度记录数据和上浆分布区域记录数据;
步骤A532:以所述上浆厚度记录数据作为BP神经网络的第一通道教师数据,以所述上浆分布区域记录数据作为BP神经网络的第二通道教师数据,以所述上浆控制参数记录数据作为BP神经网络的学生数据,训练所述上浆效果预测节点;
步骤A533:构建控制适应度评分函数:
;
其中,表征第j组参数的控制适应度评分,/>表征第j组参数在上浆效果预测节点映射的厚度评估值,/>表征料浆期望厚度,/>表征第一预设权重,/>表征第j组参数在上浆效果预测节点映射的分布区域评估结果和料浆期望分布区域的重合区域面积,/>表征分布区域评估结果和料浆期望分布区域的非相交区域面积,/>表征第二预设权重,/>表征可容错的最大厚度偏差阈值,/>表征可容错的最小重合面积比例偏差阈值;
步骤A534:根据所述料浆期望厚度和所述料浆期望分布区域,结合所述上浆效果预测节点和所述控制适应度评分函数,构建所述微变量搜索库,其中,所述微变量搜索库的容量为5-10组控制参数。
进一步而言,本申请步骤A550还包括:
步骤A551:根据所述上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,其中,所述O组上浆控制参数为所述微变量搜索库的50倍容量;
步骤A552:根据所述O组上浆控制参数对所述微变量搜索库进行Q次更新,获取适应度最大评分的控制参数,设为所述上浆推荐控制参数,其中,Q≤50*微变量搜索库容量;
步骤A553:其中,根据所述上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,包括:
步骤A554:根据所述点料位置、所述点料流量、所述点料时长、所述抹料路径和所述抹料压力,对所述O组上浆控制参数进行两两欧式距离计算,生成控制参数分布距离均值;
步骤A555:当所述控制参数分布距离均值小于或等于分布距离阈值,根据所述上浆控制解空间对所述O组上浆控制参数进行调整;
步骤A556:当所述控制参数分布距离均值大于所述分布距离阈值,执行搜索步骤。
在本申请中,为了更精准的对墙面贴片进行上浆控制,首先通过对微变量搜索算法进行激活后,对上浆控制参数进行搜索,是指根据上浆控制参数中的点料位置、点料流量、点料时长、抹料路径和抹料压力设定墙面贴片的料浆期望厚度和料浆期望分布区域,料浆期望厚度可以根据墙面贴片在进行贴片时的牢固稳定性进行设定,料浆期望分布区域可以根据墙面贴片在进行贴片时需要与墙面接触的面积进行设定,进一步的,对第三位置和墙面贴片型号分别进行调取,同时与墙面贴片加工联网日志库进行结合,墙面贴片加工联网日志库是用于记录进行墙面贴片过程的数据库,墙面贴片的过程可以包含墙面基层清扫处理、抹底子灰、浸泡、排砖、弹线、粘贴标准点、粘贴墙面贴片、勾缝、擦缝等操作,并通过在墙面贴片的型号以及通过第二传送通道所传送的第三位置与墙面贴片过程进行结合,从而完成上浆效果预测节点的构建,上浆效果预测节点是用于对墙面贴片在进行上墙后的效果进行效果预测的数据节点,以上浆效果预测节点作为构建数据,结合料浆期望厚度和料浆期望分布区域,对微变量搜索库进行过构建,是指将第三位置和墙面贴片型号作为目标索引数据,在墙面贴片加工联网日志库中进行检索,获取墙面贴片加工联网日志库中待遍历的上浆标准数据表所对应的目标索引,再基于目标索引对上浆标准数据表中的各数据块执行块遍历操作,并在遍历上浆标准数据表的过程中,通过确定上浆标准数据表中下一数据块的块架构信息来达到精确控制IOPS的目的,提升遍历结果精确度,进一步的,在当前数据块为所述数据表中的最后一块时,结束上浆标准数据表的遍历操作,进而获取上浆控制参数记录数据、上浆厚度记录数据和上浆分布区域记录数据,进一步的,以上浆厚度记录数据作为BP神经网络的第一通道教师数据,以上浆分布区域记录数据作为BP神经网络的第二通道教师数据,以上浆控制参数记录数据作为BP神经网络的学生数据,其BP神经网络是指一种按照误差逆向传播算法训练的多层前馈神经网络,第一通道教师数据和第二通道教师数据是用于对学生数据进行监督训练的数据,且通过协同训练第一通道教师数据和第二通道教师数据进行互相学习以实现更好的上浆性能。若第一通道教师数据和第二通道教师数据在预测标记上达成共识,则将训练样本添加到学生数据中,其中第一通道教师数据和第二通道教师数据必须在预测超过静态置信度阈值的预测上达成一致。学生数据必须与第一通道教师数据和第二通道教师数据有分歧。一旦满足条件,就可以进行训练迭代,从而训练获取上浆效果预测节点。
