CN117057644A - 一种基于特性匹配的设备生产质量检测方法及系统 - Google Patents
一种基于特性匹配的设备生产质量检测方法及系统 Download PDFInfo
- Publication number
- CN117057644A CN117057644A CN202310948587.8A CN202310948587A CN117057644A CN 117057644 A CN117057644 A CN 117057644A CN 202310948587 A CN202310948587 A CN 202310948587A CN 117057644 A CN117057644 A CN 117057644A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- quality
- characteristic index
- sample
- index
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000012797 qualification Methods 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/06—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于特性匹配的设备生产质量检测方法及系统，涉及质量检测技术领域，该方法包括：基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；对特性指标与质量指标进行触发分析，确定特性匹配库，特性匹配库为表征为设备特性‑特性指标‑质量指标的多个序列；结合特性匹配库，搭建自适应质量检测模型，自适应质量检测模型包含N个子模型；对生产设备进行实时监测，提取多组特性指标值；将多组特性指标值输入自适应质量检测模型，输出质量检测结果；对质量检测结果进行合格判定并示警，通过本申请可以提高生产设备的质量检测效率，实现提高产品合格率的效果。
Description
技术领域
本公开涉及质量检测技术领域，具体涉及一种基于特性匹配的设备生产质量检测方法及系统。
背景技术
在产品生产加工过程中，为了提高生产设备的质量检测效率，进而提高产品合格率，通常会采用人工检测生产设备的方法。即在生产加工时配备有专门的质量检查的工作人员，对每一个生产设备进行质量检验。
但由于生产线生产设备数量较多，故障问题发生具有偶然性。质量检查工作人员一般通过抽检的方式，对生产设备进行抽查。这种检查方式，不仅需要配备专门的检查人员，消耗较多的人力，而且由于质检人员仅能够随机对生产设备进行抽样检查，不能及时有效发现生产成品的质量问题。
综上所述，现有技术中存在由于生产设备的质量检测效率低，使得产品合格率较低的技术问题。
发明内容
本公开提供了一种基于特性匹配的设备生产质量检测方法及系统，用以解决现有技术中存在的由于生产设备的质量检测效率低，使得产品合格率较低的技术问题。
根据本公开的第一方面，提供了一种基于特性匹配的设备生产质量检测方法，包括：基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；对所述生产设备进行实时监测，提取多组特性指标值；将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；对所述质量检测结果进行合格判定并示警。
根据本公开的第二方面，提供了一种基于特性匹配的设备生产质量检测系统，包括：指标获得模块，所述指标获得模块用于基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；指标分析模块，所述指标分析模块用于对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；模型构建模块，所述模型构建模块用于结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；指标值获得模块，所述指标值获得模块用于对所述生产设备进行实时监测，提取多组特性指标值；检测结果获得模块，所述检测结果获得模块用于将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；合格判定模块，所述合格判定模块用于对所述质量检测结果进行合格判定并示警。
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：根据本公开采用的通过基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；对所述生产设备进行实时监测，提取多组特性指标值；将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；对所述质量检测结果进行合格判定并示警，可以提高生产设备的质量检测效率，实现提高产品合格率的技术效果。
应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种基于特性匹配的设备生产质量检测方法的流程示意图；
图2为本公开实施例一种基于特性匹配的设备生产质量检测方法中结合所述特性匹配库，搭建自适应质量检测模型的流程示意图；
图3为本公开实施例一种基于特性匹配的设备生产质量检测方法中对所述生产设备进行实时监测，提取多组特性指标值的流程示意图；
图4为本公开实施例提供的一种基于特性匹配的设备生产质量检测系统的结构示意图。
附图标记说明：指标获得模块11，指标分析模块12，模型构建模块13，指标值获得模块14，检测结果获得模块15，合格判定模块16。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在由于生产设备的质量检测效率低，使得产品合格率较低的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种基于特性匹配的设备生产质量检测方法及系统：
实施例一
图1为本申请实施例提供的一种基于特性匹配的设备生产质量检测方法，所述方法包括：
步骤S100：基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；
具体地，生产设备是指直接或间接参加生产过程的设备。生产设备主要包括成套设备，系统、单台机械，装置等。其中，生产设备的设备特性为生产设备的多维度设备特性。进一步地，基于生产设备的设备特性，确定特性指标。其中，特性指标为基于生产设备的多维度设备特性，例如动力特性下，可以针对滚动控制，将滚动速率、稳定度、响应度等作为滚动控制特性的指标，特性指标对于生产质量的影响作为对应相关的质量指标。进一步地，获取目标产品的质量指标。其中，目标产品为基于生产设备，待进行质量检测的产品。目标产品的质量指标可以为反映目标产品本身质量的指标，即目标产品适合一定用途、满足一定需要的特性，反映目标产品使用效能的大小。质量指标取决于目标产品的内在质量与外观质量。内在质量表现在目标产品的化学成分和物理性能上，外观质量表现在目标产品的美观、色泽等方面。举例而言，目标产品质量指标可以有目标产品的使用寿命、效能；目标产品平均技术性能或有效成分的含量；目标产品的质量等级率。目标产品的质量指标也可以为反映工作质量的指标。质量指标反映工作质量的好坏、管理水平的高低。举例而言，质量指标可以有工作目标实现程度；耗费时间；速度；成本费用；工作者之间的协调度和满意度等。即目标产品质量指标有合格率、成品率、废品率、成品返修率等指标。
步骤S200：对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；
具体地，对特性指标与质量指标进行触发分析，其中，触发分析为分析引起特性指标与质量指标进行触发的条件，并确定特性匹配库。在本实施例中，引起特性指标进行触发的条件为设备特性，引起质量指标进行触发的条件为特性指标。进一步地，基于触发分析，确定特性匹配库，获得表征为设备特性-特性指标-质量指标的多个序列。即单项设备特性对应至少一个特性指标与至少一个质量指标。
步骤S300：结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；
具体地，以质量检测记录为检索条件，提取生产设备的历史质检记录，获取样本特性指标值、样本质量指标值。进一步地，对样本特性指标值与样本质量指标值进行映射关联，获取样本数据集。进一步地，对样本数据集进行神经网络训练，生成N个子模型。对N个子模型进行参数配置，生成自适应质量检测模型。
步骤S400：对所述生产设备进行实时监测，提取多组特性指标值；
具体地，对生产设备运行状态进行实时监测，获取生产设备的监测信息数据。进一步地，通过传感监测装置，提取监测信息数据，并对这些数据进行分析、处理和解释，以便及时发现设备的健康状况，并根据监测结果制定相应的维护计划和改进措施。进一步地，对监测信息数据进行特征指标识别。将识别获得的特性指标值添加至特征指标值集合。进一步地，基于特性指标值集合，依次对设备特性进行划分，获取多组特性指标值。
步骤S500：将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；