进一步的,根据料浆期望厚度和料浆期望分布区域,结合上浆效果预测节点和如下所示构建的控制适应度评分函数对微变量搜索库进行构建,所构建的控制适应度评分函数为:
;
其中,表征第j组参数的控制适应度评分,/>表征第j组参数在上浆效果预测节点映射的厚度评估值,/>表征料浆期望厚度,/>表征第一预设权重,/>表征第j组参数在上浆效果预测节点映射的分布区域评估结果和料浆期望分布区域的重合区域面积,/>表征分布区域评估结果和料浆期望分布区域的非相交区域面积,/>表征第二预设权重,/>表征可容错的最大厚度偏差阈值,/>表征可容错的最小重合面积比例偏差阈值;
通过上浆效果预测节点中的上浆预测效果与通过上式计算所对应第j组参数的控制适应度评分进行关联的数据进行汇总后作为微变量搜索库,且微变量搜索库的容量为5-10组控制参数,通过遍历点料位置、点料流量、点料时长、抹料路径和抹料压力,基于用户端设定上浆控制解空间,上浆控制解空间是由不同上浆过程对应点料位置、点料流量、点料时长、抹料路径和抹料压力,根据不同的墙面贴片情况,则需要进行不同的上浆控制,通过所有不同的上浆控制数据构成上浆控制解空间,进一步的,根据微变量搜索库,在上浆控制解空间中执行Q次搜索,是指首先根据上浆控制解空间中所包含的上浆控制数据进行随机赋值O次,其中,O为大于1的正整数,获取O组上浆控制参数,且O组上浆控制参数为微变量搜索库的50倍容量,为避免在微变量搜索库中进行寻优时陷入局部最优,因此需要根据O组上浆控制参数对微变量搜索库进行Q次更新,其中Q为大于等于2的正整数,经过Q次更新后将适应度最大评分的控制参数设为上浆推荐控制参数,其中,Q≤50*微变量搜索库容量,且根据上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,包括:
根据点料位置、点料流量、点料时长、抹料路径和抹料压力,对O组上浆控制参数通过如下公式进行两两欧式距离计算:
;
其中,OP为控制参数分布距离,为任意在O组上浆控制参数中所选取的第一坐标的x轴对应的值,/>为任意在O组上浆控制参数中所选取的第二坐标的x轴对应的值,/>为任意在O组上浆控制参数中所选取的第一坐标的y轴对应的值,/>为任意在O组上浆控制参数中所选取的第二坐标的y轴对应的值,且第一坐标与第二坐标为不相同坐标。
将点料位置、点料流量、点料时长、抹料路径和抹料压力分别两两代入如上公式进行控制参数分布距离的计算,最终对所获所有控制参数分布距离进行均值求取,生成控制参数分布距离均值,同时对控制参数分布距离均值与分布距离阈值进行比较,分布距离阈值是根据控制参数分布距离均值进行范围设定,当控制参数分布距离均值小于或等于分布距离阈值时,则视为O组上浆控制参数相似度过高,需要根据上浆控制解空间对O组上浆控制参数进行调整,当控制参数分布距离均值大于分布距离阈值时,则视为O组上浆控制参数相似度符合标准,则继续在上浆控制解空间中执行搜索步骤,最终将最优搜索结果记作上浆推荐控制参数进行输出,从而根据上浆推荐控制参数对贴片上浆装置进行初始化进行上浆控制,达到提高后期实现基于传感器协同进行生产流转的控制准确率的技术效果。
步骤A600:当贴片上浆完成时,启动所述第二输送通道将所述第三位置的墙面贴片输送至板材贴合区域,启动所述第一输送通道将所述第一位置的贴片基板输送至所述板材贴合区域,激活板材贴合装置,提取贴合控制参数,其中,所述贴合控制参数包括贴合压力、贴合温度和贴合时长;
在本申请中,以上浆推荐控制参数作为墙面贴片的基础数据,对墙面进行贴片上浆,当墙面贴片上浆完成时,则启动第二输送通道将第三位置的墙面贴片输送至板材贴合区域将墙面贴片与基板为进行后续贴合操作做准备,进一步的,对第一输送通道进行启动后,再将第一位置的贴片基板输送至板材贴合区域后,将板材贴合装置进行激活,板材贴合装置是用于将贴片与基材进行板材结合的装置,从而对贴合控制参数进行提取,且贴合控制参数包括贴合压力、贴合温度和贴合时长,贴合压力是指在进行板材贴合时基材和贴片的相互作用力,贴合温度是指在进行板材贴合时所需要进行加热的温度数值,贴合时长是指在进行板材贴合时为保证板材贴合的稳定性,需要基材和贴片进行贴合的时间长度,以此保证后期基于传感器协同更好的进行生产流转的控制。
步骤A700:激活微变量搜索算法,对所述贴合控制参数进行搜索,生成贴合推荐控制参数,对所述板材贴合装置进行初始化进行贴合控制。
在本申请中,为保证更好的通过板材贴合装置进行基材与贴片的贴合,因此需要对贴合推荐控制参数进行获取,贴合推荐控制参数的寻优过程和上浆推荐控制参数寻优流程完全相同,区别仅在于数据的不同,因此首先通过对微变量搜索算法进行激活后,对贴合控制参数进行搜索,是指根据贴合控制参数中的贴合位置、贴合流量、贴合时长、贴合路径和贴合压力设定墙面贴片的贴合期望厚度和贴合期望分布区域,贴合期望厚度可以根据墙面贴片在进行贴片时的牢固稳定性进行设定,贴合期望分布区域可以根据墙面贴片在进行贴片时需要与墙面接触的面积进行设定,进一步的,对第三位置和墙面贴片型号分别进行调取,同时与墙面贴片加工联网日志库进行结合,墙面贴片加工联网日志库是用于记录进行墙面贴片过程的数据库,墙面贴片的过程可以包含墙面基层清扫处理、抹底子灰、浸泡、排砖、弹线、粘贴标准点、粘贴墙面贴片、勾缝、擦缝等操作,并通过在墙面贴片的型号以及通过第二传送通道所传送的第三位置与墙面贴片过程进行结合,从而完成贴合效果预测节点的构建,贴合效果预测节点是用于对墙面贴片在进行上墙后的效果进行效果预测的数据节点,以贴合效果预测节点作为构建数据,结合贴合期望厚度和料浆期望分布区域,对贴合微变量搜索库进行过构建,进一步的,通过遍历贴合位置、贴合流量、贴合时长、贴合路径和贴合压力,基于用户端设定贴合控制解空间,其设定过程与上料控制解空间为同理构建,在此不进行过多赘述,最终根据贴合微变量搜索库,在贴合控制解空间中执行Q次搜索,生成贴合推荐控制参数,最终根据贴合推荐控制参数通过对板材贴合装置进行初始化进行贴合控制,达到基于传感器协同进行更为精准的生产流转的控制。
综上所述,本申请实施例提供的基于传感器协同的生产流转控制方法,至少包括如下技术效果,实现了结合图像传感器协同处理进行非停机尺寸准确校验且成本较低。
实施例二
基于与前述实施例中基于传感器协同的生产流转控制方法相同的发明构思,如图3所示,本申请提供了基于传感器协同的生产流转控制系统,系统包括:
第一激活模块1,所述第一激活模块1用于激活第一CMOS摄像机阵列采集第一输送通道的第一位置的基板图像信息;
第二激活模块2,所述第二激活模块2用于激活第二CMOS摄像机阵列采集第二输送通道的第二位置的贴片图像信息;
第三激活模块3,所述第三激活模块3用于激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果;
第一判断模块4,所述第一判断模块4用于当所述异常校验结果为校验通过,启动所述第二输送通道将所述第二位置的墙面贴片输送至第三位置,激活贴片上浆装置,提取上浆控制参数,其中,所述上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力;
上浆控制模块5,所述上浆控制模块5用于激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制;
第四激活模块6,所述第四激活模块6用于当贴片上浆完成时,启动所述第二输送通道将所述第三位置的墙面贴片输送至板材贴合区域,启动所述第一输送通道将所述第一位置的贴片基板输送至所述板材贴合区域,激活板材贴合装置,提取贴合控制参数,其中,所述贴合控制参数包括贴合压力、贴合温度和贴合时长;
第五激活模块7,所述第五激活模块7用于激活微变量搜索算法,对所述贴合控制参数进行搜索,生成贴合推荐控制参数,对所述板材贴合装置进行初始化进行贴合控制。
进一步而言,系统还包括:
位置获取模块,所述位置获取模块用于获取所述第一CMOS摄像机阵列的第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置;
基板图像正采样模块,所述基板图像正采样模块用于结合所述第一位置、墙面贴片型号和CMOS摄像控制参数,遍历所述第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置进行基板图像正采样,获取第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像;
第一异常分析模块,所述第一异常分析模块用于遍历所述第一组样本基板图像、所述第二组样本基板图像直到所述第M组样本基板图像对所述基板图像信息进行异常分析,生成M个异常系数;