具体地，基于监测信息数据进行特征指标识别，提取获得的多组特性指标值，输入自适应质量检测模型。自适应质量检测模型为神经网络模型。进一步地，基于神经网络，构建数据分析网络层，数据分析网络层为机器学习中可以不断进行迭代优化，通过训练特性指标值进行监督训练获得。按照预设数据划分规则将特性指标值划分为训练集和验证集，预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。通过训练集对数据分析网络层进行监督训练，当模型输出结果趋于收敛状态时，通过验证集对数据分析网络层的输出结果准确率进行验证，获取预设验证准确率指标，预设验证准确率指标本领域技术人员可基于实际情况自定义设置，例如：95％。当数据分析网络层输出结果准确率大于等于预设验证准确率指标时，获得数据分析网络层输出结果，进而获得质量检测结果。
步骤S600：对所述质量检测结果进行合格判定并示警。
具体地，基于自适应质量检测模型，输出获得质量检测结果，提取N个质量等级。进一步地，对N个设备特性的质量等级进行权重分配，按照权重分配对N个质量等级进行加权计算，确定N个设备特性的综合质量等级。进一步地，基于生产设备的历史运行数据信息，预设等级阈值。将综合质量等级与预设等级阈值进行对比判定。若N个设备特性的综合质量等级不满足预设等级阈值，则判定质量检测结果不合格，进而生成预警信息。
其中，通过本申请可以提高生产设备的质量检测效率，实现提高产品合格率的效果。
如图2所示，本申请实施例提供的方法中的步骤S300包括：
S310：检索调用预定时间区间内的质检记录，获取样本特性指标值集合、样本质量指标值集合；
S320：对所述样本特性指标值集合与所述样本质量指标值集合进行分组与关联，获取样本数据集；
S330：基于所述样本数据集进行神经网络训练，生成所述N个子模型；
S340：对所述N个子模型进行并行配置，生成所述自适应质量检测模型。
具体地，基于预定时间，以质量检测记录为检索条件，提取调用生产设备的历史质检记录。其中，预定时间区间为基于生产设备，随机设置的生产时间。进一步地，基于质检记录，根据设备特性，随机提取多个特性指标值，作为样本特性指标值集合。随机提取多个质量指标值，作为样本质量指标值集合。
进一步地，按照设备特性，将样本特性指标值集合与样本质量指标值集合进行划分，获得多组样本特性指标值与多组样本质量指标值。其中，获取多组样本特性指标值与多组样本质量指标值的数量可以为N。进一步地，将样本特性指标值与样本质量指标值进行关联，获取样本数据集。
进一步地，基于样本数据集进行神经网络训练，生成N个子模型。进一步地，基于样本数据集，按照预设数据划分规则将样本数据集划分为样本训练集和样本验证集，预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。进一步地，通过样本数据集进行神经网络监督训练、验证和测试，获得符合预设指标的多个子模型。其中，获得符合预设指标的多个子模型的数量可以为N。
进一步地，对N个子模型并行进行配置，配置模型参数，生成自适应质量检测模型。
其中，搭建自适应质量检测模型，可以提高自适应质量检测模型输出获得结果的效率和准确率。
本申请实施例提供的方法中的步骤S320包括：
S321：将所述设备特性作为分组标准，对所述样本特性指标值集合与所述样本质量指标值集合进行划分，确定N组样本特性指标值与N组样本质量指标值；
S322：将同时序性作为关联约束条件，对所述N组样本特性指标值与所述N组样本质量指标值进行映射关联，获取N组训练样本；
S323：将所述N组训练样本作为所述样本数据集。
具体地，将设备特性作为分组标准，即依据多个设备特性，对样本特性指标值集合与样本质量指标值集合进行划分，确定多组样本特性指标值与多组样本质量指标值。其中，随机提取N组样本特性指标值与N组样本质量指标值进行确定获得。示例性的，基于设备特性中的动力特性，划分获得样本特性指标值集合中的滚动控制与样本质量指标值中的滚动速率。
进一步地，时序性表示信息的传递需要时间，将相同时序性作为关联约束条件，对N组样本特性指标值与N组样本质量指标值进行映射关联。举例而言，若获得一组样本特性指标值，则由于同时序性，即可获得样本特性指标值对应的样本质量指标值。进而获取N组训练样本。进一步地，提取N组训练样本，作为样本数据集。
其中，对样本特性指标值集合与样本质量指标值集合进行分组与关联，获取样本数据集，有助于将样本数据集输入神经网络模型进行训练，提高获得输出结果的精确度。
如图3所示，本申请实施例提供的方法中的步骤S400包括：
S410：基于传感监测装置，对所述生产设备进行运行采集，获取监测图像集与传感数据集；
S420：对所述监测图像集与所述传感数据集进行特征指标识别，获取特征指标值集合；
S430：基于所述特性指标值集合，逐设备特性进行划分，获取所述多组特性指标值。
具体地，基于传感监测装置，对生产设备进行运行采集，获取监测图像集与传感数据集。进一步地，对生产设备运行状态进行实时或定期的监测和检测，以获取生产设备的关键性能指标、故障信息等数据。通过传感监测装置，获取监测图像集与传感数据集，并对这些数据进行分析、处理和解释，以便及时发现设备的健康状况，并根据监测结果制定相应的维护计划和改进措施。其中，传感监测装置可以包括PreMaint数据采集设备等。