第一添加模块,所述第一添加模块用于当所述M个异常系数均小于或等于异常系数阈值,生成基板校验通过信号,添加进所述异常校验结果;
第二添加模块,所述第二添加模块用于当所述M个异常系数的任意一个大于所述异常系数阈值,生成基板校验未通过信号,添加进所述异常校验结果。
进一步而言,系统还包括:
基板图像模块,所述基板图像模块用于所述基板图像信息包括第一个基板图像、第二个基板图像直到第M个基板图像;
函数模块,所述函数模块用于构建异常系数评估函数:
;
;
其中,表征第i个基板图像与第i组样本基板图像的第k个样本基板图像的不相似度,/>表征第i个基板图像与第i组样本基板图像的第k个样本基板图像非相交的像素点数量,/>第i个基板图像与第i组样本基板图像的第k个样本基板图像重合的像素点数量,/>表征可视为不同的不相似度阈值,/>表征第i个基板图像的异常系数,/>表征第i组样本基板图像的总数,count()为计数函数;
第二异常分析模块,所述第二异常分析模块用于根据所述异常系数评估函数,分别对所述第一个基板图像和所述第一组样本基板图像,所述第二个基板图像和所述第二组样本基板图像直到所述第M个基板图像和所述第M组样本基板图像进行异常分析,生成所述M个异常系数。
进一步而言,系统还包括:
基板图像获取模块,所述基板图像获取模块用于获取所述第一组样本基板图像的第一个样本基板图像、第二个样本基板图像直到第Y个样本基板图像;
虚拟重合模块,所述虚拟重合模块用于基于所述第一位置和所述第一个样本基板图像,遍历所述第一个基板图像、所述第二个样本基板图像直到所述第Y个样本基板图像进行虚拟重合,生成第一数字图像重合结果直到第Y数字图像重合结果;
第三添加模块,所述第三添加模块用于激活所述异常系数评估函数,对所述第一数字图像重合结果直到所述第Y数字图像重合结果进行异常分析,生成第一个异常系数,添加进所述M个异常系数。
进一步而言,系统还包括:
设定模块,所述设定模块用于设定料浆期望厚度和料浆期望分布区域;
节点构建模块,所述节点构建模块用于调取所述第三位置和墙面贴片型号,结合墙面贴片加工联网日志库构建上浆效果预测节点;
搜索库构建模块,所述搜索库构建模块用于基于所述上浆效果预测节点,结合所述料浆期望厚度和所述料浆期望分布区域,构建微变量搜索库;
第一遍历模块,所述第一遍历模块用于遍历所述点料位置、所述点料流量、所述点料时长、所述抹料路径和所述抹料压力,基于用户端设定上浆控制解空间;
搜索模块,所述搜索模块用于根据所述微变量搜索库,在所述上浆控制解空间中执行Q次搜索,生成所述上浆推荐控制参数。
进一步而言,系统还包括:
检索模块,所述检索模块用于基于所述第三位置和所述墙面贴片型号,在所述墙面贴片加工联网日志库中进行检索,获取上浆控制参数记录数据、上浆厚度记录数据和上浆分布区域记录数据;
训练模块,所述训练模块用于以所述上浆厚度记录数据作为BP神经网络的第一通道教师数据,以所述上浆分布区域记录数据作为BP神经网络的第二通道教师数据,以所述上浆控制参数记录数据作为BP神经网络的学生数据,训练所述上浆效果预测节点;
评分函数模块,所述评分函数模块用于构建控制适应度评分函数:
;
其中,表征第j组参数的控制适应度评分,/>表征第j组参数在上浆效果预测节点映射的厚度评估值,/>表征料浆期望厚度,/>表征第一预设权重,/>表征第j组参数在上浆效果预测节点映射的分布区域评估结果和料浆期望分布区域的重合区域面积,/>表征分布区域评估结果和料浆期望分布区域的非相交区域面积,/>表征第二预设权重,/>表征可容错的最大厚度偏差阈值,/>表征可容错的最小重合面积比例偏差阈值;
结合模块,所述结合模块用于根据所述料浆期望厚度和所述料浆期望分布区域,结合所述上浆效果预测节点和所述控制适应度评分函数,构建所述微变量搜索库,其中,所述微变量搜索库的容量为5-10组控制参数。
进一步而言,系统还包括:
第一随机赋值模块,所述第一随机赋值模块用于根据所述上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,其中,所述O组上浆控制参数为所述微变量搜索库的50倍容量;
更新模块,所述更新模块用于根据所述O组上浆控制参数对所述微变量搜索库进行Q次更新,获取适应度最大评分的控制参数,设为所述上浆推荐控制参数,其中,Q≤50*微变量搜索库容量;
第一随机赋值模块,所述第一随机赋值模块用于根据所述上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,包括:
欧式距离计算模块,所述欧式距离计算模块用于根据所述点料位置、所述点料流量、所述点料时长、所述抹料路径和所述抹料压力,对所述O组上浆控制参数进行两两欧式距离计算,生成控制参数分布距离均值;
调整模块,所述调整模块用于当所述控制参数分布距离均值小于或等于分布距离阈值,根据所述上浆控制解空间对所述O组上浆控制参数进行调整;
第二判断模块,所述第二判断模块用于当所述控制参数分布距离均值大于所述分布距离阈值,执行搜索步骤。
本说明书通过前述对基于传感器协同的生产流转控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于传感器协同的生产流转控制系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于传感器协同的生产流转控制方法,其特征在于,应用于墙面贴片加工产线,所述墙面贴片加工产线包括贴片检测装置、贴片上浆装置和板材贴合装置,所述贴片检测装置包括第一CMOS摄像机阵列和第二CMOS摄像机阵列,包括:
激活第一CMOS摄像机阵列采集第一输送通道的第一位置的基板图像信息;
激活第二CMOS摄像机阵列采集第二输送通道的第二位置的贴片图像信息;
激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果;
当所述异常校验结果为校验通过,启动所述第二输送通道将所述第二位置的墙面贴片输送至第三位置,激活贴片上浆装置,提取上浆控制参数,其中,所述上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力;
激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制;
当贴片上浆完成时,启动所述第二输送通道将所述第三位置的墙面贴片输送至板材贴合区域,启动所述第一输送通道将所述第一位置的贴片基板输送至所述板材贴合区域,激活板材贴合装置,提取贴合控制参数,其中,所述贴合控制参数包括贴合压力、贴合温度和贴合时长;
激活微变量搜索算法,对所述贴合控制参数进行搜索,生成贴合推荐控制参数,对所述板材贴合装置进行初始化进行贴合控制。
2.如权利要求1所述的方法,其特征在于,激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果,包括:
获取所述第一CMOS摄像机阵列的第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置;
结合所述第一位置、墙面贴片型号和CMOS摄像控制参数,遍历所述第一个CMOS摄像机位置、第二个CMOS摄像机位置直到第M个CMOS摄像机位置进行基板图像正采样,获取第一组样本基板图像、第二组样本基板图像直到第M组样本基板图像;
遍历所述第一组样本基板图像、所述第二组样本基板图像直到所述第M组样本基板图像对所述基板图像信息进行异常分析,生成M个异常系数;
当所述M个异常系数均小于或等于异常系数阈值,生成基板校验通过信号,添加进所述异常校验结果;
当所述M个异常系数的任意一个大于所述异常系数阈值,生成基板校验未通过信号,添加进所述异常校验结果。
3.如权利要求2所述的方法,其特征在于,遍历所述第一组样本基板图像、所述第二组样本基板图像直到所述第M组样本基板图像对所述基板图像信息进行异常分析,生成M个异常系数,包括:
所述基板图像信息包括第一个基板图像、第二个基板图像直到第M个基板图像;
构建异常系数评估函数:
;
;
其中,表征第i个基板图像与第i组样本基板图像的第k个样本基板图像的不相似度,/>表征第i个基板图像与第i组样本基板图像的第k个样本基板图像非相交的像素点数量,/>第i个基板图像与第i组样本基板图像的第k个样本基板图像重合的像素点数量,/>表征可视为不同的不相似度阈值,/>表征第i个基板图像的异常系数,/>表征第i组样本基板图像的总数,count()为计数函数;
根据所述异常系数评估函数,分别对所述第一个基板图像和所述第一组样本基板图像,所述第二个基板图像和所述第二组样本基板图像直到所述第M个基板图像和所述第M组样本基板图像进行异常分析,生成所述M个异常系数。