进一步地，对监测图像集与传感数据集进行特征指标识别。其中，对监测图像集进行预处理。对传感数据集进行时序整合与变化趋势分析处理。进一步地，将通过处理的监测图像集与传感数据集进行关联映射，将同特性指标值添加至特征指标值集合。进一步地，基于特性指标值集合，依次对设备特性进行划分，获取多组特性指标值。
其中，对生产设备进行实时监测，提取多组特性指标值，有助于提高获得特性指标值的精确度，进而输入神经网络模型，提高模型输出结果的精确度。
本申请实施例提供的方法中的步骤S420包括：
S421：对所述监测图像集进行预处理，提取图像特性指标值；
S422：对所述传感数据集进行时序整合与趋势分析，提取传感特性指标值；
S423：对所述图像特性指标值与所述传感特性指标值进行映射校验，筛选同特性指标值添加进所述特征指标值集合；
S424：对异值特性指标进行重采集并校验，添加进所述特征指标值集合。
具体地，输入监测图像集，进行预处理，输出预处理图像，提取图像特性指标值。其中，预处理可以包括像素亮度变换、几何变换、局部邻域预处理、图像复原等。
进一步地，对传感数据集进行时序整合与趋势分析。其中，时序整合的方法可以为将传感数据集中高维度信息平铺到低维度时间轴上，如将一个月的交易日全部填上该月可获得的月度数据，作为一条输入向量加入输入集。时序整合的方法也可以为独立训练不同层级的传感数据集模型。通过高维度数据独立训练上层模型和下层模型，最后按照下层模型服从上层模型的规则融合输出。进一步地，趋势分析为通过对传感数据集的多个数据对生产设备的变化趋势的分析。进一步地，进而提取传感特性指标值。
进一步地，对图像特性指标值与传感特性指标值进行映射并校验。基于图像特性指标值与传感特性指标值，筛选同特性指标值，添加进特征指标值集合。相应的，对异值特性指标进行重采集并校验，然后添加进特征指标值集合。
其中，对特性指标值进行数据预处理等，获取特征指标值集合，有助于对特性指标值进行无量纲化处理，提高获得数据准确度。
本申请实施例提供的方法中的步骤S600包括：
S610：基于所述质量检测结果，提取N个质量等级；
S620：对所述设备特性进行权重配置，获取分布权重；
S630：基于所述分布权重，对所述N个质量等级进行加权计算，确定综合质量等级；
S640：若所述综合质量等级不满足等级阈值，生成预警信息。
具体地，基于自适应质量检测模型，输出获得质量检测结果，提取N个质量等级。进一步地，基于N个设备特性，获得N个质量等级。举例而言，基于设备特性中的响应速度，若响应速度为1ms，则质量检测等级一级。若响应速度为2ms，则质量检测等级二级。
进一步地，对设备特性进行权重配置。其中，按照设备特性的重要程度分配权重，将更重要的设备特性分配更高权重，获取设备特性的分布权重。进一步地，基于分布权重，对N个质量等级进行加权计算。其中，计算获得多个权重相加之和，确定N个设备特性的综合质量等级。
进一步地，基于生产设备的历史运行数据信息，预设等级阈值。若N个设备特性的综合质量等级不满足预设等级阈值，则生成预警信息。
其中，对质量检测结果进行合格判定并示警，提高质量检测结果准确度，进而提高生产设备的质量检测效率。
本申请实施例提供的方法中的步骤S600还包括：
S650：设定预定运维周期，基于所述预定运维周期对所述生产设备进行检修；
S660：对所述预警信息的预警频次进行统计，若达到预设频次阈值时，生成即时运维指令；
S670：基于所述即时运维指令确定临时运维节点，穿插进所述预定运维周期；
S680：待完成所述临时运维节点的检修后，对所述预定运维周期中的所述临时运维节点进行剔除。
具体地，设定预定运维周期。其中，设定运维周期可以基于生产设备的实际情况预定。进一步地，基于预定运维周期，对生产设备进行检修。进一步地，预设预警频次阈值。其中，基于生产设备的历史运行数据信息，预设预警频次阈值。进一步地，基于生产设备的预警信息，提取预警频次进行统计。若生产设备的预警频次达到预设频次阈值时，生成即时运维指令。
进一步地，基于即时运维指令，确定临时运维时间节点。提取临时运维时间节点，穿插添加至预定运维周期。进一步地，对临时运维节点完成检修后，对预定运维周期中的临时运维节点进行剔除。
其中，对生产设备进行检修，有助于提高生产质量检测精确度率，进而提高产品合格率。
实施例二
基于与前述实施例中一种基于特性匹配的设备生产质量检测方法同样的发明构思，如图4所示，本申请还提供了一种基于特性匹配的设备生产质量检测系统，所述系统包括：
指标获得模块11，所述指标获得模块用于基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；
指标分析模块12，所述指标分析模块用于对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；