4.如权利要求3所述的方法,其特征在于,根据所述异常系数评估函数,分别对所述第一个基板图像和所述第一组样本基板图像,所述第二个基板图像和所述第二组样本基板图像直到所述第M个基板图像和所述第M组样本基板图像进行异常分析,生成所述M个异常系数,包括:
获取所述第一组样本基板图像的第一个样本基板图像、第二个样本基板图像直到第Y个样本基板图像;
基于所述第一位置和所述第一个样本基板图像,遍历所述第一个基板图像、所述第二个样本基板图像直到所述第Y个样本基板图像进行虚拟重合,生成第一数字图像重合结果直到第Y数字图像重合结果;
激活所述异常系数评估函数,对所述第一数字图像重合结果直到所述第Y数字图像重合结果进行异常分析,生成第一个异常系数,添加进所述M个异常系数。
5.如权利要求1所述的方法,其特征在于,激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制,包括:
设定料浆期望厚度和料浆期望分布区域;
调取所述第三位置和墙面贴片型号,结合墙面贴片加工联网日志库构建上浆效果预测节点;
基于所述上浆效果预测节点,结合所述料浆期望厚度和所述料浆期望分布区域,构建微变量搜索库;
遍历所述点料位置、所述点料流量、所述点料时长、所述抹料路径和所述抹料压力,基于用户端设定上浆控制解空间;
根据所述微变量搜索库,在所述上浆控制解空间中执行Q次搜索,生成所述上浆推荐控制参数。
6.如权利要求5所述的方法,其特征在于,基于所述上浆效果预测节点,结合所述料浆期望厚度和所述料浆期望分布区域,构建微变量搜索库,包括:
基于所述第三位置和所述墙面贴片型号,在所述墙面贴片加工联网日志库中进行检索,获取上浆控制参数记录数据、上浆厚度记录数据和上浆分布区域记录数据;
以所述上浆厚度记录数据作为BP神经网络的第一通道教师数据,以所述上浆分布区域记录数据作为BP神经网络的第二通道教师数据,以所述上浆控制参数记录数据作为BP神经网络的学生数据,训练所述上浆效果预测节点;
构建控制适应度评分函数:
;
其中,表征第j组参数的控制适应度评分,/>表征第j组参数在上浆效果预测节点映射的厚度评估值,/>表征料浆期望厚度,/>表征第一预设权重,/>表征第j组参数在上浆效果预测节点映射的分布区域评估结果和料浆期望分布区域的重合区域面积,/>表征分布区域评估结果和料浆期望分布区域的非相交区域面积,/>表征第二预设权重,/>表征可容错的最大厚度偏差阈值,/>表征可容错的最小重合面积比例偏差阈值;
根据所述料浆期望厚度和所述料浆期望分布区域,结合所述上浆效果预测节点和所述控制适应度评分函数,构建所述微变量搜索库,其中,所述微变量搜索库的容量为5-10组控制参数。
7.如权利要求6所述的方法,其特征在于,根据所述微变量搜索库,在所述上浆控制解空间中执行Q次搜索,生成所述上浆推荐控制参数,包括:
根据所述上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,其中,所述O组上浆控制参数为所述微变量搜索库的50倍容量;
根据所述O组上浆控制参数对所述微变量搜索库进行Q次更新,获取适应度最大评分的控制参数,设为所述上浆推荐控制参数,其中,Q≤50*微变量搜索库容量;
其中,根据所述上浆控制解空间进行随机赋值O次,获取O组上浆控制参数,包括:
根据所述点料位置、所述点料流量、所述点料时长、所述抹料路径和所述抹料压力,对所述O组上浆控制参数进行两两欧式距离计算,生成控制参数分布距离均值;
当所述控制参数分布距离均值小于或等于分布距离阈值,根据所述上浆控制解空间对所述O组上浆控制参数进行调整;
当所述控制参数分布距离均值大于所述分布距离阈值,执行搜索步骤。
8.基于传感器协同的生产流转控制系统,其特征在于,应用于墙面贴片加工产线,所述墙面贴片加工产线包括贴片检测装置、贴片上浆装置和板材贴合装置,所述贴片检测装置包括第一CMOS摄像机阵列和第二CMOS摄像机阵列,包括:
第一激活模块,所述第一激活模块用于激活第一CMOS摄像机阵列采集第一输送通道的第一位置的基板图像信息;
第二激活模块,所述第二激活模块用于激活第二CMOS摄像机阵列采集第二输送通道的第二位置的贴片图像信息;
第三激活模块,所述第三激活模块用于激活内嵌于贴片检测装置的异常检测算法,对所述基板图像信息和所述贴片图像信息进行异常分析,生成异常校验结果;
第一判断模块,所述第一判断模块用于当所述异常校验结果为校验通过,启动所述第二输送通道将所述第二位置的墙面贴片输送至第三位置,激活贴片上浆装置,提取上浆控制参数,其中,所述上浆控制参数包括点料位置、点料流量、点料时长、抹料路径和抹料压力;
上浆控制模块,所述上浆控制模块用于激活微变量搜索算法,对所述上浆控制参数进行搜索,生成上浆推荐控制参数,对所述贴片上浆装置进行初始化进行上浆控制;
第四激活模块,所述第四激活模块用于当贴片上浆完成时,启动所述第二输送通道将所述第三位置的墙面贴片输送至板材贴合区域,启动所述第一输送通道将所述第一位置的贴片基板输送至所述板材贴合区域,激活板材贴合装置,提取贴合控制参数,其中,所述贴合控制参数包括贴合压力、贴合温度和贴合时长;
第五激活模块,所述第五激活模块用于激活微变量搜索算法,对所述贴合控制参数进行搜索,生成贴合推荐控制参数,对所述板材贴合装置进行初始化进行贴合控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247674.7A CN116991131B (zh) | 2023-09-26 | 2023-09-26 | 基于传感器协同的生产流转控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247674.7A CN116991131B (zh) | 2023-09-26 | 2023-09-26 | 基于传感器协同的生产流转控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116991131A true CN116991131A (zh) | 2023-11-03 |
CN116991131B CN116991131B (zh) | 2023-12-01 |
Family
ID=88530519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311247674.7A Active CN116991131B (zh) | 2023-09-26 | 2023-09-26 | 基于传感器协同的生产流转控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116991131B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092074A (zh) * | 2012-12-30 | 2013-05-08 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
CN110516375A (zh) * | 2019-08-29 | 2019-11-29 | 浪潮商用机器有限公司 | 一种异常板卡的检测方法、装置、电子设备及存储介质 |
CN114004815A (zh) * | 2021-11-03 | 2022-02-01 | 哈工大机器人(合肥)国际创新研究院 | 一种pcba外观检测方法及装置 |
CN116096066A (zh) * | 2023-04-12 | 2023-05-09 | 四川易景智能终端有限公司 | 一种基于物联网的smt贴片质量检测系统 |
CN116689502A (zh) * | 2023-07-01 | 2023-09-05 | 辽宁科技学院 | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 |
CN116757546A (zh) * | 2023-07-05 | 2023-09-15 | 安徽如柒信息科技有限公司 | 一种基于工业互联网的生产监测预警系统 |
-
2023
- 2023-09-26 CN CN202311247674.7A patent/CN116991131B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092074A (zh) * | 2012-12-30 | 2013-05-08 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
CN110516375A (zh) * | 2019-08-29 | 2019-11-29 | 浪潮商用机器有限公司 | 一种异常板卡的检测方法、装置、电子设备及存储介质 |