模型构建模块13，所述模型构建模块用于结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；
指标值获得模块14，所述指标值获得模块用于对所述生产设备进行实时监测，提取多组特性指标值；
检测结果获得模块15，所述检测结果获得模块用于将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；
合格判定模块16，所述合格判定模块用于对所述质量检测结果进行合格判定并示警。
进一步地，所述系统还包括：
指标值集合获得模块，所述指标值集合获得模块用于检索调用预定时间区间内的质检记录，获取样本特性指标值集合、样本质量指标值集合；
样本数据集获得模块，所述样本数据集获得模块用于对所述样本特性指标值集合与所述样本质量指标值集合进行分组与关联，获取样本数据集；
子模型获得模块，所述子模型获得模块用于基于所述样本数据集进行神经网络训练，生成所述N个子模型；
检测模型获得模块，所述检测模型获得模块用于对所述N个子模型进行并行配置，生成所述自适应质量检测模型。
进一步地，所述系统还包括：
指标值获得模块，所述指标值获得模块用于将所述设备特性作为分组标准，对所述样本特性指标值集合与所述样本质量指标值集合进行划分，确定N组样本特性指标值与N组样本质量指标值；
训练样本获得模块，所述训练样本获得模块用于将同时序性作为关联约束条件，对所述N组样本特性指标值与所述N组样本质量指标值进行映射关联，获取N组训练样本；
样本数据集获得模块，所述样本数据集获得模块用于将所述N组训练样本作为所述样本数据集。
进一步地，所述系统还包括：
采集数据获得模块，所述采集数据获得模块用于基于传感监测装置，对所述生产设备进行运行采集，获取监测图像集与传感数据集；
特征指标值集合获得模块，所述特征指标值集合获得模块用于对所述监测图像集与所述传感数据集进行特征指标识别，获取特征指标值集合；
特性指标值获得模块，所述特性指标值获得模块用于基于所述特性指标值集合，逐设备特性进行划分，获取所述多组特性指标值。
进一步地，所述系统还包括：
图像特性指标值获得模块，所述图像特性指标值获得模块用于对所述监测图像集进行预处理，提取图像特性指标值；
传感特性指标值获得模块，所述传感特性指标值获得模块用于对所述传感数据集进行时序整合与趋势分析，提取传感特性指标值；
特性指标值处理模块，所述特性指标值处理模块用于对所述图像特性指标值与所述传感特性指标值进行映射校验，筛选同特性指标值添加进所述特征指标值集合；
特性指标值验证模块，所述特性指标值验证模块用于对异值特性指标进行重采集并校验，添加进所述特征指标值集合。
进一步地，所述系统还包括：
质量等级获得模块，所述质量等级获得模块用于基于所述质量检测结果，提取N个质量等级；
权重获得模块，所述权重获得模块用于对所述设备特性进行权重配置，获取分布权重；
综合质量等级获得模块，所述综合质量等级获得模块用于基于所述分布权重，对所述N个质量等级进行加权计算，确定综合质量等级；
预警信息获得模块，所述预警信息获得模块用于若所述综合质量等级不满足等级阈值，生成预警信息。
进一步地，所述系统还包括：
运维周期获得模块，所述运维周期获得模块用于设定预定运维周期，基于所述预定运维周期对所述生产设备进行检修；
运维指令获得模块，所述运维指令获得模块用于对所述预警信息的预警频次进行统计，若达到预设频次阈值时，生成即时运维指令；
运维节点获得模块，所述运维节点获得模块用于基于所述即时运维指令确定临时运维节点，穿插进所述预定运维周期；
运维节点处理模块，所述运维节点处理模块用于待完成所述临时运维节点的检修后，对所述预定运维周期中的所述临时运维节点进行剔除。
前述实施例一中的一种基于特性匹配的设备生产质量检测方法具体实例同样适用于本实施例的一种基于特性匹配的设备生产质量检测系统，通过前述对一种基于特性匹配的设备生产质量检测方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种基于特性匹配的设备生产质量检测系统，所以为了说明书的简洁，在此不再详述。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，所以描述得比较简单，相关之处参见方法部分说明即可。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (8)
1.一种基于特性匹配的设备生产质量检测方法，其特征在于，所述方法包括：
基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；
对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；
结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；
对所述生产设备进行实时监测，提取多组特性指标值；
将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；
对所述质量检测结果进行合格判定并示警。
2.如权利要求1所述的方法，其特征在于，方法包括：
检索调用预定时间区间内的质检记录，获取样本特性指标值集合、样本质量指标值集合；
对所述样本特性指标值集合与所述样本质量指标值集合进行分组与关联，获取样本数据集；
基于所述样本数据集进行神经网络训练，生成所述N个子模型；
对所述N个子模型进行并行配置，生成所述自适应质量检测模型。
3.如权利要求2所述的方法，其特征在于，所述对所述样本特性指标值集合与所述样本质量指标值集合进行分组与关联，获取样本数据集，方法包括：
将所述设备特性作为分组标准，对所述样本特性指标值集合与所述样本质量指标值集合进行划分，确定N组样本特性指标值与N组样本质量指标值；
将同时序性作为关联约束条件，对所述N组样本特性指标值与所述N组样本质量指标值进行映射关联，获取N组训练样本；
将所述N组训练样本作为所述样本数据集。
4.如权利要求1所述的方法，其特征在于，所述对所述生产设备进行实时监测，提取多组特性指标值，方法包括：
基于传感监测装置，对所述生产设备进行运行采集，获取监测图像集与传感数据集；
对所述监测图像集与所述传感数据集进行特征指标识别，获取特征指标值集合；
基于所述特性指标值集合，逐设备特性进行划分，获取所述多组特性指标值。
5.如权利要求4所述的方法，其特征在于，所述获取特征指标值集合，方法包括：
对所述监测图像集进行预处理，提取图像特性指标值；
对所述传感数据集进行时序整合与趋势分析，提取传感特性指标值；
对所述图像特性指标值与所述传感特性指标值进行映射校验，筛选同特性指标值添加进所述特征指标值集合；
对异值特性指标进行重采集并校验，添加进所述特征指标值集合。
6.如权利要求1所述的方法，其特征在于，所述对所述质量检测结果进行合格判定并示警，方法包括：
基于所述质量检测结果，提取N个质量等级；
对所述设备特性进行权重配置，获取分布权重；
基于所述分布权重，对所述N个质量等级进行加权计算，确定综合质量等级；
若所述综合质量等级不满足等级阈值，生成预警信息。
7.如权利要求6所述的方法，其特征在于，方法包括；
设定预定运维周期，基于所述预定运维周期对所述生产设备进行检修；
对所述预警信息的预警频次进行统计，若达到预设频次阈值时，生成即时运维指令；
基于所述即时运维指令确定临时运维节点，穿插进所述预定运维周期；
待完成所述临时运维节点的检修后，对所述预定运维周期中的所述临时运维节点进行剔除。
8.一种基于特性匹配的设备生产质量检测系统，其特征在于，用于实施权利要求1-7任意一项所述的一种基于特性匹配的设备生产质量检测方法，所述系统包括：
指标获得模块，所述指标获得模块用于基于生产设备的设备特性，确定特性指标，并获取目标产品的质量指标；
指标分析模块，所述指标分析模块用于对所述特性指标与所述质量指标进行触发分析，确定特性匹配库，所述特性匹配库为表征为设备特性-特性指标-质量指标的多个序列，单项设备特性对应至少一个特性指标与至少一个质量指标；
模型构建模块，所述模型构建模块用于结合所述特性匹配库，搭建自适应质量检测模型，所述自适应质量检测模型包含N个子模型；
指标值获得模块，所述指标值获得模块用于对所述生产设备进行实时监测，提取多组特性指标值；
检测结果获得模块，所述检测结果获得模块用于将所述多组特性指标值输入所述自适应质量检测模型，输出质量检测结果；
合格判定模块，所述合格判定模块用于对所述质量检测结果进行合格判定并示警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948587.8A CN117057644A (zh) | 2023-07-31 | 2023-07-31 | 一种基于特性匹配的设备生产质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948587.8A CN117057644A (zh) | 2023-07-31 | 2023-07-31 | 一种基于特性匹配的设备生产质量检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117057644A true CN117057644A (zh) | 2023-11-14 |
Family
ID=88660005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310948587.8A Pending CN117057644A (zh) | 2023-07-31 | 2023-07-31 | 一种基于特性匹配的设备生产质量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057644A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117250931A (zh) * | 2023-11-16 | 2023-12-19 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
| CN117873007A (zh) * | 2024-03-11 | 2024-04-12 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
| CN117894385A (zh) * | 2024-03-14 | 2024-04-16 | 江苏大学 | 基于成分分析技术的食醋发酵检测方法及系统 |
-
2023
- 2023-07-31 CN CN202310948587.8A patent/CN117057644A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117250931A (zh) * | 2023-11-16 | 2023-12-19 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
| CN117250931B (zh) * | 2023-11-16 | 2024-01-23 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
| CN117873007A (zh) * | 2024-03-11 | 2024-04-12 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
| CN117873007B (zh) * | 2024-03-11 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
| CN117894385A (zh) * | 2024-03-14 | 2024-04-16 | 江苏大学 | 基于成分分析技术的食醋发酵检测方法及系统 |
| CN117894385B (zh) * | 2024-03-14 | 2024-06-07 | 江苏大学 | 基于成分分析技术的食醋发酵检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及系统 | |
| CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
| CN114201374B (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
| CN110619691B (zh) | 一种板坯表面裂纹的预测方法及装置 | |
| CN112417763B (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN117935519B (zh) | 一种燃气检测警报系统 | |
| CN118211882B (zh) | 一种基于大数据的产品质量管理系统及方法 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
| CN116433218A (zh) | 基于自组织映射聚类的矿井机械设备在线健康评估方法 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN113657747B (zh) | 一种企业安全生产标准化级别智能评定系统 | |
| CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
| CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
| CN117235624B (zh) | 排放数据造假检测方法、装置及系统和存储介质 | |
| CN117250201A (zh) | 一种泳池砖层缺陷检测方法及系统 | |
| CN118014115A (zh) | 一种基于长短时记忆网络的产线损耗监测方法 | |
| CN116304814A (zh) | 一种基于分类算法的监测对象工况分析方法和系统 | |
| CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| CN117253176B (zh) | 基于视频分析与计算机视觉的安全生产Al智能检测方法 |
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 |