CN114004815A (zh) * | 2021-11-03 | 2022-02-01 | 哈工大机器人(合肥)国际创新研究院 | 一种pcba外观检测方法及装置 |
CN116096066A (zh) * | 2023-04-12 | 2023-05-09 | 四川易景智能终端有限公司 | 一种基于物联网的smt贴片质量检测系统 |
CN116689502A (zh) * | 2023-07-01 | 2023-09-05 | 辽宁科技学院 | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 |
CN116757546A (zh) * | 2023-07-05 | 2023-09-15 | 安徽如柒信息科技有限公司 | 一种基于工业互联网的生产监测预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116991131B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017045331A1 (zh) | 指纹识别方法、装置及电子设备 | |
CN112560913B (zh) | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 | |
CN104778465B (zh) | 一种基于特征点匹配的目标跟踪方法 | |
CN104376576A (zh) | 一种目标跟踪方法及装置 | |
US10885620B2 (en) | Neural network image processing system | |
US9514351B2 (en) | Processing a fingerprint for fingerprint matching | |
US20240020514A1 (en) | Improper neural network input detection and handling | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN112013891B (zh) | 用于使用人工神经网络校准多传感器系统的方法 | |
CN110555408A (zh) | 一种基于自适应映射关系的单摄像头实时三维人体姿态检测方法 | |
CN109816634B (zh) | 检测方法、模型训练方法、装置及设备 | |
WO2023284070A1 (zh) | 基于位姿自监督对抗生成网络的弱配对图像风格迁移方法 | |
US11631195B2 (en) | Indoor positioning system and indoor positioning method | |
Xie et al. | A method for surface defect detection of printed circuit board based on improved YOLOv4 | |
CN116991131B (zh) | 基于传感器协同的生产流转控制方法及系统 | |
CN114299604A (zh) | 一种基于二维图像的手骨骼捕捉、手势判别方法 | |
KR102238472B1 (ko) | 오차 보정 방법 및 센서 시스템 | |
CN112947458A (zh) | 基于多模态信息的机器人准确抓取方法及计算机可读介质 | |
CN116108391A (zh) | 一种基于无监督学习的人体姿态分类识别系统 | |
CN113365382B (zh) | 灯光控制方法、装置、电子设备和存储介质 | |
CN113160330B (zh) | 基于端到端的相机与激光雷达标定方法、系统及介质 | |
CN101581993B (zh) | 新型触摸屏设备的校准方法及其校准装置 | |
CN107704072A (zh) | 一种手势交互过程中用户手势的自动纠错方法 | |
Ouyang et al. | SAR Image Ground Object Recognition Detection Method based on Optimized and Improved CNN | |
CN112184835A (zh) | 一种钢琴键盘图像的形变恢复方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |